Право на ошибку: где ИИ уже приносит страховщикам деньги, а где «упирается в стену»

Новый вид ИИ — генеративный, который пишет тексты и ведёт диалог, — тоже уже приносит отрасли деньги, но только там, где его ошибка обходится дёшево или её успевает заметить человек. Что уже работает и что пока не получается, рассказывает руководитель офиса управления продуктами ИИ «Ингосстраха» Александр Пашин.

В страховании искусственному интеллекту давно доверяют самые ответственные решения. Их принимают математические модели — программы, которые оценивают риск и считают цену полиса. От их точности зависит, заработает компания или потеряет деньги. Генеративному ИИ, хотя он умеет гораздо больше, поручают другое: перевести запись звонка в текст, составить письмо, подготовить сводку по заявлению на выплату. Более умной технологии достаётся менее ответственная работа.

Причина в том, как ловят ошибки. Математическую модель можно проверить на данных прошлых лет, а потом годами следить, сходятся ли её прогнозы с реальными выплатами. Работу генеративного ИИ пока чаще всего проверяет человек. Поэтому право на ошибку у такого ИИ есть только там, где она обходится дёшево или где её замечают раньше, чем она дойдёт до клиента.

Где ИИ уже приносит деньги

Генеративный ИИ сейчас пробуют многие страховые компании. Внедрение нередко идет сверху: решение принимает высшее руководство, а заниматься ИИ поручают отдельному подразделению. Эффект уже есть: его оценивают в сотни миллионов рублей.

На страховом рынке уже сформировался набор наиболее распространенных сценариев применения генеративного ИИ. Это расшифровка и анализ разговоров с клиентами, простые чат-боты, урегулирование убытков (разбор страховых случаев), помощь маркетологам, автоматизация работы юристов. Это внутренние процессы — код, тестирование, документация — и анализ того, что пишут в интернете. Ещё три вещи пока только пробуют: голосовых роботов, которые сами ведут разговор по телефону, оценку повреждений по фотографии и выявление мошенничества.

Почти везде, где ИИ уже работает, схема одна: он делает подготовительную работу, а решает сотрудник. Исключение — чат-боты: они отвечают клиенту сами, но только на типовые вопросы, где ошибка обходится дёшево. В Европе то же самое. Надзорный орган Евросоюза по страхованию (EIOPA) опросил в 2025 году 347 компаний: из названных ими задач для генеративного ИИ 64% — внутренние, без общения с клиентами. Главным риском опрошенные называют «галлюцинации» — когда ИИ уверенно выдаёт вымысел за факт. Поэтому за ним и проверяют.

У этой схемы есть слабое место: она работает, пока сотрудник действительно читает то, что подготовил ИИ. Подпишет не глядя — и ошибка ИИ станет ошибкой компании.

Где ИИ «упирается в стену»

Интереснее другой список. ИИ не пускают к клиентам со сложными вопросами. Еще три направления остаются проблемными: объединение данных, применение генеративного ИИ в андеррайтинге (оценка страховых рисков, определение условий страхования) и распознавание рукописных документов.

Начну с клиентов. Простые вопросы чат-ботам доверяют, а сложные — нет: ответ уходит клиенту сразу, проверить его некому, а ошибка обходится уже дорого. Страховщики опасаются снижения качества обслуживания и последствий ошибок: претензий клиентов, судебных споров и репутационных потерь. Да и клиенты не любят говорить с роботом. Глава нидерландской страховой компании NN Group в мае 2025 года рассказывал агентству Bloomberg: когда вместо сотрудника отвечает чат-бот, клиент чаще всего спрашивает одно — можно ли поговорить с человеком.

Первое, что не получается, — единая база данных. Сведения о клиенте разбросаны по системам, которые создавались в разные годы: полисы — в одной, записи звонков — в другой, сканы документов и фотографии — в третьей. Собрать их в одну базу пока мало кому удалось, а без неё ИИ видит только часть картины, и его ответ не с чем сверить. В международном опросе консалтинговой компании Capgemini лишь 12% страховщиков имущества и ответственности оценили готовность своих данных к работе с ИИ как очень высокую. И это за рубежом. В России, по моим наблюдениям, дела ещё печальнее.

Второе — андеррайтинг. Поручить его генеративному ИИ пока не получается. По опросу Банка России, среди страховщиков, работающих с ИИ, 87% применяли или испытывали в андеррайтинге математические модели и только 20% — генеративный ИИ. Его решения сложнее объяснить и проверить на исторических данных, поэтому ошибка может обнаружиться лишь тогда, когда по полисам, проданным слишком дешево, начнутся выплаты.

Третье — рукописные документы: извещения о ДТП, справки, медицинские выписки. Печатный текст ИИ, как правило, распознает уверенно, а с рукописным возникают сложности. Номер полиса можно сверить с базой, но диагноз или сумму в рукописной справке зачастую приходится проверять вручную. Это снижает эффект от автоматизации.

У всего списка общее одно: ошибку ИИ здесь трудно вовремя заметить — значит, и права на ошибку у него почти нет. В разговоре с клиентом ответ может уйти без проверки, при разрозненных данных и работе с рукописными документами его сложнее сверить, а в андеррайтинге последствия ошибки могут появиться слишком поздно.

Свои серверы или чужие

«Пробить эту стену» поможет только проверка. А чтобы ответ ИИ было с чем сверить, ему нужны данные компании — и они не должны утечь. Поэтому первый вопрос — где работает ИИ: на серверах компании или на чужих.

Развернуть большие языковые модели в собственной инфраструктуре могут не все компании: для этого нужны значительные вычислительные ресурсы. Альтернатива — использование внешних моделей. В этом случае особое значение приобретает защита информации, в том числе персональных данных клиентов и сведений, составляющих тайну страхования. Их передача и обработка должны соответствовать требованиям законодательства и информационной безопасности.

Один из способов обеспечить такую защиту — использовать шлюз, программу-посредник между сотрудниками и ИИ. Шлюз убирает из запросов персональные данные клиентов, защищает от угроз вроде попыток обмануть ИИ, проверяет права доступа и следит за лимитами расходов.

Какой бы путь ни выбрала компания, у всех одна и та же трудность — согласование со службой информационной безопасности. Технология новая, готовых правил для неё мало, поэтому каждый проект разбирают отдельно, и дело идёт медленно. Всякий раз приходится искать компромисс: как запустить проект в разумный срок и не ослабить защиту данных.

Задача за задачей или общая платформа

Второй вопрос — как внедрять ИИ: по одной задаче или сразу на общей основе. Многие внедряют точечно, без общей платформы: выбрали задачу, посчитали выгоду в рублях, запустили, взялись за следующую. Это дисциплинирует: проект, от которого нет понятной выгоды, просто не запустят.

Но когда проектов становится много, каждая команда заново решает одни и те же вопросы: кому дать доступ, как защитить данные, как подключиться к системам компании. Отсюда второй подход — общая платформа, единая основа для всех проектов. Мы делаем такую сами. На нашей платформе IMAN сотрудники собирают ИИ-агентов (программы-помощники) под свои задачи, — а за защитой данных, правами доступа и расходами следит сама платформа. Сейчас на ней более 2100 активных пользователей и более 1600 активных агентов.

Бывает и по-другому: одни ставят отдельный шлюз, другие берут готовые общедоступные платформы с открытым кодом и достраивают их под себя. Сам спор «точечно или на платформе» кажется мне надуманным: выгоду нужно считать по каждой задаче, а защиту данных и проверку ответов — налаживать один раз для всех.

Что делать руководителю

Разделите задачи по цене ошибки. Перед запуском задайте себе три вопроса: во что обойдётся одна ошибка, есть ли кому её заметить и с чем сверить ответ, сделают ли это вовремя. Если ошибка стоит несколько минут работы, а на два других вопроса ответ «да», задачу можно отдавать ИИ уже сегодня. Так поступила страховая компания Allianz в Австралии: семь ИИ-агентов разбирают там мелкие случаи — в непогоду отключилось электричество, испортились продукты, ущерб составил меньше 500 австралийских долларов. Срок рассмотрения сократился на 80%: вместо нескольких дней — день, а то и несколько часов. Но решение о выплате по-прежнему принимает человек.

Заранее решите, где будет работать ИИ, и договоритесь со службой информационной безопасности об общих правилах — тогда каждый новый проект не придётся согласовывать с нуля. От этих двух решений зависит, какие данные можно показывать ИИ и сколько будет стоить каждый следующий запуск.

Учите людей проверять ИИ, а не подписывать не глядя: на этом держится вся схема «ИИ готовит, человек решает». Мы в «Ингосстрахе» научили работать с ИИ тысячи сотрудников: в нашем подразделении за это отвечает отдельный человек, а курс есть в корпоративной системе обучения.

Через год ситуация может изменится: некоторые решения, которые сегодня только тестируют, получат широкое распространение, а ИИ научится лучше распознавать рукописные документы. Но «стена» никуда не денется, даже если ИИ поумнеет: ошибаться он всё равно будет, только реже. Пробить её удастся, когда ловить ошибки ИИ научатся так же надёжно, как ошибки математических моделей. Тогда у ИИ появится право на ошибку — и он начнёт приносить деньги там, где сегодня «упирается в стену».