Евгений Ильин: как ИИ меняет андеррайтинг, антифрод и аналитику в страховании

Главное, по словам экспертов рынка, — не смешивать искусственный интеллект, с которым обычно ассоциируют чат-боты, и технологии машинного обучения, работающие на больших данных. Именно на это обратил особое внимание Евгений Ильин, член правления «Росгосстраха», выступая 30 октября на всероссийском «Форуме лидеров страхового рынка». Он рассказал, какие направления сегодня становятся ключевыми для отрасли, где страхование все активнее использует ИИ, а также как меняются подходы к оценке рисков, выявлению мошенничества и обработке информации.

В дополнительном комментарии для АСН Евгений Ильин отдельно подчеркнул: важно различать большие языковые модели, или large language models (LLM), которые массовая аудитория знает по чат-ботам вроде ChatGPT и их аналогам, и поиск корреляций в массивах данных с помощью машинного обучения — machine learning, или ML. Для рынка, где тесно переплетены страхование, банки, кредиты, ипотека, лизинг и инвестиции, это различие становится не теоретическим, а прикладным: разные технологии решают разные бизнес-задачи.

Какие тренды ИИ страховщики считают основными

Говоря о текущих тенденциях, Ильин перечислил несколько сфер, где технологии уже демонстрируют практическую ценность. В первую очередь речь идет о применении ML в андеррайтинге. Среди новых решений в этом направлении он отметил учет геоданных, включая адрес конкретного дома. Такой подход позволяет точнее сегментировать риски, а само страхование становится более персонализированным для клиента и более управляемым для компании.

Для владельцев транспорта и корпоративных автопарков подобная детализация оценки особенно показательна, поскольку современное Калькулятор КАСКО и смежные решения все чаще опираются на аналитику, данные и цифровые модели. Это отражает общий тренд: страхование, банки и лизинг постепенно переходят от усредненных сценариев к адресной, более точной модели расчета.

Андеррайтинг, антифрод и работа с данными

• применение ML в андеррайтинге. Из новинок в этой сфере — учет геоданных, включая адрес конкретного дома
• антифрод на базе графовых баз данных (тип баз данных, в которых хранение данных осуществляется в виде узлов (объектов) и ребер (связей между ними). Такие базы идеально подходят для работы с высокосвязанными данными — например, социальными сетями (Прим. АСН)
• использование LLM для обработки больших массивов неструктурированных данных
• речевая аналитика тоже с использованием LLM.

Отдельного внимания заслуживает антифрод на базе графовых баз данных. Такой формат хранения информации, где данные представлены в виде узлов и связей между ними, особенно эффективен для анализа высокосвязанных массивов. На практике это помогает быстрее выявлять подозрительные связи, схемы и повторяющиеся паттерны. В условиях, когда банки, кредиты, инвестиции, страхование и лизинг все чаще опираются на единую цифровую инфраструктуру, такие инструменты становятся важной частью системы защиты бизнеса.

Еще одно заметное направление — использование LLM для обработки больших массивов неструктурированных данных. Речь идет о массивах, которые раньше требовали значительных человеческих ресурсов для сортировки, анализа и классификации. Аналогично развивается и речевая аналитика с применением LLM, позволяющая работать с обращениями клиентов, диалогами и текстовыми массивами быстрее и глубже. Подобные технологии особенно востребованы там, где нужно сочетать скорость решений и качество анализа, например в корпоративном Киберстрахование, где объем цифровых сигналов постоянно растет.

Как ИИ используют не только страховщики, но и мошенники

Дополнительно эксперт отметил, возможно, в шутку, что мошенники тоже не дремлют. По его наблюдениям, это видно по текстам жалоб, явно сгенерированных LLM c характерными «галлюцинациями». В качестве примера он привел ссылки на несуществующие нормативные документы. Кроме того, на это указывают и странные объявления в интернете вроде «Разобью вашу машину», за которым можно угадать предложения услуг по генерации нужных изображений.

«Адеррайтинг и антифрод — уже привычные сферы применения ИИ»

Этот тезис хорошо описывает стадию зрелости рынка: технологии уже не воспринимаются как эксперимент. Для отрасли, где страхование пересекается с сегментами банки, кредиты, ипотека, инвестиции и лизинг, в центре внимания оказывается не сам факт использования ИИ, а практический эффект — точность оценки, снижение убытков, ускорение процессов и повышение качества клиентского сервиса.

Особенно заметно это в имущественном сегменте, где цифровая оценка рисков может дополнять Страхование зданий и сооружений и другие корпоративные программы. Чем больше массивов данных вовлекается в анализ, тем выше требования к корректной интерпретации результатов и разграничению задач между ML и LLM.

Что дальше

В ближайшее время на сайте АСН выйдет эксклюзивный материал в духе best practice о применении технологий ML и LLM в практике «Росгосстраха». Для рынка это может стать полезным ориентиром, поскольку интерес к таким решениям продолжает расти: страхование становится все более технологичным, а вместе с ним трансформируются банки, кредиты, ипотека, лизинг и инвестиции. Для профессиональной аудитории особенно важно, что разговор идет уже не о теории, а о конкретных сценариях внедрения, которые влияют на андеррайтинг, антифрод и клиентские коммуникации.