AI v pojišťovnictví: automatizace likvidace a risk scoring

Proč právě pojišťovnictví: rychlost, přesnost, zkušenost

Pojištění je „obchod s důvěrou“: zákazník věří, že když se stane neštěstí, pojišťovna se zachová spravedlivě a rychle. Z pohledu provozu jde o neustálé balancování mezi ochranou Combined Ratio a bezproblémovou zkušeností klienta. Umělá inteligence se hodí tam, kde je hodně signálů, které spolu interagují: fotografie poškození, texty ve zprávách, časoprostorové údaje, chování řidiče, provozní kontext v regionu, vzorce v síti subjektů. AI se nebojí vysoké dimenze a tato „chuť do dat“ přináší tři přímé efekty:

Rychlost. Automatizovaný odhad z fotek dokáže zkrátit „FNOL → nabídka“ z dnů na minuty. Díky jasným prahům jistoty lze malé škody vyřídit „na počkání“, čímž se uvolní kapacity likvidátorů pro složité případy.

Přesnost. Pricing podepřený prediktivními modely zohlední jemné rozdíly v chování a kontextu; antifraud se naučí zachytit i nové vzorce, které pravidla neznala. Výsledkem je méně křížových dotací a lépe mířená prevence.

Zkušenost. Konverzační rozhraní, proaktivní notifikace a vysvětlitelné kroky v procesu likvidace snižují tření a zvyšují NPS. Zákazník rozumí tomu, „proč“ se rozhodnutí stalo, a cítí férový přístup.

Automatizace odhadu škod z fotografií: od fotky k částce

Fotografie škody jsou nejelegantnější „zkratkou“ k orientačnímu posouzení nákladů. V autopojištění jde typicky o karoserii, skla, světla, interiér; v majetkovém pojištění o plísně, praskliny, záplavy, požáry. Moderní pipeline kombinuje počítačové vidění, znalost dílů a práci s kontextem.

Jak vypadá robustní pipeline

1. Pořízení snímků. Mobilní průvodce navede klienta na správné úhly, vzdálenosti a osvětlení. Aplikace kontroluje kvalitu (rozmazání, odlesky, tma) a případně žádá opakování. EXIF a geoinformace pomáhají při křížové kontrole.
2. Detekce a segmentace. Modely rozpoznají díly (blatník, nárazník, kapota), typ poškození (promáčklina, škrábanec, prasklina) a jeho rozsah. Pro náročnější případy se používají i hloubkové odhady či více-snímková rekonstrukce, aby se eliminoval vliv perspektivy.
3. Mapování na kalkulaci. Rozpoznané díly a typy poškození se mapují na normohodiny a ceníky dílů. Zohledňuje se materiál (hliník, plast, ocel), barva (perleť vs. základ), případně historie oprav.
4. Jistota a triáž. Každý díl a operace má míru jistoty. Výsledek se rozdělí: straight-through (okamžitá nabídka), rychlý audit (kontrola likvidátorem) a eskalace (vyžaduje prohlídku).
5. Komunikace a uzavření. Zákazník obdrží transparentní rozpad (co bylo rozpoznáno a proč), návrh řešení (platba / oprava) a jasné instrukce. Vše se propíše do workflow a účetních systémů.

Jak udržet přesnost v reálném světě

Reálné snímky trpí odlesky, sněhem, prachem, zakrytím a „maskováním“ poškození. Proto se kvalitní řešení neopírá jen o jediný výstup modelu, ale pracuje s ensemble přístupem, validacemi a kontextem. Praktická opatření:

• Kontrola kvality snímků na vstupu. Uživatel je naváděn k opakování, když je nízká ostrost nebo špatné světlo. Tím se zvyšuje spolehlivost bez zatížení likvidátorů.
• Detekce manipulace. Integrita se kontroluje proti EXIF, lokacím a časům; jednoduché pokusy o editaci lze chytit analýzou kompresních artefaktů.
• Kontextové signály. VIN, historie oprav, telematika o rychlosti v okamžiku incidentu a hlášení od policie/assistance doplňují obraz.
• Human-in-the-loop. Pod prahem jistoty se vyžaduje kontrola a případně doplnění fotek; auditní stopa navíc slouží jako tréninková data pro zlepšení modelů.

„Skrytá“ poškození a spolupráce se servisy

Servisní partneři oprávněně upozorňují na riziko položek, které fotka neodhalí (geometrie, rám, zavěšení kol). Nejlepší praxe je používat fotkový odhad jako rychlý filtr s možností rozšíření rozsahu po rozborkách. Tam, kde AI přidá do protokolu jasné „explain packy“ (označené díly, odhad prací, důvody), klesá tření v komunikaci a dohady se mění na datově podložené korekce.

AI pro dokumenty a komunikaci v likvidaci: NLP, OCR a triáž

Likvidace není jen o fotkách — velká část práce je papírování: e-maily, protokoly, faktury, posudky, policejní zprávy. Tady exceluje zpracování přirozeného jazyka:

• OCR a extrakce entit. Faktury a protokoly se převádějí na strukturu (datumy, částky, VIN, čísla smluv). Řádově to šetří minuty na dokument a eliminuje překlepy.
• Triáž a směrování. Systém rozpozná typ podání a předá ho správnému týmu, doplní chybějící náležitosti a sám si o ně řekne.
• Kontrola konzistence. Porovnání údajů napříč dokumenty zachytí rozpory dřív, než se stanou problémem (částka vs. rozpad práce, datum události vs. služební kniha).
• Konverzační asistent. Z interní báze a podkladů vytváří reakce pro klienta, servis i interní kolegy, včetně citací a odkazů do systému.

Výsledek? Likvidátor řeší méně „copy-paste“ činností a víc rozhodování. U složitých škod zůstává člověk v poslední smyčce, ale množství ruční dřiny výrazně klesá.

Prediktivní modely pro stanovení pojistného (risk scoring)

Pricing stojí na odhadu budoucí škodovosti. Tradiční GLM (generalized linear models) mají výhodu interpretovatelnosti a stability, ale neumějí vždy zachytit jemné nelinearity a interakce. Moderní praxe kombinuje oba světy: GLM jako „páteř“ a gradient boosting/neurální sítě jako „oko“ pro složitější vztahy — s důrazem na kalibraci a vysvětlitelnost.

Datové bloky pro risk scoring

• Telematika (auto). Rychlost vůči limitu, prudké brzdění, akcelerace, jízda v noci, průjezd křižovatkami, rozptylování telefonem, konzistence stylu v čase.
• Historie škod. Frekvence, závažnost, recency, typy škod, korelace se sezónností a počasím.
• Kontext a geografie. Mikroklima a povětrnost, typ komunikací, kriminalita v okolí, vzdálenost od záchranných složek, stáří infrastruktury.
• Vlastnosti majetku. Materiály, stáří, způsob údržby, umístění (např. povodňové zóny), senzory (voda, kouř, vibrace).
• Chování klienta. Stabilita plateb, reakce na upozornění, využívání preventivních prvků, ochota ke spolupráci (např. pravidelné zasílání fotodokumentace stavu).

Modely, kalibrace, fairness

Ansámblový model může mít výbornou diskriminaci, ale bez kalibrace povede k nespravedlivým cenám a nekonzistentnímu risk-based managementu. Proto je nutná kalibrace (např. Platt/Isotonic), průběžné sledování stability (PSI/CSI), a hlavně vysvětlitelnost — na populaci (co táhne průměrně cenu) i na jednotlivém rozhodnutí (proč právě tomuto klientovi vychází takový risk). Součástí governance jsou fairness testy, aby model nepřenášel nepřímou diskriminaci přes proxy rysy (např. kombinace lokality a jiných signálů). Výsledkem je pricing, který je prediktivní, ale zároveň obhajitelný, a tudíž dlouhodobě udržitelný.

Elasticita ceny a produktová strategie

AI nepomáhá jen odhadnout riziko, ale i reakci na cenu. Kombinací risk scorů a odhadu elasticity lze hledat „pareto frontu“ mezi retencí, akvizicí a marží. Prakticky: jeden a tentýž risk může dostat různou nabídku podle konkurenční situace a obchodního cíle — ovšem vždy v rámci mantinelů spravedlnosti a regulace.

Detekce podvodných nároků: pravidla, modely a grafy

Podvodné nároky jsou málopočetné, ale drahé. Klíčovou zásadou je proto vícevrstvost: rychlá pravidla zachytí tvrdé výjimky a compliance (sankční shody, zjevné rozpory), modely spočítají pravděpodobnost rizika a grafová vrstva odhalí sítě a opakující se vzorce napříč účty, zařízeními, servisy a lokalitami.

Vstupy a rysy

• Časoprostor. Nemožné kolize (dva incidenty na různých místech ve stejném čase), vzdálenosti, sekvence událostí.
• Zařízení a identita. Sdílené e-maily, telefony, device fingerprinty, historie přístupů.
• Poskytovatelé služeb. Vzorce u vybraných servisů, opakované typy škod, ceny dílů vs. standard.
• Grafové vztahy. „Hvězdicové“ struktury kolem jednoho uzlu, komunitní vazby a anomálie ve směrování nároků.
• Textové signály. Opakující se šablonové fráze, rozpory mezi dokumenty, neobvyklé kombinace položek.

Rozhodování a human-in-the-loop

Výstupem typicky není „ano/ne“, ale priorita pro vyšetřovatele a návrh dalšího kroku: vyžádat doplňující podklady, přesměrovat k internímu specialistovi, aktivovat návštěvu likvidátora. Aktivní učení (anotace hraničních případů) zrychluje adaptaci modelu na nové praktiky podvodníků, zatímco „champion/challenger“ umožňuje bezpečně testovat nová pravidla a modely na části provozu.

Case study: Lemonade a „AI Jim“ v praxi

Digitální pojišťovna Lemonade proslula bleskovými likvidacemi u jednoduchých nároků. Jejich interní „AI Jim“ kombinuje konverzační rozhraní, automatické ověření nároku proti pojistné smlouvě, antifraud signály a okamžitou platbu. Některé nároky jsou po automatické validaci schváleny během několika sekund; složitější případy se eskalují na lidi. Poučení pro tradiční pojišťovnu není v „rekordu“, ale v disciplíně: krok za krokem je popsáno, co systém dělá, kde bere fakta, jaké má prahy jistoty a kdy se volá člověk. Díky auditním stopám lze každé rozhodnutí obhájit a průběžně zlepšovat.

Nejde o kouzla — jde o dobře zvládnutý řemeslný proces: jasný „zdroj pravdy“ (smlouvy, podmínky, ceníky), pravidlový rámec i modelová vrstva, a hladce napojené platby. Přesně to tvoří rozdíl mezi efektním demem a skutečnou výrobou hodnoty.

Referenční architektura: data, feature store, streaming, MLOps

Úspěch AI v pojišťovně není o jednom „nejchytřejším modelu“, ale o pevných základech, které umožní bezpečně a opakovatelně doručovat rozhodnutí. Osobitosti jednotlivých pojišťoven se liší, ale osvědčená kostra má tyto bloky:

Datová vrstva a governance

Centrální lake/warehouse pro FNOL, fotografie, telematiku, historii škod, smlouvy, ceníky, servisní a logistická data, externí registry. Každý dataset má klasifikaci citlivosti, retenční politiku a datového vlastníka. Katalog a lineage zaručí dohledatelnost původu dat i transformací; to je nezbytné pro audit a pro vysvětlování rozhodnutí.

Feature store

Feature store sjednocuje definice rysů, jejich validace, testy driftu a odvozování v off-line (trénink) i on-line (inference) režimu. U fotek kombinuje výstupy CV (poškozené díly, jistoty) s metadaty (VIN, historie oprav), u pricingu agregace chování a kontext, u antifraudu grafové rysy. Správně navržený store snižuje „training/serving skew“ a dává možnost zpětného přepočtu pro audit.

Streaming a rozhodovací vrstva

U real-time rozhodnutí (FNOL triáž, antifraud, risk-based autentizace) je klíčová streamová cesta: událost → obohacení o rysy → ansámbl modelů → pravidlový rámec → návrat výsledku v desítkách milisekund. Rozhodovací služba řídí prahy, step-upy (požadavek na doplnění informací) a fallbacky pro případy, kdy jedna komponenta zlobí.

MLOps a model governance

Model registry s verzemi, metadaty a „champion/challenger“. CI/CD pipeline pro modely provádí automatické testy: konzistence rysů, metriky kvality, fairness, latenci a náklady. Observabilita hlídá drift, stabilitu AUC/GINI, „time-to-learn“ u antifraudu, odchylky pricingu od plánovaných škodních poměrů. Incidenty mají runbook: když se model „utrhne“, systém se okamžitě vrátí na champion nebo do pravidlové zálohy.

Bezpečnost a audit

Princip nejmenších oprávnění, šifrování v klidu i přenosu, pseudonymizace identifikátorů, přísná retence. U rozhodnutí se loguje vstup, výstup, použité rysy a pravidla, prahy jistoty a přítomnost člověka. Pro komunikaci se servisy a klienty je praktický „explain pack“: přehled, co přesně AI rozpoznala a jak se z toho stala cena opravy nebo rating rizika.

Přínosy: rychlost, přesnost, férovost, efektivita

Rychlost likvidace. U drobných škod lze rozhodovat „na první dobrou“ — od nahlášení po nabídku během minut. Zkušenost zákazníka dramaticky roste a agenti na call centru tráví méně času přepisem údajů.

Přesnější pricing. Chování v čase (telematika), kontext a historie škod se skládají do férovějšího rozdělení rizika. Odpadají křížové dotace, které frustrují opatrné klienty i product ownery.

Méně podvodů a lepší priorizace. Grafové pohledy a ansámblové modely snižují falešné poplachy a vyšetřovatelé jdou po tom, co má největší šanci na zásah. Celé oddělení pracuje „chytřeji“.

Efektivita a škálování. Automatizace papírování, triáže a části komunikace uvolní likvidátorům a analytikům ruce. Nové týmy lze škálovat bez lineárního růstu hlav.

Transparentnost a důvěra. Vysvětlitelné výstupy (SHAP, vizuální označení dílů, citace interních pravidel) zvyšují důvěru klientů, servisů i dohledu. Když víte proč, snáz přijmete rozhodnutí.

Rizika a limity: bias, auditovatelnost, bezpečnost, provozní realita

Bias v datech. Historická data mohou nést nepřímé předsudky. Řešením je kurátorství rysů, fairness testy a průběžná kontrola dopadů (např. segmenty podle regionu, věku vozidla, typu majetku). Tam, kde hrozí proxy diskriminace, se používají „odlehčené“ rysy (agregáty místo syrových hodnot).

Auditovatelnost. Rozhodnutí musí jít vysvětlit — a to nejen interně, ale i klientovi. U fotek pomáhá vizuální overlay s popisem rozpoznaných dílů a prací; u pricingu SHAP na úrovni jednotlivce; u antifraudu odkaz na signály a vztahy. Bez těchto pomůcek vzniká „AI-únava“ a návrat ke stohu výjimek.

Bezpečnost a soukromí. Fotky, telematika i antifraud logy jsou citlivá data. Minimalizace, pseudonymizace a striktní oddělení prostředí jsou povinností. Někdy dává smysl on-device inference pro přepis či předzpracování, aby citlivé informace neopouštěly zařízení.

Provozní realita. Ne každá fotka stačí, ne každý klient chce telematiku, ne každý servis akceptuje první kalkulaci. Odpovědí je „stupňování jistoty“: požádejte o další snímky, zvažte jiný kanál, přizvěte experta. Antifraud nechť raději priorizuje a navrhuje kroky, než aby plošně blokoval.

Modelový drift. Chování se mění (nové materiály aut, změny počasí, taktiky podvodníků). Bez detekce drif­tů, re-tréninku a champion/challenger režimu kvalita spadne. Měření je palivo důvěry.

Jak začít: rychlá trajektorie místo ročního maratonu

Místo „plánu na 180 dní“ dává větší smysl zaměřit se na několik jasných, rychlých kroků, které vytvoří hodnotu a zároveň položí základy pro škálování. V praxi doporučujeme:

• Vybrat úzký scénář s měřitelným dopadem. Například drobné škody z fotek s okamžitou nabídkou, nebo antifraud „shadow mode“ na části kanálu. Cílem je viditelné zkrácení času a zlepšení přesnosti.
• Postavit „tenké“ produkční jádro už v pilotu. Přihlášení, logy, explain, základní eval dataset, prahy jistoty a fallbacky. Díky tomu není přechod do produkce skok do tmy.
• Iterovat a rozšiřovat jen podle čísel. Kde se metriky zlepšují (čas, chybovost, „cena za vyřešený případ“), tam přidávat integrace a objem. Kde ne, vrátit se o krok a upravit data/rysy.

Naší zkušeností je, že když je jasný „zdroj pravdy“ a vlastník metrik, dá se první produkční výsledek dodat výrazně rychleji, než předpokládají tradiční rozvojové plány — ve StormBoost to většinou zvládneme mnohem rychleji, než byste čekali. Důvod je prostý: poctivé minimum funkcí, které od začátku počítá s provozem a auditem, místo nekonečných prototypů.

Shrnující tabulky: metody, metriky, trade-offy

Automatizace z fotografií (auto/majetek)

Risk scoring a pricing

Antifraud v nárocích

Závěr: chytrá automatizace, ne černá skříňka

Umělá inteligence mění pojišťovnictví způsobem, který je vidět v číslech i v každodenní práci. Zkrácená doba likvidace, přesnější pricing, méně podvodů a vyšší spokojenost klientů jsou výsledkem jednoduché, ale náročné disciplíny: kvalitních dat, zdokumentovaných rysů, vysvětlitelných modelů, jasných pravidel a průběžného měření. AI není náhrada lidí — je to motor, který dělá rutinu rychle a spolehlivě, aby lidé měli čas na složité případy, empatii a zlepšování procesů.

Chcete tuhletu hodnotu vidět ve svých metrikách, ne jen na slajdech? Začněme úzkým scénářem, který přinese hmatatelný přínos během krátké doby, a postavme „tenké“ produkční jádro, které má od prvního dne audit a bezpečnost. Ostatní přijde samo — a rychleji, než si dnes myslíte. Ve StormBoost to většinou zvládneme mnohem rychleji díky osvědčené architektuře, knihovnám rysů a důrazu na vysvětlitelnost. Až pak má smysl přidávat složitost: větší modely, více kanálů, širší spektrum produktů. Krok za krokem, ale svižně — tak, aby to bylo správně i měřitelné.