ИИ для страхования: применение в оценке рисков, автоматизации и защите от мошенничества

ИИ для страхования: применение в оценке рисков, автоматизации и защите от мошенничества

Страховой бизнес строится на прогнозировании — компания должна точно оценить, какой убыток произойдёт, как часто это будет происходить и какую премию установить, чтобы оставаться в прибыли. Искусственный интеллект радикально меняет эту логику. Вместо статистических таблиц и экспертных оценок, ИИ анализирует миллионы данных в реальном времени, находит закономерности, которые человек не видит, и принимает решения со скоростью, которая была невозможна раньше.

Речь идёт не о фантастике. Крупные страховщики уже используют ИИ для оценки рисков, персонализации тарифов, автоматизации выплат и выявления мошенничества. Агентства и небольшие компании осваивают эти инструменты медленнее, но тренд неизбежен. Важно понимать, как это работает, где ИИ действительно помогает, а где он может создать проблемы.

Эта статья — первая часть цикла о практическом применении ИИ в страховании. Мы разберём основные сценарии, посмотрим на данные, которые нужны для работы алгоритмов, посмотрим на примеры из реальных продуктов и затронем ограничения, которые нельзя игнорировать.

Что меняет ИИ для страхования

Традиционная система тарификации в страховании опирается на исторические данные и аналитику по группам клиентов. Вы относитесь к определённой возрастной группе, полу, профессии, месту проживания — и для вашей группы установлена средняя ставка премии. Это логично, но неточно. Внутри группы риски разнятся существенно.

ИИ позволяет отойти от групповой логики к индивидуальной оценке. Система анализирует сотни параметров одновременно: не просто возраст, но поведение в сети, истории платежей, медицинские данные (если допустимо), характеристики имущества, географические и климатические факторы. Алгоритм выявляет неочевидные корреляции — например, что люди, которые проверяют прогноз погоды чаще среднего, попадают в аварии реже. Или что определённая комбинация факторов предсказывает риск мошенничества точнее, чем каждый фактор отдельно.

Это приводит к нескольким эффектам:

• Премии становятся справедливее — клиенты платят не за своё поведение конкурентов в своей группе, а за свой личный риск
• Убыток снижается — страховщик может отказать или предложить ограничения клиентам с высоким риском, прежде чем он заключит договор
• Обработка ускоряется — вместо недельного сроя на рассмотрение заявки, решение принимается за секунды
• Объёмы растут — система способна обрабатывать в десятки раз больше клиентов тем же штатом

Когда речь идёт о массовых продуктах вроде автострахования или страхования имущества, разница в скорости и точке оценки уже определяет конкурентоспособность компании. Те, кто внедрили ИИ раньше, снизили убыток на 15–25% и увеличили обработку заявок в 3–5 раз.

Но ИИ — это не просто быстрая обработка. Это системное изменение, которое касается каждого этапа жизненного цикла страховога продукта.

От оценки рисков до урегулирования убытков

Цепочка типична. На первом этапе страховщик рассматривает заявку и решает, принимать ли риск. На втором — назначает премию. На третьем — клиент пользуется полисом. На четвёртом — случается страховой случай, компания должна подтвердить его достоверность и выплатить убыток. На пятом — клиент может продлить полис или уйти к конкуренту.

ИИ вмешивается на каждом из этих этапов, но роль его разная.

На этапе оценки ИИ работает в роли аналитика — прогнозирует риск на основе доступных данных. На этапе премиации ИИ становится калькулятором — переводит прогноз в денежную сумму. На этапе мониторинга ИИ функционирует как охранник — выявляет подозрительные паттерны в поведении клиента. На этапе урегулирования ИИ играет роль детектива — проверяет, является ли заявка на выплату честной. На этапе пролонгации ИИ выступает консультантом — предлагает индивидуальные условия, чтобы клиент остался.

Каждая роль требует разных алгоритмов, разных данных и разного контроля. Страховщик, который понимает эту разницу, может выбрать, на какие этапы внедрять ИИ первым и как это будет выглядеть изнутри.

Оценка рисков и андеррайтинг

Андеррайтинг — процесс анализа риска и принятия решения о том, принимать ли его. Традиционно эту работу делает человек. Андеррайтер рассматривает форму заявки, запрашивает документы, иногда проводит переговоры, и выносит вердикт. Процесс занимает дни или недели.

ИИ автоматизирует эту работу, но важно понимать, что это не замена человеку — это переделка самого процесса.

Вместо того чтобы читать форму и принимать решение, система анализирует данные, которые формирует клиент, и сравнивает их с исторической базой подобных случаев. Если клиент вполне обычный, решение принимается за секунды. Если в профиле есть красные флаги, система либо отказывает, либо отправляет заявку на дополнительную проверку к человеку.

Как ИИ оценивает риск в автостраховании

Возьмём конкретный пример. Клиент хочет застраховать автомобиль. Он указывает марку, год выпуска, пробег, историю аварий. Система получает эти данные и запускает анализ.

Сначала алгоритм проверяет базовые параметры:

• Попадает ли модель в список высокорисковых (часто угоняемых, дорогих в ремонте)
• Соответствует ли заявленный пробег возрасту автомобиля (есть признаки скрутки)
• Логичны ли указанные аварии (если в пять лет три серьёзных аварии — это аномалия)

Затем система обращается к внешним источникам:

• Запрашивает ДТП-историю из ГИБДД или антифраудовых баз
• Проверяет данные о регистрации транспорта
• Иногда анализирует геолокацию клиента (районы с высокой аварийностью)

Параллельно система анализирует профиль самого клиента — возраст, стаж вождения, история страховых выплат в других компаниях. Если данные открыты через специальные сервисы (кредитные история, судимости), система это учитывает.

На основе этой информации алгоритм вычисляет вероятность страхового случая и рекомендует решение: принять риск, предложить ограничение (например, повышенную франшизу), или отклонить заявку.

Скорость этого процесса — 30 секунд против недели работы андеррайтера. Точность — выше на 20–30%, потому что система не устаёт, не забывает проверить детали, не подвержена эмоциям и предвзятости.

Где возникают проблемы

Казалось бы, это панацея. Но есть несколько подводных камней.

Первый — данные. ИИ может работать хорошо только если он обучен на достаточно большой и репрезентативной выборке. Если компания новая, её история коротка. Если компания развивала один продукт (например, только КАСКО на иномарки), то данные по другим категориям (отечественные авто, грузовики) слабые. ИИ в таких случаях либо не даёт ответа, либо даёт ответ низкого качества.

Второй — дисбаланс в данных. Если в выборке 99% клиентов низкого риска и 1% высокого, то алгоритм будет плохо учить, как выглядит высокий риск. Система будет склонна недооценивать опасные случаи, потому что их мало.

Третий — подмена целей. Иногда ИИ оптимизируется не на качество оценки риска, а на объём обработки или скорость решения. В результате компания начинает отклонять слишком много заявок, потеряв клиентов и упустив прибыль. Или наоборот, принимает слишком рискованные заявки, чтобы показать рост портфеля.

Опыт крупных страховщиков показывает, что ИИ, обученный только на исторических убытках компании, может выявить паттерны, которые нельзя увидеть в данных конкурентов. Но если этого ИИ использовать на новом рынке или новом продукте, он обязательно ошибётся. Нужна постоянная калибровка и сверка прогнозов с реальностью.

На практике компании обычно идут поэтапно. Сначала ИИ используется только для очевидных случаев отказа — явное мошенничество, запредельные параметры, чёрные списки. Затем система расширяется на стандартные случаи низкого и высокого риска. И только когда качество стабилизируется, ИИ начинает принимать решения по спорным, пограничным случаям.

Персонализация тарифов и ценообразование

Если оценка риска — это ответ на вопрос будет ли убыток, то ценообразование — это ответ на вопрос сколько он будет стоить.

Традиционная логика такова. Компания знает среднее число аварий на 1000 автомобилей своего класса. Она знает средний размер убытка на один случай. Она добавляет расходы на содержание, допуск на ошибку, прибыль. Получается базовый тариф. Дальше есть корректировки по признакам — возраст, пол, опыт вождения, регион. Всё.

ИИ позволяет отойти от таблиц корректировок к динамическому, персонализированному ценообразованию.

Система может рассчитать не один тариф для группы похожих клиентов, а индивидуальный коэффициент для каждого. На него влияют десятки факторов, и каждый фактор взвешивается на основе того, насколько сильно он коррелирует с убытком в конкретной выборке данных.

Что влияет на персональный коэффициент

Для автострахования это может быть:

• Характеристики автомобиля — возраст, мощность, ремонтопригодность, популярность на чёрном рынке
• История водителя — возраст, стаж, история штрафов и ДТП, количество дней до ближайшей аварии
• Поведение в сети — частота проверки прогноза погоды, активность в соцсетях, поисковые запросы
• Финансовое положение — история платежей, кредитная история, кредитный рейтинг
• Геолокация — регион проживания, район, тип дороги на маршруте, инфраструктура
• Время и стиль вождения — если есть телематика, система видит, в каких условиях клиент ездит, как он ускоряется и тормозит
• Социальный граф — иногда рискованность передаётся по сети (друзья клиента с высокими убытками часто влияют на его риск)

Каждый фактор получает свой вес, рассчитанный на исторических данных. Если в базе видно, что мощность двигателя коррелирует с убытком на +15%, то это учитывается. Если активность в социальных сетях в ночное время коррелирует с ДТП на +8%, это тоже включается. Система складывает все коэффициенты и получает итоговую премию для конкретного клиента.

Пример расчёта

Представьте себе двух водителей одного возраста, на одном авто, в одном районе. По традиционной таблице они платят одинаковую премию. По ИИ — разную.

Первый водитель: 30 лет, стаж 10 лет, нет аварий, проверяет прогноз погоды, платит счета вовремя, живёт в благополучном районе. Его коэффициент 0.85 — скидка 15%.

Второй водитель: тоже 30 лет, стаж 10 лет, но была одна авария 2 года назад, часто постит видео с рискованным вождением, иногда опаздывает с платежами, живёт рядом с оживлённой трассой. Его коэффициент 1.35 — надбавка 35%.

Обоим предлагается заключить договор, но цена разная — ровно настолько, насколько разными их риски выглядят в данных.

Дискриминация или справедливость

Здесь начинается сложная этика. С одной стороны, система становится справедливее — каждый платит за свой риск. С другой стороны, алгоритм может учитывать факторы, которые корреллируют с социальным статусом, расой, полом или другими защищённые признаками.

Например, если в алгоритм включена информация о районе проживания, а в одних районах живут люди низкого дохода, то система де-факто повышает цены для бедных, потому что в этих районах статистически больше аварий. Это не дискриминация по полу или расе напрямую, но эффект дискриминационный.

В разных странах этот вопрос решается по-разному. В ЕС есть жёсткие правила — по некоторым признакам (пол, возраст) компании вообще не могут дифференцировать. В США подход мягче. В России пока нет четких норм, но Банк России начал уделять этому внимание.

На практике страховщики обычно идут компромиссом: используют персонализацию, но не по защищённым признакам. Они отказываются от данных о расе, полу, религии, сексуальной ориентации. Они осторожны с географией — учитывают район, но не позволяют алгоритму создавать экстремальные разбросы цен по географии. Они регулярно проверяют, нет ли скрытой дискриминации в результатах.

Урегулирование убытков и автоматизация выплат

Если оценка и тарификация — это фронтальная часть бизнеса (взаимодействие с клиентом), то урегулирование убытков — это задняя часть (обработка убытков и выплаты).

Когда клиент заявляет об убытке, компания должна проверить несколько вещей:

• Действительно ли произошёл страховой случай
• Действительно ли он подпадает под условия договора
• Каков размер убытка
• Нет ли признаков мошенничества или переплаты

Традиционно эту работу делает эксперт или комиссия. Процесс занимает недели. Для клиента это стресс, для компании — расходы на персонал.

ИИ может автоматизировать значительную часть этой работы.

Обработка документов

Когда клиент подаёт заявку на выплату, он предоставляет документы — квитанции, фото, отчёты эксперта. Это неструктурированные данные. Раньше их приходилось читать вручную. Теперь ИИ может это делать.

Система распознаёт текст с фото и скана (оптическое распознавание символов), извлекает структурированную информацию — дату, сумму, тип повреждения, фамилию эксперта. Затем сравнивает эту информацию с данными о договоре и историей клиента.

Если заявка простая (например, небольшое ДТП, чеки совпадают с лимитом, клиент был со страховкой, есть видео с регистратора), система может одобрить выплату за несколько минут. Если есть аномалии, заявка отправляется на проверку человеку.

Анализ видео и фото

ИИ может анализировать изображения повреждений и определять, соответствует ли ущерб заявленному. Система знает, как выглядят типичные повреждения при каждом типе аварии. Если заявлено ДТП на малой скорости, а на фото видны серьёзные деформации кузова — это красный флаг.

Аналогично система анализирует видео с регистраторов, если они есть. Она может выявить, действительно ли авария была, кто виноват, было ли преднамеренное столкновение.

Прогноз размера убытка

ИИ можно обучить предсказывать, какой должен быть размер выплаты, на основе типа повреждения, марки авто, типа работ. Система анализирует смету и сравнивает её со своей базой похожих случаев. Если смета завышена на 30% — это подозрительно.

Выявление мошенничества

Это отдельная и важная часть. Мошенничество в страховании распространено, и ИИ один из инструментов борьбы с ним. Об этом подробнее в следующем разделе.

Скорость как конкурентное преимущество

Выплата за 24 часа вместо двух недель — это существенное преимущество. Клиент получает компенсацию быстро, меньше страдает от неудобства, реже жалуется. Компания выглядит надёжнее.

На практике крупные страховщики уже обещают выплаты в течение суток для простых случаев. Это возможно только благодаря автоматизации. Без ИИ такой объём обработки потребовал бы в несколько раз больше персонала.

Обработка обращений и клиентский сервис

Большая часть работы страховой компании — это ответы на вопросы клиентов. Человек хочет узнать, входит ли его ситуация в страховку, как подать заявку, почему премия такая, что делать если случился убыток. Раньше на эти вопросы отвечали люди по телефону или в чате. Процесс был дорогим и медленным.

ИИ не решает эту задачу полностью, но существенно упрощает её. Система может обработать до 80% типовых вопросов без участия человека.

Чат-боты на базе языковых моделей

Современные языковые модели (LLM) — это нейросети, которые научились понимать текст на естественном языке и генерировать ответы, которые звучат как от человека. Для страховой компании это означает, что можно развернуть чат-бот, который будет отвечать клиентам 24/7 на естественном языке.

Клиент пишет: «Если я попаду в аварию за городом, ко мне приедет эвакуатор?» Система понимает вопрос, знает условия полиса и отвечает: «Да, при наличии услуги эвакуации в вашем полисе. Проверьте договор или напишите наше имя клиента, я посмотрю вашу программу».

На другой вопрос: «Я хочу добавить водителя» — система может либо сразу дать инструкцию, либо предложить ссылку на форму в личном кабинете, либо передать запрос оператору, если нужны документы.

Интеграция с системами компании

Чат-бот работает эффективнее, если он подключен к внутренним системам компании. Когда клиент указывает номер договора или ФИО, система может:

• Загрузить его полис и показать его условия
• Проверить историю выплат
• Узнать, есть ли незакрытые убытки
• Выяснить, близится ли срок окончания договора
• Рассчитать на лету стоимость изменения параметров полиса

Система становится не просто чат-ботом, а личным ассистентом, который знает конкретного клиента и его ситуацию.

Ограничения и риски

Есть важный момент. Языковые модели могут генерировать правдоподобные, но неверные ответы. Это называется галлюцинациями. Для страховой компании это недопустимо. Если система скажет клиенту, что его ситуация входит в страховку, когда на самом деле не входит, компания получит претензию.

Поэтому на практике чат-боты страховщиков обычно работают с ограничениями:

• Система отвечает только на вопросы, на которые она обучена высокой уверенностью
• Для спорных случаев система предлагает связаться с оператором
• Все ответы проверяются — не фактически (это медленно), а через мониторинг отзывов и жалоб
• Система может отказать: «Я не уверена в ответе. Подождите, я передам вас специалисту»

Крупные компании часто используют гибридный подход: LLM первого уровня обрабатывает простые вопросы и маршрутизирует сложные к операторам. Оператор видит историю диалога и может дать уточненный ответ. Затем система учит на этом примере и улучшает качество на будущее.

Снижение нагрузки на контакт-центр

Когда 70–80% вопросов обрабатывается чат-ботом, операторы контакт-центра могут сосредоточиться на сложных случаях. Это повышает качество обслуживания и снижает текучесть кадров — работа становится менее монотонной.

На практике компания видит сразу несколько эффектов: время ответа на вопрос падает с часов на секунды, доля вопросов, решённых при первом обращении, растёт, затраты на операторов снижаются на 20–40% при том же или лучшем качестве.

Борьба со страховым мошенничеством

Мошенничество в страховании — систематическая проблема. Клиент может намеренно устроить ДТП, чтобы получить выплату. Или подать заявку о краже авто, хотя авто продал. Или завысить сумму убытка в смете. Или подложить поддельные документы.

Страховщик теряет миллиарды на мошенничестве. По разным оценкам, оно составляет 5–15% от всех убытков. ИИ — один из инструментов борьбы с этим.

Выявление подозрительных паттернов

ИИ может анализировать историю клиента и заявки на выплату и выявлять паттерны, которые указывают на мошенничество.

Примеры подозрительных сценариев:

• Клиент подаёт пятую заявку за год, каждый раз максимальная сумма, каждый раз в конце месяца (когда компания медленнее проверяет)
• Заявки поступают от разных клиентов, но на один и тот же адрес мастерской и одного и того же эксперта
• Сумма убытка в смете совпадает с лимитом по полису ровно на копейку
• Дата страхового случая — через несколько дней после оформления полиса (часто мошенники оформляют полис, сразу устраивают ДТП, получают выплату)
• Клиент оформил три полиса в разных компаниях на один и тот же автомобиль и подал одинаковые заявки во всех трёх

Каждый из этих паттернов может быть объяснён легитимными причинами. Но когда несколько паттернов совпадают, вероятность мошенничества растёт.

Сеть и социальные связи

ИИ может анализировать сеть клиентов и их связей. Если один мошенник связан с пятнадцатью другими людьми, которые все подали похожие заявки, это красный флаг. Система может отследить эту сеть и выявить целую группу.

На практике правоохранители используют этот подход. Они получают от страховщиков данные о подозрительных заявках, анализируют сетевую топологию и видят, что десять человек действовали скоординированно. Это упрощает расследование.

Анализ документов и видео

ИИ может выявлять поддельные документы. Система знает, как выглядит настоящая справка из ГИБДД, квитанция из мастерской, счёт. Если документ отсканирован неправильно, если шрифты не совпадают, если номера выглядят странно — система это видит.

С видео сложнее, но возможно. ИИ может анализировать, реальны ли деформации на видео записи с регистратора. Если видео показывает микро-столкновение, а смета просит деньги на капитальный ремонт — это несоответствие.

Система оценки риска мошенничества

На практике компании используют скоринг — численный рейтинг подозрительности каждой заявки. Алгоритм анализирует все доступные данные и выдаёт оценку от 0 до 100. Заявки с оценкой выше 70 отправляются на ручную проверку, выше 90 — на проверку в правоохранительные органы.

Система ошибается. Иногда честные клиенты получают высокие оценки (например, если у них просто необычное поведение). Иногда мошенники остаются незамеченными (если они действуют осторожнее). Но в целом такие системы снижают убыток на 15–25%.

В России борьба с мошенничеством в страховании координируется через Объединённый реестр антифрода. Крупные страховщики обмениваются информацией о подозрительных клиентах. ИИ помогает организовать эту информацию и найти в ней паттерны, которые человеку было бы сложно заметить.

Какие данные нужны для работы ИИ

ИИ — это не волшебство. Его качество полностью зависит от качества данных, на которых он обучен. Если данные плохие, ИИ будет плохо работать. Если данных мало, ИИ вообще не сможет работать.

Для страховой компании критично понимать, какие данные нужны и где их получить.

Внутренние данные компании

Это первый и главный источник. Компания хранит информацию о всех клиентах, которых она когда-либо принимала.

• Анкеты при оформлении — возраст, место жительства, стаж вождения, история аварий
• Полисы — условия договора, премия, срок действия
• Убытки — все произошедшие страховые случаи, размер выплат, причины, как долго рассматривалась заявка
• История взаимодействия — вызовы в контакт-центр, письма, жалобы
• Платежи — когда и как клиент платит, есть ли задолженности

Эти данные критичны. Если компания хочет обучить ИИ прогнозировать риск, ей нужна история убытков за несколько лет для каждого типа риска. Если история короткая (меньше 1000 случаев на категорию), ИИ не будет работать хорошо.

Внешние данные

Компания может покупать или получать данные из внешних источников:

• ГИБДД — история ДТП и штрафов водителя
• Судебные реестры — информация о судимостях, банкротствах
• Кредитные бюро — кредитная история и рейтинг
• Роспотребнадзор — жалобы на компании, товары и услуги
• Геоданные — плотность дорожной сети, инфраструктура, статистика ДТП по регионам
• Погода — архивные данные о погоде по времени и месту (коррелирует с аварийностью)
• Антифраудовые базы — чёрные списки известных мошенников и подозрительных адресов
• Социальные сети — информация о клиенте из открытых источников (хотя это этически сложная область)

Доступ к этим данным зависит от лицензии и договоров. Крупные компании обычно имеют доступ ко всем основным источникам. Небольшие страховщики могут позволить себе только часть из них.

Синтетические данные

Если реальных данных мало, компания может генерировать синтетические — искусственные, но статистически похожие на реальные. Генеративный ИИ может создать миллионы примеров, которые будут выглядеть реалистично, но не будут содержать реальную информацию о реальных людях.

Это полезно для тестирования алгоритмов и для улучшения качества на малых выборках. Но это не замена реальных данных. Синтетические данные хороши для прототипирования, но для производства нужны реальные.

Баланс и репрезентативность

Важный момент — баланс данных. Если в базе 99.5% клиентов без убытков и 0.5% с убытками, алгоритм будет плохо учиться выявлять высокорисковых клиентов. Система будет смещена в сторону большинства.

Компании используют несколько приёмов, чтобы это исправить:

• Перевзвешивание — дать больший вес меньшинству при обучении
• Балансировка на лету — если выборка несбалансирована, ИИ сам балансирует её во время обучения
• Стратифицированная выборка — разделить данные на слои (например, по регионам) и обучать на каждой слое отдельно

Без этого ИИ может давать ложные срабатывания или просто игнорировать редкие, но важные случаи.

Качество и чистота данных

Часто самая большая проблема — качество внутренних данных компании. Если в системе данные несогласованные, неполные, с ошибками, ИИ будет обучаться на мусоре.

Примеры типичных проблем:

• Разные люди вводят данные по-разному (один пишет «Санкт-Петербург», другой «СПб», третий «Питер»)
• Возраст указан неправильно (1970 вместо 1970-го года)
• Телефон в разных форматах
• История убытков неполная (часть случаев потеряна при переходе между системами)
• Причины убытков записаны неточно или непоследовательно

Перед тем как запустить ИИ, компании обычно проводят аудит данных и чистку. Это занимает недели или месяцы, но без этого качество ИИ будет плохим.

Примеры применения в страховых продуктах

Теория важна, но конкретные примеры показывают, как это выглядит в реальности. Вот несколько кейсов, которые уже внедрены на российском рынке.

Телематика в автостраховании

Несколько крупных страховщиков предлагают полисы с телематикой. Клиент устанавливает приложение в смартфон или подключает датчик в автомобиль. Система записывает скорость, ускорение, торможение, время в пути, маршруты.

ИИ анализирует стиль вождения и выводит персональный коэффициент премии. Если клиент ездит осторожно, без резких манёвров, соблюдает ограничения скорости, премия снижается на 10–30%. Если ездит агрессивно, премия растёт.

Выгода для клиента — скидка. Выгода для компании — реальные данные о риске вместо предположений. Система может выявить высокорисковых водителей гораздо точнее, чем таблица корректировок по возрасту и полу.

Есть побочный эффект — клиенты начинают ездить безопаснее, потому что знают, что за ними наблюдают. Это снижает количество ДТП.

Страхование имущества с компьютерным зрением

Некоторые компании предлагают быструю оценку стоимости имущества для страхования через фото. Клиент фотографирует квартиру или дом, алгоритм анализирует фото и оценивает стоимость.

ИИ видит площадь комнаты (из пропорций мебели), состояние стен, тип пола, наличие окон, общее состояние помещения. На основе этого система оценивает примерную стоимость ремонта и страховой стоимости.

Это не так точно, как визит оценщика, но заявка обрабатывается за минуты вместо дней. Для стандартных квартир этого часто достаточно.

Индивидуальный подбор страховых продуктов

Страховая компания может использовать ИИ, чтобы предложить клиенту именно то, что ему нужно, а не стандартный набор.

Система анализирует профиль клиента — возраст, семейное положение, работа, имущество, историю взаимодействия с компанией. На основе этого система предлагает кастомную программу страхования. Молодому холостому водителю предложит КАСКО с низкой франшизой. Пенсионеру предложит расширенное медицинское страхование. Предпринимателю предложит риск-программу.

Система также определяет оптимальный момент для предложения. Например, если клиент не продлевал полис и в его истории есть убыток, это хороший момент предложить ему улучшенное покрытие.

Прогноз оттока клиентов

ИИ может предсказать, какие клиенты скоро уйдут к конкурентам. Система анализирует историю — как часто клиент взаимодействует с компанией, как он оценивает качество сервиса, были ли жалобы, растёт или падает частота его обращений.

На основе этих сигналов система определяет клиентов высокого риска оттока. Компания может предложить им специальные условия, чтобы удержать.

В среднем это повышает retention на 10–15%, что существенно для экономики страховой компании.

Выгоды для страховщиков и клиентов

Пока мы разбирали отдельные применения ИИ. Теперь посмотрим на совокупный эффект — что конкретно получают страховщики и клиенты от внедрения этих технологий.

Для страховщиков

Финансовый результат зависит от типа компании и её размера, но основные эффекты одинаковы:

• Снижение убытков. Точная оценка рисков и борьба с мошенничеством снижают убыток на 15–25%. Для крупной компании с портфелем в 100 миллиардов рублей это 15–25 миллиардов экономии в год.
• Рост обработки при том же персонале. Автоматизация позволяет обрабатывать в 3–5 раз больше заявок с тем же штатом. Это означает либо рост объёмов премий, либо снижение расходов на персонал.
• Ускорение цикла обслуживания. От недели до дня для основной массы операций. Это повышает удовлетворение клиентов и снижает количество жалоб.
• Конкурентное преимущество. Компания с ИИ может предложить более низкие цены справедливым клиентам, отказать мошенникам и обработать заявку быстрее. Это привлекает клиентов от конкурентов.
• Развитие новых продуктов. ИИ позволяет экспериментировать с микро-сегментацией и новыми категориями рисков. Компания может запустить специализированный продукт для конкретной группы (например, молодые водители, фрилансеры, пенсионеры).

На практике большие компании, которые вложились в ИИ 5–7 лет назад, уже видят совокупный ROI 200–300%. То есть каждый рубль, потраченный на внедрение ИИ, вернулся в виде экономии три раза.

Для клиентов

Клиент, как правило, не видит ИИ напрямую. Но он ощущает его влияние:

• Справедливые цены. Если вы добросовестный клиент, алгоритм это видит и предлагает вам скидку. Вы платите за свой риск, а не за среднее значение по группе.
• Скорость. Заявка обрабатывается за минуты или часы, а не дни. Выплата поступает в течение суток, а не двух недель.
• Удобство. Можно оформить полис через мобильное приложение, получить ответ на вопрос через чат-бот, подать заявку на выплату с фото.
• Персонализация. Компания знает, что вас интересует, и предлагает именно то, что вам нужно, а не стандартный набор.
• Стимулы безопасного поведения. Если компания использует телематику, вы можете снизить премию, если будете ездить безопаснее. Это прямой стимул.

Есть и тени. Если алгоритм ошибается, клиент может получить несправедливо высокую цену или отказ, который будет сложно обжаловать. Но об этом дальше.

Ошибки моделей и требования к объяснимости

Алгоритм — это не оракул. Он может ошибаться. И чем сложнее алгоритм, тем сложнее понять, почему он ошибся.

Типы ошибок

ИИ может ошибаться несколькими способами:

• Систематическое смещение (bias). Алгоритм систематически завышает риск для определённой группы (например, люди из определённого района или с определённым типом профессии). Это может быть результат того, что в исторических данных эта группа действительно имела больше убытков, но причины могли быть социальные, а не личные.
• Переобучение (overfitting). Алгоритм запоминает шумы в данных вместо подлинных паттернов. Он хорошо работает на данных, на которых обучался, но плохо на новых данных.
• Недостаток данных. Если данных мало, алгоритм не может найти правильные закономерности. Например, если в выборке всего 50 пожилых клиентов, алгоритм не сможет корректно оценить риск для пожилых.
• Дрейф данных. Мир меняется, но алгоритм обучался на старых данных. Например, алгоритм был обучен на данных до пандемии. Потом поведение клиентов изменилось, и алгоритм перестал работать.
• Галлюцинации LLM. Языковые модели иногда генерируют правдоподобные, но ложные ответы. Это может привести к ошибочным консультациям клиентам.

Объяснимость как требование

Когда алгоритм отказывает клиенту или предлагает ему несправедливо высокую цену, клиент имеет право узнать, почему. Это базовый принцип справедливости. А в некоторых странах это ещё и закон.

Объяснимость (интерпретируемость) ИИ — это способность понять, какие факторы повлияли на решение и почему алгоритм выбрал именно это решение.

Есть два подхода:

• Интерпретируемые модели. Простые алгоритмы, которые естественно объясняют свои решения. Например, линейная регрессия: если коэффициент для возраста положительный, это значит, что возраст повышает риск. Просто и понятно.
• Чёрный ящик + объяснения. Сложные алгоритмы (глубокие нейросети, ансамбли) часто не интерпретируемы напрямую. Но можно использовать специальные методы, чтобы получить объяснение после того, как модель приняла решение. Например, LIME или SHAP — это методы, которые показывают, какие факторы сильнее всего повлияли на решение.

На практике компании часто идут компромиссом: используют сложные модели для точности, но при этом вводят требование, что система должна уметь объяснить своё решение простым языком.

Клиенту сообщают: «Ваша премия выше среднего, потому что у вас три аварии за последние пять лет, вы проживаете в районе с высокой аварийностью, и вы часто ездите в ночное время. Эти факторы повышают ваш риск на 45%». Не все детали алгоритма, но достаточно, чтобы клиент понял логику.

Мониторинг и перевалидация

Ошибки в ИИ часто выявляют не сразу. Система может работать с приемлемой точностью, но со смещением в сторону определённой группы. Это видно только если мониторить метрики для разных сегментов.

Компании регулярно проверяют:

• Как часто алгоритм ошибается для каждой возрастной группы, региона, типа риска
• Есть ли корреляция ошибок с защищёнными признаками (пол, раса, религия)
• Как качество алгоритма меняется со временем (дрейф данных)
• Какие категории клиентов жалуются на несправедливость

Если что-то идёт не так, систему переобучают на новых данных, корректируют веса признаков или полностью переходят на другой алгоритм.

Объяснимость ИИ — это не просто требование регулятора. Это инструмент качества. Если компания не может объяснить, почему она отказала клиенту, это часто значит, что в алгоритме есть ошибка. Требование объяснимости заставляет компанию проверить свои системы и исправить проблемы.

Персональные данные и регуляторные ограничения

ИИ обрабатывает личные данные клиентов. Это накладывает строгие ограничения на то, как компания может работать с этими данными.

152-ФЗ и рекомендации Банка России

В России действует Федеральный закон № 152-ФЗ о защите персональных данных. Главный принцип: компания должна обрабатывать только те данные, которые необходимы для исполнения договора, и только с согласия клиента.

Для страхования это означает:

• Компания может собрать данные, которые нужны для оценки риска (возраст, место жительства, профессия, история аварий).
• Компания не может собрать данные просто так, «на всякий случай». Каждый вид данных должен быть обоснован.
• Если компания используется данные для целей, которые не указаны в договоре (например, продать эту информацию маркетологам), это нарушение.
• Компания должна защищать данные от утечек. Если произошла утечка, компания обязана уведомить клиента и контролирующие органы.

Банк России выпустил рекомендации по применению ИИ в финансовых учреждениях. Ключевые требования:

• Использование ИИ должно быть задокументировано и обосновано.
• Компания должна мониторить ИИ на предмет дискриминации и неправильных решений.
• Клиент имеет право получить объяснение решения, принятого ИИ.
• Компания должна иметь возможность отключить ИИ и вернуться к ручной обработке, если ИИ начинает ошибаться.
• Данные, используемые для обучения ИИ, должны быть защищены со строго уровнем.

На практике это означает, что крупные страховщики создают внутренние комитеты по ИИ, которые одобряют новые модели и регулярно проверяют существующие.

Локальное развёртывание без передачи данных в облако

Есть проблема, которая беспокоит многих компаний: если я отправлю данные в облако (например, в AWS или Google Cloud), смогу ли я гарантировать, что они не утекут или не будут использованы в других целях?

Ответ не очевиден. Облачные провайдеры обещают защиту, но контроль частичный. Особенно это касается данных, которые могут быть перепроданы или использованы для целей, которые компания не контролирует.

Поэтому некоторые компании выбирают локальное развёртывание — они устанавливают ИИ на собственные серверы, внутри своей сети, и никогда не отправляют данные наружу. Это дороже, но безопаснее.

На российском рынке эта тенденция усилилась после ужесточения требований к обработке персональных данных. Крупные компании сейчас предпочитают иметь свою инфраструктуру для ИИ.

Российские LLM для страховых компаний

Если компания хочет использовать языковые модели (для чат-ботов, обработки текста, генерации), ей нужно выбрать, какую модель использовать.

Есть несколько вариантов:

GigaChat

Это российская языковая модель, разработанная Сбером. Модель обучена на русском языке и российских данных, поэтому она хорошо понимает русский контекст, сленг, местные реалии.

GigaChat доступен в двух вариантах: облачный (API) и локальный (GigaChat Enterprise). Облачный вариант дешевле, но данные обрабатываются на серверах Сбера. Локальный вариант дороже, но данные остаются внутри компании.

Для страховой компании GigaChat может быть использован в:

• Чат-ботах для ответов на вопросы клиентов
• Обработке текста из заявок и документов (извлечение информации)
• Генерации персонализированных предложений и рекомендаций
• Анализе жалоб и обратной связи

YandexGPT

Модель от Яндекса. Также русскоязычная, также может развёртываться локально. Качество сопоставимо с GigaChat, но подход немного отличается. YandexGPT больше ориентирована на поиск и информационные задачи.

Открытые модели

Есть открытые модели (например, Mistral, Llama), которые можно скачать и запустить локально на своих серверах. Это даёт полный контроль, но требует больше технических знаний и ресурсов для инфраструктуры.

Для страховой компании открытые модели имеют смысл, если она планирует серьёзно инвестировать в ИИ и иметь собственную команду специалистов.

Требования к инфраструктуре

Чтобы запустить ИИ, нужна не только модель, но и техническая инфраструктура.

Для классических алгоритмов (деревья, линейные модели)

Это не требует большого. Можно запустить на обычном сервере. Память и вычисления — скромные. Главное — быстрый доступ к данным и надёжность.

Для глубоких нейросетей

Нужны GPU (графические процессоры) или TPU (тензорные процессоры). Они ускоряют вычисления в сотни раз.

Для обучения модели может потребоваться несколько дорогих GPU-серверов, работающих неделю. Для инференса (использования готовой модели) требуется меньше — один или несколько GPU в зависимости от объёма запросов.

Крупная страховая компания обычно держит несколько серверов с GPU для различных моделей.

Для языковых моделей

Современные LLM требуют серьёзной инфраструктуры. GigaChat или аналог можно использовать через API (облако), тогда компания не держит свои серверы. Но если компания хочет локальное развёртывание, нужны мощные GPU с большим объёмом памяти (50+ Gb).

Альтернатива — квантизация, когда модель сжимают, чтобы она занимала меньше памяти. Это снижает качество, но делает инфраструктуру доступнее.

Хранение и доступ к данным

Не менее важно, чем сами вычисления, — как организовано хранилище данных. ИИ нужен быстрый доступ к миллионам записей. Обычно используют базы данных специального типа (например, Clickhouse для аналитики) или хранилища на основе облака (S3).

Всё должно быть продумано с точки зрения секурности и резервного копирования.

Задачи для страховых агентств

Крупные страховщики — это одно. Но большой сегмент страховой индустрии — это небольшие компании и агентства. Как ИИ может помочь им?

Агентство — это часто небольшой офис, где 5–10 сотрудников оформляют полисы, консультируют клиентов, собирают документы при убытках. Работа рутинная, монотонная, требует много времени на обработку бумаг.

ИИ может автоматизировать следующие задачи:

Обработка заявок на расчёт

Клиент приходит или звонит с просьбой рассчитать полис. Агент задаёт вопросы, вводит ответы, система считает цену. Этот процесс может быть автоматизирован через форму на сайте или чат-бот. Система сама задаёт вопросы и считает цену. Агент вмешивается только если нужны уточнения.

Подбор программы по ответам клиента

У компании есть несколько программ страхования (базовая, стандартная, премиум). Клиент описывает свои нужды, ИИ определяет, какая программа ему подходит лучше. Это повышает point of conversion — больше клиентов доходит до подписания договора, потому что им предлагают именно то, что им нужно.

Пролонгация полисов

Когда подходит срок обновления полиса, агент должен связаться с клиентом и предложить продление. ИИ может автоматизировать часть этого: отправить напоминание, рассчитать цену для продления, заполнить документы. Клиенту нужно только подтвердить.

Сбор документов по убытку

Когда клиент сообщает об убытке, нужно собрать документы. Чек-лист того, что нужно, зависит от типа убытка. ИИ может вести клиента по этому процессу, напоминая, какие документы нужны, куда их отправить, какой формат. Часть документов (фото, скан) может быть обработана ИИ автоматически.

Ответы на вопросы по правилам страхования

Клиент часто спрашивает: входит ли эта ситуация в страховку? Какая база для расчёта? Как подать заявку? Чат-бот может ответить на большую часть этих вопросов, не вовлекая агента. Агент вмешивается только для сложных случаев.

Работа с базой клиентов и портфелем

ИИ может анализировать портфель агентства и подсказывать, кому из клиентов пора предложить новый продукт или дополнительное страхование. Например, если клиент застраховал машину 3 года назад, ему давно не делал техническое обслуживание (хотя это не страховой вопрос), но часто ездит в небезопасные районы — ему может быть полезно страхование от несчастных случаев.

Сводки по комиссионному вознаграждению

Агентство зарабатывает на комиссии. ИИ может автоматически рассчитывать комиссии для каждого агента, отслеживать, какие типы полисов выгоднее, подсказывать, на что сосредоточиться.

На практике мало агентств внедрили весь этот стек одновременно. Обычно они начинают с 1–2 задач (часто чат-бот и обработка расчётов), затем добавляют остальное по мере роста.

Что не стоит доверять ИИ

ИИ — мощный инструмент, но у него есть границы. Есть задачи, которые ИИ не должен решать, или должен решать только под严格 человеческим контролем.

Финальные решения по спорным случаям

Если клиент оспаривает отказ в выплате или считает, что ему назначена несправедливая цена, это должен рассматривать человек. ИИ может помочь собрать информацию и рекомендовать решение, но окончательное решение — за человеком. Особенно если есть риск судебного разбирательства.

Медицинские диагнозы и оценки здоровья

Если компания работает с медицинским страхованием и ИИ оценивает здоровье клиента на основе данных, это очень чувствительная область. ИИ может ошибиться, и это повлияет на здоровье человека (если он будет отказан в лечении). Такие решения должны быть приняты врачом.

Прямые действия с деньгами без подтверждения

ИИ может рекомендовать выплату, но сама выплата должна быть инициирована человеком. Автоматические выплаты в огромных объёмах без человеческого контроля — это высокий риск.

Работа с чёрными списками и отказы в обслуживании

Если ИИ рекомендует добавить клиента в чёрный список или отказать в обслуживании, это должно быть проверено. Ошибка может привести к судебному разбирательству и имущественному ущербу клиенту. Человек должен убедиться, что причина справедлива.

Собрание данных без явного согласия

ИИ может быть соблазнён собирать побольше данных о клиенте, чтобы улучшить точность. Но это нарушает приватность и может быть незаконно. Компания должна собирать только те данные, которые нужны и которые клиент согласился предоставить.

Как начать внедрение ИИ для страхования

Если вы работаете в страховой компании или агентстве и думаете о внедрении ИИ, с чего начать?

Шаг 1. Определить проблему, которую ИИ будет решать

Не начинайте с технологии. Начните с проблемы. Где в вашей компании есть узкие места, где работа медленная, дорогая или подвержена ошибкам? Это может быть обработка заявок, выявление мошенничества, урегулирование убытков или что-то ещё.

Выберите одну задачу, которую ИИ сможет решить и которая даст заметный результат.

Шаг 2. Оценить, есть ли данные

ИИ нужны данные. Спросите себя:

• Есть ли у компании историческая база данных, которую можно использовать для обучения?
• Достаточно ли данных (минимум 1000–5000 примеров на категорию)?
• Данные в хорошем качестве или они грязные, неполные?
• Нужна ли чистка данных? Если да, это может занять недели.

Если данных нет или они плохого качества, подумайте, сможете ли вы их собрать или купить. Или может, для этой задачи ИИ просто не подходит.

Шаг 3. Выбрать подход и инструмент

Что это будет? Может быть:

• Готовое решение (SaaS) — купить сервис, который кто-то уже сделал
• Решение от поставщика ИТ — нанять компанию, которая разработает кастомное решение
• Внутренняя разработка — научить внутреннюю команду разработчиков

Готовое решение — самое быстрое, но может быть дорогим и не совсем подходящим. Кастомная разработка даёт контроль, но требует времени и бюджета. Внутренняя разработка даёт максимум контроля, но требует компетенций.

Шаг 4. Пилот

Запустите пилот — небольшой проект на реальных данных, но ограниченном масштабе. Может быть, на одном регионе или одной группе клиентов.

Обучите ИИ, запустите его, следите за результатами неделю или месяц. Проверьте:

• Работает ли он вообще? Даёт ли ответы?
• Какого качества ответы? Насколько они точны?
• Есть ли очевидные ошибки или смещения?
• Что могут жаловаться клиенты?

На основе результатов пилота переработайте модель, добавьте данных, поправьте параметры. Это итеративный процесс.

Шаг 5. Масштабирование

Когда пилот показал приемлемые результаты, постепенно расширяйте масштаб. Запустите на всех регионах, всех типах клиентов, всех видах рисков.

Параллельно держите человеческий контроль. Операторы должны иметь возможность переопределить решение ИИ, если что-то выглядит неправильно.

Шаг 6. Мониторинг и улучшение

ИИ после запуска — это не конец, это начало. Вам нужно постоянно следить, что всё работает:

• Качество не деградирует ли?
• Нет ли нежелательных побочных эффектов?
• Нет ли жалоб от клиентов?
• Нет ли признаков мошенничества, которое алгоритм не ловит?

Если что-то идёт не так, быть готовым к быстрому откату или корректировке.

Инвестиции и ROI

Сколько это будет стоить? Зависит от масштаба.

Для небольшого пилота (одна задача, один регион): 500 тысяч — 2 миллиона рублей за 3–6 месяцев.

Для полноценного внедрения (несколько систем, вся компания): 10–50 миллионов рублей за первый год, затем поддержка.

ROI зависит от экономии, которую вы получите. Если ИИ будет выявлять мошенничество на сумму 10 миллионов рублей в год, а стоит он 2 миллиона, то ROI — 5x за первый год. Если ИИ ускорит обработку заявок и позволит выпустить больше полисов, это тоже может дать ROI 200–300%.

Что нужно готовить заранее

Прежде чем начинать, подготовьте:

• Бюджет и одобрение руководства
• Внутреннюю команду (или привлечь подрядчика) — data scientist, инженер по данным, специалист по ИИ
• Доступ к данным — убедитесь, что данные выгружены и в хорошем формате
• Процесс согласования — кто будет одобрять новые модели, как будут решаться вопросы качества
• Коммуникацию с клиентами — подготовить, как объяснить клиентам, что теперь ИИ участвует в процессе

Это не всегда гладко. Часто бывают задержки, неудачи, переговоры. Но если вы подготовлены, вероятность успеха выше.

ИИ в страховании — это не будущее. Это настоящее. Компании, которые начали внедрение 3–5 лет назад, уже видят результаты. Компании, которые откладывают, рискуют отстать от конкурентов. Но важно помнить: ИИ — это инструмент, не панацея. Инструмент работает только в руках людей, которые понимают, как его использовать, и готовы нести за это ответственность.