欧洲保险业采用生成式人工智能的晴雨表

欧洲保险业生成式人工智能采用情况气压计 贝内迪克特·奥比尼亚特尼科洛·巴塞蒂亚历山大·布姆祖德阿德尔·谢尔查利 马尔库斯·赫尔彻阿兰·麦克唐纳帕特里克·梅格恩罗素·奥斯曼 工作普林斯让-巴蒂斯特·萨尔曼·达维德·桑迪乌齐·何塞·席尔维罗 伊哈夫·图图雷蒙德·范·艾斯直接·周 执行摘要 生成式人工智能正通过提升保险价值链的各个方面，从承保和客户服务到精算和法律职能等，改变保险行业。本文通过市场中的真实案例研究，探讨了欧洲保险行业生成式人工智能应用现状。尽管其中许多展示了成功实施，并展示了人工智能驱动策略的实际效益，但保险市场无疑面临挑战，包括劳动力培训和监管合规问题。最终，本文可以作为一份指南，指导那些寻求竞争优势和效率提升的保险公司采用生成式人工智能的关键领域。 生成式人工智能术语介绍 人工智能包括机器学➀和生成式人工智能等各种概念。1本文重点探讨保险公司通过利用大型语言模型（LLM）及其在图像领域的对应模型所能创造的价值。为简便起见，本文将使用“生成式AI”这一术语来指代这些模型和功能。 □生成式人工智能广义上是指能够通过学➀其训练数据来创建新内容 （如文本和图像）的模型。目前，最先进的生成式人工智能系统通常基于深度学➀方法，包括大型语言模型（LLM），如生成式预训练转换器（GPT）和图像生成模型。 数十亿个参数。基础模型，如GPT，是在广泛数据上训练的通用系统，而微调模型是这些基础系统的专门适应版本，通过额外的训练针对特定任务或领域进行定制。 ◾视觉算法作为图像语言模型的对应物，利用卷积神经网络或稳定扩散等深度学➀模型，旨在生成、处理和分析视觉数据以提取有意义的信息和检测模式。 GPT 人工智能(AI)机器学➀(ML) 自然语言处理 LLM □自然语言处理（NLP）是指一个广泛的技术领域，用于理解、分析和与人类语言交互。NLP模型可以需要较低的运算能力，并且通常是特定任务的。应用实例包括情感分析或文本分类。 □LLMs是自然语言处理领域内的特定实现。这些模型基于先进的神经网络架构（如transformers），在大量数据集上进行训练，并且可以 1.https://www.milliman.com/en/insight/impact-of-ai-to-life-insurer-value 保险业生成式人工智能应用的全景图 我们已识别出保险行业在生成式人工智能采纳方面七个不同成熟度的应用领域。 图1：生成式AI在保险业中的用例和优势 用例 益处 市场&客户服务 ◾◾ 客户支持（例如，问答，合同选择）面向客户的聊天机器人 ◾ 新的营销和沟通渠道 索赔管理 ◾◾ 支持客户索赔处理支持索赔处理人员和欺诈调查人员 ◾◾ 改进索赔评估欺诈检测 政策管理与客户满意度 ◾ 客户来电与反馈分析 ◾ 提升客户满意度 销售与产品发展 ◾◾ 支持公司销售比较竞争对手政策条件 ◾ 更便捷的产品开发 承保 ◾ 对文档和其他非结构化数据的分析 ◾ 改进风险评估 精算与金融 ◾ 代码辅助 ◾ 提高效率 函数 ◾ 报告自动化 ◾ 增强合规性 法律 ◾◾◾ 法律文件分析客户法律问题的解答支持研究保险法规 ◾◾ 法律问题的初步指导提升客户服务 市场营销、客户服务与索赔管理 Theintegrationof聊天机器人与客户互动索赔处理优化采用信息检索和摘要技术是欧洲保险公司普遍采用的趋势。 市场与客户服务 聊天机器人是保险行业中最常用的生成式人工智能工具之一 。它们通过引导对话为客户提供有效协助，帮助他们处理保险政策，并提供最合适的合同。 索赔管理 保险公司使用生成式人工智能工具来帮助客户和/或理赔处理人员使理赔申报更便捷，更高效地分析与理赔相关的文件，寻找相似的理赔以加速理赔处理流程，并增强欺诈检测。 一个例子是健谈的聊天机器人由Generali开发。该解决方案为客户提供选择保险合同、处理问题和处理理赔方面的协助。它支持多种语言。该解决方案由初创企业EnterpriseBot合作开发，并荣获了ITCDIAmond奖。 爱尔兰人寿已经实施了声明AI推理助手（CARA）,一个通过分析医疗数据来高效处理医疗账单的工具。2024年，CARA在第九届AI颁奖典礼上获得了Qorus的奖励。 一个欺诈检测的例子是位移理赔欺诈检测，被欧洲公司使用，用于分析非结构化数据，如航拍图像和地理位置，以识别潜在欺诈 NN使用了一个AzureOpenAI服务来总结客户对话，这提高了客户体验和流程效率。 其他保险公司，例如AXAAXA聊天和MAPFRE阿米,也使用聊天机器人解决方案进行营销。 政策管理&客户满意度，销售&产品开发，以及承保 生成式AI模型越来越多地用于支持销售,分析客户满意度，并支持承保。 政策管理与客户满意度 对消费者对话的精细化分析使保险公司能更好地理解消费者的期望，从而提高他们的满意度 。此外，反馈分析工具有助于识别改进的领域 。 一个客户满意度分析的例子是Vox.IA，由Covea开发。该工具利用了一台由内部行业专家设计的AI引擎和分类框架。它分析从满意度调查中收集的反馈，并根据主题和语气进行分类，同时考虑每个品牌、业务和市场的具体情况。它在2023年Casd'Or银行与保险活动中获得认可，并在2023年3月推出以来，每年处理近50万条评论。 销售与产品开发 一些公司使用生成式人工智能工具来增强销售流程、提供个性化，并使构建产品变得更加容易。 想象一下来自通用保险的目标是为客户提供一份涵盖人寿、非人寿和健康保险的定制化单一保险计划。为了帮助销售人员快速了解定制化保险的详细信息，一个与GoogleCloud和VertexAI集成的AI助手工具正在实施中。 承保 文档的分析与合成是承保流程中广泛使用的核心功能，用以提高效率、降低成本和支持决策。 SCOR已开发了一个医疗核保辅助工具该工具利用生成式人工智能分析并总结医疗报告，提升保险和再保险公司核保流程中的风险评估和决策制定。 其他公司已实施生成式人工智能核保助手，例如瑞士再保险生活指南侦察兵. 精算与财务函数，以及法律 生成式人工智能工具正越来越多地被整合进精算和金融函数和法律功能横跨欧洲保险业。 精算与金融函数 生成式人工智能在精算和金融应用中具有日益增长的潜力。它可以作为编码的助手，与精算和金融模型的开发及其控制有关。 法律 专注于法律问题的生成式AI助手可以帮助回答客户的问题、起草合同备忘录以及监控法规变化。 公司也越来越利用生成式AI的能力，通过内部或软件解决方案来自动化监管和财务报告的生产。 ADELIA这是一个由CFDP开发的人工智能聊天机器人，经过训练和设计，用于回答客户的法律问题。它获得了LesTrophéesdel’Assurance的奖项。 另一个例子是马克西姆,由AXA开发的一款虚拟助手，旨在回答客户关于房地产法的问题，以及生成法律文件。 实现和扩展生成式人工智能的策略：组织方法 每家公司都朝着生成式AI方向制定自己的愿景和战略。方法上的差异往往与(1)用例部署的组织战略和(2)实施水平相关。 (1)可以识别出两种主要的组织方法：一种由人工智能/数据实验室拥有路线图的自上而下方法，以及基于分布式团队本地实验的自下而上方法。 数据驱动方法 公司的数据实验室通常拥有生成式人工智能路线图并负责其部署。最初，数据实验室可能会跨部门进行研究，以识别潜在的用例。基于此分析，它可能会选择最相关的用例，将其整合到路线图中。 (2)已观察到三个实施级别 在实施生成式人工智能的保险公司之间。 □具备先进能力的企业他们可以访问多个基础的大语言模型平台（例如 ，微软OpenAI），并由内部团队和外部服务提供商支持，以充分利用生成式人工智能的功能。 □拥有合适平台但难以扩展的公司他们已经具备了必要的技术，但在将生成式AI应用于其运营中时面临挑战。他们在执行特定任务（例如，信息检索、处理复杂数据）时遇到困难。 如果成功，这种做法可以导致跨组织的工具集成。 实验方法 每个部门都可以访问一系列工具，并可以开发自己的生成式人工智能解决方案。 该工具首先可在部门层面进行测试，如果被证明有效，则可考虑在更集中的层面进行扩展以覆盖整个组织. □使用LLM但开发能力有限的公司他们使用供应商的LLM，但缺乏在其周围构建或开发附加功能的能力。有些人还限制了模型的本地功能，并且在发布新的AI模型方面面临延迟，导致能力下降和技术采用滞后。此外，一些公司仍在应对数据管理、数据质量和合规等基本问题。这些挑战进一步加剧了他们有效实施生成式人工智能技术的难度。 挑战：技术和合规性 实施生成式人工智能需要保险公司进行大量投资，并需要数年时间来建立流程。此外，开发生成式人工智能工具面临着两类挑战：技术性和合规性。 技术 □缺乏内部专业知识阻碍了识别有影响力的业务应用和生成式AI能力的最佳利用。它还导致在技术和基础设施方面依赖第三方。 □公司调整和微调LLM的数据有限。对特定行业数据集的获取不足限制了有效定制和改进模型性能的能力。 □与公司现有系统保持一致通常需要昂贵的调整，并且不一定总是可行。 □生成式AI模型可能带来操作风险，并可能出现幻觉。它们还可能因易受对抗性提示的影响而带来安全风险，这可能导致机密信息被泄露给第三方 。 合规 □遵守诸如《欧盟人工智能法案》（AI法案）、《通用数据保护条例》和 《数字运营弹性法案》等法规，围绕伦理和机密性提出了重大挑战。《AI法案》对通用人工智能模型的提供者（包括生成式人工智能模型）设定了义务。例如，它要求提供模型的技术文档、系统性风险缓解以及对用户的透明度。 □公司可能面临使用生成式人工智能所带来的声誉风险。诸如人工智能模型的环境影响等问题正在浮现，此外，还包括其对公众认知和公司信誉的影响后果。 1. 内部专长的作用 内部专业知识与正相关基于基础模型之上集成额外外部能力的整合水平。拥有内部人工智能资源的公司更有可能与生成式人工智能外部供应商建立牢固的合作伙伴关系。这些公司也处于能够批判性地评估和挑战外部供应商提供的解决方案的有利地位。 2. 有限的内部资源通常会导致生成式AI应用范围更窄，主要集中在日常任务辅助上，而非变革性商业用例的开发。资源有限的内部公往往对生成式AI的应用范围了解较少。这些公司主要侧重于自动化方面重新设计其生产流程。 3. 仅凭内部专业知识不足以克服技术和监管任务。一些内部专业知识强大的公司仍然难以稳健地实施信息检索和专家领域推理等复杂任务。此外，LLM评估过程本身仍然技术复杂，难以实施。此外，仅靠内部专业知识不足以克服与监管合规性相关的采用障碍。例如，《人工智能法案》要求使用风险分类的AI系统地图，该流程本质上很复杂；领先的公司已建立专门的合规团队来应对这一点。 结论与建议 在保险业中整合生成式人工智能呈现着变革性机遇，有望重新定义传统流程并提升客户参与度。然而，成功的实施需要采取一种平衡创新努力与员工培训和意识的战略方法。鼓励保险公司投资于优先考虑高投资回报率并合理努力评估框架的稳健性和符合不断发展的法规的AI框架。与技术合作伙伴的协作和持续性的员工培训对于发挥人工智能的全部潜力至关重要。通过采取积极主动的AI整合立场，保险公司不仅可以降低风险，还可以将自己定位为快速变化格局中的领导者，推动增长，提高效率，并为他们的客户提供更加个性化的服务。 应对风险世界的解决方案™ 智联资源凭借深厚的专业知识、精算严谨性和先进技术，为风险社会开发解决方案。我们帮助公共和私营部门客户应对紧迫、复杂的挑战——从极端天气和市场竞争波动到金融不安全性和不断上涨的医疗保健成本——从而实现其商业、财务和社会目标。我们的解决方案涵盖保险、金融服务、医疗保健、生命科学和员工福利。智联资源成立于1947年，是一家独立公司，在全球主要城市设有办事处 。 milliman.com 联系方式 贝内迪克特·奥比尼