Sztuczna inteligencja w ubezpieczeniach: nowa forma dyskryminacji lub sprawiedliwsze ceny?
Sztuczna inteligencja wraca do swoich korzeni aktuarnych. Już w latach 90. sieci neuronowe pomagały ubezpieczycielom wyceniać ryzyko, ale dzisiejsze modele — trenowane na milionach punktów danych behawioralnych, lokalizacyjnych i transakcyjnych — zmieniły grę fundamentalnie. Kwestia nie jest już techniczna, lecz społeczna: czy algorytm, który zna nasze nawyki zakupowe, trasy dojazdu do pracy, a nawet styl jazdy z telematyki, traktuje nas sprawiedliwie, czy utwierdza uprzedzenia ukryte w danych treningowych?
Jak AI wycenia ryzyko dzisiaj
Tradycyjna aktuaria opierała się na zmiennych jawno zadeklarowanych: wiek, płeć, historia roszczeń, kod pocztowy. Nowoczesne systemy (tzw. pricing engines) pobierają dane z setek źródeł: telemetria samochodu, aplikacje zdrowotne, historia kredytowa, a w niektórych jurysdykcjach — nawet aktywność w mediach społecznościowych. W Stanach Zjednoczonych praktyka credit-based insurance scoring jest legalna w większości stanów, choć Kalifornia, Hawaje, Massachusetts i Michigan zakazali jej stosowania w ubezpieczeniach samochodowych i domowych.
W Polsce KNF w wytycznych z 2023 r. zaznaczył, że modele wyceny muszą być „przejrzyste, sprawiedliwe i nie dyskryminujące”, ale nie zdefiniował operacyjnych testów sprawiedliwości. W praktyce ubezpieczyciele coraz chętniej oferują polisy pay-how-you-drive (PHYD) i pay-as-you-drive (PAYD), gdzie skłądka zależy od stylu jazdy zmierzonego czujnikami GPS i akcelerometrami. Z jednej strony — nagroda za bezpieczne prowadzenie. Z drugiej — ciągła nadzór, który dyskryminuje kierowców niemających możliwości wyboru tras (np. pracowników zmianowych jeżdżących nocą).
Gde kończy się personalizacja, a zaczyna dyskryminacja?
Problem nie leży w samej personalizacji — aktuarze od zawsze segmentowali ryzyko. Problemem są zmienne proxy, które korelują z chronionymi cechami. Kod pocztowy w USA silnie skorelowany jest z rasą; historia kredytowa — z pochodzeniem etnicznym i statusem ekonomicznym. Badania Consumer Federation of America (2022) wykazały, że kierowcy z niskim scoringiem kredytowym płacą średnio o 67% więcej za ten sam zakres ochrony, mimo identycznej historii kierowczej.
W Europie RODO (art. 22) daje prawo do odmowy zautomatyzowanego decydowania, a AI Act (rozporządzenie UE 2024/1689) klasyfikuje systemy wyceny ryzyka ubezpieczeniowego jako wysokie ryzyko (zał. III), nakazując audyty sprawiedliwości, ludzki nadzór i dokumentację zarządzania ryzykiem. Polska ustawa o ubezpieczeniach (art. 37a ust. 3) wymaga, by kryteria wyceny były „obiektywne, przejrzyste i niedyskryminujące”, ale brak wykazu dozwolonych i zabronionych zmiennych zostawia pole manewru.
Telematyka: nagroda za dane czy kara za prywatność?
Programy telematyczne (np. Allstate Drivewise, Progressive Snapshot, polskie odpowiedniki PZU, Warta, Compensa) obiecują zniżki do 30%. Dane z USA (NAIC Telematics Report 2023) pokazują: średnia zniżka wynosi 10–15%, a 20% uczestników płaci więcej po włączeniu monitoringu. Kierowcy nocni, kurierzy, mieszkańcy dzielnic z gorszą infrastrukturą drogową — wszyscy tracą, bo model nie rozróżnia wyboru a konieczność.
Kwestia własności danych pozostaje nierozwiązana. Większość regulaminów daje ubezpieczycielowi prawo do udostępniania danych partnerom, a klient nie ma realnej możliwości usunięcia historii jazdy przy zmienie ubezpieczyciela. To tworzy vendor lock-in opartego na prywatności.
Co może zrobić klient?
- Pytaj o zmienne — przed podpisaniem polisy z telematyką zapytaj, jakie dokładnie parametry wpływają na cenę i czy masz prawo do ich wglądu.
- Sprawdzaj scoring kredytowy — w krajach, gdzie jest legalny, regularna kontrola raportu BIK/KRD pozwala wyłapać błędy podnoszące skłądkę.
- Wymagaj ludzkiego rozpatrzenia — wg RODO art. 22 masz prawo żądać ludzkiego decydenta w sprawie istotnej dla Ciebie (np. odmowa wypłaty, drastyczne podwyższenie skłądki).
- Porównuj oferty bez telematyki — nie zawsze monitorowanie opłaca się; tradycyjne polisy mogą być tańsze dla specyficznych profili jazdy.
Perspektywa regulacyjna
Unia idzie w stronę algorithmic transparency registers — publicznych rejestrow systemów wysokiego ryzyka z opisem zmiennych, danych treningowych i wyników testów dyskryminacji. Hiszpania i Włochy testują takie rejestry w sektorze publicznym; rozszerzenie na ubezpieczenia prywatne to kwestia czasu. W Polsce KNF ogłosił konsultacje projektu wytycznych o explainability modeli aktuarnych — oczekiwany termin opinii to I półrok 2025 r.
Dopóki regulacje nie dogonią technologii, sprawiedliwość ceny ubezpieczenia zależy od tego, kto lepiej rozumie algorytm: ubezpieczyciel, czy klient.
Oznaczenie treści AI
Ten artykuł powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagował agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.
