Por Stephen Elliott, MBA, JD, CISSP, CSM, vice-presidente sênior de inovação de TI e otimização de decisões
No mercado atual, inúmeros fornecedores e tecnologias afirmam aproveitar a inteligência artificial (IA) ou automatizar os processos manuais de sinistros.
Pode-se argumentar que, desde o primeiro computador, é para isso que todos estão trabalhando. A tecnologia atual é, em muitos aspectos, um amadurecimento contínuo desse processo, concentrando-se nas etapas do processo de sinistros que antes eram consideradas muito complexas ou opacas para serem automatizadas.
Nos últimos 50 anos, os profissionais de sinistros têm recebido a funcionalidade (e as limitações associadas) dos aplicativos que usam linguagens de programação tradicionais. A esta altura, todos nós estamos intimamente familiarizados com a forma como os departamentos de tecnologia tradicionais trabalham para coletar requisitos, documentar e definir "regras" para decisões e criar programas que coexistem com os examinadores de sinistros para melhorar o processamento de sinistros. Agora, com a introdução da IA, há vários componentes novos que desempenham um papel no que pode ser programado:
Correspondência de padrões
A inteligência artificial amplia o escopo das atividades humanas que podem ser automatizadas. Embora os seres humanos sigam instruções e regras documentadas no gerenciamento de sinistros, eles também são otimizados para encontrar soluções com base em padrões que encontraram anteriormente. A IA introduz a correspondência de padrões em programas de máquinas, permitindo a criação de software que não exige mais uma análise discreta de todas as regras de tomada de decisão com antecedência. Em vez disso, a IA oferece a capacidade de aproveitar dados históricos para mapear e perceber essas regras de forma abstrata. Se examinadores de reivindicações experientes analisaram a reivindicação X e decidiram a ação Y no passado, os sistemas de IA podem ser treinados para fazer o mesmo.
Para não ficar limitada aos métodos usados por humanos para tomar decisões, a IA de aprendizado de máquina pode ser ainda melhor. Na verdade, a IA pode identificar padrões nos dados que devem ser usados para decisões, mesmo que os examinadores não tenham usado esses critérios ou nem tenham percebido que estavam usando esses critérios. Esse avanço permite a criação de mecanismos de decisão inteligentes para automatizar de forma otimizada as tarefas no processo de reivindicações que antes eram consideradas muito complicadas ou que precisavam de uma decisão subjetiva.
Sistemas de triagem automática
Projetados para examinar os primeiros elementos de dados de sinistros, os sistemas de triagem automática combinam os dados com padrões históricos que podem ser difíceis de serem vistos de outra forma, para colocar um sinistro com precisão em um determinado "intervalo" para processamento. As empresas podem optar por realizar isso de várias maneiras. Algumas podem querer treinar sua IA para colocar os sinistros em diferentes categorias de estimativa de custo, o que lhes permite distinguir níveis de risco por custo. Outras podem preferir uma definição mais abstrata de "complexidade" que possa se alinhar aos custos, mas que, às vezes, simplesmente ajude a identificar os sinistros que podem exigir mais tempo, mais contato humano ou um nível mais alto de supervisão experiente.
Sistemas de autoadjudicação
Quando a triagem automática termina, a adjudicação automática assume o controle. Normalmente, se um sinistro foi triado como simples e capaz de ser processado sem intervenção humana, as etapas restantes do processo de sinistros podem ser automatizadas. Usando a IA combinada com métodos mais tradicionais, o sinistro pode ser transferido da entrada para a elegibilidade e, finalmente, para o pagamento e o encerramento. Esses sinistros julgados automaticamente não são apenas menos dispendiosos de gerenciar, mas muitas vezes resultam em maior satisfação do reclamante, pois não são atrasados aguardando a análise dos ajustadores, o que proporciona o encerramento do sinistro de forma rápida e fácil.
Modelagem preditiva
Normalmente discutida como uma tecnologia autônoma, a modelagem preditiva geralmente representa um componente essencial das soluções de inteligência artificial. Combinando aprendizado de máquina e estatísticas complexas, ela usa padrões de dados históricos para prever o futuro. Ao automatizar decisões ou etapas no processo de sinistros, os modelos preditivos podem ser usados para escolher as ações que proporcionam os melhores resultados preditivos com base no custo, na satisfação do cliente ou no risco.
Embora esses modelos aproveitem a tecnologia moderna, eles também podem ser usados para otimizar a quantidade de intervenção humana em sinistros críticos. Recomendações prescritivas direcionadas para adicionar recursos experientes podem ser feitas quando as nuances de um sinistro apontam para vários cenários:
- Fraude
- Contencioso
- Especialização
Quando a probabilidade de fraude é alta, o sinistro pode ser encaminhado aos investigadores ou fornecido aos avaliadores humanos para pesquisa e ação adicionais. Os modelos de IA têm a capacidade não apenas de procurar fraudes em sinistros individuais, mas também de examinar toda a carteira de negócios e ver padrões de fraude em casos individuais que, de outra forma, pareceriam inócuos.
Quando a probabilidade de litígio é alta, ações especiais podem ser tomadas com relação à reclamação. Essas ações podem ser tarefas como salvar e arquivar vídeos de segurança de varejo, entrevistar testemunhas e outros participantes enquanto suas memórias ainda estão frescas ou, de outra forma, oferecer melhor atendimento e comunicação com um reclamante para evitar insatisfação.
Nos casos em que o conhecimento especializado possa beneficiar o sinistro, seja com base nos "acionadores" atuais ou na previsão de acionadores futuros, a IA pode escalar o sinistro para o envolvimento de várias equipes. Essas equipes podem ser compostas por enfermeiros gerentes de casos, investigadores de sub-rogação ou especialistas em outros sinistros complexos ou exclusivos.
Mineração de texto
O próximo domínio da IA de aprendizado de máquina está na mineração de texto de dados não estruturados. Embora, em última análise, forneça resultados semelhantes aos da modelagem preditiva de dados estruturados tradicionais, a mineração de texto de documentos, anotações, declarações de testemunhas e outros elementos do sinistro oferecem ao sistema uma quantidade significativamente maior de informações. Não é razoável que os sistemas de sinistros capturem todas as comorbidades ou combinações de medicamentos perigosos. Entretanto, é possível fazer com que a IA aprenda os riscos associados ao fato de vê-los mencionados em anotações, documentos médicos ou correspondências.
Principais desafios e riscos
Embora tudo isso pareça uma utopia para a tecnologia de gerenciamento de sinistros, ela ainda vem com seu próprio conjunto de desafios e riscos. Muitos dos eventos sobre os quais estamos pedindo que a IA aprenda são considerados raros, o que os torna difíceis de prever, mesmo com os melhores dados e softwares de modelagem estatística. Eles quase nunca ocorrem como uma porcentagem da carteira geral de negócios. Isso não significa que seja impossível trabalhar com elas, mas cabe aos criadores ou compradores de software de automação/previsão entender como elas ainda podem apresentar desafios de precisão. Cuidado com os fornecedores que afirmam ter modelos com 95% de precisão na previsão de eventos raros. Se esses eventos ocorrerem em 3% dos sinistros, então uma precisão superior a 97% é o mínimo que qualquer modelo básico deve produzir.
Em última análise, a eficácia de qualquer automação baseada em IA ou modelos de previsão dependerá da qualidade dos dados e da qualidade das ações tomadas por uma equipe de sinistros - caso ações prescritivas sejam recomendadas ou escaladas para eles. Como a maioria das tecnologias, ela geralmente funciona melhor quando não é totalmente manual ou totalmente automatizada, mas combinada nas quantidades certas para minimizar o risco e maximizar a satisfação do cliente.
Tags: IA, Tecnologia de IA, Inteligência Artificial, Sistemas de autoadjudicação, Sistemas de autotriagem, Automação, Gerenciamento de reclamações, Fraude, Litígio, Correspondência de padrões, Especialização, Tecnologia, Tecnologia + Experiência do consumidor, Mineração de texto, Visão sobre desempenho