AI-агенты в страховании: как ИИ разбирает claims сам

Крупные страховые компании перестают использовать ИИ только как чат-бота на первой линии. Новый сценарий — автономные агенты, которые проходят цикл урегулирования убытка целиком: принимают заявление, вытягивают данные из справок и фотографий, сверяют их с полисом, считают выплату и либо выносят решение, либо эскалируют случай человеку. В зарубежной практике этот процесс называют touchless claims — урегулирование без ручного касания. Скорость обещают не в днях, а в минутах.

Речь именно об агентах*, а не о простой генерации текста. Разница в том, что система не просто отвечает на запрос, а сама решает, какие шаги предпринять: запросить недостающий документ, вызвать API оценщика, проверить историю клиента на признаки мошенничества. И это уже не пилоты в песочнице — Lemonade годами публикует статистику мгновенных выплат, а Tractable строит бизнес на ИИ-оценке повреждений автомобиля по снимкам.

Что именно делает агент в цикле claims

Классическая обработка убытка — это конвейер из нескольких этапов, на каждом из которых раньше сидел человек. Агент забирает рутинную часть каждого этапа.

• Приём заявления. Клиент описывает случай текстом или голосом, прикладывает фото. Агент извлекает структурированные поля: дата, тип события, объект, сумма претензии.
• Проверка покрытия. Система сверяет случай с условиями полиса: попадает ли событие под покрытие, какие исключения действуют, есть ли франшиза.
• Оценка ущерба. По фотографиям вмятины или залитой квартиры модель компьютерного зрения оценивает степень повреждения и прикидывает стоимость ремонта.
• Антифрод. Проверка на дубликаты фото, признаки монтажа, аномалии в истории обращений клиента.
• Решение. Простой и недорогой случай агент закрывает сам. Спорный или дорогой — передаёт человеку с уже собранным досье.

Ключевая идея — не заменить оценщика на сложных делах, а снять с него поток однотипных мелких выплат, которые съедают время. Условная разбитая фара или залитый сосед снизу — это тысячи одинаковых кейсов в год.

Автоматизировать имеет смысл не самый сложный случай, а самый частый. Именно на потоке одинаковых мелких убытков агент экономит недели человеко-часов, а на редком дорогом деле он всё равно позовёт человека.

Кто и что уже предлагает на рынке

Однородного "ИИ для claims" не существует — есть несколько типов игроков. Одни продают готовую страховую платформу, другие — узкий сервис оценки, третьи дают общую агентную инфраструктуру, поверх которой страховщик собирает своё решение.

Точные метрики по каждому продукту меняются от релиза к релизу и от типа страхования, поэтому проверяйте их на официальных страницах вендоров, а не по обзорам полугодовой давности. Публичные бенчмарки для задачи "урегулирование убытка" как единого целого пока не устоялись — сравнивать в лоб "чей ИИ точнее" не на чем.

Почему LLM здесь мало без RAG

Языковая модель сама по себе не знает условий конкретного полиса и внутренних регламентов страховщика. Чтобы агент проверял покрытие по реальному договору, а не по "общим представлениям о страховании", его подключают к базе документов через RAG**. Модель на каждый вопрос подтягивает нужный кусок полиса и правил и опирается на него, а не на память. Без этого агент будет уверенно выдумывать условия — и это прямой путь к неправомерному отказу или, наоборот, к переплате.

Кому это пригодится, а кому нет

Пригодится, если у вас:

• большой поток однотипных мелких убытков — каско на мелкие ДТП, страхование гаджетов, мелкий бытовой ущерб;
• стандартизированные полисы с понятной логикой покрытия, которую можно формализовать;
• цифровой канал приёма заявлений, где клиент и так грузит фото и документы через приложение.

Скорее не пригодится или преждевременно, если:

• убытки редкие, крупные и всегда индивидуальные — сложное имущественное или B2B-страхование, где каждое дело всё равно ведёт эксперт;
• оспаривание решений критично и дорого: неверный автоматический отказ по здоровью или жизни — это не только жалоба, но и репутационный удар;
• нет чистых оцифрованных данных о прошлых убытках, на которых можно настроить и проверить систему.

Где риск, а не выгода

Автономный агент, который сам отказывает в выплате, — это регуляторная зона повышенного внимания. Клиент имеет право понять, почему ему отказали, и оспорить решение. "Так решил алгоритм" — не объяснение, которое устроит проверяющих. Поэтому на практике полностью автономным делают одобрение выплаты (клиент доволен, спора нет), а вот отказ почти всегда проходит через человека.

Второй риск — ошибки компьютерного зрения. Модель может недооценить скрытые повреждения под смятым бампером или, наоборот, принять старую царапину за новый ущерб. Отсюда правило: автоматика закрывает случай сама только внутри порога суммы, выше которого обязательно подключается оценщик.

Третий — мошенники быстро учатся под систему. Если известно, что фото проверяет ИИ, начинают генерировать или подбирать снимки под его слабые места. Антифрод в агентном контуре — не разовая настройка, а постоянная гонка.

* Агент — программа на основе языковой модели, которая не просто отвечает на запрос, а сама планирует и выполняет последовательность действий: вызывает внешние инструменты и API, принимает промежуточные решения и идёт к цели в несколько шагов.

** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает релевантные фрагменты из вашей базы документов и опирается на них, а не только на то, что "запомнила" при обучении. Снижает выдумывание фактов.