Fysisk AI: Implikasjoner for risikostyrere, forsikringsselskaper og takstmenn

Hvordan fysisk AI forvandler drift på tvers av bransjer

Fysisk kunstig intelligens (KI) forandrer raskt driftsmiljøer innen logistikk, lager og transport. Autonome lagersystemer og førerløse lastebilflåter tas nå i bruk i stor skala, noe som fundamentalt endrer hvordan risiko skapes, konsentreres og overføres. Denne utviklingen introduserer en blandet risikoprofil som kombinerer fysiske eiendeler, programvaredrevet beslutningstaking og systemomfattende sammenkobling.

Overgangen til fysisk AI er ikke spekulativ; den implementeres allerede på tvers av sektorer, ofte gjennom flerårige transformasjonsprogrammer.

Store detaljhandlere og logistikkselskaper konverterer distribusjonssentre til autonome operasjoner. Autonom lastebiltransport testes allerede og distribueres i virkelige miljøer. Robotikk introduseres i nesten alle sektorer av økonomien, spesielt i bransjer som gruvedrift, produksjon, distribusjon og helsevesen. I mange tilfeller oppgraderer organisasjoner ett anlegg eller ett sted eller system om gangen, og endrer gradvis risikoeksponeringen etter hvert som hver overgang fullføres.

Denne trinnvise adopsjonen skaper en unik utfordring: én enkelt organisasjon kan samtidig drive tradisjonelle og autonome miljøer, hver med svært forskjellige risikokarakteristikker. Etter hvert som flere anlegg konverterer, flyttes mer eksponering til ukjent territorium.

Autonome lagersystemer og fabrikkrobotikk utvikler seg utover tradisjonelle programmerbare maskiner med definerte grenser.

Fysisk KI inkluderer i økende grad agentisk KI og autonome, store språkmodelldrevne roboter. Disse systemene er designet for å tolke omgivelsene sine, ta beslutninger og tilpasse atferden sin basert på skiftende forhold. De utfører ikke bare instruksjoner; de tar i praksis komplekse beslutninger i dynamiske, utviklende miljøer.

Fysisk AI blir allerede tatt i bruk i stor skala på tvers av produksjon, lager og transport. Sentraliserte AI-plattformer kan koordinere hundrevis av autonome roboter i én operasjon, noe som muliggjør anlegg med høyere tetthet, kontinuerlig produksjon og kontinuerlig optimalisering. Samtidig går autonome lastebilteknologier fra pilotprogrammer til kommersiell utrulling, med førerløse kjøretøy som opererer i angitte godskorridorer og akkumulerer millioner av kilometer med driftserfaring. Bransjeprognoser indikerer rask flåteutvidelse i de kommende årene.

Hvordan fysisk AI endrer risikoeksponering og tapsprofiler

Adopsjonen av fysisk AI endrer risiko på flere kritiske måter:

• Autonome miljøer kondenserer ofte flere operasjoner til mindre områder, noe som øker eksponeringstettheten.
• Fra isolerte utstyrsfeil til systemomfattende hendelser som påvirker hele anlegg eller flåter
• Fra menneskelige feil til algoritmisk og autonom beslutningstaking
• Fra tradisjonelle lagereksponeringer til konsentrerte miljøer med høy verdi
• Fra primært eksponering for menneskelige skader til skade på spesialutstyr og eiendeler

Etter hvert som disse eiendelene blir dyrere og tryggere, endrer risikoprofilen seg. I noen områder synker tapsfrekvensen, men når hendelser inntreffer, er de mer alvorlige, tar lengre tid å gjenopprette, involverer mer komplekse subrogasjonsundersøkelser og fører til betydelig høyere driftsavbrudd og ekstra utgiftseksponering.

Hvordan krav og ansvar utvikler seg i autonome miljøer

Etter hvert som fysisk AI visker ut grensen mellom fysiske og digitale systemer, må etterforskning av skader utvikle seg deretter. Å fastslå årsaken til tap krever nå mer enn en fysisk inspeksjon. 

Autonome systemer introduserer nye utfordringer knyttet til krav, inkludert:

• Undersøkelser av feil, opprinnelse og årsak på tvers av sammenkoblede systemer
• Økte eiendelsverdier og krav til spesialisert (kvalifisert arbeidskraft) og restaurering av utstyr
• Datadrevet hendelsesanalyse som krever systemlogger og telemetri-gjennomgang
• Økte tidslinjer for driftsavbrudd på grunn av ledetid for produktutskifting og systemvalidering og omkalibrering eller omsekvensering.
• Økt risiko for driftsavbrudd ettersom automatisering reduserer driftskostnader og gir høyere fortjenestemarginer.
• Tap eller skade på hele flåter av automatisert utstyr og driftssystemer.

Skadeundersøkelser krever i økende grad tverrfaglig ekspertise, inkludert rettsmedisinsk robotteknikk, avansert dataanalyse og evaluering av agentprogramvare.

Ansvar for autonome lastebiler utvikler seg raskt fra sjåførsentrisk til delt ansvar på tvers av produsenter, AI-utviklere og flåteoperatører. Datafangst i sanntid forbedrer hendelsesrekonstruksjon, men introduserer ytterligere kompleksitet i å bestemme årsakssammenheng og ansvar hvis en systemfeil oppstår.

Forsikringsmodeller tilpasses til å inkludere blandet dekning på tvers av bilansvar, produktansvar og cyberrisiko (bilhacking).

Reguleringsmomentum og fremtiden for autonome systemer

Siden 2017 har det amerikanske samferdselsdepartementet og ledende selskaper innen selvkjørende lastebiler fokusert på en felles prioritet: sikkerhet. Dette har vært førsteprioritet for myndighetene, eiere, operatører, forbrukere og alle andre sjåfører på veien. Dette er forståelig gitt at det er omtrent 500 000 bilulykker i året som involverer lastebiler. Fra 2021 til 2023 førte store lastebilulykker til mer enn 15 000 dødsfall. Ifølge samferdselsdepartementet er imidlertid over 90 % av ulykkene forårsaket av menneskelige feil. Til dags dato tyder tidlige driftsdata på at selvkjørende teknologier har potensial til å redusere ulykker, skader og dødsfall.

HR 4661 – AMERICA DRIVES Act foreslår et føderalt rammeverk for autonom kommersiell lastebiltransport, inkludert drift av nivå 4- og nivå 5-kjøretøy uten menneskelige sjåfører på tvers av statsgrenser. Foreslåtte føderale rammeverk og pågående regulatoriske diskusjoner kan muliggjøre bredere utrulling av autonom lastebiltransport på tvers av delstatsnivå, selv om adopsjonen på delstatsnivå fortsatt er ujevn og fortsetter å utvikle seg. Flere stater (inkludert Arizona, Texas, Nevada, Florida, Oklahoma og Ohio) støtter allerede testing og begrensede pilotprogrammer, noe som gir verdifull driftserfaring etter hvert som teknologien modnes.

Hva forsikringsselskaper og takstmenn bør gjøre nå

Den raske adopsjonen av fysisk AI krever at forsikringsselskaper og takstmenn begynner å tilpasse seg i dag.

Etter hvert som fysisk AI fortsetter å utvikle seg, kan ikke organisasjoner vente på full adopsjon før de handler. Flere trinn kan bidra til å posisjonere dem mer effektivt for denne overgangen:

• Oppdatering av underwriting-modeller og analyse av hver risiko ved fornyelse
• Oppdatering av forsikredes nåværende implementering av fysisk AI for å gjenspeile risikoer på systemnivå og sammenkobling av fysisk AI
• Revurdering av dekningsstrukturer for driftsavbrudd og eiendeler med høy verdi
• Utvikle eller oppdatere tverrfaglige kravkapasiteter
• Overvåking av regelverksutvikling som påvirker autonom drift

Organisasjoner som proaktivt tilpasser seg, vil være bedre posisjonert til å håndtere nye eksponeringer og opprettholde forsvarligheten mot krav.

Forbereder seg på et mer komplekst, systemdrevet risikolandskap

Fysisk AI representerer et fundamentalt skifte fra tradisjonelle, lineære risikomiljøer til komplekse, adaptive systemer. Skadeshendelser drives i økende grad av hvordan systemer tolker, tar beslutninger og samhandler i stor skala. For forsikringsselskaper og takstmenn vil suksess avhenge av evnen til å evaluere både de fysiske og digitale dimensjonene av skade, utvikle tverrfaglig ekspertise og reagere effektivt på et risikolandskap som i økende grad er sammenkoblet, automatisert og datadrevet.

Kilder sitert:

https://www.fmcsa.dot.gov/safety/data-and-statistics/large-truck-and-bus-crash-facts
https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/813717.pdf