Страховка для тех, кого таблицы не умеют считать

Florin строит ИИ-машинку, которая разбирает нестандартный бизнес по множеству источников и мгновенно считает для него индивидуальный страховой тариф.

Почему страховые таблицы дают сбой?

В страховании всё начинается с оценки риска. Клиент описывает себя и свою ситуацию, после чего страховая компания решает, можно ли заключать договор, на каких условиях и за какую премию.

Есть агент, который продаёт продукты конкретного страховщика. Есть брокер - независимый посредник, ищущий подходящий вариант у разных компаний. А есть андеррайтер: специалист, который разбирается в рисках и определяет индивидуальный тариф.

В большинстве обычных случаев андеррайтеру не приходится каждый раз начинать исследование с нуля. Для типовых клиентов заранее подготовлены таблицы: категория бизнеса, набор обстоятельств, соответствующий тариф. Заявка попадает в нужную ячейку - и система выдаёт решение.

Проблема начинается там, где клиент не похож на большинство. Он может неполно описать ситуацию, ошибиться в данных или не попасть ни в один готовый сценарий. Иногда таблица заранее считает такую категорию невыгодной для страховщика - хотя конкретная компания устроена совсем иначе.

Первая проблема обычно обнаруживается позже. Если при страховом случае выясняется, что сведения были неточными, начинаются разбирательства, расходы и судебная тяжба. А отказ по нестандартной заявке происходит сразу - просто потому, что страховщику не хочется тратить ресурсы на отдельный расчёт.

Для обычного бизнеса это выглядит так: новая технология уже появилась, клиенты есть, а страховки нет. Формальная система видит незнакомую категорию и предпочитает сказать «нет». Вот здесь и появляется пространство для нового страхового андеррайтинга.

Оценка рисков страховых компаний в таком случае должна учитывать не только название отрасли, но и реальное устройство конкретного бизнеса. Иначе таблица оценивает не клиента, а среднюю температуру по рынку.

Профиль Florin

Florin решил заменить таблицы андеррайтинга системой, которая изучает каждый случай отдельно. Стартап сейчас проходит акселерацию в Y Combinator, а о запуске платформы рассказал на сайте акселератора.

ИИ-машинка начинает с построения профиля. Она собирает сведения об объектах недвижимости по спутниковым снимкам, проверяет лицензии, разрешения и сертификаты, смотрит историю работы бизнеса и сопоставляет её с похожими компаниями.

В профиль также попадает цифровой след: открытая информация в интернете, публикации и социальные сети. Задача не в том, чтобы подглядывать за клиентом ради самого наблюдения. Нужно найти признаки, которые влияют на вероятность страхового события и размер возможного ущерба.

После этого система соединяет разрозненные сигналы в одну картину. Для человека это означает меньше ручной проверки документов и меньше зависимости от того, насколько полно заявитель описал себя в анкете.

Если разложить продукт на части, получится понятная конструкция: сбор данных, формирование профиля, моделирование сценариев и выпуск коммерческого предложения. Такой порядок важен, потому что сам тариф становится финальным результатом исследования, а не первой кнопкой в процессе.

Именно так выглядит оценка страхового риска страховщиком в более современной версии: не просто сверить анкету с шаблоном, а проверить, как устроен объект страхования в действительности.

Для других сфер здесь есть повторяемая механика. Любой рынок, где решение принимается по неполному описанию клиента, можно сначала превратить в профиль из сигналов, а уже потом применять правила.

Что здесь действительно интересного?

Главная находка выпуска именно в этом! Страхование привыкло опираться на накопленную статистику и стандартные категории, а новые рынки по определению ещё не успели накопить достаточно похожих случаев.

Отсюда возникает замкнутая проблема. У нового бизнеса нет истории, по которой легко посчитать риск. Страховщик не хочет разбираться вручную. Бизнес остаётся без полиса, а рынок не получает новых данных, которые могли бы сделать последующие расчёты точнее.

Florin предлагает разорвать этот круг с помощью моделирования. Если прямой статистики мало, система может собрать косвенные признаки, изучить похожие компании и просчитать несколько возможных сценариев развития событий.

В идеале андеррайтер страховой компании подключается только там, где действительно нужен человеческий контроль. Типовые нестандартные случаи система обрабатывает самостоятельно, а специалист проверяет расчёт или разбирает пограничную ситуацию.

Это меняет саму роль андеррайтера. Он перестаёт быть человеком, который вручную ищет нужную строку, и становится редактором модели: проверяет исходные данные, смотрит на логику сценариев и решает, достаточно ли оснований для предложения.

Для обычного предпринимателя важен ещё один вывод. Если рынок не умеет обслуживать новые категории, возможность может быть не только в создании бизнеса внутри этого рынка, но и в создании инфраструктуры, которая позволит рынку эти категории увидеть.

Как машина считает тариф?

Механика Florin похожа не на поиск ответа в справочнике, а на быструю симуляцию. Система получает набор фактов о клиенте и его бизнесе, а затем строит несколько вариантов того, что может произойти.

В каждом сценарии есть собственная вероятность. Одни события могут случаться чаще, другие реже, но приводить к более крупному ущербу. Сопоставляя эти варианты, платформа оценивает общий профиль риска и переводит его в тариф.

Важная деталь: система может заметить расхождение между заявлением и другими доступными источниками. Клиент указал неполную информацию - алгоритм не обязан слепо принять её за истину. Он проверяет картину целиком.

Процесс можно описать по шагам:

Сначала Florin собирает данные о компании, её объектах, разрешениях, истории и окружении.

Затем машина соединяет сведения в профиль конкретного клиента, а не усреднённой категории.

После этого она моделирует разные варианты развития событий с разной вероятностью.

Дальше система оценивает риск, потенциальный ущерб и подходящий размер страховой премии.

В финале формируется коммерческое предложение. В сложных случаях его может проверить андеррайтер, а в более стандартных ситуациях стартап рассчитывает обходиться без ручного участия.

Для читателя здесь есть полезный шаблон: сначала собрать факты, затем проверить их независимыми сигналами, после этого просчитать сценарии и только в конце принять решение. Такой порядок часто надёжнее, чем сразу строить бизнес-правила вокруг одной анкеты.

1. Собрать картину

   Платформа подтягивает сведения из открытых, отраслевых и цифровых источников.

2. Смоделировать варианты

   ИИ-машинка рассчитывает разные сценарии и вероятность их наступления.

3. Выдать тариф

   Система переводит результат оценки в индивидуальное страховое предложение.

4. Проверить исключения

   Андеррайтер страховой компании может подтвердить расчёт в нестандартном или спорном случае.

Модели страхования

Обычно стартап делает софт, а действующая компания использует его в своей работе. Для Florin возможен и другой ход: построить собственную страховую компанию, которая будет обслуживать клиентов, невидимых для стандартного рынка.

Продажа платформы страховщикам выглядит более лёгким входом. У существующих компаний уже есть лицензии, процессы, капитал и отношения с клиентами. Florin в таком случае становится технологическим слоем для андеррайтинга страховой компании.

Собственная страховая даёт больше контроля над продуктом. Можно сразу выбирать отрасли, где стандартные правила не работают, самостоятельно формировать тарифы и проверять гипотезы на реальных заявках. Но вместе с этим стартап принимает на себя и ответственность за выплаты.

Один подход не отменяет другой. Сначала может появиться платформа для оценки рисков, затем - вертикальный продукт для отдельной отрасли, а позже - собственный страховщик. Важна не вывеска, а то, где находится главный дефицит: в технологии расчёта или в готовности принять риск на баланс.

Эта развилка повторяется во многих консервативных рынках. Можно продавать автоматизацию существующим игрокам, а можно использовать её, чтобы самому стать оператором услуги. Выбор зависит от того, где технология создаёт больше ценности и какой уровень ответственности готова выдержать команда.

Почему нестандартные риски уже стали рынком?

Рынок нестандартного страхования называется Excess & Surplus market. На нём оказываются ситуации, которые обычные страховые продукты не умеют закрывать из коробки: слишком новая отрасль, необычная модель работы или сочетание факторов, для которых нет готового тарифа.

В США этот сегмент уже достиг размера 125 миллиардов долларов. Его доля составляет 12.3% общего страхового рынка страны. То есть речь не о горстке экзотических заявок, а о большой экономике, которую стандартный андеррайтинг обслуживает хуже.

Цифра важна не только для страховщиков. Она показывает, что отказ от шаблонов может быть самостоятельной точкой входа в огромный рынок. Если нестандартных клиентов много, ручная работа становится бутылочным горлышком, а автоматизация получает понятную экономическую ценность.

Для поиска похожих ниш есть простой признак: в отрасли должны регулярно появляться клиенты, которых невозможно честно оценить по существующей анкете, но для которых уже существует платёжеспособный спрос. Там и появляется место для отдельной модели риска.

Такой рынок не обязательно выглядит как страхование. Тот же паттерн встречается в кредитовании, юридических услугах, медицинских решениях и проверке подрядчиков: новый клиент не вписывается в стандартную категорию, хотя отказывать ему полностью тоже нерационально.

Куда бежать с этой идеей?

Жизнь и рынки меняются быстрее, чем обновляются страховые таблицы. Поэтому страхование выглядит консервативным не потому, что ему не нужны новые технологии, а потому что его привычный способ принимать решения построен на прошлом.

Генералы всегда готовятся к прошлой войне - и страховые системы иногда делают примерно то же самое. Они хорошо знают прежние типы риска, но с трудом реагируют на технологию или бизнес-модель, которая появилась недавно.

Значит, направление движения - сделать оценку динамической. Система должна смотреть на профиль конкретной компании, обновлять его по новым данным, пересчитывать сценарии и объяснять, почему тариф изменился.

Собрать такую механику можно и в узкой вертикали. Например, взять отрасль, где много нестандартных заявок, описать источники данных, правила проверки, сценарии ущерба и интерфейс для ручного подтверждения. Сначала это будет не страховая компания, а рабочий прототип процесса.

Чтобы проверить эту мысль, не нужен ни раунд, ни команда: механику Florin можно описать словами, а обвязку собрать на вайб-кодинге - загрузку данных, карточку профиля, последовательность проверок, симуляцию сценариев и экран, где специалист подтверждает или отклоняет расчёт. Главное - начать с одной отрасли и одного повторяемого типа нестандартного риска.

Дальше остаётся решить, где строить бизнес: на продаже инструмента страховщикам или на запуске собственного страхового продукта. А в какой сфере уже сейчас есть клиенты, которых стандартная таблица не умеет оценивать, но рынок всё равно готов им платить за защиту? 🤔🚀

В какой сфере есть большой спрос, но нет подходящей строки в стандартной таблице - и с какой стороны эту дыру стоило бы закрыть? 🤔🚀

Вопросы и ответы