رابطهٔ بیمه‌گر و بیمه‌گزار سال‌ها در آرامش می‌گذرد و در چند روز سنجیده می‌شود: همان روزهایی که پروندهٔ خسارت باز است. در این فاصله، بیمه‌گزار نه دقت کارشناسی را می‌بیند و نه پیچیدگی مقررات را؛ فقط می‌بیند چند بار مدرک فرستاده و چند روز منتظر مانده است.

بخش بزرگی از این انتظار صرف کارهایی می‌شود که هیچ قضاوتی در آن‌ها نیست: خواندن مدرک، تطبیق شمارهٔ بیمه‌نامه، بررسی سقف پوشش و بازخوانی تصویر. هوش مصنوعی درست همین لایه را برمی‌دارد و پرونده را با اطلاعات کامل به کارشناس می‌رساند؛ آنچه باقی می‌ماند تصمیم است، نه کار دفتری.

کدام بخش پروندهٔ خسارت خودکار می‌شود

خودکارسازی از انتهای زنجیره شروع نمی‌شود؛ از مرحله‌هایی شروع می‌شود که خروجی‌شان قابل بازبینی و خطایشان قابل اصلاح است.

• استخراج اطلاعات مدرک: خواندن کارت خودرو، گزارش کارشناس و فاکتور تعمیر و ریختن آن‌ها در فرم پرونده، بدون تایپ دستی.
• ارزیابی تصویری آسیب: تشخیص قطعهٔ آسیب‌دیده و شدت آن از عکس‌های ارسالی و برآورد اولیهٔ هزینه.
• بررسی پوشش: تطبیق خودکار مورد خسارت با شرایط بیمه‌نامه و اعلام موارد بیرون از پوشش.
• نشانه‌گذاری پروندهٔ مشکوک: برجسته کردن الگوهای غیرعادی مانند تکرار خسارت، تصویر بازاستفاده‌شده یا فاصلهٔ کوتاه میان صدور بیمه‌نامه و حادثه.
• مسیردهی پرونده: جدا کردن پرونده‌های کوچک و روشن از پرونده‌هایی که به بازدید حضوری نیاز دارند.

چرا نظارت کارشناسی حذف نمی‌شود

• حق اعتراض بیمه‌گزار: هر تصمیم رد یا کاهش خسارت باید دلیل قابل توضیح داشته باشد؛ اینکه مدل چنین گفته، پاسخ پذیرفتنی نیست.
• هشدار تقلب، نه حکم تقلب: خروجی سامانهٔ کشف تقلب تنها اولویت بررسی را تعیین می‌کند؛ اتهام از دل یک عدد بیرون نمی‌آید.
• خطای تصویر: نور، زاویه و آسیب پنهان زیر قطعه، برآورد تصویری را گمراه می‌کند؛ برای خسارت بزرگ، بازدید حضوری جای خود را دارد.
• دادهٔ شخصی: تصویر و مدارک پرونده دادهٔ حساس است؛ محل نگه‌داری و مدت آن باید پیش از راه‌اندازی روشن باشد.

چرا برای شرکت‌های بیمه و نمایندگی‌های ایران اهمیت دارد

در پرتفوی بیشتر شرکت‌های بیمه در ایران، شمار پرونده‌های خودرویی کوچک به‌مراتب بیشتر از پرونده‌های بزرگ است؛ همان پرونده‌هایی که مبلغشان کم و هزینهٔ اداری رسیدگی‌شان نسبت به آن مبلغ زیاد است. خودکار کردن همین گروه بیش از هر جای دیگری صرفه دارد و اثرش را هم زود نشان می‌دهد، چون هر روز تکرار می‌شود. نمایندگی‌ها هم برندهٔ همین تغییرند: پرونده‌ای که در ساعت بسته شود، تماس پیگیری کمتری تولید می‌کند.

یک نمونهٔ عملی

شرکتی را در نظر بگیرید که پرونده‌های خسارت جزئی خودرو بیشتر ظرفیت واحد خسارتش را می‌گرفت. با محدود کردن سامانه به پرونده‌هایی زیر یک سقف مبلغی مشخص و نگه‌داشتن تأیید نهایی نزد کارشناس، بخش بزرگی از این پرونده‌ها در همان روز بسته شد و وقت آزادشده به پرونده‌های سنگین رسید. تعیین‌کننده، سقف مبلغی روشن بود، نه توان فنی سامانه.

مسیر ۹۰ روزهٔ پیاده‌سازی

• ماه نخست: یک گروه پروندهٔ کوچک و پرتکرار را انتخاب کنید و تصاویر و مدارک پرونده‌های بسته‌شدهٔ گذشته را همراه با مبلغ نهایی‌شان کنار هم بگذارید.
• ماه دوم: برآورد سامانه را با مبلغ واقعی همان پرونده‌ها مقایسه کنید و بنویسید در چه بازه‌ای می‌توان به آن اعتماد کرد.
• ماه سوم: اگر خطا در آن بازه ماند، سقف مبلغی را گام‌به‌گام بالا ببرید؛ اگر نه، دامنه را باریک‌تر کنید، نه بزرگ‌تر.

خطاهایی که پروژه را زمین می‌زنند

• شروع از پرونده‌های بزرگ و کم‌تعداد، جایی که خطا گران است و داده کم.
• اعتماد به برآورد تصویری بدون تعیین سقف مبلغی برای تصمیم خودکار.
• تبدیل هشدار تقلب به تصمیم رد پرونده، بدون بررسی انسانی.
• نداشتن معیار عددی برای موفقیت؛ بدون آن نه می‌توان ادامه داد نه با اطمینان متوقف شد.

سه اقدام فوری

• پرتکرارترین گروه خسارت کوچک خود را نخستین دامنه بگذارید.
• سقف مبلغی تصمیم خودکار را پیش از راه‌اندازی بنویسید.
• اثر را با زمان تسویه و شمار رفت‌وبرگشت مدارک بسنجید.

پرسش‌های پرتکرار

• شروع چقدر هزینه دارد؟
  کمتر از تصور رایج؛ آزمایش روی یک گروه پروندهٔ کوچک با آرشیوی که همین حالا دارید، برای سنجیدن ارزش کافی است.
• نخستین گام عملی چیست؟
  استخراج خودکار اطلاعات مدرک؛ کم‌ریسک‌ترین شروع است چون خطایش در همان لحظه دیده و اصلاح می‌شود.
• آیا جای کارشناس را می‌گیرد؟
  کار دفتری پرونده را برمی‌دارد و کارشناس را روی پرونده‌های پیچیده و مواردی که به قضاوت نیاز دارند متمرکز می‌کند.

جمع‌بندی

در بیمه، سرعت تسویه خودش بخشی از محصول است. شرکتی که پروندهٔ کوچک را در ساعت ببندد، بدون تغییر نرخ و پوشش، تجربه‌ای می‌فروشد که رقیبش به‌سرعت نمی‌تواند تقلید کند.

واژه‌نامه

• بینایی ماشین: توانایی نرم‌افزار در دیدن و تفسیر تصویر و ویدئو؛ پایهٔ ارزیابی تصویری آسیب.
• استخراج اطلاعات: بیرون کشیدن دادهٔ ساخت‌یافته از مدرک و تصویر، بدون تایپ دستی.
• تسویهٔ خسارت: فرآیند بررسی، تأیید و پرداخت خسارت بیمه.
• کشف تقلب: شناسایی الگوهای غیرعادی که احتمال غیرواقعی بودن پرونده را بالا می‌برد.
• مسیردهی پرونده: فرستادن هر پرونده به مسیر رسیدگی متناسب با پیچیدگی و مبلغ آن.
• حلقهٔ نظارت انسانی: ساختاری که در آن تصمیم ماشین پیش از اثرگذاری از تأیید کارشناس می‌گذرد.

اقدام این هفته

این هفته، یک نمونهٔ ۳۰تایی از پرونده‌های خسارت جزئی بسته‌شدهٔ ماه گذشتهٔ شرکت خود را بردارید و برای هر کدام سه ستون بسازید: نوع خسارت، مدت زمان رسیدگی، و مبلغ نهایی پرداختی. سپس با یک تابلوی ساده یا صفحه‌گسترده، مشخص کنید چند پرونده از این نمونه زیر سقف ۵ میلیون تومان بوده و بیش از ۷ روز کاری زمان برده است. هدف این است که ببینید دقیقاً چند ساعت از وقت کارشناس صرف پرونده‌هایی شده که مبلغشان کمتر از هزینهٔ اداری رسیدگی‌شان است. اگر این عدد برایتان روشن شد، هفتهٔ آینده می‌توانید همان گروه را به‌عنوان کاندیدای اول آزمایش هوش مصنوعی معرفی کنید.

منابع

• پژوهشکده بیمه — گزارش‌ها و پژوهش‌های کاربردی دربارهٔ فناوری‌های نوین در صنعت بیمه ایران
• بیمه مرکزی جمهوری اسلامی ایران — آیین‌نامه‌ها و بخشنامه‌های مرتبط با پردازش خسارت و حفاظت از داده‌های بیمه‌گزاران
• Insurance Journal — گزارش‌های موردی بین‌المللی دربارهٔ پیاده‌سازی هوش مصنوعی در پردازش خسارت و خطاهای رایج پروژه‌ها
• International Actuarial Association — مستندات فنی دربارهٔ مدل‌های ارزیابی ریسک و برآورد خسارت با داده‌های تصویری