AI w negocjacjach reasekuracyjnych – jak sprzedać portfel ryzyk bez zdradzania szczegółów

Coroczne negocjacje traktatu reasekuracyjnego potrafią ciągnąć się miesiącami. Cedent nie chce odsłaniać danych klientów, a reasekurator potrzebuje informacji do wyceny. Agenci AI zasilani dużymi modelami językowymi rozwiązują ten dylemat – negocjują warunki umowy kwotowej, ujawniając tylko te sygnały, które są niezbędne do porozumienia.

Agent, który trzyma dane przy sobie

W typowym procesie aktuariat cedenta przygotowuje ekspozycje, historyczne szkody i profile ryzyka, po czym dzieli się tym z reasekuratorem. Nawet przy klauzulach poufności jest to ruch drażliwy: szczegółowa baza klientów i szkód nie powinna opuszczać firmy. Z drugiej strony, bez tych danych trudno o uczciwą wycenę.

Nowe badania pokazują, że agenci oparci na LLM-ach mogą prowadzić negocjacje w warunkach asymetrii informacji, naśladując grę znaną z teorii ekonomii jako Perfect Bayesian Equilibrium. Cedent 'podpowiada' swojemu agentowi prywatną informację o oczekiwanej szkodowości, a ten w trakcie rozmowy z agentem reasekuratora ujawnia jedynie sygnały – np. przedziały wskaźnika szkodowości czy warunki brzegowe – nie publikując danych jednostkowych. Mimo to w eksperymencie laboratoryjnym do porozumienia doszło w 98,9% przypadków, a przechwycono 95,4% maksymalnej nadwyżki ekonomicznej (first-best surplus), zanim zdyskontowano opóźnienia.

To podejście idealnie pasuje do reasekuracji, gdzie dane o klientach podlegają RODO, a sprzedaż portfela przypomina właśnie negocjacje kontraktu z niepełną informacją – cedent wie więcej o ryzyku, reasekurator zna tylko ogólne trendy rynkowe.

Jak to działa w praktyce: traktat kwotowy w 8 minut

Wyobraźmy sobie ubezpieczyciela z portfelem ubezpieczeń majątkowych wartym 200 mln zł składki rocznie. Chce scedować 30% na reasekuratora poprzez quota share treaty. Wewnętrzny aktuariat oblicza, że skorygowany wskaźnik szkodowości netto dla tego segmentu wynosi 62%, ale szczegółowa kompozycja portfela – struktura wiekowa budynków, koncentracja geograficzna, udział klientów z podwyższonym ryzykiem – to informacje, których ubezpieczyciel nie udostępni.

Agent cedenta otrzymuje ten syntetyczny wskaźnik 62% oraz instrukcję: 'Jesteś upoważniony do ujawnienia, w ilu procentach historycznych kwartałów szkodowość przekraczała 70%, ale nie podawaj konkretnych kwot'. Agent reasekuratora, nie znając prawdziwego poziomu ryzyka, proponuje początkowe warunki: udział własny 5 mln zł, prowizja cedenta 25%, kontrakt na 2 lata. Agent cedenta odpowiada, że patrząc na ostatnie 12 kwartałów, szkodowość powyżej 70% zdarzyła się w 3 z nich, i sugeruje obniżenie udziału własnego. W ciągu 4 rund – średnia w badaniu wyniosła 2,98 rundy – osiągają porozumienie: udział własny 3,5 mln zł, prowizja 28%, kontrakt 3-letni. Całość trwa niecałe 8 minut, a szczegółowe dane klientów nie opuszczają firewalla cedenta.

Kto więcej zyskuje? Wybór dostawcy LLM i cierpliwość jako dźwignia

Zaskakujący wniosek z eksperymentu: tożsamość dostawcy modelu LLM silniej wpływa na podział nadwyżki niż ranga możliwości modelu. Gdy obie strony korzystały z agentów z rodziny OpenAI, cedent (kupujący w oryginalnym badaniu) zdobywał średnio 40% nadwyżki. Z Google – 50%, a z Alibaba Qwen – aż 70% w trybie 'rodzinnym'. Zamiana dostawcy po drugiej stronie potrafi przesunąć podział o 7–18 punktów procentowych.

Dla dyrektora reasekuracji oznacza to coś więcej niż ciekawostkę. Jeśli reasekurator wdroży własnego agenta z konkretnej rodziny modeli, cedent, wybierając własnego agenta z innego ekosystemu, świadomie lub nie, kształtuje ostateczny podział zysku. Ponadto sam prompt pełni rolę bezpłatnej dźwigni strategicznej: 'cierpliwość strategiczna' zapisana w instrukcji agenta wyjaśnia 90% wariancji podziału nadwyżki. W praktyce cedent może powiedzieć swojemu agentowi: 'Negocjuj twardo – lepiej przeciągnąć rozmowę o dwie rundy, niż zgodzić się na niekorzystną prowizję', i tym samym bez zmiany modelu poprawić swój wynik.

Co więcej, bezpieczeństwo transakcji nie jest oczywiste. Modele z dolnej półki (wersje bazowe, nie flagowe) akceptowały indywidualnie nieracjonalne kontrakty w 19,2% przypadków – czyli prawie co piąta umowa mogłaby przynieść stratę jednej ze stron. Flagowe i średnie modele, jak GPT-4, popełniały ten błąd zaledwie w 0,0–0,6% negocjacji. Przy traktacie opiewającym na dziesiątki milionów złotych taki margines błędu jest nie do zaakceptowania, dlatego wybór dojrzałego modelu jest kluczowy.

Korzyści i twarde liczby

Oszczędności czasu są spektakularne: zamiast 3–4 miesięcy angażowania brokerów i aktuariuszy, traktat może być wynegocjowany i przekazany do formalnego podpisu w ciągu jednego dnia roboczego. Ale prawdziwy ciężar finansowy tkwi w podziale nadwyżki. Załóżmy typowy traktat kwotowy na 30% składki portfela 200 mln zł, czyli 60 mln zł cedowanej składki. Jeśli dzięki lepszej strategii negocjacyjnej (cierpliwość agenta, odpowiedni wybór modelu) cedent zwiększy swój udział w nadwyżce z 50% do 55%, przy marży technicznej rzędu 10% daje to dodatkowe 300 tys. zł rocznie. Przy wieloletniej umowie skumulowana korzyść rośnie do milionów.

Koszty wdrożenia agenta – integracja z wewnętrznymi systemami aktuariatu i zakup dostępu API – mieszczą się w kilkudziesięciu tysiącach złotych na start, co przy pierwszym traktacie zwraca się w ciągu kilku miesięcy. Dodatkowo cały proces pozostawia ślad audytowy: każda runda negocjacji jest rejestrowana, co udowadnia compliance wykazując, że decyzje opierały się tylko na zatwierdzonych sygnałach.

Od czego zacząć

Z moich rozmów z brokerami wynika, że największą przeszkodą mentalną jest utrata kontroli nad rozmową. Warto więc pierwszy pilotaż przeprowadzić nie na traktacie katastroficznym, tylko na linii biznesowej o mniejszym znaczeniu – np. ubezpieczeniach OC dla małych firm – gdzie składka jest stabilniejsza, a dane bardziej jednorodne. Test na dwóch-trzech modelach LLM, z różnymi poziomami cierpliwości, pokaże, jak zachowuje się podział nadwyżki i czy agenci unikają stratnych kontraktów. Po takim dowodzie wdrożenie na pełną skalę staje się decyzją opartą na twardych wynikach, nie na wierze w AI.

• Negocjacje w 8 minut zamiast miesięcy, przy średnio 3 rundach wymiany informacji
• Ochrona danych klientów – cedent ujawnia tylko zagregowane sygnały, spełniając wymogi RODO
• Kontrola nad podziałem nadwyżki przez wybór dostawcy LLM i cierpliwość strategiczną zapisaną w prompcie

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.