Par Stephen Elliott, MBA, JD, CISSP, CSM, SVP, innovation informatique et optimisation des décisions
Sur le marché actuel, d'innombrables fournisseurs et technologies prétendent tirer parti de l'intelligence artificielle (IA) ou automatiser les processus manuels de traitement des demandes d'indemnisation.
On pourrait dire qu'à partir du tout premier ordinateur, c'est ce à quoi tout le monde s'est attelé. La technologie actuelle est à bien des égards une maturation continue de ce processus - en se concentrant sur les étapes du processus de traitement des demandes d'indemnisation qui étaient auparavant considérées comme trop complexes ou opaques pour être automatisées.
Au cours des 50 dernières années, les professionnels des sinistres ont bénéficié des fonctionnalités (et des limites associées) des applications utilisant des langages de programmation traditionnels. Aujourd'hui, nous connaissons tous très bien la manière dont les départements technologiques traditionnels travaillent pour recueillir les besoins, documenter et définir les "règles" de décision, et créer des programmes qui coexistent avec les examinateurs des demandes d'indemnisation pour améliorer le traitement des demandes. Aujourd'hui, avec l'introduction de l'IA, plusieurs nouveaux composants jouent un rôle dans ce qui peut être programmé :
Correspondance des modèles
L'intelligence artificielle élargit le champ des activités humaines pouvant être automatisées. Si les humains suivent des instructions et des règles documentées dans la gestion des sinistres, ils sont également optimisés pour trouver des solutions basées sur des modèles qu'ils ont déjà rencontrés. L'IA introduit la correspondance des modèles dans les programmes des machines, ce qui permet de créer des logiciels qui n'ont plus besoin d'une décomposition discrète de toutes les règles de prise de décision à l'avance. Au lieu de cela, l'IA offre la possibilité d'exploiter les données historiques pour définir et percevoir ces règles de manière abstraite. Si des examinateurs de réclamations expérimentés ont examiné la réclamation X et décidé de l'action Y dans le passé, les systèmes d'IA peuvent être entraînés à 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 utilisés 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 de créer des moteurs de décision intelligents afin d'automatiser de manière optimale les tâches du processus de traitement des demandes d'enregistrement qui étaient auparavant considérées comme trop compliquées ou qui nécessitaient une décision subjective.
Systèmes de triage automatique
Conçus pour examiner les premiers éléments de données du sinistre, les systèmes de tri automatique combinent les données avec des modèles historiques qui peuvent être difficiles à voir autrement, afin de placer avec précision un sinistre dans un "bac" particulier en vue de son traitement. Il existe de nombreuses façons pour les entreprises d'y parvenir. Certaines voudront entraîner leur IA à classer les sinistres dans différentes catégories d'estimation des coûts, ce qui leur permettra de distinguer les niveaux de risque en fonction des coûts. D'autres préfèrent une définition plus abstraite de la "complexité" qui peut s'aligner sur les coûts, mais qui permet parfois simplement d'identifier les sinistres qui pourraient nécessiter plus de temps, plus de contacts humains ou un niveau plus élevé de supervision expérimentée.
Systèmes d'auto-adjudication
Lorsque le tri automatique prend fin, l'auto-adjudication prend le relais. En général, si une demande a été triée comme étant simple et pouvant être traitée sans intervention humaine, les étapes restantes du processus de demande peuvent être automatisées. Grâce à l'IA combinée à des méthodes plus traditionnelles, la demande peut passer de l'accueil à l'éligibilité et, enfin, au paiement et à la clôture. Ces demandes d'indemnisation auto-administrées sont non seulement moins coûteuses à gérer, mais elles se traduisent souvent par une plus grande satisfaction du demandeur, car elles ne sont pas retardées en attendant d'être examinées par les experts, ce qui permet de clore le dossier rapidement et facilement pour le demandeur.
Modélisation prédictive
Généralement considérée 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, elle utilise des modèles de données historiques pour prédire l'avenir. Lors de l'automatisation des décisions ou des étapes du processus d'indemnisation, les 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.
Si ces modèles tirent parti de la technologie moderne, ils peuvent également être utilisés pour optimiser le degré d'intervention humaine sur les sinistres critiques. Des recommandations ciblées et prescriptives visant à ajouter des ressources expérimentées peuvent être formulées lorsque les nuances d'un sinistre indiquent plusieurs scénarios :
- Fraude
- Litiges
- Spécialisation
Lorsque la probabilité de fraude est élevée, le sinistre peut être transmis à des enquêteurs ou à des experts humains pour qu'ils effectuent des recherches plus approfondies et prennent des mesures. Les modèles d'IA ont la capacité non seulement de rechercher des fraudes sur des sinistres individuels, mais aussi d'examiner l'ensemble du portefeuille et d'identifier des schémas de fraude dans des cas individuels d'apparence inoffensive.
Lorsque la probabilité d'un litige est élevée, des mesures spéciales peuvent être prises. Il peut s'agir de tâches telles que la sauvegarde et l'archivage des vidéos de sécurité, l'interrogation des témoins et d'autres participants lorsque leur mémoire est encore fraîche, ou encore l'amélioration de la prise en charge et de la communication avec un demandeur afin d'éviter tout mécontentement.
Lorsqu'une expertise particulière peut être utile au sinistre, que ce soit sur la base de "déclencheurs" actuels ou de prédictions de déclencheurs futurs, l'IA peut faire remonter le sinistre pour qu'il soit traité par différentes équipes. Ces équipes peuvent être composées d'infirmières gestionnaires de cas, d'enquêteurs en subrogation ou de personnes spécialisées dans d'autres sinistres complexes ou uniques.
Exploration de texte
Le prochain domaine de l'apprentissage automatique de l'IA réside dans l'exploration textuelle de données non structurées. Bien qu'il produise en fin de compte des résultats similaires à ceux de la modélisation prédictive traditionnelle des données structurées, l'exploration textuelle des documents, des notes, des déclarations de témoins et d'autres éléments de la demande d'indemnisation offre au système une quantité d'informations considérablement accrue. Il n'est pas raisonnable de demander aux systèmes de gestion des sinistres de saisir toutes les comorbidités ou les combinaisons de médicaments dangereuses. Cependant, il est possible de faire en sorte que l'IA apprenne les risques associés à leur mention dans les notes, les documents médicaux ou la correspondance.
Principaux défis et risques
Si tout cela semble être une utopie pour la technologie de gestion des sinistres, il n'en reste pas moins qu'elle s'accompagne de son lot de défis et de risques. Bon nombre des événements que nous demandons à l'IA de connaître sont considérés comme rares, ce qui les rend souvent difficiles à prévoir, même avec les meilleures données et les meilleurs logiciels de modélisation statistique. Ils ne se produisent pratiquement jamais en pourcentage de l'ensemble du portefeuille d'affaires. Cela ne signifie pas qu'il est impossible de travailler avec eux, mais il incombe aux concepteurs ou aux acheteurs de logiciels d'automatisation/prédictifs de comprendre comment ils peuvent encore poser des problèmes de précision. Méfiez-vous des vendeurs qui prétendent avoir des modèles dont la précision est de 95 % pour la prédiction d'événements rares. Si ces événements se produisent dans 3 % des sinistres, 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 l'équipe chargée des sinistres - si des mesures prescriptives leur sont recommandées ou transmises. Comme la plupart des technologies, l'IA est souvent plus efficace lorsqu'elle n'est ni entièrement manuelle ni entièrement automatisée, mais plutôt combinée dans une juste mesure pour minimiser les risques tout en maximisant la satisfaction du client.
Tags : IA, Technologie de l'IA, Intelligence Artificielle, Systèmes d'auto-jugement, Systèmes de tri automatique, Automatisation, Gestion des réclamations, Fraude, Contentieux, Correspondance des formes, Spécialisation, Technologie, Technologie + Expérience du consommateur, Exploration de texte, Vue sur la performance