安永是指 Ernst & Young Global Limited 的全球组织,加盟该全球组织的各成员机构均为独立的法律实体,各成员机构可单独简称为“安永”。Ernst & Young Global Limited 是注册于英国的一家保证(责任)有限公司,不对外提供任何服务。
概要
全球保险公司正面临着气候变化、自然灾害、网络安全等方面日益加剧的风险,客户对定制保险产品和个性化体验等方面日益上升的期望,以及盈利压力,因此他们寄望于生成人工智能 (GenAI) 的变革潜力。尽管该技术仍处于早期发展阶段,许多全球保险公司已清晰地看到,该技术有望引发竞争性变革,创造新的收入机会,并推动卓越运营。
一些保险公司正在推进第一代用例。其他公司则专注于在部署过多的应用之前构建企业战略、强大的治理模式和交付能力。所有保险公司都对如何以最佳方式推进存在疑问,特别是如何在传统避险行业中利用GenAI。
安永–博智隆团队近来的研究概述了保险公司在GenAI方面的基本优先事项和目标。具体来说,该研究揭示了全球行业决策者如何看待与GenAI相关的机遇和挑战,以及他们如何在组织内实施GenAI。安永的研究还阐明了采取双轨制方法的重要性。双轨制既可以推动快速、自下而上的试验,确定短期可行的用例;又可以系统地制定全企业范围的GenAI愿景,建立必要的基础设施、治理和能力,以在长期内加以执行。
根据安永对200名资深保险决策者的调研,全球几乎所有保险公司都已经或正在计划投资GenAI。
保险公司正在建立专责团队,其中许多团队与最高管理层和董事会建立了直接联系。超过四分之一的GenAI主管向最高管理层汇报,包括:
对于寻求深化创新文化的保险公司来说,如此高的可见度是一个好的迹象。
大部分受访者 (69%) 将那些能够改变价值链特定环节(如承保、分销)的用例列为优先事项,并强调快速取胜;30%的保险公司将能够实现短期价值的用例列为优先考虑,只有17%的保险公司将长期利益列为优先事项。
无论个人还是团体,财险意外险公司和寿险公司在确定用例优先级方面均存在有趣的差异。财险意外险公司最关注的是定价和承保用例,其中54%将预测风险评估列为未来GenAI投资的首要任务,而51%将增强承保列为首要任务。具体来说,保险公司正在应用GenAI、预测分析和机器学习,来实现申请提交和审核的自动化,以主动识别风险并生成建议定价。财险意外险公司表示,提升客户价值和控制实施成本是影响其确定GenAI优先级的关键标准。团体福利提供商更加注重分销和营销,其中62%将涉及为客户和员工提供决策支持工具的用例作为优先事项。
保险公司预测投资GenAI的主要回报包括提升生产率、增加收入和节省成本。
为了实现这些效益,保险公司必须明确适当的交付方式。目前,保险公司正在尝试不同的模式:
保险公司正在尝试不同的方法来部署和管理新技术,这是可以理解的。随着时间的推移,我们预计,那些能够在清晰、自上而下的战略愿景与基层试验之间实现平衡的保险公司将取得最好成效。这种灵活性对于充分利用GenAI潜力以及应对当前和未来的挑战是必要的。
第一章
调查揭示了阻碍保险公司成功应用GenAI的五大障碍。
安永的调查显示,保险公司在追求GenAI投资的丰厚回报方面面临着重大障碍。
三分之二的受访者认为监管不明确是建立专责GenAI团队的最大障碍,尽管不同业务线的情况存在很大差异。在人寿和年金保险公司中,89%的受访者认为监管不明确是最大障碍,而财产意外险公司中持此观点的比例仅为39%。这一差异可归因于欧盟《人工智能法案》框架,该框架将使用AI技术的人寿和健康保险公司定义为高风险,尽管《人工智能法案》将如何执行仍存在疑问。
尽管缺乏明确全面的规则,但保险公司和其他行业的公司一样,正在大力投资人工智能。然而,挥之不去的监管不确定性可能会抑制对某些特定能力的投资,尤其是对客户体验和定价决策有直接影响的领域。
迄今为止发布的广泛指南,例如时任美国总统拜登2023年10月的行政命令和欧盟《人工智能法案》,均承认不断变化的GenAI监管环境所带来的挑战。全球保险公司也在追踪亚太地区(包括澳大利亚、香港、日本和新加坡)不同监管机构制定的行为相关规定。在保险等受到严格监管的行业中,高管对未来监管持谨慎态度是可以理解的,尽管他们对投资人工智能的必要性做出了回应。
受访者表示,尽管在整个企业中部署GenAI有很多选择,但要开发出明晰的投资回报率 (ROI) 模型仍具有挑战性。事实上,超过一半的人表示,对预期投资回报率的不确定性是建立专责GenAI团队的一大障碍。开发明晰的投资回报率模型的压力可能与许多高管迫切希望迅速大规模地采用GenAI有关。此外,很难预估GenAI对赔付率的潜在影响,例如通过更精细的承保和更准确的定价,以及其他关键指标。
然而,值得注意的是,53%实施GenAI的保险公司这么做是因为预期生产率提升,而并不一定是考虑到切实的成本节约。我们的调查结果显示,对初始部署进行测试和学习可能是设定明确投资回报率目标的关键。
GenAI只会加剧人们对数据隐私、质量和安全的普遍担忧。事实上,超过一半的受访者认为这些担忧是探索GenAI应用的最大障碍。最常见的担忧是GenAI应用会暴露客户或公司的敏感数据。但许多企业领导者认为,基于低质量、过时或不完整数据构建的GenAI应用将导致“垃圾输入,垃圾输出”的情境,从而极大地限制GenAI的价值。鉴于保险公司长期面临数据管理整合挑战,这些担忧也是合情合理的。
有鉴于此,一些保险公司以及其他行业的公司已经禁止使用公开可用的GenAI工具。这些禁令是可以理解的,因为保险公司(尤其是人寿和健康保险公司)拥有大量敏感的客户数据,且员工可能会,例如在GenAI试验阶段,尝试将这些数据输入外部工具。然而,随着时间的推移,至少一些保险公司将解除禁令,允许在界定的范围内进行一些使用。
安永调查结果显示,长期来看,保险公司对解决这些问题持乐观态度;例如,超过50%的受访者表示,其公司在实施GenAI时应建立定期监测机制、专责团队和管理机构。此外,68%的保险公司希望使用闭源大语言模型 (LLM),而24%的保险公司则倾向于开源LLM。在所有类型和规模的LLM(从最大的规模化平台到较小的专有模型)中建立信任和安全是当务之急。
与现有技术和数据源整合是采用GenAI的另一个常见障碍,这在数据基础设施分散且分析能力有限的公司中尤为如此。孤立的系统也会增加实施成本。超过一半的受访者 (54%) 认为实施成本是采用GenAI的一大挑战,同时46%的受访者认为高能耗是另一个主要障碍。
调查中,绝大多数保险公司 (95%) 将行政和后台用例确定为高优先级。43%的保险公司正在等待进一步的开发和测试,然后才能将GenAI部署到面向客户的前台应用中。并不意外的是,保险科技公司可能会率先在前台部署GenAI;56%的保险科技公司受访者表示,他们对面向客户的GenAI用例感到非常兴奋。
第二章
应兼顾基层试验和企业战略发展。
保险公司在颠覆性技术方面拥有丰富的经验,可以借鉴过去的经验教训来规划正确的前进方向。当务之急是系统地识别和试行用例,同时建立必要的治理、基础设施和运营模式,以成功扩大采用规模。由于这两个方面都十分重要,领导者在管理时必须找到平衡点。
安永的研究发现印证了我们与世界各地保险公司合作的经验——迅速采取行动开启GenAI之旅并有条不紊地为未来的成功奠定稳定的基础至关重要。行动过于缓慢的保险公司有可能被竞争对手超越。而那些未能建立核心基础设施、治理和能力的保险公司将难以持续开发和扩展GenAI应用并实现投资回报最大化。采用双轨制方法的保险公司将能够释放即时价值,同时为大规模的持续成功奠定基础。
通过部署GenAI工具(包括内部和外部开发的copilot和沙盒环境)并授权用户探索和开发潜在用例,加速基层创新。适当的防护栏可以促进安全的环境,例如对利用公共工具使用内部数据的保护。首先提升人才技能和开展基础培训,然后确定可以高效、低风险测试并启动的速赢用例优先级,例如短期内(例如8到18个月)的数据汇总和报告生成。
在整个组织内进行迅速试点可以快速验证假定和假设。对于其他保险公司,安永团队正在进行为期六到八周的全速推进,以简化高优先级用例的开发和启动。
遵守欧盟《人工智能法案》将是基准预期。安永的其他研究显示,高层领导专注于建立适当的防护栏和政策。在近期对保险业首席风险官 (CRO) 进行的一项调查中,81%的受访者表示其公司已经加强或正在加强有关GenAI开发、验证和使用的政策。82%的受访者表示,他们已经或正在为LLM和GenAI的采用制定治理框架、政策和程序。您可以在此处(EN)查看完整的调查结果。
即使追求速赢并寻求建立对AI的信心(EN),保险公司也应该制定总体愿景并确定长期内GenAI如何改造业务。GenAI战略的关键要素包括交付模式、数据治理、计算基础设施(即内部部署与云端)和优先级框架,为实现期望的业务成果提供支持。
最终,GenAI的成功将取决于创新的、外部导向的用例,这些用例可提供切实的长期利益,例如收入增长和更准确的风险定价。对于许多保险公司来说,全面评估组织准备情况和当前能力成熟度(EN)是合适的切入点。
随着GenAI的采用扩展到整个价值链,跨职能团队应得到高层发起人的支持。我们预计越来越多的专责GenAI团队负责人将直接向包括首席执行官在内的最高管理层汇报。
大多数保险公司将需要引进外部人才来填补关键能力短板。与第三方合作并利用GenAI参与者生态可以进一步加快采用速度;大型保险公司可以建立一个框架,为自建-收购-合作决策提供信息。
建立强大的数据治理首先要了解数据来源、数据所在位置以及拥有数据访问权限的人员。识别用于生成判断的关键数据,为决策过程建立明晰的控制机制。定期审阅AI生成的内容。通过保持数据透明度和问责制,保险公司可以避免“垃圾输入,垃圾输出”的情境。
保险公司应建立强大的数据环境,例如闭源或开源LLM,以创建、训练和部署GenAI模型和解决方案,并制定持续增强计划。同时,他们应设计一种处理和管理非结构化和半结构化数据的能力,以支持与战略重点相契合的可复用性。
为了最大限度地提高学习效果并保持资源的战略分配,GenAI团队应致力在整个创新生命周期中明确定义阶段关卡,例如POC、最简化可实行产品、试点等。通过使用随机控制试验和其他统计方法持续审查GenAI应用的性能,管理人员可以准确跟踪目标进展情况(例如生产力提高),从而对扩展哪些应用程序自信地做出更明智的决策。
现在的问题不再是GenAI是否能让保险公司受益,而是多久能受益、受多少益。我们认为,实现短期价值的最短路径和实现长期成功的最明智路径是采用双轨制方法。因此,保险公司应致力推动自下而上的创新,同时采取自上而下的方式为企业设定战略方向并提供必要的基础设施和资源。
本文由Andres J Bernaciak和Jared Kwait撰稿。
相关文章