"Trauslais darbaspēks" -- apdrošināšana, sākuma līmeņa automatizācija un kas notiks tālāk

Twin Ladder Casebook sērija | Twin Ladder | 2026. gada februāris

Ievads

Atlīdzību eksperte aiziet pensijā pēc trīsdesmit gadiem vidēja lieluma Eiropas apdrošinātājā. Savā pēdējā nedēļā viņa apstrādā autoatlīdzību, ko sistēma ir atzīmējusi kā vienkāršu: aizmugures sadursme, mēreni bojājumi, tīrs policijas ziņojums. Viņa lasa lietu deviņdesmit sekundes un paceļ telefonu. Prasītāja remonta tāme ietver detaļas transportlīdzekļa modelim, kas ir divus gadus jaunāks par polisē norādīto. Serviss palielina rēķinu. Viņa ir redzējusi šo shēmu četrus tūkstošus reižu. Viņa to pamana nedomājot, jo domāšana nav tas, ko viņa dara. Viņa atpazīst.

Viņas aizvietotājs sāk nākamajā pirmdienā. Viņam ir divdesmit četri, viņš ir ar augstāko izglītību, prasmīgs ar katru digitālo rīku, ko uzņēmums izmanto. Viņš nekad nav apstrādājis atlīdzību manuāli. MI to dara. Sistēma ievada dokumentāciju, krusteniskās atsauces ar polisi, salīdzina tāmi ar vēsturiskajiem etaloniem un sniedz ieteikumu. Jaunais eksperts pārskata ieteikumu, apstiprina to un turpina tālāk. Viņš apstrādā trīs reizes lielāku apjomu nekā viņa priekštece. Viņa caurlaides rādītāji ir izcili.

Sešus mēnešus vēlāk reģionāls krāpšanas tīkls sāk iesniegt paaugstinātas remonta tāmes visā apdrošinātāja portfelī. Shēma ir smalka -- nevis tāda, kas aktivizētu noteikumu balstītu atzīmi, bet tāda, ko cilvēks, kurš gadiem lasījis rēķinus, pamanītu skaitļu tekstūrā. Neviens nepamana. MI to nenotver, jo tas nebija apmācīts uz šo konkrēto shēmu. Jaunākais eksperts to nenotver, jo viņš nekad nav iemācījies, kā izskatās leģitīms rēķins. Ekspertīze aizgāja pensijā. Apmācības laukums tika automatizēts. Un organizācija ir trausla veidā, ko tā vēl nespēj saskatīt.

Stāsts

Sacensība automatizēt

Eiropas apdrošināšanas nozare ir pieņēmusi mākslīgo intelektu ar ātrumu un pārliecību, ko maz citu nozaru var līdzināt. AXA un Allianz -- divi lielākie apdrošinātāji kontinentā -- ir kļuvuši par globālajiem līderiem MI ieviešanā, un viņu ambīciju mērogs nav pakāpenisks. Tas ir strukturāls.

AXA palaida savu patentēto AXA Secure GPT platformu 2023. gada jūlijā, būvētu uz Microsoft Azure OpenAI Services. Rīks sākotnēji tika pieejams tūkstoš darbiniekiem AXA Group Operations, ar paziņoto mērķi sasniegt visus 140 000 darbinieku globāli. Līdz 2025. gadam uzņēmums ziņoja par aptuveni četri simti lietojuma gadījumiem, kas aptver prognozējošo, ģeneratīvo un aģentu MI -- ieviestiem parakstīšanā, atlīdzībās, klientu apkalpošanā, atbilstībā un iekšējās operācijās. AXA datu dzinējs apvieno tradicionālos aktuāra datus ar reāllaika plūsmām no IoT ierīcēm, satelītattēliem un uzlabotām simulācijām. Integrācija nav perifēra. MI ir, kā pats uzņēmums to formulē, "visa uzņēmuma savienojošais audums."

Allianz ir sekojis paralēlai trajektorijai. 2024. gada decembrī uzņēmums ziņoja par gandrīz četri simti ģeneratīvā MI lietojuma gadījumiem vien, un skaits turpināja augt. AllianzGPT, uzņēmuma iekšējais tērzēšanas robots, tika palaists 2023. gada 1. septembrī un tagad apkalpo vairāk nekā 60 000 aktīvu lietotāju ar ambīciju sasniegt visus 158 000 Allianz darbinieku visā pasaulē. Platforma apstrādā dokumentu apkopošanu, tulkošanu, sarežģītus salīdzinājumus un klientu komunikācijas sagatavju veidošanu -- uzdevumus, kas iepriekš prasīja stundas vai dienas un tagad tiek pabeigti minūtēs. 2025. gada februāra sākumā Allianz pievienoja norobežotu DeepSeek versiju AllianzGPT, paplašinot tā drošajā vidē pieejamo modeļu klāstu.

Aviva, Apvienotās Karalistes apdrošinātājs, ir izvēlējies citu, bet tikpat agresīvu pieeju. Uzņēmums ieviesa vairāk nekā astoņdesmit MI modeļus savā atlīdzību funkcijā, apvienojot komandu no vairāk nekā piecdesmit datu zinātniekiem un inženieriem tehnoloģijas izveidei un iegulšanai. Rezultāti bija ievērojami: atbildības novērtēšanas laiks sarežģītām lietām samazinājās par divdesmit trim dienām, atlīdzību maršrutēšanas precizitāte uzlabojās par trīsdesmit procentiem, un klientu sūdzības samazinājās par sešdesmit pieciem procentiem. Aviva investoriem paziņoja, ka transformācija ietaupīja uzņēmumam vairāk nekā sešdesmit miljonus mārciņu -- aptuveni astoņdesmit divus miljonus dolāru -- tikai 2024. gadā.

Jautājums, uz kuru neviens neatbild

Ieviešanas skaitļi ir iespaidīgi. Ieguldījumu atdeves skaitļi nav -- jo tie lielākoties neeksistē.

gada jūnijā Evident Insights publicēja savu pirmo rangu trīsdesmit lielākajiem apdrošinātājiem Ziemeļamerikā un Eiropā. Pētījums novērtēja septiņdesmit sešus individuālus rādītājus četrās jomās: talants, inovācija, līderība un atbildīga MI caurredzamība. AXA un Allianz dominēja, ierindojoties kā vienīgie divi apdrošinātāji pirmajos piecos visos četros rādītājos. Bet cits secinājums ziņojumā nesa daudz lielākas sekas.

No trīsdesmit novērtētajiem apdrošinātājiem tikai divpadsmit bija atklājuši vismaz vienu MI lietojuma gadījumu ar taustāmu biznesa rezultātu. Un tikai trīs -- Intact Financial, Zurich Insurance Group un Aviva -- bija publiski atklājuši naudas atdevi no saviem MI ieguldījumiem. Intact Financial, Kanādas īpašuma un nelaimes gadījumu apdrošinātājs, ziņoja par piecu simtu miljonu dolāru tehnoloģiju investīciju, kas bija ieviesusi piecsimts MI modeļus un radījusi simtu piecdesmit miljonu dolāru izmērāmu labumu. Trīs no trīsdesmit. Deviņdesmit procenti lielāko apdrošinātāju rietumu pasaulē nespēja -- vai nevēlējās -- demonstrēt, ka viņu MI investīcijas bija devušas finansiālu atdevi.

Tikmēr darbaspēka jautājums paliek neatbildēts. Vairāk nekā puse apdrošināšanas uzņēmumu ziņo par prasmju nepilnībām un pieņemšanas izaicinājumiem saistībā ar MI, saskaņā ar Gallagher aptauju, kas publicēta 2026. gada sākumā. Tikai katrs trešais apdrošinātājs ir ieviesis formālu MI apmācību programmu. PwC 2025. gada Globālais MI darba barometrs konstatēja, ka prasmju prasības lomām, ko MI ietekmē, attīstās par sešdesmit sešiem procentiem ātrāk nekā citās jomās, un ka darbi, kas prasa MI prasmes, nes piecdesmit sešu procentu algas prēmiju -- pieaugums no divdesmit pieciem procentiem iepriekšējā gadā.

Nozare automatizē ātrumā. Tā neveido darbaspēku, lai pārvaldītu automatizēto.

Demogrāfiskā klints

Laika izvēle nevarētu būt sliktāka. Apdrošināšanas nozare saskaras ar vēsturisku pensionēšanās vilni. Apdrošināšanas profesionāļu skaits vecumā no piecdesmit pieciem gadiem un vairāk pēdējā desmitgadē ir pieaudzis par septiņdesmit četriem procentiem. Nākamo piecpadsmit gadu laikā piecdesmit procenti pašreizējā darbaspēka dosies pensijā, atstājot vairāk nekā četri simti tūkstoši neaizpildītu amata vietu. Pensijas vecuma darbinieku un jauno ienācēju attiecība ir seši pret vienu: 1,37 miljoni darbinieku vecumā virs piecdesmit pieciem gadiem pret tikai 214 000 vecumā no divdesmit līdz divdesmit četriem gadiem.

Šie aizejošie profesionāļi nes kaut ko, ko neviens MI modelis pašlaik neatkārto: kluso zināšanu, kas veidota caur gadiem ilgu atlīdzību manuālu apstrādi, risku izvērtēšanu neskaidrās situācijās un shēmu atpazīšanu, ko neviena apmācību datu kopa nav ieguvusi. Kad viņi aiziet, šīs zināšanas aiziet līdzi. Un sākuma līmeņa lomas, kas kādreiz kalpoja kā cauruļvads šo zināšanu atjaunošanai -- atlīdzību pieņemšanas pozīcijas, datu ievades funkcijas, jaunāko parakstītāju atbalsta lomas -- ir tieši tās lomas, kas tiek automatizētas pirmās.

Caur Twin Ladder prizmu

Apdrošināšanas nozares automatizācijas shēma tieši atbilst Līmeņa 1 erozijai Twin Ladder ietvarā -- un tā ilustrē Kompetences paradoksa visbīstamāko variantu: apmācību laukuma iznīcināšanu.

Twin Ladder ietvarā Līmenis 1 -- Profesionālais dvīnis -- eksistē, lai spoguļotu individuālās lomas ar MI aģentiem tā, lai cilvēku profesionāļi varētu salīdzināt savu spriedumspēju ar MI rezultātu, mācīties no atšķirībām un attīstīt dziļāku jomu ekspertīzi caur apzinātu iesaisti. Dizaina princips ir tiešs: dvīnim jāsaglabā jomu kompetence, nevis tā jāerodē. Cilvēks paliek aktīvi iesaistīts jomā, apšaubot MI rezultātu, to koriģējot un izprotot, kāpēc tas radīja iegūtos rezultātus.

Sākuma līmeņa atlīdzību apstrāde nekad netika atzīta par Līmeņa 1 aktīvu, bet tā funkcionēja kā tāds. Tas bija apmācību laukums. Jaunākais atlīdzību apstrādātājs divus līdz trīs gadus lasīja dokumentāciju, veica krusteniskās atsauces ar polisēm, pamanīja neatbilstības un attīstīja shēmu atpazīšanas instinktus, kas galu galā kvalificētu viņu parakstīšanai, krāpšanas izmeklēšanai vai sarežģītu atlīdzību izskatīšanai. Darbs bija atkārtojošs. Tas bija arī veidojošs. Atkārtošana bija mehānisms, caur kuru veidojās noturīga kompetence -- tieši dinamika, ko prognozē Roberta Bjorka pētījums par vēlamajām grūtībām.

Kad apdrošinātāji automatizē atlīdzību pieņemšanu, viņi nenoņem tikai uzdevumu. Viņi pārrauj cauruļvadu, kas rada profesionāļus, kuri pārvaldīs MI sistēmas, kas veic šo uzdevumu. Jaunākais apstrādātājs, kurš nekad nav manuāli saskaņojis rēķinu ar polisi, nevar atpazīt, kad MI saskaņojums ir nepareizs. Praktikants parakstītājs, kurš nekad nav novērtējis risku bez algoritma atbalsta, nevar ignorēt algoritmu, kad algoritms saskaras ar situāciju ārpus tā apmācību datiem. Ekspertīze, ko nesošā pensionēšanās paaudze nes, tika veidota tieši caur darbu, kas tagad tiek automatizēts. Noņemiet darbu, un jūs noņemat mehānismu, kas rada ekspertīzi.

Šis ir "trauslais darbaspēks" -- organizācija, kurā strādā cilvēki, kas var operēt MI rīkus, bet nevar izvērtēt to rezultātu, kas var apstiprināt ieteikumu, bet nevar to apšaubīt, kas var apstrādāt apjomu, bet nevar īstenot spriedumspēju. Darbaspēks nav nekompetents. Tas ir nepārbaudīts. Un nozarē, kur viena neatklāta krāpšanas shēma vai nepareizi novērtēts katastrofas risks var maksāt simtus miljonu, nepārbaudīts ir neatšķirams no trausla.

Eiropas Apdrošināšanas un aroda pensiju iestāde atzina šo risku savā 2025. gada augusta Atzinumā par MI pārvaldību un risku vadību, uzsverot cilvēcisko uzraudzību, skaidrojamību un prasību, lai MI rezultāti būtu "jēgpilni skaidrojami," ļaujot identificēt iespējamo aizspriedumu. Regulatīvais pieņēmums ir tāds, ka cilvēki nodrošinās jēgpilnu uzraudzību. Bet jēgpilna uzraudzība prasa jomu kompetenci, ko pašreizējā automatizācijas trajektorija sistemātiski likvidē. Regulējums paredz darbaspēku, ko nozare izvēlas neveidot.

Shēma

Apdrošināšana nav izolēts gadījums. Tas ir jaunākā izpausme shēmai, kas tagad ir redzama katrā zināšanu ietilpīgā nozarē: automatizējiet apmācību laukumu, un jūs zaudēsiet nākotnes ekspertus.

Ražošana to atpazina pirmā. Deloitte un The Manufacturing Institute pētījums prognozēja, ka 2,1 miljons ražošanas darba vietu ASV varētu palikt neaizpildītas līdz 2030. gadam, ar izmaksām vienu triljonu dolāru tikai tajā gadā. Pamata cēlonis nav mašīnu trūkums. Tas ir cilvēku trūkums, kas saprot, ko mašīnas dara. Vadītāji ziņoja, ka nespēj aizpildīt pat augstāk apmaksātas sākuma līmeņa ražošanas pozīcijas, nemaz nerunājot par specializētām lomām. Cauruļvads, kas kādreiz pārvietoja darbiniekus no ražotnes līdz inženieru birojam, ir izjaukts ar automatizāciju sākuma līmenī.

Finanšu pakalpojumi uzrāda to pašu dinamiku. Klarna, zviedru "pirkt tagad, maksāt vēlāk" uzņēmums, 2023. gadā aizstāja aptuveni septiņi simti klientu apkalpošanas aģentu ar MI tērzēšanas robotu un ziņoja par dramatiskiem efektivitātes ieguvumiem -- tikai lai 2025. gada maijā paziņotu, ka pieņem atpakaļ cilvēku aģentus pēc tam, kad klientu apmierinātības rādītāji bija krituši par divdesmit diviem procentiem. Aizstātie aģenti nesa kluso zināšanu par klientu uzvedību, krāpšanas shēmām un eskalācijas signāliem, ko neviens datu kopums nebija ieguvis. Kad MI kļūdījās, neviens nepalika, kas atpazītu kļūdas.

Forrester Predictions 2026 ziņojums kvantificēja plašāko tendenci: piecdesmit pieci procenti darba devēju, kas atlaida darbiniekus MI dēļ, tagad ziņo par nožēlu šajā lēmumā. Gartner 2026. gada februārī prognozēja, ka līdz 2027. gadam puse no visiem uzņēmumiem, kas MI dēļ samazināja klientu apkalpošanas darbinieku skaitu, pieņems personālu līdzīgu funkciju veikšanai. Cikls -- automatizēt, atklāt plaisu, atkārtoti pieņemt par augstākām izmaksām -- kļūst par atpazīstamu shēmu dažādās nozarēs.

Kopējais pavediens nav tāds, ka automatizācija ir nepareiza. Tas ir tāds, ka automatizācija bez kompetences stratēģijas ir pašiznīcinoša. Katra nozare, kas likvidē sākuma līmeņa lomas, tās nepārveidojot, veic vienu un to pašu likmi: ka MI attīstīsies pietiekami ātri, lai aizpildītu plaisu pirms apmācītu cilvēku trūkums kļūst kritisks. Tā ir likme uz nākotnes spēju kompensēt pašreizējo iznīcināšanu, un vēsturiskais ieraksts nepiedāvā precedentu šīs likmes atmaksāšanai. Elektroenerģijai bija nepieciešami trīsdesmit gadi, lai sniegtu solītos produktivitātes ieguvumus, kā pierādīja Pols Deivids, jo organizācijas aizstāja jauno tehnoloģiju vecajās struktūrās, neatjaunojot cilvēciskās spējas tās pārvaldīt.

Apdrošināšanas nozare ar savu sešu pret vienu pensionēšanās attiecību un četru simtu tūkstošu amata vietu deficītu veic šo likmi ar sliktākajām demogrāfiskajām izredzēm jebkurā rietumu ekonomikas nozarē. Un atšķirībā no ražošanas, kur neaizpildītās lomas ir redzamas ražotnē, apdrošināšanas zināšanu plaisa ir neredzama, līdz atlīdzība izrādās nepareiza, risks tiek nepareizi novērtēts vai krāpšanas shēma darbojas nekontrolēti mēnešiem. Trauslums nepaziņo par sevi. Tas klusām uzkrājas līdz brīdim, kad salūst.

Mācība

Mācība nav pārstāt automatizēt atlīdzību pieņemšanu. Tā ir pārveidot to, ko sākuma līmeņa apdrošināšanas profesionāļi dara, nevis tos likvidēt.

Twin Ladder pieeja ir tieša. Jaunākajam personālam nevajadzētu apstrādāt atlīdzības manuāli tāpēc, ka manuālais darbs pats par sevi ir vērtīgs. Viņiem vajadzētu izvērtēt MI apstrādātas atlīdzības, jo izvērtēšana veido spriedumspēju, kas organizācijai būs nepieciešama pēc pieciem, desmit un divdesmit gadiem. Praktikants, kurš dienā pārskata piecdesmit MI iztiesātas atlīdzības -- atzīmējot anomālijas, apšaubot novērtējumus, salīdzinot MI rezultātu ar polises valodu -- attīsta shēmu atpazīšanu ātrāk nekā tāds, kurš manuāli apstrādā desmit atlīdzības. MI apstrādā apjomu. Cilvēks apstrādā spriedumspēju. Abi kļūst spējīgāki.

Šī ir Līmeņa 1 ieviešana, kas piemērota darbaspēka attīstībai. Profesionālais dvīnis neaizstāj jaunāko profesionāli. Tas kļūst par instrumentu, caur kuru jaunākais profesionālis attīsta ekspertīzi. Praktikants mācās nevis veicot darbu, ko MI veic, bet kritiski izvērtējot, vai MI to izdarīja pareizi. Tas ir grūtāk nekā manuāla apstrāde. Tas prasa augstākas kārtas domāšanu. Tas ir, Bjorka ietvarā, vēlama grūtība -- un pierādījumi rāda, ka vēlamas grūtības rada dramatiski labāku saglabāšanu un pārnesi nekā viegla atkārtošana.

Apdrošinātāji, kas vadīs nākamo desmitgadi, nav tie, kas ievieš visvairāk MI modeļu. Tie ir tie, kas nodrošina, ka viņu cilvēki var pārvaldīt šos modeļus ar patiesu izpratni. AXA ir četri simti lietojuma gadījumu. Allianz ir četri simti ģeneratīvā MI ieviešanu. Tie ir ievērojami sasniegumi. Bet jautājums, kas noteiks, vai šīs investīcijas radīs ilgstošu vērtību, nav par to, cik MI modeļu uzņēmums ir ieviesis. Tas ir par to, vai pēc desmit gadiem uzņēmums joprojām nodarbinās cilvēkus, kas var pateikt, kad šie modeļi kļūdās.

Demogrāfiskais pulkstenis skrien. Četri simti tūkstoši amata vietu paliks neaizpildītas. Piecdesmit procenti pašreizējā darbaspēka dosies pensijā. Zināšanas, ko viņi nes, tika veidotas desmitgadēm ilgi. Tās nevar atjaunot mēnešos. Un tās netiks atjaunotas vispār, ja nozare automatizēs vienīgo mehānismu, caur kuru tās jebkad tika radītas.

Pirmdienas rīta jautājums: Ja rīt noņemtu MI no jūsu atlīdzību apstrādes funkcijas, cik no jūsu pašreizējiem darbiniekiem spētu izvērtēt atlīdzību no pamatprincipiem -- un ja atbilde ir mazāk nekā pirms pieciem gadiem, ko jūs ar to darāt?

Avoti

AXA -- "AXA Offers Secure Generative AI to Employees" (2023): https://www.axa.com/en/press/press-releases/axa-offers-securegenerative-ai-to-employees
Allianz -- "AI at Allianz: The Impact of AllianzGPT" (2025. gada februāris): https://www.allianz.com/en/mediacenter/news/articles/250218-ai-at-allianz-the-impact-of-allianzgpt.html
Fortune -- "The Insurance Sector Is Getting Onboard with AI. But, Like Other Industries, They Are Quiet About ROI" (2025. gada jūnijs): https://fortune.com/2025/06/24/insurance-companies-ai-ranking-allianz-axa-evident-insights-eye-on-ai/
McKinsey -- "Aviva: Rewiring the Insurance Claims Journey with AI" (2024): https://www.mckinsey.com/capabilities/tech-and-ai/how-we-help-clients/rewired-in-action/aviva-rewiring-the-insurance-claims-journey-with-ai
Insurance Business -- "When the Algorithm Knocks: How AI Is Quietly Rewriting Insurance Jobs" (2025): https://www.insurancebusinessmag.com/us/news/breaking-news/when-the-algorithm-knocks-how-ai-is-quietly-rewriting-insurance-jobs-554187.aspx
Insurance Business / Gallagher -- "AI Goes Mainstream, But Insurers Face Skills, Risk and Coverage Gaps" (2026): https://www.insurancebusinessmag.com/us/news/technology/survey-ai-goes-mainstream-but-insurers-face-skills-risk-and-coverage-gaps-566336.aspx
PwC -- "2025 Global AI Jobs Barometer": https://www.pwc.com/gx/en/issues/artificial-intelligence/job-barometer/2025/report.pdf
Deloitte / The Manufacturing Institute -- "2.1 Million Manufacturing Jobs Could Go Unfilled by 2030": https://nam.org/2-1-million-manufacturing-jobs-could-go-unfilled-by-2030-13743/
EIOPA -- "Opinion on AI Governance and Risk Management" (2025. gada augusts): https://www.eiopa.europa.eu/eiopa-publishes-opinion-ai-governance-and-risk-management-2025-08-06_en
Jonus Group -- "Insurance Talent: Why 1.4 Million Retirements Will Reshape the Industry" (2025): https://www.jonusgroup.com/blog/2025/10/insurance-talent-why-1-dot-4-million-retirements-will-reshape-the-industry