RNA Analytics 英国和北欧业务发展主管 Nick Reilly 探讨了人工智能对风险池的影响...

关于人工智能的影响已经进行了大量讨论，其中大部分都是正面的。不过，仍有人呼吁谨慎行事。其中一个岌岌可危的领域就是风险共担的概念，因此可以说是保险业的未来。

当然不是，这简直是无稽之谈。或者是这样？

风险池是保险的基石（传统上由保险公司管理风险池）。许多客户为少数需要索赔的客户支付保费。所有个人都（略微）变穷，但索赔者现在不会遭受重大损失。定义举例如下

"多数人的保险费为少数人的损失买单"（GAD）
"将独立的风险聚集起来，使总量更加确定"（LSE）。

因此，这依赖于一个（半）同质的生命池。换句话说，每个保险池都由相似的风险组成。

了解英国的定期人寿保险：

保险公司花了一代人的时间，通过增加更多的风险因素（以及延长承保时间、成本和复杂性）来降低人寿保险的标题价格。这为第一家能够通过剔除 "最坏 "风险来减少保险池的保险公司增加了竞争优势。由于被视为同类的客户数量减少，保险池的规模也随之缩小。这就增加了被评级（支付更高的保费）或被拒绝（拒绝承保）的人数。

使用预测技术进行预先批准是另一个步骤，目的是在无需提出承保问题的情况下，尝试确定保险池中的 "最佳 "生命。这种方法利用数据分析来确定可预测 "最佳 "生命的特征。使用这种方法有很多好处，因为它大大降低了核保成本，为客户提供了更多便利。但与此相对应的是，保险公司明白他们偶尔也会出错。

使用机器学习（基础人工智能）来完善这种方法，利用现有数据，可以扩大效益，减少错误。但是，这种方法有可能不是为了识别 "最好的 "生命，为他们提供更好的体验，而是为了识别 "最坏的 "生命。

在这种情况下，如果从其他来源获得的数据表明索赔风险较高，潜在客户的申请可能会被拒绝，或其保费可能会被评级。

当然，这种方法在使用个人数据方面存在法律和监管风险（以及可能受到反歧视法的影响）。它还提出了一个道德问题，即使用机器学习和先进的预测技术来主动识别 "最糟糕 "的生活，并将其从生活池中剔除。

保险科技领域的许多人都误以为，理想的情况是使用大量数据，从而创造出 "一个人的保险"。这意味着，在理想的世界里，你的确切风险可以被了解和定价。显然，这与风险共担背道而驰。我们可以建立精算模型和软件，为这种程度的保险建模、定价和储备，但问题是 "我们应该这样做吗？