Ένα από τα σημαντικότερα περιουσιακά στοιχεία μιας ασφαλιστικής επιχείρησης δεν βρίσκεται απαραίτητα στα πληροφοριακά της συστήματα ή στα εγχειρίδια διαδικασιών. Βρίσκεται στην εμπειρία των ανθρώπων της: στις καθημερινές αποφάσεις, στις εξαιρέσεις που αντιμετωπίζονται στην πράξη, στις άτυπες διαδικασίες και στη γνώση που αποκτάται έπειτα από χρόνια εργασίας.
Αυτό το συχνά αθέατο κεφάλαιο επιχειρεί να αναδείξει το νέο whitepaper του ERGO Innovation Lab, το οποίο αναπτύχθηκε σε συνεργασία με τη Google Cloud και με την υποστήριξη της Deloitte. Η έκθεση έχει τίτλο «From Tribal Knowledge to Self-Evolving Agents – Capturing, Governing, and Scaling Institutional Knowledge in Financial Enterprises» και εξετάζει πώς οι αυτοεξελισσόμενοι πράκτορες Τεχνητής Νοημοσύνης μπορούν να μετατρέψουν τη βιωματική γνώση των εργαζομένων σε οργανωσιακή μνήμη.
Η γνώση που δεν καταγράφεται
Το whitepaper χρησιμοποιεί τον όρο «tribal knowledge» για να περιγράψει τη γνώση που αναπτύσσεται μέσα από την εμπειρία και μεταδίδεται κυρίως με την καθημερινή συνεργασία, αντί να αποτυπώνεται σε επίσημα έγγραφα και συστήματα.
Πρόκειται για τις άτυπες πρακτικές, τα επαγγελματικά ένστικτα, τις συντομεύσεις, τις εξαιρέσεις και τα κριτήρια που χρησιμοποιούν τα έμπειρα στελέχη προκειμένου να λαμβάνουν αποφάσεις. Η γνώση αυτή εξελίσσεται συνεχώς, αλλά συνήθως παραμένει αποσπασματική και δύσκολα προσβάσιμη από το σύνολο του οργανισμού.
Το ζήτημα αποκτά ιδιαίτερη σημασία λόγω της δημογραφικής αλλαγής και της σταδιακής αποχώρησης έμπειρων εργαζομένων. Σύμφωνα με τα στοιχεία που επικαλείται η ERGO, περίπου το ένα τέταρτο των εργαζομένων στον γερμανικό ασφαλιστικό κλάδο ανήκει στη γενιά των baby boomers, με σημαντικό μέρος αυτών να αναμένεται να συνταξιοδοτηθεί μέσα στα επόμενα χρόνια.
Όταν ένα στέλεχος αποχωρεί ή αλλάζει θέση, ο οργανισμός κινδυνεύει να χάσει όχι μόνο τεχνικές γνώσεις, αλλά και το σκεπτικό πίσω από αποφάσεις, τον τρόπο αντιμετώπισης ειδικών περιπτώσεων και την κατανόηση του ευρύτερου επιχειρησιακού πλαισίου.
Πώς λειτουργούν οι αυτοεξελισσόμενοι AI agents
Οι αυτοεξελισσόμενοι πράκτορες Τεχνητής Νοημοσύνης δεν περιορίζονται στην εκτέλεση προκαθορισμένων εργασιών. Σύμφωνα με την προσέγγιση του whitepaper, πρόκειται για συστήματα που μπορούν να μαθαίνουν μέσα από την αλληλεπίδρασή τους με το επιχειρησιακό περιβάλλον, να αξιολογούν τα αποτελέσματά τους και να προσαρμόζουν σταδιακά τις μεθόδους εργασίας τους.
Οι agents μπορούν, μεταξύ άλλων, να παρατηρούν αποφάσεις, διορθώσεις και παρεμβάσεις ειδικών, να αναζητούν διευκρινίσεις και να μετατρέπουν τα επαναλαμβανόμενα πρότυπα σε δομημένη και επαναχρησιμοποιήσιμη γνώση. Το μοντέλο δεν στηρίζεται σε έναν μόνο εργαζόμενο, αλλά στην τακτική αλληλεπίδραση με περισσότερους ειδικούς, ώστε η γνώση που αποτυπώνεται να είναι αντιπροσωπευτική του οργανισμού.
Η έκθεση επισημαίνει, ωστόσο, πέντε βασικές προκλήσεις: την απώλεια προηγουμένως αποκτημένης γνώσης από τα μοντέλα, την έλλειψη επιχειρησιακού πλαισίου, την απαξίωση πληροφοριών λόγω μεταβολών στην αγορά ή στο κανονιστικό περιβάλλον, το χάσμα επικοινωνίας ανάμεσα στους ειδικούς και στις τεχνικές ομάδες και τους περιορισμούς των παλαιών πληροφοριακών συστημάτων.
Διακυβέρνηση και ανθρώπινη εποπτεία
Για τις ασφαλιστικές και τις χρηματοοικονομικές επιχειρήσεις, η τεχνολογική δυνατότητα δεν αρκεί. Η αξιοποίηση των AI agents προϋποθέτει σαφείς κανόνες διακυβέρνησης, κανονιστικής συμμόρφωσης, προστασίας δεδομένων και διαχείρισης της πρόσβασης.
Το whitepaper εντάσσει στην έννοια της «enterprise readiness» την ταυτοποίηση και τον έλεγχο δικαιωμάτων, την παρακολούθηση της λειτουργίας των συστημάτων, την ανίχνευση αποκλίσεων, την αξιολόγηση της απόδοσης και την ύπαρξη συγκεκριμένων σταδίων ανθρώπινης έγκρισης πριν από την εφαρμογή κρίσιμων αποφάσεων.
Παράλληλα, προτείνει ένα πλαίσιο αξιολόγησης της ωριμότητας των agentic συστημάτων βάσει τριών διαστάσεων: της πολυπλοκότητας των εργασιών, του βαθμού αυτονομίας και της δυνατότητας διατήρησης και επικαιροποίησης της οργανωσιακής μνήμης. Η μεγαλύτερη αυτονομία δεν θεωρείται αυτοσκοπός, αλλά πρέπει να παραχωρείται σταδιακά, ανάλογα με την αξιοπιστία και την ποιότητα των αποτελεσμάτων.
Το παράδειγμα της AI Content Engine
Ως πρακτικό παράδειγμα, η έκθεση παρουσιάζει την AI Content Engine που ανέπτυξαν η ERGO, η Google Cloud και η Deloitte. Πρόκειται για ένα σύστημα πολλαπλών agents που υποστηρίζει την παραγωγή κειμένων, εικόνων, βίντεο, ηχητικού περιεχομένου και ολοκληρωμένων ιστοσελίδων, ξεκινώντας από μία βασική οδηγία ή λέξη-κλειδί.
Ένας κεντρικός agent συντονίζει τη διαδικασία και αξιοποιεί εσωτερικά δεδομένα, πληροφορίες προϊόντων και εταιρική γνώση. Στη συνέχεια, εξειδικευμένοι agents αναλαμβάνουν τη στρατηγική περιεχομένου, τη σύνταξη, τη βελτιστοποίηση και την παραγωγή των διαφορετικών μορφών υλικού. Το τελικό αποτέλεσμα υπόκειται σε ελέγχους ασφαλείας και παραμένει διαθέσιμο για ανθρώπινη επιβεβαίωση ή επεξεργασία.
Η προοπτική που περιγράφεται δεν είναι η άμεση μετάβαση σε πλήρως αυτόνομα συστήματα. Η εξέλιξη ξεκινά από τη συλλογή ανθρώπινου feedback, περνά στην καταγραφή της κρίσης και της συλλογιστικής των ειδικών και οδηγεί σταδιακά σε κοινές δεξαμενές γνώσης, συλλογική νοημοσύνη και, μακροπρόθεσμα, δημιουργία νέων σεναρίων μάθησης μέσω προσομοιώσεων.
Η κεντρική ιδέα του whitepaper είναι ότι οι AI agents δεν καλούνται να αντικαταστήσουν τους έμπειρους επαγγελματίες. Μπορούν, όμως, να βοηθήσουν ώστε η γνώση τους να μη χάνεται, αλλά να καταγράφεται, να ελέγχεται, να επικαιροποιείται και να αξιοποιείται από ολόκληρο τον οργανισμό.
Το πλήρες whitepaper διατίθεται δωρεάν στην αγγλική γλώσσα από την επίσημη ιστοσελίδα της ERGO.
