Национальная страховая информационная система готовит комплексную стратегию внедрения ИИ в страховании: от обработки обращений и распознавания документов до антифрода, актуарных расчетов и ассистента для разработчиков. По данным CNews, план НСИС затрагивает сразу несколько критичных зон страхового рынка, где ошибки в данных, ручные проверки и мошеннические схемы давно стоят бизнесу денег, времени и нервов.
НСИС делает ставку не на один «магический» сервис, а на набор прикладных ИИ-инструментов внутри собственной цифровой экосистемы. В компании говорят о классическом машинном обучении, генеративных нейросетях и компьютерном зрении. Отдельно подчеркивается, что внутренний ИИ должен жить по тем же правилам информационной безопасности, что и остальные корпоративные системы. Для страхового рынка это не декоративная оговорка: речь идет о персональных данных, документах, истории обращений и потенциально чувствительных риск-профилях клиентов.
Первый заметный блок уже связан с обращениями пользователей и госорганов. Начальник отдела по разработке и внедрению систем ИИ НСИС Александр Макаров рассказал, что модели анализируют запросы на естественном языке, извлекают сущности из сканов и готовят проекты ответов. На практике это означает меньше ручной сортировки писем, меньше копирования данных из документов и быстрее подготовленные черновики для специалистов. Финальное решение, судя по описанию, остается за человеком, но рутинная часть постепенно уходит к алгоритмам.
Следующий слой — работа с документами. В НСИС уже есть механизмы распознавания паспортов, водительских удостоверений, ПТС, СТС и других документов. Теперь компания планирует развивать верификацию: ИИ должен не только читать документ, но и искать признаки подделки. Для страхования это особенно чувствительная зона. Поддельный документ или «криво» распознанная сущность могут запустить цепочку ошибок: от неверного расчета тарифа до спорной выплаты или пропущенной мошеннической схемы.
Отдельное направление — качество данных. Макаров говорит о ML-моделях для автоматической очистки информации, поиска и объединения дубликатов в «золотую запись», а также о раннем выявлении источников загрязнения данных. Звучит не так эффектно, как генеративный ассистент, зато именно здесь часто лежит реальная экономика проекта. Если база содержит дубли, противоречивые записи и устаревшие сведения, даже самый бодрый алгоритм будет уверенно автоматизировать хаос. Для страховщиков нормализация данных может стать основой для более точного андеррайтинга, расчета рисков и последующей персонализации тарифов.
В антифроде НСИС планирует использовать графовые модели связей. Такой подход помогает искать не одиночные подозрительные операции, а цепочки: связанные участники, повторяющиеся документы, пересекающиеся транспортные средства, адреса, телефоны или другие признаки. Именно многоходовые схемы сложнее ловить простыми правилами. Правило видит событие, граф видит сеть. Для рынка, где мошенничество часто строится на комбинациях, это может оказаться куда полезнее очередной таблицы с красными флажками.
Стратегия затрагивает и внутреннюю разработку. Ведущий системный архитектор НСИС Дмитрий Болот сообщил о планах создать ассистента для разработчиков: он должен помогать писать код, проводить ревью и генерировать документацию. Кроме того, компания рассматривает автоматическую инвентаризацию кода на соответствие согласованному архитектурному видению. В перечне задач — извлечение аспектов из кода, построение графов, анализ use case и связей между сервисами. Это уже не просто «прикрутим чат-бота к IDE», а попытка использовать ИИ как инструмент архитектурного контроля.
Для IT-команд в страховании здесь есть важный сигнал. ИИ начинают заводить не только в клиентские сценарии, но и в процессы, где раньше царили Excel, ручные согласования и экспертная память отдельных сотрудников. Анализ требований к архитектуре, ранний поиск противоречий, проверка планируемых изменений на риски безопасности и качество кода — все это может сократить стоимость ошибок до того, как они попадут в продакшен. При этом НСИС отдельно говорит об объяснимом ИИ: для отрасли с регуляторными требованиями и спорными решениями черный ящик выглядит красиво только на презентации.
Потенциальный эффект для рынка — появление более точных инструментов динамического ценообразования и андеррайтинга. Если страховщики смогут опираться на очищенные данные, проверенные документы и более тонкую оценку индивидуального риска, тарифы станут персональнее. Хорошая новость для аккуратных клиентов и бизнеса, который умеет работать с данными. Менее приятная — для тех, кто привык прятаться в усредненных моделях и бумажной неразберихе.
ИИ в страховании постепенно выходит из зоны пилотов и презентационных слайдов в инфраструктурную работу: данные, документы, код, архитектура, антифрод. Главный вопрос теперь не в том, сможет ли НСИС внедрить отдельные модели, а в том, получится ли связать их в управляемую систему, где алгоритмы ускоряют рынок, но не превращают риск-оценку в непрозрачный автомат с вежливым интерфейсом.