CEO Corner

Waarom dit een operationele beslissing voor vandaag is

Bij actuarieel werk wordt al jaren gebruik gemaakt van statistisch leren en computationele benaderingen. De nieuwe mogelijkheid is om deze methoden te verbinden met systemen die technisch materiaal kunnen doorzoeken, kunnen helpen met code en gecontroleerd analytisch werk kunnen coördineren. Deze mogelijkheden maken het mogelijk om het werk rondom een ​​taxatie opnieuw te ontwerpen en tegelijkertijd de modellen daarbinnen selectief te verbeteren. De adoptie hoeft niet te wachten op een autonoom systeem dat actuarieel oordeel kan vellen.

Er is ook een concreet tijdschema voor het bestuur. OSFI’s definitieve richtlijn E-23, gepubliceerd in september 2025, wordt van kracht op 1 mei 2027. Het breidt de verwachtingen van modelrisicobeheer uit over federaal gereguleerde financiële instellingen, waaronder verzekeraars, en gaat expliciet in op AI en machinaal leren. Vanaf deze editie ligt die ingangsdatum nog steeds in het verschiet. Ik zou de voorbereidingsperiode gebruiken om modelinventarisaties, eigendoms- en validatiebewijs op te stellen die zowel gevestigde actuariële modellen als nieuwe AI-componenten omvatten.

De International Actuarial Association heeft ook educatieve artikelen gepubliceerd over AI-governance, testen en documentatie. Dit zijn hulpmiddelen voor de professionele praktijk, geen universele goedkeuring door regelgevende instanties. Samen ondersteunen de technologische mogelijkheden en het zich ontwikkelende bestuurskader een doelbewust adoptieprogramma. Vertraging brengt opportuniteitskosten met zich mee: teams stellen het leren uit waar AI werkt, waar het faalt en hoeveel evaluatie het vereist. Dat leren is specifiek voor de producten, gegevens en beslissingen van een verzekeraar; het kan niet zomaar later met een softwarelicentie worden gekocht.

Geef elke AI-component een precieze actuariële rol

Ik zou drie rollen onderscheiden voordat ik een investering goedkeur. Statistisch leren schat relaties in: sterfteverschillen, afkoopgedrag, ernst van claims of kostenpatronen. Numerieke benadering versnelt een dure berekening, bijvoorbeeld door een aansprakelijkheidsoppervlak te schatten op basis van een gecontroleerde reeks volledige modelruns. Generatieve AI ondersteunt het werken met taal en code: het ophalen van een productclausule, het voorstellen van een test of het opstellen van een uitleg op basis van goedgekeurde outputs. Deze rollen vereisen verschillende bewijzen van betrouwbaarheid.

De vloeiende uitleg van een taalmodel garandeert niet dat een sterfteschatting gekalibreerd is. De nauwe overeenkomst tussen een proxy en een referentie-engine bewijst niet dat de referentie-engine het contract correct weergeeft. De sterke historische prestaties van een voorspellend model garanderen niet dat een voorgestelde managementactie de voorspelde uitkomst zal veroorzaken. De eerste verantwoordelijkheid van de hoofdactuaris in een AI-programma is om dit onderscheid expliciet te maken.

Mijn voorkeursarchitectuur geeft de actuariële motor de verantwoordelijkheid voor gespecificeerde berekeningen, geeft AI nauw gedefinieerde analytische of coördinatietaken, en geeft geautoriseerde professionals de verantwoordelijkheid voor aannames en beslissingen. Waar AI de numerieke methode zelf verandert, komt die component terecht in het modelinventarisatie- en validatieproces. Het verdwijnt niet in een applicatie die wordt beschreven als een assistent.

Verbeter het aannameproces voordat de complexiteit ervan toeneemt

Voor een levenportefeuille begint de sterfteanalyse met de constructie van de blootstelling, de bereikte leeftijd, de looptijd, de verzekeringscategorie, de uitkeringsbedragen en het tijdstip van de gerapporteerde sterfgevallen. Poisson-modellen met belichtingscompensaties, gegeneraliseerde additieve modellen en overlevingsmodellen bieden bruikbare, interpreteerbare uitgangspunten. Machine learning kan interacties onderzoeken die achter een brede verhouding tussen werkelijke en verwachte resultaten schuilgaan, maar schaarse ervaringen vereisen nog steeds geloofwaardigheid en gedisciplineerde bundeling. Een zeer gedetailleerde schatting is niet noodzakelijkerwijs een betrouwbaardere aanname.

Ik zou validatie nodig hebben op latere ervaringsperioden en relevante productcohorten, met bescherming tegen het lekken van informatie binnen dezelfde verzekeringnemer. Ik zou de kalibratie per segment onderzoeken, het effect van een veranderende bedrijfsmix en de gevoeligheid voor ontbrekende gegevens. Het aanpassen van sterftecijfers uit het verleden en het selecteren van toekomstige sterfteverbeteringen zijn afzonderlijke taken. Een model kan goed aansluiten bij recente ervaringen, terwijl het weinig bewijs levert voor een aanname van verbetering op de langere termijn.

Lapse-modellering verdient dezelfde discipline. Overlevings- of concurrentierisicomodellen kunnen de dood, overgave en andere uitgangen vertegenwoordigen; rijkere modellen kunnen de interactie onderzoeken van gecrediteerde tarieven, marktalternatieven, afkoopkosten en distributie. Toch is het mogelijk dat historisch gedrag van polishouders niet de rentevoorwaarden dekt of prikkels garandeert die er onder stress toe doen. Voor deze hiaten zou ik expliciete scenario-oordelen behouden. Een voorspellend verband tussen een interventie en retentie vereist ook causale analyse voordat het een interventiestrategie ondersteunt.

Bij de taxatie van levens- en lijfrentes moet het contract behouden blijven

Voor een contract met een eenvoudige looptijd projecteert een prospectieve cashflowberekening de premies, uitkeringen bij overlijden en de kosten, waarbij gebruik wordt gemaakt van consistente veronderstellingen over afname en korting. Het hele leven en het universele leven introduceren extra afhankelijkheden: rekeningwaarden, premieflexibiliteit, gecrediteerde tarieven, afkoopwaarden en garanties. Lijfrentes introduceren overlevingsafhankelijke betalingen, mogelijke garanties en opties voor polishouders. AI kan helpen bij het samenstellen van specificaties en het identificeren van inconsistenties, maar elk materieel contractueel kenmerk moet de vertaling in uitvoerbare logica overleven.

Dezelfde demografische verandering kan voor verschillende producten verschillende financiële gevolgen hebben. Een lagere sterfte leidt over het algemeen tot uitkeringen onder een levenslange lijfrente, terwijl de verwachte overlijdensclaims op een termijnverzekeringsboek worden verminderd. Ook dan hebben premies, kosten, vervaldagen en garanties invloed op het totaalresultaat. Een verklaring die zegt dat alleen ‘de sterfte is verbeterd’ is ontoereikend. Ik zou verwachten dat het de getroffen cohorten, de gewijzigde kasstromen en de gevolgen voor de specifieke waarderingsgrondslag zou identificeren.

IFRS 17 voegt nog een belangrijk onderscheid toe. Cashflows voor fulfilment en de contractuele servicemarge spelen verschillende rollen; een wijziging in een eenvoudige brutopremiereserve betekent niet automatisch een wijziging in de gerapporteerde winst. De behandeling hangt af van het meetmodel, de bron van de beweging en of deze betrekking heeft op toekomstige of huidige en vroegere diensttijd. Ik zou AI gebruiken om de boekhoudkundige behandeling te herleiden tot goedgekeurd beleid en bewijsmateriaal te verzamelen, waarbij de classificatie en conclusie worden beoordeeld door de verantwoordelijke actuariële en financiële teams.

Een snellere stochastische waardering zou meer uitdaging moeten opleveren

Voor producten met materiaalopties en garanties kan de berekening veel veeleisender worden. Een risico-oefening kan een buitenste reeks economische scenario's en een innerlijke waardering voor elke toekomstige situatie vereisen. Regressie, Monte Carlo met de kleinste kwadraten en proxy's voor machinaal leren kunnen de kosten van geselecteerde berekeningen verlagen. De Society of Actuaries heeft praktische casestudies over levens- en lijfrenteverzekeringen gepubliceerd over dit gebruik van voorspellende analyses en machinaal leren. Dat schept een geloofwaardig gebied om te onderzoeken, en niet een prestatiegarantie voor een bepaald boek.

Ik zou het toegestane invoerdomein van de proxy definiëren voordat ik het trainde. Validatie moet onder meer stresssituaties, combinaties van risicofactoren en contracten omvatten die dicht bij de garantiedrempels liggen. Er moet onderzoek worden gedaan naar systematische bias, staartfouten en gevoeligheidsschattingen, en niet alleen naar de gemiddelde fit. In een louter illustratieve portefeuille met een verplichting van CU 10 miljard vertegenwoordigt een systematische waarderingsfout van 0,1% CU 10 miljoen. Een ogenschijnlijk klein percentage kan van belang zijn voordat rekening wordt gehouden met het effect van de fout op hedges of kapitaal.

De referentie-engine blijft essentieel. Een geval buiten het domein zou een volledige berekening of een expliciete uitzondering moeten veroorzaken, en modelwijzigingen zouden een herbeoordeling van de proxy moeten veroorzaken. Real-world scenario's die worden gebruikt om toekomstige uitkomsten te bestuderen en risico-neutrale scenario's die worden gebruikt voor marktconsistente waardering dienen verschillende doeleinden; het ontwerp moet dat onderscheid behouden. In mijn investeringsscenario zou ik me afvragen hoeveel aanvullende stresstests de opgeslagen berekening mogelijk maakt. Het sneller herhalen van een beperkt aantal scenario's is een kleinere prestatie dan het begrijpen van een voorheen niet onderzochte blootstelling.

Koppel het passiefresultaat aan activa, liquiditeit en kapitaal

Een schatting van de aansprakelijkheid wordt nuttig wanneer deze een beslissing wijzigt. Op het gebied van het beheer van activa en passiva zou ik me willen afvragen of een verbeterde analyse de interpretatie van looptijdverschillen, renterisico's, convexiteit of kasstroomtekorten verandert. Een duurmatch kan samengaan met basisrisico, spreadrisico, illiquide activa en polishoudersopties. Een model dat is getraind op gewone omstandigheden is mogelijk het minst betrouwbaar als prikkels tot afkoop en de kosten voor de realisatie van activa op elkaar inwerken.

Voor kapitaal beweegt het concern zich verder in de gezamenlijke staart. Een proxy die de gemiddelde aansprakelijkheidswaarden reproduceert, kan nog steeds de rangorde van ongunstige scenario's, een staartpercentiel of de allocatie van kapitaal over risico's vertekenen. Correlatie- en afhankelijkheidsaannames verdienen hun eigen uitdaging. Ik zou de benaderingsfout afzonderlijk rapporteren van de steekproeffout van het scenario en van de onzekerheid in de onderliggende aannames. Het combineren van alle drie in één onverklaarde vertrouwensscore maakt het resultaat moeilijker te beheersen.

Hetzelfde principe geldt ook voor levensverzekeringen. Bij P&C-reservering moet een AI-methode zijn plaats verdienen ten opzichte van de relevante ketenladder, Bornhuetter–Ferguson of andere benchmarks, met aandacht voor schade-inflatie, afwikkelingswijzigingen en portefeuillemix. Een grotere voorspellende complexiteit neemt niet de noodzaak weg om uit te leggen waarom de geselecteerde reserve geschikt is voor het bedrijf.

Een taxatieafsluiting die de volgende vraag kan beantwoorden

Beschouw een illustratieve lijfrenteafsluiting waarbij de verplichtingen onverwacht toenemen. Ik zou willen dat de workflow nieuwe business- en portefeuillebewegingen, verwachte run-off, economische veranderingen, ervaringsafwijkingen, updates van aannames en modelcorrecties scheidt. Gecontroleerde herhalingen moeten deze bijdragen vaststellen. Sequentiële attributie kan afhangen van de volgorde waarin wijzigingen worden toegepast. Daarom moet het rapport de conventie ervan vermelden en materiële interactie-effecten identificeren.

Een AI-assistent kan de eerder goedgekeurde basis ophalen, gewijzigde aannamerecords lokaliseren, de vereiste herhalingen voorstellen en het resulterende bewijs verzamelen. Het kan pas commentaar opstellen nadat de relevante numerieke output beschikbaar is. Als het model de beweging niet kan verzoenen, moet de assistent het onopgeloste residu blootleggen. Het mag geen overtuigend economisch verhaal opleveren dat de tabel compleet doet lijken.

Het beoordelingspakket zou een cashflow-run-off-grafiek, een bewegingsbrug, een cohortervaringsanalyse en gevoeligheidsvergelijkingen bevatten. Elk materieel cijfer zou de bronrun, de modelversie en de aannamebasis identificeren. Het verhaal zou een berekende bijdrage onderscheiden van een interpretatie en een voorgestelde actie. Dit is waar ik een substantiële kans op de korte termijn zie: de actuaris een beter startpunt voor onderzoek geven en voldoende tijd om de tweede vraag te beantwoorden.

Maak onzekerheid en verantwoordelijkheid zichtbaar

De professionele standaard moet stijgen met de snelheid van de productie. ASOP nr. 56 biedt een nuttige Amerikaanse referentie voor het beoogde doel, het begrijpen van modellen, testen, validatie en documentatie. Het is geen mondiaal substituut voor lokale normen. Het toepasselijke professionele en regelgevende kader moet voor de betrokken entiteit en het betrokken werk worden geïdentificeerd. In deze situaties blijft de centrale vraag of een andere gekwalificeerde beoordelaar de materiële oordelen en beperkingen kan begrijpen.

Voor generatieve AI zou ik niet-ondersteunde numerieke claims, onjuiste bronvermelding, weggelaten kwalificaties en reacties op tegenstrijdig bewijsmateriaal testen. Ik zou ook testen of niet-vertrouwd materiaal ertoe kan leiden dat een agent zijn instructies wijzigt of een ongeoorloofde actie onderneemt. Toegang tot een modelopslagplaats mag geen bevoegdheid impliceren om een ​​taxatie vrij te geven. Veranderingen in het taalmodel, ophaalbronnen, prompts of verbonden tools kunnen het gedrag veranderen en vereisen een proportionele herevaluatie.

Voor voorspellende AI moet monitoring een veranderende datapopulatie onderscheiden van verslechtering van de kalibratie of de kwaliteit van beslissingen. Een verschuiving in de portefeuillemix kan de waargenomen resultaten veranderen zonder het model verkeerd te maken; Stabiele geaggregeerde fouten kunnen verslechterende prestaties in een klein maar materieel cohort verbergen. Wanneer uitkomsten van invloed zijn op klanten, behoeven rechtmatig gebruik, eerlijkheid en de gevolgen van fouten specifiek onderzoek. Een benoemde recensent heeft alleen betekenis als die persoon over het bewijsmateriaal, de tijd en de autoriteit beschikt om het resultaat in twijfel te trekken.

Wat ik in de eerste 90 dagen zou stoppen

Ik zou beginnen met één terugkerende beslissing en het bijbehorende bewijsspoor. Een beoordeling van de levenswaardering of een onderzoek naar lijfrenteaannames is een sterker startpunt dan een algemene instructie om ‘AI te gebruiken’. Stel de huidige verstreken tijd, de inspanningen voor actuariële voorbereiding, de inspanningen van de reviewer, onopgeloste uitzonderingen en herwerk vast. Spreek acceptatiecriteria af voordat u de technologie kiest, inclusief hoe materiële fouten worden geïdentificeerd.

Stem tijdens de eerste maand de geselecteerde gegevens af, documenteer het model en de basis, stel een historische benchmark vast en wijs beslissingsrechten toe. Voer tijdens de tweede fase de voorgestelde workflow parallel uit op historische gevallen, waarbij opzettelijk moeilijke cohorten, ongunstige scenario's en tegenstrijdige documenten worden meegenomen. Evalueer het tijdens de derde cyclus in een gecontroleerde rapportagecyclus en beslis of u het wilt verlengen, herzien of stopzetten. Negentig dagen is een voorgestelde leerperiode, en geen belofte dat een materieel waarderingsmodel volgens dat tijdschema kan worden goedgekeurd.

De economische beoordeling moet integratie, berekening, validatie, voortdurende monitoring en menselijke beoordeling omvatten. De minuten die worden bespaard bij het opstellen van documenten kunnen worden gecompenseerd door uren die worden besteed aan het controleren van plausibele fouten. Ik zou aanvullende vragen meten die vóór een beslissingsdeadline zijn beantwoord, de kwaliteit van de bewegingsverklaringen en de stabiliteit van de resultaten na wijzigingen. Ik zou ook de actuariële ontwikkeling beschermen: junior collega's moeten berekeningen reproduceren en fouten uitleggen, in plaats van alleen maar een interface te leren bedienen.

De beslissing die ik nu zou nemen

Ik zou nu een begrensd actuarieel AI-programma goedkeuren, met een benoemde actuariële eigenaar, onafhankelijke toetsing en meetbare acceptatiecriteria. Ik zou de data- en validatiewerkzaamheden naast de applicatie financieren. Ik zou verwachten dat het eerste resultaat een beter onderzoek of een betrouwbaarder besluitvormingsproces zou aantonen, waarbij de beperkingen zichtbaar zijn.

De beloning voor de langere termijn is een actuariële functie die een groter deel van zijn capaciteit kan besteden aan het onderzoeken van aannames, het testen van moeilijke scenario's en het adviseren van het bedrijf voordat opties sluiten. Dat vermogen ontwikkelt zich door herhaald gebruik, correctie en professionele uitdaging. Het is nu tijd om te beginnen, omdat het bouwen ervan langer duurt dan het installeren van de technologie.