Agente sinistri

Come un assicuratore ha utilizzato l'intelligenza artificiale per semplificare le richieste di indennizzo a bassa complessità e ha consentito ai periti di concentrarsi su ciò che conta

Scorri

Sfida

Troppe pretese, troppo poco tempo

Un assicuratore di medie dimensioni nel settore danni e danni elaborava centinaia di migliaia di sinistri all'anno. La maggior parte erano di bassa complessità (bagagli smarriti, parabrezza rotti, lievi danni causati dall'acqua), ma ciascuno richiedeva comunque l'immissione manuale, il triage e l'approvazione. Con l'aumento del costo del lavoro e l'aumento delle aspettative di velocità dei clienti, l'operazione di risarcimento dei sinistri era diventata un collo di bottiglia. La leadership aveva bisogno di un modo per crescere senza aumentare proporzionalmente l’organico.

I periti erano sopraffatti. Il 70% delle richieste erano semplici ma richiedevano comunque l'immissione, l'inoltro e l'approvazione manuali. I tempi di risoluzione si allungavano. I clienti erano frustrati. Lo stesso vale per i dipendenti.

Colli di bottiglia umani

Ogni richiesta di risarcimento è iniziata allo stesso modo: inviata online, inviata tramite e-mail o chiamata. Un essere umano ha dovuto effettuare il triage, verificare i dettagli, richiedere documenti e inoltrarlo. Le affermazioni semplici erano nella stessa coda di quelle complesse. Il risultato: inefficienza ovunque.

E se un bot riuscisse a gestirlo?

L'idea: creare un agente per le richieste di risarcimento digitale, in grado di elaborare istantaneamente le richieste di risarcimento a basso rischio e basate su regole senza ritardi umani e di inoltrare solo quelle che necessitavano di revisione.

Approccio

Quindi abbiamo creato un regolatore AI

Abbiamo collaborato con Claims Ops, IT e Legal per progettare un modello di automazione dei sinistri. Ha esaminato il tipo di reclamo, l'importo, la cronologia del cliente e la documentazione allegata, quindi ha preso una decisione immediata, con la possibilità di verificabilità integrata.

Soluzione

Lo abbiamo addestrato in 3 anni di storia

Il modello è stato addestrato su 2,1 milioni di affermazioni storiche. Ha appreso quali casi erano sicuri da approvare automaticamente, quali richiedevano la convalida e quali dovrebbero sempre essere affidati a un essere umano. Scansioni di documenti, metadati, flag di policy: tutto faceva parte dell'albero decisionale.

Metodologia

Abbiamo utilizzato una metodologia graduale: (1) definire le regole di ammissibilità e i criteri di escalation con Claims Ops e Legal; (2) estrarre, pulire ed etichettare i dati storici sulle richieste di risarcimento per la formazione; (3) addestrare e convalidare il modello di classificazione e approvazione con set di controlli e revisione umana dei casi limite; (4) integrare il modello nella piattaforma dei sinistri tramite API con registrazione di audit e controlli di override; (5) eseguire un progetto pilota controllato per linea di prodotto prima del lancio completo.

Origini dei dati

Record storici di sinistri (2,1 milioni) inclusi tipo di sinistro, importo, dettagli della polizza ed esito. Documenti allegati e campi estratti (foto, preventivi, fatture). CRM e dati sulle policy per la cronologia dei clienti e gli indicatori di rischio. Tutti i dati sono stati resi anonimi o aggregati per l'addestramento del modello; l'inferenza della produzione ha utilizzato dati in tempo reale sulle richieste e sulle policy all'interno del perimetro di sicurezza esistente.

L'abbiamo implementato in produzione

Il perito AI ora funziona in background, esaminando e approvando oltre 38.000 richieste al mese. Segnala anomalie, verifica il rischio di frode e si integra perfettamente nella piattaforma sinistri esistente. I periti sono ancora coinvolti in casi complessi, ma ora non sono più sepolti in quelli di routine.

"Non abbiamo sostituito gli esseri umani. Abbiamo eliminato i rifiuti, in modo che le persone potessero concentrarsi sul giudizio, non sul lavoro impegnativo."

— Direttore dell'automazione dei sinistri

Abbiamo misurato l'impatto

Il tempo di risoluzione è sceso da 5,4 giorni a 1,2 giorni per le richieste ammissibili. L'NPS per il gruppo risolto automaticamente è aumentato di 18 punti. Inoltre, i periti hanno recuperato oltre 7.000 ore all'anno da dedicare a casi complessi e di alto livello che ne hanno effettivamente bisogno. Immagini incluso un dashboard operativo che mostra i tassi di risoluzione automatica e umana, il tempo medio di risoluzione per tipo di reclamo e le tendenze NPS; inoltre visualizzazioni di audit per ogni richiesta approvata automaticamente in modo che la conformità possa esaminare i campioni.

Cronologia di implementazione

Settimane 1–6: requisiti, estrazione dei dati e regole di ammissibilità. Settimane 7–14: sviluppo del modello, test retrospettivi e creazione dell'integrazione. Settimane 15-18: progetto pilota su una linea di prodotti (ad esempio, noleggiatori) con revisione umana affiancata. Settimane 19–22: ottimizzazione ed espansione a linee aggiuntive. Entro la settimana 24, l'implementazione completa della produzione è stata completata ed è stato raggiunto il tasso di esecuzione di oltre 38.000 sinistri al mese.

Fai il passo successivo

Scopri come Intellimark può aiutarti a creare un agente sinistri scalabile, senza perdere il tocco umano.

Contattaci

Risultato

L’assicuratore ha automatizzato la routine e ha riorientato lo sforzo umano sui sinistri a valore aggiunto:

Metriche/Risultati

38,000+ richieste elaborate automaticamente al mese

1,2 giorni tempo medio di risoluzione (rispetto a 5,4 giorni)

+18 Punti NPS per il gruppo automatizzato

Oltre 7.000 ore restituito annualmente ai periti

Fin.

Alcune affermazioni necessitano di empatia. Alcuni hanno solo bisogno di efficienza. Ora potevano consegnarli entrambi.

Esplora di più

Ricerca · Analitica

Centro · L'esperienza ha un impatto