AI Risk Scoring: Kutoka Bima ya Malori hadi M-Pesa

Kampuni ya bima ya malori ya kibiashara inayojengwa juu ya akili bandia ikikusanya $100 milioni si habari ya “bima tu”. Ni ishara ya mwelekeo mkubwa: fedha zinaenda pale ambapo AI inaonyesha inaweza kupima hatari kwa usahihi, kupunguza udanganyifu, na kufanya uamuzi wa kifedha kwa kasi.

Na hapa Kenya, hilo linatuhusu moja kwa moja. Sekta yetu ya fintech na malipo ya simu (M-Pesa na mfumo mpana wa wallet, wakopeshaji wa kidijitali, na benki za kidijitali) inaishi kwa kitu kilekile: uamuzi wa haraka ulio sahihi—je, muamala huu ni halali? Je, mkopo huu utalipika? Je, mteja huyu yuko salama au yuko kwenye hatari ya kudanganywa?

Post hii ni sehemu ya mfululizo wetu wa “Jinsi Akili Bandia Inavyoendesha Sekta ya Fintech na Malipo ya Simu Nchini Kenya”. Nitachukua funzo la “AI kwenye bima ya malori” na kuligeuza kuwa mwongozo wa vitendo kwa wachezaji wa Kenya: nini kinachofanya AI ifanye kazi kwenye sekta za fedha, inapaswa kujengwa vipi, na ni hatua gani zinaweza kuanza leo.

Kwa nini $100m kwenye bima ya malori ni ujumbe kwa fintech ya Kenya

Jibu la moja kwa moja: Wawekezaji wanatoa pesa nyingi kwa AI inayogeuza data ya shughuli za kila siku kuwa bei ya hatari (risk-based pricing) na maamuzi ya papo hapo.

Bima ya malori ina changamoto zinazofanana na malipo ya simu:

• Kiasi kikubwa cha matukio (events): safari, mwendo, muda, tabia ya dereva; kwa fintech ni miamala, vifaa (devices), eneo, muda, muundo wa matumizi.
• Hatari inabadilika haraka: barabara, hali ya hewa, uchovu wa dereva; kwa malipo ni SIM swap, phishing, mule accounts, au mabadiliko ya tabia ya mtumiaji.
• Hasara hutokea kwa sekunde: ajali au wizi; kwa fintech, muamala wa ulaghai ukipita mara moja, pesa imeshaenda.

Hili ndilo somo: AI inapoletwa kwenye mfumo unaoingiza data muda halisi (real time), thamani yake huonekana haraka. Kenya ina miundombinu ya malipo ya simu inayofaa kabisa kwa hilo.

AI inaendeshaje “risk scoring” kwa njia inayolipa kweli

Jibu fupi: Risk scoring inayolipa inahitaji data safi, modeli zinazoeleweka, na utekelezaji unaoheshimu sheria na mteja.

Data gani huwa “dhahabu” kwa risk scoring?

Kwa bima ya malori, “dhahabu” huwa telematics na historia ya ajali. Kwa Kenya fintech na mobile money, data inayofanya kazi mara nyingi ni:

• Tabia ya miamala: marudio, kiasi, mzunguko wa kuingiza/kutoa, mpangilio wa siku (patterns).
• Uaminifu wa kifaa: device fingerprint, mabadiliko ya simu, OS, app version.
• Mtandao na eneo: geolocation patterns, cell tower anomalies (kwa kiwango kinachoruhusiwa).
• Uhusiano wa akaunti (network signals): uhamisho kwa akaunti zinazotiliwa shaka, “hub” accounts.
• Historia ya mteja: migogoro ya malipo, chargebacks (kwa kadi), makosa ya PIN, attempts zilizoshindikana.

Sehemu nyeti: data hii lazima itumike kwa uaminifu. Ukikusanya kila kitu bila mipaka, utaongeza hatari ya faragha na pia “noise” inayoharibu modeli.

Modeli 3 ambazo kwa vitendo hutoa ROI (si majaribio tu)

1. Fraud detection ya muda halisi (real-time anomaly detection): inazuia ulaghai kabla haujakamilika.
2. Credit scoring ya muktadha (contextual credit): inaangalia uwezo na utayari wa kulipa kwa ishara nyingi—si “salary slip” pekee.
3. Dynamic limits na step-up verification: badala ya kukataa muamala, unaongeza uthibitisho (OTP/biometric/knowledge checks) pale hatari inapopanda.

Sentensi moja ya kukumbuka: AI nzuri haikatai wateja wengi—inaongeza usalama bila kuua urahisi.

Kutoka bima ya malori hadi M-Pesa: matumizi ya AI yanayolingana Kenya

Jibu la moja kwa moja: Kile kinachopimwa kwenye bima (tabia, mazingira, historia) ndicho fintech hupima—ila kwa miamala.

1) “Pay-as-you-go risk” kwa malipo na mikopo midogo

Bima ya malori inapenda kitu kimoja: bei iwe kulingana na hatari ya sasa. Kenya fintech inaweza kufanya hivi kwa:

• Mikopo ya muda mfupi yenye riba/ada inayolingana na tabia ya malipo (kwa uwazi, bila mtego wa gharama zisizoeleweka).
• Limits zinazobadilika kulingana na msimu: Desemba kuna matumizi mengi (sherehe, safari, familia). AI inaweza kutofautisha “spend ya kawaida ya sikukuu” na “fraud spike”.

2) Ulinzi dhidi ya social engineering (scam) unaomlinda mtumiaji

Kenya imekuwa na wimbi la:

• ujumbe wa uongo wa “confirm to receive money”,
• wito wa kujifanya kampuni,
• “wrong send” scams.

AI inaweza kusaidia kwa:

• scam pattern detection kwenye miamala (mtiririko wa fedha kwenda kwa akaunti zinazokusanya kutoka kwa watu wengi),
• risk prompts ndani ya app: “Muamala huu una ishara za ulaghai; thibitisha mpokeaji.”

Ninapenda njia hii kuliko “kuzuia kila kitu” kwa sababu inalinda bila kumfanya mtumiaji ajisikie kama mtuhumiwa.

3) Huduma kwa wateja: AI kwa mawasiliano, si kwa kujificha

Ndani ya mfululizo wetu, tumezungumzia jinsi AI inavyoboresha mawasiliano ya wateja. Hapa ndipo inapata maana halisi:

• Chatbots zenye muktadha (zinazoelewa historia ya malalamiko na miamala iliyo karibu),
• triage ya tiketi: kuzipa kipaumbele kesi zenye dalili za udanganyifu,
• ujumbe wa elimu unaolengwa: tips za usalama kwa watumiaji wanaoonyesha hatari (kwa mfano, walio na device change mara nyingi).

Nini Kenya fintech inaweza kujifunza kuhusu uaminifu, sheria, na “model risk”

Jibu la moja kwa moja: AI inahitaji uaminifu wa soko; bila hilo, growth inakuwa ya muda mfupi na gharama ya udhibiti huongezeka.

Uwazi (explainability) si bonus—ni msingi

Kwa credit scoring na fraud decisions, mteja akikataliwa au akazuiwa muamala, “model ilisema” haitoshi.

Njia bora ya kufanya:

• Toa sababu 2–3 zinazoeleweka: “device mpya + eneo jipya + jaribio la PIN mara nyingi”.
• Weka njia ya rufaa: mteja apate msaada wa haraka.
• Pima false positives kila wiki: kuzuia wateja halali ni gharama kubwa kuliko inavyoonekana (churn, hasira, reputational risk).

Bias na financial inclusion: AI inaweza kusaidia au kuumiza

AI ikijifunza kutoka data iliyopo, inaweza kuendeleza upendeleo (bias). Kwa Kenya, hatari ni:

• kuadhibu wateja wa kipato kisicho na muundo (informal economy),
• kuzuia watu wa maeneo fulani kwa sababu ya data chache.

Ninachopendekeza kwa vitendo:

• tumia fairness checks (mfano: rejection rates kwa makundi tofauti),
• changanya signals za tabia na data ya uaminifu wa matumizi badala ya “proxy” za kijamii.

Usalama wa data na udhibiti wa ruhusa

Kwa malipo ya simu, uaminifu wa mtumiaji ni kila kitu. Weka:

• data minimization (kusanya unachohitaji tu),
• retention policy inayoeleweka,
• audit trails kwa maamuzi ya modeli.

Mpango wa siku 90: jinsi ya kuanza AI kwa fraud na risk scoring

Jibu la moja kwa moja: Anza na kesi moja yenye ROI, jenga data pipeline thabiti, kisha panua polepole.

Wiki 1–2: Chagua tatizo linaloumiza sasa

Chagua moja:

• fraud kwenye P2P transfers,
• SIM-swap takeover,
• loan default ya kundi fulani.

Andika metric moja kuu:

• “punguza fraud losses kwa 20%”, au
• “punguza false positives kwa 15% bila kuongeza hasara”.

Wiki 3–6: Data na utambuzi wa ishara (features)

• Tengeneza “event schema” ya muamala.
• Safisha logi za device na session.
• Jenga features 20–50 za kwanza (mfano: tx_per_hour, new_device_flag, geo_velocity).

Wiki 7–10: Modeli + majaribio ya uzalishaji (production)

• Anza na modeli rahisi zinazoeleweka (gradient boosting / logistic regression) kabla ya deep learning.
• Fanya A/B test: kundi moja lina risk scoring, lingine lina rules za zamani.

Wiki 11–13: Utekelezaji wa “decisioning” unaolinda mapato

Badala ya “allow/deny” tu, tumia:

• allow,
• allow with step-up verification,
• hold for review,
• deny.

Hapa ndipo AI inageuka kutoka “model” kuwa mfumo wa biashara.

Maswali ambayo watu huuliza (na majibu ya moja kwa moja)

Je, AI itaua rules-based fraud systems?

Hapana. Rules ni muhimu kwa mashambulizi mapya na compliance. AI inafanya kazi vizuri zaidi ukiichanganya na rules—rules kwa guardrails, AI kwa pattern detection.

Je, kampuni ndogo ya fintech Kenya inaweza kumudu?

Ndiyo, kama inaanza na kesi moja na data iliyonayo. Gharama kubwa si modeli; mara nyingi ni data engineering na governance.

Ni hatari gani kubwa zaidi?

Kubwa ni mbili: kuzuia wateja halali (false positives) na kutegemea data isiyoaminika. Ukishindwa hapo, utaona churn na malalamiko kabla hujaona ROI.

Hatua inayofuata kwa fintech na malipo ya simu Kenya

Ujumbe wa habari ya “AI-based insurer imekusanya $100m” ni rahisi: soko linazawadia kampuni zinazoweza kubadilisha hatari kuwa maamuzi ya haraka na ya haki. Kenya tayari ina miamala mingi ya kidijitali, tabia zilizokomaa za mobile money, na hitaji la usalama wa juu. Huo ni mchanganyiko unaofaa kwa AI risk scoring.

Kama unaendesha wallet, mkopo wa kidijitali, au payment aggregator, ningeanza na swali hili la vitendo: Ni sehemu gani ya safari ya mtumiaji inapoteza pesa au kuharibu uaminifu kila wiki—fraud, defaults, au customer support delays? Chagua moja, jenga pipeline, na pima kwa wiki 12.

Mfululizo huu unahusu zaidi ya teknolojia; unahusu ukuaji wa biashara kwenye uchumi unaoendeshwa na simu. Swali la kuondoka nalo: Je, mwaka 2026 utaingia ukiwa na AI inayolinda mapato na wateja—au bado unategemea vikwazo vya jana?