Per oltre un secolo l’underwriting ha costituito il motore decisionale dell’industria assicurativa: valutare il rischio, fissare il premio e decidere l’accettazione della copertura erano il nucleo dell’offerta. Oggi quella centralità rimane, ma il modo di lavorare cambia radicalmente grazie a una combinazione di intelligenza artificialeanalytics avanzatigenerative AI e fonti di dati inedite.
Questa trasformazione non è mera automazione di compiti ripetitivi: è la possibilità di avere modelli di rischio dinamici e contestualizzatiaggiornati con continuità. Le imprese stanno ripensando processi, competenze e architetture tecnologiche per integrare l’algoritmo nel flusso decisionale quotidiano, preservando però il controllo umano sulle scelte critiche.
Pressioni esterne e gap di maturità digitale
Fattori economici, demografici e climatici stanno mettendo sotto stress i paradigmi tradizionali dell’assicurazione. Il World Property and Casualty Insurance Report 2026 di Capgemini mette in evidenza come l’invecchiamento della popolazione, l’urbanizzazione e la concentrazione del rischio stiano rimodellando i portafogli e le esposizioni delle compagnie. Dalla ricerca basata su quei dati e riportata da Reuters emerge inoltre che i modelli previsionali convenzionali faticano sempre più a interpretare eventi estremi e rischi emergenti, e che solo poco più di un quarto dei dirigenti assicurativi ritiene la propria organizzazione dotata di capacità avanzate di predictive modelling.
Nuove architetture operative: contextual intelligence e underwriter’s edge
La prima ondata digitale ha robotizzato compiti ripetitivi; la fase attuale mira invece a cambiare la natura stessa della decisione. Deloitte ha coniato il concetto di contextual intelligence per descrivere l’integrazione di dati strutturati e non strutturati all’interno del processo di valutazione del rischio. In parallelo emerge il modello chiamato underwriter’s edgein cui sistemi intelligenti agiscono come un supporto continuo: eliminano attività a basso valore aggiunto e permettono al professionista di concentrarsi su valutazioni strategiche, eccezioni complesse e supervisione.
Il risultato operativo è un underwriting più rapido, coerente e potenzialmente più accurato, con un’attenzione crescente alla governance dei modelli e alla qualità dei dati su cui si basano le decisioni automatizzate.
Generative AI, dati non strutturati e casi concreti
La diffusione della generative AI introduce capacità che vanno oltre gli algoritmi tradizionali: i modelli linguistici possono comprendere e sintetizzare grandi volumi di documentazione non strutturata — relazioni tecniche, referti clinici, bilanci aziendali, comunicazioni interne — riducendo i tempi necessari per analizzare pratiche complesse. Questa funzione si traduce in una significativa accelerazione del flusso decisionale, pur mantenendo la supervisione umana sulle raccomandazioni.
Un esempio pratico è rappresentato da una piattaforma sviluppata da Swiss Re che funge da assistente di underwriting per il ramo vita: l’obiettivo è creare un “secondo cervello” capace di individuare informazioni rilevanti, interpretare casi clinici complicati e migliorare la coerenza delle decisioni tra professionisti, riducendo i tempi di valutazione.
Telematica, IoT e profili di rischio aggiornati
L’integrazione di dati provenienti da sensori sta rendendo l’analisi del rischio sempre più granulare e continua. Nel ramo auto la telematica consente valutazioni basate sul comportamento reale di guida; nel mondo industriale i sensori sugli impianti permettono il monitoraggio in tempo reale della condizione di macchinari e processi. Nel complesso, l’unione di AI e fonti alternative favorisce la nascita di modelli di underwriting adattiviche trasformano prodotti assicurativi standardizzati in servizi personalizzati e aggiornati costantemente.
Rischi, governance e ruolo futuro dell’underwriter
Le stesse tecnologie che potenziano l’underwriting introducono criticità: rischio di bias algoritmico, opacità nelle decisioni automatizzate e dipendenza dalla qualità dei dati. Modelli sofisticati addestrati su informazioni incomplete o errate possono generare risultati fuorvianti, rendendo indispensabile la trasparenza e la tracciabilità delle logiche decisionali. Inoltre, la diffusione degli strumenti digitali solleva nuove sfide di sicurezza e controllo delle anomalie.
La professione dell’underwriter non scompare: evolve. Si ridurranno le attività manuali e routinarie, mentre crescerà la domanda di competenze in interpretazione dei dati, governance degli algoritmi e gestione delle eccezioni. Le organizzazioni più avanzate stanno già sperimentando modelli operativi dove esseri umani e sistemi intelligenti collaborano lungo l’intero processo decisionale, ridefinendo il perimetro delle responsabilità e il valore dell’esperienza professionale.
