حکمرانی بیمه در عصر هوش مصنوعی عامل گرا: چارچوب اعتماد خودتولید برای مشروعیت تصمیم، پاسخ گویی الگوریتمی و اصلاح پذیری نهادی

حکمرانی بیمه در عصر هوش مصنوعی عامل گرا: چارچوب اعتماد خودتولید برای مشروعیت تصمیم، پاسخ گویی الگوریتمی و اصلاح پذیری نهادی

دکتر حسین ممبینی | یادداشت علمی

صنعت بیمه بر یک تعهد آینده نگر استوار است: بیمه گذار امروز حق بیمه می پردازد و انتظار دارد هنگام وقوع خسارت، تصمیمی منصفانه، قابل فهم و به موقع دریافت کند. هوش مصنوعی می تواند از ارزیابی ریسک تا رسیدگی به خسارت به این فرایند کمک کند. با ورود سامانه های عامل گرا، مسئله حکمرانی دقیق تر می شود: اگر سامانه ای بتواند اطلاعات گردآوری کند، پرونده را ارزیابی کند و اقدام بعدی را پیشنهاد دهد، چه کسی در برابر تصمیم، خطا و اصلاح آن پاسخ گوست؟

نهادهای ناظر بین المللی نیز مسئله را فراتر از دقت مدل می بینند. انجمن بین المللی ناظران بیمه بر استمرار الزامات حکمرانی و رفتار حرفه ای در کاربرد هوش مصنوعی تاکید کرده است. نهاد ناظر بیمه اروپا نیز حاکمیت داده، ثبت سوابق، انصاف، توضیح پذیری و نظارت انسانی را از عناصر حکمرانی این فناوری در بیمه می داند. این اسناد، مبنای نظارتی بحث اند؛ اثربخشی «اعتماد خودتولید» را به عنوان یک نظریه مستقل اثبات نمی کنند.

پیشنهاد نظری این یادداشت آن است که اعتماد در بیمه نباید فقط حاصل شهرت شرکت یا وعده رعایت اصول اخلاقی باشد. نهاد بیمه گر باید بتواند در جریان فعالیت روزمره، خطا و اعتراض را آشکار کند، درباره آن پاسخ مستدل بدهد و در صورت لزوم تصمیم یا قاعده خود را اصلاح کند. این توانایی را می توان «اعتماد خودتولید» نامید: اعتمادی که از عملکرد مداوم سازوکارهای شفافیت، پاسخ گویی و اصلاح نهادی پدید می آید.

در این چارچوب، سه پرسش باید درباره هر تصمیم حساس بیمه ای پاسخ روشن داشته باشد:

1. مشروعیت تصمیم: داده و معیار تصمیم چه بوده است و آیا بیمه گذار می تواند دلیل نتیجه را بفهمد؟ توضیح باید به همان پرونده مربوط باشد؛ توصیف کلی فناوری برای فردی که خسارتش رد شده کافی نیست.
2. پاسخ گویی الگوریتمی: اختیار سامانه، کارشناس، مدیر و پیمانکار فناوری کجا آغاز و پایان می یابد؟ ثبت اینکه «انسانی در فرایند حضور داشته» کافی نیست؛ باید معلوم باشد چه کسی اختیار تغییر تصمیم را داشته و چگونه از آن استفاده کرده است.
3. اصلاح پذیری نهادی: اگر اعتراض بیمه گذار وارد باشد، آیا فقط همان پرونده اصلاح می شود یا داده، مدل، رویه رسیدگی و پرونده های مشابه نیز بازبینی می شوند؟

برای نمونه، فرض کنیم یک سامانه هوشمند پرداخت خسارت درمان را به دلیل تشخیص ناسازگاری در مدارک متوقف کند. در معماری اعتماد خودتولید، بیمه گذار دلیل مشخص توقف و راه اعتراض را دریافت می کند؛ کارشناس مستقل امکان بررسی و نقض تصمیم را دارد؛ و اگر خطا تکرارشونده باشد، شرکت منشا آن را در داده یا قاعده تصمیم شناسایی و اصلاح می کند. حلقه آخر تعیین کننده است: حل یک شکایت، بدون یادگیری نهادی از آن، احتمال تکرار همان بی عدالتی را باقی می گذارد.

از این رو، پیشنهاد اجرایی برای بیمه گران ایجاد یک «دفتر تصمیم و اصلاح» برای کاربردهای حساس هوش مصنوعی است. این دفتر باید نوع تصمیم، داده ها و نسخه مدل، دلیل قابل ارائه به ذی نفع، مداخله انسانی، اعتراض، نتیجه بازبینی و اصلاحات بعدی را به هم متصل کند. دسترسی به داده های شخصی باید محدود و متناسب با وظیفه باشد، اما خود فرایند پاسخ گویی باید قابل ممیزی بماند. شدت بازبینی انسانی نیز باید با پیامد تصمیم تناسب داشته باشد؛ رد خسارت یا محروم کردن فرد از پوشش، حساس تر از اولویت بندی داخلی پرونده هاست.

فرضیه پژوهشی قابل آزمون چنین است: در فرایند رسیدگی به خسارت، سازوکاری که علاوه بر توضیح تصمیم، امکان اعتراض موثر و اصلاح قابل ردیابی رویه را فراهم کند، در مقایسه با ارائه توضیح به تنهایی، اعتماد بیمه گذاران و ادراک آنان از انصاف را بیشتر بهبود می دهد. آزمون این فرضیه به داده های واقعی شکایات، زمان رسیدگی، نرخ نقض تصمیم، تکرار خطا و سنجش تجربه بیمه گذاران نیاز دارد.

آینده بیمه هوشمند را نمی توان تنها با سرعت صدور بیمه نامه یا کاهش هزینه رسیدگی سنجید. معیار نهادی مهم تر این است که شرکت بیمه پس از یک تصمیم نادرست چه می کند: آیا خطا را قابل مشاهده، قابل اعتراض و قابل اصلاح می سازد؟ در عصر هوش مصنوعی عامل گرا، ظرفیت اصلاح مستمر تصمیم ها می تواند به یکی از منابع اصلی مشروعیت و اعتماد در صنعت بیمه تبدیل شود.