Por Stephen Elliott, MBA, JD, CISSP, CSM, SVP, innovación informática y optimización de decisiones
En el mercado actual, innumerables proveedores y tecnologías afirman aprovechar la inteligencia artificial (IA) o automatizar los procesos manuales de tramitación de siniestros.
Podría decirse que, desde el primer ordenador, todo el mundo ha trabajado para conseguirlo. La tecnología actual es en muchos sentidos una maduración continua de este proceso, centrándose en los pasos del proceso de reclamación que antes se consideraban demasiado complejos u opacos para automatizarlos.
Durante los últimos 50 años, los profesionales de la tramitación de siniestros han recibido la funcionalidad (y las limitaciones asociadas) de aplicaciones que utilizan lenguajes de programación tradicionales. A estas alturas, todos estamos íntimamente familiarizados con el modo en que los departamentos de tecnología tradicionales trabajan para recopilar requisitos, documentar y definir "reglas" para las decisiones y crear programas que coexistan con los examinadores de siniestros para mejorar la tramitación de las reclamaciones. Ahora, con la introducción de la IA, hay varios componentes nuevos que intervienen en lo que se puede programar:
Concordancia de patrones
La inteligencia artificial abre el abanico de actividades humanas que pueden automatizarse. Aunque los humanos siguen instrucciones y normas documentadas en la gestión de siniestros, también están optimizados para encontrar soluciones basadas en patrones que han encontrado previamente. La IA introduce la concordancia de patrones en los programas de las máquinas, lo que permite la creación de software que ya no requiere un desglose discreto de todas las reglas de toma de decisiones de antemano. En su lugar, la IA ofrece la posibilidad de aprovechar los datos históricos para trazar y percibir esas reglas de forma abstracta. Si los examinadores experimentados de reclamaciones analizaron la reclamación X y decidieron la acción Y en el pasado, los sistemas de IA pueden entrenarse para hacer lo mismo.
Para no verse limitada por los métodos utilizados por los humanos para tomar decisiones, la IA de aprendizaje automático puede ser incluso mejor. De hecho, la IA puede identificar patrones en los datos que deben utilizarse para tomar decisiones incluso si los examinadores no utilizaron esos criterios o ni siquiera se dieron cuenta de que los estaban utilizando. Este avance permite la creación de motores de decisión inteligentes para automatizar de forma óptima tareas en el proceso de reclamaciones que antes se consideraban demasiado complicadas o que necesitaban una decisión subjetiva.
Sistemas de auto-triaje
Los sistemas de autoclasificación, diseñados para examinar los primeros elementos de los siniestros, combinan los datos con patrones históricos que pueden ser difíciles de ver de otro modo para clasificar con precisión un siniestro en una "categoría" concreta para su tramitación. Las empresas pueden elegir muchas formas de lograrlo. Algunas pueden querer entrenar a su IA para clasificar los siniestros en diferentes categorías de estimación de costes, lo que les permite distinguir los niveles de riesgo en función del coste. Otras pueden preferir una definición más abstracta de "complejidad" que puede alinearse con los costes, pero a veces simplemente ayuda a identificar las reclamaciones que podrían requerir más tiempo, más contacto humano o un mayor nivel de supervisión experimentada.
Sistemas de autoadjudicación
Cuando finaliza el auto-triaje, toma el relevo la auto-adjudicación. Por lo general, si una reclamación se ha clasificado como sencilla y puede tramitarse sin intervención humana, pueden automatizarse los pasos restantes del proceso de reclamación. Gracias a la IA combinada con métodos más tradicionales, la solicitud puede pasar de la admisión a la admisibilidad y, por último, al pago y cierre. Estos siniestros auto-adjudicados no sólo son menos costosos de gestionar, sino que a menudo dan lugar a una mayor satisfacción del reclamante, ya que no se retrasan a la espera de ser revisados por los peritos, proporcionando así un cierre rápido y fácil al reclamante.
Modelización predictiva
Aunque suele considerarse una tecnología independiente, el modelado predictivo representa a menudo un componente clave de las soluciones de inteligencia artificial. Combinando el aprendizaje automático y estadísticas complejas, utiliza patrones de datos históricos para predecir el futuro. Cuando se automatizan decisiones o pasos en el proceso de reclamaciones, los modelos predictivos pueden utilizarse para elegir las acciones que proporcionan los resultados predictivos óptimos en función del coste, la satisfacción del cliente o el riesgo.
Aunque estos modelos aprovechan la tecnología moderna, también pueden utilizarse para optimizar la intervención humana en siniestros críticos. Cuando los matices de un siniestro apuntan a varios escenarios, pueden hacerse recomendaciones prescriptivas específicas para añadir recursos experimentados:
- Fraude
- Litigios
- Especialización
Cuando la probabilidad de fraude es alta, el siniestro puede remitirse a los investigadores o entregarse a peritos humanos para que lo investiguen y actúen en consecuencia. Los modelos de IA tienen la capacidad no solo de buscar fraudes en siniestros individuales, sino de examinar toda la cartera de negocios y detectar patrones de fraude en casos individuales que, de otro modo, parecerían inocuos.
Cuando la probabilidad de litigio es alta, pueden tomarse medidas especiales sobre la reclamación. Puede tratarse de tareas como guardar y archivar el vídeo de seguridad del comercio minorista, entrevistar a testigos y otros participantes mientras sus recuerdos aún están frescos o, de otro modo, ofrecer una mejor atención y comunicación con un reclamante para evitar insatisfacciones.
En los casos en los que una pericia especial pueda beneficiar al siniestro, ya sea por los "desencadenantes" actuales o por la predicción de futuros desencadenantes, AI puede escalar el siniestro para que intervengan varios equipos. Estos equipos pueden estar formados por enfermeras gestoras de casos, investigadores de subrogación o especialistas en otros siniestros complejos o únicos.
Minería de textos
El siguiente campo de la IA de aprendizaje automático es la minería de texto de datos no estructurados. Aunque en última instancia proporciona resultados similares a los del modelado predictivo tradicional de datos estructurados, la minería de texto de documentos, notas, declaraciones de testigos y otros elementos de la reclamación ofrece al sistema una cantidad de información significativamente mayor. No es razonable que los sistemas de reclamaciones capten todas las comorbilidades o combinaciones de medicamentos peligrosas. Sin embargo, hacer que la IA aprenda los riesgos asociados al verlos mencionados en notas, documentos médicos o correspondencia es posible.
Principales retos y riesgos
Aunque todo esto parece una utopía para la tecnología de gestión de siniestros, no deja de conllevar su propio conjunto de retos y riesgos. Muchos de los sucesos que pedimos a la IA que conozca se consideran raros, por lo que a menudo son difíciles de predecir, incluso con los mejores datos y software de modelización estadística. Casi nunca se producen como porcentaje de la cartera global de negocios. Esto no significa que sea imposible trabajar con ellos, pero a los creadores o compradores de software de automatización/predicción les corresponde entender cómo pueden plantear problemas de precisión. Cuidado con los proveedores que afirman tener modelos con una precisión del 95% en la predicción de eventos poco frecuentes. Si esos sucesos ocurren en el 3% de los siniestros, entonces una precisión superior al 97% es el mínimo que cualquier modelo básico debería producir.
En última instancia, la eficacia de cualquier modelo de automatización o predicción basado en IA dependerá tanto de la calidad de los datos como de la calidad de las acciones emprendidas por un equipo de siniestros, en caso de que se les recomienden o comuniquen acciones prescriptivas. Como la mayoría de las tecnologías, a menudo funciona mejor cuando no es totalmente manual ni totalmente automatizada, sino combinada en las cantidades just as para minimizar el riesgo y maximizar la satisfacción del cliente.
Etiquetas: IA, Inteligencia Artificial, Sistemas de autoadjudicación, Sistemas de autoclasificación, automatización, Gestión de reclamaciones, Fraude, litigios, Coincidencia de patrones, especialización, Tecnología, Tecnología + Experiencia del consumidor, Minería de textos, Opinión sobre el rendimiento