هل يمكنك أن تثق بالذكاء الاصطناعي في تقييم مطالبات التأمين؟

المشكلة

طلبت شركة تأمين كبرى من نظامها الذكي الاصطناعي أن «يحسّن» صورة لمصدّ خلفي متضرر بشدة. محا الذكاء الاصطناعي الضرر بالكامل وأعاد صورة نظيفة وخيالية لسيارة سليمة. هذه هي حادثة «المصدّ النظيف» الشهيرة الآن. وكانت شركة التأمين قد دمجت أداة ذكاء اصطناعي توليدي — مبنية على النوع نفسه من التقنية الذي يقف خلف Stable Diffusion وDALL-E — في تطبيق المطالبات على الهاتف المحمول. فعندما رفع حامل الوثيقة صورة بعد حادث تصادم، فسّر الذكاء الاصطناعي المعدن المتشوه بوصفه ضوضاء بصرية. فمالَس الانبعاج رقميًا، مستبدلًا إياه بالخطوط النقية لردف مثالي.

ثم رفضت آلية المطالبات المؤتمتة المطالبة. وكان سببها: لا ضرر مرئي على الإطلاق. فرُفع دعوى سوء نية من حامل الوثيقة، وهو يحدّق في سيارة مدمَّرة في ممر المنزل. وبقي نصيب شركة التأمين سجلًا رقميًا معدَّلًا يناقض الواقع المادي مباشرة.

لم يكن هذا خللًا برمجيًا. لقد فعل الذكاء الاصطناعي ما صُمِّم لفعله تمامًا. تتعلم هذه النماذج من مليارات الصور أن «السيارة» جسم أملس متناظر. فالانبعاج يبدو لها خطأً يجب إصلاحه، لا دليلًا يجب حفظه. إذا كانت دورة عمل المطالبات لديك تلمس الذكاء الاصطناعي التوليدي في معالجة الصور، فإن نمط الفشل نفسه موجود في نظامك اليوم. والسؤال هو: هل وقع فعليًا؟ وهل ستدرك ذلك إن حدث؟

لماذا يهم هذا أعمالك

التعرض المالي والقانوني هنا ليس افتراضيًا؛ بل هو هيكلي. ففي كل مرة تعدِّل فيها أداة ذكاء اصطناعي توليدية صورة مطالبة، تخاطر مؤسستك بما يسميه النظام القانوني إتلاف الأدلة — أي تعديل السجلات ذات الصلة بإجراءات قضائية أو إتلافها. ويمكن للمحاكم فرض عقوبات، أو توجيه تعليمات الاستدلال المعاكس إلى هيئات المحلفين، أو صدور حكم موجز ضد الطرف المُتلف للأدلة.

وهذا ما يعنيه ذلك لميزانيتك العمومية ومجلس إدارتك:

• مُضاعِف التقاضي. تحدد الورقة البحثية خطر تقاضٍ بقيمة 7.2 مليار دولار مرتبط بإخفاقات الأدلة المدفوعة بالذكاء الاصطناعي في قطاع التأمين. فدعوى سوء نية واحدة ناجمة عن صورة واحدة معدَّلة قد تكلف ملايين. ضاعِف ذلك على آلاف المطالبات اليومية، وستدرك حجم التعرض.
• مسؤولية تنظيمية لا يمكنك تفويضها. تفرض نشرة NAIC النموذجية بشأن استخدام شركات التأمين للذكاء الاصطناعي الآن على شركات التغطية الحفاظ على برنامج مكتوب لحوكمة الذكاء الاصطناعي. والأهم أن لا يمكنك تفريغ المساءلة في مزوّد الذكاء الاصطناعي الخاص بك. فإذا هلوسَت أداة من طرف ثالث أو ميّزت، فإن شركة التأمين هي المسؤولة. وقد تبنّت ولايات متعددة هذه الإرشادات بالفعل.
• تصنيف قانون الاتحاد الأوروبي للذكاء الاصطناعي. بالنسبة لشركات التأمين ذات العمليات العالمية، يصنّف قانون الاتحاد الأوروبي للذكاء الاصطناعي (EU AI Act) الذكاء الاصطناعي المستخدم في تقييم مخاطر التأمين المتعلقة بالأفراد ضمن فئة الخطورة العالية. وهذا يفعّل متطلبات صارمة لحوكمة البيانات، والتسجيل التلقائي للأحداث، والإشراف البشري.
• الثغرة أمام الاحتيال. الذكاء الاصطناعي التوليدي نفسه الذي يحذف الضرر الحقيقي يمكّن المحتالين من تصنيع ضرر مزيف. فالمجرمون يستخدمون اليوم أدوات تحويل النص إلى صورة لإضافة مصدّات متهدمة أو أضرار حريق إلى صور سيارات سليمة. وأداء المراجعين البشريين في كشف التزييف العميق عالي الجودة ليس أفضل من العشوائية المحضة. دفاعاتك الحالية غير كافية على الأرجح.

كلفت حادثة «المصدّ النظيف» إحدى شركات التأمين مصداقيتها ودعوى قضائية. وتعرضك هو ذاته في كل مرة تلمس فيها أداة توليدية سلسلة الأدلة لديك.

ما يحدث فعلًا تحت الغطاء

لكي تفهم لماذا يتكرر ذلك باستمرار، عليك أن تدرك فرقًا رئيسيًا واحدًا. هناك نوعان مختلفان جذريًا من الذكاء الاصطناعي: التوليدي والتمييزي. الذكاء الاصطناعي التوليدي ينشئ محتوى جديدًا. أما الذكاء الاصطناعي التمييزي فيحلل ما هو قائم بالفعل. صناعة التأمين تحتاج إلى التحليل، لكنها تواصل شراء أدوات الإنشاء.

تخيَّل الأمر هكذا. الذكاء الاصطناعي التوليدي كرسّام بورتريه يرسم ما ينبغي أن تبدو عليه السيارة. والذكاء الاصطناعي التمييزي كخبير جنائي يقيس ما تبدو عليه السيارة فعليًا. لن تطلب من رسّام بورتريه قط أن يقف شاهدًا خبيرًا. لكن هذا هو ما يحدث في جوهره عندما تدمج معالجة صور توليدية في خط أنابيب المطالبات لديك.

يُسمى نمط الفشل التقني هذا التعبئة الرقمية (inpainting). تعمل النماذج التوليدية عبر تعلّم الأنماط الإحصائية. وفي بيانات تدريبها، تظهر السيارات في الغالب الساحق بأسطح ملساء غير مشقوقة. فعندما يرى النموذج انبعاجًا — أي اختلالًا عالي التردد في النمط المتوقع — يتعامل معه بوصفه ضوضاء. وهدفه الرياضي هو إنتاج مخرجات تشبه «صورة سيارة عادية». فيملأ البكسلات المنبعجة ببكسلات ملساء. إنه «يشفي» الضرر.

تعتمد هذه العملية على رياضيات الانتشار، حيث يعكس النموذج عملية إدخال الضوضاء لاستعادة إشارة «نظيفة». والانبعاج يبدو لهذه النماذج ضوضاء. فتحذفه. في ترميم الأعمال الفنية، تلك ميزة. أما في مطالبات التأمين، فهو إتلاف آلي للأدلة. يستبدل النموذج الواقع الفوضوي والمكلف لحادث التصادم برواية خيالية مقبطة ورخيصة.

تتفاقم المشكلة عندما تعتمد على أغلفة API من طرف ثالث. فمعظم أدوات InsurTech لا تبني ذكاءها الاصطناعي بنفسها، بل ترسل بياناتك إلى نماذج عامة الغرض لا تفهم شيئًا عن التعويض أو فيزياء التصادم أو المعايير الجنائية. وإذا حدّث مزوّد النموذج أوزانه لتكون أكثر «جمالية»، فقد يبدأ أداة تقييم الأضرار لديك في محو الانبعاجات بعنف أكبر — ولن يكون بيديك أي قدر من التحكم في ذلك التغيير.

ما ينجح (وما لا ينجح)

لنبدأ بما يفشل في الممارسة العملية.

الأغلفة التوليدية العامة للذكاء الاصطناعي: تعامل هذه الأدوات الضرر بوصفه ضوضاء بصرية وتحذفه. وهي تعدِّل البكسلات، مما يخلق خطر إتلاف الأدلة. وهي أيضًا عرضة للاحتيال بالتزييف العميق لأنها تقيّم المحتوى، لا فيزياء كيفية صنع الصورة. ويُشار إلى معدل فشل بنسبة 99% في سياق عدم ملاءمة هذه الأدوات للعمل الجنائي.

مصنِّفات الصور البسيطة: نماذج التصنيف القياسية (مثل ResNet) تعطيك إجابة ثنائية — «متضررة» أو «غير متضررة». ولا يمكنها إخبارك أين يقع الضرر، أو إلى أي عمق يمتد الانبعاج، أو ما إذا كانت الصورة تزييفًا عميقًا. وهذا المستوى من الغموض لا يصمد أمام الطعن في قاعة المحكمة.

المراجعة البشرية فقط على نطاق واسع: البشر ضعفاء في كشف المزائف المولدة بالذكاء الاصطناعي، كما يقدمون تباينًا ذاتيًا. فقد يمنح مُقدِّران مختلفان عند النظر إلى الانبعاج نفسه درجتي شدة مختلفتين. ولا يمكنك تدقيق الذاتية.

وهذا ما ينجح — منهج جنائي حتمي يحلل دون أن يعدِّل:

1. المدخلات — قفل الأدلة. تُبصَم الصورة الأصلية بتشفير SHA-256 لحظة وصولها. يقرأ الذكاء الاصطناعي الصورة لكنه لا يكتب عليها أبدًا. والبيانات الوصفية — الطابع الزمني وإحداثيات GPS — تُقفل على الملف. هذا يخلق سلسلة حفظ تصمد في المحكمة.

2. المعالجة — تحليل ثلاثي الطبقات. أولًا، التجزئة الدلالية — وهي تقنية يصنِّف فيها الذكاء الاصطناعي كل بكسل مفرد — تحدد حدود الضرر وترسم خرائطها. ويمكنها أن تخبرك بأن الخدش طوله 14 سنتيمترًا وأن الانبعاج يغطي 45 سنتيمترًا مربعًا من مساحة السطح. ثانيًا، تقدير العمق أحادي العين — أي حساب الهندسة ثلاثية الأبعاد من صورة ثنائية الأبعاد — يقيس عمق الانبعاج وحجمه. فالتدرج الحاد في العمق يشير إلى تجليد حاد يستلزم استبدال القطعة، بينما يعني التدرج الضحل أن إصلاح الانبعاج بدون طلاء قد يكفي. ثالثًا، تحليل الانعكاس المرآتي — أي دراسة كيفية ارتداد الضوء عن سطح السيارة — يكشف الأضرار الخفية مثل انبعاجات البَرَد أو الإصلاحات السابقة التي تغيب عن الذكاءات الاصطناعية القياسية تمامًا.

3. المخرجات — تقرير منظَّم وقابل للتدقيق. ينتج النظام تقرير JSON يسرد القطع المتضررة، ودرجات الشدة، وتوصيات الإصلاح مقابل الاستبدال استنادًا إلى قواعد العمل التي ضبطتها. ويُحفظ كل التحليل في ملفات sidecar منفصلة مرتبطة بالبصمة (hash) للصورة الأصلية. لا يتغير شيء في الدليل الأصلي.

هذا ما يحتاج فريق الامتثال لديك إلى سماعه. يمكن تشغيل طبقة التحليل الفوقية وإيقافها. ويبقى المُقدِّر هو الإنسان في الحلقة صاحب سلطة القرار النهائي — وهو ملاذ آمن بالغ الأهمية بموجب قانون الاتحاد الأوروبي للذكاء الاصطناعي. تُسجَّل كل خطوة معالجة. ويمكنك أن تشرح بالضبط لماذا قُبِلت مطالبة أو رُفضت، وصولًا إلى قياسات البكسل. هذا هو الفرق بين نظام يصمد أمام التدقيق التنظيمي ونظام يولِّد لك دعواك القضائية التالية.

وعندما يقول لك مزوّد الذكاء الاصطناعي الحالي إنه يستخدم «الذكاء الاصطناعي للمطالبات»، اسأله عن النوع. وإذا تضمنت الإجابة توليدًا أو تحسينًا أو أي عملية تكتب بكسلات جديدة في أدلتك، فأنت تحمل مخاطرة ربما لم تُسعِّرها بعد.