L’intelligenza artificiale e la nuova architettura assicurativa dei costi e dei rischi Comunicati stampa, intelligenza artificiale - 21 • 08 • 2026 L’intelligenza artificiale e la nuova architettura assicurativa dei costi e dei rischi Dove investire subito — e perché la traiettoria di compagnie e broker non è la stessa Per decenni la trasformazione tecnologica del settore assicurativo si è identificata con una domanda: come sostituire i sistemi legacy — i core policy, claims e billing costruiti negli anni Ottanta e Novanta — con piattaforme moderne? La risposta è stata una stagione di progetti pluriennali, costosi e ad alto rischio di fallimento, spesso conclusi con una semplice migrazione tecnologica: stesso processo, stesso modello operativo, infrastruttura più recente. L’intelligenza artificiale generativa e agentica cambia i termini della questione. La modernizzazione del core non è più un problema di sostituzione di software, ma di riprogettazione dell’architettura economica dell’impresa: dove si formano i costi, dove si concentra il rischio, e quale parte di entrambi può essere anticipata, automatizzata o eliminata. Il core system tradizionale è un sistema di registrazione, che certifica ciò che è accaduto; l’AI lo trasforma in un sistema di decisione, che interpreta, prevede e agisce. E poiché gli agenti intelligenti possono operare sopra e attorno ai sistemi esistenti, il vantaggio competitivo non andrà a chi completa prima il “grande progetto” di sostituzione, ma a chi investe prima, e nei punti giusti, sulle capacità che contano. Costi e rischi: che cosa cambia Sul versante dei costi, l’AI agisce su tutti e tre i blocchi economici della catena assicurativa. Nei costi operativi, l’automazione intelligente di sottoscrizione standard, gestione documentale e sinistri semplici sposta il lavoro umano sui casi complessi e rende la struttura dei costi non più lineare rispetto ai volumi: è il passaggio da un modello labour-intensive a uno knowledge-intensive. Nei costi distributivi, i modelli linguistici rendono sostenibile la consulenza personalizzata su larga scala anche su segmenti a basso premio, e abilitano l’assicurazione embedded nel momento in cui il bisogno nasce. Nel costo tecnico dei sinistri — il blocco più grande — l’AI non si limita a gestire meglio: previene, riducendo frequenza e severità attraverso sensoristica, telematica e manutenzione predittiva. Una parte della loss ratio si trasforma così in investimento pianificabile in prevenzione. Sul versante del rischio, la tariffazione passa da fotografie attuariali statiche a un rischio osservato in continuo, con premi dinamici e mutualità spostata su micro-segmenti — con l’interrogativo regolamentare su quanto sia lecito segmentare prima di escludere i soggetti più vulnerabili. Ma emergono anche i rischi generati dall’AI stessa: il model risk di modelli opachi che industrializzano l’errore di pricing o riservazione; il bias algoritmico su variabili proxy di caratteristiche protette; il rischio normativo dell’AI Act europeo, che classifica come ad alto rischio diversi usi assicurativi dell’AI imponendo governance dei dati, trasparenza e supervisione umana; la concentrazione su fornitori terzi di modelli e cloud; e le frodi potenziate da deepfake e documenti sintetici. L’AI non riduce il bisogno di controllo: lo sposta a un livello più alto di astrazione. Le aree dove investire velocemente Se questa è la direzione, la domanda operativa è dove concentrare capitale e attenzione nei prossimi 12-24 mesi. Sei aree, in ordine di urgenza, distinguono chi accumulerà vantaggio da chi accumulerà ritardo. Fondamenta dati. È l’investimento abilitante, non rinviabile: senza dati accessibili, governati e di qualità — su polizze, sinistri, clienti e interazioni — ogni iniziativa AI produce risultati inaffidabili. Il vero debito tecnico del settore è informativo prima che applicativo. Priorità: data platform unificata, catalogazione, qualità e accessibilità via API dei dati intrappolati nei core legacy. Sinistri e antifrode. È l’area con il ritorno più rapido e misurabile: triage automatico, estrazione documentale, liquidazione assistita dei sinistri semplici e rilevazione delle frodi — incluse quelle generate dall’AI avversaria — incidono simultaneamente su expense ratio, loss ratio e soddisfazione del cliente. Chi non investe qui subisce un doppio svantaggio: costi più alti e maggiore esposizione alle frodi sintetiche. Underwriting aumentato. Workbench di sottoscrizione che aggregano dati interni ed esterni, pre-compilano la valutazione e lasciano all’underwriter la decisione: è il punto in cui produttività e qualità del portafoglio crescono insieme, ed è propedeutico al pricing dinamico. Interazione con il cliente e distribuzione. Assistenti conversazionali su preventivazione, assistenza e post-vendita, e capacità di distribuzione embedded via API: costi di acquisizione e servizio scendono mentre la personalizzazione sale. Model governance e conformità AI Act. Investimento difensivo ma urgente quanto i primi quattro: inventario dei modelli, validazione indipendente, monitoraggio delle derive, tracciabilità delle decisioni automatizzate e chiara responsabilità umana. Costruirla dopo, a sistemi già in produzione, costa un multiplo. Competenze e modello operativo. Nessuna delle aree precedenti funziona senza reskilling di liquidatori, underwriter e attuari verso la supervisione dei sistemi AI, e senza team di prodotto misti business-tecnologia. È l’investimento con il ciclo più lungo: per questo va avviato per primo. Compagnie e broker: architetture e investimenti diversi La traiettoria descritta non è identica per tutti gli attori della filiera, perché diversa è la natura economica del loro business. La compagnia porta il rischio in bilancio: la sua architettura ruota attorno ai sistemi di policy administration, pricing attuariale, riservazione, liquidazione e solvibilità, ed è su questi che l’AI incide in profondità. Il broker non porta rischio: il suo capitale è la relazione con il cliente e la conoscenza del mercato, e la sua architettura è fatta di CRM, piattaforme di collocamento, gestione documentale e analisi comparativa delle coperture. Per le compagnie, gli investimenti prioritari sono quelli capital-intensive e regolamentati: dati e core (aree 1-3), pricing e riservazione assistiti dall’AI, prevenzione attiva tramite IoT e telematica, e soprattutto model governance — perché è sulla compagnia che l’AI Act e la vigilanza assicurativa fanno ricadere gli obblighi più stringenti quando l’algoritmo tocca tariffazione e selezione del rischio. L’orizzonte è più lungo, il costo del capitale maggiore, ma anche il premio: chi possiede dati proprietari di rischio e li sa trasformare in pricing e prevenzione costruisce un vantaggio difficilmente replicabile. Per i broker, l’equazione è rovesciata: architetture più leggere, meno vincoli regolamentari sui modelli, cicli di adozione più rapidi. Gli investimenti a ritorno immediato sono l’intelligenza documentale — lettura e confronto automatico di wording, garanzie ed esclusioni tra più mercati, oggi il cuore manuale del mestiere — il placement analytics per orientare il collocamento sui mercati con appetito e prezzo migliori, l’automazione del post-vendita e della gestione sinistri per conto del cliente, e la consulenza aumentata che permette di portare su tutta la clientela, incluse le PMI, un livello di analisi prima riservato ai grandi conti. Il rischio speculare è la disintermediazione: se compagnie e piattaforme embedded parlano direttamente al cliente con assistenti AI, il broker che non ha investito nella propria intelligenza di consulenza perde la ragione d’essere. Per il broker l’AI non è efficienza: è difesa del ruolo. Ne discende anche una diversa geometria della spesa: la compagnia investe in profondità — meno casi d’uso, più vicini al cuore tecnico, con governance pesante; il broker investe in ampiezza — molti casi d’uso leggeri sul fronte cliente e mercato, con time-to-value di mesi, non anni. Il punto di incontro è l’interoperabilità: API e standard di scambio dati tra compagnie e intermediari diventano essi stessi un’area di investimento condivisa, perché nessun agente AI può lavorare bene su una filiera che si parla via PDF. Conclusione L’assicurazione è nata come tecnologia sociale per trasformare l’incertezza individuale in costo collettivo prevedibile. L’AI non cambia questa missione: cambia la risoluzione con cui il rischio può essere visto, il momento in cui può essere trattato e il costo al quale ciò può essere fatto. La finestra per costruire le fondamenta — dati, sinistri, underwriting, governance, competenze — è adesso, e si misura in trimestri: compagnie e broker che la useranno, ciascuno secondo la propria architettura, non staranno semplicemente modernizzando i propri sistemi. Staranno ridefinendo che cosa significa assicurare — e chi, nella filiera, continuerà a creare valore.
