一、项目背景及目标

为提升业务服务质量与办公效率，人保寿险创新性的提出“AI保宝”大模型平台创新应用项目，协同集团公司引进大语言模型，切实解决外勤、内勤两大群体在公司日常经营、管理中的痛点问题，在产品咨询、坐席助手、办公助手三大类场景下实现了降低人力成本、提高运营效率、提升服务水平。助力公司业务模式变革和管理模式创新。目前已在公司内网门户、移动互联、人保E通、费控系统、企业微信等多系统上线。

面向内勤建设办公助手提升办公效率、助力风险防控。一方面实现从日常办公到专业业务操作的全方位支持，打造“人人有助手，人人是专家”的人保办公工具，为每一位员工配备专属的数字化助手。具体上线企业制度问答、营销海报/文案自动生成、个人/群助理机器人、智能报表生成。另一方面面向企业风险合规条线，推动打造审计分类、内部合规助手、合同审核助手、金融政策动态、声誉风险问答等产品，全方位提升企业风控能力，确保企业运营安全合规，助力高效决策。

面向外勤建设坐席助手助力降本增效，推动客户服务、内部管理升级，为外勤提供生产力工具，实现人人有助手、人人是专家，为保险行业的数字化转型探索新模式。具体上线产品条款解读、坐席话术推荐、电话工单生成、智能陪练智能建课、坐席服务支持。建设产品宝典支持公司所有产品问答。支持保险基本信息咨询、投保条件咨询、投保流程咨询、保险责任咨询等场景。

二、创新点

（一）创建行业领先的“2+1+3”大模型平台架构

“AI保宝”大模型平台采用“2+1”大模型智能平台以“两大用户群体+一个大模型平台+三大创新场景”为核心架构，旨在满足不同用户群体的需求，提供全方位的智能化服务。

1、一个大模型平台

“AI保宝”大模型平台是整个架构的核心，它集成了自然语言处理、机器学习、知识图谱等先进技术，为用户提供智能化的服务。平台通过不断学习和优化，能够更准确地理解用户需求，提供更精准的建议和解决方案。

2、两大用户群体+三大创新场景

产品咨询场景：针对保司外勤快速了解公司产品的需求，平台提供产品咨询功能。外勤可以通过自然语言输入查询需求，平台智能识别并返回相关的产品条款、费率等信息，帮助用户快速了解产品特点和优势。

坐席助手场景：针对保司外勤的工作特点，平台提供坐席助手功能。通过自然语言处理和机器学习技术，平台能够自动生成电话工单、推荐坐席话术等，帮助外勤人员更好地与客户沟通，提高销售转化率。

办公助手场景：针对保司内勤的工作需求，平台提供办公助手功能。平台能够智能回答公司知识问答、进行合同审核对比等，同时提供贺报、营销文案的自动生成能力，帮助内勤人员提高办公效率。

（二）自主创新研发多项大模型应用技术

人保寿险推出的AI保宝产品体现了公司在自主研发方面的独特优势，具备高度的先进性和行业领先性。

1、文档版面知识采编解析：对于不同版式的文档进行版面解析和建模。通过大模型进行文档数据的规整，减少人工介入，实现了数据采编的自动化与高效管控，为业务问答数据的快速更新提供了强大的技术支持。

2、问答检索模型：训练1024字长检索模型以配合长文本大模型与长文本采编，突破了传统检索模型对于字长的限制，减少了embedding阶段的语义信息损失，在长文本场景下拥有更好的检索效果

3、问答回复模块：创新的采用了思维链的训练策略，以此指导大模型学习思维链的思考方式，来激发大模型对问题和答案的思考判断，提升对专业领域的语义分析能力和总结能力，保障回复效果的正确性。

4、数据隔离：采用多租户方式强化身份认证和访问控制，对API、用户界面以及后端服务的访问权限进行精细控制，提升了问答效率及效果，减少不同业务间数据误吸风险

5、灵活的对话流程：提供多种系统意图，例如打招呼、再见语、感谢语、超时、意图拒识、系统异常等常用意图，更好的捕捉用户意图，流程执行更加灵活，流程设计更便捷。

（三）融合DeepSeek进一步提升平台赋能

上线DeepSeek产品条款解读功能，营销员通过人保e通或人保友客，在对应产品界面点击“AI条款解读”按钮即可畅享智能服务。

发起“A计划”，开发DeepSeek系列培训课程，全方位赋能营销队伍发展。计划书系统上线基于大模型的名词解释，辅助营销员制作建议书过程。

上线基于DeepSeek的反洗钱审计可疑交易案例自动审核，实现对可疑交易分析中客户信息的完整性、客户身份/收入水平与保费规模的适配性、收入水平的合理性、资金去向的合理性等维度的批量自动化审核。涉及保费金额数十亿元，发现的问题件线索如机构妥善整改将大大减少给公司带来的处罚风险。预防监管处罚风险，助力机构有针对性的加强洗钱风险管控。

三、项目技术方案

项目规划、实施及有可能涉及到的技术架构、业务模式、商业模式等。

（一）项目规划

战略目标确立：人保寿险立足行业数字化变革趋势，将大模型建设作为推动公司战略转型的关键举措。首要目标是借助大模型强大的数据分析与智能处理能力，重塑核心业务流程，实现降本增效。如在客服场景，期望通过大模型驱动的智能客服，提升问题解决效率，降低人工客服成本；在营销领域，利用大模型精准洞察客户需求，提高营销转化率，挖掘潜在客户资源。长远来看，项目致力于打造行业领先的智能化寿险服务体系，增强人保寿险的市场竞争力与品牌影响力，巩固行业领军地位。

分阶段规划：

基础构建阶段（第 1-6 个月）：此阶段重点搭建项目基础架构。一方面，组建专业的跨学科项目团队，涵盖人工智能专家、数据科学家、保险业务专家等，明确各成员职责，确保项目具备技术与业务双重专业视角。

模型研发阶段（第 7-12 个月）：聚焦大模型核心研发。利用前期收集的数据，运用数据清洗、去噪、标注等技术手段，构建高质量训练数据集。结合保险业务特性，选取如 Transformer 等先进架构，进行模型搭建与初步训练。在训练过程中，不断调整模型参数，优化模型性能，同时引入迁移学习等技术，加速模型收敛。期间与外部机构合作，共同攻克技术难题，如针对寿险业务的复杂风险评估模型优化等。

试点应用与优化阶段（第 13-15 个月）：挑选智能客服、代理人展业辅助等核心业务场景开展试点。在智能客服场景，部署大模型驱动的智能客服系统，实时收集客户咨询数据与客服人员反馈，评估模型在问题理解、解答准确性等方面的表现；在代理人展业辅助场景，通过为代理人配备大模型支持的移动应用，收集其在产品推荐、客户沟通环节的使用数据。根据试点反馈，针对性地优化模型，调整业务流程，如优化智能客服话术生成策略、完善代理人展业助手知识检索算法。

全面推广阶段（第 16-24 个月）：将优化后的大模型及配套应用全面推广至全国各分支机构与更多业务场景，如核保风险评估、理赔智能定损等。建立推广实施计划，明确各阶段推广目标、责任主体与时间节点。同时，搭建全国统一的大模型应用监控平台，实时监测模型运行状态，确保推广过程稳定、有序。

（二 ）技术架构搭建

数据层：构建湖仓一体化架构，整合人保寿险内外部数据。内部涵盖结构化数据以及非结构化数据；外部引入行业市场数据、宏观经济数据等。同时，建立流批一体化的数据架构，大幅提升数据采集与计算效率，其中数据采集达到秒级响应，数据计算效率提高 83%，为模型训练提供及时、高质量的数据支持。

模型层：以自研大模型、DeepSeek通用大模型、讯飞星火、阿里千问为底座，通过对海量保险行业语料、数据及专业知识的学习，具备基础的语言理解、知识储备与逻辑推理能力。在此之上，面向寿险营销、客服、核保、理赔等垂直业务领域，自研多个场景大模型。

应用层：孵化多款大模型应用产品。“AI保宝” 面向客户与代理人，提供保险类知识问答服务，提升知识获取效率；文生图、图生图等跨模态生成能力，助力营销设计物料制作；代码生成、代码补全等能力，加速软件开发。这些应用产品通过 API 接口等方式，与公司现有业务系统深度集成，为员工与客户提供便捷、智能的服务。

四、项目过程管理

项目各阶段的实施周期

项目立项 23年5月

试点上线23年12月

各场景持续上线与优化 24年5月 -至今

五、运营情况

目前人保寿险“AI保宝”大模型已在移动互联、人保E通、费控系统、企业微信、办公门户、e掌柜、核心系统运维机器人、智能陪练、双录、OA、核心系统等10多个系统上线，23年启动建设至今共调用几十万次。累计激活用户数量数万万。知识检索准确率大于95%，问答准确性大于94%。

六、项目成效

“AI保宝”大模型平台快速响应、高效处理、稳定服务、实时更新的优势，免去了公司人员工作中繁琐的检索过程、耗时的贺报海报制作过程，让工作更便捷，决策更迅速，为公司提供了更高效、更精准、更个性化的营销手段，优化了营销流程，提升了用户体验。同时“AI保宝”问答准确率也在连续的迭代和升级中不断提升，知识检索准确率大于95%，问答准确性大于94%。近期审计部依托大模型上线反洗钱案例筛查，发现的问题件涉及保费金额共数十亿元，线索如机构妥善整改将大大减少给公司带来的处罚风险。

七、经验总结

（一）聚焦业务需求，精准锚定方向

多场景调研：项目初期，组建跨部门联合调研团队，深入寿险营销、客服、核保、理赔等核心业务场景。与一线员工、管理人员、客户进行广泛交流。例如在营销场景中，发现代理人在产品知识讲解、客户需求挖掘方面存在挑战；客服场景里，对复杂保单问题的快速准确解答需求迫切。基于此，明确大模型需具备精准的保险知识问答、客户意图理解、智能营销辅助等关键能力。

动态需求更新：建立需求动态跟踪机制，每月收集业务部门反馈，根据市场变化、监管要求及新技术发展，及时调整优化大模型功能。如随着健康险市场的快速增长以及新的健康险产品条款更新，迅速将相关知识纳入大模型训练体系，确保其能为业务提供实时、有效的支持。

（二）打造技术基石，筑牢模型根基

强大算力支撑：构建专属算力集群，引入高性能 GPU 服务器，保障模型训练与推理的高效运行。根据业务负载动态调配算力资源，降低成本的同时提高响应速度。例如在营销活动高峰期，将更多算力分配至大模型的客户需求分析与产品推荐模块。

数据治理与标注：整合人保寿险海量数据，涵盖保单信息、客户资料、理赔记录等。运用数据清洗、去噪、脱敏等技术，确保数据质量。

（三）试点先行，稳步推进

试点区域与场景选择：选取业务规模适中、需求多样的产品解读作为首批试点地区，在智能客服、代理人展业辅助两个核心场景开展试点应用。通过试点，深入了解大模型在实际业务环境中的表现。

优化与复制推广：根据试点经验，对大模型进行针对性优化，如改进智能客服的话术生成策略、提升代理人展业助手的知识检索准确性。优化后，智能客服问题解决率提升42%。随后，将成功经验与优化后的大模型逐步推广至全国其他地区及更多业务场景。