夜雨聆风保险公司做 AI 服务，最容易走向两个极端。
一种是把 AI 当客服机器人，让它回答“保单怎么查、理赔怎么报、发票怎么传”。这当然有用，但很快会碰到天花板：客户问完以后，真正的动作还是要自己点菜单、找入口、传材料、等回电。
另一种是直接喊“全流程智能体”，仿佛客户一句话说完，系统就能自动完成所有交易、理赔、救援和售后。这个愿景很吸引人，但在保险场景里，如果没有权限、规则、留痕和人工边界，很容易变成新的风险入口。
最近一个值得拆的小信号，是中国平安在 2026 年 4 月发布的“服务年”升级。公开信息显示，平安升级了人工智能赋能的“快捷服务”和“全球急难救援服务”。其中“快捷服务”强调把复杂服务流程化繁为简，贯通内部多个应用和服务场景，客户只需要通过一句指令，就可以在单一平台完成交易、融资、理赔、紧急支援等服务。平安还提到，这套服务面向 2.51 亿客户，整合 300 多项数字化服务，由 AI 助手理解客户意图、拆解任务、规划流程并调用服务，同时识别流程断点并及时介入关键环节。
另一篇公开报道里，平安在世界互联网大会亚太峰会数字金融论坛上进一步把这个方向概括为：AI 正从“会思考”走向“会行动”，快捷服务要实现“一句话能办事”。同一信息还提到，平安产险 2025 年车代渠道平均一分钟智能出单占比 93%，反欺诈智能化理赔拦截减损 105.1 亿元，975 万名客户使用“智小安”AI 智能保险顾问进行车险报价、家庭保障规划和条款解读。
公开信息显示到这里。下面我想把这个案例拆成一个更小的落地点：保险 APP 里“一句话能办事”，到底应该怎么做成一个可上线、可灰度、可审计的 AI 任务编排台。
一、人工流程原来卡在哪里
很多保险公司的 APP 入口已经很丰富，但客户体验仍然不顺，原因不在于“有没有功能”，而在于“客户不知道该走哪条流程”。
比如一个客户说：“我爸刚摔了一跤，现在在外地医院，我想看看保险能不能报，还要不要先报案。”
传统流程里，这句话会被拆散成很多人工动作：客服先判断客户身份和保单类型，再问事故时间、地点、就诊医院、是否住院、是否有发票和病历；如果涉及意外险、医疗险、健康服务权益，还要分别查保单、查责任、查服务权益、查医院网络；如果客户在境外或异地，可能还要触发救援、垫付、转诊或紧急联系人通知。
问题是，客户不会按保险公司的系统菜单表达需求。他说的是“现在怎么办”。系统菜单却往往是“保单查询、理赔报案、资料上传、进度查询、健康服务、紧急救援”。客户要在焦虑状态下自己判断该点哪个入口，客服也要在多个后台之间来回切换。
这就是“一句话能办事”真正要解决的卡点：不是让 AI 回答得更像人，而是让 AI 把一句自然语言需求，转成一串可执行、可确认、可留痕的业务动作。
二、AI 不应该直接替客户办完所有事，而是先接管“分流和编排”
这个场景最适合 AI 接管的第一步，不是赔不赔、批不批、救不救，而是“意图识别 + 流程拆解 + 材料清单生成 + 工单路由”。
还是刚才那个客户。一个可落地的 AI 任务编排台，可以先做六件事：
第一，识别客户真实意图。客户说“能不能报”，系统不能只识别成“理赔咨询”，而要判断它可能同时涉及报案、责任初筛、材料准备、医院服务、急难救援和后续进度提醒。
第二，拉取上下文。系统需要调用客户身份、名下保单、保障责任、等待期、既往理赔记录、服务权益、常用联系人、所在城市和历史沟通记录。这里不是为了让模型凭空判断，而是让后续动作有依据。
第三，生成结构化任务包。比如形成一张“异地意外医疗服务工单”：客户身份、事故描述、发生时间、就诊机构、疑似险种、可用权益、缺失材料、待确认问题、风险提示、建议下一步。
第四，触发不同系统。能够自动打开报案预填页面，生成材料清单，推送医院发票和病历拍照规范，必要时转接救援服务或人工坐席。
第五，识别流程断点。客户停在上传页面超过 10 分钟、材料质量不合格、保单责任不明确、客户情绪升高，都应该被系统识别出来，并升级给人工或发送更具体的解释。
第六，留下完整轨迹。AI 识别了什么意图、调用了哪些接口、引用了哪份条款、给客户展示了什么话术、哪些地方转人工，都必须进入日志，而不是只留一段聊天记录。
这一步做成以后，AI 的价值不是“替理赔员做决定”，而是把原来散落在客服、理赔、健康服务、救援、APP 菜单里的动作，编排成一张可执行工单。
三、OpenClaw 可以放在“流程编排层”
如果用 OpenClaw 这类 Agent 平台来落地，它不应该直接变成一个“万能客服”。更稳妥的位置，是站在业务系统之上，做流程编排、工具调用和任务追踪。
一个典型流程可以这样设计：
客户在 APP、企微或热线转写文本里发起一句话请求。OpenClaw 接收到消息后，先调用“身份核验工具”和“保单列表工具”，确认客户是否已登录、是否有授权、名下有哪些有效保单。接着调用“意图分类 Skill”，把需求分成理赔报案、保全变更、续期缴费、急难救援、条款解释、投诉风险等类别。
然后，OpenClaw 不直接给最终答案，而是生成一个“流程计划”：需要问客户两个补充问题，需要调用三个系统接口，需要生成一份材料清单，需要把高风险节点交给人工确认。每一步都可以是一个工具调用：查保单、查条款、查权益、查医院网络、查理赔材料规则、创建工单、发送短信、写回 CRM。
定时任务也很关键。比如客户今天没有补齐资料，系统不能等他下次想起来再处理，而应该在 2 小时、24 小时、3 天三个节点自动检查工单状态：材料是否上传、是否被退回、是否已经人工介入、客户是否再次咨询。每次检查都生成新的事件记录，而不是简单发一条催办短信。
上下文记忆则负责解决“客户不想重复说”的问题。客户上午说过在外地医院，下午再问“我还缺什么材料”，系统应该知道这是同一个事件，而不是重新从“请问您要办理什么业务”开始。
审批留痕也不能省。凡是涉及责任解释、拒赔风险、垫付、救援资源调度、投诉升级、特殊人群服务，都应该从“AI 建议”转成“人工确认后执行”。OpenClaw 负责把建议、依据、风险点和待确认项整理好，提交给坐席或理赔岗审批。
最后是回写。没有回写，就不是流程落地。工单状态要回写到客服系统，关键字段要回写到理赔系统，客户触达结果要回写到 CRM，风险事件要进入消保或质检台账。否则 AI 只是多了一个聊天入口，运营后台还是原来的断点。
四、Hermes 这类语义流程中间层，负责把“话”变成“结构”
在这类场景里，Hermes 或同类语义流程中间层的价值，不是替代核心系统，而是把自然语言、业务规则和系统接口之间的缝补起来。
第一层是结构化摘要。客户说一大段话，系统要提取出事故时间、地点、人物、诉求、已有材料、情绪风险、紧急程度。摘要不能只给客服看，还要变成工单字段。
第二层是意图识别。保险客户经常一句话里有多个意图：“我想报案，但我不知道这算不算意外，还能不能先垫付。”这里至少包含报案、责任咨询、费用垫付、材料准备四类意图。语义层要允许多意图，而不是强行归为一个菜单。
第三层是依据抽取。系统给客户解释时，要知道引用的是哪份条款、哪项服务权益、哪条材料规则。尤其是“可能不赔”“需要补充材料”“建议转人工”这类话，不能凭模型语气输出，必须带依据。
第四层是疑点解释。比如客户上传的病历显示“既往病史”，但保单里有等待期或除外责任，系统要把疑点整理成人能看懂的说明：疑点是什么，影响哪项责任，建议人工核验什么材料。
第五层是系统衔接。语义层输出的不应该是一段漂亮文字，而是标准 JSON、工单字段、审批项、回写指令和下一步任务。只有这样，AI 才能从“会说”进入“能办”。
五、哪些环节必须保留人工决策
保险服务里，最危险的不是 AI 不够聪明，而是 AI 被允许越过边界。
至少五类动作必须保留人工决策。
第一，责任认定。AI 可以做责任初筛、材料完整性检查、条款引用，但不能独立作出赔付或拒赔决定。
第二，销售建议。涉及保障规划、产品推荐、续保替换、保额调整时，AI 可以整理需求和风险偏好，但不能绕过适当性和销售合规流程。
第三，投诉和消保升级。AI 可以识别高风险情绪、整理时间线、建议升级，但不能用“安抚话术”掩盖真实争议。
第四，特殊资源调度。救援、垫付、转诊、长者服务、境外协助等涉及外部资源和成本承诺，必须有人确认权限和条件。
第五，异常数据修正。客户身份、保单状态、银行账户、受益人、联系方式等关键字段，AI 只能辅助校验，不能静默修改。
这些边界写清楚，AI 才能放心往前走。否则越自动化，风险越集中。
六、试点顺序：先从“低决策、高频、可回写”的动作开始
如果一家保险公司要做类似“快捷服务”的 AI 编排台，我建议不要一开始就覆盖 300 项服务，而是分三步灰度。
第一阶段，选 3 到 5 个低决策、高频场景。比如保单查询后的材料清单生成、理赔报案预填、续期缴费失败处理、救援入口分流、保全资料预审。这些场景不要求 AI 做最终判断，但能明显减少客户找入口和坐席补录时间。
第二阶段，接入工单和回写。只要 AI 生成了下一步动作，就必须在客服系统或运营系统里出现一张工单。工单有负责人、有 SLA、有状态、有客户触达记录、有关闭原因。没有工单，就无法管理。
第三阶段，做主动管理。系统不只在客户提问时响应，而是识别断点：材料退回、客户长时间未完成、同一问题多次咨询、情绪升高、临近缴费期、救援后未完成理赔报案。AI 把这些断点变成任务，推给对应岗位。
灰度方法也要保守。先选择一个城市、一个产品线、一个服务入口；先让 AI 只给坐席看，不直接给客户看；再从“人工确认后发送”逐步过渡到“低风险话术自动发送”；再扩展到更多险种和渠道。
七、效果指标不要只看“机器人回答率”
这个场景最容易被误导的指标，是机器人回答率、客户自助率和会话量。它们有参考价值，但不等于业务价值。
更应该看的指标包括：
一是首触完成率。客户一句话进来后，有多少比例能在第一次触达时形成明确下一步，而不是被迫转来转去。
二是工单预填准确率。AI 生成的客户信息、事故信息、材料清单、责任初筛字段，有多少被人工直接采纳，有多少需要修改。
三是断点挽回率。客户卡在上传、确认、补件、缴费、救援衔接等节点时，AI 主动介入后有多少完成了下一步。
四是人工节省时间。坐席平均少问几个问题，理赔岗少翻几页材料，运营岗少补录几个字段，这些都应该被量化。
五是合规差错率。条款引用错误、材料要求错误、越权承诺、话术不一致、未留痕等问题有没有下降。
六是客户体验指标。不是简单问“满不满意”，而是看客户是否少重复、少等待、少补件、少投诉。
八、给保险公司的行动建议
平安的公开案例给行业一个很清晰的方向：保险 AI 的下一步，不只是“答得更好”，而是“办得更顺”。从“能咨询”到“能办事”，中间差的不是一个更大的模型，而是一层可治理的任务编排能力。
对大多数保险公司来说，今天可以先做一个小版本：选一个高频服务场景，把客户一句话需求转成结构化工单；让 AI 完成意图识别、字段预填、材料清单、下一步建议；让人工保留最终判断；让 OpenClaw 负责流程编排、定时追踪和工具调用；让 Hermes 负责语义摘要、依据抽取、疑点解释和系统衔接；最后把结果回写到客服、理赔或 CRM 系统。
做到这一步，AI 就不再只是一个悬在 APP 里的聊天入口，而会变成保险运营里一张真正会流转的任务网。
客户要的也不是“更聪明的机器人”。客户要的是：我说一句话，你知道我是谁、我遇到了什么、下一步该怎么办；你能帮我少走弯路，但关键决定仍然有人负责。
这才是保险 APP 里的“一句话能办事”最值得落地的地方。
主要参考来源
- 中国平安：《中国平安启动2026“服务年” 升级人工智能快捷服务与全球急难救援服务》，2026-04-09。
- 中国平安：《中国平安联合主办世界互联网大会亚太峰会数字金融论坛，AI驱动构建金融服务新生态》，2026-04-16。
