使用人工智能可以显着改善财产和意外伤害 (P&C) 承保。 保险公司准确估计、定价和降低风险的能力是其市场价值的核心，如今，他们正在应对一系列颠覆传统风险方法的新挑战。 具体而言，随着持续发生的洪水、野火和其他灾难侵蚀了受灾社区的可保性并扩大了保护差距，气候风险已达到新的紧迫程度。
那么人工智能和气候情报如何帮助改善财产承保——价值主张是什么？ 由于可用资金有限，且与气候风险相关的优先事项众多，初始投资在哪里最有利？ 不断变化的格局如何为过剩和过剩（E&S）线路承运商打开大门？ 麦肯锡与人工智能房地产和风险分析平台 ZestyAI 的领导者进行了座谈，寻求这些问题的答案。 为了清晰起见，对以下圆桌会议进行了编辑。
了解财产层面的气候风险
麦肯锡：人工智能如何帮助财产保险公司？其局限性是什么？
Kumar Dhuvur：对我来说，首先采用人工智能的运营商肯定会看到巨大的好处。 当其他运营商放弃市场份额时，有远见的人将能够通过利用更好地管理风险的模型来保护该市场份额并获得一定的利润。 显然，人工智能是关键推动因素。 但归根结底，这都是关于更好的风险分摊模型，这就是他们能够获得这种价值的原因。
Attila Toth：这就是我们关注的焦点：价值。 不是很好的研发，不是对风险的二次审查，不是流程效率的提高。 它将人工智能转移到承保和评级业务的核心，并避免了整个行业数十亿美元的损失。 这是关于证明和实现这一价值。
Kumar Dhuvur：人工智能不仅有助于设定更好的费率，还有助于改善细分市场风险。 但问题是，您如何利用这些见解？ 我们所做的事情之一是不仅提供风险评分，还提供这些评分的财产层面的潜在驱动因素。 因此，如果你真的想降低系统性风险而不仅仅是分散风险，你还必须采取措施降低每项财产的风险。 我认为这就是人工智能将非常有帮助的地方。
然后，如果您能弄清楚如何真正降低财产风险，需要花费多少钱？ 这一切都必须由保单持有人或房主承担，还是政府提供一些激励措施？ 我认为现在这已经成为一个更广泛的讨论，我希望特别是对于其中一些支柱，例如佛罗里达州的飓风和加利福尼亚州的野火，这些讨论可以真正帮助降低系统性风险，而不仅仅是降低风险。
阿蒂拉·托特：如您所知，许多公共和私人资金都用于缓解气候风险。 例如，如果您查看加利福尼亚州的电力公司花费了多少钱来降低其自身系统的风险，您必须问：“您如何最有效地使用这些资金？” 人工智能在理解关键基础设施的特定结构脆弱性以及依赖于此类基础设施的家庭和企业的脆弱性方面可以发挥非常重要的作用。
就财产和意外伤害保险而言，以价值最高但干扰最小的方式优先考虑人工智能的使用顺序非常重要。 例如，我们可能会查看整个产品组合，并建议在明天插入核心系统之前进行一些调整，因为我们都知道做出如此突然的转换是具有挑战性的。 当您想要对价值进行排序时，您可以将最具侵入性的选项（我们称之为心脏直视手术）放在尽可能晚的过程中。 价值第一，心脏直视手术最后。 不幸的是，如果不进行心脏直视手术，并不总是能够创造大量价值，这意味着需要进行重大流程重新设计和重大 IT 集成。 但我们可以预先做很多事情，只需调整一些承保规则、为投资组合审查提供批量数据传输、构建再保险合同等等。 为此，一开始他们可能不需要大量的 IT 集成。
麦肯锡：您如何看待这个行业在能够拥有可解释的人工智能解决方案和可以追溯到五年前的解决方案方面的发展，以准确证明某些决策的合理性？ 该行业的学习曲线处于什么位置？
Attila Toth：当我们为我们的一款模型寻求监管部门批准时，这是我们必须证明的非常重要的一点。 我们必须证明这不是一个黑盒模型。 我们必须证明该模型正在根据真实数据进行预测，即使我们没有分配权重，但在给定某些输入以及模型基本上如何对这些输入进行优先级排序的情况下，结果是可以解释的。
这就是我们决定使模型完全透明而不仅仅是给出决定的原因。 正如 Kumar 解释的那样，该模型还提供了所谓的原因代码。 这些原因代码会登录到我们客户的系统中。 因此，我们可以说，“我们给您的野火评分为 8 分，因为您有 70% 的悬垂植被，有木质摇屋顶，而且位于 15 度的斜坡上。” 前两者，你可以改变。 最后一项，你不能。 然后，当续保季节到来时，保险公司可以说：“亲爱的房主，您是否做了这些建议的改变来降低您的风险？” 这就是我们如何说服加州保险部 [CDI]，我们的人工智能模型提供了一个完全透明的风险和缓解视图。 当然，我们必须进行大量的样本外验证才能达到这一点。 这就是我们确保模型设计正确并完全符合最新精算标准的方式。
但真正让他们信服的是原因代码。 他们可以简单地查看图像并查看与其相关的原因代码以及导致缓解的后续步骤。 这就是作为批准费率申请的一部分得到通过的方式。
麦肯锡：如果我们将保险领域人工智能的采用分为几类：创新者、早期采用者，以及仍处于早期阶段的大多数人的传统鸿沟，那么整个行业的状况如何？ 当我们开始获得早期多数时，我们是否仍然处于鸿沟前，还是鸿沟后？
阿提拉·托特：我会说裂谷前。 早期采用者正在做出承诺，而其他许多人则忙着尝试。
Sebastian Kasza：我想说，人们开始跨越鸿沟，部分原因是在使用人工智能解决方案的参与者更广泛采用和更好的承保绩效的地方，存在逆向选择的威胁。 例如，在加利福尼亚州等市场，其他参与者将开始感受到逆向选择的负担，并希望跨越这一鸿沟。
向过剩市场过渡
麦肯锡：目前保险最棘手的问题之一是市场从认可市场向 E&S 市场的迁移。 这为该市场的参与者提供了更大的灵活性。 人工智能可以发挥重要作用，因为解决此类问题的唯一方法就是拥有最佳的预测智能能力。 您如何看待此事的进展？
Kumar Dhuvur：监管环境是我们看到许可市场萎缩以及 E&S 市场填补空白的一个因素。 在其中一些市场中，利率充足性是一个挑战，而这一切都取决于监管机构批准利率所需的时间。 此外，许多监管机构要求用前瞻性（但不一定是前瞻性）数据来证实利率。 这就是范例，向后看的数据，并不总是考虑到我们所看到的日益增加的气候事件频率和严重程度。 尽管如此，整合前瞻性数据并不是一件容易的事，除非出现某种危机——例如运营商离开某个州。
因此，我认为所有这些都增加了运营商的压力，他们会说：“嘿，我已经受够了公认的市场。 我要摆脱这种状态。” 我们正在佛罗里达州看到这种情况的发生，以及过去十年左右发生的所有监管问题。
麦肯锡：您认为这次 E&S 转型是一场危机吗？
Attila Toth：我认为 E&S 转型是危机的结果。 佛罗里达州现在正在发生的事情以及加利福尼亚州很容易发生的事情：这就是危机。 我认为，就连 DOI（保险部门）也会同意，这场危机的部分原因是传统的风险模型将风险分散到大片地区，而不是专注于单个财产。 例如，在传统模型中，佛罗里达州 95 号州际公路以东的所有地区都可能被视为具有相同的风险，但实际上并非如此。
综上所述，危机推动行动。 看看 CDI 在加利福尼亚州所做的事情，要求在所有认可的运营商的评级计划中提供特定于财产的缓解折扣。 你怎样才能有效地做到这一点？ 有了人工智能。
您无法派检查员检查每个人的甲板下面并准确测量一千万个房屋上悬垂的植被。 您需要大规模模型，并且不能使用专为投资组合级别风险评估而设计的随机模型。 为此，您必须使用高分辨率、特定于属性的模型。 一旦你通过在航空和卫星图像上运行计算机视觉模型获得了这些数据，你就必须将其转化为更具预测性的模型，并根据适量的损失历史进行训练。 这就是我们看到的机会。 我相信这就是未来的发展方向：风险评估必须植根于针对房地产的洞察，并且必须具有前瞻性。 它不能只是随机模拟。
麦肯锡：我们如何看待基于社区的保险或其他产品创新，例如在典型保单之上进行参数化，试图围绕缓解措施创造更多正确的激励措施？ 关于人工智能可能实现的产品创新或新的风险转移解决方案还有其他想法吗？
Kumar Dhuvur：您已经提到的参数化仍处于相当早期的阶段。 它并没有真正得到那么多的采用，因为它没有从根本上解决保险的实际需求。 当人们遭受巨大损失时，他们希望得到赔偿。 人们不想仅仅因为事件的发生而获得微薄的报酬。 所以它没有触及问题的核心，但它肯定可以发挥作用。 每当您能够构建准确倾斜风险的模型时，您就可以通过该机制向投保人表明他们所保险的特定对象的真实风险水平是多少。
麦肯锡：从技术上来说，如果人工智能的成熟度呈指数曲线，并且展望未来三年，我们会看到什么？
Kumar Dhuvur：在这里，您将看到呈指数级改进的产品与相当静态或线性改进的监管环境和 IT 环境之间的冲突。 我认为你可以制造出好十倍的产品，但如果你只能按照监管机构批准的速度将它们推向市场，那仍然是一个挑战。
Attila Toth：人工智能技术已经足够成熟，并且我们触手可及的独特数据可以推动 20 到 30 倍的改进。 最重要的是，从设计上来说，规避风险的保险业能够以多快的速度真正将技术纳入其核心。 虽然保险公司可能已经进入了机器人时代，他们正在利用人工智能实现流程自动化，例如上传移动检查照片，但他们尚未充分认识到技术在承保方面的潜力。 我知道这项技术已经存在，是的，E&S 可能会更快地采用它。 尽管如此，基数较小，增长较快。 库马尔提到的那些承认业务的障碍将持续一段时间。
麦肯锡：在这个世界上，美国的部分地区——加利福尼亚州、佛罗里达州——以及可能的其他国家，根据目前的能力，变得无法投保。 人工智能可以阻止这种情况发生吗？
Attila Toth：我相信人工智能和其他相关技术将提高再保险能力，因此，随着时间的推移，它们将提高市场的主要保险能力，而这将由舒适保险公司和再保险公司的水平驱动 拥有这些模型以及他们愿意为此分配的资本。 但这仍将是一个谨慎的过程。
我还认为，气候变化的成本并不低，将有多个选民、房主、企业主和地方政府需要承担气候变化日益增加的成本。 相信保险会充分定价这一切是愚蠢的。
人工智能在美国财产保险领域的主要障碍
麦肯锡：我们从这样的概念开始——如果你证明了价值，你就克服了一些固有的障碍或不情愿。 在我们这个受到严格监管的行业中，有多少刹车是通过监管来实施的？ 那有什么作用呢？
Attila Toth：我认为监管是 IT 背后的第二个障碍。 在我看来，过时的 IT 堆栈是最大的问题。 开明的首席执行官会希望走得更快。 高层管理人员知道行业的发展方向，他们知道基于人工智能的预测模型比他们一直使用的 30 年前的模型更好。 他们知道，对吧？ 但这些领导者确实因 IT 基础设施的现状而陷入困境。
然后监管也是一个挑战。 加州保险部是美国主要的监管机构之一，我们已经获得了第一个人工智能模型的批准，作为费率备案的一部分。 这是一个为期三年的过程。 这是一个艰难、非常困难的过程。 尽管如此，他们还是同意梯度增强机器 [GBM]，而不是 GLM [广义线性模型]。 他们聘请了自己的独立精算师，他们对此表示同意。 这成为加州历史上第一个人工智能模型和第二个野火风险模型，支撑了批准的费率备案。 另一款是 1991 年的复古型号，此后一直没有太大变化。
所以还有希望。 即使是最大的怀疑论者最终也会改变立场。 我认为监管支持是近期的一个障碍，但我认为随着越来越多的 DOI 在批准的费率申请中允许此类模型，这一障碍将会消失。 我认为这最终会变得更容易，而 IT 挑战将持续一段时间。
我要提到的第三个挑战是以保险业劳动力老龄化为代表的人才缺口。 谁将执行一项旨在实现风险选择、评级、再保险和运营费用削减现代化的多年计划？ 这些大型保险公司的下一代领导层将由谁来执行这样的重大重建？
Sebastian Kasza：监管机构受到激励来创造能力、避免保险危机并确保其公民受到保护。 监管机构对人工智能工具的批准并因此开放容量有助于保护更多家庭，并避免将求助于保险公司作为最后的手段。 人工智能的使用为初级保险市场打开的容量越多，你就越会开始看到这种范式转变。
