如何利用生成式人工智能彻底改变保险价值链

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。

1. 监管不明确

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。

2. 投资回报率模型具有不确定性

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。

3. 数据隐私、质量和安全

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。

4. 与原有IT系统整合

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。

5. 在面向客户的应用中部署GenAI的风险

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。

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。

1. 配备GenAI工具，鼓励员工试用

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。

• 立即采取行动，但做好快速失败的准备：战略和创新团队的领导者可以倡导基层文化并率先进行初步试点，因为他们了解可以在哪里利用有针对性的GenAI应用来解决特定的业务问题。鼓励各级员工和职能部门在沙盒环境中自主测试用例，实现监督最小化。安永团队正在与一家专业保险公司合作，该公司组建了跨职能团队识别未满足的业务需求并评估GenAI解决方案如何提供帮助，例如自动化保单续保流程。
  
  
• 确定优先级并快速试行： “Lite” 框架可以帮助确定GenAI解决方案对于起点用例的可行性。为确定速赢方案，领导者可以权衡商业价值与执行力。安永团队最近协助一家寿险公司对积压的大量用例进行评估并确定优先级；确定“价值集群”，例如增强承保、提高营商便利度，对于筛选符合企业目标的用例至关重要。

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。

• 设置防护栏：确定组织的风险偏好，并制定指引，明确列出员工可以使用和禁用GenAI的范围。在沙盒环境中部署现成的模型，通过“测试和学习”迭代加速创新。安永团队帮助一家全球领先的保险公司创建了一个专用、定制的开发环境，以鼓励创新的试验和测试。

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。

2. 发展企业GenAI战略和技术基础设施

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。

• 调动跨职能团队并集中管理：应由具有业务、IT、安全、合规等能力的跨学科团队负责设计和交付端到端解决方案。我们亲眼目睹了集中式管理，叠加强化能力和其他能力，如何为GenAI项目的成功奠定坚实的基础。

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。

• 建立数据基础设施和治理实践：随着保险公司对GenAI的使用日趋成熟，他们应根据自身需求和不断演变的法规加强治理和完善政策。持续监测监管环境至关重要。

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。

• 定义可衡量的业务成果和KPI：高级业务主管应为GenAI发展计划建言献策，并设定一定时间范围内的关键业务成果目标，例如降低费用或赔付率。将GenAI用例与全面绩效计分卡中的关键绩效指标直接挂钩。对于保险公司来说，考虑生产率、准确性和质量方面的运营改进以及成本节约十分重要。

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。