Nouvelles technologies en gestion des réclamations et de la productivité : automatisation et IA

Par Stephen Elliott, MBA, JD, CISSP, CSM, SVP, innovation informatique et optimisation des décisions

Sur le marché d’aujourd’hui, d’innombrables fournisseurs et technologies prétendent exploiter l’intelligence artificielle (IA) ou automatiser les processus manuels de réclamations.

On pourrait dire qu’à partir du tout premier ordinateur, c’est vers cela que tout le monde a travaillé. La technologie actuelle est à bien des égards une maturation continue de ce processus — en se concentrant sur les étapes du processus de réclamation qui étaient auparavant jugées trop complexes ou opaques pour être automatisées.

Depuis 50 ans, les professionnels des réclamations bénéficient des fonctionnalités (et des limites associées) des applications utilisant des langages de programmation traditionnels. À ce stade, nous connaissons tous intimement comment les départements technologiques traditionnels travaillent pour collecter les exigences, documenter et définir des « règles » pour les décisions, et créer des programmes qui coexistent avec les examinateurs de réclamations afin d’améliorer le traitement des réclamations. Maintenant, avec l’introduction de l’IA, plusieurs nouveaux composants jouent un rôle dans ce qui peut être programmé :

Appariement de motifs

L’intelligence artificielle élargit le champ des activités humaines qui peuvent être automatisées. Bien que les humains suivent des instructions et des règles documentées en gestion des sinistres, ils sont aussi optimisés pour trouver des solutions basées sur des schémas qu’ils ont rencontrés auparavant. L’IA introduit la correspondance de motifs dans les programmes machines — permettant la création de logiciels qui ne nécessitent plus une analyse discrète de toutes les règles décisionnelles à l’avance. Au lieu de cela, l’IA offre la capacité d’exploiter les données historiques pour cartographier et percevoir ces règles de manière abstraite. Si des examinateurs expérimentés de réclamations avaient examiné la réclamation X et décidé de l’action Y dans le passé, alors les systèmes d’IA pourraient être entraînés à faire de même.

Pour ne pas être limité par les méthodes utilisées par les humains pour prendre des décisions, l’IA par apprentissage automatique peut être encore meilleure. En fait, l’IA peut identifier des motifs dans les données qui devraient être utilisés pour les décisions, même si les examinateurs n’ont pas utilisé ces critères ou n’ont même pas réalisé qu’ils les utilisaient. Cette avancée permet la création de moteurs de décision intelligents pour automatiser de façon optimale des tâches dans le processus de réclamation qui étaient auparavant jugées trop complexes ou nécessitant une décision subjective.

Systèmes de triage automatique

Conçus pour examiner les premiers éléments de données des réclamations, les systèmes d’auto-triage combinent les données avec des schémas historiques qui pourraient être difficiles à voir autrement pour placer une réclamation avec précision dans un « compartiment » particulier à traiter. Il existe plusieurs façons dont les entreprises peuvent choisir pour y parvenir. Certains voudront peut-être entraîner leur IA à classer les réclamations dans différents groupes d’estimation des coûts — ce qui leur permet de distinguer les niveaux de risque par coût. D’autres préféreront une définition plus abstraite de la « complexité » qui peut s’aligner avec les coûts, mais qui aide parfois simplement à identifier les réclamations nécessitant plus de temps, plus de contacts humains ou un niveau plus élevé de supervision expérimentée.

Systèmes d’adjudication automatique

Lorsque l’auto-triage prend fin, l’auto-adjudication prend le relais. Habituellement, si une réclamation a été triée comme simple et pouvant être traitée sans intervention humaine, les étapes restantes du processus de réclamation peuvent être automatisées. En utilisant l’IA combinée à des méthodes plus traditionnelles, la demande peut être transférée de l’admission à l’admissibilité et, finalement, par paiement et clôture. Ces réclamations auto-adjudicées sont non seulement moins coûteuses à gérer, mais entraînent souvent une plus grande satisfaction des demandeurs puisqu’elles ne sont pas retardées en attendant d’être examinées par les experts — offrant ainsi une clôture rapide et facile au demandeur.

Modélisation prédictive

Habituellement discutée comme une technologie autonome, la modélisation prédictive représente souvent un élément clé des solutions d’intelligence artificielle. Combinant apprentissage automatique et statistiques complexes, il utilise des schémas de données historiques pour prédire l’avenir. Lors de l’automatisation des décisions ou des étapes du processus de réclamation, des modèles prédictifs peuvent être utilisés pour choisir les actions qui offrent les meilleurs résultats prédictifs en fonction du coût, de la satisfaction client ou du risque.

Bien que ces modèles exploitent la technologie moderne, ils peuvent aussi être utilisés pour optimiser la quantité d’intervention humaine sur les réclamations critiques. Des recommandations prescriptives ciblées pour ajouter des ressources expérimentées peuvent être faites lorsque des nuances dans une réclamation pointent vers plusieurs scénarios :

• Fraude
• Litige
• Spécialisation

Lorsque la probabilité de fraude est élevée, la réclamation peut être portée aux enquêteurs ou remise à des experts humains pour des recherches et des actions supplémentaires. Les modèles d’IA ont la capacité non seulement de rechercher la fraude sur des réclamations individuelles, mais aussi d’examiner l’ensemble du portefeuille d’affaires et d’observer des schémas de fraude dans des cas individuels autrement anodins.

Lorsque la probabilité d’un litige est élevée, des actions spéciales sur la réclamation peuvent être entreprises. Cela peut inclure des tâches telles que sauvegarder et archiver des vidéos de sécurité dans les magasins, interviewer des témoins et d’autres participants pendant que leurs souvenirs sont encore frais, ou encore offrir de meilleurs soins et une meilleure communication avec un demandeur pour éviter l’insatisfaction.

Lorsque l’expertise spéciale pourrait bénéficier à la réclamation, soit basée sur les « déclencheurs » actuels ou la prédiction de déclencheurs futurs, l’IA peut faire monter la demande pour impliquer différentes équipes. Ces équipes peuvent être composées de gestionnaires de cas infirmiers, d’enquêteurs en subrogation ou de personnes spécialisées dans d’autres réclamations complexes ou uniques.

Extraction de texte

Le prochain domaine de l’apprentissage automatique de l’IA réside dans l’exploration de texte de données non structurées. Tout en fournissant finalement des résultats similaires à la modélisation prédictive traditionnelle des données structurées, l’exploration de textes de documents, notes, déclarations de témoins et autres éléments de la réclamation offre au système une quantité d’information significativement accrue. Le fait que les systèmes de réclamations captent toutes les comorbidités ou combinaisons dangereuses de médicaments est déraisonnable. Cependant, il est possible que l’IA apprenne les risques liés à leur mention dans des notes, des documents médicaux ou de la correspondance.

Défis et risques clés

Bien que tout cela ressemble à une utopie pour la technologie de gestion des sinistres, cela comporte tout de même ses propres défis et risques. Bon nombre des événements que nous demandons à l’IA d’apprendre sont considérés comme rares, ce qui les rend souvent difficiles à prédire — même avec les meilleurs logiciels de données et de modélisation statistique. Ils apparaissent rarement en pourcentage du portefeuille d’affaires global. Cela ne veut pas dire qu’ils sont impossibles à gérer, mais il est dans l’intérêt des développeurs ou acheteurs de logiciels d’automatisation ou de prédiction de comprendre comment ils peuvent encore poser des défis avec précision. Méfiez-vous des fournisseurs qui prétendent avoir des modèles avec une précision de 95% dans la prédiction d’événements rares. Si ces événements se produisent sur 3% des demandes, alors une précision supérieure à 97% est le minimum que tout modèle de base devrait produire.

En fin de compte, l’efficacité de tout modèle d’automatisation ou de prédiction basé sur l’IA dépendra à la fois de la qualité des données et de la qualité des actions entreprises par une équipe de réclamations — si des actions prescriptives y sont recommandées ou escaladées. Comme la plupart des technologies, elle fonctionne souvent mieux lorsqu’elle n’est pas entièrement manuelle ou entièrement automatisée, mais plutôt combinée dans les bonnes quantités pour minimiser les risques tout en maximisant la satisfaction client.