.

מבוא

הליך החיתום (Underwriting) מהווה את אחד מאבני היסוד של תעשיית הביטוח: כלומר – הבחירה האם לקבל סיכון, באיזה מחיר, ובאילו תנאים. באופן מסורתי תהליך זה נסמך על אנשי מקצוע (חתמי ביטוח) שמבצעים הערכת סיכון, מנתחים מידע על המבוטח, הרכוש או הפעילות המבוטחת, משווים למדדים ואקטואריים, ומתאימים מחיר ותנאים.

 

בשנים האחרונות, עם התפתחות טכנולוגיות בינה מלאכותית, גדולת הנתונים, מכשור חיישנים, ויכולות חישוביות – עולם הביטוח החל להפנות מבט לעבר כלי בינה מלאכותית לחיתום. המטרה: להפוך את התהליך למהיר יותר, מדויק יותר, חסכוני יותר – ולפתוח אפשרויות של מודלים חדשים.

 

למרות זאת, הכניסה של בינה מלאכותית לחיתום מעלה גם אתגרים משמעותיים – אתיים, רגולטוריים, מבצעיים וארגוניים.

 

למה בינה מלאכותית בחיתום?

הסיבה לצורך בשימוש בבינה מלאכותית בחיתום נובע מכך שהחיתום המסורתי סובל ממספר בעיות:

• זמן ארוך – תהליך איסוף מידע, בדיקת רקע, ניתוח סיכונים והחלטה לוקחים לעיתים ימים ואף שבועות.

• עומס מידע – הקבלן נדרש לתאם סביבת נתונים גדולה, ולעיתים יש חוסר של מידע או איכות מידע נמוכה.

• החלטות שמבוססות על מידע מוגבל – מודלים ישנים עשויים להסתמך על פרמטרים מוגדרים (“תת־קבוצה של נתונים”), ובכך להחמיץ סיכונים או ירידת ערך סיכון.

• עלויות גבוהות ועומס עיסוק במטלות אדמיניסטרטיביות במקום בעבודה. למשל, חברת ייעוץ בדקה ומצאה, כי 40 % מזמן החיתום מושקע במשימות אדמיניסטרטיביות.

 

ההזדמנות של בינה מלאכותית

כלי בינה מלאכותית – במיוחד למידת מכונה (ML), עיבוד שפה טבעית (NLP), ראייה ממוחשבת (computer vision) וחישובי אנליטיקה ממונעת – מציעים כלים לשינוי המצב:

•  קיצור זמן התהליך: מערכות AI יכולות לסרוק מסמכי בקשה, היסטוריית תביעות, נתוני צד שלישי, ומוציאות המלצות בתוך דקות.

• שיפור דיוק בחיתום: AI מסוגלת לזהות קשרים וסיגנלים שלא נראים בעין אנושית, ולבצע סיווג סיכונים מדויק יותר.

•  התאמה אישית: בעזרת שילוב נתוני התנהגות בזמן אמת, חיישנים, IoT ונתונים חלופיים, ניתן לתת הצעות יותר מותאמות ללקוח * חיסכון בהוצאות תפעול: עבודת פס־רוטינה יכולה להיות ממוכנת, והשקעת זמן האנושיים מופנית למקרים מורכבים.

• שיפור התחרותיות והחוויה ללקוח: מהירות בקבלת החלטה, פחות בירוקרטיה, שירות מהיר – כל אלה יכולים לשפר את מעמד המבטח בשוק.

לכן, המעבר ל-AI בחיתום איננו רק “התייעלות”, אלא שינוי מהותי במודל הביטוחי – הפיכת התהליך לדיגיטלי, לחכם, ומבוסס נתונים.

 

כיצד AI מיושמת כיום בתהליך החיתום?

ניתן לחלק את היישומים לפי שלבי תהליך החיתום:

 

1. איסוף ועיבוד מידע

תהליך הבקשה כולל כיום מסמכים רבים – טפסים, דוחות, בדיקות רקע, קבצים לא מובנים (PDF, תמונות). מערכות AI מבצעות:

•  OCR + NLP על מסמכים לקבלת נתונים.

• חיבור למקורות חיצוניים (מידע ציבורי, מדיה חברתית, וכו').

• ניתוח רכיבים בלתי‐מאורגנים לחיתום: למשל תמונות רכוש, חיישני IoT ברכב או נכס.

2. סינון מקדים והערכת סיכון ראשונית

לפני שהחתם מתערב, ה-AI יכול לבצע סינון (“טריאג’”) של בקשות:

•  הערכת התאמה למדיניות

• חישוב ניקוד סיכון מהיר ותגובה אוטומטית לבקשות פשוטות.

 

3. החלטת חיתום ותמחור

 

בשלב זה, המערכת משתמשת במודלים למידת מכונה כדי להעריך סיכון, לקבוע מחיר, להמליץ על תנאים.

•  לדוגמה: שימוש ב-200 מיליארד נקודות מידע להערכת סיכון אש לנכס

• המלצה על מחיר מותאם ללקוח, בהתבסס על אלסטיות המחיר, ודינמיקת סיכון.

 

4. החלטת אנושית / אימון-מומן

 

במרבית המקרים כיום – אין AI שמחליף לחלוטין את החתם, אלא מסייע. למשל:

• במקרים הדורשים בדיקה של מקרים חריגים או מורכבים.

• ה-AI מספק “מכתב חיתום”, סיכום סיכון או המלצה אשר האדם חותם עליה.

 

5. ניטור ושיפור מתמשך

לאחר ההנפקה, המערכות ממשיכות לעקוב אחר ביצועים, לשפר מודלים, להזין משוב ממקרי חיים. מערכות חכמות מסוגלות “ללמוד” מהחלטות עבר ומהתנהגות מבוטחים כדי לשפר דיוק.

 

יתרונות מרכזיים

 

זמן תגובה קצר יותר

לדוגמא: מחקר מדווח על קיצור מועדי החלטות ל-12.4 דקות למקרים סטנדרטיים, על ידי שימוש ב-AI. מהירות גבוהה משפרת את חוויית הלקוח ומשפרת יכולת תחרותית.

 

שיפור דיוק ותמחור

 

AI מאפשר גילוי סמנים מתוך נתונים שאינם בהכרח “קלאסיים”. לדוגמה: שיפור חיתום ב-15 % יחסית לשיטות ישנות. מצב זה מסייע בהפחתת יחס תשלום לתביעות (loss ratio) ושיפור רווחיות.

 

חיסכון בהוצאות

 

על ידי אוטומציה של עבודות רגילות וירידה בכוח אדם לפעולות אדמיניסטרטיביות, נמצאת חיסכון פעיל.

 

התאמה אישית ושירות משופר

היכולת להמליץ ללקוח במהירות על מוצר מתאים, לשפר מוניטין החברה ולמשוך לקוחות חדשים.

 

ניהול סיכון טוב יותר

AI מאפשר התמודדות עם סיכונים חדשים: סיכון כרוך בשינויים סביבתיים, הסבות טכנולוגיות, פילוחי סיכון דיגיטליים. למשל: ניטור נכסים עם חיישנים, רכבים מחוברים.

 

אתגרים וסיכונים

 

אתגר הבהירות וההסבריות

מודלי בינה מלאכותית, במיוחד למידת-עמוקה (deep learning), משמשים לעיתים “קופסאות שחורות” – קשה לפרש למה הם לקחו החלטה מסוימת. זה מעלה שאלות רגולטוריות ומוסריות.

 

נטייה להפליה ולאי־שוויון

שימוש ב-AI עשוי להוביל להפליה עקיפה – למשל קבוצות שאינן נגישות לטכנולוגיות או שלא מופיעות בצורה טובה בנתונים, עלולות “להישמט” מההצעות או לקבל תנאים פחות טובים.

 

איכות הנתונים והטיה

אם המודל מאומן על נתונים שמהווים העתק של מאפיינים היסטוריים עם הטיות, הוא עלול “ללמוד” הטיות ולהחמיר אותן. כמו כן, נתונים שגויים או חסרים יכולים לגרום להחלטות שגויות.

 

תלות בטכנולוגיה ובמערכת

אם המערכת נכשלה – למשל נתוני חיישנים שגויים, או שינוי פתאומי של סיכון שלא נלמד – ההשפעה יכולה להיות גדולה.

 

רגולציה, פרטיות ואתיקה

השימוש ב-AI בתחום ביטוח מחייב עמידה בתקנים רגולטוריים (למשל GDPR/הגנת מידע אישי), סקירה של ההחלטות, זכות ההסבר ללקוח. בנוסף – שאלות אתיות: כמה “חכמת” ה-AI והאם הוא מחליף אדם בצורה שאינה שקופה.

 

שימור תפקוד אנושי

למרות אפשרויות האוטומציה, בחיתומים מורכבים או חריגים עדיין נדרשת התערבות אנושית. חוסר זהירות עשויה לפגוע בהסתגלות הארגון.

 

סיכוני הביטוח והאחריות

אם AI מבצע המלצה שגויה, מי נשא באחריות? כיצד המבטח יגן על עצמו? אלו שאלות שעדיין מנוסחות בתעשייה.

 

משמעויות אסטרטגיות לתעשיית הביטוח

 

שינוי בתפקיד החתם

החתם יעבור תפקיד מ”איסוף מידע וקבלת החלטה” ל”מנהל תהליך, מפרש החלטת AI, מתמקד במקרים מורכבים”. היכולת האנושית להעריך סיכון מורכב, להבין הקשרים, לעמוד מול לקוח – לא תיעלם.

 

מודלים עסקיים חדשים

• ביטוח בזמן אמת (On-demand) – למשל רכב שמחובר בחיישן, ולכן המחיר משתנה בזמן אמת.

• חיתום מבוסס התנהגות (Behaviour-based underwriting).

• שיתופי פעולה עם Insurtech – חברות טכנולוגיה שמביאות פתרונות AI, והביטוח הופך לפלטפורמה טכנולוגית.

 

פנים-ארגוני

דרישה להשקעות בנתונים, תשתיות, צוות AI/דאטה, ושינויים בתרבות הארגונית – מהירה, ניסיונית, מוכנה לטכנולוגיה.

 

סיכון/תחרות

מבטחים שלא יאמצו AI יתפסו כמתחרות חלשות – איטיות יותר, יקרות יותר, פחות מותאמות. מצד שני – טעות באימוץ עלולה להיות יקרה (הטמעה גרועה, חוויית לקוח חלשה).

 

רגולציה ומוניטין

השימוש ב-AI מחייב שקיפות – הידעת הלקוח כשמשתמשים באלגוריתם, זכות ערעור, ניהול הטיות. מנגנונים אלו יהפכו לחלק אינטגרלי מהחיתום.

 

נקודות למחשבה וליישום בארגונים

1. התחלה מדורגת – מומלץ להתחיל בצעדים פשוטים: ניתוח מסמכי בקשה, סינון בקשות, המלצות תמחור. אחר כך להרחיב.

2. שליטה בנתונים איכותיים  – יש לוודא איכות הנתונים, להקים צוותי דאטה/AI, להגדיר מדדים, ולבצע ניטור.

3. שקיפות ובניית אמון – חשוב להסביר ללקוחות את השימוש ב-AI, לספק אפשרות לערעור, ולוודא שאין הפליה.

4. הכשרת צוותים – אנשי חיתום צריכים לקבל כלים ומיומנויות מתאימות: לפרש החלטות אלגוריתם, להתמודד עם מקרים מורכבים.

5. רגולציה ואתיקה – לנסות להיות “קדימה” ולהגדיר מדיניות פנימית לשימוש אחראי ב-AI, כולל ניהול הטיות, ניטור תוצאות והיערכות לרגולציה עתידית.

6. מדידת תוצאות – להגדיר מדדים ברורים (זמן החלטה, יחס תשלום לתביעות, שביעות רצון לקוחות), ולבצע בקרה שוטפת.

7. שיתוף פעולה עם טכנולוגיה חיצונית – עבודה עם Insurtech, ספקי AI, או פתרונות ענן שיכולים להאיץ תהליך ומעט להשקעה ראשונית.

 

העתיד והמגמות הצפויות

• שימוש גובר ב-Generative AI (מודלים כמו LLM) ליצירת סיכומי סיכון, משפטים בחוזה, הסברים אוטומטיים להחלטת חיתום.

• מעבר לחיתום “נקודתי” לחיתום מתמשך – ניטור סיכון בזמן אמת, התאמה דינמית של פוליסות, תגמול התנהגות בטוחה.

• שילוב של בינה מלאכותית עם אנליטיקה נושאי (actionable analytics) – היכולת להתערב מוקדם, למנוע סיכון, לא רק לחתום.

• רגולציה חדשה – חובת הסבר, איסור הפליה, ביקורת אוטומטית על אלגוריתמים.

•  שוק Insurtech מתרחב – השקעות גדלות בטכנולוגיות AI ובפתרונות חיתום מתקדמים.

 

סיכום

חיתום באמצעות בינה מלאכותית משנה את בסיס הפעילות של תעשיית הביטוח – ממה שהיה תהליך ידני, איטי ומבוסס ניסיון והערכה אנושית, לעולם של נתונים, מודלים, זמן אמת ואוטומציה. היתרונות ברורים: מהירות, דיוק, חיסכון, התאמה אישית. אך הם מגיעים עם אתגרים: שקיפות, אתיקה, רגולציה, איכות נתונים, ושימור מקומם של אנשי המתמחים.

 

ארגוני הביטוח שנכנסים לתהליך זה בצורה מדויקת – עם אסטרטגיה, תשתית, הכשרה ומתודולוגיה – צפויים לקבל יתרון תחרותי משמעותי. לעומת זאת, כאלה שימשיכו בפעילות “כמו תמיד” עשויים למצוא עצמם מאחור מבחינת יעילות, מבנה עלות ושירות לקוח. עוד יותר – ניהול נכון של סיכונים, הבטחת צדק, שמירה על אמון הלקוח – יהיו חיוניים בעתיד שבו AI תופס מקום מרכזי.

 

 

 

14/10/25