日前，清华大学五道口金融学院中国保险与养老金融研究中心正式发布《AI保险行业应用创新白皮书》，AI已开始深入保险价值链多个环节，并呈现出由单点任务赋能向流程协同优化演进的趋势。

在前台，AI可用于展业支持和智能客服，辅助客户需求识别、产品解读、续保建议和服务响应；

在中台，AI正在产品研发、智能核保、智能理赔、欺诈识别等核心环节发挥作用；

在后台，AI也进入了审计、财务、研发协同等领域，推动非结构化资料处理、异常线索识别、规则校验和报告生成等更加连续、协同和智能。

清华大学《2026年AI保险行业应用创新白皮书》中，收录并分析了多个保险公司应用AI的案例，涉及7家保险公司，水滴保、元保等2家互联网保险中介平台。

今天就给大家拆解分析白皮书中的太平洋保险数字化与AI战略。

一、近期AI 项目规划及未来AI 战略重点方向

太保的数字化转型战略与定位突出应用导向，面向核心业务场景推动AI 技术规模化应用，促进效率效能提升、业务流程再造、客户体验优化和服务模式创新。

聚焦六大核心领域，加快场景应用落地见效：

（1）加大营销队伍赋能，支撑队伍能级全方位跃升。

（2）全面融入运营管理，提升全流程工作质效。

（3）重塑客户经营体系，提升服务体验和满意度。

（4）护航产业伴生风险，扩大风险保障和服务范围。

（5）扩展投资能力边界，打造数智投资新范式。

（6）赋能风险合规减损，形成动态的风险管理能力。

二、案例一：客户经营助理

当前寿险行业正处于数字化转型关键期，传统外勤展业依赖“人海战术”与个人经验，存在经验难传承、队伍实战能力提升慢、客户转化效率低等痛点，生成式AI 与大模型技术的成熟，为行业管理变革提供了契机——可通过智能化工具赋能销售渠道的队伍经营、客户经营、会议经营三大核心场景，助力实现“能力标准化、运营精细化、管理科学化”的转型目标。

本项目聚焦寿险渠道管理创新，以数智化能力建设为核心，直击传统模式三大痛点：一是工具支持不足，客户开发依赖个人经验，缺乏系统性分析工具导致转化率低下；二是知识获取门槛高，产品与政策知识难以高效触达，影响销售服务质量；三是数据利用不足，客户画像与经营数据未被充分挖掘，无法输出个性化经营策略。

智能客经助理基于DeepSeek 大模型推出，从启动到2025 年3 月MVP 上线仅用时2 个月，于5 月底在渠道全面推广，6 月底完成智能名单推荐、智能客经建议、智能KYC 录入等核心功能建设，目前用户已覆盖公司80% 以上业务员。

智能客经助理搭建前1 个月内完成10 余位绩优业务员深度面谈，精准萃取专家经验；搭建初期边研发边联动业务，通过22余人次业务员深度访谈、6 次策略宣导，收集200 余条优化建议，确保产品贴合一线需求；上线后联动业务开展24 场插秧宣推（个险8 场、银保12 场、团政2 场），实现“研发- 反馈- 推广”全链路业务参与。

“智能客经助理”管理创新工具依托大模型与专属知识库，通过客户画像动态分析、拜访策略智能推荐及标杆经验AI 萃取，赋能外勤人员精准制定客户转化策略，推动客户经营从“经验驱动”向“数据智能驱动”的管理革新。

项目实施效果：帮助5万多名业务员达到绩优水平

1. 技术成效

通过智能KYC 录入能力大幅降低业务员KYC 过程记录门槛，客户信息饱和度提升20%，信息准确率大幅增加。

2. 业务成效

目前，该工具已在个险、银保、团政渠道落地应用，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，业务员销售转化率提升100%，人均产能提升40%。

3. 持续迭代与推广

未来将重点推动三大方向：其一，让策略从“文字”走向“行动”，强化与行动日程、提醒、工具链的联动；其二，构建更细颗粒度的客户经营知识中心，提升策略可解释性；其三，打造跨渠道通用的策略智能体，实现个险/ 银保/ 团政的一体化复用。

成功经验：用数据替代经验，使策略可标准化、可复制

智能客经助理的成功源于“技术与业务深度共创”的机制，以及对客户经营链路的系统性重构。项目将智能日志、客户画像、策略引擎串成闭环，用数据替代经验，使策略可标准化、可复制。同时，通过打通产品知识、客户经验、优秀案例三大知识库，真正实现“经验可复制、策略可生成”。

案例二：健康险理赔

1、业务目标：提升理赔审核自动化与智能化水平，提高处理效率与风控能力

健康险理赔审核流程主要包括定责、判责/ 剔费、理算三个步骤。其中，在定责和理算阶段的系统自动化程度较高，而判责/ 剔费阶段则主要采用人工审核的方式，存在效率瓶颈。因此，为了进一步扩大运营规模，实现降本增效，系统自动判责能力建设的需求强烈。

理赔审核自动化的核心难点在于：首先，案件审核是一项对综合和专业能力要求高的任务，需要阅读病历和检查报告、理解保险条款、具备医学知识，才能给出审核判断。其次，费用剔除是一项对准确率要求高且耗时的任务，一张门诊发票几十项费用，一张住院发票几百个费用，需要逐条审核给出结论，一项费用的误判都可能带来客诉或者高昂的赔付成本。

为突破人工产能瓶颈、实现降本增效与风控升级，公司决定启动理赔智能化项目。

2、技术路线：五大核心智能体基座能力

其核心逻辑在于：通过“大模型+ 智能体”技术，将理赔专家的经验沉淀为可持续迭代的系统能力，构建能够理解医学文本、解读保险条款并执行复杂审核任务的人机协同平台，驱动理赔运营模式向数字化、智能化转型。

采用“开源基模+ 微调+ 强化学习”的递进式路径：涵盖“匹配、录入、审核、理算、风控”的五大核心智能体基座能力，以开源大模型为基模，利用专家标注数据进行有监督微调，再引入基于业务收益的强化学习对齐商业目标。通过“人在回路”机制，形成数据闭环。

项目于2024 年启动“理赔全流程录申一体化智能方案”的顶层设计，组建跨职能专家团队。2025 年初完成核心基座能力搭建并启动内部验证，同年第一季度在试点机构上线运行。通过持续迭代优化，系统于2025 年中实现全面推广健康险核心系统月调用量5 万件赔案，支撑核心理赔业务的规模化智能处理。

3、项目实施效果：年化可审核100 万件赔案

成功构建了具备医学知识、条款理解与多步骤推理能力的理赔领域大模型，并基于此模型落地了一套“指引配置式全要素审核智能体”框架。该框架通过任务分解与多智能体并发处理，显著提升了审核效率。系统运行稳定，人机判断一致率达98%。

应用上线后，当前月审核理赔案件量达到8 万件（健康险团险），折合年化可审核100 万件赔案，显著提升了理赔审核的自动化率以及未完全自动化部分的审核效率。

该方案已成为公司理赔核心引擎。团队正将能力扩展至更复杂的产品与衍生场景，并计划以平台化方式输出智能体模块，支持业务的快速定制与部署。

4、核心创新与经验总结：将专家经验系统沉淀为可量化、可审计的数字化资产

重构理赔作业模式，建立“机器处理标准件、人处理疑难件、人机协同训练机器”的三元协同新范式，实现人力资源的优化配置与效能最大化。

实现知识管理与风险左移，将专家经验系统沉淀为可量化、可审计的数字化资产，推动风控向“事中拦截”与“事前预防”转变，如超量用药的识别涉及到数学计算、图片识别、公式提取，基于大模型智能体完成了“超龄用药”风控审核从0 到1 的突破。

项目通过构建领域指令集及强化学习方案，将业务团队长期积累的审核经验与医学知识有效沉淀为结构化知识库，并借助RAG 等框架实现知识的灵活调用与持续更新。同时，业务团队的深度参与不可或缺——他们不仅协助提炼审核逻辑、标注关键场景，还积极参与对大模型输出结果的校验与badcase 分析，形成“应用- 反馈- 优化”的闭环机制。