Кейс: как ИИ-агент увеличил заявки в страховой компании
Этот материал — кейс ИИ-агента для страховой компании: разбираем на цифрах, как страховой брокер с несколькими офисами перестал терять клиентов из-за медленных расчётов полиса. Мы честно показываем кейс ИИ-агента в страховой компании — где раньше возникали потери заявок, что изменил ИИ-агент и какие результаты можно ожидать. Если ищете кейс внедрения ИИ-агента в страховую компанию с реальными цифрами, а не обещаниями «удвоим продажи» — этот разбор для вас.
Компания из кейса — региональный страховой брокер, который продаёт ОСАГО, КАСКО, страхование имущества и ипотечное страхование через три офиса и группу агентов на удалёнке. Заявки шли отовсюду: сайт, Telegram, WhatsApp, звонки и сарафанное радио через агентов. До внедрения расчёт стоимости полиса делал живой менеджер вручную — уточнял данные клиента, звонил в несколько страховых компаний-партнёров за котировками и перезванивал с итоговой цифрой. На это уходило от 40 минут до нескольких часов, а в сезон подачи заявок на ОСАГО — до суток.
Проблема: почему страховая компания теряла заявки
Руководитель отдела продаж поднял статистику звонков и переписки за квартал и увидел закономерность: до трети клиентов, оставивших заявку на расчёт, больше не выходили на связь после первого сообщения. Причина простой — пока менеджер собирал котировки у нескольких партнёров, клиент успевал получить расчёт у конкурента и оформить полис там. Страхование — рынок, где решение часто принимается в течение первого часа, и любая задержка напрямую конвертируется в потерянную заявку.
Вторая проблема — рутинная нагрузка на менеджеров. Больше половины входящих сообщений были типовыми: «сколько будет стоить ОСАГО на такую-то машину», «когда заканчивается мой полис», «можно ли оформить КАСКО в рассрочку». Опытные менеджеры тратили время на однотипные расчёты вместо работы со сложными случаями — ипотечным страхованием, корпоративными пакетами, спорными убытками. В пиковые периоды — конец месяца и сезон продления ОСАГО — часть заявок вообще оставалась без ответа больше суток.
Решение: ИИ-агент для расчётов и заявок
Мы внедрили ИИ-агента для страховой компании, который принимает обращения на сайте, в Telegram и WhatsApp. Агент задаёт клиенту уточняющие вопросы по данным для расчёта — марка и год автомобиля, стаж вождения, регион, тип имущества — и через встроенные правила рассчитывает предварительную стоимость полиса или сразу передаёт запрос менеджеру с уже собранными данными, если нужен точный расчёт по нескольким партнёрам.
В отличие от обычного бота с меню из кнопок, ИИ-агент понимает свободные формулировки: если клиент пишет «хочу застраховать девятилетнюю тойоту, была авария в том году», агент не сбивается, а уточняет недостающие детали и учитывает их при расчёте. Все диалоги и данные автоматически попадают в amoCRM с пометкой типа полиса и статуса заявки, поэтому менеджер сразу видит, кому нужно перезвонить с готовой котировкой, а кто уже получил ответ от агента.
Что делает агент в этом кейсе
В рамках кейса ИИ-агент для страховой компании настроили на пять сценариев: предварительный расчёт стоимости ОСАГО и КАСКО, приём заявки на страхование имущества, напоминание о приближающемся окончании полиса, ответы на вопросы по условиям и документам, а также передачу сложных случаев живому менеджеру с уже заполненной карточкой клиента в CRM.
| Параметр | До внедрения | После внедрения |
|---|---|---|
| Среднее время первого ответа на заявку | 40 минут — несколько часов | до 20 секунд |
| Доля заявок, обработанных в нерабочее время | практически 0% | ~90% |
| Заявки без ответа больше суток | около 15% | снизились до 2–3% |
| Количество заявок на расчёт за месяц | базовый уровень | рост на 30–45% |
Результат: рост заявок и разгрузка менеджеров
Главный итог кейса ИИ-агента для страховой компании — рост числа обработанных заявок на 30–45% за первые полтора месяца без расширения штата менеджеров. Часть этого прироста — возврат клиентов, которые раньше уходили из-за долгого ожидания расчёта: теперь предварительная цифра приходит клиенту почти мгновенно, и он не успевает уйти к конкуренту. Другая часть — новые заявки, которые агент подхватывает вечером и в выходные, когда офис уже закрыт, а клиенты как раз чаще всего и оформляют полисы онлайн.
Менеджеры перестали тратить время на однотипные расчёты ОСАГО и сосредоточились на сложных продуктах: ипотечном страховании, страховании бизнеса и работе со спорными случаями, где важен личный контакт. Руководитель отдела продаж отметил, что впервые увидел полную воронку заявок по всем каналам в одной CRM — раньше заявки из Telegram и WhatsApp нередко терялись между переписками разных менеджеров.
Почему ИИ-агент сработал лучше, чем чат-бот с меню
До ИИ-агента компания использовала простого чат-бота с кнопочным сценарием на сайте. Он мог показать общую информацию о видах страхования, но любой нестандартный вопрос — «а если машина в кредите», «есть ли скидка за безаварийную езду» — сразу переводил диалог на менеджера, и клиент снова ждал ответа. Разница между ИИ-агентом и чат-ботом в том, что агент понимает смысл вопроса, а не ищет совпадение с готовым сценарием, и способен довести клиента до предварительного расчёта без участия человека.
Именно поэтому кейс ИИ-агента для страховой компании показал заметный рост конверсии по сравнению с прежним чат-ботом: клиенты получали ответ на нестандартный вопрос сразу, а не после переадресации на свободного менеджера, которого могло и не быть на месте.
Сколько стоило внедрение
Запуск ИИ-агента для страхового брокера занял 18 дней: от аудита текущих сценариев расчёта и типовых вопросов клиентов до подключения ко всем каналам и обучения агента на реальных диалогах менеджеров. Стоимость внедрения начинается от 49 990 рублей — итоговая цена зависит от числа продуктов страхования, интеграций с CRM и сложности логики расчёта. Подробности о том, сколько стоит ИИ-агент для бизнеса, разобраны в отдельной статье.
FAQ: частые вопросы про ИИ-агента для страховой компании
Может ли ИИ-агент дать точный расчёт стоимости полиса без менеджера?
В этом кейсе агент даёт предварительный расчёт по стандартным продуктам вроде ОСАГО, а точную котировку с учётом всех скидок и условий партнёров подтверждает менеджер. Задача агента — не заменить расчёт полностью, а не заставлять клиента ждать первого ответа часами.
Как ИИ-агент работает с персональными данными клиентов в страховании?
Агент собирает только те данные, которые нужны для расчёта — марку автомобиля, стаж, регион, тип имущества — и передаёт их в CRM компании по защищённому каналу. Конфиденциальные документы и платёжные данные агент не запрашивает и не хранит самостоятельно.
Подойдёт ли такой ИИ-агент небольшому страховому агентству, а не сети офисов?
Да, логика решения не завязана на масштаб: агент так же принимает заявки, считает предварительную стоимость и напоминает о продлении полиса для одного офиса или даже одного агента. Для небольшой команды внедрение проще и обычно укладывается в минимальный срок из тех же 14–21 дня.
Как быстро видно результат после запуска ИИ-агента в страховой компании?
В этом кейсе снижение времени ответа стало заметно в первую же неделю. Рост числа заявок — по аналогии с 30–45% из нашего кейса — обычно оценивают через 4–6 недель, когда накапливается статистика по сезонным колебаниям спроса на ОСАГО и КАСКО.
Хотите похожий результат для своей страховой компании? Посмотрите, как ИИ-агент ведёт живой диалог и считает предварительную стоимость полиса — запустите демо в Telegram и оцените, как быстро он отвечает на нестандартные вопросы клиентов.