保险智能化的探索与实践

“这是最好的时代，也是最坏的时代。”作为金融科技从业者，我们正站在一个时代的交汇点：一方面，科技正在以前所未有的速度重塑金融行业；另一方面，我们也在不断拷问自己，我们真的准备好了吗？方向对了吗？投入的资源值得吗？特借此文，分享探讨在保险智能化方面的一些思考与实践，主要包括四个方面：一是保险科技的演进回顾，二是对保险智能化的认识，三是赋能业务的初步探索与实践，四是目前面临的挑战与应对。

太保科技有限公司党委书记、总经理   魏骄华

历程：从信息化到智能化的演进

科技在保险行业的发展，大致经历了“信息化—数字化—智能化”三个阶段。

1. 第一阶段：信息化，科技定位以支撑为主。早期信息化主要在做一件事，即把线下流程搬至线上。例如，保单录入原本依赖专职录单员使用专业终端输入数据，随着Web技术普及，已经演变为营销员自助录单，甚至客户自主录入，录单员这一岗位已不复存在。此阶段，科技解决的是效率问题，但创造的附加价值有限。

2. 第二阶段：数字化，科技初步赋能业务。在此阶段，科技通过对某些环节的优化改进，实现业务赋能，提效降本。典型案例是行业车险理赔数据平台的应用：之前对于驾驶行为较差、经常出险的客户，在次年续保时，若保险公司根据风险水平提价，客户可能会更换保司投保，导致全行业风险定价失灵。在中国保险行业协会的组织下，在2013年左右建立起了全行业的车险理赔信息平台，在行业内共享风险数据，实现了对车险客户次年定价浮动的“奖优罚劣”，同时显著提升了全社会的安全驾车意识，充分体现了数字化赋能带来的业务提升价值。

3. 第三阶段：智能化，科技承担引领重任。这是保险科技正在迈入的阶段，核心目标不再是效率提升，而是业务模式的重塑。这是最具挑战的阶段——因为即使不做智能化，由于信息化、数字化的支撑和赋能，业务流程依然可以运转，效率与效益亦可接受。这意味着，业务主动提出科技需求的动力在下降，科技不能再被动响应需求，而要主动发现机会、引领变革，这对我们来说既是机遇也是压力。

思考：对大模型的认识与方向探索

当下最热的技术无疑是生成式AI，但笔者观察到，绝大多数业务部门的领导和员工对大模型的理解，要么来自新闻和短视频平台，要么通过一些AI App的轻量使用。这导致了两个极端认知：一种是“神化”，认为大模型无所不能；另一种是“玩具”，认为不过是个聊天机器人。

因此，我们必须从第一性原理出发，重新审视大模型的能力与边界。大模型的源头可以追溯到2017年Google发表的论文《Attention is all your need》，创造性地提出了Transformer架构，并借助GPU硬件并行计算的特性，首次实现了将海量的、非结构化的人类知识，高效、低成本地组织在一起，并以人类语言表达的方式输出。从本质上看，大模型当前仍有较大局限性：一是知识数据的来源主要是互联网，这远不能代表人类全部知识；二是采用概率方式生成文本，导致“幻觉”问题难以避免。这两个特点决定了当前的大模型在ToC端“玩一玩”问题不大，但在企业级应用中仍面临严峻挑战。

那么，大模型的应用方向到底是什么？

笔者的理解是：从对事建模转向对人建模。传统AI通过规则和结构化数据对流程进行建模，适用于重复性强、规律明确的任务，比如RPA流程机器人。而大模型有机会沉淀个体知识、经验和判断，从而服务于复杂的认知任务。例如，分析一份投研报告，3位投资经理可能得出3个不同结论，但大模型只能提供1个，或者每次给出不同版本，这既削弱了信任感，也让人困惑。这类问题的关键不是在于“大模型准不准”，而是它是否应该学习这3位投资经理各自的思维方式，即对3位投资经理建模，而非对解析研报建模，从而提供个性化建议。

实践：健康险理赔的智能化改造

在生成式AI兴起之初，中国太保集团就开始部署私有化的算力集群，并尝试在众多场景中进行应用。其中，健康险理赔领域的效果最为显著。健康险理赔有两大诉求：赔得快、赔得准。在智能解决方案的设计上，最主要的挑战为：大模型并不能覆盖全流程或解决所有问题。例如录入环节仍需手工；理赔绝不能容错，幻觉风险必须为零等。

对此，集团旗下的太保科技公司采用了“人在回路+多技术并举”的解决方案（如图1、图2所示），专门组建了一个由非科技人员组成的40人理赔作业团队，在受控环境中试点，拆解理赔录入的44个字段，以录入的自动率和准确率为目标，综合应用OCR、NLP、知识图谱、机器学习、生成式AI等多项技术，逐一攻关，同时在作业流程中采用“两录一校”（两人录入、一人校验）的方式确保准确性。一年多来，赔案每日人均处理量从初期30件提升至近200件，准确率误差降至0.03%以下。此过程充分验证了只有“技术+流程+组织”的创新协同，才能推动业务价值真正实现。

选择：当前面临的挑战与破题路径

1. 先普及还是先提升？笔者的答案是：先普及。如果业务部门和科技团队没有统一的AI认知，不了解其能力边界，就无法真正在一个“频道”上协同作战。2025年起，中国太保集团从高管到一线员工，全面启动了大模型普及普惠行动，全面参与培训实践，并建立内部认证体系。

2. 如何解决“幻觉”问题？目前看以“人在回路”的方式进行人机协作是最佳路径。大模型当前的任务不应是替代人，而是让人变得更强。大模型可作为第一建议来源，但最终应由人做出判断，同时将结果用于模型的训练迭代。这不仅保障了业务可控性，也让模型在实战中能持续优化。

3. 如何构建企业知识体系？大模型的底座是非结构化知识。企业知识分为三类：通用知识（制度、流程等），领域知识（渠道、项目等，存在权限问题），个人知识（隐私性最强）。构建知识体系的关键在于，如何将这三类知识“融为一炉”，同时对新产生的知识数据，能以“润物细无声”的方式进行持续采集。太保科技已开始尝试在员工日常工作中自动沉淀知识，例如将模型嵌入邮件系统，无缝无感地学习员工个人的邮件处理风格，逐步构建个性化“个人模型”。

4. 面向个人的模型会到来吗？未来大模型定会一步步成长，终将不只是工具，而成为团队的一员。笔者预测将经历三个阶段：学生（学习阶段），大模型先观察业务，理解人类如何工作；助手（辅助决策），提供建议，但决策权在人；成员（嵌入组织），或许将成为团队中最优秀的伙伴。

当我们不再将大模型当作“替代者”，而是作为“成员”，它或许才能真正被接受、被协作、被信任，才能真正产生颠覆性的价值。

（此文刊发于《金融电子化》2025年9月上半月刊）