Трансформация страхового рынка: от классического ML до агентских LLM-систем, НСИС, Макаров и Болот

Александр Макаров, начальник отдела по разработке и внедрению систем искусственного интеллекта, Национальная страховая информационная система. Дмитрий Болот, ведущий системный архитектор, Национальная страховая информационная система. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser. Комплексный опыт автоматизации крупнейшего информационного центра страхования. В центре внимания оказался переход от традиционных моделей машинного обучения к сложным агентским архитектурам, которые позволяют кратно увеличить производительность бизнеса в условиях работы с колоссальными объемами рыночных данных. РОЛЬ ИНСИС И ПРИМЕНЕНИЕ КЛАССИЧЕСКОГО ML НСИС занимает уникальное положение в экосистеме страхования России, выступая центральным узлом сбора и обработки данных. Организация была создана Центральным Банком РФ для управления автоматизированной информационной системой страхования, куда все компании страны обязаны загружать сведения по ОСАГО, КАСКО, ДМС и имущественному страхованию. Владение 100% рыночными данными дает НСИС стратегическое преимущество перед любым отдельным игроком, позволяя создавать максимально точные модели для анализа рисков и выявления аномалий в режиме реального времени. Первым серьезным вызовом стала обработка огромного потока обращений за страховыми историями, когда заявители физически приходили в офис с бумагами. Для решения этой проблемы была внедрена платформа на базе классического машинного обучения (ML). Несмотря на несовершенство процессов на старте, долгосрочный эффект оказался феноменальным: за год скорость обработки заявок выросла в 20 раз при одновременном росте объема входящего трафика на 11%. В среднем эффективность растет на 50% ежемесячно, что позволило избежать семикратного расширения штата сотрудников профильного отдела. ЭВОЛЮЦИЯ RAG-СИСТЕМ И АГЕНТСКИХ ПЛАТФОРМ Для оптимизации технической поддержки компания внедрила систему RAG (Retrieval-Augmented Generation), основанную на публичной документации по ИС-страхованию. Развитие шло поэтапно: от наивной модели с простым поиском и генерацией до планируемых модульных и агентских архитектур. Такой подход превращает нейросеть из простого чат-бота в полноценный инструмент поддержки, который взаимодействует с внутренними данными компании на глубоком уровне, обеспечивая высокую релевантность ответов за счет актуального контекста. Параллельно развивался путь внедрения LLM: от базового промт-инжиниринга и использования чат-ботов до контекстного инжиниринга, где пользователи загружают собственные документы для анализа. Сейчас компания переходит к стадии создания ИИ-агентов — систем с инструментами для прямого взаимодействия с внутренними ИТ-сервисами. Конечная цель заключается в управлении полным жизненным циклом бизнес-процессов через агентские платформы, где ИИ становится не просто консультантом, а активным исполнителем конкретных операций. НИЗОВЫЕ ИНИЦИАТИВЫ И КУЛЬТУРА ЭКСПЕРИМЕНТОВ Одной из ключевых особенностей НСИС стало прорастание технологий снизу. Сотрудники различных подразделений начали самостоятельно создавать инструменты автоматизации на базе LLM для решения локальных проблем. Например, команда тестирования объединила кодовую базу и систему управления тестами через собственный сервер с ИИ, что позволило управлять тест-сьютами в режиме диалога. Системные аналитики, в свою очередь, используют нейросети для автоматической генерации спецификаций и технической документации. Руководство компании придерживается стратегии массового запуска гипотез. Принимая тот факт, что лишь около 5% ИИ-инициатив доходят до продакшена, НСИС стремится максимально расширить воронку экспериментов. Если раньше компания могла запустить 100 тестов, то теперь их число растет до тысячи, что при той же конверсии увеличивает количество внедренных решений в десять раз. Низовые инициативы рассматриваются как источник прорывных решений, которые затем масштабируются через централизованный отдел архитектуры.