研发成本高？赋能销售难？大模型赋能保险行业要小心这些坑
在不断发展的数字化时代，大模型应用正逐渐渗透到各个行业中。尤其是在保险行业，从当初的计算智能、感知智能到认知智能，再到如今大模型深度推动行业向数智化转型，皆为保险市场提供了前所未有的创新可能。
不少业内人士认为，在行业处于迭代转型升级的当下，大模型技术的成熟和发展，无疑为保险业高质量发展提供广阔的探索空间，未来大模型将在保险市场发挥愈发重要和切实的应用价值，真正实现全方位赋能。
当然，也有人认为大模型对行业改造有限，因为AI技术在与保险相融合的过程中势必会存在一些风险问题，而且在如今保险市场竞争愈发激烈的大背景下，借力大模型能否快速提高保司市场竞争力而回归正轨，仍还是未知数。
带着这些疑问，近日我们在直播中连线了函子科技创始人&CEO蒋耀锴，以及COO赵赫，两位老师在直播中和我们共同探讨了目前保险行业AI大模型发展情况，以及有哪些已落地的保险应用场景等问题，同时对于众多险企备受关注的该如何更好拥抱大模型的问题上，也给出了非常中肯的看法，本文的主要内容也来自该场直播。
1
大模型深度赋能保险业，影响几何？
ChatGPT出现以来，大模型目前受到很多关注。大模型不仅以强大的数字处理能力，提升了用户获取消息、与虚拟信息交互的体验，而且还使得人工智能从B端走向C端，降低了使用成本，用户群体得到很大扩充，尤其是对各行各业的深度赋能和改造下，商业化拓展性不断加以延申。
那么，大模型对保险行业的影响或改造潜力大吗？
函子科技COO赵赫认为，这种影响的潜力还是非常大的，具体表现在如下四个方面。
一是，大模型技术迭代升级下，保险数字人开始涌现而出，不仅可以让保险行业内容自动化生产视频和文字，更能够让保险代理人利用数字人来打造保险业强IP属性，将数字分身虚拟化生成多个相应的保险内容分发给不同的流量平台，通过多种形式快速与客户互动等，以此来高度辅助代理人进行高效展业。
二是，在客户服务方向上，随着一张张保单卖出，用户后期关于医疗和保险上的问题会越来越多，这其中包括理赔过程遇到的问题，或是产品对比问题，亦或是后期续费等等一系列反反复复出现的问题，代理人也不得不花费更多的时间来进行解疑答惑，无形之中增加了其时间成本。而像这些关于客户关怀类的问题，都可以交由AI来完成。
三是，在知识搬运和运算方向上，保险前后端皆需要精准客服和高效运算才能深度服务用户，但如今随着大模型的深入，很多保险企业售后服务体系都交由机器人来操作，而如果涉及到非常复杂的保费计算，显然个人是比较难胜任的，这时交由AI进行精准深度运算，可以很大程度上保证运算结果的高效性和准确性。
四是，在涉及到理赔方面的合法合规上，保司可以利用AI与客户进行对话演练，从而校验出代理人日常与客户沟通环节是否合规。此外，在数据处理方面，上一代技术对纸质保单的图像文字识别准确度非常低，很多空间信息、对应关系是识别不到的，但随着大模型的出现，AI数字化技术的升级就能很好解决这一问题。
毫无疑问，目前AI技术已慢慢渗透至行业的方方面面，也在服务于一些保险业客户，而他们到底对大模型有哪些方面的需求？又需要强化自身哪些条件来拥抱大模型呢？
首先，目前保司还不算完全准备好拥抱大模型，但是各大参与方有决心朝着这一方向不断前行的趋势已经非常明显了。虽然保司可能在科研投入上花精力来解决目前遇到的诸多问题，但是当下国家层面出台相关的配套监管政策完全不清晰，所涉及到的一些合规性内容，如哪些是能生成的，哪些又是被禁止的，相关政策的界定非常模糊。
其次，目前规模较大的保司是比较倾向于自研大模型，小规模的保司则采用开源或本地部署模型，但这两种方式的成本是难以想象的高，可能会陷入到入不敷出的境地。
最后，当下不少保司的业务系统非常多，所涉及到的各种数据散落各地，如何将这些数据通过构建新流程都一起利用好，则需要花费很长时间。而且更重要的是，从业务层面上来看，在如今财税新规、报行合一等政策影响下，整个保险展业流程都会发生巨大变化。
而AI在保险业只取代约5%的场景覆盖，还只是起到一个辅助和提效的作用，这也意味着政策端的持续变化，AI赋能保险业各方面的场景也不得不面临着全盘推倒重来构建的局面。
2
保险市场大模型产品和服务落地，
面临着哪些考验？
正如开篇提及的目前保险市场处于AI大模型不断迭代浪潮下，整个行业也在历经着数字科技化的洗礼。而且随着大模型技术迭代进程的加快，不少保司可以借助AI完成一系列棘手难题，最大程度实现降本增效目的，另一方面还可以为业务带来更多新增量，提升整个产业效率。
然而，一个行业的共识在于，如今保险业涉及的AI路线纷繁复杂且维度众多。那么，一些科技公司为保司所提供的大模型产品和服务主要落地了哪些应用场景？在这个过程中又会遇到什么挑战呢？
一方面，可以辅助保险销售。在大模型赋能下打造出的理解能力、推理能力，以及代理人IP形象打造，都能够更好的辅助保险代理人更精准的找到客户，并且提供专业的回答，从而实现把更好的产品卖给合适的客户，同时能提供后续的各种保险服务。此外，大模型还可以在核保测算、产品定价、理赔测算，以及车险续保等方向上进行高度赋能。
另一方面，虽然AI在保险业务中的应用十分广泛且有效，但目前在实际的应用当中，大量数据如何进行有效处理，是一大难点。我们知道光寿险涉及到的病种类条款已经超过五万份了，平均一份报告就有三四十页，数据体量非常大。
而如果这些庞大数据后期需要召回，在冗余数据一片乱糟糟的情形下，AI大模型进行清洗、筛除可能会有所遗漏，无形降低了结果的准确性。
此外，一些保险文档可能涉及到冗长复杂标题、段落或页面被切割掉，以及特殊文本符号等等问题，而如果用OCR去做数据预处理识别，可能会出错，这也是一大难点。
总的来说，目前保险业大模型产品和服务的场景落地，最大挑战是先要将数据弄清楚和清洗干净，这是保司接下来无论是打造IP场景，还是构建数字化客服和数字化理赔端口的前提基础条件，要先把最根基性的数据给完善好，才能保证最终产出的产品质量是可靠的，让保险行业得到长期发展。
3
大模型赋能保险销售，需闯过几道关？
不可否认， 大模型正一步步地渗透到保险业方方面面并为之赋能。而当下行业又正处于从粗放模式向精细化模式转型关键期，这时大模型技术赋能代理人，推动其健康良性发展至关重要。那么如今大模型在支持保险销售方面，有哪些难点需要突破？
第一，首当其冲的难点就是客户所属权的问题。作为大型保司大模型的研究人员，如果站在销售代理人的视角，就需要利用专业性去感染客户，从而为其提供最大的信任与共鸣价值，但如今用大模型机器人去服务，一方面会担心客户端是否会接受；另一方面也害怕客户所属权会发生变化，这是因为保险业中客户所属权一直是归属业务员的，公司只是做后续服务承接工作，如果发生改变，显然会对业务员产生很大影响，导致大模型也无法顺利推行。
第二，有些大模型研发人员可能有些刻意想要改变代理人与客户之间的沟通方式，比如非得将机器人植入到小程序或APP里，但这种方式显然是违背常理的，客户会通过该种方式完成所有服务的概率是微乎其微的，而且网上沟通平台还会面临封号的问题，这也是大模型技术赋能代理人所产生的一大难点。
第三，目前业务员在AI提供多方面助力时，还没有达成大面积的统一性。比如有些业务员会觉得自己有多重互联网投放渠道来获客，但可能这些客户购买欲望不是很强烈，因此他们也希望AI大模型技术能够提前筛选出无需求的用户；而有些业务员则是对知识库查询非常看重；也有不少业务员对AI话术辅助或演练需求非常低。这些难点其实归为一类来看，就是工作流不统一的问题。
第四，在认知方面，代理人不要对大模型有过高或过低的期望，一方面不需要担心AI什么都能做，始终会取代自己，就目前现实情况而言，一些复杂的情感分析交流的内容，AI还无法做的特别好；但另一方面也不能完全无视大模型，如果把流程和知识库一起设计并建立好后，AI确实能做很多让我们难以想象的事情。
总的来看，虽然大模型在保险行业的应用仍停留在初级阶段，而且也面临着来自多方质疑和挑战，但正如“世上本没有路，走的人多了，便也有路”，我们有理由相信，在市场不断涌现出越来越多像函子科技这样优秀科技公司的助力下，未来大模型势必会更深度融合进保险业方方面面的场景，未来可期。
