Статья 16 ноября 2026 6 минут чтения

ИИ в страховании: урегулирование убытков, антифрод, продажи

Где ИИ влияет на экономику страховщика: урегулирование убытков, антифрод, контроль расходов по ДМС, андеррайтинг, продажи. Условия успеха, типовые ошибки, план на 6 недель и вопросы подрядчику.

Страхование построено на документах, оценке риска и выплатах, и все три области хорошо поддаются автоматизации. При этом страховщик работает на тонкой марже: лишняя выплата мошеннику или завышенный счёт клиники съедают прибыль быстрее, чем растут сборы. Управленческий вопрос – где ИИ снижает убыточность и расходы на урегулирование, а где только меняет интерфейс, не трогая экономику портфеля.

Пять сценариев с измеримым эффектом

В открытой базе platforms.su больше 100 кейсов, связанных со страхованием. Большинство из них решает одну из пяти задач.

Урегулирование убытков по автострахованию

Задача: каждое заявление приходит письмом с десятками вложений, оператор вручную разбирает файлы и переносит данные, срок урегулирования растягивается на дни. ИИ классифицирует документы, распознаёт текст, сверяет комплектность, оценивает повреждения по фотографиям и готовит решение. Ввод страхового случая сокращается с десятков минут до секунд при точности распознавания около 99%. Значительная доля убытков урегулируется за день после полной комплектации, а доля онлайн-урегулирования растёт до трети и выше. Затраты на приём и обработку заявок в отдельных кейсах снижаются вдвое.

Выявление мошенничества

Задача: организованные схемы с инсценировкой ДТП, фальсификацией повреждений и цепочками посредников, которые не видны при проверке отдельного заявления. Модели машинного обучения дополняются графовым анализом связей между участниками, автомобилями, сервисами и юристами. Проверка идёт в реальном времени на этапе рассмотрения заявления. Типичный результат у крупных страховщиков – сотни миллионов рублей предотвращённого ущерба в год и сотни остановленных случаев.

Контроль медицинских расходов по ДМС

Задача: медицинский пульт перегружен согласованиями, а клиники выставляют услуги, не обоснованные диагнозом. ИИ сверяет назначения с программой страхования и клиническими рекомендациями, автоматически согласует типовые случаи и отмечает спорные счета. Согласование гарантийных писем сокращается с часов до минут, а на экспертизе счетов выявляются завышения порядка 3–5% от суммы. Расходы на саму экспертизу в кейсах снижаются в разы.

Андеррайтинг и тарификация

Задача: тарифы учитывают ограниченный набор параметров, андеррайтеры тонут в очереди нестандартных запросов. Модели добавляют пространственные данные об аварийности, историю обращений, внешние сканирования защищённости для киберрисков. Расчёт тарифа для корпоративного клиента ДМС занимает минуты вместо часов. Для «безопасных» клиентов становится возможной заметная скидка, а убыточные сегменты видны до заключения договора.

Продажи и обслуживание

Задача: рост обращений, выборочный контроль операторов, агенты, которые не предлагают добровольные продукты. Речевая аналитика проверяет все разговоры, чат-боты и голосовые роботы закрывают типовые вопросы о статусе полиса и продлении, модели подсказывают агенту, кому и что предложить. В кейсах фиксируют рост производительности менеджеров примерно в 1,5 раза и прирост допродаж по охваченным продуктам.

Отдельно стоит отметить оцифровку осмотров через мобильное приложение эксперта и синтетические данные для обучения моделей на редких страховых событиях. Это вспомогательные проекты, без которых остальные сценарии работают хуже.

Сколько ждать результата

Распознавание документов и речевая аналитика выходят в эксплуатацию за несколько месяцев: технологии зрелые, а эффект виден по времени обработки сразу. Антифрод и экспертиза медицинских счетов требуют накопленной истории убытков и разметки, поэтому подтверждённый эффект появляется через полгода и позже, но именно эти проекты сильнее всего влияют на выплаты. Модели тарификации окупаются ещё медленнее: результат виден только после того, как новый портфель проживёт страховой год.

Что отличает удачные проекты

  • Связка технологий в одном процессе. В урегулировании наибольший эффект возникает, когда распознавание документов, анализ фото, текстовые модели и графовый антифрод работают вместе. По отдельности каждая технология даёт скромный результат.
  • Решение встроено в учётную систему. Результат проверки должен попадать в карточку убытка, а не в отдельный отчёт, который никто не открывает.
  • Эффект считают в коэффициенте убыточности и расходах на урегулирование. Время обработки – промежуточная метрика. Конечная – выплаты и расходы на тысячу полисов.
  • Общая ML-платформа. Страховщики, которые сократили путь модели от гипотезы до эксплуатации, раскрывают совокупный эффект ИИ в сотни миллионов рублей в год.
  • Человек принимает спорные решения. Автоматически проходят типовые случаи, отказ в выплате и спорные счета остаются за экспертом.

Типовые ошибки руководителей

  1. Начинать с чат-бота на сайте. Он улучшает сервис, но почти не влияет на убыточность. Деньги лежат в урегулировании, антифроде и ДМС.
  2. Автоматизировать отказы. Отказ в выплате, принятый моделью без объяснения, ведёт к жалобам и спорам с регулятором. Модель отмечает риск, решение принимает эксперт.
  3. Обучать антифрод только на выявленных случаях. Схемы мошенников меняются, а размеченных примеров мало. Нужны графовые методы, поиск аномалий и регулярное переобучение.
  4. Не договориться с клиниками и сервисами. Автоматическая экспертиза счетов без понятных правил для партнёров вызывает конфликты. Правила проверки нужно согласовать в договорах.
  5. Игнорировать персональные данные. Медицинские и биометрические данные требуют особого режима обработки. Это ограничивает выбор облака и вендора.

Как начать: план на 6 недель

  1. Неделя 1. Разложить расходы на урегулирование и выплаты по видам страхования. Найти 2–3 зоны с наибольшими потерями: мошенничество, завышенные счета, ручная обработка.
  2. Неделя 2. Оценить данные: история убытков, разметка мошеннических случаев, архивы документов и фото, доступ к учётной системе.
  3. Неделя 3. Выбрать один процесс, например урегулирование по одному виду, и зафиксировать базовую линию: срок, стоимость обработки, доля спорных выплат.
  4. Недели 4–5. Провести ретроспективный тест модели на закрытых убытках: какие случаи она отметила бы и сколько из них оказались мошенническими или завышенными.
  5. Неделя 6. Решение о пилоте на живом потоке: порог автоматической обработки, роль эксперта, метрики, юридическая проверка и требования к данным.

Вопросы команде или подрядчику

  • Как решение повлияет на убыточность и расходы на урегулирование, а не только на скорость?
  • Какая доля случаев пройдёт автоматически и кто принимает решение по остальным?
  • Как модель объясняет пометку «риск мошенничества» эксперту и клиенту?
  • Как часто модель переобучается и как отслеживаются новые схемы?
  • Где обрабатываются медицинские и персональные данные?
  • Встраивается ли решение в нашу систему урегулирования или требует отдельного интерфейса?
  • Какие результаты получены у страховщиков с похожим портфелем и как они проверены?

Итог

В страховании ИИ окупается прежде всего в урегулировании, антифроде и контроле медицинских расходов, а эффект нужно мерить в убыточности, а не в минутах. Начинать стоит с ретроспективного теста на собственных закрытых убытках. Отраслевые примеры собраны в базе кейсов ИИ на platforms.su. Центр компетенций ИИ проводит экспресс-диагностику и независимую оценку пилотов.

Разобрать вашу задачу

За 30 минут оценим, где ИИ даст эффект в вашей компании и с чего начать.

Смежные материалы