ИИ в андеррайтинге: как применить в расчёте страховых тарифов

Почему страховая отрасль переходит на ИИ прямо сейчас

Искусственный интеллект в страховании — это уже не эксперимент, а операционная необходимость. Мировой рынок AI-технологий в страховании оценивается в $11 млрд, а сами технологии перестали быть экспериментальными: они уже внедряются в страховые продукты и процессы. Рынок вырастет с $13,45 млрд до $154,39 млрд к 2034 году с ежегодным темпом роста 35,7%.

Для российского рынка картина не менее масштабная. Страховой рынок России может вырасти до 4,47 трлн рублей, а основными драйверами станут некредитное страхование жизни и автострахование. Зрелость ИИ в российском страховании находится на среднем уровне: лидеры уже масштабируют ИИ во фронт-офисе и системах урегулирования, но рынок в целом ещё не перешёл от пилотов к промышленной эксплуатации.

Чтобы понять весь потенциал технологии, важно разобраться, как именно ИИ трансформирует каждый этап страхового процесса — от сбора данных до выдачи полиса.

Что такое андеррайтинг и зачем его автоматизировать

Андеррайтинг — это оценка риска перед принятием решения о страховании. Говоря простыми словами, это предварительная проверка рисков перед продажей страховки, которая помогает организации минимизировать возможные потери и заранее предусмотреть компенсацию убытков. В отличие от скоринга, андеррайтинг подразумевает индивидуальный подход: андеррайтер изучает дополнительные факторы — специфику бизнеса клиента, тенденции рынка, личные обстоятельства.

Традиционный процесс занимал дни и недели. Внедрение AI-инструментов сократило время принятия андеррайтинговых решений с недель до часов — некоторые страховщики сообщают о скорости, выросшей на 90%. AI-системы принимают андеррайтинговые решения всего за 12,4 минуты при точности оценки риска 99,3%.

Цифры объясняют, почему сегмент андеррайтинга прогнозируется как самый быстрорастущий с ожидаемым CAGR 41,6% — из-за нарастающего использования AI-моделей риска, анализирующих большие и сложные наборы данных для повышения точности и скорости.

Какие технологии ИИ используются в андеррайтинге

Современный интеллектуальный андеррайтинг опирается сразу на несколько классов технологий, которые дополняют друг друга.

Машинное обучение (ML)

Классические модели машинного обучения — в скоринге, антифроде, прогнозировании — уже стали для страхового рынка своего рода гигиеническим минимумом. Машинное обучение в андеррайтинге повысило точность оценки на 54%, что ведёт к более надёжным и основанным на данных оценкам риска.

Генеративный ИИ и большие языковые модели

Традиционный аналитический ИИ понимает паттерны в данных, а генеративный ИИ расширяет эти возможности за счёт работы с неструктурированными данными и добавляет гиперперсонализацию в ответы. Генеративный ИИ особенно эффективен там, где есть работа с текстом, изображениями или структурированными данными, принося значимую пользу в автоматизации внутренних процессов, борьбе с мошенничеством и управлении инвестициями.

Практический пример: Allianz UK разработал AI-инструмент BRIAN, который помогает андеррайтерам ориентироваться в сложных руководящих документах и сэкономил примерно 135 рабочих дней на поиск информации с момента запуска. Вместо многочасового листания 600-страничных документов андеррайтеры получают мгновенные ответы на конкретные вопросы.

Компьютерное зрение

Технологии компьютерного зрения вкупе с ИИ позволяют анализировать фотографии или видео поврежденного имущества, автоматически определять степень повреждений и оценивать предварительную стоимость ремонта.

Агентный ИИ (Agentic AI)

Агент-приёмщик извлекает данные из документов вроде медицинских карт или инженерных отчётов, агент риск-профилирования строит комплексный профиль по каждому случаю, агент ценообразования автоматически рассчитывает стоимость и предлагает структуру полиса, а агент комплаенса проверяет весь процесс на соответствие регуляторным требованиям. Такая многоагентная архитектура — это следующий этап автоматизации страхового андеррайтинга, о котором подробнее рассказывается в разделе про автоматизацию с помощью искусственного интеллекта.

Как ИИ меняет расчёт страховых тарифов

Персонализация тарифов — главная задача, которую отрасль решает с помощью ИИ. До 70% тарифов в страховании могут стать персональными. ИИ позволяет страховщикам анализировать поведение и профиль клиентов для более точного определения рисков и установления справедливых цен: используя данные о поведении, привычках и предпочтениях, технология прогнозирует вероятность наступления страховых случаев, что помогает избежать недооценки или переоценки рисков.

Раньше тарифы строились на статистических таблицах и нескольких переменных. Теперь модели учитывают десятки факторов одновременно.

Телематика и UBI (Usage-Based Insurance)

Приложение Snapshot страховщика Progressive с помощью ИИ автоматически вычисляет стоимость полиса на основе того, сколько и как именно клиент водит автомобиль. Программа собирает реальные данные о вождении миллионов клиентов, подавая их алгоритмам машинного обучения, которые непрерывно улучшают точность оценки риска — в результате достигается точность ценообразования на 9% выше.

IoT и умные устройства

Носимые фитнес-трекеры и медицинские приложения предоставляют данные о физической активности, пульсе и качестве сна. Такие программы предлагают скидки или вознаграждения за здоровое поведение — страховщики фактически привязывают стоимость полиса жизни к образу жизни клиента, а не к обобщённым таблицам смертности.

Динамическое ценообразование в реальном времени

ИИ позволяет страховщикам внедрять динамические модели ценообразования, корректирующие премии в реальном времени на основе меняющихся факторов риска. Например, страховые взносы по автострахованию могут меняться в зависимости от данных о поведении водителя, что ведёт к более точному ценообразованию и потенциально стимулирует более безопасное поведение.

Уже 47% страховщиков используют AI-модели ценообразования в режиме реального времени, повышая как точность ценообразования, так и маржу.

Какие источники данных использует ИИ для оценки рисков

Эффективность AI-андеррайтинга прямо пропорциональна качеству и разнообразию данных. ИИ собирает, унифицирует и анализирует данные: демографические, финансовые, телематические, активность в социальных сетях, медицинские записи и историю претензий.

AI-системы анализируют как традиционные, так и нетрадиционные источники данных, включая активность в социальных сетях, данные IoT-устройств и спутниковые снимки, создавая комплексные риск-профили для более персонализированных и справедливо оценённых полисов.

Одним из ключевых трендов становится интеграция данных реального времени: страховщики переходят от оценки риска к его активному формированию с помощью IoT и телематических устройств, обеспечивающих данные о поведении застрахованных в режиме реального времени.

Как ИИ борется с мошенничеством в страховании

Мошенничество — одна из самых острых проблем для страховщиков, и здесь ИИ показывает впечатляющие результаты. ИИ эффективен в выявлении подозрительных моделей поведения и признаков мошенничества, что помогает снизить убытки страховых компаний.

Ошибки андеррайтинга в киберполисах сократились на 34% благодаря AI-сценариям прогностического риска, а AI-аналитика угроз снижает частоту киберпретензий до 22%, обеспечивая более проактивные стратегии предотвращения.

Типичные сценарии, которые выявляет ИИ:

• Завышение ущерба при урегулировании убытков
• Страхование уже наступившего страхового события (постфактум-страхование)
• Двойное страхование одного объекта
• Фиктивные ДТП и инсценировки несчастных случаев
• Мошенничество с медицинскими претензиями

AI-алгоритмы становятся всё более изощрёнными в обнаружении мошеннических претензий и заявлений: анализируя паттерны и аномалии в обширных наборах данных, AI-системы отмечают потенциальные мошеннические случаи для дальнейшего расследования. Понимание того, какие задачи решает искусственный интеллект в финансовой сфере, помогает страховщикам выстроить правильную архитектуру систем защиты.

Как применить ИИ в андеррайтинге: пошаговый план

Внедрение AI-андеррайтинга — это не единовременный проект, а последовательная трансформация. Отрасль выходит из фазы экспериментов и переходит к прагматичному внедрению технологий, которые обеспечивают быстрый эффект и измеримый рост.

1. Аудит данных. Инвентаризируйте все источники данных, которыми располагает компания: истории претензий, клиентские профили, финансовые данные. Качество входящих данных определяет качество модели.
2. Определение приоритетных задач. Начните с конкретного направления — например, автоматизации скоринга заявок по автострахованию или антифрод-системы.
3. Выбор технологической платформы. Определите, будете ли вы строить модели in-house, покупать готовые InsurTech-решения или привлекать партнёров. Партнёрства между страховщиками и InsurTech-компаниями стали главным трендом: традиционные страховщики получают доступ к предиктивной аналитике, AI-движкам андеррайтинга и платформам обнаружения мошенничества, на создание которых внутри компании ушли бы годы.
4. Пилотный проект. Запустите ИИ на ограниченном сегменте портфеля — например, новых заявках по одному продукту. Сравните результаты с контрольной группой.
5. Валидация и регуляторный комплаенс. Повышенное внимание к алгоритмической прозрачности и снижению предвзятости вознаградит страховщиков, готовых соответствовать более строгим требованиям; более объяснимые AI-модели войдут в производство в ценообразовании и андеррайтинге.
6. Масштабирование. После успешного пилота расширяйте модель на другие продукты, интегрируйте дополнительные источники данных и постепенно увеличивайте долю автоматических решений.
7. Непрерывный мониторинг. Отслеживайте дрейф модели, обновляйте обучающие данные, контролируйте убыточность портфеля после внедрения.

Компании, которые принимают взвешенное решение о внедрении искусственного интеллекта в бизнес-процессы, как правило, начинают именно с этапа аудита данных — и это позволяет избежать большинства ошибок пилотных проектов.

Реальные примеры применения ИИ в страховании

Теория без практики неубедительна. Разберём конкретные кейсы.

Progressive (США) — телематический андеррайтинг. Progressive построила всю бизнес-модель вокруг интеллектуальной оценки риска. Программа Snapshot собирает реальные данные о вождении миллионов клиентов, подавая их алгоритмам машинного обучения, что в итоге обеспечивает точность ценообразования риска на 9% выше.

Allianz UK — генеративный ИИ для документооборота. Allianz UK разработал AI-инструмент BRIAN для навигации по сложным руководящим документам. Инструмент сэкономил примерно 135 рабочих дней на поиск информации с момента запуска: вместо многочасового листания 600-страничных документов андеррайтеры получают мгновенные ответы.

MetLife — автоматизация урегулирования претензий. MetLife в июле 2025 года заключила партнёрство с AI-InsurTech Sprout.ai для ускорения и автоматизации процесса урегулирования претензий на глобальных рынках. Расширенное сотрудничество последовало за демонстрацией измеримого улучшения сроков обработки, точности и удовлетворённости клиентов.

John Hancock (США) — страхование жизни на основе поведения. Программа Vitality использует данные носимых устройств для предложения скидок и вознаграждений за здоровое поведение — стоимость полиса жизни привязана к тому, как человек живёт, а не к обобщённым таблицам смертности.

Российский рынок. На российском рынке происходит активное внедрение технологий ИИ: крупные страховщики уже используют ИИ для оценки убытков по фотографиям, автоматической проверки заявлений и выявления мошенничества. По словам директора департамента машинного обучения АО «АльфаСтрахование», в тарификации пока доминируют классические методы машинного обучения, но ИИ уже начинает усиливать их, помогая принимать более точные и адаптивные решения.

Сравнение: традиционный vs AI-андеррайтинг

«ИИ может учесть больше переменных, чем любой андеррайтер, делая точность котировок выше, ценообразование справедливее и оборачиваемость претензий быстрее». Именно поэтому искусственный интеллект в бизнес-аналитике становится не вспомогательным, а ключевым инструментом принятия решений в страховании.

Какие риски и ограничения есть у ИИ в андеррайтинге

Внедрение ИИ несёт не только выгоды, но и риски, которые необходимо учитывать заранее.

Качество и предвзятость данных. Искусственный интеллект перестаёт быть маркетинговым мифом и становится рабочим инструментом, но алгоритм бесполезен без топлива — качественных и полных данных. Если обучающая выборка содержит исторические предубеждения, модель их воспроизведёт и закрепит.

Регуляторные требования. Страховые регуляторы во всём мире ужесточают требования к объяснимости алгоритмических решений. По мере распространения ИИ в андеррайтинге регуляторы усиливают надзор: страховщики должны обеспечивать прозрачность и объяснимость AI-систем с чётким обоснованием автоматических решений.

Кадровый вопрос. ИИ требует качественно новой подготовки кадров: ИИ может принимать решения, но человек, использующий модель, должен понимать, что получает, — иначе возникнет ситуация, когда ИИ выдаёт результат, который пользователь не способен оценить.

Дрейф модели. Риск-модели устаревают по мере изменения внешней среды. Климатические изменения, новые виды мошенничества, пандемии — всё это требует постоянного переобучения моделей.

Защита данных. Использование персональных данных из носимых устройств и социальных сетей требует строгого соблюдения законодательства о персональных данных (GDPR, российский 152-ФЗ).

Подробный разбор всех потенциальных проблем — в материале о рисках внедрения искусственного интеллекта.

Будущее AI-андеррайтинга: что ждёт отрасль

Если предыдущий период стал временем обучения и ранних побед, то следующий — это время действий в масштабе и выработки лучших практик для достижения большего ROI.

Страховой сектор видит, как ИИ стимулирует рост непрерывного андеррайтинга, где ценообразование и риск-экспозиция корректируются динамически, а не раз в год. Это меняет саму природу страхового продукта: полис становится «живым» договором.

Ключевые направления развития:

• Климатический андеррайтинг: климатические изменения и кибератаки — одни из крупнейших вызовов для страховой индустрии, и ИИ оказывается ключом к решению этих сложных риск-задач.
• Параметрическое страхование: автоматические выплаты при наступлении объективно измеримых событий (засуха, ураган, задержка рейса) без участия человека.
• Встроенное страхование (Embedded Insurance): интеграция страховых продуктов в экосистемы маркетплейсов, банков и мобильных приложений с мгновенным AI-андеррайтингом.
• AI-агенты как сотрудники: в ближайшем будущем практически все функции onboarding клиентов в страховании смогут выполняться мультиагентными AI-системами, действующими как виртуальные коллеги.

Страховщики, которые сегодня инвестируют в внедрение искусственного интеллекта, формируют конкурентные преимущества, которые будет крайне сложно догнать через несколько лет. Чтобы создать устойчивую бизнес-ценность от ИИ, страховщикам нужно установить смелое общекорпоративное видение потенциала ИИ и глубоко переосмыслить работу всех бизнес-доменов — андеррайтинга, претензий, дистрибуции и клиентского сервиса.

Ознакомиться с полным спектром областей, где ИИ создаёт ценность, можно в обзоре областей применения искусственного интеллекта.

Часто задаваемые вопросы

Что такое AI-андеррайтинг?

AI-андеррайтинг — это процесс оценки страхового риска с применением алгоритмов машинного обучения и искусственного интеллекта. Система анализирует сотни переменных одновременно и принимает решение о страховании и тарифе за минуты вместо дней, как при традиционном подходе.

Насколько ИИ точнее человека в оценке страховых рисков?

Машинное обучение в андеррайтинге повысило точность оценки на 54%. AI-системы принимают решения при точности оценки риска 99,3%. Это не означает отказа от специалистов: ИИ берёт на себя стандартные случаи, а сложные — остаются за экспертами.

Как ИИ рассчитывает страховой тариф?

ИИ строит индивидуальный риск-профиль клиента на основе всех доступных данных: истории претензий, поведенческих данных (телематика, носимые устройства), финансовых показателей, данных IoT. Затем модель прогнозирует вероятность наступления страхового случая и рассчитывает тариф, обеспечивающий прибыльность с учётом индивидуального риска.

Безопасно ли использовать персональные данные для AI-тарификации?

Да, при соблюдении законодательства о персональных данных. Участие в программах телематики или носимых устройств, как правило, добровольно. Конфиденциальность и согласие тщательно регулируются, при этом многие потребители готовы делиться данными, если это позволяет сэкономить деньги.

Сколько стоит внедрение AI-андеррайтинга?

Большинство компаний выделяют на создание новых продуктов 0,5–1% страховой премии, а расходы на ИИ в основном составляют 1–5% от ИТ-бюджета. Для среднего страховщика с премиями в несколько миллиардов рублей это означает инвестиции в десятки–сотни миллионов рублей ежегодно. Отдача от инвестиций достигается за счёт снижения убыточности, роста конверсии и сокращения операционных расходов.

Может ли ИИ полностью заменить андеррайтера?

В ближайшее время — нет. По мере того как ИИ берёт на себя рутинные задачи андеррайтинга, роль специалистов эволюционирует: им потребуются навыки анализа данных, надзора за ИИ и оценки сложных рисков, дополняющие AI-системы. ИИ — усилитель возможностей андеррайтера, а не его замена.

Какие виды страхования быстрее всего перейдут на AI-андеррайтинг?

В числе наиболее перспективных областей для использования ИИ страховщики называют поддержку продаж, взаимодействие с клиентами и персонализацию тарифов. Быстрее всего автоматизируются массовые продукты: ОСАГО, КАСКО, ДМС, страхование путешественников. Корпоративные и специализированные риски требуют участия эксперта дольше.