GRA · Insurance Nexus
Finanza spazialeDove il capitale incontra pericolo, esposizione e transizione
Insurtech e IA
Dati, automazione e apprendimento automatico interessano ormai ogni fase dell'assicurazione: distribuzione, sottoscrizione, tariffazione, sinistri e individuazione delle frodi. Possono ridurre i costi e ampliare l'accesso, ma possono anche discriminare, escludere, ingannare o non funzionare in modi difficili da individuare. Questa pagina illustra come si sviluppano nell'assicurazione la tecnologia e il rischio di modello , come se ne misurano gli effetti sui clienti e quali istituzioni detengono le decisioni di governance.
Come si svolge il lavoro.
Divario di protezione e impennata dei sinistri
Insurtech and AI · Coastal portfolio · Event scenario EV-30
- Sinistri notificati8320Allerta
- Adjusters deployed154Attivo
- Arretrato17giorniAttenzione
Perdita economica per soggetto che la sostiene
- Assicurato
- Pubblico
- Uninsured
Fig.Protection gap and claims surge: example names and illustrative values, not a record or a live system.
Insurtech and AI: how the risk develops.
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.
Opacità e deriva dei modelli
I modelli complessi sono difficili da spiegare a clienti, autorità di vigilanza e consigli di amministrazione. Le prestazioni si deteriorano al variare di dati e comportamenti, e gli errori possono estendersi a un intero portafoglio prima che qualcuno se ne accorga.
Discriminazione per proxy
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.
Tariffazione individualizzata e mutualizzazione
Una segmentazione più fine sposta il premio verso la perdita attesa individuale. Può premiare la riduzione del rischio, ma può anche escludere alcune persone per ragioni di prezzo ed erodere la mutualizzazione su cui si fonda l'assicurazione.
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.
Che cosa significano Insurtech e IA per esposizione, perdite e capitale.
Le viste su esposizione, perdita, scenari e capitale che un responsabile del rischio, un'autorità di vigilanza o un ministero delle finanze richiederebbe, con i quadri normativi in base ai quali riferisce. Le strutture seguono la prassi di vigilanza e attuariale. I valori sono illustrativi: mai prezzi, rating o consulenza.
Esposizione e perdita per periodo di ritorno
Come le perdite derivanti da Insurtech e IA crescono con la gravità, al lordo e al netto della riassicurazione, rispetto al capitale.
| Periodo di ritorno | Probabilità annua | Perdita lorda | Perdita netta | Netto, capitale = 100 |
|---|---|---|---|---|
| 1 su 10 | 0.10 | 14 | 10 | 10 |
| 1 su 50 | 0.02 | 33 | 21 | 21 |
| 1 su 100 | 0.01 | 46 | 27 | 27 |
| 1 su 250 | 0.004 | 68 | 39 | 39 |
| Perdita annua media | 3.1 | 2.2 | 2.2 |
Cosa viene misurato e con quale accuratezza.
Ogni indicatore riporta la sua unità, la sua cadenza, il tipo di fonte su cui si basa e l'etichetta di evidenza che un valore riporterebbe. Non sono mostrati valori: un programma li fornisce sotto la propria autorità.
| Indicatore | Unità | Cadenza | Tipo di fonte | Etichetta |
|---|---|---|---|---|
| AI Sistemi di IA in uso per funzione aziendale | count of systems by function | ciclo di rilevazione | Indagini di vigilanza sulle imprese di assicurazione | RIPORTATO |
| Rapporto di esiti disparati | ratio of outcome rates between groups | per revisione del modello | Test di equità | STIMATO |
| Model performance drift | variazione della metrica di discriminazione o di calibrazione | mensile | Monitoraggio del modello | OSSERVATO |
| Quota di decisioni sui sinistri automatizzate | percent of claims decided without human review | annuale | Insurer disclosures and surveys | RIPORTATO |
| Reclami sulle decisioni automatizzate | reclami ogni mille decisioni automatizzate | annuale | Dati sui reclami di vigilanza | Statistiche pubblicate |
| Dipendenze critiche da modelli e dati di terze parti | numero di fornitori critici | annuale | Vendor registers | DICHIARATO |
Da dove provengono le evidenze.
Set di dati pubblici e registri istituzionali specifici, ciascuno con la sua classe di licenza. Le fonti soggette ad accordo sono utilizzate solo alle relative condizioni e mai ripubblicate.
| Fonte | Cosa fornisce | Classe di licenza |
|---|---|---|
| NAIC artificial intelligence surveys of insurers | Uso dell'IA per funzione nelle assicurazioni auto, abitazione e vita negli Stati Uniti | Rapporti pubblici |
| Rapporti dell'EIOPA sulla digitalizzazione e sulla governance dell'IA | Uso dell'analisi dei big data e principi di governance dell'IA per gli assicuratori europei | Pubblico, condizioni di riutilizzo dell'UE |
| Gallagher Re Global InsurTech Report | Investimenti, attività delle start-up e temi nella tecnologia assicurativa | Proprietario, rapporto pubblicato a lettura libera |
| AI Incident Database | Reported incidents involving AI systems, including in financial services | Open data, attribution and terms |
| Osservatorio OECD.AI sulle politiche | AI policies, principles and trends by country | Gratuito, condizioni OCSE |
| IAIS application papers and FinTech publications | Prassi di vigilanza su IA, big data e condotta | Public, IAIS terms |
Chi decide, e a cosa servono le evidenze.
Insurance Nexus prepara le evidenze. Le decisioni riportate di seguito sono prese dalle autorità indicate, secondo le proprie norme, e mai dalla piattaforma.
| Chi decide | La domanda | Evidenze fornite da questa pagina |
|---|---|---|
| Insurer boards and model risk committees | Quali Sistemi di IA adottare, con quale supervisione, quali test e quale revisione umana | Inventario dei modelli, validazione e test di equità, monitoraggio della deriva e storico degli incidenti |
| Autorità di vigilanza assicurativa | How to supervise AI use under existing conduct and governance rules and new AI law | Evidenze da indagini, documentazione sulla governance dei modelli, dati su reclami ed esiti |
| Legislators and data protection authorities | Quali fonti di dati e decisioni automatizzate sono ammesse in ambito assicurativo | Evidenze su valore predittivo, effetti proxy, trasparenza e ricorso |
| Consumer bodies and ombudsman services | Se le decisioni automatizzate sono eque e spiegate ai clienti | Complaints, decisions and outcome disparities by group |
Output prodotti da questo argomento
- Guide to AI governance expectations in insurance by jurisdiction
- Nota metodologica sulla verifica dei modelli di tariffazione e di gestione dei sinistri per discriminazione tramite variabili proxy
- Brief on vendor and model concentration risk
- Lista di controllo dalle evidenze alla due diligence per la revisione dei modelli di IA
Le domande dei professionisti.
- Come vengono utilizzati l'IA e l'apprendimento automatico lungo la catena del valore assicurativa?
- How should AI models used in pricing and claims be governed and validated?
- How can insurers prevent unfair discrimination and proxy effects in models?
- How should customers be informed about automated decisions affecting them?
- How do dependencies on a few technology providers affect resilience?
Fattori e dinamiche.
Gli assicuratori utilizzano l'IA per l'assistenza clienti, la sottoscrizione, la determinazione dei prezzi, il rilevamento delle frodi e la valutazione dei sinistri. I modelli di apprendimento automatico possono individuare, in grandi insiemi di dati, schemi che i metodi tradizionali non rilevano, ma possono essere opachi, sensibili alla qualità dei dati e inclini a riprodurre distorsioni storiche. Variabili apparentemente neutre possono fungere da indicatori indiretti di caratteristiche protette. L'IA generativa solleva ulteriori questioni di accuratezza e responsabilità.
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.
Come viene studiato.
- 01
Quadri di governance dei modelli
Approaches to validation, monitoring and accountability, drawing on artificial intelligence and machine learning.
- 02
Test di equità
Statistical methods from probability and statistics assess whether models produce disparate outcomes.
- 03
Ricerca sugli esiti per i clienti
Studies of how automated decisions affect access, price and claims experience.
- 04
Limiti
Fairness has several competing definitions, model behaviour can drift over time, and proprietary models limit external scrutiny.
Come viene studiato, e cosa i metodi non possono dire.
- 01Intelligenza artificiale e apprendimento automaticoArricchimento dell'esposizione da immagini · Smistamento di frodi e sinistri · Test di equità dei modelli di tariffazioneApplicato qui
- 02Probabilità e statisticaModellizzazione di frequenza e severità · Aggiornamento bayesiano delle ipotesiApplicato qui
- 03Matematica attuarialeRiservazione delle perdite con triangoli di sviluppo · Rating basato sull'esperienza e credibilitàApplicato qui
Domande e risposte.
Is AI in insurance regulated?
How is proxy discrimination tested?
Insurance Nexus certifica i modelli di IA?
What is a proxy variable?
Does GRA review insurers’ models?
La GRA fornisce consulenza su questo tema?
Contribuisci con evidenze da questa pagina.
Reports è la pubblicazione trimestrale del consorzio. Ciò che sai su questo tema può diventare un'evidenza, un caso o una correzione nella prossima edizione, attribuita a te e pubblicata con licenza CC BY 4.0 se si tratta di un tuo lavoro.
- E-mailPortale GW-GRAInvialo da questa paginaUn'evidenza, una correzione, un caso, un metodo, una revisione, una traduzione o un contributo a un profilo. Arriva etichettata con questa pagina, così la riceve la persona redattrice che ne è responsabile.
- ZenodoOpen depositDeposit it and submit to the communityPublish your own record on Zenodo with your ORCID iD, then submit it to the Reports community there. Curators review it; the DOI stays yours.
- ReportsGlobal Risks AllianceSee every way to contributeThe contribution types, how each is reviewed, what credit you receive, the licence and what is never accepted.
Non inviare mai dati personali, dettagli su infrastrutture sensibili o qualsiasi cosa che tu non abbia il diritto di condividere. Un contributo viene sottoposto a revisione prima dell'uso; inviarlo non conferisce diritti di paternità né editoriali, e la sponsorizzazione non compra mai un risultato.
Portate all'Alliance una questione di esposizione o di capitale.
Informazioni e richieste sono aperte oggi. Una richiesta riceve un riferimento e indica il passo successivo; candidature, pagamenti, assegnazioni di calcolo e registrazioni si aprono solo quando esistono il team, le condizioni e la capacità di revisione.
Documenti legali.
Le mappe, i dati e le cifre di questo sito sono mostrati a titolo di contesto e di informazione generale. Non costituiscono consigli, previsioni né allerte; i limiti dell'informazione sono esposti nelle Dichiarazioni di esclusione di responsabilità e nelle Note sui dati.