11/06/2026
حادث سير. عميل متوتر. مطالبة كانت تتطلب تقليدياً أياماً من زيارات خبراء المعاينة، والمعاملات الورقية المتبادلة ذهاباً وإياباً، والتقييمات اليدوية. نجحت باجاج للتأمين العام (Bajaj General Insurance) في تقليص تلك الرحلة إلى 20 دقيقة، ليس من خلال توظيف فريق مخصص لابتكارات الذكاء الاصطناعي في مكاتب زجاجية، بل عبر دمج الذكاء الاصطناعي مباشرة في العمليات التشغيلية، والأرباح والخسائر، واجتماعات مراجعة صباح كل اثنين. هذه الفجوة بين تجارب الابتكار والواقع التشغيلي هي بالضبط العائق الذي يقف أمامه معظم شركات التأمين الهندية اليوم.
على مدى تسع سنوات، أدار ديبو كيه في، رئيس العمليات وتجربة العملاء في باجاج للتأمين العام، 1,400 موظف، وأكثر من 200 موقع، وما يزيد عن 150 مليون عميل. وخلال تلك الفترة، أصبحت باجاج للتأمين العام أكثر شركة تأمين رقمي حصدت جوائز في الهند، محققة أعلى صافي نقاط ترويج (NPS) في هذا القطاع وأدنى نسبة شكاوى لأكثر من عقد من الزمان. وفي جلسة حديثة ضمن فعاليات InsurTech Insiders، أوضح بالتفصيل كيف حققوا ذلك، مقدماً دروساً قيّمة لكل شركة تأمين تفكر اليوم في أتمتة معالجة المطالبات بالذكاء الاصطناعي في الهند.
المشكلة: التأمين منتج قليل التواصل ولكنه يرتبط بلحظات مصيرية
الرؤية الجوهرية الوحيدة التي تصيغ كل ما يتعلق بعمليات التأمين هي كالتالي: عميلك لا يستخدم خدماتك كل يوم.
على عكس تطبيق البنك الذي يُستخدم 365 يوماً في السنة لإجراء المعاملات، قد يتفاعل عميل التأمين مع شركة التأمين الخاصة به في خمسة أيام فقط من أصل 365 يوماً. وعندما يفعل ذلك، فغالباً ما يكون السبب هو حدوث خطأ ما. حادث سيارة، أو دخول المستشفى، أو نزاع حول مطالبة. هذه لحظات تتسم بالقلق الشديد والمخاطر العالية، حيث يؤدي كل احتكاك أو تأخير ولو لدقيقة واحدة إلى مضاعفة الضرر الذي يلحق بالثقة.
وقد زادت مطالبات السيارات التقليدية في الهند الأمر سوءاً؛ إذ كان على العميل الذي تعرضت مركبته لأضرار أن ينتظر خبير معاينة ميداني. وكان الخبير يقيّم الأضرار يدوياً، ويقدم تقريراً، ثم تبدأ دورة الدفع. وكانت العملية برمتها قد تستغرق أياماً. وبالنسبة لعميل تعرض للتو لحادث، فهذه ليست مجرد إجراءات تسوية مطالبة، بل هي اختبار للصبر لم يكن في الحسبان.
وتكرر النمط نفسه في مراكز الاتصال. فقد وجدت شركة باجاج للتأمين العام (Bajaj General Insurance) أن العملاء الذين يتصلون كان يتم توجيههم إلى أنظمة الاستجابة الصوتية التفاعلية (IVR) التي لا يمكنها تلبية سوى جزء ضئيل من احتياجاتهم، مما يضطرهم لتصعيد المكالمات إلى موظفين بشريين حتى بالنسبة لأبسط الاستفسارات. لقد صُمم النظام بناءً على ما يناسب شركة التأمين ويسهل عملها، وليس على ما يحل مشكلة العميل.
ما الذي يميّز الذكاء الاصطناعي: الجمع بين المجال والأداة، وليس الأداة وحدها
إليكم أهم مبدأ تشغيلي من قصة شركة باجاج للتأمين العام: الذكاء الاصطناعي دون خبرة متخصصة في المجال لا فائدة منه.
عندما طوروا نظامهم لتقييم مطالبات تأمين المركبات المدعوم بالذكاء الاصطناعي - والذي يُطلقون عليه التسوية "الفورية" - لم يكتفوا بمجرد ترخيص أداة للرؤية الحاسوبية وتوجيهها نحو الصور الفوتوغرافية. بل أمضوا شهوراً في إشراك خبرائهم المتخصصين في مطالبات المركبات ضمن عملية التدريب. قام هؤلاء الخبراء بترميز وتصنيف المئات من فئات المطالبات: هل هذا الضرر قابل للإصلاح أم يُعد شطباً كلياً للمركبة؟ هل الانبعاج سطحي أم هيكلي؟ هل هذه مطالبة حقيقية أم احتيالية؟
تم نقل هذه المعرفة المتخصصة - التي بُنيت على مدى عقود من تقييمات المعاينين الميدانيين - إلى نموذج الذكاء الاصطناعي. وكانت النتيجة: يتعين على العميل الذي تعرضت مركبته لأضرار القيام بأمرين فقط: التقاط الصور، وتحميلها على التطبيق. بعد ذلك، يقوم محرك الذكاء الاصطناعي بمعالجة الصور، وتقدير قيمة الأضرار، وعرضها على العميل للموافقة عليها، ومن ثم البدء في إجراءات الدفع. تستغرق العملية برمتها 20 دقيقة فقط.
هذا ما يميز المعالجة الفعالة للمطالبات بالذكاء الاصطناعي عن التجارب الابتكارية التي لا تدخل حيز التنفيذ الفعلي أبداً: فالأداة هي التي ترث خبرة المجال، وليس العكس.
المبدأ ذاته قاد عملية نشر وكيل الذكاء الاصطناعي لديهم في خدمة العملاء. فبدلاً من بناء روبوت محادثة عام، قاموا بتحليل أهم سبعة أسباب تدفع العملاء للاتصال بمركز الاتصال، ثم توسعوا إلى 23 سبباً، ثم إلى 42. تم تدريب وكيل الذكاء الاصطناعي خصيصاً على حالات الاستخدام تلك. وعند الإطلاق، نجح في حل 70% من الاستفسارات بشكل مستقل. واليوم، وصلت هذه النسبة إلى 99.5%، حيث تتطلب 0.5% فقط من التفاعلات تدخلاً بشرياً. هذه ليست مجرد إحصائية تجريبية، بل هي واقع تشغيلي يعمل على نطاق واسع عبر 150 مليون عميل.
هذه هي البنية الهندسية ذاتها التي بُنيت حولها منتجات ConVerse وAgentVerse من SubVerseAI، والمتمثلة في وكلاء ذكاء اصطناعي يتعاملون مع تفاعلات تأمينية حقيقية، ضخمة الحجم، وعالية الأهمية من البداية إلى النهاية، مع ميزة التنسيق الشامل وإمكانية التصعيد البشري المدمجة للحالات الاستثنائية التي تتطلب ذلك فعلياً.
دليل حقيقي: المخطط التشغيلي لشركة باجاج للتأمين العام
قبل: يتصل عميل مطالبات تأمين المركبات الذي تعرضت مركبته لأضرار بشركة التأمين. يتم إرسال خبير معاينة. يستغرق التقييم الفعلي من ساعات إلى أيام. وتتم الدفعة بعد المعالجة اليدوية للتقرير.
بعد: يلتقط العميل مجموعتين من الصور عبر تطبيق الهاتف المحمول. يقيّم محرك الذكاء الاصطناعي الأضرار بمقارنتها بنموذج مدرَّب على آلاف المطالبات السابقة. يتلقى العميل القيمة التقديرية للتسوية، ويمنح موافقته، ومن ثم تبدأ إجراءات الدفع. الوقت الإجمالي: 20 دقيقة.
📊 النتيجة: تسوية مطالبة تأمين المركبات في غضون 20 دقيقة · حل بنسبة 99.5% بشكل مستقل عبر الذكاء الاصطناعي في مركز الاتصال · أعلى صافي نقاط ترويج (NPS) في قطاع التأمين الهندي · الحفاظ على أدنى معدل شكاوى في القطاع لأكثر من 10 أرباع متتالية
إن ما يجعل هذه التجربة ملهمة بشكل خاص ليس النتيجة فحسب، بل الهيكلية المتبعة. لم تقم باجاج أليانز ببناء مختبر ابتكار قط. ولم تنشئ فريقاً رقمياً منفصلاً ومعزولاً عن العمليات التشغيلية. لقد تم تطبيق الذكاء الاصطناعي مباشرة حيث تكمن مشكلة العميل: داخل سير عمل المطالبات، وداخل مركز الاتصال، وداخل عملية تدريب الوكلاء.
صياغة ديبو: "عليك أن تبدأ والمشكلة نصب عينيك وأن تعالجها باستخدام أداة ما." تعمل مختبرات الابتكار بطريقة عكسية، حيث تبحث عن الأدوات أولاً ثم تفتش عن المشكلات. بينما عملت باجاج للتأمين العام بطريقة تصاعدية ومباشرة.
قبل وبعد: كيف يبدو ذلك على أرض الواقع
قبل: يتلقى مركز اتصال تابع لشركة تأمين استفساراً من أحد العملاء يسأل فيه عن التغطيات والاستثناءات في الوثيقة. يبحث الموظف في مستودع الأسئلة الشائعة يدوياً بينما ينتظر العميل. متوسط وقت المعالجة: 8-12 دقيقة. وإذا كان الاستفسار خارج نطاق معرفة الموظف، فإنه يتم تصعيده أكثر.
بعد: يستمع وكيل الذكاء الاصطناعي إلى استفسار العميل في الوقت الفعلي ويعرض السؤال الشائع المطابق تماماً من المستودع لتوجيه الموظف، أو يتولى معالجة الاستفسار بالكامل بشكل مستقل. يتم حل الاستفسار قبل انتهاء المكالمة. نسبة حل مستقل تبلغ 99.5%. ترتفع نسبة الحل من أول اتصال بشكل ملموس دون الحاجة إلى زيادة عدد الموظفين.
ينطبق المبدأ نفسه على كشف الاحتيال. تم تدريب الذكاء الاصطناعي لكشف الاحتيال في مطالبات شركة باجاج العامة للتأمين (Bajaj General Insurance) على يد فريق التحقيق في الاحتيال التابع لها، وهم نفس الخبراء البشريين الذين أمضوا سنوات في رصد أنماط الاحتيال. يقوم النموذج الآن بتحديد المطالبات المشبوهة عند استلامها، وقبل البدء في أي عملية دفع، مما يحمي سرعة تسوية مطالبات العملاء الحقيقيين مع استبعاد الاحتيال. ومن التفاصيل المعمارية المعروفة علناً: يطلب النظام مجموعة صور بزاوية 360 درجة، وليس فقط الجزء المتضرر، تحديداً لأن هذا السياق الأوسع هو ما يساعد في التمييز بين المطالبة الحقيقية والمطالبة المفتعلة.
جدول مقارنة: عمليات التأمين التقليدية مقابل العمليات المدعومة بالذكاء الاصطناعي
المقياس | الاستجابة الصوتية التفاعلية (IVR) التقليدية / العملية اليدوية | SubVerseAI ConVerse + AgentVerse |
|---|---|---|
وقت تسوية مطالبات المركبات | من يومين إلى 5 أيام (يعتمد على خبير المعاينة) | 20 دقيقة (المسح التصويري بالذكاء الاصطناعي + معالجة فورية) |
حل استفسارات مركز الاتصال | تحويل 70%، و30% إلى موظفين بشريين | حل ذاتي ومستقل بنسبة 99.5% |
التعامل مع ذروة التحميل (مواسم الأعياد والمهرجانات) | فقدان العملاء المحتملين، وتكدس قوائم الانتظار، وإرهاق الموظفين | توسع تلقائي للموارد — 0% تفاعلات فائتة |
سرعة كشف الاحتيال | مراجعة يدوية بعد تقديم المطالبة | تنبيه فوري بالذكاء الاصطناعي عند استلام المطالبة |
التغطية اللغوية | الإنجليزية + الهندية فقط (لدى معظم شركات التأمين) | دعم أصلي لأكثر من 30 لغة |
معدل الحل من أول اتصال | ~40–50% المتوسط في هذا المجال | +60% بفضل ذكاء الوكلاء المدعوم بـ DataVerse |
حجم المحادثات الشهري | محدود بعدد الموظفين | التعامل مع أكثر من مليون محادثة شهرياً بشكل مستقل |
ضرورة تعدد اللغات
أحد الدروس المستفادة من جلسة شركة باجاج للتأمين العام (Bajaj General Insurance) والذي غالباً ما يُستهان به هو: الذكاء الاصطناعي متعدد اللغات ليس مجرد ميزة إضافية. بل هو الفارق الحقيقي بين أداة تخدم عملاءك في المناطق الحضرية من المتحدثين باللغة الإنجليزية، وأداة تخدم عموم الهند.
قامت باجاج للتأمين العام بتطوير وكلاء الذكاء الاصطناعي لديها — من روبوتات صوتية، وواجهات محادثة، وتطبيقها الزراعي Farmra — بلغات هندية متعددة منذ البداية. والنتيجة: أنهم لم يكتفوا بتحسين مؤشر صافي الترويج (NPS) في المدن الكبرى فحسب، بل حافظوا أيضاً على درجات NPS مرتفعة في المدن والبلدات الأصغر. كما أن مبادرتهم Sarvatra Bima — وهي شاحنة مجهزة رقمياً أوصلت خدمات التأمين إلى القرى في جميع أنحاء الهند — كانت تعمل بالكامل باللغات المحلية، مع إجراء معاملات مدعومة بالذكاء الاصطناعي بما في ذلك إصدار الوثائق وتسوية المطالبات في مناطق لا يتوفر فيها مكتب تأمين واحد.
بالنسبة لرواد تكنولوجيا التأمين (InsurTech) الذين يفكرون في التوسع داخل الهند على نطاق واسع، فهذا هو المعيار الأساسي. فالسؤال المطروح ليس "هل يعمل الذكاء الاصطناعي لدينا؟" بل هو "هل يعمل الذكاء الاصطناعي لدينا باللغات الكانادية، والتاميلية، والماراثية، والبنغالية، بنفس مستوى الجودة الذي يعمل به باللغة الإنجليزية؟"
تتعامل طبقة ConVerse التابعة لـ SubVerseAI مع أكثر من 30 لغة بشكل أصيل، دون وجود برمجيات ترجمة وسيطة تتسبب في بطء الاستجابة أو تقلل من الدقة. كما تتم معالجة التناوب اللغوي في منتصف المحادثة — كأن يقوم العميل بالتبديل بين الهندية والإنجليزية في نفس المكالمة — بسلاسة ودون فقدان سياق الحديث.
مبدأ البنية المعمارية: نواة معيارية وواجهة تفاعلية ديناميكية
رؤية استراتيجية واحدة من الجلسة تنطبق بشكل مباشر على كل شركة تأمين تُقيّم منصات الذكاء الاصطناعي اليوم: حافظ على استقرار نظامك الأساسي، واجعل واجهاتك معيارية وقابلة للتعديل.
كان نهج شركة باجاج للتأمين العام (Bajaj General Insurance) يتمثل في التعامل مع جوهر بياناتها — وهو نظام السجلات الأساسي — كأساس مستقر، والتعامل مع الواجهة الموجهة للعملاء كطبقة ديناميكية تتطور مع التكنولوجيا. عندما كانت مراكز الاتصال هي السائدة، كان مركز الاتصال هو الواجهة. وعندما نضج الذكاء الاصطناعي الخاص بالدردشة، أصبحت طبقة الدردشة هي الواجهة. وعندما نضج الذكاء الاصطناعي الصوتي، أصبح الصوت هو الطبقة الأساسية. كل تحول حدث دون إعادة بناء النظام الأساسي من الصفر.
هذه هي فلسفة التصميم الكامنة وراء بنية SubVerseAI المكونة من ثلاث طبقات تماماً. DataVerse هو جوهر الذكاء — طبقة بيانات العملاء الموحدة، المستقرة والثابتة. وConVerse هي طبقة التفاعل — التي تتعامل مع الصوت، وواتساب، والبريد الإلكتروني، والفيديو، وهي معيارية حسب القناة. وAgentVerse هي طبقة التنفيذ — وهي تنسيق سير العمل الذي يتصرف بناءً على ما يسمعه ConVerse وما يعرفه DataVerse. عندما يظهر نموذج التفاعل التالي، لا يتغير النظام الأساسي؛ بل تتكيف الواجهة فقط.
الأسئلة الشائعة
س1: ما هي أتمتة معالجة المطالبات بالذكاء الاصطناعي وكيف تعمل لشركات التأمين في الهند؟ ج: تحل أتمتة معالجة المطالبات بالذكاء الاصطناعي محل التقييم اليدوي للمطالبات المعتمد على الخبراء المعاينين، وذلك عبر وكلاء ذكاء اصطناعي يمكنهم معالجة الأدلة الفوتوغرافية، وتقييم الأضرار أو التحقق من صحة المطالبة في الوقت الفعلي، وبدء صرف التعويضات دون تدخل بشري. بالنسبة لشركات التأمين الهندية، يعني هذا عادةً نشر مزيج من الرؤية الحاسوبية (لمطالبات تأمين المركبات)، ووكلاء الذكاء الاصطناعي للغات الطبيعية (للتعامل مع الاستفسارات)، وأتمتة سير العمل (للمعالجة في الأنظمة الخلفية). ويكمن المطلب الأساسي في تدريب النموذج على بيانات مطالبات متخصصة في هذا المجال، وليس نماذج ذكاء اصطناعي عامة.
س2: لماذا لا تزال معظم مراكز الاتصال التابعة لشركات التأمين الهندية تواجه صعوبة في حل استفسارات العملاء بشكل مستقل؟ ج: تكمن المشكلة الأساسية في أن معظم عمليات نشر الذكاء الاصطناعي في مراكز اتصال التأمين مبنية على حالات استخدام عامة – روبوتات أسئلة شائعة تعالج استفسارات بسيطة – بدلاً من الأسباب الفعلية الأكثر شيوعاً لاتصال العملاء. عندما صممت شركة Bajaj General Insurance منظومة وكلاء الذكاء الاصطناعي الخاصة بها، بدأت بتدقيق كل سبب للمكالمات الواردة والتدريب بشكل محدد وفقاً لتلك السيناريوهات. أما شركات التأمين التي تتخطى خطوة التأسيس على المعرفة المتخصصة بالمجال، فينتهي بها الأمر مع ذكاء اصطناعي يتعامل مع 30-40% فقط من الاستفسارات ويحوّل الباقي إلى موظفين بشريين، مما يحبط الغرض من الأتمتة تماماً.
س3: هل تقييم المطالبات المدعوم بالذكاء الاصطناعي أكثر دقة من التقييم اليدوي للخبير المعاين؟ ج: بالنسبة لمطالبات المركبات القياسية – الصدمات، الأضرار السطحية، قرارات استبدال الأجزاء – وصلت القياسات التصويرية بالذكاء الاصطناعي إلى نقطة أصبحت فيها الدقة مماثلة لتقييم الخبير المعاين اليدوي أو تفوقه، ويرجع ذلك في المقام الأول إلى القضاء على التباين البشري وتطبيق منطق تصنيف متسق على نطاق واسع. وتفيد شركة Bajaj General Insurance بأن نزاعات العملاء ضد تقييمات الذكاء الاصطناعي أصبحت نادرة للغاية مع تحسن دقة النماذج. ويكمن الفارق الرئيسي في منهجية التدريب: فالنماذج المدربة على آلاف حالات المطالبات المتخصصة بالمجال تتفوق بشكل كبير على أدوات الرؤية الحاسوبية العامة.
س4: كم من الوقت يستغرق نشر وكلاء الذكاء الاصطناعي لعمليات التأمين في الهند؟ ج: بفضل عمليات التكامل الجاهزة مسبقاً والإعدادات المخصصة للمجال، يمكن لعمليات نشر وكلاء الذكاء الاصطناعي لمراكز اتصال التأمين وسير عمل المطالبات أن تبدأ العمل فعلياً خلال 30 يوماً. يبدأ نموذج النشر القياسي لـ SubVerseAI بمشروع تجريبي مدته 30 يوماً – يتصل بأنظمة الاتصالات الهاتفية الحالية وإدارة علاقات العملاء (CRM) وبيانات وثائق التأمين – ويحقق تحسينات قابلة للقياس في حل المشكلات من أول اتصال خلال أول دورة فوترة. وعادةً ما تكتمل عمليات النشر الشاملة على مستوى المؤسسات والتي تتضمن أنواعاً متعددة من الوكلاء خلال 60 إلى 90 يوماً.
س5: ما هو العائد على الاستثمار الذي يمكن لشركات التأمين الهندية توقعه من أتمتة مراكز الاتصال بالذكاء الاصطناعي؟ ج: تحتوي معادلة العائد على الاستثمار لأتمتة التأمين بالذكاء الاصطناعي على عنصرين: التخفيض المباشر في التكاليف واسترداد الإيرادات. من ناحية التكلفة: يؤدي التخلص من المعالجة اليدوية لأكثر من 99% من التفاعلات الروتينية إلى تقليل تكلفة كل تفاعل بنسبة 35% أو أكثر (كما رأينا في تطبيق DataVerse الخاص بشركة SBI Payments). ومن ناحية الإيرادات: فإن وكلاء الذكاء الاصطناعي الذين يتعاملون مع 100% من حجم الاتصالات الواردة خلال موسم الذروة – تجديدات ديوالي، وارتفاع طلبات التأمين الصحي في موسم الرياح الموسمية – يقضون تماماً على تفويت الفرص البيعية المحتملة. ولقد رفعت شركة Acko Insurance قدرتها الاستيعابية من 6,000 إلى 15,000 مكالمة يومية تتم معالجتها ذاتياً، مع تحسن بمقدار 2 إلى 3 أضعاف في تحويل العملاء المحتملين إلى مبيعات. ومجتمعةً، تؤدي هذه النتائج عادةً إلى فترات استرداد لرأس المال تقل كثيراً عن 12 شهراً لعمليات النشر على مستوى المؤسسات.
الخطوة التالية
تُعد قصة شركة باجاج للتأمين العام (Bajaj General Insurance) أوضح دليل متاح على أن أتمتة معالجة المطالبات بالذكاء الاصطناعي في قطاع التأمين الهندي ليست مجرد تطلع مستقبلي، بل هي واقع تشغيلي حالي. وتتشارك الشركات التي تصل إلى هذه المرحلة بشكل أسرع في نهج مشترك: فهي تبدأ بالمشكلة التشغيلية المحددة، وتدمج الخبرة التخصصية في عملية التدريب، وتطبق الحلول في بيئة الإنتاج الفعلي بدلاً من الاقتصار على التجارب التجريبية المعزولة.
إذا كان سير عمل المطالبات لديك لا يزال يعتمد على خبراء المعاينة الفعليين لأضرار المركبات القياسية، أو إذا كان مركز الاتصال لديك لا يزال يوجه أكثر من 30% من الاستفسارات إلى موظفين بشريين، أو إذا كان نشر الذكاء الاصطناعي لديك لا يزال يعمل كتجربة محمية بدلاً من كونه مساهماً فعلياً في الأرباح والخسائر؛ فهذه مشكلات قابلة للحل، ووفق جداول زمنية يمكن إثباتها.
احجز تجربة ريادية لمدة 30 يوماً عبر subverseai.com — النتائج الأولى تظهر في غضون أسابيع، وليس أشهر.
جدول المحتويات
المزيد من الرؤى والأفكار
