在人工智能技术日新月异的今天，各行各业都在积极探索其应用。然而，如同扑克牌局一般，大家都小心翼翼地隐藏着自己手中的牌，试图窥探竞争对手的策略。但在Fairmatic，我们选择坦诚相待，分享我们在保险领域利用AI（人工智能）的真实实践。过去一年，我们将AI深度融入到保险运营的各个环节，从承保到理赔，再到客户反馈，打造了一套由真人每天使用的、可实际运作的系统，而非仅仅停留在“战略”层面或半成品原型。在保险这个以复杂性和合规性著称、创新速度相对缓慢的行业，我们发现，周全部署的AI能够释放效率、规模和清晰度。
1. 承保前文件分类与提取：提升效率的关键
保险流程的起点，往往堆积着大量未经整理的文件，例如：电子邮件、PDF、扫描表单等等。为了应对这些混乱无序的数据，我们开发了“Docmatic”工具，利用定制的预处理逻辑和 Anthropic 的大模型，实现自动化的文档路由、标记和解析。
核心关键词：大模型、效率提升
具体来说，大模型在处理标准表单（如 Acord）时表现出色，但对于其他类型的文件，则需要大量的微调。真正的挑战并非在于 LLM（大型语言模型）本身，而在于预处理、数据标准化和处理各种边缘情况。通过运用大模型，我们将提交处理时间缩短了 50% 以上，显著提升了工作效率。这表明，即使是最先进的大模型，也需要结合精细化的数据处理和流程优化，才能真正发挥作用，提升效率。
2. 外部商业画像：洞察风险的基石
在报价之前，保险核保员通常需要在 Google 上搜索企业信息，了解其日常运营、政策/程序、商业模式以及最新动态。为了解放核保员的双手，我们通过使用 Langchain、Anthropic 大模型、浏览器代理和一个检索层，创建了一个研究助理，将公司描述、位置和运营历史汇编成结构化的画像。
核心关键词：风险洞察、知识图谱
这个工具的关键在于，它不是简单地提供信息，而是将信息整合为一个全面的“知识图谱”，帮助核保员更深入地洞察风险。大模型在这里扮演了重要角色，但真正起作用的是编排层——Langchain 和浏览器自动化。该工具现在已无缝集成到核保工作流程中，节省了大量手动研究时间，并为申请人提供了更深入的风险洞察。这证明，大模型只有与领域知识和自动化工具相结合，才能成为强大的决策支持工具，提升风险识别和评估的能力。
3. 理赔分诊：数据驱动的智能决策
理赔处理是保险公司运营的核心环节，传统的理赔分诊过程繁琐耗时。我们利用 Anthropic 的大模型，从数千份历史理赔和检验报告中提取关键数据点，清理遗留数据，并将其输入到分诊规则、准备金模型和预测分析中。
核心关键词：智能决策、数据质量
这个项目最初的目的是为了提升报告质量，但我们意外地发现，大模型极大地提高了数据科学模型的训练质量。大模型不仅帮助我们从不一致、扫描质量差、充满矛盾的遗留文档中提取了可用的结构化信息，还提升了数据质量，为后续的智能决策提供了更可靠的基础。这表明，AI 在数据治理方面具有巨大的潜力，可以帮助企业盘活沉睡的历史数据，并将其转化为有价值的资产，支持更智能的业务决策。
4. 产品反馈分析：倾听客户的声音
了解客户的需求是产品改进的关键。我们使用 Fragment 工具来分析非结构化反馈，包括：NPS 调查和用户访谈，大规模地总结和评分数据，并提取跨呼叫和产品领域的客户反馈主题，帮助团队有效地确定优先级。
核心关键词：客户洞察、产品优化
通过使用大模型，我们不仅节省了大量的时间，更重要的是，我们终于找到了一种方法，可以从数百个支持对话和调查回复中提取“客户的声音”。这从根本上改进了我们制定产品决策的方式，并让我们确信正在解决正确的问题。这项应用展示了大模型在客户洞察方面的强大能力，能够帮助企业更好地理解客户需求，从而实现产品优化和提升客户满意度。
5. AI原型设计：加速创新周期
为了更快地迭代和测试产品创意，我们使用了一系列 AI 工具，包括：Bolt、Lovable、ChatGPT、Fragment 甚至合成用户，在某些情况下，可以将从想法到洞察的周转时间缩短到不到 1 天。
核心关键词：创新加速、用户体验
这些工具并没有取代以人为本的设计，而是解放了设计师，使他们能够专注于可用性、流程和边缘情况，更重要的是，能够更早地测试更多想法，并更快地淘汰坏想法。这证明，AI 可以作为创新加速器，帮助企业更快地验证产品概念，降低创新成本，并提升用户体验。通过AI 原型设计，可以极大地缩短低保真到高保真的循环，从而让设计师有更多的时间关注用户体验的细节，实现真正的以用户为中心的设计。
6. 基于邮件的报价助手（未来展望）：提升承保效率的潜力
我们正在开发一项 AI 功能，不仅可以从结构化文档中提取相关信息，还可以从经纪人电子邮件中提取。这些消息通常以自然语言编写，格式各不相同，但包含关键的承保见解。
核心关键词：自然语言处理、承保效率
从自由格式语言中解析意图并提取结构化数据具有挑战性，但至关重要。这并非聊天机器人或交互式助手，而是一个数据提取层，可在决策时为承保人提供更多背景信息，并将节省时间并降低承保流程的成本，从而提升承保效率。这体现了 NLP (自然语言处理) 在保险行业的巨大潜力，通过对非结构化数据的分析，可以极大地提升工作效率和风险控制能力。
7. 基于语音的理赔录入（未来展望）：重塑客户交互体验
我们正在测试一种语音代理，可以在事故发生后采访司机，并捕获所有相关的理赔信息，从而取代冗长的移动表单或致电理赔部门。
核心关键词：语音交互、用户满意度
初步测试表明，该代理在数据质量和用户满意度方面都取得了可喜的成果。该代理减少了摩擦，捕获了更多细节，并缩短了分诊时间。该工具使用了 11Labs 的语音技术、ChatGPT 的对话流程和逻辑，以及 Anthropic 的提取技术。这预示着 AI 在重塑客户交互体验方面的光明前景，通过语音交互，可以简化流程，提升客户满意度，并降低运营成本。
8. 提交流程自动化（未来展望）：提升报价速度
该工具旨在自动化提交过程中常见的电子邮件往来。当经纪人提交申请时，承保人通常会回复要求提供更多详细信息、文档或澄清，从而导致延误。我们的自动化系统将主动撰写这些后续请求，以最大限度地减少来回沟通。
核心关键词：流程优化、报价速度
目标是成为经纪人收件箱中第一个返回的报价。这不仅仅是一个问答工具，而是一个提交加速器，旨在提升报价速度。通过流程优化，可以极大地提升效率，并增强企业的竞争力。
9. 对话式仪表板（未来展望）： democratizing data access
我们正在尝试构建一个内部工具，将对话式界面（类似于 ChatGPT 和 Claude）与内部分析数据相结合，以回答与业务相关的问题。例如，团队成员将能够提出诸如“上个月我们在加利福尼亚州的销售转化率是多少？”或“哪些索赔的结案时间超过 30 天？”之类的问题。最终，我们也希望向经纪人提供此类工具，以方便他们提出有关其保单的问题。
核心关键词：数据民主化、辅助决策
这不仅仅是一种质量上的改进，它还实现了跨运营、产品经理和领导层，最终也包括合作伙伴在内的数据访问民主化。这体现了 AI 在辅助决策方面的潜力，通过便捷的数据访问和分析，可以帮助企业更好地了解业务状况，并做出更明智的决策。
Fairmatic的AI实践经验总结
我们的实践经验表明，LLM 只是故事的一部分。最有效的解决方案将语言模型与检索系统、传统 NLP、Langchain 等编排框架以及特定领域的工具相结合。最困难的问题不是选择模型，而是清理输入、验证输出和围绕歧义进行设计。
每个领域都是不同的。承保前、理赔和反馈工作流程都提出了独特的挑战。一刀切的方法失败了。只有当我们深入了解用户意图和数据细微差别时，才能取得成功。内部工具是力量倍增器。由于我们构建了自己的平台（如 Docmatic 和我们的承保系统），因此我们可以在决策点而不是在边缘集成 AI。
采纳源于实用性，而不是炒作。最好的反馈不是“很酷的功能”，而是“这节省了我 30 分钟”。每个成功的工具都让某人的一天变得更好，而不仅仅是让他们的工作流程更加花哨。AI 的价值不仅限于节省成本。当然，我们节省了时间。但我们也提高了准确性，浮现了更好的数据，并在各个团队中培养了更有信心的决策者。
最后，我们选择分享这些经验，是因为 AI 炒作周期让人难以分辨真假。与大多数会议舞台相比，我们从人们告诉我们他们实际尝试过的、有效和无效的真实故事中学到的东西更多。如果你正在构建这个领域，无论是保险还是其他领域，让我们交流一下。什么对你有效？什么比预期的更难？请展示你的底牌。你正在构建什么？