Když se mluví o umělé inteligenci v podnicích, často zůstává debata na úrovni slibů. Jedni mluví o produktivitě, druzí o automatech, další o tom, že jednou možná změní zákaznickou zkušenost. Jenže v pojišťovnictví se podobné věci nezkoušejí na neškodných hračkách. Tady jde o situace, kdy člověk právě naboural auto, poškodil mu ho krupobití nebo řeší nepříjemnou škodu a potřebuje rychle pochopit, co dělat dál.
Právě proto mě zaujalo, jak Travelers přistoupil k nasazení AI v oblasti hlášení škod. Nešlo o vedlejší experiment. Šlo o klíčový proces zvaný first notice of loss, tedy první nahlášení škody, který ve výsledku určuje tón celého dalšího řešení pojistné události. Firma podle Erika Roena, senior viceprezidenta a CIO pro oblast škod ve Travelers, dokázala během krátké doby přejít od pilotu v osmi státech k celostátnímu nasazení. A co je ještě zajímavější, velká většina lidí, kteří se rozhodnou AI asistenta vyzkoušet, s ním celý proces také dokončí.
Tohle není jen příběh o jedné implementaci. Je to velmi praktická ukázka toho, jak dnes velké firmy začínají chápat AI ne jako další software, ale jako novou provozní vrstvu. A pokud se o digitální transformaci, zákaznickou zkušenost, contact centra nebo enterprise AI zajímáte, je na tomto případu hodně co rozebírat.
Obsah
- 🧭 Proč je first notice of loss tak důležitý
- 🤖 Jak vypadá AI asistent pro hlášení škod v praxi
- 🚀 Proč měli ve Travelers odvahu nasadit AI do tak citlivého procesu
- 🏗️ AI jako provozní vrstva, ne jen další aplikace
- 🛡️ Governance, odpovědnost a tři zákony škod
- 🔁 Proč generativní AI vyžaduje iteraci skoro každý den
- 📊 Mission Control: jak Travelers získal přehled v reálném čase
- 🧪 Syntetický volající a LLM judges jako nový způsob testování
- 📈 Od pilotu k celostátnímu nasazení za dva měsíce
- 😊 Proč byla adopce tak vysoká
- 👥 Co to znamená pro zaměstnance a debatu o pracovních místech
- 🤝 Jakou roli sehrálo partnerství s OpenAI
- 🧠 Co si z toho mohou odnést jiné velké firmy
- 🔮 Kam může AI v pojišťovnictví směřovat dál
- 📌 Proč je tenhle případ důležitý i mimo pojišťovnictví
🧭 Proč je first notice of loss tak důležitý
První nahlášení škody je v pojišťovnictví okamžik pravdy. Zákazník přichází ve chvíli, kdy je často ve stresu, neví přesně, co má udělat, a hledá hlavně jasnost. Potřebuje zjistit, zda má škodu vůbec hlásit, jaký bude další postup, jaké informace bude potřebovat a co se stane potom.
Z pohledu pojišťovny jde zároveň o proces, který má obrovský provozní dopad. Když se podaří na začátku získat správné a včasné informace, celý zbytek likvidace běží mnohem hladčeji. Dá se správně určit priorita, předat případ vhodnému specialistovi a automaticky rozjet navazující služby. Třeba objednat opravu v servisu, zajistit náhradní vozidlo nebo zpřístupnit samoobslužné kroky.
Travelers zvolil právě tuto oblast z několika důvodů:
- Je extrémně objemná. Firma řeší přibližně 1,5 milionu škod ročně.
- Dotýká se více produktových linií. To znamená, že úspěšný model může jít později rozšířit dál.
- Má jasnou strukturu i variabilitu zároveň. Pro založení škody jsou potřeba konkrétní data, ale zákazníci se ptají na velmi různé věci.
- Je citlivá na kvalitu komunikace. Tady nefunguje rigidní chatbot, který umí jen předem napsané otázky a odpovědi.
To poslední je klíčové. Travelers neřešil pouze sběr údajů. Potřeboval systém, který se přizpůsobí situaci, pochopí záměr zákazníka, vysvětlí souvislosti a pomůže mu rozhodnout, zda a jak škodu hlásit. Právě tady dávají moderní AI agenti smysl.
🤖 Jak vypadá AI asistent pro hlášení škod v praxi
Než Travelers nasadil nový AI systém, zákazníci mohli škodu hlásit přes web, mobilní aplikaci nebo telefonicky přes kontaktní centrum. Digitální kanály už samozřejmě využívala řada lidí, ale velké množství klientů stále volalo. A právě při telefonickém hlášení vznikal problém zejména v dobách špiček.
Po velkých událostech, jako jsou hurikány nebo bouře, totiž objem příchozích hovorů prudce naroste během velmi krátké doby. Takové špičky se personálně plánují obtížně. Výsledkem mohou být delší čekací doby právě ve chvíli, kdy zákazník potřebuje pomoc nejvíc.
Nový přístup funguje tak, že volajícímu je nabídnuta možnost řešit hlášení s AI asistentem. Nejde ale o slepou automatizaci bez úniku. Zákazník má po celou dobu možnost přepnout se na pracovníka kontaktního centra.
To je podle mě chytré hned ze dvou důvodů. Zaprvé to snižuje odpor vůči nové technologii. Zadruhé to zachovává pocit kontroly v citlivé situaci.
Samotné řešení stojí na více agentech, kteří spolupracují tak, aby to na straně zákazníka působilo jako jeden plynulý rozhovor. Systém během hovoru:
- naslouchá a rozpoznává, co chce zákazník vyřešit,
- upřesňuje a sbírá potřebné informace,
- vysvětluje nejasnosti a odpovídá na dotazy,
- zapisuje údaje do interních systémů,
- spouští navazující kroky, jako je servis nebo náhradní auto.
Nejzajímavější součástí je takzvaný konzultační agent pro posouzení škody. Ten neřeší jen mechanické založení případu, ale pomáhá i s rozhodnutím, zda má vůbec smysl škodu hlásit. To je velmi důležité, protože lidé si často nejsou jisti:
- jaké krytí se na jejich situaci vztahuje,
- jaká je jejich spoluúčast,
- jak by podání škody mohlo ovlivnit cenu pojištění,
- zda jsou za událost odpovědní,
- jestli mají jednat se svou pojišťovnou, nebo s pojišťovnou druhé strany.
Právě tahle schopnost reagovat na nejistotu a vysvětlovat kontext odlišuje moderní agentní AI od běžných hlasových stromů nebo starších chatbotů.
🚀 Proč měli ve Travelers odvahu nasadit AI do tak citlivého procesu
U podobných projektů bývá první otázka jednoduchá: Jak si vůbec firma troufne dát AI do bodu, který přímo ovlivňuje zákazníka, reputaci i provoz?
Erik Roen popisuje, že Travelers začal pracovat s OpenAI velmi brzy, ještě před plnou obecnou dostupností některých modelů. Firma si modely a real time API důkladně ověřovala a už v raných testech viděla, že se kvalita konverzace výrazně liší od zkušenosti, kterou si mnoho lidí spojovalo se staršími chatboty.
To je důležitý moment. V enterprise prostředí často nebrzdí nasazení AI jen technologie sama, ale historická zkušenost zaměstnanců i zákazníků. Když někdo slyší slovo chatbot, často si představí systém, který nerozumí otázce, neustále opakuje stejné fráze a nakonec stejně člověka pošle na operátora.
Travelers si zjevně uvědomil, že pokud má AI uspět v tak zásadním workflow, musí hned od začátku doručit kvalitativně jiný zážitek. Ne o trochu lepší. O řád lepší.
🏗️ AI jako provozní vrstva, ne jen další aplikace
Jedna z nejzajímavějších myšlenek z celého případu je změna pohledu na to, co AI ve firmě vlastně je. Ne pouze technologie nebo vrstva aplikace. Spíš nový způsob, jak organizace funguje, rozhoduje, testuje a řídí riziko.
Travelers kvůli tomu velmi brzy sestavil skutečně mezioborový tým. Vedle softwarových inženýrů a datových specialistů byli u stolu i právníci, architekti, doménoví experti a lidé z byznysu. To není organizační detail. To je zásadní podmínka úspěchu.
U tradičního vývoje softwaru podle Roena často platilo něco jako poměr 80 ku 20. Většina práce seděla na technologické straně, byznys dodal požadavky, na konci proběhlo testování a šlo se do produkce. U generativní AI to podle Travelers funguje úplně jinak. Poměr se blíží spíš 50 ku 50.
Proč? Protože tady nestačí jen naprogramovat logiku. Je potřeba:
- navrhovat a ladit promptování a instrukce,
- průběžně hodnotit chování modelu,
- vytvářet evaluační scénáře,
- řešit oborové nuance v jazyce i rozhodování,
- zapojit lidi, kteří poznají, kdy odpověď působí správně, ale ve skutečnosti není přijatelná.
Tohle je velmi cenná lekce i mimo pojišťovnictví. Pokud organizace staví AI jako izolovaný projekt technického týmu, snadno mine podstatu. Úspěch totiž nevzniká jen z dobrého modelu. Vzniká z dobře nastaveného pracovního systému kolem něj.
🛡️ Governance, odpovědnost a tři zákony škod
Nasadit AI v pojišťovně znamená pohybovat se v prostředí, kde je přesnost, odpovědnost a auditovatelnost zásadní. Travelers naštěstí nestartoval od nuly. Firma už zhruba 15 let používá v oblasti škod AI a strojové učení, takže měla vytvořený rámec pro odpovědné využití AI i zavedené technologické governance procesy.
Vedle toho se opírala o interní principy, které Roen popsal jako tři zákony likvidace škod. Ty podle mě krásně ukazují, jak má vypadat praktická priorita při nasazování AI do kritických procesů.
- Pojišťovna musí správně vyplatit to, co skutečně dluží u každé škody.
- Musí nabídnout skvělou zkušenost zákazníkovi nebo agentovi, pokud tím neporuší první princip.
- Musí to dělat efektivně a účinně, pokud tím neporuší první dva principy.
Jinými slovy: nejdřív správnost, potom zkušenost, nakonec efektivita. To je přesně obráceně než u mnoha přehnaně optimistických AI projektů, které nejdřív slibují úsporu nákladů a až potom zjišťují, co to udělá s kvalitou.
Právě takové hierarchie bývají pro enterprise AI nesmírně důležité. Dávají týmům jasný kompas při stovkách malých rozhodnutí během návrhu i provozu.
Pokud vás zajímá širší kontext odpovědného nasazení AI, užitečné jsou třeba principy a doporučení od organizací jako NIST AI Risk Management Framework nebo přehledy od OECD o AI governance.
🔁 Proč generativní AI vyžaduje iteraci skoro každý den
Velký rozdíl oproti klasickému softwaru je v tom, že generativní AI se nedá rozumně nasadit stylem „naplánovat, vyvinout, otestovat, spustit a hotovo“. Travelers popisuje proces mnohem víc jako průběžné testování a učení.
Do vývoje byli zapojeni napříč firmou lidé, kteří si na agentech postupně budovali důvěru. Poznávali, jak fungují prompty, jak se provádějí evaluace a jaká data se sledují. To nejen zlepšovalo samotný systém, ale také pomáhalo změnovému managementu.
Místo občasných kontrolních schůzek se zlepšování dělo v rychlém rytmu. Úpravy přicházely denně. To je v AI projektech zásadní. Čím kratší je smyčka mezi pozorováním chování, zpětnou vazbou a nasazením změny, tím rychleji se z projektu stává robustní služba.
Zároveň tím vzniká něco velmi cenného: sdílené porozumění mezi technickou a byznysovou stranou. V klasickém vývoji se tyto světy někdy potkají až na konci. U AI je lepší, když jsou propojené od prvního dne.
📊 Mission Control: jak Travelers získal přehled v reálném čase
Jedním z nejpraktičtějších prvků celé implementace je koncept, kterému Travelers říká Mission Control. Šlo o centrální dohledový systém používaný při testování, pilotu i produkčním provozu.
Data proudila v téměř reálném čase, konkrétně v patnáctiminutových intervalech. Tým tak mohl soustavně sledovat několik vrstev výkonu najednou:
- byznysové výsledky,
- výkon systémů,
- chování modelů,
- zákaznickou zkušenost,
- potřebu zásahu nebo eskalace.
Mně se na tomto přístupu líbí hlavně to, že neodděluje technický monitoring od provozní reality. U AI totiž nestačí hlídat, že API odpovídá a latence je přijatelná. Musíte sledovat i to, zda systém komunikuje správně, neplete si fakta, neříká něco nepřípustného a vede k očekávanému obchodnímu výsledku.
Takový dohled je vlastně obdobou řídicí věže pro AI provoz. A čím citlivější je použití, tím důležitější tato vrstva je.
🧪 Syntetický volající a LLM judges jako nový způsob testování
Další silný moment z případu Travelers je způsob, jakým testoval kvalitu systému. Firma vytvořila syntetického volajícího pomocí AI, který dokázal telefonovat do IVR a simulovat tisíce různých scénářů hlášení škod.
To je velmi chytrý přístup. Místo spoléhání na omezený počet ručně testovaných případů můžete rychle prověřit velké množství variant, výjimek a kombinací otázek.
Na zadní straně pak fungovali takzvaní LLM judges, tedy modely používané jako hodnotitelé. Ty posuzovaly například:
- tone of voice a vhodnost komunikace,
- přesnost zachycených informací,
- správnost odpovědí,
- celkové zvládnutí scénáře.
Je dobré dodat, že podobné „AI hodnotitele“ nelze brát jako jediný zdroj pravdy. Ale jako nástroj pro rychlou iteraci a škálování testů mají obrovskou hodnotu. V kombinaci s lidskou kontrolou umí dramaticky zkrátit cestu od nápadu k odladěné službě.
Travelers LLM judges nepoužíval jen při testech. Zapojil je i do provozu jako pojistku. Sledovaly, zda agenti nezačínají halucinovat, nevytvářejí nepřesné informace nebo nedávají sliby, které by dávat neměli. Pokud by se něco takového objevilo, tým dostal upozornění a mohl daného agenta v řádu minut vypnout.
To je podle mě jedna z nejlepších ilustrací zralého AI provozu. Nestačí věřit, že model bude fungovat správně. Je potřeba navrhnout systém tak, aby uměl rychle rozpoznat odchylku a bezpečně zareagovat.
Kdo se o evaluace a guardrails zajímá hlouběji, může se podívat i na obecnější zdroje jako přehled evals nebo doporučení k monitoringu a bezpečnosti generativních aplikací od Google Cloud či dalších enterprise platforem.
📈 Od pilotu k celostátnímu nasazení za dva měsíce
Travelers nasadil řešení nejprve pilotně v osmi státech a během dvou měsíců ho rozšířil po celé zemi. V prostředí velké pojišťovny je to mimořádně rychlé tempo.
Taková rychlost ale nevznikla tím, že by firma ignorovala rizika. Naopak. Zdá se, že šla rychle právě proto, že měla dobře připravené evaluace, monitoring, governance i nouzové mechanismy.
To je důležitý princip pro všechny firmy, které chtějí s AI zrychlit. Rychlost bez kontroly je hazard. Kontrola bez rychlosti je stagnace. Skutečná výhoda vzniká tehdy, když si organizace vybuduje takové provozní nástroje, které jí dovolí dělat rychlá rozhodnutí s rozumnou mírou jistoty.
Travelers podle všeho přesně tohle zvládl.
😊 Proč byla adopce tak vysoká
Jedno z nejsilnějších čísel z celého příběhu je míra dokončení. Podle Roena dnes 80 až 90 procent zákazníků, kteří začnou řešit škodu přes AI asistenta, celý proces také přes asistenta dokončí.
To je výrazný signál, že nejde jen o technickou demonstraci. Lidé službu skutečně používají až do konce.
Čím si to vysvětlit?
- Důkladné testování před spuštěním. Travelers věnoval mimořádnou pozornost evaluacím a simulovaným scénářům.
- Zaměření na uživatelskou zkušenost. Nešlo jen o automatizaci, ale o to, aby rozhovor působil užitečně a přirozeně.
- Schopnost vysvětlovat. Systém nefunguje jen jako formulář po telefonu, ale pomáhá i s nejasnostmi.
- Možnost přepnutí na člověka. To snižuje psychologickou bariéru.
Travelers zároveň uvedl, že zhruba 35 procent lidí při nabídce stále dává přednost kontaktu s člověkem. To není známka selhání. Je to realistický obrázek současného stavu trhu. U části lidí jde prostě o zvyk, opatrnost nebo potřebu lidského kontaktu v nepříjemné situaci.
Důležité je, že ti, kteří AI vyzkoušejí, s ní ve velké většině uspějí. To bývá mnohem důležitější metrika než prostá míra prvotního kliknutí nebo přijetí nabídky.
👥 Co to znamená pro zaměstnance a debatu o pracovních místech
Každá diskuse o AI dříve nebo později narazí na otázku pracovních míst. Travelers se k tomu podle mě postavil rozumně a prakticky.
Firma věnovala hodně energie změnovému managementu, a to nejen uvnitř projektového týmu, ale i směrem ke kontaktním centrům. Vedení call center mělo aktivní roli ve vysvětlování změny a v přípravě lidí na nový způsob práce.
Současně Travelers mluví o promyšleném přístupu k upskillingu, reskillingu a přesunu talentu do dalších částí organizace. Jinými slovy, AI není vnímána jen jako nástroj ke snižování počtu lidí. Spíš jako něco, co mění podobu práce a vyžaduje nové schopnosti napříč firmou.
To je mimochodem v souladu s tím, co ukazují i širší analýzy trhu práce. Například World Economic Forum dlouhodobě upozorňuje, že AI bude některé role automatizovat, ale zároveň vytvoří tlak na rekvalifikaci a nové typy práce. U kontaktních center a provozních týmů to může znamenat přesun od rutinních úkolů k výjimkám, péči o složitější případy, dohledu nad AI a kvalitativní kontrole.
V pojišťovnictví navíc platí, že složitější případy a citlivé situace lidský úsudek nezmizí. AI spíš mění to, kde je lidský čas nejcennější.
🤝 Jakou roli sehrálo partnerství s OpenAI
Zajímavá byla i část o partnerství mezi Travelers a OpenAI. Travelers nehledal jen dodavatele modelu. Hledal partnera, který bude ochotný pracovat přímo s týmem, sbírat konkrétní zpětnou vazbu a společně iterovat.
Podle Roena byla důležitá právě ochota výzkumníků a specialistů OpenAI pracovat s reálnými poznatky z provozu. Když tým během evaluací, stavby hodnoticích mechanismů nebo testování narazil na konkrétní problém, šlo tuto zpětnou vazbu přenést do dalších verzí modelu a posouvat kvalitu rychleji.
To je u enterprise AI partnerství důležité. Nestačí koupit přístup k modelu. V mnoha případech je rozhodující schopnost obou stran učit se z konkrétních doménových dat, scénářů a provozních požadavků.
Roen také zdůraznil, že firmy by měly vyčlenit dedikované lidi na řešení konkrétního problému společně s AI partnerem. Jinak řečeno, nestačí mít strategii. Je potřeba mít malý, soustředěný tým, jasný problém a ochotu učit se rychlým testovacím cyklem.
🧠 Co si z toho mohou odnést jiné velké firmy
Případ Travelers je zajímavý i proto, že nabízí docela konkrétní návod, jak o enterprise AI přemýšlet bez zbytečné mlhy. Kdybych měl z něj vytáhnout několik přenositelných lekcí, vypadaly by asi takto:
1. Začněte procesem, který je důležitý a opakovatelný
First notice of loss není okrajová funkce. Je to kritický bod s velkým objemem a jasnou obchodní hodnotou. Právě taková místa bývají pro AI ideální.
2. Neoddělujte technologii od provozu
Model sám o sobě nestačí. Potřebujete monitoring, evaluace, governance, bezpečnostní pojistky a lidi, kteří výstupy chápou v kontextu byznysu.
3. Přiveďte byznys ke stolu od začátku
Doménoví experti, právníci, provozní týmy i leadership musí být součástí procesu. U generativní AI je jejich podíl na úspěchu mnohem vyšší než u klasického softwaru.
4. Přijměte iteraci jako základní režim práce
Nečekejte na „hotovou verzi“. Budujte evaluace, sbírejte zpětnou vazbu a zlepšujte systém průběžně.
5. Měřte nejen techniku, ale i zkušenost
U AI asistenta není důležité jen to, že odpoví. Důležité je, zda vysvětluje srozumitelně, zachytí správně informace a pomůže člověku dojít k výsledku.
6. Zachovejte lidskou pojistku
Možnost přepnout se na člověka může být rozhodující pro důvěru i přijetí služby.
7. Rychlost je výsledkem dobré kontroly
Právě evaluace, LLM judges a Mission Control umožnily Travelers nasazovat rychleji, ne pomaleji.
🔮 Kam může AI v pojišťovnictví směřovat dál
Travelers rozhodně nekončí u telefonického hlášení škod. Firma pokračuje v rozšiřování AI asistenta do dalších pojistných linií tak, aby stejný princip fungoval u různých typů škod. Kromě toho má v samotné oblasti likvidace rozpracovaných asi dvacet dalších iniciativ a další projekty běží i napříč celou společností.
To naznačuje širší trend. Jakmile organizace jednou vybuduje základní provozní schopnosti pro AI, může je využít znovu v dalších use casích. Neznamená to, že každý problém bude mít stejné řešení. Ale governance, evaluační disciplína, monitorovací vrstva a změnový management se dají přenášet napříč oblastmi.
V pojišťovnictví si umím představit, že podobné principy budou dál posouvat:
- příjem a třídění škod,
- podporu likvidátorů při práci s dokumentací,
- komunikaci se zákazníky během životního cyklu škody,
- interní vyhledávání znalostí a doporučení dalšího kroku,
- propojení lidských specialistů s AI asistenty v hybridních procesech.
Základní otázka ale zůstane stejná jako u Travelers: pomáhá to vyplatit správně to, co má být vyplaceno, zlepšuje to zkušenost a dělá to proces efektivněji bez kompromisu v kvalitě?
📌 Proč je tenhle případ důležitý i mimo pojišťovnictví
Na příběhu Travelers mě baví hlavně to, že je velmi konkrétní. Neopírá se o abstraktní fráze o transformaci. Ukazuje, že nasazení generativní AI do důležitého zákaznického procesu je možné, pokud se spojí několik věcí najednou:
- správně zvolený problém,
- kvalitní modely a hlasové schopnosti,
- mezioborový tým,
- pevná governance,
- agresivní, ale kontrolovaná iterace,
- monitoring v reálném čase,
- důraz na změnový management a lidi.
Tohle je přesně ten typ implementace, který posouvá debatu o AI z roviny „co kdyby“ do roviny „takto se to dělá“. Ať už působíte v pojišťovnictví, bankovnictví, telekomunikacích nebo ve velké službové organizaci, principy jsou velmi přenositelné.
AI se tady neukazuje jako kouzelná černá skříňka. Ukazuje se jako nový provozní systém, který vyžaduje disciplínu, měření, spolupráci a odvahu měnit zavedené postupy. Když se to ale povede, výsledkem není jen úspora času. Může to být i lepší zkušenost ve chvíli, kdy na ní lidem opravdu záleží.
A právě to je na celé věci možná nejpodstatnější.
