CEO Corner

Perché questa è una decisione operativa per oggi

Il lavoro attuariale utilizza da anni l'apprendimento statistico e l'approssimazione computazionale. La nuova opportunità è connettere questi metodi con sistemi in grado di ricercare materiale tecnico, assistere con il codice e coordinare il lavoro analitico controllato. Queste funzionalità consentono di riprogettare il lavoro che circonda una valutazione, migliorando allo stesso tempo selettivamente i modelli al suo interno. L'adozione non necessita necessariamente di un sistema autonomo in grado di esercitare un giudizio attuariale.

Esiste anche un calendario concreto di governance. La linea guida finale E-23 dell’OSFI, pubblicata nel settembre 2025, entrerà in vigore il 1° maggio 2027. Estende le aspettative di gestione del rischio modello a tutte le istituzioni finanziarie regolamentate a livello federale, compresi gli assicuratori, e affronta esplicitamente l’intelligenza artificiale e l’apprendimento automatico. A partire da questa edizione, la data di entrata in vigore è ancora lontana. Utilizzerei il periodo di preparazione per stabilire inventari di modelli, prove di proprietà e di convalida che coprano sia i modelli attuariali consolidati che i nuovi componenti dell’IA.

L'International Actuarial Association ha anche pubblicato documenti formativi sulla governance, i test e la documentazione dell'IA. Si tratta di risorse per la pratica professionale, non di un’approvazione normativa universale. Insieme, l’opportunità tecnologica e il quadro di governance in via di sviluppo supportano un programma deliberato di adozione. Il ritardo comporta un costo in termini di opportunità: i team rinviano l’apprendimento di dove funziona l’intelligenza artificiale, dove fallisce e quanta revisione richiede. Tale apprendimento è specifico per i prodotti, i dati e le decisioni di un assicuratore; non può essere semplicemente acquistato in seguito con una licenza software.

Assegnare a ciascuna componente dell'AI un preciso ruolo attuariale

Distinguerei tre ruoli prima di approvare un investimento. L'apprendimento statistico stima le relazioni: differenziali di mortalità, comportamento di riscatto, gravità dei sinistri o modelli di spesa. L'approssimazione numerica accelera un calcolo costoso, ad esempio stimando una superficie di responsabilità da un insieme controllato di esecuzioni complete del modello. L’intelligenza artificiale generativa supporta il lavoro con linguaggio e codice: recupero di una clausola di prodotto, proposta di un test o stesura di una spiegazione da output approvati. Questi ruoli richiedono diverse prove di affidabilità.

La spiegazione fluente di un modello linguistico non stabilisce che una stima della mortalità sia calibrata. Lo stretto accordo di un proxy con un motore di riferimento non stabilisce che il motore di riferimento rappresenti correttamente il contratto. La forte performance storica di un modello predittivo non stabilisce che un’azione di gestione proposta causerà il risultato previsto. La prima responsabilità dell’attuario capo in un programma di intelligenza artificiale è rendere esplicite queste distinzioni.

La mia architettura preferita attribuisce al motore attuariale la responsabilità di calcoli specifici, assegna all'IA compiti analitici o di coordinamento strettamente definiti e conferisce ai professionisti autorizzati la responsabilità di ipotesi e decisioni. Laddove l’intelligenza artificiale modifica il metodo numerico stesso, quel componente entra nell’inventario del modello e nel processo di convalida. Non scompare all'interno di un'applicazione descritta come assistente.

Migliorare il processo di assunzione prima di aumentarne la complessità

Per un portafoglio vita, l'analisi della mortalità inizia con la costruzione dell'esposizione, l'età raggiunta, la durata, la classe di sottoscrizione, gli importi dei benefici e la tempistica dei decessi segnalati. I modelli di Poisson con offset dell’esposizione, modelli additivi generalizzati e modelli di sopravvivenza forniscono punti di partenza utili e interpretabili. L’apprendimento automatico può indagare le interazioni che un ampio rapporto effettivo/atteso nasconde, ma un’esperienza scarsa richiede comunque credibilità e un pooling disciplinato. Una stima altamente granulare non è necessariamente un’ipotesi più affidabile.

Richiederei la convalida su periodi di esperienza successivi e gruppi di prodotti rilevanti, con protezione contro la fuga di informazioni tra lo stesso contraente. Esaminerei la calibrazione per segmento, l'effetto del cambiamento del business mix e la sensibilità ai dati mancanti. Adattare i livelli di mortalità passati e selezionare il miglioramento della mortalità futura sono compiti separati. Un modello può adattarsi perfettamente all’esperienza recente pur fornendo poche prove su un’ipotesi di miglioramento a lungo termine.

Il lapse modeling merita la stessa disciplina. I modelli di sopravvivenza o di rischio competitivo possono rappresentare la morte, la resa e altre vie d’uscita; modelli più ricchi possono studiare l’interazione tra tassi accreditati, alternative di mercato, spese di riscatto e distribuzione. Tuttavia, il comportamento storico degli assicurati potrebbe non coprire le condizioni tariffarie o garantire gli incentivi che contano in condizioni di stress. Manterrei giudizi espliciti sullo scenario per tali lacune. Un'associazione predittiva tra un intervento e il mantenimento necessita anche di un'analisi causale prima di supportare una strategia di intervento.

La valutazione della vita e della rendita deve preservare il contratto

Per un contratto a termine semplice, un calcolo del flusso di cassa prospettico proietta premi, benefici in caso di morte e spese utilizzando ipotesi di decremento e sconto coerenti. La vita intera e la vita universale introducono dipendenze aggiuntive: valori del conto, flessibilità dei premi, tassi accreditati, valori di riscatto e garanzie. Le rendite introducono pagamenti vincolati alla sopravvivenza, possibili garanzie e opzioni per gli assicurati. L’intelligenza artificiale può aiutare a mettere insieme le specifiche e identificare le incoerenze, ma ogni caratteristica contrattuale materiale deve sopravvivere alla traduzione in logica eseguibile.

Lo stesso cambiamento demografico può avere conseguenze finanziarie diverse a seconda dei prodotti. La minore mortalità generalmente estende i pagamenti nell'ambito di una rendita contingente alla vita, riducendo al contempo le richieste di morte previste su un libretto di assicurazione a termine. Anche in questo caso premi, spese, decadenze e garanzie influiscono sul risultato totale. Una spiegazione che dica solo “la mortalità è migliorata” è inadeguata. Mi aspetterei che identificasse i gruppi interessati, i flussi di cassa modificati e le conseguenze per la particolare base di valutazione.

IFRS 17 aggiunge un'altra importante distinzione. I flussi di cassa di adempimento e il margine di servizio contrattuale hanno ruoli diversi; una modifica in una semplice riserva per premi lordi non è automaticamente una modifica nell'utile dichiarato. Il trattamento dipende dal modello di misurazione, dall'origine del movimento e dal fatto che si riferisca al servizio futuro o attuale e passato. Utilizzerei l'intelligenza artificiale per tracciare il trattamento contabile secondo la politica approvata e per eseguire prove, con la classificazione e le conclusioni riviste dai team attuariali e finanziari responsabili.

Una valutazione stocastica più rapida dovrebbe comportare maggiori sfide

Per i prodotti con opzioni e garanzie sui materiali, il calcolo può diventare molto più impegnativo. Un esercizio di rischio può richiedere una serie esterna di scenari economici e una valutazione interna per ogni stato futuro. La regressione, il metodo Monte Carlo dei minimi quadrati e i proxy di apprendimento automatico possono ridurre il costo dei calcoli selezionati. La Society of Actuaries ha pubblicato casi di studio sulla vita pratica e sulle rendite su questo uso dell'analisi predittiva e dell'apprendimento automatico. Ciò stabilisce un'area credibile su cui indagare, non una garanzia di performance per un particolare libro.

Definirei il dominio di input consentito del proxy prima di addestrarlo. La validazione dovrebbe includere stati di stress, combinazioni di fattori di rischio e contratti vicini alle soglie di garanzia. Dovrebbe esaminare la distorsione sistematica, l’errore di coda e le stime di sensibilità, non solo l’adattamento medio. In un portafoglio puramente illustrativo con una passività di 10 miliardi di UM, un errore sistematico di valutazione dello 0,1% rappresenta 10 milioni di UM. Una percentuale apparentemente piccola può avere importanza prima di considerare l’effetto dell’errore sulle coperture o sul capitale.

Il motore di riferimento rimane essenziale. Un caso esterno al dominio dovrebbe innescare un calcolo completo o un’eccezione esplicita, e le modifiche al modello dovrebbero innescare una rivalutazione del proxy. Gli scenari del mondo reale utilizzati per studiare i risultati futuri e gli scenari neutrali al rischio utilizzati per valutazioni coerenti con il mercato hanno scopi diversi; il design deve preservare questa distinzione. Il mio caso di investimento chiederebbe quanti stress test aggiuntivi rendono possibili i calcoli salvati. Ripetere più velocemente una serie ristretta di scenari è un risultato minore rispetto alla comprensione di un'esposizione non esaminata in precedenza.

Collega il risultato del passivo ad attività, liquidità e capitale

Una stima della passività diventa utile quando modifica una decisione. Nella gestione delle attività e delle passività, mi chiederei se una migliore analisi cambi l’interpretazione dei gap di durata, delle esposizioni ai tassi di riferimento, della convessità o delle carenze di flussi di cassa. Una corrispondenza di durata può coesistere con il rischio di base, il rischio di spread, le attività illiquide e le opzioni degli assicurati. Un modello addestrato su condizioni ordinarie può essere meno affidabile quando interagiscono gli incentivi al riscatto e i costi di realizzazione delle attività.

Per il capitale la preoccupazione si sposta ulteriormente nella coda congiunta. Un proxy che riproduce i valori medi delle passività può comunque distorcere la classificazione degli scenari avversi, un percentile di coda o l’allocazione del capitale tra i rischi. I presupposti di correlazione e dipendenza meritano una sfida a parte. Segnalerei l’errore di approssimazione separatamente dall’errore di campionamento dello scenario e dall’incertezza nelle ipotesi sottostanti. La combinazione di tutti e tre in un unico punteggio di confidenza inspiegabile rende il risultato più difficile da governare.

Lo stesso principio vale anche per le assicurazioni sulla vita. Nella riservazione danni, un metodo AI dovrebbe guadagnarsi il suo posto rispetto al chain-ladder pertinente, Bornhuetter–Ferguson o altri benchmark, con attenzione all’inflazione dei sinistri, ai cambiamenti di liquidazione e al mix di portafoglio. Una maggiore complessità predittiva non elimina la necessità di spiegare perché la riserva selezionata è appropriata per l’azienda.

Una chiusura di valutazione che può rispondere alla domanda successiva

Considera una rendita illustrativa di chiusura in cui le passività aumentano inaspettatamente. Vorrei che il flusso di lavoro separasse i nuovi movimenti aziendali e di portafoglio, il deflusso previsto, i cambiamenti economici, le deviazioni dell'esperienza, gli aggiornamenti delle ipotesi e le correzioni del modello. Le repliche controllate dovrebbero stabilire tali contributi. L'attribuzione sequenziale può dipendere dall'ordine in cui vengono applicate le modifiche, quindi il rapporto deve dichiararne la convenzione e identificare gli effetti materiali dell'interazione.

Un assistente AI potrebbe recuperare la base approvata in precedenza, individuare i record di ipotesi modificate, proporre le ripetizioni richieste e raccogliere le prove risultanti. Potrebbe elaborare commenti solo dopo che saranno disponibili i relativi risultati numerici. Se il modello non riesce a conciliare il movimento, l'assistente dovrebbe esporre il residuo irrisolto. Non dovrebbe fornire una storia economica convincente per far sembrare la tabella completa.

Il pacchetto di revisione conterrebbe un grafico di deflusso dei flussi di cassa, un ponte sui movimenti, un'analisi dell'esperienza di coorte e confronti di sensibilità. Ogni figura materiale identificherebbe la sua esecuzione di origine, la versione del modello e le basi presupposte. La narrazione distinguerebbe un contributo calcolato da un'interpretazione e da un'azione proposta. È qui che vedo una sostanziale opportunità a breve termine: dare all’attuario un migliore punto di partenza per le indagini e tempo sufficiente per perseguire la seconda domanda.

Rendere visibile l'incertezza e la responsabilità

Lo standard professionale dovrebbe aumentare con la velocità della produzione. L'ASOP n. 56 fornisce un utile riferimento statunitense per lo scopo previsto, la comprensione del modello, i test, la convalida e la documentazione. Non è un sostituto globale degli standard locali. Deve essere individuato il quadro professionale e normativo applicabile all’ente e all’attività interessata. In tutti questi contesti, la questione centrale rimane se un altro revisore qualificato sia in grado di comprendere i giudizi e i limiti materiali.

Per l'intelligenza artificiale generativa, testerei affermazioni numeriche non supportate, recupero errato della fonte, qualificazioni omesse e risposte a prove contrastanti. Vorrei anche verificare se il materiale non attendibile può indurre un agente a modificare le sue istruzioni o a tentare un'azione non autorizzata. L'accesso a un archivio di modelli non dovrebbe implicare l'autorità di rilasciare una valutazione. Le modifiche al modello linguistico, alle fonti di recupero, ai suggerimenti o agli strumenti collegati possono modificare il comportamento e richiedere una rivalutazione proporzionata.

Per l'IA predittiva, il monitoraggio dovrebbe distinguere una popolazione di dati in cambiamento dal deterioramento della calibrazione o della qualità delle decisioni. Uno spostamento del mix di portafoglio può modificare i risultati osservati senza sbagliare il modello; un errore aggregato stabile può nascondere un peggioramento della performance in un gruppo piccolo ma significativo. Laddove i risultati incidono sui clienti, l’uso legittimo, l’equità e le conseguenze degli errori richiedono un esame specifico. Un revisore nominato ha significato solo se quella persona ha le prove, il tempo e l’autorità per contestare il risultato.

Cosa metterei nei primi 90 giorni

Inizierei con una decisione ricorrente e la sua traccia di prove. Una revisione del movimento di valutazione della vita o un’indagine sull’ipotesi di rendita è un punto di partenza più forte di un’istruzione generale sull’uso dell’intelligenza artificiale. Stabilire il tempo trascorso corrente, lo sforzo di preparazione attuariale, lo sforzo del revisore, le eccezioni non risolte e le rielaborazioni. Concordare i criteri di accettazione prima di scegliere la tecnologia, compreso il modo in cui verranno identificati gli errori materiali.

Durante il primo mese, riconciliare i dati selezionati, documentare il modello e le basi, stabilire un punto di riferimento storico e assegnare i diritti decisionali. Durante la seconda, eseguire il flusso di lavoro proposto in parallelo su casi storici, includendo deliberatamente gruppi difficili, scenari avversi e documenti contrastanti. Durante la terza, valutalo in un ciclo di reporting controllato e decidi se estenderlo, rivederlo o interromperlo. Novanta giorni rappresentano un periodo di apprendimento proposto, non una promessa che un modello di valutazione materiale possa essere approvato entro quel calendario.

La valutazione economica deve includere integrazione, calcolo, validazione, monitoraggio continuo e revisione umana. I minuti risparmiati nella stesura possono essere compensati dalle ore spese a verificare errori plausibili. Misurerei le domande aggiuntive a cui è stata data risposta prima della scadenza della decisione, la qualità delle spiegazioni del movimento e la stabilità dei risultati dopo le modifiche. Tutelerei anche lo sviluppo attuariale: i colleghi più giovani dovrebbero riprodurre i calcoli e spiegare i fallimenti, invece di imparare solo a utilizzare un’interfaccia.

La decisione la prenderei adesso

Autorizzerei subito un programma di intelligenza artificiale attuariale delimitato, con un proprietario attuariale nominato, sfida indipendente e criteri di accettazione misurabili. Finanzierei i dati e il lavoro di convalida insieme all'applicazione. Mi aspetterei che il primo risultato dimostri un'indagine migliore o un processo decisionale più affidabile, con i limiti visibili.

Il premio a lungo termine è una funzione attuariale in grado di dedicare gran parte della propria capacità esaminando ipotesi, testando scenari difficili e consigliando l'azienda prima della chiusura delle opzioni. Questa capacità si sviluppa attraverso l’uso ripetuto, la correzione e la sfida professionale. Il momento di iniziare è adesso perché costruirlo richiede più tempo che installare la tecnologia.