Corgi 深度研究：两个人 + AI 手搓了一家保险公司，国内能复制吗？
Corgi 深度研究：两个人 + AI 手搓了一家保险公司，国内能复制吗？
2024 年，两个创始人——前 OpenAI 产品经理 Emily Yuan 和前游戏公司 CEO Nico Laqua——用 AI 从零搭出一家持牌全栈保险公司 Corgi。没有百年 IT 包袱，没有 TPA / MGA / 再保的多层转手；核保、出单、理赔尽量「两人 + AI 手搓」。18 个月后：四轮融资 3.78 亿美元、估值 26 亿、持牌首年 ARR 4,000 万美元。它给 AI 创业公司卖险，本身也是 AI 创业公司的极端样本。本文拆四层：这种「手搓保司」模式到底省了什么、精算上它在赌什么、国内能复制吗、以及若不能复制持牌外壳，哪些底层能力仍值得抄。
核心判断
对「两人 + AI 手搓保司」这件事： Corgi 首先是AI 创业公司，其次才是保险公司。它的产品不是某一张保单，而是把承保—出单—理赔整条链路做成软件——技术栈建在大模型可用之后，没有给 AS/400 打补丁的历史负担。两个创始人把 AI 用在三件事：读数千个核保数据点（10 分钟报价）、报案瞬间读完卷宗（人类核赔拍板）、模块化条款自助配置。这才是资本疯抢的对象：用极小人效撑起持牌机构的运转速度。
对「AI 责任险」这门生意： 它在没有损失三角形的前提下定价，本质是拿资本赌「场景判断 + 类比准备金」能撑到真实赔付数据长出来。参照网络安全险：从 1997 年第一张保单到定价成熟，走了近 20 年，中间还经历 2020–2022 年勒索软件驱动的 年化 30%+ 提费重定价。AI 责任险大概率会重演这个周期，且可能更快、尾部更厚——因为大家用的是同一批基础模型，损失高度相关。
对国内： 「两个人从零拿牌照开保司」在中国几乎不可复制——持牌门槛、偿付能力资本、监管审批周期与美国完全不是一个量级。但「在持牌机构内部，用 AI 原生方式重做核保—出单—理赔」有明确借鉴意义：国内网络安全险渗透率不足 0.1%，问题不在没人卖，而在卖得慢、定得粗、数据回不来。Corgi 证明的是：组织形态可以不变，作业系统可以换代。
一、Corgi 是谁：AI 创业公司，碰巧卖的是保险
Corgi 由 Nico Laqua（CEO/CTO，前游戏发行商 Basket 创始人，旗下产品月活逾 2 亿）与 Emily Yuan（COO，前 OpenAI 产品经理）于 2024 年创立，YC 2024 夏季批次。两人背景很「AI 创业」：一个懂大规模用户产品，一个懂模型与 AI 产品落地——不是保险世家，也不是传统精算出身。
2025 年 7 月拿到持牌保险公司资质，自己的纸（own paper）上签单，不是经纪、不是 MGA。Laqua 对外定位是「AI financial infrastructure」——保险只是第一个落地的金融产品。
| 轮次 | 时间 | 金额 | 投后估值 | 领投 |
|---|---|---|---|---|
| Seed + Series A | 2026-01 前后 | 1.08 亿美元 | ~6.3 亿美元 | YC、Kindred、Contrary 等 |
| Series B | 2026-05-06 | 1.60 亿美元 | 13 亿美元 | TCV |
| Series B1 | 2026-05-28 | 1.06 亿美元 | 26 亿美元 | — |
| 合计 | 18 个月 | 3.78 亿美元 | — | — |
几个关键事实：
- 持牌第一年 ARR ~4,000 万美元；客户含 Deel、Artisan 等明星 AI / 科技创业公司——卖保险给 AI 公司，自己就是 AI 公司。
- 起步于物业管理险，正在向卡车运输、薪酬、小微企业扩张——AI 险只是「新风险类目」之一。
- 估值四个月内 6.3 亿→13 亿→26 亿三连跳。Laqua 的解释：保险资本密集 + AI 原生平台搭建成本高 + 需求加速。
我的读法：VC 买的不是「又一家保险公司」，而是「两个人用 AI 把保险公司搭出来了」这个叙事。 保险公司要承保就得有偿付能力资本，初创没有几十年利润沉淀，只能用股权融资先把资产负债表撑起来——22 天连融两轮，本身就是「手搓保司」资本消耗过快的信号。
| 指标 | 数值 | 口径 |
|---|---|---|
| 累计融资 | 3.78 亿美元 | 四轮合计，公开报道 |
| 持牌首年 ARR | ~4,000 万美元 | 公司对外披露，未经审计 |
| 估值（2026-05-28） | 26 亿美元 | Series B1 投后 |
| 创立→持牌 | ~1 年 | 2024 创立，2025-07 持牌 |
二、「两人 + AI 手搓」：到底手搓了什么？
这是全文最想讲清楚的一层。传统保险公司的人效比大致是：大量核保员、大量中介、大量外包 TPA 读卷宗。Corgi 反着来——核心链路尽量软件化，人只在关键节点介入。
| 环节 | 传统路径 | Corgi 的「手搓」方式 |
|---|---|---|
| 获客 | 经纪人、展会、关系 | 线上自助、嵌入合作（Stripe Atlas 式分发）、当天绑定 |
| 核保 | 人工问卷 + 2–4 周 | AI 读数千数据点，10 分钟报价 |
| 出单 | 多层 MGA / 再保转手 | 持牌全栈，自己承保自己出单 |
| 理赔 | TPA 外包、多手转手 | AI 智能体首读卷宗，资深核赔拍板；同一团队从头到尾 |
| 条款 | 年度修订、除外为主 | 模块化、肯定式写入 AI 风险，客户自助勾选 |
「手搓」不是说没有人类——Corgi 博客里强调理赔端有 20 年+ 经验的核赔带队，口号是「AI doesn’t pay claims, we do」。意思是：AI 做吞吐，人做裁量；两人创始团队搭的是系统，不是替代整个保险价值链。
这种结构的本质是极小人效 × 极高自动化率。YC 页面上团队规模一度显示极小（早期甚至标注为 1），却能撑起 4,000 万美元 ARR——这在传统财险组织里几乎不可想象。它给所有险企（不限险种）的启示是：瓶颈往往在作业系统，不在牌照。
但「手搓」也有代价：
- 速度即逆选择。 找「当天出单」的客户，往往是激进部署 AI、临近合规大限的高风险主体——核保模型必须为逆选择留缓冲。
- 数据飞轮依赖全栈。 只有承保、理赔都在自己手里，才能从第一天结构化沉淀损失数据——这正是 MGA 模式难以复制的部分。
- 资本换时间。 手搓快，但偿付能力、准备金、系统合规都要钱；3.78 亿美元融资是在买时间，不是已验证的承保利润。
三、产品：把 AI 风险写成「肯定式」条款
传统保单对 AI 风险通常要么除外、要么含糊。Verisk/ISO 的生成式 AI 除外条款 2026 年 1 月 1 日生效，传统商业综合责任险（CGL）正在系统性地把 AI 风险「踢出去」。Corgi 反着来：在科技错误与遗漏险（Tech E&O）框架内，用肯定式（affirmative）语言把 AI 风险明确写进去，做成可自助勾选的模块。
它覆盖六类 AI 风险：
| 模块 | 触发情形 | 损失信号（公开） |
|---|---|---|
| 模型表现 / 幻觉 | AI 输出错误或编造，致第三方经济损失 | 2025 年初 125+ 起含「编造判例」的法律文书，多案罚款逾 $10,000 |
| 算法歧视 | 招聘/信贷/医疗/核保中的歧视性结果 | 35+ 州律协、多个联邦法院要求披露 AI 使用 |
| 训练数据纠纷 | 版权/专有数据用于训练引发的 IP 索赔 | Anthropic 和解 15 亿美元；环球音乐 2026-01 起诉索赔 31 亿美元 |
| 对抗攻击 / 模型盗窃 | 提示注入、数据投毒、模型权重外泄 | 与网络险相邻 |
| 合成媒体 | 深度伪造、声音克隆、数字身份盗用 | 多起针对平台的诽谤诉讼 |
| 自主系统失控 | 智能体多步调用级联出错、越权操作 | EY：64% 的年营收超 10 亿美元公司已因 AI 失败损失超 100 万美元 |
理赔端它讲的故事是「AI doesn’t pay claims, we do」——AI 智能体在报案瞬间读完所有卷宗，但拍板的是 20 年经验的人类核赔。因为是全栈，承保你的公司和赔你的公司是同一家，一个理赔员从首报到赔付全程负责。
精算上值得注意的一点：模块化是把双刃剑。客户能自助勾选模块，但「一家在受监管行业部署面向客户智能体」的公司，会同时暴露在幻觉、歧视、自主失控三类风险下，而这些风险并不独立。把每个模块独立定价再相加，会系统性低估总暴露。
四、精算难题：给没有赔付历史的风险定价
这是我最关心、也是整篇最该冷静的一节。给 AI 责任定价的核心障碍，是没有可信的损失数据。生成式 AI 商用形态约 3 岁，企业级部署更年轻，理赔报告周期还没跑出可用的已付/已发生损失三角形。这不是「多收集数据就能解决」的数据质量问题，而是结构性缺失。
唯一像样的先例：网络安全险
AIG 1997 年签出第一张互联网安全责任保单，此后约十年，网络险基本没有精算损失数据，靠竞品费率对标、行业调查和核保判断定价。
| 维度 | 早期网络险（1997–2010） | AI 责任险（2024–2026） |
|---|---|---|
| 起步时损失数据 | 零可信三角形 | 零可信三角形 |
| 初始定价方法 | 竞品对标 + 判断 | 场景建模 + 模型审计 + 判断 |
| 早期是否低估 | 显著低估，2020–2022 修正 | 按先例预计同样低估 |
| 当前市场规模 | 全球 ~153 亿美元（2024） | 太早，难单独度量 |
| 关键尾部损失 | 勒索软件、数据泄露通知 | IP 诉讼、监管抗辩费用 |
| 监管催化 | 各州数据泄露通知法（2003+） | 欧盟 AI 法案（2026-08）、NAIC 评估工具 |
网络险长到 153 亿美元用了近 20 年，中间经历过一次痛苦重定价：2020–2022 年勒索软件把初始费率假设打穿，保费年化涨 30%+。AI 责任险面对同样的结构性缺口，而且失败模式比数据泄露更难定义。
新的暴露基础（exposure base）还在摸索
传统的「按营收/工资/数量」承保，对 AI 风险几乎失效：一家年营收 1,000 万美元、所有客服都跑在智能体上的公司，和同样营收、只用 AI 做内部文档摘要的公司，风险天差地别。业界正在试的新暴露基础：
- 推理量：保单期内的模型调用数 / token 数；随 AI 使用自然缩放，但很多被保人没有计量基础设施。
- 部署面：面向客户 / 面向员工 / 仅内部——直接决定第三方索赔频率。
- 模型能力档：按基础模型分层，越强的模型输出越自信、后果可能越大；可用幻觉榜单等做频率代理。
- 受监管行业系数：医疗/金融/法律部署叠加「受监管建议责任」。
- 治理证明：按被保人治理成熟度（是否有模型清单、对抗测试、人工复核）调节加载因子。
一个该写进核保的「复利」陷阱
智能体风险有个反直觉的数学。若某智能体每一步可靠性 85%，在一个 10 步工作流里端到端成功率只有：
\[0.85^{10} \approx 0.197\]
也就是 约 20%。失败概率随步数复利式放大，远快于线性暴露模型的预测。这意味着：给「单步看起来还行」的智能体按线性逻辑定价，会严重低估多步自主场景的赔付频率。（此为公开可靠性分析的简化测算，用于说明量级，非任何企业披露费率。）
准备金：类比法 + 场景法
没有 AI 专属三角形，准备金精算师在拼两条路：
- 类比法：把 AI 责任映射到最像的成熟险种发展模式——网络险（对抗攻击/数据类）、职业责任（幻觉/受监管建议，报告滞后可达数年）、IP 诉讼（训练数据纠纷，尾部极厚，参考环球音乐 31 亿美元量级）。
- 场景法：构造概率加权的显式损失情景。值得压力测试的至少五个：基础模型更新引发大规模同源幻觉、监管连锁调查、训练数据集体诉讼、自主智能体越权交易、核保/信贷里的歧视放大。每个情景的合理损失都在数千万到数十亿美元之间。
难点不在算，而在赋权重。频率和严重度都没被真实赔付校准过，给这些情景分配「有意义的概率」本身就是精算判断的极限运动。
五、风险与质疑：别只看估值曲线
我对 Corgi 有真实欣赏，但有三个冷静点：
- 资本厚度 vs 尾部严重度。 3.78 亿美元总融资在科技圈是巨款，但相对 AI 责任「单案可能数十亿美元」的尾部，资本垫并不厚。一旦训练数据 IP 诉讼出几个数十亿美元判决，无论频率估得多准，损失率都可能是灾难性的。
- 相关性即系统性风险。 大量被保人依赖同一小撮基础模型。OpenAI / Anthropic / Google 一次模型更新若引入系统性错误，损失会在整个保单组合里同时爆发——这比网络险的「零日漏洞」相关性更深。
- 估值的「反身性」。 22 天估值翻倍，更多是 AI 叙事 + 资本竞逐的产物，而非赔付数据验证后的结果。保险的真相会滞后兑现——今天的 ARR 是保费，不是利润；真正的考验是 2–3 年后第一波 AI 责任理赔跑出来时，准备金提得够不够。
一句话：Corgi 赢在工程与数据飞轮，但保险业的「沸水」还没真正烧到它。断肢能不能再生，得等第一次大额理赔。
六、国内能复制「两人 + AI 手搓保司」吗？
先拆成两层：持牌外壳能不能复制，作业系统能不能复制。
持牌外壳：几乎不能照搬
| 维度 | 美国（Corgi） | 中国 |
|---|---|---|
| 新设财险公司 | 各州牌照，YC 生态 + VC 资本可加速 | 监管准入极严，新设财险公司案例极少 |
| 资本门槛 | 股权融资可补偿付能力 | 注册资本、偿付能力达标硬约束 |
| 从 0 到持牌 | Corgi 约 1 年（2024 创立→2025-07 持牌） | 以年计，且不确定性高 |
| 典型路径 | 全栈持牌 carrier | 持牌险企 + 科技合作 / MGA 式创新 |
结论： 国内很难出现「两个创始人从零拿牌照、18 个月手搓一家保司」的 Corgi 翻版——牌照与资本结构决定了这件事在美国是创业故事，在中国更像机构创新课题。
更现实的路径有三条：
- 持牌险企内部「Corgi 化」——不动牌照，重做核保 / 出单 / 理赔作业系统，尤其针对网络安全、科技责任、小微长尾等渗透率低、核保慢的险种。
- 与持牌机构合作的保险科技——技术方做 AI 承保引擎，险企出单；类似 MGA，但核心卖点是自动化率而非渠道佣金。
- 新险种 / 新渠道的「绿地项目」——绕开核心系统改造，用 AI 原生栈试点（如网络安全险、嵌入式场景险），跑通后再回灌主系统。
作业系统：有明确借鉴意义
国内底盘（公开数据）：
| 指标 | 中国 | 对照 |
|---|---|---|
| 网络安全险渗透率 | 不足 0.1% | 英美 60%+、日本 26% |
| 网络安全险保费规模 | ~1.5–2.6 亿元（2024–25） | 美国 2023 约 60 亿美元 |
| 落地保单 / 保额 | 1,500+ 单 / 115 亿元（工信部试点，截至 2025-06） | — |
| 备案产品 | 46 家机构、~320 款（2025-08） | — |
| AI 责任险 | 无成熟标准化条款 | 海外已有独立 AI 责任险 |
渗透率：中国取公开报道「不足 0.1%」上界 0.1% 作图示意；英美、日本为行业公开区间中值，口径因统计来源略有差异。
渗透率低，说明问题不在「有没有产品」，而在卖得慢、定得粗、数据回不来——恰恰是 Corgi「手搓」要解决的。
该借鉴（作业层，与是否新设公司无关）：
- 核保—出单—理赔做成软件。 10 分钟报价来自「技术栈建在大模型之后」；国内存量改造难，但新险种、试点渠道可以 AI 原生起步。
- 全链路攥住数据。 国内本就持牌承保为主，优势在牌照；短板是数据散在中介、外包 TPA。理赔结构化沉淀 → 喂回定价，比追保费规模更值钱。
- 肯定式条款、模块化定价。 责任写清楚才有定价权——与智驾兜底里「统筹 vs 保险化」的分叉同一逻辑。
别照搬（品类与周期）：
- 别急着抄「给 AI 创业公司卖 AI 险」。 国内尚无欧盟 AI 法案级硬催化，AI 责任险需求未成型；先把网络安全险卖进去更务实。
- 别用线性思维给智能体定价。 第四节 \(0.85^{10}\approx20\%\) 的复利陷阱，对智驾 / AI 责任同样成立。
- 别只看保费增速。 网络险成熟用了近 20 年；新险种要预留重定价资本，今天的低价可能是向未来借赔款。
龙虾精算师判断： Corgi 对国内最大的启示，不是「再办一家 Corgi」，而是证明保险业的产能瓶颈可以在组织不变的前提下，用 AI 原生作业系统打破。能复制的是两个人能干的活，以后可能需要二十个人——这句话对任何持牌财险公司都成立。
局限与声明
- 公司数据来自 TechCrunch、SiliconANGLE、Y Combinator、Corgi 官网及公开报道；精算分析综合 actuary.info、arXiv 等公开材料。
- 文中 \(0.85^{10}\) 复利测算、网络险类比为说明性质，非任何企业披露费率或官方结论。
- 中国市场数据来自工信部、信通院及公开报道，口径可能不完全一致。
- 本文不构成投保、投资或经营建议；龙虾精算师为个人笔名，文责自负，不代表任何机构观点。
研究方法：2026-06-25 基于公开新闻、公司披露与精算行业分析整理；融资与财务数字以公开报道为准，估值与 ARR 未经审计。