AI保险行业应用创新白皮书

TSINGHUAUNIVERSITYPBCSCHOOLOFFINANCE清华大学五道口金融学院AI保险行业清华大学五道口金融学院中国保险与养老金融研究中心2026年4月TSINGHUAUNIVERSITYPBCSCHOOLOFFINANCE清华大学五道口金融学院1FOREWORD当前，人工智能正加速融入千行百业，促进了产业数智化转型，服务新质生产力发展。国家出台的“人工智能+”行动方案，有力地推动了国民经济和社会事业的发展，现已成为新一轮科技革命和产业变革的新动能。以大模型、智能体为代表的新一代人工智能技术，正在深刻改变金融服务方式、风险管理模式和行业治理逻辑。保险业作为经济减震器和社会稳定器，承担着服务实体经济、保障民生福祉、管理社会风险的重要职责。如何把握人工智能发展机遇，加快行业的数智化转型，推动保险业提升数智化服务能力、经营质效展望“十五五”期间，国家将深入推进“人工智能+”行动方案的实施，为金融保险业数字化、智能化转型提供了机遇、指明了方向。保险行业兼具数据密集、知识密集、场景丰富和风险敏感等特征，人工智能技术现已在客户服务、核保理赔、风险识别等环节加快落地，并由局部试点逐步向流程嵌入、能力沉淀和价值链协同延伸，为提升运营效率、优化客户体验、强化风险管理提同时也要看到，保险业具有强监管、强合规、强责任属性。人工智能越是深入业务流程，越要把安全可控、审慎稳妥贯穿技术应用全过程。特别是在核 AI保险行业应用创新白皮书保、理赔、定价等涉及消费者权益和重大风险判断的领域，应健全数据安全、算法治理、模型管理和全流程追溯机制，明确机构主体责任，确保技术应用可2025年下半年，我应邀有幸与清华五道口中国保险与养老金融研究中心围绕“AI保险创新应用”主题，先后在北京、上海、深圳三地开展专题调研，深入了解十余家保险机构和科技企业的探索实践。调研中我深切感受到，行业对人工智能的认识正在不断深化，应用重点已由“能不能用”转向“如何用深、用好、用稳”。同时，一线机构在数据治理、模型可靠性、责任边界、合智能在保险领域的应用进展、实践经验和现实约束，力求为保险机构推进智能面向未来，保险业要坚持科技向善、守正创新、稳慎发展，在规范中鼓励创新，在创新中提升治理能力，更好发挥人工智能在服务实体经济、增进民生福祉、完善风险保障体系中的积极作用，为金融强国建设和中国式现代化作出221CONTENTS 3 3 6 6（二）研究意义 7 7 8（二）研究方法 8 10 （一）技术底座的四大核心支柱 AI保险行业应用创新白皮书（二）保险行业AI应用的发展演进 21 （二）智能客服：服务响应与坐席辅助支持 （一）产品研发：研发流程的协同整合与效率 （三）智能理赔：流程处理的智能化协同与理算决策支持 （五）AI编码：面向研发全流程的智能开发支持 （一）智慧审计：面向审计全流程的智能作业支持 （二）智慧财务：账单识别、数据归整与校验 33一、AI应用成效………23 O（一）降本增效：优化成本结构与资源配置，提升整 （四）客户体验提升：提升服务响应效率与交付一致性 （二）数据与知识挑战：数据流通不畅与知识沉淀不足 （三）组织管理挑战：架构协同失衡与AI机制适配不足 （四）人才挑战：复合型人才短缺与能力结构性失配 （五）合规监管挑战：隐私保护、算法治理与责任界定难题 （二）业务模式重构：从单点技术赋能转向系统性价值创造 44 （一）制定与业务战略深度融合的AI顶层规 （二）优化存量数据治理，充分释放保险核心业务数据价值 （四）打造面向AI时代的组织架构与人才梯队 AI保险行业应用创新白皮书 55 三、案例二：太平金科X火山引擎——智能体平台建设 71 二、AI+多模态数据赋能医险协同的智慧医疗 78 89 45 O 3当前，人工智能正成为驱动新一轮产业变革的重要力量。随着大模型、多模态和智能体等技术持续演进，人工智能对产业发展的影响正由单点应用走向系统渗透。党的二十届四中全会审议通过的“十五五”规划建议明确提出“加进数智化转型提供了重要政策支撑。保险行业兼具数据密集、知识密集和场景复杂等特征，是人工智能较早落地且具有较大应用潜力的领域之一。近年来，人工智能在客户服务、智能核保、理赔处理、风险识别和运营管理等环节加快当前保险行业的数智化变革并非孤立的技术现象，而是政策引导、技术迭代、社会需求等多重因素交织作用的必然结果。从宏观到微观，从外部环境到标志着AI与产业融合上升为国家战略；在随后的年度文件中进一步细化行动目标，提出支持大模型在重点行业中广泛应用，为保险业推进AI落地指明了方向。国务院印发的《关于深入实施“人工智能+”行动的意见（2025）》明确将金融领域作为重点应用场景，要求推动“新一代智能终端、智能体等广泛 AI保险行业应用创新白皮书应用”，并从金融支持、财政补贴等方面提供保障措施。金融监管机构在鼓励创新的同时，也致力于构建适应新技术的监管框架。2025年12月，金融监管总局发布《银行业保险业数字金融高质量发展实施方案》，提出加强人工智能在业务场景中的运行监测，确保计算、网络、存储和数据资源部署的充分性、灵活性和安全性。这种放管结合的政策导向，既为保险机构的AI创新提供了第二，人工智能技术的代际跃迁是本轮保险行业变革的重要底层驱动力。近年来，以生成式人工智能为代表的新一轮技术突破，正在深刻改变保险行业的技术供给基础和业务重构逻辑。自2022年ChatGPT发布以来，大模型在语言理解、内容生成、多轮交互等方面的能力实现显著提升，推动人工智能由传统的工具辅助加快迈向更高水平的智能协同。同时，多模态大模型持续演进，进一步增强了对文本、图像、语音等复杂信息的综合处理能力。2025年至今，以DeepSeek、通义千问等为代表的国产开源大模型在性能、成本与部署灵活性方面不断取得突破，推动了大模型应用由少数机构试点探索加快走向行业化扩散。在此基础上，生成式AI的应用形态也由早期的信息生成、知识问答等单点辅助，逐步延伸至复杂任务处理、业务流程参与和跨环节协同，特别是智能体等新模式的出现，进一步提升了AI在任务分解、流程衔接和执行协同中的应用潜力。对于保险行业而言，这一轮技术变革不仅为人工智能深度嵌入承保、理赔、客服、风控等核心业务环节提供了更加成熟的技术条件，也显著拓展了效率提升、成本优化和服务创新的价值空间。根据麦肯锡测算有望为保险业带来约700亿美元的生产力增量，并为与保险业密切相关的健康45 500450400350300250200150100500高技术零售业银行旅行运输高端制造消费产品健康养生行政管理能源基本材料教育房地产半导体化学基建工程公共部门媒体娱乐制药和医疗远程通讯保农业图1按行业划分的生成式AI的生产力提升（单第三，社会需求的结构性变迁构成了AI重塑保险业的持续拉动力。随着居民收入水平提升、消费观念转变以及数字化服务体验的广泛普及，保险需求正从同质化的基础保障，向更广泛人群可负担、个性化的综合保障演进，这一趋势要求行业必须借助AI等新技术推动供给侧改革。一方面，个性化、普惠化的保障需求推动产品形态创新。以标准化产品为核心的传统保险供给，在应对多样化与长尾风险需求方面存在结构性不足，而AI通过精细化客户画像和风险识别，能够支持设计更加灵活、分层定价和贴合细分需求的保险产品，提高保险供给与细分需求的匹配度。另一方面，对便捷透明服务的需求驱动业务流程持续优化。尤其对新接触保险的群体而言，流程复杂、信息理解成本高及理赔周期长等问题尤为突出。AI通过自动化与智能化处理，可显著提升服务效率与一致性，从而改善整体客户体验。与此同时，场景化、预防性需求不断拓展保险的价值边界。保险服务正由事后经济补偿为主，逐步向事前风险提示与干预延伸。AI技术为这一转变提供关键支撑，如通过对健康行为的多源数 AI保险行业应用创新白皮书当前，AI正持续渗透保险价值链各环节，在产品设计、风险管理、客户服务、运营管理等领域加快应用落地，推动保险行业经营模式和服务方式不断演进。在此背景下，本研究旨在系统梳理AI在保险领域的应用现状、技术基础、实践成效及面临的主要挑战，形成对保险行业AI应用的系统性分析框架。通过多维度研究与综合研判，报告力求为保险机构、监管部门及相关生态主体提供有针对性的实践参考和决策支持，助力行业更好把握技术发展机遇、应对（一）研究目的第一，系统梳理AI在保险价值链各环节的应用模式、落地路径与实践成效。随着AI技术持续融入保险经营管理全流程，行业应用已逐步覆盖营销、核保、理赔、客户服务、风险管理和运营支持等多个环节。本研究旨在系统梳理AI在保险领域的主要应用场景、技术实现路径及阶段性成效，总结具有代表性的实践经验，提炼可供借鉴的应用模式，为保险机构识别重点场景、优化第二，深入分析AI在保险行业应用中的主要挑战及其成因率、优化体验和增强经营能力的同时，也带来了模型可靠性、数据基础、算法治理、系统集成和组织适配等方面的新问题。本研究拟从技术、业务、管理与治理等多个维度出发，分析相关挑战的形成原因及其对应用落地的影响，重点关注模型稳定性、数据质量、能力协同、人才支撑和合规治理等关键问题，为同和体系化建设演进。本研究将在总结现实实践的基础上，对智能体应用、模67 型服务化、平台化能力建设等趋势进行分析，并围绕监管引导、行业协同和机构转型提出相关建议，以期为保险业把握技术机遇、提升应用质量和促进行业（二）研究意义第一，为保险机构推进AI应用和数字化转型提供系统性参考。当前，不同保险机构在资源禀赋、数字基础和业务重不尽相同。本研究通过梳理典型场景、总结落地经验和归纳实施路径，有助于保险机构更加清晰地把握AI应用的重点方向、实施节奏和能力建设要求，提第二，为监管部门完善保险AI治理框架提供研究支持。AI技术的发在对传统监管方式提出新的要求，特别是在数据使用、算法合规、责任划分和风险防控等方面，需要更加适应技术特征的制度安排。本研究对AI应用中涉及的主要风险与治理议题进行系统分析，并结合行业实践提出相关建议，可为第三，为推动行业协同、标准建设和生态完善提供思路。保险AI应用的深化，不仅取决于单家机构的投入能力，也有赖于数据治理、技术标准、场景适配、人才培养和产业协作等基础条件的不断完善。本研究从行业发展视角出发，强调加强标准衔接、能力共建和生态协同的重要性，有助于降低重复建设为确保研究的系统性和可靠性，本白皮书采用了结构化的研究框架与多元化的研究方法。框架设计覆盖宏观至微观层面，方法选择注重实际与前瞻结 AI保险行业应用创新白皮书（一）研究框架本报告以保险价值链为主线，按照“宏观背景—技术基础—场景应用—成效与挑战—趋势与建议”的逻辑展开，形成层层递进的研究框架。整体上，既关注人工智能尤其是大模型技术在保险行业落地的现实基础，也关注其在具体首先是宏观背景分析。对人工智能融入保险行业的政策环境其次是技术基础与生态构建分析。重点讨论大模型在保的数据、算力、模型、安全与合规等基础条件，并结合行业应用模式、实施路然后是价值链应用分析。围绕前台、中台、后台及生态协同等主要环节，系统梳理大模型在客户洞察、智能展业、理赔优化、核保风控、欺诈识别、审计运营等场景中的应用方式、典型案例及落地成效，呈现AI在保险价值链中再者是成效与挑战分析。在前述场景研究基础上，进一步总结AI应用在降本增效、增长提质、风险管理和服务优化等方面的阶段性成效，并分析其在最后是趋势展望与政策建议分析。在综合前文研究的基业AI应用的发展趋势，并分别从保险机构转型、行业生态建设和政策监管完（二）研究方法为增强研究的系统性和可靠性，本报告综合运用文献分析、政策研究、案例研究和实地调研等方法，力求从宏观背景、技术路径、场景实践和治理要求89 第一，文献与政策分析。系统梳理国内外关于人工智能技术发展、保险行行业报告和政策文件，运用内容分析和比较研究方法，归纳全球保险AI发展的主要特征、典型路径和区域差异，为报告构建分析框架、研判行业趋势和识第二，案例研究与行业调研。报告选取具有代表性的保险机构和科技企业案例进行分析，覆盖行业大模型建设、智能核保、理赔优化、客户服务、风险管理等多类应用场景，并结合实地调研及部分企业实践资料，对案例内容进行交叉验证。通过对典型案例的比较分析，报告进一步提炼保险行业AI应用的为保障研究的科学性、系统性与可信度，本白皮书兼顾调研与规范、回顾与前瞻，综合运用定性与定量相结合的多元分析方法。方法选择注重数据来源的多样性、分析框架的完整性和结论的现实适用性，力求研究结论既理论扎实凭借较强的自然语言理解、内容生成及多模态处理能力，为各行业智能化转型提供了重要技术支撑。然而，保险行业具有较强的专业性、严格的监管约束、突出的风险管理要求和较高的合规标准，在引入大模型技术时，更加关注其在专业知识适配、输出结果可控性、事实准确性、合规风险防范以及可解释性等方面的表现。因此，保险行业的大模型应用并非简单调用通用模型，而是一个结合行业知识、业务逻辑和合规要求，基于通用底座持续向专业化、场景化和（一）技术底座的四大核心支柱据与知识、算力资源、模型能力、安全合规等要素协同基础上的系统工程。其中，数据与知识决定模型理解保险业务和风险规律的基础，算力资源支撑模型训练、推理和规模化部署，模型能力决定智能应用的专业化水平和场景适配能第一，数据与知识基石。数据与知识是保险AI能力形成的基础，也是决 定应用价值上限的关键要素。保险机构在长期经营过程中积累了大量业务数据和专业知识，沉淀了对客户特征、风险规律、业务规则和经营逻辑的系统理解，为大模型理解保险业务语境、适配应用场景、形成专用能力提供基础支撑。在此基础上，外部数据和公共数据的合理接入，有助于进一步拓展风险识别、客户洞察和经营决策维度，增强模型对复杂场景的理解和判断能力。同时，保险AI能力建设并不只是数据规模的累积，更依赖于数据与知识能否经过有效治理，转化为模型可检索、可调用、可推理的专业资源。通过数据治理、知识治理以及高质量语料库和知识库建设，分散在系统、文档、流程和案例中的信息资产能够被进一步组织和沉淀，从而提升模型输出的专业性、稳定性和可控性。总体来看，数据与知识的质量、完整性、结构化水平和可治理程第二，算力支撑。算力是保险行业大模型从技术探索走向规模化应用的关键技术底座，贯穿模型训练、推理优化与持续迭代的全过程。保险大模型需在通用大模型的基础上，通过监督微调、强化学习及领域适配实现专业化升级，这一过程对计算资源的性能、稳定性和弹性扩展提出了更高要求。在模型训练阶段，高性能GPU凭借其强大的并行计算能力，成为支撑大规模参数优化与海量保险数据处理的算力核心。在推理阶段，保险业务场景具有高并发、低延迟、强稳定的需求。除GPU外，TPU、LPU等专用推理芯片通过优化矩阵运算与能效管理，逐步成为推理加速的重要选择。其算力部署路径主要包括本地化部署与云端服务两种典型形式，并常采用混合策略：对于数据敏感度高、实时性要求较强的核保、风控、反欺诈等核心场景，通常优先考虑本地化或私有化部署，以更好保障数据不出域、隐私合规和系统响应能力；对于咨询客服、知识检索、营销辅助等开放性较强、需求弹性较大的场景，则更适合依托云端服务，便于实现模型快速迭代、弹性扩容和推理成本优化。保险行业正围绕业务场景需求与数据治理要求，构建起训练集约化、推理敏捷化、部署协同化的 AI保险行业应用创新白皮书第三，模型能力。模型能力是保险智能化的能力源头，直接决定了AI能否支撑复杂保险业务，能否从底层支撑起保险业务的专业化与智能化需求。这一底座由四层能力构成：通用基础能力提供语言理解、逻辑推理、长文本处理与多轮对话等基础智能，构成了保险智能的“元认知”。这一层决定了模型理解人类意图的广度与深度，如同人类具备基本的语言和交流能力。但仅凭这一层，模型只能进行表面的对话，无法深入保险业务实质。领域适配能力使模型深度解析保险条款、拆解保险责任、识别风险并准确理解专业术语。这一过程不是简单的知识注入，而是开始内化保险领域的专业知识体系，建立保险概念之间的语义关联和逻辑框架，使模型能够像保险专家一样思考问题。垂直任务能力针对核保、理赔、客服、销售、风控等具体业务场景进行强化，形成可执行、可优化的任务导向智能。这一层要求模型不仅理解保险知识，更要掌握业务流程和决策规则。模型协同能力则通过“通用大模型+轻量垂直模型+规则引擎”的协同架构，实现能力互补与系统可控，既能应对保险业务的复杂性，又能保持系统的稳定性和可解释性。当模型在以上四方面均具备扎实能力，才能有效避免幻觉与错误输出，真正实现从对话智能到业务智能的跨越，为保险第四，安全与合规。保险行业作为数据密集型行业，其AI技术应用涉及客户的健康、财务、身份等高敏感信息数据，且模型决策结果直接影响客户的权益。因此，数据隐私保护和算法公平性保障是保险AI安全与合规的重要组生命周期的可控性与合规性。这强调客户数据在采集、存储、使用、传输等全流程中的安全，防止数据泄露、滥用与非法获取。保险场景的数据具有高敏感特征，涵盖核保环节的体检报告、过往病史等健康数据，理赔环节的医疗费用票据、诊疗记录，以及投保环节的收入证明、资产状况等财务数据，均需纳入 （二）保险行业AI应用的发展演进保险行业AI应用已由早期的感知识别，逐步演进至以大模型为核心的认提升局部环节自动化水平，随着大模型在语义理解、推理生成、多模态等方面能力的不断进步，加之模型微调、RAG等技术能力的不断深化，核保、理赔、客服等垂直场景应用持续深化，并在智能体的支撑下逐步向跨环节协同拓展，现工具化应用，主要聚焦于非结构化数据处理效率低、人工操作成本高、重复性流程负担重等突出问题。技术上，行业应用以OCR、语音识别和浅层自然语言处理技术等感知类AI技术为主，实现对票据、影像、录音和文本等非结构化信息进行读取、识别和转换，解决的是“看得见、听得清、读得出”的基础效率问题。任务上，主要依托规则引擎和固定逻辑对部分标准化业务流程进行改造，如信息录入、材料校验等，推动高频、重复、操作相对固化的人工环节实现局部的自动化处理。总体来看，这一时期的AI应用尚未对保险业务逻 AI保险行业应用创新白皮书辑形成实质性重塑，更多体现为局部任务辅助和流程提速，主要服务于降本增效和运营优化目标。同时，这一阶段也为后续更深层次的智能化应用积累了数主要解决票据识别、语音转写、文本读取等基础信息处理问题，而随着大模型规、产品设计等重点场景，逐步将通用大模型与保险知识库、历史案例、业务语料和客户交互数据结合，并通过提示优化、轻量微调、知识增强等方式，提升模型对保险术语、条款规则、业务逻辑和应用始从“处理数据”走向“理解语义”，能够对病历资料、条款文本、客户问题和业务材料进行更深入的分析与判断，推动AI由通用工具向更贴合保险实际技术能力深化（2024-2025年）。随着模型开始嵌入更复杂的保险业务流程，单纯依赖微调模型的路径逐渐暴露出局限：当任务涉及专业知识密集、规则更新频繁或场景变化较快的业务时，模型可能因参数内生知识不足或知识陈旧而出现事实性偏差甚至幻觉。在此背景下，检索增强生成（RAG）成为大模型落地的重要补充路径。RAG通过在生成过程中按需连接保险专业知识库，为模型提供更具针对性、时效性和可验证性的外部依据，从而在一定程度上降推动流程协同的关键载体。面向核保、理赔、合规审核等场景，AI开始能够在既定规则和知识约束下，自主理解任务、规划处理步骤、调用外部工具并完成多环节衔接，推动保险业AI应用由单项任务处理，逐步迈向端到端流程闭 二、保险场景驱动的AI应用模式景、核心痛点和价值目标，逐步形成多样化的的应用，也并非简单叠加于既有流程之上，而是在销售、承保、理赔、客服、风控、续期及健康管理等环节持续嵌入，并在业务实践中不断调整功能定位和落地方式。从AI在保险业务中的作用对象及影响层级来看，当前保险行业的第一，单点任务赋能。单点任务增强模式主要面向高立的单一任务，依托大模型的语义理解、知识检索、内容生成和交互问答等能力，对具体岗位或业务节点进行局部优化。该模式通常不改变既有流程结构、组织分工和责任边界，核心在于降低人工重复劳动，提升处理效率、结果准确性和操作一致性。在保险行业中，较为常见的应用包括客服问答辅助、条款解读与速查、单证识别和数据录入自动化等。单点任务赋能模式部署门槛相对较低、见效速度较快，适合在碎片化业务场景中快速铺开，往往构成保险机构开第二，决策支持增强。该模式主要面向判断复杂度较高、风险敏感性较强、专业经验依赖程度较高的业务场景。决策支持增强模式下，AI技术不再仅承担执行和流转职能，而是进入识别、分析、预测、推荐和预警等高价值环节，通过风险识别、证据链生成、趋势预测、方案推荐和异常提示等方式，为业务人员提供更加及时、系统和一致的决策支持。保险行业中较为典型的应用包括核保辅助决策、理赔疑点识别、欺诈风险预警、客户流失预测、续保建议生成和客户分层经营支持等。决策支持增强模式并不以完全替代人工判断为目标，而是着力提升复杂场景下的判断质量、决策效率和执行一致性，推动保险 AI保险行业应用创新白皮书第三，流程协同编排。流程协同编排模式不再局限于某一独立任务，而是围绕完整业务子流程，将AI技术嵌入多个相互衔接的业务节点，在资料收集、信息补全、节点判断、工单分发、自动流转和异常提示等环节发挥作用。流程协同编排模式强调打通原本分散在不同部门、系统和岗位之间的业务链条，减少人工交接、重复核对和流程等待造成的损耗，推动业务处理由线性串联转向系统协同。保险行业中的典型应用包括理赔流程自动化处理、核保流程中的信息补全与自动路由、保全变更自动化处理等。流程协同编排模式相较于单点任三、保险行业AI应用的构建路径据业务需求和痛点，优先选择高频、重复性强且对效率有较高要求的环节。例如，理赔、核保和客服等领域，通常涉及大量标准化任务，但人工处理效率较低，尤其在面对非结构化数据（如文本、图片或录音）时，传统方法的响应能数据与知识底座是AI在保险行业落地的基石。保险业务链条较长，系统较多，数据分散在不同业务环节和管理环节之中，长期存在标准不统一、口径不一致、质量不稳定、共享利用不足等问题。同时，保险经营过程中还积累了大量专业知识和规则体系，这些内容既构成业务运行的基础，也直接影响模型对业务问题的理解和处理效果。因此，保险机构需要先推进数据治理和知识治理，逐步打通关键系统之间的数据链路，统一基础标准和标签体系，提升数据的完整性、准确性和可用性，并将分散的业务规则、经验知识和制度要求进行 系统沉淀和动态更新，形成可管理、可调用、可持续演进的数据与知识基础，形成差异化的模型适配路径：一类是少数头部机构在开源模型基础上开展持续预训练，并叠加领域微调等，实现更深层次的行业能力内化；另一类是更为普遍的路径，即直接在开源模型基础上进行领域微调，并结合检索增强生成等方式完成对业务场景的快速适配。在此之上，模型能力进一步通过多模态处理、规则校验和智能体流程编排等能力组件持续增强，并逐步发展为以智能体为核心载体的任务组织形态，将知识调用、工具使用与流程执行纳入统一编排框级统筹布局，围绕技术规划、算力建设、数据治理、生态构建、安全保障和人才培养等方面形成系统安排，并依托集团级人工智能中台整合模型、算法、数据处理和第三方能力，支撑承保、理赔、营销、客服、软件研发、综合办公和风险防控等多类场景应用。这一实践说明，保险行业AI应用的深化，不能仅依赖单点技术工具或局部业务创新，而需要以统一技术底座、数据治理体系和跨部门协同机制为支撑，推动AI能力由分散应用逐步沉淀为可复用、可治理、（一）美国：外部技术生态驱动下的审慎应用模式美国保险业大模型应用的一个鲜明特征，是主流保险机构更多依托外部路径。多数传统保险机构通常基于微软、谷歌、AWS等云平台及其模型服务， AI保险行业应用创新白皮书将大模型能力以接口化、组件化方式接入既有业务系统，并逐步嵌入承保、理赔、客服、合规等业务环节。该模式既有助于降低前期技术投入和系统改造成本，也有利于在保持核心系统稳定运行的前提下，提高模型部署效率和系统集向。受监管要求、模型可靠性和可解释性等因素影响，保险机构通常将大模型定位为辅助性能力，重点应用于文档理解、条款检索、材料摘要、客户服务和辅助分析等场景。在定价、核保和赔付等核心业务环节，大模型更多承担信息处理、风险识别和决策支持职能，关键判断仍主要依赖既有业务规则、传统模以外部成熟技术生态驱动为核心，依托微软、谷歌、AWS等云平台及模型服务，将大模型能力以接口化、组重点提升部署效率与系统集以合规优先驱动为核心，在严格监管框架下推进保险AI以场景驱动与自主可控并重为核心，由销售、承保、理赔、客服、运营等业务需求牵引持续打磨应用，并通过自建云平台、专属算力环境、私有化部署和内部技术底座建设，强化核心系统、关键数据和重要业务流程的安全以辅助赋能为主的审慎应用条款检索、材料摘要、客户服务和辅助分析等场景；在定价、核保、赔付等核心环节，大模型主要承担信息处理、风险识别和决策支持以合规为内核，依托内部负责任AI原则与外部生态合作，以高频场景牵引的嵌入式落地模式，大模型围绕具体业务场景持续迭代，并以嵌入式方式接入既有业务体系，在保留原有系统框架的基础上提升信息处理、流程（二）欧洲：以德国为代表的合规优先型模式欧洲地区以严格监管下的“合规优先型”协同为特色，其保险AI发展始 AI划定清晰边界，明确AI系统风险等级，要求具备可解释性、透明度、人类监督等特征，禁止使用偏见训练数据，客户有权查询决策依据；同时遵循《通据隐私与安全。德国安联集团以合规为核心，通过内部道德体系与外部生态联动体现欧洲模式。安联在内部设立了负责任使用人工智能的承诺和原则③,涵盖透明度、问责制、安全性、非歧视性、数据隐私、数据治理、人为监督、被禁止的AI等八项核心原则，与欧盟监管要求高度一致；外部与微软合作设立GenAI探索项目④,包括使用GenAI总结关键风险敞口，并利用引用的来源和数据库生成内容，以增强风险评估。安联的案例表明，欧洲的“合规优先型”模式并非限制创新的枷锁，而是塑造了一种在清晰规则下安全创新的范式，即保（三）中国：场景驱动下的自主可控型模式中，AI应用通常不是先形成通用能力再寻找赔、客服、运营等具体业务需求牵引，在高频场景中持续打磨功能边界和应用①资料来源：欧盟《人工智能法案》最终草案，详见https://artificialintelligenceact.eu/the-act/。②资料来源：欧盟官方公报《欧洲议会和理事会第(EU)2016/679号条例关于在处理个人数据方面保护自然人以及此类数据的自由流动并废除第95/46/EC号指令（通用数据保护条例与欧洲经济区相③资料来源：德国安联集团官网《负责任地使用人工智能（AI）》，详见/en/about-us/strategy-values/responsible-use-of-artificial-intelligence.html?f_link_type=f_linkinlinenote&flow_extra=eyJpbmxpbmVfZGlzcGxheV9wb3NpdGlvbiI6MCwiZG9jX3Bvc2l0aW9uIjowLCJkb2NfaWQiOiI1NGY5YTE2N2EyODk5Y2IzLWZlMTZkOTg5Nm④资料来源：德国安联集团官网《人工智能将如何改变保险业》，详见https://commercial.allianz.com/news-and-insights/expert-risk-article AI保险行业应用创新白皮书这一模式的一个重要特征，是头部保险公司更加强调核心能力建设的自主可控。在涉及核心系统、重要数据和关键业务流程时，机构通常更加重视私有化部署、专属算力环境和内部技术底座建设，以保障数据安全、业务连续性和系统可控性。大模型在此基础上更多以嵌入式方式接入既有业务体系，在保留原有系统框架和管理机制的前提下，逐步提升信息处理、流程衔接和跨系统协一、AI在保险价值链应用概述人工智能正重构保险价值链，通过前台、中台、后台按业务场景选择性部署，并在能力层面实现协同联动，推动业务流程优化与价值创造模式调整，驱源数据，系统支持客户画像构建与营销推荐，并在咨询、查询等高频服务场景中，通过智能客服实现自动化响应，推动客户服务从以人工接入为主，逐步转向人机协同的处理模式。在中台业务层面，AI赋能核心环节，承担信息识别、规则匹配与决策辅助等功能。通过智能定损、欺诈识别、核保风控等能力，对业务数据进行持续分析与核查，提高处理效率与一致性；基于风险识别、预测评估与规则推理等模型能力形成的通用能力，进一步应用于产品设计、风险评估和业务决策等环节，支撑中台能力在不同业务场景中的协同运行。在后台管理层面，AI主要服务于内部运行与治理体系的稳定务管理等场景展开，通过对高频操作、规则执行和管理流程的智能化支持，为当前，AI在保险价值链中的应用并非对既有业务体系的整体替代，而是以工具化、模块化的方式嵌入不同作业环节。通过前台的分工协作，保险公司逐步形成以数据和规则驱动为特征的运行模式，为后续 AI保险行业应用创新白皮书多源要素抽取与全量初筛、关联分析与证据链解释、分层路由与人审处置编排、在前台业务环节，AI主要围绕客户洞察、营销触达、展业支持与坐席服务等高频交互场景展开应用。通过整合客户相关的多源数据，系统能够支持客户画像构建与需求识别，并在营销推荐、销售作业与客户服务过程中提供持续（一）展业支持：客户需求识别与销售作业优化当前，保险销售前端在客户需求识别、产品推荐和续保跟进等环节仍较多依赖人工经验。受条款复杂、信息分散以及过程数据沉淀不足等因素影响，前端展业普遍存在需求识别不够精准、产品匹配效率不高和客户响应相对滞后等问题。随着大模型能力逐步进入销售场景，保险机构可依托其多模态理解、知识调用、内容生成和上下文推理等能力，提升客户洞察、产品匹配和营销响应 具体来看，在客户识别、需求分析和产品推荐等环节，AI能够基于客户信息、保单数据、产品特征及服务交互记录的综合理解，精准识别客户需求、分析保障缺口，并推荐更符合客户需求的产品和服务，提升客户触达和推荐转成产品解读、疑问解答、营销话术生成及续保沟通建议输出，从而降低一线销经营表现和业务数据的归纳分析，支持销售复盘、问题识别和策略优化，提升展业管理的及时性和精准度。总体来看，AI正推动保险销售前端由以经验判断和人工处理为主，逐步转向以知识支撑、智能辅助和动态优化为特征的经营行业实践中，安联人寿联合火山引擎开发AI智能营销平台。项目采用“大模型+智能体平台+知识库+多系统集成”的技术路线，将火山引擎提供的智能体平台作为核心载体，开发了问答类、客服类、培训、外呼智能体等4大类智能体，覆盖9个具体应用场景，可为代理人提供7×24小时在线陪练服务以及个性化话术生成与客户意向识别，提升了代理人电话营销效率与转化率①。实践表明，以大模型为代表的AI能力已能够在销售前端的效率提升、客户洞察优化和过程管理强化等方面形成较为明显的实际价值。（二）智能客服：服务响应与坐席辅助支持保险客服长期依赖人工经验，培训成本较高，服务质量也容易受到人员能力和业务复杂程度的影响，在高并发场景下容易出现响应不及时、表述不一致等问题。在大模型出现之前，传统的智能客服主要基于预设的规则和知识库进行问题解答，这种方式虽然在处理常见和标准问题时效率较高，但存在理解能①资料来源：基于安联人寿相关调研交流资料整理。 AI保险行业应用创新白皮书力有限、缺乏上下文感知、交互性和灵活性不足、知识运维成本高、个性化服务不足等问题。而引入大模型能力，可推动客户服务由被动应答向更精准、更自然、更个性化的智能服务升级，在提升响应效率的同时增强服务的一致性与在客户服务端，对于高频、标准化服务事项，AI智能客服正形成流程链条更完整、响应更高效、服务更智能化的应用形态。基于客户的文字、语音、图片等多源信息，大模型能够对客户意图进行识别、理解与判断，并在此基础上围绕产品咨询、保单查询、续期缴费、理赔指引等高频需求完成问题响应；进一步结合业务规则和服务流程，提供办理条件说明、所需材料提示和操作路径引导，减少低复杂度事项向人工坐席的转接，推动客户服务由单一问答向连续服务延伸。在坐席辅助上，基于大模型的语音识别和转写能力，系统可在通话过程中实时识别客户表达、调取保险知识并为客服提供应答提示，同时可围绕业务流程、解释准确性和服务态度等维度进行实时质检，并将结果即时反馈，实时提醒客服调整服务方式。通话结束后，系统还可自动生成客户服务小结、整理服务记录并开展全量质检，推动电话客服由传统的“人工接听+事后补录”走向“实时辅助—通话整理—质检复盘”相衔接的智能服务形态。总体来看，AI智能客服提升了服务的一致性和高效性，助力人工客服向智能客服行业实践中，元保于2023年在客服系统中引入大模型，将其作为智能客服的核心推理引擎，并围绕智能客服、智能小结和客服质检构建智能客服Agent，可覆盖售前咨询、保单查询、售后理赔等十余类场景。在成效上，元保智能客服的意图识别准确率提升至95%以上，响应时延控制在百毫秒级，有效替代大量重复性客服工作，提高了服务质量稳定性，并实现从“答疑型客服”向“任务型客服”的能力升级①。①资料来源：基于元保相关调研交流资料整理。 三、中台：产品研发、智能核保、智能理赔、欺诈识别与AI编码中台是保险公司承接业务复杂性与风险集中度最高的环节。在产品设计、理赔处理、核保与风控等核心业务中，规则密集、数据量大且业务变化频繁，对系统处理能力与一致性提出了更高要求。本节以中台环节典型复杂业务场景（一）产品研发：研发流程的协同整合与效率提升保险产品设计的本质是将市场需求、风险识别、监管要求和系统落地转化为可执行的产品方案，涉及条款拟订、报备准备等多个环节，链条长、协同复杂、专业门槛高。过去这一过程主要依赖产品经理的经验判断，并通过精算、风控、法务、合规和技术等部门协同推进。随着产品迭代加快、新型风险场景出现以及监管约束增强，传统研发方式在效率、一致性和落地速度上的局限日益凸显，AI也因此开始应用于产品设计环节，成为提升研发效率和规范性的当前，AI在保险产品设计中的应用，主要体现在对研发流程的辅助与优化，在核心定价判断中的应用相对有限。在精算环节，尽管AI能够在一定程度上提升风险预测和定价分析能力，但由于模型本身的算法“黑箱”特征，同时在输出稳定性、可解释性和可验证性方面仍存在不足，加之可能的模型幻觉、模型漂移和推理偏差，因此尚难满足精算定价、准备金评估等场景对严谨性、可追责性和监管合规的高要求。相比之下，AI在市场分析、风险识别、条款设计和系统落地等环节的应用更为成熟。在市场分析与风险识别方面可结合历史承保理赔数据、客户行为、渠道反馈和外部风险信息，辅助识别客群特征、保障缺口和责任组合优化方向，提升产品方案设计的针对性和有效性。在研发环节，AI可承担条款辅助编写、术语统一、责任边界识别、规则冲突校验和监管要素提取等工作，将原本分散在不同节点、需要人工反复核对 AI保险行业应用创新白皮书的任务向前整合。在产品落地阶段，AI还可将条款和报备材料中的关键信息转化为业务系统可识别的结构化配置要素，推动产品设计结果更顺畅地进入承行业实践中，中华保险构建农险条款智能编写智能体，形成覆盖条款起草、合规校验、监管报备和产品上架的智能开发闭环。同时，通过人工兜底和结果反馈优化，显著提升产品研发效率，增强了条款审核的准确性、一致性和系统落地能力。如在产品设计起草阶段，将产品经理撰写条款工作从20小时/每个条款缩减至分钟级别①。（二）智能核保：核保自动化作业与智能决策优化保险核保环节长期面临资料类型多样、专业理解门槛高、审核标准一致性不足以及效率与服务衔接难以兼顾等问题。尤其是在健康险等复杂业务中，核保往往需要对投保信息、健康告知、体检报告和医疗文书等多类资料进行综合判断。此外，客户对快速成交与高效服务的诉求与日俱增，众多保险公司正面临愈发沉重的运营压力。而通过引入AI能力，可形成核保自动化作业与智能在具体应用上，在投保前端，AI可通过智能交互动态引导客户完成健康告知，提升信息采集的完整性、一致性和规范性；在审核阶段，AI可基于客户提交的投保资料、体检信息和医疗记录，自动生成预核保建议，对与健康告知、疾病史和风险暴露相关的异常情况、潜在拒保因素及重点关注事项进行识别、归纳和总结，辅助核保人员更快形成标准体、加费承保、除外责任或延期承保等判断建议；在结果输出阶段，针对拒保或非标准体情形，AI还可进一行业实践上，平安产险依托人工智能、大数据等技术构建智能出单机器①资料来源：基于中华保险相关调研交流资料整理 人和数字核保人，实现投保信息自动识别和录入、核保资料自动审核、出单流程自动化等功能。在智能核保方面，以“人机协同”核保模式，实现简单业务AI自动核保、复杂业务AI辅助核保。对于团体非车险核保场景非标准化和高度复杂性业务，该模式通过建设核保答疑、政策预核、风险审核等五大核心功能，实现核保全流程智能化，破解行业长期存在的核保标准不统一、人工服务（三）智能理赔：流程处理的智能化协同与理算决策支持当前，在保险理赔环节，材料审核长期依赖人工及专家经验，门槛较高且标准化程度较低。单次理赔通常涉及多种格式各异的材料，审核耗时长，且易受单据格式差异影响出现识别遗漏和核验偏差。而通过引入大模型能力，构建企业的“智能理赔助手”，推动理赔流程向智能化协同处理升级，在提升效率的同时也保障了审核的合规性与一致性，优化客户体验，推动企业向智能化运具体来看，在报案与受理阶段，AI能够处理并理解客户报案内容并完成信息录入与保单匹配；在材料提交与整理阶段，依靠多模态大模型能力实现对医疗票据、病历资料、事故影像等非结构化信息的统一解析、关键信息提取，并沉淀为可计算的要素与证据链，同时识别理赔缺失项，触发补件提示与要素校验识别；在审核阶段，结合保险条款、产品规则与业务逻辑，对责任范围及材料一致性进行判断，并形成初步审核结论；在理算与结案阶段，基于审核结果自动计算赔付金额并输出理赔处理结果。从当前的模型能力来看，对于高频、标准化程度较高的案件，AI可以实现从受理到结案的连续自动处理，而对于案情复杂、材料异质性强或涉及较高判断难度的案件，仍需保留人工复核行业实践中，中再寿险采用“大模型+Agent集群”架构，将单证分类、信息抽取、材料校验、病程梳理、责任判断、金额计算和报告生成等环节拆解 AI保险行业应用创新白皮书为八个Agent协同完成，形成自动化理赔流水线，在提升处理效率的同时显著增强审核准确性与一致性，并优化了人力资源结构，使得专业人员的工作重心向高价值专业活动转移①。（四）欺诈识别：多模态感知与智能推理驱动的反欺诈治理机制保险欺诈长期是行业风险管理中的重点与难点问题，尤其在车险和人伤理赔领域，欺诈行为呈现出职业化、团伙化及技术对抗性增强等特征，传统依赖风险名单库、规则引擎及结构化数据建模的识别方式，对已知欺诈模式具有一定效果，但在新型欺诈识别、复杂场景分析及非结构化信息处理方面能力有限，同时高度依赖专家经验，存在覆盖范围有限、识别标准不一致及可解释性不足等问题。在此背景下，以多模态大模型为代表的新一代人工智能技术正加快应用于保险反欺诈场景，推动风险识别从“规则驱动+人工判断”向“多模具体来看，在感知层，通过多模态大模型实现对多源数据进行综合理解与交叉校验，提升异常线索发现能力；在分析层，结合风险分类模型、异常模式识别模型与专家知识沉淀，对案件开展分层识别、关系推断和一致性分析，辅助发现潜在欺诈链条和可疑特征；在决策层，可通过智能体或流程编排机制，将风险预警、案件分流、调查建议和人工复核衔接，并同步输出风险依据和证据线索，提升模型结果的可解释性与业务可用性。同时，借助AI能力构造仿真欺诈样本，缓解真实欺诈数据稀缺问题，增强模型对新型欺诈手法的泛化识从行业实践看，中华财险在车险理赔风控场景中应用大模型技术构建“反欺诈智能助手”，通过对专家经验进行结构化表达并用于模型训练，实现对复杂案件的多维度风险识别和推理分析，识别准确率达90%以上，并能输出风①资料来源：基于中再相关调研交流资料整理 险判断依据，提升结果的可解释性与业务可用性，反映了大模型在复杂欺诈识别、专家经验沉淀及风控能力标准化方面的应用潜力和能力①。（五）AI编码：面向研发全流程的智能开发支持AI编码已成为保险行业大模型应用中落地较深、成效较为明显的场景之一。这主要得益于软件工程任务本身具有较强的逻辑性、规范性和可验证性，同时保险公司长期积累了较为丰富的代码资产、开发文档、业务规则和技术规在具体实践中，AI编码的应用已不再局限于代码补全，而是逐步延伸至研发全生命周期。在遗留系统维护场景中，AI可通过对历史代码、接口关系和业务逻辑的分析，辅助完成文档补全、代码解释和逻辑梳理，降低系统知识依赖个别人员所带来的风险。在开发阶段，AI可结合需求文档、业务规则和内部开发规范，辅助完成代码生成、SQL编写、原型开发、测试用例生成和缺陷排查，并在一定程度上提升代码质量与规范一致性，缩短开发、评审和联调周期。随着智能体技术的发展，AI编码正进一步由单一工具向流程化协同能力演进，在部分场景中已能够围绕任务拆解、代码生成、结果验证和迭代修正形成相对完整的支持链条。总体来看，AI编码正在由研发提效工具逐步发展为保险公司研发体系的重要支撑能力。其价值不仅体现在提升开发效率和缩短交付周期，也体现在推动工程知识沉淀、降低技术门槛和增强研发协同，为保后台是保险公司业务体系中承载系统运行、内部治理与运营支撑的重要①资料来源：基于中华财险相关调研交流资料整理 AI保险行业应用创新白皮书环节，其工作特点是流程稳定、规则明确、连续性与准确性要求高。随着信息系统规模扩大、业务链条拉长以及合规要求持续强化，传统依赖人工经验和分散工具的后台作业方式，在响应效率、风险覆盖和过程一致性方面逐步显现局限。本节聚焦后台典型工作场景，重点分析人工智能在内部审计监督和财务管理环节中的应用方式，阐释其通过工具化、流程化手段嵌入后台作业体系，对（一）智慧审计：面向审计全流程的智能作业支持当前，保险公司审计在合规性、经营规范性及整改落实的监督中发挥着重要作用。随着业务规模扩大和系统复杂性增加，传统的人工抽样、手工核对和经验判断的审计模式已难以满足高频、跨系统的需求。尤其是在多源数据整合、非结构化资料核查和整改跟踪等任务中，传统方式不仅耗时且易受信息分向数据驱动、人机协同转型，提升效率并规范风险识别、证据整理和整改跟踪具体来看，在审前准备阶段，AI可结合监管要求、内部制度、历史问题清单和既定审计程序，辅助生成审计方案、测试步骤、资料调取清单和底稿模板，并对基础数据进行抽取、清洗、口径校验和初步比对，为后续审计实施奠定基础。在审计实施阶段，依托多模态模型对合同文本、业务单据、系统日志、影像资料等多类信息的综合处理能力，AI不仅能够提取关键要素、识别异常线索、辅助开展跨系统勾稽校验，还可基于全量业务数据、交易流水和操作记录开展持续扫描与规则比对，推动审计范围由传统抽样核查向全量审计延伸。在此基础上，系统可围绕重点问题自动组织证据材料，形成结构化核查要点、样本筛查建议和风险排序结果，帮助审计人员更快聚焦高风险领域和关键环节。在审计报告与整改跟踪阶段，AI可对审计发现、核查依据和问题类型进行结构化整理，辅助完成底稿归集、报告拟稿和整改事项清单生成，并对整 改责任、整改进度、反馈材料和复核结果进行持续跟踪，推动审计监督由问题行业实践中，中国大地保险围绕审计作业全流程推进AI应用落地，以审应用于审计方案生成、跨系统数据采集、非结构化资料核查、审计报告拟稿和整改建议生成等环节，推动审计作业由传统人工主导向更加连续、协同和智能的运行方式转变。在实施成效上，“数字审计员”年均处理约250个项目，可支持超30个专项审计场景，对发票、合同、凭证等重点抽检实现100%覆盖①。（二）智慧财务：账单识别、数据归整与校验财务作为企业管理的核心组成部分，一直是效率提升和成本控制的关键领域。与一般行业不同，保险财务不仅要处理保费、赔款和佣金结算，还涉及保险合同负债计量、未到期责任准备金计提等复杂事项，对数据质量和处理时效要求更高。然而，前端账单种类繁多、格式非标准化，加之业务逻辑与录入规则复杂，使其长期依赖大量人工经验判断，效率低下、成本高昂且易出错，成为制约运营效率与服务时效的关键瓶颈。AI凭借其文档解析、信息提取、规则校验和流程协同等能力，为提升保险财务处理效率和管理支撑能力提供了新识别和读取，减少人工录入和整理工作；其次，在信息整合阶段，AI可将分散在不同单据和系统中的相关信息进行归集和整理，形成较为完整、统一的结构化数据，减少重复处理和多头核对；最后，在数据校验阶段，AI可结合财务规则和业务要求，对数据的一致性、完整性和异常情况进行检查，并提示可①资料来源：基于中国大地保险相关调研交流资料整理 AI保险行业应用创新白皮书行业实践中，中再产险围绕再保险账单处理场景，构建了具备自主认知与理解能力的账单识别智能体，实现对多类型、多格式账单的自动化解析以及关键信息抽取与智能校验。从成效上看，实现了单笔账单平均处理时长缩短至约30秒，关键信息字段综合准确率稳定在85%以上，打通从账单接收到数据回写业务系统的端到端流程，推动运营模式向智能化、精细化转型①。①资料来源：基于中华保险相关调研交流资料整理。一、AI应用成效在当前阶段，AI在保险业的应用已由早期的工具性探索，逐步演进为融入保险价值链的重要基础能力，并在多个关键业务领域形成了阶段性成效。从整体看，AI大模型在保险行业的应用仍以具体业务场景的效率提升为主，尚未在业务体系层面形成系统性、协同性和稳定性的整体重构，但部分保险机构已开始围绕Agent流程协同开展探索，推动AI从单点任务辅助向跨环节流程（一）降本增效：优化成本结构与资源配置，提升整体运营效能AI在保险行业的应用，首先体现在对运营效率的系统性提升。在产品报价、保单续保、人工坐席、核保出单等高频场景中，传统作业方式普遍存在重复操作多、处理链条长、跨环节衔接不顺畅、对人工经验依赖较强等问题，既推高了单位业务处理成本，也限制了业务扩展过程中的响应速度和协同效率。AI通过承担信息检索、内容生成、规则匹多个业务环节提升了信息处理速度和任务执行效率，减少了人工重复劳动、操作误差和无效等待时间，使保险机构能够以更少的资源投入支撑更大规模的业务处理需求。同时，AI还在一定程度上改善了前中后台之间的信息传递和流 AI保险行业应用创新白皮书程衔接，推动业务运行由过去较多依赖个人经验和人工协调，逐步转向更加连如在核保和出单场景中，平安产险依托人工智能、大数据等出单机器人和数字核保人，实现投保信息自动识别和录入、核保资料自动审核分钟，大幅提升客户体验；数字核保人通过人机协同核保，推动核保产能提升300%，核保风险拦截准确率从79%提升到95%①。从总体看，AI有助于推动保险机构在不单纯依赖人力扩张的情况下实现效率提升和能力放大，使降本更多建立在流程优化、技术替代和资源重配基础之上，使增效更多体现为产能释放、质量提升和运营协同增强，实现整体运营（二）业务增长提质：优化增长质量与客户价值创造能力AI对保险业务增长提质的推动，主要体现在业务质量提升和服务质量提升两个方面。在业务质量层面，AI通过将优秀销售、核保、理赔和运营人员长期积累的判断经验、作业方法和流程要点加以沉淀和结构化表达，推动“顶尖绩优的个体经验”逐步转化为“可复制的机构资产”，从而提升流程执行的一致性、规则应用的准确性和风险识别的前置性，并显著抬升基层人员和中坚率，更通过持续增强响应效率、服务精准度和跨渠道服务连续性，强化客户经营和服务留存能力，推动保险服务由一次性交易导向逐步转向全生命周期价值挖掘。两方面作用相互支撑，共同推动保险经营由经验驱动、人工分散处理，如客户经营场景中，太保依托大模型能力和专属知识库，通过客户画像动①资料来源：基于平安保险相关调研交流资料整理 通过智能客经策略辅助，帮助5万多名业务员达到绩优水平，带动销售转化率总体来看，AI有助于推动业务增长由规模导向向质量导向转变，使获客更加精准、转化更加高效、服务更加持续，从而在提升业务效率的同时优化业风险管理是保险经营的核心环节。AI的应用正在推动保险机构风险治理体系和运行机制持续完善，提升风险识别、评估、监测和处置的及时性与精准性，为稳健经营提供更有力支撑。在承保风控、理赔核查、合规审查、内控与审计等场景中，AI通过整合业务规则、专业知识与历史数据，推动风险管理以理赔风控场景为例，中国大地保险围绕全险种人伤理求，构建了“AI模型+数据库+规则”的智能处理体系，依托医疗医保知识库、单证自动分类、多模态信息提取、数据清洗校正以及规则引擎联动，实现对医疗单证、诊疗行为和费用明细的自动识别、合规审核与异常预警，推动医疗理赔控费由传统人工审核向全流程数字化、标准化和可追溯的智能处理模式转变。项目试点上线后，在提升理算时效40%的同时，也增强了理赔审核和风险识别的规范性、稳定性与可追溯性②。总体来看，AI有助于推动风险管理能力由分散经验逐步沉淀为组织能力，促进风险识别更加前置、风险处置更加协同、风险运行监测更加连续，从而减①资料来源：基于中国太保相关调研交流资料整理②资料来源：基于大地保险相关调研交流资料整理。 AI保险行业应用创新白皮书（四）客户体验提升：提升服务响应效率与交付一致性是否清晰、便捷、一致并能够持续满足客户需较强的服务任务，通过提升意图识别、知识检索和应答生成能力，提供更加及当前，AI在客户体验改善中的作用仍主要集中于低风险、规则清晰的服务环节；在高复杂度、高争议或涉及重大权益判断的场景中，人工服务仍不可替代，AI更多发挥辅助支持和服务分流作用。总体而言，AI正在成为提升保二、AI在保险业应用面临的挑战随着AI应用逐步向保险核心业务延伸，保险机构需要同步提升技术、数据、组织与治理等系统性支撑能力。当前，保险业AI应用仍面临模型可靠性、①资料来源：基于元保相关调研交流资料整理。 数据与知识整合、组织协同、复合型人才和合规治理等多重挑战。这些问题既制约AI应用的规模化推广，也影响其在核心业务中的稳定性、可控性和价值（一）技术挑战：模型可靠性、公平性与技术迭代压力技术挑战的核心在于AI模型与系统本身的内在缺陷及其与业务生态的融合难题，具体体现在模型可靠性不足、公平性风险上升以及系统集成和技术迭用可靠性仍然不足，其中以模型幻觉问题最为突出，主要表现为无中生有、指令误解和逻辑错误，即生成缺乏依据的信息、偏离业务意图或推理失当。此类问题根植于模型本身的概率生成机制，短期内难以完全消除。同时，模型稳定性也面临挑战。模型稳定性是指模型在不同输入和业务场景下保持输出一致性与系统连续性的能力。从模型层面看，受限于数据质量和场景复杂性，模型在新险种及复杂流程中仍可能出现输出波动；从系统层面看，接口调用、数据同征或规则中形成并放大的系统性偏差，使不同群体受到不合理差异化对待。保险经营允许基于风险差异的合理区分，但这种区分应建立在风险相关、标准一致、依据清晰和不构成不当歧视的基础之上。算法偏见的来源主要包括：一是数据与模型层面，样本分布失衡、历史偏见或特征选择不当，导致模型固化偏差；二是业务治理层面，缺乏公平性约束与持续监测机制，致使偏差在运行中累积放大；三是应用适配层面，不同险种与业务环节风险逻辑存在差异，若采其三，技术迭代压力。当前模型与算法快速演进，对算力资源、研发投入及高端人才形成持续压力。模型即服务（MaaS）等平台化模式虽在一定程度 AI保险行业应用创新白皮书上降低了算力与工程门槛，但也带来模型可控性下降、数据治理复杂化及供应商适配不确定等新约束，使成本压力并未被简单外包消解，而是转化为对技术治理与系统集成能力的更高要求。同时，技术快速迭代还带来既有投入被替代的风险。保险机构在算力选型、模型路线及系统架构上的前期投入，尚需较长周期完成验证与价值释放，但在底座模型和架构持续升级背景下，既有方案可能较快面临性能落后或迁移成本上升的问题，尚未形成稳定回报即承受调整甚（二）数据与知识挑战：数据流通不畅与知识沉淀不足AI在保险行业的应用高度依赖数据与知识的系统化整合，但当前“数据在数据层面，不同业务条线及分支机构间长期存在数据标准不统一、流通机制不完善等问题，导致数据难以跨域整合及高效利用，限制了模型对多源信息的获取与综合分析能力。在知识层面，保险行业大量隐性知识分散于条款文本、业务规则、历史案例及专家经验之中，缺乏结构化沉淀与统一表达，难以被模型有效吸收与调用，从而制约其在复杂业务决策中的应用效果。在此基础上，数据质量不稳定与标注体系不完善等问题进一步叠加，削弱模型训练与优化能力；同时，数据安全与个人信息保护要求持续强化，也在一定程度上提高了数据流通与知识整合的制度成本。总体来看，数据与知识要素的分散与割（三）组织管理挑战：架构协同失衡与AI机制适配不足组织架构与管理机制正逐步成为制约AI深化落地的重要因素，其原因在在决策机制上，现有决策流程与AI快速迭代、持续优化的技术特征不相适应。现有组织仍以职能分工和层级管理为主，决策层级繁复、流程冗长，AI 功能落地上线需历经多层级审批，而AI技术的迭代升级高度依赖快速试错与高频优化，影响了模型与应用的落地效率。在部分情况下，该决策模式也可能贻误AI功能落地最佳窗口期。在组织协同上，跨主体、跨部门协同机制仍需优化。实际运行中，集团与子公司、科技部门与业务部门之间的职责边界、协同方式仍需持续磨合。集团内部子公司数量多、业务差异大，在部分尚未完成统一治理的机构中，若缺乏清晰的统分机制，容易形成重复建设或数据割裂，（四）人才挑战：复合型人才短缺与能力结构性失配在保险公司推进AI应用过程中，人才瓶颈呈现结构性特点，主要表现在AI人才的稀缺和现有能力结构与技术需求之间的不匹配。一方面，当前AI专业人才供给不足已成为各行业推进智能化转型面临的普遍问题，保险行业同样存在AI人才储备不足、专业技术力量薄弱、人才吸引能力有限等现实约束，使模型建设、系统集成、应用运维和风险治理等关键环节面临支撑不足。与此同时，保险业务具有较强专业性，产品条款、核保理赔流程、风险管理和监管合规要求较为复杂，仅依靠通用AI技术能力难以充分适配具体业务场景。既懂AI技术、又熟悉保险业务规则和应用场景的人才更加稀缺，也在一定程度上影响了需求拆解、场景设计、模型适配和应用优化效果。另一方面，应用持续深化，业务人员的能力要求也在同步提升。虽然AI能够承担部分基础性和辅助性工作，但在规则制定、结果校验和异常判断等关键环节，仍需依赖专业人员发挥把关作用。这意味着业务人员不仅需要熟悉本职领域，还需具（五）合规监管挑战：隐私保护、算法治理与责任界定难题个人隐私保护风险突出。随着《个人信息保护法》《数据安全法》等法律法规不断完善，AI在保险领域的应用对数据全生命周期合规提出了更高要求。 AI保险行业应用创新白皮书在数据采集、存储、共享和流转过程中，若存在超范围收集、告知不充分、授权不清晰或安全防护不足等问题，均可能引发数据泄露、滥用及越界使用风险。同时在模型应用环节，若过度挖掘与业务无关的信息，或将数据用于超出复杂模型具有一定黑箱性，与监管对透明性、可解释性和审慎性的要求之间存相对滞后，导致部分场景下面临制度覆盖不足或规则衔接不清的问题。在多部门协同监管背景下，算法治理、数据使用和模型审查等要求尚未完全统一，进AI应用加大了责任界定与追责难度。与传统规则系统相比，大模型输出具有概率性、生成性和一定不透明性，决策过程更难解释和追溯。一旦出现误判或不当决策，责任可能涉及基础模型、训练数据、知识库调用以及人工复核等多个环节，来源较难清晰界定。同时，目前AI通常以辅助决策方式嵌入核保、理赔、客服和风控等场景，模型偏差、人工依赖与审核失效之间的责任边界容易模糊。若缺乏完善的日志留痕、版本管理和审计机制，将进一步增加争面向未来，AI大模型正由赋能具体场景的技术工具，逐步演进为推动保险业转型升级的重要支撑力量。当前，保险业AI应用已不再停留于概念验证和零散试点阶段，头部机构正围绕承保、理赔等核心流程开展系统化部署，行业发展重点也开始由“能不能用”转向“如何用深、用好、用稳”。随着大模探索走向深化应用的重要窗口期。从技术演进看，行业大模型、模型服务化、 智能体协同和隐私计算等能力将持续成熟，推动AI更加深入地嵌入业务理解、流程协同和决策支持等关键环节；从业务应用看，保险经营将由单点场景提效逐步延伸至端到端链路优化，并由事后补偿向事前风险识别、事中风险干预和全过程风险减量拓展。由此，保险业竞争也将不再局限于产品、渠道和价格层面，而是更加体现为数据治理能力、组织协同能力、模型应用能力和智能化运（一）技术底座演进：从功能支撑进入智能原生型，保险行业大模型通过系统性融合精算逻辑、核保规则、专业知识图谱及海量理赔与风控实践经验，具备对保险复杂业务进行深度理解与推理的能力。在此基础上构建的AI智能体，不再仅承担流程执行与编排功能，而是演进为能够在行业语义与风险逻辑统一的认知框架下完成多轮交互式决策、处理高度非结构化任务，并在业务反馈中持续自我优化的数字业务主体。从更长远看，智能原生技术底座的持续演进，将推动保险机构的技术体系逐步转向参与业务认知与组织决策，为保险业迈向高度智能化、强适应性和可持续演供给”转变。通过将大模型、知识库、风控模型和基础算法能力以标准化接口和服务形式进行封装，MaaS能够实现算法、算力和模型能力的按需调用、统一管理与持续迭代，既有助于头部机构降低重复建设成本、提升能力复用效率，也有助于中小保险机构以较低门槛获取先进AI能力。在此基础上，智能体建设将逐步减少对单点模型和项目制开发的依赖，转向基于统一模型服务、数据接口和业务工具进行快速组装、灵活编排与规模化复用。实践上，在模型能力对外输出过程中，仍需关注不同机构业务差异带来的适配问题，但总体来看，MaaS正为保险行业构建可扩展、可复制、可监管的智能化基础设施提供 AI保险行业应用创新白皮书AI能力向技术底座深度嵌入，推动保险技术体系由“工具式赋能”迈向局部辅助功能，对核心架构和系统运行逻辑的影响相对有限。随着大模型能力规则、模型与流程的重要枢纽，推动技术架构由传统的规则驱动和流程串联，转向以语义理解、动态调度和智能协同为特征的新型体系。在这一过程中，系统运行方式也将由被动响应转向主动感知、实时判断和动态干预，持续提升对复杂场景的适应能力以及对风险识别、决策支持和业务协同的支撑能力。（二）业务模式重构：从单点技术赋能转向系统性价值创造首先，在技术能力持续演进的推动下，保险业的AI应用正由局部场景试环节加快落地，未来其覆盖范围还将进一步扩大，并逐步由单一功能应用延伸至前中后台协同联动、端到端流程优化和跨场景能力复用。随着应用深度和广流程衔接和价值创造的重要基础能力，推动保险机构由零散部署走向体系化应同时，随着AI技术水平持续提升，保险业的业务运行模式将由当前的人础的信息处理和流程辅助，还将在更多规则清晰、风险可控的场景中直接参与判断和执行，人工则更多负责规则设定、异常处置、争议处理和责任兜底，从最后，从长期看，当技术能力迈向更高阶的通用智能，保险业AI应用将进一步由机构内部赋能延伸至外部生态协同。随着数据流通 体协作机制逐步成熟，保险业与医疗健康、养老服务、公共服务等领域的连接将更加紧密，AI的作用也将从机构内部提效扩展至跨主体风险识别、服务协同和资源匹配。保险服务将由事后风险补偿，逐步向事前风险预防、过程风险当前，AI在保险行业的应用价值已逐步显现，正加快向保险经营全流程、各环节渗透，成为推动行业提升效率、优化服务、强化风控的重要力量。与此同时，AI在保险领域的深化应用仍受到数据基础、治理机制、合规规则、业务协同和人才供给等因素制约。面向下一阶段，需统筹推进技术应用与制度建面对生成式AI和智能体技术加快成熟带来的新机遇，保险机构应主动加大投入，推动AI从工具应用走向体系化能力建设。如前文所述，AI的应用价值已得到充分验证，目前已不止于效率的提升，更在于增强客户洞察、优化产品定价、提升运营质效、强化风险管理，并改善服务体验。为此，保险机构需要结合自身资源禀赋和发展阶段，制定务实可行的战略规划与投入机制，稳步（一）制定与业务战略深度融合的AI顶层规划与建设模式成功的AI转型始于清晰统一的顶层规划，也依赖强有保险机构应将AI转型作为“一把手工程”统筹推进，由公司主要负责人牵头建立跨部门协同机制，将AI能力建设纳入公司整体发展战略和核心能力体系，确保AI建设与业务目标、经营模式和长期竞争力塑造深度融合，避免将其简 在战略能力构建方面，保险机构应将AI作为推动业务模式升级、经营效率提升与风险精细化管理的重要抓手，围绕产品设计与定价、精准营销、智能核保理赔、客户服务、风险管理和运营管理等关键环节，结合自身数据基础、业务结构和发展阶段，优先选择高价值、可验证、可复制的重点场景，分阶段推进落地，并在成效验证基础上持续迭代深化。同时，应在战略层面形成稳定、长期的资源投入机制，推动AI从局部提效工具逐步发展为驱动业务增长、在AI建设模式选择方面，考虑到保险场景复杂、合规要求高、自建成本高，险企与科技企业合作共建仍是当前多数保险机构推进AI建设的重要模式。保险机构可依托通用大模型底座，与科技企业、云服务商、科研机构等开展联合研发，通过场景化微调、知识库注入和RAG等方式，形成适配保险业务场景的专用能力，在控制建设成本、技术风险和数据安全风险的同时，加快规模化落地。大型机构应进一步强化应用层和平台层的自理体系、业务中台、智能体平台以及模型可解释性、合规性和运行可控性建设，推动AI能力内生化、长期演进和自主可控，形成差异化竞争壁垒。从调研情况看，头部保险机构的AI应用已开始呈现多场景协同特征。从调研情况看，大型险企已开始从集团层面统筹推进AI能力建设，推动AI应用由单点场景试点逐步走向平台化支撑和体系化布局。例如，人保集团已围绕技术规划、算力建设、数据治理、安全保障和人才培养等方面推进系统布局，并依托统一人工智能中台支撑多类场景应用，为大型保险机构推动AI能力从分散应用走台服务和合作共建等模式降低建设与运维成本，在快速提升智能化水平的同①资料来源：基于人保集团相关调研交流资料整理 AI保险行业应用创新白皮书（二）优化存量数据治理，充分释放保险核心业务数据价值保险机构应将存量数据治理作为数据基础建设的首要任务，立足现有业务系统和经营管理体系，系统梳理承保、理赔、客户、医疗、风控、财务、渠道、运营等环节沉淀的数据资源，推动分散数据向可治理、可共享、可复用的治理重点在于统一数据标准、指标口径和标签体系，打通关键业务系统之间的数据链路，减少重复采集、口径冲突和信息割裂问题，提升数据在跨条线、跨环节应用中的一致性和可比性。同时，还应围绕数据质量建立常态化治理机制，持续提升数据的真实性、准确性、完整性、及时性和可追溯性。在此基础上，保险机构还需要加强对业务规则、作业流程、历史案例和管理要求的结构化沉淀，推动数据资源与业务语境更紧密结合，使数据不仅“可用”，而且“好用”。通过夯实存量数据治理，一方面可以为模型训练、场景微调和业务应用提供稳定可信的数据支撑，另一方面也有助于降低因数据失真、口径偏差和基础不稳所带来的模型偏差与决策风险，为AI能力在保险核心业务中的（三）推进实施路径从局部应用走