从政策信号到产业落地的 60 天
2026 年 6 月 18 日，国家金融监督管理总局发布金发〔2026〕8 号《关于银行业保险业人工智能安全开发应用的指导意见》，把”AI 在保险理赔反欺诈”从试点推向常态化。本文拆解三件事：政策到底要求什么、保险公司的真实落地路径、踩过的坑。
一、政策核心要点（金发〔2026〕8 号）
- 应用前评估：金融机构上线 AI 模型前必须做”模型卡 + 风险评估”，覆盖数据来源、偏见、鲁棒性、可解释性。
- 分级分类：将 AI 应用按”影响客户权益的程度”分为 A/B/C 三级，理赔反欺诈属 B 级（中高风险）。
- 人工兜底：B 级及以上应用必须保留”人工复核 + 申诉通道”，AI 不能直接拒赔。
- 数据安全：涉及客户健康 / 财务 / 身份信息的，必须本地化部署或使用金融云专区。
- 报告机制：重大 AI 风险事件 24 小时内向监管报告，每季度报送 AI 应用清单。
二、保险理赔反欺诈的典型 AI 链路
1. 数据层
- 结构化数据：保单、报案号、医院 / 4S 店发票、维修清单、出险地点。
- 非结构化数据：事故照片、聊天记录、语音报案录音（OCR + ASR 抽取）。
- 外部数据：修理厂工商信息、医院处罚记录、历史出险同址。
2. 模型层
| 模型 | 作用 | 常用方案 |
|---|---|---|
| 图神经网络（GNN） | 识别团伙欺诈 / 反复出险关联 | Neo4j + 自研 GNN / DGL |
| 金额 / 时间 / 修理项目异常 | Isolation Forest、AutoEncoder | |
| OCR + CV 多模态 | 识别伪造发票 / 维修单 | Qwen-VL、InternVL |
| 大模型推理 | 解释拒赔理由 / 写申诉回复 | 私有化部署 DeepSeek / Qwen3 |
3. 决策层
- 预警：AI 出”欺诈评分 + 关键证据”，推送给调查员。
- 辅助：调查员在系统里看 AI 解释 + 原始证据，决定是否立案。
- 复核：客户申诉时必须有”非 AI” 的人工通道。
三、真实落地案例（已脱敏）
案例 A：某头部财产险公司的车险反欺诈
- 背景：日均 12 万报案，欺诈率约 8%，每年直接损失超 9 亿元。
- 方案：构建”修理厂 + 车主 + 出险地点”图网络，自动识别高频关联。
- 效果：上线 6 个月后欺诈识别覆盖率从 35% 提升至 71%，误伤率 < 3%。
- 坑：早期模型过度依赖”修理厂风险分”，导致某些地区的正常修理厂被频繁触发人工复核。后期引入”申诉反馈回流”机制后逐步修正。
案例 B：众安保险的 AI 中台
- 2025 年全年大模型调用量超过 20 亿次。
- 理赔自动化率：健康险 90%+，车险 60%+。
- 关键经验：把 AI 切成”信息抽取 / 风险评估 / 客户沟通”三段流水线，每段独立可替换。
四、四个常见的合规坑
- 用云端通用 LLM 直接做拒赔决策：违反金发 8 号”本地化 + 可解释”要求。
- 训练数据未脱敏：客户身份证号、医院诊断等敏感字段未做差分隐私 / 假名化处理。
- 没有申诉通道：客户无法看到”AI 为什么拒赔”，引发监管处罚。
- 模型无版本管理：模型升级后旧决策无法复现，导致审计失败。
FAQ
Q：金发 8 号是不是只针对头部险企？
不是。指导意见覆盖所有银行业保险业金融机构，包括中小财险公司。落地节奏可以分阶段，但合规义务不分规模。
Q：第三方 AI 服务（如 DeepSeek API）能否用于反欺诈？
可以，但必须签 DPA（数据处理协议）+ 部署在金融云专区，且敏感数据要做本地预处理。
Q：模型可解释性要求到什么程度？
至少要能输出”哪些因素触发预警 + 每个因素的权重 + 客户可读的拒赔理由”。SHAP / LIME 是常见工具。
行动建议
- 如果你是中小险企，优先从”车险高频欺诈场景”切入，数据齐全、标签好打，6 个月内可出第一版。
- AI 拒赔必须配人工复核岗位，不要为了”自动化率”砍掉调查员，监管会反向看。
- 把”AI 模型卡”当成正式文档资产，每一次模型升级留版本 + changelog，便于应对现场检查。
- 客户沟通环节用大模型写文案时，保留人工抽检，避免出现”AI 拒赔理由含糊”被投诉。
