保險大模型革新：全面自動化倒計時

未來將會是一切都連接著AI的世界——科技雜志《連線》創始主編凱文·凱利（KevinKelly）曾在《5000天后的世界》中預測。

ChatGPT催生大模型熱潮已將近兩年，大模型的能力持續提升，基于大模型開發應用的探索也進入新階段。“2023年是底座大模型高速發展的一年，2024年是大模型應用快速發展的一年。”泰康科技運營科技中心人工智能部助理總經理劉巖如是分析，目前大模型技術的發展相較2023年投資側有所放緩，技術側由訓練大模型向應用傾斜，資源投入則由需要大量算力和算法投入的大模型訓練向產品為主的大模型應用轉移，大模型技術本身由大語言模型向視覺及多模態融合方向、智能體方向發展。

這意味著，2024年大模型應用正在加速產品以及場景落地。現實中，大模型在制造業、智慧能源、油氣、礦業、醫療、教育、交通等多個行業的多場景下，展示了在提升工作效率、優化客戶服務體驗、推進企業數字化轉型進程等方面的實際成效。

在金融業，大模型被看作一種“新基建”。太保科技總經理魏驕華表示，“隨著大模型技術的迅速發展，目前已成為金融行業的重要應用工具。例如，彭博社的BloombergGPT、LTX通過GPT-4打造的BondGPT、開源的FinGPT等均是針對金融行業量身定制的大模型。”

金融的細分行業中，“保險是非常復雜的產品，但它的虛擬特征，恰恰是最適合AI應用的金融領域”，信美相互人壽董事長楊帆在和《財經》記者交流時做出如是判斷。

據智研瞻統計顯示，2018年中國保險業大模型行業市場規模3.84萬億元，2023年中國保險業大模型行業市場規模5.1萬億元，同比增長5.72%。目前，中國平安、中國太保、中國人保、陽光保險、信美相互人壽等多家保險公司均已圍繞大模型進行了布局。

目前從保險業的場景應用層面而言，大模型可應用到全業務流程，可嵌入承保、理賠、審核等多個業務流程中，在應用場景上主要有營銷、辦公、核保、客服、編碼輔助等。

據《財經》多方調研，目前來看，國內保險行業還處于場景落地的初級階段，從知識助手、智能辦公、兩核助手、智能問數等領域，由內到外，由B端應用到C端應用的路徑是目前保險業大模型落地的普遍路徑。

從落地實踐來看，在企業內部運用效率提升，為代理人和合作方賦能等toB端支持大模型的成效已初顯，協助保險公司在產品設計、市場營銷、客戶服務、索賠處理等環節提高效率和準確性，從而提升整個價值鏈的效益；toC端，還主要集中于初級的客服交互層面，直接服務仍需評估和解決大模型安全問題，應對生成內容的可控和合規要求；技術底層，保險業正專門針對行業的大模型訓練上下功夫。

螞蟻集團保險事業群首席技術官孫振興對《財經》表示，保險行業具有復雜的業務處理流程，涉及大量的多模態和非結構化數據（如保險條款、理賠各種單據材料、保單合同、圖文視頻素材等），以及豐富的客戶服務和交互場景。大模型技術可以顯著提升行業的自動化能力和用戶服務水平，契合保險業態的需求。然而，作為一個專業且嚴謹的金融行業，保險對大模型的應用不僅需要通識知識和簡單的推理能力，更依賴于深厚的行業專識、復雜的決策推理，以及大小模型協同處理任務的能力。因此，只有專門針對保險行業定制的領域大模型才能解決保險客戶服務中的專業問題。

在大模型的布局上，保險機構紛紛篤定這是必由之路，不容落后。在全行業通用的生產力提升和保險行業特有場景的創新應用兩個層面，大模型正由內而外一點一點拓寬邊界，由內而外悄然鋪開。

圖1：保險公司應用大模型部分案例

實戰效果初顯：降本提效僅是第一步

大模型于保險業不僅是一個技術升級的過程，更是一種商業模式的變革。

多位保險業資深人士認為，2023年以前的前大模型時代，在這個階段AI發揮的作用主要以降本提效為主。但隨著2023年大模型技術登上舞臺，其具備壓縮海量知識的能力，同時還有擬人化的自然語言交互和理解的能力，突破了認知、推理、表達三重難題，所以未來保險業的變革將是重塑式的革新。

在全行業通用的生產力提升和保險行業特有場景的創新應用兩個層面，大模型正由內而外一點一點拓寬邊界，由內而外悄然鋪開。劉巖表示，合規優先，首先在內部賦能場景開發應用，然后拓展到外部客戶場景，充分積累大模型應用經驗，配合監管嚴控大模型涌現風險。

AI芯片龍頭英偉達公司CEO（首席執行官）黃仁勛10月12日曾公開表示，“我希望英偉達有一天能夠成為一家擁有5萬名員工的公司，并配備1億名AI助手，遍及公司的各個部門。”在黃仁勛的暢想中，未來，英偉達將在公司的每個部門大規模部署AI助手（代理），以提高產出。屆時，AI代理會將任務分解為多個較小的步驟，每個步驟處理一個特定的任務，以實現更廣泛的目標。

和黃仁勛展望的相似，在保險行業通用的生產力提升方面，大模型的成效已初顯。據魏驕華透露，當前在中國太保，大模型落地試點的場景集中在員工辦公、研發測試、健康險理賠、車險理賠服務、審計作業等場景，目前仍在試點期。通過接下來基礎平臺的完善和場景的進一步拓展，預計2025年太保數字勞動力能夠覆蓋1萬名員工，勞動生產率提升30%以上。

“正是由于大模型在思考模式、行動力和建模邊際成本這三方面的突破，大模型可以對人的能力進行建模，不管業務中的具體問題是什么，只要具備了崗位的能力，都能夠自行靈活規劃使用工具來解決當前任務。”魏驕華闡釋了中國太保數字勞動力的邏輯，即通過大模型對人的能力建模的方式來賦能業務。

據陽光保險相關負責人表示，在辦公賦能方面，從辦公助理、自動編程及知識搜索上推進認知和普及應用，陽光辦公GPT累計使用次數77萬余次，覆蓋84%總部員工，員工廣泛評價GPT對日常文書類工作效率有明顯提升。科技團隊應用大模型輔助編程，研發常青藤GPT編程助手，已推廣至九個團隊497人試用，在代碼安全合規監測、代碼注釋生成方面可節省50%以上工作量，在新建系統的標準后臺代碼生成方面可節省60%以上工作量。

圖2：智能員工“三級跳”

圖3：大模型賦能保險業務流程

在保險行業特有場景的創新應用方面，大模型也帶來了新的希冀，將實現從“粗放預測”到“精準預知”的發展。

據信美相互人壽首席風險官、數字化管理委員會主任趙雪瑤透露，當前信美的大模型應用還在逐步實施和驗證的階段。在銷售支持環節，兩核風控環節有一定的實踐應用，從目前應用效果來看，能夠助力進一步降本增效。例如，信美近期上線的“醫家醫”中端醫療險定制的專屬產品咨詢小助理，上線后綜合準確率為98.33%。再以螞蟻保的保險域的智能助理螞小財為例，螞小財基于自研的鳳凰大模型能力能夠回答各類用戶咨詢，其中包括核保核賠這類保險領域最復雜、最嚴謹的問題，回答準確率達95%以上。

將保險業的全鏈條分環節而言，大模型技術在保險行業中的應用，正在改變傳統的風險管理方式。通過處理包括歷史保險索賠記錄、客戶個人資料、健康記錄、車輛行駛記錄等在內的海量數據，大模型能夠為保險公司提供更精準的風險評估和決策支持。

在保險產品定價階段，大模型能夠分析大量客戶數據和歷史索賠情況，幫助保險公司精準評估個體風險水平，實現個性化定價。不過據劉巖分析，現階段大模型對海量數據的分析還存在技術難題，不是大模型當前應用的主要場景。在該場景的突破需要智能體技術的進一步發展，通過多智能體自主規劃、相互配合來完成基于海量數據的分析和應用場景。

平安健康險IT管理委員會常務副主任馬榮強分析，核保效率上，大模型能夠自動分析投保人的健康數據和歷史信息，快速做出核保決策。這大大減少了人工審核的工作量，同時提高了準確性和效率。

“傳統的核保過程往往依賴于人工審核和經驗判斷，而大模型則能夠通過分析大量的核保案例和數據來判斷。未來，在核保端，可能不再需要這么多的代理人和核保師，當然大模型也會帶來更多新的工作崗位。”一位中小險企總裁判斷。

陽光保險相關負責人分析，在理賠環節，大模型的應用更是帶來了革命性的變化。通過整合和分析客戶提交的理賠資料、醫療記錄、歷史賠付數據等信息，大模型能夠快速識別出理賠案件中的潛在風險和異常點。這不僅有助于保險公司及時發現和處理潛在的欺詐行為，還能提升理賠決策的準確性和效率。此外，大模型還能夠實現自動化理賠處理，包括自動審核理賠資料、計算賠付金額、生成理賠報告等，從而大大縮短了理賠周期，提高客戶滿意度。

據孫振興舉例，例如在客戶最為關心的保險理賠板塊，在AI大模型新的科技范式下，兩日快速理賠還遠遠不夠，借助大模型可以達到99%的單據提取準確率和98%以上的核賠準確率，可以讓用戶感受到秒級賠付。“這意味著過去提交完一個單據之后，需要等待兩三天以后才能拿到結果，但今天在試點保司的范圍內，82%以上的門診險，51%以上的住院險，用戶可以立等可得，在一分鐘甚至幾秒鐘之內實時拿到理賠結果，這背后是保險多模態提取大模型、理賠審核大模型，以及OCR等專業小模型共同協同作用帶來的結果。”

一家中型壽險公司負責人表示，除了對日常客服、運營等崗位進行替代和效率提升，在產品定價和精算假設方面，通過大模型可以做到千人千面。更為重要的是，以前險企一個產品打天下的時代過去了，大模型可以滿足定制化的需求，很多特殊客群的個性化產品訴求，可以通過大模型數據提供出更加有差異性的產品。但這也受制于監管限制。

麥肯錫全球副董事合伙人、金融保險行業及數字化創新專家劉明華認為，大模型生成的AIAgent相互之間能夠獨立地進行互動并模擬下一步動作，為用戶構建一個數字化保險社區。

孫振興表示，大模型技術發展迅猛，除了延續ScalingLaw在參數規模和數據方面持續提高，還呈現出多模態和強化學習兩大趨勢，使其能夠處理圖像、視頻等多種數據，并進行更復雜的推理和決策，大模型將進一步推動保險業的服務體驗和效率創新。

深層布局路徑：“私有化布局+API調用”

在大模型的布局上，保險機構紛紛篤定這是必由之路，不容落后。

據劉巖分析，大模型技術對保險行業的創新推動分為兩個層面，第一個層面是全行業通用的生產力提升，第二個層面是保險行業特有場景的創新應用。全行業通用生產力提升包括辦公和個人助理等方向的大模型應用，對日常工作中的信息獲取、加工、分析提供新一代的能力輔助，比如會議總結、文檔編寫、數據分析等場景。行業特有場景應用比如代理人的交互式培訓，針對保險代理人的銷售、增員等場景，利用大模型技術結合企業培訓體系設計，提升代理人溝通能力。保險業態的復雜性特點和合規性要求，對大模型的應用既是很大的機會，也有很大挑戰。

在開發與應用大模型方面，中國人保、中國平安、中國太保、陽光保險等大型險企搶先一步，已推出保險業垂類大模型且已處于落地應用階段，涵蓋上述兩個層面的業務環節，具體布局見表。

從當前保險業對于大模型的投入來看，由于投入和數據量需求很大，目前大型險企更多采用自建團隊并在外部助力下自研行業大模型的方式投入。如中國人保通過自建人工智能算法團隊、推進內外部生態合作，構建以保險行業通用大模型為底座、自研大模型為主體、外部大模型為輔助的人保大模型生態。

今年5月22日，信美相互人壽發布了大模型保險垂直應用——信美Chat-Trust3.0，據了解，在研發過程中，信美相互人壽采用了一種低成本、小數據、快速迭代的策略，基于通用基礎大模型，通過強化非結構化數據管理及處理能力，結合檢索增強、模型“微調”技術，以及插件和Agent能力建設，實現了保險垂直應用的深度開發。

大模型落地企業的方式主要有兩種，一種是企業私有化部署大模型，可以保證企業的數據安全，一般部署成本高達數百萬元，適用金融、電信、能源等數據敏感行業。另一種是調用廠商的大模型API（應用程序編程接口），成本低，主要以輸入輸出的Token（模型可以理解和生成的最小單位，它可以是一個詞、一個數字或一個標點符號等）量計297bd9c0c44f9b146d8622324fcf8048aa255edef6b8b31b305b282ea6ecbab6費，部署方式簡單，適合的場景也更廣泛。

在保險行業，頭部險企最開始是采用私有化部署大模型的方式進行，但隨著應用場景、技術迭代和成本考量，私有化部署+API調用模式成為通用，而中小險企在實踐中則主要采取API調用模式。

在成本投入上，最開始大模型的投入可能在硬件和軟件服務商方面的投入在數百萬元量級，但目前隨著大模型的價格戰，成本也在不斷下降。

就保險機構布局大模型的實踐路徑的成本與價值考量，馬榮強告訴《財經》，成本方面，包括不同規模大模型（如千億級、百億級）所需的算力訓練成本和推理成本。價值方面，保險機構應結合業務場景，選擇合適的垂直領域進行大模型建設，測算投入產出比。在基礎大模型和行業大模型的構建上，可以通過合作等方式實現，保險公司專注于自身領域的專業知識，打造垂直場景下的大模型。同時，需要同步建設大模型的配套技術，如小模型與大模型的結合、RAG知識檢索技術和質量控制等。

據國民養老大模型智能體“簡言”項目負責人分析，在成本效益分析的層面，構建自建人工智能模型無疑是一項重大的財務挑戰。這不僅要求企業購置昂貴的GPU硬件基礎設施，還需要龐大的計算資源以及一支由專業AI工程師組成的團隊來確保模型的高效運行。前期的資本投入和后期的運維成本高昂，而且隨著技術的快速發展，模型的迭代優化需要不斷的人力和計算資源投入，這無疑增加了企業的運營負擔。

據上述簡言項目負責人進一步介紹，“目前通常采用的是公有云大模型API調用+本地掛載知識庫模式。此模式調用公有云大模型服務，結合本地掛載不同領域的知識庫方案，提供不同場景的應用支持能力。采用API調用策略為企業提供了一條更為經濟且靈活的道路。頭部的API提供商通常會投入巨資追蹤人工智能的最新進展，不斷更新并優化自己的大模型服務，以保持技術的前沿性。因此，企業可以專注于根據API接口進行定制化應用開發，以無縫對接并滿足其特定業務場景的需求。”

在費用模式上，API調用通常采取按需計費的方式，如請求次數或處理的數據量，這使得對于低頻或輕量級應用的場景，成本控制更為有效，顯著降低了初始投入和運營成本。這種模式為企業，特別是初創公司和中小型企業，提供了更高效、更經濟的AI解決方案，有助于它們在激烈的市場競爭中快速響應并節省資源。

表：國內外保險公司布局大模型實踐例析

上述模式也是目前保險機構的共識，據一位頭部險企金融科技部負責人表示，現在越來越多的共識認為，不需要金融領域大模型，只需要在通用大模型基礎上有一定的通用數據配比，疊加金融數據配比和崗位數據配比，直接訓練L3做大模型應用的調優。在金融保險領域，垂直大模型比通用大模型更有價值，對業務的針對性更強。

除了保險公司，在AI大模型浪潮下，亦有外部科技公司加快在保險領域的大模型布局，螞蟻的大模型產品近日露出真容，目前已在保險領域進行了應用測試。據孫振興介紹，螞蟻保已經將大模型深度嵌入到各類保險應用場景之中，打造了諸如規劃師支小助（客戶服務助手）、保險螞小財（智能保險助理）、健康險“秒賠”（智能理賠）等一系列toC和toB產品，實現了對螞蟻保服務能力的躍遷。

百度副總裁吳甜則表示，其“行業大模型”已在保險等領域與多家金融機構展開合作。如幫助保險公司自動解析復雜的合同業務條款，對于以往由人工處理至少要30分鐘的問題，行業大模型可1分鐘內處理，效率約提升30倍。

在企業落地大模型的步驟上，一般路徑是IT團隊梳理市場上開閉源模型的性能特征、識別各業務線的痛點（即大模型技術和業務需求的交叉結合點）、評估具體大模型的適配場景，繼而進行落地。與一般企業落地大模型的通用步驟不同，保險行業一般是選擇已有場景切入，用串線的邏輯進行，通過搭建小場景的技術框架邏輯鏈路，不斷復制到更多的場景中。

據信美相互科技負責人介紹，更具體的切入邏輯是：意圖識別，信息減縮，規劃推理，生成回答，完成。其實在自訓練的大模型下，相當于是一個分發機器人，下設更細分的如產品介紹機器人、公司介紹機器人等，每一個小的機器人相當于一個知識外掛。

未來挑戰：數據隱私與合規風險

保險大模型雖有諸多利好，但當前落地仍面臨諸多風險和挑戰。魏驕華分析，“當前大模型在保險業的應用還存在基建投入門檻高、業務系統改造成本、數據治理難度大和安全隱私風險等，大模型在應用中可能產生幻覺，會導致部分情況輸出內容的不可控性、技術應用的道德風險、監管合規性風險等挑戰。同時應用大模型也會存在數據隱私泄露的安全問題。”

慕尼黑再保險北京分公司數據科學家徐征分析，大模型出現的三塊基石是算法研究、基礎算力和海量數據。算法方面，強調的是算法的識別能力、并行運算能力和網絡結構。目標是更快速、更準確、更具泛化能力的進行識別。這是提升準確率和效率的基礎。算力方面，主要體現在硬件，尤其是云計算和芯片方面，隨著云計算的普及與智能芯片的發展，使得更大規模的模型有了部署的物質條件。數據方面，更多被記錄、可識別、標準化的數據出現在了越來越多的業務場景中，這是大模型訓練與提升的基礎，可以說一個好的大模型，80%的精力是在數據的打磨上。有了以上三個基礎，用海量的數據去建立和優化大模型，才成為可能。而其應用，則需與業務場景深度結合。

華泰保險集團信息技術總監胡崇威表示，大模型在保險業內落地仍存挑戰。在計算資源成本方面，對計算資源和存儲資源有高需求，成本門檻高，需要持續地投入長期支持大模型的訓練和推理。

算力是大模型訓練的另一個剛需，其亦存在挑戰。據了解，大模型的訓練和推理需要大量的計算資源和算力支持，例如高性能計算機、大規模集群等。而這些設備和資源的成本非常高昂，需要大量的資金投入和技術支持。如果企業的計算資源和算力不足，就會限制大模型的應用效果和范圍。

另據《財經》多方調研，在上述因素中，數據隱私是機構和消費者最普遍關心的因素之一。

一位業內資深人士認為，大模型的訓練和應用過程中可能涉及用戶的隱私信息及企業的敏感數據，這是保險業大模型建設非常核心的風險，在后端建設時需要設定一些規則引擎來進行校正，另外需要專家團隊不斷針對模型進行調整。在版本發布之前要充分驗證，預防合規風險。

馬榮強表示，對于數據質量與隱私保護方面的解決方案，保險業需要從數據的來源獲取和應用過程考慮。來源獲取方面，保險公司獲取數據需經過用戶授權，合規合法收集；應用過程方面，保險公司應從制度、系統、數據存儲三方面建立保障，建立統一的數據標準和管理流程，建設全流程的數據監控和治理工具平臺；使用聯邦學習、差分隱私、同態加密等隱私計算技術，在保護數據隱私的同時實現數據價值的挖掘；加強員工數據安全意識培訓。

據信美數據信息中心負責人童國紅介紹，“在隱私保護方面，首先是建立客戶個人隱私信息矩陣，把客戶的個人隱私信息按照不同的信息來確定是否達到了隱私保護等級。其次，在大模型應用領域，建立對非結構化數據的脫模處理技術，所有進入大模型的數據，都是脫敏的數據，大模型只需要評估數據的結果，不需要針對某個具體的人給評估。”

對此，孫振興表示，螞蟻的做法是：首先，通過清晰的隱私政策來保證客戶充分了解其數據如何被使用；其次，借助加密手段確保數據在傳輸和存儲過程中的安全；最后，要執行嚴格的數據訪問控制，確保敏感數據訪問權限。

10月20日，在2024金融街論壇年會的以“AI重塑金融與安全治理”為主題的平行論壇上，十三屆全國政協委員，原中國保監會黨委副書記、副主席周延禮呼吁業界高度重視三方面問題，即：客戶的個人隱私和數據安全風險問題；人工智能技術如何保障決策過程的公正、透明和可解釋性，而不是過度依賴算法等問題；保險公司關注的是用戶體驗和業務價值創造。如何將人工智能這一創新技術和保險公司的經營目標更好地結合起來，使AI大模型這種新技術的應用具有可行性和可持續性。基于此，周延禮建議業界應盡快制定符合行業特征的技術標準規范，全面構建保險業人工智能安全技術體系，借助第三方科技力量加強檢測評估。

周延禮表示，保險行業應聯合相關技術專家和安全專家，共同制定適用于保險行業的國家標準、行業標準和團體標準，形成涵蓋從數據收集、處理到模型訓練、決策輸出全過程的安全標準體系，確保人工智能在保險業務每個環節的應用都符合安全要求。

針對技術內生、應用衍生、數據安全和隱私保護等方面的安全挑戰，周延禮建議，構建人工智能安全治理技術體系，在自身安全、功能安全、隱私安全、可信賴安全方面加強前沿安全技術研究，通過產學研用聯合技術攻關，推動關鍵技術成果轉化應用。“這是落實人工智能安全治理的必要措施。”他強調。

另據一位業內人士透露，目前監管部門也在探討，目前保險大模型在行業落地，其在銷售端、客服端等都有很強的體現，但是也有可能會產生偏見，可能會產生數字安全問題等，在這樣的情況下如何去界定和監管，這本身對于政策部門是很大的挑戰，而且需要行業跟政策來很好的協同。