Рекордная летняя жара в Европе напомнила мне о том, как быстро меняется мир. Один друг с Западного побережья упомянул, что теперь у них четыре сезона: «Зима, Весна, Лето и Пожар».

Более века актуарная наука опиралась на простое предположение: вчерашние убытки — лучший ориентир для завтрашних премий. Трендовые таблицы, треугольники убытков и сглаженные исторические кривые сослужили страховщикам хорошую службу в мире, где наводнения, пожары и показатели смертности менялись медленно и предсказуемо. Сегодняшний мир менее предсказуем, но методы управления рисками изменились недостаточно. Данные перестраховщиков, регуляторов и консалтинговых компаний доказывают, что волатильность погоды, прогнозирование на базе ИИ и новые требования к управлению — это не просто отраслевые тренды… это важнейшие механизмы точного ценообразования рисков.

Трещины на линии тренда

Согласно данным Munich Re, приведенным в отраслевом обзоре за 2026 год, глобальные застрахованные убытки от катастроф достигли 107 миллиардов долларов в 2025 году, причем метеорологические бедствия ответственны за подавляющее большинство как общих, так и застрахованных убытков. Последний отчет LexisNexis Risk Solutions о тенденциях на рынке жилья показал, что тяжесть убытков находится на самом высоком уровне за последние семь лет — рост почти на 26% в годовом исчислении и более чем на 93% по сравнению с 2019 годом. Отраслевые исследования подтверждают это: в отчете RiskScan за 2026 год отмечается, что страховщики теперь ожидают, что природные катастрофы станут их крупнейшей категорией рисков в течение пяти лет, движимые такими угрозами, как наводнения, сильные конвективные штормы, избыточные осадков, которые не вписываются в те плавные, линейные паттерны, на которые рассчитывают традиционные трендовые модели.

В этом и заключается главная проблема: модель, созданная для экстраполяции медленно меняющейся истории, дает сбой 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

Ободряет то, что лучшие инструменты уже существуют и дают измеримые результаты. Что касается прогнозирования, то система прогнозирования на базе ИИ от ECMWF, которая была полностью запущена в эксплуатацию в 2025 году, показала результаты, не уступающие традиционным физическим моделям или превосходящие их, включая примерно на 20% более высокую точность прогнозирования траекторий тропических циклонов — эти данные напрямую поступают в катастрофические модели, на которые полагаются страховщики при ценообразовании и формировании резервов.

В области андеррайтинга Geneva Association, исследовательский орган страховой отрасли, выяснила, что внедрение ИИ привело к повышению точности оценки рисков на 43% и сокращению времени обработки сложных полисов на 31%. Страховые исследования McKinsey указывают в том же направлении: внедрение ИИ, ориентированного на конкретные предметные области, привело к измеримым достижениям в андеррайтинге, урегулировании убытков и онбординге, включая повышение точности работы с претензиями и ускорение подключения клиентов. Отдельные компании показывают, как это выглядит на практике: разработанная Zurich система ИИ на базе датчиков для коммерческих зданий сократила убытки от повреждения водой на 45%.

Неиспользованная ценность неструктурированных данных

Большая часть возможностей связана с использованием огромного объема разнообразных данных, а не с масштабированием процесса. Заметки по претензиям, отчеты ассистентов, медицинские карты, фотографии осмотров и стенограммы звонков всегда несли в себе полезные сигналы; отрасли просто не хватало инструментов для их систематического использования. Ситуация меняется. Deloitte отмечает, что инструменты обработки естественного языка (NLP) теперь могут извлекать целевые инсайты из длинных медицинских карт, существенно ускоряя и уточняя оценку рисков при андеррайтинге страхования жизни и аннуитетов. Отраслевые исследования Snowflake указывают на тот же сдвиг в более широком масштабе, отмечая, что большие языковые модели (LLM) позволили страховщикам принимать и трансформировать большие объемы неструктурированных данных — записи о претензиях, юридические документы, изображения и взаимодействия с клиентами, — то есть данные, использование которых в масштабах компании ранее было слишком дорогим или медленным. Академические исследования подтверждают это конкретными результатами: исследование предотвращения мошенничества за 2026 год показало, что интеграция структурированных транзакционных данных с неструктурированными источниками, такими как описания претензий и медицинские отчеты, значительно повысила точность прогнозирования и обнаружения аномалий по сравнению с моделями, использующими только структурированные данные. В том же исследовании Snowflake отмечается, что сторонние данные — кредитные сигналы, данные о погоде, покупательском поведении и даже социальные данные — все чаще накладываются сверху, предоставляя страховщикам внешний контекст, который исторические треугольники убытков никогда не фиксировали. Ничто из этого не лишено риска: неструктурированные и сторонние данные более запутаны, их сложнее проверять, и они в большей степени подвержены предвзятости и правилам конфиденциальности, чем чистая таблица убытков. Но факты свидетельствуют об одном: страховщики, которые создают конвейеры для ответственного приема этих дополнительных данных и файлов, добиваются реального и измеримого прироста точности, которого чисто трендовые модели достичь просто не могут.

Почему реальным «узким горлышком» является регулирование

Однако ничто из этого не работает без дисциплины управления данными — и собственные данные отрасли подтверждают, что это главное ограничение, а не второстепенный вопрос соблюдения требований. Опрос Grant Thornton показал, что 44% руководителей страховых компаний называют проблемы регулирования или комплаенса препятствием на пути внедрения ИИ, несмотря на то, что 91% страховщиков планируют продолжать инвестиции 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 штата США приняли типовой бюллетень NAIC, требующий от страховщиков запуска официальной программы управления ИИ, охватывающей качество данных, тестирование на предвзятость и надзор совета директоров на протяжении всего жизненного цикла ИИ. Руководство Департамента финансовых услуг Нью-Йорка (DFS) идет еще 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 пилотируют модели ИИ/МО, это не теоретические правила — они применяются к моделям, которые большинство страховщиков используют уже сегодня.

Возможность

Факты указывают на четкий сдвиг: моделирование рисков переходит от чтения прошлого к пониманию настоящего в режиме реального времени с использованием более богатых структурированных и гораздо более неструктурированных данных (климатические переменные на уровне участков, потоки данных с датчиков, неструктурированный текст претензий), обрабатываемых с помощью систем ИИ, которые настолько надежны и соответствуют требованиям аудита, насколько надежно управление, которым они обставлены. Страховщики, готовые извлечь выгоду, — это не те, у кого больше всего пилотных проектов по ИИ, а те, кто объединяет лучшие данные и модели с дисциплиной их документирования и мониторинга. В непредсказуемом мире регулируемый ИИ превращает новые данные из риска в актуарное преимущество.

Источники

Global RiskScan 2026: Cyber, Climate & AI Reshape Insurance Risks — https://beinsure.com/global-riskscan-cyber-climate-ai-insurance-risks/
Generative Artificial Intelligence and Its Implications for Weather and Climate Risk Management in Insurance (Gen Re) — https://www.genre.com/us/knowledge/publications/2025/september/gen-ai-and-its-implications-for-weather-and-climate-risk-management-en
ИИ меняет подход страховщиков имущества и от ответственности к моделированию климатических рисков (Digital Insurance / LexisNexis Risk Solutions) — https://www.dig-in.com/news/ai-is-changing-how-p-c-insurers-model-climate-risk
Страховая отрасль справляется с внедрением ИИ и климатическими рисками в 2026 году (данные Munich Re, Grant Thornton, NAIC) — https://eciks.org/10496-56740-insurance-ai-adoption-climate-risks-2026
Управление ИИ в страховании: риски, комплаенс и тенденции 2026 года — https://cygeniq.ai/blog/ai-governance-in-insurance/
Инструменты ИИ трансформируют страховую профессию (данные Geneva Association, Deloitte, Conning) — https://www.idexconsulting.com/blog/2025/03/ai-tools-transforming-the-insurance-profession
Будущее ИИ для страховой отрасли (McKinsey) — https://www.mckinsey.com/industries/financial-services/our-insights/the-future-of-ai-in-the-insurance-industry
Генеративный ИИ в страховой отрасли: трансформация андеррайтинга и урегулирования убытков (IRJET) — https://www.irjet.net/archives/V11/i7/IRJET-V11I767.pdf
Преимущество андеррайтера: использование генеративного ИИ для достижения оптимальных результатов (Deloitte US) — https://www.deloitte.com/us/en/industries/financial-services/articles/generative-ai-insurance-underwriting.html
Фил Хейли (Phil Hailee), старший менеджер по работе с ключевыми клиентами Collibra

Фил Хейли

Старший менеджер по работе с ключевыми клиентами

Collibra