过去几年，保险业的人工智能应用多集中于客服问答、票据识别和流程自动化；进入2025年至2026年，竞争焦点已转向核保、理赔、反欺诈等核心环节。最新一轮落地不再只是部署一个模型，而是将大模型、多模态识别、知识库、规则引擎和智能体接入业务系统，形成可执行、可复核、可追溯的流程闭环。

核保：从规则自动化走向智能辅助决策

传统智能核保主要依靠结构化问卷和固定决策树，适合健康告知简单、风险边界清晰的标准件。当前产品升级的重点，是利用OCR和多模态模型解析体检报告、病历、检验单等非结构化材料，再结合核保手册、疾病知识库和历史案例，识别异常指标并匹配承保规则。

从公开进展看，智能核保已具备较高的规模化程度。中国人寿披露，2025年上半年数字核保员带动核保智能审核率提升至95.8%；众安保险同期承保自动化率达到99%。这些数字表明，在互联网短险、标准化健康险及规则明确的寿险业务中，自动审核已经从试点工具转变为日常生产能力。相关进展可参见中国银行保险报相关报道[1]。

生成式AI带来的变化并不是取代原有规则引擎，而是增强材料理解和规则检索能力。核保系统可以先形成风险摘要、依据定位及处置建议，再由规则引擎执行确定性判断，将复杂件转交人工核保。麦肯锡披露的国内案例显示，有寿险机构应用生成式AI后，核保规则自动匹配准确率达到98%，说明“知识库检索加人工复核”正在成为更现实的落地方式，详见麦肯锡分析[2]。

理赔：自动化覆盖范围继续向复杂案件延伸

智能理赔最成熟的落地点包括票据识别、保单责任匹配、材料完整性检查、赔付金额计算和异常线索筛查。车险侧依靠图像识别判断受损部位并辅助定损，健康险侧则利用医疗文档解析和医保商保数据连接，减少客户反复上传材料。

2025年上半年，平安产险将非车理赔端到端自动化覆盖至近百万案件，实现55%人伤案件理赔自动化，最快51秒结案；中国人寿商业保险理赔案件超过1200万件，数智化服务赔案占比超过75%，部分医保商保融合快赔试点实现案件无人工处理。这类落地的关键，不只是模型识别速度，更在于报案、材料获取、责任判断、支付和回访等环节能否真正贯通，相关数据见行业盘点[3]。

进入2026年后，头部机构开始尝试让智能体承担跨系统任务。中国太保产险推出在线理赔智慧员工“灵析”，将作业辅助、风险预警和品质管理纳入同一链路；中国人寿披露其2025年理赔平均时效为0.36天。由此可见，理赔AI的评价指标正在从单一识别准确率，转向自动结案率、人工介入率、异常召回率、客户补件次数和全流程时效，详见上市险企年报观察[4]。

反欺诈与风险减量成为重要价值出口

自动理赔越快，欺诈识别越需要同步前置。当前常见方案包括重复图片检测、票据篡改识别、医疗费用异常分析、关系图谱挖掘以及维修机构风险画像。AI负责从海量案件中筛出高风险线索，调查人员负责核验事实，避免将模型评分直接等同于拒赔结论。

公开年报显示，2025年平安产险反欺诈智能化理赔拦截减损105.1亿元，连续三年减损超过百亿元；中国太保将大数据和大模型应用于内控及风险监测，智能风控实现增量减损1.6亿元。这意味着保险AI的商业价值已不局限于节省人力，还体现在降低不合理赔付、提升风险预警能力和改善组合质量。

规模化落地仍有三道门槛

• 数据门槛：病历、影像、保单条款和历史案件分散在不同系统，字段标准不统一。若数据治理不足，大模型只能生成看似流畅但无法执行的建议。
• 决策门槛：核保和理赔直接影响消费者权益。复杂件、大额案件、拒保或拒赔建议，需要保留人工复核、依据展示、操作日志和申诉通道。
• 治理门槛：模型可能出现幻觉、偏差、提示词攻击及知识过期。保险机构必须建立版本管理、效果监测、回退机制和第三方模型准入制度。

清华大学五道口金融学院发布的《AI保险行业应用创新白皮书》指出，保险AI正从单点任务赋能转向流程协同，但仍面临模型稳定性、数据孤岛、人才不足和合规治理等挑战，详见白皮书发布说明[5]。这也提示行业：模型能力只是起点，数据、知识、流程和治理才决定产品能否长期运行。

总结：人机协同将是现阶段主流形态

总体来看，AI保险核保与智能理赔已经进入规模化应用阶段：标准件正在加速自动处理，复杂件由AI完成材料理解和辅助判断，反欺诈则成为连接效率与风险控制的重要环节。短期内，最可靠的产品形态不是完全无人化，而是“机器处理高频标准任务、人工负责复杂判断与最终责任”。下一阶段的竞争重点，也将从模型参数转向业务闭环率、决策可解释性、风险控制效果和客户真实体验。