水滴科技基于大模型重构保险服务：从降本增效到全场景智能落地

第一章：保险服务场景的智能化升级瓶颈

水滴公司（Waterdrop Inc.）作为覆盖保险经纪、大病求助及医药服务的领先平台，在业务规模扩张中面临传统人工服务模式的效率天花板。尽管拥有40人大模型产研团队并推进四大方向、40+算法创新，但在医疗险销售、续保及核保咨询等高交互场景中，人工坐席存在明显的服务边界：

• 服务能力限制： 人工坐席平均仅掌握 5-10款 保险产品知识，且服务时间受限于工作日9-6点，无法覆盖节假日。
• 运营成本结构： 人工模式呈现“培训成本低、边际成本高”的特征。
• 服务稳定性： 人工服务受情绪影响存在波动，难以保持恒定的服务标准。

第二章：构建“AI坐席+AI助理”双引擎技术架构

针对业务痛点，水滴科技依托大模型技术构建了分层解决方案，通过百卡集群支持完成了100+次训练，基于千万通人类对话数据及千款保险产品库进行深度优化。

1. AI保险坐席 (Agent)

该方案经历了从1.0到3.0的迭代，实现了从单一语音对话到复杂任务规划的跨越：

• 技术演进： 从支持1-2分钟对话的“小模型”，升级至支持30分钟语音对话的百亿级参数模型，最终实现具备工作规划与人工操作能力的Agent架构。
• 多模态交互： 支持电话、企信、短信并行沟通，覆盖续保、医疗险销售及车险等场景。

2. AI保险助理 (Copilot)

定位为规划师的工作助手，基于“水守大模型”提供深度专业知识服务：

• 产品覆盖： 已覆盖 535款 保险产品。
• 核心能力： 包含保障责任查询、健康告知查询、疾病核保（基于健康告知）、职业核保及费率表查询，能够直接解答如“高血压患者投保君龙超级玛丽9号”等复杂核保问题。

第三章：量化业务指标与服务效能

大模型的应用已深入水滴核心业务流程，在医疗险销售服务场景中，AI已能处理最长50分钟的对话，每天服务数十万用户。

1. 服务效能对比

以下为AI坐席与人工平均水平的关键指标对比（数据来源：水滴科技内部评估）：

2. 运营数据趋势

根据水滴科技提供的月度数据（2月-12月），AI介入后的业务数值表现如下（注：原文数据表头为“月份”与“数值”，具体指标名称原文未明确）：

• 服务能力分布： 根据人类坐席排名（最左为最后一名）与服务能力的关系图，引入AI后，服务能力数值从 0.012 提升至 0.100。

第四章：选择腾讯的技术底座支撑

水滴科技通过深入场景、持续迭代，构建了基于大模型的保险科技技术壁垒。在100+线上实验的验证下，其技术路径证明了大模型在保险垂直领域的可行性：

• 算法创新： 在数据层面解决了稀疏异议类对话样本问题，在模型层面实现了生成二次随机采样及长/短期记忆机制。
• 场景对齐： 所有训练与优化均基于保险服务效果进行对齐，确保技术产出直接服务于业务转化与用户满意度。

—— 黄明星，水滴科技（主讲人）

数据来源：2024腾讯全球数字生态大会 - 《大模型在水滴的应用实践》