Tractable

Ogni anno nel mondo si aprono centinaia di milioni di sinistri assicurativi per danni fisici a veicoli. In quasi tutti i casi il processo è rimasto uguale a decenni fa: un perito umano ispeziona il mezzo, stima il danno, compila un rapporto, e il rimborso arriva dopo giorni se non settimane. Tractable ha deciso di attaccare questo collo di bottiglia con la stessa tecnologia che guida le auto a guida autonoma: computer vision e deep learning applicati alla valutazione visiva dei danni. La piattaforma di Tractable analizza le fotografie di un veicolo danneggiato — scattate con un normale smartphone — e produce in pochi secondi una stima accurata dei costi di riparazione. Il sistema è stato addestrato su milioni di sinistri reali, permettendogli di riconoscere tipologie di danni, parti coinvolte e costi associati con una precisione che si avvicina o supera quella di un perito esperto, ma a una velocità radicalmente diversa. Il tempo di liquidazione di un sinistro passa da giorni a minuti. I clienti di Tractable sono le compagnie assicurative e i dealer auto, che affrontano costi operativi enormi per la gestione delle perizie e che beneficiano direttamente dell'automazione sia in termini di efficienza sia di standardizzazione dei processi. Per un assicuratore che gestisce milioni di sinistri l'anno, automatizzare anche solo una parte della valutazione visiva rappresenta un risparmio operativo significativo. Fondata a Londra da Alex Dalyac, Adrien Cohen e Razvan Ranca, Tractable ha costruito la sua posizione partendo da un caso d'uso specifico — i danni ai veicoli — per poi espandere la tecnologia ad altri ambiti come la valutazione dei danni da catastrofe naturale. Il modello di business si basa su licenze SaaS proporzionate al volume di perizie processate, creando ricavi ricorrenti allineati con l'utilizzo reale del sistema. Il mercato dell'insurtech per l'automazione dei sinistri è ampio e ancora relativamente poco penetrato dalla tecnologia AI, il che posiziona Tractable in un settore con barriere all'ingresso significative — la qualità dei dataset di addestramento, l'integrazione con i sistemi legacy delle assicurazioni, la capacità di garantire accuratezza su varietà enormi di veicoli e danni — e un potenziale di espansione geografica su scala globale.