Skip to content

GRA · Insurance Nexus

Mekânsal finansSermayenin tehlike, maruziyet ve geçişle buluştuğu yer

Insurtech ve yapay zekâ

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.

01Tuval

İşin nasıl yürüdüğü.

Sistemler · bu konunun çevresindeAçıklayıcı

Protection gap and claims surge

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

  • Bildirilen hasar talepleri
    8320Uyarı
  • Adjusters deployed
    154Etkin
  • İş listesi
    17günİzleyin
Surge plan activatedGRA · Insurance Nexus

Economic loss by who bears it

  • Sigortalı
  • Kamu
  • 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.

02Soru

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.

Mekanizma

Model opacity and drift

Karmaşık modellerin müşterilere, denetçilere ve yönetim kurullarına açıklanması güçtür. Veriler ve davranışlar değiştikçe performans sapar ve hatalar, kimse fark etmeden tüm bir iş portföyüne yayılabilir.

Mekanizma

Vekil ayrımcılık

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.

Mekanizma

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.

Mekanizma

Platform ve satıcı yoğunlaşması

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.

03Maruziyet, kayıp ve sermaye

What Insurtech and AI means for exposure, loss and capital.

Bir risk yöneticisinin, denetim kurumunun veya maliye bakanlığının talep edeceği maruziyet, kayıp, senaryo ve sermaye görünümleri ile raporlama yaptıkları çerçeveler. Yapılar denetim ve aktüerya uygulamalarını izler. Değerler açıklayıcıdır: asla fiyat, derecelendirme veya tavsiye değildir.

Yineleme dönemlerinde maruziyet ve kayıp

How losses from Insurtech and AI grow with severity, gross and net of reinsurance, against capital.

10 yılda 150 yılda 1100 yılda 1250 yılda 1brütreasürans sonrası net800
Yineleme dönemiYıllık olasılıkBrüt kayıpNet kayıpNet, sermaye = 100
10 yılda 10.10141010
50 yılda 10.02332121
100 yılda 10.01462727
250 yılda 10.004683939
Ortalama yıllık kayıp3.12.22.2
Örnek bir portföy için örnekleyici kayıp endeksi (sermaye = 100): sigortacıların ve denetim otoritelerinin okuduğu aşılma olasılığı biçimi. Herhangi bir kuruma ait veri, fiyat veya derecelendirme değildir.
NGFS iklim senaryoları · Network for Greening the Financial SystemIFRS S2 İklimle İlgili Açıklamalar · ISSBTCFD tavsiyeleri · Finansal İstikrar Kurulu TCFDİklimle ilgili finansal risklerin etkin yönetimine ilişkin ilkeler · Basel Bankacılık Denetim Komitesi
04Göstergeler

Neyin ve ne kadar iyi ölçüldüğü.

Her gösterge birimini, sıklığını, ardındaki kaynak türünü ve bir değerin taşıyacağı kanıt etiketini taşır. Hiçbir değer gösterilmez: değerleri bir program kendi yetkisi altında sağlar.

GöstergeBirimSıklıkKaynak türüEtiket
AI systems in use by business functioncount of systems by functionanket döngüsüSupervisory surveys of insurersBİLDİRİLMİŞ
Disparate outcome ratioratio of outcome rates between groupsper model reviewAdalet testiTAHMİNİ
Model performance driftayrım gücü veya kalibrasyon metriğindeki değişimaylıkModel izlemeGÖZLENEN
Automated claims decision sharepercent of claims decided without human reviewyıllıkInsurer disclosures and surveysBİLDİRİLMİŞ
Otomatik kararlara ilişkin şikâyetlercomplaints per thousand automated decisionsyıllıkSupervisory complaint dataYayımlanmış istatistikler
Critical third-party model and data dependenciescount of critical vendorsyıllıkTedarikçi kayıtlarıBEYAN EDİLDİ
05Kaynaklar

Kanıtın nereden geldiği.

Her biri lisans sınıfıyla birlikte, adı belirtilmiş kamuya açık veri kümeleri ve kurumsal kayıtlar. Anlaşmaya dayalı kaynaklar yalnızca koşullarına göre kullanılır ve asla yeniden yayımlanmaz.

KaynakSağladıklarıLisans sınıfı
NAIC artificial intelligence surveys of insurersUse of AI by function in motor, home and life insurance in the United StatesKamuya açık raporlar
EIOPA reports on digitalisation and AI governanceUse of big data analytics and AI governance principles for European insurersKamuya açık, AB yeniden kullanım koşulları
Gallagher Re Global InsurTech ReportSigorta teknolojisinde yatırım, girişim faaliyeti ve temalarTescilli, yayımlanmış rapor ücretsiz okunabilir
AI Incident DatabaseFinansal hizmetler dahil, yapay zekâ sistemleriiçeren bildirilen olaylarOpen data, attribution and terms
OECD.AI Politika GözlemeviAI policies, principles and trends by countryÜcretsiz, OECD koşulları
IAIS application papers and FinTech publicationsSupervisory practice on AI, big data and conductPublic, IAIS terms
06Kararlar

Kim karar verir ve kanıt neye hizmet eder.

Insurance Nexus kanıt hazırlar. Aşağıdaki kararlar, adı geçen makamlar tarafından kendi kuralları çerçevesinde alınır, asla platform tarafından alınmaz.

Kim karar verirSoruBu sayfanın hizmet ettiği kanıt
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
Sigorta denetim otoriteleriHow to supervise AI use under existing conduct and governance rules and new AI lawSurvey 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
Tüketici kuruluşları ve ombudsman hizmetleriWhether automated decisions are fair and explained to customersComplaints, decisions and outcome disparities by group

Bu konunun ürettiği çıktılar

  • Guide to AI governance expectations in insurance by jurisdiction
  • Fiyatlama ve hasar modellerinin vekil ayrımcılık açısından test edilmesine ilişkin yöntem notu
  • Brief on vendor and model concentration risk
  • Evidence-to-diligence checklist for AI model review
07Temel sorular

Profesyonellerin sorduğu sorular.

  • How are AI and machine learning used across the insurance value chain?
  • Fiyatlama ve hasar süreçlerinde kullanılan yapay zekâ modelleri nasıl yönetilmeli ve doğrulanmalıdır?
  • 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?
08Mekanizmalar

Etkenler ve dinamikler.

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.

09Yöntemler ve sınırlar

Nasıl incelendiği.

  1. 01

    Model yönetişimi çerçeveleri

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

  2. 02

    Adalet testi

    Statistical methods from probability and statistics assess whether models produce disparate outcomes.

  3. 03

    Customer outcome research

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

  4. 04

    Sınırlar

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

10Yöntemler

Nasıl incelendiği ve yöntemlerin söyleyemeyecekleri.

  1. Yapay zekâ ve makine öğrenmesiGörüntülerden maruziyet zenginleştirme · Dolandırıcılık ve hasar önceliklendirmesi · Fiyatlama modellerinin adalet testiBurada uygulanır
  2. Olasılık ve istatistikSıklık ve şiddet modellemesi · Varsayımların Bayesçi güncellenmesiBurada uygulanır
  3. Aktüerya matematiğiGelişim üçgenleriyle hasar karşılığı ayırma · Deneyim derecelendirmesi ve güvenilirlikBurada uygulanır
11Sorular

Sorular ve yanıtlar.

Is AI in insurance regulated?
Existing insurance, conduct, anti-discrimination and data protection law already applies. Some jurisdictions add specific rules, such as the EU AI Act for certain life and health pricing uses, and supervisory bulletins on AI governance in the United States.
How is proxy discrimination tested?
Gruplar arasında sonuçları karşılaştırarak, değişkenlerin korunan bilgi taşıyıp taşımadığını sınayarak ve daha az farklı etki yaratan alternatiflerin de aynı ölçüde iyi tahmin edip etmediğini kontrol ederek. Her sınama veri ve muhakeme gerektirir; sonuçlar etiketlenir.
Insurance Nexus, yapay zeka modellerini sertifikalandırır mı?
No. Model validation is done by insurers and independent reviewers, and supervisors assess governance. Insurance Nexus explains the methods and the published expectations.
What is a proxy variable?
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?
No. It studies governance practice at sector level.
GRA bu konuda danışmanlık veriyor mu?
Hayır. GRA sigorta üstlenmez, satmaz, talep etmez, müzakere etmez, yerleştirmez veya sigortaya aracılık etmez; işlemleri derecelendirmez, bu konuda tavsiye vermez veya düzenlemez. Hazırlık çalışması onay anlamına gelmez. Analizi, ortak ve sektör düzeyinde bir anlayıştır.
RaporlarKatkıda bulunun

Bu sayfadan kanıt katkısında bulunun.

Reports, Konsorsiyumun üç ayda bir yayımlanan yayınıdır. Bu konu hakkında bildikleriniz bir sonraki sayıda kanıt, vaka veya düzeltme olabilir; size atfedilir ve kendi çalışmanızsa CC BY 4.0 kapsamında yayımlanır.

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

Bir maruziyet veya sermaye sorusunu İttifak'a getirin.

Bilgi ve başvurular bugün açıktır. Bir başvuru bir referans numarası alır ve bir sonraki adımı belirtir; başvurular, ödemeler, işlem kapasitesi tahsisleri ve kayıtlar yalnızca ekipleri, koşulları ve inceleme kapasiteleri mevcut olduğunda açılır.