Внедрение искусственного интеллекта в страховании

Где искусственный интеллект даёт эффект в страховании

Короткий ответ: там, где сотрудник читает документы и принимает по ним типовое решение. В страховании таких участков больше, чем в большинстве отраслей, поэтому первую задачу для внедрения обычно выбирают среди этих пяти.

• Урегулирование убытков. Разбор заявления, полиса, справок, актов и фотографий; извлечение данных в форму; первичная оценка размера ущерба; маршрутизация дела к нужному специалисту. Простые дела с малой суммой можно вести почти автоматически, оставляя человеку сложные и спорные.
• Выявление мошенничества. Сопоставление обстоятельств события, истории клиента, повторяющихся фотографий и контрагентов, аномалий в суммах. Модель не выносит вердикт — она подсвечивает дела для проверки и объясняет, что именно показалось подозрительным.
• Андеррайтинг. Предзаполнение анкеты из документов, проверка полноты данных, оценка риска по внутренним правилам и истории, подготовка предложения по тарифу. Для розничных продуктов — ускорение выпуска полиса; для корпоративных — черновик оценки для андеррайтера.
• Поддержка клиентов и агентов. Ответы по условиям продуктов, статусу дела, документам для выплаты; помощь агентам в подборе программы. Ассистент с доступом к правилам страхования и CRM снимает значительную долю типовых обращений.
• Документы и комплаенс. Сверка договоров с шаблонами, подготовка отчётности, контроль сроков, проверка изменений в правилах. Скучный участок, который редко попадает в презентации, но часто окупается первым.

С чего начать внедрение искусственного интеллекта в страховой компании

Начинать стоит с одного процесса, у которого уже есть цифра: средний срок урегулирования, доля дел с ручным разбором, время ответа в поддержке, стоимость обработки одного заявления. Если метрику нельзя назвать до старта, эффект потом нечем будет доказать.

Практический фильтр для первого участка:

• Высокий объём и типовость. Тысячи одинаковых дел в месяц лучше, чем сотня уникальных. Розничные виды (авто, имущество, ВЗР) подходят лучше корпоративных.
• Есть история в электронном виде. Дела, документы, решения по ним за год-два. Сканы и фотографии — нормально; их разбирают современные модели. Полное отсутствие цифровой истории означает, что первый этап — оцифровка.
• Есть владелец в бизнесе. Руководитель урегулирования, андеррайтинга или клиентского сервиса, который примет результат и изменит регламент, а не только «посмотрит».
• Человек остаётся в контуре решения. На старте ИИ готовит решение, человек его утверждает. Полная автоматизация — только для узкого класса дел и только после накопления статистики.

Как устроен такой проверочный проект и по каким критериям решать «масштабируем или закрываем» — в статье «Пилотный проект внедрения искусственного интеллекта».

Как выглядит система ИИ для урегулирования убытков

Разберём самый частый первый проект подробнее, потому что его архитектура повторяется и в андеррайтинге, и в документообороте.

• Приём и распознавание. Документы и фото из личного кабинета, почты, мессенджеров и от агентов попадают в единую очередь; модель классифицирует тип документа и извлекает поля: номер полиса, дата события, участники, суммы, повреждения.
• Проверка полноты и запрос недостающего. Система сама видит, чего не хватает для решения, и формирует запрос клиенту — вместо того чтобы дело неделю лежало до звонка специалиста.
• Первичная оценка и маршрутизация. По внутренним правилам и истории похожих дел ИИ предлагает оценку ущерба и маршрут: «типовое — к автоматической выплате после подтверждения», «спорное — к эксперту», «признаки мошенничества — в СБ».
• Решение человека и обратная связь. Специалист видит подготовленное дело со ссылками на документы, подтверждает или правит. Каждая правка — данные для улучшения системы.
• Коммуникация с клиентом. Статус дела, список документов, сроки — через ассистента в чате или личном кабинете, с теми же данными, что видит сотрудник.

Технически это связка распознавания документов, языковой модели с доступом к правилам страхования (RAG) и интеграций с учётной системой и CRM. Как устроен слой работы с внутренними документами — в разборе RAG-системы для бизнеса; чем ИИ-агент отличается от чат-бота и когда нужен именно агент — в статье «ИИ-агенты и чат-боты: в чём разница».

Этапы внедрения искусственного интеллекта в страховании

Реалистичный срок первого проекта до продакшена — от трёх до шести месяцев. Страхование медленнее ритейла из-за согласований с ИБ, юристами и регуляторных требований — это нужно закладывать в план, а не удивляться.

• 1. Диагностика (3–4 недели). Карта процессов-кандидатов, оценка данных и доступов, выбор одного пилота, метрики «до», согласование с ИБ и юридической службой того, какие данные и куда могут уходить.
• 2. Прототип на реальных делах (4–6 недель). Проверка на выборке закрытых дел: сравниваем решение системы с фактическим решением специалиста. Здесь становится понятна реальная точность и объём подготовки данных.
• 3. Продакшен и интеграция (8–12 недель). Встраивание в учётную систему и CRM, права доступа, логирование, обучение сотрудников, регламент: что решает система, что человек, как оспорить решение.
• 4. Эксплуатация и масштабирование. Мониторинг точности по классам дел, разбор ошибок, обновление правил при изменении продуктов, перенос подхода на соседние виды страхования.

Общая логика дорожной карты с ответственными и контрольными точками — в материале «Дорожная карта внедрения ИИ».

Сколько стоит внедрение ИИ в страховую компанию

Точной цены нет: она складывается из подготовки данных, разработки, интеграций и сопровождения. Рыночные ориентиры по первому году:

• Ассистент по продуктам и правилам для поддержки и агентов: $8 000 – $30 000.
• Разбор документов и первичная оценка в урегулировании: $25 000 – $80 000 в зависимости от числа видов страхования и интеграций.
• Антифрод-модуль на исторических делах: $30 000 – $90 000; сильно зависит от объёма и качества истории.
• Сопровождение со второго года: по разным оценкам, 15–25% от стоимости внедрения в год.

Самая недооцениваемая статья — подготовка данных: выгрузка дел из учётной системы, приведение сканов к читаемому виду, разметка проверочной выборки. По разным оценкам, именно она занимает наибольшую долю бюджета первого проекта. Разбор по статьям — в материале «Сколько стоит внедрить ИИ в бизнес».

Какие ограничения накладывает регулирование и защита данных

Страхование работает с персональными, медицинскими и финансовыми данными, и это определяет архитектуру сильнее, чем выбор модели.

• Где обрабатываются данные. Для чувствительных категорий часто требуется обработка в своём контуре или у локального провайдера; для остального рабочий компромисс — обезличивание на входе и облачная модель. Решение фиксируется письменно с ИБ и юристами до разработки.
• Объяснимость решений. Отказ в выплате или повышенный тариф нужно уметь обосновать. Поэтому ИИ в страховании готовит решение со ссылками на документы и правила, а утверждает его человек. Особенно это касается антифрода: подозрение — не вердикт.
• Недискриминация. Модель не должна использовать признаки, которые закон запрещает учитывать в тарификации. Это проверяется на этапе прототипа, а не после жалобы.
• Логи и аудит. Полный журнал: какие документы система видела, что предложила, кто утвердил. Он же нужен для разбора спорных дел и обучения.

Практика доступов и авторизации при подключении ИИ к внутренним системам — в статье о безопасности MCP-сервера, OAuth и доступах. Смежный опыт с похожими требованиями к данным — в материалах о внедрении искусственного интеллекта в финансовой сфере и в медицине.

Как продавать страховые продукты через ИИ-ассистенты

Отдельное направление, которое пока редко учитывают: клиенты всё чаще спрашивают у ChatGPT, Gemini и других ассистентов «какую страховку для путешествия взять» или «сколько стоит КАСКО на такой автомобиль». Чтобы страховая компания попадала в такие ответы, нужна AEO-подготовка сайта: прямые ответы на вопросы клиентов, структурированные данные о продуктах и условиях. Следующий шаг — MCP-сервер, через который ассистент может рассчитать стоимость полиса или оформить заявку прямо в диалоге. Как эти два слоя работают вместе — в статье «AEO и MCP-сервер: связка “рекомендация → сделка”».

Типичные ошибки при внедрении искусственного интеллекта в страховании

• Старт с антифрода. Самая сложная задача с самыми грязными данными и самой высокой ценой ошибки. Начинать с неё — почти гарантия не дойти до продакшена. Сначала разбор документов и поддержка, антифрод — вторым или третьим проектом.
• Полная автоматизация решений с первого дня. Отказ в выплате без человека — репутационный и регуляторный риск. Человек в контуре до накопления статистики по классам дел.
• Нет замера «до». Через полгода невозможно доказать, что срок урегулирования сократился благодаря системе, а не сезонности.
• Проект живёт только в ИТ. Без владельца в урегулировании или андеррайтинге результат не встраивается в регламент и остаётся демонстрацией.
• Согласование с ИБ и юристами «потом». В страховании это самый частый источник срыва сроков. Согласовывать до первой строчки кода.
• Внедрили и забыли. Продукты и правила меняются; если базу знаний не обновлять, ассистент начинает отвечать по старым условиям.

Расширенный список с причинами — в материале «Ошибки при внедрении искусственного интеллекта».