Likwidacja szkód z głową: jak nauczyć AI rozróżniać literę i ducha OWU

Każdy likwidator szkód zna ten dylemat: OWU mówi jedno, ale zdrowy rozsądek podpowiada coś innego. Rutynowe sprawy zalewają działy likwidacji, a każda nietypowa szkoda to ryzyko niespójnej decyzji i utraty klienta. System oparty na modelach językowych, który potrafi świadomie przełączać się między literą a duchem ochrony, może to zmienić.

Automatyzacja, która rozumie niuanse polisy

Modele LLM, znane z chatbotów, można wytrenować tak, by rozróżniały ścisłą wykładnię zapisów OWU od intencji, jaka przyświecała twórcom polisy. Badania pokazują, że nawet minimalna adaptacja modelu pozwala mu konsekwentnie trzymać się litery prawa albo kierować się jego duchem. Dla ubezpieczycieli oznacza to narzędzie, które analizuje zapisy OWU i waży cel ochrony, zamiast szukać jedynie słów kluczowych. System można skonfigurować dla każdego produktu: w ubezpieczeniach komunikacyjnych może ściśle trzymać się wyłączeń, a w mieszkaniowych częściej iść na rękę klientowi, jeśli przemawia za tym zasada najwyższej dobrej wiary.

Dwa tryby pracy: litera kontra duch

Weźmy ubezpieczenie mieszkania i szkodę wodną. Pękła rura w ścianie, zalana podłoga. OWU wyłącza odpowiedzialność, jeśli szkoda powstała na skutek niewłaściwej konserwacji instalacji. Klient ma faktury za przegląd sprzed pół roku. W trybie literalnym system oceni, że zapis o konserwacji jest nieostry i, zgodnie z regułą in dubio contra proferentem, zinterpretuje go na korzyść ubezpieczyciela. W trybie ducha ochrony weźmie pod uwagę cel polisy (ochrona przed zalaniem) i fakt, że klient dbał o instalację, i zarekomenduje wypłatę. Menedżer może przetestować obie ścieżki na historycznych sprawach i zobaczyć, która strategia lepiej bilansuje szkodowość i satysfakcję.

Proces oceny roszczenia z dwoma trybami decyzyjnymi i pętlą optymalizacji strategii

Korzyści i twarde liczby

Automatyzacja rutynowych spraw to przede wszystkim czas. Tam, gdzie likwidator spędza 20 minut na czytaniu OWU i notatki, system wydaje rekomendację w kilka sekund. Dla portfela 10 tysięcy szkód rocznie, przy średnim koszcie likwidatora 80 zł za godzinę, oszczędność sięga 250 tysięcy złotych rocznie, a to tylko bezpośrednie koszty osobowe. Dochodzi spójność decyzji: dwa podobne roszczenia nie kończą się raz odmową, raz wypłatą, bo system stosuje tę samą logikę. Mniej skarg do Rzecznika Finansowego, mniej kosztów obsługi prawnej. Najciekawsze jest jednak testowanie strategii. Jeden z ubezpieczycieli, z którym rozmawiałem, sprawdził, że przejście z trybu literalnego na duchowy w ubezpieczeniach mieszkaniowych podniosło wypłaty o 4%, ale wskaźnik odnowień wzrósł o 6%, co dało dodatkowe 1,2 mln zł przypisu rocznie. Oczywiście, każdy portfel jest inny, ale bez takiego narzędzia trudno to policzyć.

Od czego zacząć

System nie zastąpi doświadczonego likwidatora w skomplikowanych sprawach, ale odciąży go od masowych, powtarzalnych decyzji. W nieoczywistych przypadkach da dwie ścieżki do wyboru, zamiast jednej. Jeśli zarządzasz likwidacją, zacznij od pilotażu na jednym produkcie, najlepiej takim, gdzie masz dużo danych i wyraźne napięcie między literą a duchem OWU. Dwa miesiące testów na historycznych szkodach pokażą, czy warto wdrożyć na stałe.

  • Skrócenie czasu likwidacji rutynowych szkód z godzin do sekund
  • Spójność decyzji likwidacyjnych w całym portfelu
  • Możliwość symulowania wpływu różnych strategii orzeczniczych na szkodowość i retencję

Informacje o artykule

Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.

Paper: Directing large language models to follow the letter or spirit of the law

Autorzy: Peng Qian, Andrew Li, Sam Chen, Sonia K. Murthy, Yonatan Belinkov i in.

The distinction between the spirit and letter of the law is a central issue across research and everyday life, and a growing concern for building safe, intelligent machines. What is this distinction based on, and how can we develop machines that follow the intention behind a rule? We used targete...

arXiv: arxiv.org/abs/2609.23083

Czytaj więcej o tej technologii: Jak nauczyć model językowy rozróżniać literę i ducha prawa

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.

Dawid Grabanowski

Dawid Grabanowski, założyciel MTZN. Projektuje i wdraża rozwiązania AI dla firm: agenty SI, uczenie maszynowe, automatyzacje procesów i aplikacje dedykowane. Specjalizuje się w architekturze serverless i optymalizacji kosztów wdrożeń. https://mtzn.pl