深度｜千亿 Token 与浅层落地（下）：中小险企的 AI，卡在碎片化中

（图片来源：视觉中国）

蓝鲸新闻 9 月 24 日讯（记者 石雨）保险 AI 的竞争，正在从 " 谁的模型更强 " 转向 " 谁更懂业务、谁更能把行业知识变成 AI 可执行的能力 "。

上篇报道《深度｜千亿 Token 与浅层落地（上）：保险 AI 的竞争，不在模型里》中，记者观察到，头部险企的 AI 已从 " 要不要做 " 走向 " 算清价值 "：Token 以千亿计，智能体嵌入核保、理赔、营销，竞争焦点转向行业知识与流程闭环。

但同一条赛道并非同一节奏。当头部把 AI 推向生产系统，更多中小险企仍困在通用接口、问答机器人与碎片化采购的浅层应用之中。

另一条起跑线

AI 应用是全保险业的共同节奏，但各主体机构所处的阶段大相径庭。头部机构的突围背后，大量中小型机构的 AI 布局，又进展到了哪一步？

粗略梳理业内动向来看，中小险企的 AI 应用大多仍停留在浅层：接一个通用大模型接口，搭一个问答机器人，场景零散、流程割裂。真正完成垂直大模型微调、部署业务智能体、把 AI 嵌入核心流程的中小险企，并不多见。

今年复旦大学经济学院许闲教授团队发布的《保险 " 龙虾 " 技能洞察报告》提供了一个量化切口：在 539 个公开 Skill 样本中，71.5% 停留在 " 参考文档型 "，真正具备主动执行能力的技能占比不足 10%。业内大量的 "AI 赋能 " 场景，本质上是一个更高级的搜索框。

在组织结构层面，从业内反馈来看，多数中小险企的 AI 采购是部门级的、碎片化的。买来的工具各自为政，无法形成对核心流程的系统性改造。

资金是核心门槛。头部机构有相对充足的科技预算承担算力采购、模型训练和技术团队搭建的高昂成本，年均数十亿、上百亿的投入并不稀有，且在逐年增加。另据业内调研报告，中小险企 IT 投入占比不足 0.9%，60% 仍依赖老旧单体系统。

" 中小险企更在乎成本，在乎金钱成本，也在乎机会成本 "，一位业内人士向记者说道。中小险企经营利润承压，科技预算整体盘子偏小，同时还要满足偿付能力、业务发展等现实压力，很难拿出大规模资金投入周期长、回报不确定的大模型基建。商业化大模型调用成本居高不下，性能较弱的中小模型又无法满足核保定价、理赔反欺诈等核心场景的专业需求。

" 预算肯定不能和大型机构相比，但也不可能不推进，关键是怎么把握时机 "，一位中型保险机构相关负责人向记者坦言。哪部分能自研，哪部分找供应商，要达到怎样的成效，都是一点点磨出来的。

差距不止于预算

不仅资金投入，中小险企与头部险企的 AI 差距还在于数据底盘、组织机制、复合人才多重因素长期积累形成的综合壁垒。

艾瑞咨询 2026 年发布的《AI 时代下的金融科技发展洞察报告》印证了这一判断：保险业 AI 落地的首要痛点是复合型人才缺乏，占比 73.3%；其次是 ROI 量化困难，占比 66.7%。前者指向 " 没人干 "，后者指向 " 算不清账 "。

对中小险企而言，这两个痛点更为具体——既难配齐既懂保险又懂 AI 的团队，也难在短期业绩考核下说清一笔 AI 投入多久能回本。

这直接反映在能力表现上，" 中小险企 AI 落地的最大卡点，是缺少将一个业务主题从 0 到 1 跑通的完整能力 "，暖哇科技相关负责人向记者分析指出，要落地 AI，就需要把目标进一步定义为具体任务：AI 究竟要完成什么、接入哪段流程、由谁负责、用什么指标评价。完成模型部署之后，业务、科技和运营之间也需要形成持续迭代机制，否则容易停留在演示或辅助工具阶段。

从技术侧看，保险 AI 并不是部署一个大模型就可以解决问题，真正进入生产往往涉及文档理解、数据治理、业务规则、流程编排、风险判断、系统集成等多个环节，每一个环节都需要长期的技术积累和持续优化。中小险企有限的研发资源，很难同时在整个链路的多个关键环节持续投入并形成技术突破。

更重要的是，很多核心能力并不是针对一家保险公司的单点需求做定制就能形成。它往往需要从大量不同保险公司的产品、流程和业务实践中，抽象出保险业务更本质、更通用的问题，再在此基础上建设底层能力。单一中小险企受到业务规模、数据范围、研发投入和实践范围的限制，很难独立完成这种长期的基础能力建设和跨场景抽象。

从能做的事开始

壁垒虽然存在，但并非无路可走。一些中小险企已经找到了自己的路径。

比如东吴人寿，走的是 " 从数据出发 " 的路。据公开报道， 2023 年起，其基于积累的医疗药品数据、业务数据以及非结构化数据等资产，组建了 " 数字保险研究所 "。通过一年多的数据治理，建立了 9054 项数据标准和 454 个数据模型。日前推出的 AI3.0 构建 "1+5+1" 体系，依托 64 张自有 GPU 的算力集群，支撑天枢 Buddy 桌面 AI 工具、RAG 智能体开发平台等多元场景，并以专属通道、全链路追溯等机制确保合规。

再如华农保险，从具体业务入手，今年上半年推出 " 华农 · 星翼 " 数智化全流程雇主责任险创新解决方案：聚焦一个具体险种，把数智化能力贯穿投保、核保、承保、批改、理赔、运营全业务链条。

" 选择一个价值明确的业务主题，跑通真实生产闭环 "，业内人士认可了这一模式。这个场景最好具备几个条件：任务边界相对清晰、业务量足够大、数据基础相对完善、结果能够量化、异常情况可以由人工接管。

与此同时，各中小保险公司都在或多或少的借助于 " 外力 "。从投入产出比来看，完全自主建设需要持续投入模型、数据、人才和运营资源，对多数中小险企并不经济。中银三星人寿副总经理王云峰日前就提出，依托第三方科技服务商的市场化 AI 解决方案，是中小保险机构数字化转型更贴合现实的选择。

不同体量的保险机构在采购时有不同的需求，也呈现差异化的特点。一家保险科技公司向记者透露，中小险企内部也有差异：中型险企通常决策链条相对较短，对局部创新的投入意愿和包容度更高，适合与科技公司共同完成从 0 到 1 的验证；规模更小的险企则更需要引入一套成熟的全流程能力，减少自行摸索的成本。因此交付的不能只是一个模型或工具，而要覆盖业务设计、流程、技术、运营和效果验证，避免任何一个环节成为短板。

共享什么，保留什么

对于中小险企而言，行业共建统一保险垂类大模型是另一条被寄予期待的路径。但随着各机构布局差异拉大，这一期待正在受到质疑。

" 不同保险公司的产品结构、客户群体、风险偏好和业务规则差异很大，核心数据又涉及隐私保护和商业利益，很难共同训练并使用同一套核心模型 "，业内人士坦言。

王云峰更是直言，" 行业统一垂类大模型，只是中小金融机构的理想诉求。"

但行业共建并非完全没有空间，暖哇科技相关负责人向记者分析指出，更值得共建和共享的，是保险行业底层的通用能力和基础设施，而不是每家机构具体的经营决策。

" 很多保险 AI 能力，只有站在跨保险公司、跨产品、跨业务流程的视角下，才能抽象出真正通用的问题 "，该负责人进一步解析道，例如对保险文档、业务规则、理赔材料、风险因子和流程任务的理解，都存在大量可以跨机构复用的共性能力。这类能力需要长期投入基础技术研发，并通过不同保险公司的真实场景不断验证和完善。对于单一保险公司，尤其是中小险企而言，独立完成这样的基础能力建设，投入大、周期长，也容易受到自身业务范围和实践范围的限制。

因此，更现实的路径不是全行业共用一个模型，而是 " 共享基础能力、保留机构差异 "：底层模型、通用技术能力、行业知识表达、评测标准、安全规范等基础设施可以复用；而具体到每家保险公司的产品知识、业务规则、风险偏好、数据资产和决策机制，则仍然由机构自身掌握。

换言之，行业共建的边界不在于 " 共享多少模型 "，而在于 " 分清什么该共享、什么不该共享 "。通用能力越共享，中小险企的起步成本越低；机构差异越保留，各家险企的核心竞争力越不会被稀释。

头部与中小险企的 AI 分化，短期内难以抹平。但中小险企的故事，不会是头部的缩小版。也许不拼模型、不建体系，也许聚焦一个险种、一段流程，把有限的能力用透。AI 去向何处尚无定论，这条赛道也远未定型——这，或恰是中小险企的机会所在。

* 特别声明：文章内容仅供参考，不构成投资建议。投资者据此操作风险自担。