O crescimento global do volume de dados, aliado aos enormes avanços nos recursos de IA e aprendizado de máquina, está tendo um efeito revolucionário no setor de seguros. Por que, então, tantas seguradoras não estão conseguindo aproveitar as novas tecnologias para explorar o potencial de seus dados?
Selim Cavanagh, diretor de seguros da Mind Foundry, detalhou em entrevista à InsurTech Digital o que as seguradoras podem fazer para superar as barreiras à adoção da IA, resultando, em última análise, na redução dos custos de OpEx, melhores ofertas de produtos e experiências do cliente.
Quais são os obstáculos que impedem as seguradoras de aproveitar a IA de forma eficaz?
Há vários obstáculos que impedem as seguradoras de usar a IA e o aprendizado de máquina para obter o máximo dos dados de seus clientes.
Entre eles está a pressão para reduzir os custos operacionais sem afetar negativamente seus produtos e serviços. A IA pode ajudar nesse ponto. De acordo com a Accenture, “ferramentas como IA e automação têm o potencial de proporcionar uma redução de custos de 30 a 40%”. Mas a natureza compartimentada de muitas grandes organizações de seguros significa que elas não conseguem adotar uma abordagem processual para a adoção da IA.
Além disso, muitas não têm uma abordagem estratégica, o que significa que os sistemas de IA adotados estão sendo isolados em diferentes departamentos e linhas de negócios, agindo mais como projetos individuais de P&D do que como iniciativas estratégicas para impulsionar o crescimento e gerar ROI.
Há algum problema relacionado que esteja criando barreiras à adoção?
É compreensível que o clima macroeconômico atual também esteja afetando o setor. O custo de carros usados, peças e mão de obra disparou, por exemplo, reduzindo as já pequenas margens do seguro de automóveis e levando a um aumento nos custos de sinistros. Os efeitos dessas mudanças também estão sendo sentidos pelos clientes, na forma de prêmios mais altos, à medida que as seguradoras procuram equilibrar suas contas.
Talvez o obstáculo mais significativo, no entanto, esteja relacionado aos próprios dados. A forma como eles são coletados, processados, armazenados e usados está sujeita a regras e regulamentos específicos e cada vez mais rigorosos. Manter a conformidade regulamentar ao usar a IA para extrair valor dos dados é extremamente desafiador.
Qual é a primeira coisa que as seguradoras devem fazer para superar essas barreiras?
O primeiro passo para enfrentar esses obstáculos é adotar a abordagem correta desde o início.
Algumas seguradoras pensam erroneamente que, por terem acesso a grandes volumes de dados, verão recompensas imediatas simplesmente adotando uma forma de IA. Isso, no entanto, resulta em uma grande quantidade de soluções prontas para uso que trazem benefícios limitados e que podem representar riscos em relação à proteção de dados e à conformidade. Outros contratam consultores para criar soluções personalizadas, mas elas podem ser caras e difíceis de manter após a implantação. Essencialmente, começar com a abordagem errada para a adoção da IA pode levar a resultados errados.
Em vez disso, é necessário adotar uma abordagem “primeiro o problema”. Estabelecer quais departamentos não estão conseguindo tirar o máximo proveito de seus dados, onde o problema é mais grave e com que rapidez uma solução pode ser desenvolvida e integrada é o primeiro passo para encontrar a solução certa de IA. Isso pode ser feito em colaboração com operadores que trarão a experiência necessária e o conhecimento especializado em IA, ajudando a identificar as áreas em que a IA e o aprendizado de máquina têm o potencial de agregar mais valor.
Qual é a importância de encontrar a solução de IA “certa”?
Depois de identificar onde estão os problemas, é fundamental criar e implementar a solução certa de IA. É essencial que qualquer solução seja personalizada para se adequar às nuances do problema e aos dados com os quais está lidando, além de estar em conformidade com todas as regulamentações relevantes. Isso requer um parceiro de IA que não apenas entenda esses problemas, mas que tenha os recursos para resolvê-los.
Da mesma forma, em um setor em que novos dados são constantemente gerados e incorporados, é importante considerar o desempenho do modelo após a implantação. Os modelos de aprendizado de máquina podem falhar devido a uma variedade de fatores e, quando isso acontece, você não pode se dar ao luxo de descobrir muito depois do fato. O dano pode já ter sido causado. Isso significa que os sistemas de governança de modelos que fornecem feedback em tempo real sobre o desempenho do modelo rapidamente se tornaram essenciais para o sucesso da adoção da IA. A alimentação contínua de dados de volta aos modelos originais ajudará a IA a melhorar com o tempo e não se tornará uma “caixa preta” inexplicável.
Quais são alguns dos potenciais que a implementação da IA trará para as seguradoras?
A geração de valor comercial real requer um portfólio abrangente de modelos personalizados que executam uma variedade de funções, cada um deles com a capacidade de criar e integrar novos modelos quando necessário.
Os recursos tecnológicos que permitem a criação, a implementação, o gerenciamento e o monitoramento de um portfólio de modelos em um ambiente unificado podem ajudar muito a liberar todo o potencial da IA.
A adoção da IA é mais complexa do que a compra e a integração de software. Requer uma abordagem estratégica, diferenciada e colaborativa — mesmo uma grande seguradora não terá todos os dados, tecnologia e habilidades necessários. Portanto, é importante que as seguradoras encontrem parceiros que entendam seus dados e seus problemas e possam combiná-los com seus recursos e experiência em IA e, ao fazer isso, maximizar o valor da vasta riqueza de dados que possuem.
