来源 | 《中国金融政策报告》
作者 | 袁先智(深圳市富德数智有限公司)等
国家金融监督管理总局2026年6月18日发布《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），为银行保险业提供了统一的AI治理框架。我们结合寿险与产险公司风险特征、传导机制的系统性差异研究，针对保险业AI核保、AI理赔与保险反欺诈三个核心能力领域，提出分类实施、分阶段落地的发展路径与具体方法，认为寿险风险的“慢性”特征（累积缓慢、难以逆转、恢复周期10-20年）与产险风险的“急性”特征（触发快速、损失集中、恢复周期1-3年）决定了二者在AI应用的设计逻辑、验证强度、监控频率上必须差异化实施，而不能套用同一套技术方案，并分别就寿险、产险在核保、理赔、反欺诈三个场景下的AI落地方法给出具体建议及三阶段实施路线图。
一、引言：为什么寿险、产险需要差异化的AI落地路径
保险业正在经历第三次革命——从精算科学化（20世纪初）、信息化变革（20世纪末）到当前的AI智能化革命。这一次革命的核心特征是：从标准化定价走向个性化精算，从被动理赔走向主动风险管理，AI正在全链路重构保险价值链的每一个环节。2026年6月18日，国家金融监督管理总局发布《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），这是银行保险业首份系统性AI安全应用指导文件，明确将保险集团（控股）公司、保险公司、保险资产管理公司均纳入适用范围，32项要求覆盖治理架构、开发应用、数据治理、算力建设、风险管理、能力提升、保障监督七方面，并确立“谁使用谁负责、自主可控、务实高效、安全发展”四大核心原则。
然而，金发〔2026〕8号作为一个跨行业、跨机构类型的统一治理框架，其条款本身是原则性、通用性的——具体到保险公司内部的AI核保、AI理赔、反欺诈这三个最核心的业务场景应当如何落地，仍需要结合保险业自身的风险特征来细化。我们主张AI在寿险与产险中的落地方法不应是同一套技术方案的简单复制，而应当从两类业务本质不同的风险传导机制出发，分别设计。
这一主张的依据来自对寿险与产险风险差异的系统性研究。寿险风险具有“慢性”特征：风险以年为单位缓慢累积，在外部环境恶化初期难以被常规财务指标即时捕捉，一旦爆发已积重难返，恢复周期长达10-20年。与此相对，产险风险具有“急性”特征：单次事件或政策调整可在一个承保年度内将多年盈利瞬间抹平，但恢复相对较快，通常为1-3年。这两种截然不同的风险传导速度和损失形态，决定了AI核保、理赔、反欺诈系统在寿险与产险场景下，必须采用不同的监测频率、验证强度、预警机制和人工介入设计。
二、寿险、产险风险特征差异及其对AI应用设计的根本启示
（一）寿险：“慢性”特征与AI应用的长周期监测设计
寿险公司的核心负债是长期保单承诺，风险以极缓慢的速度侵蚀公司价值。利差损风险的核心逻辑是：保单预定利率一旦签发便具有刚性、不可调整，而资产端投资收益率随宏观利率环境浮动，两者出现持续性负缺口即形成利差损，并以复利方式逐年侵蚀资本。中国人寿1996-1999年案例中，一年期存款利率从10.98%骤降至2.25%，预定利率高达6.5%-8.8%的保单形成刚性负债，利差损缺口累计峰值超过2000亿元，传导链条历时5-8年才引发监管强制干预。当前中国寿险行业正处于这一传导链条的中前期：2025年10年期国债收益率已降至1.6%-1.8%区间，部分中小公司投资收益率正逼近历史保单的刚性负债成本。
长寿风险是寿险公司面临的另一类“慢变量”风险，其本质是实际死亡率改善速度超出精算定价假设。日本千代田生命2000年破产案例中，生命表对死亡率改善趋势严重低估，导致终身年金给付期限比预期延长50%以上，叠加零利率政策下投资收益率跌至1.5%-2%，两类慢变量共振放大，最终资不抵债。
这一“慢性”特征对AI应用设计的启示是：寿险AI系统不应仅关注单次核保或理赔决策的准确率，更应当承担长周期趋势监测的职能——即在传统财务指标仍显示“正常”的阶段，就能识别出利差损或长寿风险正在缓慢累积的早期信号。这要求AI模型的验证周期与传统产险模型不同，需要更长的历史数据窗口、更频繁的动态精算假设更新机制，以及跨越多个财务年度的趋势预警能力。
（二）产险：“急性”特征与AI应用的实时响应设计
产险公司的核心风险往往以突发性冲击形式出现。2019年台风“利奇马”登陆浙江，造成直接经济损失超657亿元，保险赔付约120亿元，车险赔付占比约65%。头部产险公司综合成本率从台风前的98%跳升至灾后的108%，当年净利润由预计盈利50亿元转为亏损20亿元，偿付能力充足率从280%降至220%。值得注意的是，部分公司巨灾再保险保障率仅为65%，低于90%的稳健标准，暴露出区域集中度过高与再保安排不足的系统性短板。
2020-2023年车险综合改革则代表另一类产险风险形态：政策驱动的行业性承保亏损。行业平均赔付率从改革前的约58%快速攀升至2022年的约72%，综合成本率从96%升至100%-105%的亏损区间，中小产险公司普遍超过105%，甚至达到115%。这一冲击在一年内集中兑现，但随定价自主权扩大和报行合一机制落地，行业综合成本率在2023年后趋于改善。
这一“急性”特征对AI应用设计的启示是：产险AI系统的核心价值在于压缩“触发-响应”的时间窗口——巨灾发生后，能否在数小时而非数天内完成定损与理赔审核，直接决定了公司能否在赔付高峰期维持流动性与偿付能力。同时，AI核保系统需要将区域集中度、巨灾PML（最大可能损失）实时纳入承保限额管理，而非依赖静态的历史承保规则。
（三）混业经营风险对AI治理架构的警示
AIG 2008年金融危机案例代表了一种与寿险、产险精算风险均不同的风险形态：金融衍生品业务对传统保险主体的“反噬”。AIG金融产品部门销售的CDS名义规模超过5000亿美元，MBS违约率飙升触发巨额赔付，进而触发评级下调与保证金追加，形成流动性黑洞，最终触发1820亿美元政府救助。这一案例对AI治理架构的核心警示是：如果保险集团同时经营类银行或衍生品业务，AI风险管理系统不能仅在法人实体层面运行，而必须具备穿透集团层面识别风险传染路径的能力——这与金发〔2026〕8号第26条“加强运营及业务连续性管理”的要求高度契合。
数据来源：中国人寿利差损案例（1996-1999）、日本千代田生命破产案例（2000）、台风“利奇马”案例（2019）、车险综合改革案例（2020-2023），详见《寿险与产险公司风险差异、传导机制——基于真实案例的比较分析与评估改进建议》（袁先智等[2]，保险业风险观察）。
三、金发〔2026〕8号对AI核保、理赔、反欺诈的总体要求
金发〔2026〕8号的32项要求中，与AI核保、理赔、反欺诈这三个场景直接相关的条款可归纳为四个层次，这四个层次构成了本文后续分类实施方案的制度依据。
（一）分级管理义务（第15、16条）
金融机构应根据AI应用的业务场景重要性、应用规模、影响范围、模型复杂度等因素，对人工智能应用进行风险识别和分级分类管理，推动应用清单式管理，实施分级分类管理措施。对涉及资金资产等重大权益、大规模客户影响、业务连续性，或存在直接、间接不可逆后果的高风险应用，应经董事会或专门委员会审议批准后方可实施。这一要求直接适用于核保拒保决定、大额理赔审核等场景——这些场景理应被识别为“高风险应用”，需要最高强度的治理。
（二）人工监督与干预义务（第17条）
金融机构应加强对人工智能在业务场景中的运行监测，及时发现和管控模型风险。在高风险应用关键环节建立人工监督和干预机制，明确紧急停用及模型退出条件，建立备用系统或人工替代流程。这一要求为AI核保、理赔中的“人工复核”环节提供了明确的制度依据，也回应了寿险产险风险差异研究中提出的“AI理赔责任归属”这一核心制度议题——责任的最终锚点应落在保留了实质决策权的人工审核节点上。
（三）新增验证标准（第20-23条）
金发〔2026〕8号第20-23条为AI模型本身设立了四项新验证标准：鲁棒性（训练数据质量与分布、对抗测试与压力测试）、透明度（模型机制说明、开发文档与训练日志）、可解释性（高风险场景以人工决策为最终防线，保留决策路径可追溯）、公平性（防止算法对特定群体、地域产生歧视性偏差）。这四项标准直接回应了寿险产险风险研究中提出的“黑箱风险与监管可解释性”这一系统性风险——“定价透明”的监管原则与深度学习模型的黑箱特性之间的冲突，需要通过第22条的可解释性要求来实质性化解，而不能仅停留在原则表态层面。
（四）数据治理与反欺诈相关要求（第9、23、24、25条）
第9条要求对人工智能各阶段数据集实施全生命周期质量管理，确保数据的准确性、完整性、一致性、时效性和低偏差性，并强调防范数据分布漂移；第23条的公平性要求直接指向训练数据中可能包含的历史偏见问题——这正是寿险产险风险研究中提到的“训练数据含历史偏见→AI复制放大→算法歧视”这一系统性风险的制度化应对；第24条数据安全与隐私保护、第25条网络安全防护，则分别对应保险反欺诈系统在处理海量敏感数据、防范对抗样本攻击时应当满足的具体要求。
四、AI核保：发展路径与落地方法
（一）寿险AI核保：从静态定价到长周期动态监测
传统寿险核保以投保时点的健康状况、既往病史为主要依据，一次性完成风险定价。基于本文第二部分对寿险“慢性”特征的分析，寿险AI核保系统的发展路径应包含以下三个递进环节。
1. 健康风险的精细化个体定价。
利用AI处理数百个特征变量，实现秒级核保决策，机器学习定价精度较传统GLM模型可提升15%-30%。这一环节的技术挑战在于精准度与可解释性的平衡——金发〔2026〕8号第22条要求高风险核保决定保留可追溯的人工复核节点，这意味着AI核保系统的模型架构选择，需要在效果最优的深度模型与可解释性更强的模型之间做出权衡，而非单纯追求预测精度。
2. 死亡率改善因子的动态嵌入。
借鉴日本千代田生命案例的教训——静态生命表严重低估了死亡率改善速度，本文建议寿险AI核保系统应嵌入“死亡率改善因子”的动态更新机制，参照《中国人身保险业经验生命表》的定期修订节奏，建立AI模型对人口结构长期变化趋势的持续学习能力，而非依赖投保时点的静态假设。
3. 与资产负债管理（ALM）的关联核保。
鉴于利差损风险的核心矛盾是“负债刚性+资产顺周期”，本文建议将AI核保系统与公司资产负债管理体系联动——在核保新增长期保单时，AI系统应结合当前利率环境、公司资产久期缺口等宏观变量，对预定利率敏感型产品的承保规模给出动态限额建议，从源头控制利差损的增量累积，而不是等到偿付能力指标恶化后才被动调整。
（二）产险AI核保：从历史规则到实时区域集中度管理
1. 巨灾模型（CAT Model）嵌入承保决策主流程。
台风“利奇马”案例表明，事后赔付数据往往印证了精算模型中对区域集中风险的前置警示——头部公司在浙江省车险市场份额过高、缺乏地理分散，是损失放大的关键因素之一。本文建议产险AI核保系统应将巨灾模型的PML（最大可能损失）测算结果与区域承保限额管理直接挂钩，实现单一台风高风险省份的车险市场份额自动预警（建议不超过全国业务的20%-25%），并在核保环节实时提示承保集中度接近阈值。
2. UBI车险的动态核保与实时定价。
基于实时驾驶行为数据动态调整保费，是产险AI核保区别于寿险的典型创新场景——由于产险风险的“急性”特征，UBI车险的AI核保系统需要具备远高于寿险场景的数据处理时效性，能够在承保周期内持续吸收驾驶行为数据并动态调整风险定价，而非仅在投保时点一次性核定。
五、AI理赔：发展路径与落地方法
（一）寿险AI理赔：长周期健康险审核与年金给付动态管理
1. 智能病历审核与既往症判定。
寿险理赔（尤其是健康险、重疾险）的核心难点在于既往症与理赔事由之间的因果关系判定，这一过程往往涉及长期病历数据的追溯分析。本文建议AI理赔系统应具备跨年度病历数据的关联分析能力，识别可能被投保人隐瞒的既往症线索，同时严格遵循金发〔2026〕8号第24条数据安全与隐私保护要求，对健康数据的使用边界、留存期限、删除机制做出明确限定。
2. 年金给付期限的动态监测。
对于终身年金类产品，本文建议AI系统持续监测实际给付期限与精算假设的偏离程度，一旦发现给付期限系统性超出预期（如千代田生命案例中给付期限比预期延长50%以上的情形），应触发向精算部门的动态预警，而非等待年度精算复核周期。
（二）产险AI理赔：计算机视觉定损与巨灾快速响应
1. 计算机视觉自动定损。
利用计算机视觉技术自动定损，可将理赔周期从数天压缩至数小时。这一能力在巨灾情境下的价值尤为突出——台风“利奇马”案例中，车险赔付占比约65%，若定损环节存在瓶颈，赔付高峰期的流动性压力将进一步放大偿付能力充足率的下滑幅度（该案例中偿付能力充足率从280%降至220%）。
2. 巨灾理赔的弹性响应机制。
本文建议产险公司建立“巨灾理赔弹性响应机制”：在AI理赔系统中预设巨灾触发条件（如台风登陆、地震发生），一旦触发，系统自动切换至加速理赔审核模式，同时向再保险方发出预警接口，确保再保险摊回流程与理赔支付流程同步启动，避免重蹈利奇马案例中巨灾再保险保障率仅65%、净自留损失过大的教训。
六、保险反欺诈：发展路径与落地方法
行业欺诈损失估计超800亿元／年，AI在反欺诈领域的应用价值巨大，但寿险与产险的欺诈模式存在本质差异，需要区别设计。
（一）寿险反欺诈：跨期数据关联与缓慢作案模式识别
寿险欺诈（如带病投保、隐瞒既往病症、伪造年龄或职业信息）往往呈现与寿险风险本身相似的“慢性”特征——欺诈行为可能在投保后数年才通过理赔申请暴露。本文建议寿险反欺诈AI系统应采用跨期数据关联分析架构，整合投保时点信息、历次理赔记录、体检数据变化趋势等多维度长周期数据，识别单点核保环节难以发现的欺诈模式，而非仅依赖单次理赔申请的静态特征判断。
（二）产险反欺诈：实时团伙欺诈识别与巨灾后欺诈激增应对
1. 图神经网络识别团伙欺诈。
图神经网络技术识别团伙欺诈的准确率数倍于传统规则引擎，这一技术路径尤其适用于车险等高频、案件关联性强的产险场景，能够识别出隐藏在正常理赔申请网络中的团伙作案关系图谱。
2. 巨灾后欺诈激增的专项应对。
产险反欺诈系统还需应对一类特殊场景：重大巨灾事件后，理赔申请量激增的同时，虚假或夸大理赔申请的比例也往往同步上升。本文建议在巨灾理赔弹性响应机制启动的同时，同步激活反欺诈系统的专项审核规则集，在保证理赔时效性的前提下，避免因审核放宽而导致欺诈损失的集中爆发。
（三）反欺诈系统的合规基础
无论寿险还是产险场景，反欺诈AI系统均须满足金发〔2026〕8号第25条网络安全防护要求——防范对抗样本攻击欺骗AI系统做出错误核保或理赔决定，这一风险在反欺诈场景中尤为突出，因为欺诈方本身具备主动规避检测的动机，构成典型的对抗性攻防关系。同时，反欺诈模型涉及大量敏感个人信息处理，须满足第24条数据安全与隐私保护的最小必要原则。
七、支撑体系：跨寿险产险通用的AI治理基础设施
核保、理赔、反欺诈三大场景的差异化落地，仍需建立在统一的治理基础设施之上，避免形成“寿险一套系统、产险另一套系统”的重复建设与治理割裂。
（一）企业级AI应用全生命周期管理平台
依据金发〔2026〕8号第2条，金融机构应建立健全人工智能应用需求分析、数据准备、训练开发、部署运行、维护迭代、评估退出的全生命周期管理体系。本文建议保险公司建设统一的AI应用管理平台，使核保、理赔、反欺诈三类模型均纳入同一套全生命周期治理流程，但在具体验证强度、监控频率参数上，按寿险“长周期监测”与产险“实时响应”的差异化要求分别配置。
（二）供应商与开源模型的统一管理
依据第18、19条，金融机构应评估AI服务供应商的技术能力、数据安全、合规程度，对开源技术使用开展专项评估，加强供应链安全合规管理。鉴于寿险产险风险研究中AIG案例揭示的“防火墙缺失”教训，本文建议保险集团在供应商管理中，对涉及核保、理赔核心决策的AI模型供应商设置更严格的准入标准，并明确区分核心业务模型与辅助性工具类应用的供应链风险等级。
（三）复合型人才队伍建设
依据第31条加强复合型人才队伍建设的要求，本文建议保险公司推动精算专业课程改革，将AI方法论纳入精算师职业考试体系，并与高校建立联合培养机制——这一建议延续了保险行业AI发展现有讨论中已经形成的共识，本文在此基础上进一步强调：精算人才的AI能力建设，应当分别覆盖寿险长周期趋势建模与产险实时风险建模两类不同的技术方向。
八、分阶段实施路线图
第一阶段（短期，1-2年）：制度对标与试点验证
完成金发〔2026〕8号在保险公司内部的制度对标，明确核保、理赔、反欺诈三类场景的风险分级清单。其中，寿险公司：选取健康险核保场景试点AI辅助决策，同步建立死亡率改善因子的动态更新机制原型。产险公司：选取车险UBI定价和计算机视觉定损场景试点，同步测试巨灾模型与承保限额管理系统的联动。建立最小可行的人工复核与紧急停用机制，满足第17条基本要求。
第二阶段（中期，3-5年）：能力体系化与跨场景推广
将试点场景的AI核保、理赔能力向全产品线、全区域推广，建立企业级AI应用管理平台。其中，寿险公司：完成AI核保系统与资产负债管理体系的深度联动，实现利差损早期预警的自动化。产险公司：完成巨灾理赔弹性响应机制与再保险摊回流程的系统对接。而反欺诈系统在寿险、产险两条线分别完成跨期关联分析与团伙欺诈识别能力建设，形成行业级反欺诈联合建模的技术基础。
第三阶段（长期，5年以上）：行业协同与国际标准参与
联合行业协会推动反欺诈联合建模、农业险遥感数据共享、健康险联邦学习平台等行业级AI能力共享基础设施。参与国际保险监督官协会（IAIS）AI工作组，就算法公平性、数据主权、跨境监管协调议题贡献中国方案。推动“寿险长周期AI监测”与“产险实时AI响应”两类差异化技术标准的行业规范化，形成具有中国特色、可向国际输出的保险AI治理经验。
九、结语
保险业AI核保、理赔与反欺诈的发展，既需要金发〔2026〕8号提供的统一制度基础——分级管理、人工监督、新增验证标准、数据治理，也需要正视寿险“慢性”与产险“急性”两类风险在传导速度、恢复周期上的本质差异。本文的核心论点是：这两类差异不应被笼统的“保险业AI转型”叙事所掩盖，而应转化为AI系统设计上具体、可执行的技术分野——寿险AI核保、理赔、反欺诈系统的核心价值在于长周期趋势监测与动态精算假设更新，产险AI系统的核心价值在于压缩触发到响应的时间窗口。唯有建立在这一分类基础上的发展路径，才能真正把监管要求转化为保险公司自身风险管理能力的提升，而非停留在合规层面的被动应对。