前言
AI技术已变得无处不在，其带来的益处远超少数专业领域。如今，保险业领导者不再质疑AI是否会改变行业，而是关注何时以及如何进行变革。基于Sollers的丰富经验，我们开展了此次AI调查，旨在揭示可操作性的见解，帮助保险公司在变革中导航。
执行摘要
AI驱动的转型洞察
- AI在企业战略中的角色日益增强：所有保险公司都已在一定程度上接触了AI，但其发展水平参差不齐。平均而言，只有51%的受访者将AI纳入了其战略议程，但预计这一趋势将会上升。
- 遗留架构的障碍：在某些情况下，遗留系统和低水平的流程数字化可能会阻碍AI驱动的自动化——尽管这些问题可能不会立即显现，并且不同保险公司或业务领域的挑战规模可能会有所不同。
- 全面自动化的时间表：鉴于已经观察到的实际效益，保险行业AI自动化的大规模普及是不可避免的。根据我们的专业知识和Sollers AI调查结果，我们估计，对于大多数保险公司而言，主要业务线的业务流程全面自动化将需要5到10年以上。
- 对AI的日益增长的需求和新兴挑战：一旦公司找到开始AI实验的方法，使用AI就相对容易——我们调查中几乎所有受访者（97%）都使用了一些AI工具。这种最初的成功往往会导致对公司范围内AI自动化的需求日益增长。然而，新的挑战很快就会出现，包括需要内部AI专业知识、重新定义IT架构、数据和治理模型，以及引导员工进行工作方式的根本性改变。
- 渐进式、进化型的转型：由于技术的创新性和自动化的复杂性，仓促进行AI实施可能存在风险。保险公司需要时间来学习、适应，并采取渐进式、进化型的公司范围AI转型方法。一方面，他们应该规划AI驱动的自动化；另一方面，他们必须识别架构差距并制定路线图来解决这些问题，从而能够在更复杂的情况下实现更高级别的自动化。
预期AI发展的关键领域
- 中期展望：AI将支持呼叫中心，并更广泛地应用于涉及从非结构化文档中提取数据的过程。其他中期发展包括索赔检查的自动化，这将需要更专业的解决方案，以及标准索赔的无接触自动化。
- 长期视角：随着时间的推移，AI驱动的自动化在索赔处理和承保中将扩展到涵盖非标准风险和较少发生的业务线。AI将帮助重新定义客户与保险公司之间的互动方式，通过数字渠道（移动和在线）——但这可能只有在保险公司建立AI能力、彻底测试AI解决方案并升级其架构之后才会发生。
- 学习需要时间，如何更快地学习：我们的受访者表现出高度的活动来支持他们的组织发展AI文化和学习AI能力，一些受访者强调了学习AI和渐进式实施的重要性（42%的受访者）。了解AI将如何影响保险流程和架构需要广泛而不断发展的专业知识。各级领导者需要时间来规划路线图——在开始重大转型之旅之前，先“绘制新的海洋”。
如何开始和执行AI转型
- 主要焦点：在承保中，AI的焦点将转向支持整个承保过程，特别是在为标准风险自动化保险报价的准备过程中。
- AI代理是一个独立维度：相对于Sollers AI调查结果，AI代理是独立维度。它们的发展将跨越不同的业务领域：AI自动化越先进，就越需要在AI代理框架内管理它们。这些框架越来越多地得到专门为此目的设计的平台的支持。我们预计，随着时间的推移，它们将成为支持各种流程自动化方面的高级平台的重要组成部分。
- AI自动化的主要领域：预计AI自动化的主要领域将是智能文档识别（特别是在索赔处理中）、使用大型语言模型（LLM）支持专家、聊天机器人增强客户服务以及用于软件开发的人工智能。
- AI不仅仅是改变保险业的现状：LLM正日益普及。大多数（82%）受访者报告称，他们已经在至少一个调查场景中使用或正在实施大型语言模型（LLM）。
- 治理是一个长期推动因素：忽视治理可能会破坏AI转型，尤其是在复杂性增加时。星型-辐辏模型似乎最有效：它在公司范围内标准化的需求与项目层面的灵活性和创新能力之间取得了平衡。建立治理结构和流程需要时间——不要推迟它；与实施同时进行。在各种领域平均，54%的受访者采用了集中式治理模型，而20%采用了分散式模型。
Sollers AI调查结果
- AI对保险市场竞争力的预期影响：图表展示了受访者对AI预计将在未来3到5年内如何影响保险市场竞争力的看法。
- AI驱动的自动化优先事项：本调查涵盖了37个AI启用的自动化用例，分为11个自动化类别，涵盖了各种业务线（汽车、私人财产、事故、中小企业和企业保险）和流程（索赔、零售销售和服务、承保和后台运营）。
- AI驱动的自动化实施现状概述：我们根据调查结果，将自动化计划分为4个部分：
- 当前关键优先事项：这些自动化用例是受访者最频繁实施的。
- 关键但依赖：这些领域被认为很重要，但依赖于其他自动化或需要专门的解决方案。
- 预期未来发展：这些用例由于复杂性和相互依赖性而较少当前的实现。
- 较低优先级或预期障碍：这些用例预计在不久的将来不会成为重点，因为人们认为存在挑战或价值有限。
- LLM得到广泛采用：一个重要的发现是，82%的受访者报告称，他们已经在至少一个调查场景中使用或正在实施大型语言模型（LLM）。
- 治理——支持AI驱动自动化的能力单元：AI自动化引入了管理知识和架构的新领域，并且通常需要扩大或重新定义治理结构。建立治理和开发新能力应该是AI转型战略的组成部分。
- 使组织为AI做好准备：根据我们的调查，所有调查的保险公司都利用内部和外部资源来开发与AI相关的知识和技能，尽管比例有所不同。
AI自动化的挑战和风险
- 风险：虽然AI驱动的自动化提供了巨大的机会，但其实施并非没有挑战。调查受访者确定了一系列风险和障碍，可能会阻碍AI的成功采用和扩展，包括监管问题、成本和复杂性、治理问题，以及诸如组织抵制和缺乏信任等人因素。
- 主要风险类别：包括成本和复杂性、合规性、治理、人力资源、人类视角等。
AI驱动自动化的经验教训
- 关于AI工具的经验教训：受访者分享了关于有效使用AI工具的实用见解，强调将技术战略与周密的实施相结合的重要性。
- 关于AI能力的经验教训：受访者分享了关于有效整合和推进组织内AI自动化的宝贵见解。
- 关于架构的经验教训：受访者强调，成功的AI之旅不仅需要工具和模型，还需要强大的架构基础。
- 关于复杂性和商业案例的经验教训：受访者强调了与业务价值保持一致的重要性，同时承认实施本身的复杂性和资源需求。
- 关于AI转型的经验教训：受访者强调，成功的AI转型需要更多技术——它涉及战略、治理、人员和时间。
Sollers
Sollers Consulting协助金融部门组织，主要是保险公司，开发行业领先的运营。其国际团队由来自42个国家的业务和IT专家组成，在欧洲、北美和亚太地区的十六个办事处工作。自2000年成立以来，Sollers已与全球100多家组织合作，实施核心和前端系统。
