保险商业场景化AI技术的落地，挑战来自哪儿?

近年来，随着互联网、人工智能等信息化技术的快速发展，银行、保险、金融、医疗、零售等行业都从中得到了广泛应用和融合发展。

尤其是在保险行业，有人说AI是蓝海，给患者、保司、医疗机构三方都提供了高效、便利的的数字化服务；也有人说AI是死海，因为AI技术在与保险相融合的过程中势必会存在一些风险问题，而且在如今保险市场竞争愈发激烈的大背景下，AI技术能否快速提高保司市场竞争力而回归正轨还是未知数。

AI技术在保险多场景下不断进行融合推进，也对遇到的不少难题给出了不错的解题思路，但要想在保险行业进行商业场景化真正落地也面临着不少挑战。

第一，不管是一些最新技术的应用，还是涉及到垂直模型精准算法的应用，怎样发挥两边所长，进行有效结合实现真正落地，是保险AI技术第一步所要面临的挑战。

而在此挑战下，保司从技术精准化到进一步扩大至大模型，也在面临着解释度和透明度的问题，比如，如何将定价风险识别、损失核定等这些根本性的核心业务进行AI技术精准整合赋能，是需要保司通过高度的解释性和透明度来符合监管，取得民众和行业的认可信任。

第二，大量精准高质量数据来做支撑，以及技术成熟度问题。毫无疑问，想要做好一个应用，一定是需要建设大量且精准数据来做支撑，但各大保司所处境遇不同，数据质量也是千差万别，而且保司拥有的大量专业性数据和客户数据都是需要经过层层采集、清洗加工，最终产出的有用数据量远远还不够多。

此外，AI技术成熟度的高低也直接影响到保险行业。比如，刚刚提及到的利用大模型通过数据去执行一些动作，来规划进业务场景里面，但目前AI技术还有一些引导性没有发挥出来，导致运行的规律性还不够，无法预期最终结果，显然这一部分技术还需要再继续提升。

第三，相关AI技术是否合规合法，以及数据安全隐私保护问题。在保险领域，AI技术的赋能肯定是要合法合规，符合正确价值观，而且目前大模型本身是公共开放性的，数据面临着公开传输极易泄露隐私的境况，这时候如果用机构专属大模型来规避这样的问题，也同样会不可避免的泄露一些客户的隐私数据或者公司的敏感数据。那么，如何真正来规避这些涉及安全性和隐私保护的问题，是未来整个行业需要来重点解决的地方。

第四，由于大模型技术对算力要求极高，就导致了高额成本始终是绕不过去的坎儿。如果保险业将AI技术全面应用起来，耗费的高成本所带来的业务价值并不高，尤其是在财产险领域，本来利润就被压缩的很低，这时AI技术的成本管控就成为了保司所必须考虑的问题。