Главная
Статьи
Кейсы AI-внедрений в финансах и страховании

Март 2026

Команда Generation AI

AI в финансах и страховании: как компании автоматизируют ключевые процессы — от контакт‑центров до оценки рисков

По данным McKinsey, страхование и финансы — в числе лидеров по внедрению AI наравне с технологическим сектором. При этом ставки в этой сфере высоки: McKinsey отмечает, что без трансформации бизнес-моделей глобальная прибыль банковской отрасли может снизиться на 10% в ближайшие 5–10 лет. А вот те компании из сектора, кто внедряет AI быстрее рынка, получат до +4 процентных пункта к рентабельности капитала.

Для российских финансовых и страховых организаций контекст еще острее: регуляторные требования ЦБ к обработке персональных данных, курс на импортозамещение в IT-инфраструктуре и необходимость развертывания решений в защищенном контуре делают выбор архитектуры AI-решений стратегическим вопросом.

Компании стремятся сохранить место на рынке и переходят от пилотов к масштабным внедрениям AI. В статье — подборка свежих кейсов внедрения AI-решений из банковской и страховой сфер с влиянием на метрики.

Клиентский сервис и контакт‑центры: как ИИ в финансах меняет поддержку

ИИ в банках и страховании начинается с контакт-центров — это крупнейшая статья затрат и самый быстрый ROI. По данным McKinsey, от 50 до 60% сотрудников финтех-сферы связаны с операционной деятельностью — обработкой обращений, продажами, взысканием. Это крупнейшая статья затрат, и автоматизация здесь дает быструю отдачу: по оценке McKinsey, AI способен снизить операционные расходы банков на 20% и более.

Для автоматизации клиентского сервиса используют разные подходы: от решений на базе генеративного AI — виртуальных ассистентов и чат-ботов — до полноценных AI-агентов, способных действовать в рабочих интерфейсах наравне с операторами, принимать решения на основе контекста и обрабатывать обращения.

На практике оба типа решений работают параллельно: классические AI-боты закрывают типовые запросы, а агенты берут на себя сложные сценарии.

Кейс Т-Банка: AI-агент, входящий в тройку лучших операторов

Т-Банк — финансовая экосистема с 50+ млн клиентов. Десятки тысяч сотрудников работают над операционными задачами: поддержка клиентов, продажи, взыскание долгов. Чат-боты закрывают часть обращений, но большая доля попадает на операторов.

Решение. Т-Банк создал AI-агента на основе подхода computer use: агент работает в том же интерфейсе, что и операторы — видит экран, нажимает те же кнопки, вводит те же данные. Система записывает действия операторов, обучает на них модель с доменной адаптацией, тестирует и запускает автономно. Пилот начали с отдела реструктуризации долгов, затем расширили на поддержку клиентов мобильного оператора.

Результат:

60% трафика автоматизировано полностью
98 из 100 баллов качества — у живых операторов 94 балла
Топ-3 из ~50 операторов — место AI-агента среди сотрудников

Кейс Сбера: AI-агенты для корпоративных клиентов

Сбер — крупнейший банк России, более 110 млн розничных и 3 млн корпоративных клиентов. Обслуживание корпоративных клиентов охватывает десятки направлений — расчеты, платежи, эквайринг, зарплатные проекты, валютный контроль. Каждое направление имеет специфику, и один бот не способен закрыть все задачи.

Решение. Сбер разрабатывает систему из 17 специализированных AI-агентов на базе GigaChat, каждый из которых отвечает за свое направление. Сейчас система работает в режиме помощника. Следующий этап — прямое взаимодействие агентов с клиентами.

Результат:

50%+ подсказок агентов применяются операторами
10% рост производительности сотрудников поддержки

Кейс Generali France: 1,3 млн звонков закрыты голосовым AI-агентом без оператора

Generali France — ведущий страховщик Франции, лидер по NPS в секторе. Задача: разгрузить контакт-центр и обеспечить поддержку страхователей в режиме 24/7, особенно по страховым событиям вне рабочих часов.

Решение. На базе Microsoft Azure OpenAI компания развернула голосового AI-ассистента, доступного круглосуточно. Агент принимает звонок, выясняет ситуацию, успокаивает заявителя и либо решает вопрос самостоятельно, либо передает оператору с полным контекстом. Параллельно внедрен Microsoft 365 Copilot для внутренних задач сотрудников.

Результат:

1,3 млн звонков в год (30% всех обращений) — закрываются без участия оператора

Внутренние AI‑ассистенты для сотрудников

Один из самых масштабируемых сценариев внедрения — внутренние AI-ассистенты, которые снимают рутинную нагрузку с сотрудников. Например, закрывает задачи поиска информации в документах, расчетов, подготовки отчетов, ответов на типовые вопросы.

Кейс Совкомбанка: AI-помощник «Сова»

Совкомбанк — один из крупнейших частных банков России, 36 000 сотрудников. Тысячи однотипных вопросов ежедневно: расчет отпускных, поиск регламента, порядок оформления больничного.

Решение. Банк внедрил AI-ассистента «Сова» на платформе Jay Copilot от Just AI. «Сова» работает в защищенном контуре банка и помогает с поиском по документам, расчетом зарплат и отпусков, подготовкой HR-справок, ответами на вопросы по процедурам.

Результат:

310 000 часов экономии в год — эквивалент 155 штатных сотрудников
89% точность ответов решения
90 000+ запросов обработано AI-помощником
20-40 секунд среднее время ответа вместо нескольких минут

Кейс JPMorgan: AI для повышения продуктивности

JPMorgan Chase — крупнейший банк США с масштабной технологической инфраструктурой и ежегодным бюджетом на технологии около $18 млрд.

Решение. AI интегрируется во внутренние системы банка и используется для автоматизации операционных задач, помощи сотрудникам при работе с документами и анализа данных.

Результат:

3–6% рост общей продуктивности благодаря AI
40–50% рост продуктивности у операционных подразделений

Кейс Citigroup: AI-инструменты для сотрудников в 11 странах

Citigroup — один из крупнейших банков мира, более 200 000 сотрудников. Банк столкнулся с задачей масштабного повышения продуктивности при работе с документами, аналитикой и внутренними процессами.

Решение. В 2025 году Citigroup развернула AI-платформу Citi Stylus для 150 000 сотрудников в 11 странах и запустила обязательное обучение работе с AI для 175 000 человек. Параллельно банк развернул AI-инструменты для 40 000 разработчиков. Данные не покидают периметр банка.

Результат:

150 000 сотрудников подключены к AI-платформе
175 000 прошли обязательное обучение работе с AI
40 000 разработчиков используют AI-инструменты для кода

Кейс BNY: 99% сотрудников на собственной AI-платформе

BNY (Bank of New York Mellon) — один из старейших банков США, 50 000 сотрудников, операции в 100+ странах. Задача: сделать AI доступным для каждого сотрудника, а не только для инженеров.

Решение. Банк разработал собственную корпоративную платформу Eliza, которая объединяет модели OpenAI, Anthropic и Google в единой защищенной среде. Ключевая идея — демократизация: любой сотрудник без технического бэкграунда может создавать AI-агентов под свои задачи.

Параллельно банк запустил 134 «цифровых сотрудника» — автономных агента с отдельными рабочими аккаунтами, которые круглосуточно выполняют повторяющиеся операции: обработку платежей, верификацию транзакций, исправление кода.

Результат:

99% сотрудников обучены и подключены к Eliza — год назад было 36%
20 000 сотрудников самостоятельно создают AI-агентов под свои задачи
125 AI-решений в промышленной эксплуатации
+75% за один квартал рост числа AI-решений в продакшне

Персонализация и аналитика продаж

По оценке Accenture, банки, которые используют AI для персонализации продуктов и поддержки менеджеров, могут увеличить выручку на 6%+ за три года, а продуктивность продаж — на 20-30%.

AI меняет не только то, что банк предлагает клиенту, но и то, как работает сам отдел продаж: от персонализированных аргументов для менеджеров до автоматического анализа каждого звонка.

Кейс Альфа-Банка: персонализация телемаркетинга с помощью LLM

Альфа-Банк — один из крупнейших частных банков России с многомиллионной клиентской базой. При продвижении премиальной подписки Alfa Only банк столкнулся с ограничениями сегментации: массовые сообщения были «примерно про клиента», но не попадали точно в потребность

Решение. Команда банка разработала многоуровневую систему: ML-модели определяют склонность клиента к покупке, затем комбинация бизнес-правил, LLM и нейросетей размечает транзакционную активность за последние две недели.

Языковая модель генерирует три персонализированных sales-аргумента для каждого клиента — с привязкой к его реальному поведению. Пилот запустили в телемаркетинге.

Результат:

+16% конверсия в согласие
+16% конверсия в подключение продукта

Кейс БЖФ Банка: AI-аналитика звонков для оценки качества

БЖФ Банк — ипотечный банк, объем выданных кредитов более 85,4 млрд рублей. Ручная прослушка охватывала малую часть звонков, обратная связь доходила до менеджеров с задержкой в несколько недель, что напрямую влияло на текучку в отделе продаж.

Решение. Банк внедрил SalesAI на основе языковой модели: анализ звонков в реальном времени, распознавание контекста и эмоций, автоматическое заполнение CRM, мгновенная обратная связь менеджерам.

Результат:

100% звонков анализируются автоматически вместо выборочной прослушки

ИИ в страховании: от обработки выплат до оценки рисков

ИИ в страховании развивается быстрее, чем многие ожидали — от автоматизации выплат до полного цикла оформления полисов. По оценке McKinsey, генеративный AI может принести страховой отрасли дополнительные $50-70 млрд выручки. При этом компании-лидеры по внедрению AI в страховании обеспечивают акционерам доходность, которая в 6 раз превышает показатели отстающих.

Кейс Сбер Страхования: AI-агент оформляет полис ОСАГО за минуту

На маркетплейсе Сбера в 2025 году водители заключили более 1 млн договоров ОСАГО. Продление полиса — массовая рутинная задача: сравнить предложения, заполнить данные, оформить документы.

Решение. Сбер Страхование запустил первого в России AI-агента на базе GigaChat для продления ОСАГО. Агент отслеживает срок полиса, анализирует предложения 15 страховых компаний, заполняет данные клиента, связывается со страховщиками и оформляет договор через чат.

Результат:

<1 минуты занимает продление полиса

Кейс Allianz: система из 7 AI-агентов сокращает обработку обращений

Allianz — один из крупнейших страховщиков мира. После природных катаклизмов компания получает тысячи однотипных обращений, каждое из которых требует проверки покрытия, оценки ущерба и решения о выплате.

Решение. В июле 2025 года Allianz запустил Project Nemo в Австралии — систему из 7 специализированных AI-агентов, которые покрывают весь цикл: от проверки покрытия до выявления мошенничества. Финальное решение о выплате принимает человек.

Результат:

На 80% сократилось время обработки и выплат
<5 минут занимает цикл от подачи обращения до готовности к проверке

Кейсы внедрения ИИ в финансах и страховании: общие паттерны

Несмотря на разные задачи и масштабы, кейсы в этой подборке демонстрируют общие паттерны, которые повторяются у компаний, добившихся измеримых результатов.

От универсальных ботов — к специализированным решениям

Банки используют как решения на базе генеративного AI (виртуальные ассистенты, чат-боты), так и полноценных AI-агентов, способных автономно выполнять задачи. Ключевое — не тип технологии, а специализация: один универсальный бот уступает набору решений, заточенных под сценарии.

Работа в защищенном контуре

Совкомбанк, Citigroup и другие разворачивают AI-решения внутри закрытого периметра. Финансовые организации работают с большим объемом персональных и чувствительных данных, поэтому безопасность данных — одно из ключевых требований при выборе архитектуры.

Контроль человека там, где это критично

Allianz использует 7 AI-агентов, но финальное решение о выплате принимает человек. Т-Банк дал агенту полную автономию на определенных типах обращений. Правильная граница автоматизации — ключевой фактор масштабирования.

Как выбрать сценарий для старта

Выбор первого сценария зависит от нескольких факторов: объема обращений, зрелости внутренней ИТ-инфраструктуры и наличия технической команды. Есть два основных пути реализации.

Первый — внедрение с партнером

Компания ставит задачу, партнер берет на себя проектирование, разработку и запуск. Например, так устроен проект «Сова» в Совкомбанке: банк сфокусировался на бизнес-требованиях, а техническую реализацию выполнила команда Just AI на платформе Jay Copilot. Этот путь быстрее, если задача — запустить конкретное решение.

Второй — собственная разработка

Компания строит AI-агентов силами своей технической команды. Так работают Т-Банк, Сбер и Citigroup — у них есть внутренние AI-команды и ресурсы для масштабирования. Для организаций, которые хотят пойти этим путем, но не строить инфраструктуру с нуля, есть платформенные решения — например, Just AI Agent Platform для разработки и управления AI-агентами.

Кейсы ИИ в финансах показывают: компании, которые масштабируют AI агентов быстрее рынка, получают измеримое преимущество — в скорости, качестве сервиса и экономии. В обоих случаях ключевые факторы — работа в защищенном контуре, интеграция с существующими системами и понимание, какие процессы дают максимальную отдачу.

Хотите понять, какой подход подойдет вам?

Оставьте заявку — команда Just AI предложит вариант внедрения под вашу задачу.

Оставить заявку