Le compagnie assicurative lavorano ancora su architetture datate, con sistemi separati per polizze, sinistri e fatturazione tenuti insieme da integrazioni punto a punto: un’inefficienza che, secondo un’indagine su 350 dirigenti del settore, spinge il 35% a decidere su dati isolati, mentre Accenture stima in oltre 170 miliardi di dollari il costo delle esperienze di sinistro insoddisfacenti. Il vero problema, per chi guida la tecnologia, non sono i singoli sistemi ma la differenza tra l’ennesima soluzione puntuale e una vera piattaforma AI assicurativa.
È in questo scenario che si inserisce SapiensAIP, la nuova Autonomous Insurance Platform del gruppo, pensata per colmare il divario con un unico livello AI riutilizzabile che si sovrappone ai sistemi core esistenti, collegando underwriting, polizze, billing, sinistri e customer engagement in un ambiente dove l’AI agentica non si limita a suggerire, ma esegue realmente il lavoro. La piattaforma poggia su tre livelli: uno strato di esperienza costruito dinamicamente in base al profilo dell’utente, uno strato di intelligenza dove operano i flussi agentici, e uno strato di fondazione basato sulla conoscenza già presente nei sistemi aziendali, che garantisce a ogni agente AI lo stesso modello autorevole del business, fondato sui dati reali e non su inferenze generiche.
“Chi considera la piena maturità tecnologica un prerequisito da raggiungere prima di agire rischia di ritrovarsi più indietro proprio quando il mercato si stabilizzerà – commenta il CTO Glen Ceniza -. Il futuro di cui si parla non è su una roadmap lontana: è l’arretrato di sinistri fermo in un sistema legacy in questo momento, è l’underwriter che oggi ricopia manualmente gli stessi dati su tre schermate diverse”. Lo stesso principio vale per la data governance: una piattaforma capace di mostrare quali dati un agente ha consultato, perché e con quali permessi, trasforma un audit di mesi in una revisione di pochi minuti.
Cambia anche il metro del successo: non basta più dimostrare che un agente funzioni, contano le ore risparmiate, il time-to-quote e l’impatto economico. “Una decisione AI di qualità – spiega Ceniza -, deve essere corretta, spiegabile a un regolatore ed essere coerente nel tempo, altrimenti resta una demo. Guidare il prossimo decennio dell’assicurazione dipenderà dal lavoro meno appariscente di unificare i dati, scegliere piattaforme senza vincoli di fornitore e costruire una governance capace di scalare con l’adozione”.
