GRA · Insurance Nexus
Пространственные финансыГде капитал встречается с опасностями, подверженностью и переходом
Insurtech и ИИ
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.
Как ведётся работа.
Protection gap and claims surge
Insurtech и ИИ · Прибрежный портфель · Сценарий события EV-30
- Claims notified8320Оповещение
- Adjusters deployed154Активно
- Очередь задач17дн.Наблюдение
Economic loss by who bears it
- Insured
- Государственный сектор
- Uninsured
Fig.Protection gap and claims surge: example names and illustrative values, not a record or a live system.
Инсуртех и ИИ: как развивается риск.
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.
Model opacity and drift
Сложные модели трудно объяснить клиентам, надзорным органам и советам директоров. Качество работы смещается по мере изменения данных и поведения, а ошибки могут масштабироваться на весь портфель бизнеса, прежде чем их кто-либо заметит.
Proxy discrimination
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.
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.
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.
What Insurtech and AI means for exposure, loss and capital.
Представления о подверженности, убытках, сценариях и капитале, которые запросил бы риск-менеджер, надзорный орган или министерство финансов, с указанием систем отчётности, которым они следуют. Структуры соответствуют надзорной и актуарной практике. Значения иллюстративны: это никогда не цены, рейтинги или рекомендации.
Подверженность и убытки по периодам повторяемости
How losses from Insurtech and AI grow with severity, gross and net of reinsurance, against capital.
| Период повторяемости | Годовая вероятность | Валовой убыток | Чистый убыток | Нетто, капитал = 100 |
|---|---|---|---|---|
| 1 раз в 10 лет | 0.10 | 14 | 10 | 10 |
| 1 раз в 50 лет | 0.02 | 33 | 21 | 21 |
| 1 раз в 100 лет | 0.01 | 46 | 27 | 27 |
| 1 раз в 250 лет | 0.004 | 68 | 39 | 39 |
| Средние годовые потери | 3.1 | 2.2 | 2.2 |
Что измеряется и насколько хорошо.
Каждый показатель указывает свою единицу, периодичность, тип источника и метку доказательной базы, которую несло бы значение. Значения не показываются: программа предоставляет их под собственную ответственность.
| Индикатор | Единица | Периодичность | Тип источника | Метка |
|---|---|---|---|---|
| AI systems in use by business function | count of systems by function | цикл обследования | Supervisory surveys of insurers | СООБЩЕНО |
| Disparate outcome ratio | ratio of outcome rates between groups | per model review | Проверка на справедливость | ОЦЕНЕНО |
| Model performance drift | изменение метрики дискриминации или калибровки | ежемесячно | Мониторинг моделей | НАБЛЮДАЕМО |
| Automated claims decision share | percent of claims decided without human review | ежегодно | Insurer disclosures and surveys | СООБЩЕНО |
| Жалобы на автоматизированные решения | complaints per thousand automated decisions | ежегодно | Supervisory complaint data | Опубликованная статистика |
| Критические зависимости от сторонних моделей и данных | count of critical vendors | ежегодно | Реестры поставщиков | ЗАДЕКЛАРИРОВАНО |
Откуда берётся доказательная база.
Названные публичные наборы данных и институциональные записи, каждый со своим классом лицензии. Источники по соглашению используются только на их условиях и никогда не публикуются повторно.
| Источник | Что он даёт | Класс лицензии |
|---|---|---|
| NAIC artificial intelligence surveys of insurers | Use of AI by function in motor, home and life insurance in the United States | Публичные отчёты |
| EIOPA reports on digitalisation and AI governance | Use of big data analytics and AI governance principles for European insurers | Публично, условия повторного использования ЕС |
| Gallagher Re Global InsurTech Report | Investment, start-up activity and themes in insurance technology | Проприетарный, опубликованный отчёт доступен для чтения бесплатно |
| AI Incident Database | Зарегистрированные инциденты с участием СистемыИИ, в том числе в сфере финансовых услуг | Open data, attribution and terms |
| OECD.AI Policy Observatory | AI policies, principles and trends by country | Бесплатно, условия ОЭСР |
| IAIS application papers and FinTech publications | Надзорная практика в области ИИ, больших данных и надлежащего поведения на рынке | Public, IAIS terms |
Кто принимает решения и чему служит доказательная база.
Insurance Nexus готовит доказательную базу. Перечисленные ниже решения принимают указанные органы по своим собственным правилам, но никогда не платформа.
| Кто принимает решение | Вопрос | Доказательная база, которую обслуживает эта страница |
|---|---|---|
| Insurer boards and model risk committees | Which AI systems to deploy, with what oversight, testing and human review | Model inventory, validation and fairness testing, drift monitoring and incident history |
| Органы надзора в сфере страхования | How to supervise AI use under existing conduct and governance rules and new AI law | Survey evidence, model governance documentation, complaint and outcome data |
| Legislators and data protection authorities | Which data sources and automated decisions are permitted in insurance | Evidence on predictive value, proxy effects, transparency and redress |
| Consumer bodies and ombudsman services | Справедливы ли автоматизированные решения и объясняются ли они клиентам | Complaints, decisions and outcome disparities by group |
Результаты, которые даёт эта тема
- Guide to AI governance expectations in insurance by jurisdiction
- Методическая записка по тестированию моделей ценообразования и страховых требований на дискриминацию по косвенным признакам
- Brief on vendor and model concentration risk
- Evidence-to-diligence checklist for AI model review
О чём спрашивают специалисты.
- Как искусственный интеллект и машинное обучение используются по всей цепочке создания стоимости в страховании?
- 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?
Движущие факторы и динамика.
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.
Как это изучается.
- 01
Рамочные основы управления моделями
Approaches to validation, monitoring and accountability, drawing on artificial intelligence and machine learning.
- 02
Проверка на справедливость
Статистические методы теории вероятностей и статистики позволяют оценить, приводят ли модели к неодинаковым результатам для разных групп.
- 03
Исследования результатов для клиентов
Studies of how automated decisions affect access, price and claims experience.
- 04
Ограничения
Fairness has several competing definitions, model behaviour can drift over time, and proprietary models limit external scrutiny.
Как это изучается и чего методы не могут сказать.
- 01Искусственный интеллект и машинное обучениеОбогащение данных о подверженности по снимкам · Выявление мошенничества и сортировка требований · Проверка справедливости моделей ценообразованияПрименяется здесь
- 02Теория вероятностей и статистикаМоделирование частоты и тяжести · Байесовское обновление допущенийПрименяется здесь
- 03Актуарная математикаРезервирование убытков с помощью треугольников развития · Тарификация по опыту и теория доверияПрименяется здесь
Вопросы и ответы.
Регулируется ли ИИ в страховании?
How is proxy discrimination tested?
Does Insurance Nexus certify AI models?
What is a proxy variable?
Does GRA review insurers’ models?
Даёт ли GRA консультации по этой теме?
Поделитесь доказательствами с этой страницы.
Reports является ежеквартальным изданием Консорциума. Ваши знания по этой теме могут стать доказательством, кейсом или исправлением в следующем выпуске с указанием вашего авторства и публикацией по лицензии CC BY 4.0, если это ваша собственная работа.
- Электронная почтаКонтрольная точка GW-GRAОтправьте с этой страницыДоказательная база, исправление, случай, метод, рецензия, перевод или вклад в профиль. Материал приходит с пометкой этой страницы, поэтому его получает редактор, отвечающий за неё.
- 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.
Никогда не отправляйте персональные данные, сведения о чувствительной инфраструктуре или то, чем вы не вправе делиться. Материал проходит рассмотрение перед использованием; его отправка не дает авторских или редакционных прав, а спонсорство никогда не покупает выводы.
Обратитесь в Альянс с вопросом о подверженности или капитале.
Информация и запросы открыты уже сегодня. Запрос получает номер и указывает следующий шаг; заявки, платежи, выделение вычислительных ресурсов и регистрации открываются только тогда, когда существуют их команда, условия и возможности для проверки.
Юридические документы.
Карты, данные и рисунки на этом сайте приводятся для контекста и общей информации. Они не являются советом, прогнозом или предупреждением; ограничения информации изложены в Оговорках и уведомлениях о данных.