איך Agentic AI יכול לשפר חיתום ביטוחי: מסגרת פרקטית

תהליכי חיתום בביטוח מסחרי נשענים על קריאה והצלבה של מסמכים רבים, פירוש סעיפים, והפעלת שיקול דעת תחת אחריותיות אישית ורגולציה מחמירה. המורכבות הזאת יוצרת צוואר בקבוק תפעולי שמאריך זמני טיפול, מגדיל שונות בין חתמים, ומקשה לבנות תיעוד עקבי של הנמקות ובקרות. המציאות הזאת מסבירה למה אוטומציה מלאה לרוב אינה מעשית, ועדיין יש דרישה ברורה לקיצור תהליכים והפחתת טעויות יקרות.

סביבה עסקית שמנסה להטמיע בינה מלאכותית בחיתום (חיתום ביטוח עם AI) נתקעת בדרך כלל בשתי נקודות: נקודת האמינות ונקודת הבטיחות. נקודת האמינות מתבטאת בהזיות, בהסקות לא מבוססות, או בהחמצת פרטים מתוך מסמך ארוך. נקודת הבטיחות מתבטאת בכך שגם כאשר התשובה נכונה, ארגון חייב להוכיח איך הגיעו אליה, מי בדק, ומה הוחלט בפועל. מדובר באתגרים משמועתיים בתהליך החיתום.

ה- Agentic AI בחיתום ביטוחי: למה מודל סוכנים מתאים יותר ממודל צ'אט

גישה סוכנית (Agentic AI) מאפשרת להפוך את החיתום מבעיה של תשובה אחת לשורה של משימות מתואמות: איתור מסמכים, חילוץ נתונים, בדיקות עקביות, השלמת חוסרים, והכנת המלצה שניתן לאשר או לתקן. בניגוד לשימוש כללי במודל שפה, מערכת סוכנים יכולה לחקות זרימת עבודה ארגונית עם תוצרים ברורים בכל שלב.

הערך הגדול ביותר מתקבל כאשר הסוכן אינו מנסה להחליף את החתם אלא משמש עוזר חיתום שמייצר עבודה מוכנה לבקרה.

מחקר עדכני מציע מסגרת שמיועדת בדיוק לבעיה הזאת: מערכת Human in the loop שמוגדרת decision negative, כלומר מערכת שמפיקה המלצות בלבד ולא מקבלת החלטות מחייבות. ארכיטקטורה כזאת מכוונת מראש לעמידה בדרישות אחריותיות, כי הסמכות נשארת אצל החתם והמערכת נמדדת על איכות התימוכין והעבודה המקדימה.

ה-Agentic AI בחיתום ביטוחי כמערכת בטיחות תחומה: סוכן ראשי וסוכן מבקר

לב המנגנון הוא ביקורת פנימית אדברסרית, כלומר רכיב שמנסה להפריך את ההמלצה לפני שהיא מגיעה לאדם. המבנה כולל סוכן ראשי שמנתח את התיק ומייצר טיוטת המלצה, ולצידו סוכן מבקר שמאתגר את המסקנות, מחפש סתירות, ומסמן מקומות שבהם ההמלצה נשענת על הנחות. התוצר שמגיע לחתם הוא לא רק תשובה, אלא תשובה עם התנגדויות מסודרות ורשימת בדיקות נדרשות.

במהלך המחקר שבוצע השנה בניסוי על חמש מאות מקרי חיתום שאומתו על ידי מומחים, מנגנון הביקורת הפחית שיעור הזיות מ-11.3 אחוז ל3.8 אחוז, ושיפר דיוק המלצות מ92 אחוז ל96 אחוז.

שיפור של כמה נקודות באיכות ההמלצה יכול להיות ההבדל בין כלי שמותר להכניס לייצור לבין כלי שנשאר בפיילוט, במיוחד כאשר צוותי סיכונים ותאימות מחפשים ראיות לתהליך ולא רק לתוצאה. התפיסה של בטיחות תחומה מתאימה במיוחד לחיתום, כי היא מייצרת שכבת בדיקה מובנית בלי לדרוש אמון עיוור במודל.

כך נראית מסגרת יישומית לארגון ביטוח

דרך פרקטית ליישם את הגישה היא לבנות תהליך עבודה בן חמישה שלבים, כאשר כל שלב מפיק תוצר שאפשר לבקר ולהשוות לאורך זמן.

1. שלב ראשון כולל קליטת מסמכים, סיווג, וחילוץ שדות מפתח כגון פעילות העסק, מיקומים, היסטוריית תביעות, אמצעי מיגון, גבולות אחריות והחרגות.

2. שלב שני כולל חיבור לידע ארגוני כמו הנחיות חיתום פנימיות, מדיניות סיכון ענפית, וטבלאות תמחור, תוך דרישה לציטוט מקורות מתוך המסמכים.

3. שלב שלישי כולל סוכן ראשי שמייצר המלצה מובנית: דירוג סיכון, טווח פרמיה מוצע, תנאי כיסוי, ותנאים מתלים.

4. שלב רביעי כולל סוכן מבקר שמבצע בדיקות אדברסריות כמו איתור סתירות בין טפסים, סימון נתונים חסרים, והצבעה על טענות ללא ציטוט או ללא התאמה למדיניות.

5. שלב חמישי כולל מסך החלטה לחתם שמציג המלצה, הסתייגויות, והצעת שאלות להשלמה מול הסוכן או מול הלקוח.

דוגמה קונקרטית בתיק של עסק תעשייתי יכולה לכלול מצב שבו הסוכן הראשי מציע כיסוי לפי סיווג פעילות מסוים, בעוד מסמך בטיחות מצביע על שימוש בחומרים מסוכנים שלא הופיע בטופס ההצעה. סוכן המבקר אמור לאתר את הפער, לדרוש הבהרה, ולסמן השפעה אפשרית על חריגים, גבולות אחריות, ותמחור. חתמים מקבלים כך עבודה שמרכזת את הפערים הקריטיים במקום להסתמך על איתור ידני שמושפע מעומס וזמן.

כדי למדוד ערך עסקי ולא רק דיוק מודל, מומלץ להצמיד למדדים טכניים גם מדדים תפעוליים: זמן ממוצע לתיק, שיעור תיקים שחוזרים להשלמות, שיעור חריגות מהנחיות חיתום, ושיעור החלטות שנדרשה בהן התערבות מתקנת. ארגון שמקצר זמן טיפול אפילו בעשרה עד עשרים אחוז בתיקים בינוניים יראה בדרך כלל שיפור ישיר ביכולת קליטה של נפח עבודה, ובמקביל הפחתת סיכון טעויות שמייצרות עלויות עתידיות.

מגבלות צפויות ואיך מתמודדים איתן

מגבלה ראשונה היא תלות באיכות מסמכים, כי מסמכים סרוקים או לא עקביים יפגעו בחילוץ נתונים. פתרון ישים הוא שכבת קדם עיבוד שמדווחת איכות מסמך, מסמנת שדות בסיכון גבוה, ומכריחה אימות ידני בנקודות קריטיות. מגבלה שנייה היא נטייה של מודלים להמציא השלמות כאשר חסר מידע, ולכן נדרש כלל שמחייב להציג מקור או לציין חוסר במפורש.

מגבלה שלישית היא סיכון תפעולי של הסתמכות יתר על המלצות המערכת. פתרון אפקטיבי הוא עיצוב decision negative שמונע אישור אוטומטי, יחד עם דגימה אקראית לביקורת איכות והצגת הסתייגויות הסוכן המבקר כחלק בלתי נפרד מהמסך. מגבלה רביעית היא ניהול סיכונים עקבי לאורך זמן, ולכן חשוב לאמץ טקסונומיה של מצבי כשל ולמפות עבור כל מצב כשל בקרות, בדיקות, ובעלים בארגון.

תמונה רחבה מראה שמערכות Agentic AI בחיתום מצליחות כאשר הן נבנות סביב תהליך עבודה, בקרות, ותיעוד, ולא סביב קסם של מודל אחד. מחקר שמדגים ירידה בהזיות מ-11.3 אחוז ל-3.8 אחוז ושיפור דיוק מ-92 אחוז ל-96 אחוז מחזק תפיסה שלפיה ביקורת פנימית אדברסרית היא לא תוספת נחמדה, אלא רכיב תשתיתי שמאפשר פריסה בטוחה בסביבה עתירת ציות.

צעד מעשי מומלץ הוא לבחור קו מוצר אחד בביטוח מסחרי, להגדיר חמישה עד עשרה מסמכים סטנדרטיים, ולבנות פיילוט שבו הסוכן מייצר המלצה עם סוכן מבקר ותיעוד מלא. הנהלה שמודדת זמן טיפול, איכות תיעוד, ושיעור תיקונים של החתמים, תוכל להחליט בתוך שמונה עד שתים עשרה שבועות אם להרחיב את ההטמעה.