Von Stephen Elliott, MBA, JD, CISSP, CSM, SVP, IT Innovation und Entscheidungsoptimierung
Auf dem heutigen Markt gibt es unzählige Anbieter und Technologien, die behaupten, künstliche Intelligenz (KI) zu nutzen oder manuelle Schadenprozesse zu automatisieren.
Man könnte behaupten, dass seit dem allerersten Computer alle darauf hingearbeitet haben. Die derzeitige Technologie ist in vielerlei Hinsicht eine Weiterentwicklung dieses Prozesses - sie konzentriert sich auf die Schritte im Forderungsprozess, die früher als zu komplex oder zu undurchsichtig galten, um sie zu automatisieren.
In den letzten 50 Jahren wurde den Schadenregulierern die Funktionalität (und die damit verbundenen Einschränkungen) von Anwendungen mit traditionellen Programmiersprachen zur Verfügung gestellt. Inzwischen sind wir alle bestens damit vertraut, wie traditionelle Technologieabteilungen arbeiten, um Anforderungen zu sammeln, "Regeln" für Entscheidungen zu dokumentieren und zu definieren und Programme zu erstellen, die mit den Schadenprüfern zusammenarbeiten, um die Schadenbearbeitung zu verbessern. Mit der Einführung von KI gibt es nun mehrere neue Komponenten, die bei der Programmierung eine Rolle spielen:
Musterabgleich
Künstliche Intelligenz erweitert den Bereich der menschlichen Tätigkeiten, die automatisiert werden können. Menschen folgen zwar dokumentierten Anweisungen und Regeln im Schadenmanagement, aber sie sind auch darauf optimiert, Lösungen auf der Grundlage von Mustern zu finden, denen sie zuvor begegnet sind. Künstliche Intelligenz führt den Musterabgleich in Maschinenprogramme ein und ermöglicht so die Entwicklung von Software, die nicht mehr im Voraus eine diskrete Aufschlüsselung aller Entscheidungsregeln erfordert. Stattdessen bietet KI die Möglichkeit, historische Daten zu nutzen, um diese Regeln auf abstrakte Weise darzustellen und wahrzunehmen. Wenn erfahrene Anspruchsprüfer in der Vergangenheit Anspruch X geprüft und über Maßnahme Y entschieden haben, dann können KI-Systeme darauf trainiert werden, dasselbe zu tun.
Die KI mit maschinellem Lernen kann sogar noch besser sein, da sie sich nicht auf die Methoden beschränkt, die von Menschen für die Entscheidungsfindung verwendet werden. KI kann nämlich Muster in Daten erkennen, die für Entscheidungen herangezogen werden sollten, auch wenn die Prüfer diese Kriterien entweder nicht verwendet haben oder sich nicht einmal bewusst waren, dass sie diese Kriterien verwendet haben. Dieser Fortschritt ermöglicht die Entwicklung intelligenter Entscheidungsmaschinen zur optimalen Automatisierung von Aufgaben bei der Bearbeitung von Ansprüchen, die bisher als zu kompliziert galten oder eine subjektive Entscheidung erforderten.
Auto-Triage-Systeme
Auto-Triage-Systeme, die für die Betrachtung früher Schadenelemente konzipiert sind, kombinieren die Daten mit historischen Mustern, die sonst nur schwer zu erkennen sind, um einen Schaden genau in einen bestimmten "Eimer" zur Bearbeitung einzuordnen. Es gibt viele Möglichkeiten für Unternehmen, dies zu erreichen. Einige möchten ihre KI so trainieren, dass sie Schäden in verschiedene Kostenschätzungsbereiche einordnen und so Risikostufen nach Kosten unterscheiden können. Andere bevorzugen vielleicht eine abstraktere Definition von "Komplexität", die mit den Kosten in Einklang gebracht werden kann, aber manchmal auch einfach dabei hilft, Schäden zu identifizieren, die mehr Zeit, mehr menschlichen Kontakt oder ein höheres Maß an erfahrener Aufsicht erfordern.
Systeme zur automatischen Urteilsfindung
Wenn die automatische Einstufung endet, übernimmt die automatische Beurteilung. Wenn ein Antrag als einfach eingestuft wurde und ohne menschliches Eingreifen bearbeitet werden kann, können die verbleibenden Schritte des Antragsprozesses in der Regel automatisiert werden. Durch den Einsatz von KI in Kombination mit herkömmlichen Methoden kann der Anspruch von der Aufnahme über die Anspruchsberechtigung bis hin zur Zahlung und zum Abschluss bearbeitet werden. Diese automatisch entschiedenen Ansprüche sind nicht nur kostengünstiger zu verwalten, sondern führen oft auch zu einer größeren Zufriedenheit der Antragsteller, da sie nicht auf die Prüfung durch die Regulierungsbehörden warten müssen und somit schnell und einfach abgeschlossen werden können.
Prädiktive Modellierung
Die prädiktive Modellierung wird in der Regel als eigenständige Technologie diskutiert, stellt aber oft eine Schlüsselkomponente von Lösungen der künstlichen Intelligenz dar. Durch die Kombination von maschinellem Lernen und komplexen Statistiken werden historische Datenmuster genutzt, um die Zukunft vorherzusagen. Bei der Automatisierung von Entscheidungen oder Schritten im Schadenbearbeitungsprozess können Vorhersagemodelle verwendet werden, um die Aktionen auszuwählen, die auf der Grundlage von Kosten, Kundenzufriedenheit oder Risiko die optimalen Vorhersageergebnisse liefern.
Diese Modelle nutzen nicht nur moderne Technologien, sondern können auch eingesetzt werden, um den Umfang menschlicher Eingriffe bei kritischen Schadensfällen zu optimieren. Gezielte Empfehlungen zur Hinzunahme erfahrener Ressourcen können ausgesprochen werden, wenn Nuancen in einem Schadenfall auf mehrere Szenarien hindeuten:
- Betrug
- Rechtsstreitigkeiten
- Spezialisierung
Wenn die Wahrscheinlichkeit eines Betrugs hoch ist, kann der Schadenfall an Ermittler weitergeleitet oder den menschlichen Schadenregulierern für weitere Untersuchungen und Maßnahmen zur Verfügung gestellt werden. KI-Modelle sind in der Lage, nicht nur bei einzelnen Schäden nach Betrug zu suchen, sondern den gesamten Geschäftsbestand zu betrachten und Betrugsmuster in ansonsten harmlos wirkenden Einzelfällen zu erkennen.
Wenn die Wahrscheinlichkeit eines Rechtsstreits hoch ist, können besondere Maßnahmen zur Bearbeitung des Schadensfalls ergriffen werden. Dabei kann es sich um Aufgaben wie das Speichern und Archivieren von Sicherheitsvideos aus dem Einzelhandel, die Befragung von Zeugen und anderen Beteiligten, solange ihre Erinnerungen noch frisch sind, oder um eine verbesserte Betreuung und Kommunikation mit einem Geschädigten handeln, um Unzufriedenheit zu vermeiden.
In Fällen, in denen besondere Fachkenntnisse für den Schadenfall von Nutzen sein könnten, entweder aufgrund aktueller "Auslöser" oder der Vorhersage künftiger Auslöser, kann AI den Schadenfall zur Einschaltung verschiedener Teams eskalieren. Diese Teams können aus Krankenschwester-Fallmanagern, Regressionsermittlern oder auf andere komplexe oder einzigartige Schadensfälle spezialisierten Personen bestehen.
Textmining
Der nächste Bereich des maschinellen Lernens liegt im Text Mining von unstrukturierten Daten. Auch wenn sie letztlich ähnliche Ergebnisse liefert wie die herkömmliche Vorhersagemodellierung mit strukturierten Daten, bietet das Textmining von Dokumenten, Notizen, Zeugenaussagen und anderen Elementen des Schadenfalls dem System eine erheblich größere Menge an Informationen. Es ist unzumutbar, dass die Schadensysteme alle Komorbiditäten oder gefährlichen Arzneimittelkombinationen erfassen. Es ist jedoch möglich, dass KI die Risiken lernt, die mit ihrer Erwähnung in Notizen, medizinischen Dokumenten oder Korrespondenz verbunden sind.
Zentrale Herausforderungen und Risiken
All dies klingt zwar wie eine Utopie für die Schadenmanagementtechnologie, birgt aber auch eine Reihe von Herausforderungen und Risiken in sich. Viele der Ereignisse, die wir von der KI wissen wollen, gelten als selten, so dass sie oft schwer vorherzusagen sind - selbst mit den besten Daten und statistischer Modellierungssoftware. Sie treten prozentual zum gesamten Geschäftsbestand kaum auf. Das bedeutet nicht, dass es unmöglich ist, mit ihnen zu arbeiten, aber die Entwickler oder Käufer von Automatisierungs-/Prädiktionssoftware sollten sich darüber im Klaren sein, dass es bei diesen Fällen Probleme mit der Genauigkeit geben kann. Hüten Sie sich vor Anbietern, die behaupten, ihre Modelle hätten eine Vorhersagegenauigkeit von 95 % bei seltenen Ereignissen. Wenn diese Ereignisse in 3 % der Schadenfälle auftreten, dann ist eine Genauigkeit von mehr als 97 % das absolute Minimum, das ein einfaches Modell erreichen sollte.
Letztendlich hängt die Effektivität von KI-basierten Automatisierungs- oder Prognosemodellen sowohl von der Qualität der Daten als auch von der Qualität der Maßnahmen ab, die von einem Schadenteam ergriffen werden - sollten diesem präskriptive Maßnahmen empfohlen oder eskaliert werden. Wie die meisten Technologien funktioniert sie oft am besten, wenn sie weder vollständig manuell noch vollständig automatisiert ist, sondern in genau dem richtigen Maß kombiniert wird, um das Risiko zu minimieren und gleichzeitig die Kundenzufriedenheit zu maximieren.
Stichworte: KI, KI-Technologie, Künstliche Intelligenz, Auto-Urteilssysteme, Auto-Triage-Systeme, Automatisierung, Forderungsmanagement, Betrug, Rechtsstreitigkeiten, Mustervergleich, Spezialisierung, Technologie, Technologie + Verbrauchererfahrung, Textmining, Leistungsbetrachtung