La diffusione su larga scala dell’intelligenza artificiale sta trasformando profondamente il settore assicurativo, che dall’offerta standardizzata evolve verso un prodotto flessibile e personalizzato.
Indice degli argomenti
Le opportunità della personalizzazione algoritmica nelle assicurazioni
L’utilizzo del machine learning, in particolare, consente di individuare cluster omogenei di clienti accomunati da profili di rischio comparabili e permette di applicare premi differenziati e commisurati alla probabilità di accadimento del sinistro.
L’algoritmo può inoltre fungere da abilitatore del modello di Product Oversight and Governance (POG): la raccolta, strutturazione e analisi sistematica dei dati lungo l’intero ciclo di vita del prodotto, consente di definire e aggiornare il target market in base alle caratteristiche e alle preferenze dei singoli clienti e selezionare e monitorare canali distributivi coerenti.
Il nuovo contesto avvantaggia i clienti ma è ancor più rilevante per le imprese e gli intermediari assicurativi che, grazie ad ampi volumi di dati prontamente accessibili a basso costo, possono determinare i premi con maggiore certezza, riducendo il rischio di perdite aleatorie e indeterminate, e, sempre grazie all’utilizzo dell’intelligenza artificiale, rendere i processi di gestione dei sinistri più rapidi e automatizzati, ottimizzando l’impiego delle risorse.
I rischi della segmentazione avanzata
Accanto alle opportunità offerte dall’intelligenza artificiale, si delineano anche profili di rischio, nuovi e consolidati, che impongono un presidio regolatorio e operativo stringente.
La personalizzazione può generare infatti effetti escludenti, indebolendo il principio mutualistico di condivisione del rischio, innalzando i premi per i profili più rischiosi e riducendo l’accessibilità dell’offerta, con possibili ricadute di polarizzazione sociale ed economica.
L’opacità e la scarsa contestabilità delle decisioni automatizzate costituiscono un’ulteriore criticità. In caso di limitata spiegabilità del funzionamento degli algoritmi verrebbe ostacolata la comprensione da parte del cliente e la capacità dell’impresa di dimostrare la coerenza delle scelte, esponendola a vulnerabilità regolatorie.
Infine, la qualità e la governance dei dati sono decisive, in quanto informazioni errate, incomplete o non tracciabili compromettono la solidità delle valutazioni di rischio e l’affidabilità del monitoraggio, rendendo arbitraria la personalizzazione.
Prodotti assicurativi emergenti nel mercato italiano
Nel panorama assicurativo italiano, una recente analisi promossa dall’Italian Insurtech Association (IIA) ha evidenziato le tendenze più significative nel settore assicurativo, affermatesi maggiormente nell’ambito della mobilità, supportate dall’intelligenza artificiale.
- Istant/On-Demand/Plug&Play. Sono soluzioni assicurative pensate per coprire un singolo evento o con un limite temporale ben definito, completamente personalizzabili sulla base delle esigenze del cliente. Possono essere attivate all’istante, nel momento in cui sorge l’esigenza assicurativa di copertura di rischio e si tratta di coperture temporanee, di breve durata e totalmente digitali.
- Pay per mile/Pay when you drive. È un’assicurazione che permette di pagare in base ai kilometri percorsi. Di solito le assicurazioni propongono una tariffa forfettaria giornaliera e una tariffa chilometrica, grazie a dispositivi IoT che tengono traccia dei kilometri effettivamente percorsi.
- Behavioural/Data Driven Insurance. Questi prodotti assicurativi si caratterizzano per la capacità di adattare premi, condizioni e servizi in funzione dei comportamenti reali dell’assicurato, rilevati attraverso dispositivi digitali come sensori, app o black box installate sui veicoli.
Il quadro regolatorio europeo sull’intelligenza artificiale
I sistemi di intelligenza artificiale utilizzati in ambito assicurativo sono considerati sistemi ad alto rischio, come classificati dal Regolamento (UE) 2024/1689 (“AI Act”), solo quando utilizzati per la valutazione dei rischi e la determinazione dei prezzi riferiti a persone fisiche nelle assicurazioni vita e salute.
Negli altri casi continuano a operare secondo la normativa settoriale esistente (Solvency II, IDD e DORA), salvo alcuni requisiti di trasparenza (informare il cliente quando interagisce con un sistema di IA), la promozione dell’alfabetizzazione del personale in materia di IA e lo sviluppo di codici di condotta volontari.
I requisiti EIOPA per la governance dell’IA
In questo contesto l’EIOPA, con un parere pubblicato ad agosto 2025 (“Opinion on AI Governance and Risk Management“), ha chiarito i principi e requisiti applicabili all’uso di questi sistemi di IA.
I clienti devono essere informati quando interagiscono con l’IA e, su richiesta, comprendere in linguaggio semplice come l’IA abbia inciso su decisioni che li riguardano in modo materiale, come prezzo o condizioni.
La qualità dei dati costituisce la base essenziale per lo sviluppo di sistemi automatizzati affidabili. I dati impiegati per addestrare, testare e alimentare questi strumenti devono essere completi, accurati e pertinenti rispetto agli obiettivi perseguiti. Ciò implica l’adozione di solide strategie di data governance, un controllo rigoroso sulla provenienza delle informazioni, inclusi i dati di terzi, la gestione delle limitazioni note e la tracciabilità lungo tutto il ciclo di vita del dato.
L’utilizzo di sistemi automatizzati deve sempre garantire trattamenti equi e non discriminatori. È richiesto un approccio centrato sull’utente lungo tutta la catena del valore, con metriche di equità, monitoraggio costante degli output dei modelli, attenzione particolare ai soggetti vulnerabili e divieto di pratiche di pricing differenziale prive di giustificazione oggettiva.
L’impiego di sistemi automatizzati incide direttamente sulla definizione del mercato di riferimento, sull’equità e sulla sostenibilità dei prodotti, e deve essere integrato nei processi di approvazione e revisione dei prodotti assicurativi.
EIOPA dunque si attende che siano condotte analisi preventive e periodiche degli esiti, test di scenario, verifiche sulla coerenza tra differenziazione di prezzo e fattori di rischio legittimi, nonché valutazioni sul rapporto qualità/prezzo per i segmenti individuati dall’IA.
Gli impatti sui prodotti assicurativi emergenti
Il recente parere di EIOPA sulla governance e sulla gestione del rischio dei sistemi di intelligenza artificiale impone una revisione dei modelli assicurativi più innovativi, ancorando l’utilizzo dei sistemi di IA a un quadro di garanzie minime e a processi strutturati, tracciabili e dimostrabili.
L’effetto escludente
Il principale rischio connesso alla personalizzazione assicurativa è rappresentato dall’effetto escludente. La valutazione granulare dei premi può accentuare le differenze fino a portare i soggetti considerati più rischiosi fuori dal mercato.
La definizione di un assetto di prezzo stabile e prevedibile implica la predisposizione di un sistema in cui il premio assicurativo si muove all’interno di limiti predefiniti massimi e minimi rispetto agli adeguamenti nel tempo. La definizione avviene secondo una cadenza di ricalcolo chiara e non eccessivamente frequente, al fine di evitare variazioni improvvise e ingiustificate per il cliente.
Per le formule pay per mile, si dovrebbe verificare che la combinazione tra quota giornaliera e componente chilometrica non penalizzi chi vive in aree con scarse alternative di mobilità, prevedendo, per esempio, analisi dedicate per segmenti urbani e rurali e tetti al premio mensile per garantire l’accessibilità.
Trasparenza e contestabilità delle decisioni
Altro rischio è l’opacità e la scarsa contestabilità delle decisioni automatizzate. Una personalizzazione trasparente richiede che il cliente comprenda in modo chiaro le ragioni del premio applicato e come può incidere su di lui, mentre l’impresa deve saper dimostrare la coerenza e la correttezza delle proprie scelte.
In questo quadro EIOPA richiede l’adozione di modelli interpretabili o di spiegazioni affidabili, accompagnate dalla documentazione dei limiti e delle condizioni e da un audit trail che consenta di ricostruire le decisioni.
Nei prodotti on demand questo si traduce in conferme esplicite di attivazione e cessazione con log degli eventi che chiariscono l’esatta sequenza decisionale, mentre nelle formule pay per mile e behavioural è decisivo rendere verificabili i chilometri conteggiati o la telemetria utilizzata con regole trasparenti di rettifica.
La qualità e la governance dei dati
Un ulteriore rischio riguarda la qualità e la governance dei dati. Dati inesatti, incompleti o privi di tracciabilità compromettono la solidità della valutazione del rischio e rendono arbitraria la personalizzazione delle condizioni assicurative.
EIOPA richiede la predisposizione di un inventario esaustivo delle fonti, la disponibilità di documentazione che illustri origine e trasformazioni dei dati, nonché l’adozione di politiche di pertinenza e minimizzazione, selezionando esclusivamente le variabili giustificate rispetto al rischio. Nei casi in cui il trattamento possa produrre effetti significativi sull’interessato, sono obbligatorie valutazioni d’impatto e una gestione appropriata dei diritti dell’interessato, con politiche di conservazione e rettifica che assicurino la tracciabilità lungo l’intero ciclo di vita del dato.
Per le soluzioni pay per mile e behavioural, ciò comporta la definizione di soglie di errore ammissibili, procedure per la contestazione dei chilometri o dei parametri comportamentali e sistemi di rilevazione di guasti o assenza di segnale.
Verso una personalizzazione responsabile
La personalizzazione nell’ideazione dei prodotti assicurativi ora ancora maggiormente possibile grazie all’IA è idonea ad ampliare l’offerta anche a beneficio del cliente ma inevitabilmente incide sulla scelta del mercato di riferimento e sul rapporto qualità-prezzo del prodotto assicurativo.
Per questo motivo, è fondamentale per le imprese e gli intermediari assicurativi valutare questi aspetti sia in fase di approvazione sia durante le revisioni periodiche, utilizzando strumenti per verificare l’efficacia e la coerenza delle soluzioni adottate.
È importante definire indicatori che misurino il valore per il cliente e l’equità, monitorare nel tempo la corrispondenza tra prezzo e rischio atteso e prevedere procedure di rimedio che permettano di bloccare, riconfigurare o ripristinare i modelli in caso di risultati iniqui o di peggioramento della qualità dei dati.
La responsabilità circa il modello deve essere chiaramente attribuita, individuando un responsabile dello stesso e in modo da garantire che le decisioni più rilevanti siano sempre soggette a un controllo umano effettivo.
In questo modo, la personalizzazione guidata dall’intelligenza artificiale può rappresentare davvero un’opportunità di innovazione ed efficienza, mitigando i rischi di esclusione, opacità o arbitrarietà a beneficio sia delle imprese che dei clienti.
