Proč modernizace pojišťovacích systémů pořád zasekává

Pojišťovací core systémy jsou často digitální archeologie. Desítky let provozu vrstvily aktuářská pravidla, dávkové procesy, vlastní rozhraní a datové sémantiky, které dnes rozumí možná dvěma zaměstnancům v celé firmě. McKinsey ve své analýze uvádí, že vedení pojišťoven potřebu modernizace dávno chápe, ale strukturální náklady a rizika je opakovaně demotivují.

Největší bariéry představují poddokumentovaná produktová logika a aktuárská nastavení, sémantické mezery, které se projeví až v závěrečné fázi migrace a vynutí nákladné předělávky, a takzvané cutover riziko — obava z výpadku kritických operací při přepínání ze starého systému na nový. Tyto faktory vytvářejí drahé období „double-bubble“, kdy pojišťovna současně platí provoz legacy systému i financuje modernizační program.

Zajímavé zjištění McKinsey však spočívá v tom, kde se vlastně ztrácí nejvíce času. Přepsání kódu nebo konfigurace cílové platformy tvoří jen zlomek práce. Disproporčně velký podíl energie a investic padne na pochopení a nastavení pravidel, konverzi dat, kontrolu kvality, reconciliaci, operační připravenost a stabilizaci po migraci. Právě tady agentní AI podle analytiků přichází na scénu.

Co je agentní AI a čím se liší od běžných copilotů

Agentní AI nejsou jen chytřejší chatboti. Zatímco vývojářské copiloty typu GitHub Copilot nebo Claude Code asistují uživateli v reálném čase, agentní systémy jsou navrženy tak, aby samostatně pronásledovaly cíl, rozbíjely ho na dílčí úkoly, využívaly dostupné nástroje a kontext, a iterativně se přizpůsobovaly zpětné vazbě a kontrolním mechanismům.

V kontextu migrace systému správy pojistných smluv to znamená, že největšími úzkými hrdly nebývá psaní nového kódu, ale smyčky objevování, mapování, testování, reconciliace a přepínání. Agenti dokáží číst zastaralé programovací jazyky, kterým už téměř nikdo nerozumí, provést reverzní inženýrství logiky a převést ji do srozumitelné angličtiny. McKinsey uvádí, že v mnoha případech agent zvládne za několik dní to, co by vyškolenému odborníkovi trvalo měsíce či roky.

Jakmile jsou agentní schopnosti jednou zavedeny, náklady na modernizaci dalších produktů a systémů mohou rychle klesnout. Stejní agenti, vzory a kontextové vrstvy se dají znovu použít napříč vlnami migrace i různými oblastmi. McKinsey to popisuje jako „portfolio option, kterou lídři pojišťovacích technologií dosud neměli“.

Kde se projeví největší zisky: od 20 % až po 90 %

Zpráva rozděluje modernizační proces do několika fází a přiřazuje jim konkrétní odhady produktivity:

• Discovery a reverzní inženýrství legacy systémů: 20–50 % zlepšení produktivity
• Testování, reconciliace a komprese defektových cyklů: 15–90 % zlepšení produktivity

Nejvyšší čísla tedy přicházejí ve fázích, které byly dosud nejvíce manuální a nejméně atraktivní — opakované testování konverze dat, porovnávání výstupů starého a nového systému, hledání chyb a jejich opětovná oprava. Agenti tyto cykly zkracují automatizací a paralelním během stovek scénářů.

Tři zásadní posuny, které McKinsey doporučuje

Analytici identifikovali tři kritické změny, bez nichž pojišťovny nezúročí plný potenciál agentní AI.

1. Modulární agenti místo monolitických řešení
Pojišťovny by měly stavět agenty jako knihovnu atomických schopností s jasnými vstupy, akceptačními kritérii a cestami eskalace k člověku. Tento přístup zlepšuje kontrolu, umožňuje auditovatelnost výstupů a umožňuje opakované použití napříč fázemi objevování, dat, testování i cutoveru.

2. Z jedné velké migrace k portfoliu příležitostí
S opakovaně použitelným zásobníkem agentů klesá přírůstkové úsilí potřebné k modernizaci dalších produktů či sousedních aplikací. Lídři tak mohou hodnotit platformové migrace souběžně s selektivními přepisy dlouhého ocasu legacy aplikací.

3. Přepracování rolí, governance a řízení rizik
Protože modernizace pojišťovacích systémů podléhá regulaci a je provozně citlivá, musí agentní workflow obsahovat zabudované kontroly: schválení člověkem v klíčových bodech (human-in-the-loop), stopovatelnost od požadavků přes konfiguraci až po testovací důkazy, a jasné postupy validace modelů.

Co to znamená pro Česko a Evropu

České pojišťovny — od velkých hráčů jako Kooperativa, ČPP nebo Generali po menší specializované pojistitele — často provozují systémy, jejichž jádro vzniklo ještě před érou cloudových platforem. Zatímco digitalizace front-office (webové portály, mobilní aplikace) pokročila, back-office jádra zůstávají ukotvena v minulosti.

Evropský regulační tlak přitom roste. Nařízení DORA (Digital Operational Resilience Act), platné od ledna 2025, klade na finanční instituce včetně pojišťoven přísné požadavky na odolnost ICT systémů. Zastaralé platformy představují regulační riziko. Zároveň evropská směrnice Solvency II vyžaduje přesné a auditovatelné výpočty kapitálových požadavků — což s nedokumentovanými systémy může být problém.

McKinsey svou zprávou ukazuje, že agentní AI nemusí být pouze laboratorní experiment velkých amerických pojišťoven. Jde o praktický nástroj, který může snížit náklady a rizika modernizace natolik, aby se konečně vyplatila. Pro české CIO a CTO pojišťoven to znamená, že by měli začít testovat agentní schopnosti v izolovaných oblastech — například při dokumentaci legacy kódu nebo automatizaci regresního testování — ještě předtím, než je regulace k modernizaci donutí v panice.

Plný přehled zjištění najdete v originální zprávě McKinsey na jejich webu zde.