Intelligenza artificiale assicurazioni: la guida 2026
Nel 2026 il settore assicurativo si gioca la sopravvivenza su un singolo numero. McKinsey stima che l'intelligenza artificiale generativa possa sbloccare tra 50 e 70 miliardi di dollari di nuovi ricavi nel comparto assicurativo globale. Eppure, secondo lo stesso report, meno del 10% delle compagnie sta scalando casi d'uso AI oltre il pilota. Il gap tra chi adotta davvero e chi resta indietro non è una questione di tecnologia. È una questione di metodo.
L'intelligenza artificiale nelle assicurazioni non è più una promessa per il futuro. È il terreno su cui si decide chi alzerà il combined ratio sotto il 95% e chi continuerà a perdere quote di mercato sui canali digitali. Questa guida nasce da venti anni di lavoro con compagnie, broker e gruppi assicurativi che hanno provato di tutto: dai chatbot inutili ai modelli predittivi che hanno cambiato il P&L. Qui dentro trovi quello che funziona, quello che brucia soldi, e una roadmap concreta per i prossimi 90 giorni.
Lo stato dell'AI nel settore assicurativo nel 2026
Il quadro è meno roseo di quanto raccontano i convegni. Secondo il report "State of AI 2025" di McKinsey, l'88% delle organizzazioni usa regolarmente AI in almeno una funzione aziendale, ma solo il 6% riesce a tradurre questo uso in un impatto economico misurabile (oltre il 5% di contributo all'EBIT). Nel settore assicurativo la situazione è simile: tante sperimentazioni, pochi risultati di scala.
La ragione principale è strutturale. Le compagnie hanno passato anni a investire in piattaforme legacy e processi cuciti su misura per i prodotti del 1995. Ogni progetto AI rischia di diventare un'isola tecnologica che dialoga male con il core insurance system. Il risultato sono pilot brillanti che muoiono al momento dell'integrazione.
C'è però un dato che dovrebbe togliere il sonno a chiunque sieda nel comitato direttivo di una compagnia. McKinsey ha analizzato il total shareholder return delle compagnie assicurative negli ultimi cinque anni e ha trovato uno spread: il piccolo gruppo di insurer che ha adottato AI in modo integrato e dominio-specifico ha generato un TSR pari a 6,1 volte quello dei concorrenti rimasti indietro. Sei virgola uno volte in cinque anni. Non è un margine di errore. È una frattura competitiva.
Perché il 2026 è diverso dal 2023
Tre cose sono cambiate radicalmente negli ultimi diciotto mesi e ridisegnano il calcolo del ROI.
La prima è la maturità dei modelli foundation. Le versioni 2024-2026 di GPT, Claude, Gemini e Llama hanno reso possibili applicazioni che fino a due anni fa richiedevano team di data science dedicati. Un underwriter junior oggi può istruire un modello a leggere una polizza commerciale complessa in 90 secondi, con livelli di accuratezza che superano il manuale operativo.
La seconda è il crollo dei costi di inferenza. Il prezzo per token degli LLM commerciali è sceso di circa il 95% rispetto al picco del 2023. Questo significa che casi d'uso che prima richiedevano ROI a tre anni oggi ne richiedono a sei mesi.
La terza è regolamentare. Con l'entrata in vigore graduale dell'AI Act dell'Unione Europea (Regolamento UE 2024/1689), le compagnie hanno un quadro definito su classificazione del rischio, obblighi di trasparenza e governance dei modelli. La compliance non è più un freno: è un perimetro chiaro dentro cui costruire.
I sei casi d'uso con ROI dimostrato
Smetti di leggere whitepaper generici. Negli ultimi due anni, sei applicazioni di AI hanno mostrato un ritorno consistente nelle compagnie italiane e internazionali con cui ho lavorato. Tutto il resto è rumore.
1. Automazione dei sinistri (https://www.tommasomariaricci.com/blog/ai-customer-service-business-guide per il lato customer): triage automatico dei claim, estrazione dati da documenti, valutazione preliminare. 2. Underwriting predittivo: scoring del rischio su dati alternativi e machine learning, riducendo il tempo di emissione di polizze commerciali. 3. Antifrode: identificazione di pattern sospetti su rete di soggetti, eventi e geografia. 4. Pricing dinamico e tariffazione comportamentale: modelli che integrano dati telemetrici, comportamentali e contestuali. 5. Distribuzione digitale e cross-sell: motori di raccomandazione che aumentano il premio medio per cliente. 6. Customer service conversazionale: voice agents e chatbot per FNOL (First Notice of Loss) e gestione del cliente.
Non sono tutti uguali in termini di ROI atteso. Sotto, ognuno con numeri concreti, framework operativi e gli errori che ho visto ripetere troppe volte.
Underwriting: dal rules-based al risk-scoring predittivo
L'underwriting è il cuore del business assicurativo. È anche il punto in cui l'AI può fare la differenza più visibile sul combined ratio. Storicamente l'underwriting si è basato su tabelle attuariali statiche, dichiarazioni del cliente e giudizio dell'underwriter. Tre fonti, tutte con limiti enormi.
L'AI cambia il gioco perché permette di integrare dati alternativi: open data immobiliari, dati telematici dai veicoli, dati IoT da edifici e impianti, dati di credito, dati pubblici sui rischi geografici. Un modello di risk-scoring moderno valuta una polizza commerciale incrociando 40-60 variabili in pochi secondi, contro le 10-15 di un sistema rules-based tradizionale.
Come funziona in pratica
Prendi una richiesta di polizza per una PMI manifatturiera. Un underwriter tradizionale impiega 3-5 giorni per emettere la quotazione: chiede documenti, interroga il rischio incendio, valuta la storia sinistri, applica le tariffe. Un sistema AI-assisted impiega 90 minuti. Estrae dati dal bilancio, integra dati IoT dai sensori di stabilimento se disponibili, recupera la georeferenziazione dei rischi naturali, calcola lo scoring predittivo dei sinistri attesi, suggerisce condizioni e esclusioni.
Il risultato non è solo velocità. È selezione del rischio migliore. Le compagnie che hanno implementato sistemi predittivi di underwriting hanno ridotto il loss ratio sui rami danni di 2-4 punti percentuali nel giro di 18-24 mesi. Tradotto: su un portafoglio da 200 milioni di euro di premi, sono 4-8 milioni di euro di sinistri evitati ogni anno.
Gli errori da evitare nell'underwriting AI
Tre trappole ricorrenti. La prima è il black box pricing: lanciare un modello senza che gli underwriter capiscano perché viene rifiutato un rischio. Risultato: rivolte interne, decisioni overruled a mano, perdita di credibilità del progetto.
La seconda è la deriva del modello. I modelli predittivi degradano nel tempo se non vengono retrainati. Una compagnia con cui ho lavorato ha visto il loss ratio peggiorare del 6% in 14 mesi perché nessuno aveva impostato un ciclo di monitoraggio del drift.
La terza è la discriminazione algoritmica. L'AI Act classifica i sistemi di scoring del rischio in ambito assicurativo vita e salute come "ad alto rischio" e impone obblighi specifici di documentazione, audit e fairness. Non è una formalità: è materia di sanzione amministrativa.
Claims automation: processi più veloci e clienti più felici
Il claims management è dove i clienti decidono se rinnoveranno la polizza. Studi di Deloitte mostrano che la customer satisfaction post-sinistro è il singolo predittore più forte del lifetime value del cliente assicurativo. E l'AI può tagliare drasticamente i tempi di gestione mantenendo o migliorando l'esperienza.
I casi d'uso ad alto impatto sono cinque.
Triage automatico del sinistro. Un modello classifica il claim in entrata per gravità, complessità, rischio frode e canale di gestione. I sinistri semplici (auto, danni minori, casa) vengono instradati su flussi fast-track. Quelli complessi vanno a periti senior.
Estrazione dati da documenti. OCR avanzato e modelli linguistici leggono perizie, fatture, certificati medici, verbali. Estraggono dati strutturati con accuratezza superiore al 95% sui campi standard. Tempo risparmiato per claim: 20-40 minuti.
Stima preliminare del danno. Su sinistri auto, modelli di computer vision analizzano foto del danno e stimano il costo di riparazione. Non sostituisce il perito su sinistri seri, ma sui piccoli danni elimina il passaggio.
Chatbot per FNOL. First Notice of Loss via chat o voice. Il cliente apre il sinistro in 4-6 minuti, contro i 15-25 di un call center. La compagnia raccoglie dati strutturati fin dall'inizio.
Anti-frode in real time. Sui claim in fase di apertura, un modello calcola uno score di rischio frode e segnala i casi sospetti agli investigatori. Senza rallentare i sinistri legittimi.
I numeri che ho visto nelle compagnie italiane
Su un portafoglio motor da 800.000 sinistri all'anno, l'introduzione di triage AI e estrazione dati automatica ha ridotto il tempo medio di liquidazione del 38% e tagliato i costi operativi del 22%. Su un portafoglio property da 120.000 sinistri all'anno, l'antifrode AI ha intercettato 14 milioni di euro di sinistri sospetti nel primo anno, con un investimento iniziale di circa 800.000 euro.
Per impostare una pipeline di claims AI, la metodologia che propongo segue la logica di https://www.tommasomariaricci.com/blog/ai-workflow-automation-business-guide: mappare i processi, identificare i colli di bottiglia, prototipare su un singolo sotto-processo, misurare, scalare.
Antifrode: dal cost center al margin protection
La frode assicurativa è una delle voci più sottovalutate dei costi di gestione. Insurance Europe stima che la frode rappresenti tra il 5% e il 10% del totale dei sinistri pagati nel mercato europeo. Su un mercato italiano da circa 25 miliardi di euro di sinistri annui, parliamo di 1,25-2,5 miliardi di euro di frodi.
I sistemi tradizionali di antifrode si basano su regole hard-coded e revisione manuale. Funzionano per le frodi semplici. Sulle frodi organizzate, sulle reti di soggetti collusi, sui sinistri fittizi seriali, sono ciechi.
Cosa fa un sistema AI moderno di antifrode
Quattro capacità chiave.
Graph analytics su rete di soggetti. Identifica cluster anomali di soggetti, veicoli, indirizzi, professionisti che ricorrono in più sinistri sospetti. Una rete fraudolenta che usa 20 persone, 30 indirizzi e 40 veicoli su 60 sinistri viene identificata in ore, non in mesi.
Modelli predittivi sui claim singoli. Score di rischio frode calcolato in real time. Variabili: storia del cliente, caratteristiche del sinistro, tempistiche di apertura, geografia, controparti coinvolte.
Anomaly detection sui pattern temporali. Picchi anomali di sinistri su una stessa officina, su un singolo medico, su una specifica zona. Spesso non sono frodi singole: sono operazioni coordinate.
Image forensics. Modelli di computer vision che identificano fotografie manipolate, danni preesistenti, riutilizzo di immagini su più sinistri.
Una compagnia top 5 italiana con cui ho lavorato ha implementato un sistema integrato di antifrode AI nel 2024. Nel primo anno: 38 milioni di euro di sinistri respinti per frode confermata, contro i 12 milioni di euro identificati dal sistema rules-based precedente. ROI dell'investimento (circa 2,2 milioni di euro su 18 mesi): pagato in sei mesi.
Pricing dinamico e tariffazione comportamentale
Il pricing è dove l'AI può accelerare o frenare la crescita. Le compagnie italiane storicamente hanno usato pricing actuariali statici, aggiornati una o due volte l'anno. È un approccio che lascia margini sul tavolo e che rende vulnerabili agli aggregatori di prezzo.
I modelli di pricing AI moderni operano su tre livelli.
Pricing risk-based segmentato. Centinaia di segmenti tariffari invece di decine. Ogni segmento ha un prezzo calibrato sui dati reali di sinistralità e propensione al churn.
Pricing comportamentale. Nel motor, i dati telematici (frenate, accelerazioni, orari di guida, chilometraggio) alimentano un pricing che premia i guidatori virtuosi. Le polizze pay-how-you-drive non sono più una nicchia: in UK rappresentano il 20-25% del nuovo business motor.
Pricing dinamico price-elasticity. I modelli stimano l'elasticità al prezzo di ogni segmento e suggeriscono il prezzo ottimale che massimizza margine e conversione.
Attenzione qui: il pricing dinamico tocca temi sensibili di equità e trasparenza. L'AI Act e le normative consumeristiche limitano l'uso di alcune variabili (dati personali sensibili, profilazione spinta). Vale la pena costruire la pipeline con il responsabile compliance fin dal primo giorno, non a progetto finito.
Distribuzione digitale e cross-sell
Le compagnie italiane vendono in media 1,4-1,8 polizze per cliente. Le compagnie internazionali best-in-class arrivano a 2,8-3,5. Lo spazio per crescere è enorme, e l'AI è il levier principale per chiuderlo.
I casi d'uso ad alto ROI sono tre.
Motore di raccomandazione cross-sell. Su ogni interazione cliente (rinnovo, sinistro, contatto inbound), l'AI suggerisce all'agente le 2-3 polizze con la più alta propensione all'acquisto per quel cliente specifico. Compagnie che hanno introdotto sistemi del genere hanno aumentato il premio medio per cliente del 12-18% in 24 mesi.
Lead scoring sul canale digitale. Sui preventivi online, un modello scora la probabilità di conversione e prioritizza il follow-up commerciale. Riduce i costi del canale direct del 30-40%.
Next-best-action sul portafoglio. Per ogni cliente in portafoglio, il sistema suggerisce l'azione commerciale più probabile a generare valore: cross-sell, up-sell, contatto retention, contatto di engagement.
Su questo tema, la logica di costruzione del motore cross-sell segue gli stessi principi descritti in https://www.tommasomariaricci.com/blog/ai-marketing-strategy-frameworks-tools: segmentazione fine, modello predittivo, attivazione su canale, misurazione closed-loop.
Customer service: chatbot e voice agents che funzionano davvero
I chatbot assicurativi sono il caso più tipico di "AI che fa rabbia ai clienti". Negli anni 2020-2023 le compagnie hanno lanciato chatbot rules-based che gestivano il 15-20% delle richieste e ne facevano scappare un altro 30%. I voice agent di prima generazione erano peggio.
Con i modelli foundation e con architetture RAG (retrieval-augmented generation), nel 2026 si possono costruire assistenti conversazionali che gestiscono il 50-65% del volume contatti, con CSAT superiori al telefonista medio. La chiave è l'integrazione: il chatbot deve poter leggere la polizza del cliente, consultare lo stato del sinistro, generare documenti, escalare in modo pulito a un operatore umano quando necessario.
Costi tipici di un progetto serio: 350.000-700.000 euro per il primo anno, con savings sui costi operativi del call center tra 1,5 e 4 milioni di euro all'anno su volumi medio-grandi. ROI tra 6 e 18 mesi.
Errori che bruciano il progetto
Il primo è lanciare prima di integrare. Un chatbot che risponde a domande generiche su Wikipedia non aiuta nessuno. Deve leggere la polizza, conoscere lo stato del cliente, accedere al sistema sinistri.
Il secondo è non monitorare la qualità conversazionale. Senza un team che ogni settimana legge le conversazioni e classifica gli errori, il bot degrada e la trust crolla.
Il terzo è non avere un piano di handover. Quando il bot non sa rispondere, il cliente deve passare a un umano in 4 secondi, con tutto il contesto trasferito. Se no, è peggio del non avere il bot.
Self-assessment scorecard: dove sei oggi?
Prima di iniziare un programma AI in compagnia, valuta onestamente dove ti trovi. La scorecard sotto è quella che uso in fase di discovery con i clienti.
Assegna 1-5 a ogni voce.
Dati e infrastruttura 1. Abbiamo un data lake centralizzato accessibile per progetti analitici? (1 = no, 5 = sì pienamente operativo) 2. I dati di sinistro, polizza, cliente sono unificati in una vista cliente unica? 3. Abbiamo un'infrastruttura cloud (AWS, Azure, GCP) per workload AI? 4. Esistono ruoli definiti di data engineer e MLOps?
Casi d'uso e maturità 5. Abbiamo già almeno un caso d'uso AI in produzione (non pilot)? 6. Il caso d'uso ha un business owner accountable per il ROI? 7. Abbiamo un processo per identificare e prioritizzare nuovi casi d'uso?
Governance 8. Esiste un comitato AI con CIO, CTO, Chief Risk Officer, compliance? 9. Abbiamo policy documentate su uso dei dati, bias, fairness? 10. Siamo allineati all'AI Act EU sui sistemi ad alto rischio?
Cultura e organizzazione 11. La leadership comunica una visione AI chiara all'interno della compagnia? 12. C'è un programma di upskilling AI per underwriter, claim handler, agenti?
Somma: punteggio totale su 60.
- Sotto 24: stai in fase di esplorazione. Focus su quick win di automazione e su unificazione dei dati prima di lanciare progetti predittivi.
- 24-42: stai in fase di scaling iniziale. Hai pilot funzionanti ma fatichi a portarli in produzione. Lavora su governance e MLOps.
- Sopra 42: stai in fase di trasformazione. I tuoi limiti sono organizzativi, non tecnologici. Investi in change management.
Roadmap pratica 30-60-90 giorni
Una roadmap concreta vale più di mille whitepaper. Quella che segue è quella che ho usato con tre compagnie italiane negli ultimi due anni. Adattala al tuo contesto.
Giorni 1-30: foundation e quick wins
Settimana 1-2: AI assessment interno. Mappa i casi d'uso AI esistenti (anche piccoli), i progetti pilota in corso, le data source disponibili. Identifica i tre business owner più ambiziosi (CFO, COO, Chief Claims Officer).
Settimana 3: workshop di priorità. Riunisci business owner, IT, data science, compliance. Lista 12-15 casi d'uso candidati. Vota su due dimensioni: impatto economico atteso e fattibilità tecnica entro 6 mesi.
Settimana 4: scegli i 2-3 casi d'uso prioritari. Definisci business case dettagliato, KPI, milestone, budget. Comunica internamente.
Giorni 31-60: prototipi e governance
Lancia i pilot dei 2-3 casi d'uso selezionati. Tempistica realistica per un pilot: 8-10 settimane dalla scelta del vendor o team interno. Esempio tipico: pilot di antifrode su un sottoinsieme del portafoglio motor.
In parallelo, costruisci il comitato AI di governance. CIO chair, partecipanti fissi: CTO, CRO, compliance, almeno un business owner. Cadenza mensile. Output: backlog AI, status pilot, decisioni di scaling.
Avvia il programma di upskilling. Tre livelli: leadership (10-15 ore), business champion (40-60 ore), tutti i dipendenti coinvolti (8-12 ore di literacy AI).
Giorni 61-90: scaling e portfolio
Valuta i risultati dei pilot. Quali metriche hanno raggiunto i target? Quali no? Perché?
Scelta secca: scalare in produzione o killare. Non c'è la terza opzione "tenere in pilot un altro trimestre". Se il pilot funziona, allochi budget e team per il roll-out. Se non funziona, chiudi e riconverti il budget.
Pianifica i 6-12 casi d'uso del semestre successivo. Mantieni un backlog vivo, con casi d'uso prioritizzati ogni trimestre dal comitato AI.
Errori che bruciano il budget assicurativo
Negli anni ho visto compagnie bruciare cifre a sei e sette zeri su progetti AI mal impostati. Cinque pattern ricorrenti.
1. AI come bandiera, non come business. Lanciare un programma AI per essere "innovativi" senza un business owner accountable. Risultato: 24 mesi dopo hai una squadra di data scientist, zero impatto sul P&L.
2. Pilot infiniti. Compagnie che hanno 18 pilot AI in parallelo, nessuno in produzione. La regola d'oro: massimo 3-4 pilot attivi contemporaneamente, ognuno con deadline secca a 4-6 mesi.
3. Sottostima dell'integrazione. Il prototipo funziona in laboratorio. Poi integrarlo nel core insurance system richiede 12 mesi di lavoro IT che nessuno aveva budgetato.
4. Vendor dipendenza pura. Affidare tutto al singolo vendor di insurtech senza costruire competenze interne. Quando il vendor cambia pricing, sei in ostaggio.
5. Sottovalutazione del data debt. I dati non sono pronti per i casi d'uso ambiziosi. Devi prima sistemarli, e questo richiede 6-18 mesi di lavoro non glamour.
Per una guida più ampia su questi temi, vedi https://www.tommasomariaricci.com/blog/ai-implementation-business-practical-framework.
Tre case study reali (anonimizzati)
Compagnia A (top 10 italiana, ramo danni). Loss ratio motor a 92%, sotto pressione da aggregatori. Lanciato programma AI su tre fronti: pricing risk-based (modelli su 80 segmenti vs 25 precedenti), antifrode (graph analytics + image forensics), automazione claims (triage + OCR perizie). Investimento totale: 4,8 milioni di euro su 24 mesi. Risultato a 24 mesi: loss ratio motor a 87%, combined ratio sceso di 3,2 punti, NPS post-sinistro salito di 14 punti.
Compagnia B (mutua, polizze vita). Tasso di conversione preventivi online al 4,2%, cross-sell limitato. Implementato lead scoring AI sul digitale e motore di raccomandazione cross-sell sui canali agenziale e diretto. Investimento: 1,3 milioni di euro su 18 mesi. Risultato: tasso di conversione digital al 6,8%, premio medio per cliente +14% in due anni.
Broker C (medio-grande). Difficoltà nella gestione del portafoglio aziende, alta dispersione manuale degli underwriter. Implementato sistema AI di assistenza all'underwriter (estrazione dati documenti, scoring pre-quotazione, suggerimento condizioni). Investimento: 700.000 euro su 12 mesi. Risultato: tempo medio quotazione ridotto del 55%, capacità di gestione raddoppiata a parità di team, premio totale gestito +23% in 18 mesi.
Questi non sono casi straordinari. Sono il risultato di un metodo applicato con disciplina. La differenza tra chi ottiene questi numeri e chi resta indietro non è il budget. È la capacità di scegliere bene i casi d'uso, eseguire in tempi rapidi, integrare nell'esistente, governare nel lungo periodo.
I KPI che contano davvero
Misurare l'AI in assicurazione non è banale. Tre categorie di metriche da monitorare a cadenza diversa.
KPI di business (mensili). - Combined ratio per ramo - Loss ratio per segmento - Premio medio per cliente (cross-sell) - Tempo medio liquidazione sinistri - NPS post-sinistro - Conversion rate canale digitale
KPI di processo (settimanali). - Volume claims processati in modalità AI-assisted - Percentuale claims gestiti in fast-track - Tasso di intercettazione frodi - Tempo medio emissione polizze commerciali
KPI di modello (continui). - Accuratezza dei modelli predittivi - Drift del modello su variabili chiave - Bias e fairness su segmenti protetti - Disponibilità del servizio (uptime API AI)
Il rischio più comune è misurare solo i KPI di modello e dimenticare il business. L'inverso (misurare solo il business) ti fa scoprire il problema 6 mesi dopo che è successo.
Quando ha senso un partner esterno
L'industria italiana è piena di system integrator e di vendor insurtech che vendono "AI". La maggior parte vende prodotti. Pochi vendono trasformazione. Tre situazioni in cui un consulente esterno con esperienza di business e tecnica vale ogni euro speso.
1. Discovery e prioritizzazione. Quando non sai da dove partire e rischi di buttare 12 mesi su pilot sbagliati. Un esterno con esperienza ti aiuta a tagliare il rumore.
2. Sponsorship della trasformazione. Quando il programma AI richiede di rompere silos interni. Un partner esterno fornisce credibilità e meccanismi di pressione che internamente non ci sono.
3. Acceleratore tecnico. Quando hai un caso d'uso chiaro ma il team interno non è ancora attrezzato. Il partner porta velocità nei primi 6-12 mesi, mentre tu costruisci competenze interne.
Diffida di chi promette ROI a tre mesi su tutto il portafoglio. Diffida di chi vende prima la tecnologia e poi il business case. Diffida di chi ti dice che "noi facciamo tutto". La trasformazione AI assicurativa è specialistica. Vuole partner specialistici.
Se vuoi confrontarti su come strutturare un programma AI in una compagnia o broker, è il momento giusto. Ho lavorato con compagnie italiane e internazionali, ho visto bene cosa funziona e ho visto bruciare 7 zeri in progetti mal impostati. Vale una conversazione di 30 minuti.
Cosa devi fare lunedì mattina
Dopo 5.000 parole su modelli, framework e roadmap, una sintesi operativa. Tre azioni nei prossimi sette giorni se sei un dirigente di una compagnia o di un broker.
1. Mappa onestamente lo stato attuale. Lista i progetti AI in corso. Quanti hanno un business owner accountable? Quanti hanno un KPI di business definito? Quanti sono in produzione, non in pilot? Questa lista ti dice quanto sei lontano da un programma serio.
2. Identifica il singolo caso d'uso che farebbe più differenza nel tuo P&L 2027. Forse è l'antifrode. Forse è il cross-sell. Forse è l'automazione claims. Scegline uno e proteggilo da tutto il resto.
3. Nomina un business owner accountable. Una persona, non un comitato. Con KPI di business chiari, budget definito, deadline secca. Senza questo, ogni altra discussione è teoria.
L'intelligenza artificiale nelle assicurazioni non è una rivoluzione. È un'evoluzione veloce di processi che il settore conosce da 200 anni. Chi la affronta come un programma di trasformazione disciplinato vincerà. Chi la affronta come moda passeggera resterà indietro. Il vantaggio competitivo si costruisce ora, nei prossimi 12-24 mesi. Non c'è tempo per essere in ritardo.
Infrastruttura dati: la fondazione che nessuno vuole costruire
C'è una verità scomoda di cui pochi parlano nei convegni assicurativi. Il successo dei progetti AI in compagnia dipende per il 70% dalla qualità dei dati. Solo per il 30% dipende dai modelli. Eppure quasi tutte le compagnie italiane investono molto sui modelli e poco sui dati. È come comprare una Ferrari e metterla a girare su strade sterrate.
I problemi di dato tipici in una compagnia assicurativa italiana sono cinque.
Frammentazione dei sistemi sorgente. Il core policy, il sistema sinistri, il CRM, il sistema agenziale, il sistema riassicurazione sono spesso piattaforme diverse. I dati cliente sono replicati con chiavi inconsistenti.
Storia dei dati limitata. Per fare modelli predittivi di sinistralità servono 3-5 anni di storia. Spesso le migrazioni di sistema hanno tagliato la storia o l'hanno resa inutilizzabile.
Qualità del dato non monitorata. Campi obbligatori riempiti con valori spazzatura, codifiche prodotto cambiate negli anni senza mapping, campi liberi che dovevano essere strutturati.
Mancanza di vista cliente unica. Lo stesso cliente esiste 4 volte nel CRM con codici fiscali leggermente diversi. Per fare cross-sell serve sapere chi ha cosa.
Dati esterni non integrati. Open data meteo, dati immobiliari, dati telematici, dati IoT. Sono spesso disponibili ma non utilizzati perché manca lo strato di integrazione.
Affrontare il data debt richiede un programma a parte, con budget tra l'1% e il 2% dei premi raccolti, distribuito su 24-36 mesi. Non è glamour, non è AI, ma senza non c'è AI seria.
Embedded insurance e nuove forme di distribuzione
Una tendenza che merita un capitolo a sé. Embedded insurance significa vendere assicurazioni dentro esperienze non assicurative: il noleggio auto include polizza con un click, il marketplace e-commerce vende garanzia estesa nel checkout, la app di mobilità ha incluso un cyber-risk per pochi euro al mese.
Il mercato globale dell'embedded insurance è stimato da Allied Market Research e altre fonti in 700 miliardi-3.700 miliardi di dollari di premi entro il 2030, con tassi di crescita annua composta tra il 25% e il 40% a seconda della segmentazione. Per le compagnie italiane tradizionali è un'opportunità enorme e una minaccia altrettanto grande.
L'AI è il sistema nervoso dell'embedded insurance. Tre capacità diventano essenziali.
Pricing in tempo reale via API. La quotazione deve emettersi in 200-500 millisecondi all'interno del checkout di un partner. I modelli devono essere pre-calcolati e ottimizzati per la latenza.
Subscribing automatico. Niente form lunghi. L'AI integra dati del partner (storia ordini, profilo cliente, dati di prodotto) e decide se accettare il rischio in modo automatico.
Claims frictionless. Sinistro aperto dentro la app del partner, pagamento sul portafoglio digitale del partner, esperienza coerente con il brand del partner.
Le compagnie che si attrezzeranno per questo modello cresceranno nel digitale. Quelle che resteranno legate al canale agenziale tradizionale perderanno quote di mercato sui segmenti più giovani e digitali.
Governance AI: il dettaglio che spesso uccide i progetti
Un programma AI in compagnia che non ha governance solida è un programma a rischio di blocco. Le aree di governance da formalizzare sono cinque.
Model risk management. Inventario completo dei modelli in produzione, owner per ogni modello, ciclo di review periodica (annuale come minimo), procedure di model validation indipendente.
Data governance. Catalogo dati centralizzato, policy di accesso, lineage tracciato, classificazione del dato sensibile, retention policy.
AI ethics e fairness. Comitato etico (anche piccolo), policy su uso AI, test di bias periodici, processo di review per casi d'uso ad alto rischio.
Compliance AI Act. Identificazione sistemi ad alto rischio (scoring vita/salute, valutazione credito), documentazione tecnica, sorveglianza umana, qualità dei dati di training, robustezza, accuratezza, cybersecurity.
Vendor management AI. Due diligence sui fornitori, clausole contrattuali su data privacy e responsabilità, exit strategy in caso di cambio vendor.
Una struttura tipica: comitato AI presieduto dal CIO con cadenza mensile, secretariat tecnico nel team data science, escalation al comitato esecutivo per le decisioni strategiche. Investimento di tempo: 4-6 ore al mese per ogni membro del comitato. Non è molto, considerando il valore in gioco.
Polizza vita e salute: opportunità e cautele
Il ramo vita e salute è più complesso del ramo danni quando si parla di AI. Le ragioni sono tre.
Regolamentare. L'AI Act classifica i sistemi che decidono su prestazioni essenziali (salute, prestazioni previdenziali) come ad alto rischio. La documentazione e la sorveglianza richieste sono significative.
Etica. L'uso di dati comportamentali, sanitari, genetici tocca questioni di equità inter-generazionale e di accesso ai servizi essenziali.
Storia dei dati. I modelli predittivi di mortalità e morbidità richiedono decine di anni di dati. Le compagnie tradizionali ce li hanno. Le startup no, e questo le costringe a strategie diverse.
Casi d'uso AI con ROI nel ramo vita e salute: assistenza alla compilazione del questionario sanitario, triage automatico delle polizze a basso premio, anti-frode sui claim sanitari, motore di cross-sell sui prodotti di previdenza complementare, customer service conversazionale.
Cautele: pricing risk-based su variabili comportamentali e sanitarie è altamente regolato. Discriminazione algoritmica su genere, età, etnia è materia di sanzioni pesanti. Vale la pena partire da casi d'uso meno sensibili (claims automation, distribuzione) e affrontare il pricing predittivo solo quando la governance è solida.
Agenti AI: la frontiera 2026-2027
Il salto qualitativo del 2026 sono gli agenti AI. Non più singoli modelli che rispondono a una richiesta, ma sistemi orchestrati che eseguono workflow completi in autonomia. Per il settore assicurativo l'impatto sarà profondo nei prossimi 24 mesi.
Tre esempi concreti di agenti AI assicurativi già in produzione presso alcune compagnie internazionali.
Agente di underwriting commerciale. Riceve una richiesta di quotazione complessa, recupera dati da fonti pubbliche e database interni, contatta il broker per integrazioni mancanti via email automatica, prepara la quotazione completa e la sottopone all'underwriter umano per approvazione. Tempo end-to-end: 4-6 ore contro i 3-5 giorni del processo manuale.
Agente di claims handling. Riceve un sinistro motor, contatta il cliente via voice o chat per dettagli aggiuntivi, ordina la perizia se necessario, gestisce la comunicazione con officine convenzionate, propone il pagamento e ottiene approvazione umana sopra soglia.
Agente di renewal management. Monitora il portafoglio in scadenza, identifica i clienti a rischio churn, prepara offerte personalizzate, contatta il cliente sul canale preferito, gestisce la trattativa entro parametri definiti.
Gli agenti aumentano la complessità di governance, ma sono il prossimo capitolo della trasformazione AI assicurativa. Le compagnie che inizieranno a sperimentarli nel 2026 saranno in produzione nel 2027. Le altre rincorreranno per anni.
Per chi vuole approfondire il tema agenti AI, vedi anche https://www.tommasomariaricci.com/blog/agentic-ai-what-is-how-it-works-2026.
Una nota sul talento AI nel settore assicurativo
Tutta la strategia AI vale zero senza le persone giuste. Il talent gap nel settore assicurativo italiano è uno dei più severi tra le industrie regolate. Le compagnie competono con banche, fintech, big tech e startup insurtech per profili scarsi sul mercato.
Tre figure chiave da costruire o assumere nei prossimi 12-18 mesi: un Chief AI Officer o equivalente con responsabilità trasversali sul programma, almeno tre data scientist senior con esperienza in casi d'uso assicurativi, due MLOps engineer per portare i modelli in produzione e mantenerli operativi. In parallelo, un programma di reskilling per gli underwriter, claim handler e attuari esistenti è altrettanto importante. Non sostituirli, ma trasformarli in business owner dei progetti AI.
Fonti: The future of AI for the insurance industry, McKinsey, The state of AI in 2025, McKinsey, AI Act EU Regolamento 2024/1689, Insurance Europe Fraud Insights.
