Радио 
Подбор программ ДМС (добровольное медицинское страхование) для бизнеса — один из самых ресурсозатратных процессов для специалистов в области HR. Сотрудники тратят недели на сбор информации от страховых, изучение предложений и конечный выбор. Страховой брокер Mains решил автоматизировать этот процесс и создал ИИ-платформу для подбора корпоративного добровольного медицинского страхования. Проект интересен не столько самим использованием нейросетей, сколько попыткой переосмыслить один из самых консервативных B2B-процессов на рынке страхования. Команда показала, как автоматизация и ИИ помогли сократить цикл подбора страховой программы с 5−7 дней до нескольких минут, уменьшить операционную нагрузку и перевести подбор ДМС из ручного брокерского процесса в цифровой сервис с элементами персонализации.
Задача: рынок ДМС не готов к запросу на персонализацию
По данным исследования среди резидентов Сколково, которое команда проводила с декабря 2025 по апрель 2026 года, только 37% компаний используют тендерные процедуры при выборе ДМС. Остальные подбирают страховые программы через знакомых, рекомендации или прошлые контакты. При этом 67% компаний уже дифференцируют покрытие по стажу сотрудников, а около 50% организаций, которые пока не внедрили ДМС, рассматривают такую возможность.
Одновременно выяснилось, что главным ограничением для бизнеса перестает быть стоимость полиса. Основной запрос — гибкость и возможность адаптировать программу под конкретный коллектив.
Решение: ИИ как часть бизнес-процесса
До внедрения ИИ-платформы подбор страховой программы занимал от 5−7 дней до двух недель. HR‑специалистам приходилось самостоятельно запрашивать варианты у разных страховых компаний, а затем кропотливо сравнивать их. Дополнительно нужно было учитывать, что условия, структура и принципы формирования тарифов у страховщиков существенно различаются. Разработанное решение не сводится к показу списка страховщиков и диапазона цен. Оно полностью автоматизировало конкретный сценарий — подбор корпоративного ДМС. На реализацию проекта были направлены инвестиции в размере 50 млн рублей.
Механика процесса
Для этого был создан стандартизированный каталог страховых продуктов крупнейших игроков рынка. Предложения страховых компаний перевели в единую матричную структуру, чтобы система могла автоматически сравнивать параметры программ. HR‑специалист указывает ключевые параметры — характеристики компании и данные по сотрудникам, а также отмечает нужные опции. Уже через несколько секунд система выдает расчет стоимости. На базе полученных данных автоматически формируется готовое коммерческое предложение, которое можно использовать для согласования с руководством.
Второй этап — управление программой после подключения. Он реализован через личный кабинет, в котором собран набор функций. Компания может редактировать списки сотрудников, отслеживать изменения по договору, контролировать платежи и анализировать данные в единой системе. Такой подход снижает нагрузку на HR‑отдел и повышает прозрачность административных процессов.
Что под капотом
В основе решения используется двухслойная логика. Сначала запрос проходит через систему матчинга, которая ищет релевантные программы по нескольким стратегиям одновременно. На этом этапе обработка занимает меньше секунды.
После этого подключается языковая модель (LLM). Она задает уточняющие вопросы — например, про регион, численность сотрудников или дополнительные опции — и сужает выбор до наиболее подходящих вариантов. В итоге клиент получает топ рекомендаций менее чем за пять минут вместо нескольких дней ручной работы.
Одна из ключевых особенностей кейса — ИИ встроен как часть операционной модели. Каждый новый контракт становится источником данных для дообучения системы. Обратная связь от пользователей и результаты сделок передаются через Kafka и ClickHouse в пайплайн переобучения модели. Цикл обновления занимает около 24 часов.
Параллельно команда использует ИИ и в маркетинге. Для рекламных кампаний была внедрена двухслойная модель: алгоритмы Яндекса отвечают за автоматическую оптимизацию и ранжирование, а команда вручную дорабатывает семантику, сегменты аудитории и A/B-тесты.
Артур Самигуллин, руководитель Yandex AI Studio:
ИИ-агенты помогают компаниям автоматизировать широкий спектр задач — от работы с клиентами до урегулирования страховых случаев. Они анализируют документы, собирают недостающие сведения, взаимодействуют с внутренними системами и готовят проекты решений для специалистов. Для создания таких решений нужны специализированные ИИ-платформы, которые позволяют выбирать и комбинировать разные языковые модели, подключать агентов к корпоративным данным и внутренним системам, создавать многошаговые сценарии работы, использовать внешние инструменты и API, а также обеспечивать безопасность, контроль и масштабирование решений при промышленной эксплуатации.
Результаты: что показал проект в цифрах
Целевые показатели платформы: точность рекомендаций должна превышать 85% — то есть из десяти предложений 8−9 должны соответствовать профилю компании. Отдельно измеряется уровень доверия пользователей к системе: команда рассчитывает, что 70% HR-пользователей нейросети будут выбирать программу на основе предложенных алгоритмов «Mains Кубики».
Цикл подбора программы ДМС сократился с 5−7 дней до нескольких минут, а цикл обновления модели на новых данных занимает около 24 часов.
Отдельно результаты показал и маркетинг проекта: за квартал после внедрения двухслойной модели продвижения команда снизила количество отказов на 18%, увеличила конверсию на 47% и сократила стоимость лида (CPL) на 64%.
Ирина Хавротина, директор цифровой экосистемы управления здоровьем коллективов «Mains Кубики»:
Мы в своем роде стартап: у нас нет своего штата DevOps, поэтому архитектуру мы не строим, а арендуем — Yandex Cloud закрывает вопросы безопасности и инфраструктуры, а мы фокусируемся на гипотезах и на том, чтобы быстро тестировать продукт на рынке. Благодаря этому мы запустили проект за два месяца и сократили операционные затраты клиентов и участников рынка в десять раз. Отдельная задача — научить платформу считать окупаемость программ здоровья, чтобы HR мог объяснить руководству, зачем компании вообще нужен ДМС.