DC娱乐网

如果AI能提前预测你的死亡时间:太保的大模型,是干预还是沉默?

【一份在太保寿险某精算实验室里,被反复标注的“健康风险预测模型输出与人工复核对照表”】
(背景:2026年11月,上海。太保寿险某精算实验室。屏幕上是一份健康风险预测模型的输出报告:模型根据某客户的体检指标、就诊记录、用药历史、生活方式数据,给出未来若干年内的健康风险评分和预期寿命区间。精算师在逐条复核模型输出与人工判断的差异。这个场景的核心不是“模型准不准”,而是“模型准了之后,拿它做什么”。如果AI能提前预测一个人的健康走向,保险公司是拿它来精准定价、拒保高风险人群,还是拿它来提前干预、帮客户把风险降下来?这个问题的答案,决定了AI在保险业是“筛选工具”还是“健康管理工具”。)

一、健康预测的“伦理悬崖”:知道得越多,选择越难
保险精算的本质是风险定价。传统的定价依据是年龄、性别、既往病史这些粗颗粒度的变量。AI大模型可以做到更细:从体检指标的微小偏离中看出趋势,从用药记录的变化中推断病情进展,从生活方式数据中评估长期风险。
预测精度提升的背面,是一个伦理问题:如果一个模型能相当准确地预测某个人在未来十年内罹患重疾的概率,保险公司该怎么用这个信息?
AI落地深水区里最痛的现实:健康预测的瓶颈,不是“预测不准”,而是“预测准了之后,商业逻辑和社会责任之间怎么平衡”。精准定价和健康干预,用的是同一套模型,指向的是完全不同的方向。
二、太保的解法:把预测锚定在“干预”而非“筛选”上
太保在健康风险模型上的探索,方向不是用预测精度去筛客户,而是用预测能力去帮客户。
第一,预测结果的“干预接口”。模型输出的不是“你的风险很高,保费要涨”,而是“你的某项指标在往不好的方向走,建议做这几件事”。太保家园养老社区部署的非接触式监测、健康管理服务、慢病干预方案,构成了预测之后的行动链路。预测的价值不在于“知道谁会生病”,在于“让本来会生病的人晚生病或不生病”。
第二,定价中的“可干预因子”。精算模型在定价时,不是把健康风险当作固定属性,而是区分“不可改变的风险”(年龄、遗传)和“可干预的风险”(生活方式、依从性)。可干预的部分,通过健康管理服务来降低,而不是通过加费来惩罚。客户参与健康管理、指标改善,保费有调整空间。这比单纯的风险筛选更可持续。
第三,隐私边界内的“数据使用”。健康预测依赖大量个人数据,但数据的使用范围必须有明确边界。太保的合规框架下,模型用于群体风险分析和个体健康建议,不用于对个体客户的歧视性定价。这个边界不是技术问题,是治理选择。
三、行业终局:健康AI的竞争,是“干预能力”的竞争
太保在健康风险预测上的探索,揭示了一个被行业低估的真相:预测未来的能力,如果不配上改变未来的能力,就只是一种更精致的焦虑制造。
当同行还在卷“模型预测精度又提高了多少”时,太保已经在把预测结果接到健康管理服务上。在健康AI的深水区,预测精度是面子,干预能力才是里子。谁能让客户在收到风险预警之后真的有办法把风险降下来,谁才算把“保险”从事后赔付变成了事前守护。