L’automazione dei processi di rimborso assicurativo mediante Intelligenza Artificiale rappresenta un’opportunità strategica per ridurre i costi operativi, ma introduce del rischio sull’affidabilità dei sistemi. Questa tesi analizza quantitativamente il sistema di estrazione automatica, implementato da una compagnia assicurativa cliente di Accenture, che mira a ridurre i costi da 0,20€ a 0,02€ per documento. Tuttavia, un’analisi preliminare condotta da Accenture ha rivelato un tasso di errore del 22% nei dati estratti dall’AI. L’analisi si basa su un dataset di più di 221.253 documenti assicurativi (tra prescrizioni cliniche e fatture amministrative) raccolti tra settembre e novembre. Mediante tecniche di statistica inferenziale, teoria delle probabilità e gestione quantitativa del rischio, questa tesi evidenzia quattro aree: identificazione di pattern tem- porali (test Chi-Quadrato, t-test), analisi delle correlazioni tra errori (test di indipendenza di Pearson e Fisher), modellazione probabilistica con gestione della sovradispersione (Distribuzione Binomiale Negativa) e quantificazione del rischio dovuto all’introduzione del sistema automatizzato (Value at Risk, Conditional Value at Risk).