AI nelle Assicurazioni — Lemonade, Tractable e l'Underwriting Automatizzato

Cos'è: Lemonade è la compagnia assicurativa americana fondata nel 2015 e quotata al NYSE dal 2020, prima del segmento P&C (Property and Casualty) costruita "AI-first" — non un'assicurazione tradizionale che ha aggiunto un'app, ma un sistema il cui motore decisionale è basato su modelli di machine learning fin dal primo giorno. Tractable è la sua controparte tecnica per il ramo auto: una scale-up britannica che usa computer vision per valutare automaticamente i danni dalle foto di un sinistro. Insieme rappresentano i due estremi del cambio di paradigma in corso nelle assicurazioni.

AI Jim: liquidare un sinistro in tre secondi

L'aneddoto che Lemonade ripete in ogni comunicazione istituzionale è il record di liquidazione più rapida nella storia dell'industria: tre secondi. Un assicurato, vittima di furto di un giubbotto Canada Goose, ha aperto l'app, descritto l'accaduto con un video selfie, e il sistema — chiamato internamente AI Jim — ha incrociato i dati del contratto, verificato le inconsistenze, confrontato con cluster di frodi simili, e approvato il pagamento in meno di tre secondi. Per il 30-40% dei sinistri standard di Lemonade, oggi l'intero processo è gestito senza intervento umano.

È una differenza di natura, non solo di velocità. Le assicurazioni tradizionali sono storicamente costruite per resistere alla liquidazione: il claim adjuster ha incentivi ad assumere posizioni difensive, le procedure richiedono documenti cartacei, il tempo medio di liquidazione si misura in settimane. Lemonade, riducendo a frizione zero la procedura per i casi puliti, libera tempo umano per concentrarsi sui sinistri sospetti o complessi. Il modello opera con un loss ratio target (rapporto tra liquidazioni e premi raccolti) che la compagnia mantiene sotto controllo proprio grazie alla precisione del triage automatico.

Maya: l'underwriting conversazionale che valuta il rischio in 90 secondi

Il primo punto di contatto con Lemonade non è un agente né un sito web tradizionale: è Maya, il chatbot di underwriting. Maya conduce un'intervista conversazionale di circa 90 secondi — molto più breve di un questionario assicurativo classico — durante la quale raccoglie informazioni sull'abitazione, lo stile di vita, i beni da assicurare. In parallelo, in background, il sistema interroga decine di basi dati esterne: dati immobiliari pubblici, mappe di rischio incendio, statistiche di criminalità del codice postale, dati meteo storici.

Il risultato è un prezzo personalizzato calcolato da un modello che combina i pochi input dichiarati con il vasto contesto inferito. La promessa commerciale di Lemonade è che questo approccio permetta di offrire premi competitivi ai clienti a basso rischio (che le assicurazioni tradizionali tendono a sovrapprezzare per mancanza di segmentazione granulare) e di rifiutare educatamente quelli ad alto rischio prima che diventino sinistri costosi. È matematicamente solido, ma solleva interrogativi etici crescenti: dove finisce la segmentazione attuariale legittima e dove inizia la discriminazione algoritmica?

Tractable: vedere il danno nella foto

Tractable, fondata a Londra nel 2014, ha sviluppato modelli di computer vision specializzati nella valutazione dei danni: auto, immobili residenziali, persino apparecchi domestici. La scena tipica: un automobilista coinvolto in un incidente scatta quattro o cinque foto della propria vettura con lo smartphone, le carica nell'app dell'assicurazione, e in pochi secondi riceve una stima del danno con dettaglio per componente (paraurti, faro, portiera) e indicazione se è riparabile o se è total loss.

I partner di Tractable sono i nomi che pesano: Geico negli Stati Uniti, Tokio Marine in Giappone, Covéa in Francia, oltre a decine di assicuratori più piccoli. Il modello è stato addestrato su decine di milioni di immagini etichettate da periti umani, e ora i suoi giudizi di stima sono sufficientemente accurati che molti sinistri minori non richiedono più la visita di un perito fisico. Il risparmio per le assicurazioni è doppio: costo per perizia abbattuto, e tempo di liquidazione ridotto da giorni a ore.

Il rischio implicito è che i modelli stimino sistematicamente al ribasso (favorendo l'assicuratore) o al rialzo (favorendo l'officina) a seconda dell'incentivo di chi li addestra. Questa è una delle aree in cui la trasparenza algoritmica diventa rilevante non solo come principio etico astratto ma come questione contrattuale concreta tra cliente e compagnia.

Attuari umani vs. machine learning: il dibattito tecnico

L'attuariato è una professione con secoli di storia, costruita su tavole di mortalità e modelli statistici parametrici (regressioni lineari generalizzate, GLM, prevalenti dagli anni '80). Le tariffe assicurative sono state calcolate per generazioni applicando modelli interpretabili a poche decine di variabili demografiche e comportamentali. L'arrivo del machine learning — gradient boosting, reti neurali, gradient boosted decision trees — promette accuratezza superiore ma introduce un problema strutturale: i modelli sono più precisi e meno spiegabili.

Per un attuario tradizionale è ovvio perché un quarantenne fumatore paga di più di una trentenne non fumatrice per un'assicurazione vita: ci sono coefficienti espliciti, intervalli di confidenza, test di significatività. Per un modello di gradient boosting che combina mille variabili con interazioni non lineari, dimostrare che la decisione sul singolo cliente non sia discriminatoria su variabili protette (etnia, genere, religione) richiede un apparato di explainability — SHAP values, controfattuali, fairness audits — che è ancora terreno di ricerca attiva. È il classico trade-off tra accuracy e interpretability che ora si riversa sul piano regolatorio.

NAIC, EU AI Act, e il nodo regolatorio

Negli Stati Uniti, la NAIC (National Association of Insurance Commissioners) ha pubblicato nel dicembre 2023 un Model Bulletin sull'uso di AI e algoritmi nelle decisioni assicurative. Il documento, adottato a varie velocità dai 50 regolatori statali, richiede agli assicuratori di mantenere un programma di governance dell'AI, documentare i dati di training, monitorare gli output per bias verso categorie protette, e fornire spiegazioni accessibili ai clienti sulle decisioni automatizzate. Non è una legge: è una raccomandazione che gli stati possono recepire come obbligo. New York, Colorado e California sono i regolatori più avanzati nell'applicazione.

In Europa, l'AI Act entrato in vigore nel 2024 classifica esplicitamente l'insurance pricing e claims handling come "high risk AI systems" nell'Annex III. Questa classificazione comporta obblighi sostanziali per le compagnie: valutazione di conformità preventiva, sistema di gestione del rischio, documentazione tecnica dettagliata, supervisione umana significativa, trasparenza verso il consumatore. Per le insurtech come Lemonade che operano in Europa (ha una controllata olandese), questo significa rivedere processi che negli USA sono completamente automatizzati e re-inserire revisione umana obbligatoria su classi di decisioni intere.

Il caso Pet Insurance: quando il loss ratio si rompe

Il prodotto più redditizio di Lemonade è stato a lungo l'assicurazione per animali domestici, lanciato nel 2020 e cresciuto rapidamente sfruttando il boom degli acquisti pandemici di cani e gatti. Ma nel 2022-23, il loss ratio del Pet Insurance è schizzato sopra il 90% in alcuni trimestri — i risarcimenti pagati erano vicini ai premi raccolti, lasciando margine quasi nullo dopo le spese operative. I modelli di sottoscrizione, addestrati su dati pre-pandemici, non avevano previsto né l'inflazione veterinaria (cure più costose), né i pattern d'uso più intensi dei nuovi proprietari, né la composizione demografica degli animali assicurati nella nuova ondata.

Lemonade ha risposto aggressivamente: aumenti tariffari fino al 40%, restringimento dei criteri di accettazione, miglioramento dei modelli con dati post-pandemici. Il loss ratio è gradualmente rientrato. La lezione è generale: i modelli AI assicurativi sono solidi solo finché il mondo che hanno visto in training assomiglia al mondo in cui operano. Il concept drift — il cambiamento sottile della distribuzione dei dati nel tempo — è il nemico permanente di chi mette AI in produzione su orizzonti pluriennali.

Italia: Generali, ANIA e l'adozione cauta

Il mercato assicurativo italiano sta adottando l'AI con maggiore prudenza rispetto a quello americano, per ragioni strutturali (rete agenziale tradizionalmente forte) e regolatorie (recepimento progressivo dell'AI Act). Generali Investments, il braccio asset management del gruppo Trieste, è uno dei più attivi in pubblicazioni e ricerca applicata sull'AI per la gestione di portafogli e per la modellizzazione del rischio. La capogruppo usa AI per fraud detection sui sinistri auto, ottimizzazione del routing dei periti, e analisi della documentazione contrattuale.

ANIA (Associazione Nazionale fra le Imprese Assicuratrici), l'associazione di categoria italiana, ha pubblicato linee guida sull'uso dell'AI in assicurazione che anticipano e specificano gli obblighi dell'AI Act per il contesto italiano. Il tema più caldo dibattuto nei tavoli ANIA è la pricing fairness: come dimostrare che i premi differenziati non siano discriminazione mascherata, e come dare al cliente strumenti di contestazione di decisioni algoritmiche di rifiuto o rincaro. È un dibattito che, lentamente, sta cambiando il modo in cui le compagnie italiane progettano i propri modelli interni.

---