От правил к агентам: новый ландшафт актуарной науки
Искусственный интеллект трансформирует актуарную практику, смещая фокус с традиционной автоматизации на сложные архитектуры, способные работать с неструктурированными документами и гетерогенными данными. В статье, опубликованной 8 июля 2026 года, авторы Robert Richardson, Josh Meyers, Brian Hartman и David Sandberg исследуют спектр решений: от простых правил до многоагентных систем (Agentic AI), которые планируют действия, извлекают данные, вызывают инструменты и рефлексируют.
Ключевой вызов для индустрии — соблюдение требований к прозрачности, аудируемости и контролю человека (human-in-the-loop) при переходе к процессам «straight-through underwriting» (полностью автоматизированному андеррайтингу).
Эксперимент: три подхода к андеррайтингу BOP
Для проверки гипотез исследователи создали синтетическую, но реалистичную среду для андеррайтинга малых коммерческих полисов владельцев бизнеса (Business Owner Policies, BOP). Были протестированы три различные конвейерные обработки:
- Single-LLM Baseline: Одиночная большая языковая модель, обрабатывающая запрос напрямую.
- Naive RAG: Базовая система с извлечением информации (Retrieval-Augmented Generation), не имеющая сложной логики проверки.
- Agentic RAG: Многоагентная система, сочетающая целевой поиск, проверку данных третьих сторон и явную многошаговую оценку правил.
Результаты: почему агенты выигрывают
Мультиагентная архитектура показала наилучшие результаты в целом. Наибольший прирост эффективности наблюдался в сценариях, требующих многошагового анализа или работы с недостающей информацией. Структурированный поиск и механизм рефлексии позволили системе избегать необоснованных решений об автоматическом одобрении, которые часто допускают более простые модели.
| Архитектура | Ключевая особенность | Сильные стороны | Слабые стороны |
|---|---|---|---|
| Single-LLM | Прямая генерация ответа | Простота внедрения | Высокий риск галлюцинаций, нет проверки фактов |
| Naive RAG | Поиск по базе знаний + LLM | Лучше контекстуализации | Отсутствие логики валидации и многошагового планирования |
| Agentic RAG | Планирование, инструменты, рефлексия | Точность в сложных сценариях, аудит, проверка данных третьих сторон | Выше вычислительная сложность, требует тщательного дизайна |
Значение для индустрии
Результаты подчеркивают важность перехода от «статичного» RAG к динамическим агентам в регулируемых отраслях. Способность системы «думать» перед принятием решения (reflection) и использовать внешние источники данных (third-party data checks) критически важна для минимизации рисков в финансовом секторе. Это открывает путь к более надежной автоматизации процессов, где цена ошибки высока.
Источник: arXiv cs.AI ↗