当AI不再只是工具,保险公司的组织能力会发生什么变化?

01 做着做着，云保发现自己在拆解“一份工作”

10+智能体、200+技能开始在代理人背后组成一支“数字团队”

到这个阶段，云保已经形成了10多个智能体和200多个Skill/Function Call。

所谓Skill，可以简单理解成一个个最小的工作能力。

查产品，是一个Skill。

比较产品，是一个Skill。

做计划书，是一个Skill。

分析体检报告，是一个Skill。

整理客户线索，是一个Skill。

生成内容，也是一个Skill。

过去，这些能力组合在一个人身上。

一个代理人做了十年，慢慢知道什么客户该怎么谈，碰到什么问题该找谁，什么产品适合什么人。

现在，云保尝试把其中能够标准化的一部分拆出来。

这件事带来了一个很有意思的问题：

企业到底是在造一个“AI员工”，还是在重新拆解人的工作？

哪些事情机器可以先做？

哪些事情必须由代理人判断？

哪些问题AI可以直接回答？

哪些问题必须转给专业人员？

哪些经验可以沉淀下来，让下一个人直接调用？

当工作被拆到足够细之后，AI才真正找到了可以进入的位置。

02 一个Skill并不重要，重要的是它们能不能一起工作

企业信息系统的基本单位，正在从“功能”走向“任务”

如果只是把200多个Skill摆在那里，它们仍然只是一堆工具。

真正的价值发生在这些能力开始组合的时候。

比如，一个客户即将面访。

系统可能先调用客户信息整理能力；

再调用历史互动分析；

接着分析已有保单；

发现保障缺口之后，再进入产品推荐；

随后完成产品比较、保费试算和计划书；

如果客户存在健康异常，再调用核保相关能力。

对于代理人来说，他不需要理解背后调用了多少个Skill。

他只需要完成一件事情：

准备好明天的客户会面。

这其实是AI进入企业之后一个很容易被忽略的变化。

过去的软件系统按照“功能”组织。

这里是客户管理，那里是产品中心，再旁边是计划书。

人需要自己在不同功能之间穿梭。

而智能体更接近人的工作方式：

先确定一件事要做完，再决定应该调用什么能力。

于是，企业信息系统的基本单位，可能也会慢慢从“功能”变成“任务”。

03 从“秘书”到“分身”

知识库、问答、路由、合规和运营分析共同构成智能分身的服务闭环

再往后，云保开始做“AI智能分身”。

智能秘书解决的是：

人工作的时候，AI怎么帮他。

智能分身试图解决的是：

人不在线的时候，服务能不能继续。

产品知识、核保规则、投保流程、理赔指引、活动方案被逐渐整理进知识库。

常规问题，AI先回答。

没有把握的问题，转人工。

人工解决过的问题，再回到知识库。

高频问题、未命中问题和bad case，又反过来成为系统优化的材料。

这形成了一个循环：

AI先做——做不了找人——人做完以后，系统再学。

而且，这个“分身”可以7×24小时在线。

对一家保险服务机构而言，这背后解决的其实是一个非常传统的问题：服务半径。

一个内勤一天能够回答的问题有限。

一个代理人一天能够服务的客户也有限。

如果标准化咨询、提醒和事务工作能够被AI接走，人就可以把有限的时间留给那些真正复杂、真正需要信任的事情。

04 企业真正需要复制的，不是“人”，而是经验

这可能也是“AI分身”最容易产生误解的地方。

它并不是简单地复制一个代理人。

因为一个人的情绪、判断、信任关系，很难被完整复制。

真正值得复制的，是另外一些东西：

这个人怎么判断问题。

他遇到这种情况会先查什么。

他在什么情况下会升级给核保。

客户出现什么信号时，他会主动联系。

一款产品应该从哪些维度比较。

什么样的问题必须让专业人员介入。

这些东西一旦能够被明确描述，就有机会进入知识库、规则、Prompt、Skill和工作流。

过去，它们可能是某一个优秀员工的经验。

以后，它们有可能成为：组织的经验。

这也是AI对于企业管理一个更深层的价值。

企业过去一直在做知识管理。

写制度、做培训、建知识库。

但知识写进文档，并不意味着员工真的会在正确的时候使用它。

AI提供了一种新的可能：

让知识直接进入工作过程。

需要的时候，它自己出现。

05 所以，模型反而在最下面

模型只是底座，往上才是知识、智能体、业务场景和真实使用者

如果把云保整个AI架构摊开来看，会发现一个有意思的地方。

最上层，是代理人、客户、渠道、内勤、风控、财务和客服。

他们下面，是销售咨询、智能营销、产品推荐、产品比较、计划书、智能核保、续保管理、保单服务、数据分析等业务场景。

再往下，是问答智能体、内容智能体、核保智能体、决策智能体、数据分析智能体。

继续往下，是知识库、数据集、Prompt、Skill、工具、评测、调用追踪、安全治理和研发平台。

大家最熟悉的大模型，反而在最底层。

通义千问、DeepSeek、豆包、文心……它们都是底层可以调用的能力。

这个结构背后对应的是一种很现实的企业AI观：

模型会换，但业务不会凭空消失。

今天可能使用这个模型，明天可能出现性能更好的模型。

但一家保险企业自己的产品、客户、核保规则、业务流程、服务经验和历史反馈，不会因此消失。

所以，真正值得长期沉淀的，

并不是：“我们用了哪个模型。”

而是：怎么让不同的模型，都能够理解并调用企业自己的业务。

06 AI真正的门槛，可能是“反馈闭环”

真实使用产生的数据回流，决定AI能否逐渐成为企业自己的能力

一个AI回答得对不对？

什么问题经常回答不好？

哪些问题总要转人工？

哪个Skill调用失败？

用户最后有没有采用AI生成的内容？

一次客户经营建议之后，有没有产生下一步行动？

这些真实使用数据不断回来，才能知道AI究竟有没有用。

于是整个过程变成：

上线——使用——发现问题——数据回流——调整——评估——再次上线。

AI产品不再像传统软件一样，开发完成、上线、等待下一个版本。

它更像一个需要持续训练的员工。

区别只是这个“员工”每一次犯错留下的数据，都有机会让整个系统一起学习。

这也是为什么真实业务场景如此重要。

没有真实使用，就没有真实反馈。

没有真实反馈，再强的模型也很难变成一家企业自己的能力。

07 当经验能够复制，组织会发生什么变化？

回过头看，会发现一个代理人身边已经悄悄多出了很多“角色”。

过去，一家公司培养一个优秀保险代理人，需要很长时间。

产品知识要学；销售经验要练；客户服务能力要积累；很多东西只能靠时间。而AI提供了另一种可能。

优秀员工身上那些可以被描述、拆解、验证的经验，有机会逐渐从个人能力变成组织能力。

未来一个新代理人进入公司，拿到的也许不只是培训资料和产品手册。

他还会同时拥有：

一个产品助手，

一个核保助手，

一个内容助手，

一个客户经营助手，

以及一个7×24小时在线的数字分身。

这时，企业参与竞争的基本单位也可能发生变化。

过去是：一个人。

以后可能是：一个人 + 一组智能体 + 一套组织知识。

08 AI越往前走，“人应该做什么”反而越重要

这又把问题带回了保险行业本身。

保险是一门高度依赖信任的生意。

客户真正需要的，并不只是有人告诉他：

A产品的等待期是多少天，

B产品可以赔什么，

C产品一年多少钱。

这些信息越来越容易获得。

真正困难的，是面对一个具体的家庭时：

应该买多少？

先解决什么风险？

有限的预算怎么分配？

一份保障应该如何陪伴这个家庭十年、二十年甚至更久？

这些问题背后，有大量无法简单标准化的判断。

更重要的是，还有人与人之间的信任。

所以，AI能力越强，一个问题反而会越来越清楚：

什么事情必须由人完成？

也许代理人未来最重要的价值，不再是记住多少产品知识。

而是理解客户、建立信任、帮助判断，并承担长期服务关系。