当前，国内金融业数智化转型持续深化，大模型与生成式AI正加速融入业务全流程，成为行业提质增效的核心引擎。保险行业作为金融数字化的重要组成部分，正从单点智能应用，迈向全链路智能化运营，算力高效供给与AI开发能力建设，已成为险企竞争的关键抓手。与此同时，行业普遍面临算力成本高、异构资源管理难、私有化部署性价比偏低，以及AI编程工具落地难、存量系统适配差、价值难量化等现实挑战。中型保险公司如何在资源有限的前提下，平衡算力供给、成本控制与技术创新，推动AI规模化应用，备受行业关注。

近日，在2026保险科技创新发展论坛暨第五届保险科技管理人年会上，阳光保险集团科技中心架构与数据管理部负责人王卓发表主题演讲，系统分享阳光保险在算力运营与AI编程领域的实战经验、关键路径与落地成效。

一、算力运营：构建“三横两纵五统一”管理体系

阳光保险集团旗下拥有产险、寿险、资产管理、数科等多家子公司，各业务线智能化应用快速增长，底层算力与模型资源坚持集团共建、统一运营、共享标准。王卓介绍，阳光保险通过搭建“三横两纵五统一”管理体系，实现全集团模型算力共建、共享、共标准，支撑全集团43个智能体应用稳定运行。

1.三横：统一模型网关、模型管理、算力池纳管

统一模型网关（顶层）：实现全集团大模型流量统一调度与动态路由，支撑跨子公司、多场景的模型调用。

统一模型管理（中层）：对接公有云模型，同时私有化部署DeepSeekv3r1、千问等10余款开源大模型，形成混合模型池。

统一算力池纳管（底层）：实现异构GPU算力统一管理与调度，打破子公司算力孤岛，提升资源复用率。

2.两纵：统一技术标准、统一运营体系

统一技术标准：覆盖大模型引入、研发、上线、运维全生命周期，建立规范化管理流程。

统一运营体系：提供模型选型、安全护栏、全链路监控、SLA定价结算能力，支撑业务高效用能。

二、算力运营：破解三大核心痛点

算力运营落地过程中，团队高频遇到三个行业共性问题：GPU算力够不够、私有化为什么贵、POC选哪个模型。阳光保险从采购、优化、测评三方面给出系统解法。

1.多元采购策略：租买结合、公私联动、优先国产

租买结合：成熟稳定场景购买GPU；临时性扩容、创新试点租赁算力，兼顾稳定与成本。

公私联动：高并发、低敏感场景用公有云，成本较私有化低约50%；关键数据、核心类应用场景优先私有化部署，比如一些对时延比较敏感的应用，如客服类。

优先国产：加大国产GPU引入，降低供应链风险；国产算力经推理加速优化，已可满足主流大模型推理，与DeepSeekV4等国产模型深度适配，缩小性能差距。

2.资源利用率提升：从不足5%到30%

优化前，GPU日均利用率不足5%，呈现白天高峰拥堵、夜间资源闲置的失衡状态。通过三项措施，综合利用率提升至30%：

管理策略：差异化定价，夜间批量任务大幅折扣；中小模型定价低于大模型，引导错峰、轻量化使用。

技术调优：引入虚拟化、PD分离部署、推理加速技术，提升GPU并发能力与吞吐量。

资源整合：大小模型结合替代单一模型；定期监测使用率，下架低利用率老旧模型、升级高价值模型。

3.模型标准化测评：通用、垂类、性能三维度

建立标准化测评体系，支撑POC阶段模型选型：

通用测评（6维度）：语言理解、知识储备、数据推理、计算能力等。

保险垂类测评（5维度）：保险理论、合规风控、理赔规则、产品知识、行业常识。

性能压测（2指标）：单Token响应时间、吞吐量（TPS）；基于43个智能体应用经验，50%办公类场景报文集中在输入4K、输出1K，压测重点覆盖该区间。

三、AI编程：三阶段演进，从工具到伙伴

阳光保险自2023年启动AI编程实践，历经工具时代、助理时代、伙伴时代三个阶段，逐步实现从简单代码补全到存量系统增量开发的突破。

1.第一阶段：工具时代（2023年）——提示词工程

特征：提示词驱动，依赖人工调优提示词；

工具：自研开源插件+私有化千问；

背景：当时商业化工具稀缺，国外插件绑定境外模型，出于安全考虑自研；

效果：仅支持简单代码补全、注释、基础函数编写，采纳率偏低。

2.第二阶段：助理时代（2024年-2025年上半年）——知识库+上下文

特征：引入知识库、上下文扩展，赋予AI记忆能力；

工具：升级为IDE模式；

模型：千问、Kimi；

效果：纯前端、新建项目代码采纳率70%-80%；老旧系统、Java存量开发效果差。

3.第三阶段：伙伴时代（2025年底—至今）——智能体工程

特征：智能体工程，Skill开发、多智能体协作；

工具：采购商业化IDE（智能体、Skill能力）+自研辅助工具（知识图谱、数据血缘）；

模型：GLM、Kimi；国内模型中GLM编码效果最优；

关键突破：2026年上半年实现存量系统增量开发突破。

直接用工具：数据类存量系统<15%、Java老旧系统<10%；

工程化调优后：数据类存量系统>75%、Java系统>40%。

4.AI编程成效数据

纯前端系统：>80%

新建项目：>70%

单元测试：≈80%

存量系统增量开发：>75%

Java老旧系统：>40%

四、AI编程落地：破解四大难题

阳光保险总结AI编程规模化落地面临四大难题：模型工具选择难、存量系统适配难、推广落地难、价值量化难，并给出系统性解决方案。

1.工具选型难：统一测评+安全合规

构建三类场景用例+四维度指标测评体系：

场景用例：前端4类、后端7类保险核心场景；

测评维度：正确性、性能、可扩展性、安全合规；

安全红线：禁止明文密码连库、敏感信息硬编码等，安全合规一票否决。

2.存量适配难：开发范式升级+工程化知识

王卓强调，AI编程落地核心是开发范式升级，关键不在工具，而在工程化方法论：

模型分层选型：同项目不同场景用不同模型，平衡效果与Token成本；

工具组合：商业化IDE（智能体）+自研辅助工具（知识图谱、数据血缘），辅助AI理解存量系统元数据、类与表关系；

知识库构建：梳理业务知识（元数据、血缘、指标库）+工程知识（Java结构、规范、潜规则），形成知识库；构建场景思维链，降低AI决策不确定性。

3.推广落地难：认知偏差+替代焦虑

推广难核心来自两点：预期过高、替代焦虑。阳光保险采取三项策略：

角色升级：开发人员从“代码编写者”转向Skill开发者+AI代码审核者，聚焦智能体设计、流程编排；

新人优先：应届、社招新人学习周期长，AI工具是上手加速器，接受度最高；

统一认知：推广的是工程方法论，而非工具本身。

4.价值量化难：技术+业务双维度考核

建立技术指标+业务指标两套考核体系：

技术指标：代码采纳率、工具推广率、日/月活、Token成本（新增，暂不考核，用于成本优化）；

业务指标：

个体：人均功能点增长率；

团队：平均开发周期缩短率；

组织：新人/低职级人员占比优化率；

目标：以数据支撑降本增效。

五、未来展望：角色重构、全链智能、安全升级

面向未来，王卓提出三点判断：

开发人员角色重构：从代码编写者，转向AI协作架构师；核心能力从“语言精通”转向问题拆解、架构设计、调试思维；

软件工程全链路智能化：AI渗透需求、设计、编码、测试、运维全流程；Agent编排串联端到端任务，大幅降低沟通成本；

安全挑战升级：多模态交互普及，非技术人员参与开发，小微碎片化应用成为主流；提示词注入、数据泄露等新型风险加剧，AI安全需持续投入。

阳光保险立足中型险企资源禀赋，以共建共享算力底座、工程化驱动AI编程为路径，走出一条务实、可复制的智能化转型之路。未来，阳光保险将持续深耕算力优化、模型创新与AI工程化落地，以技术赋能业务，助力保险行业数智化转型迈向更高水平。