Czy AI może poprawić procesy w ubezpieczeniach? Jak sztuczna inteligencja wspiera analizę szkód komunikacyjnych, ocenia ryzyko klientów i usprawnia obsługę spraw? O tym rozmawiam z Marcinem Kurczabem – szefem Innowacji i AI PZU, który od ponad 7 lat rozwija innowacyjne rozwiązania w największym polskim ubezpieczycielu.
Zespół Innowacji i AI PZU odpowiada za testowanie i wdrażanie nowoczesnych technologii, w tym AI. Na przestrzeni ostatnich 7 lat zespół Marcina przeanalizował ponad 7000 pomysłów, wdrożył ponad 40 projektów i stworzył rozwiązania, które przynoszą Grupie PZU korzyści liczone w dziesiątkach milionów złotych rocznie.
Kilka kluczowych tematów naszej rozmowy
- Jak AI zmienia branżę ubezpieczeniową? – od analizy zdjęć uszkodzonych pojazdów po ocenę ryzyka klientów korporacyjnych.
- Gen AI w PZU – specjalny wewnętrzny zespół GPT Lab testuje modele językowe w analizie dokumentacji, obsłudze klienta i wewnętrznych procesach IT.
- Czy AI w ubezpieczeniach jest dokładniejsze od człowieka? – algorytmy często przewyższają ludzi w precyzji analizy, ale nie zastępują ekspertów.
- Co sprawia, że 9 na 10 projektów AI kończy się porażką? – największe bariery to jakość danych, nadmierne oczekiwania i zbyt skomplikowane wdrożenia.
- Przyszłość sztucznej inteligencji w PZU – jak AI może zmienić interakcję z klientem i procesy obsługi szkód w najbliższych latach?
Warte Waszej uwagi!
Już po 18 marca na stronie www.pzu.pl/innowacje pojawi się tam nowy raport PZU Ready for Startups, a w nim wiele interesujących case studies z wykorzystaniem AI i innych ciekawych historii o innowacjach PZU. Zerknijcie sami na jedną ze stron raportu udostępnioną dzięki uprzejmości Marcina.
Cytaty, które warto zapamiętać?
„Jako PZU przecieraliśmy szlaki – gdy wdrażaliśmy AI do analizy szkód, byliśmy jednym z pierwszych ubezpieczycieli w Europie.”
„Nie powinno się skakać “po dwa schodki” na raz – firmy, które próbują rewolucji zamiast stopniowych wdrożeń AI, często ponoszą porażkę.”
„Sztuczna inteligencja nie jest magiczną kulą – kluczem do sukcesu jest selekcja projektów i realistyczne oczekiwania.”
To rozmowa pełna praktycznych przykładów wdrożeń AI w PZU i refleksji nad przyszłością branży ubezpieczeniowej. Czy AI zmieni sposób, w jaki korzystamy z ubezpieczeń? Jakie wyzwania czekają ubezpieczycieli w erze generatywnej sztucznej inteligencji?
Zapraszam do słuchania!
—
Masz chwilę? Jeśli podoba Ci się 99 Twarzy AI, zostaw ocenę i recenzję – dzięki temu możemy docierać do jeszcze większej liczby słuchaczy!
Dobrego dnia i niech #AI będzie z Wami wszystkimi!
—
Transkrypcja rozmowy
Disclaimer. Droga Czytelniczko, Drogi Czytelniku – mała uwaga dotycząca transkrypcji rozmowy. Jak się pewnie domyślasz – transkrypcja została przygotowana z wykorzystaniem magii LLM. Proszę o wyrozumiałość, gdyby pojawiły się w niej niewielkie błędy, literówki, etc. Żeby mieć pewność co do wszystkich wypowiedzi – polecam posłuchać, zamiast czytać. Ukłony.
Karol
Marcinie, witam cię serdecznie. Kolejna Twarz.ai, kolejny obszar, o którym będziemy rozmawiać. Witam cię serdecznie i dziękuję za przyjęcie zaproszenia.
Marcin
Cześć Karol, cześć wszystkim. Bardzo mi miło, że mogę wziąć udział w tym podcaście.
Karol
Opowiedz proszę, kim jesteś, czym się zajmujesz, no i jaką instytucję reprezentujesz?
Marcin
Nazywam się Marcin Kurczab, jestem szefem Laboratorium Innowacji Grupy PZU. Myślę, że Grupy PZU nie trzeba nikomu przedstawiać, jest to największy ubezpieczyciel w Polsce. Obsługujemy ponad 15 milionów klientów ubezpieczeniowych u nas na polskim rynku. I prowadzę Laboratorium Innowacji, czyli taką komórkę, której zadaniem jest łączenie świata startupów ze światem potrzeb biznesowych Grupy PZU.
Karol
No dobrze, ale to są startupy, potrzeby, ale nie tylko z obszaru AI, jak rozumiem.
Marcin
Tak, patrzymy bardzo szeroko, nie ograniczamy się tylko i wyłącznie do AI-a. Naszą misją jest to, żeby generować pomysły na nowe rozwiązania, testować je wspólnie z jednostkami biznesowymi, PZU i wdrażać najlepsze projekty do produkcji.
Robimy to po to, aby w średnim, długim horyzoncie Pomóc grupie PZU utrzymać poziom konkurencyjności w zmieniającym się otoczeniu technologicznym i właśnie lewarujemy się startupami, które są fantastyczne, jeśli chodzi o time to market, elastyczność, poziom specjalizacji na temat danego zagadnienia i no żyjemy w czasach, gdzie ten AI jest odmieniany przez wszystkie przypadki, wobec czego naturalnym jest to, że duża część naszych projektów dotyka tego komponentu.
Pomóc nam. Ale nie jest to jedyna technologia, której się przyglądamy i którą wdrażamy w ramach grupy PZU. Ponadto, jeśli chodzi o sztuczną inteligencję, to nie ograniczamy się tylko i wyłącznie do startupów, bo mamy też x projektów, które robimy sami wewnętrznie. Ponieważ nasze potrzeby, czy też charakterystyka projektu jest taka, że ten development wewnętrzny ma dużo większą przewagę, niż zewnętrzny provider.
I mamy też właśnie wyspecjalizowany zespół Fabrykę Sztucznej Inteligencji w grupie PZU, który takie projekty realizuje.
Karol
A zanim jeszcze przejdziemy do Fabryki Sztucznej Inteligencji, czy mógłbyś opowiedzieć o takich ciekawych wdrożeniach, o ciekawych startupach, które udało wam się wyłowić z rynku i które potem przenieśliście do organizacji?
Marcin
Jasne, więc takim naszym największym success story, myślę, na przestrzeni ostatnich lat jest wdrożenie kilku rozwiązań wizji komputerowej w kontekście analizy zdjęć uszkodzonych pojazdów. PZU jako największy ubezpieczyciel na polskim rynku posiada ponad 30 percent udziału rynkowego w ubezpieczeniach komunikacyjnych, implikuje to ponad pół miliona szkód komunikacyjnych rocznie do obsługi.
To są setki, tysiące spraw dziennie, tygodniowo, no i historycznie większość tych spraw była obsługiwana przez naszych ekspertów, jest dalej obsługiwana przez naszych ekspertów, ale bez tego komponentu AI-owego. Po wdrożeniu rozwiązań wizji komputerowej, olbrzymia część naszych spraw jest przy wsparciu AI-a, gdzie AI jest w stanie przeanalizować uszkodzenia danego pojazdu.
Czyli na podstawie zdjęcia jest w stanie powiedzieć, która część została uszkodzona, jaki jest stopień tych uszkodzeń, czy dana część powinna zostać wymieniona czy naprawiona, jaka jest referencyjna liczba roboczogodzin, którą należy poświęcić na naprawę danego samochodu. Więc mamy takiego quasi asystenta naszych ekspertów, opiekunów, klienta, który wspiera nas w różnego rodzaju use case’ach i ścieżkach klienckich, jeśli chodzi o precyzję naszej wyceny, ale też poprawia nasz time to market i sprzyja temu, żeby właśnie klient miał tą wycenę szybciej dostarczoną i żebyśmy mogli szybciej tą sprawę z perspektywy klienta zamknąć.
Karol
I taką aplikację, takie rozliczenie takiej szkody obsługuje. klient bezpośrednio, czy wasz pracownik?
Marcin
Mamy, mamy kilka use case’ów. Tak jak wspomniałem, są zarówno use case’y takie wewnętrzne, gdzie jest moduł wystawiony dla naszego likwidatora, ale mamy też wdrożone, powiedzmy ponad rok temu, takie rozwiązanie, gdzie klient może przejść przez self-service.
Jeśli chodzi o aspekt wykorzystania aplikacji, te persony, które wykorzystują aplikację z modułem AI, To mamy szereg różnego rodzaju rozwiązań. Zaczynaliśmy od rozwiązań, które są poświęcone pracownikom wewnętrznym, ale teraz w ramach zaawansowania tej technologii i jej wzrostu dokładności udostępniliśmy też takie rozwiązanie dla klientów zewnętrznych, czyli w wybranych przypadkach.
Kiedy szkoda jest niskiej bądź średniej takiej severity, tak, czyli no ten poziom uszkodzeń jest, jest relatywnie niewysoki, nie ma takich uszkodzeń wewnętrznych w samochodzie to klient może przejść przez ścieżkę self-service’ową, która polega na tym, że odpowiada na kilka takich bardzo prostych, podstawowych pytań.
Następnie w czasie rzeczywistym robi zdjęcia uszkodzonego pojazdu i już po 30-40 sekundach jest To jest możliwe otrzymanie propozycji wypłaty odszkodowania z perspektywy klienta.
Karol
A jak wyglądają aplikacje innych podmiotów na rynku? Czy to było wasze takie, wiesz, pionierskie wdrożenie, czy wzorowaliście się na innych rozwiązaniach, które były już dostępne?
Marcin
Na moment, kiedy wdrażaliśmy to rozwiązanie w grupie PZU, byliśmy jednym z pierwszych ubezpieczycieli w Europie i jednym z pierwszych ubezpieczycieli na świecie, więc… Więc totalnie przecieraliśmy szlaki. Fun fact jest taki, że ten startup, z którym realizowaliśmy ten projekt w momencie, kiedy nawiązywaliśmy współpracę składał się z zespołu 5-7 osobowego.
Dzisiaj jest to firma, która ma ponad 300 pracowników i jest tak zwanym unicornem, czyli jest wyceniany na ponad 1 miliard dolarów, jeśli chodzi o wycenę.
Karol
Wow, a to jest polska firma, czy zagraniczna?
Marcin
Nie, to jest zagraniczna zagraniczna. z Wielkiej Brytanii startup. Więc jakby ten track record ichniejszy bardzo jest pozytywny, tak?
I nie jest to bardzo częsta sytuacja, żeby startup w ciągu 3-4 lat tak mocno urósł. Natomiast bardzo mnie cieszy to, że byliśmy tym first adopter w branży. Jako, że właśnie mamy bardzo wysoką wolumetrię naszych procesów, no to super korzyści dla nas są z tytułu wdrożenia tego typu technologii, bardzo mocno nam usprawniła życie.
No i to jest jeden z takich use case’ów, który pewnie gdzieś tam najmilej wspominamy. Natomiast wykorzystanie sztucznej inteligencji w PZU to jest znacznie więcej niż tylko zdjęcia uszkodzonych pojazdów, bo wykorzystujemy te algorytmy, czy to computer vision, czy machine learning, czy deep learning w znacznie większej liczbie obszarów i tutaj z takich najbardziej popularnych use case’ów, które są u nas to są Newscase wokół szeroko pojętej zaawansowanej analityki, czyli tak procesy CRM-owe, czy, czy takie aktuarialne.
Lepsze rozumienie ryzyka, bardziej adekwatny pricing, czyli to, co w ubezpieczeniach tak naprawdę stanowi przewagę konkurencyjną każdego ubezpieczyciela. Jak dana jednostka ryzyka powinna być wyceniona? Ile powinien nam klient zapłacić za dane ryzyko, które wnosi do naszego portfela?
Karol
No. Zobacz, że branża ubezpieczeniowa, szczególnie jeżeli chodzi o właściwe ubezpieczenia w różne przypadki losu, no to jedno z pierwotnych źródeł danych i koncentracji właśnie, jeżeli chodzi o statystykę.
Pamiętam… Zawsze mój podziw budzili aktuariusze, którzy, wiesz, wyliczali to prawdopodobieństwo wydarzenia się w danej sytuacji. Myślę, że
Marcin
jesteśmy fantastycznie spozycjonowaną branżą, jeżeli chodzi o adopcję szeroko pojętego AI-a. Ponieważ właśnie ta matematyka, probabilistyka, statystyka, prawo wielkich liczb, one w ubezpieczeniach zawsze były obecne, więc to jest poniekąd tak, że ta technologia pozwala nam wejść jeszcze na wyższy poziom dokładności, precyzji i takiego zaawansowania.
Ale to nie jest tak, że musimy tutaj od zera budować procesy myślowe, czy jakieś kompetencje, takie analityczne, bo one na przestrzeni lat są już tutaj obecne u nas.
Karol
Właśnie miałem powiedzieć, że tak naprawdę zobacz, że tak jak mówisz, procesy, wiedza, dane, one wszystkie są usystematyzowane i tak jak mówi się często garbage in, garbage out. To wy jesteście jednym z typów organizacji, które te dane mają nie tylko skompletowane od lat, ale zapewne też w bardzo fajny sposób poporządkowane.
Marcin
Myślę, że tak. Tu postawię przecinek i jest jednak to ale. W sensie, no te, te, różnorodność tych use case’ów i różnego rodzaju możliwości wykorzystania AI-a w dzisiejszych czasach.
Powoduje, że też bardzo często w grupie PZU myślimy o takich procesach, które nie są tymi core’owymi procesami, gdzie, gdzie ta zaawansowana analityka była wykorzystywana i no skłamałbym, gdybym powiedział, że zawsze wszystko u nas jest pięknie poukładane i ta jakość danych jest fantastyczna, bo no Po prostu to jest utopia.
Myślę, że żadna branża, żaden gracz rynkowy nie jest w stanie tutaj powiedzieć, że jest to wszystko perfekt zrobione.
Karol
Ale zobacz, że wy, myślę, jak mało która organizacja, macie świadomość wagi uporządkowania tych danych wszystkich.
Marcin
Tak, myślę, myślę, że jak najbardziej. No i to oczywiście jest tak, że jak mamy jakiś dobry pomysł na projekt i widzimy, że ta jakość danych…
nie jest dzisiaj odpowiednia albo tych danych w niektórych miejscach nie zbieramy, no to staramy się właśnie tak dostosować nasze systemy informatyczne czy hurtownie danych, żeby jednak te, te zaległości nadrobić, tak. żeby w średnim, długim terminie jednak zniwelować te, te niedogodności, a dla mnie to jest naturalne, że, że nie zawsze ta jakość danych jest odpowiednia i nie zawsze te dane są zbierane, ponieważ, no, te systemy bardzo często są projektowane w zupełnie innym celu, tak, i ciężko jest mieć pretensje do osób, które 15 lat temu pewien system IT projektowały, nie mając na uwadze to, że może za piętnaście lat właśnie się pojawi jakaś technologia, która wykorzysta jeszcze dodatkowo pewne dane, które mogą być w tym systemie gromadzone.
Więc to myślę jest bardzo naturalne, natomiast, no, tutaj chciałem podkreślić, że według mnie bardzo wartościowe jest to eksperymentowanie, tak? Czyli nawet jeżeli mamy wizję dużego rozwiązania i nie wiemy czy ono będzie adekwatne czy nie. To dobrze jest iść krok po kroku do przodu, zakładać sobie jakieś hipotezy, testować inkrementalnie nawet jakieś use case’y, takie analityczne, żeby móc później podjąć decyzję o tym, że chcemy gdzieś doinwestować pewnego typu dane, zbierać szerzej niż do tej pory, no bo jakby na koniec dnia te wszystkie rozwiązania, które robimy, one muszą też przyniosić wartość dla organizacji i um, Brutalnie mówiąc, generować pieniądze, tak, no bo jesteśmy organizacją, która jest bytem giełdowym, mamy swoich akcjonariuszy i oczywiście, no tutaj na koniec dnia są zawsze też pytania o NPVK i o to, czy dane rozwiązanie ma sens taki biznesowy.
Karol
A mógłbyś opowiedzieć jeszcze o jakichś ciekawych waszych case’ach, jeżeli chodzi właśnie o takie eksperymenty, które prowadzicie i obszary, które rozważacie, jeżeli chodzi o adopcję rozwiązania?
Marcin
tak, jak najbardziej, więc no myślę, że teraz w tym roku top numer jeden obszarem i to nie tylko u nas, ale u innych graczy rynkowych jest szeroko pojęty Gen AI. W mojej ocenie jest to technologia, która ma bardzo duży potencjał. Niemniej no są pewnego rodzaju mankamenty nadal z tą technologią związane jak choćby halucynowanie czy, czy jakby jakieś kwestie takie regulacyjno-prawne dotyczące tych modeli i tam takiego IP tego w jaki sposób te modele powstają.
Niemniej ubezpieczyciel, który, którego w dużej mierze rola polega na tym aby umożliwił, umożliwił, umożliwił, umożliwił. Analizować tekst i jak, jak, i również produkować tekst, tak, jakby się tutaj zastanowić, no to my bardzo dużej mierze właśnie ten nasz czas poświęcamy na to, żeby przeanalizować informacje od klienta i wygenerować informacje dla klienta.
Jest szereg, masa różnego rodzaju potencjalnych zastosowań tej technologii w branży ubezpieczeniowej i dzisiaj się temu bardzo mocno w PZU przyglądamy. Mamy powołany taki wewnętrzny, dedykowany team GPT Lab, którego celem jest stricte właśnie określenie potencjalnych obszarów wykorzystania tej technologii w PZU, przeprowadzenia pierwszych eksperymentów no i wdrożeń.
Mamy już za sobą szereg różnego rodzaju pilotaży. Jedne są bardziej udane, drugie trochę mniej udane, natomiast no to, co myślę jest super ciekawe w kontekście tej technologii, to to, że ona pozwala myśleć o nowego rodzaju use case’ach w branży ubezpieczeniowej, które wcześniej nie były możliwe do realizacji i myślę, że w perspektywie najbliższych kilku lat ta technologia się mocno u nas zadomowi.
Karol
Podrąże tutaj, czy możemy o takich use case’ach opowiedzieć? O kierunkach, o obszarach, które rozważacie, jeżeli chodzi o wykorzystanie?
Marcin
Jak najbardziej. Myślę, że w szczegóły tutaj nie będę wchodził detalicznie, natomiast no takie kierunki, które są oczywiste z perspektywy ubezpieczciela. To jest kilka takich obszarów, jak na przykład underwriting, czyli proces oceny ryzyka danego klienta, gdzie analizujemy szereg dokumentacji i podejmujemy decyzję odnośnie odpowiedniej taryfy, którą dla klienta powinniśmy zaaplikować, w szczególności w kontekście tutaj klientów MSP i korporacyjnych, tak, czyli jakby to.
W, w kliencie indywidualnym ten proces jest dużo prostszy, w kliencie MSP i w kliencie corpo ten, ten proces analizy ryzyka potrafi być dużo bardziej rozbudowany, bo też jakby odpowiedzialność zakładu ubezpieczeniowa jest dużo większa, więc tutaj myślę, że jak najbardziej jest spora przestrzeń, wszystkie kwestie związane z obsługą klienta, czyli tam gdzie wpływa mail od klienta, jakieś pismo od klienta i, i my na bazie tego podejmujemy decyzję.
Oczywiście tutaj Nie jest tak, że one size fits all i trzeba być bardzo selektywnym, jeśli chodzi o dobór use case’ów i to czy one przynoszą rzeczywiście wartość dla organizacji, no ponieważ no wiemy o tym, że, że to accuracy nigdy nie będzie 100%, tam jakby musi być ten human in the loop bardzo często przy tych projektach.
Niemniej jednak dobra selekcja use case’ów, gdzie. Te 95 percent przysłowiowej dokładności jest good enough, żeby proces poprawić. No to jest to, co nas interesuje. PZU jest bardzo dużym pracodawcą IT również. Mamy blisko tysiąc osób zatrudnionych u nas w dziale technologii, więc interesują nas również rozwiązania, które pomagają szybciej i sprawniej pracować z deweloperą, testować kod, tworzyć kod.
No i tutaj też jesteśmy w trakcie różnego rodzaju eksperymentów i pilotażowych wdrożeń. Testujemy również wykorzystanie LLM-u w kontekście bazy wiedzy. Tak, czyli my jako firma ubezpieczeniowa, przykładowo naszej sieci sprzedaży. Dostarczamy różnego rodzaju wytyczne, czy, czy też ta sieć sprzedaży musi dobrze znać nasze OWU.
No i dlaczego, dlaczego nie wykorzystać tej technologii, która teraz jest po to, żeby ten przysłowiowy sprzedawca mógł w sposób szybki i taki naturalny dla siebie odpytać o jakieś kwestie, które stanowią dla niego znak zapytania.
Karol
Ostatnio prowadziłem jedną ciekawą rozmowę z przedstawicielem jednej z dużych firm bankowych i jednej z firm wielkiej czwórki, która była odpowiedzialna za wdrożenie właśnie bazy wiedzy dotyczącej tych kredytów dwuprocentowych, jeżeli chodzi o pomoc w obsłudze klienta. Niezwykłe wdrożenie, kapitalna wartość dla pracowników. Dla klientów, które zebrało, o ile dobrze pamiętamy, pięć albo sześć tygodni.
Marcin
Tak, no myślę, że to są takie projekty, gdzie bardzo dobrze jest się nauczyć tej technologii i przecierać pierwsze szlaki, jak można ją wykorzystać. No, ale też poznać jej mankamenty, tak?
To jeszcze nie jest technologia, która jest nieomylna, czy nie ma jakichś swoich mankamentów właśnie. I myślę, że te bazy wiedzy przysłowiowe są super pierwszym use case’em takim do przetestowania, do uruchomienia. Ale jak dla mnie to jest tylko początek większej historii, która się powinna zadziać za tą technologią.
Tak, czyli. Ja wierzę bardzo mocno w to, że na przestrzeni najbliższych kilku lat, bo pewnie to się nie zadzieje w ciągu kilku miesięcy, jakby nic nie dzieje się overnight w instytucjach finansowych. Na przestrzeni kilku lat jestem sobie w stanie wyobrazić, że to w jaki sposób my obsługujemy klienta, czy to przy procesach naszych właśnie obsługi szkód i świadczeń, czy nie wiem, obsługi reklamacji klienta, to może się bardzo zmienić wersus to jak, jak to dzisiaj wygląda.
Karol
Gen.AI to jeden obszar, a jak wyglądają inne technologie, które wykorzystujecie w NLP i NLU?
Marcin
No, jeśli chodzi o pozostałe technologie, czy te rodziny technologii AI-owych, no to zdecydowanie takim naszym ulubionym AI-em jest Computer Vision, tak? Czyli my jako ubezpieczone. Jako ubezpieczyciel analizujemy bardzo dużo zdjęć, materiałów takich fotograficznych.
Karol
Tak, od tego zaczęliśmy zresztą.
Marcin
tego zaczęliśmy. To są właśnie te zdjęcia użygodlonych pojazdów, ale to są chociażby też zdjęcia satelitarne pól rolnych. Tak, my jako PZU jesteśmy top jeden, jeśli chodzi o uprawy rolne w Polsce. No i mamy też takie rozwiązania, które…
Karol
O, ubezpieczenia upraw rolnych.
Marcin
Tak, tak, tak.
To jakby, to jest bardzo duży pól ubezpieczeniowy w Polsce. Rolnicy się ubezpieczają od różnego rodzaju ryzyk, takich jak efekt złego przezimowania, deszcz nawalny, grat, susza. Tak, to są bardzo popularne polisy, no i też super korelują z obecnymi ryzykami, które nas wszystkich dotykają w dobie zmian klimatycznych.
Jesteśmy numer jeden na rynku. I tutaj również wykorzystujemy technologię, żeby wspierać naszych likwidatorów przy szybszej i bardziej precyzyjnej ocenie tego, jakie są efekty tych, tych zjawisk pogodowych. Więc dzisiaj przykładowo, kiedy nasz mobilny ekspert jedzie do klienta zobaczyć, co się stało, tak, jeśli chodzi o zdarzenie ubezpieczeniowe.
Dojedzie już tam przygotowany. Ma wygenerowany raport właśnie bazujący na zdjęciach satelitarnych, gdzie są już takie powiedzmy guidance dla niego, gdzie na polu powinien sprawdzić, jaki jest obszar uszkodzeń, tych punktów kontrolnych jest mniej niż było kiedyś, dzięki temu, że jesteśmy w stanie zrobić pewną analitykę już jeszcze przed inspekcją szkody.
Więc no tutaj też jest ta technologia ukryta i to jest, to jest w sumie ciekawe, bo z perspektywy klienta końcowego może być tak, że wydaje się, że ten zakład ubezpieczeniowy jest taką skostniałą instytucją, która no nie zmienia się wewnętrznie i technologicznie tkwi w XX wieku, a proszę mi uwierzyć, że…
No te nasze procesy back office’owe bardzo często są wyposażone właśnie w dużej mierze czy to w RPA, czy to właśnie w AI’a, czy w innego rodzaju mechanizmy technologiczne, które powodują, że wyglądają one zupełnie inaczej niż było to kiedyś. Oczywiście z perspektywy klienta tym interfejsem bardzo często nadal jest człowiek, bo czy to w kontekście sprzedaży.
Agenci ubezpieczeniowi nadal mają się bardzo dobrze i myślę, że będą się mieć bardzo dobrze przez najbliższe lata jeszcze, bo, no, tworzą bardzo dużą wartość również dla, dla klientów i nic nie, nie zwiastuje na to, że taki pure online będzie w stanie istotnie tutaj zmienić jakby strukturę rynku, jeśli chodzi o dystrybucję, no i podobnie jest…
Karol
Sam wiem topo sobie, bo dużo łatwiej jest mi się gadać po telefon, zadzwonić do Pani Beaty, powiedzieć, Pani Beato, potrzebna jest taka czy inna polisa.
Marcin
No tak, tak. I pani Beata ma tą przewagę nad AI-ami, że jakby no bardzo dobrze ciebie zna, kontekst twój, czy, czy powiedzmy jakieś potencjalne dalsze, nie wiem, kwestie, produktów, które, które mogą być tobie potrzebne, więc ja nie mówię, że, że to nie jest możliwe, ale Tak, tak, tak.
Na dzisiaj ta przysłowa Pani Beata tworzy, no, jednak bardzo dużą wartość dla klienta, daje mu ten spokój, też umysłu, jeśli chodzi o właśnie kwestie rozumienia OWU, ewentualnych wyłączeń, że, że ta rola agenta jest nadal silna i myślę, że, że będzie silna.
Karol
A robiliście takie eksperymenty z tworzeniem agenta, który byłby wirtualnym doradcą, jeżeli chodzi o ubezpieczenia?
Marcin
Rozważaliśmy takie projekty, natomiast nigdy nie weszły one na jakąś fazę taką bardzo zaawansowaną, ponieważ no widzimy, że nie jest to do końca naturalny taki kanał komunikacji, czy, czy obsługi klienta. Dodatkowo tego typu… Projekty, żeby one mogły dobrze działać, one wymagają bardzo, ale to bardzo solidnej podstawy, w cudzysłowie, z tyłu tego rozwiązania, tak, czyli muszą być dociągnięte różnego rodzaju bazy danych i systemy polisowe, co powoduje, że no te rozwiązania są bardzo drogie.
Tak, żeby, żeby to zrobić w firmie ubezpieczeniowej z dwustuletnią tradycją i z dwustoma różnego rodzaju systemami IT i aplikacjami, jaką jest PZU, więc nigdy, nigdy na to nie poszliśmy, jeśli chodzi o jakieś takie większe wdrożenie. Bo też nie mieliśmy na ten moment przynajmniej takich sygnałów, żeby to mógł być taki Game Changer w branży, tak.
Mamy uruchomione różnego rodzaju takie bardziej digitalowe kanały obsługi klienta typu Messenger. No i nie widzimy, żeby to generowało jakieś zawrotne wolumeny, jeśli chodzi o liczbę tych interakcji, tak. Ja nie chcę mówić, że to nie jest kanał przyszłości i… Klienci z tego nie korzystają. Natomiast, no, nie jest tak, jakby się mogło niektórym wydawać, że jak odpalimy przesłowego Messengera czy Whatsappa, że, że nagle cały ruch się tam przekieruje, bo jednak te inne interfejsy, które, no, też są dużo lepszymi interfejsami, jeśli chodzi chociażby o organy nadzoru, tak, bo KNF wymaga od nas pewnego rodzaju również IT security czy jakieś kwestie związane z tym, gdzie, gdzie dane klientów się znajdują.
No to mają się bardzo dobrze, więc ja myślę, że w perspektywie najbliższych kilku lat, ja wierzę bardzo mocno w taki model hybrydowy, właśnie agenta plus technologii, tak, że wszędzie tam, gdzie na przykład agent nie będzie miał czasu, albo z perspektywy klienta będzie to wygodniejsze, żeby zrobić te dwa kliknięcia na portalu self-service’owym, to ten agent się z klientem skontaktuje i powie mu, żeby właśnie sobie wszedł na przysłowę mojej PZU i tam dokończył na przykład proces wznowienia polisy.
Karol
Bardzo ciekawe. Um, a powiedz mi, czy zatem system komputerowy może być bardziej dokładny niż najlepszy probabilista?
Marcin
Bardzo dobre pytanie i myślę, że moglibyśmy godzinami dyskutować nad, nad odpowiedzią.
Karol
Czy wiesz, czy, czy ten taki błysk w oku i myśl, która jest charakterystyczna dla człowieka i takie czucie będzie czymś, co jednak będzie zawsze brało górę, jeżeli chodzi o…
Marcin
Ja, ja kilka lat temu… Rok temu, jak zaczynaliśmy robić projekty AI-owe w PZU, to mówiłem, że jeżeli te algorytmy są tak dobre jak, jak człowiek, to już jest sukces, tak, i w bardzo wielu przypadkach właśnie projektów, gdzie to wdrażaliśmy, to był to warunek wystarczający do, do tego, żeby coś zrealizować, wdrożyć, natomiast z perspektywy czasu, ja widzę, widzimy to tutaj w PZU, bo, Że jest szereg usług AI-owych, które potrafią być lepsze niż człowiek, niż jego oko i oczywiście jeszcze to można zmultyplikować tym, że no AI w nocy nie śpi, nie potrzebuje odpoczywać, więc czy przeanalizuje dziesięć spraw czy tysiąc, no to jest to dla niego przezroczyste.
Więc ja bym powiedział tak, że oczywiście są przypadki wykorzystania, gdzie ta technologia potrafi być lepsza niż człowiek, ten probabilista. Nie jest to zawsze oczywiste, że tak będzie. Są również przypadki, gdzie AI w cudzysłowie się ośmiesza według mnie. W sensie, no jakby potrafi zachowywać się w sposób taki, gdzie, gdzie no dla.
Kogoś, kto nie do końca rozumie tą technologię, no to po prostu jest kompromitujące, tak, ale to wynika z tego, że wszystko się sprowadza do, do tego, że use case is the king, ja to zawsze powtarzam, że przy tych projektach AI-owych selektywność to jest takie słowo klucz, tak, czyli trzeba bardzo dobrze dobrać, nie wszystko naraz, tylko, nie wszystko naraz, no, wiemy to wszyscy, ostatnio Gartner chyba takie statystyki opublikował, że ale…
80 percent projektów AI-owych właśnie w instytucjach finansowych kończy się porażką, a 50 percent z tych, które są wdrażane, nie jest później wykorzystywane, tak? Czyli mamy okrutnie brutalny lejek projektowy, gdzie zaczynamy od dziesięciu projektów. Z tych dziesięciu projektów dwa przejdą do wdrożenia i z tych dwóch jeden umrze po kilku latach i jeden będzie używany z sukcesem i myślę, że, że tak jest w rzeczywistości, tak, czyli ta, ta selektywność jest bardzo ważna, trzeba wiedzieć gdzie tą technologię użyć, a gdzie jej nie używać, w szczególności jeżeli są obszary biznesowe, gdzie jesteśmy dany problem biznesowy w stanie rozwiązać prostszą technologią, nie tak skomplikowaną, to wysoce wskazane jest to, żeby to robić właśnie prostszą technologią.
Karol
To dobrze, to pociągnę tutaj ten wątek, to dlaczego tych dziewięć na dziesięć projektów się nie udaje? Czy to wynika z przerostu oczekiwań, ze złych danych, czy z czego to tak naprawdę wychodzi?
Marcin
Myślę, że jest to problem bardzo złożony i ciężko go sprowadzić do takiej, powiedzmy, prostej odpowiedzi. Na pewno brak danych jest jednym z głównych elementów, tak?
Czyli na starcie projektu możemy mieć zupełnie inne wyobrażenie tego, jak wyglądają nasze datasety. Jaka jest ich jakość, jakie mają luki i bardzo wiele projektów myślę się tutaj wywala na tym, że, że w ramach tej, tej wstępnej analizy widzimy, że, że jednak jest ten dataset bardzo słabej dyspozycji. Myślę, że ten AI ma to do siebie, że ma właśnie to akurasy w wielu przypadkach na poziomie.
90, 95, 98 procent dokładności i nie zawsze jest tak, że to jest good enough, jeśli chodzi o proces produkcyjny, więc dużo projektów myślę, że też nie przechodzi do wdrożenia, bo Jest wyobrażenie np. zespołu projektowego, że, że ta dokładność AI będzie 99,9. No bardzo często to jest niżej, więc albo trzeba ten use case dostosować do tego, że ten AI też czasami potrafi mniej dokładną odpowiedź wygenerować i mieć np. ten, tego człowieka gdzieś tam jeszcze w tym procesie, żeby wyłapał jakieś elementy. Albo żeby AI np. generował dla niego jakieś sygnały, tak, i trochę ten use case zrobić jeszcze tak, tak mniej ostro, no ale na pewno jest tak, że, że właśnie te 95 percent dokładności jest tutaj jakąś barierą, no to widzimy chociażby w kontekście samochodów autonomicznych, tak, ja pamiętam 4-5 lat temu, jak bywałem na jakichś konferencjach takich technologicznych za granicą, wychodzili prezesi Volkswagena, Mercedesa, a wczystki… Wszyscy mówili, że do 2023, 2024 to już samochody autonomiczne będą jeździć ulicami Europy i w ogóle ten świat będzie wyglądał inaczej i no myślę, że jakby bardzo duże środki zostały zainwestowane w tę technologię i widzimy, że te samochody są dużo bardziej inteligentne niż były w przeszłości, no niemniej na tej pięciostopniowej skali autonomiczności, no to jesteśmy dalej tam gdzieś przy tej dwójce, trójce.
I no myślę, że jeszcze dużo wody w Wiśle upłynie, żeby być przy czwórce czy piątce, tak? Natomiast, no ciężko jest tutaj kwestionować to, że ta autonomia na poziomie, autonomiczność, przepraszam, na poziomie dwa, trzy, no to, że ona już nie wnosi dużo uzysku, bo… Oczywiście jest tak, że te samochody, które są teraz zjeżdżają z linii produkcyjnej, są wyposażone w turbo ciekawe technologie zaawansowane.
No one powodują, że jest znacznie mniej wypadków, ci kierowcy są gdzieś tam wyposażeni właśnie w takiego asystenta, który o nich dba. No niemniej właśnie ten, ten przykład samochodów autonomicznych jest dla mnie idealnym takim referensem. z, yy, benchmarkiem mówiącym o tym, że no to wyobrażenie o tym, co potrafi robić AI versus co na koniec dnia jest w stanie dostarczyć AI przynajmniej na dzisiaj, no to, to może gdzieś tam być rozbieżne.
To, co my widzimy jeszcze w PZU, ja sobie tutaj tak roboczo to nazywam skakanie o dwa schodki, to bardzo źle jest, jeżeli ktoś próbuje zrobić projekt, który ma nas przenieść z poziomu zero na poziom. Dwa albo sto. Tak właśnie, jeżeli ty dzisiaj ten proces masz bardzo taki offline-owy, manualny, nieustrukturyzowany, nie poukładany, no to myślę, że jest bardzo, bardzo trudno zrobić taki frog jump o kilka schodków do góry.
I, i, i wdrożyć AI-a, który będzie taką magiczną kulą, która nagle spowoduje, że ten proces jakby totalnie się zmieni. Więc dużo lepiej jest jednak iść po tych schodkach, niż skakać po tych schodkach. I myślę, że też duża część projektów się właśnie wywala z tego powodu, że no ktoś próbuje bardzo taką rewolucyjną zmianę zrobić, nie, nie mając ku temu jakby odpowiednich narzędzi.
I ostatnia rzecz, którą ja bym tutaj wymienił, dlaczego duża część projektów AI upada, to jest też w dużej mierze kwestia komponentu nietechnologicznego. Bardzo często przy projektach AI, ja obserwuję, że jest tak silny fokus na samej technologii i na tej sztucznej inteligencji, że zapominamy o tym, że to jest tylko jeden puzzle w całej układance i trzeba…
Zadbać o ten, ten, ten klasyczny change management, o to żeby… Edukację, świadomość, nauka biznesu. Dokładnie, żeby ten proces jakby przenieść ze świata dzisiejszego do świata jutrzejszego i przeprowadzić ludzi przez tą zmianę, tak? Bardzo często jest tak, że… Są fantastyczne rozwiązania wykorzystujące sztuczną inteligencję, których nie jesteśmy w stanie dzisiaj my jako ludzie zaadoptować w nasze procesy, bo nie skupiamy się w wystarczającej mierze na tym procesie takim właśnie zarządzania zmianą, tak, i tutaj myślę, że jest bardzo dużo ciekawych use case’ów na rynku, według mnie jednym z takich obszarów, gdzie ten change management nie nadąża.
Karol
No to jest obszar szeroko pojętego medtechu, czyli branży medycznej, która wykorzystuje również nowe technologie i ja widzę cały szereg fantastycznych start-upów, Brainscan, MiM Fertility.
Marcin
Tak, tak, które są no świetne jeśli chodzi o poprawę produktywności. No niemniej, no tak jak każda branża, również branża medyczna ma swego rodzaju inercje, przyzwyczajenia, no i są pewne takie elementy, które po prostu powodują, że gdzieś ten proces nie, nie dzieje się tak szybko jak, jak powinien.
Karol
Ciekaw jestem, wiesz, na ile skutecznie będziemy w stanie kalkulować wartości.
Marcin
Myślę, że ta część aktuariatu w zakładach ubezpieczeniowych jest mimo wszystko trochę bardziej konserwatywna niż ta część majątkowa. Ponieważ, no, bazujemy tutaj jednak na dużo dłuższych szeregach czasowych i jednak na, na tych tabelach głosowych, jakichś statystykach. Tutaj ja nie, przynajmniej na ten moment nie obserwuję jakiegoś dużego apetytu na, na jakieś rewolucje.
Karol
O, ciekawe.
Marcin
Tak, bo, no, bo mamy do czynienia z bardzo takimi długoterminowymi procesami i oczywiście to jest tak, że ci aktuariusze doskonalą te modele swoje, tak, i używają coraz to bardziej zaawansowanych technik też analitycznych, niemniej ta podstawa matematyczna jest, jest w dużej mierze taka sama, czy, czy zbliżona do tego, co, co było wcześniej.
Też oczywiście jest tak, że mówiło się kilka lat temu, temu, że klienci będą się teraz z nami dzielić swoimi danymi ze smart zegarków, tak? Będziemy my jako ubezpieczciele dużo więcej o nich wiedzieć. Dzięki temu będziemy w stanie im zaproponować obniżki za ubezpieczenie na życie. Na ten moment ja nie widzę nigdzie na rynku i w Polsce i za granicą jakiegoś rozwiązania czy takiego modelu, który by w sposób.
Długoterminowy było w stanie się zaadoptować i któremu klienci by właśnie chcieli powierzyć swoje dane w takim modelu, bo myślę, że to jest tak, że, że ta wartość, którą te rozwiązania dają klientom musi być bardzo, bardzo duża, żeby ktoś chciał się tymi danymi z ubezpieczcielem Podzielić i nie, nie jest to przynajmniej na ten moment jeszcze taki, taki masowy use case w branży ubezpieczeniowej.
Chociaż oczywiście pojawiają się innowacyjne rynki takie jak RPA czy rynki azjatyckie, gdzie ta skłonność do dzielenia się takimi danymi zdrowotnymi właśnie z aplikacji różnego rodzaju. jest wyższa niż, niż właśnie u nas tutaj w Europie.
Karol
No i ciekawe jak wyglądają Chiny pod tym względem i co dostępnego jest przez ich aktuariuszy?
Marcin
Ja myślę, że najciekawsze w Chinach i w ich rozwoju AI-a jest to, o czym my nie wiemy tak naprawdę. W sensie jestem tutaj się w stanie założyć, oni mają pieniądze, że… że mają bardzo dużo ciekawych projektów, których nie komunikują i są bardzo zaawansowani pod tym względem. W porównaniu do Europy myślę, że i rynek azjatycki, chiński właśnie, czy amerykański jest przynajmniej na dzień dzisiejszy mniej regulowany, co umożliwia tym firmom, czy to z branży finansowej, czy pozostałym też jakby no znacznie szybszy rozwój pod kątem adopcji AI.
Karol
No i to jest bardzo ciekawe, tak, to, to, co się dzieje na środkach. A jak patrzysz na rynek międzynarodowy, na waszą konkurencję, czy przychodzą ci do głowy jakieś ciekawe wdrożenia, case’y, które, na które patrząc, mówisz sobie, kurczę, szkoda, że na to nie wpadliśmy wcześniej.
Marcin
Wiesz co, myślę, że co do zasady jest masa ciekawych wdrożeń na rynkach zagranicznych.
Jest tak, żebyśmy my jako PZU nie byli w stanie czegoś u nas wdrożyć, bo jakby mamy i, i, i…
Karol
Mam tego pełną świadomość, tylko mówię o obszarach, na które patrząc, mówisz sobie, ciekaw jestem, dlaczego nie pomyśleliśmy o tym rok temu.
Marcin
Tak, tak, tak. Skłamałbym, gdyby nie było tak, że, że są jakieś tematy, które nas zaskakują i nas inspirują.
Oczywiście, że tak jest, bo obserwujemy bardzo szeroko cały świat. Ale czy, czy widziałem ostatnio jakiś taki projekt, który byłby takim w cudzysłowie nie wiem, uberem ubezpieczeń, który z dnia na dzień wchodzi i jakby totalnie wywraca wszystko do góry nogami? To niekoniecznie. Myślę, że jest dużo ciekawych projektów, których poziom adopcji jest myślę pod znakiem zapytania, ale ubezpieczyciele śmiało eksperymentują.
Tutaj właśnie w nawiązaniu do, do tego co pytałeś o tych danych medycznych, czy, czy takich od strony ubezpieczenia na życie, to bardzo fajne rozwiązanie, tak, od strony technologicznej, tak, bo czy od strony klienckiej, to, to już pozostawiam Państwu do oceny, rozwiązanie swego czasu wprowadził jeden z ubezpieczycieli na rynku hiszpańskim.
To rozwiązanie polegało na tym, że klient robił sobie selfie. W takim razie dziękuję Państwu za uwagę i do zobaczenia w kolejnym odcinku. I na bazie analizy twarzy, ten ubezpieczyciel był w stanie pewne parametry już od razu wziąć do swojego scoringu pod kątem modelu życiowego. Czy to skalkulować BMI, czy określić wiek klienta, właśnie to czy ta twarz wygląda na zmęczoną, czy niezmęczoną, zdrową, niezdrową, więc były takie elementy brane pod uwagę.
Karol
Inny ciekawy case, o którym ci powiem, Polska Spółka Technologiczna, z którą też bardzo możliwe, że będziemy realizować jeden z odcinków. Przez 10 minut mówisz do mikrofonu A, a system jest w stanie określić, czy jest prawdopodobieństwo, że będziesz miał problemy z pamięcią, zachorujesz na chorobę Alzheimera i tak dalej.
Marcin
Super. No to są właśnie fantastyczne use case’y. My w PZU bardzo chętnie właśnie współpracujemy z takimi startupami, Specjalistami w wąskiej niszy, dziedzinie, którą my jesteśmy w stanie w PZU zaadoptować i, i, i właśnie naszym klientom tutaj pomóc. To jeśli właśnie tutaj poruszyłeś ten case taki właśnie medtechowy, to mieliśmy bardzo fajny projekt związany z wykrywaniem nowotworów skóry.
Za pomocą właśnie Computer Vision przeprowadziliśmy taki program prewencyjny wśród pracowników naszych klientów korporacyjnych posiadających ubezpieczenie grupowe, gdzie każdy z tych pracowników, pracodawców, którzy byli objęci tym programem mogli sobie wykonać bezpłatne zdjęcie taką aplikacją w ramach programu Minuta dla Skóry i ta aplikacja była w stanie eee Po 30 sekundach od zrobienia zdjęcia znamienia określić, czy jest poziom ryzyka niski, średni, wysoki, jeśli chodzi o potencjalny nowotwór i w ramach tej akcji prewencyjnej byliśmy w stanie co najmniej 9 osobom, nie wiem czy uratować życie, ale no pomóc w kontekście wykrycia tego, że, że miały zmianę nowotworową.
Mówię prawdopodobnie co najmniej dziewięciu osobom, bo też nie każdy user tej aplikacji później odznaczał w tej aplikacji, że rzeczywiście ta zmiana była nowotworowa. Dziewięć osób to zrobiło po skonsultowaniu się z dermatologiem i przeprowadzeniu tam dodatkowych badań. No co myślę jest świetnym właśnie przykładem na to, jak można w sposób bardzo zwinny i bez hardware’u dodatkowego, bo mówimy tutaj o wykorzystaniu smartfona, pomóc ludziom żyć zdrowiej i dłużej.
Karol
Marcin, na koniec pytanie, kogo czytasz, kogo słuchasz, kogo obserwujesz, kogo warto obserwować?
Marcin
Wiesz co, myślę, że tutaj obserwuję, myślę, takie dwie, dwie grupy osób. Jedne to są eksperci, insurtechowi, ubezpiecznikami. I to są zarówno prezesi start upów, które powiedzmy no tworzą różnego rodzaju nowe biznes modele na rynku ubezpieczeniowym, ale też właśnie eksperci tacy rynkowi, którzy pokazują jak można nowe technologie adoptować w branży ubezpieczeniowej.
Tutaj mogę polecić przykładowo Pana Mateo Carbone z Włoch, który jest fantastycznym ekspertem, jeśli chodzi o wykorzystanie IoT w ubezpieczeniach. My też jako ubezpieczyciele bardzo chętnie z tej technologii korzystamy, w szczególności w relacji z klientami korporacyjnymi, gdzie możemy za pomocą tej technologii zredukować ryzyko naszych klientów.
A drugi, powiedzmy taki obszar, no to są właśnie wszelkiego rodzaju. Persony z samym Altmanem na czele, które no zajmują się Gen AI-em, tak? Myślę, że to jest ultra ciekawe, to co się teraz dzieje w tym świecie i to, że z miesiąca na miesiąc to wszystko tak dynamicznie się zmienia, więc. Więc tutaj, powiedzmy, wykorzystuję sobie X czy, czy inny rodzaju platformy, żeby śledzić też te, te persony.
Karol
Marcinie, serdecznie Ci dziękuję za spotkanie, dziękuję za rozmowę. Niech zatem AI i dobre ubezpieczenia, dobre stawki będą z nami wszystkimi.
Marcin
Dziękuję bardzo. Dziękuję Karol za, za możliwość odbycia tej rozmowy i życzę powodzenia Tobie i pozdrawiam wszystkich słuchaczy. Dzięki. Dzięki.
