Applicazioni

Come l’AI sta trasformando i sistemi informativi aziendali

La visione della compagnia di assicurazioni Helvetia: lo sviluppo di un Modello di Maturità dell’AI a livello di organizzazione (AIMM), sotto forma di schema per aiutare i dirigenti di alto livello all’adozione nelle loro organizzazioni e a evitare alcuni degli errori comuni

Pubblicato il 25 Mag 2023

Gabriel De Dominicis

CEO Entangled AI e Kapto AI

Giovanni Forleo

CIO Gruppo Helvetia Italia

AI governance

L’onda del cambiamento portato dell’intelligenza artificiale sta rapidamente raggiungendo le rive dell’industria assicurativa. L’intelligenza artificiale sta cominciando, con intensità crescente, a plasmare sia i protagonisti consolidati che gli “incumbent”. Vediamo come l’AI sta facendo evolvere i sistemi informativi aziendali.

La diffusione dell’AI nelle compagnie assicurative

Normalmente il primo impatto dell’AI è sull’efficienza operativa grazie alla capacità dell’AI di alimentare un tipo di automazione che va molto oltre l’uso della sola automazione robotica, ottimizzando e riducendo i costi. Ma l’AI non si limita solo all’efficienza: ci sono anche scenari specifici in cui porta a un’automazione spinta nella regolazione dei sinistri o a una migliore micro-segmentazione dei clienti, con conseguenti azioni ad hoc che suggeriscono come trattenere un cliente o proporre vendite aggiuntive o downgrade, piuttosto che un pricing dinamico.

Man mano che l’intelligenza artificiale diventa sempre più integrata nell’industria, le compagnie assicurative devono posizionarsi per rispondere al cambiamento del panorama aziendale. I decision-maker devono comprendere i fattori che contribuiranno a questo cambiamento e come l’AI modificherà la gestione dei sinistri, la distribuzione, l’analisi dei rischi e la definizione dei prezzi. Con questa comprensione, possono iniziare a sviluppare le competenze e le capacità, ad abbracciare le tecnologie emergenti e a creare la cultura e la prospettiva necessarie per essere attori di successo nell’industria assicurativa del futuro.

AI sistemi informativi

AI nei sistemi informativi aziendali: il governo del dato e il controllo dei processi

Sebbene sia oramai provato che l’utilizzo dell’intelligenza artificiale sia uno strumento fortemente trasformativo per un numero crescente di industrie, bisogna essere però assolutamente consapevoli che la sua adozione, oltre alla benevola consapevolezza dei decisori aziendali e alla disponibilità concettuale a ridisegnare radicalmente, se necessario, i processi aziendali, necessita in ultima analisi, come requisito fondazionale, di un substrato di gestione e governo del dato e di gestione e controllo dei processi, rappresentato dai sistemi informativi aziendali, all’altezza del compito di operazionalizzare gli strumenti di AI in modo efficace.

Helvetia è presente nel mercato Italiano da 75 anni e da sempre si preoccupa di erogare prestazioni efficienti e innovative, semplificare i processi e ridurre la complessità. Per Helvetia la trasformazione digitale, considerata un prerequisito indispensabile per realizzare la propria strategia, mira a una fornitura di servizi efficienti e trasversali. Questo significa non solo costi sempre più bassi, ma soprattutto velocità, flessibilità e comodità per i clienti.

Un importante contributo in questa direzione arriva dall’utilizzo della AI che sta aiutando Helvetia a riportare, ad alto livello, i principali settori operativi e i benefici attesi nel breve e medio termine. Helvetia ha scelto il modello di maturity da perseguire e gli strumenti di AI da integrare nei processi aziendali in base a specifici principi guida e requisiti che insieme contribuiranno alla trasformazione dei sistemi informativi aziendali.

Obiettivi e impatti operativi

Esperienza di acquisto

L’esperienza di acquisto di un prodotto assicurativo deve essere all’altezza degli standard “fast and passive” che si sono già imposti in altri settori, come ad esempio quello bancario e del travel&leisure. L’acquisto di un prodotto assicurativo deve essere più veloce di quanto sia ora, più “frictionless”, con un coinvolgimento meno attivo da parte dell’assicuratore e del cliente.

Ovunque sia possibile, se si conoscono abbastanza informazioni sul comportamento individuale, è necessario operare in modo che i tempi di ciclo per completare l’acquisto di una polizza auto, commerciale o vita si riducano a minuti o addirittura a secondi.

Il raggiungimento di questo obiettivo implica non solo l’adozione di modelli di rischio personalizzati ma anche la capacità di rendere le procedure di KYC (Know Your Customer) e in generale di gestione dei processi documentali a supporto della sottoscrizione sostanzialmente “human touchless“. In questo contesto capacità pervasive di automazione totale dei processi “document-rooted” diventano una chiave essenziale per il successo.

Sottoscrizione e prezzi

La sottoscrizione, come la conosciamo oggi, dovrà evolvere per la maggior parte dei prodotti personali e per le piccole imprese, sia nel ramo vita che in quello danni e infortuni. Il processo di sottoscrizione si dovrà ridurre a pochi secondi, con il supporto dato da una combinazione di modelli di apprendimento automatico costruiti all’interno dello stack tecnologico e di strumenti di “fluidificazione e automazione” del processo. In questo scenario, siccome questi modelli saranno alimentati sia da dati interni che da un’ampia serie di dati esterni integrati nel sistema informativo aziendale, ne discende che le informazioni raccolte o rese accessibili in continuo sono un prerequisito essenziale. Queste fonti di informazioni consentono agli assicuratori di prendere decisioni ex ante in merito alla sottoscrizione e alla determinazione dei prezzi, permettendo un contatto proattivo con un preventivo vincolante per un pacchetto di prodotti personalizzato in base al profilo di rischio e alle esigenze di copertura dell’acquirente.

Un punto importante da sottolineare è il fatto che i regolatori richiedono un metodo trasparente per determinare la tracciabilità di un punteggio (simile alla derivazione dei fattori di rating utilizzata nel mondo finanziario).

Gestione dei sinistri

La gestione dei sinistri rimane una funzione critica e primaria. Con le attuali potenzialità dell’intelligenza artificiale è plausibile ritenere che più della metà delle attività di gestione dei sinistri possano essere sostituite dall’automazione. Un approccio coerente con un’architettura di tipo “event driven” dove la parte di comprensione dell’input è demandata a opportuni strumenti di AI, come anche la gestione del best next step, possono dare luogo a “practice” estremamente automatizzate nel gestire sia l’instradamento iniziale che i vari step successivi in modo il più possibile automatizzato, aumentando drammaticamente sia l’efficienza che l’accuratezza.

I livelli di maturità nell’adozione dell’intelligenza artificiale

Nonostante l’attuale hype-trend, le incertezze del processo necessario per stabilire solide capacità di AI è oggi la principale preoccupazione del management di alto livello.

Tra i leader si riscontrano ancora disinformazione e incomprensioni sull’adozione dell’AI. Alcuni di loro la vedono come una tecnologia plug-and-play con ritorni immediati invece che come una pratica aziendale pervasiva. Altri decidono di avviare alcuni progetti, iniziano a investire in infrastrutture di dati, strumenti software per l’AI, competenze sui dati e sviluppo di modelli, senza una chiara visione delle lacune tecniche e organizzative nascoste. Poi alcuni dei progetti pilota riescono a ottenere piccoli guadagni in sacche di organizzazioni, ma passano mesi o anni senza portare i grandi successi che i dirigenti si aspettavano.

Vediamo anche aziende che faticano a passare dai progetti pilota ai programmi a livello aziendale e a concentrarsi su problemi operativi aziendali discreti, come una migliore comprensione del comportamento dei clienti, e su grandi sfide aziendali, come l’ottimizzazione dell’intero customer journey. Di solito questo accade perché i leader spesso pensano in modo troppo ristretto ai requisiti dell’AI.

Sebbene siano certamente necessari tecnologie e talenti all’avanguardia, è altrettanto o forse ancora più importante, allineare la cultura, la struttura e le modalità di lavoro di un’azienda per supportare un’ampia adozione dell’AI. Tuttavia, nella maggior parte delle aziende che non sono nate digitali, la mentalità e le modalità di lavoro tradizionali sono in contrasto con quelle necessarie per l’AI fino a quando non viene adottata una roadmap chiara e condivisa all’interno dell’azienda.

Ecco la nostra visione attraverso lo sviluppo di un Modello di Maturità dell’AI a livello di organizzazione (AIMM) sotto forma di schema, per aiutare i dirigenti di alto livello ad adottare l’AI nelle loro organizzazioni e a evitare alcuni degli errori comuni.

Lo Schema di Maturità dell’AI è stato progettato per aiutare i leader a comprendere e dare priorità alle azioni che avranno il maggiore impatto sull’adozione dell’AI nel loro contesto specifico:

  1. Cataloga le cinque dimensioni chiave che devono essere allineate per creare e scalare l’impatto aziendale con l’AI: Strategia, Dati, Tecnologia, Persone e Operazioni.
  2. Spiega come queste dimensioni definiscano la maturità dell’organizzazione in cinque fasi: Investigare, Valutare, Formalizzare, Scalare e Trasformare.

Schema di riferimento

Estrarre valore dall’intelligenza artificiale non è un esercizio semplice. L’AI è una disciplina complessa e “multi-faceted” e, per essere applicata con successo, richiede che molte parti dell’organizzazione cooperino tra loro.

Nell’identificare lo stato di maturità dell’AI organizzativa si possono usare le cinque dimensioni organizzative e analizzare come queste dimensioni lavorano insieme per consentire e incrementare l’impatto dell’AI nel tempo.

Su queste dimensioni, è disponibile il framework descritto in seguito per aiutare le aziende a valutare la loro capacità di adottare l’intelligenza artificiale e decidere cosa fare successivamente.

AI nei sistemi informativi – gli stadi di maturità: 5 dimensioni temporali

Investigating

Le organizzazioni iniziano a “investigare” sull’AI quando passano dalla curiosità generale sul tema a domande mirate sui problemi o opportunità che essa può aiutare ad affrontare. In questa fase il budget non è qualificato, l’azienda sta ancora apprendendo i benefici specifici dell’AI e non è sicura di come realizzarli.

In seguito, la comprensione migliora, si fanno progressi valutando i casi d’uso aziendali, i costi e i benefici. Le squadre iniziano degli esperimenti sull’AI.

Infine, le organizzazioni raggiungono un punto di svolta quando acquisiscono la capacità di riconoscere le opportunità e iniziano a costruire una roadmap di quale lavoro è richiesto per definire soluzioni AI convincenti.

Helvetia è continuativamente impegnata sia nello scouting che nella comprensione di come l’intelligenza artificiale possa avere impatti benefici. Nel momento in cui da questa fase emergono specifiche opportunità, a valle dell’analisi dei benefici nel perseguire il business case, è possibile che iniziative specifiche vengano passate in fase di valutazione.

Evaluating

In questa fase, l’organizzazione sperimenta, attraverso piloti/POC, il possibile impatto sul business. Attraverso le valutazioni dei POC si costruisce la credibilità sulle attività IA all’interno dell’azienda.

Successivamente, le aziende si concentrano sull’identificazione dei fattori abilitanti e la rimozione dei vincoli per i modelli di AI. Le Aziende individuano quali progetti dovrebbero essere messi in produzione e come misurare il successo. Questa practice è ben consolidata in Helvetia. Diverse iniziative nell’underwriting, quali l’ottimizzazione dei processi operativi, la gestione proattiva della security, l’estensione della pronta liquidazione – che oggi sono in fasi più avanzate – sono scaturite da analisi precise e specifiche portate avanti in questa fase.

Formalizing

Nella fase di Formalizing, l’organizzazione sta implementando progetti AI in produzione, con l’obiettivo di generare un impatto sul business.

Questi sforzi richiedono un chiaro use case e metriche di performance concordate, tenendo conto della gestione del rischio e della compliance con le normative del settore.

Successivamente le aziende utilizzano la loro esperienza per definire piani futuri per standardizzare o semplificare la diffusione della AI.

È in questo momento che si possono valutare, ad esempio, la necessità di flussi di big data e delle integrazioni sui sistemi, creando la necessità di sviluppare una strategia di dati più integrata.

Infine, per adottare applicazioni più complesse di AI nei processi core, è necessario il sostegno a livello del Top Management per allocare il budget, i mandati e i piani. È anche importante garantire che i modelli di AI siano sicuri e mantenibili nel tempo.

Scaling

Nella fase di scaling, l’azienda inizia ad applicare l’AI sia alle proprie operazioni interne sia ai prodotti, servizi o altre interazioni con clienti e fornitori. L’AI fornisce un valore misurabile con un ROI chiaro.

L’organizzazione riesce a passare rapidamente dalla messa in evidenza dei bisogni alla messa in produzione. Allo stesso tempo, vengono introdotti strumenti e processi aziendali per governare in modo sicuro l’AI su larga scala.

Nella prima fase, l’organizzazione ha almeno una soluzione di AI in produzione e può selezionare, consegnare e gestire in modo affidabile ulteriori progetti di AI con ROI positivo.

In seguito, aumentando il numero di soluzioni di AI implementate, sorgono nuove opportunità per migliorare l’efficienza di questi progetti e sorgono nuove sfide riguardo alla complessità del supporto ai modelli in produzione.

Infine, l’organizzazione completa gli investimenti per razionalizzare lo sviluppo e la gestione dei sistemi di AI e formalizza politiche e linee guida per l’uso responsabile. La visibilità e il coinvolgimento del Management è ad alto livello e ciò consente la diffusione e l’integrazione nelle varie aree aziendali.

Transforming

Nella fase di transforming, l’azienda plasma attivamente l’AI in nuovi ambiti per portare valore aggiunto al business, introducendo nuovi modelli di business e prodotti sul mercato.

L’AI è fondamentale per guidare le decisioni in tutta l’organizzazione, con sistemi interconnessi che imparano e si adattano nel tempo.

Inizialmente, l’azienda attiva i fattori organizzativi abilitanti per l’AI e una comunicazione efficace della visione in proposito permette il supporto per abbattere i silos tra i team e costruire soluzioni di nuova generazione.

In seguito, l’organizzazione utilizza l’AI per definire modelli di business, prodotti e servizi, oltre alle operazioni, con l’AI come priorità di bilancio fondamentale.

Infine, una volta raggiunta la piena maturità trasformativa dell’AI, la tecnologia diventa fondamentale per il modo in cui vengono ideate e implementate nuove opportunità strategiche. Le organizzazioni devono continuare a migliorare la scienza e l’ingegneria dell’AI, così come il suo utilizzo etico nella società.

Ad oggi molti progetti che hanno passato la fase di valutazione sono in fase di formalizzazione o di scaling soprattutto nell’ambito dell’ottimizzazione dei processi operativi mediante tecnologie di AI innovative

AI nei sistemi informativi – gli stadi di maturità: 5 dimensioni operative

Le organizzazioni devono cambiare il loro modo di pensare, agire e imparare per sfruttare l’AI.

Le cinque dimensioni operative rappresentano le principali aree in cui le pratiche di gestione, le operazioni e l’infrastruttura di qualsiasi organizzazione devono evolversi per realizzare questo cambiamento.

Per aumentare con successo il livello complessivo di maturità dell’organizzazione per l’AI, ognuna di queste dimensioni deve maturare individualmente e insieme.

Ecco il quadro di sintesi dell’evoluzione necessaria in ciascuna dimensione.

  1. Strategy: visione organizzativa e piano di sviluppo per sostenere il percorso verso l’AI
  2. Data: potenziare i modelli AI dal training alla messa in produzione
  3. Technology: strumenti, infrastrutture e flussi operativi per sostenere l’AI durante l’intero ciclo di vita
  4. People: ruoli, competenze e metriche per il successo e lo sviluppo di un lavoro più smart
  5. Operations: definizione, ridefinizione e governo dei processi aziendali core e non core nell’ottica dell’utilizzo dell’AI

Dall’incrocio con le fasi, ne emerge l’AI Maturity Model di riferimento.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 4