ИИ в страховании: примеры применения у страховщиков и брокеров среднего размера и границы, за которые ему нельзя

Две группы задач: где ИИ решает и где только помогает

В страховании есть задачи, где ИИ принимает решения в массовом порядке: оценка риска при котировке, выявление подозрительных заявлений, ценообразование. Они требуют больших данных, актуарной экспертизы и регуляторных процедур и доступны крупным компаниям с собственными командами. Есть другая группа: работа с документами, обращениями и сроками, где ИИ готовит, сверяет и отвечает, а решение остаётся за урегулировщиком, андеррайтером или агентом. Именно она даёт эффект компаниям среднего размера за месяцы, а не годы, и о ней эта статья.

Общий подход к агентам, которые готовят решения для человека, описан на странице разработка AI-агентов; для проверки документов и контрагентов есть отдельные решения, на которые мы ссылаемся ниже.

Пример 1. Первичный разбор заявления об убытке

Клиент присылает заявление письмом или через форму: описание события своими словами, фотографии, часть документов. Урегулировщик читает, классифицирует, запрашивает недостающее, заводит дело. Агент делает первые шаги сам: извлекает из заявления событие, дату, объект, участников, сопоставляет с полисом и его условиями, определяет тип убытка, проверяет комплектность по правилам компании для этого типа, формирует запрос клиенту о недостающих документах и заводит дело в системе с заполненными полями. Урегулировщик получает дело, в котором уже понятно, что есть, чего нет и под какие условия полиса подпадает событие.

Решение о выплате и её размере агент не принимает: это зона человека и регламента компании. Метрики: время от заявления до заведённого дела, доля дел с полным комплектом документов с первого раза, число запросов клиенту.

Пример 2. Комплектность и проверка документов

Справки, акты, заключения, счета от станций и клиник: по каждому типу убытка свой список, и его проверка занимает время, а пропуск задерживает выплату. Агент распознаёт входящие документы, сопоставляет с требуемым списком, проверяет реквизиты и даты, выделяет расхождения между документами (сумма в счёте и в акте, даты, наименования) и ведёт статус комплектности по делу с напоминаниями клиенту и партнёрам. Для договоров с партнёрами и клиентами тот же подход применяется при сверке с типовыми формами; см. ИИ для проверки договоров.

Пример 3. Ответы клиентам и статусы

«Какие документы нужны», «на какой стадии моё дело», «что покрывает мой полис», «как продлить» — вопросы, которые занимают колл-центр и агентов. Агент отвечает по правилам страхования и условиям конкретного полиса, узнав клиента по номеру договора, сообщает статус дела из системы, принимает документы в чате и передаёт сложные вопросы специалисту с историей. Спорные вопросы о покрытии и отказах агент не трактует: он цитирует условия и передаёт человеку. Как устроен такой канал, описано на странице ИИ чат-бот для бизнеса.

Пример 4. Продления и удержание

Полис заканчивается, клиент забывает, агент не успевает напомнить, клиент уходит к конкуренту или остаётся без защиты. Агент за заданный срок до окончания напоминает клиенту по согласованному каналу, готовит предложение о продлении по текущим условиям и правилам компании, отвечает на вопросы, записывает к агенту для изменения условий и передаёт человеку, если клиент сомневается или просит скидку. Для брокеров и агентств это самый быстрый по эффекту сценарий: сохранённый клиент считается напрямую.

Пример 5. Котировки и сбор информации для андеррайтера

В корпоративном страховании запрос на котировку приходит в свободной форме с приложениями: описание имущества, парка, деятельности. Агент извлекает из них данные по анкете компании, сверяет с открытыми источниками и прошлыми договорами, подготавливает структурированную заявку и список вопросов клиенту. Андеррайтер оценивает риск и назначает условия по подготовленным материалам. Это не скоринг: решение и ответственность у человека, агент убирает ручной перенос и поиск.

Пример 6. Проверка партнёров и контрагентов

Станции техобслуживания, клиники, оценщики, субагенты, корпоративные клиенты: страховая работает с множеством контрагентов, и их проверка по регламенту занимает время. Агент собирает досье из открытых источников и ваших систем, сверяет с правилами компании, помечает «норма / внимание / стоп» с источником у каждого факта и следит за изменениями. Решение принимает служба безопасности. Подробно: ИИ для проверки контрагентов.

Пример 7. Сводки для руководителя и контроль сроков

Сроки урегулирования, доля дел с просрочкой, причины задержек, нагрузка на урегулировщиков, жалобы по темам: агент собирает это из системы и переписки и готовит сводку с объяснениями. Руководитель видит, где теряется время, без запроса отчётов. Контроль сроков по каждому делу с напоминаниями снижает число просрочек, за которые компания платит неустойки и репутацией.

Где ИИ в страховании не должен решать

Принцип «человек на последнем шаге» для таких процессов разобран в статье «Human-in-the-loop», распределение ответственности — в статье «Кто отвечает за ошибку AI-агента».

Данные: что обязательно учесть

• Персональные и специальные данные. Медицинские сведения в личном страховании требуют особого режима; агент работает с ними только в контуре и по утверждённым сценариям.
• Согласия и уведомления. Клиент знает, что обращения обрабатываются с помощью программы под контролем сотрудника.
• Перечень передаваемых модели данных фиксируется в договоре; для чувствительных сценариев — модель в контуре; см. ИИ в контуре компании.
• Журнал. Что агент сделал, что подтвердил человек. Это и требование безопасности, и защита в спорах.
• Регуляторные требования к страховой деятельности и обработке данных проверяются юристом компании до запуска; разбор общих требований — в статье «ИИ и персональные данные».

Пример: региональная страховая компания

Компания с несколькими офисами и колл-центром получает заявления об убытках по имуществу и автострахованию письмами, через сайт и в офисах. До внедрения урегулировщики тратили заметную часть дня на чтение заявлений, запросы недостающих документов и заведение дел; клиенты звонили узнать статус; сроки урегулирования регулярно нарушались из-за неполных комплектов. Первый пилот — разбор заявлений и комплектность по двум типам убытков: агент извлекает данные, сверяет с полисом, проверяет список документов, запрашивает недостающее и заводит дело. Второй, через месяц, — статусы и ответы клиентам в чате и по телефону по номеру договора. Третий — напоминания о продлении для розничных полисов.

Что изменилось: время до заведённого дела сократилось с дней до часов, доля полных комплектов с первого раза выросла, звонки «что с моим делом» в колл-центр заметно сократились. Решения по выплатам остались у урегулировщиков, и их число не изменилось; изменилось то, чем они занимаются. Самым трудным оказалось формализовать списки документов по типам убытков: они существовали в виде опыта сотрудников, и их запись заняла больше времени, чем настройка агента.

С чего начать и как измерять

1. Страховой компании — с первичного разбора заявлений и комплектности документов: большой объём, прямое влияние на сроки.
2. Брокеру и агентству — с продлений и ответов клиентам: сохранённые клиенты считаются сразу.
3. Корпоративному направлению — с подготовки котировок для андеррайтера.
4. Всем — с замера до: сроки, доля полных комплектов, число запросов клиенту, доля продлений.

Как считается окупаемость до старта, описано в статье «Расчёт окупаемости AI-агента»; порядок этапов и стоимость — в статье «Сколько стоит AI-агент».

В страховании ИИ полезен там же, где и везде: читать, сверять, напоминать, готовить. Решение о выплате и об отказе — работа человека, и это не ограничение технологии, а требование к процессу.