# 单字段准确率 98%，多数投保申请仍至少错一处

> 最大障碍在于把 AI 接入现有受理流程，FDE 的关键工作是先摸清每份文件经谁手、由谁签字。

原文: https://fdetimes.net/zh/guides/fde-insurance-map-workflow-before-ai/

设想你在一家商业保险公司的第一周。演示里，ACORD 表单读得干干净净，满屋子的人都在点头。随后一位核保人打开一份损失记录（loss run），来自一家谁都没试过的机构，问道：“这份呢？”

很多工程师的第一反应是回去调提示词。但 Insurance Thought Leadership 上一篇分析 AI 在商业投保受理中应用的文章说得很直白：最大的障碍是把 AI 接入现有的受理流程，而且远远领先于其他障碍。

所以，前线部署工程师（FDE）在这个行业里最有价值的工作，发生在写第一行代码之前：弄清一份投保申请要经过谁的手、在哪里停下、由谁负责签字。弄清了这些，你就知道哪些步骤该自动化，哪里必须由人把流程停下来。

## 核保和理赔问的是两个不同的问题

核保向前看：这个风险该不该接，按什么条件接？理赔向后看：损失已经发生，该不该赔？因此，两条流程的输入数据、决策人和最先自动化的环节都不一样。

在理赔一侧，QBurst 给出了一个相当清晰的起点：一级审核人员通常按预先定义的规则办事，所以这部分工作适合基于规则的自动化。符合规则、通过欺诈检查的理赔可以直接进入赔付核定环节；其余的转入有人参与的审核。

供应商 Prosper 走得更远，称 AI 可以在几乎无需人工干预的情况下批准或拒绝简单的理赔，让理赔员腾出时间处理复杂案件。不要把这两种做法混为一谈。在让机器自己拒赔之前，先问客户：谁来站出来解释这个决定？

## 跟踪一份投保申请从邮件到系统

现在用一个假设的例子走一遍核保流程。一位经纪人发来一封邮件，附有三份文件：一张 ACORD 表单、一份损失记录和一份财产价值明细表。同一篇分析认为，正是这组文件适合作为自动化的起点。

听起来很简单，直到你碰上损失记录，因为这种历史损失报告每家机构格式都不一样。

假设 ACORD 表单申报了三次损失，而损失记录里有四行。模型可以把两份文件都读得完全正确，一个字都不错，这份申请依然有问题。提取准确率永远发现不了这样的矛盾，只有交叉核对步骤才能发现。

再带一笔账去开会。假设每份申请有 40 个字段，每个字段准确率 98%，各字段的错误相互独立。整份申请完全正确的概率是 0.98 的 40 次方，约 44.6%：每 100 份申请中，大约 55 份至少有一个字段出错。

幻灯片上的 98% 和核保人队列里的 55 份，说的是同一个系统。所以接下来要写的是分流步骤，而不是再调一轮模型：

```python
def route(sub):
    reasons = []
    if sub.loss_run_provider not in KNOWN_TEMPLATES:
        reasons.append("损失记录来自未见过的模板")
    if sub.acord_loss_count != len(sub.loss_run_rows):
        reasons.append("ACORD 与损失记录中的损失次数不一致")
    missing = [f for f in REQUIRED_FIELDS if not sub.get(f)]
    if missing:
        reasons.append(f"缺少字段：{missing}")
    if sub.min_confidence < CONFIDENCE_FLOOR:
        reasons.append("置信度低于阈值")
    queue = "exception_review" if reasons else "standard_review"
    return queue, reasons
```

注意两个细节。第一，两个分支最后都由人来看这份申请，没有任何一条路径让机器自己结案。

这个设计遵循同一篇分析的建议：最终判断权留给人类专家，低置信度的案件必须转给人。FurtherAI 则把“提供让核保人审阅输出的界面”视为好工具的标志。

第二个细节是 `reasons`。核保人拿到一份标注着“损失次数不一致”的申请，就知道该翻开哪一页；而 0.71 的置信度对他毫无用处。

最后是衡量。回到上面那 100 份申请，其中约 55 份有字段出错。假设分流步骤把 60 份送进异常队列，40 份送进标准队列。

你把这 40 份逐一人工核查，发现有 4 份有错却没有被标记。这就是漏过的错误：这些申请依然会到 `standard_review` 里的人手上，但核保人审阅时没有收到任何提示。

同样这 4 份申请，能得出两个比率，不要混淆。以标准队列为分母，4/40 是 10%：每 10 份未标记的申请里有 1 份是错的。以出错的申请为分母，4/55 约为 7%：这是分流步骤漏掉的错误申请所占的比例。

这两个数字，加上异常队列的规模，就是要摆在客户面前的东西。它们符合同一篇分析对生产环境提出的要求：证明 AI 在真实工作流程中可靠运行，包括异常情况和缺失、矛盾的数据，而不只是报告模型准确率。

**要点:** 在保险业，要证明的是整个流程跑得通，而不只是模型读得对。

## 在客户现场的第一周做什么

先坐到一位核保人或理赔处理人员旁边，看他处理五份真实文件，其中要包括他最头疼的那类案件。记下他每一次切换屏幕、打电话找人或发邮件提问，因为真实的工作流程就藏在这些地方，而不在流程文档里。

接着画一张一页纸的流程图，标出三类步骤：规则明确的、需要判断的、必须有人签字的。规则明确的步骤最先考虑自动化；需要签字的步骤就是必须由人审阅的地方。把这张图拿回给你观察过的那些人，让他们来改。

然后向客户要每家机构的损失记录样本，数一数有多少种格式，按申请量排序。在此基础上，挑一小块工作起步，比如只处理最常见的几种模板，其余一律直接送进异常队列。范围窄但真能跑起来，比范围宽却只能在演示里跑更有说服力。

## 产品和法域会改变整个设计

两个都挂着“AI 核保”标签的项目，面对的要求可能截然不同。欧盟《人工智能法案》（EU AI Act）在附件三（Annex III）中，把用于个人人寿和健康保险风险评估与定价的 AI 列为高风险。

为商业投保申请提取损失记录是另一回事，但这条边界应由法务部门确认。

在美国，美国保险监督官协会（NAIC）于 2023 年 12 月 4 日通过了一份关于 AI 的示范公告。它为使用 AI 的保险公司应遵循的做法设定了基于原则的标准，是否采纳由各州自行决定。

所以第一次开会就要问：什么产品，面向个人还是企业客户，在哪些州或国家经营，已经采纳了哪些规定？

无论答案是什么，设计上的建议都一样：从一开始就记录模型版本、分流原因、谁审阅过以及何时审阅。这是一种预防性的工程习惯，因为早点加上这些字段，通常比日后有人问起一份旧申请时再去还原要省事。

## 演示背后的陷阱

下面五个错误都很容易犯，因为刚犯的时候，它们看起来像是进展：

- **把演示当成证明。** 在干净文件上的演示，对生产环境什么也说明不了。
- **报告单字段的平均准确率。** 这个数字既掩盖了申请层面的错误，也掩盖了模型从没见过的少见损失记录模板。
- **只和采购方与管理层沟通。** 你需要和每天处理申请的人坐在一起。
- **异常队列没有负责人。** 难办的申请只是从一个收件箱挪到另一块屏幕，处理速度并没有变快。
- **集成一就绪，就让未经审阅的数据流入下游系统。** 把数据写入放在审阅步骤之后，至少等漏过的错误低到核保人自己愿意放宽为止。

## 简历上写什么来证明这项能力

读职位描述时，留意公司是否真懂这项工作：出现 ACORD、loss run、FNOL、异常处理或人在回路（human-in-the-loop）这类词，说明他们接触过真实流程。如果描述里只谈模型和提示词，面试时就问一句：客户那边谁来处理异常？

在简历上，把“搭建了文档提取数据管道”换成一句涵盖流程、审阅关口和衡量方法的话：你分流了哪些类型的异常，由谁审阅，漏过错误率是怎么测的。这项能力也能迁移到其他有文件、有人签字把关的行业。

## 本周练习

为两家虚构机构各做一份假损失记录，列名和日期格式不同，再做一张故意少报一次损失的假 ACORD 表单。写出上面的 `route` 函数，在你自己生成并埋了错误的 20 份申请上运行，然后数一数漏过了多少错误。

接着把 `reasons` 列表交给一位非工程师，问他下一步会怎么做。如果他答不上来，你的函数就只知道一份申请有问题，还帮不了任何人处理它，而这正是 FDE 拿薪水要填补的空白。

**本周动手试试:**

- 用你当前项目真实的字段数和准确率，重算一遍 0.98 的 40 次方。
- 打开 5 份保险或金融行业的 FDE 职位描述，划出与工作流程和人在回路相关的词，再和你的简历对照。
- 阅读 NAIC 示范公告和 EU AI Act 附件三的适用范围部分，写下三个问题，带去和法务部门开会。

## 信源

- [Making AI Work in Commercial Submission Intake](https://www.insurancethoughtleadership.com/ai-machine-learning/making-ai-work-commercial-submission-intake)

- [From Basic Automation to AI Agents: Transforming Insurance Submission Processing (FurtherAI)](https://www.furtherai.com/blog/from-basic-automation-to-ai-agents-transforming-insurance-submission-processing)

- [Automating Insurance Claim Adjudication (QBurst)](https://www.qburst.com/blog/2021/01/automating-insurance-claim-adjudication/)

- [Claims Processing AI Agent Automation Guide (Prosper)](https://www.getprosper.ai/blog/claims-processing-ai-agent-automation-guide)

- [NAIC Model Bulletin on Use of AI by Insurers (Sullivan & Cromwell)](https://www.sullcrom.com/insights/memo/2023/December/NAIC-Model-Bulletin-on-Use-of-AI-by-Insurers)

- [Annex III: High-Risk AI Systems Referred to in Article 6(2) (EU AI Act)](https://artificialintelligenceact.eu/annex/3/)
