Par Stephen Elliott, MBA, JD, CISSP, CSM, vice-président principal, innovation informatique et optimisation de la décision
Sur le marché d’aujourd’hui, d’innombrables fournisseurs et technologies prétendent tirer parti de l’intelligence artificielle (IA) ou automatiser les processus manuels de réclamation.
On pourrait dire qu’en commençant par le tout premier ordinateur, c’est ce à quoi 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 considérées comme trop complexes ou opaques pour être automatisées.
Au cours des 50 dernières années, les professionnels des réclamations ont reçu la fonctionnalité (et les limites associées) des applications utilisant des langages de programmation traditionnels. À l’heure actuelle, nous connaissons tous très bien la façon dont les services de technologie traditionnels travaillent pour recueillir les exigences, documenter et définir les « règles » pour les décisions et créer des programmes qui coexistent avec les examinateurs de revendications afin d’améliorer le traitement des demandes. Maintenant, avec l’introduction de l’IA, il y a plusieurs nouveaux composants qui jouent un rôle dans ce qui peut être programmé :
Correspondance de modèles
L’intelligence artificielle ouvre la portée des activités humaines qui peuvent être automatisées. Bien que les humains suivent des instructions et des règles documentées dans la gestion des réclamations, ils sont également optimisés pour trouver des solutions basées sur les modèles qu’ils ont rencontrés précédemment. L’IA introduit la correspondance des modèles dans les programmes de machines , permettant la création de logiciels qui ne nécessitent plus une ventilation discrète de toutes les règles de prise de décision à l’avance. Au lieu de cela, l’IA offre la possibilité de tirer parti des données historiques pour cartographier et percevoir ces règles de manière abstraite. Si des examinateurs de demandes expérimentés examinaient la revendication X et décidaient de l’action Y dans le passé, les systèmes d’IA peuvent être formés pour faire de même.
Pour ne pas être limité par les méthodes utilisées par les humains pour prendre des décisions, l’IA d’apprentissage automatique peut être encore meilleure. En fait, l’IA peut identifier des modèles dans les données qui devraient être utilisées pour les décisions même si les examinateurs n’ont pas utilisé ces critères ou n’ont même pas réalisé qu’ils utilisaient ces critères. Cette avancée permet la création de moteurs de décision intelligents pour automatiser de manière optimale les tâches dans le processus de réclamation qui étaient auparavant considérées comme trop compliquées ou qui nécessitent une décision subjective à prendre.
Systèmes de triage automatique
Conçus pour examiner les premiers éléments de données sur les demandes, les systèmes de triage automatique combinent les données avec des modèles historiques qui peuvent être difficiles à voir autrement pour placer avec précision une réclamation dans un « compartiment » particulier pour le traitement. Il existe de nombreuses façons dont les entreprises peuvent choisir d’y parvenir. Certains voudront peut-être former leur IA pour placer les réclamations dans différentes tranches d’estimation des coûts , ce qui leur permet de distinguer les niveaux de risque par coût. D’autres préféreront peut-être une définition plus abstraite de la « complexité » qui peut s’harmoniser avec les coûts, mais qui aide parfois simplement à déterminer les demandes qui pourraient nécessiter plus de temps, plus de contacts humains ou un niveau plus élevé de surveillance expérimentée.
Systèmes d’auto-adjudication
Lorsque le triage automatique prend fin, l’auto-arbitrage prend le dessus. Habituellement, si une demande a été triée comme simple et pouvant être traitée sans intervention humaine, les étapes restantes du processus de réclamation peuvent être automatisées. À l’aide de l’IA combinée à des méthodes plus traditionnelles, la demande peut être transférée de l’admission à l’admissibilité et, enfin, par le paiement et la clôture. Ces demandes d’indemnisation auto-évaluées sont non seulement moins coûteuses à gérer, mais elles entraînent souvent une plus grande satisfaction des demandeurs, car elles ne sont pas retardées en attendant l’examen par les experts en sinistres , ce qui permet de fermer le demandeur rapidement et facilement.
Modélisation prédictive
Habituellement discutée comme une technologie autonome, la modélisation prédictive représente souvent un élément clé des solutions d’intelligence artificielle. Combinant l’apprentissage automatique et des statistiques complexes, il utilise des modèles 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 fournissent les résultats prédictifs optimaux en fonction du coût, de la satisfaction du client ou du risque.
Bien que ces modèles tirent parti de la technologie moderne, ils peuvent également 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 revendication pointent vers plusieurs scénarios :
- Fraude
- Litiges
- Spécialisation
Lorsque la probabilité de fraude est élevée, la réclamation peut être transmise aux enquêteurs ou fournie à des experts en sinistres humains pour des recherches et des actions plus poussées. Les modèles d’IA ont la capacité non seulement de rechercher la fraude sur les réclamations individuelles, mais aussi d’examiner l’ensemble du portefeuille d’affaires et de voir les modèles de fraude dans des cas individuels par ailleurs inoffensifs.
Lorsque la probabilité d’un litige est élevée, des mesures spéciales peuvent être prises à l’endroit de la réclamation. Il peut s’agir de tâches telles que la sauvegarde et l’archivage de vidéos de sécurité au détail, l’entrevue de témoins et d’autres participants pendant que leurs souvenirs sont encore frais ou l’amélioration des soins et de la communication avec un demandeur pour éviter l’insatisfaction.
Lorsque des expertises particulières pourraient être bénéfiques pour la réclamation, que ce soit en fonction des « déclencheurs » actuels ou de la prédiction de déclencheurs futurs, l’IA peut escalader la réclamation pour la participation de diverses équipes. Ces équipes peuvent être composées d’infirmières gestionnaires de cas, d’enquêteurs sur les subrogations ou de personnes spécialisées dans d’autres réclamations complexes ou uniques.
Exploration de texte
Le domaine suivant de l’IA d’apprentissage automatique réside dans l’exploration de texte de données non structurées. Tout en offrant en fin de compte des résultats similaires à la modélisation prédictive traditionnelle des données structurées, l’exploration de textes de documents, de notes, de déclarations de témoins et d’autres éléments de la revendication offre au système une quantité considérablement accrue d’informations. Il n’est pas raisonnable que les systèmes de réclamation saisissent toutes les comorbidités ou combinaisons de médicaments dangereux. Cependant, il est possible que l’IA apprenne les risques associés au fait de les voir mentionnés dans des notes, des documents médicaux ou de la correspondance.
Principaux défis et risques
Bien que tout cela ressemble à une utopie pour la technologie de gestion des réclamations, il est toujours livré avec son propre ensemble de défis et de risques. Bon nombre des événements que nous demandons à l’IA d’apprendre sont considérés comme rares, ce qui les rend souvent difficiles à prévoir , même avec les meilleures données et logiciels de modélisation statistique. Ils ne se produisent presque jamais en pourcentage du livre d’affaires global. Cela ne signifie pas qu’il est impossible de travailler avec eux, mais il incombe aux constructeurs ou aux acheteurs de logiciels d’automatisation / prédictifs de comprendre comment ceux-ci peuvent encore avoir des défis avec précision. Méfiez-vous des fournisseurs qui prétendent avoir des modèles qui ont une précision de 95% dans la prédiction d’événements rares. Si ces événements se produisent sur 3% des revendications, alors une précision supérieure à 97% est le strict 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 mesures prises par une équipe de réclamations - si des mesures prescriptives sont recommandées ou transmises à eux. Comme la plupart des technologies, il fonctionne souvent mieux lorsqu’il n’est pas entièrement manuel ou entièrement automatisé, mais plutôt combiné dans les bonnes quantités pour minimiser les risques tout en maximisant la satisfaction du client.
Mots clés : IA, Technologie de l’IA, Intelligence artificielle, Systèmes d’auto-adjudication, Systèmes d’auto-triage, Automatisation, Gestion des réclamations, Fraude, Litige, Correspondance de modèles, spécialisation, Technologie, Technologie + Expérience du consommateur, Exploration de texte, Vue sur les performances