基本功与认知：保险+AIGC应用观察由于近期公众号推送机制改变，欢迎您在公众号首页点击右上【···】，将保观设为“星标”，及时跟踪行业最新资讯

　　去年2月，我们在保观公众号上发布了一篇文章--《ChatGPT写的第一篇保险分析文章----人工智能如何理解代理人制度改革》。

　　过去一年多的时间里，我们也一直在持续关注AIGC的发展，很多进步都超出了我们当时的预期和想象。过去这一年，ChatGPT已经迭代到了GPT-4，功能不断增强，预计GPT-5也快发布了；文生视频Sora发布了，效果非常惊艳；国内的大模型也像雨后春笋一般冒了出来，互联网大厂和各类科技公司纷纷入局，“百模大战”的盛况让人依稀想起了互联网热潮时的“百团大战”。我们的市场孕育出了Kimi这样的明星公司，前不久还推出了号称“中国版Sora”的Vidu。这么多大模型和AIGC应用集中涌现，选择困难症都要犯了。

　　ChatGPT发布后，国内外的保险同行一直在持续不断地探索尝试，尤其是头部保险机构，跟踪得更紧密一些。而且，尽管近两年国内保险科技投资市场低迷，大家对“保险+AIGC”方向的创业和投资都兴趣缺缺，但我们关注到，国外一些保险AI相关的公司还是乘上了这波热潮，融到了一些资金。

　　这些应用案例里，阳光保险的正言大模型在行业里知名度比较高；除此之外，中国人寿、中国人保等头部保司其实也已经躬身入局。

　　当然，中国保险+AIGC应用的市场全景不止于此。目前来看，AIGC在保险领域应用的整体特点可以概括为：讨论很多，但实际落地的应用比较少。大模型在垂直领域的应用首先要明确应用的场景、要解决的问题，还要进行大量的数据训练，耗费大量的资金，这些基础要求就已经超出了绝大部分保险机构的能力范围。客观来说，虽然通用大模型迭代很快，但对于具体业务来说，它还是并不成熟的技术，应用的不确定性比较强；加上当前市场环境下，不少公司都在削减开支，所以大部分机构还是持观望态度。

　　目前AIGC更适合标准化、简单重复的只是搬运类工作，所以在已经投入应用的领域中依然以中后台职能的辅助为主。

　　AIGC落地相对容易的环节包括行政、审计、校对、质检、编程、公文写作这些有相对标准格式和流程的工作。理论上来说，核保、承保、理赔等环节也是AIGC应用比较匹配的场景，但实际落地的也并不多。

　　这方面值得一提的是，在国外，OpenAI已经和健康险公司Oscar Health建立了合作。Oscar Health可以通过OpenAI的API处理临床文件，节省了40%的文件；还构建了一个理赔助手，可以自动回答客户的理赔问题，跟踪理赔情况，准确性不比人工客服差。据说，这个理赔助手每个月可以处理4000张理赔单（这个数字看上去不大，但我们认为主要影响因素应该是Oscar Health自身的业务体量，OpenAI的技术能力上限不止于此）。

　　OpenAI究竟能帮保险公司提高多少效率？国内什么时候能真正运用AIGC处理核保、理赔方面的工作呢？这些问题的回答还要花一些时间，但至少已经在落地的路上了。

　　关于AIGC与保险的结合，行业最希望看到的当然是它对销售的赋能。大家应该已经在日常工作中看到了一些用AIGC写宣传资料、用数字人做短视频的案例，这两个方向也是目前和保险营销最相关的应用方向。

　　但整体而言，保险营销赋能还是AIGC应用中难度最大的环节之一，有很多问题要解决。例如，在技术层面，我们看到的大部分数字人技术并不成熟，和我们理想的应用情况还有段距离；数字人还有销售资质的问题要解决。再比如，虽然很多用户觉得大模型写文章写得还挺好的，但坦白说，这种“还不错”的评价更多的是基于对常规、标准化内容的判断，而IP的打造、成功的营销应该是个性化、差异化的，这对使用者自身的能力和大模型的性能其实有一般人很难想象的高要求。

　　现有的保险大模型基本都是基于通用大模型进行一些“改造”后形成的，选择哪个大模型作为基础是影响实际使用效果的一个重要因素。

　　有些用户体验过多个大模型，常常感觉这些大模型功能都挺强大的。但实际上，不同大模型的能力差异还是挺大的，包括理解能力、逻辑能力、生成质量、拟人性等等。接下来我们用一个案例来比较四个大模型的能力：Gemini、ChatGPT、文心一言和豆包。

　　意外伤害险：保额50万元/人，保费约500元/年/人，为全家人都购买一份意外伤害险，保障因意外事故导致的伤残或死亡。

　　医疗保险：主险保额100万元/人，免赔额5000元/人，保费约2000元/年/人，为全家人都购买一份综合医疗保险，保障因疾病或意外导致的医疗费用支出。

　　定期寿险：保额100万元/人，保费约1000元/年/人，为爸爸和妈妈各购买一份定期寿险，保障身故时的经济损失。

　　重大疾病保险：保额50万元/人，保费约2000元/年/人，为全家人都购买一份重大疾病保险，保障因重大疾病导致的医疗费用支出。

　　意外伤害险：保额50万元/人，保费约500元/年/人，为全家人都购买一份意外伤害险，保障因意外事故导致的伤残或死亡。

　　投资型保险：保额100万元，保费约1.5万元/年，为爸爸和妈妈各购买一份投资型保险，兼顾保障和理财需求。

　　明确自身的保险需求。在选择保险产品之前，应先明确自身的保险需求，包括需要保障的风险类型、保障范围、保障水平等。这样才能更有针对性地选择产品。

　　了解保险产品的保障范围和免责条款。保险产品的保障范围是指保险公司在约定的保险责任范围内承担赔偿保险事故损失的范围。免责条款是指保险公司在约定的保险责任范围内不承担赔偿保险事故损失的情形。在选择保险产品时，应仔细阅读保险合同，了解保险产品的保障范围和免责条款，以免发生理赔纠纷。

　　比较不同产品的性价比。在选择保险产品时，应比较不同产品的保障范围、保费、理赔服务等，选择性价比最高的產品。

　　选择信誉良好的保险公司。在选择保险公司时，应选择信誉良好的保险公司，这样才能确保理赔时有保障。

　　如果年保险预算为2万元，如何配置保险以实现最大的保障效益，将需要精心策划并做出权衡选择。主要目标是确保基本的风险覆盖，同时在有限的预算内尽量获取最大的保障。以下是一个基于这样预算的保险购买策略：

　　如果预算还有余地，可以为孩子的教育投保，这通常通过教育储蓄保险来实现，但这可能需要额外的预算调整。

　　最后，咨询专业的保险顾问也是非常重要的，他们可以提供针对你具体情况的建议，确保你在有限的预算内获得最佳的保障。

　　在预算为2万元的情况下，想要购买保险最划算，需要综合考虑多个因素，包括家庭成员的年龄、健康状况、收入状况以及家庭的风险承受能力等。以下是一些建议，以帮助您在有限的预算内做出明智的保险选择：

　　明确保障需求：首先，明确自己和家庭成员的保障需求。考虑可能面临的风险，如疾病、意外、养老等，并据此确定需要购买的保险类型。

　　优先选择基础保障：在预算有限的情况下，建议优先选择提供基础保障的保险产品，如重疾险、医疗险和意外险。这些保险能够在关键时刻为您提供经济支持，减轻家庭负担。

　　比较不同产品：在市场上，同类型的保险产品可能有很多不同的公司和产品可供选择。因此，建议您在购买前仔细比较不同产品的保障范围、保费、理赔条件等，选择性价比高的产品。

　　关注保费与保额：在预算范围内，尽量提高保额，以确保在风险发生时能够获得足够的保障。同时，也要注意保费的支付能力，避免因保费过高而影响家庭日常生活。

　　考虑家庭成员情况：家庭成员的年龄、健康状况等都会影响保险的选择。例如，如果家庭成员中有老年人或儿童，可能需要考虑购买专门的老年险或儿童险。

　　选择正规保险公司：购买保险时，务必选择正规、有良好信誉的保险公司。这样可以确保您的权益得到保障，避免出现理赔难等问题。

　　定期调整保险计划：随着家庭成员年龄、收入状况等因素的变化，保险需求也会发生变化。因此，建议您定期回顾和调整保险计划，以确保其始终符合家庭的需求和风险承受能力。

　　总的来说，在预算2万元的情况下购买保险最划算的关键在于明确保障需求、优先选择基础保障、比较不同产品、关注保费与保额、考虑家庭成员情况、选择正规保险公司以及定期调整保险计划。通过综合考虑这些因素，您可以在有限的预算内购买到适合自己的保险产品。

　　家庭经济支柱：配置多次赔付终身型重疾险+单次赔付定期重疾险，以确保70岁前有60万重疾保障，70岁后有30万的重疾保障。同时，为父母各配置100万的定期寿险。

　　通过以上测试结果可以看到，Gemini和ChatGPT对这个问题对理解比较全面：这两个大模型都记住了有“预算2万元”这个约束条件（虽然ChatGPT生成的方案的预算超过例外2万元，但整体还是在可以接受的范围内），基于这个条件给出了保障方案以及注意事项。虽然方案并不完善，也没有推荐具体的产品，但现在还不必太苛求这些问题，毕竟，他们只是我们用来测试的通用大模型。

　　还要提醒一下，Gemini生成的结果中有一个明显的bug：它并没有说明“全家人”究竟是多少人八戒体育官方网站。是2个人？3个人？还是更多人？缺少了这个前提条件，计算准确性就无从判断。相比较之下，ChatGPT考虑得更周密一些，它在生成方案时首先假设了这是一个三口之家。

　　两个国产大模型--文心一言和豆包则完全忘掉了“预算2万元”这个条件，生成的回答中一点都没有涉及这个重要前提。文心一言的回答看上去内容量挺大，但实用性最差。

　　文心一言和豆包对这个问题的理解比较片面，由此也可以看出大模型之间的差距。选择合适的大模型对保险业务AIGC应用的效果影响很大，而且大模型还在持续迭代，每次更新意味着要投入新的成本，这是保险与AIGC结合的一个基本挑战。

　　数据是AIGC应用中需要着重解决的另一个问题。众所周知，海量的数据训练是大模型应用的基础。除了数据规模外，还要关注数据质量。而数据的积累和预处理是保险业长期存在的薄弱环节，例如，很多公司的内部数据都散落在各处，部门间数据流通不畅，和医疗等其他行业的数据联通则更少。

　　此外，保险业务中涉及大量文件、单据，这些资料的内容结构、专业词汇等千差万别，存在大量非标准化数据，不出意外的话还存在大量错误数据。要做好数据的沉淀和预处理，同样要投入很多成本。

　　上一个章节更多讲的是保险+AIGC应用在开发侧的两个主要难点。从应用端来看，核心的困难其实可以归结为一点：用户的个人认知与能力。

　　普遍认为，AIGC可以帮助我们提高效率，让人能变成“超级个体”。这种说法听起来没错，但我们认为，AIGC不会“平等”地赋能所有人，让小白也能很快接近专家的水平，至少短期内是绝对做不到的。

　　每个人自身的认知水平和能力决定了TA通过AIGC可以提升的效率的上限。过去使用互联网等技术工具时，其实我们可以获得很多“被动”的启发，比如，你在搜索过程中常常会发现很多意想不到的结果。

　　而AIGC和大部分工具的一个显著差异在于，用户需要首先搞清楚自己的需求，然后主动发起这些需求。在用ChatGPT等大模型解决问题的过程中，也是用户在按照自己的思路引导解决方案的走向。所以，因为每个用户在对问题设置的范围、对待问题的切入点、假设的解决方案的广度、逻辑能力、提问方法、表达能力等方面的差异太大，最后得到的结果质量也会千差万别。另外一方面，大模型的训练也是基于已有的经验。如果人类，或者说某个群体本身经验就很有限、很浅薄，训练出来的大模型能力也不会很强。

　　举个例子，从逻辑上我们认为，大模型在风险管理方面有很大的潜力。但风险管理的方法、模型有很多，如果整个行业对此都没有太多的研究和经验，怎么能期望大模型能自己生成超出现有水平的最优解呢？即使得到一些答案，又如何判断答案的可信度呢？

　　这个问题这和大模型技术本身关系不大，和“人”自己的水平关系很大。人的认知分四个层次：我知道我知道（它）；我知道我不知道（它）；我不知道我知道（什么）；我不知道我不知道（什么）。如果只停留在第一个层次，那就只是“井底之蛙”的水平，只有少之又少的所知所得。认知越高、能力越强的人越有机会通过AIGC成倍地提高自己的水平，找到比其他人更好的防范，毕竟大部分人很难想到自己没有见过、没有概念的东西。

　　总而言之，短期内，AIGC有机会取代中等及以下水平的人，而那些专业能力、创新能力、突破能力比较强的人在AIGC的帮助下将有更多机会甩开其他人，让AI成为自己的分身，真正做到“以一当十”甚至“以一当百”。

　　客观地说，对AIGC的期待与AIGC当前的实际应用能力还是有很大差距的。在新技术发展过程中，这是很正常的现象，正如比尔·盖茨所说，我们总是高估在一年或者两年中能够做到的，而低估五年或者十年中能够做到的。

　　所以，眼下我们不必神化大模型的作用，也没必要产生不切实际的过高的期望。但一定要持续关注大模型进展，而且一定要多试多用，甚至要有意识地培养自己“跨模型”应用的能力，因为不同的大模型可能有不同的优势。

　　我们希望AIGC的这股热潮不只是一个噱头，而是要真正转化成对保险业务生产力有帮助的工具。也希望在这波新浪潮中，保险行业能够保持足够的敏感性，不要在不知不觉中成了时代的落后者。