Как страховщики внедряют ИИ: "Ингосстрах" Мы запускаем серию интервью о том, как российские страховые компании работают

Как страховщики внедряют ИИ: "Ингосстрах"

Мы запускаем серию интервью о том, как российские страховые компании работают с искусственным интеллектом. Первым на наши вопросы ответил Иван Ястребков, начальник отдела исследований и координации центра развития искусственного интеллекта компании "Ингосстрах", где ИИ уже перестал быть экспериментом и стал частью бизнес-процессов.

🔸Есть ли у вас общая стратегия в области искусственного интеллекта, и какие ключевые приоритеты стоят перед IT-подразделением в контексте внедрения ИИ?

Сейчас у нас формируется четкое понимание стратегического направления: стать AI-native страховщиком. Речь не просто о внедрении отдельных AI-инструментов, а о переосмыслении бизнес-модели, в которой интеллектуальные системы становятся частью операционной основы компании, а не вспомогательной функцией.

Мы выбрали для себя federated-модель управления. С одной стороны, существует централизованный контур, который отвечает за стандарты, управление портфелем инициатив и корпоративное управление AI-направлением. С другой — каждое бизнес-подразделение несет ответственность за эффективность AI-сценариев в своей зоне. Именно такой подход позволяет масштабировать технологии, а не ограничиваться отдельными пилотными проектами.

Среди ключевых приоритетов — прежде всего организационная архитектура AI-функции. На практике именно отсутствие понятной ответственности, проблемы с данными и разрыв между IT и бизнесом чаще всего мешают доводить AI-инициативы до промышленного внедрения. Второй приоритет — данные. Мы рассматриваем клиентскую платформу данных как стратегический актив, поскольку качество данных напрямую определяет эффективность AI-систем. Третье направление — промышленная надежность решений: переход от тестовых сценариев к устойчивым промышленным системам.

🔸Какие конкретные бизнес-эффекты уже принесли ваши AI-решения? Есть ли измеримые результаты?

В клиентском блоке AI-инструменты помогают повышать продажи и удержание клиентов. В отдельных сценариях мы фиксируем двузначный рост конверсии по итогам A/B-тестирования по сравнению с контрольными группами.

В части операционной эффективности AI-ассистенты позволяют существенно ускорять обработку типовых процессов. Задачи, которые ранее занимали дни, постепенно сокращаются до часов или минут.

Одно из наиболее эффективных направлений — антифрод. ML-модели выявляют аномалии и закономерности, которые сложно обнаружить при ручной проверке. Снижение объема мошеннических выплат напрямую влияет на финансовый результат компании.

🔸С какими трудностями вы сталкиваетесь при подготовке данных для моделей и как их решаете?

Работа с данными — наиболее трудоемкая часть AI-проектов. Значительная часть времени команды уходит не на разработку моделей, а именно на подготовку и обработку данных.

Первая проблема — разрозненность систем. В крупных компаниях данные о клиенте могут храниться в разных системах и содержать противоречивую информацию. Решением становится развитие единого клиентского идентификатора и системы управления мастер-данными.

Вторая — качество разметки. Страховые случаи часто допускают разные трактовки даже со стороны опытных специалистов. Для этого используются процедуры согласованной разметки и дополнительные механизмы контроля качества.

Третья — вопросы приватности. Любая работа с данными требует четкого правового основания. Мы выстраиваем процессы таким образом, чтобы клиент мог управлять своими согласиями максимально прозрачно и просто.

Продолжение в следующем посте.