נושא: בינה מלאכותית וגישת האימות בחקירות ביטוח
תאריך: 2025 / DUDU
קטגוריה: מאמרים מניוזלטר
תצפית מהשטח: בין הבטחת המחקר האקדמי למציאות הפרקטיקה
מבוא
הונאות ביטוח מהוות אחת מתופעות הפשע הכלכלי הנפוצות והיקרות ביותר בעולם המערבי. על פי נתוני ה-Coalition Against Insurance Fraud לשנת 2025, עלות הונאות הביטוח בארצות הברית בלבד נאמדת בכ-308.6 מיליארד דולר בשנה – נתון המתורגם לתוספת של כ-900 דולר בשנה על פרמיית הביטוח של משפחה ממוצעת.
מול אתגר זה, עולם חקירות הביטוח עובר בשנים האחרונות שינוי טכנולוגי מואץ. כלי בינה מלאכותית גנרטיביים – ובראשם מודלים גדולים של שפה (LLMs) כגון ChatGPT, Claude ו-Gemini – חדרו לפרקטיקה החקירתית ומציעים יכולות שלא היו קיימות קודם לכן: סיכום מהיר של כמויות גדולות של מסמכים, בניית כרונולוגיות מורכבות, זיהוי סתירות פנימיות בגרסאות תובעים, וסיוע בניסוח שאלות חקירה ממוקדות.
במקביל, מחקר פסיכולוגי עדכני מציע מסגרת תיאורטית מבוססת לזיהוי הצהרות כוזבות בהקשר תביעות ביטוח. גישת האימות (Verifiability Approach – VA) פותחה על ידי פרופ' גלית נהרי מאוניברסיטת בר-אילן, פרופ' אלדרט וריי מאוניברסיטת פורטסמות' ופרופ' רונלד פישר מאוניברסיטת פלורידה הבינלאומית. הגישה מציעה עיקרון פשוט אך עוצמתי: דוברי אמת נוטים לספק פרטים הניתנים לאימות חיצוני – שמות עדים מזוהים, מצלמות אבטחה, קבלות ותיעוד דיגיטלי – בעוד שקרנים נמנעים מכך מחשש שפרטים הניתנים לבדיקה יחשפו את שקרם.
מאמר זה בוחן שאלת מחקר מרכזית: האם כלי AI גנרטיביים יכולים לתמוך ביישום גישת האימות בחקירות תביעות ביטוח – ומהן המגבלות שהפרקטיקה בשטח חושפת?
הניתוח מבוסס על שילוב בין סקירת הספרות האקדמית העדכנית לבין תצפיות מהשטח של מחבר המאמר – חוקר פרטי בעל 25 שנות ניסיון בחקירות ומודיעין במשטרת ישראל, העוסק בחקירות ביטוח וייעוץ מהימנות לארגונים.
סקירת ספרות
א. גישת האימות – התשתית הפסיכולוגית
גישת האימות נשענת על הבנה פסיכולוגית לגבי דפוסי השקר: שקרנים נמצאים בדילמה בעת מסירת עדות. מצד אחד, השקרן מעוניין להיראות אמין ומפורט. מצד שני, הוא חושש לציין פרטים שחוקר יוכל לאמת ולהפריך.
תוצאת הדילמה: שקרנים נוטים לספק פרטים כלליים ועמומים, בעוד דוברי אמת נוטים לספק פרטים ספציפיים הניתנים לאימות חיצוני – שמות עדים מזוהים, מצלמות אבטחה, תיעוד דיגיטלי וקבלות.
ב. יישום VA בתביעות ביטוח – ממצאים ומגבלות
Vrij, Nahari, Isitt & Leal (2016) בחנו הצהרות של תובעים בגין גניבה, אובדן ונזק, ומצאו כי:
- 76% מהפרטים בהצהרות אמיתיות היו ניתנים לאימות, לעומת 46% בלבד בהצהרות כוזבות
- 84% מדוברי האמת ציינו לפחות עד אחד מזוהה או מצלמת אבטחה, לעומת 64% מהשקרנים
Harvey, Vrij & Nahari (2017) מצאו כי שימוש ב-Model Statement – הצגת דוגמת הצהרה מפורטת לתובע לפני מתן עדותו – העלה את דיוק הסיווג מ-65% בתנאי בקרה ל-90%.
ג. המטא-אנליזה – תמונת המצב הכוללת
Verschuere, Bogaard & Meijer (2021) ביצעו מטא-אנליזה של 20 מחקרי VA הכוללים 1,532 נבדקים:
- דוברי אמת דיווחו על יותר פרטים ניתנים לאימות משקרנים (Hedges's g=0.42)
- יחס הפרטים הניתנים לאימות היה גבוה יותר אצל דוברי אמת (g=0.49)
- פרטים לא ניתנים לאימות לא הבדילו בין שתי הקבוצות – כמות הפרטים לבדה אינה מספיקה לסיווג
המסקנה המרכזית: "results showed good potential for the use the VA, although replications and field studies are needed".
ניתוח: תמיכת AI גנרטיבי בגישת האימות
א. סיכום מסמכים ובניית כרונולוגיה
חקירת תביעת ביטוח מורכבת כוללת לעיתים קרובות עשרות מסמכים: חוות דעת מומחים, פסקי דין, התכתבויות בין עורכי דין, דוחות קבלנים ושמאים ואמרות מעדים.
מחבר המאמר נתקל בסוגיה זו בחקירת תביעת ביטוח בגין נזקי מים במבנה מסחרי, שכללה עשרות מסמכים הפרוסים על פני שנים. שימוש בכלי AI גנרטיבי אפשר סיכום כל מסמך בנפרד, בניית ציר זמן כרונולוגי, וזיהוי הגורמים המרכזיים – תהליך שקוצר מיום עבודה מלא לשעות ספורות.
ב. בניית שאלות חקירה ממוקדות
כלי AI גנרטיבי יכול לתרום לשלב ההכנה לריאיון בשני אופנים:
- זיהוי הפרטים הניתנים לאימות שכבר מופיעים בחומר, ומנגד הפרטים החסרים שדורשים הבהרה
- סיוע בניסוח שאלות ממוקדות שמזמינות את התובע לספק פרטים ספציפיים – עדים, מצלמות, קבלות, תיעוד דיגיטלי
חשוב לאמת: AI מסייע בהכנת הריאיון, לא בביצועו. הריאיון עצמו ופרשנות תגובות התובע נשארים תחת אחריות החוקר האנושי בלבד.
ג. כתיבת דוחות וסיכומים
כלי AI גנרטיבי תורם לשלב כתיבת הדוח במספר ממדים:
- תמלול ועיבוד ראשוני: המרת הקלטות ריאיון לטקסט עם זיהוי שינויי טון והיסוסים
- מיבנוי הממצאים: הפרדה ברורה בין עובדות מוצקות, ממצאי אימות ומסקנות החוקר
- הצלבת גרסאות: השוואה אוטומטית בין אמרות שנגבו בשלבים שונים של החקירה
דיון: מגבלות וכשלים בפרקטיקה בשטח
א. תופעת ה-Hallucination – כשל מובנה בכלי AI גנרטיביים
המגבלה החמורה ביותר שזיהה מחבר המאמר בעבודתו בשטח: כלי AI גנרטיביים סובלים מתופעת ה-Hallucination – ייצור מידע שנשמע סביר ואמין אך אינו מבוסס על עובדות.
מחבר המאמר נתקל בביטוי קיצוני של תופעה זו: בבדיקת מהימנות שביצע, כלי AI גנרטיבי הפיק פרופיל מפורט של אובייקט החקירה – כולל עיסוקים, רקע מקצועי ורישומים – שהתברר כבדוי חלקית. הכלי עירבב קונטקסט ממקרה קודם ויצר פרופיל של אדם שלא היה מעולם. אילו לא נבדקו הממצאים ידנית לפני הגשת הדוח ללקוח, היה מחבר המאמר מגיש מידע כוזב כעובדתי.
ב. התקפות עוינות – כשהרמאי משתמש ב-AI
מגבלה שנייה עולה מהצד הנגדי: כלי LLM מאפשרים לשקרן לשכתב את הצהרתו כך שתכלול פרטים ש״נראים״ ניתנים לאימות – שמות, תאריכים ומקומות פיקטיביים אך סבירים. כלי AI מסייע לשקרן לפתור את הדילמה שתיעדה הספרות: הוא יכול לייצר פרטים ספציפיים ומפורטים מבלי שיהיו אמיתיים.
ג. הפער בין מעבדה למציאות
כלל מחקרי VA בהקשר תביעות ביטוח בוצעו עם נבדקים שדימו תביעה בתנאי מעבדה – לא עם תובעים אמיתיים. תובע ביטוח אמיתי נמצא תחת לחץ כלכלי, משפטי ורגשי שאין לו מקבילה בניסוי מבוקר.
מניסיון מחבר המאמר בשטח, לחץ אמיתי יוצר שתי תופעות:
- דובר אמת תחת לחץ עלול להיראות חמקמק ומהסס – מאפיינים שעשויים להיות מזוהים שגויה כסימני שקר
- שקרן מנוסה שהתכונן לחקירה עלול להגזים בפרטים ולהציג עצמו כשיתופי במיוחד
המלצות מעשיות לחוקר הביטוח
המלצה 1 – כלל האימות הכפול: כל ממצא שמפיק כלי AI חייב לעבור אימות ידני עצמאי לפני שימוש בו. תופעת ה-Hallucination אינה חריגה נדירה אלא מגבלה מובנית של הטכנולוגיה.
המלצה 2 – AI לשלב ההכנה, לא לשלב ההחלטה: כלי AI מתאימים לסיכום מסמכים, בניית כרונולוגיה, ניסוח שאלות. הם אינם מתאימים להחליט האם תביעה כוזבת או האם להמליץ על דחייתה.
המלצה 3 – יישום עקרונות Information Protocol: בהתאם לממצאי Harvey et al. (2017), יש לשלב בריאיון התובע הודעה מפורשת שפרטיו ייבדקו. עיקרון זה העלה את דיוק הסיווג ל-90% ואינו מצריך כלי טכנולוגי.
המלצה 4 – עמידה במסגרת משפטית: כל שימוש בכלי AI לאיסוף מידע על תובע מחייב עמידה בחוק הגנת הפרטיות הישראלי (1981) ובתקנות החדשות.
מסקנה סופית
גישת האימות של נהרי, וריי ופישר מציעה מסגרת פסיכולוגית מבוססת ומוכחת לזיהוי הצהרות כוזבות בתביעות ביטוח. כלי AI גנרטיביים מציעים לראשונה את התשתית הטכנולוגית לתמיכה ביישומה בקנה מידה מעשי. אולם הפרקטיקה בשטח מלמדת כי הסינרגיה בין השניים אינה אוטומטית ואינה חפה מסיכונים.
ההבחנה הקריטית שעולה ממאמר זה:
כלי AI גנרטיביים יכולים לסייע לחוקר לזהות אילו פרטים ניתנים לאימות – אך האחריות לאמת אותם, לפרש את משמעותם, ולהחליט על בסיסם נשארת אנושית בלבד.
מה שלא השתנה, מאז 2016 ועד היום, הוא הצורך בחוקר אנושי מנוסה שיודע מתי לסמוך על הכלי שבידו – ומתי לא.
ביבליוגרפיה נבחרת:
Harvey, A. C., Vrij, A., & Nahari, G. (2017). Applying the Verifiability Approach to insurance claims settings. Legal and Criminological Psychology, 22(1), 47–59.
Nahari, G., Vrij, A., & Fisher, R. P. (2014). Exploiting liars' verbal strategies by examining the verifiability of details. Legal and Criminological Psychology, 19(2), 227–239.
Verschuere, B., Bogaard, G., & Meijer, E. (2021). Discriminating deceptive from truthful statements using the verifiability approach: A meta-analysis. Journal of Applied Research in Memory and Cognition, 10(1), 155–166.
Vrij, A., Nahari, G., Isitt, R., & Leal, S. (2016). Using the verifiability lie detection approach in an insurance claim setting. Journal of Investigative Psychology and Offender Profiling, 13(3), 183–197.