Fysisk AI: Konsekvenser for risikostyrere, forsikringsselskaber og skadesbehandlere

Hvordan fysisk AI ændrer driften på tværs af brancher

Fysisk kunstig intelligens (AI) er i fuld gang med at forandre driftsmiljøerne inden for logistik, lagerhåndtering og transport. Autonome lagersystemer og flåder af førerløse lastbiler tages nu i brug i stor skala, hvilket fundamentalt ændrer den måde, hvorpå risici opstår, koncentreres og overføres. Denne udvikling medfører en sammensat risikoprofil, der kombinerer fysiske aktiver, softwarestyret beslutningstagning og systemomspændende sammenkobling.

Overgangen til fysisk AI er ikke ren spekulation; den er allerede ved at blive gennemført på tværs af sektorer, ofte gennem flerårige transformationsprogrammer.

Store detailhandlere og logistikvirksomheder omlægger deres distributionscentre til autonome driftsformer. Autonom lastbilkørsel afprøves og implementeres allerede i virkelige miljøer. Robotteknologi indføres i næsten alle sektorer af økonomien, især inden for brancher som minedrift, produktion, distribution og sundhedssektoren. I mange tilfælde opgraderer virksomhederne ét anlæg, én lokation eller ét system ad gangen og omfordeler dermed gradvist deres risikoeksponering, efterhånden som hver enkelt overgang gennemføres.

Denne gradvise indførelse medfører en særlig udfordring: En enkelt organisation kan samtidig drive både traditionelle og autonome miljøer, som hver især har meget forskellige risikokarakteristika. I takt med at flere anlæg omstilles, flyttes en stadig større del af risikoeksponeringen over på ukendt territorium.

Autonome lagersystemer og fabriksrobotter udvikler sig videre end de traditionelle programmerbare maskiner med fastlagte rammer.

Fysisk AI omfatter i stigende grad agentbaseret AI og autonome robotter, der er drevet af store sprogmodeller. Disse systemer er udviklet til at fortolke deres omgivelser, træffe beslutninger og tilpasse deres adfærd i henhold til skiftende forhold. De udfører ikke blot instruktioner; de træffer i realiteten komplekse beslutninger i dynamiske, foranderlige miljøer.

Fysisk AI anvendes allerede i stor skala inden for produktion, lagerhåndtering og transport. Centraliserede AI-platforme kan koordinere hundredvis af autonome robotter inden for en enkelt driftsenhed, hvilket muliggør anlæg med højere tæthed, kontinuerlig produktion og løbende optimering. Samtidig er teknologier til autonome lastbiler ved at gå fra pilotprojekter til kommerciel anvendelse, hvor førerløse køretøjer kører i udpegede godskorridorer og opbygger millioner af miles i driftserfaring. Brancheprognoser peger på en hurtig udvidelse af flåden i de kommende år.

Hvordan fysisk AI ændrer risikoeksponering og tabsprofiler

Indførelsen af fysisk AI medfører en række afgørende ændringer i risikobilledet:

• I autonome miljøer samles der ofte flere operationer på mindre plads, hvilket øger eksponeringsdensiteten.
• Fra isolerede udstyrsfejl til hændelser, der omfatter hele systemet og påvirker hele anlæg eller flåder
• Fra menneskelige fejl til algoritmisk og autonom beslutningstagning
• Fra traditionelle lagerrisici til miljøer med koncentrerede aktiver af høj værdi
• Fra primært personskader til skader på specialudstyr og materielle værdier

I takt med at disse aktiver bliver dyrere og mere sikre, ændrer risikoprofilen sig. På visse områder falder hyppigheden af tab, men når der alligevel opstår skader, er de mere alvorlige, tager længere tid at afhjælpe, indebærer mere komplekse regresundersøgelser og medfører en betydeligt større risiko for driftsafbrydelser og ekstraomkostninger.

Hvordan erstatningskrav og ansvar udvikler sig i autonome miljøer

I takt med at fysisk AI udvisker grænsen mellem fysiske og digitale systemer, må skadesundersøgelser udvikle sig i takt hermed. At fastslå årsagen til et tab kræver nu mere end blot en fysisk inspektion. 

Autonome systemer medfører nye udfordringer i forbindelse med erstatningskrav, herunder:

• Undersøgelser af fejl, oprindelse og årsager på tværs af sammenkoblede systemer
• Stigende aktivværdier og krav til restaurering af specialiseret arbejdskraft og udstyr
• Datadrevet analyse af hændelser, der kræver gennemgang af systemlogfiler og telemetri
• Forlængede tidsrammer for driftsafbrydelser som følge af leveringstiden for udskiftning af produkter samt systemvalidering, rekalibrering eller omlægning af processer.
• Øget risiko for driftsafbrydelser, da automatisering reducerer driftsomkostningerne og medfører højere fortjenstmargener.
• Tab eller beskadigelse af hele flåder af automatiseret udstyr og driftssystemer.

Undersøgelser af skadesanmeldelser kræver i stigende grad tværfaglig ekspertise, herunder retsteknisk robotteknik, avanceret dataanalyse og evaluering af agentbaseret software.

Ansvaret i forbindelse med selvkørende lastbiler er i rivende udvikling og skifter fra at være centreret om chaufføren til at være et delt ansvar mellem producenter, AI-udviklere og vognparkoperatører. Indsamling af data i realtid forbedrer rekonstruktionen af hændelser, men medfører samtidig yderligere kompleksitet i fastlæggelsen af årsagssammenhæng og ansvar, hvis der opstår en systemfejl.

Forsikringsmodellerne tilpasses i øjeblikket, så de omfatter en kombineret dækning, der dækker både ansvarsforsikring for motorkøretøjer, produktansvar og cyberrisici (hacking af køretøjer).

Fremdrift i lovgivningen og fremtiden for autonome systemer

Siden 2017 har det amerikanske transportministerium (DOT) og førende virksomheder inden for autonom lastbilkørsel fokuseret på en fælles prioritet: sikkerhed. Dette har været den vigtigste prioritet for regeringen, ejere, operatører, forbrugere og alle andre bilister på vejene. Det er forståeligt, når man tænker på, at der hvert år sker cirka 500.000 trafikulykker, hvor lastbiler er involveret. I perioden 2021–2023 førte ulykker med store lastbiler til mere end 15.000 dødsfald. Ifølge det amerikanske transportministerium skyldes over 90 % af ulykkerne imidlertid menneskelige fejl. Indtil videre tyder de første driftsdata på, at teknologier til autonom kørsel har potentiale til at reducere antallet af ulykker, personskader og dødsfald.

Lovforslaget H.R. 4661 – AMERICA DRIVES Act foreslår en føderal ramme for autonom kommerciel lastbilkørsel, herunder drift af køretøjer på niveau 4 og 5 uden menneskelige chauffører på tværs af statsgrænser. De foreslåede føderale rammer og de igangværende drøftelser om regulering kan muliggøre en bredere anvendelse af autonome lastbiler på tværs af staterne, selvom indførelsen på delstatsniveau fortsat er uensartet og stadig er under udvikling. Flere delstater (herunder Arizona, Texas, Nevada, Florida, Oklahoma og Ohio) støtter allerede afprøvninger og begrænsede pilotprojekter, hvilket giver værdifuld driftserfaring, efterhånden som teknologien modnes.

Hvad forsikringsselskaber og skadesbehandlere bør gøre nu

Den hurtige udbredelse af fysisk AI kræver, at forsikringsselskaber og skadesbehandlere begynder at tilpasse sig allerede i dag.

I takt med at fysisk AI fortsætter med at udvikle sig, kan organisationer ikke vente på, at teknologien bliver fuldt ud indført, før de handler. Der er flere tiltag, der kan hjælpe dem med at forberede sig bedre på denne overgang:

• Opdatering af risikovurderingsmodeller og analyse af hver enkelt risiko ved fornyelse
• Opdatering af den forsikredes nuværende implementering af fysisk AI for at tage højde for risici på systemniveau og sammenkoblingen af fysisk AI
• Revurdering af dækningsstrukturer for driftsafbrydelser og aktiver af høj værdi
• Udvikling eller opdatering af tværfaglige kompetencer inden for skadesbehandling
• Overvågning af lovgivningsmæssige ændringer, der har indflydelse på den autonome drift

Organisationer, der proaktivt tilpasser sig, vil være bedre rustet til at håndtere nye risici og sikre, at de kan forsvare sig i skadesager.

Forberedelse på et mere komplekst, systemdrevet risikobillede

Fysisk AI udgør et grundlæggende skift fra traditionelle, lineære risikomiljøer til komplekse, adaptive systemer. Skadebegivenheder afhænger i stigende grad af, hvordan systemerne fortolker, træffer beslutninger og interagerer i stor skala. For forsikringsselskaber og skadesbehandlere vil succes afhænge af evnen til at vurdere både de fysiske og digitale dimensioner af skader, udvikle tværfaglig ekspertise og reagere effektivt på et risikolandskab, der i stigende grad er sammenkoblet, automatiseret og datadrevet.

Citerede kilder:

https://www.fmcsa.dot.gov/safety/data-and-statistics/large-truck-and-bus-crash-facts
https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/813717.pdf