海外垂直大模型发展概况 · 国内可行性 · 发展现状 · 未来前景

报告摘要：大模型正在成为保险业数字化转型的新引擎。海外已进入“行业专属大模型＋智能体”阶段，Allstate、Travelers、Swiss Re 相继自建保险专属模型；国内在监管框架成型与头部险企规模化落地双重驱动下，采纳率快速提升。本报告基于11份行业资料与2026年最新公开信息，从海外概况、国内可行性、发展现状、未来前景四个维度展开分析。

关键数据：

　｜　44.8% 险企大模型采纳率

　｜　36.5亿次 平安年度模型调用

　｜　89.51 CUFEInse评测最高分

　｜　34.4% 生成式AI保险市场CAGR

摘要

海外市场已从“通用大模型试用”进入“行业专属大模型＋智能体（Agentic AI）”阶段；国内则在监管框架成型、头部险企规模化落地的双重驱动下，大模型采纳率快速提升，从单点提效走向端到端智能体应用。总体判断：保险大模型“会出现”，但其形态是“多层次、多主体”的垂直模型生态，而非单一统一模型；其核心价值在于“数据×场景×智能体”的系统性重构。

一、海外保险垂直大模型发展概况

1.1 从通用试点到行业专属

发展脉络三大驱动力

海外保险业对大模型的探索始于2023年前后的通用大模型试点（客服、文档处理），2025—2026年显著转向“行业专属大模型＋智能体”。三大驱动力：

• 数据安全与合规：监管要求与商业秘密保护，使险企倾向私有化部署、自建模型；

• 专业准确率要求：条款、精算、核保理赔高度专业，通用模型难以直接胜任；

• 提效成果可量化：理赔处理、承保生产力等环节提升幅度大，投入产出清晰。

1.2 标杆案例：头部机构自建保险专属大模型

Allstate，Travelers，Swiss Re

• Allstate（美国）：2026年8月推出 ALLIE（Large Language Intelligent Ecosystem），整合250个分析模型与40PB数据，以智能体方式将分析能力转化为业务流程提效；坚持仅使用内部LLM，防止数据外泄。

• Travelers（美国）：发布专属财产险大模型 TravelersLLM，基于数百万份公司文档训练，内部测试表现优于商业通用模型，成为其智能体应用的底层基础。

• Swiss Re（瑞士再保险）：部署 Life Guide Scout GenAI 核保助手（基于Azure OpenAI），超1万名员工每日使用GenAI工具；agentic AI正在处理更多复杂数据。

1.3 权威评测：全球首个保险大模型评测基准 CUFEInse

评测基准CUFEInse

中央财经大学保险学院与中国精算研究院发布 CUFEInse v1.0，构建了5大维度、54项子指标、14,430道题的评测体系；对11个主流大模型评测，蚂蚁 Finix-S1 以89.51分居首、Gemini-2.5-Pro 以85.11分次之。

三大共性瓶颈：① 精算推理能力弱；② 营销文案合规性不足；③ 核保理赔决策存在偏差。

核心结论：高质量领域训练的大模型在保险垂直场景显著优于通用模型；“领域适配＋推理增强”是保险大模型的核心发展方向。

1.4 量化成效与市场空间

量化成效市场空间

ScienceSoft 研究显示：理赔文档处理提速50倍、客服自动化率70%以上；Markel 承保生产力提升113%、Zurich 理赔审查提速58倍；生成式AI保险市场2032年预计达144亿美元（CAGR 34.4%）。Milliman 指出LLM三大应用方向——文本分析、内容生成、客户交互，同时提示误导信息、歧视、网络犯罪、数据隐私四类风险。

1.5 海外经验小结

经营启示① 垂直化是必然方向，但“行业专属模型”的护城河在于数据与场景，而非模型参数本身；② 评测基准是行业基础设施，先有标准才有可靠应用；③ 智能体是价值兑现的主要形态，从“生成内容”走向“执行任务”。

二、国内保险大模型发展的可行性

2.1 政策可行性：监管框架成型，鼓励与规范并行

监管金发〔2026〕8号

2026年6月18日，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8号，共32条），核心要求：

• 高风险AI应用须经风险管理委员会批准，配置人工干预并向监管报告；

• 个人信息禁止用于生成式模型训练；

• AI风险纳入全面风险管理体系。

意义：监管边界清晰化降低了不确定性，为保险大模型发展提供了合规路径，“有章可循”显著增强可行性。

2.2 技术可行性：通用底座成熟＋数据场景富集

技术底座数据场景

国内通用大模型能力持续提升（开源＋商业化），推理、长文本、多模态等基础能力基本具备；保险业是数据密集型行业，条款、理赔记录、精算假设、客户交互等海量数据为领域微调与评测提供土壤；CUFEInse 等评测基准的出现，使模型选型与优化有了客观标尺。

2.3 产业可行性：投入产出路径清晰

建设模式普华永道

《中国银行保险报》与普华永道报告提出险企大模型建设三种模式：

不同规模机构可按需选择模式，“以场景定模式、以投入定路径”，可行性普遍提升。

2.4 可行性结论

经营启示国内发展保险业大模型的天时（监管明确）、地利（数据与场景）、人和（头部示范＋生态成熟）条件基本齐备，具备总体可行性；关键约束在于数据治理、人才与算力成本，而非技术本身。

三、国内保险大模型发展现状

3.1 总体采纳：从试点到规模化

沙丘智库采纳率

沙丘智库《大模型应用跟踪报告》：“应用智能体”正成为新增长点。

3.2 头部险企量化成效（2025年报口径）

平安、人保、太保

• 中国平安：超23万员工使用内部智能体平台、7万+智能体应用、全年模型调用36.5亿次；平安产险COR 96.8%，为5年最优；

• 中国人保：AI能力年服务44亿次（同比+51%）、车险自动化处理超1亿次、落地150个应用场景；

• 中国太保：“灵析”AI搭档使作业效率提升30%，预计数字劳动力覆盖1万名员工（劳动效率+30%）。

3.3 典型场景与案例

核保、核赔、员工助手、风控合规、决策支持

• 核保核赔：蚂蚁“凤凰大模型/蚂小财”核保核赔准确率95%以上；信美“Chat-Trust 3.0”准确率99.37%；

• 员工助手/知识管理：太保“嗨问Plus”、阳光“阳光正言GPT”（1＋3＋N体系）；

• 风控合规：泰康“AI业务安全风控平台”——五层架构＋多Agent协同，日均调用80万笔，覆盖营销宣传、承保理赔等风险防控；

• 决策支持：从“问答助手”走向决策支持场景，支撑精算、定价、经营分析。

3.4 落地路径特征

• 由内到外：先内部提效（员工助手、文档处理），再外部服务（客户、代理人）；

• B端到C端：先机构端场景，再客户触点；

• 部署方式：私有化部署＋API调用混合，敏感数据走私有化；

• 系统融合：从单场景工具走向嵌入核心业务流程的端到端智能体。

3.5 现存问题与挑战

• 专业能力短板：精算、合规文案、核保理赔决策偏差（CUFEInse 评测结论同样适用于国内模型）；

• 数据治理与合规：个人信息、敏感数据使用边界；

• 成本与人才：算力投入大、复合型人才稀缺；

• 效果评估：缺乏统一评测标准，部分应用“试点多、规模化少”。

经营启示国内头部机构已用规模化调用数据证明大模型的真实价值，中腰部机构应优先选择“通用底座＋场景微调＋评测驱动”的轻量路径跟进，避免重复投入。

四、未来展望：保险业大模型与应用前景

4.1 是否会出现“保险大模型”？

核心判断

判断：会出现，但形态是“多层次、多主体”的垂直模型生态头部机构自建专属模型（对标 TravelersLLM）＋行业平台共建行业模型＋商业供应商提供垂直产品；“通用底座＋领域微调＋评测迭代”将成为标准范式。

4.2 演进路径：从助手到智能体到自主决策

判断依据：海外 Allstate/Travelers 已进入智能体阶段；国内头部险企智能体采纳率上升；监管为高风险应用设定“人工干预”边界，自动化将限定在可控范围。

4.3 重点应用前景

核保、理赔、精算、定价、营销、客户、风控、再保险

• 核保与理赔：人机协同的自动化决策，显著压缩时效；

• 精算与定价：动态定价、情景分析、巨灾模型解读；

• 营销与客户经营：合规化营销文案生成、千人千面产品推荐；

• 风险管理：欺诈识别、舆情监测、网络安全保险承保；

• 再保险：合约文本解析、风险聚合分析、大模型辅助巨灾定价、分保决策支持。

4.4 对再保险机构的启示

经营启示① 关注“模型风险”本身：AI责任险、模型错误与算法歧视成为新风险敞口，再保险可提供相应承保能力与风控服务；② 建设行业级知识底座：联合行业共建再保险领域语料库与评测基准（对标 CUFEInse 思路），形成数据护城河；③ 以智能体赋能内部：从核保助手、合约解析、精算支持等场景切入，先内部后外部；④ 参与治理与标准：在AI安全评估、模型备案、行业标准制定中发挥专业机构作用。

4.5 风险与治理

技术风险、数据风险、运营风险

• 技术风险：幻觉、误导信息、歧视性决策；

• 数据风险：隐私泄露、数据投毒；

• 运营风险：过度依赖、自动化失控；

• 治理方向：遵循金监总局指导意见，高风险应用“批＋控＋报”，模型全生命周期管理，保留人工兜底机制。

结语

海外经验表明，保险大模型的价值不在于“拥有模型”，而在于“数据×场景×智能体”的系统性重构。国内已具备发展条件，正处于从试点到规模化的关键窗口期。对再保险机构而言，既要拥抱智能体赋能自身经营，也要前瞻布局AI带来的新风险承保机会，实现“技术红利”与“风险红利”的双重捕获。

主要资料来源：

• Allstate Introduces Large Language Model, ALLIE（Insurance Journal，2026-08-07）

• Travelers 发布专属大模型 TravelersLLM（公开报道，2026-07-02）

• CUFEInse：世界首个保险大模型评测基准（中央财经大学保险学院/中国精算研究院）

• ScienceSoft：Large Language Models (LLMs) in Insurance

• Milliman：The potential of large language models in the insurance sector

• Swiss Re Life Guide Scout / GenAI 应用（公开报道）

• 《AIGC大模型赋能下的数字保险建设新机遇研究报告》：险企大模型建设有三种模式（《中国银行保险报》×普华永道，2024）

• 《保险大模型革新：全面自动化倒计时》（《财经》特别报道）

• 腾讯云：《大模型重塑保险行业应用》《腾讯AI大模型重构保险运营》

• 《支持决策场景！保险业大模型最新实践》

• 泰康保险：大模型重构保险业务安全边界——融合防控体系的探索与实践

• 金融监管总局《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8号，2026-06-18）

• 沙丘智库《大模型应用跟踪调研》（公开报道）

• 保险业大模型解决方案（行业资料）