ИИ в страховании: как нейросети меняют андеррайтинг, урегулирование убытков и борьбу с мошенничеством

В июле 2017 года страховой стартап Lemonade выплатил страховое возмещение за кражу куртки за 3 секунды. Без звонков, без форм, без ожидания. Пользователь снял видео на телефон, описал случай — AI проверил полис, обработал претензию, провёл платёж. Это был рекорд в истории страховой индустрии, которой на тот момент было несколько сотен лет.

Страхование — консервативная отрасль, где слово «инновация» традиционно означало «новый PDF-бланк». Но у неё есть уникальное качество: она работает с данными по своей природе. Оценка риска — это всегда была задача анализа данных. ИИ просто делает этот анализ в тысячи раз глубже и быстрее.

Кейс 1. Lemonade — AI-first страхование с нуля до $1 млрд без традиционных агентов

Инструменты

• AI Jim — виртуальный AI-агент по урегулированию убытков
• AI Maya — AI-агент по продаже полисов
• NLP + Computer Vision для обработки видеозаявлений
• Поведенческая экономика + ML для детекции мошенничества в режиме реального времени
• Собственная система андеррайтинга на основе ML

Что происходит

Lemonade перевернул традиционную страховую модель. Вместо агента — два AI: Maya продаёт полис (весь онбординг за 90 секунд через приложение), Jim урегулирует убытки.

При подаче заявления пользователь записывает видео, описывая что произошло. AI анализирует текст, тон голоса, микровыражения лица (это спорный момент с точки зрения этики), несоответствия в рассказе. Одновременно проверяет: полис активен, лимит не превышен, нет признаков ранее отклонённых заявлений. Простые претензии закрываются мгновенно. Сложные — эскалируются к человеку.

Бизнес-модель: Lemonade берёт фиксированные 25% от премии. Остаток идёт на выплаты и в «благотворительный пул» (выбранные клиентом НКО). Это убирает конфликт интересов: у Lemonade нет мотива отклонять законные заявления.

Результаты

• 3 секунды — рекорд скорости выплаты (куртка Jacob Licht, 2017)
• Стандартное время урегулирования простых заявлений: <2 минут (vs 30–45 дней в традиционных компаниях)
• Онбординг нового клиента: 90 секунд в приложении
• Потери от мошенничества: по заявлению Lemonade — ~1,3% от премий (vs ~10–15% в среднем по отрасли)
• Клиентская база: >2 млн полисов в 28 странах
• Выручка (2023): $469 млн (+21% г/г) при работе преимущественно без традиционных агентов

Кейс 2. AXA — предиктивный андеррайтинг и персонализированные тарифы

Инструменты

• ML-платформа на базе Microsoft Azure ML
• Телематика (данные вождения с мобильного телефона) для автострахования
• Компьютерное зрение для оценки ущерба по фотографии
• NLP для анализа медицинских документов в страховании жизни

Что происходит

AXA — один из крупнейших страховщиков мира — перешёл от «ценообразования по категориям» к «ценообразованию по поведению».

Традиционно: мужчина 25 лет → высокий риск → высокий тариф. Но конкретный 25-летний мужчина может ездить абсолютно аккуратно — почему он должен субсидировать лихачей своей категории?

Телематическая программа AXA Drive записывает данные вождения через смартфон: скорость, торможение, ускорение, время суток, тип дорог. ML-модель строит индивидуальный профиль риска. Аккуратный водитель получает скидку до 30% от базового тарифа.

Компьютерное зрение для оценки ущерба: клиент фотографирует повреждение автомобиля → AI за секунды оценивает стоимость ремонта по 47+ параметрам → клиент получает предварительную сумму выплаты, не дожидаясь выезда эксперта.

Результаты

• Accuracy предиктивной модели ущерба: 87% совпадение с итоговой оценкой эксперта
• Время предварительной оценки ущерба по фото: <45 секунд (vs 3–7 дней выезда эксперта)
• Клиенты с телематикой: убыточность на 22% ниже vs стандартные полисы (выбирают аккуратные водители)
• Отток клиентов из телематической программы: в 2 раза ниже стандартного (персонализация = лояльность)
• Fraud detection ML-система AXA: экономия >€100 млн/год от предотвращённых мошеннических выплат

Кейс 3. Сбер Страхование (Россия) — AI-урегулирование и NLP-обработка заявлений

Инструменты

• GigaChat NLP для обработки заявлений в свободной форме
• Computer Vision для оценки повреждений автомобиля и имущества
• ML-модели скоринга мошенничества
• Интеграция с Госуслугами и ГИБДД для автоматической проверки данных

Что происходит

«Сбер Страхование» обрабатывает сотни тысяч заявлений в год. До внедрения ИИ: клиент заполнял длинную форму, собирал документы, ждал выезда оценщика, ждал решения. Срок урегулирования — 15–30 дней.

Новый процесс: клиент описывает ситуацию голосом или текстом в приложении. NLP-система понимает суть: «попал в аварию, виновен другой водитель, машина стоит на парковке». Автоматически запрашивает нужные документы — только те, что нужны именно в этом случае. CV-система анализирует фотографии повреждений.

Для простых случаев (небольшой ущерб, чистая история клиента, данные ГИБДД совпадают) — выплата происходит автоматически. Для сложных — ML-система расставляет приоритеты и готовит полный пакет для оценщика, который тратит 20 минут вместо 2 часов.

Результаты

• Доля автоматически урегулированных простых случаев: ~40%
• Среднее время урегулирования: с 22 дней до 8 дней для всех случаев, для простых — <24 часов
• Выявление мошеннических заявлений: рост на +67% (ML видит паттерны, которые человек пропускает)
• Стоимость обработки одного заявления: снижение на ~45%
• NPS клиентов: вырос на +14 пунктов после ускорения урегулирования

Кейс 4. Zurich Insurance — предиктивный андеррайтинг для корпоративного страхования

Инструменты

• Zurich Risk Advisor — ML-платформа оценки промышленных рисков
• Данные: промышленные датчики клиентов, исторические данные убытков, внешние данные (погода, новостной фон)
• NLP-анализ инженерных отчётов и документации
• Спутниковые снимки для оценки имущественных рисков

Что происходит

Страхование крупных промышленных объектов — это не «заполни форму». Это глубокий инженерный анализ: каков риск пожара на конкретном заводе, затопления конкретного склада, отказа конкретного оборудования?

Zurich Risk Advisor объединяет данные с промышленных датчиков клиента с базой из 100+ лет страховых убытков по всему миру. ML-модель строит цифровой профиль риска: не «завод химической промышленности», а «этот конкретный завод с этими параметрами технологического процесса в этом регионе при текущих условиях эксплуатации».

Страховой андеррайтер получает не таблицу категорий, а подробный риск-профиль с рекомендациями: «снижение риска на X% при установке дополнительной системы пожаротушения».

Результаты

• Точность оценки риска для промышленных объектов: улучшение на ~30% vs традиционные методы
• Убыточность корпоративного портфеля Zurich: снижение на ~8% за 3 года после внедрения системы
• Время андеррайтинга сложного промышленного объекта: с 4–6 недель до 5–7 дней
• Клиенты с Risk Advisor: в 1,5 раза реже имеют крупные убытки (система помогает клиентам снижать риски проактивно)

Главные применения ИИ в страховании: сводная картина

Продажи: AI-агент ведёт клиента от запроса до полиса. Конверсия в покупку: +20–40%.

Андеррайтинг: Персонализированные тарифы вместо категорийных. Точность оценки риска: +25–35%.

Урегулирование убытков: Автоматизация простых случаев. Скорость: с недель до часов.

Fraud detection: ML видит нетипичные паттерны. Экономия: 30–50% от потерь на мошенничестве.

Удержание клиентов: Предиктивные модели оттока. Retention: +15–25%.

Страхование — отрасль, где ИИ не просто «ускоряет» существующие процессы. Он меняет саму логику бизнеса: от усредненных рисков к индивидуальным, от реакции на убыток к его предотвращению.

Источники: Lemonade Annual Report 2023, AXA Group AI Strategy Report, McKinsey «The Future of Insurance 2024», Zurich Insurance Investor Presentation.