Nouvelles technologies dans la gestion des sinistres et de la productivité : automatisation et IA

Par Stephen Elliott, MBA, JD, CISSP, CSM, vice-président directeur, Innovation informatique et optimisation des décisions

Sur le marché actuel, d'innombrables fournisseurs et technologies prétendent exploiter l'intelligence artificielle (IA) ou automatiser les processus manuels de traitement des demandes d'indemnisation.

On pourrait dire que depuis l'apparition du tout premier ordinateur, c'est ce à quoi tout le monde aspire. La technologie actuelle est, à bien des égards, le résultat d'un processus continu de maturation, qui se concentre 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 du sinistre ont bénéficié des fonctionnalités (et des limites associées) des applications utilisant les langages de programmation traditionnels. À présent, nous savons tous parfaitement comment les services informatiques traditionnels travaillent pour recueillir les exigences, documenter et définir les « règles » de décision, et créer des programmes qui coexistent avec les experts en sinistres afin d'améliorer le traitement des sinistres. 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 de modèles dans les programmes informatiques, ce qui permet de créer des logiciels qui ne nécessitent plus une décomposition discrète detoutesles règles décisionnelles à l'avance. Au lieu de cela, l'IA offre la possibilité d'exploiter les données historiques pour cartographier et percevoir ces règles de manière abstraite. Si des experts en sinistres expérimentés ont examiné le sinistre X et décidé de la mesure Y dans le passé, les systèmes d'IA peuvent être formés pour faire de même.

N'étant pas limitée par les méthodes utilisées par les humains pour prendre des décisions, l'IA basée sur l'apprentissage automatique peut être encore plus performante. En effet, l'IA peut identifier des modèles dans les données quidevraientêtre utilisés pour prendre des décisions, même si les examinateurs n'ont pas utilisé ces critères ou ne se sont même pas rendu compte qu'ils les utilisaient. Cette avancée permet la création de moteurs de décision intelligents afin d'automatiser de manière optimale les tâches du processus de traitement des demandes d'indemnisation qui étaient auparavant considérées comme trop compliquées ou qui nécessitaient une décision subjective.

Systèmes de triage automatique

Conçus pour examiner les éléments des données relatives aux sinistres précoces, les systèmes de triage automatique combinent les données avec des modèles historiques qui peuvent être difficiles à percevoir autrement afin de classer avec précision un sinistre dans une catégorie particulière en vue de son traitement. Les entreprises peuvent choisir de nombreuses méthodes pour y parvenir. Certaines peuvent souhaiter former leur IA à classer les sinistres dans différentes catégories d'estimation des coûts, ce qui leur permet de distinguer les niveaux de risque en fonction du coût. D'autres peuvent préférer une définition plus abstraite de la « complexité » qui peut s'aligner sur les coûts, mais qui aide parfois simplement à 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

Une fois le triage automatique terminé, l'évaluation automatique prend le relais. En général, si une demande a été triée commeétant simpleet pouvant être traitée sans intervention humaine, les étapes restantes du processus de traitement des demandes peuvent être automatisées. Grâce à l'IA combinée à des méthodes plus traditionnelles, la demande peut passer de la phase de réception à celle d'éligibilité, puis enfin à celle de paiement et Clôture du dossier. Ces demandes évaluées automatiquement sont non seulement moins coûteuses à gérer, mais elles satisfont souvent davantage les demandeurs, car elles ne sont pas retardées par l'attente d'un examen par experts ce qui permet Clôture du dossier rapidement et facilement Clôture du dossier 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 utilisedes modèlesde données historiques pour prédire l'avenir. Lors de l'automatisation des décisions ou des étapes du processus de traitement des sinistres, les modèles prédictifs peuvent être utilisés pour choisir les actions qui fournissent les résultats prédictifs optimaux en fonction du coût, de la satisfaction client ou du risque.

Si ces modèles exploitent les technologies modernes, ils peuvent également être utilisés pour optimiser le niveau d'intervention humaine dans les sinistres critiques. Des recommandations prescriptives ciblées visant à ajouter des ressources expérimentées peuvent être formulées lorsque les nuances d'un sinistre laissent entrevoir plusieurs scénarios :

• Fraude
• Litiges
• Spécialisation

Lorsque le risque de fraude est élevé, la demande peut être transmise à des enquêteurs ou à experts humains experts mènent des recherches plus approfondies et prennent les mesures qui s'imposent. Les modèles d'IA ont la capacité non seulement de rechercher les fraudes dans les demandes individuelles, mais aussi d'examiner l'ensemble du portefeuille d'activités et de détecter des schémas de fraude dans des cas individuels qui semblent anodins.

Lorsque le risque de litige est élevé, des mesures spéciales peuvent être prises concernant la réclamation. Il peut s'agir, par exemple, de sauvegarder et d'archiver les vidéos de sécurité du magasin, d'interroger les témoins et les autres personnes impliquées tant que leurs souvenirs sont encore frais, ou encore d'améliorer la prise en charge et la communication avec le demandeur afin d'éviter toute insatisfaction.

Lorsque des compétences particulières pourraient être utiles au traitement d'un sinistre, que ce soit en fonction de « déclencheurs » actuels ou de prévisions de déclencheurs futurs, l'IA peut escalader le sinistre afin d'impliquer différentes équipes. Ces équipes peuvent être composées d'infirmières gestionnaires de cas, d'enquêteurs en subrogation ou de spécialistes d'autres sinistres complexes ou particuliers.

Exploration de texte

Le prochain domaine de l'IA dans l'apprentissage automatique réside dans l'exploration de textes non structurés. Bien qu'elle fournisse finalement des résultats similaires à ceux de la modélisation prédictive traditionnelle des données structurées, l'exploration de textes tels que 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 d'exiger des systèmes de gestion des demandes d'indemnisation qu'ils capturent toutes les comorbidités ou combinaisons de médicaments dangereuses. Cependant, il est possible d'apprendre à l'IA à reconnaître les risques associés à leur mention dans des notes, des documents médicaux ou des correspondances.

Principaux défis et risques

Bien que tout cela semble utopique pour la technologie de gestion des sinistres, cela comporte néanmoins son lot 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 les meilleurs logiciels de modélisation statistique. Ils ne représentent pratiquement jamais un pourcentage significatif de l'ensemble des activités. Cela ne signifie pas qu'il est impossible de les traiter, mais il incombe aux concepteurs ou aux acheteurs de logiciels d'automatisation/de prédiction de comprendre que ceux-ci peuvent encore présenter des défis en matière de précision. Méfiez-vous des fournisseurs qui prétendent disposer de modèles offrant une précision de 95 % dans la prédiction d'événements rares. Si ces événements surviennent dans 3 % des sinistres, 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 mesures prises par l'équipe chargée des réclamations, si des mesures prescriptives lui sont recommandées ou transmises. Comme la plupart des technologies, elle fonctionne souvent mieux lorsqu'elle n'est ni entièrement manuelle ni entièrement automatisée, mais plutôt combinéedans des proportions adéquatesafin de minimiser les risques tout en maximisant la satisfaction des clients.