Мировой страховой рынок опережает другие секторы экономики по объему выплачиваемых дивидендов и программам обратного выкупа акций. Однако за последние два десятилетия стабильный рост страховых премий сопровождался снижением операционного левериджа во всех основных видах страхования. 

По оценкам специалистов, с 2005 года объем начисленных страховых премий увеличивался примерно на 4,9% в год и в 2025 году достиг отметки в $8,3 трлн. При этом прибыль до налогообложения за тот же период выросла примерно на 4,3% в год, составив около $580 млрд. Ужесточение требований к объему капитала может быть одним из факторов, объясняющих такие результаты, но эксперты международной консалтинговой компании McKinsey & Company в числе главных обстоятельств, определивших относительную стагнацию отрасли, назвали глобальный разрыв в страховой защите, высокие издержки на дистрибуцию, спад в росте производительности труда и медленный темп изменений. 

В руководстве для CEO страховых компаний специалисты McKinsey & Company рассмотрели то, каким образом искусственный интеллект способен положительно воздействовать на каждую из этих тенденций, составляющих специфику развития страхового рынка последних 20 лет. 

За последние десятилетия глобальный разрыв в страховой защите от природных катастроф вырос до внушительных значений: согласно экспертной оценке, дополнительные страховые премии, необходимые для покрытия незастрахованных убытков, составляют $424 млрд. Некоторые другие виды рисков также остаются недостаточно охваченными страхованием: например, в настоящее время застраховано менее 1% мировых затрат, связанных с киберрисками. 

Инструменты искусственного интеллекта могут предложить иную страховую модель, обеспечивающую более широкий объем покрытия, и более точную оценку рисков, возникающих в условиях нестабильной, изменчивой среды.  

Традиционное страхование по своей сути реактивно – это финансовый инструмент, который начинает действовать после того, как что-то произошло. ИИ делает возможным другой подход: непрерывный мониторинг рисков на основе данных, который помогает клиентам понимать, оценивать и снижать риски еще до того, как они приводят к страховому случаю. 

Возможности здесь весьма широки: телематика, которая в режиме реального времени помогает водителям корректировать стиль вождения; инженерный анализ и профилактика коммерческих рисков на основе спутниковых данных, телематики и данных Интернета вещей; коучинг в сфере здоровья с использованием ИИ, направленный на улучшение показателей смертности, заболеваемости и продолжительности жизни. Такие модели уже существуют в отдельных сегментах, но пока не встроены в основу нового ценностного предложения страхования.

Объекты, подверженные климатическим угрозам, киберриски и риски, связанные с ИИ, объединяет одна проблема: у андеррайтеров недостаточно надежных данных для расчета стоимости полиса, а частоту и масштаб страховых убытков в этих направлениях сложно прогнозировать. 

Искусственный интеллект позволяет повысить точность урегулирования убытков. Безошибочная оценка необходимых резервов, раннее выявление проблем и качественные решения по выплатам снижают неопределенность относительно будущих расходов.

Эксперты McKinsey & Company предлагают руководителям компаний ответить на следующие вопросы, чтобы приблизиться к решению проблем, связанных с урегулированием трудно моделируемых убытков: 

1. Есть ли у нас четкое представление о том, какие новые риски создаст ИИ, и убедительный план по успешному управлению ими?

2. Проводим ли мы стресс-тестирование нашего портфеля и моделей ценообразования на предмет изменений в корреляциях рисков, вызванных ИИ, – или по-прежнему опираемся на предположения об исторической независимости рисков?

3. Понимаем ли мы, как сочетать перспективный взгляд с историческими данными об убытках при разработке новых продуктов и их ценообразовании?

4. Как мы переосмысливаем урегулирование убытков с учетом того, что ИИ является важным фактором коэффициента убыточности и клиентского опыта – как для существующих продуктов, так и для будущих?

5. Есть ли у нас четкий план использования ИИ, чтобы преодолеть исторические ограничения отрасли, такие как стагнирующие коэффициенты расходов и медленный темп изменений?

Дистрибьюторы играют критически важную роль в формировании осведомленности о рисках, объяснении клиентам содержания страховых полисов, сопровождении на этапе андеррайтинга и сопоставлении рисков с капиталом. Сегодня около 85% страховых премий в сегменте страхования имущества и гражданской ответственности в США и 95% премий по страхованию жизни проходят через агентов, брокеров и управляющих генеральных агентов (MGA). Цифровизация в целом практически не отразилась на общей картине. 

Значение посредников для отрасли отражается и в экономических показателях. Дистрибьюторы стабильно превосходят страховщиков по совокупной доходности для акционеров. В значительной степени это обеспечивается комиссионными, размер которых в мировой практике почти не изменился с 2005 года. 

Мировая практика показывает, что после страховых выплат дистрибуция является крупнейшей статьей расходов в страховании имущества и гражданской ответственности. Она также составляет значительную долю затрат в страховании жизни. Согласно исследованию McKinsey & Company, у крупных многоканальных компаний коэффициенты расходов как минимум на 30% выше, чем у компаний, работающих исключительно через прямые каналы, и разница почти полностью объясняется издержками на дистрибуцию.

Роль искусственного интеллекта в решении этой проблемы вполне очевидна: на сегодняшний день внедрение агентных ИИ-систем и использование модели встроенного страхования уже позволяет страховщикам значительно снизить издержки на посредников и перераспределить в свою пользу часть маржи, создаваемой в цепочке продаж. 

Объяснение дистрибьютором клиенту, что именно покрывает его страховка, почему по его страховому случаю было принято то или иное решение и что ему следует делать дальше – область, в которой ИИ может превзойти традиционную модель: он терпелив, доступен в любое время и не осуждает, а потому не заставит клиента чувствовать себя глупо. 

Тем не менее темп трансформации традиционной модели посредничества будет варьироваться в зависимости от вида страхования и типа работы: в одних сегментах переход к ИИ-агентам будет осуществляться значительно медленнее, а в некоторых других не произойдет вовсе. 

Так, в стандартизированных видах страхования для физических лиц ИИ-агенты и платформы, вероятно, займут промежуточное положение между клиентами и страховщиками, перенаправляя объем продаж по мере того, как все больше операций будет проходить через их интерфейсы, а не через традиционные каналы.

Но в таких сегментах, как средний бизнес, специализированное страхование и страхование состоятельных клиентов, где большее значение имеют консультации, индивидуальная структура страхового покрытия и защита интересов клиента при урегулировании убытков, – ИИ, скорее всего, сначала будет способствовать снижению затрат и расширению возможностей, делая для агентов и брокеров расчет стоимости страхования, объяснение условий и обслуживание клиентов существенно дешевле и проще, а не вытесняя их полностью. В этом случае возможен сценарий, при котором комиссии снизятся, страховщики смогут вернуть себе часть маржи, а роль посредников несколько сократится, но не исчезнет полностью.

Встроенное страхование позволяет клиенту экономить время на самостоятельный поиск страховки: покрытие приобретается в момент возникновения потребности – например, при покупке автомобиля, оформлении ипотеки на жилье или бронировании авиабилета. 

Стоит отметить существенные изменения в устройстве процесса конкуренции, которые влечет за собой такой инструмент: если ИИ-посредники определяют, какие варианты предложить клиенту, то хорошая репутация среди агентов или расходы на рекламу больше не гарантируют попадание в набор вариантов, которые ИИ предложит на рассмотрение потребителю. Суть соперничества между участниками рынка смещается к контролю за данными и изучению алгоритмов, на основе которых ИИ формирует рекомендации.

Не менее важно учитывать, что в современных условиях информационное преимущество, традиционно принадлежавшее страховщикам, постепенно распространяется на других игроков. Превосходство страховщика долгое время заключалось в том, что он знал о риске больше, чем клиент, опираясь на десятилетия данных о причинах убытков, динамике стоимости ремонта и результатах судебных разбирательств. 

Теперь ИИ, наблюдающий за поведением пользователей на разных рынках, и поставщики данных, располагающие информацией о потребителях и их финансах, могут создавать профили клиентов, которые в сегментах с высокой частотой страховых событий лучше предсказывают риски, чем исторический опыт андеррайтинга, в то время как брокеры, использующие данные от нескольких страховщиков, могут применять ИИ для накопления сравнительной аналитики, которой не располагает ни один отдельно взятый страховщик.

Специалисты McKinsey & Company предлагают руководителям страховых компаний оценить, насколько их продукты и стратегии готовы к новой модели взаимодействия с клиентами в цифровой среде, ответив на следующие вопросы:

1. Когда ИИ-агент вашего клиента начнет искать страховое покрытие, найдет ли он вас – и на каких условиях?

2. В случае сложных рисков с кем происходит реальное взаимодействие: 1) с ИИ-агентом дистрибьютора, 2) с большой языковой моделью (LLM) платформы или 3) с застрахованным?

По мнению экспертов, главный вопрос заключается не в том, заменит ли искусственный интеллект дистрибуцию, а в том, кто получит выгоду от меняющегося распределения стоимости – страховщики, дистрибьюторы или клиенты? На сегодняшний день львиная доля преимуществ достается дистрибьюторам, но развитие ИИ в ближайшее десятилетие может изменить это соотношение в пользу страховщиков.

Согласно исследованию McKinsey & Company, с 2005 года телекоммуникационная, автомобильная и авиационная отрасли существенно снизили коэффициенты затрат (отношение общехозяйственных и административных расходов к выручке), тогда как в страховании этот показатель в мире на 10% выше, несмотря на значительные инвестиции отрасли в автоматизацию и цифровые инструменты.

Причина не в том, что технологии не способствовали производительности труда – напротив, они повысили ее на 14% в страховании имущества и гражданской ответственности и на 24% в страховании жизни по таким направлениям, как урегулирование убытков, обслуживание клиентов и оформление страховых полисов. Проблема носит скорее структурный характер: полученный эффект нивелировался ростом затрат на ИТ, увеличением расходов на соблюдение нормативных требований и усложнением процессов из-за внедрения новых цифровых инструментов поверх устаревших операционных моделей. 

Эксперты предлагают, используя преимущества ИИ, повысить эффективность в рамках одной из двух возможных стратегий: 1) увеличить объем реализуемой продукции или 2) сосредоточить деятельность компании на конкретном типе продукта, услуги, рынке или определенной группе потребителей.  

Страховщики с достаточным объемом страховых премий, чтобы амортизировать первоначальный капитал, необходимый для управления инфраструктурой данных, разработки моделей и технологических платформ, будут работать с низким коэффициентом расхода за счет его распределения на больший объем бизнеса.

По мере того, как ИИ продолжит снижать барьеры для встраивания профильных задач предприятия, соответствующих его специализации и выполняющихся на высоком уровне, в остальную производственную цепочку, компания, которая исключительно хорошо делает что-то одно, а остальным пользуется через партнерские сервисы, может оказаться в выгодном положении. Рост числа управляющих генеральных агентов (MGA), изначально создаваемых на основе ИИ и подключающихся к платформенной инфраструктуре вместо ее самостоятельного создания, – прототип этой модели.

Специалисты McKinsey & Company советуют руководителям как можно скорее сделать выбор между владением полным стеком ИИ и доступом к нему через внешние сервисы. Компаниям нужно решить: в какой области они конкурируют – за счет объема реализуемой продукции или за счет глубокой специализации – и как они будут использовать технологии для достижения этой цели. В противном случае предприятия смогут позволить себе только принимать заданные условия: им придется согласиться на технологический стек, который у них уже есть или который им предложат поставщики, а конкурентную позицию за них определит рынок.

Вопросы для руководителей компаний:

1. Где мы находимся на кривой затрат сегодня и что произойдет с нашей конкурентной позицией, если в течение следующих пяти лет объем реализуемой продукции, необходимый для сохранения конкурентоспособности по затратам, сократится вдвое?

2. Если мы решим специализироваться, в какой области у нас есть устойчивое преимущество – доступ к клиентам и понимание их потребностей, отбор рисков и моделирование или что-то другое – и почему мы уверены, что это преимущество сохранится?

Компании, которые механически накладывают искусственный интеллект на устаревшие операционные системы, со временем обнаруживают, что разрыв между внедрением ИИ и фактической реакцией на изменения конкурентной среды становится все шире. Масштаб разрыва чаще всего определяют следующие три компонента – скорость принятия решений, архитектура данных и операционная модель компании. 

При отсутствии четко определенных полномочий по принятию решений и зон ответственности стратегические решения, связанные с применением ИИ и подходами к его внедрению, оказываются встроенными в ежегодные или более длительные циклы планирования, редкие процедуры корпоративного управления и цепочки согласований, рассчитанные на другой темп работы. В результате организация не способна двигаться с той непрерывностью и скоростью, которые необходимы для итеративного внедрения ИИ.

Данные большинства страховщиков организованы вокруг исторических страховых событий и отдельных продуктовых направлений – массивов данных, оптимизированных для актуарного анализа, а не для работы с ними в режиме реального времени. 

В рамках работы с конкретным продуктом такая структура часто оправдана, однако она задает серьезные ограничения там, где ИИ необходимо преодолевать границы между разными видами страхования: например, при кросс-продаже через каналы дистрибуции, выявлении мошенничества по нескольким продуктам или удержании клиентов и ценообразовании на уровне отдельных клиентов. 

Большинство компаний еще не создали модель, в которой технические специалисты – инженеры по ИИ, архитекторы и специалисты по данным – были бы по-настоящему встроены в бизнес-функции. Для устранения этого разрыва недостаточно просто нанять больше специалистов: необходимо изменить саму суть взаимодействия технических и бизнес-команд.

Главный вопрос, на который стоит ответить руководителям: удалось ли хотя бы в одном направлении бизнеса перейти от пилотных проектов к промышленной эксплуатации или компании по-прежнему ограничиваются проверками концепций, пока конкуренты накапливают преимущества за счет полноценных производственных решений?

Специалисты McKinsey & Company настаивают: любой пятилетний план развития ИИ рискует устареть еще до начала его реализации. Главная задача генеральных директоров заключается в том, чтобы действовать стратегически, когда точную траекторию развития предсказать невозможно. Компании, которые могут быстро и неоднократно корректировать свой курс, вместо того чтобы делать ставку на единственно верный план, получат возможность укреплять свои преимущества по мере изменения внешней среды.

Три шага, которые любой генеральный директор может предпринять уже сегодня, не рискуя пожалеть о них в будущем: 1) определить цели и назначить ответственного за их реализацию, 2) создать механизм, который позволит реализовать эту стратегию и продолжать ее реализовывать по мере изменения рынка, и 3) поменять отношение к изменениям. 

Компании, которые получают от ИИ наиболее устойчивый экономический эффект, начинают с четко сформулированной позиции: какую компанию мы строим и какую бизнес-проблему стремимся решить? Ключевой выбор заключается в том, какую роль ИИ должен играть в компании: усиливать «фронт-офис», помогая контролировать и защищать доступ к клиентам и дистрибьюторам, или укреплять позиции компании как центра управления рисками и разработки продуктов, предоставляя другим игрокам – агентам, платформам, экосистемам – возможность самостоятельно выстраивать собственные отношения с клиентами. Руководители бизнес-направлений также должны определять амбиции в области ИИ для своих подразделений, согласовывая их с более масштабной трансформацией компании.

Необходима архитектура, рассчитанная на непрерывное обучение, быстрое внедрение и итеративное совершенствование, а не набор пилотных проектов, надстроенных над устаревшей инфраструктурой. 

Наиболее эффективный подход – выбрать две-три бизнес-задачи с наибольшим потенциалом создания ценности и на их примере научить организацию работать со скоростью технологий, прежде чем переходить к дальнейшему масштабированию.

Не менее важно сосредоточить лучших специалистов в тех же приоритетных направлениях, обеспечив их эффективную работу на пересечении актуальных бизнес-задач и компетенций в области ИИ. Они должны быть встроены в функции, где непосредственно выполняется работа, а не находиться в стороне. 

Внедрить модель или инструмент – не то же самое, что изменить поведение людей, а масштабное изменение поведения требует принципиально иного подхода, чем тот, который отрасль исторически применяла при внедрении технологий. 

Необходимо разработать программы вовлечения сотрудников, непосредственно работающих с клиентами и выполняющих основные операции; помочь людям овладеть новыми компетенциями не в теоретической, а в практической форме; и создать форму для обратной связи с целью отслеживания прогресса в режиме реального времени. 

Последний момент важнее, чем кажется. Без реального понимания того, насколько успешно происходит внедрение, организации действуют вслепую: инициативы, которые с высоты руководства кажутся достаточными, при непосредственной реализации могут оказаться совершенно неработоспособными.