Yerelleşmiş sigorta (ödeme-tarafı) AI'ı için ölçülebilir gerekçe
Sahtecilik ve hasar kaçağı evrensel sorunlar gibi görünür. Onları gerçekten yakalayan kurallar ise yereldir. Ödeme tarafındaki yapay zekânın neden farklı kurulması gerektiğinin özeti bu çelişkide.
Dünyadaki her sigortacı aşağı yukarı aynı sorunlarla uğraşır: sahte ya da şişirilmiş başvurular, hatalardan sessizce sızan para ve başvurunun gelişiyle kararın verilmesi arasında uzayan yavaş, elle yürüyen inceleme. Bunu salt bir dil problemi sanmak kolaydır — güçlü bir genel modeli başvurulara yöneltip okumasını beklersiniz. Okuma kısmında yardımcı olur. Ama sonucu asıl belirleyen kısımda işe yaramaz: bir başvurunun en baştan geçerli olup olmadığını söyleyen yerel kural kitabı.
Geri ödeme, ayrıntının yönettiği bir alandır. Hangi işlemin, hangi koşulda, hangi kodla, hangi bekleme süresinden sonra karşılandığı — hepsi ülkeye özgü, zamanla değişen bir çerçeveye yazılıdır. Bu çerçeveyi hiç görmemiş bir model, başvuruyu güzelce özetleyip yine de yanlış sonuca varabilir; çünkü sonuç, görmediği bir maddeye bağlıdır.
Bunu ölçtüğümüzde tablo tutarlıydı. İç değerlendirmemizde yerel model, sahtecilik tespitinde 0,93 AUC ve poliçe kapsamı kararlarında %95 doğruluğa ulaştı — bir hasar ekibinin etrafında iş akışı kurabileceği, riskli dosyaları incelemeciyi yanlış alarmlara boğmadan öne çıkaran çalışma noktaları. Ama en keskin fark güvendeydi. Geri ödeme, doğru maddeye atıf yapmaya dayanır; karşılaştırdığımız genel modeller maddeleri yaklaşık %4–6 oranında uydururken, yerel model bunu %0,3’te tuttu. Ödeme tarafında, kendinden emin biçimde uydurulmuş bir kural bir tuhaflık değil, bedeli olan bir risktir.
İşte bu yüzden ödeme tarafındaki yapay zekânın çevrilmiş değil, yerelleştirilmiş olması gerekir. Kapsam mantığı, kodlama standartları ve provizyon kuralları her pazara özgüdür ve sürekli değişir. Bir pazarın gerçek kuralları üzerine eğitilmiş, atıf verebilen bir platform; bir denetimde savunabileceğiniz otomasyon ile sessizce elle kontrol etmek zorunda kaldığınız otomasyon arasındaki farktır. Türkiye’nin SGK/SUT sistemi bunun yalnızca ilk ve en zor örneğiydi; aynı yöntem her ödeyiciye uygulanabilir.
İyi kullanıldığında bunların hiçbiri robot bir hakem üretmez; amacı da bu değil. İnsan incelemecinin gücünü artırır: yakından bakmaya değer dosyaları öne çıkarır, ilgili kuralı gösterir ve kararı ait olduğu yerde bırakır. Her zamanki dürüstlük de geçerli — bu rakamlar sentetik veriyle yapılmış bir iç değerlendirmeden, anonim karşılaştırma modelleriyle geliyor; asıl sınav, şu an süren saha pilotları.