Brug af kunstig intelligens og data til at identificere nye risici, før de påvirker driften

Nye risici melder sig sjældent på én gang. Oftest dukker de op i al stilhed – i skadesanmeldelser, der umiddelbart virker rutinemæssige, men som senere eskalerer, i retssager, der kommer frem, efter at de vigtigste muligheder for at gribe ind er forpasset, eller i form af udsving i reserverne, der skaber uventede konsekvenser for finans- og risikoteamene.

For mange organisationer er disse situationer velkendte. En sag, der så ud til at være under kontrol, tager pludselig en ny drejning. Bevidstheden om retssagen opstår for sent. Mulighederne indsnævres. Når risikoen først er fuldt synlig, er muligheden for at påvirke udfaldet allerede forpasset. I dagens forretningsmiljø er udfordringen ikke længere adgangen til data. Det handler om at få overblikket tidligt nok til at handle, mens der stadig er råderum.

Kunstig intelligens og avanceret analyse er ved at blive uundværlige redskaber til at lukke dette hul, idet de hjælper organisationer med at gå fra at reagere på nye risici, efter at de er opstået, til at identificere dem tidligere og håndtere dem mere målrettet.

Hvorfor tidlig risikoidentifikation er vigtigere end nogensinde

Operationel risiko, uanset om den er knyttet til skadesanmeldelser, tendenser i arbejdsstyrken eller forstyrrelser i forsyningskæden, følger ofte et forudsigeligt forløb. Det, der starter som et håndterbart problem, bliver mere og mere kompliceret, efterhånden som tiden går, beslutningerne hober sig op, og mulighederne for at gribe ind bliver færre.

I forbindelse med erstatningssager er timing lige så afgørende som nøjagtighed. Forsinket indsigt betyder ofte færre håndteringsmuligheder, større gnidninger med de involverede parter og mindre kontrol over udfaldet. Når en retssag er kommet et stykke vej, behandlingsforløb er fastlagt, eller forventninger er sat, er muligheden for at udøve en meningsfuld indflydelse på omkostninger, varighed eller forløbet betydeligt indskrænket.

Tidlig opdagelse ændrer forløbet. Når organisationer kan identificere risikosignaler tættere på deres opståen, bevarer de deres handlemuligheder. De kan gribe ind hurtigere, inddrage den rette ekspertise på et tidligere tidspunkt og træffe mere velovervejede beslutninger om reserver, strategi og de næste skridt. Resultatet er ikke blot bedre information, men også større kontrol over udfaldet.

Hos Sedgwick kommer denne dynamik tydeligst til udtryk i langvarige skadesager, hvor de endelige omkostninger måske først kendes flere år senere. Uden tidlig indsigt er teamene ofte nødt til at træffe beslutninger på baggrund af historiske gennemsnit eller forsinkede indikatorer. Med tidligere signaler kan de påvirke udviklingen, mens det stadig er muligt at gribe ind på en meningsfuld måde.

Ud over tærskelværdier til løbende indsigt

Traditionelt har mange metoder til risikoidentifikation været baseret på faste tærskelværdier, beløbsstørrelser, indledte retssager eller forløbet tid. Selvom disse indikatorer er nyttige, viser de sig typisk først, efter at risikoen allerede er indtrådt.

En mere moderne tilgang betragter risiko som et spektrum snarere end et enten-eller-scenarie. I stedet for at spørge, om en risiko har overskredet en foruddefineret grænse, undersøger organisationerne, hvor den befinder sig i forhold til den samlede population, de forvalter. Dette muliggør en løbende prioritering i stedet for en forsinket eskalering.

Udviklingen i Sedgwicks skadesalvorligheds- og vurderingsmodeller afspejler denne ændring. I stedet for kun at markere skadesanmeldelser, der overstiger et vilkårligt beløb, vurderer den nyeste generation af modeller 100 procent af alle skadesanmeldelser – lige fra dem, der forventes afsluttet med ringe eller ingen omkostninger, til dem, der i sidste ende kan ende i kategorierne med den højeste risiko.

Dette overblik over hele befolkningen gør det muligt at opdage risici på et tidligere tidspunkt, før de traditionelle udløsende faktorer træder i kraft, og mens der stadig er mulighed for at påvirke beslutningerne om håndteringen.

Tidlig scoring i praksis: Et simpelt eksempel

Lad os tage et eksempel på en skadesanmeldelse vedrørende personskade, der i første omgang fremstår som moderat. Tidligere ville sagen måske være blevet behandlet efter standardproceduren, indtil omkostningerne eller retssagerne førte til en eskalering. Ved en procentilbaseret vurderingsmetode placerer de tidlige signaler skadesanmeldelsen højere i forhold til lignende sager, selvom de absolutte omkostninger fortsat er lave.

Dette tidlige signal udløser en anderledes sagsbehandling. Sagen gennemgås hurtigere, koordineres med mere erfarne medarbejdere og håndteres med større opmærksomhed på risikoen for retssager og medicinske komplikationer. Selvom resultaterne aldrig kan garanteres, ændres sagsbehandlingen, mens det stadig er muligt at påvirke forløbet. Netop denne tidlige og bevidste ændring er værdien ved at opdage risikoen i tide.

Fra prognoser til proaktiv beslutningstagning

Den egentlige værdi af kunstig intelligens og analyse ligger ikke alene i forudsigelser, men i, hvad organisationerne gør med disse oplysninger. Tidlig indsigt har kun betydning, hvis den fører til handling.

For kunderne betyder det færre uventede overraskelser, hurtigere samordning af ekspertisen og større tillid til reserver og prognoser. Når risici opdages tidligere, kan teamene gribe ind, mens der stadig er muligheder, i stedet for at skulle håndtere eskaleringer i efterhånd.

Hos Sedgwick er alvorlighedsvurderingen integreret direkte i de operationelle arbejdsgange. Indsigterne leveres på de afgørende beslutningspunkter og ikke som isolerede analyser. Skadesager med højere risiko eskaleres tidligere til erfarne skadesbehandlere, retssagsspecialister eller kliniske eksperter, mens skadesager med lavere risiko behandles via mere strømlinede forløb. Denne integration ændrer den daglige skadesbehandling, ikke blot rapporteringen.

Organisationer, der har succes med kunstig intelligens, betragter den som et redskab til beslutningsstøtte og ikke som et mål i sig selv. Indsigterne skal præsenteres i den rette sammenhæng, netop i det øjeblik beslutningerne træffes, for at kunne ændre resultaterne på en meningsfuld måde.

Betydningen af et solidt datagrundlag

Avancerede modeller er kun så effektive som de data, de bygger på. Mange organisationer kæmper ikke fordi de mangler analytiske ambitioner, men fordi deres data fortsat er fragmenterede, utilgængelige eller dårligt styrede.

En moderne datastrategi lægger vægt på tilgængelighed, standardisering og tillid. Både strukturerede og ustrukturerede data skal være tilgængelige i miljøer, der understøtter analyse i stor skala, samtidig med at der opretholdes strenge kontrolforanstaltninger med hensyn til sikkerhed, privatlivsbeskyttelse og overholdelse af lovgivningen.

Sedgwicks rejse inden for datavidenskab understreger denne lære. I løbet af de seneste år har organisationen investeret i at modernisere sin datastruktur ved at flytte data fra ældre systemer over på regulerede, cloudbaserede platforme, der er udviklet til analyse og kunstig intelligens. Standardiseret dataindlæsning, datatransformation, rollebaseret adgangskontrol, anonymisering og sporbarhed er indbygget i datapipeline, hvilket skaber et fundament, der understøtter både indsigt og tillid.

Uden dette grundlæggende arbejde har selv avancerede modeller svært ved at skaleres eller levere resultater, der kan forsvares.

Ansvarlig kunstig intelligens som et grundlæggende princip

I takt med at kunstig intelligens bliver en stadig større del af den daglige beslutningstagning, er det afgørende, at den anvendes ansvarligt. Styring er ikke blot en intern standard. Det er en sikkerhedsforanstaltning for kunderne.

Ansvarlig anvendelse af kunstig intelligens fremmer sporbarhed, forklarbarhed og forsvarlighed, hvilket mindsker de efterfølgende risici på det regulatoriske, juridiske og omdømmemæssige område. Klare standarder for databrug, modeltilsyn og menneskelig inddragelse er med til at sikre, at analyser understøtter beslutningerne i stedet for at gøre dem uklare.

Hos Sedgwick kommer dette til udtryk gennem formelle retningslinjer for AI-styring, godkendt brug af værktøjer, obligatorisk uddannelse og en konsekvent tilgang, hvor mennesket altid er en del af beslutningsprocessen. Følsomme variabler anvendes kun, når de væsentligt forbedrer resultaterne og er relevante for den konkrete anvendelse. For kunderne betyder det indsigt, de kan stole på, forklare og stå inde for.

Et blik ind i fremtiden: Fra modeller til adaptiv intelligens

Fremtiden inden for risikoidentifikation vil række ud over de traditionelle forudsigelsesmodeller. Generativ kunstig intelligens og avanceret analyse baner vejen for en mere indgående undersøgelse af arbejdsgange, sammenhænge og indbyrdes forbundne signaler, som det tidligere var vanskeligt at analysere i stor skala.

Sedgwick er allerede i gang med at undersøge, hvordan generativ AI kan supplere eksisterende modeller ved at sammenfatte skadeshistorikker, identificere nye tendenser på tværs af store populationer og give teams mulighed for at stille mere avancerede spørgsmål til deres data i realtid. Disse muligheder peger i retning af en mere tilpasningsdygtig form for intelligens, der udvikler sig i takt med de operationelle behov i stedet for at forblive uforanderlig.

Det, der vil forblive uændret, er målet. Virksomhederne vil fortsat stræbe efter at få indsigt på et tidligere tidspunkt, opnå større sikkerhed og være i stand til at handle, inden risikoen udvikler sig til en forstyrrelse.

Ofte er udgangspunktet ganske enkelt at forstå, hvor de tidlige signaler i dag kan blive overset. Derfra drejer samtalen sig naturligt mod, hvad en tidligere indsigt kunne ændre.

I et miljø præget af usikkerhed kan evnen til at se, hvad der er ved at tage form – og ikke blot det, der allerede er sket – være en af de vigtigste fordele, en organisation kan opbygge.