AXA BytePlus AI 承保进入与真实产品的竞赛

AXA Hong Kong 在 AI 承保领域开辟了新战线，但其于 9 月 10 日与 BytePlus 达成的协议始于一个框架，而非一款已经完成的产品。双方计划开发面向保险业的模型，用于支持承保、理赔、知识工作和分销。这一广度令该合作值得关注，也带来了核心矛盾：AXA 正承诺打造一套覆盖全企业的系统，而本地竞争对手已将承保工具投入生产环境。

AXA BytePlus AI 承保合作不止是在现有投保申请表旁放置一个聊天机器人。AXA 希望在多项运营职能中引入预测分析、消费者画像建模、智能代理和大语言模型。该公司还计划建立一个生成式 AI 创意中心，用于营销与客户互动。

然而，该公告没有提供部署日期、采用数据、准确率结果，也未说明 AI 系统将影响哪些决策。相比之下，Prudential Hong Kong 在 AXA 公布该协议的前一天推出了自己的 AI Underwriter。因此，这场竞争正从实验转向验证：哪家保险公司能将模型转化为更快、更一致的决策，同时不削弱人工问责？

AXA 和 BytePlus 实际同意开发什么

该协议为 AXA 提供了一张广泛的发展蓝图，但并未证明自动化承保如今已经投入运行。

AXA Hong Kong and Macau 与 BytePlus——一家与 ByteDance 有关联的企业技术提供商——签署了一份谅解备忘录。双方在 9 月 10 日的公告中描述了三个联合工作的方向。

第一个方向涵盖面向保险业的 AI 模型、应用程序、智能代理和决策智能系统。智能代理是指可在既定控制条件下理解目标、选择行动并使用连接工具的软件。决策智能则结合数据、模型和业务规则，协助人们在可能的行动方案中作出选择。

AXA 和 BytePlus 打算将这些系统应用于知识管理、承保支持、理赔处理和全渠道分销。“承保支持”这一表述很重要。它暗示系统将为员工或顾问提供辅助，而非由自主系统作出最终决定。

第二个方向涉及客户智能。AXA 表示，将运用预测数据分析、消费者画像建模和 AI 辅助决策支持来理解客户需求。预测分析利用历史模式估计未来可能出现的结果。画像建模则将行为或人口统计信号归入不同特征档案，以帮助塑造服务或营销决策。

第三个方向是计划中的创意中心。BytePlus 将为内容生产和个性化客户互动提供多模态与生成式 AI 能力。多模态模型可在相互连接的工作流程中处理多种信息类型，例如文本和图像。

官方的联合创新框架列出了这些工作方向，但仍有大量细节尚未明确。它没有说明底层模型、首批涉及的保险产品，或将测试这些系统的员工群体。

该公告同样没有解释 AXA 将如何与 BytePlus 划分责任。这种划分将决定模型测试、数据访问、安全审查和事件处置的问责归属，也将影响 AXA 日后替换模型或供应商的难易程度。

AXA Hong Kong and Macau 副首席执行官 David Ng 表示，双方将结合 AXA 的保险专业知识与 BytePlus 的技术和人才。他还将这项工作与 AXA 的负责任 AI 标准及客户保护联系起来。

这一表态界定的是雄心，而非可衡量的成果。该备忘录确立了一种合作关系和预期方向，但并未确认合作伙伴已利用真实申请验证了承保模型。

这一区别至关重要，因为承保会影响资格认定、保单条件、所需证明材料和风险分类。营销助手生成一句不够妥帖的文案，并不会改变客户的保障；有缺陷的承保建议则可能影响客户获得保险的机会。

因此，眼下的变化主要发生在组织层面。AXA 选择了另一家技术合作伙伴，并将承保纳入更广泛的 AI 项目。更困难的变化——将该项目整合进受控的生产工作流程——仍在前方。

为什么香港的 AI 承保竞赛加速了

AXA 并非在一个空白市场中引入 AI 承保；随着竞争对手从总体战略走向可供一线使用的工具，它正在作出回应。

Prudential Hong Kong 于 9 月 9 日宣布全面推出 AI Underwriter，比 AXA 披露与 BytePlus 的协议早一天。Prudential 与 Alibaba Cloud 共同开发了该工具，并向其财务顾问提供初步指引。

该系统在销售环节使用聊天机器人。顾问可以输入客户的医疗、财务、职业和居住情况。随后，工具会给出初步提示，例如是否可能需要补充更多信息。

根据 Prudential 的AI Underwriter 发布公告，该系统将初步评估时间从数天缩短至数分钟。该公司称，产品从开发到部署用时不足三个月。

Prudential 还公布了技术性能声明。该公司称，其检索增强生成系统的准确率超过 95%，幻觉率低于 2%。检索增强生成，即 RAG，会在模型生成答案前向其提供经过筛选的内部文件。

本报道审阅的材料中，这些数据尚未获得独立验证。Prudential 也没有完整说明其测试集、评分方法或复杂案例的分布情况。尽管如此，公开这些指标为市场提供了具体主张，供客户、监管机构和竞争对手审视。

更重要的是，Prudential 表示其系统不会作出最终承保决定。专业承保人员在审阅相关信息后仍保留责任。这一边界使 AI 成为前期指引层，而非受监管判断的替代者。

AXA 的公告范围更广，但在运营细节上较为笼统。其合作涵盖承保、理赔、内部知识、分销、客户分析和营销。当各组件共享治理和数据基础设施时，这种广度可以创造价值；但当每项职能都有不同规则、负责人和风险容忍度时，也可能拖慢交付速度。

这正是 AXA 面临的主要竞争压力。Prudential 缩小了初始应用场景，点明了使用者，描述了工作流程，并披露了开发周期。AXA 则描述了更广阔的目标，但尚未明确其首个生产里程碑。

AXA 确实拥有更早的数字化承保经验。其 iBuy 销售平台已为符合条件的案件提供即时承保结果，并将大部分申请流程转移至平板电脑。AXA 表示，数字化销售流程从申请到付款可能不足 20 分钟，具体取决于保单。

这一背景改变了对 BytePlus 合作的解读。AXA 并非从零开始推进承保数字化，而是希望在既有数字基础上增加语言模型、代理、预测系统和更丰富的知识访问能力。

竞争的关键并不只是哪个保险公司最先宣布采用 AI，而在于 AXA 能否以快于竞争对手改进聚焦产品的速度，将新模型接入其既有系统。整合质量将比宣布的应用场景数量更重要。

香港的保险公司同样面临共同的监管压力。Insurance Authority 通过其 AI Cohort Programme 鼓励负责任地采用 AI。AXA、AIA、FWD、HSBC Life、Prudential 和其他保险公司均参与了这项更广泛的倡议。

这一环境支持实验，同时也提高了对控制措施的期待。一旦多家大型保险公司开始提供更快的初步指引，较慢的人工流程就会更加显眼。顾问会期待快速答复，客户则会期待跨渠道的一致性。

压力同样延伸至技术供应商。BytePlus 必须证明，其通用企业能力可以处理保险业特有的语言、不断变化的规则和敏感数据。Alibaba Cloud 则必须证明，Prudential 的早期成果能够在受控的上线初期之外持续发挥作用。

对 AXA 而言，该公告启动了倒计时。下一次有意义的更新必须涉及部署、测试或可衡量的工作流程改进。另一份关于 AI 战略的笼统声明将难以增加多少证据。

AXA BytePlus AI 承保是辅助，而非裁决

最可信的路径是 AI 辅助承保：模型整理证据并建议下一步，而承担责任的专业人员保留最终权力。

保险承保很少只取决于一份清晰的文件。一个案件可能涉及申请答复、医疗证明、财务信息、职业详情、产品规则和补充说明请求。许多延误源于寻找相关指引和识别缺失信息。

语言模型可以协助理解以日常语言写成的问题。检索系统可以定位相关规则或示例。工作流程代理随后可整理回复、识别缺失字段，并将案件转交给合适的人员。

这种组合能够改善承保的早期阶段，而无需赋予模型单方面的权力。顾问可能会询问：已披露的某种医疗状况是否需要额外文件。系统可以检索相关指引，并准备附有支持证据的初步回复。

承保人员仍将评估完整的申请材料。这种分工既保留了具有实质意义的人工决策环节，也减少了重复检索和行政往来。

AXA 使用“承保支持”一词符合这一模式。它没有承诺自动承保或拒保，而是为一种帮助员工更一致地应用规则、并更早收集完整信息的系统留出了空间。

这种区分也限制了读者应从标题中作出的推断。AXA 正将人工智能引入一项与承保相关的开发计划，但尚未宣布 BytePlus 模型如今会决定客户是否具备资格。

这很重要，因为生成式模型产生的是概率性输出。它们根据训练数据和提供的上下文中的模式预测可能的回复，并不具备承保人员所承担的法律责任，也不会自动理解例外情况为何重要。

RAG 可以通过提供经批准的文件改善事实依据，但并不能消除所有失效模式。模型可能检索到错误段落、忽略某项条件，或错误概述一条规则。源文件也可能在模型看到之前就已经过时。

因此，生产系统需要的不只是一个能力出色的模型。它还需要版本受控的源材料、访问规则、审计日志、置信度阈值、升级路径以及定期测试。每一项响应都应能够追溯至当时可用的信息。

智能代理同样适用这一要求。一个只负责起草笔记的代理具有一种风险等级；而一个获准更新客户记录或发起工作流的代理，则属于另一种风险等级。

权限应当反映这种差异。高影响操作需要更严格的控制、明确的批准以及完整的日志记录。一套有用的设计，应让采取安全操作比绕过审核流程更容易。

正是在这里，AXA 与 BytePlus 的 AI 承保计划有望超越一系列演示项目。承保、理赔和知识管理都依赖于查找可靠信息，以及在人与人之间推进工作。只要各项职能保留自身的控制机制，共用的技术基础便可支持这些任务。

它还可帮助 AXA 避免形成彼此孤立的助手：这些助手基于不同版本的公司指引回答相似问题。共享检索与治理机制可减少相互矛盾的结果。统一监控也能发现跨部门反复出现的故障。

不过，共享基础设施也会集中风险。中央知识源中的一个错误，可能同时影响多个工作流。设计不佳的权限层，可能让信息暴露给超出实际工作所需范围的员工。

AXA Group 更广泛的战略表明，其理解这一基础设施问题。在香港公告发布前两天，该集团扩大了与 Publicis Sapient 围绕 Global AI Hub 的合作。这一 Global AI Hub 为代理、治理、安全、合规和人工监督提供标准化基础。

该平台的首个版本于 7 月交付，并已在 AXA 的五个实体中使用。参与的业务部门正在开发面向车险理赔、客户邮件处理和企业知识管理的应用。

这项香港合作最终可能将本地保险专业知识与这一全球基础连接起来。然而，两则公告均未说明 BytePlus 系统将如何与该中心交互。本地模型开发与集团级基础设施之间的关系，仍是一个重要的未解问题。

如果这两个层级能够协同运作，AXA 可以复用治理机制，同时为香港的产品和流程定制应用。如果它们各自独立发展，公司则可能面临重复的控制措施、不兼容的数据流，或更高的供应商复杂度。

因此，真正重要的机制并非某项孤立的模型基准测试，而是 AXA 将已获批准的知识、受限数据、人类判断和可审计操作连接起来的能力。这正是 AI 支持在不沦为无法追责的裁决的前提下，变得具有实际运营价值的方式。

更广泛的工作流或许比模型更重要

AXA 计划中最有力的部分，在于其试图将承保与理赔、知识和分销连接起来，而非只优化某一个界面。

一份保险申请会跨越多个组织边界。顾问收集信息，运营团队核查文件，承保人员评估风险，保单系统记录结果。随后，理赔情况可能揭示最初的假设是否符合客户的实际状况。

这些环节会产生知识，但这些知识往往彼此分离。承保指引可能散落在手册、既往决策、产品文件以及资深员工的记忆中。理赔团队也可能发现某些模式，却无法迅速传递给承保或分销部门。

AXA 和 BytePlus 表示，希望围绕这条价值链开发保险专用模型。如果审慎实施，这一共享范围可以形成有价值的反馈闭环。反复出现的问题可以暴露申请表中的表述不清之处。理赔模式可以为风险审查提供参考，而承保例外则能识别培训需求。

知识管理是其中的连接层。在 AI 系统能够可靠提供协助之前，员工需要获得最新且经过授权的信息。模型无法仅靠更快地总结内容，来修复碎片化的政策。

这一挑战与更广泛的企业问题相似。团队往往在文档、会议和彼此断开的应用中掌握相关背景。受控的 knowledge blending 工作流可以让这些背景更易于检索，但来源质量和权限仍决定着可信度。

在承保领域，标准必须格外严格。系统应展示哪一项规则、文件或案例模式支撑某项建议。员工应能够质疑输出结果，而不必与不透明的界面周旋。

理赔支持也带来相关机会。模型可以对文件分类、总结案件历史，并识别缺失材料。模式分析还可将可疑案件引导至专家处理，而不直接断言欺诈已经发生。

分销则面临不同的问题。更快速的初步指引可帮助顾问在申请进入正式审核前设定准确预期。这能够减少重复请求，并避免客户将沉默解读为可能被拒绝。

预测分析也可帮助确定服务优先级。不过，同一份用于改善时机安排的客户画像，如在缺乏明确限制的情况下使用，也可能变得具有侵扰性。哪些属性进入模型，应由运营相关性来决定。

拟议中的创意中心距离承保更远，但仍会影响客户旅程。生成式系统可以针对不同渠道或受众调整教育内容。但每一项输出仍需受到控制，以防出现错误的产品描述，或超出获批材料范围的个性化声明。

将这些领域结合起来，构成了对企业执行能力的考验。这项工作涉及多种 AI，而不是一个通用模型。文件提取、检索、预测、生成和工作流自动化需要不同的评估方法。

能够撰写合格营销文案的模型，并不必然适用于医疗承保支持。准确的文件分类器，也无法证明某种客户画像是公平或有用的。AXA 需要避免将一项亮眼的基准测试结果当作无关应用的证据。

公司还必须决定，保险专用适配在哪些地方能够提供真正价值。微调模型可以编码专业模式，但也会增加维护和测试义务。对于频繁更新的指引，检索可能更安全，因为员工可以检查底层来源。

规则引擎很可能仍将十分重要。当产品要求具有明确条件和结果时，确定性规则是合适的。语言模型则在模糊文本、搜索、总结和交互方面创造价值。

最佳的生产架构很可能会将它们结合起来。模型可以理解请求，检索可以提供获批的背景信息，规则引擎则可以强制执行固定要求。随后，由人员批准任何具有实质影响的建议。

这一结构也能解释，为何 BytePlus 和 AXA 需要合作伙伴关系，而不是一次简单的软件采购。BytePlus 带来模型、分析和工程能力；AXA 则带来产品规则、历史工作流、监管责任，以及理解例外情况的员工。

共同开发可以缩短演示项目与实用工具之间的距离。但当出现故障时，它也可能模糊责任边界。合同和运营程序必须明确谁负责调查错误、更新模型和沟通事故。

该谅解备忘录并未披露这些安排。它也没有说明 BytePlus 是否会直接处理敏感数据、在 AXA 控制的环境内运营，或通过托管服务提供模型。

这些细节不如模型公告那样引人注目，却决定了这项合作的实际价值。集成薄弱的快速原型将始终处于边缘位置。嵌入日常工作且治理完善的系统，即使客户从未见过它的名称，也能改变服务方式。

数据、偏见与问责仍是严峻考验

更快的承保支持只有在 AXA 能够解释建议、保护敏感信息并发现不均衡结果时才具有价值。

承保数据可能包括病史、财务状况、职业、住址和家庭情况。即使在 AI 进入流程之前，这些输入也需要严格的访问控制。模型连接扩大了能够接收、转换或保留信息的组件数量。

AXA 必须确定每个应用真正需要哪些数据。当狭窄的保单参考信息已足够时，客户服务助手不应获得完整的承保档案。分析系统也不应因为技术集成使之便利，就继承不受限制的访问权限。

数据最小化能够减少暴露，并限制不相关的关联。它也让测试更加清晰。审核人员可以询问每一项输入是否改善了已定义的任务，而不是将庞大的个人画像视为默认配置。

消费者画像建模尤其值得严格审视。画像可以让沟通更具相关性，但也可能利用敏感特征的代理变量对客户进行分组。即使开发者从未指示模型实施歧视，模型仍可能重现历史模式。

承保领域构成了这种担忧的更高风险版本。历史决策反映了此前的规则、可获得的证据和人工实践。从这些结果中学习，可能会复制不一致之处，而非纠正它们。

因此，有效的评估计划应衡量的不只是平均准确率。AXA 需要掌握不同产品、案件类型、语言和客户群体的错误率。它还应追踪系统是否比对其他申请人更频繁地要求某些申请人提供不必要的信息。

公司还应区分协助质量与最终业务结果。系统可能检索到正确的指引，却以不清晰的方式呈现。它可能让顾问工作更快，却增加承保人员需要升级处理的案件。

仅有人工监督本身并不够。员工可能会服从看似自信的建议，尤其是在工作负荷高的时候。界面应让不确定性可见，并要求对具有实质影响的建议提供证据。

香港保险业监管局已经表示，现有风险标准适用于保险公司使用的 AI 系统。其 AI 风险指引 建议保险公司在特定场景下评估聊天机器人使用时，采用企业风险管理方法。

这一做法将责任置于保险公司身上，而非软件标签上。如果员工经常遵循某工具的输出，那么将其称为助手并不会削弱其影响力。监管机构和内部审核人员将关注实际使用情况、控制措施和对客户的影响。

供应商治理是另一个尚未解决的问题。AXA 更广泛的 Global AI Hub 被描述为供应商中立，而香港协议则以 BytePlus 的能力为中心。AXA 需要一套可行的方法来迁移模型、更换供应商并保留审计记录。

模型更新值得特别关注。供应商可以提升总体性能，却改变专业工作流中的行为。AXA 应在采用新版本前重新测试重要用例，并保留复现早期决策的能力。

公司的公开公告没有提供有关这些测试流程的信息。它表示 AXA 将维持负责任 AI 标准，但并未定义阈值、审核机构或事故处理程序。

这并不意味着缺乏控制措施，而是读者尚无法评估这些措施。负责任的 AI 要靠运营证据来验证，而不是靠在合作声明中加入这一表述。

Prudential 的发布提供了一个有益的对比。其公开指标形成了可衡量的依据，尽管底层评估方式仍未披露。该公司还明确将最终决策权保留给专业核保人员。

AXA 现在也需要类似的具体边界。它应明确哪些系统输出仅供参考，哪些操作需要审批，以及当 AI 影响流程时，客户如何申请复核。

清晰披露有望成为竞争优势。客户不需要了解每个模型的技术清单，但他们需要确信敏感信息仍受到保护，重大决策仍可被质疑和复查。

最大的风险并非引人注目的自主拒保，而是员工逐渐不再质疑系统建议的悄然常态化。这会使微小错误长期存在且难以发现。

AXA 面临的挑战是在恰当环节设置必要的阻力。常规检索应当更便捷；例外情况、不确定证据和高影响操作则应触发审慎复核。

如果这项合作能实现这种平衡，效率与问责就能相互强化。如果它只衡量处理时间，该项目将错失核保更艰难的核心目标：在不确定性下作出一致决策。

AXA 与 BytePlus AI 核保合作后值得关注的事项

三个信号将表明这项协议是否会成为真正运行的保险系统：明确的部署项目、公开的控制措施，以及可衡量的采用情况。

第一个信号是明确的生产环境发布。AXA 应说明具体应用、目标用户以及其支持的确切流程环节。为财务顾问提供核保指引，会比笼统宣称“变革价值链”更容易评估。

仅有发布日期还不够。公司应说明该工具是检索指引、预测结果、起草建议，还是发起操作。每种功能都带来不同的运营和监管风险。

范围有限的首次部署将增强 AXA 能够将 MOU 转化为执行成果的可信度。若持续描述多个未来用例、却没有上线的工作流程，则会削弱这一判断。

第二个信号是关于治理和绩效的证据。有价值的披露内容包括测试方法、错误类别、人工复核要求和升级规则。AXA 还应说明如何在不同产品和客户群体之间检查系统输出。

外部读者不需要接触保密的核保规则，但需要获得足够信息，以区分经过测试的生产系统与受控演示。

AXA 与其 Global AI Hub 的关系也属于这一信号的一部分。公司应说明 BytePlus 应用是否采用集团共享的安全和治理基础。明确的关联将支持 AXA 正在一致性扩展 AI 的说法。

第三个信号是持续采用。员工可以使用系统，并不等于会经常使用；经常使用，也不等于结果更好。AXA 应追踪顾问或核保人员使用该系统的频率，以及他们何时拒绝系统建议。

运营指标应包括节省的时间、补充信息请求、升级率和纠正率。客户结果则应包括信息清晰度、处理一致性和投诉模式。

竞争对手的表现将在这一第三信号中提供另一项参考。Prudential 计划将其 AI Underwriter 扩展至银保渠道、经纪业务及其核保团队。若扩展成功，将加大 AXA 展示可比执行力的压力。

失败同样具有参考价值。如果顾问回避某项工具，问题可能涉及信任、工作流程设计或答案不完整。如果使用率上升而纠正率也上升，那么速度正在掩盖额外工作。

最有说服力的更新应将这三个信号联系起来。AXA 可以明确已部署的工作流程，记录其人工控制措施，并公布员工有效使用系统的证据。这将把一则合作公告转化为可问责的运营变革。

对于企业采购方而言，这一教训不止适用于保险业。宏大的 AI 路线图会吸引关注，但狭窄的工作流程才能产生证据。评估类似系统的团队应询问：模型在何处进入流程、它能够改变什么，以及谁仍然承担责任。

知识工作者也应关注 AXA 是否会在提供建议的同时为员工提供证据。这一设计选择将揭示系统是在支持判断，还是在鼓励被动接受。

因此，AXA 与 BytePlus 的 AI 核保合作值得持续关注，但并非因为一份 MOU 就证明核保已经被变革。其重要性在于，AXA 将一项高影响力职能纳入更广泛的企业 AI 战略之中，而竞争对手已经推出了聚焦明确的产品。

下一个问题很实际：AXA 是否会披露一个具备可衡量结果和可执行人工监督的线上核保工作流程？在将这项协议视为不仅仅是一项严肃计划之前，这是客户、监管机构和技术采购方应当关注的行动。