Per anni ci siamo chiesti come l’intelligenza artificiale potesse aiutare le compagnie a sottoscrivere meglio i rischi. La domanda successiva potrebbe essere molto diversa: come si sottoscrive il rischio creato dall’intelligenza artificiale stessa?
Per anni il dibattito tra AI e assicurazioni si è concentrato quasi interamente sulla prima metà dell’equazione: underwriting più veloce, gestione dei sinistri, antifrode, customer service, operations.
In altre parole: come può l’assicurazione utilizzare l’AI?
Adesso iniziano ad apparire segnali che suggeriscono di osservare anche il movimento opposto: come farà l’assicurazione ad assicurare l’AI?
Un segnale interessante arriva dagli Stati Uniti. Verisk/ISO ha sviluppato tre endorsement opzionali relativi alla Generative AI per la Commercial General Liability: CG 40 47, CG 40 48 e CG 35 08. Le forme, con data gennaio 2026, consentono agli assicuratori che decidano di utilizzarle di delimitare alcune esposizioni derivanti dalla Generative AI. Fonti del mercato statunitense segnalano interesse e filing da parte dei carrier, ma l’effettiva diffusione delle esclusioni non è ancora determinabile.
È una distinzione fondamentale.
Un filing non significa che quell’esclusione sia necessariamente già applicata a un determinato contratto. E l’esistenza di un’esclusione AI non significa che i rischi derivanti dall’intelligenza artificiale siano oggi generalmente esclusi dalle assicurazioni.
Copertura, esclusione e liquidabilità di un sinistro dipendono sempre dal wording della singola polizza, dalla linea di business, dalla giurisdizione e soprattutto dalla causa concreta del danno.
La notizia, quindi, non è che “le compagnie stanno escludendo l’AI”.
La notizia è che l’AI comincia a essere riconosciuta come esposizione che merita di essere nominata, delimitata e sottoscritta consapevolmente.
Dal generare contenuti al compiere azioni
Qui entra in gioco l’evoluzione verso la cosiddetta agentic AI.
La Generative AI alla quale ci siamo abituati produce prevalentemente qualcosa: un testo, un’immagine, un’analisi, del codice, una risposta.
Un agente può invece utilizzare strumenti e sistemi esterni per agire.
Il NIST, che nel febbraio 2026 ha avviato negli Stati Uniti una specifica AI Agent Standards Initiative, parla esplicitamente di una nuova generazione di sistemi capaci di azioni autonome. Nelle applicazioni già disponibili, gli agenti possono interagire con dati e software, gestire email e calendari, svolgere attività su più passaggi o effettuare operazioni per conto dell’utente.
Dal punto di vista assicurativo la differenza è rilevante.
Un sistema che genera un’informazione errata può contribuire alla nascita di un danno.
Un sistema al quale sono state concesse autorizzazioni per modificare un database, inviare una comunicazione, chiamare un’API, effettuare un acquisto o avviare un processo può prodururre direttamente una conseguenza operativa.
Più cresce l’autonomia, quindi, più cambia la domanda.
Non basta più chiedersi: “Il modello può sbagliare?”
Bisogna chiedersi: “Che cosa può succedere quando sbaglia?”
E soprattutto: “Che cosa gli abbiamo consentito di fare?”
Dall’AI come tool all’AI come rischio
Possiamo leggere questa evoluzione attraverso tre fasi.
1. AI as a tool
L’intelligenza artificiale migliora o modifica i processi aziendali e assicurativi.
2. AI as an exposure
Il suo utilizzo introduce esposizioni che possono attraversare coperture già esistenti.
3. AI as an insured risk
L’esposizione viene identificata esplicitamente attraverso underwriting, wording, pricing, limiti e capacità.
Non è una previsione certa sull’evoluzione del mercato. È un framework utile per capire la direzione del problema.
Il vero nodo della silent AI
Una delle questioni più interessanti riguarda infatti la silent exposure.
Il concetto non nasce con l’intelligenza artificiale. Il mercato lo conosce bene attraverso il cyber.
EIOPA definisce il silent cyber come una situazione nella quale la copertura del rischio cyber non è né esplicitamente inclusa né esplicitamente esclusa dalla polizza. Proprio questa incertezza può generare esposizioni inattese, controversie e differenze tra ciò che il cliente pensa di avere assicurato e ciò che il contratto effettivamente copre.
Trasferiamo il ragionamento sull’AI.
Molte polizze oggi in vigore sono state progettate quando l’utilizzo dell’intelligenza artificiale nei processi aziendali era molto meno diffuso o assumeva caratteristiche differenti.
E allora la domanda diventa inevitabile:
se una perdita viene generata utilizzando un sistema AI, quella perdita rientra in una garanzia esistente, è esclusa oppure si trova in una zona interpretativa?
La risposta non può essere generale.
A seconda della dinamica concreta potrebbero essere coinvolte aree differenti: cyber, professional indemnity ed E&O, D&O, general liability, media liability, crime o technology E&O. Anche analisi recenti del mercato americano evidenziano proprio questa frammentazione potenziale tra diverse linee tradizionali.
Ed è qui che la silent AI diventa un problema di underwriting prima ancora che di prodotto.
Chi ha causato il danno?
Con un processo tradizionale possiamo immaginare una catena relativamente lineare:
persona → decisione → azione → danno
Con un sistema AI la sequenza può diventare molto più articolata:
organizzazione → modello → dati → istruzione → strumenti → agente → azione → risultato
A quel punto anche la ricostruzione dell’esposizione cambia.
Il modello è stato sviluppato internamente o acquistato?
Su quale foundation model si basa? Chi lo ha integrato? Quali dati utilizza? Chi ne ha configurato obiettivi e limiti? Quali sistemi può interrogare o modificare? Esiste un controllo umano prima che un’azione diventi definitiva? Sono conservati log sufficienti a ricostruire ciò che è accaduto?
Non sono domande puramente informatiche.
Sono domande assicurative.
Perché l’underwriter non deve necessariamente comprendere come è costruita ogni componente matematica di un modello. Deve però poter ricostruire la catena attraverso la quale quella tecnologia può trasformarsi in perdita.
Un solo modello, migliaia di assicurati
C’è poi un secondo problema, forse ancora più importante: l’accumulo.
Una compagnia può essere perfettamente in grado di valutare il rischio di una singola impresa e contemporaneamente non vedere l’esposizione che nasce dalla concentrazione dell’intero portafoglio.
Se migliaia di assicurati utilizzano gli stessi foundation model, gli stessi cloud provider o gli stessi layer tecnologici, una vulnerabilità o un malfunzionamento a monte può creare perdite correlate.
Un recente rapporto dedicato all’assicurazione dei sistemi agentici individua proprio nella concentrazione attorno a pochi foundation model provider uno dei temi centrali per l’assicurabilità futura dell’AI. Va letto come analisi prospettica del settore, non come misurazione definitiva dell’esposizione assicurativa esistente, ma porta alla luce una domanda estremamente concreta.
Non basta più chiedere:
“Quanto è rischiosa questa azienda?”
Potrebbe diventare necessario chiedere anche:
“Quante aziende che abbiamo assicurato dipendono dallo stesso modello, provider o servizio?”
È una logica che ricorda l’accumulation risk cyber, senza per questo rendere AI e cyber due rischi equivalenti.
Dalle esclusioni alla capacità di sottoscrivere
Di fronte a un rischio nuovo e poco conosciuto, la risposta iniziale dell’assicurazione può comprensibilmente essere difensiva: esclusioni, sublimit, condizioni più precise, maggiore selezione.
L’assicuratore deve comprendere frequenza, severity, causalità e correlazione prima di assumere consapevolmente un’esposizione.
Ma questo non significa che l’esclusione debba necessariamente rappresentare il punto di arrivo.
Anzi, esiste già il movimento opposto.
Sul mercato sono presenti soluzioni assicurative espressamente dedicate ad alcune esposizioni AI. Munich Re, per esempio, descrive oggi la propria suite aiSure come un insieme di coperture per provider e utilizzatori aziendali di AI che può comprendere performance del modello, responsabilità contrattuali, perdite finanziarie e responsabilità legali. È un esempio specifico, non la prova dell’esistenza di un mercato AI maturo o standardizzato, ma dimostra che il passaggio verso forme di copertura esplicita è già iniziato almeno in alcune nicchie.
La traiettoria possibile potrebbe quindi essere:
Silent exposure → Exclusion → Risk understanding → Underwriting → Affirmative coverage → Capacity
Anche questo è un framework editoriale, non una previsione inevitabile.
Il precedente cyber è utile proprio per questo. EIOPA ha descritto negli anni il passaggio dalla presenza di esposizioni cyber non affirmative alla necessità di wording più chiari, misurazione dell’esposizione, underwriting e gestione dell’accumulo e della riassicurazione.
L’AI potrebbe seguire alcuni passaggi simili. Ma non significa che sarà “il nuovo cyber”.
Significa semplicemente che il cyber ci mostra come l’assicurazione può progressivamente trasformare una tecnologia pervasiva e difficile da delimitare in una categoria di rischio più leggibile.
Le cinque domande dell’underwriter AI
Se questo scenario si consoliderà, il tradizionale technology questionnaire potrebbe non essere più sufficiente.
Servirà qualcosa di più vicino a un AI operating model assessment.
Cinque domande possono sintetizzarne la logica:
- Cosa può fare realmente il sistema?
- Su quali dati, applicazioni e sistemi può agire?
- Quanto è autonomo prima che intervenga una persona?
- Chi può interrompere, correggere o ricostruire le sue azioni?
- Quante altre esposizioni dipendono dallo stesso modello o provider?
Non significa trasformare l’underwriter in un data scientist.
Significa tornare all’essenza dell’underwriting: comprendere come nasce il rischio.
E quando cambia l’underwriting, cambia anche la distribuzione
Questa evoluzione non riguarda soltanto Product, Underwriting e Risk Management.
Riguarda Claims, perché dovrà ricostruire catene causali più articolate.
Riguarda Legal, perché contratti e responsabilità coinvolgeranno più soggetti.
Riguarda la riassicurazione, perché capacità e accumulo dovranno essere misurati.
E riguarda inevitabilmente anche chi distribuisce le coperture.
Quando nei contratti inizieranno a convivere wording differenti, endorsement, esclusioni, sublimit e coperture affirmative, la qualità della conversazione con il cliente diventerà determinante.
La domanda:
“Utilizzate l’intelligenza artificiale?”
rischierà presto di essere quasi inutile.
Molto più interessanti saranno domande come:
Dove la utilizzate? Quanto è autonoma? Quali decisioni può assumere? A quali sistemi ha accesso? Cosa accade se sbaglia?
Per poterle porre non è necessario che un intermediario diventi un tecnico informatico.
Deve però capire almeno la differenza tra generative e agentic AI, tra output e azione, tra controllo umano e autonomia, tra silent exposure e copertura affirmative.
È qui che tecnologia, underwriting, prodotto,distribuzione e formazione tornano a collegarsi.
Ed è probabilmente questo il punto più interessante.
Per anni abbiamo osservato l’intelligenza artificiale chiedendoci come potesse cambiare l’assicurazione.
Ora dobbiamo iniziare a osservare anche il movimento inverso.
Come cambierà l’assicurazione per riuscire a comprendere, prezzare e trasferire il rischio creato dall’intelligenza artificiale?
Ogni nuova tecnologia attraversa una fase nella quale il rischio cresce più rapidamente della capacità del mercato di definirlo.
Le esclusioni possono servire a delimitare questa incertezza. Ma più l’AI diventerà parte ordinaria dei processi aziendali, più sarà difficile trattarla semplicemente come un’eccezione.
A quel punto l’assicurazione dovrà tornare a fare ciò che, in fondo, ha sempre fatto:
trasformare un’incertezza difficile da leggere in un rischio abbastanza comprensibile da poter essere sottoscritto.
E forse la vera domanda da osservare nei prossimi anni sarà proprio questa:
tra silent exposure ed esclusioni, quanto manca al momento in cui l’AI diventerà una vera categoria di underwriting con coperture, pricing e capacità espliciti?
I rischi derivanti dall’intelligenza artificiale sono già coperti dalle polizze?
Dipende dalla singola polizza, dal wording, dalla causa concreta del danno, dalla linea assicurativa e dalla giurisdizione. Proprio questa possibile incertezza è alla base del dibattito sulla silent AI exposure e sull’opportunità di rendere più esplicita l’allocazione del rischio.
Che cosa significa silent AI risk?
Per silent AI risk si può intendere l’esposizione di una polizza a perdite connesse all’utilizzo dell’intelligenza artificiale senza che quel rischio sia stato esplicitamente identificato, escluso o specificamente considerato nella costruzione della copertura e nel relativo underwriting.
Potrebbero nascere polizze specifiche per l’AI?
Sì, alcune soluzioni specifiche esistono già, ma non è detto che il mercato converga verso un’unica “AI insurance”. L’evoluzione potrebbe avvenire anche attraverso endorsement, coperture affirmative e adattamenti delle linee tradizionali, accompagnati da underwriting e gestione dell’accumulo più specifici.