משתמשי AI גנרטיבי בביטוח: אמון, ציפיות ותוצאות

ביום שישי, 20/12/2025 בשעה 15:00 (UTC), פורסם מאמר שמזכיר אמת שרבים מעדיפים לדלג עליה: אי־אפשר לבנות כלי מבוסס מודלי שפה (LLM) בלי להבין מה המשתמש חושב שהוא מפעיל. בביטוח וניהול סיכונים זה קריטי פי כמה—כי כאן AI לא רק “עוזר לכתוב”, אלא נוגע בכסף, באמון, ובתפיסה של הוגנות.

הטעות הנפוצה ביותר שאני רואה בארגונים? להניח שהבעיה היא “איך להסביר AI”, כשבעצם הבעיה היא למי מסבירים, ומה אותו אדם כבר “יודע” (או חושב שהוא יודע) על בינה מלאכותית. זה נכון במיוחד בישראל, שבה הרגישות לנושאי פרטיות, רגולציה ואפליה גבוהה—וגם הציפייה לשירות מהיר “כמו באפליקציה”.

הפוסט הזה הוא חלק מסדרת "בינה מלאכותית בתחום הבריאות והביוטכנולוגיה"—ובכוונה. הרבה מהלקחים על אימוץ AI בבתי חולים, טלה־רפואה ומערכות תומכות החלטה רפואיות, עוברים אחד־לאחד לביטוח: אותה שאלה של אמון, אותה דרישה לשקיפות, ואותו מתח בין אוטומציה לאחריות אנושית.

ארבעה טיפוסי משתמשי AI—ומה זה אומר בביטוח

הדרך המהירה להבין למה פרויקטי AI נופלים באימוץ היא למפות את המשתמשים לפי ידע + רגש (לא רק ידע). מסגרת “ארבע הפרסונות” שנחקרה בעולם הרפואה מתאימה גם לביטוח, עם התאמות קטנות.

1) המשתמש הלא־מודע: “לא יודע/לא אכפת לי”

זה המשתמש שלא מתעסק ב-AI בכלל. הוא רוצה שהבקשה לפיצוי תטופל, שהפוליסה תובן בשפה אנושית, ושמישהו יחזור אליו מהר.

בביטוח, משתמש כזה:

• לא מבדיל בין צ’אט חכם לבין נציג אנושי
• יפרש טעות ככשל שירות, לא כמאפיין סטטיסטי
• ינטוש מהר אם חוויית השירות מסתבכת

מה עובד מולו: מסרים פשוטים, מינימום “באזז”, ותהליכים שממשיכים לעבוד גם בלי שהמשתמש יבין מה קורה מאחורי הקלעים.

2) המשתמש הנמנע: “AI מסוכן”

כאן נמצאים אנשים שחוששים מטעויות, מאפליה, מחדירה לפרטיות, או מכך ש”מכונה תחליט עליי”. בביטוח זה מתפוצץ בנקודות רגישות: דחיית תביעה, העלאת פרמיה, או סימון כחשד להונאה.

הסיכון העסקי: משתמש נמנע אחד, אם הוא מרגיש עוול, יכול להפוך לסיפור שמסתובב ברשת—והנזק לאמון גדול מהנזק התקציבי של אותה תביעה.

מה עובד מולו: בחירה. אופציה לעבור לנציג. הסבר קצר וברור למה נאסף מידע, ומה לא. וחשוב לא פחות—שפה שמכבדת חששות ולא מבטלת אותם.

3) חובב ה-AI: “AI תמיד מועיל”

זה הטיפוס שמגיע עם אופטימיות—ולפעמים עם ציפיות לא מציאותיות. הוא רוצה “שיפתרו לי את זה מיד” ושהצ’אט “ידע הכל”. אם התשובה לא מושלמת, הוא יגיד שהמערכת גרועה.

בביטוח, חובבי AI נוטים:

• לבקש מהצ’אט פרשנות משפטית לפוליסה כאילו זו חוות דעת מחייבת
• לצפות לתוצאה דטרמיניסטית (“אמרת לי אתמול משהו אחר”)
• להאיץ תהליכים בלי להבין מגבלות רגולציה ובקרות

מה עובד מולו: ניהול ציפיות חד. הגדרת גבולות (“מה אני יכול לעשות ומה לא”), ותצוגת צעדים ברורה—כדי שיראה שיש תהליך ולא “קסם”.

4) המשתמש המודע: “מועצם—סומך אבל בודק”

זה המשתמש שאוהב ראיות. הוא יעריך שקיפות, יבדוק מסמכים, וישאל על מקורות. במערכות בריאות זה כמעט סטנדרט; בביטוח זה עדיין מתפתח—אבל קורה מהר.

מה עובד מולו:

• הסברים עקביים
• פירוט “על סמך מה” התקבלה החלטה
• ציון אילו נתונים שימשו לחישוב (בלי לחשוף סודות מסחריים)

משפט שאני אוהב להשתמש בו בפרויקטים כאלה: “אמון בביטוח לא נבנה מהבטחה—הוא נבנה מהסבר שחוזר על עצמו.”

למה AI גנרטיבי מעורר כל כך הרבה רגש דווקא כאן

יש שלושה מאפיינים של AI גנרטיבי שמבלבלים משתמשים—even כשהמוצר “עובד”. בביטוח, כל אחד מהם מכפיל סיכון חווייתי.

אי־דטרמיניזם: אותה שאלה, תשובה אחרת

אנשים רגילים לזה שכאשר לוחצים על כפתור, מתקבלת אותה תוצאה. מודלי שפה לפעמים יחזירו תשובות שונות לניסוחים דומים.

בממשק שירות ביטוחי, זה יכול להישמע כמו סתירה או חוסר אמינות. ולכן:

• תשובות ליבה (כיסוי, החרגות, מסמכים נדרשים) חייבות להיות “מקובעות” למדיניות מאושרת
• AI צריך לעבוד בתוך “מסילות”—לא ככותב חופשי

“קופסה שחורה”: קשה להסביר למה זה קרה

גם אנשי AI לא תמיד יכולים להסביר במדויק למה מודל ניסח משפט מסוים. בביטוח זה בעייתי במיוחד כשיש השלכה כספית.

פתרון פרקטי שאני מעדיף: להסביר את ההחלטה העסקית, לא את הנוירונים. המשתמש צריך להבין:

• אילו מסמכים חסרים
• איזה כלל פוליסה רלוונטי
• מה האפשרות לערער/להשלים

אוטונומיה: כשהמערכת פועלת לבד

כש-AI הופך ל”סוכן” שמניע תהליך—איסוף מסמכים, סיווג תביעה, זיהוי חריגות—חלק מהמשתמשים מרגישים שהשליטה נלקחה מהם.

בבריאות זה דומה להמלצה אוטומטית לטיפול. בביטוח זה דומה להחלטה “מקדמית” על תביעה. בשני המקרים הכלל זהה: אוטונומיה בלי פיקוח אנושי נתפסת ככוחניות.

איך מתרגמים את זה לפרויקטי AI בביטוח וניהול סיכונים

הנקודה החשובה: לא בונים “צ’אט GPT לביטוח”. בונים יכולת עסקית שמבוססת AI, עם ממשק שמותאם לפרסונות.

מחקר משתמשים: לא סעיף נחמד—תנאי לפתיחה

אם אתם לפני הטמעה של AI בניהול תביעות, הערכת סיכונים או זיהוי הונאות, תתעקשו על מדידה בסיסית של הפרסונות:

• מה אחוז ה”נמנעים” בקרב מבוטחים? ומה בקרב סוכנים?
• איפה המשתמשים נתקעים: בהבנת הכיסוי, בהעלאת מסמכים, או בתחושת “התייחסו אליי כחשוד”?
• האם יש פער בין מה שהארגון חושב שמובן לבין מה שבאמת מובן?

טיפ פרקטי: קחו 12–15 ראיונות קצרים (30 דקות), וחלקו אותם בין מבוטחים, סוכנים, ונציגי תביעות. בביטוח, שלושת הקהלים האלה שונים מאוד.

תכנון חוויית אמון: “סומך אבל בודק” כברירת מחדל

AI במוקד תביעות צריך לתת ערך מיידי, אבל גם להחזיק מסגרת אמון:

• מצב הסבר קצר: “למה אני מבקש את המסמך הזה?”
• מצב תיעוד: סיכום שיחה שנשלח למייל/אזור אישי (שקיפות מורידה תלונות)
• כפתור מעבר לנציג בכל נקודת חיכוך

במילים פשוטות: בביטוח, UX טוב הוא UX שמאפשר למשתמש להרגיש שהוא לא משחק מול מערכת אקראית.

גבולות פונקציונליים: להפסיק למכור אשליה

אם ה-AI לא מוסמך לתת פרשנות משפטית, אל תאפשרו לו “להישמע” כאילו הוא כן. אם מודל מזהה חשד להונאה, אל תנסחו הודעות שמרמזות אשמה.

ניסוח שאני ממליץ עליו בהקשר של זיהוי הונאות:

“זוהו נתונים שמצריכים בדיקה נוספת כדי להשלים את הטיפול בתביעה.”

זה לא רך מדי. זה פשוט הוגן.

אל תכפו AI—תנו מסלול חלופי

בדיוק כמו במערכות בריאות, שבהן לא כל מטופל מוכן לשיחה עם בוט, בביטוח חייב להיות מסלול ידני. לא בגלל “פינוק”, אלא בגלל:

• רגולציה וציות
• נגישות
• אמון מותגי

הגישה שאני מעדיף: להתחיל ביכולות שמעלות שביעות רצון בלי להרגיש מאיימות—למשל איסוף מסמכים חכם, סיכום שיחות, והכוונה לטפסים—ורק אחר כך להתקדם להחלטות רגישות יותר.

שאלות נפוצות שמנהלי ביטוח שואלים לפני הטמעה

האם כדאי להשתמש ב-AI גנרטיבי כדי להאיץ תביעות? כן—אם הוא מתוחם: סיכום מידע, בדיקת שלמות מסמכים, ניסוח הודעות שירות מאושרות. החלטת זכאות דורשת בקרות חזקות.

איך מתמודדים עם “אותה שאלה—תשובה אחרת”? מקבעים תוכן מדיניות (פוליסה, נהלים) כמקור אמת, ומגבילים את ה-AI לפרפרזה אחידה או שליפה מובנית.

איך בונים אמון כשיש זיהוי הונאות? מפרידים בין “בדיקה נוספת” לבין “האשמה”, שומרים על שפה נקייה, ומוודאים שיש מסלול ערעור אנושי ברור.

מה לעשות כבר השבוע: צ’ק ליסט יישומי

1. מפו 4 פרסונות בקרב מבוטחים, סוכנים וצוות תביעות (סקר קצר + ראיונות).
2. בחרו תהליך אחד (למשל: פתיחת תביעה ברכב) והגדירו איפה AI מותר ואיפה אסור.
3. כתבו 20 תשובות “מדיניות קשיחה” לשאלות נפוצות—שאליהן ה-AI חייב להיצמד.
4. הוסיפו מסלול יציאה לנציג בכל מסך שבו יש סיכון לאי־הבנה.
5. מדדו אמון: שיעור נטישה, תלונות, זמן טיפול, ושביעות רצון אחרי אינטראקציה עם AI.

בסוף, הסיפור של AI בביטוח לא מתחיל במודל—הוא מתחיל באדם שמנסה לקבל תשובה ברורה בזמן שהוא בלחץ. וזה בדיוק המקום שבו ניסיון מהעולמות של AI בבריאות וביוטכנולוגיה מלמד אותנו משהו שימושי: טכנולוגיה טובה בלי אמון היא רק עוד מערכת שאנשים ילמדו לעקוף.

אם אתם שוקלים הטמעה של בינה מלאכותית בניהול סיכונים, חיתום או תביעות, השאלה הנכונה לפתוח איתה היא לא “איזה מודל לבחור”—אלא: איזה משתמשים יש לנו, ומה צריך לקרות כדי שהם יסכימו לסמוך על זה?