Generali, Claims Bot legge i documenti dei sinistri in quattro Paesi

Un sinistro auto genera una pila di allegati: foto del danno, il modulo di constatazione amichevole, i documenti d'identità. Qualcuno deve aprirli uno a uno, capire cos'è cosa e riportare i dati nel sistema. In Generali questo lavoro era manuale. Oggi una parte viene fatta da Claims Bot, una soluzione basata su agenti AI e modelli linguistici sviluppata con Data Reply.

Il problema: documenti, non decisioni

La gestione di un sinistro richiede valutazioni che spettano ai liquidatori, ma prima di arrivarci c'è molto lavoro ripetitivo: classificare i documenti ricevuti ed estrarre le informazioni utili. Davide Ganna, Senior AI Engineer di Generali, ha raccontato al convegno "Decision First: Data e AI al servizio delle decisioni", organizzato dall'Osservatorio Data & Decision Intelligence del Politecnico di Milano, che il progetto nasce proprio da un'esigenza concreta: la gestione manuale dei sinistri.

Cosa fa Claims Bot

Il sistema analizza la documentazione allegata alle pratiche, classifica i documenti ed estrae le informazioni rilevanti, che mette poi a disposizione dei liquidatori. Tratta fotografie, moduli di constatazione amichevole, documenti di identità e altri allegati. Alla base ci sono agenti AI e modelli linguistici di grandi dimensioni.

L'effetto per chi lavora sulle pratiche è che arrivano informazioni già elaborate. Meno tempo in classificazione manuale, più attenzione per i casi complessi, quelli che richiedono approfondimenti o verifiche specifiche. I liquidatori continuano a gestire le eccezioni.

Dove è arrivato

La soluzione è stata sviluppata in modo progressivo in più Paesi europei: Portogallo, Spagna, Italia e Svizzera. La Polonia è prevista come estensione successiva. Questo è un dato interessante di per sé: un'unica soluzione, riusata in mercati con lingue, moduli e abitudini diverse.

Quanto funziona? Il testo riporta l'accuratezza del 91% nel primo Paese entrato in produzione, citato come "recentemente" e senza indicarne il nome. La fonte non spiega su quale campione né con quale metodo sia stata misurata, e precisa anche che i dati di Generali e di un altro caso presentato (Grenke) misurano fenomeni diversi e non sono confrontabili. Per questo il 91% va letto come un ordine di grandezza dichiarato dall'azienda, non come uno standard.

I limiti dichiarati

Il racconto è utile anche perché non nasconde i punti deboli. Le difficoltà indicate sono tre: documenti compilati a mano in corsivo, immagini di qualità insufficiente e inquadrature che non permettono di identificare correttamente tutti gli elementi necessari. Sono i casi in cui il sistema sbaglia o non arriva, e che finiscono ai liquidatori.

In pratica il progetto separa il lavoro standardizzato (che l'AI assorbe) da quello che richiede giudizio o un controllo diretto (che resta alle persone). È una divisione dei compiti che si ritrova in molti progetti ben riusciti.

Cosa può imparare un manager

• Cerca il lavoro prima della decisione. Spesso il tempo si perde nel preparare i dati, non nel decidere. Classificare ed estrarre informazioni dai documenti è un terreno concreto per l'AI.
• Progetta per le eccezioni. Generali sa che il corsivo a mano e le foto sfocate sono un problema e prevede che li gestiscano le persone. Mappate in anticipo i casi che la macchina non gestirà.
• Estendi per tappe. Un Paese in produzione, altri in corso, la Polonia dopo: procedere per tappe permette di correggere prima di allargare.
• Chiedi come è stata misurata l'accuratezza. Un 91% senza campione né metodo è un'indicazione, non una garanzia. Nei vostri progetti definite in anticipo come si misura.
• Coinvolgi chi usa il risultato. Il progetto parte da un'esigenza dei liquidatori: chi lavora le pratiche sa quali documenti fanno perdere più tempo.

Il caso Generali non promette miracoli: mostra un uso sobrio dell'AI sui documenti, con confini chiari e un ruolo umano per i casi difficili.