AI dla ubezpieczeń: likwidacja szkód, ekstrakcja dokumentów, klasyfikacja

Dział likwidacji szkód, do którego codziennie wpływają setki zgłoszeń: zdjęcia uszkodzeń, skany polis, faktury za naprawę, protokoły policyjne, oświadczenia, kosztorysy warsztatów. Ktoś to wszystko otwiera, przepisuje numery polis i kwoty do systemu, segreguje według rodzaju szkody i kieruje do właściwego likwidatora. To nie jest praca, która wymaga eksperckiej oceny — to przepisywanie i sortowanie. I właśnie tu AI ma realny sens. Problem zaczyna się, gdy ktoś obiecuje „automatyczną likwidację bez człowieka”: to inna rozmowa, dotykająca prawa konsumenta, RODO i AI Act. Poniżej rozdzielamy jedno od drugiego, bez obietnic, których w ubezpieczeniach dotrzymać się nie da.

Zgłoszenie szkody to plik różnorodnych dokumentów w różnych formatach: PDF, zdjęcia z telefonu, skany, czasem nieczytelne odręczne notatki. Pierwszy realny obszar to zamiana tej sterty na ustrukturyzowane dane. OCR odczytuje tekst z obrazu, a model językowy wyciąga z niego konkretne pola: numer polisy, datę zdarzenia, kwotę z faktury, dane pojazdu, miejsce szkody.

Tu trzeba być uczciwym co do dokładności. Na czystych, typowych dokumentach (faktury, kosztorysy z warsztatów, druki standardowe) dobrze zestrojona ekstrakcja danych osiąga zwykle wysoką trafność na poziomie pól — często powyżej 90%, na ustandaryzowanych formularzach jeszcze wyżej. Ale na dokumentach odręcznych, słabych skanach czy nietypowych układach trafność spada i bywa nieprzewidywalna. Dlatego nie wolno zakładać, że odczytana kwota jest prawdą — przy polach wpływających na wypłatę człowiek potwierdza, a system pokazuje źródło (fragment dokumentu), z którego wartość pochodzi.

Warunkiem powodzenia jest porządek w danych po stronie firmy. Jak ułożyć dokumenty i metadane, żeby AI miała z czego korzystać, opisujemy w przygotowaniu danych firmowych pod AI.

Drugi obszar to skierowanie zgłoszenia tam, gdzie powinno trafić, zanim ktokolwiek przeczyta je ręcznie. Klasyfikator rozpoznaje rodzaj szkody (komunikacyjna, majątkowa, osobowa, OC, AC), pilność, kompletność dokumentów i przypisuje sprawę do właściwej kolejki lub likwidatora. To samo zgłoszenie może też dostać etykietę „braki w dokumentach” i automatycznie wywołać prośbę o uzupełnienie.

Wzorzec jest tu identyczny jak w obsłudze klienta: AI przesiewa i sortuje, człowiek decyduje w przypadkach granicznych. Mechanikę tego procesu rozkładamy na czynniki w klasyfikacji i routingu zgłoszeń AI. Korzyść jest mierzalna: skraca się czas od wpłynięcia zgłoszenia do pierwszego kontaktu z właściwą osobą, a proste, kompletne sprawy nie czekają w jednej kolejce z trudnymi. Ten sam silnik routingu sprawdza się zresztą poza ubezpieczeniami — analogicznie układamy go w AI dla logistyki i magazynu.

Granica jest prosta: klasyfikacja kieruje sprawę, ale nie rozstrzyga roszczenia. Etykieta „prawdopodobnie szkoda całkowita” to wskazówka dla likwidatora, nie decyzja o wypłacie.

To obszar, w którym najłatwiej o nadużycie języka — i o realną szkodę dla klienta. Powiedzmy wprost: AI nie „wykrywa oszustów”. AI wykrywa wzorce i odchylenia, które w danych historycznych korelowały ze sprawami spornymi lub potwierdzonymi nadużyciami — i podnosi flagę do sprawdzenia przez człowieka.

Różnica nie jest kosmetyczna. Sygnał fraudu to: nietypowa częstotliwość szkód na polisie, rozbieżność między opisem a zdjęciami, ten sam warsztat w wielu podejrzanych sprawach, data zdarzenia tuż po zawarciu polisy. Każdy z tych sygnałów ma niewinne wyjaśnienia. Dlatego flaga oznacza „przyjrzyj się dokładniej”, a nie „odmów wypłaty”. Decyzja o odmowie czy skierowaniu do dochodzenia należy do człowieka, który ponosi za nią odpowiedzialność prawną — model jej nie ponosi.

To także obszar wprost dotykany przez AI Act: system oceniający ryzyko związane z klientem albo wpływający na dostęp do świadczenia może być systemem wysokiego ryzyka, z obowiązkami przejrzystości, nadzoru człowieka i dokumentacji. Automatyczna odmowa wypłaty wyłącznie na podstawie modelu, bez realnej możliwości interwencji człowieka, to scenariusz, którego odradzamy — i prawnie, i etycznie.

Czwarty obszar to obsługa pytań klienta o status szkody, zakres polisy czy wymagane dokumenty. Agent oparty na wiedzy z polis i regulaminów odpowiada na typowe pytania („jakie dokumenty muszę dołączyć”, „na jakim etapie jest moja sprawa”), odciążając konsultantów od powtarzalnych zapytań.

Tu obowiązują dwie zasady, których nie omijamy. Po pierwsze, asystent musi być ugruntowany w rzeczywistych dokumentach klienta i firmy — model bez tej kotwicy potrafi zmyślić warunek polisy, którego nie ma. Po drugie, w momencie, gdy pytanie dotyka indywidualnej decyzji o roszczeniu, asystent przekazuje sprawę człowiekowi, zamiast improwizować. Jak budujemy taki ugruntowany system na firmowej wiedzy, pokazujemy w firmowym GPT na bazie wiedzy.

Pytania o status działają najlepiej, gdy asystent czyta dane z systemu (etap sprawy, brakujące dokumenty), a nie zgaduje. Wtedy odpowiedź jest konkretna i sprawdzalna, a klient dostaje informację natychmiast, o każdej porze.

Ubezpieczenia to sektor regulowany, a dane szkodowe to często dane wrażliwe — w szkodach osobowych nawet dane o zdrowiu. Dlatego architektura danych nie jest tu szczegółem technicznym, tylko decyzją u podstaw projektu.

Trzy zasady, które stosujemy zawsze:

• Człowiek decyduje o wypłacie i kwalifikacji. AI przygotowuje, klasyfikuje i sygnalizuje; decyzję o uznaniu, odmowie czy wysokości świadczenia podejmuje uprawniona osoba. To wymóg i prawny, i operacyjny.
• Świadoma decyzja o lokalizacji danych. Dane wrażliwe mogą zostać w infrastrukturze firmy dzięki modelom uruchamianym lokalnie albo u dostawcy z gwarancją przetwarzania w EU i umową powierzenia. Kontekst regulacyjny porządkujemy w obowiązkach firm pod AI Act i RODO w 2026.
• Przejrzystość wobec klienta. Jeśli decyzja jest istotnie wsparta automatyzacją, klient ma prawo to wiedzieć i prawo do odwołania do człowieka. To nie jest opcja do negocjacji.

Systemy czysto administracyjne (ekstrakcja faktur do systemu, routing zgłoszeń bez rozstrzygania) zwykle nie są wysokim ryzykiem. Ale system oceniający ryzyko klienta, wpływający na dostęp do świadczenia albo automatyzujący decyzję — może nim być. Klasyfikację warto potwierdzić dla konkretnego zastosowania, zanim cokolwiek trafi do produkcji.

Uczciwa kolejność jest mniej efektowna niż obietnice ze slajdów. Najpierw jeden wąski problem z policzalnym kosztem — zwykle ekstrakcja danych z jednego typu dokumentu albo routing jednego rodzaju zgłoszeń. Potem weryfikacja, czy dane są w stanie, w którym AI ma z czego korzystać. Następnie pilotaż obok obecnego procesu: AI typuje i przygotowuje, likwidator nadal decyduje, a my mierzymy realną trafność, zanim cokolwiek zacznie działać samodzielnie. Dopiero gdy liczby się zgadzają — stopniowe rozszerzanie, z zachowanym nadzorem tam, gdzie w grę wchodzi decyzja o pieniądzach klienta.

To nie jest droga na skróty. Ale jest to droga, która nie kończy się systemem, któremu nikt nie ufa, bo raz odmówił wypłaty na podstawie sygnału, który okazał się fałszywym alarmem.

Nie zalecamy tego i w wielu przypadkach prawo na to nie pozwala. AI może przyspieszyć obsługę — wyciągnąć dane z dokumentów, sklasyfikować zgłoszenie, przygotować szkic decyzji — ale uznanie roszczenia, jego wysokość czy odmowa to decyzja, którą podejmuje uprawniona osoba. Przy decyzjach istotnie automatycznych klient ma też prawo do interwencji człowieka, co wynika z RODO i AI Act.

To zależy od jakości dokumentu. Na czystych, typowych dokumentach (faktury, druki standardowe) dobrze zestrojona ekstrakcja danych osiąga zwykle wysoką trafność na poziomie pól — często powyżej 90%. Na słabych skanach, dokumentach odręcznych czy nietypowych układach trafność spada i bywa nieprzewidywalna, dlatego pola wpływające na wypłatę zawsze potwierdza człowiek, a system pokazuje źródło wartości.

Nie. Model wykrywa sygnały i odchylenia, które historycznie korelowały ze sprawami spornymi, i podnosi flagę do sprawdzenia — to wskazówka, nie werdykt. Każdy sygnał ma niewinne wyjaśnienia, więc decyzję o skierowaniu do dochodzenia czy odmowie podejmuje człowiek, który ponosi za nią odpowiedzialność. Automatyczna odmowa wyłącznie na podstawie modelu to scenariusz, którego odradzamy.

To decyzja, nie konieczność. Dane wrażliwe — w tym dane o zdrowiu w szkodach osobowych — mogą zostać w infrastrukturze firmy dzięki modelom uruchamianym lokalnie albo u dostawcy z gwarancją przetwarzania w EU i umową powierzenia. W sektorze regulowanym warto podjąć tę decyzję świadomie na samym początku, bo determinuje całą architekturę projektu.

Czasem tak. System oceniający ryzyko związane z klientem albo wpływający na dostęp do świadczenia może być systemem wysokiego ryzyka wg AI Act — z obowiązkami przejrzystości, nadzoru człowieka i dokumentacji. Systemy czysto administracyjne, jak ekstrakcja faktur czy routing zgłoszeń bez rozstrzygania, zwykle nie wchodzą w tę kategorię, ale klasyfikację warto potwierdzić dla konkretnego zastosowania.