3 godzin temu
Ubezpieczenia przez dekady były jednym z najbardziej nudnych biznesów świata. Składka wpływa, szkody się statystycznie zgadzają, marża powoli się buduje. Bez rewolucji. Bez fajerwerków. Bez potrzeby bycia „tech”.
I właśnie dlatego to może być jedna z najciekawszych branż do obserwowania dzisiaj, bo jeżeli sztuczna inteligencja w ubezpieczeniach ma gdzieś realnie zmienić model biznesowy, to właśnie tam, gdzie całe wszystko opiera się na wycenie ryzyka. Pytanie brzmi: czy AI faktycznie potrafi wyceniać je lepiej niż 100 lat aktuariatu… czy tylko szybciej?
W tym materiale chcę wam pokazać, jak działają dwa młode insurtechy, takie jak Lemonade i Root, które starają się zmienić branżę ubezpieczeniową dzięki AI. Sprawdźmy, czy technologia w ubezpieczeniach to bardziej poprawa efektywności operacyjnej, czy prawdziwa rewolucja modelu biznesowego. W końcu w tym sektorze jeden błąd modelu nie oznacza gorszego UX. Oznacza miliardy strat.
Czy AI wywróci sektor ubezpieczeń? Dwie spółki zmieniające branżę pod lupą!
Dlaczego tradycyjny model ubezpieczeń przestaje działać
Przez dekady ubezpieczenia funkcjonowały jako branża oparta na powtarzalności i braku presji na zmianę. Produkt był prosty, niezmienny przez lata, a klient dopasowywał się do warunków narzuconych z góry. Polisa ubezpieczeniowa nie reagowała na zachowanie, styl życia ani zmiany otoczenia – była statycznym kontraktem w dynamicznym świecie. Raz podpisana, zostawała taką samą na długi czas. Ten model biznesowy był skuteczny tylko w stabilnym świecie, gdzie wczorajsze dane wystarczały do wyceny jutrzejszych zagrożeń.
Dziś ten stan się rozpada. Rosnąca ilość różnych ryzyk, inflacja kosztów szkód, większa mobilność klientów i presja regulacyjna sprawiają, iż uśrednione produkty ubezpieczeniowe tracą sens ekonomiczny. Ubezpieczenie przestaje być „taryfą na rok”, a zaczyna być procesem, który powinien nadążać za zmieniającą się rzeczywistością. Branża coraz wyraźniej zaczyna czuć, iż stare definicje ryzyka nie przystają do nowych zachowań konsumenta i realiów rynku.
Zmienia się również relacja klient–ubezpieczyciel. Oczekiwania przesuwają się w stronę prostoty i przejrzystości. Polisa, która wymaga interpretacji, a nie daje poczucia kontroli, staje się produktem, który nie pasuje do dzisiejszych czasów cyfrowych usług finansowych. Ubezpieczenie więc jest coraz częściej oceniane nie przez pryzmat ochrony „na wypadek”, tylko przez codzienne doświadczenie użytkownika.
To jest strukturalna zmiana całej branży ubezpieczeniowej. Tradycyjna polisa jako sztywny, oderwany od bieżącej rzeczywistości kontrakt, traci rację bytu. W to miejsce pojawia się potrzeba modeli bardziej elastycznych. I da się to zrobić.
Dane i automatyzacja jako fundament nowoczesnych ubezpieczeń
Fundament nowoczesnych ubezpieczeń zaczyna się od danych. Branża przez lata gromadziła ogromne wolumeny informacji, ale były to dane statyczne, rozproszone i wykorzystywane głównie do raportowania, a nie do podejmowania decyzji w czasie rzeczywistym. Dzisiejsza zmiana polega na przejściu od archiwów do strumieni danych, od historii do bieżącej obserwacji ryzyka.
Kluczowe znaczenie ma zdolność integracji różnych źródeł: danych behawioralnych, kontekstowych, środowiskowych i transakcyjnych. Tylko iż same dane nie tworzą jeszcze przewagi konkurencyjnej – dopiero ich jakość, ciągłość i możliwość łączenia w czasie rzeczywistym decydują o użyteczności. To wymusza zmianę fundamentów technologicznych: odejście od systemów projektowanych pod stabilność w stronę elastycznych środowisk IT, zdolnych reagować na dane i modele analityczne w czasie rzeczywistym.
Drugim fundamentem jest automatyzacja decyzji. Ubezpieczenia od zawsze były biznesem opartym na prawdopodobieństwie i statystyce, ale decyzje operacyjne długo pozostawały manualne. Nowa technologia, w tym algorytmy AI i machine learning, zmienia logikę całego procesu: zamiast analizować przeszłość po fakcie, branża zaczyna patrzeć wprzód. Ryzyko, wycena składki i obsługa szkód przestają być jednorazową decyzją przy podpisaniu polisy, a zamieniają się w proces, który trwa przez cały cykl relacji z klientem.
Istotnym i często niedoszacowanym elementem są ograniczenia: regulacyjne, etyczne i organizacyjne. Modele AI w ubezpieczeniach muszą być nie tylko skuteczne, ale też wytłumaczalne i zgodne z ramami prawnymi. To sprawia, iż technologiczny rozwój w branży ubezpieczeniowej przebiega wolniej niż w czysto cyfrowych sektorach, ale jednocześnie jest bardziej selektywny i kosztowny w implementacji.
W efekcie fundamenty technologiczne nie są dziś przewagą samą w sobie, ale warunkiem przetrwania. Bez nich ubezpieczyciele nie są w stanie reagować na zmienność ryzyk i rosnące oczekiwania klientów. Z nimi, wciąż pozostaje pytanie, czy branża potrafi przełożyć technologiczną sprawność na trwałą ekonomię modelu biznesowego.
W USA ton tej przemianie ubezpieczeń nadają dziś głównie młode insurtechy, czyli technologiczne firmy z branży ubezpieczeń. Najwięksi, wieloletni gracze, jak Prudential Financial czy MetLife, coraz mocniej inwestują w dane, automatyzację i narzędzia analityczne, próbując unowocześnić swoje modele, ale to jednak startupowe insurtechy są tu najbardziej innowacyjne.
W tej roli pojawiają się Lemonade i Root – spółki, które z pozycji outsiderów próbują sprawdzić, czy branżę ubezpieczeniową da się zmienić nie ewolucyjnie, ale poprzez podważenie jej podstawowych założeń.
Obserwuj 
Subskrybuj Model biznesowy Lemonade: aplikacja, AI i reasekuracja
W przypadku Lemonade technologia od początku była rdzeniem produktu. Spółka zbudowała ubezpieczenia w formie aplikacji cyfrowej oraz platformy internetowej – samoobsługowych i zaprojektowanych tak, by maksymalnie skrócić dystans między klientem a decyzją o ubezpieczeniu.
Spółka koncentruje się na prostych, standaryzowanych produktach ubezpieczeniowych – od polis mieszkaniowych, przez ubezpieczenia zwierząt, po wybrane linie komunikacyjne – czyli tam, gdzie decyzję da się maksymalnie uprościć, a doświadczenie użytkownika postawić w centrum. Lemonade sprzedaje nie tylko polisę, ale doświadczenie nowoczesności: brak papierów, brak rozmów telefonicznych, brak tarcia charakterystycznego dla instytucji starego typu. Użytkownik nie styka się z klasyczną strukturą ubezpieczyciela ani z zapleczem aktuariuszy i procedur – widzi interfejs, który prowadzi go przez zakup polisy, zgłoszenie szkody i wypłatę środków, często bez udziału człowieka. Całość ma przypominać korzystanie z aplikacji fintechowej, a nie kontakt z tradycyjną firmą finansową.
Sercem tego modelu jest rezygnacja z pośredników na rzecz intuicyjnej aplikacji, w której chatboty Maya i Jim obsługują niemal cały proces – od szybkiej wyceny ryzyka po ekspresową wypłatę prostych roszczeń. Przy mniejszych szkodach użytkownik sam wypełnia formularz i otrzymuje środki niemal natychmiast, przy większych sprawa trafia do rzeczoznawcy. najważniejszy element modelu działalności spółki tkwi w konstrukcji składki ubezpieczeniowej.
Lemonade od początku wydziela z niej stałą opłatę operacyjną jako własny przychód, a pozostałą część kieruje do puli przeznaczonej na wypłaty odszkodowań. jeżeli po rozliczeniu roszczeń z osobami poszkodowanymi w puli pozostają niewykorzystane środki, nie zasilają one wyniku finansowego spółki, ale są przekazywane na cele charytatywne wskazane przez klientów. Ten mechanizm ma odwracać klasyczny konflikt interesów w ubezpieczeniach: firma deklaruje, iż nie zarabia na niewypłacaniu szkód, bo jej wynik finansowy nie zależy bezpośrednio od tego, ile pieniędzy zostanie w puli ryzyka.
Pod spodem ten model opiera się jednak na jeszcze jednym filarze: szerokim wykorzystaniu reasekuracji, czyli ubezpieczenia dla ubezpieczycieli. Część składki pobieranej przez Lemonade nie trafia ani do spółki, ani do puli bieżących roszczeń, ale jest przeznaczana na zakup ochrony reasekuracyjnej. To właśnie reasekuratorzy przejmują na siebie znaczną część finansowego ciężaru dużych i niestandardowych szkód, podczas gdy Lemonade funkcjonuje bardziej jak wyspecjalizowany operator technologiczny – odpowiada za dystrybucję usług, aplikację, obsługę klienta i cały proces administracyjny. Taka konstrukcja pozwala firmie gwałtownie skalować działalność i utrzymywać konkurencyjne składki, bo zmienność szkód w dużej mierze znajduje się poza jej bilansem i nie jest dla niej bezpośrednim ryzykiem. Nie oznacza to oczywiście pełnego oderwania od realiów ryzyka: gdy ilość szkód rośnie, reasekuratorzy podnoszą ceny ochrony, a wtedy presja kosztowa wraca do spółki i zaczyna ograniczać rentowność, ale koncepcyjnie model wygląda niesamowicie ciekawie.
Rynek tę narrację akceptuje. Skala działalności spółki rośnie nieprzerwanie od lat, w tempie liczonym w dziesiątkach procent. Główną siłą tego wzrostu są młodsi użytkownicy, Millenialsi i przedstawiciele pokolenia Z, dla których ubezpieczenie jest kolejną usługą cyfrową, a nie relacją z instytucją finansową. W 2025 roku baza klientów zbliżyła się do poziomu trzech milionów.
Jednak Lemonade wciąż znajduje się na wczesnym etapie swojej drogi i świadomie poświęca bieżące zyski na rzecz rozbudowy bazy klientów. Spółka przez cały czas nie generuje zysku operacyjnego i pozostaje nierentowna, choć z roku na rok systematycznie poprawia najważniejsze wskaźniki efektywności. Lemonade działa więc na styku dwóch światów: z jednej strony buduje wizerunek nowoczesnej, technologicznej marki konsumenckiej, z drugiej funkcjonuje w branży, w której o sukcesie wciąż decyduje twarda ekonomia – adekwatna wycena ryzyka, koszty ochrony reasekuracyjnej i to, czy konstrukcja składki i portfela polis pozwala utrzymać stabilność finansową niezależnie od liczby wypłat.
To sprawia, iż model Lemonade jest jednocześnie odważny, ale też obłożony ryzykiem. Spółka zbudowała bardzo zaawansowane systemy wykrywania i blokowania nadużyć oraz prób wyłudzania odszkodowań. System oparty jest na analizie zachowań, wzorców zgłoszeń i sygnałów kontekstowych, które w wielu przypadkach działają szybciej i skuteczniej niż tradycyjne procedury manualne, jak weryfikacja dokumentów czy wywiady telefoniczne z ubezpieczonym.
Jednocześnie jednak im więcej decyzji zapada automatycznie i przy maksymalnie uproszczonym procesie po stronie użytkownika, tym wyższa jest cena każdego błędu. AI jako centralny element doświadczenia klienta buduje zaufanie młodego pokolenia, ale też podnosi poprzeczkę oczekiwań – nie tylko co do szybkości, ale także nieomylności.
Gdy technologia staje się obietnicą dla inwestorów, każde potknięcie przestaje być „zwykłym błędem ubezpieczeniowym” i zaczyna wyglądać jak pęknięcie w całej historii, którą marka próbuje opowiadać rynkowi. Tutaj to nie błąd ludzki, ale błąd fundamentalnego algorytmu. To spore ryzyko dla Lemonade, które trudno wycenić.
Root Insurance: telematyka i selekcja ryzyka w ubezpieczeniach komunikacyjnych
Nieco inaczej sztuczną inteligencję wykorzystuje spółka Root. Root Insurance działa niemal wyłącznie w segmencie ubezpieczeń samochodowych i stawia na inne źródło przewagi niż większość rynku. Zamiast opierać się na statystycznych profilach kierowców, Root wykorzystuje telematykę i dane zbierane z telefonu w trakcie jazdy, by oceniać ryzyko kierowcy przez pryzmat faktycznego zachowania na drodze. Styl prowadzenia, dynamika jazdy czy kontekst użycia telefonu stają się tu ważniejsze niż wiek, adres czy historia kredytowa. To przesuwa punkt obserwacji ubezpieczyciela z uśredniania społeczeństwa i różnych grup na obserwację konkretnego ubezpieczonego. Ubezpieczyciel od razu wie, z jaką jedziesz prędkością, czy zatrzymujesz się na STOP-ie oraz czy używasz telefonu w trakcie jazdy.
W praktyce przekłada się to na model, w którym Root funkcjonuje jako pełnoprawny ubezpieczyciel, ponoszący odpowiedzialność za ryzyko i wyniki portfela polis. Technologia nie służy tu poprawie interfejsu ani skróceniu formularzy jak w Lemonade. Jest po to, aby aktywnie filtrować klientów i dawać precyzyjniejsze wyceny ubezpieczenia komunikacyjnego. Polisa nie jest oferowana każdemu – jest oferowana tym, których zachowanie mieści się w ramach akceptowalnego ryzyka. To podejście ogranicza skalę, ale wzmacnia kontrolę nad jakością portfela ubezpieczeń.
Z czasem spółka zaczęła dostosowywać ten model do wzrostu. Oznaczało to odejście od wyłącznej sprzedaży bezpośredniej na rzecz kanałów partnerskich i agencyjnych, czyli współpracy z dealerami samochodowymi, platformami finansowymi albo tradycyjnymi agentami ubezpieczeniowymi, którzy dostarczają klientów szybciej i taniej niż własne akcje marketingowe spółki. W modelu dealerskim (np. kooperacja z firmą Carvana) ubezpieczenie Root jest oferowane klientowi w momencie zakupu auta, jako element pakietu zintegrowany z procesem finansowania lub rejestracji pojazdu.
Dealer nie sprzedaje technologii ani algorytmu, tylko gotowy produkt ubezpieczeniowy, za co otrzymuje prowizję, a Root zyskuje dostęp do klienta bez kosztownych kampanii reklamowych. To zmienia charakter biznesu: marża na pojedynczej polisie jest niższa, ale skala i przewidywalność sprzedaży rosną.
Root musiał nauczyć się, ile ryzyka może zatrzymać na własnym bilansie, a ile oddać reasekuratorom (ubezpieczycielom dla ubezpieczycieli), jak optymalizować wymagany kapitał regulacyjny i kiedy wzrost portfela przestaje być opłacalny. W tym modelu technologia przez cały czas pomaga selekcjonować ryzyko, ale to dyscyplina kapitałowa decyduje, czy wzrost faktycznie buduje wartość, czy tylko powiększa skalę strat.
Efekty widać w liczbach. Przychody Root rosną w ostatnich latach w tempie liczonym w kilkudziesięciu procentach rok do roku, co wyróżnia spółkę choćby na tle innych insurtechów. Jednocześnie firma obsługuje dziś kilkaset tysięcy aktywnych klientów, co pokazuje, iż wzrost nie jest wyłącznie księgową poprawą, ale efektem realnej budowy skali działalności. To nie jednorazowe odbicie, ale konsekwencja bardziej selektywnego podejścia do portfela i świadomego zarządzania ryzykiem. Rynek odczytuje to jako sygnał, iż model – przynajmniej na poziomie przychodów – zaczyna działać w sposób bardziej uporządkowany niż w pierwszej fazie historii spółki, kiedy przychody trwały w stagnacji.
Root Insurance wyróżnia się dziś na tle wielu insurtechów tym, iż osiąga rentowność na poziomie operacyjnym. Nie jest to już wyłącznie historia o technologii czy tempie wzrostu, ale o kontroli kosztów i początkach trwałej rentowności. Kluczową rolę odgrywa tu tzw. net loss ratio – wskaźnik pokazujący, jaka część składki, już po reasekuracji, wraca do klientów w postaci wypłat szkód.
Naturalnie im mniej wraca do klienta, tym lepiej dla spółki. Innymi słowy, mierzy on, ile ryzyka faktycznie pozostaje po stronie ubezpieczyciela i czy jest ono wycenione w sposób racjonalny. W przypadku Root utrzymanie korzystnego net loss ratio przekłada się na stabilność wyniku operacyjnego i odporność modelu na wahania szkodowości. W praktyce to właśnie ten wskaźnik pokazuje, iż spółka lepiej niż wielu konkurentów radzi sobie z podstawowym problemem ubezpieczeń – relacją między ceną a ryzykiem. Root zbił go z 134% do 66% w zaledwie 4 lata.
Znajdziesz tam więcej wartościowych treści o inwestowani, giełdzie i rynkach.
DNA Rynków – merytorycznie o giełdach i gospodarkach
Czy AI w ubezpieczeniach to prawdziwa rewolucja?
Czy więc sztuczna inteligencja naprawdę jest gamechangerem dla branży ubezpieczeniowej? Największym nieporozumieniem wokół AI w ubezpieczeniach było założenie, iż lepszy model predykcyjny automatycznie oznacza lepszy biznes. Tymczasem ubezpieczenia nie są problemem tylko czysto technologicznym. Algorytmy mogą poprawić selekcję, ceny czy obsługę, ale nie redukują fundamentalnych cech branży: cykliczności szkód, wrażliwości na czynniki makroekonomiczne i asymetrii informacji między klientem a ubezpieczycielem.
Pierwszym ograniczeniem są tu dane. AI działa najlepiej tam, gdzie dane są stabilne, powtarzalne i dobrze opisują przyszłość. Ubezpieczenia funkcjonują w odwrotnym świecie: rzadkich zdarzeń, niewielkiej liczby incydentów generujących większość strat i nagłych zmian kosztów. Zmiany klimatyczne czy presja prawna potrafią w krótkim czasie unieważnić modele budowane na historycznych wzorcach. Algorytm nie ma problemu z liczeniem ryzyka, ma problem z rzeczywistością, która przestaje zachowywać się statystycznie.
Innymi słowy: duże jednorazowe zdarzenia, które generują masę szkód w krótkim czasie i występują rzadko, tak samo zaskoczą modele oparte o AI, jak statystyczne tablice sprzed 100 lat.
Drugim ograniczeniem są regulacje. Ubezpieczenia to jedna z najbardziej kontrolowanych branż finansowych, a każda automatyzacja decyzji musi być możliwa do wyjaśnienia i obrony przed regulatorem. To znacząco ogranicza swobodę działania modeli i spowalnia ich wdrażanie. W praktyce wiele decyzji, które technicznie dałoby się zautomatyzować, przez cały czas wymaga ludzkiej interwencji ze względu na przepisy.
AI nie rozwiązała tu w tej chwili problemu skali i rentowności jednocześnie. Trzeba było wybrać między jednym a drugim. Modele, które działają dobrze na małych, starannie dobranych portfelach, sprawdzają się tam, gdzie dane są jednorodne, a ryzyko względnie przewidywalne, ale przy masowym wzroście mogą zacząć się problemy. Wraz ze skalą do portfela trafiają bardziej zróżnicowani klienci, więcej przypadków skrajnych i nowe źródła ryzyka, których algorytm nie potrafi już tak precyzyjnie wycenić.
Z kolei rozwiązania projektowane od początku pod dużą skalę muszą upraszczać modele i akceptować większy margines błędu, co gwałtownie odbija się w postaci większego ryzyka w portfelu ubezpieczeń. W efekcie wzrost wolumenu polis często odbywa się kosztem utrzymania rentowności, która wymaga coraz większej dyscypliny cenowej. To napięcie między szybkim wzrostem a kontrolą ryzyka nie znika wraz z lepszym algorytmem. Jest strukturalną cechą rynku ubezpieczeń, a nie problemem czysto technologicznym.
Najważniejsza zmiana dotyczy perspektywy czasu. Ubezpieczenia coraz rzadziej są projektowane jako jednorazowy produkt, a coraz częściej jako proces ciągłej oceny, korekty i reakcji. Ta zmiana nie generuje natychmiastowych skoków marż ani prostych historii inwestycyjnych, jak w innych branżach. Wymaga cierpliwości. AI okazała się szczególnie skuteczna tam, gdzie ubezpieczenia są najbardziej powtarzalne i podatne na standaryzację. Tam natomiast, gdzie ryzyko jest systemowe, zmienne lub silnie regulowane, jej wpływ jest ograniczony.
To prowadzi do kluczowego wniosku: przewaga technologiczna w ubezpieczeniach nie polega po prostu na „lepszym algorytmie”. Gdyby tak było, to Lemonade już teraz byłby rentowny, a nie jest.
AI stopniowo dodaje po prostu więcej efektywności operacyjnej. I właśnie w tym tkwi jej realna rola w branży ubezpieczeniowej.
Jeżeli z tego materiału ma zostać jedna myśl, to ta: sztuczna inteligencja w ubezpieczeniach nie jest magicznym guzikiem z napisem „wyższa marża”. To narzędzie, które może poprawić selekcję ryzyka, może przyspieszyć wypłaty odszkodowań, może obniżyć koszty operacyjne, ale nie zmienia faktu, iż ubezpieczenia to biznes zarządzania niepewnością, a nie aplikacja do zamawiania jedzenia. Wystarczy kilka błędnych założeń w modelu, kilka nieprzewidzianych zdarzeń makroekonomicznych i cała „technologiczna przewaga” zamienia się w problem kapitałowy.
Dlatego dziś prawdziwym testem dla insurtechów nie jest tempo wzrostu użytkowników ani liczba automatycznych decyzji, tylko to, czy potrafią rosnąć i jednocześnie kontrolować ryzyko. Czy technologia buduje ekonomię modelu biznesowego, czy tylko ją maskuje.
AI nie zlikwiduje cykliczności szkód. Nie wyeliminuje zmian klimatu. Nie zastąpi dyscypliny kosztowej. Może jednak sprawić, iż branża ubezpieczeniowa stanie się bardziej precyzyjna i mniej marnotrawna. I to jest realna zmiana.
Do zarobienia,
Piotr Cymcyk
