ИИ в обработке страховых убытков: как это устроено

Обработка страхового убытка — то, что на английском называют claim, а в русских регламентах «урегулированием убытка» — исторически была узким местом. Клиент присылает фото разбитого бампера, справку и заявление, а дальше цепочка людей неделю проверяет документы, сверяет полис, оценивает ущерб и принимает решение о выплате. За последние два года крупные страховщики начали встраивать в эту цепочку языковые модели и компьютерное зрение — и вот что из этого получается на практике.

Что именно автоматизируют

Термин «автоматизация claims» скрывает как минимум четыре разных задачи, и путать их не стоит — у каждой своя зрелость и своя цена ошибки.

• Приём и классификация обращения. Модель читает заявление и приложения, определяет тип убытка (ДТП, залив, кража), извлекает номер полиса, дату события, стороны. Это самая безопасная зона: ошибка чревата переназначением, а не выплатой не тому.
• Извлечение данных из документов. OCR плюс языковая модель вытаскивают суммы, даты и пункты из справок, актов и счетов на ремонт. Здесь LLM заменяет ручной ввод оператора.
• Оценка ущерба по фото. Компьютерное зрение оценивает повреждения по снимкам — например, площадь вмятины или залитого потолка. Работает как подсказка оценщику, а не как окончательный вердикт.
• Решение по простым выплатам. Небольшие типовые убытки с полным пакетом документов система может провести без человека — по заранее заданным правилам и порогам.

Автоматизируется не «принятие решения о выплате», а сортировка потока: система отделяет 60–70% рутинных случаев от тех, где нужен человек. Экономия — в этой сортировке, а не в замене эксперта.

Как устроен типовой пайплайн

Публичные кейсы западных страховщиков и вендоров (Lemonade, Tractable, EIS) описывают похожую архитектуру, хотя цифры каждый считает по-своему.

1. Клиент подаёт обращение через приложение — текст, фото, иногда голосовое.
2. Языковая модель извлекает структурированные поля и проверяет их против данных полиса.
3. Компьютерное зрение оценивает повреждения на снимках, отмечает подозрение на фальсификацию (одно и то же фото из другого дела, следы редактирования).
4. Правила бизнес-логики решают: провести автоматически, запросить документы или передать человеку.
5. Спорные и крупные случаи уходят оценщику вместе с готовой сводкой от модели.

Ключевой момент — на шаге проверки часто применяют RAG*: модель отвечает не из «памяти», а сверяясь с конкретными условиями полиса и внутренними регламентами. Это снижает риск того, что она «сочинит» покрытие, которого в договоре нет.

Сравнение подходов

Три сценария внедрения, которые встречаются на рынке, отличаются глубиной и риском.

Что даёт и чего стоит опасаться

Заявленные вендорами эффекты — сокращение времени урегулирования с дней до минут для простых случаев и снижение доли ручного ввода. Но публичные точные проценты почти всегда маркетинговые: их стоит воспринимать как порядок величины, а не как гарантию. Реальный выигрыш зависит от того, насколько чистые данные и типовой поток убытков у конкретного страховщика.

Риски, о которых честнее говорить сразу:

• Галлюцинации в интерпретации полиса. Без строгой сверки с текстом договора модель может «увидеть» покрытие там, где его нет.
• Смещения в оценке фото. Модель компьютерного зрения, обученная на одном парке машин или типе жилья, хуже работает на нетипичных объектах.
• Регуляторика и объяснимость. Отказ в выплате должен быть мотивирован. «Так решила модель» — не мотивировка ни для клиента, ни для надзора.
• Фрод в обе стороны. Автоматика ловит часть подделок, но и мошенники учатся генерировать фото повреждений нейросетями.

Кому это пригодится, а кому нет

Пригодится:

• Массовым видам страхования с типовыми убытками — каско, ОСАГО, страхование квартир, гаджетов. Большой поток однотипных дел — идеальная почва для сортировки.
• Страховщикам с оцифрованным документооборотом: если акты и полисы уже в структурированном виде, модели есть за что зацепиться.
• Задаче разгрузки первой линии: убрать ручной ввод и дать оператору готовую сводку — низкий риск, быстрый эффект.

Не даст выигрыша:

• Сложным корпоративным и редким убыткам — крупный имущественный ущерб, ответственность, где каждое дело уникально и требует эксперта.
• Компаниям с бумажным архивом и разнородными форматами: сначала придётся вложиться в оцифровку, и это отдельный проект.
• Там, где цена ошибки автовыплаты выше экономии на операторах. Сквозную автоматизацию имеет смысл включать только на классе убытков, где ошибка недорога и обратима.

С чего начать внедрение

1. Выделите один класс убытков с большим потоком и простыми правилами — на нём считать эффект честнее всего.
2. Начните с роли ассистента: пусть модель готовит сводку, а решение остаётся за человеком. Соберите статистику расхождений.
3. Введите пороги автовыплаты постепенно, с обязательным логированием: какое решение приняла система и на каких данных.
4. Заложите механизм обжалования и ручного пересмотра — и для клиента, и для надзора.

* RAG (retrieval-augmented generation) — подход, при котором языковая модель перед ответом подтягивает нужные документы (условия полиса, регламент) и опирается на них, а не только на то, что «запомнила» при обучении. Снижает вероятность выдуманных фактов.