Naukowcy opracowali framework agentic AI specjalizujący się w automatycznym underwritingu polis ubezpieczeniowych Business Owner Policies dla małych firm, testując trzy różne podejścia do tego procesu decyzyjnego. Pierwszy system opierał się na samodzielnym modelu LLM, drugi to naiwny system RAG (retrieval-augmented generation), a trzeci to zaawansowany system Agentic RAG łączący ukierunkowane wyszukiwanie informacji, weryfikacje przez strony trzecie oraz jawną ocenę reguł w wielu krokach. Eksperymenty przeprowadzono w syntetycznym, ale realistycznym środowisku testowym.
Wyniki pokazują wyraźną przewagę systemu agentic, szczególnie w zadaniach wymagających wieloetapowego rozumowania i pracy z brakującymi informacjami. Gdzie pojedynczy LLM lub prosty RAG mogłyby podjąć decyzje bez wystarczających podstaw, system agentic zdolny do strukturalnego wyszukiwania i refleksji potrafiła unikać takich błędów. To jest ważne dla branży ubezpieczeniowej, gdzie każda decyzja podlegać musi audytowi i być w pełni uzasadniona regulacjami.
Badanie otwiera szerszą dyskusję na temat przeobrażania praktyki aktuarialnej przez AI. Autorzy pokazują, że nowoczesne architektury - od tradycyjnej automatyzacji opartej na regułach przez LLM, RAG aż po systemy multi-agentowe - mogą być dostosowywane do specyficznych potrzeb branży. Kluczowa jest możliwość utrzymania transparentności, audytowalności i nadzoru człowieka w pętli decyzyjnej, szczególnie w procesach straight-through, gdzie system musi pracować autonomicznie, ale odpowiedzialnie.