美国精算师学会 AI 用例图谱：财险精算该盯哪几条线？
美国精算师学会 AI 用例图谱：财险精算该盯哪几条线？
2026 年 6 月，美国精算师学会（American Academy of Actuaries，AAA）发布 Issue Brief《AI Use Cases in Insurance and Pension》，由学会 AI、数据科学与分析委员会 执笔，覆盖寿险、财险（P&C）、养老金与健康险 12 个职能域、数十个用例。文件开宗明义：GLM 等多变量定价自 1990 年代起就是财险行业的「老 AI」；本文真正讨论的是 GenAI 与新一代 AIS 带来的新场景。对国内财险精算而言，这份地图的价值不在于照抄美国产品，而在于回答：哪些环节已经成熟到可以进费率/准备金工作流，哪些仍必须「人在回路」。
核心判断
对「AI 是不是新东西」： 在财险定价里，AI 并不新——AAA 明确把 GLM 时代的多变量分析算作已纳入监管与行业最佳实践的「传统 AI」。当下监管与精算讨论的焦点，是 GenAI、LLM 与持续学习模型 进入核保、理赔、备案与文档链之后，可解释性、公平性与问责 如何跟上。
对财险精算最相关的四条线： 按落地紧迫度排序——（1）理赔分诊与巨灾人力调度、（2）LLM 核保副驾与影像核保、（3）费率指示与续保定价辅助、（4）准备金趋势摘要与备案文档。前两条直接影响 赔付率与费用率；后两条直接影响 定价周期与合规成本。
对国内持牌财险公司： AAA 反复强调 human oversight——复杂、高额、新型保单不能全自动结案。国内在 车险综改、偿二代、个人信息保护 框架下，「分诊自动化 + 大额人工」 比「端到端黑箱定价」更现实；GenAI 更适合先做 副驾（copilot），而不是 自动驾驶（autopilot）。
一、AAA 这份简报是什么、不是什么
| 维度 | 内容 |
|---|---|
| 发布 | 2026 年 6 月，全文 PDF |
| 执笔 | AAA AI, Data Science, and Analytics Committee（主席 Spencer Sadkin, FCAS 等） |
| 结构 | 第一节：寿险 + P&C + 养老金；第二节：健康险（会员 / 提供者 / 支付方三角） |
| 职能域 | 理赔、核保、定价、准备金、营销、财务、精算建模、风险合规、反欺诈、保单管理、客服、IT |
| 刻意排除 | 企业通用 IT（如文档搜索、网安工具）——与金融运营无独特关联的不展开 |
四个 Key Points 值得贴在精算部墙上：
- Human oversight remains essential — 复杂、高风险决策必须有人审。
- Health insurance sees the broadest AI impact — 健康险场景最广（本文略述，不展开）。
- The landscape is rapidly evolving — 清单非穷尽，发布即可能过时。
- Generative AI is redefining what’s possible — 传统 AI 支撑核心职能，GenAI 打开 underwriting / claims / pricing 的新接口。
我的读法：AAA 在做的事，相当于给美国监管对话提供 「行业自认的用例白名单」——既展示创新，又提前给 误分类、隐私、快速变更风险分类 等副作用打预防针。
财险用例分布（数据一览）
| 职能域 | 用例数 | 代表场景（P&C） |
|---|---|---|
| 理赔 | 3 | 分诊、巨灾人力调度、代位求偿 |
| 核保 | 3 | 风险分类、LLM 副驾、影像/航拍核验 |
| 定价 | 3 | 费率指示、续保定价、车联网 UBI |
| 准备金 | 1 | 赔案趋势汇总（辅助，非替代签字） |
| 备案文档 | 1 | 监管问卷草稿、模型文档维护 |
| 其他 | 4 | 营销、反欺诈、客服、IT 等（简报列举，本文不展开） |
注：用例数为作者据 AAA Issue Brief 财险章节归纳，非官方统计。
二、财险理赔：分诊、巨灾与代位——「吞吐」最先自动化
2.1 理赔分诊（Claims Triage）
AAA 描述的流程很具体：首报（FNOL）、照片、报告 → 按预期严重程度、复杂度、欺诈风险 分类 → 简单案 快速赔付，复杂案 资深理赔员，可疑案 调查线。
技术细节包括：NLP 识别情绪紧急度（语气、犹豫等语言模式）与欺诈信号。关键一句：
Claims triage includes the calibration of human review based on materiality.
即：小额 / 直案可自动赔；大额、新保单、可能触发核保或欺诈审查的案，必须路由给人。
对车险精算的含义：自动结案率 提升会直接改变 小额案均赔付与理赔费用；若误分类，要么 延迟给付（客户体验 / 监管投诉），要么 挤爆资深人力（费用率反弹）。上线 KPI 不应只看「自动化率」，要看 分诊准确率的分位数 与 大额案漏检率。
2.2 巨灾响应优化（Cat Event Response）
结合 卫星影像、天气预报、保单地理数据，灾前预估受影响人群，灾后 aerial 评估损伤，动态调配理赔人力。收益是 客户信任与恢复速度；风险是 误报（未受灾客户收到通知）造成恐慌与声誉损失。
国内车险在台风、冰雹、水淹车场景已有类似实践；AAA 把它写进学会简报，说明 精算与运营已将「灾前灾中人力模型」视为标准 AI 用例，而非实验项目。
2.3 代位求偿识别（Subrogation）
AI 扫描赔案与外部数据，识别 第三者责任，启动追偿。有效则 降低综合成本率；AAA 提醒需人工把关，避免 过度追偿损害客户或合作方关系。
三、财险核保：从 GLM 分类到 LLM 副驾与影像核保
3.1 风险分类模型——「老 AI」的延续
精算师用 AI 开发、修正并应用风险分类，持续吸收新损失数据与外部趋势（天气、交通、疫情等）。价值：竞争定价 + 盈利管理；风险：分类变更过快 → 监管关注、经纪人 / 客户困惑。
这与国内 车险风险评分、从人从车因子 的迭代逻辑一致——差别在于美国更强调 变更节奏与披露。
3.2 核保副驾（LLM Copilot）
LLM 可：回答核保问题、摘要风险报告、自动化投保单 intake、基于相似案例建议批单条款；续保时阅读理赔备注，提示 免赔额 / 限额调整或非续。
AAA 措辞是 decision support，不是 decision replacement。对财险公司，这是 GenAI 最安全、ROI 最清晰 的切口之一：不改变承保结论的法律主体，但压缩 资料阅读与对照时间。
3.3 财产特征核验（影像 / 航拍）
分析保单持有人或第三方航拍图，识别 泳池、太阳能板、屋顶状态、商业场所危险作业、车队规模 等，用于 报价预填、核保与防灾减损建议。wildfire 区域还可识别 防火 mitigation。
风险：图片不全或误导 → 核保偏差。车险类比：验车照、修复厂影像、车机视觉 正在进入同一逻辑链——见 L3/L4 强标 讨论的数据责任分界。
四、财险定价与准备金：精算主战场上的「辅助层」
4.1 费率指示（P&C Rate Indications）
AI 处理 常规、重复的选择，把 复杂或高影响选择 标记给精算师；选择可 回测。这是典型的 human-in-the-loop 精算工作流——与 GLM 探索文 里「模型在环、人在环」一致。
4.2 续保定价（In-Force Pricing）
AI 在 风险变化与竞争定位 之间做平衡，服务 续保保费 设定——过激进会 赶走盈利客户。车险综改后 NCD 与自主定价系数 的续保博弈，本质同一类问题。
4.3 车联网 / UBI（Telematics）
AI 分析 制动、速度、时段 等驾驶行为，实现 usage-based 费率。AAA 点名 隐私与监管限制——国内新能源车险与 座舱 / 车机数据 谈判时，这条警告同样适用。
4.4 准备金支持（Reserving Support）
AI 汇总 相似条线、地区、赔案发展模式的趋势，供精算师选择参考——只是众多信息源之一，不替代签字的精算师判断。对国内：赔款准备金评估 中，GenAI 更适合做 报告草稿与异常线索，不宜直接输出 最佳估计负债数字。
4.5 备案与文档（Filing Support）
LLM 可起草 监管问卷答复、总结历史备案、针对监管异议生成回复草稿；也可维护 模型文档（ASOP 41、Precept 4 受众适配可通过 prompt framing）。AAA 反复强调：事实准确性与个案相关性必须人工审核。
五、健康险单章：为什么 AAA 把它拆开写
健康险部分按 会员 / 提供者 / 支付方 三角展开，场景密度最高（分诊导航、EOB 通俗化、prior auth 自动填表、FWA 检测等）。简报结论仍写：健康险 AI 影响面最广，但财险读者应看到 方法论迁移——例如 FWA（欺诈、浪费、滥用）检测 与财险 反欺诈 同源；EOB 通俗化 类比 条款与免责说明的可读性。
CMS 2025 年 8 月宣布 Medicare 理赔 AI 欺诈检测挑战赛，AAA 在文末引用，说明 公共项目与商业保险在反欺诈 AI 上同场竞技。
六、财险精算落地优先级（作者框架，非 AAA 结论）
基于 AAA 用例清单，按 「精算影响 × 监管可接受度」 粗排一版 国内财险可跟进序（作者假设，非官方披露）：
| 优先级 | 用例 | 紧迫度 | 理由 |
|---|---|---|---|
| P0 | 理赔分诊 + 巨灾人力调度 | 5 | 直接作用于赔付 / 费用；材料性分层易合规 |
| P0 | 核保 LLM 副驾 + 影像特征提取 | 5 | 人在回路清晰；缩短承保周期 |
| P1 | 费率指示辅助、续保分析 | 4 | 贴近精算日常；须防模型变更过快 |
| P1 | 准备金趋势摘要、备案文档草稿 | 4 | 降本增效；禁止直接采信输出数值 |
| P2 | 全自动承保 / 全自动小额理赔扩围 | 2 | 监管与公平性审查最重 |
| P2 | 持续学习、实时变更风险分类 | 2 | 易触发定价合规与告知争议 |
紧迫度 1–5 为作者主观评分，用于排序示意；非 AAA 或监管官方分级。
与 Corgi 文 的对照：Corgi 是 「AI 原生保司」极端样本；AAA 简报是 「传统保司机能地图」——大多数国内机构应走后者路径：在现有牌照与组织内，按职能域逐个嵌入 AI，而不是指望「两个人手搓保司」。
七、跟踪点
- 美国各州 对 AI 定价 / 核保的披露与公平性审查细则（AAA 已预警「快速变更风险分类」）。
- CMS Medicare AI 欺诈挑战赛 结果是否沉淀为可商用模型（影响健康险，方法论可外溢财险）。
- 国内 偿二代、车险平台、个人信息保护法 对 车联网 / 影像 / LLM 训练数据 的边界解释。
- AAA 委员会是否会 季度更新 用例清单（简报自称非穷尽）。
局限与声明
- 本文基于 AAA 2026 年 6 月公开 Issue Brief 及公开链接，非学会授权解读。
- 「落地优先级表」为作者框架，非 AAA 或任何机构官方建议。
- 文责个人，不代表任何任职机构；行业建议默认指向 持牌财险公司全行业。
方法论说明：2026-06-26 依据 AAA Issue Brief PDF 全文（Tavily extract）梳理；财险部分为主，健康险仅摘要；未使用非公开数据。
延伸阅读： GLM 与精算自动化探索 · Corgi 与 AI 原生保司 · L3/L4 强标与车险