保险理赔员 · 任务逐条

受理报案

「拿一份保单去接一份结构化的申报」是自动化的理想场景:该问什么事先就定好了、答案可以拿保险公司本来就有的记录去核、而且答错了会立刻暴露,不是几年后才发现。Lemonade 自己的年报写明:截至 2023 年底,98% 的情况下由它的理赔机器人受理报案,并在无人介入的情况下赔付或拒赔。

那个数字来自一家直销、承保简单个人险种的公司,而同一份备案文件的下一句写着:机器人无权定赔、或它发现疑点的案件,会被转派给人类理赔专家。所以它确立的是「在那家公司,入口那一段被自动化了」,不是「理赔不再需要人」。它也没有说那些跑着老系统的传统保险公司 —— 按保费算,那才是市场的大部分。

决定它在不在保障范围里

在事实清楚、保单标准的情况下,这就是规则应用,而机器做得一致 —— 比一个班快结束时疲惫的人更一致。迁移不过去的是事实有争议的那些案件:决定相信哪个版本的经过不是一条规则,而做这个决定的人必须为「他当时相信了它」负责。

这是一条关于工作结构的判断,不是对「事实有多常被争议」的测量 —— 而这个比例因险种而差异极大。它也没有说一致等于正确:把一条规则一致地应用在一份写得糟糕的保单上,产出的是一致的不公平。

定损

拍照定损与配件报价现在很平常,而且确实快 —— 这项任务的成本一侧很适合一个在几百万次维修上训练过的模型。剩下的是争论:一个说报价太低的修理厂、一件没有市场价的物品,以及「差额由谁承担」这个决定。

它没有说在非标准物品上、或在配件供应波动的市场里准不准,也没有说「定损变快」是否改变了理赔人实际拿到多少。这两件事都没有被公开测量过。

对不上号的那一件

自动化在「长得像以前那些」的案件上越做越好 —— 而那恰好就是它在这里做不到的那部分的定义。例外也正是一家保险公司的钱和名声真正所在的地方:几件处理坏了的异常案件,代价超过几千件常规案件;而判断哪一件异常案件是贵的那一件,是关于这本业务的判断。

这是一条关于「风险落在哪儿」的判断,不是对「有多少案件是例外」的测量。它也没有声称人处理例外处理得好 —— 一个在高业务量下疲惫的理赔员,正是一件贵案件被漏掉的典型原因。

对一个人说不赔

系统可以产出一个「拒赔」;它没法成为为它答复的那一方。在多数市场里,一次拒赔附带着「要求解释」的权利、一条投诉通道和一个监管机构,而这三样都需要一个可以被问「为什么」的人。正是这项任务,把理赔部门从一个处理职能变成一个要答复的职能。

它保护的是「要答复」这件事,不是人数。一个人可以为大量自动拒赔答复,而在若干市场里,给出的那个解释本身也是模板。能把这项义务到底有多重定下来的,是一次因自动拒赔而针对保险公司的执法行动 —— 它还没有出现过。

识别编出来的案件

在整本业务上做模式识别是人根本做不到的事,所以这是「机器增加了能力而不是替代了能力」最清楚的场景之一。留给人的是「要不要照着这个标记去行动」:指控一位客户欺诈是一个有后果的法律行为,而模型的置信度不是证据。

这里没有量误报,而误报正是这项任务的全部代价 —— 一个被错误标记的理赔人,是一个被统计模型指控犯罪的人。保险公司也很少公布反欺诈的表现,所以这一条建立在问题的形状上,不是建立在一次测量上。