«Сейчас идеальное время для ленивых умных людей»

Искусственный интеллект перестал быть технологией будущего — сегодня он уже решает реальные бизнес-задачи в страховании и облегчает повседневную жизнь. Однако для эффективного использования ИИ наоборот требуется не меньше знаний, а больше. О парадоксах автоматизации, грамотном внедрении технологий и сохранении человеческого подхода в работе с клиентами рассказал Александр Краснов, ИТ-директор «Т-Страхования», в интервью Никите Евсеенко, директору департамента «Страхование» Рексофт.

Тайм-коды:

На рост бизнеса «Т-Страхования» влияет множество факторов, и экосистемность — один из них. Клиенты получают больше удобства и реже уходят, чаще приобретают продукты. А для нас, как для команды, это означает возможность привлекать и удерживать лучших специалистов.

Мы постоянно ищем и находим тот самый оптимальный баланс между самостоятельностью и интеграцией. В разрезе технологий это одно из ключевых преимуществ: будь мы просто страховой компанией, было бы крайне тяжело содержать и развивать такие мощные центры разработки, которые есть у нас в группе.

В страховых процессах мы много лет усиленно занимаемся автоматизацией урегулирования, обслуживания и андеррайтинга. И это, наверное, тот самый последний слой пирога, который позволяет нам «добить» дополнительные проценты роста бизнеса.

Сейчас около 95% клиентских обращений проходят андеррайтинг полностью автоматически, без участия человека — это очень крутой показатель. В урегулировании убытков мы создаем все более удобные для пользователей сценарии. Это тоже дает плоды — наши показатели NPS превосходят конкурентные, чем мы очень гордимся и стараемся это сохранить.

Что касается процессов в разработке — последний год абсолютно фантастический в плане того, сколько всего у нас появилось и появляется. Мы исследуем и внедряем ИИ в SDLC (цикл разработки ПО), описали более 100 сценариев полезного применения и лучшие из них запускаем в этом году. Создаваемые нами ИИ-инструменты доступны всем командам и уже приносят практическую пользу.

Крайне важно не начать гнаться за ИИ и ради ИИ, не поддаваться хайпу. Наряду с положительными эффектами некоторые негативные последствия внедрения могут проявиться не сразу. Самый простой пример — владение кодом.

Сначала этот эффект не проявится, но через несколько кварталов мы можем столкнуться с обширной кодовой базой, которую никто не понимает.

Стратегическое, культурное и операционное влияние таких рисков трудно оценить заранее, поэтому мы работаем с ИИ-агентами в разработке аккуратно, стараемся сохранять и воплощать наш образ инженера будущего.

Этот год стал периодом, когда большинство сотрудников группы «Т» начали активно пробовать ИИ-инструменты в своей работе. Процесс идет неравномерно — есть как ранние последователи, так и те, кто адаптируется медленнее.

Крайне важно аккуратно подходить к выбору метрик. Цель «50% кода должно генерироваться машиной» кажется логичной, но на практике не всегда оказывается так. Прежде чем ставить жесткие показатели, нужно ответить на вопросы: кто будет поддерживать этот код, можно ли сократить объем кода или вообще обойтись без него.

Более мягкий подход — предложить командам поэкспериментировать, поделиться впечатлениями, придумать варианты интеграции технологий в рабочие процессы — часто оказывается продуктивнее. Жесткие метрики хотя и достигаются проще, но имеют свои недостатки.

В наших рабочих группах по внедрению ИИ в цикл разработки мы придерживаемся подхода гармоничного взаимодействия человека и машины. Мы распределяем задачи в зависимости от сильных сторон каждого: где-то эффективнее машина, где-то незаменим человек. При этом функция высшего контроля сохраняется за специалистом, который должен полностью понимать процесс и оставаться в курсе происходящего. Мы не допускаем такой степени автономии, когда человек уже не может объяснить причины тех или иных результатов.

Чтобы оставаться тем, кто автоматизирует, а не тем, кого автоматизируют, нужны все более глубокие знания и навыки. Это создает определенный парадокс: казалось бы, знания стали доступнее, современные языковые модели позволяют быстро получить ответы на любые вопросы.

С повышением сложности систем возникают вопросы безопасности и юридической ответственности. Допустим, LLM что-то пообещала клиенту — мы должны выполнить это обязательство, ведь именно компания несет ответственность за свои инструменты.

Также возникают этические вопросы. Например, если LLM представляется клиенту как человек — это этично или нет? По современным нормам, которые в том числе разрабатывала наша группа, скорее, нет. Если общается робот — он должен честно в этом признаться.

С развитием технологий количество таких ограничений будет только расти. Нужно выстраивать защитные механизмы, системы фильтрации ответов и постоянно «дрессировать» модели, чтобы оставаться в рамках контролируемого развития. Но эти усилия оправданы: через 10 лет у каждого клиента может быть персональный менеджер, учитывающий его потребности, настроение и цели. Такой сервис из эксклюзивного станет массовым, и в страховании мы стремимся к созданию подобной незаметной, но точной системы, которая предлагает нужное решение в нужный момент.

Человечность — это не про улыбки, скорее, а про решение реальных проблем клиента. Это основной принцип обслуживания в нашей группе.

У нас работает целая система: через всю компанию постоянно идут фидбеки, мы сами ищем отзывы, анализируем, что не понравилось людям. Если видим негатив — обязательно звоним клиенту, чтобы понять причину. Этот принцип касается всех — от джуниор-разработчика до топ-менеджеров: мы действительно пытаемся разобраться, что пошло не так.

С автоматизацией обслуживания есть важный нюанс. Можно за год улучшить все метрики, настроить ботов на обработку большей части запросов — в цифрах все будет идеально. Но клиенты запоминают, как с ними общались, остается «послевкусие».

Этот риск сложно измерить, но если мы потеряем доверие клиентов, можно будет расходиться по домам.

Когда клиент осознанно выбирает продукт или предложение страховки появляется в нужный момент — это хорошая история. Но когда услуги навязывают через «темные паттерны», встраивая страховку в состав других продуктов, — это уже сомнительный путь.

В мире развита культура страхования — это базовое желание иметь гарантии, что твое будущее защищено и жизнь не станет хуже, чем сейчас. В России люди не всегда чувствуют в этом потребность.

Важно научиться планировать не только цели, но и возможные угрозы — и понимать, как их можно купировать.

У нас уже есть кейсы с выплатами за секунды — например, по некоторым направлениям КАСКО. Есть решения, где клиент фотографирует повреждение машины и получает деньги в течение минуты.

В будущем, возможно, нас ждут еще более автоматизированные сценарии: компьютерное зрение будет самостоятельно распознавать повреждения, оценивать стоимость деталей и формировать смету без участия человека. Такие прототипы мы уже тестируем, но пока это пилотные проекты.

Я достаточно ленивый человек. Например, я недавно завел щенка бигля и, вместо того чтобы читать книгу по воспитанию собак, просто попросил нашу внутреннюю LLM-платформу сделать выжимку основных правил. Через несколько минут получил в телеграме четкие инструкции: что нужно делать, а что нельзя.

В рабочей рутине ИИ — незаменимый помощник. Как ИТ-директору, мне постоянно приходится анализировать данные из десятков команд, искать проблемы и готовить сводки. Раньше на такие агрегации уходило по два дня, теперь же наши инструменты дата-платформ и языковые модели позволяют быстро это комбинировать.

Такие возможности делают нашу работу эффективнее, и мне кажется, сейчас идеальное время для ленивых умных людей.