Skip to content

GRA · Insurance Nexus

空间金融资本与危害、风险暴露和转型的交汇之处

保险科技与 AI

数据、自动化和机器学习如今已渗透到保险的每个环节:销售、承保、定价、理赔和欺诈检测。它们可以降低成本、扩大覆盖面,也可能以难以察觉的方式造成歧视、排斥、误导或失效。本页说明技术与 模型风险 在保险业中如何发展,如何衡量其对客户的影响,以及由哪些机构掌握治理决策。

01画布

工作如何开展。

系统 · 围绕本主题示意

保障缺口与理赔激增

保险科技与人工智能 · 沿海投资组合 · 事件情景 EV-30

  • Claims notified
    8320警报
  • Adjusters deployed
    154活跃
  • 待办事项
    17天关注
Surge plan activatedGRA · Insurance Nexus

按承担方划分的经济损失

  • 已投保
  • 公共
  • 未投保
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.

图保护缺口与理赔激增:示例名称和示意数值,不是记录,也不是实时系统。

02问题

Insurtech and AI: how the risk develops.

AI 模型治理与客户影响。以下档案阐明该风险如何发展、衡量什么、数据来自何处、如何建模以及由谁决定。

机制

模型不透明与漂移

复杂模型难以向客户、监管机构和董事会解释。随着数据和行为的变化,模型表现会发生漂移,错误可能在无人察觉之前就扩散至整个业务组合。

机制

代理歧视

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.

机制

个体化定价与风险共担池

更精细的细分会使保费趋向个体的预期损失。这可以奖励 风险削减,但也可能使一些人无力承保,并削弱保险所依赖的风险共担。

机制

Platform and vendor concentration

许多保险公司依赖相同的数据供应商、模型和云平台。一旦数据集有缺陷或供应商发生中断,就会同时影响整个市场,而责任则分散在各份合同之中。

03风险暴露、损失与资本

保险科技与人工智能对风险暴露、损失和资本意味着什么。

风险官、监管者或财政部会要求的风险暴露、损失、情景和资本视图,以及它们据以报告的框架。结构遵循监管和精算实务。数值为说明性:绝非价格、评级或建议。

各重现期的风险暴露与损失

Insurtech 和人工智能造成的损失如何随严重程度增长,分别按再保险前后的总额和净额,对照资本衡量。

1/10(10 年一遇)1/50(50 年一遇)1/100(100 年一遇)1/250(250 年一遇)总额扣除再保险后的净额800
重现期年概率总损失净损失净额,资本 = 100
1/10(10 年一遇)0.10141010
1/50(50 年一遇)0.02332121
1/100(100 年一遇)0.01462727
1/250(250 年一遇)0.004683939
年均损失3.12.22.2
一个示例投资组合的示意性损失指数(资本 = 100):保险公司和监管机构所读的超越概率形式。并非任何机构的数据,也非价格或评级。
NGFS 气候情景 · 央行与监管机构绿色金融网络IFRS S2 气候相关披露 · ISSBTCFD 建议 · 金融稳定理事会 TCFD有效管理气候相关金融风险的原则 · 巴塞尔银行监管委员会
04指标

衡量什么,以及衡量得如何。

每个指标都注明其单位、频率、背后的来源类型以及数值将附带的证据标签。此处不显示数值:数值由计划依据其自身权限提供。

指标单位节奏来源类型标签
AI systems in use by business function按功能统计的系统数量调查周期对保险公司的监管调查已报告
差异结果比率各群体之间结果发生率之比每次模型审查公平性测试估算
Model performance drift区分度或校准指标的变化每月模型监测观测
自动化理赔决策占比未经人工审核即作出裁定的理赔百分比年度保险公司披露和调查已报告
关于自动化决策的投诉每千项自动化决策的投诉数年度监管投诉数据已发布统计
关键第三方模型和数据依赖count of critical vendors年度Vendor registers已声明
05来源

证据来自何处。

具名公共数据集与机构记录,各自注明许可类别。依协议获得的来源仅按其条款使用,绝不再次发布。

来源它提供什么许可类别
NAIC artificial intelligence surveys of insurers美国汽车、家庭和人寿保险中按职能划分的人工智能使用情况公开报告
EIOPA reports on digitalisation and AI governance欧洲保险公司对大数据分析的使用及人工智能治理原则公开,欧盟再利用条款
Gallagher Re Global InsurTech Report保险科技领域的投资、初创企业活动和主题专有,已发布报告可免费阅读
AI Incident DatabaseReported incidents involving AI systems, including in financial services开放数据、署名和条款
OECD.AI 政策观察站按国家划分的人工智能政策、原则和趋势免费,OECD 条款
IAIS application papers and FinTech publications关于人工智能、大数据与行为的监管实践Public, IAIS terms
06决定

由谁决定,以及证据服务于什么。

Insurance Nexus 负责准备证据。以下决定由所列机构依其自身规则作出,绝不由平台作出。

谁来决定问题本页面服务的证据
保险公司董事会和 模型风险 委员会部署哪些 AI 系统 ,以及采用何种监督、测试和人工审核模型清单、验证与公平性测试、漂移监测和事件历史
保险监管机构How to supervise AI use under existing conduct and governance rules and new AI law调查证据、模型治理文档、投诉和结果数据
Legislators and data protection authorities保险中允许使用哪些数据来源和自动化决策关于预测价值、代理效应、透明度和救济的证据
Consumer bodies and ombudsman services自动化决策是否公平,是否向客户作出解释按群体划分的投诉、决定和结果差异

该主题产生的产出

  • Guide to AI governance expectations in insurance by jurisdiction
  • 关于检验定价和理赔模型中代理歧视的方法说明
  • 关于供应商和模型 集中度风险
  • 人工智能模型审查的证据到尽职调查核对清单
07核心问题

专业人士的常见问题。

  • 人工智能和机器学习如何应用于整个保险价值链?
  • 定价和理赔中使用的人工智能模型应如何治理和验证?
  • How can insurers prevent unfair discrimination and proxy effects in models?
  • How should customers be informed about automated decisions affecting them?
  • 对少数技术提供商的依赖如何影响韧性?
08机制

驱动因素与动态。

保险公司将人工智能用于客户服务、核保、定价、欺诈检测和理赔评估。机器学习模型能够发现大型数据集中传统方法遗漏的模式,但这类模型可能不透明,对 数据质量 敏感,并容易复现历史偏见。看似中性的变量可能成为受保护特征的代理变量。生成式人工智能还带来了关于准确性和问责的进一步问题。

多个司法辖区的监管机构已发布人工智能在保险和金融领域的原则或规则,强调治理、可解释性、公平和 人工监督。对少数云服务和模型提供商的依赖,在整个行业造成 集中度风险 。保险科技公司也改变了分销方式,包括与其他产品一并销售的嵌入式保险,以及基于远程信息处理和联网设备的按使用付费保险,这引发了关于数据所有权、同意以及风险预防与监控之间界限的问题。

09方法与局限

研究方式。

  1. 01

    模型治理框架

    验证、监测和问责方法,借鉴 人工智能与机器学习.

  2. 02

    公平性测试

    来自 概率与统计 的统计方法用于评估模型是否产生差异性结果。

  3. 03

    客户成果研究

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

  4. 04

    局限

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

10方法

如何研究,以及方法无法说明的内容。

  1. 人工智能与机器学习基于影像的风险暴露数据丰富 · 欺诈与理赔分类 · 定价模型的公平性测试在此应用
  2. 概率与统计频率与严重程度建模 · 假设的贝叶斯更新在此应用
  3. 精算数学基于进展三角形的损失准备金评估 · 经验费率与可信度在此应用
11问题

问题与解答。

保险业中的人工智能受监管吗?
现有的保险、行为、反歧视和数据保护法律已经适用。一些司法辖区另有具体规则,例如针对某些人寿和健康定价用途的欧盟《人工智能法案》,以及美国关于人工智能治理的监管公告。
How is proxy discrimination tested?
通过比较各群体的结果、检验变量是否带有受保护信息,以及检查差异性影响较小的替代方案是否预测效果相当。每项检验都需要数据和判断,结果均予标注。
Insurance Nexus 是否认证 AI 模型?
不是。模型验证由保险公司和独立评审方完成,监管机构评估治理。Insurance Nexus 解释这些方法和已发布的要求。
什么是代理变量?
一种本身不属于受保护特征、但与某一受保护特征高度相关的变量,因此使用它可能造成间接歧视。
Does GRA review insurers’ models?
否。它研究的是行业层面的治理实践。
GRA 是否就此主题提供建议?
否。GRA 不承保、销售、招揽、协商、安排或经纪保险,也不对交易进行评级、提供咨询或作出安排。准备度工作不等于批准。其分析是共享的、行业层面的认识。
报告贡献

从本页贡献证据。

Reports 是联合体的季刊。您对该主题的了解可以成为下一期中的证据、案例或更正,署名归您,并在属于您本人作品时以 CC BY 4.0 发布。

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

向联盟提出风险暴露或资本问题。

信息和咨询现已开放。每项咨询都会获得一个编号,并告知下一步;申请、付款、算力分配和注册只有在相应团队、条款和审查能力就绪时才会开放。