—— 人保寿险大模型探索及实践 中国人民人寿保险股份有限公司 呼群 01 公司简介 02 大模型 技术探索 大模型 实践应用 目 录 03 2 保险、年金保险、健康保险、意外伤害保险等保险业务及其再保险业务。公司总部设在北京 ，机构网点布局完善， 在全国 31 个省、 自治区、直辖市和 5 个计划单列市设立 36 个省级分公司。 下拥有人保财险、人保寿险、人保资产、人保健康、 ，业务范围覆盖财产险、人身险、再保险、资产管理、保险科技等 领域。 简称“ 中国人保” ，成立于 1949 年 10 月 20 日 , 为综合性保险金融集团 ，连续 15 年入选《财富》世界 500 强 ，旗 简称“人保寿险” ，成立于 2005 年 11 月 ，是中国人民保险集团股份有限公司旗下的重要成员 ，主要经营人 寿 70 年 + 品牌沉淀 ，全力保障国计民 生 中国人民保险集团股份有限公司 中国人民人寿保险股份有限公司 年“金融电子化年度十大事件” 人保大模型生态 2023 年 ，人保寿险构建了以通用大模型为基础、 自研垂直领域大模型为主体、外部大模型能力为辅助的人保大模型生态。包括五大 AI 核心组件及专业 领 域 AI 子模型体系 ，打通大模型从技术研发到场景应用落地的最后一道关卡 14 人保聚焦以 DeepSeek 为代表的大模型 ，夯实寿险大模型基础建设 ，深度挖掘高价值应用场景 ， 赋能外勤销售、 助力内勤经营

运营成本高企：培训新人代理平均投入超 2.3 万元/ 人， ROI 周期 长达 9 个月 技术层面，现有系统存在明显短板：核心业务系统平均年龄达 7.5 年，API 响应延迟超过 800ms，无法支撑实时风控需求。某头 部寿险公司测试数据显示，传统 OCR 识别投保单的差错率达 11.3%，且需要二次人工复核。 市场竞争格局呈现两极分化：前五大保险公司占据 73%市场份 额，中小险企在科技投入占比不足营收的 1.8%，数字化转型差距 85%的简单咨询问题仍需人工坐席响应，导致人力资源配置严重 失衡。 数据孤岛与协同障碍 保险公司内部系统通常呈现碎片化状态，典型企业存在 6-8 个独立 业务系统，数据互通需通过中间表手动同步。例如某头部寿险公司 的精算系统与 CRM 系统间存在 17%的数据偏差率，直接导致核保 决策失误率增加 2.3 个百分点。 风控能力滞后 反欺诈依赖规则引擎的静态阈值设定，无法动态识别新型骗保模 式。车险领域约 问题解决率 91.2% 68.5% 平均响应速度 1.2 秒 3.5 秒 复杂决策支持 采用强化学习框架构建的核保决策树，可同步分析投保人健康告 知、医疗历史、职业风险等 18 个维度的数据。某寿险公司试点数 据显示，模型将高风险保单识别率从人工核保的 76%提升至 94%，同时将自动化核保比例从 15%提升至 63%。 实时交互优化 对话系统支持动态意图识别，在客户服务场景中实现多轮精准追

模型”，根据用户年龄、常驻城市、月收入及负债情况，为每位用户模 拟匹配几万种保险配置方案，并最终选出最匹配用户需求（患病概率、地区医疗 条件及成本、预算情况等）的一组方案（包括医疗险、意外险、定期寿险、重疾 险四类）做推荐。由于 AI 相较于代理人可设置不受产品热度、销售佣金等因素影 响，测试结果显示，通过“省心配”配置保险方案，能为用户节省约 30%的预算。 但需明确的是，长期险具有长 是 出于对产品的足够认同、要么是对销售人员的足够信任，两者现阶段都很难通过 AI 实现，因此，我们认为，中长期看，AI 保险产品配置推荐仍仅适用于低单价的 简单型产品，如意外险、百万医疗、定期寿险等。 图8.蚂蚁保“省心配”根据个人信息进行产品推荐 数据来源：支付宝 APP，财通证券研究所 2）保险客服：高质高效满足客户基础咨询和业务处理 AI 客服是当前AI 在 99.8%，语音 识别率 98%，综合评分准确率 90%。 谨请参阅尾页重要声明及财通证券股票和行业评级标准 14 行业专题报告/证券研究报告 3）营销素材生成：平安寿险推出 AI 短视频跟拍工具，帮助代理人打造内容 IP，吸引公域流量，上线 5 个月全网累计视频播放量 707 万次。 图9.平安人寿 AskBob 全方位助力代理人展业 数据来源：平安人寿上海分公司公众号，财通证券研究所

，能在数字创新与保障本质的共鸣中 ，寻回保险“守护稳稳幸福” 的初心 ，奔赴对行业高质量发展、对客户美好保障体验的深度追求。 市场规模： 中国保险市场持续扩容 ， 2026 年原保费收入有望突破 6.3 万亿元 ，寿险、财产险、健康险 等均呈增长态势。 科技投入： 保险业科技投入持续高速增长 ， 2025 年总投入将突破 670 亿元 ，大数据、云、 AI 为主要 投 入领域。 技术价值：生成式 2023 年后，伴随市场环境优化、消费者保障意识升级及产品创新提速，增长动能加速释放 ， 2024 年保费增速已回升 至 11.2% ， 预计 2026 年原保费收入将突破 6.3 万亿元。从结构看，寿险依托储蓄需求保持核心地位，财产险受益于新能源车险渗透率提升稳健增长，健康险及意外 险在政策支持 下贡献增量。未来，随着养老第三支柱深化，责任险、农业险等非车险业务扩张，以及科技赋能提效，行业将进一步释放潜力，助力民生保障与实体经 2023 2024 2025e 2026e 寿险（亿元） 财产险 ( 亿元） 健康险（亿元） 意外险（亿元） 来 源： 中 国保 险 行业协 会、 瑞 再研究院 sigma 报告，

关联交易利益输送审计：如向关联方低价转让优质资产、虚增再保手续费 转移利润，需要检查关联方交易定价公允性及信息披露完整性。 （四）典型案例解析 案例一：销售误导与违规宣传 1 、案例背景 “ ：某寿险公司因客户投诉 承诺收益与实际不符 ”，触发内部 合规审计。调查发现销售人员为达成业绩目标，在销售年金险时存在夸大收益、 隐瞒条款等行为。 2 、审计方法：调取销售录音及保单回访记录，结合客户投诉数据与佣金 （一）基础审计场景应用问题 1 、准备金与精算核算类 （1）如何评估未决赔款准备金计提合理性？（如：运用区块链技术追踪 跨 年度大额赔案进展，验证 IBNR 准备金是否覆盖长尾风险） （2）如何评估寿险合同服务边际（CSM）调整合规性？（如：对比精算 模 型中的死亡发病率假设与卫健委《2024 国民健康白皮书》数据差异） （3）如何开展退保率假设偏离度核查？（如：构建 LSTM 神经网络模 型， 假设（如折现率、死亡率）与市场基准值的偏离度，通过蒙特卡洛模拟验证 巨灾 准备金压力测试场景的覆盖完整性。 合规依据：《保险公司准备金评估 实务 标准》） （三）具体审计示例 1. 准备金计提不足。某寿险公司审计发现，部分重疾险产品未根据最新发病 率数据更新精算模型，导致责任准备金少提 8,000 万元。审计通过比对行业数 据、 复核精算假设参数发现模型参数滞后，责令补提准备金并建立精算动态调

速技术，以提高模型响应速度、并发并降低硬件成本。利用提示词、检索增强生成和智能体 等技术充分激活千亿级大模型的理解、推理和规划等高级能力，赋能办公文秘、应用开发、 车险全线上销售机器人异议处理对话、寿险销售机器人客户引导、内容生成机器人文案改 写等场景。 （2）百亿级大模型建设采用基于开源大模型自研方案，针对不同业务场景的专业性、 时效性和低成本需求，基于自研大模型选取合适的模型尺寸（1.8B、7B、14B、32B），结合保 度”概念，从普及全员办公智能化， 到客户服务、产险理赔、线上销售、内容营销等重点应用场景智能化，再到“AI+”模式下的 探索和布局，全面规划，阶段性地推进场景建设。 5.1.1 阳光保险 寿险知识问答助手：全能宝APP在线客服场景，实现产品条款、投保规则、理赔规则、保 全规则4类问答，问答正确率达70%左右，形成了保险产品知识体系雏形，弥补了传统问答 方式无法有效覆盖各种问题的不足。 险和车险销售、智能客服、人伤智能定损等领域取得了阶段性成果。 （1）智能客服机器人 智能客服机器人旨在为客户提供个性化、有温度、高品质的服务体验。当前已覆盖车 险报案、产险保单查询、寿险保单查询、寿险续期回访等重要场景。充分利用95510服务场 景历史音频数据多、语音转文字技术较成熟、AI训练语料标注和问答知识库基础较好的优 势，智能客服机器人项目取得明显成效。上半年，累计智能服务量538万件，智能服务率

多家企业已经将智能决策应用于保险流程。比如，南非的 Santam 保险公司 利用预测分析和机器学习来减少欺诈行为，提高运营效率。这一举措帮助他 们在前 4 个月节省了 240 万美元，并加快了索赔处理过程。 日本寿险公司富国生命保险(Fukoku Mutual)正在利用人工智能来解释医疗证 明，并将住院时间、病史和手术程序等因素考虑在内，以决定投保人的保险 费用。这一系统有望在两年内将生产率提高 30%，并取得可观的投资回报率。

推荐 • 自学习能力，低成本维护越用越聪明 二期： 智能培训、智能保顾 百度智能客服实施案例 —— 某寿险全能坐席助手 集成语音输入 输入词联想 多种问法回答 相似问题推荐 智能上下文回答 问答反馈 - 自学习 百度智能客服实施案例 —— 某电网智能知识库案例

综合分析。通过 自然语言处理（NLP）技术，模型能够自动识别客户的关键需求和 潜在风险点。例如，对于近期有购车计划的客户，系统可以优先推 荐车险产品；而对于有家庭责任的中年客户，则可以重点推荐寿险 和健康保险产品。 其次，利用机器学习算法，模型能够根据客户的动态行为数据 实时调整推荐策略。通过实时监控客户的浏览记录、咨询内容和交 互行为，系统可以快速捕捉客户的兴趣变化。例如，当客户频繁浏 过滤相结合的混合推荐算法。协同过滤通过分析相似客户的行为模 式，推荐他们购买过的产品；而内容过滤则基于产品的属性与客户 的需求进行匹配。例如，对于偏好高保障、低风险的客户，系统可 以推荐定期寿险或重大疾病保险；而对于追求灵活性和低成本的客 户，则可以考虑推荐短期意外险或旅行险。 此外，保险公司还可以通过 A/B 测试不断优化推荐算法。通过 将客户随机分为不同组，分别应用不同的推荐策略，企业可以对比 计，提升产品的竞争力。 首先，AI 大模型可以通过对客户画像的深度分析，识别不同客 户群体的风险偏好和保障需求。例如，通过对年轻客户群体的数据 挖掘，可以发现他们对健康保险和旅行保险的需求较高，而对传统 寿险的需求较低。基于这些洞察，保险公司可以设计出更加贴合目 标客户群体的定制化产品，如针对年轻人的健康保障计划或针对频 繁旅行者的全球医疗保障计划。 其次，AI 大模型在产品设计中的应用还体现在其能够模拟和预

保险领域业务场景众多，需要选定一个合适的场景作为突破口: Page 12 12 保险产品研发 ►AI模型独特的样本生成能力和场景泛化能力可以在保险领域的新产品设计中扮演重要 角色，特别是在以健康险、寿险为代表的人身险中，有巨大的应用潜力。 ►可以在保险产品设计的以下几个环节带来帮助：数据收集和预处理、全网知识整合、 保险产品文档等物料生产、风险评估与预测、保险产品方案设计、风险预警和管理等。