Рекордно жаркое лето в Европе напомнило мне о том, что мир стремительно меняется. Один мой друг с Западного побережья сказал, что теперь у них четыре времени года: «Зима, Весна, Лето и Пожар».

Более века актуарная наука опиралась на простое допущение: вчерашние убытки — лучший ориентир для завтрашних страховых взносов. Таблицы трендов, треугольники убытков и сглаженные исторические кривые хорошо служили страховщикам в мире, где наводнения, пожары и показатели смертности менялись медленно и предсказуемо. Сегодняшний мир менее предсказуем, но методы управления рисками изменились недостаточно. Данные от перестраховщиков, регуляторов и консалтинговых компаний теперь доказывают, что волатильность погоды, прогнозирование на основе ИИ и новые требования к управлению — это не просто отраслевые тренды… это критически важные механизмы точного ценообразования рисков.

Трещины в линии тренда

Согласно Munich Re data cited in a 2026 industry review, глобальные застрахованные убытки от катастроф достигли 107 миллиардов долларов в 2025 году, при этом погодные бедствия стали причиной подавляющего большинства как общих, так и застрахованных убытков. В последнем отчете LexisNexis Risk Solutions о тенденциях на рынке жилья было обнаружено, что серьезность страховых случаев достигла самого высокого уровня за семь лет — рост почти на 26% в годовом исчислении и более чем на 93% с 2019 года. Отраслевые опросы подтверждают это: 2026 RiskScan report показал, что страховщики теперь ожидают, что природные катастрофы станут их крупнейшей категорией риска в течение пяти лет, что обусловлено опасностями — наводнениями, сильными конвективными штормами, чрезмерными осадками, — которые не следуют мягким, линейным закономерностям, предполагаемым устаревшими моделями трендов.

В этом и заключается основная проблема: модель, построенная на экстраполяции медленно меняющейся истории, ломается именно тогда, когда лежащий в ее основе процесс становится хаотичным. Страховщики сталкиваются не просто с большими убытками — они сталкиваются с принципиально иным процессом генерации убытков, и инструменты, созданные для старого процесса, не приспособлены для нового.

Где ИИ уже сокращает разрыв

Обнадеживает то, что лучшие инструменты уже существуют и приносят измеримые результаты. Что касается прогнозирования, система прогнозирования на базе ИИ от ECMWF, которая начала полноценно функционировать в 2025 году, показала результаты, соответствующие традиционным физическим моделям или превосходящие их, включая примерно 20% повышение точности прогнозов траекторий тропических циклонов — данные, которые напрямую поступают в катастрофные модели, на которые полагаются страховщики при ценообразовании и формировании резервов.

Что касается андеррайтинга, Женевская ассоциация, исследовательский орган страховой отрасли, обнаружила, что AI implementation has driven a 43% improvement in risk assessment accuracy and a 31% reduction in processing time for complex policies. Исследования McKinsey в области страхования указывают в том же направлении, обнаруживая, что domain-focused AI deployment has driven measurable gains across underwriting, claims, and onboarding, включая повышение точности обработки претензий и ускорение процесса адаптации клиентов. Отдельные компании показывают, как это выглядит на практике: система ИИ на основе датчиков от Zurich для коммерческих зданий имеет cut water damage claims by 45%.

Неиспользованная ценность неструктурированных данных

Большая часть возможностей заключается в использовании большего объема огромного количества разрозненных данных, а не в масштабировании процесса. Заметки по претензиям, описания оценщиков, медицинские записи, фотографии осмотров и расшифровки звонков всегда несли в себе полезную информацию; отрасли просто не хватало инструментов для их систематического использования. Это меняется. Deloitte отмечает, что Natural Language Processing (NLP) tools can now extract targeted insights from lengthy medical records, существенно ускоряя и уточняя оценку рисков при страховании жизни и аннуитетов. Отраслевые исследования Snowflake указывают на тот же сдвиг в более широком смысле, отмечая, что LLMs have made it possible for insurers to ingest and transform large volumes of unstructured data — claims records, legal documents, images, and customer interactions — данные, которые ранее было слишком дорого или медленно использовать в масштабе. Академические исследования подтверждают это конкретными результатами: исследование 2026 года по предотвращению мошенничества показало, что integrating structured transactional data with unstructured sources like claim narratives and medical reports significantly improved predictive accuracy and anomaly detection по сравнению с моделями, использующими только структурированные данные. В том же исследовании Snowflake отмечается, что сторонние данные — кредитные сигналы, сводки погоды, покупательское поведение, даже социальные данные — все чаще накладываются сверху, предоставляя страховщикам внешний контекст, который исторические треугольники убытков никогда не учитывали. Все это не лишено риска: неструктурированные и сторонние данные более хаотичны, их труднее проверять, и они более подвержены предвзятости и правилам конфиденциальности, чем чистая таблица убытков. Но доказательства последовательны — страховщики, которые создают каналы для ответственного сбора этих дополнительных данных и файлов, получают реальный, измеримый прирост точности, которого модели, основанные исключительно на трендах, просто не могут достичь.

Почему управление — это реальное «узкое место»

Однако ничего из этого не работает без дисциплины управления данными — и собственные данные отрасли подтверждают, что это является ограничивающим фактором, а не второстепенным вопросом комплаенса. , даже несмотря на то, что 91% страховщиков планируют продолжать инвестировать в ИИ, а 87% генеральных директоров теперь лично контролируют решения по ИИ на уровне совета директоров.

Регуляторы действуют синхронно. По состоянию на 2025 год, 24 U.S. states have adopted the NAIC's model bulletin requiring insurers to run a formal AI governance program охватывает качество данных, тестирование на предвзятость и надзор совета директоров на протяжении всего жизненного цикла ИИ. Руководство DFS штата Нью-Йорк идет дальше, запрещая использование ИИ в андеррайтинге или ценообразовании до тех пор, пока страховщики не проведут полную оценку рисков на предмет дискриминации. Учитывая, что данные NAIC показывают, что 88% автостраховщиков и 70% страховщиков жилья уже используют или тестируют модели ИИ/МО, это не теоретические правила — они применяются к моделям, которые большинство страховщиков уже используют сегодня.

Возможность

Факты указывают на четкий сдвиг: моделирование рисков переходит от чтения прошлого к пониманию настоящего в режиме реального времени, используя более богатые структурированные и гораздо больше неструктурированных данных (климатические переменные на уровне земельных участков, потоки данных с датчиков, неструктурированные тексты претензий), обрабатываемых через системы ИИ, которые настолько надежны и соответствуют требованиям аудита, насколько надежно управление, выстроенное вокруг них. Страховщики, которые смогут извлечь выгоду, — это не те, у кого больше всего пилотных проектов ИИ, а те, кто сочетает лучшие данные и модели с дисциплиной их документирования и мониторинга. В непредсказуемом мире управляемый ИИ превращает новые данные из риска в актуарное преимущество.

Источники

Global RiskScan 2026: Киберриски, климат и ИИ меняют страховые риски —
Генеративный искусственный интеллект и его последствия для управления рисками погоды и климата в страховании (Gen Re) —
ИИ меняет то, как страховщики имущества и ответственности моделируют климатические риски (Digital Insurance / LexisNexis Risk Solutions) —
Страховая отрасль ориентируется в внедрении ИИ и климатических рисках в 2026 году (Munich Re, Grant Thornton, данные NAIC) —
Управление ИИ в страховании: риски, комплаенс и тренды 2026 года —
Инструменты ИИ, трансформирующие страховую профессию (Женевская ассоциация, Deloitte, данные Conning) —
Будущее ИИ для страховой отрасли (McKinsey) —
Генеративный ИИ в страховой отрасли: трансформация андеррайтинга и урегулирования убытков (IRJET) —
Преимущество андеррайтера: использование генеративного ИИ для оптимальных результатов (Deloitte US) —
Фил Хейли, старший менеджер по работе с клиентами, Collibra

Фил Хейли

Старший менеджер по работе с клиентами

Collibra