2024 诞生式 AI 在保卫银行业中的底力与应用报

你不能赢 ， 如果你不玩 IBM 如何提供帮助 IBM的咨询服务和一系列保险解决方案通过利用开放混合云产品来推动新的风险产品和服务，这些产品基于数据和可信赖的人工智能，同时现代化并自动化混合云系统以提高灵活性、韧性和效率。欲了解更多信息，请访问ibm.com/industries/insurance。 关键要点 保险公司可以通过生成式AI在客户对话中取得繁荣发展，但更大的价值在于在整个企业范围内构建具体的改进，包括风险咨询、产品开发和端到端流程。 保险公司正在使用生成 AI 在客户体验中赢得早期胜利 ， 但还有更多工作要做。 保险公司在其客户系统中大量使用生成型AI的，在客户满意度方面显著优于完全不使用生成型AI的保险公司，包括留存率高出14%和净推荐值高出48%。 客户想要与他们的风险相匹配的建议和产品 ， 而不仅仅是更好的聊天机器人体验。 保险公司专注于品牌形象和产品体验，而客户则表示，满足其独特需求的定制化产品是他们的首要要求。 较少集中的运营模式开发 gen AI 能力改善业务成果高达 14% 。 他们看到更好的运行 / 构建比 ， 更快的上市速度 ， 更高的客户满意度和保留率。 保险公司的生成 AI 平衡行为 1保险业首席执行官在生成 AI 上平均分配 ：51% 的人认为这是一个机会 ， 49% 的人认为这是一个风险。 行业高管预计将以生成式AI推动竞争优势，通过改进销售、客户体验和组织能力来提升竞争力——但他们也对网络安全和运营风险，以及不准确性和偏见可能引发的问题保持警惕。2 无论保险公司在谨慎和风险缓解方面表现出的趋势如何，抓住机遇的压力依然存在。77%的行业高管表示，他们需要迅速采用通用人工智能以跟上竞争对手的步伐。3 随着保险公司在这条细线上谨慎前行，既要迅速构建新一代AI能力，又要管理新一代AI的风险和合规性，它们正基于IBM商业价值研究院（IBM IBV）的新研究积极推进相关应用。预计从2023年到2025年，对新一代AI的投资将激增超过300%，组织机构也将从单一或少数领域的试点转向整个业务职能范围内的实施。 组织也开始尝到成功的甜头。早期采用生成型AI技术并在面向客户系统中显著使用的企业，与完全不使用的保险公司相比，客户满意度有了显著提升，包括留存率高出14%，净推荐值高出48%。而跨直接销售渠道、代理渠道和银行渠道使用生成型AI的保险公司，则在销售、客户体验和客户获取成本方面取得了改善（见图1）。 然而，我们对1,000名全球保险和银行保险高管以及4,700名保险公司客户进行全面调查也揭示了保险公司在关于生成式AI期望和担忧方面与客户之间存在显著分歧。为了继续实现这些好处，保险公司明智的做法是花时间评估双方的观点。what他们正在用技术和how他们正在做这件事。 在本报告中，我们探讨了保险提供商在评估其通用人工智能（gen AI）战略时应考虑的三个关键因素：客户参与、技术准备和运营模式。在第一部分中，我们将讨论消费者与保险公司对通用人工智能的期望之间的当前差距、这一差距带来的机会以及负责任的人工智能的重要性。在第二部分中，我们将分析人工智能与遗留基础设施之间的互动及其如何影响人工智能的交付。在第三部分中，我们将考察通用人工智能运营模式对组织决策框架及关键业务指标的影响。每个部分附带的行动指南提供了保险公司可以立即采取的步骤，以将通用人工智能的增长潜力转化为现实。 备选案文 1 缩小与客户的 AI 差距 保险公司对生成性人工智能（gen AI）的应用需要超越个性化对话和聊天机器人，真正实现客户导向的客户、风险和产品匹配。 客户参与已成为保险公司在人工智能项目中的首要优先事项。大多数保险公司高管报告了在人工智能助手（66%）、增强客户服务（65%）、直接客户帮助（62%）和开发人员生产力（60%）方面的进展。但这里存在一个断点：生成式人工智能驱动的客户服务并不是保险公司客户的主要优先事项。客户超越了即时的服务体验，提出了一个更深层次的问题：我是否获得了合适的产品来抵消自己的风险？ 客户对生成式AI在客户服务和保险咨询中的应用仍存在重大疑虑。仅有29%的客户感到舒适，认为生成式AI虚拟代理能够提供客户服务，而认为其能提供保险建议的客户比例更是只有23%。仅仅26%的客户信任生成式AI提供的建议的可靠性和准确性。在这种环境下，生成式AI个性化可能不会提升客户信任；反而可能削弱客户的信任。企业未能花时间了解客户需求和关注点，正在重蹈覆辙。4 审视保险公司如何利用生成式AI满足客户优先级，客户最看重的功能选项在保险公司列表中排名较低：更加个性化和符合个人需求与偏好的产品（见图2）。保险公司的客户希望获得定制化且可靠的金融产品，而不是那些不透明、不安全且复杂的高端产品。 两个小组都认为利用生成性人工智能（gen AI）来实现个性化定价或促销非常重要。然而，许多保险公司尚未将这一观点付诸行动——营销在他们正在实施或运行的AI应用场景中排名较低，处于第三梯队。保险公司的管理层认为个性化服务是一个关键问题，但保险客户期望的是更根本性的变革。 在审视客户对生成式AI的关注点时（见图3），还暴露出了额外的差距。虽然保险公司和客户都对生成式AI缺乏人类控制表示担忧，但他们的看法在此之后出现了分歧。客户更加关注实际实施问题，如隐私和数据安全、可能的诈骗以及缺乏监督下的不准确回应。相比之下，保险公司认为AI伦理政策可以解决这些问题，但客户显然并不这么认为，将这一点列为他们顾虑的最后一条。客户寻求的是实际的道德行为，而不是空洞的道德声明。 图 3 尽管这些差距挑战着当前保险公司的努力，也为精明的保险公司提供了超越竞争对手的机会。保险公司可以通过抓住通用人工智能的能力，支持新的个性化产品类型，并采用更加针对性的方法更快地推向市场来实现差异化。例如，最近IBM商业价值研究显示，领先的数字产品组织正在利用AI来研究消费者和用户需求、理解产品使用情况以及整合客户反馈。5对于保险公司而言，这意味着不仅要提供个性化服务，还要确保客户、其风险与保险公司的产品之间真正匹配。鉴于保险公司对品牌形象的投资以及监管限制，信任和质量必须无可挑剔。 生成式AI也可以帮助保险公司扩大产品范围：高管们预计2025年产品开发速度将加快3.6个月，并增加50%的新产品数量。过往IBM IBV保险行业研究显示，扩展非传统产品 offerings 将实现较强的市场渗透和收入预期。6 但信任、安全和公平仍是基本要求。77%的保险CEO表示，建立和维护客户信任将比任何特定的产品或服务对组织的成功产生更大的影响。7由于保费上涨 ，消费者对保险业的信任已经不稳定 ，8我们的研究显示 ， 自 COVID - 19 之前以来 ， 保险公司的总体信任得分下降了 25% 。 持续的努力赢得信任意味着保险公司必须以增强客户关系而非损害客户信任的方式部署生成式AI。他们无法忽视负责任的AI实践和安全问题，并且必须在整个企业范围内有效治理AI的使用。 保险公司必须以建立客户融洽关系的方式部署 Gene AI， 而不是破坏它。 行动指南 做什么 客户对生成式AI的失误极为重视：67%的受访者认为，如果生成式AI出现问题，保险公司应当承担责任。此外，61%的受访者希望在保险公司使用AI服务时被征求同意，并且在使用AI时应有明确的通知。要在生成式AI时代取得成功，保险公司必须平衡客户服务、个性化产品和服务以及负责任的AI最佳实践。 关键实践 构建具有灵活性、建议和数据链接的更多定制产品。 利用AI解决方案简化工作流程并在销售和服务过程中改进具体步骤。这可以加速产品设计和交付，并提升服务交付效率。选择能够利用近边缘数据的AI工具，例如在数据收集点进行-telematics总结。部署数据框架，将有意义的客户数据在整个典型的保险数据景观中联邦化，结合本地系统、多个云环境以及生态系统合作伙伴（如洪水模型、安全系统、天气和气候数据或社交媒体数据）。确保从企业核心和非核心系统访问数据，以支持本地通用人工智能模型开发，从而促进创新同时保持数据的内部管理。 将这些产品与客户智能匹配。 利用生成式AI技术将产品和服务更准确地连接到客户需求。分析消费者数据和呼叫中心的最佳实践，并在理赔和服务过程中向客户服务代表提供这些信息。根据客户的风险、需求、愿望和关注点驱动最佳行动建议，并将产品与客户当前的生活状况相匹配。通过在风险考虑点将保险产品嵌入更广泛的金融生态系统中来提升用户体验，并在当地嵌入AI以提供无缝的服务和建议给客户。9 解决信任分歧。 保险公司必须将人工智能思维从“它应该有效”转变为“它是否应该有效？”人工智能将在保险的技术架构中迅速占据地位，类似于云技术的普及。不要强行将一种人工智能模型适用于所有场景；要为未来多种多样的人工智能模型做好准备。积极治理模型性能，关注公平性、透明度和幻觉问题。确保所有模型的结果具有可解释性，并理解决策的信心水平。赋予人类更好的决策能力，而不是完全依赖自动化。选择内置治理和合规报告功能的人工智能模型解决方案。在人工智能框架层面加强安全、数据治理和数据隐私保护，而不仅仅是针对个别的人工智能模型。令人鼓舞的消息是：同样的时间考验过的安全和隐私最佳实践可以作为通用人工智能模型和解决方案的基础。10 Gen AI 给技术领域带来了压力 - 但也提出了现代化的方法。 在IBM IBV 2024科技领导者研究中，44%的保险CIO、CTO和CDO表示，新的商业模式和以体验为导向的组织是最能在未来三年内带来竞争优势的重要因素。但超过一半的人认为，他们的技术在交付客户体验方面仅是中等有效。11 生成式AI是众所周知的保险冰山一角：一个复杂的技术资产，正在老化，并且往往不总是对新的通用AI模型和代码开放。保险核心系统的技术债务使得在市场条件、客户偏好和监管要求快速变化的情况下，难以适应新的AI能力。71%的高管表示他们正努力应对维护遗留应用程序的高昂成本。维持系统的运营成本也限制了对生成式AI的投资，保险公司目前报告的平均运行/构建比率为2:1。 有趣的是，那些承认自己的IT系统和架构过于复杂的比例达到49%的企业实际上拥有较低的“运行/构建”比例。他们对实施复杂性的认识可能促使他们在减少复杂性的项目上进行更好的优先级排序。89%的保险高管认为，拥有更简单系统的组织将更快、更有效地采用生成式AI。 89% 的保险高管同意那些具有更简单的组织系统将更快 ， 更多有效采用生成式 AI 。 系统复杂性也阻碍了生成式AI的应用，这限制了底层训练数据的质量。52%的高管表示，数据限制（包括数据不足、不可访问、不完整或无法使用）是减缓产品上市速度的因素。实际上，在过去六个月内，56%的保险科技领导者表示他们对缺乏自有数据以定制生成式AI模型的担忧有所增加。12这些数据问题往往可追溯到多个技术栈中孤立的系统，这使得数据共享变得困难。 compounded the data 问题，74% 的保险公司预计成功的企业将部署多个通用人工智能（gen AI）模型。这些模型需要连接到典型的金融服务数据景观中的多个记录系统，从云服务到40年的本地应用程序。85%的企业报告称，其数据、应用程序和服务分布在多个云中。所有保险公司的高管都采用了开放标准，但在各功能之间的技术集成程度有所不同（见图4）。 为了使通用人工智能（gen AI）支持更快的产品开发，组织必须在其基础设施中连接数据，包括数据摄取和激活。近三分之一的保险公司已经实现了这一架构，报告称他们在企业范围内拥有开放、共享和集成的技术和数据。 图 4 备选案文 2 行动指南 做什么 生成式AI需要在整个企业范围内发挥作用，而不仅仅局限于特定的理赔或保单管理系统。然而，77%的保险公司依赖于超过六年的定制核心应用程序。几乎一半的保险公司表示其系统过于复杂——这是他们多年来一直在重复的说法。他们必须考虑在这种现实情况下运作的AI方法，并通过采用混合