منبع: Oliver Wyman, “The smarter way insurers turn tech spend into savings,” May 2026.
شکاف روزافزون بین هزینه و بازده
بیمهگران سلامت در سالهای اخیر سرمایهگذاریهای هنگفتی در فناوری انجام دادهاند. از مهاجرت به ابر و نوسازی زیرساخت گرفته تا کاربردهای نوین هوش مصنوعی، هزینههای فناوری با شتابی بیسابقه در حال افزایش است. موسسهٔ فورستر پیشبینی میکند صنعت بیمهٔ ایالات متحده در سال ۲۰۲۶ به طور کلی ۷٫۸ درصد بر هزینههای فناوری خود بیفزاید که رقمی معادل ۱۷۳ میلیارد دلار است؛ این در حالی است که رشد سال ۲۰۲۵ نیز نزدیک به ۸ درصد بوده است.
با وجود این حجم عظیم سرمایهگذاری، یک حقیقت مالی تلخ همچنان پابرجاست: هزینههای اداری به نسبت سرمایهگذاریهای فناوری کاهش نیافته است. بر اساس آخرین دادههای موجود از انجمن ملی کمیسران بیمه، هزینههای اداری بیمهگران سلامت از ۷۲ میلیارد دلار در سال ۲۰۱۴ به ۱۳۱ میلیارد دلار در سال ۲۰۲۴ رسیده است. نتیجه این روند، شکاف ارزشی روزافزونی است که در نسبت زیان اداری (ALR)، هزینهٔ هر تراکنش و حاشیهٔ سود عملیاتی نمایان میشود.
پرسش کلیدی پیش روی مدیران مالی و مدیران فناوری اطلاعات این است: چگونه میتوان نوسازیِ ضروری برای باقیماندن در رقابت را تأمین مالی کرد، بدون آنکه از هیئت مدیره درخواست بودجهٔ بیشتر کرد؟ و مهمتر از آن، چگونه میتوان این سرمایهگذاریها را به بهبود قابلاندازهگیری در هزینههای اداری تبدیل نمود؟
پاسخ در یک تغییر پارادایم بنیادین نهفته است: انتقال از مدیریت فناوری بهعنوان یک اقلام هزینهای، به مدیریت آن بهعنوان یک مرکز سود و زیان (P&L) فناوری، با سازوکارهایی شفاف برای آزادسازی سرمایهٔ بهدامافتاده، بهبود سریع اقتصاد واحد (unit economics) و مقیاسسازی آنچه کار میکند و توقف آنچه کار نمیکند.
هوش مصنوعی چگونه اقتصاد واحد را تغییر میدهد؟
هوش مصنوعی و اتوماسیون در حال خم کردن منحنی هزینههای اداری سنتی و تغییر چشمانداز رقابتی برای همهٔ بیمهگران، صرفنظر از اندازهٔ آنها هستند. در مدل عملیاتی قدیمی، دستیابی به صرفهجوییِ مقیاس اداری مستلزم رشد بود: اعضای بیشتر، پروندههای بیشتر، مجوزهای پیشنیاز بیشتر، پیکربندی بیشتر، همه با نیروی کار بیشتر.
اما در مدل هوش مصنوعی، هزینهٔ نهایی (marginal cost) رسیدگی به واحد بعدی کار، زمانی که گردشکارها و پلتفرمها برای مقیاسپذیری اتوماسیون طراحی شدهاند، به شدت کاهش مییابد. این امر زمین بازی را هموار میکند و سطوحی از بهرهوری اداری را که پیشتر فقط در اختیار طرحهای ملی بزرگ بود، برای طرحهای منطقهای نیز قابلدسترس میسازد.
این تحول هم فرصت ایجاد میکند و هم تهدید:
- فرصت: بیمهگرانی که مدل عملیاتی خود را بازطراحی میکنند – نه صرفاً ابزارها را مستقر میسازند – میتوانند دستاوردهای بهرهوری را به کاهش واقعی هزینهٔ واحد تبدیل کنند و یک مزیت ساختاری ایجاد نمایند.
- تهدید: طرحهایی که هوش مصنوعی را صنعتی میکنند، میتوانند پایهٔ هزینهٔ اداری خود را کاهش داده و با قیمتگذاری رقابتی، حاشیهٔ سود دیگران را تحت فشار قرار دهند.
با این حال، چالش اساسی این است که بیشتر سازمانهای بیمهگر برای جذب اقتصاد هوش مصنوعی طراحی نشدهاند. آنها میتوانند ابزارها را مستقر کنند، اما در ایجاد تغییرات پیرامونی در گردشکارها، حاکمیت و نیروی انسانی با مشکل مواجه میشوند و در نتیجه نشان دادن بازگشت سرمایهٔ واقعی برایشان دشوار است.
سه اصطکاک که نقدینگی را به تله میاندازد
بیشتر بیمهگران در تحقق نتایج سودآور نهایی ناکام میمانند، زیرا سرمایه، تیمها و پلتفرمها به اندازهٔ کافی سریع حرکت نمیکنند تا ایدهها را به نتایج قابلاندازهگیری تبدیل کنند. همچنین آنها به تأمین مالی چیزهایی ادامه میدهند که به خوبی کار نمیکنند یا نیازهای کسبوکار را برآورده نمیسازند. سه اصطکاک رایج، یک مشکل نقدینگی ایجاد میکنند:
۱. مشکل هزینهٔ ثابت (Fixed Cost Problem): وقتی نسبت زیان اداری (ALR) ثابت میماند، سازمان نمیتواند بارها و بارها درخواست بودجهٔ بیشتر کند. سرمایه اغلب در تعهدات چندسالهٔ فروشندگان، تیمهای عملیاتیِ انعطافناپذیر و پلتفرمهای سختافزاری به دام افتاده است. پول در سبد سرمایهگذاری وجود دارد، اما قابلانتقال نیست.
۲. مالیات نگهداری (Maintenance Tax): هر سال، کدها و قابلیتهای جدید اضافه میشوند، اما سیستمها و فرآیندهای قدیمی به ندرت بازنشسته میشوند. هزینهٔ اداره، نگهداری و تعمیر این داراییها انباشته میشود و بودجه را میبلعد، به طوری که برای نوآوری چیزی باقی نمیماند.
۳. شکست در تخصیص مجدد (Reallocation Failure): حتی زمانی که طرحها منسوخ میشوند یا نسبت به چارچوب کسبوکار خود عملکرد ضعیفی دارند، بودجهها اغلب به بخشها و برنامههای سالانه متصل میمانند. سازمانها فعالیت را تأمین مالی میکنند، نه نتیجه را؛ و سرمایه مدتها پس از پایان بازده مفید خود، به دام افتاده باقی میماند.
موتور سرمایهگذاری مجدد خودتأمینگر
بیمهگران به یک «تحول چابک»، «برنامهٔ کاهش هزینه» یا «نقشهٔ راه نوسازی پلتفرم» دیگر که به طور مجزا دنبال شود، نیاز ندارند. این اقدامات به ندرت زمانی که جداگانه انجام شوند، به ارزش پایدار منجر میشوند.
مدل بهتر، یک موتور سرمایهگذاری مجدد یکپارچه (Reinvestment Engine) است که به طور مستمر کاراییها را به نقدینگی قابلسرمایهگذاری تبدیل کرده و آن سرمایه را به سمت باارزشترین طرحهای نوسازی و هوش مصنوعی هدایت میکند – با نتایج قابلاندازهگیری و پاسخگویی در قبال سود و زیان.
این موتور تنها زمانی کار میکند که سه لایه با هم حرکت کنند: سرمایه (Capital)، سرعت (Velocity) و بهرهوری (Productivity). بیشتر تلاشهای پیشین در این زمینه شکست خوردند زیرا سازمانها سعی کردند این ابعاد را به طور مجزا برطرف کنند.
یک مرکز سود و زیان فناوری (Technology P&L) مسئله را بازتعریف میکند. به جای درمان بودجهٔ فناوری به عنوان اعتبارات سالانهای که در اختیار بخشهاست، سرمایه به عنوان یک سبد سرمایهگذاری متصل به جریانهای ارزش و نتایج قابلاندازهگیری مدیریت میشود. بودجه به صورت مرحلهای آزاد میشود، مزایا به طور شفاف ردیابی میشوند، و سازوکاری قابلپیشبینی برای توقف یا کوچکسازی طرحهای ناموفق و بازیافت سرمایه وجود دارد.
این رویکرد، گفتگوی مدیر مالی و مدیر فناوری اطلاعات را از «سال آینده چقدر باید روی فناوری هزینه کنیم؟» به «کدام سرمایهگذاریها اقتصاد واحد ما را بهبود میبخشند و کدامها نه؟» تغییر میدهد. در طول زمان، این یک مدل خودتأمینگر ایجاد میکند که در آن صرفهجوییهای حاصل از کاهش هزینههای جاری و بهبود بهرهوری، مستقیماً موج بعدی تحول را تأمین مالی میکند.
از پروژه به محصول: تغییر مدل عملیاتی هوش مصنوعی
موتور سرمایهگذاری مجدد همچنین از پروژههای با تاریخ پایان به محصولات با پاسخگویی سود و زیان تغییر مسیر میدهد. تیمهای محصول پایدار و میانوظیفهای، مالکیت جریانهای ارزش خاصی مانند پردازش ادعاها، مدیریت تماسها یا مدیریت استفاده را به طور مستمر در اختیار دارند. رهبران کسبوکار و فناوری مسئولیت نتایج را به اشتراک میگذارند.
این مدل عملیاتی به طور مادی سرعت را افزایش میدهد. تیمهایی که با هم میمانند، دانش نهادی میسازند، تغییرات را به طور مستمر منتشر میکنند و میآموزند که در عمل واقعاً چه چیزی کار میکند. برای هوش مصنوعی و اتوماسیون، این موضوع به ویژه مهم است: ارزش به ندرت در یک راهاندازی «مهآلود» (big bang) محقق میشود، بلکه از طریق چرخههای سریع آزمون و یادگیری که در آنها پذیرش، دقت و هزینه به طور افزایشی اندازهگیری میشوند، حاصل میگردد.
کاهش هزینهٔ تغییر برای گشودن قفل بهرهوری
آخرین محدودیت – و اغلب نادیدهگرفتهشده – هزینهٔ خودِ ایجاد تغییر است. در محیطهای قدیمی، حتی بهبودهای جزئی میتوانند تستهای گسترده، چرخههای انتشار طولانی و ریسک عملیاتی قابلتوجهی را به همراه داشته باشند. سازمانها ریسکگریز میشوند و اقتصاد اتوماسیون یا هوش مصنوعی هرگز به طور کامل محقق نمیشود، زیرا سربار تحویل، صرفهجوییها را میبلعد.
لایهٔ بهرهوری بر کاهش سیستماتیک این هزینه متمرکز است. به جای بازنویسی کامل سیستمهای اصلی، بیمهگران پیشرو در حال پوششدهی پلتفرمهای قدیمی با لایههای انتزاع مدرن، استانداردسازی محیطهای ابری و داده، و ایجاد دروازههای حاکمیتی برای آزمایش هوش مصنوعی هستند. این سرمایهگذاریها ممکن است به خودی خود صرفهجویی فوری ایجاد نکنند، اما به طرز چشمگیری اقتصاد هر آنچه را که پس از آنها میآید، بهبود میبخشند. هنگامی که تغییر ارزانتر و ایمنتر شود، تیمها میتوانند سریعتر تکرار کنند، فرآیندهای قدیمی را زودتر بازنشسته کنند و در نهایت دستاوردهای بهرهوریای را که اتوماسیون مدتها وعده داده بود، به چنگ آورند.
حاکمیتی که سرعت را با کنترل تلفیق میکند
یک موتور سرمایهگذاری مجدد تنها زمانی کار میکند که رهبران بتوانند تصمیمات سریع بگیرند بدون آنکه هرجومرج ایجاد کنند. این مستلزم حاکمیتی شفاف، مشترک و مبتنی بر داده است، نه لایهٔ دیگری از کمیتهها یا گردشکارهای تأیید که اجرا را کند کنند.
حاکمیت مؤثر مرکز سود و زیان فناوری، سه نقش را هماهنگ میکند:
- مالی به عنوان متولی سرمایه: سقف بودجه را تعیین میکند، قوانین شروع و توقف را اجرا میکند و سبد سرمایهگذاری را در برابر نتایج مالی پاسخگو نگه میدارد.
- فناوری به عنوان نگهبان پلتفرم: ریلهای معماری غیرقابلمذاکره و استانداردهای ریسک هوش مصنوعی را تعریف میکند که سرعت را حفظ کرده و از پراکندگی جلوگیری مینماید.
- کسبوکار به عنوان مالک ارزش: مسئولیت پذیرش، تغییر عملیاتی و شناسایی صرفهجویی را بر عهده دارد – نه صرفاً تاریخهای راهاندازی.
یک تابلوی عملکرد مشترک مبتنی بر شاخصهای پیشرو (نه گزارشهای تأخیری) ضروری است. در هر نقطه، مدیران باید بتوانند به چهار پرسش پاسخ دهند: آیا پول نقد واقعی به سود و زیان بازمیگردانیم؟ آیا سریعتر از سال گذشته تحویل میدهیم؟ آیا اتوماسیون واقعاً در سطح واحد ارزانتر از نیروی کار است؟ و آیا بدون افزایش ریسک عملیاتی، سریعتر حرکت میکنیم؟
نتیجهگیری: شکاف رقابتی با یک مدل عملیاتی مستحکم بسته میشود
برای طرحهای سلامت، تحول فناوری به یک موضوع دستور کار حاشیهٔ سود تبدیل شده است، نه صرفاً یک موضوع فناوری اطلاعات. هوش مصنوعی شکاف بین سازمانهایی را که میتوانند گردشکارها را بازطراحی و سرمایه را با سرعت بازتخصیص دهند – و آنهایی که صرفاً ابزارهای جدید را روی مدلهای عملیاتی قدیمی لایهگذاری میکنند – عمیقتر خواهد کرد.
یک مرکز سود و زیان فناوری بازطراحیشده، که توسط یک موتور سرمایهگذاری مجدد تغذیه میشود، مسیری عملی رو به جلو ارائه میدهد. این مدل به رهبران بیمهگر امکان میدهد بدون بودجهٔ افزایشی نقدینگی ایجاد کنند، سرمایهگذاریهای فناوری را به کاهش قابلاندازهگیری در هزینهٔ واحد تبدیل نمایند، و شرطبندیهای برنده را به سرعت مقیاس کنند در حالی که شرطبندیهای بازنده را زود متوقف میسازند.
طرحهایی که پیشی میگیرند، آنهایی نخواهند بود که بیشترین تعداد آزمایشهای هوش مصنوعی یا بزرگترین بودجهٔ نوسازی را دارند. آنها خواهند بود که مدل عملیاتیای ساختهاند که قادر است هر دلار سرمایهگذاری فناوری را به کاهش قابلاندازهگیری در هزینهٔ اداری تبدیل کند – و سپس سال بعد دوباره همین کار را انجام دهد. این انضباط، که در طول زمان انباشته میشود، همان چیزی است که یک ساختار هزینهٔ رقابتی را از یک ساختار هزینهٔ همیشهدرحالافزایش جدا میسازد.
This response is AI-generated, for reference only.
