💰 quantitative finance

Advanced Applications of Generative AI in Actuarial Science: Case Studies Beyond ChatGPT

Questo articolo esamina il potenziale dell'intelligenza generativa nella pratica attuariale attraverso quattro casi studio applicati alla previsione dei costi dei sinistri, all'automazione dei confronti di mercato, alla classificazione dei danni veicolari e alla migrazione del codice legacy, affrontando inoltre le sfide normative, di sicurezza e organizzative del suo impiego nel settore assicurativo.

Autori originali: Simon Hatzesberger, Iris Nonneman

Pubblicato 2026-04-21

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Simon Hatzesberger, Iris Nonneman

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina il mondo delle assicurazioni come un enorme archivio polveroso, pieno di foglietti, foto, vecchi computer e regole scritte in lingue che nessuno parla più da decenni. Tradizionalmente, gli attuari (i "maghi dei numeri" delle assicurazioni) dovevano leggere tutto a mano, fare calcoli complessi e cercare di prevedere il futuro basandosi su quello che è successo nel passato.

Questo articolo racconta come una nuova forma di intelligenza artificiale, chiamata GenAI (Intelligenza Artificiale Generativa), stia trasformando questo archivio in una biblioteca magica e automatizzata. Non si tratta solo di un chatbot che risponde alle domande, ma di un vero e proprio "squadra di robot" che lavora insieme.

L'autore racconta 4 storie vere (casi studio) per mostrare come funziona questa magia:

1. Il Detective che legge le storie (Previsione dei costi dei sinistri)

Immagina di avere un mucchio di schede di incidenti. Alcune hanno solo numeri (età, tipo di auto), ma altre hanno una descrizione scritta a mano: "L'incidente è successo mentre pioveva e l'auto ha urtato un albero...".

Il problema: I computer tradizionali vedono solo i numeri e ignorano le parole.
La soluzione GenAI: Immagina un detective super-veloce che legge migliaia di queste descrizioni in un secondo. Lui non si limita a leggere; estrae i dettagli nascosti: "Ah, qui c'è un braccio rotto!", "Qui l'incidente è causato da una caduta!".
Il risultato: Questi dettagli vengono trasformati in nuovi "indizi" per i computer. Grazie a questo, il modello riesce a prevedere quanto costerà riparare l'auto molto meglio di prima, proprio come un detective che risolve un caso perché ha letto le prove che gli altri avevano ignorato.

2. Il Bibliotecario che trova l'ago nel pagliaio (Confronto di mercato)

Le assicurazioni devono confrontare i loro dati con quelli dei concorrenti. Questi dati sono nascosti in rapporti annuali lunghi centinaia di pagine, scritti in modo diverso da ogni azienda.

Il problema: Trovare un numero specifico (es. "quanto capitale hanno?") in 100 documenti diversi richiederebbe mesi di lavoro manuale.
La soluzione GenAI: Immagina un bibliotecario robotico che ha letto tutti i libri del mondo. Tu gli chiedi: "Dammi i tassi di sconto della compagnia X e Y". Lui non legge tutto a caso; usa una tecnica speciale (chiamata RAG, come se avesse un indice super-potente) per saltare direttamente alle pagine giuste, estrarre i numeri e metterli in una tabella ordinata.
Il risultato: Quello che prima richiedeva giorni di lavoro, ora è fatto in pochi minuti con una precisione quasi perfetta.

3. L'Occhio che vede oltre la superficie (Classificazione dei danni alle auto)

Quando qualcuno manda una foto di un'auto danneggiata, serve capire cosa è rotto e quanto è grave.

Il problema: I vecchi computer (le "reti neurali") sono bravi a dire "è un graffio", ma faticano a capire il contesto: "È un graffio sul parabrezza che potrebbe rompersi tutto" oppure "È un graffio sul paraurti che è solo estetico".
La soluzione GenAI: Immagina un fotografo esperto che non solo vede l'immagine, ma la "capisce". Gli abbiamo insegnato (addestrato) a riconoscere i danni specifici. Non solo dice "è un danno al vetro", ma aggiunge: "È sul parabrezza anteriore".
Il risultato: L'assicurazione può stimare il costo della riparazione molto più velocemente e accuratamente, e capisce meglio la gravità della situazione.

4. I Traduttori Robot che si controllano a vicenda (Migrazione del codice vecchio)

Molte assicurazioni usano ancora programmi scritti in linguaggi informatici vecchi (come il R o il COBOL), che sono difficili da mantenere. Bisogna tradurli in linguaggi moderni (Python).

Il problema: Tradurre codice è come tradurre un poema antico: se sbagli una parola, il significato cambia e il programma si rompe.
La soluzione GenAI: Immagina una squadra di 5 robot che lavorano insieme:
1. Uno legge il codice vecchio.
2. Uno lo traduce.
3. Uno prova a farlo girare per vedere se funziona.
4. Uno fa dei test di controllo.
5. Uno scrive il rapporto finale.
  Se il traduttore sbaglia, il robot "controllore" lo dice, e il traduttore riprova finché non è perfetto.
Il risultato: Un processo che prima richiedeva anni di lavoro umano e rischiava errori, ora è automatizzato, veloce e sicuro.

Ma c'è un "ma"... (I Rischi e le Regole)

L'articolo non è solo entusiasta; avverte anche dei pericoli, come se fosse un manuale di sicurezza per pilotare un aereo nuovo.

La "Doppia Faccia" (Dual-Use): La stessa tecnologia che aiuta a trovare frodi può essere usata dai truffatori per creare documenti falsi o foto di incidenti inesistenti (come i "deepfake").
L'Imprevedibilità: A volte l'AI può dare risposte diverse allo stesso quesito (non è sempre uguale a se stessa). In un mondo dove i calcoli devono essere perfetti, questo è un problema. Bisogna sempre avere un essere umano che controlla il lavoro finale.
La Privacy: Mandare dati sensibili (come la salute o i soldi delle persone) a un'AI esterna è rischioso. Bisogna fare attenzione a non perdere i segreti.
Le Leggi: Ci sono nuove regole (come quelle in Europa) che dicono che l'AI deve essere trasparente e sicura.

In Conclusione

Il messaggio finale è semplice: L'AI non sostituirà gli attuari, ma gli attuari che usano l'AI sostituiranno quelli che non la usano.

Immagina l'assicuratore di oggi come un capitano di nave. Prima doveva remare a mano (fare calcoli a mano). Ora ha un motore potente (l'AI) che lo aiuta a navigare più veloce e a vedere più lontano. Ma il capitano deve ancora tenere il timone, guardare la mappa e assicurarsi che la nave non si schianti contro gli scogli. L'AI è lo strumento, ma la responsabilità e l'esperienza umana rimangono fondamentali.

Sintesi Tecnica: Applicazioni Avanzate dell'IA Generativa nella Scienza Attuariale

1. Il Problema

La scienza attuariale e il settore assicurativo stanno affrontando una transizione critica. Sebbene l'integrazione di machine learning e deep learning abbia migliorato le capacità predittive, persistono sfide significative legate all'uso di dati non strutturati (testi liberi, immagini, report finanziari complessi) e alla gestione di sistemi legacy.
I metodi tradizionali spesso ignorano dettagli critici nascosti nelle descrizioni dei sinistri o richiedono sforzi manuali intensivi per l'estrazione di dati da documenti non standardizzati. Inoltre, la migrazione di codice attuariale legacy (es. R, SAS) verso ecosistemi moderni (Python) è soggetta a errori umani e costi elevati. Infine, l'adozione dell'IA Generativa (GenAI) pone nuove sfide in termini di rischio, regolamentazione, non-determinismo e sicurezza, richiedendo un approccio che vada oltre i semplici chatbot per integrare flussi di lavoro operativi complessi.

2. Metodologia

Gli autori presentano un approccio basato su quattro casi di studio completamente implementati (disponibili come notebook Jupyter su GitHub), che illustrano l'uso di tecniche avanzate di GenAI oltre i modelli di base:

Caso 1: Estrazione di Feature da Dati Non Strutturati (LLM)
- Obiettivo: Migliorare la previsione dei costi dei sinistri (workers' compensation).
- Tecnica: Utilizzo di un Large Language Model (LLM), specificamente GPT-4o mini, per estrarre informazioni strutturate (parti del corpo lesse, cause dell'infortunio) da descrizioni testuali non strutturate.
- Processo: I dati estratti vengono mappati in categorie deterministiche tramite un "codebook" (regole espressive) per garantire coerenza. Queste nuove feature vengono inserite in un modello di Gradient Boosting insieme ai dati tabellari esistenti.
- Validazione: Confronto tra un modello baseline (solo dati tabellari) e un modello potenziato, utilizzando validazione incrociata stratificata e test su set di dati tenuti da parte.
Caso 2: Confronto di Mercato Automatizzato (RAG)
- Obiettivo: Estrarre e armonizzare dati finanziari e regolamentari dai report annuali di compagnie assicurative.
- Tecnica: Implementazione di un pipeline Retrieval-Augmented Generation (RAG).
- Processo:
  1. Preprocessing: Pulizia e chunking dei PDF in testi di 2000 caratteri con sovrapposizione.
  2. Retrieval: Creazione di vettori di embedding per il confronto semantico con la query dell'utente.
  3. Generazione: Utilizzo di LLM con Structured Outputs (formato JSON/Pydantic) per garantire che l'estrazione rispetti schemi di dati rigorosi (es. rapporti di solvibilità, tassi di sconto, rating finanziari).
- Benchmark: Test comparativo su cinque modelli diversi (Claude Sonnet 4.6, GPT-4.1, GPT-5.4, ecc.) su tre aspetti chiave.
Caso 3: Classificazione e Localizzazione Danni Auto (Vision-Enabled LLM)
- Obiettivo: Classificare i danni automobilistici e localizzarli sulle immagini.
- Tecnica: Confronto tra una CNN classica, un LLM visivo "off-the-shelf" (GPT-4o) e una versione dello stesso LLM fine-tunata su un dataset specifico di danni auto.
- Processo: Utilizzo di prompt di sistema strutturati per richiedere output specifici (tipo di danno e posizione). Il modello fine-tunato viene addestrato su coppie input-output (immagine + etichetta) per migliorare la precisione.
Caso 4: Migrazione di Codice Legacy con Sistemi Multi-Agente
- Obiettivo: Migrare autonomamente codice attuariale da R a Python.
- Tecnica: Implementazione di un Sistema Multi-Agente (MAS) orchestrato tramite LangGraph.
- Architettura: Cinque agenti specializzati collaborano in un flusso sequenziale con loop di feedback:
  1. Analisi R: Analizza la logica e le dipendenze.
  2. Traduzione: Converte il codice R in Python.
  3. Compilazione: Verifica la sintassi Python.
  4. Test Runner: Esegue una suite di test pre-scritta (validata su R) contro l'output Python.
  5. Reporting: Genera un report strutturato.
- Meccanismo di Sicurezza: Se i test falliscono, l'agente di traduzione riceve l'errore e itera la correzione (fino a un massimo di tentativi) prima di segnalare il fallimento.

3. Risultati Chiave

Caso 1 (Previsione Sinistri): L'integrazione delle feature estratte dall'LLM ha portato a un miglioramento significativo delle prestazioni. Sul set di test, il modello potenziato ha ridotto l'RMSE del 18,2% e l'MAE del 22,6%, con un aumento del $R^2$ da 0,224 a 0,481. L'analisi di importanza delle feature ha confermato che le categorie di "parte del corpo" e "causa" sono predittori forti.
Caso 2 (Estrazione Dati): I modelli più avanzati (GPT-4.1 e GPT-5.4) hanno raggiunto un tasso di successo del 100% nell'estrazione di tassi di sconto e rapporti di solvibilità. Per i rating finanziari, l'accuratezza è variata dal 66,7% (GPT-4.1 mini) al 100% (GPT-5.4), evidenziando l'importanza della specificità del prompt e della capacità del modello di risolvere ambiguità entità. L'uso di RAG e output strutturati ha dimostrato di essere cruciale per l'affidabilità.
Caso 3 (Danni Auto): Il modello GPT-4o fine-tunato ha superato la versione non addestrata (Accuratezza: 88,0% vs 82,3%) e ha raggiunto prestazioni comparabili alla CNN classica (83,7%), aggiungendo la capacità di localizzare il danno (es. "parabrezza", "paraurti posteriore") che le CNN tradizionali non possiedono nativamente.
Caso 4 (Migrazione Codice): Il sistema multi-agente ha raggiunto un 100% di tasso di successo in 10 esecuzioni ripetute per due scenari complessi (Chain-Ladder e GLM con Bootstrap). Il sistema è stato in grado di correggere automaticamente gli errori di compilazione e test, dimostrando che la migrazione autonoma con validazione "ground-truth" è fattibile.

4. Contributi Principali

Dimostrazione Pratica: Fornisce quattro casi di studio reali e riproducibili che vanno oltre la teoria, mostrando come integrare LLM, RAG, Vision AI e Agenti in flussi di lavoro attuariai.
Validazione Rigorosa: Ogni caso di studio include metriche quantitative, test statistici di significatività e confronti con baseline tradizionali, fornendo una base empirica solida per l'adozione della GenAI.
Framework di Governance: Il documento non si limita agli aspetti tecnici, ma offre una discussione approfondita sui rischi (non-determinismo, sicurezza, dual-use, privacy) e propone controlli pratici (logging, revisione umana, versioning dei modelli) per l'implementazione in ambienti regolamentati.
Risorsa Educativa: La disponibilità dei notebook su GitHub permette agli attuari di copiare, adattare e sperimentare direttamente con le soluzioni proposte.

5. Significato e Implicazioni

Questo lavoro segna un punto di svolta nell'applicazione dell'IA nel settore assicurativo. Dimostra che l'IA Generativa non è solo uno strumento di automazione testuale, ma una tecnologia abilitante per:

Migliorare la precisione predittiva sfruttando dati non strutturati precedentemente inutilizzabili.
Ridurre i costi operativi attraverso l'automazione di processi complessi di estrazione dati e migrazione software.
Abilitare nuove capacità analitiche, come l'analisi visiva contestuale e la collaborazione autonoma tra agenti software.

Tuttavia, gli autori sottolineano che l'adozione responsabile richiede un equilibrio tra automazione e supervisione umana. La natura non deterministica degli LLM, i rischi di sicurezza (prompt injection, deepfake) e le sfide normative (AI Act UE, GDPR) richiedono framework di governance robusti. Il messaggio finale è che "gli attuari con l'IA sostituiranno gli attuari senza IA", ma solo se l'integrazione avviene con rigore scientifico, validazione continua e gestione attenta del rischio.