商業保險在采用新技術的速度上，長期以來一直落后于其他金融服務行業。多年來，因并購產生的手動工作流程、過時的主機系統以及碎片化的系統，均減緩了現代化進程的步伐。許多保險公司仍將核保視為一種“藝術”而非流程，這從歷史上看，甚至延誤了基本的數字化升級。

　　行業數據凸顯了保險業及其他領域在技術應用上的巨大差距。麻省理工學院信息系統研究中心對企業AI成熟度的全球研究顯示，只有7%的企業在運營中全面嵌入了AI，而大多數企業仍處于試點或中期階段。與此同時，監管議程終于開始跟上步伐。

　　歐盟《AI法案》于2025年生效，要求保險公司按風險等級對AI系統進行分類，并遵守嚴格的透明度規則。與此同時，企業數據中超過90%為非結構化數據，存儲在文檔、合同和PDF中，沒有先進工具很難進行分析。

　　這種由遺留系統、合規需求和數據挑戰構成的混合局面，為保險公司創造了一個關鍵的轉折點。他們如何在確保投資回報率和最小化風險的同時，負責任地采用AI?本文借鑒了商業保險巨頭安盛信利公司流程優化、數據與AI部門負責人兼全球首席核保辦公室主管Sidharth Ojha在最近一期《商業AI》(AI in Business)播客中的見解，探討了商業保險公司如何實現運營現代化、授權團隊進行試驗，并為規?；瘧玫於ɑA。

　　本文從Ojha關于保險業AI應用的觀點中，提煉出了三個關鍵見解：

　　• 利用低代碼AI賦能業務用戶：為核保人員提供一個合規的沙盒環境，以便他們安全地進行試驗并盡早發現限制因素。

　　• 將數據轉化為戰略資產：端到端地映射數據，并將非結構化合同轉化為能夠推動增長的結構化見解。

　　• 為可擴展的AI奠定基礎：標準化角色、流程和數據定義，以防止試點項目停滯不前，并解鎖企業級應用。

　　嘉賓：Sidharth Ojha，安盛信利公司流程優化、數據與AI部門負責人兼全球首席核保辦公室主管。

　　專長：商業保險轉型、流程優化和應用AI。

　　簡介：在安盛信利公司，Ojha領導將AI應用于核保和運營的倡議，平衡合規性、效率和文化變革。他的經驗涵蓋遺留流程現代化、監管對齊以及在全球最大的商業保險公司之一中實現AI的實際應用。

　　利用低代碼AI賦能業務用戶

　　Ojha認為，在保險業推動AI應用方面，最明顯的挑戰之一是文化慣性。高管們往往認識到AI的潛力，但卻猶豫讓非技術人員直接參與，Ojha認為這是一個錯失的機會。

　　他強調了創建“安全通道”的重要性，讓核保人員和業務用戶能夠在受控環境中測試AI工具。通過將低代碼平臺嵌入到現有系統中，保險公司可以在不泄露數據或違反監管規定的情況下進行試驗。

　　“這就像打保齡球時使用球道兩側的護板，”Ojha解釋道，“你想讓人們投球，但要防止他們把球滾到溝里。”他的方法能夠建立信心，并有助于在項目消耗大量預算或時間之前，盡早發現局限性。

　　過去，保險技術項目依賴于冗長的交接流程：業務分析師翻譯需求，開發人員構建系統，架構師確保一致性。當解決方案最終投入生產時，關鍵的上下文信息往往已經丟失。低代碼AI工具使核保人員能夠直接與技術互動，繞過翻譯層，并加速獲得可操作的反饋。

　　Ojha強調，領導者不應急于進行試點或推出最小可行產品。相反，他們應在沙盒階段分配更多時間進行探索和失敗嘗試。

　　“你在驗證假設上花費的時間越多，你在推廣無效方案上浪費的時間就越少，”他指出。對于“失敗”帶有負面含義的行業來說，將需要容忍失敗重新定義為可控測試，可以幫助保險公司更舒適地采用AI。

　　這種文化轉變對于采用AI至關重要。通過給予核保人員直接但受保護的訪問權限，企業可以建立內部支持，并使工具與實際業務需求保持一致，而不是孤立地構建并希望后續能夠被采用。

　　將數據轉化為戰略資產

　　Ojha堅持認為——就像之前許多播客嘉賓所強調的那樣——沒有干凈、可用的數據，技術本身無法帶來投資回報率。他指出，保險公司面臨著尤為嚴峻的挑戰，因為他們的大多數關鍵信息都鎖在非結構化格式中，如保單文件、批單、報價和價值表。

　　Ojha指出，五年前，保險公司連讀取PDF中的表格這樣基本的事情都難以做到。生成式AI已經解決了許多這樣的障礙，但非結構化數據仍然多樣且不一致，使得將其轉化為結構化格式變得困難：

　　“保險公司所依賴的大多數數據甚至都不在他們的系統中，而是被困在PDF、Word文檔和掃描的合同中。真正的挑戰不在于讀取這些數據，而在于標準化它們。每份保單都是獨一無二的，常常像法律手稿一樣撰寫。除非我們能夠始終如一地將這些非結構化數據轉化為結構化信息，否則從風險分析到定價的每一個下游AI應用案例，都將在黑暗中運行。”——安盛信利公司流程優化、數據與AI部門負責人Sidharth Ojha

　　其帶來的回報是巨大的。有了結構化數據，保險公司可以在幾秒鐘內回答投資組合問題，例如：“哪些保單排除了傳染病?”或“我們在某個地區的暴露程度如何?”

　　在新冠肺炎疫情期間，許多企業無法迅速回應此類查詢。如今，AI工具提供了避免這一盲點的機會。

　　Ojha還描述了這些系統在摘要能力方面的新可能性。除了壓縮文檔外，他還指出AI可以將客戶提交的內容與內部風險偏好和合規規則進行比較。

　　對于處理大量核保業務的團隊來說，這些能力意味著每天可以處理更多的提交內容，更快地拒絕不合適的風險，并專注于有利可圖的機會。“這不僅僅是效率問題，”Ojha強調道，“這是真正的增長潛力。”

　　對于領導者來說，任務很明確：將數據視為首要資產。盤點保單措辭，針對高頻痛點，并構建將結構化輸出推回核心平臺的系統。如果做得好，這些步驟將把AI從一種節省成本的工具轉變為一種推動收入的工具。

　　為可擴展的AI奠定基礎

　　雖然保險業對試點項目并不陌生，但規?；瘧萌匀缓币姟jha估計，“80-90%”的AI項目在概念驗證和部署之間停滯不前。原因更多在于企業準備不足，而非技術問題。

　　他概述了保險業在擴展AI運營時常常遇到的數據基礎設施瓶頸：

　　• 數據字段責任不明確，導致輸入不一致。

　　• 流程碎片化，同一產品的不同團隊記錄的細節水平不同。

　　• 與新AI模型集成的遺留系統成本高昂。

　　• 業務部門之間關鍵指標的定義不一致。

　　如果不解決這些基礎問題，即使有前景的試點項目也無法擴大規模。Ojha建議領導者問自己：如果這個解決方案明天在三個國家上線，首先會出現什么問題?提前解決該框架中的差距可以防止后續出現昂貴的意外情況。

　　監管也起到了作用，Ojha認為歐盟《AI法案》是一個轉折點，提供了董事會和監管機構都可以信任的分類。

　　“如果你符合歐盟的規定，那么你在全球范圍內基本上也是合規的，”他指出，并堅持認為這種保證可以緩解高管的擔憂并加速項目批準。

　　最終，成功來自于耐心。保險公司常常急于從想法跳到最小可行產品，但Ojha強調了深入探索和測試的價值。那些在角色清晰度、流程對齊和數據質量上投入的公司，將發現更容易將AI從試驗階段推進到企業級應用。