Suncorp ускорил обработку страховых случаев: как ИИ-агенты сократили время и повысили точность на 99%

Suncorp, один из крупнейших страховых гигантов Австралии, кардинально изменил подход к урегулированию страховых претензий. Внедрив пять ИИ-агентов для обработки различных «подпроцессов», компания добилась не только значительного ускорения работы, но и повышения точности решений до 99% даже в таких сложных задачах, как проверка покрытия и классификация инцидентов.

Урегулирование страховых претензий — это клубок из рутины и человеческих ошибок: приём заявки, её классификация, проверка покрытия, оценка ущерба, взаимодействие с подрядчиками, и, наконец, выплаты. Каждый из этих этапов — потенциальная точка отказа, которая выливается в задержки, недовольство клиентов и прямые убытки. Сегодня этот клубок можно размотать, передав рутину ИИ-агентам, и оставить человеку только действительно сложные кейсы.

Проблема: где терялись время и деньги Suncorp

До внедрения ИИ-аагентов процесс урегулирования страховых претензий в Suncorp был типичным для крупной страховой компании: сложным, многоступенчатым и чрезвычайно ресурсоёмким. Тысячи заявок ежедневно проходили через множество рук и систем, каждый этап требовал ручной обработки, проверки и принятия решений.

Основные проблемы были в следующем:

• Низкая скорость обработки. Каждый шаг, от первичного приёма заявки до финальной выплаты, требовал времени. Это приводило к длительным задержкам, раздражению клиентов и увеличению операционных издержек.
• Высокий риск ошибок. Человеческий фактор неизбежен. Ошибки при классификации, проверке документов или расчёте выплат могли привести к финансовым потерям, юридическим рискам и репутационному ущербу.
• Неэффективное использование ресурсов. Высококвалифицированные специалисты тратили значительную часть своего рабочего времени на рутинные, повторяющиеся задачи, которые не требовали глубокой экспертизы, но отнимали ценное время.
• Сложность масштабирования. При пиковых нагрузках, например, после крупных стихийных бедствий, система не справлялась с объёмом поступающих претензий, что приводило к ещё большим задержкам и недовольству клиентов.

Suncorp, будучи компанией, давно использующей данные и ИИ в своей работе, осознавала, что необходимо кардинально изменить подход, сделав процесс более «агентным», где специализированные ИИ-агенты могли бы взять на себя часть рутинных задач.

Путь к ИИ-агентам: от автоматизации к автономии

Suncorp уже использовала различные инструменты автоматизации и ИИ, но они чаще всего представляли собой отдельные скрипты или модели, выполняющие узкие функции. Они не могли самостоятельно координировать действия, принимать решения или адаптироваться к изменениям. Нужен был не просто инструмент, а система, способная действовать автономно, имитируя логику человека, но с гораздо большей скоростью и точностью.

Именно поэтому компания пришла к концепции ИИ-агентов — специализированных программных сущностей, способных выполнять конкретные задачи, взаимодействовать с другими системами и принимать решения на основе заданных правил и данных. Это позволило бы не просто автоматизировать отдельные шаги, а создать целую «оркестровку» процесса урегулирования претензий.

Как спроектировали ИИ-агентов для Suncorp

Команда Suncorp разработала архитектуру из пяти ИИ-агентов, каждый из которых специализируется на определённом этапе урегулирования претензий. Их функционал:

• Агенты первичного уведомления об убытке (FNOL). Два из пяти агентов сосредоточены на самом начале процесса. Один из них, предположительно, является голосовым и принимает заявки по телефону, самостоятельно собирая и проверяя первичную информацию. Второй агент классифицирует инцидент, определяет его тип и маршрутизирует в нужный отдел или к следующему агенту для дальнейшей обработки.
• Агент проверки покрытия. Этот агент отвечает за критически важный этап — определение, подпадает ли претензия под условия страхового полиса клиента. Он анализирует текст полиса, сравнивает его с деталями инцидента и выносит вердикт, значительно сокращая время на ручную проверку.
• Агент диспетчеризации подрядчиков. После одобрения претензии этот агент автоматически отправляет заявки соответствующим подрядчикам, например, ремонтным бригадам или аварийным службам, на место инцидента.
• Агент расчёта выплат. Последний агент в цепочке автоматически определяет сумму возмещения на основе собранных данных, оценки ущерба и условий полиса, готовя финальные расчёты для клиента.

Вся эта система оркестрируется с использованием BPMN-рабочих процессов (Business Process Model and Notation), где каждая задача может быть выполнена одним или несколькими ИИ-агентами, что обеспечивает гибкость и прозрачность.

Внедрение и контроль: надёжность и безопасность

Внедрение ИИ-агентов происходило поэтапно, начиная с наименее рискованных и наиболее трудоёмких процессов. Кранти Неккалапу, исполнительный директор по ИИ в Suncorp, подчеркнул важность мониторинга и управления рисками. Для этого была разработана централизованная платформа наблюдения на базе Databricks, которая собирает данные от всех агентов и рабочих процессов в реальном времени. Это позволяет:

• Отслеживать производительность. Руководство может видеть общую картину, бизнес-пользователи — детали конкретных решений, а инженеры — отлаживать систему.
• Обеспечивать безопасность. Платформа контролирует работу агентов, выявляя аномалии или возможные атаки.
• Гарантировать точность. Suncorp разработала библиотеку из 100 различных контролей для разных типов ИИ-приложений, что позволяет достигать 99% точности в сложных задачах, таких как определение причин убытка для страхового покрытия.

Человеческое участие сохраняется. Сложные случаи, которые агент не может обработать по заданным регламентам, передаются человеку. Кроме того, все отклоненные агентом претензии проходят обязательную проверку человеком, что обеспечивает дополнительный уровень контроля и исключает предвзятость.

Результаты внедрения ИИ-агентов в Suncorp

Хотя конкретные количественные метрики по сокращению времени и затрат пока не полностью раскрыты, Suncorp уже видит значительные улучшения. Главные результаты:

• Ускорение обработки. Значительное сокращение времени на урегулирование претензий благодаря автоматизации рутинных операций.
• Повышение точности. Достижение 99% точности в сложных задачах, таких как определение причин убытка и проверка покрытия, что минимизирует ошибки и риски.
• Оптимизация ресурсов. Высвобождение сотрудников от рутинных задач, позволяя им сосредоточиться на более сложных случаях и взаимодействии с клиентами.
• Масштабируемость. Способность системы быстро адаптироваться к изменениям объёма претензий, особенно в периоды пиковых нагрузок.

Эти результаты не только повышают операционную эффективность Suncorp, но и улучшают клиентский опыт, что является ключевым фактором конкурентоспособности в страховой отрасли.

Как это внедрить у вас

Кейс Suncorp демонстрирует, как ИИ-агенты могут трансформировать сложные и многоступенчатые процессы. Если в вашей компании обработка претензий или обращений занимает много времени и требует проверки множества параметров, вы можете перенять этот опыт:

• Декомпозируйте процесс. Разбейте сложный процесс на множество мелких, логически завершённых «подпроцессов». Для каждого такого подпроцесса можно разработать специализированного ИИ-агента.
• Начните с узких задач. Внедряйте агентов поэтапно, начиная с наименее рискованных и наиболее трудоёмких операций, где выгода видна быстрее всего.
• Обеспечьте контроль и мониторинг. Создайте систему, которая будет отслеживать работу агентов, их производительность и точность, а также выявлять аномалии.
• Сохраните человеческое участие. ИИ-агенты должны быть помощниками, а не полной заменой человека. Оставьте сложные, нестандартные случаи, а также финальную проверку и одобрение за сотрудниками.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру