当前，金融科技尤其是保险业AI应用迎来新的审视窗口。不同规模险企的差异化发展策略、保险业AI转型进展，成为行业亟待厘清的命题。

　　第九届中国国际进口博览会期间，太保科技总经理魏骄华接受

　　魏骄华提出，在金融领域，大模型宜做“选择题”而非开放式“问答题”，行业竞争核心不在模型大小，而在于业务流程与价值链的深度融合。他表示，现阶段行业在通用智能体平台、销售辅助类工具上差距有限，但“谁能先把AI真正用进主业价值链，谁就在下一程拥有优势”。

　　NBD：如何看待目前不同险企科技化打法的差异？当公有云大模型打起价格战，自建千卡算力、自训模型的策略还划算吗？

　　魏骄华：目前行业大致分三派：头部综合险企走“全栈自建+生态合作”，算力、平台、模型、场景全链条布局；中型险企倾向“核心自研+外围采购”，在核保理赔等核心系统上保持控制力，通用能力借力外部；小型险企则以“SaaS采购+场景使用”为主，追求低门槛、快速上线。三种打法没有绝对优劣，取决于业务规模、数据资产厚度和战略定力。

　　在金融领域，数据安全与合规要求是红线，对太保庞大的客户用量和多年积累的数据而言，自建算力有不可替代的价值。在通用基础模型的基础上，太保科技更多地针对保险垂直场景去部署微调的小模型，既满足数据安全与合规，又可以更好地平衡成本与资源。

　　魏骄华：我们衡量AI投入产出，不是单纯衡量成本账，还要将体验账与合规账考虑进去。对此，太保的方式是用业务指标去衡量在成本、体验与合规的规模化落地价值，最终落到六大智能方向的业务结果上——客户守护要达成NPS行业排名领先，产业风险方面伴生风险保费行业领先，队伍能级实现人均保费增加，运营管理实现管理费用率节降，投资业务实现收益行业排名靠前，风险减损要达到年均数十亿元级别。这些都是用可衡量的业务或价值目标去检验科技的真实产出。

　　魏骄华：拿外呼这个场景来说，保险销售正在从传统的经验驱动转向数据驱动，我们不是简单用AI替代人，而是用AI把人从低价值、重复性工作里释放出来。

　　看投入产出主要看两个维度：一是人力效率能不能提上来；二是客户转化、服务质量与合规风险这些综合收益。过去人工坐席大量时间消耗在拒接、无效沟通上，真正能对接上客户的比例并不高。我们的核心目标，就是在合适的时间、用合适的方式，把合适的产品给到客户，减少人工无效拨打。从目标看，我们要让每个坐席每天大约能省出1小时，专心跟进有意向的客户；同样的人力能对接上的有效客户变多，单条有效线索的人力成本降下来，线索跟进也更及时。

　　同时，我想补充一点，在推动AI与业务融合的过程中，AI负责前期筛选、检索、匹配、推荐，所有面向客户的关键输出、重要审核，最终都由人把关。通俗讲，我们让大模型做“选择题”，而不是开放式的“问答题”。放到销售场景里，AI并不直接独立和客户对话，而是从预先沉淀、审核好的合规话术库中，根据客户意图、客户画像，挑选最合适的一条推荐给一线。这样做，效率和合规同时成立。

　　第一个阶段是结构化与非结构化数据的准备期，解决企业数据与知识的基础，这是人工智能的底层燃料。第二个阶段是基础设施筹备与场景试点与能力普及期，完成算力底座与模型部署，在早期审计、投资、运营等内部场景验证效果，同时让业务团队建立对大模型能力边界的正确认知和合理规划。第三个阶段是核心流程重构期，将人工智能技术嵌入销售、理赔、运营等价值链关键环节，实现从“辅助工具”到“生产力单元”的跃迁。

　　魏骄华：中国太保在2021年实现业务全域数据入湖，2025年启动全司的知识治理和运营，已建成全信创千亿级大模型基础设施。但坦率讲，从现在这个时间节点看，我们距离全流程重构仍有差距。

　　算力可以通过持续的投入去解决，组织内既懂保险业务逻辑又懂AI工程化的复合型人才也要逐步培养，但相对来说，数据中的非结构化知识治理可能是各家企业的共性瓶颈。难点不仅在于数据的积累，更在于如何将分散在业务流程、制度规范和员工经验中的隐性知识转化为AI能够理解和运用的知识资产，让AI真正理解业务、融入流程、创造价值。