Sigortada yapay zeka: risk değerlendirme ve hasar otomasyonu

Yapay zeka, sigortada en güvenilir değeri işin belge yoğun ve kurala bağlı olduğu alanlarda yaratır: başvuru girişi, hasar önceliklendirme, belge ve fotoğraf çıkarımı ve sahtekârlık taraması. Risk değerlendiricileri (underwriter) ve hasar eksperlerini sürecin içinde tutan destekleyici bir otomasyonla başlayın, döngü süresini, dokunuş oranını ve çıkarım doğruluğunu otomasyon öncesi bir referansa (baseline) göre ölçün ve uçtan uca otomatik işlemeyi (straight-through processing) yalnızca bir gölge mod (shadow mode) döneminden sonra, düşük karmaşıklıktaki segmentler için açın. Bireyler için riski değerlendiren veya fiyatlandıran her model ilk günden itibaren düzenlemeye tabi bir karar sistemidir; bu yüzden açıklanabilirlik, adalet testi ve GDPR Madde 22 güvenceleri sonraki bir aşamada değil, tasarımda yer almalıdır.

Yapay zeka sigorta değer zincirinde nerede değer yaratır

Sigortadaki maliyetin çoğu, nihai kararda değil; belge okumada, veriyi yeniden girmede, dosyaları yönlendirmede ve gerçekleri doğrulamada oturur ve mevcut yapay zeka teknikleri en güçlü olduğu yer tam olarak burasıdır. Tablo, yüzdeler yerine metrik türlerini listeler, çünkü doğru sayı iş kollarınıza, eski sistemlerinize ve referans (baseline) değerinize bağlıdır.

İlk model canlıya çıkmadan önce aynı popülasyonda aynı metrik için bir otomasyon öncesi referans (baseline) yakalayın; bu olmadan "sonuç" bir görüşe dönüşür.

Risk değerlendirme otomasyonu: giriş, skorlama, önceliklendirme ve uçtan uca işleme

Risk değerlendirme (underwriting) otomasyonu, her biri kendi doğruluk hedefine, insan yedeğine ve kaydına sahip, dar ve test edilebilir adımlardan oluşan bir hat olarak en iyi şekilde çalışır.

Belge girişi. Kurumsal teklifler ACORD formları, hasar geçmişi raporları (loss run), değer beyanları, finansal tablolar ve broker e-postaları olarak gelir; hayat ve sağlık başvuruları buna tıbbi kayıtları da ekler. Bir sınıflandırıcı sayfaları türe göre ayırır, bir çıkarım modeli bunları bir güven skoru ve bir köken (provenance) referansıyla sabit bir şemaya eşler ve düşük güvenli alanlar, düzeltmesi eğitim verisi haline gelecek bir insana gider.

{
  "field": "total_insured_value",
  "value": 4250000,
  "currency": "USD",
  "confidence": 0.93,
  "source": { "document_id": "sov-2026-0412.pdf", "page": 3, "bbox": [112, 640, 388, 662] },
  "status": "auto_accepted"
}

Risk skorlama. Dil modelini fiyatlandırmanın dışında tutun. LLM'ler belgeleri okur ve yapılandırır; skor, kendi hasar deneyiminiz üzerinde eğitilmiş, aktüeryal ilişkinin bilindiği yerlerde monotonik kısıtlamalara sahip tablosal bir modelden (gradyan artırmalı ağaçlar veya bir GLM) gelir; bu, fiyatlandırmayı denetlenebilir tutar.

Önceliklendirme ve uçtan uca işleme. Önce deterministik kurallar (iştah, istisnalar, yaptırımlar, limitler) çalışır, ardından ML skorlaması. İştah dahilinde ve öngörülen karmaşıklığı düşük olan vakalar hiç dokunulmadan teklif edilebilir veya poliçeleştirilebilir; geri kalan her şey, önceden doldurulmuş bir özet ve yönlendirme nedenleriyle bir risk değerlendiriciye ulaşır.

Açıklanabilirlik. Her otomatik karar ve yönlendirme; bir risk değerlendiricinin, bir denetçinin ve gerektiğinde başvuru sahibinin okuyabileceği neden kodlarına ihtiyaç duyar; tablosal modellere SHAP tarzı ilişkilendirme hizmet eder, LLM çıkarımı için ise açıklama kaynak sayfaya giden köken (provenance) bağlantısıdır. Uçtan uca işlemeyi, insanların geçersiz kıldığı bir varsayılan olarak değil, sert sınırları ve örneklenmiş denetimleri olan dar bir şerit olarak tasarlayın.

Hasar otomasyonu: FNOL'den tazminata insan gözetiminde

Hasar, poliçe sahiplerinin sigortacıyı yargıladığı yerdir; bu yüzden otomasyon, açıklanamayan reddler üretmeden hızı artırmalıdır. Olgu toplamayı otomatikleştirin, riski sürekli skorlayın ve veriler dar bir şeridin güvenli olduğunu kanıtlayana kadar tazminat kararını bir kişide tutun.

• FNOL girişi. Bir sohbet veya sesli ajan, hasar olgularını yapılandırılmış bir kayda alır, teminatı hasar tarihinde yürürlükte olan poliçeye göre kontrol eder ve sonraki adımlar için beklenti oluşturur.
• Belge ve fotoğraf çıkarımı. Onarım tahminleri, faturalar, polis raporları ve tıbbi faturalar, risk değerlendirmesiyle aynı güven-ve-köken yaklaşımını kullanır. Bilgisayarlı görü, fotoğraflardan hasar şiddetini tahmin edebilir; ancak nihai bir sayı olarak değil, bir belirsizlik aralığına sahip bir karar yardımcısı olarak.
• Sahtekârlık ve anomali tespiti. Her hasarı FNOL'de ve her önemli güncellemede skorlayın; doğrulanmış sonuçlar üzerinde eğitilmiş denetimli modelleri, etiketlenmemiş örüntüler için anomali tespitini ve hasarlar arasında hak sahiplerini, sağlayıcıları, tamirhaneleri ve telefon numaralarını bağlayan grafik analitiğini birleştirin. Soruşturmacı geri bildirimi eğitime geri beslenmelidir, aksi halde yönlendirme kesinliği bozulur.
• Tazminat önerisi. Benzer kapanmış hasarları getirin, limitleri ve muafiyetleri kontrol edin ve gerekçesi gösterilen bir tazminat aralığı önerin. Otomatik ödeme yalnızca önceden kabul edilmiş limitler içindeki düşük değerli, düşük riskli hasarlara uyar; rastgele bir örneklem kıdemli bir eksper tarafından denetlenir.
• İnsan incelemesi. Hasar türüne ve değerine göre yetki eşikleri belirleyin, modelin önerisini ve eksperin kararını ayrı alanlar olarak saklayın ve anlaşmazlığı kolaylaştırın; anlaşmazlıklar en iyi sapma (drift) sinyalinizdir.

Bir otomatik tazminat şeridini yalnızca aylarca süren gölge mod kanıtına sahip belirli bir hasar segmenti için açın.

Poliçe hizmet ajanları: poliçe belgeleri üzerinde RAG ile sohbet ve ses

Hizmet ekipleri en çok, bir kişi poliçeyi okumadan "X için teminatım var mı?" ve "muafiyetim ne kadar?" sorularını yanıtlayan bir asistan ister. Erişim destekli üretim (RAG), doğru tekniktir, çünkü cevap modelin genel bilgisinden değil, bu müşterinin ifadelerinden, çizelgesinden ve zeyilnamelerinden gelmelidir; RAG ile ince ayar: bir karar rehberinde açıklandığı gibi, ince ayar bunu çözmez.

Erişim, kimliği doğrulanmış müşteri için yürürlükte olan tam belge sürümüyle sınırlandırılmalı, her cevap dayandığı maddeyi belirtmeli ve alınan metin bir cevabı desteklemediğinde ajan cevap vermeyi reddetmelidir. Hukuki ağırlığı olan teminat beyanları bilgilendirici olarak etiketlenir ve anlaşmazlık durumunda bir insana devredilir. Ses; sesten metne, model ve metinden sese hepsi yanıt yolunda olduğundan ve ses kişisel veri olduğundan gecikme ve gizlilik yükü ekler. Modeli poliçe belgelerinin bulunduğu yerde sunun, erişimi bir müşteri ve bir belge sürümüyle sınırlayın ve "yönetilen konuşmalar" yerine kapsama ve yükseltme oranını ölçün.

Veri ve entegrasyon gereksinimleri

Sigorta yapay zeka projeleri, modellerden çok entegrasyonda başarısız olur. Sistemler tipik olarak bir poliçe yönetim sistemi (Guidewire PolicyCenter, Duck Creek, Sapiens, Majesco veya kurum içi bir mainframe uygulaması), bir hasar sistemi, bir belge platformu (OpenText, IBM FileNet, SharePoint veya taranmış görüntü arşivi), bir CRM ve Snowflake gibi bir veri ambarı, artı motorlu taşıt kayıtları, mülk verisi, telematik ve sahtekârlık veritabanları için üçüncü taraf beslemelerdir.

İlk pilottan önce şunları doğrulayın:

1. Ekran kazıma değil, API'ler veya olaylar üzerinden poliçe ve hasar sistemlerine okuma erişimi.
2. Çıkarılan alanların sayfaya ve bölgeye geri işaret edebilmesi için kararlı tanımlayıcılara sahip bir belge deposu.
3. Etiketlenmiş geçmiş sonuçlar: poliçeleştirilmiş ile reddedilmiş, ödenmiş ile reddedilmiş, doğrulanmış sahtekârlık ile temize çıkmış.
4. Risk değerlendirme, hasar ve aktüerya ekipleri tarafından paylaşılan bir veri sözlüğü.
5. Bir PII envanteri, saklama kuralları ve eğitim verisini takma adlandırma (pseudonymize) yolu.
6. Ajanların çağırabileceği bir araç katmanı; MCP nedir ve bir MCP sunucusu nasıl kurulur? makalesinde anlatıldığı gibi, SAP, Salesforce, Microsoft 365 ve Snowflake üzerindeki MCP sunucuları bunu standartlaştırır.

Dosyalar sağlık verisi içerdiğinde veya yerleşim kuralları sıkı olduğunda, dil modeli genel bir API'ye gönderilmek yerine NVIDIA GPU'larında vLLM veya NVIDIA NIM ile özel olarak devreye alınır; bu, Nanobase AI'ın hasar dosyaları için önerdiği varsayılan yaklaşımdır. Bağlayıcılara, tanımlayıcılara ve etiketlere, modellerin kendisi kadar mühendislik zamanı ayırın.

Model yönetişimi ve düzenleme

AB Yapay Zeka Yasası. Tüzük (AB) 2024/1689, Ek III'te "hayat ve sağlık sigortası durumunda gerçek kişilerle ilgili risk değerlendirmesi ve fiyatlandırma"yı yüksek riskli olarak listeler; bu, devreye almadan önce risk yönetimi, veri yönetişimi, teknik dokümantasyon, kayıt tutma, insan gözetimi, doğruluk testi ve bir uygunluk değerlendirmesi gerektirir. Mülk, kaza ve kurumsal fiyatlandırma adlandırılmamıştır, ancak şeffaflık yükümlülükleri yine de geçerlidir ve ulusal denetleyiciler ek beklentiler getirebilir. 2026 itibarıyla Ek III uygulama tarihlerini EUR-Lex üzerinden doğrulayın, çünkü Komisyon 2025 sonunda zaman çizelgesi değişiklikleri önerdi.

GDPR. Madde 22, bireylere, reddedilmiş bir başvuru veya reddedilmiş bir hasarı kapsayan, hukuki veya benzer şekilde önemli etkileri olan, yalnızca otomatik işlemeye dayalı bir karara tabi olmama hakkı verir. Sağlık verisi Madde 9 kapsamında özel bir kategoridir ve Madde 35, büyük ölçekli profilleme için bir veri koruma etki değerlendirmesi bekler. Bu nedenle tamamen otomatik olumsuz kararların hukuki bir dayanağa, talep üzerine insan incelemesine ve bireyin anlayabileceği bir açıklamaya ihtiyacı vardır; metin EUR-Lex üzerindedir. Türkiye'de KVKK'nın 11. maddesi de benzer bir itiraz hakkı tanır.

Adalet. Modeller, bu alanlar hariç tutulsa bile posta kodundan, meslekten veya satın alma geçmişinden korunan özellikleri yeniden inşa eder. Devreye almadan önce ve sonra segmente göre orantısız etkiyi test edin ve yargı alanı başına izin verilen özellikleri belgeleyin: cinsiyet, Test-Achats kararından beri bir AB fiyatlandırma faktörü olarak yasaklanmıştır ve Amerika Birleşik Devletleri'nde sigortacıların yapay zeka kullanımına ilişkin NAIC model genelgesi, Colorado'nun SB 21-169 yasası ve New York DFS'nin 2024 genelge yazısı belgelenmiş test bekler.

Açıklanabilirlik ve izleme. Sahipleri, amaçlanan kullanımı, veri soy kütüğünü (lineage) ve doğrulama sonuçlarını içeren bir model envanteri tutun; her otomatik karar için neden kodları üretin; girdi sapmasını, çıktı sapmasını ve geçersiz kılma oranını izleyin. Bir devreye alma kontrol listesi AB Yapay Zeka Yasası, GDPR ve KVKK uyumlu LLM kontrol listesinde yer alır. Bir bireyin fiyatını, kabulünü veya hasarını etkileyen her modeli, bir denetleyici dosyayı okuyacakmış gibi belgeleyin, çünkü er ya da geç biri okuyacaktır.

Uygulama yol haritası: pilottan üretime

1. Hacmi ve net bir sahibi olan tek bir süreç seçin. Kurumsal teklif girişi veya otomatik fiziksel hasar talepleri, sonuç metriği net olduğu için yaygın ilk seçimlerdir.
2. Mevcut süreci referans alın. Temsili bir örneklemde döngü süresini, dokunuş oranını, veri girişi doğruluğunu ve yeniden işleme oranını ölçün.
3. Veri ve entegrasyonu hazırlayın. Model çalışması başlamadan önce sistem erişimini, belge tanımlayıcılarını, etiketlenmiş sonuçları ve bir PII planını güvence altına alın.
4. Destek modunda kurun. Model önceden doldurur, özetler ve önerir; insanlar karar verir; her şey kaydedilir.
5. Gölge modda çalıştırın. Model çıktılarını vaka türüne göre gerçek kararlarla karşılaştırın ve anlaşmazlık gösteren segmentleri düzeltin.
6. Dar bir uçtan uca şerit açın. En güçlü kanıta sahip segmenti alın, sert sınırlar koyun ve haftalık olarak rastgele bir örneklemi denetleyin.
7. Yönetişim belgelerini tamamlayın. Risk, hukuk ve aktüerya işlevleri tarafından incelenen model kartı, doğrulama raporu, adalet sonuçları, gerektiğinde DPIA ve insan gözetimi prosedürü.
8. Kontrolleri kaldırarak değil, şerit ekleyerek ölçeklendirin. Her yeni segment, kendi kanıtıyla 5 ila 7. adımları tekrarlar.

Kurulum birkaç ay sürer; gölge mod ve yönetişim takvim zamanının çoğunu alır ve bunları aceleye getirmek iyi bir pilotu kötü bir üretim sistemine dönüştürür. Bir modeli inşa etmekten daha çok, bir segmentte güvenli olduğunu kanıtlamaya zaman harcamayı bekleyin.

Kaçınılması gereken tuzaklar

• LLM'nin riski fiyatlandırmasına izin vermek. Sayısal yargılar çalıştırmalar arasında değişir ve bir fiyatlandırma modeli olarak denetlenemez.
• Doğruluğu kararlar üzerinde değil, belgeler üzerinde ölçmek. Yanlış bir sigorta bedeli yanlış bir primdir; yanlış bir hasar tarihi yanlış bir teminat kararıdır.
• Önce otomatikleştirip sonra yönetişim kurmak. Neden kodlarını, kayıt tutmayı ve adalet testlerini canlı bir sisteme sonradan eklemek genellikle bir üretim durmasına yol açar.
• Gölge modu atlamak. Bir test kümesindeki uyum, canlı broker, bölge ve mevsim karışımı hakkında çok az şey söyler.
• Geri bildirim döngüsünü göz ardı etmek. Soruşturmacı ve risk değerlendirici kararları geri beslenmediğinde sahtekârlık ve önceliklendirme modelleri bozulur.
• Sağlık veya hasar verisini bir veri akışı incelemesi olmadan genel bir API'ye göndermek. Yerleşim, saklama ve alt işleyen koşulları yükümlülüklerinizle eşleşmelidir.
• Belge altyapısından önce sohbet botunu inşa etmek. Doğru poliçe sürümü üzerinde güvenilir erişim olmadan, ajan kendinden emin ama yanlış cevaplar verir.

Çoğu başarısız sigorta yapay zeka programı modelde değil; referanslarda, entegrasyonda ve yönetişimde başarısız oldu.

Sık sorulan sorular

Sigorta risk değerlendirmesinde straight-through processing nedir?

Straight-through processing (STP), bir teklifin sıfır risk değerlendirici dokunuşuyla fiyatlandırıldığı, bazen de poliçeleştirildiği anlamına gelir. İştah ve istisnalar için deterministik kuralları, tablosal bir modelden gelen bir risk skorunu ve yalnızca düşük karmaşıklıktaki vakaları geçiren bir önceliklendirme katmanını birleştirir. STP payı, her seferinde bir denetlenmiş segment büyütülerek, insan dokunuşu olmadan tamamlanan vakaların oranıdır.

Büyük bir dil modeli sigorta riskini fiyatlandırabilir mi?

Bir denetçinin veya düzenleyicinin kabul edeceği bir şekilde değil. LLM'ler belgeleri iyi okur, alanları çıkarır ve özetler; ancak sayısal yargıları çalıştırmalar arasında değişir ve bir fiyatlandırma formülü olarak yeniden inşa edilemez. LLM'yi teklifi yapılandırmak için, kendi hasar deneyiminiz üzerinde eğitilmiş bir gradyan artırmalı model veya GLM'yi ise skoru ve neden kodlarını üretmek için kullanın.

Yapay zeka tabanlı sigorta risk değerlendirmesi AB Yapay Zeka Yasası kapsamında yüksek riskli mi?

Kısmen. Tüzük (AB) 2024/1689'un Ek III'ü, hayat ve sağlık sigortasında gerçek kişilerin risk değerlendirmesi ve fiyatlandırması için kullanılan yapay zekayı yüksek riskli olarak adlandırır ve risk yönetimi, veri yönetişimi, kayıt tutma, insan gözetimi ve uygunluk değerlendirmesi yükümlülüklerini tetikler. Diğer iş kolları adlandırılmamıştır, ancak şeffaflık yükümlülükleri yine de geçerlidir. 2026 itibarıyla güncel uygulama tarihlerini kontrol edin, çünkü Komisyon 2025 sonunda zaman çizelgesi değişiklikleri önerdi.

Yapay zeka sigorta sahtekârlığını nasıl tespit eder?

Üç teknik birleştirilir: denetimli modeller, hasarları doğrulanmış sahtekârlıktan öğrenilen örüntülere göre skorlar; anomali tespiti, etikete ihtiyaç duymadan normal popülasyona benzemeyen hasarları işaretler; grafik analitiği ise organize halkaları ortaya çıkarmak için hasarlar arasında hak sahiplerini, sağlayıcıları, tamirhaneleri ve iletişim bilgilerini birbirine bağlar. Skorlar ilk bildirimde ve her güncellemede üretilir ve yönlendirme kesinliğinin bozulmaması için soruşturmacı kararları geri beslenir.

Otomatikleştirmeden önce belge çıkarımı ne kadar doğru olmalı?

Doğruluk, tek bir genel hedefle değil, alan başına aşağı akış etkisine göre belirlenir. Sigorta bedeli, hasar tarihi veya poliçe numarası gibi primi veya teminatı belirleyen alanların neredeyse kusursuz doğruluğa veya bir insan kontrolüne ihtiyacı vardır; açıklayıcı alanlar ise hataya tahammül eder. Her alan, kendi belgelerinizin etiketlenmiş bir örnekleminde ayarlanmış bir güven eşiği alır ve bunun altındaki değerler incelemeye gider.

GDPR tamamen otomatik hasar kararlarına izin veriyor mu?

Yalnızca sınırlar içinde. Madde 22, hukuki veya benzer şekilde önemli etkileri olan, yalnızca otomatik işlemeye dayalı kararları kısıtlar ve reddedilen bir hasar bu kapsama girer. Bu tür kararların sözleşme gerekliliği veya açık rıza gibi hukuki bir dayanağa, ayrıca insan müdahalesi, görüş bildirme ve kararı itiraz etme hakkına ihtiyacı vardır. Düşük değerli hasarların otomatik onayı, otomatik reddinden çok daha kolay gerekçelendirilir.

Nanobase AI nasıl yardımcı olabilir

Nanobase AI, sigorta yapay zekasını uçtan uca inşa eder: güven skorlaması ve kökenle (provenance) belge girişi ve çıkarımı, insan gözetimli iş akışlarıyla risk değerlendirme önceliklendirmesi ve hasar otomasyonu, sahtekârlık ve anomali modelleri ve kendi poliçe belgelerinize dayanan RAG tabanlı poliçe hizmet ajanları. Dil modellerini NVIDIA GPU altyapısında (vLLM, TensorRT-LLM, NVIDIA NIM) özel olarak devreye alır, poliçe yönetimi, hasar ve belge sistemleriyle API'ler ve MCP sunucuları üzerinden entegre olur ve denetleyicilerin beklediği model kartlarından adalet testine, AB Yapay Zeka Yasası ve GDPR dokümantasyonuna kadar yönetişim belgelerini teslim ederiz. Nanobase AI, Silikon Vadisi merkezlidir ve NVIDIA Inception Programı üyesidir. Kendi örnek belgeleriniz üzerinde çalıştırabileceğiniz bir referans hat için çözümlerimize bakın.

Projenizi konuşmaya hazır mısınız? Nanobase AI ile iletişime geçin veya hello@bumu.tech adresine e-posta gönderin.