Что уже официально доступно андеррайтеру
Ниже - пять сценариев использования ИИ в андеррайтинге с официальными источниками AWS, Anthropic, OpenAI и регуляторов (NAIC, EU AI Act).
Сценарий 1: извлечение данных из заявок
Инструмент: Amazon Textract в связке с Claude или ChatGPT.
Amazon Textract официально распознаёт текст, поля форм, таблицы, запросы и подписи, отдавая результат в структурированном виде (JSON, CSV, TXT). Claude официально умеет анализировать текст, изображения, таблицы и графики внутри PDF и преобразовывать их в структурированный формат. Практика: андеррайтер получает таблицу с исходным значением, страницей документа и уровнем уверенности распознавания - модель не должна самостоятельно интерпретировать неразборчивый текст без пометки о низкой уверенности.
Сценарий 2: оценка риска и расчёт премии
Инструмент: ChatGPT для анализа данных, актуарная или машинная модель для самого расчёта.
OpenAI официально подтверждает, что ChatGPT анализирует загруженные таблицы, отвечает на вопросы по данным и строит графики - это подходит для первичного анализа качества исторических данных, поиска пропусков и аномалий, подготовки черновика отчёта для актуария. Но сам расчёт технической и коммерческой премии должен выполняться утверждённой актуарной моделью с контролем данных и запретом на признаки, не разрешённые законодательством или внутренним стандартом - ChatGPT не заменяет эту модель.
Сценарий 3: обнаружение мошенничества
Инструмент: Amazon Fraud Detector.
Amazon Fraud Detector - официально управляемый сервис AWS, применяющий машинное обучение для выявления потенциально мошеннической активности на основе данных конкретной организации, с возвратом оценок и правил обнаружения. Важное ограничение: заявку нельзя называть мошеннической только на основании оценки модели - результат должен создавать сигнал для дополнительной проверки специалистом по расследованиям, а не автоматически лишать клиента выплаты.
Сценарии 4-5: досье клиента и проверка комплаенса
Суммаризация досье (Claude, ChatGPT): Claude официально поддерживает анализ больших наборов документов через Files API и пакетную обработку, ChatGPT - загрузку PDF, DOCX, XLSX и CSV. Сводка должна включать подтверждённые факты, противоречия между документами и отсутствующие документы - отдельно от возможных выводов модели.
Проверка на комплаенс: та же связка Textract + Claude/ChatGPT используется для проверки полноты пакета документов заявки перед передачей андеррайтеру - выявление недостающих подписей, устаревших справок и несоответствий формату.
Помоги проверить пакет документов заявки на полноту перед передачей андеррайтеру. Список документов, которые должны быть в пакете: [чек-лист]. Что фактически предоставлено: [список]. Укажи, каких документов не хватает, где есть устаревшие даты или несоответствия формату. Это черновик проверки - финальное решение по заявке принимает андеррайтер.
Стоит ли вам это внедрять
Извлечение данных из документов и проверка полноты пакета - готовы к использованию как ускорение подготовительного этапа. Оценка риска и антифрод-сигналы - зона, где рекомендуемая практика внедрения - режим shadow mode: модель формирует рекомендацию параллельно с существующим процессом, но не влияет на решение, пока надёжность не подтверждена на данных именно вашей организации. Любое решение, существенно ухудшающее положение клиента, требует проверки человеком - это требование NAIC и EU AI Act, а не рекомендация по желанию.
Официальные ограничения
Официальный NAIC Model Bulletin об использовании ИИ страховщиками и регламент EU AI Act требуют от страховых компаний контролировать объяснимость автоматизированных решений и не допускать дискриминационного bias. На bias могут указывать заметные различия в частоте отказов, повышенных премий или дополнительных проверок между группами клиентов - проверка должна учитывать качество данных и косвенные заменители защищённых характеристик.
Решение, которое существенно ухудшает положение клиента - отказ, значительное повышение премии, ограничение покрытия - должно быть проверено специалистом, способным изучить документы, исправить ошибку и объяснить результат клиенту. Рекомендуемая практика внедрения - режим shadow mode: модель формирует рекомендацию параллельно с существующим процессом, но не влияет на решение, пока не подтверждена её надёжность на реальных данных организации.