Как медицинская страховая «Лучи» внедрила AI и получила 30% роста сервисных метрик

Страховая «Лучи» охватывает весь путь клиента от оформления полиса до назначения врача и клиники. Внутри бизнес-процесса есть несколько элементов со сложным контекстом:

При этом вокруг каждого обращения пациента выстраивается длинная цепочка, которая включает в себя суммарно 400+ процессов. Так верхнеуровнево выглядит процесс записи клиента в клинику со стороны команды сервиса:

1. Оператор получает обращение клиента
2. Проверяет программу страхования
3. Согласует услугу с врачом
4. Подбирает клинику
5. Ищет свободный слот
6. Отправляет гарантийное письмо

Дополнительный контекст в том, что в команде сервиса есть и текучка, которая доходит до 25% в год. Получается, что каждый четвертый человек на линии — новичок, которого нужно учить продукту и редполитике, передавать ему контекст и историю клиентов. Руками и привычными инструментами такую сложность разобрать почти невозможно.

Команда «Лучей» хотела снизить нагрузку на сотрудников, ускорить запись пациентов в клиники, поднять конверсию в корпоративных продажах и улучшить юнит-экономику медицинского сервиса.

Главные метрики проекта зафиксировали на старте:

Итоговая бизнес-цель: сделать процесс быстрее, дешевле, управляемее и масштабируемее. Партнером по внедрению стал AI-интегратор «Манарага». 

Первым решением стала связка саммаризатора и суфлера оператора. Идея была такая: система собирает историю обращений пациента, подсказывает оператору контекст, и тот быстрее погружается в кейс. Решение состоит из трех AI-агентов, которые передают результат работы друг другу:

1. Саммаризер. Читает больше трех источников: переписку по заявке, данные тарифа, прошлые обращения, заметки операторов. Он определяет, с каким запросом пришел клиент, собирает контекст в одном месте и предлагает следующее действие: записать, уточнить, автосогласовать или оформить гарантийное письмо.
2. Суфлер. Ведет конкретный сценарий: сделать запись, перенести прием, оформить письмо. В нужный момент он готовит шаблон и отдает задачу оператору на подтверждение.
3. Контролер качества. Следит за коммуникацией и замыкает обратную связь, чтобы систему можно было улучшать.

Решение сначала протестировали на 50 операторах, потом раскатили на всех 200 сотрудников. Промежуточные результаты были такие: производительность выросла на 11%, операторы поставили инструменту оценку 3,92 из 5. При таких цифрах AI-инициатива окупается за год-полтора, но трансформацией это назвать сложно.

Вдобавок заметили побочный эффект: после внедрения AI первый ответ клиенту стал приходить на 15 секунд позже. За внутреннюю эффективность заплатили клиентским опытом.

Но есть нюанс: как первое внедрение помогло задуматься об изменениях в бизнес-процесса

Когда команда стала разбираться, почему эффект от внедрения AI не растет, выяснилась настоящая причина. Дело оказалось в пользовательском флоу. Суфлер помог детальнее увидеть реальную работу оператора и обнажить ручные разрывы и нестыковки внутри процесса. 

Тогда решили сделать редизайн процесса. Изменения пошли сразу в нескольких местах:

• Чат и тикет свели в одно окно, чтобы оператор не прыгал между экранами.
• Сценарий перевернули: сначала система собирает полный контекст, и только потом оператор идет искать клинику.
• Починили карту и фильтры, добавили подсказки по маршрутам записи, которые чаще срабатывали.
• Ввели управленческие ритуалы: ежедневный разбор долгих кейсов и автоэскалацию.

Половина этих изменений не имела отношения к AI и фичам, но именно они дали масштабный эффект.

Главный тезис на основе опыта с первым кейсом: настоящий результат приходит, когда AI встроен сразу в несколько частей процесса, а все остальное обвязано автоматизациями, удобным цифровым флоу, ML и операционными изменениями.

Самым сильным звеном AI-контура стало автосогласование медицинских услуг. Система предзаполняет заявку пациента и сама прогоняет проверки: что входит в программу, какие действуют лимиты и исключения. Финальное слово остается за врачом.

В этой системе модель учится на живых примерах: решение врача сравнивается с тем, что предложила система, и на каждом расхождении агенты дообучаются. Точность выросла с 35 до 80% и продолжает расти, пайплайн уже закрывает около 60% нагрузки отдела согласований, уже 25: обращений проходит без подключения врача.

Но в этом кейсе тоже были нюансы. Команда хотела поднять производительность врача согласований с 3 до 6 кейсов в час, но в начале мая, сразу после запуска на всех врачей, производительность упала. В команде восприняли это как хороший знак.

Отдельным звеном AI-контура стал чат-бот. Здесь с самого начала работали два жестких правила:

1. Бот не закрывает важные пользовательские пути. Запись к врачу, согласование услуги и вызов дежурного врача остаются за людьми, потому что галлюцинация в критическом медицинском кейсе недопустима.
2. Сервис не противоречит сам себе. Если в одном канале клиенту сказали «да», а в другом «нет», доверие снижается быстрее, чем лояльность от долгого ожидания ответа.

На справочных вопросах с проверяемым ответом бот справляется хорошо: «что входит в мою программу», «как подключить ребенка», «до какого числа действует полис». По этому треку доля обращений без оператора поднялась с 20 до 24% при цели в 30%.

А вот консультационный LLM-бот пока отвечает качественно только на 45% вопросов при цели 60%. Первую версию завернули из-за длинных сообщений, которые не попадали в tone of voice и звучали так, слово говорит робот, и релиз сдвинулся на полтора месяца. Пациент распознает робота мгновенно и прощает ему гораздо меньше, чем живому человеку.

Главный итог сервисного блока: качество росло параллельно со скоростью. NPS B2C прибавил 16 пунктов за квартал, а доля обращений, закрытых в течение часа, поднялась с 74 до 84-87%. В сервисе легко ускориться внутри и проиграть в клиентском опыте, сделав путь холоднее и бездушнее. Здесь получилось иначе.

За этой историей стоят методологические трудности, о которых команда говорит открыто.

Одного датасета мало. Как только агенты берут на себя промежуточные шаги, обычной пары «вход и выход» перестает хватать. Системе нужно понимать, что считать полезным ответом, какая информация из прошлых обращений пригодится сейчас, что уникального в тарифе клиента, что происходит с лимитами и локацией. В процессе таких данных исторически нет, поэтому их восстанавливают из ERP и достраивают синтетическими датасетами. Каждому промежуточному шагу агента нужны свои данные, разметка и проверка качества.

Ошибки перемножаются. Большой суфлер собран из блоков, которые работают друг за другом. Вероятности ошибок в такой цепочке перемножаются, и качество всей системы проседает из-за сбоя любого промежуточного блока. За каждый процент точности приходится бороться на каждом шаге отдельно.

В данных не хранится причина решения. Бизнес обычно фиксирует только результат, согласовано или отказано, а логику выбора теряет. Но агента важно учить и тому, почему решение принято именно так. Причины восстанавливают через интервью и методологию, и если компания начинает копить их с самого начала, качество процесса растет заметно быстрее. Reasoning должен становиться частью данных наравне с фактами.

Цена ошибки съедает экономию. Агент закрывает только часть задачи, поэтому человек в любой момент должен успеть подхватить работу. Стоит начать отдавать агенту все более сложные кейсы, и ошибка становится дорогой: вместо экономии оператор тратит на переделку в пять-десять раз больше времени. Поэтому автоматизируют только то, на что реально хватает данных и уверенности. Есть и отдельное ограничение: след агента должен быть таким, чтобы оператор смог его повторить, поэтому суфлер обязан идти строго по бизнес-процессу ERP.

Переломить ситуацию помогло то, что эти выводы команда осознала вместе. «Лучи» и «Манарага» собрали в один контур бизнес, техническую команду с доступом к ERP и AI-разработку, а дальше пошли короткими спринтами. Именно этот виток за три месяца и привел к финальным цифрам.

1. Начинать с процесса. AI-проект должен начинаться с проблемы, метрик и ограничений в бизнес-процессе. Выбор технологии вторичен.
2. Помнить, что первый MVP — не финал. Рост метрик на 5-10% на старте нормален. Он может пугать, но именно на этом этапе приходят инсайты, как развивать и масштабировать решение и где реальный потенциал.
3. Собирать причины решений. Главный актив не только принятое решение, но и объяснение, почему его приняли. Reasoning разгоняет качество.
4. Измерять бизнес-метрику как можно раньше. Быстро пройти документы и процессы, получить baseline, запустить первый pipeline и смотреть динамику. Важна эластичность метрики: как она движется после каждого спринта.
5. Держать в фокусе данные, KPI и команду. Ценность дают анонимизация данных, деплой моделей в продакшен, сохранение связей в данных и честное измерение эффекта после первой сборки.

Внедрение AI только в части бизнес-процессов может дать не самый эффектный прирост метрик. Но перестройка пайплайна сразу в нескольких точках процесса плюс ML, редизайн клиентского пути и операционные изменения могут дать отличный результат. За восемь месяцев медианное время записи в клинику сократилось с 28 до 19 минут, стоимость обращения снизилась со 120 до 100 рублей, а NPS вырос на 16 пунктов, и все это при сохранении человека в критическом контуре.