ИИ-агенты в урегулировании: пока их используют только два страховщика из 20

Искусственный интеллект постепенно меняет страхование, однако ИИ-агенты в урегулировании пока остаются редкостью. Опрос Банка России показал: из 20 страховщиков лишь две компании применяют такие решения при обработке заявлений и оценке ущерба. Большинство технологий на рынке по-прежнему основано на распознавании документов, правилах и классическом машинном обучении.

Что показал опрос Банка России

На первом Саммите АСН «Урегулирование убытков: экономика, технологии, антифрод» 29 сентября 2026 года старший менеджер практики управления данными и ИИ «Технологий Доверия» Антон Антонов представил доклад «Карта ИИ в урегулировании: реалии и перспективы». В нем он рассмотрел уже работающие решения и технологии, которые пока тестируются в пилотном режиме.

Основой исследования стал опрос, проведенный Банком России в июле 2025 года среди 20 страховщиков, на которые приходится 80% активов сектора. В оценке рисков и андеррайтинге ИИ использовали или тестировали 13 участников опроса. В обработке заявлений о выплате такие инструменты применяли 10 компаний, а в оценке ущерба и определении суммы возмещения — 9.

В сегменте обработки заявлений классическое машинное обучение (ML) используют 8 компаний, модели глубокого обучения — 6, генеративный ИИ — 5, ИИ-агентов — 2. В оценке ущерба распределение составило 6, 5, 4 и 2 компании соответственно. Для владельцев полисов, включая тех, кто планирует Купить полис ОСАГО, развитие автоматизации может означать более предсказуемое и быстрое рассмотрение стандартных случаев.

Генеративные модели опережают агентов, но еще не стали массовыми

По широте применения урегулирование пока отстает от андеррайтинга, но по уровню сложности моделей уже выходит вперед. Так, генеративный ИИ в обработке заявлений использовали 5 компаний, тогда как в андеррайтинге — 3, в оценке рисков — одна, а в ценообразовании — ни одной.

ИИ-агентов в обработке заявлений и оценке ущерба отметили по две компании. В андеррайтинге и оценке рисков их применяли или тестировали по одной компании. Страхование, банки, кредиты, ипотека, лизинг и инвестиции все активнее используют анализ данных, но именно в урегулировании цена ошибки особенно высока: решение напрямую влияет на выплату, сроки и возможный спор с клиентом.

Какие операции уже переведены в промышленную эксплуатацию

Карта урегулирования включает три операции, которые уже работают в промышленной эксплуатации. Это распознавание документов (OCR) при приеме заявления, применение правил и ML при признании случая, а также ML при выдаче направлений на ремонт.

На стадии пилотов остаются компьютерное зрение для анализа фотографий при осмотре, автоматический расчет мелких убытков, разбор заявлений и принятие решения о признании случая с помощью больших языковых моделей (LLM). При этом фотоосмотр, расчет экспертом и платежи не относятся к ИИ: платежные процессы закрываются роботизацией процессов (RPA).

Схожая ситуация наблюдается в антифроде и правовой работе. В практике уже используются ML-скоринг на входе, RPA для типовых претензий и исков, а также робот-обзвон при взыскании. Графы связей, OCR и ML в претензионной работе, LLM-агенты в судебной деятельности пока находятся на стадии пилотов. Правила и стоп-листы, проверка по базам и внешние источники при взыскании ИИ не используют.

Антифрод: внимание переносится с клиента на контрагента

Отдельно в докладе рассмотрен антифрод при проверке заказ-нарядов СТОА. В такой модели цепочка начинается с распознавания документа с помощью LLM. Затем сведения приводятся к единому формату — в докладе это названо главной сложностью — и сверяются с базой стоимости ремонта.

Следующий этап предполагает сопоставление позиций с фотографиями повреждений, сравнение цен с медианой, анализ профиля конкретной станции и поиск аномалий. Фокус при этом переносится с клиента на контрагента, а результат появляется до оплаты, а не после выплаты. Для компаний этот подход может дополнять Проверка контрагента, особенно когда требуется снизить операционные и финансовые риски.

Важен и подход к работе с документами: система не должна извлекать все сведения подряд. Рациональнее выделять 20–30 нужных признаков. Фотография повреждений не равна акту осмотра, схема ДТП не равна перечню повреждений. Поэтому сортировка дел исключительно по фотографиям не даст результата, если нужные триггеры содержатся в документах клиента.

Почему рынку нужна платформа, а не набор отдельных пилотов

В урегулировании существует широкий перечень задач для ИИ: суброгация и регресс, обоюдная вина, тотальная гибель, полнота документов, сверка с полисом, дубли убытков, риск жалобы и суда, сроки и неустойки, медицинские заключения, черновик ответа, контроль закрытых дел.

Каждое направление требует собственных данных, интеграций и процедур контроля. Поэтому в докладе сделан вывод, что эффективнее создавать единую платформу, а не запускать разрозненные пилоты. В платформенном подходе интеграции выполняются один раз, контроль становится общим, а стоимость каждого следующего кейса снижается. Такой принцип актуален не только для страхование: его учитывают банки, кредиты, ипотека, лизинг и инвестиции при масштабировании цифровых процессов.

Мировой опыт внедрения ИИ в выплатах

Мировая практика, приведенная в докладе, объединяет три модели, различающиеся ролью человека в принятии решений. Aviva создала более 80 ML-моделей по всему процессу. По данным McKinsey, работавшей над проектом, жалобы клиентов сократились на 65%, а эффект в моторном урегулировании за 2024 год компания оценила более чем в 60 млн фунтов. При этом убытки с вредом здоровью остались за человеком.

У австралийского подразделения Allianz, по данным доклада, работают семь ИИ-агентов. Срок урегулирования сократился на 80%, но каждую выплату по-прежнему одобряет человек. У Ping An 70% убытков по страхованию здоровья проходят без участия человека, а минимальный срок составляет 51 секунда.

Российский рынок в отдельных направлениях уже ближе к этим моделям, чем можно предположить по итогам опроса Банка России. «АльфаСтрахование» в 2024 году сообщало, что в Московском регионе до 70% решений по убыткам в ОСАГО принимает ИИ.

Кто получит преимущество от ИИ-агентов

Главный вывод доклада связан не с покупкой конкретной технологии, а с последовательной подготовкой процессов. Первыми доверить ИИ операции смогут страховщики, которые заранее описали процессы, подготовили данные и выстроили платформу. Роль урегулировщика при этом меняется: вместо ведения дела он будет задавать правила и разбирать исключения, а не выполнять расчеты вручную.

Преимущество получит не тот, кто раньше купит ИИ-агента, а тот, у кого к моменту его появления будет описан процесс. Для рынка, где страхование тесно связано с банками, кредитами, ипотекой, лизингом и инвестициями, качество данных и управляемость цифровых решений становятся ключевыми условиями доверия клиентов.