ИИ-автоматизация для «Финансовые услуги и страхование»
10 автоматизации, которые обычно окупаются в отрасли «Финансовые услуги и страхование», с реальными примерами и теми, что стоит запустить первыми. Каждая цифра взята из отраслевого источника с указанием авторства, а не является нашим собственным утверждением.
Автоматизация сверок, закрытия периода и регуляторной отчётности
SME
низкая сложность Хороший первый пилот
Боты и процессы сопоставляют операции между банковскими системами, главной книгой и вспомогательными книгами, отслеживают расхождения, проводят рутинные бухгалтерские записи и собирают регуляторную и управленческую отчётность, ускоряя закрытие месяца.
Какую проблему убирает
Сверки и закрытие периода во многом ручные, подвержены ошибкам и идут в сжатые сроки. Накапливаются несопоставленные позиции, растёт аудиторский риск, а финансовые команды закрывают период в авральном режиме вместо анализа.
Как это устроено
RPA (роботизированная автоматизация процессов: программные боты, которые работают с существующими системами так же, как это делал бы человек) для сопоставления и проведения записей, а также правила и всё чаще машинное обучение для разбора неточных совпадений и классификации исключений. Полное журналирование для аудита и регулятора.
Пример
Auxis сообщает о внедрении RPA для банковской сверки (UiPath с Trintech ReconNet), которое сократило объём несопоставленных транзакций с более чем 2 млн долларов до менее чем 100 000. По данным Deloitte, время на сверку сокращается до 70% при росте точности на 50%.
Масштабируется
Пользу извлечёт любая финансовая команда с повторяющейся сверкой по правилам; крупные организации получают наибольшую абсолютную экономию за счёт больших объёмов операций и сложных пакетов отчётности. Очень распространённая и хорошо понятная стартовая автоматизация.
Типичный отраслевой показатель
Ориентировочно: до примерно 70% меньше времени на обработку и примерно на 50% меньше ошибок в данных; закрытие быстрее, аудиторский след чище. Диапазоны Deloitte и поставщиков; считать их ориентировочными.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Онбординг по KYC / AML и проверка личности
SME
средняя сложность Хороший первый пилот
Автоматизированный процесс проверяет личность нового клиента, сверяет его с санкционными списками и списками публичных должностных лиц, считывает и проверяет документы, удостоверяющие личность и подтверждающие адрес, и передаёт специалисту по комплаенсу только действительно рискованные случаи.
Какую проблему убирает
Ручной онбординг занимает дни, раздражает добросовестных клиентов и нагружает дорогих специалистов по комплаенсу рутинными проверками. Проверка по спискам к тому же даёт огромное число ложных срабатываний, которые аналитикам приходится разбирать вручную.
Как это устроено
Обработка документов (IDP) для удостоверений личности и подтверждений адреса, биометрическое сравнение лиц, API для проверки по санкционным спискам, публичным должностным лицам (PEP) и контрольным перечням, классификация методами машинного обучения для оценки риска и автоматизация процессов, которая сама пропускает случаи с низким риском, а остальные эскалирует. Всё чаще агентный слой готовит черновик заключения для утверждения аналитиком.
Пример
FOCAL сообщает, что саудовская платформа Aseel сократила время онбординга на 87%, примерно до 40 секунд на клиента. McKinsey описывает применение агентного ИИ в KYC/AML, которое сокращает отдельные проверки примерно с 45 минут до менее чем минуты. Отраслевые источники оценивают потенциальное снижение затрат на KYC до 70%.
Масштабируется
Финтех-компании и небольшие кредиторы покупают готовые решения для проверки и интегрируют их; средний бизнес и банки добавляют управление делами, тонкую настройку и журналы аудита. Масштабируется вместе с числом заявителей и охватом регуляторных требований (юрисдикции, типы продуктов).
Типичный отраслевой показатель
Ориентировочно: онбординг сокращается с дней до минут; затраты на KYC ниже на величину до 70%; время проверки в агентных пилотах падает более чем на 60%. Диапазоны ориентировочные и сильно зависят от аппетита к риску и ожиданий регулятора.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Голосовые и чат-агенты клиентской поддержки
SME
средняя сложность Хороший первый пилот
ИИ-ассистент по телефону и в чате круглосуточно полностью обрабатывает типовые вопросы клиентов (баланс, платежи, сведения по полису, несложное обслуживание) и передаёт обращение специалисту только тогда, когда запрос действительно этого требует.
Какую проблему убирает
Большие объёмы повторяющихся, простых запросов забивают контакт-центры, увеличивают время ожидания и стоят миллионы на оплату операторов, а на сложные случаи, где действительно нужно экспертное суждение, людей не хватает.
Как это устроено
Разговорный ИИ: языковая модель (LLM), опирающаяся на базу знаний компании (RAG) для точных ответов, распознавание и синтез речи для голосового канала, интеграция с профильными системами для выполнения реальных действий, а также чёткие ограничения и передача человеку. Классификация намерений направляет обращения и расставляет приоритеты.
Пример
CGI сообщает о международной финансовой компании, чат-бот которой обрабатывает 500 000 диалогов в год и экономит около 2 млн евро в год, при этом лишь 6% чатов требуют живого оператора. Master of Code называет кандидатом на голосовую автоматизацию европейскую организацию, где около 300 000 звонков в месяц и 14,8 млн долларов в год уходят на рутинные обращения.
Масштабируется
Подход «сначала чат» доступен даже небольшим компаниям; голос и глубокая интеграция с профильными системами сложнее и подходят среднему и крупному бизнесу. Масштабируется вместе с объёмом обращений; ценность растёт по мере того, как безопасно автоматизируется всё больше сценариев.
Типичный отраслевой показатель
Ориентировочно: около 2 млн евро экономии в год и более 90% обращений, решённых в самообслуживании, в проекте CGI; широкое отсечение рутинных звонков там, где объёмы велики, а процессы выстроены. Цифры зависят от конкретного внедрения; считать их ориентировочными.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Внутренний ассистент по базе знаний для консультантов и сотрудников (RAG)
SME
средняя сложность Хороший первый пилот
Защищённый внутренний чат-бот отвечает на вопросы сотрудников по собственным документам компании (аналитика, условия продуктов, регламенты, политика комплаенса) и указывает источник, поэтому консультанты и сотрудники поддержки находят нужный ответ за секунды, а не ищут по разным системам.
Какую проблему убирает
Консультанты и операторы теряют часы на поиск по разрозненным библиотекам аналитики и регламентов; значительная часть базы знаний простаивает, ответы расходятся, а новые сотрудники входят в курс дела медленно.
Как это устроено
Генерация с дополненным поиском (RAG): документы компании индексируются в векторную базу данных; языковая модель (LLM) находит нужные фрагменты и отвечает, опираясь на них, со ссылками на источники. Разграничение доступа, наборы для оценки качества и проверка человеком поддерживают точность и соответствие требованиям.
Пример
Ассистент Morgan Stanley на GPT-4, опирающийся через RAG более чем на 350 000 документов, по имеющимся данным активно используется более чем в 98% команд консультантов, а обращаемость к документам выросла примерно с 20% до 80%; результат проверен системой оценки OpenAI на достоверность и соответствие требованиям.
Масштабируется
По-настоящему доступно бизнесу любого размера, ведь работает поверх уже имеющихся у вас документов. Небольшие компании быстро запускают ассистента на узком наборе тем; крупные организации индексируют сотни тысяч документов с масштабной проверкой на соответствие требованиям.
Типичный отраслевой показатель
Ориентировочно: значительное сокращение времени на поиск и почти сплошное освоение в кейсе Morgan Stanley; основная ценность – в более быстрых и единообразных ответах и в лучшем использовании накопленных знаний. Показатели освоения и охвата специфичны для этого кейса; считать их ориентировочными.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Интеллектуальная обработка финансовых документов (IDP)
SME
средняя сложность Хороший первый пилот
Универсальный сервис считывает любой финансовый документ (выписки, заявления, приложения к полисам, счета, договоры) и превращает его в чистые, структурированные и проверенные данные, которые сразу попадают в ваши системы, заменяя ручной ввод.
Какую проблему убирает
Компании тонут в неструктурированных документах, данные из которых сотрудники переносят вручную. Ввод медленный, дорогой и подвержен ошибкам, а ошибки расходятся дальше – в решения, отчётность и клиентский опыт.
Как это устроено
Интеллектуальная обработка документов: распознавание текста считывает, машинное обучение определяет поля, языковые модели (LLM) разбирают неструктурированные или произвольные разделы, а правила проверки с участием человека контролируют результаты с низкой уверенностью. Разворачивается как общий сервис, к которому обращаются многие процессы.
Пример
Типичный сценарий: брокер или кредитор автоматически переносит данные из выписок и пакетов заявок в свою учётную систему. Scry AI и Klippa описывают, как IDP превращает неструктурированные страховые и банковские документы в структурированные данные; Hexaware сообщает об ускорении обработки документов до 50% и снижении ручного труда на 40% при урегулировании убытков.
Масштабируется
Базовый строительный блок для автоматизации урегулирования убытков, онбординга, кредитования и андеррайтинга. Небольшие компании применяют его к одному типу документов; крупные организации запускают его как центральный сервис для множества типов. Масштабируется вместе с объёмом и разнообразием документов.
Типичный отраслевой показатель
Ориентировочно: обработка документов быстрее примерно на 50% и ручного труда примерно на 40% меньше; ошибок ввода заметно меньше. Диапазоны поставщиков; считать их ориентировочными и проверять на собственном наборе документов.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Автоматизация обработки страховых претензий (от заявления об убытке до выплаты)
SME
высокая сложность
Система считывает поступившую претензию и приложенные документы (бланки, фотографии, счета, медицинские заключения или сметы на ремонт), извлекает ключевые факты, сверяет их с условиями полиса и либо полностью урегулирует простые случаи автоматически, либо передаёт специалисту аккуратно подготовленное дело с предварительной оценкой, если случай сложнее.
Какую проблему убирает
Претензии приходят вперемешку: PDF-файлы, письма, изображения, а данные приходится переносить вручную. Обработка растягивается на дни и недели, расходы на персонал высоки, а разнобой в оценке приводит к переплатам (когда выплачивается больше, чем следовало).
Как это устроено
Интеллектуальная обработка документов (IDP: распознавание текста плюс извлечение данных методами машинного обучения) считывает документы; слой правил и скоринга вместе с языковой моделью (LLM) оценивает случай и готовит краткое заключение по условиям полиса; автоматизация процессов направляет претензию либо на автоматическое урегулирование, либо специалисту. Дополнительно подключаются скоринг мошенничества и анализ изображений. Всё, что превышает порог уверенности или сумму, уходит на проверку человеку.
Пример
Shift Technology сообщает, что крупный американский туристический страховщик, обрабатывающий около 400 000 претензий в год, поднял уровень автоматизации с 0% до 57%, а время обработки сократилось с трёх недель до считанных минут. EY описывает скандинавского страховщика, автоматизировавшего обработку претензий с помощью своего продукта для интеллектуального анализа документов. Sprout.ai приводит пилот Zurich в Великобритании с точностью 98% на 2 000 претензий.
Масштабируется
Легко масштабируется по объёму претензий. Крупные страховщики автоматизируют целые виды страхования от и до; небольшие страховщики, MGA и брокеры начинают с одного частого и несложного типа претензий (например, страхование путешествий, замена автостекла, несложные имущественные) и расширяются дальше.
Типичный отраслевой показатель
Ориентировочно: обработка документов на 25–50% быстрее, ручного труда до 40% меньше (Hexaware); McKinsey оценивает снижение расходов на урегулирование убытков в 25–30%; переплаты сокращаются примерно на 10–15% в типичных проектах по имущественному страхованию. Это ориентировочные диапазоны, а не гарантии.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Выявление и мониторинг мошеннических транзакций
ME
высокая сложность
Модель в реальном времени оценивает каждый платёж или транзакцию по вероятности мошенничества, блокирует или задерживает рискованные операции, пропускает легитимные и дообучается по мере того, как меняются схемы мошенничества.
Какую проблему убирает
Системы на основе правил пропускают новые виды мошенничества и, что хуже, помечают огромное число законных транзакций (ложные срабатывания), которые раздражают клиентов и перегружают команды по расследованиям. Потери от мошенничества и затраты на расследования при этом растут.
Как это устроено
Классификация методами машинного обучения (с учителем и без) по признакам транзакции, устройства и поведения со скорингом в реальном времени; выявление аномалий для новых схем; управление делами по помеченным операциям. Требует надёжной инженерии данных и постоянного переобучения модели.
Пример
Danske Bank сообщает о росте выявляемости мошенничества примерно на 60% и сокращении ложных срабатываний примерно на 50% благодаря машинному обучению. HSBC приводит сокращение ложных срабатываний примерно на 60% в своей системе Dynamic Risk Assessment.
Масштабируется
Решение требовательно к данным и чувствительно к задержкам, поэтому лучше подходит организациям с большим объёмом транзакций и чистыми данными. Небольшие игроки обычно берут готовый сервис скоринга мошенничества у поставщика, а не строят модели сами.
Типичный отраслевой показатель
Ориентировочно: выявляемость мошенничества выше примерно на 50–60%, а ложные срабатывания ниже примерно на 50–60% в показательных банковских проектах. Эти цифры относятся к крупным внедрениям с большим объёмом данных; для меньших масштабов их стоит считать ориентировочными.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Приём и сортировка заявок на андеррайтинг (коммерческое страхование)
ME
высокая сложность
Система открывает каждую новую заявку на страхование, извлекает данные о риске из документов и брокерских таблиц, классифицирует и оценивает риск для тарификации и направляет заявку нужному андеррайтеру с уже готовой предварительной оценкой.
Какую проблему убирает
Андеррайтеры тратят 30–40% времени на перенос и сверку данных заявки вместо собственно андеррайтинга. Из-за медленной и неединообразной сортировки котировки по хорошим рискам выставляются с опозданием, а плохие риски проскакивают, ухудшая коэффициент убыточности.
Как это устроено
IDP считывает пакеты заявок, модели классификации определяют отраслевой код и категорию риска, правила вместе с языковой моделью (LLM) готовят черновик заключения по риску, а автоматизация процессов распределяет заявки с учётом аппетита к риску, загрузки и сложности. Решение остаётся за андеррайтером.
Пример
Типичный сценарий: коммерческий страховщик имущества и ответственности автоматически принимает заявки и сортирует их по аппетиту к риску ещё до того, как андеррайтер откроет дело. Отраслевые источники (hyperexponential, ValueMomentum) приводят улучшение коэффициента убыточности на 2–4 пункта и высвобождение до примерно 70% времени андеррайтера, уходящего на административную работу, при интегрированном ИИ-андеррайтинге.
Масштабируется
Лучше всего подходит коммерческим страховщикам, MGA и рынкам вроде Lloyd's с большим потоком заявок и разнородными документами. Небольшие нишевые страховщики сначала запускают пилот на одном виде страхования.
Типичный отраслевой показатель
Ориентировочно: улучшение коэффициента убыточности на 2–4 пункта, примерно на 30% больше пропускной способности андеррайтеров, заметно более быстрая выдача котировок. Диапазоны приводятся поставщиками; считать их ориентировочными и проверять по каждому виду страхования.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Автоматизация выдачи кредитов и кредитных решений
SME
высокая сложность
Автоматизированный процесс собирает финансовые документы заёмщика, извлекает и проверяет цифры, проверяет риски и рассчитывает платёжеспособность, а затем выдаёт кредитное решение или хорошо подготовленное дело для кредитного специалиста.
Какую проблему убирает
Ручной сбор и перенос документов делают кредитование медленным и трудозатратным; решения выходят неединообразными, а срок рассмотрения по коммерческим кредитам и кредитам малому и среднему бизнесу может растягиваться на недели, из-за чего сделки уходят к более быстрым конкурентам.
Как это устроено
IDP и распознавание текста считывают банковские выписки, отчётность и налоговые документы; данные извлекаются и проверяются, превращаясь в структурированную информацию, готовую для решения; модели риска и платёжеспособности выполняют скоринг; а слой оркестрации (всё чаще агентный) собирает данные, запускает модели, помечает аномалии и передаёт исключения на разбор.
Пример
Cross River сообщает, что решение для обработки кредитов на базе ИИ сократило кредитный цикл более чем в 3 раза, обеспечив свыше 6,5 млрд долларов финансирования малого и среднего бизнеса за четыре месяца. По отраслевым данным, кредиторы обрабатывают в 3–4 раза больше заявок тем же штатом и на 50–75% сокращают срок рассмотрения по коммерческим кредитам.
Масштабируется
Цифровые кредиторы и финтех-компании автоматизируют большую часть процесса; банки и крупные кредиторы внедряют его поэтапно, в рамках действующей кредитной политики и контроля. Масштабируется по объёму заявок и позволяет командам обрабатывать гораздо больше кредитов без увеличения штата.
Типичный отраслевой показатель
Ориентировочно: кредитный цикл быстрее более чем в 3 раза, срок решения ниже на 50–75%, пропускная способность на одного андеррайтера выше в 3–4 раза. Цифры от поставщиков и из отрасли; считать их ориентировочными, и последнее слово всегда за кредитной политикой.
Ориентировочные данные сторонних источников, а не результаты TelarLabs.
Ассистент по сортировке и расследованию AML-оповещений
ME
высокая сложность
Ассистент принимает поток оповещений из систем мониторинга транзакций, собирает нужный контекст по клиенту и операциям, ранжирует оповещения по реальному риску и готовит черновик заключения по расследованию, чтобы аналитики занимались настоящими случаями и быстрее отсеивали шум.
Какую проблему убирает
Правила мониторинга транзакций порождают огромные объёмы ложных срабатываний; аналитики тратят большую часть времени на сбор контекста и разбор оповещений, которые изначально не были подозрительными, пока настоящие риски ждут в очереди.
Как это устроено
Классификация и скоринг методами машинного обучения приоритизируют оповещения, а агентный слой на базе языковой модели (LLM) собирает контекст по клиенту, KYC и транзакциям, описывает риск и готовит черновик решения для утверждения человеком. Полный аудиторский след; подавать отчёт о подозрительной операции (SAR) или нет, решает человек.
Пример
Типичный сценарий: банк надстраивает скоринг оповещений и ассистента по расследованиям поверх существующей системы мониторинга. McKinsey сообщает, что агентный ИИ в борьбе с финансовыми преступлениями даёт значительный прирост производительности, когда один человек способен контролировать множество ИИ-агентов; Lucinity и подобные поставщики сообщают, что аналитики разбирают оповещения существенно быстрее.
Масштабируется
Подходит банкам, платёжным компаниям и крупным финтех-фирмам с уже работающим механизмом мониторинга и накопленными оповещениями. Масштабируется вместе с объёмом оповещений; чем их больше, тем выше экономия времени аналитиков.
Типичный отраслевой показатель
Ориентировочно: значительное сокращение времени аналитика на одно оповещение и более быстрый разбор ложных срабатываний; McKinsey приводит существенный прирост производительности в агентных проектах по борьбе с финансовыми преступлениями. Диапазоны ориентировочные и сильно зависят от регулятора и данных.
