夜雨聆风
很多保险公司都想做AI核保。
但“AI核保”这件事，不能简单理解成把核保规则搬到线上。
如果只是客户问一句，系统查一条规则，再返回一个答案，那它更像一个高级版知识库。
水滴KEYI.AI这个案例更值得看的地方在于：它不是只解决“能不能回答核保问题”，而是在重新设计核保咨询的工作方式。
水滴做KEYI.AI，核心思路是把这个过程拆开：
先理解客户健康问题；再匹配产品和核保规则；再给出可解释建议；如果当前产品不适合，再继续寻找其他可能方案；复杂问题再交给人工专家复核。
所以，KEYI.AI不是简单替人下核保结论，
它更像一个核保咨询的前置专家系统。
它的价值，不是替代核保专家，而是让核保专家的经验被更多规划师快速调用。
一、AI核保场景的价值分析
水滴的业务，水滴保、水滴筹、健康服务、医疗服务，本质上都围绕真实用户的健康保障需求展开。
这类用户有一个特点：
健康情况更复杂，保障需求更真实，投保问题也更具体。比如：
有结节还能不能买？有高血压还能不能投保？乙肝携带会不会被拒？做过手术还能不能买医疗险？被一家产品拒了，还有没有其他选择？
这些问题不是标准客服问答。
它涉及疾病、产品、条款、健康告知、核保规则、历史经验和替代方案。
对保险规划师来说，难点不只是“查不到答案”，而是：
客户情况不标准；产品规则差异大；核保经验难复制；专家资源有限；客户等待时间长；被拒保后容易流失。
所以，水滴做AI核保专家，是因为核保咨询卡在销售和服务流程的关键节点上。
客户能不能继续投保，规划师能不能继续服务，很多时候就卡在这一问一答之间。
二、KEYI.AI的设计思路：不是“问答”，而是“核保咨询闭环”
KEYI.AI的设计理念是：知识驱动 + 智能推理 + 场景闭环。
这三个词听起来技术感强，但翻译成业务语言，其实就是三句话。
第一，知识驱动：系统不能凭感觉回答，必须有产品条款、责任信息、核保规则和历史案例做底座。
第二，智能推理：系统不能只按关键词查规则，还要理解客户真实健康状况和问题意图。
第三，场景闭环：系统不能只回答“能不能买”，还要进一步支持产品推荐、销售解释、培训和运营。
这就是KEYI.AI和普通问答机器人的区别。
普通问答机器人解决的是“问什么答什么”。
KEYI.AI想解决的是：
客户这个情况怎么判断？判断依据是什么？这个产品不行，还有没有其他产品？规划师应该怎么解释？新人能不能通过这个过程学会核保思路？
它不是一个孤立工具，而是把核保咨询、产品匹配、销售支持和新人训练连在一起。
三、第一个创新点：把核保知识做成“关系网”，而不是文档库
保险公司最常见的知识库，是一堆产品条款、规则文件、问答文档。
这种知识库能查，但不好用。
因为核保问题不是简单文档检索。
客户说“甲状腺结节三级”，系统需要知道：
这是一个健康异常；它可能影响重疾险、医疗险、寿险等不同产品；不同产品的健康告知要求不同；有些产品可能除外承保；有些产品可能要求补充检查；有些产品可能直接拒保；历史上类似情况如何处理。
所以，KEYI.AI的第一层设计，是构建全行业保险知识图谱。
知识图谱可以理解成一张保险知识关系网。
它把产品、条款、责任、疾病、核保规则、历史案例连接起来。
这样，AI不是在一堆文档里找关键词，而是在一张“保险知识地图”里找路径。
这就是第一个创新点：
把分散的核保知识，从“文件资料”变成“可推理的关系网络”。
这对核保非常关键。
因为核保判断的难点，往往不在一个单独规则里，而在多个条件之间的关系里。
四、第二个创新点：不只回答“能不能买”，还要处理“怎么继续服务”
很多核保系统，只回答一个结果：
能买。不能买。需要人工审核。建议除外。建议延期。
但一线业务真正需要的，往往不是一个冷冰冰的结论。
比如客户被拒保了，规划师接下来怎么办？
是结束服务？换一个产品？调整保障方案？推荐其他险种？建议客户补充材料？向客户解释为什么当前产品不适合？
KEYI.AI比较有价值的设计，是把“拒保后的替代产品推荐”也纳入了服务流程。
依托KEYI.AI，拒保客户寻找到其他适合保险产品的比例提升了6倍。
这个数据背后的意义很大。
它说明AI不是只做风险拦截，还在帮助业务继续往前走。
传统核保更像一道门：
通过就进来，不通过就结束。
KEYI.AI想把这道门变成一个分流系统：
这个产品不适合，看看其他产品；这个险种不合适，看看其他保障；这个情况需要补充材料，那就告诉规划师下一步怎么做。
这就是第二个创新点：
AI核保不只是判断风险，还要帮助找到可服务路径。
对保险公司来说，这比单纯提高核保速度更有业务价值。
五、第三个创新点：用“LLM+规则+人工”做分层处理
核保不能完全交给大模型。
因为核保涉及客户权益、保险公司风险、产品责任和后续理赔稳定性。
如果AI回答错了，可能影响客户投保，也可能埋下理赔纠纷。
KEYI.AI采用的是“LLM+规则+人工”的三级引擎。
这套设计很值得保险公司借鉴。
大模型负责理解复杂问题。比如客户用非标准语言描述病史，AI要先听懂他说的是什么。
规则系统负责卡住边界。哪些情况不能承保，哪些情况需要人工，哪些情况要看具体产品规则，不能让模型自由发挥。
人工专家负责复杂判断。当问题涉及高风险、模糊边界或争议情况时，仍然需要人工复核。
这个设计的好处是：既提高效率，又不放弃稳健性。
常见问题交给AI快速处理；规则明确的问题由系统自动匹配；复杂问题再交给专家。
这就是第三个创新点：
不是让AI“一把梭”做核保，而是把核保咨询分层处理。
AI处理标准和高频，人工处理复杂和例外。
这才符合保险行业的风险属性。
六、第四个创新点：把新人培养也放进了产品设计
水滴KEYI.AI帮助新手保险规划师快速上手。
KEYI.AI帮助某大型经纪公司新手保险规划师上手速度加快300%，用户咨询问题平均在50秒内快速解决。
这个点很重要。
保险销售新人最大的短板，不一定是不会沟通，而是不知道怎么判断客户健康情况。
客户问一句：
“我这个病能不能买？”
新人很容易卡住。
如果频繁问主管和专家，效率低；如果自己乱答，又有风险。
KEYI.AI相当于给新人配了一个随身核保教练。
它不仅给答案，还能让新人看到：
为什么这么判断；对应什么产品规则；是否需要人工复核；如果当前产品不合适，还有什么选择。
这会改变新人训练方式。
过去新人靠培训课、师傅带、案例积累。
现在可以在真实问题中边服务边学习。
这就是第四个创新点：
把核保咨询工具，同时做成新人训练工具。
它不只是提升一个问题的响应速度，还在提升队伍整体能力。
七、水滴KEYI.AI带来的效果是3个关键词：稳、准、可扩展
KEYI.AI的效果数据有几组值得关注。
核保咨询回复准确率超过99%。响应时间小于1.5秒。核保响应速度较此前提升260倍。拒保客户找到其他适合产品的比例提升6倍。新手规划师上手速度加快300%。用户咨询问题平均在50秒内解决。
这些数据可以拆成三个维度看。
第一，是效率提升。
原来要等专家，现在可以秒级响应。
第二，是专业稳定。
准确率超过99%，说明它不是普通聊天机器人，而是建立在知识图谱、规则和专家复核体系上的专业工具。
第三，是业务延展。
拒保后继续匹配其他产品，新人更快上手，这说明它不只是后台核保工具，而是进入了销售、培训、服务多个环节。
所以，这个案例最值得看的，不是“AI答得多快”。
而是它把核保能力从少数专家手里，转化成一套可规模化调用的业务能力。
八、这个案例对其它保险公司有四点启发
第一，核保AI先选高频核保咨询问题
比如甲状腺结节、高血压、乙肝、糖尿病、手术史、职业类别、健康告知等。
这些问题量大、标准相对清晰、业务价值明显，适合先做。
第二，先建设核保知识图谱
不要只建文档库。
要把产品、疾病、规则、案例、责任、结论之间的关系建立起来。
否则大模型很容易回答得流畅，但不够准确。
第三，必须做分层决策
AI回答常见问题，规则约束边界，专家复核复杂情况。
不要为了“智能”而放弃人工复核。
第四，把“拒保后的下一步”设计进去
客户不能买A产品，不代表没有保障方案。
优秀的AI核保工具，不只是告诉你“不行”，还应该帮助规划师找到“还有什么可能”。
案例小结：
水滴KEYI.AI这个案例，真正的创新不在于用了大模型，而在于它重新设计了核保咨询流程。
它把核保知识图谱化，把复杂问题语义化，把核保判断分层化，把拒保客户重新纳入服务路径，把新人训练嵌入真实问题处理。
AI核保专家的关键，不是替专家下结论，而是把专家能力拆成知识、规则、推理和复核流程，让更多人用得上！
本文为“AI+保险”应用案例解析，内容参考《AI保险行业应用创新白皮书》（清华大学），经过重新梳理与二次解读，未直接转载报告原文及图表。如涉及版权问题，请联系删除或更正。
