Як AIG використовує Claude в underwriting і claims workflows

Commercial underwriting стикається з великою кількістю неоднорідних документів, broker submissions, schedules, loss history, policy terms і зовнішніх даних. Вузьке місце — не просто прочитати пакет, а зібрати доказову картину, знайти пропуски, зіставити факти з appetite/rules і підготувати рішення так, щоб його можна було перевірити постфактум.

AIG описує AI як інфраструктурний шар для underwriting і claims, але водночас підкреслює underwriting discipline, auditability та regulatory clarity. Це задає правильний production boundary: Claude прискорює evidence work і reasoning, а не стає невидимим страхувальником, який сам собі видав ліцензію.

Trigger-и: нова submission, оновлений документ, missing-information request, renewal, claim intake або specialist review. Input включає application forms, schedules, loss runs, policy documents, customer/broker context, internal underwriting rules, approved external evidence, identity/permission context і versioned model/prompt configuration.

AI stage виконує extraction, normalization, contradiction detection, evidence summarization, missing-data detection і draft rationale. Output — structured risk packet із source references, confidence/unknown states, unresolved exceptions і proposed next step. Якщо фактична відповідь залежить від rating engine або policy system, модель не повинна імпровізувати її з тексту.

• Trigger → submission, renewal, claim або material evidence update.
• Input → authoritative insurance data + policy/rule context + permissions.
• AI → extract, reconcile, summarize, identify gaps, draft rationale.
• Output → reviewable evidence packet, а не silent bind/decline action.

Для A3 agent може самостійно пройти read/analyze stages, викликати дозволені read-only tools і сформувати recommendation. Але bind, decline, pricing override, coverage interpretation, claims liability, settlement, payment або regulatory exception не успадковують authority від моделі. Вони потребують окремої рольової перевірки та, де доречно, deterministic business rules.

Approval має бути прив'язаний до exact action contract: конкретна submission/claim, revision evidence, amount або coverage term, actor, policy version і expiry. Якщо після review змінилися факти чи action payload, попередній approval стає stale.

Критичні failure modes: OCR/extraction пропустив exclusion, entity mismatch, документ належить іншому policy period, stale loss history, conflicting source values, model inferred відсутню суму, cross-account leakage, unsupported citation або tool timeout після часткового write. Для кожного потрібен explicit state, а не оптимістичний prose output.

Для consequential writes діє `reconcile before retry`: система читає authoritative state за operation/idempotency key і визначає, чи action уже відбувся. Для calculation/rating outputs потрібен deterministic engine або verified code path. Unknown evidence позначається UNKNOWN, а не перетворюється на правдоподібне число.

Eval corpus має включати clean submissions, scanned PDFs, tables, missing fields, conflicting schedules, duplicate entities, stale documents, unusual exclusions, multilingual evidence, adversarial attachments і cases, де правильна відповідь — abstain або ask for more evidence. Graders окремо оцінюють extraction, evidence coverage, citation correctness, policy alignment і final system state.

Hard blockers: fabricated field, unsupported coverage claim, cross-customer exposure, unauthorized bind/decline/payment action, silent rating override або failed reconciliation. Provider-reported 75%→90% data accuracy не замінює власні slice-level acceptance gates, бо інша portfolio mix швидко перетворює красиву середню цифру на декоративний трофей.

Submission intake може працювати event-driven протягом дня, renewals — batch/schedule, specialist questions — on demand. Масштабування обмежується не лише tokens, а document parsing, source-system rate limits, reviewer capacity, evidence storage, policy/rule synchronization, audit retention і model-eval compute.

Full cost = model/API + document extraction + retrieval/data access + orchestration + observability + audit storage + human review + exception handling + retries/reconciliation + evals + support. Практичний denominator — cost per verified reviewed submission або claim task, а не ціна одного prompt.

1) Почніть з read-only submission summarization. 2) Зафіксуйте authoritative fields і source precedence. 3) Додайте citations та missing/conflict states. 4) Проженіть historical submissions offline. 5) Запустіть shadow поруч із underwriters. 6) Дозвольте bounded workflow actions лише з exact approvals/idempotency. 7) Розширюйте autonomy після stable risk-sliced evals і rollback drill.

Кейс підходить страховикам із формалізованими underwriting/claims процесами та якісними system-of-record data. Не підходить середовищу, де policy exceptions живуть у приватних нотатках, source hierarchy не визначена, а review означає натиснути Approve швидше, ніж встигла прогрузитися сторінка.