Tekoälykupla sairausvakuutuksessa- miksi kuplasta kuuluu tyhjenemisen pihinä?

Tekoäly tukitoimintona on näppärä apulainen. Monet vakuutusalan IT-toimijat, kuten Mavera a Verisk Business, lupaavat kannattavuuden parantuvan tekoälyn avulla. Näyttö tehokkuuden parantumisesta ja prosessien nopeutumisesta tosin puuttuu. Tekoälykuplan hidas tyhjeneminen voi olla sekä yllättävää, haastavaa että merkityksellistä.

Miksi tekoälykuplan tyhjeneminen on yllättävää? Siksi, että tekoälyn on luvattu jo vuosia mullistavan monta ihmisten hallitsemaa toimintaa. Tähän mennessä vain kääntäjät, toimittajat ja hallinnollisia palveluita suorittavat ovat menettäneet yksinkertaisia, mekaanisia toimintoja tekoälylle. Muilla aloilla tekoäly näyttäytyy hitaasti tyhjenevänä kuplana.

Esimerkkinä tekoälykuplan tyhjenemisestä ovat sekä julkiset että yksityiset sairausvakuutusprosessit, joihin sisältyy viisi merkittävää riskitekijää. 

5 riskitekijää sairausvakuutuksen tekoälykuplan tyhjenemiselle

• tietojen hankinta

• arkaluontoinen materiaali

• syy-yhteys ja monimutkaisuus

• ratkaisijoiden osaaminen ja päätöksentekovalta

• muutoksenhakujärjestelmät

#1 - Tietojen hankintaprosessi

Ensimmäinen riskitekijä on sairausvakuutuksessa tarvittavien tietojen hankintaprosessi. Kun korvaushakemus saapuu vakuuttajalle, lisätietoja aiemmista hoitokäynneistä, mittauksista, työtehtävistä tai diagnooseista pyydetään eri toimijoilta. Saadut hoitotiedot voivat olla puutteellisia tai virheellisiä, mittaukset ja diagnoosit epätarkkoja tai tietoja ei ylipäänsä saada mistään. Tekoälyn rooli taustatietojen hankintaprosessissa on olematon, se ei voi korjata puutteita eikä edes tunnistaa virheitä koska sillä ei ole laaduntarkkailun osaamista. Periaatteessa tekoäly tosin voi hallusinoida puuttuvia hoitotietoja, jolloin kyse on jo rikosoikeudellisesta prosessista. 

#2 - Arkaluontoiset terveystiedot

Toinen riskitekijä sairausvakuutusprosessissa on arkaluontoinen materiaali. Hoitotiedot ovat salassa pidettävää henkilö- ja terveystietoa, jonka syöttäminen edes kotitekoiselle sisäiselle tekoälysovellukselle tai ulkomaisessa pilvessä sijaitsevalle tekoälyvuorelle ei tule kyseeseen. Tietoturvan eurooppalainen lainsäädäntö GDPR on osoittautunut kaikkein tehokkaimmaksi Pohjoismaisessa toimintaympäristössä - pienetkin poikkeamat on sanktioitu. Ihmisälyä tarvitaan tulkitsemaan terveystietoja, joita ei pidä siirtää minkään vakuutuslaitoksen ulkopuolelle ilman tietoturvalliseksi todettuja menetelmiä. Tekoälyllä ei ole sijaa tässä prosessissa.

"Tekoälykuplasta kuuluu vain tyhjentymisen pihinä kun yliarvioidut odotukset eivät täyty "

#3- Syy-yhteys tai monimutkaisuus

Kolmas riskitekijä on tekoälyn kyvyttömyys ymmärtää syy-seuraussuhteita ja epätavallisia tilanteita. Tekoäly tunnistaa korrelaatioita, muttei välttämättä ymmärrä todellisia syy-seuraussuhteita ja syy-yhteyttä, jolla on vakuutusratkaisuissa iso merkitys. Tekoälyn avulla voidaan saada tietoja sairauksien oireista, riskitekijöistä, ennusteista tai hoidoista, mutta tavallinenkin kirjallisuushaku toimii tässä riittävän hyvin. Tekoäly on riippuvainen opitusta ja sinne syötetystä datasta. Tuskin mikään vakuutuslaitos maailmassa on syöttänyt ongelmiaan tekoälylle, joten kertynyttä tietoa vakuutusratkaisuihin liittyen ei juuri ole. Tekoäly on heikko käsittelemään odottamattomia tai ennennäkemättömiä tilanteita, joihin se voi tarjota hallusinoitua ratkaisua. Jos näitä ei opita tunnistamaan, prosessit menevät ojasta allikkoon.

#4 - Vakuutuskäsittelijöiden osaaminen

Neljäs tekoälyn hyödyntämiseen liittyvä riskitekijä ovat vakuutusprosessien käsittelijät, ratkaisijat. Vakuutustapausten käsittelijöiden taustakoulutus on kirjavaa ja perehtyminen tapahtuu omien organisaatioiden sisäisenä koulutuksena. Julkisissa vakuutuslaitoksissa työsuhteet ovat pitkäkestoisempia kuin yksityisissä laitoksissa, joissa työntekijöiden vaihtuvuus lienee suurempaa. Vakuutustutkinto voidaan suorittaa, mutta sairausvakuutuksen toimijoilla ei ole mitään virallista koulutusta. Ratkaisijoilla ei aina ole mitään terveydenhuollon taustakoulutusta, joten lääketieteen termit, diagnoosikoodit ja Käypä Hoito- viittaukset ovat heiveröisellä pohjalla. Ratkaisijoilla on kuitenkin juridisesti päätöksentekovalta, lääketieteellisiä asiantuntijoita voidaan konsultoida, muttei siihen ole mitään velvollisuutta. Tekoäly ei täydennä ratkaisijoiden koulutusta eikä vaikuta työssä viihtyvyyteen, pidennä työuria tai valvo päätösten laatua. Taas kuuluu tekoälykuplan tyhjenemisen pihinää.

#5 - Muutoksenhakuprosessit

Viides riskitekijä, joka vähentää tai poistaa tekoälyn hyödyntämistä ovat suomalaiset muutoksenhakumenettelyt. Jokaisessa vakuutuslajissa, oli kyse julkisesta sairausvakuutuksesta, työtapaturmista tai ammattitaudeista, työeläkkeistä tai vapaaehtoisesta sairauskuluvakuutuksesta, on tehokkaasti toimivat muutoksenhakujärjestelmät. Tekoälyä ei  viranomaisprosesseissa tarvita mihinkään. Jos vakuutuspäätöksen perustelut ovat puutteelliset tai väärät, vakuutuksen tarjoajan on korvattava asianomistajalle eli vakuutuskorvauksen hakijalle haettu etuus.

Summa summarum: tekoälykupla sairausvakuutusprosesseissa on hitaasti tyhjenevä pallo. Palataan alkuun, jossa tekoälykuplan tyhjenemisen todettiin olevan yllättävää, haastavaa ja merkityksellistä. Haasteet ja merkityksellisyys löytyvät ihmisen toiminnan kehittämisestä, eli oppimiseen panostamisesta.

Tekoäly voi olla tukitoiminto, mutta se eri korvaa ihmisen ongelmanratkaisutaitoja tai sellaisenaan paranna minkään yrityksen kannattavuutta. Vakuutusratkaisutoiminta on pysyvä yhteiskunnan osatoiminto, oli sitten kyse hyvinvointivaltiosta tai vakuutuspohjaisesta järjestelmästä.

Tapausperustaisesta oppimisesta ratkaisu

Toiminnan kehittämiseen tarvitaan hoitotietojen laadun parantamista ja vakuutuskäsittelijöiden koulutukseen panostamista. Mikä tahansa vakuutuskoulutus ei riitä, vaan ratkaisuna on tapausperustainen oppiminen (case-based learning CBL), joka on sukua ongelmalähtöiselle oppimiselle (problem-based learning, PBL).

Tapausperustaisen oppimisen tärkeimpiä hyötyjä ovat

• tiedon soveltaminen ja sisäistäminen,

• tulkintataitojen kehittäminen ja

• opiskelumotivaation kasvaminen.

  
  

Lääketieteessä tapausperustaisella oppimisella on merkittävä rooli, joten myös sairausvakuutusprosesseissa menetelmästä on iso hyöty.

FIMEDIN tarjoaa tammikuusta 2026 alkaen CBL- verkkokoulutuspaketin tapausesimerkkeihin pohjautuen.