商业保险在采用新技术的速度上，长期以来一直落后于其他金融服务行业。多年来，因并购产生的手动工作流程、过时的主机系统以及碎片化的系统，均减缓了现代化进程的步伐。许多保险公司仍将核保视为一种“艺术”而非流程，这从历史上看，甚至延误了基本的数字化升级。
行业数据凸显了保险业及其他领域在技术应用上的巨大差距。麻省理工学院信息系统研究中心对企业AI成熟度的全球研究显示，只有7%的企业在运营中全面嵌入了AI，而大多数企业仍处于试点或中期阶段。与此同时，监管议程终于开始跟上步伐。
欧盟《AI法案》于2025年生效，要求保险公司按风险等级对AI系统进行分类，并遵守严格的透明度规则。与此同时，企业数据中超过90%为非结构化数据，存储在文档、合同和PDF中，没有先进工具很难进行分析。
这种由遗留系统、合规需求和数据挑战构成的混合局面，为保险公司创造了一个关键的转折点。他们如何在确保投资回报率和最小化风险的同时，负责任地采用AI?本文借鉴了商业保险巨头安盛信利公司流程优化、数据与AI部门负责人兼全球首席核保办公室主管Sidharth Ojha在最近一期《商业AI》(AI in Business)播客中的见解，探讨了商业保险公司如何实现运营现代化、授权团队进行试验，并为规模化应用奠定基础。
本文从Ojha关于保险业AI应用的观点中，提炼出了三个关键见解：
• 利用低代码AI赋能业务用户：为核保人员提供一个合规的沙盒环境，以便他们安全地进行试验并尽早发现限制因素。
• 将数据转化为战略资产：端到端地映射数据，并将非结构化合同转化为能够推动增长的结构化见解。
• 为可扩展的AI奠定基础：标准化角色、流程和数据定义，以防止试点项目停滞不前，并解锁企业级应用。
嘉宾：Sidharth Ojha，安盛信利公司流程优化、数据与AI部门负责人兼全球首席核保办公室主管。
专长：商业保险转型、流程优化和应用AI。
简介：在安盛信利公司，Ojha领导将AI应用于核保和运营的倡议，平衡合规性、效率和文化变革。他的经验涵盖遗留流程现代化、监管对齐以及在全球最大的商业保险公司之一中实现AI的实际应用。
利用低代码AI赋能业务用户
Ojha认为，在保险业推动AI应用方面，最明显的挑战之一是文化惯性。高管们往往认识到AI的潜力，但却犹豫让非技术人员直接参与，Ojha认为这是一个错失的机会。
他强调了创建“安全通道”的重要性，让核保人员和业务用户能够在受控环境中测试AI工具。通过将低代码平台嵌入到现有系统中，保险公司可以在不泄露数据或违反监管规定的情况下进行试验。
“这就像打保龄球时使用球道两侧的护板，”Ojha解释道，“你想让人们投球，但要防止他们把球滚到沟里。”他的方法能够建立信心，并有助于在项目消耗大量预算或时间之前，尽早发现局限性。
过去，保险技术项目依赖于冗长的交接流程：业务分析师翻译需求，开发人员构建系统，架构师确保一致性。当解决方案最终投入生产时，关键的上下文信息往往已经丢失。低代码AI工具使核保人员能够直接与技术互动，绕过翻译层，并加速获得可操作的反馈。
Ojha强调，领导者不应急于进行试点或推出最小可行产品。相反，他们应在沙盒阶段分配更多时间进行探索和失败尝试。
“你在验证假设上花费的时间越多，你在推广无效方案上浪费的时间就越少，”他指出。对于“失败”带有负面含义的行业来说，将需要容忍失败重新定义为可控测试，可以帮助保险公司更舒适地采用AI。
这种文化转变对于采用AI至关重要。通过给予核保人员直接但受保护的访问权限，企业可以建立内部支持，并使工具与实际业务需求保持一致，而不是孤立地构建并希望后续能够被采用。
将数据转化为战略资产
Ojha坚持认为——就像之前许多播客嘉宾所强调的那样——没有干净、可用的数据，技术本身无法带来投资回报率。他指出，保险公司面临着尤为严峻的挑战，因为他们的大多数关键信息都锁在非结构化格式中，如保单文件、批单、报价和价值表。
Ojha指出，五年前，保险公司连读取PDF中的表格这样基本的事情都难以做到。生成式AI已经解决了许多这样的障碍，但非结构化数据仍然多样且不一致，使得将其转化为结构化格式变得困难：
“保险公司所依赖的大多数数据甚至都不在他们的系统中，而是被困在PDF、Word文档和扫描的合同中。真正的挑战不在于读取这些数据，而在于标准化它们。每份保单都是独一无二的，常常像法律手稿一样撰写。除非我们能够始终如一地将这些非结构化数据转化为结构化信息，否则从风险分析到定价的每一个下游AI应用案例，都将在黑暗中运行。”——安盛信利公司流程优化、数据与AI部门负责人Sidharth Ojha
其带来的回报是巨大的。有了结构化数据，保险公司可以在几秒钟内回答投资组合问题，例如：“哪些保单排除了传染病?”或“我们在某个地区的暴露程度如何?”
在新冠肺炎疫情期间，许多企业无法迅速回应此类查询。如今，AI工具提供了避免这一盲点的机会。
Ojha还描述了这些系统在摘要能力方面的新可能性。除了压缩文档外，他还指出AI可以将客户提交的内容与内部风险偏好和合规规则进行比较。
对于处理大量核保业务的团队来说，这些能力意味着每天可以处理更多的提交内容，更快地拒绝不合适的风险，并专注于有利可图的机会。“这不仅仅是效率问题，”Ojha强调道，“这是真正的增长潜力。”
对于领导者来说，任务很明确：将数据视为首要资产。盘点保单措辞，针对高频痛点，并构建将结构化输出推回核心平台的系统。如果做得好，这些步骤将把AI从一种节省成本的工具转变为一种推动收入的工具。
为可扩展的AI奠定基础
虽然保险业对试点项目并不陌生，但规模化应用仍然罕见。Ojha估计，“80-90%”的AI项目在概念验证和部署之间停滞不前。原因更多在于企业准备不足，而非技术问题。
他概述了保险业在扩展AI运营时常常遇到的数据基础设施瓶颈：
• 数据字段责任不明确，导致输入不一致。
• 流程碎片化，同一产品的不同团队记录的细节水平不同。
• 与新AI模型集成的遗留系统成本高昂。
• 业务部门之间关键指标的定义不一致。
如果不解决这些基础问题，即使有前景的试点项目也无法扩大规模。Ojha建议领导者问自己：如果这个解决方案明天在三个国家上线，首先会出现什么问题?提前解决该框架中的差距可以防止后续出现昂贵的意外情况。
监管也起到了作用，Ojha认为欧盟《AI法案》是一个转折点，提供了董事会和监管机构都可以信任的分类。
“如果你符合欧盟的规定，那么你在全球范围内基本上也是合规的，”他指出，并坚持认为这种保证可以缓解高管的担忧并加速项目批准。
最终，成功来自于耐心。保险公司常常急于从想法跳到最小可行产品，但Ojha强调了深入探索和测试的价值。那些在角色清晰度、流程对齐和数据质量上投入的公司，将发现更容易将AI从试验阶段推进到企业级应用。
