记者观察：保险业AI应用面临几大挑战
□本报记者 谭乐之
2025年上半年，AI在国内保险业的应用进入规模化落地新阶段。AI大模型已成为保险业破解服务痛点、实现“降本增效”的核心抓手，但还面临几大难题。
首先，“花钱不划算”，即技术成本与性能难以兼顾，制约规模化应用。国际领先商业化大模型性能优越但使用成本高昂。而性能较弱的中小模型又无法满足核保定价、理赔反欺诈等核心场景的要求。以DeepSeek为代表的开源模型通过技术创新实现性能与成本优化，为保险业应用提供了新路径。
其次，“专业不对口”，即模型专业化程度不足，难以支撑核心业务需求。现有保险大模型缺乏保险专业知识深度内化，应用场景集中于智能客服等低价值环节。而保险条款的专业术语和复杂逻辑对模型语义解析与推理能力要求较高，当前的模型专业化水平不足以在风险管理等核心领域实现应用。
再次，“数据不好用”，即数据质量与流通问题限制模型训练效果。保险业数据生态存在结构性缺陷，部门壁垒和行业协同不足导致数据孤岛，由此还可能引发模型“偏见放大效应”，造成系统性决策偏差。
最后，“没人会落地”，即复合型人才短缺。传统保险从业者缺乏机器学习实操能力，难以将核保规则等专业知识转化为模型参数；人工智能技术人员对保险业务认知不足，导致模型与实务需求偏差。
破解上述难题，需从战略、业务、资源、行业四个维度协同发力。
一是战略引领与组织革新。加强数字化战略谋划与理念培育，推动组织架构重塑与协同优化，探索成立人工智能战略中心，配备保险与技术复合型人才。二是融合推进与业务赋能。完善数据治理框架与安全保障机制，积极探索并应用隐私计算、联邦学习等技术，构建安全的数据共享与融合应用机制。三是资源配置与机制优化。加大对人工智能大模型研发与应用的投入，优先用于获取高质量的保险行业数据、先进的计算设备以及人工智能大模型人才的招聘与培养；探索更为灵活的激励机制。四是行业协同与生态共建。头部保险公司可构建全栈自主可控的技术能力，中小保险企业则可侧重采用轻量化模型部署、调用成熟的第三方应用程序编程接口服务或采购专业人工智能解决方案等方式，以较低的成本快速引入人工智能能力。
0人
