Univé rozšírilo ChatGPT Enterprise naprieč poisťovňou, ľudia vytvorili 1 500 vlastných GPT

Holandská družstevná poisťovňa Univé rozšírila ChatGPT Enterprise naprieč väčšinou profesijných oblastí a z nasadenia urobila program zmeny práce, nie izolovaný projekt IT oddelenia. Podľa prípadovej štúdie OpenAI si zamestnanci vytvorili približne 1 500 vlastných GPT a nástroje používajú pri poistných udalostiach, upisovaní rizika, financiách, personalistike, práve, zákazníckej podpore aj riadení. Zverejnené údaje pochádzajú od dodávateľa platformy a firmy, preto ich treba čítať ako výsledky konkrétneho nasadenia, nie ako nezávislé porovnanie trhu.

Univé uvádza, že aktivovaných je 97 percent licencií ChatGPT Enterprise a 85 percent licencovaných používateľov pracuje so systémom každý týždeň. Aktívny používateľ zadá v priemere 40 požiadaviek týždenne. Tieto čísla samy osebe nedokazujú rast produktivity, ukazujú však, že nástroj nezostal iba pri malej skupine nadšencov alebo v skúšobnom projekte. Pri podnikovej AI je práve dlhodobejšie používanie dôležitejším signálom než počet rozdaných účtov.

Firma začala zmenou na úrovni vedenia. Manažéri absolvovali samostatné pracovné stretnutia zamerané na to, ako sa bude meniť organizácia práce a aké podmienky majú vytvoriť pre bezpečné experimentovanie. Univé tým oddelilo rozhodovanie o pravidlách a zodpovednosti od samotného vývoja jednotlivých pomôcok. Zamestnanci dostali priestor navrhovať riešenia pre vlastné procesy namiesto toho, aby každá požiadavka čakala na centrálny softvérový tím.

Druhou vrstvou je správa prístupu a dát. Nasadenie zahŕňa podnikové prihlasovanie, dedenie oprávnení z pripojených systémov, posudzovanie súkromia, bezpečnostné kontroly, priebežné monitorovanie a určenú ľudskú zodpovednosť. Dedenie oprávnení znamená, že používateľ ani agent nemá prostredníctvom AI automaticky vidieť údaje, ku ktorým nemá prístup v pôvodnom podnikovom systéme. Takéto pravidlo je pri poisťovacích a finančných informáciách zásadnejšie než pohodlie samotného rozhovoru s modelom.

Najkonkrétnejším príkladom sú poistné udalosti pri poistení domácich zvierat. Agent v pracovnom priestore dokáže zhromaždiť spis, prečítať veterinárne faktúry, skontrolovať podmienky poistky, označiť chýbajúce informácie a pripraviť vysledovateľné odporúčanie. Univé tvrdí, že príprava, ktorá predtým trvala hodiny, môže byť hotová v priebehu minút. Vyškolený pracovník však naďalej nesie zodpovednosť za konečné rozhodnutie; systém pripravuje dôkazy a upozornenia, nerozhoduje o nároku bez človeka.

Podobný vzor firma skúša pri upisovaní rizika. Agent pred začiatkom pracovného dňa prejde prichádzajúcu frontu, spojí informácie z povolených zdrojov, vyhľadá chýbajúce dokumenty a zvýrazní prípady, ktoré potrebujú prednostnú pozornosť. Odborník tak nezačína ručným hľadaním podkladov, ale kontrolou pripraveného prípadu vrátane dôvodov, prečo systém niečo označil. Praktický prínos nespočíva v náhrade úsudku, ale v presune času od administratívneho skladania spisu ku kontrole a rozhodovaniu.

Prípad Univé zároveň ukazuje, prečo počet vytvorených agentov nemožno zamieňať s počtom spoľahlivých produkčných procesov. Vlastný GPT môže byť jednoduchá pomôcka aj kritická súčasť rozhodovania. Každé použitie preto potrebuje primerané testovanie, vlastníka, kontrolu zdrojov, pravidlá aktualizácie a možnosť spätne zistiť, z čoho odporúčanie vzniklo. Pri poisťovni sa k tomu pridáva riziko nespravodlivého zaobchádzania, úniku osobných údajov a prílišnej dôvery v presvedčivo formulovaný, ale chybný výstup.

Pre iné organizácie je zaujímavý najmä model decentralizovaného tvorenia pod centrálnymi pravidlami. Ľudia, ktorí poznajú konkrétnu agendu, dokážu rýchlo odhaliť opakujúce sa kroky vhodné na automatizáciu. Centrálna správa však musí určiť, ktoré dátové zdroje sú povolené, kedy je povinná ľudská kontrola a aké metriky rozhodnú o pokračovaní. Samotná aktivita používateľov je iba prvá metrika; ďalšími by mali byť presnosť pripravených podkladov, počet opráv, čas spracovania, sťažnosti a dopad na kvalitu rozhodnutí.

Univé chce postupne prejsť od jednotlivých otázok k agentickým postupom, ktoré pripravia opakovanú prácu ešte pred príchodom zamestnanca. To zvyšuje potenciálny prínos, ale aj dôsledky chyby, pretože agent vykonáva viac krokov a čerpá z viacerých systémov. Rozumným záverom z prípadovej štúdie preto nie je, že poisťovacie rozhodovanie je pripravené na úplnú automatizáciu. Silnejším signálom je, že široké používanie môže fungovať, keď sa technické oprávnenia, ľudská zodpovednosť a meranie reálneho procesu navrhnú spolu od začiatku.