Agent des réclamations

Comment un assureur a utilisé l'IA pour rationaliser les sinistres peu complexes et a permis aux experts en sinistres de se concentrer sur ce qui compte

Rouleau

Défi

Trop de réclamations, trop peu de temps

Un assureur IARD de taille moyenne traitait des centaines de milliers de réclamations par an. La majorité d'entre eux étaient de faible complexité (bagages perdus, pare-brise fissurés, dégâts d'eau mineurs), mais chacun nécessitait néanmoins une prise en charge, un tri et une approbation manuels. Avec l'augmentation des coûts de main-d'œuvre et l'augmentation des attentes des clients en matière de rapidité, le traitement des sinistres était devenu un goulot d'étranglement. Le leadership avait besoin d'un moyen d'évoluer sans augmenter proportionnellement les effectifs.

Les experts en sinistres étaient débordés. 70 % des réclamations étaient simples mais nécessitaient néanmoins une réception, un acheminement et une approbation manuels. Les délais de résolution augmentaient. Les clients étaient frustrés. Les employés aussi.

Goulots d'étranglement humains

Chaque réclamation a commencé de la même manière : soumise en ligne, envoyée par courrier électronique ou appelée. Un être humain devait trier, vérifier les détails, demander des documents et les traiter. Les revendications simples se trouvaient dans la même file d’attente que les revendications complexes. Le résultat : une inefficacité partout.

Et si un robot pouvait le gérer ?

L’idée : créer un agent de réclamation numérique, capable de traiter instantanément les réclamations à faible risque, basées sur des règles, sans délai humain, et de transmettre uniquement celles qui nécessitent un examen.

Approche

Nous avons donc construit un ajusteur d'IA

Nous avons collaboré avec Claims Ops, IT et Legal pour concevoir un modèle d'automatisation des réclamations. Il a examiné le type de réclamation, le montant, l'historique du client et la documentation jointe, puis a pris une décision instantanée, avec une auditabilité intégrée.

Solution

Nous l'avons formé sur 3 ans d'histoire

Le modèle a été formé sur 2,1 millions de réclamations historiques. Il a appris quels cas pouvaient être approuvés automatiquement en toute sécurité, lesquels nécessitaient une validation et lesquels devaient toujours être confiés à un humain. Analyses de documents, métadonnées, indicateurs de politique : tout faisait partie de l'arbre de décision.

Méthodologie

Nous avons utilisé une méthodologie par étapes : (1) définir les règles d'éligibilité et les critères de remontée d'informations avec Claims Ops et Legal ; (2) extraire, nettoyer et étiqueter les données historiques sur les réclamations pour la formation ; (3) former et valider le modèle de classification et d'approbation avec des ensembles d'exclusions et un examen humain des cas limites ; (4) intégrer le modèle dans la plate-forme de réclamation via une API avec journalisation d'audit et contrôles de remplacement ; (5) exécuter un pilote contrôlé par ligne de produits avant le déploiement complet.

Sources de données

Historique des sinistres (2,1 millions), comprenant le type de sinistre, le montant, les détails de la police et le résultat. Pièces jointes aux documents et champs extraits (photos, devis, factures). Données CRM et politiques pour l’historique des clients et les indicateurs de risque. Toutes les données ont été anonymisées ou regroupées pour la formation du modèle ; l'inférence de production a utilisé des données de réclamation et de politique en direct dans le périmètre de sécurité existant.

Nous l'avons déployé en production

L'expert en sinistres IA fonctionne désormais en arrière-plan, examinant et approuvant plus de 38 000 réclamations par mois. Il signale les anomalies, vérifie les risques de fraude et s'intègre parfaitement à la plateforme de réclamation existante. Les experts en sinistres sont toujours responsables de dossiers complexes, mais désormais, ils ne sont plus enfouis dans les dossiers de routine.

"Nous n'avons pas remplacé les humains. Nous avons éliminé les déchets afin que les gens puissent se concentrer sur leur jugement et non sur un travail fastidieux."

— Directeur de l'automatisation des réclamations

Nous avons mesuré l'impact

Le délai de résolution est passé de 5,4 jours à 1,2 jour pour les réclamations éligibles. Le NPS du groupe résolu automatiquement a augmenté de 18 points. Et les experts en sinistres ont gagné plus de 7 000 heures par an à consacrer à des cas complexes et exigeants qui en ont réellement besoin. Visuels comprenait un tableau de bord des opérations montrant les taux de résolution automatique et humaine, le temps de résolution moyen par type de réclamation et les tendances NPS ; ainsi que des vues d'audit pour chaque réclamation approuvée automatiquement afin que la conformité puisse examiner les échantillons.

Calendrier de mise en œuvre

Semaines 1 à 6 : exigences, extraction de données et règles d'éligibilité. Semaines 7 à 14 : Développement de modèles, back-tests et construction d'intégration. Semaines 15 à 18 : pilotage sur une gamme de produits (par exemple, les locataires) avec examen humain côte à côte. Semaines 19 à 22 : mise au point et extension à des lignes supplémentaires. À la semaine 24, le déploiement complet de la production était terminé et le taux d’exécution de plus de 38 000 réclamations/mois était atteint.

Passez à l'étape suivante

Découvrez comment Intellimark peut vous aider à créer un agent de sinistres évolutif, sans perdre le contact humain.

Contactez-nous

Résultat

L’assureur a automatisé la routine et recentré l’effort humain sur les sinistres à valeur ajoutée :

Mesures/Résultats

38,000+ réclamations traitées automatiquement par mois

1,2 jour délai de résolution moyen (vs 5,4 jours)

+18 Points NPS pour le groupe automatisé

7 000+ heures retourné aux experts chaque année

Ailette.

Certaines affirmations nécessitent de l’empathie. Certains ont juste besoin d’efficacité. Désormais, ils pouvaient offrir les deux.

Explorer davantage

Recherche · Analytique

Moyeu · De l'expérience à l'impact