随着深度学习与机器学习新技术浪潮的兴起，人工智能(AI)展现出其能实现模仿人类感知、推理、学习和解决问题能力的潜力。以生成式人工智能（Gen AI）为代表的大模型所产生的积极影响，正在深度渗透保险行业的各个方面，这一技术跃迁将不可避免地驱动保险行业运营从当前的"检测与修复"向"预测与预防"全面转型。

人寿保险领域

AI能够执行传统上依赖人类智慧的任务，这预示着其在任务层面替代人力的可能性。然而，对AI模型后续发展与相关应用的分析表明，AI带来的主要生产力提升仍应源于工作流程的重构，而非单纯优化任务完成。¹

这些AI创新也可能为保险公司带来新的挑战。例如，模型偏差可能导致分析结果不精确，过度依赖AI可能引发客户对使用公平性的担忧。尽管保险公司已经意识到AI在效率提升方面的潜力，但在引入解决方案时仍需保持谨慎态度。²

寿险核保

在寿险核保方面，除了实现预设的核保风险筛选结果，保险公司也始终致力于追求更高效的核保流程。通过更深度地学习保险公司现有数据，搭建更完善的系统架构，AI比其他系统优化方案更好地响应了提升效率这一需求。

AI可通过以下多种途径提升核保效能。首先，AI能通过提供更快速更精准的核保决策来提升复杂案件的评估效率。其次，AI处理常规案件的的效率和一致性更高。再次，通过机器学习技术AI可助力核保人员加速处理医务与财务核保评估，保险公司也可通过对比AI核保结论、人工核保结论及理赔经验三者提炼见解或形成结论。

AI核保风险评分体系

AI赋能传统核保的途径多种多样，其中”AI核保风险评分”是业内较为常见的形式。AI模型快速分析现有保单记录与客户画像后生成此评分。AI评分与客户风险画像直接相关，因此可以跳过多单同时投保、小额理赔史及次标准体记录的规则的拦截。

AI核保风险评分可以作为评估有多种风险因素的被保险人死亡风险的量化指标。使用该评分的保险公司会持续监控模型表现，以确保效率与风险的平衡。通过分析承保率、销售影响及承保类别组合，可有助于保险公司实时动态优化模型。

挑战

方法论

传统核保基于循证原则，大数据评估更依赖于数据量大，前者的亦步亦趋与后者的不确定性之间存在冲突。前者依赖于可信加权风险因素(如冠脉疾病风险因素)与额外死亡率/发病率的关联性，³  而后者由算法驱动的机器学习产生。机器学习潜在的偏差是一个值得关注的话题。受限于训练数据的数量与质量，系统可能习得并在实际应用中放大这些偏差。因此，确保算法的公平性与无偏性是AI辅助核保决策的重中之重。（更多内容可参见博文《理解算法公平性的重要性》）。

同理，AI核保风险评分必须证明兼具公平性、透明性与可解释性。然而，初步分析显示海外部分采用AI核保风险评分加速核保流程的案件，其理赔经验与传统核保案件经验相比，结果仍值得商榷。因此，核心挑战不仅在于模型的选择，更需要确保效率提升和风险筛选效果之间的平衡。

法律合规考量

法律风险(如版权侵权)与伦理问题(如种族/性别等敏感特性)均是必须重视的问题。严格的数据隐私保护法规使直接使用客户数据训练AI模型面临挑战。采用去标识的结构化数据来训练模型可以帮助直保公司解决上述顾虑。⁴ 但当直保公司应用其掌握的大量去标识数据时，仍面临数据设定与挖掘的难题。例如，当分析过去五年中次标准体案件时，通常仅有分类编码而无具体原因。这导致被保人加保新险种时，由于不同险种的风险判断标准差异，保险公司无法直接识别其风险等级。该实例体现了直保公司面临精准区分“次标准体”案件的挑战。

模型训练数据的可用性

去标识化的客户行为数据、结构化电子医疗记录(EHR)、实验室检查以及主治医生报告(APS)摘要等资源均已在AI模型训练中开发应用，以期提高AI核保评估的准确性。部分公司运用光学字符识别（OCR）技术与自然语言处理(NLP)技术提供APS摘要和评分服务，然其在核保领域方面的准确性尚未得到充分验证。

Gen Re正在积极尝试用OCR技术提取APS中的核保信息，例如，Gen Re科隆研发团队已帮助德国市场实现OCR驱动的失能险评估技术，计划下一步将这项技术扩展至其他语言环境和保险产品中。

就EHR数据而言，部分可从供应商处直接采购。若需获取模型训练所必要的真实且细化的数据，则通常需在客户授权后方可从社保系统调取。当与直保公司探讨AI核保风险预测模型的实际应用表现时，我们建议模型的逻辑推理与代码编写需在经验丰富的核保师指导下进行。若受限于数据质量和数量，我们建议将模型监控、硬性规则实施与持续校准作为保障模型性能达标的关键要素。

总结概要

本文旨在探讨在传统人寿保险/再保险行业中，核保流程如何与有AI加持的核保决定协同工作——如何平衡流程的效率与结论的准确性。在模型训练阶段，AI核保模型对被保险人的结论应保持一致性，并与人工核保决定比对，以保证其效率及一致性的可信度。AI核保风险评分还可通过预评分协助销售团队筛选并挖掘更多潜在客户。但是，鉴于不同销售渠道的有效风险因素可信度与保险医学检查数据存在差异，我们需谨慎调整各渠道风险评分系统的适用范围。

未来展望

在确认个人信息保护事宜前提下，通用再保险期待积极参与客户公司AI核保模型构建，或提供建议，凭借对AI核保模型技术细节的专业认知和已经积累的丰富经验，创造显著价值。具体支持内容包括识别不同AI模型的潜在风险，制定全流程风险监控与后续应对方案。

我们会根据您的业务需求提供定制化的战略指导建议，确保AI模型与业务目标精确匹配。例如，评估特定保险产品是否适用AI模型。核保专家与大数据专家紧密协作可保障技术方案的业务适配性，这种” 专业支持+快速响应”的服务模式一直深受客户好评。

正如MIT 经济学家大卫·奥特所言: “社会对早期技术变革浪潮的适应不会自动实现，需要付出较大的时间和经济成本，但终将获得丰厚回报。”⁵ 我们期待与您共同探索更多的合作可能，在坚守传统核保原则和遵循法理的基础上，迎接AI技术带来的保险行业变革。

参考文献

1. Schmid F., “Generative Artificial Intelligence in Insurance – Four Aspects of the Current Debate”, Gen Re, 31 Jan. 2024, https://www.genre.com/knowledge/publications/2024/february/generative-artificial-intelligence-in-insurance-en, last accessed 4 Mar. 2025.
2. Chechel F., Fullerton M., “New Life & Health Technologies – A Double-edged Sword”, Gen Re, 21 May 2024, https://www.genre.com/knowledge/publications/2024/may/new-life-health-technologies-a-double-edged-sword-en, last accessed 4 Mar. 2025.
3. Wilson P. W., D’Agostino R. B., Levy D., Belanger A. M., Silbershatz H., Kannel W.B., “Prediction of coronary heart disease using risk factor categories.” Circulation, 1998;97:1837‑1847., https://pubmed.ncbi.nlm.nih.gov/9603539/, last accessed 4 Mar. 2025.
4. Hintze M., “Viewing the GDPR through a de‑identification lens: a tool for compliance, clarification, and consistency”, International Data Privacy Law, Volume 8, Issue 1, February 2018, Pages 86–101, https://doi.org/10.1093/idpl/ipx020, last accessed 4 Mar. 2025.
5. Autor D., “The Future of Work”, EconoFact Chats, 19 Dec. 2021, podcast: https://econofact.org/podcast/the-future-of-work, podcast transcript: EFChats-Transcript-David-Autor-FutureofWork.pdf, last accessed 4 Mar. 2025.