Skip to content

GRA · Insurance Nexus

Keuangan spasialTempat modal bertemu bahaya, keterpaparan, dan transisi

Insurtech dan AI

Data, automation and machine learning now reach every step of insurance: distribution, underwriting, pricing, claims and fraud detection. They can lower costs and widen access, and they can also discriminate, exclude, mislead or fail in ways that are hard to see. This page sets out how technology and model risk develop in insurance, how their effects on customers are measured, and which institutions hold the governance decisions.

01Kanvas

Bagaimana pekerjaan berjalan.

Sistem · di sekitar subjek iniIlustratif

Protection gap and claims surge

Insurtech and AI · Coastal portfolio · Event scenario EV-30

  • Klaim yang diberitahukan
    8320Peringatan
  • Adjusters deployed
    154Aktif
  • Backlog
    17hariPantau
Surge plan activatedGRA · Insurance Nexus

Economic loss by who bears it

  • Diasuransikan
  • Publik
  • Uninsured
Protection gap and claims surge: the screen’s structure, terms and states for Insurtech and AI.Example names and illustrative values; a design, not a record or a live system.

Fig.Protection gap and claims surge: example names and illustrative values, not a record or a live system.

02Pertanyaannya

Insurtech dan AI: bagaimana risiko berkembang.

AI model governance and customer effects. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.

Mekanisme

Model opacity and drift

Model yang kompleks sulit dijelaskan kepada nasabah, pengawas, dan dewan direksi. Kinerja bergeser seiring perubahan data dan perilaku, dan kesalahan dapat berskala di seluruh portofolio usaha sebelum ada yang menyadarinya.

Mekanisme

Diskriminasi proksi

Rich external data, from credit information to telematics and online behaviour, can stand in for protected characteristics. A model that never sees a protected attribute can still produce disparate outcomes.

Mekanisme

Individualised pricing and pooling

Finer segmentation moves premium towards individual expected loss. It can reward risk reduction, but it can also price some people out and erode the pooling on which insurance relies.

Mekanisme

Platform and vendor concentration

Many insurers rely on the same data vendors, models and cloud platforms. A flawed dataset or a vendor outage then affects the market at once, and accountability is split across contracts.

03Eksposur, kerugian, dan modal

Apa arti Insurtech dan AI bagi eksposur, kerugian, dan modal.

Tampilan eksposur, kerugian, skenario, dan modal yang akan diminta oleh pejabat risiko, otoritas pengawas, atau kementerian keuangan, beserta kerangka pelaporan yang mereka gunakan. Strukturnya mengikuti praktik pengawasan dan aktuaria. Nilai bersifat ilustratif: tidak pernah merupakan harga, peringkat, atau saran.

Eksposur dan kerugian pada periode ulang

Bagaimana kerugian dari Insurtech dan AI bertambah seiring tingkat keparahan, bruto dan neto setelah reasuransi, terhadap modal.

1 dalam 10 tahun1 dalam 50 tahun1 dalam 100 tahun1 dalam 250 tahunbrutoneto setelah reasuransi800
Periode ulangProbabilitas tahunanKerugian brutoKerugian netoNeto, modal = 100
1 dalam 10 tahun0.10141010
1 dalam 50 tahun0.02332121
1 dalam 100 tahun0.01462727
1 dalam 250 tahun0.004683939
Rata-rata kerugian tahunan3.12.22.2
Indeks kerugian ilustratif untuk portofolio contoh (modal = 100): bentuk probabilitas pelampauan yang dibaca perusahaan asuransi dan pengawas. Bukan data tentang lembaga mana pun, bukan harga atau peringkat.
Skenario iklim NGFS · Network for Greening the Financial SystemIFRS S2 Pengungkapan terkait Iklim · ISSBRekomendasi TCFD · Financial Stability Board TCFDPrinsip-prinsip pengelolaan efektif risiko keuangan terkait iklim · Basel Committee on Banking Supervision
04Indikator

Apa yang diukur, dan seberapa baik.

Setiap indikator membawa satuan, frekuensi, jenis sumber di baliknya, dan label bukti yang akan dibawa suatu nilai. Tidak ada nilai yang ditampilkan: sebuah program menyediakannya berdasarkan wewenangnya sendiri.

IndikatorUnitKadensiJenis sumberLabel
AI systems in use by business functioncount of systems by functionsiklus surveiSupervisory surveys of insurersDILAPORKAN
Rasio disparitas hasilrasio tingkat hasil antarkelompokper tinjauan modelPengujian keadilanESTIMASI
Pergeseran kinerja modelperubahan pada metrik diskriminasi atau kalibrasisetiap bulanPemantauan modelTERAMATI
Automated claims decision sharepercent of claims decided without human reviewtahunanInsurer disclosures and surveysDILAPORKAN
Pengaduan atas keputusan otomatiscomplaints per thousand automated decisionstahunanSupervisory complaint dataStatistik yang diterbitkan
Ketergantungan kritis pada model dan data pihak ketigajumlah vendor kritistahunanRegister vendorDINYATAKAN
05Sumber

Asal bukti.

Set data publik bernama dan catatan kelembagaan, masing-masing dengan kelas lisensinya. Sumber berdasarkan perjanjian hanya digunakan sesuai ketentuannya dan tidak pernah diterbitkan ulang.

SumberApa yang diberikannyaKelas lisensi
NAIC artificial intelligence surveys of insurersUse of AI by function in motor, home and life insurance in the United StatesLaporan publik
EIOPA reports on digitalisation and AI governanceUse of big data analytics and AI governance principles for European insurersPublik, ketentuan penggunaan ulang UE
Gallagher Re Global InsurTech ReportInvestment, start-up activity and themes in insurance technologyProprietari, laporan terbitan dapat dibaca gratis
AI Incident DatabaseInsiden yang dilaporkan terkait SistemAI, termasuk di sektor jasa keuanganOpen data, attribution and terms
OECD.AI Policy ObservatoryAI policies, principles and trends by countryGratis, ketentuan OECD
IAIS application papers and FinTech publicationsPraktik pengawasan terkait AI, big data, dan perilaku usahaPublic, IAIS terms
06Keputusan

Siapa yang memutuskan, dan apa yang dilayani bukti.

Insurance Nexus menyiapkan bukti. Keputusan di bawah ini diambil oleh otoritas yang disebutkan, berdasarkan aturan mereka sendiri, dan tidak pernah oleh platform ini.

Siapa yang memutuskanPertanyaannyaBukti yang dilayani halaman ini
Insurer boards and model risk committeesWhich AI systems to deploy, with what oversight, testing and human reviewModel inventory, validation and fairness testing, drift monitoring and incident history
Pengawas asuransiCara mengawasi penggunaan AI berdasarkan aturan perilaku dan tata kelola yang ada serta undang-undang AI yang baruSurvey evidence, model governance documentation, complaint and outcome data
Legislators and data protection authoritiesWhich data sources and automated decisions are permitted in insuranceEvidence on predictive value, proxy effects, transparency and redress
Lembaga konsumen dan layanan ombudsmanWhether automated decisions are fair and explained to customersComplaints, decisions and outcome disparities by group

Keluaran yang dihasilkan topik ini

  • Guide to AI governance expectations in insurance by jurisdiction
  • Catatan metode untuk menguji model penetapan harga dan klaim terhadap diskriminasi proksi
  • Brief on vendor and model concentration risk
  • Evidence-to-diligence checklist for AI model review
07Pertanyaan inti

Pertanyaan para profesional.

  • Bagaimana AI dan pembelajaran mesin digunakan di seluruh rantai nilai asuransi?
  • How should AI models used in pricing and claims be governed and validated?
  • How can insurers prevent unfair discrimination and proxy effects in models?
  • Bagaimana nasabah harus diberi tahu tentang keputusan otomatis yang memengaruhi mereka?
  • How do dependencies on a few technology providers affect resilience?
08Mekanisme

Pendorong dan dinamika.

Insurers use AI for customer service, underwriting, pricing, fraud detection and claims assessment. Machine-learning models can find patterns in large datasets that traditional methods miss, but they can be opaque, sensitive to data quality and prone to reproducing historical biases. Variables that seem neutral can act as proxies for protected characteristics. Generative AI introduces further questions about accuracy and accountability.

Regulators in several jurisdictions have issued principles or rules for AI in insurance and finance, emphasising governance, explainability, fairness and human oversight. Dependence on a small number of cloud and model providers creates concentration risk across the sector. Insurtech firms have also changed distribution, through embedded insurance sold alongside other products and usage-based cover informed by telematics and connected devices, which raises questions about data ownership, consent and the boundary between risk prevention and surveillance.

09Metode dan batasan

Cara kajiannya.

  1. 01

    Kerangka tata kelola model

    Approaches to validation, monitoring and accountability, drawing on artificial intelligence and machine learning.

  2. 02

    Pengujian keadilan

    Metode statistik dari probabilitas dan statistika menilai apakah model menghasilkan luaran yang timpang.

  3. 03

    Penelitian hasil bagi pelanggan

    Studies of how automated decisions affect access, price and claims experience.

  4. 04

    Batasan

    Fairness has several competing definitions, model behaviour can drift over time, and proprietary models limit external scrutiny.

10Metode

Cara hal ini dikaji, dan apa yang tidak dapat dinyatakan metodenya.

  1. Kecerdasan buatan dan pembelajaran mesinPengayaan keterpaparan dari citra · Triase penipuan dan klaim · Pengujian keadilan model penetapan hargaDiterapkan di sini
  2. Probabilitas dan statistikaPemodelan frekuensi dan keparahan · Pembaruan asumsi secara BayesianDiterapkan di sini
  3. Matematika aktuariaPencadangan kerugian dengan segitiga perkembangan · Pemeringkatan berbasis pengalaman dan kredibilitasDiterapkan di sini
11Pertanyaan

Tanya jawab.

Apakah AI dalam asuransi diatur?
Hukum asuransi, perilaku pasar, antidiskriminasi, dan pelindungan data yang sudah ada tetap berlaku. Beberapa yurisdiksi menambahkan aturan khusus, seperti EU AI Act untuk penggunaan tertentu dalam penetapan harga asuransi jiwa dan kesehatan, serta buletin pengawasan tentang tata kelola AI di Amerika Serikat.
How is proxy discrimination tested?
By comparing outcomes across groups, testing whether variables carry protected information, and checking whether alternatives with less disparate effect predict as well. Each test needs data and judgement, and results are labelled.
Apakah Insurance Nexus mensertifikasi model AI?
Tidak. Validasi model dilakukan oleh perusahaan asuransi dan peninjau independen, dan pengawas menilai tata kelola. Insurance Nexus menjelaskan metode dan ekspektasi yang dipublikasikan.
Apa itu variabel proksi?
A variable that is not itself a protected characteristic but correlates closely with one, so its use can produce indirect discrimination.
Does GRA review insurers’ models?
Tidak. Ini mengkaji praktik tata kelola di tingkat sektor.
Apakah GRA memberikan nasihat mengenai topik ini?
Tidak. GRA tidak menjamin (underwrite), menjual, menawarkan, menegosiasikan, menempatkan, atau memperantarai asuransi, dan tidak memeringkat, memberi nasihat, atau mengatur transaksi. Pekerjaan kesiapan bukan persetujuan. Analisisnya merupakan pemahaman bersama pada tingkat sektor.
LaporanBerkontribusi

Kontribusikan bukti dari halaman ini.

Reports adalah publikasi triwulanan Konsorsium. Apa yang Anda ketahui tentang subjek ini dapat menjadi bukti, kasus, atau koreksi dalam edisi berikutnya, dengan kredit atas nama Anda dan dipublikasikan di bawah CC BY 4.0 jika merupakan karya Anda sendiri.

Global Risks AllianceInsurance NexusFinance and Insurance ReadinessGlobal Sector Risk and Resilience
Insurance Nexus

Ajukan pertanyaan eksposur atau modal kepada Aliansi.

Informasi dan pertanyaan sudah terbuka hari ini. Sebuah pertanyaan menerima nomor referensi dan menyebutkan langkah berikutnya; lamaran, pembayaran, alokasi komputasi, dan pendaftaran hanya dibuka ketika tim, ketentuan, dan kapasitas tinjauannya tersedia.