事件概览

平安科技健康保险智能负责人李响将于 8 月 21 日至 22 日在深圳举行的 AICon 全球人工智能开发与应用大会上，分享 Agentic AI 在普惠健康险中的创新与落地实践。此次演讲属于“AI Agent 高价值商业场景实战”专题，重点围绕健康险产品创新、智能承保和智能理赔三类场景，展示多模态 AI 风险预测、AI 核保智能体、AI 理赔智能体如何进入保险业务核心链路。

Agentic AI 通常指具备任务规划、工具调用、状态管理和协同执行能力的智能体系统。与单次问答式大模型不同，它更强调在复杂流程中拆解任务、调度不同能力并形成可追踪结果。对于健康险而言，这意味着 AI 不只“读懂材料”，还要在规则、医学信息、风控要求和客户体验之间完成稳定协同。

从传统系统瓶颈到多智能体协同

健康险业务天然复杂。医疗票据、手写病历、检查检验报告等材料来源多样、格式不一，直接交给大模型做端到端多模态解析，会带来 Token 消耗高、响应延迟大以及幻觉风险。Token 可理解为大模型处理文本和信息的基本计量单位，输入越长，成本和耗时通常越高。

另一项挑战来自规则。健康险条款细、责任边界多，核保核赔审核点可达数百个。传统硬编码规则引擎在条款调整或险种迭代时，需要工程师修改底层代码并进行回归测试，维护成本持续上升。理赔流程还包含报案、录入、审核、理算、决策输出等长链路步骤，在高峰期容易形成吞吐瓶颈。

平安科技提出的方向，是从“静态规则+单点大模型”转向 Agentic Skills 多智能体协同架构。其核心不是让一个大模型包办所有判断，而是把复杂流程拆成多个专有智能体：有的负责调度，有的负责专项审核，有的负责汇总冲突并输出结论，从而提高系统可控性和并发处理能力。

承保与理赔：两条关键落地链路

在承保端，普惠健康险要解决的是“让更多需要保障的人可负担、可理解、可持续地获得保障”。过去，带病体投保常面临材料多、流程长、解释难等问题，客户可能需要反复提交检查单、病历材料和健康问卷，复杂条款也依赖人工解释。

平安 AI 承保智能体围绕“一键上传、一键核保、一键咨询”构建。用户上传报告后，系统识别、解析并推理医学信息，将疾病风险、保险责任和核保规则关联起来，输出承保方案并提供答疑。其能力包括：

• 疾病预测模型：处理影像、检验或结构化因子，输出特定疾病风险概率；
• 医学大模型：理解病历和检查报告等非结构化信息，转化为可计算风险因子；
• 多智能体协同：由场景调度智能体分发任务，专项审核智能体分级判断，汇总智能体整合结论。

在理赔端，AI 理赔智能体面向材料复杂、人工审核效率低、风控成本高等痛点。智能保单解析 Agent 会针对复杂保险责任，自动提取上百个核心核责点，并将保单内容结构化；场景调度智能体负责案件统筹、并发分发和上下文对齐；多个专有审核智能体并行处理细分任务，最终由结论汇总智能体完成冲突消解与决策融合。

工程化难点与可控性建设

从披露的演讲提纲看，平安科技强调的不只是“能用大模型”，而是如何让系统稳定上线。多 Agent 协作中容易出现上下文丢失和“踢球”问题，即不同子智能体之间传递不规范，导致审核点结论冲突。团队的解法是引入强约束状态机和标准化 Schema 契约，明确每个 Agent 的输入输出格式与流转边界。

长文本病历也会带来成本与延迟压力。针对动辄上万字的住院病历，系统采用 RAG 加关键信息前置抽取策略。RAG 即检索增强生成，先从资料中检索相关片段，再让模型基于片段生成或判断，避免把全部材料一次性塞入模型。相关方案使审核智能体按需检索病程记录和检验指标，将平均耗时控制在秒级。

更关键的是大模型幻觉治理。团队建立了 AI 依据溯源+确定性规则兜底 机制：大模型提取的结论必须绑定原始文本坐标；当置信度不达标时，系统回退到传统确定性规则引擎或人工复核。经过这些优化，披露结果显示 AI 审核准确率稳定在 96% 以上，审核自动化率超过 70%。

行业观察：保险 AI 进入系统构建阶段

这场分享也反映出大模型应用竞争的重心变化：模型能力本身已不是唯一焦点，可靠智能体、工程体系和业务闭环正在变得更重要。健康险场景对准确性、可解释性和合规性要求高，单纯追求自动化并不足够，关键在于把模型判断纳入可追踪、可回退、可审计的系统流程。

目前，平安已设计上线慢病百万医、家庭百万医等创新医疗保险产品，并将 AI 用于承保可及性和理赔体验提升。面向未来，普惠健康险的 AI 化很可能沿着“模型能力专业化、智能体协同工程化、人工与规则兜底常态化”的路径推进。对于行业而言，真正的价值不在于用 AI 替代所有环节，而在于让保险服务更清晰、更高效，并在风险可控前提下扩大保障覆盖面。