Når svindlerne bruker AI, svarer Storebrand med AI

I fjor avdekket forsikringsbransjen svindel for over en halv milliard kroner. Data scientist Daniel Roelfs (32) utvikler modeller som hjelper Storebrand med å avsløre stadig mer avanserte svindelforsøk.

Av  Emma Fjær
ARTIKKEL · PUBLISERT 16.11.2026

Når AI møter AI

AI-genererte bilder har på kort tid blitt langt mer realistiske. Det skaper nye utfordringer når kunder sender inn bilder og dokumentasjon i forbindelse med forsikringssaker.

For Roelfs har det samtidig gjort arbeidshverdagen mer spennende.

Det blir nesten en AI-mot-AI-kamp. Vi bruker AI til å hjelpe saksbehandlerne med å oppdage svindel, samtidig som noen bruker AI for å prøve å lure oss.
Daniel Roelfs
Data scientist i Storebrand

Roelfs er en del av Claims-teamet, der utviklere, data scientists, designere og produkteiere bygger systemene som brukes i skadeoppgjøret. Et av dem er Skadeassistenten, et internt verktøy som hjelper saksbehandlerne med å vurdere saker.

Tett på dem som bruker teknologien

Det Roelfs trekker fram som noe av det beste med måten Storebrand jobber på, er ikke en bestemt modell eller tech-stack. Det er den korte avstanden mellom teknologi og forretning.


– Jeg kan snakke direkte med en saksbehandler for å høre hva de trenger, slik at vi kan bygge modellene deretter.

Daniel Roelfs i kontorlandskapet sammen med gode kolleger.

Det gir teknologene mulighet til å være med på å definere hva som bør bygges, ikke bare hvordan det skal bygges.

Flere saker skal behandles automatisk

Bare innen innbo- og reiseforsikring har Storebrand så langt i 2026 mottatt over 180 000 bilder og dokumenter. 


Samtidig ønsker selskapet å automatisere flere av de «enklere» forsikringssakene.


– Vi vil automatisere mer, uten at vi risikerer å betale ut mer svindel. Målet er at saksbehandlerne våre heller bruker tiden sin på de riktige sakene, sier Roelfs.


For å hjelpe dem med det bygger teamet digitale varsellamper, eller såkalte «red flags».

Vil du jobbe med teknologi som dette?

Les mer om Storebrand Digital og se om vi har en stilling for deg.

Bygger varslingssystem

– Jobben min er å bygge logikken for hva vi skal flagge, og hvordan vi skal flagge det.


Et flagg er ikke en konklusjon om svindel, men et signal om at noe ved saken bør undersøkes nærmere.


Teamet kan for eksempel bruke metadata fra bilder, som tidspunkt, enhet og i enkelte tilfeller lokasjon. Kombinert med informasjonen i skademeldingen kan dette brukes til å oppdage avvik.


Men et avvik er ikke nødvendigvis mistenkelig. AI-modellene brukes derfor til å skille relevante signaler fra støy og redusere antallet falske alarmer.


Noen flagg har høy treffsikkerhet, mens andre kan gi både falske positiver og falske negativer. Derfor er et tett samarbeid med saksbehandlerne sentralt.


– Modellen kan flagge noe, men saksbehandleren tar beslutningen. 

Fra behov til Python, Snowflake og Kubernetes

Når teamet har identifisert et behov sammen med saksbehandlerne, må det oversettes til data og logikk.


– Mye av jobben min handler om å oversette et forretningsbehov til noe vi kan representere med data og statistikk.


Modellene utvikles i Python, med Dagster for orkestrering av sjekkene. Databricks brukes blant annet til utvikling og hosting av enkelte modeller som API-er, mens Snowflake er databasen i løsningen.

Svindelsjekkene kjøres i Dagster. Her følger Daniel Roelfs med på at bilder kunder sender inn blir klassifisert.

Bilder og annen dokumentasjon kundene laster opp i skadeskjemaet på storebrand.no synkroniseres til Snowflake gjennom Qlik Replicate. Svindelsjekkene monitoreres gjennom Streamlit og Power BI, med varsling via Slack.


Skadeassistenten er bygget som et REST API med en Java-backend på Spring Boot, i tillegg til interne Storebrand-pakker for sikkerhet, innlogging og logging. Backenden kompileres med Maven, pakkes som et Docker-image og deployes med Kubernetes og GitHub Actions. SonarQube Cloud brukes til kvalitetssikring av koden.


Frontenden er bygget i React og TypeScript og kompileres med Vite. Data hentes med Axios og caches med TanStack React Query, mens komponentene kommer fra Storebrands interne designsystem Pretzel. Nye varsler og funksjoner designes og prototypes i Figma.


Monitorering av appen skjer via GCP og Datadog.


– Du kan bygge verdens beste modell, men hvis ingen skjønner hva den betyr, er den verdiløs.


I den prosessen er designerne særlig viktige. Til tross for at fagfeltet i stor grad er påvirket av AI, har Storebrand opp til flere designere. 
 

Fra venstre: Daniel, Katinka, Karoline, Stine, Erika og Gautami.

Vanskeligere å avsløre AI-bilder

Samtidig blir utfordringen modellene skal løse stadig mer kompleks.


Tidligere kunne AI-genererte bilder ofte avsløres med det blotte øyet. Fingre så rare ut, tekst var uleselig og detaljer hang ikke sammen. Sånn er det ikke lenger. 


Teamet ser også tilfeller der ekte bilder manipuleres med AI. Nesten hele bildet kan være autentisk, mens bare selve skaden på en gjenstand er endret.


– Når teknologien som brukes til å manipulere bilder blir bedre, må modellene våre utvikles samtidig.
 

Én ferdighet blir viktigere for data scientists

Når AI blir bedre til å kode, tror ikke Roelfs at det betyr mindre behov for data scientists og utviklere. Men rollen vil trolig endre seg, ifølge ham. 


– Jeg har aldri vært verdens beste programmerer. Det jeg føler at jeg er god på, er å oversette det tekniske til forretningsspråk, og motsatt.

Daniel Roelfs tror evnen til å oversette mellom teknologi og forretning blir viktigere når AI skriver mer av koden.

Selv om AI kan ta over mer av selve programmeringsarbeidet, tror han forståelsen som oppstår i møtet mellom teknologi og forretning blir viktigere.


– Jo flere som ser hvor mye verdi AI kan gi, desto flere ting kommer folk til å ønske å bygge. Jeg er optimistisk på vegne av utviklerjobben her i Storebrand. 

Møt teamet bak Skadeassistenten

Flere i teamet startet i én rolle og har fått prøve seg på noe nytt underveis, fra frontend til AI-utvikling og fra backend til data engineering. Her er seks av dem som bygger Skadeassistenten sammen med Daniel.

Karoline Wisløff Rud, senior developer

Jeg startet med backend-utvikling på løsningen saksbehandlerne bruker for å vurdere potensiell svindel. Nå jobber jeg også med å utforske og teste nye måter å avdekke svindel på, i tett samarbeid med data scientistene våre.

Erika Stefankova, senior developer

Jeg startet i teamet som frontend-utvikler, men har også fått jobbe med backend, research og AI-utvikling. Selv etter ti år i bransjen lærer jeg stadig noe nytt, ikke minst gjennom et team med mye kompetanse og ulike perspektiver.

Gautami Kadiri, senior developer

Jeg har bakgrunn som backend-utvikler, men i dette teamet har jeg også fått bryne meg på data engineering. Det er nytt og utfordrende å jobbe med svindeldata i Snowflake og Dagster, men jeg lærer mye underveis og av menneskene rundt meg.

Stine Varre, product manager

Jeg setter retning, prioriterer og følger opp resultatene i teamet. Samtidig handler rollen om å skape et godt team der folk trives, har det gøy og motiveres til å yte sitt beste.

Bendik Skotland Hansen, senior UX designer

Jeg jobber med løsninger som gjør det enklere for skaderådgiverne å forstå svindelmønstre og vurdere potensiell svindel.

Katinka Kallåk, forretningsutvikler

Jeg henter inn innsikt fra kunder og skaderådgivere for å finne ut hva vi kan gjøre bedre. Som bindeledd mellom forretning og teknologi jobber jeg sammen med produktteamet for å gjøre behov og utfordringer om til bedre digitale løsninger.

Her bygger vi fremtidens Storebrand Digital