Por Stephen Elliott, MBA, JD, CISSP, CSM, SVP, inovação em TI e otimização de decisões
No mercado atual, inúmeros fornecedores e tecnologias afirmam tirar partido da inteligência artificial (IA) ou automatizar os processos manuais de sinistros.
Poder-se-ia argumentar que, desde o primeiro computador, é para isso que todos têm vindo a trabalhar. A tecnologia atual é, em muitos aspectos, um amadurecimento contínuo deste processo - centrando-se nas etapas do processo de sinistros que anteriormente eram consideradas demasiado complexas ou opacas para serem automatizadas.
Nos últimos 50 anos, os profissionais de sinistros têm recebido a funcionalidade (e as limitações associadas) de aplicações que utilizam linguagens de programação tradicionais. Neste momento, todos nós estamos intimamente familiarizados com a forma como os departamentos de tecnologia tradicionais trabalham para recolher 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 alarga o âmbito das actividades humanas que podem ser automatizadas. Embora os humanos sigam instruções e regras documentadas na gestão de sinistros, também estão optimizados para encontrar soluções com base em padrões que encontraram anteriormente. A IA introduz a correspondência de padrões nos programas das máquinas, permitindo a criação de software que já não necessita de uma análise discreta de todas as regras de tomada de decisões com antecedência. Em vez disso, a IA oferece a capacidade de aproveitar dados históricos para mapear e perceber essas regras de uma forma abstrata. Se examinadores de sinistros experientes analisaram a reclamação X e decidiram a ação Y no passado, então os sistemas de IA podem ser treinados para fazer o mesmo.
Para não ficar limitada pelos métodos utilizados pelos humanos para tomar decisões, a IA de aprendizagem automática pode ser ainda melhor. De facto, a IA pode identificar padrões nos dados que devem ser utilizados para tomar decisões, mesmo que os examinadores não tenham utilizado esses critérios ou nem sequer se tenham apercebido de que estavam a utilizar esses critérios. Este avanço permite a criação de motores de decisão inteligentes para automatizar de forma óptima as tarefas do processo de reivindicação que anteriormente eram consideradas demasiado complicadas ou que necessitavam de uma decisão subjectiva.
Sistemas de autotriagem
Concebidos para analisar os primeiros elementos de dados dos sinistros, os sistemas de triagem automática combinam os dados com padrões históricos que podem ser difíceis de ver de outra forma, para colocar com precisão um sinistro num determinado "escalão" para processamento. Há muitas formas de as empresas optarem por realizar este objetivo. Algumas podem querer treinar a sua IA para colocar os sinistros em diferentes escalões de estimativa de custos, permitindo-lhes distinguir níveis de risco por custo. Outras podem preferir uma definição mais abstrata de "complexidade" que pode estar alinhada com os custos, mas que, por vezes, ajuda simplesmente a identificar os sinistros que podem exigir mais tempo, mais contacto humano ou um nível mais elevado de supervisão experiente.
Sistemas de auto-adjudicação
Quando a triagem automática termina, a adjudicação automática assume o controlo. Normalmente, se um pedido de indemnização tiver sido classificado como simples e puder ser processado sem intervenção humana, as restantes etapas do processo de indemnização podem ser automatizadas. Utilizando a IA combinada com métodos mais tradicionais, o pedido de indemnização pode passar da admissão para a elegibilidade e, finalmente, para o pagamento e encerramento. Estes sinistros auto-adjudicados não só são menos dispendiosos de gerir, como também resultam frequentemente numa maior satisfação do sinistrado, uma vez que não são adiados à espera de revisão por parte dos avaliadores - proporcionando assim um encerramento rápido e fácil ao sinistrado.
Modelação preditiva
Normalmente abordada como uma tecnologia autónoma, a modelação preditiva representa frequentemente uma componente essencial das soluções de inteligência artificial. Combinando a aprendizagem automática e estatísticas complexas, utiliza padrões de dados históricos para prever o futuro. Ao automatizar decisões ou passos no processo de sinistros, os modelos preditivos podem ser utilizados para escolher as acções que proporcionam os melhores resultados preditivos com base no custo, na satisfação do cliente ou no risco.
Embora estes modelos aproveitem a tecnologia moderna, também podem ser utilizados para otimizar a quantidade de intervenção humana em sinistros críticos. Podem ser feitas recomendações prescritivas direccionadas para adicionar recursos experientes quando as nuances de um sinistro apontam para vários cenários:
- Fraude
- Contencioso
- Especialização
Quando a probabilidade de fraude é elevada, o sinistro pode ser encaminhado para os investigadores ou fornecido aos avaliadores humanos para investigação e ação adicionais. Os modelos de IA têm a capacidade não só de procurar fraudes em sinistros individuais, mas também de analisar toda a carteira de negócios e detetar padrões de fraude em casos individuais que, de outra forma, pareceriam inócuos.
Quando a probabilidade de litígio é elevada, podem ser tomadas medidas especiais relativamente à reclamação. Estas podem ser tarefas como guardar e arquivar vídeos de segurança de retalho, entrevistar testemunhas e outros participantes enquanto as suas memórias ainda estão frescas ou, de outra forma, prestar melhores cuidados e comunicar com um reclamante para evitar insatisfação.
Nos casos em que uma perícia especial possa beneficiar o sinistro, quer com base em "accionadores" actuais ou na previsão de accionadores futuros, a IA pode escalar o sinistro para o envolvimento de várias equipas. Estas equipas podem ser constituídas por enfermeiros gestores de casos, investigadores de sub-rogação ou especialistas noutros sinistros complexos ou únicos.
Extração de texto
O próximo domínio da aprendizagem automática da IA é a extração de texto de dados não estruturados. Embora, em última análise, forneça resultados semelhantes aos da modelação preditiva tradicional de dados estruturados, a extração de texto de documentos, notas, 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 captem todas as comorbilidades ou combinações de medicamentos perigosos. No entanto, é possível que a IA aprenda os riscos associados ao facto de os ver mencionados em notas, documentos médicos ou correspondência.
Principais desafios e riscos
Embora tudo isto pareça uma utopia para a tecnologia de gestão de sinistros, continua a ter o seu próprio conjunto de desafios e riscos. Muitos dos eventos que pedimos à IA para conhecer são considerados raros, o que os torna difíceis de prever - mesmo com os melhores dados e software de modelação estatística. Quase nunca ocorrem em termos de percentagem da carteira global de negócios. Isto não significa que seja impossível trabalhar com eles, mas convém que os criadores ou compradores de software de automatização/previsão compreendam como estes podem ainda ter desafios em termos de exatidão. 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 tanto da qualidade dos dados como da qualidade das acções tomadas por uma equipa de sinistros - caso lhes sejam recomendadas ou escaladas acções prescritivas. Tal como a maioria das tecnologias, muitas vezes funciona melhor quando não é totalmente manual ou totalmente automatizada, mas sim combinada nas quantidades certas para minimizar o risco e maximizar a satisfação do cliente.
Tags: IA, Tecnologia de IA, Inteligência Artificial, Sistemas de auto-adjudicação, Sistemas de auto-triagem, Automação, Gestão de reclamações, Fraude, Litígio, Correspondência de padrões, Especialização, Tecnologia, Tecnologia + Experiência do consumidor, Extração de texto, Visão sobre o desempenho