中国平安：22亿次AI服务的全栈布局
行业：金融/保险 | AI场景：全栈AI | 关键词：理赔、医疗、风控、数字员工 | 阶段：规模化 | 启动：2013年
一句话定位
从保险公司变身AI科技集团——平安用十年投入1000亿+元人民币，打造了”医疗诊断+智能理赔+风控欺诈+数字员工”的全栈AI体系，年处理AI服务22亿次，核心目标是用AI重构金融全链条的风控、效率和客户体验。
背景：保险业的三大痛点
中国平安成立于1988年，是全球保险行业前5强。2024年营收1.2万亿元，员工35万人，零售客户超2.3亿。但2010年代中期，这家保险巨头面临的问题看起来无解：
痛点一：理赔流程长、体验差
传统车险理赔是这样的：出险 → 报案 → 定损员现场勘查 → 审核 → 理赔 → 转账，整个链条5-7天起。对客户来说，一个简单的追尾事故要等一周才能拿到赔款，体验极差。定损员需要大量人工投入，人力成本高，且定损标准不一，容易引发纠纷。
痛点二：风险管理手动、欺诈难防
平安每天处理百万级交易，但风控系统还停留在”事后审查”阶段——有人工团队翻阅单据，用规则引擎拦截明显异常。漏网之鱼很多，欺诈案件每年造成数十亿元损失。
痛点三：代理人规模化管理低效
平安有超30万保险代理人，但缺乏有效的培训、管理和激励手段。销售流程、客户跟进、业绩考核都高度依赖人工，管理效率低。
方案：全栈AI的四层布局
2013年，平安董事长兼CEO马明哲提出”科技引领金融”战略。核心洞察是：保险本质是数据生意，谁能用AI驱动数据价值，谁就能赢得下一个十年。
第一层：智能理赔（医疗诊断）
车险理赔的AI改造
平安推出”智能闪赔”系统，用计算机视觉+NLP+知识图谱实现端到端自动化：
- 图像定损：AI模型识别车损位置、程度，准确率超95%，对标人工定损员
- 单据审核：NLP自动识别理赔申请中的关键信息，判断是否符合赔付条件
- 反欺诈检测：知识图谱建立事故关联关系，识别骗保团伙（同一个钣金厂、定损员反复出现等异常模式）
结果：车险理赔从5-7天缩短到最快30分钟完成，人工介入率从100%降至30%以下。
医疗诊断的AI进阶
平安好医生+平安医保科技形成双引擎：
- 辅助诊断：AI医生助手覆盖1500+种疾病，能根据患者症状和检查结果给出初步诊断建议，准确率超70%（接近三甲医院医生水平）
- 医学影像识别：肺部CT、乳腺钼靶、眼底OCT等专科影像AI，准确率达90%+，部分指标超越人类医生平均水平
- 医疗数据积累：背靠平安2.3亿客户和数十亿条医疗记录，持续优化模型
这是平安做医疗的核心竞争力——别的保险公司没有这么多医疗数据。
第二层：智能风控（毫秒级）
平安建立了实时风控系统，能在毫秒级识别欺诈交易：
- 交易监控：每天监控平安旗下银行、保险、投资等全渠道的百万级交易
- 欺诈模式识别：用机器学习识别盗卡、洗钱、投保欺诈等异常模式
- 关系网络分析：知识图谱建立客户、账户、设备、地点的多维关系，发现隐藏的欺诈团伙
2024年，平安风控系统全年拦截可疑交易金额超500亿元。
第三层：数字员工（客服+营销）
AI客服
覆盖80%+常见问题，包括：保单查询、理赔进度、产品咨询。平安在线客服年处理客户咨询数亿次，其中AI承载比例超70%。
AI营销
用户画像+推荐算法，精准推送保险产品给高价值客户。个性化推荐提升转化率40%+。
第四层：组织赋能（流程自动化）
用RPA+AI自动化保险运营的后台流程：保单出单、费用核算、财务报表等。平安的一些部门实现了”无人工处理”的业务流程。
效果：22亿次AI服务的真实体量
| 指标 | 转型前（2013） | 转型后（2025） | 变化 |
|---|---|---|---|
| AI服务实例/年 | 0 | 22亿次 | 从零到规模化 |
| 车险理赔时效 | 5-7天 | 最快30分钟 | 缩短98%+ |
| 人工介入率 | 100% | <30% | 减少70%+ |
| 年度成本节省 | — | 100亿元+ | 主要来自理赔、客服、风控 |
| 科技专利数 | 几乎为零 | 4.8万+ | 行业第一 |
| 科技人员占比 | <5% | 11万人（占30%） | 6倍增长 |
| 医疗诊断覆盖 | 0 | 1500+种疾病 | 全国最大规模 |
| 实时风控拦截 | 手动审查 | 毫秒级自动化 | 准确率95%+ |
核心数字解读：22亿次看起来很大，但拆开来看：平安有2.3亿零售客户，22亿次AI服务相当于平均每个客户每年被AI服务10次。这个量级说明AI已经渗透到了日常业务的每个环节。
组织与实施：CEO驱动的十年长期主义
治理架构
平安的AI转型采取”一核多元”的架构：
- 平安科技：独立子公司，CEO汇报给马明哲，掌管全集团的IT和AI策略
- 平安医保科技：独立上市公司，专注医疗健康领域
- OneConnect（平安金融壹账通）：独立上市公司，输出金融科技能力给同业
- 平安智慧城市：政务AI和城市数据服务
这个架构的优势是：既能集中资源做大事，又给各子公司充分的自主权。
人才战略
- 从全球高薪挖AI人才，聘请多位院士和IEEE Fellow做首席科学家
- 建立”平安研究院”，聚焦基础AI研究（不求短期ROI）
- 内部培养：与顶级高校合作，输送千名AI人才参加培训
平安的AI团队从2013年的几百人，增长到2025年的11万人（占员工总数30%）。这不仅是人数增长，更是组织DNA的改造——从保险公司变成了”科技公司碰巧做保险”。
投入强度
累计AI研发投入超1000亿元，占营收比8-10%。关键是这些投入有明确的业务ROI约束：每投入1元科技成本，要能带来3元+的业务回报。
关键教训：两个踩过的坑
坑1：OneConnect的IPO陷阱——“赋能”不等于”变现”
2020年，平安金融壹账通上市，融资65亿美元，估值160亿美元。战略是把平安内部验证过的AI能力输出给中小银行和保险公司。
但现实很骨感：
- 同业客户的数据保护意识强，不太愿意把经营数据给平安分析
- 中小金融机构的IT能力有限，平安给的AI方案往往太复杂、成本太高
- 竞争对手（如蚂蚁、腾讯金融）也在做类似的事，价格战激烈
结果：OneConnect连续亏损，股价从上市的11美元一度跌至1美元。2024年被平安私有化，退市。
教训：科技能力强≠商业化能力强。平安在自己的生意里AI做得很好，但”卖给别人”这个生意模式有根本性的痛点——别人的数据、别人的信任、别人的成本考量。
坑2：医疗AI的商业化困境——技术领先≠市场领先
平安好医生的医疗诊断AI技术确实行业领先，但面临三个现实困境：
-
监管不确定性：AI医疗诊断的法律地位模糊。AI能给出诊断建议，但最终还是要医生签字负责，这削弱了AI的价值。
-
医疗体系的割裂：平安是保险公司，但医疗诊断要真正有用，必须整合医院、医生、电子病历等，这些都不在平安控制范围内。
-
支付端的困扰：保险企业要通过AI诊断降低理赔成本，但患者和医疗机构希望诊断越多越好（因为诊断多 = 治疗多 = 保险赔钱多）。利益不对齐。
结果：平安好医生从2025年开始不再披露MAU和DAU，重点转向”健康管理服务”而非诊断。实质上是商业化遇冷。
教训：AI的技术优先级和商业优先级必须对齐。平安在”降低成本”这个目标上AI表现完美（理赔、风控），但在”创造新的商业模式”上（医疗诊断）AI还不足以打破既有的产业格局。
迁移与借鉴
适合的企业类型
✅ 数据密集型、流程标准化的行业：银行、证券、物流、制造、零售
- 关键条件：有海量历史数据、业务流程重复性高、ROI好量化
✅ 组织体量够大：年营收500亿+
- 理由：AI转型成本固定，只有足够大的企业才能分摊
✅ CEO有AI认知：需要董事长/CEO的长期支持
- 理由：AI转型周期长（3-5年才见成果），不是CEO推动很容易半途而废
不适合的情况
❌ 小企业直接对标平安：
- 平安的优势是体量（35万员工）、数据（2.3亿客户）、资本（1000亿+投入），中小企业很难复制
❌ 服务模式AI突然爆发的期望：
- 现实：理赔这样的”自动化”场景3-5年见效；医疗诊断这样的”新模式”场景往往10年都看不到清晰ROI
更现实的路径
对于非巨头企业：
- 先从”内部降本增效”开始：用AI自动化你最痛的运营问题（客服、审核、风控），而不是想着创造新商业模式
- 选择具体的、量大的场景：不要一上来就做”全栈AI”，先把一个场景做到极致
- 买 > 自建：如果有成熟的AI解决方案（如平安的OneConnect、蚂蚁的AI中台），购买往往比自研快10倍
Mars视角：反共识洞察
洞察1：保险AI的真正护城河不在算法，在数据
平安的AI能工作，核心不是用了什么先进的算法（LLM、扩散模型都通用），而是积累了2.3亿客户的医疗、财务、行为数据。这些数据是竞争对手无法快速复制的。
推论：任何AI转型的第一步应该是”数据战略”，不是”算法选择”。问问自己：你有什么独特的数据？能积累什么数据？
洞察2：一个悖论——AI最容易成功的地方，往往是对人性冲击最大的地方
平安的理赔AI做得最成功（30分钟完成），因为自动化的对象是”定损员”这个中等收入岗位，没有特别强的政治反弹。
但医疗AI做得不顺利，因为涉及医生的专业权威性和职业未来——医疗界的反弹更强。
推论：选择AI落地的场景时，既要看”AI能做得多好”，还要看”这个AI会不会碰触强势群体的利益”。
洞察3：科技输出失败的深层原因——你卖的是”工具”，但客户需要的是”解决方案”
OneConnect上市融了65亿，下场私有化，本质上是：平安卖给中小金融机构的是”AI能力”（工具），但中小银行真实需要的是”怎么用AI降低成本、提升收益的完整方案”。这是两件不同的事。
推论：To B的AI商业化，卖产品不如卖结果。不是”我有一个NLP模块”，而是”用这个NLP模块，你每年能省1000万”。
洞察4：体量红利的天花板
平安用11万科技人员、1000亿投入建立的AI体系，是不可能被中小企业复制的。但这也意味着平安的AI竞争优势会在——它永远能投入比对手多3倍的资源。
推论：对于非平安级别的企业，与其追求”全栈AI”的梦想，不如专注”单点破局”——找一个AI能彻底改变的业务环节，做到行业top 3。
风险与局限
短期风险
- 监管变严：如果AI医疗诊断的监管突然变严（要求医生100%复审），那平安的医疗AI价值会大打折扣
- 数据安全法规：如果数据跨境、数据隐私的法规越来越严，平安依赖大数据的AI能力会受限
- 同业追赶：招商银行、中国人保等也在做AI转型，成本和效果在缩小差距
长期局限
- AI红利的衰减：理赔、风控这样的”规则型”AI场景，天花板已经比较高。未来只能靠”微改进”，不会有10倍增长
- AI需要人：平安现在11万科技人员，未来这个数字只会更高。人力成本会成为瓶颈
- 跨界整合的困难：平安拥有保险、银行、医疗、智慧城市等业务，但这些业务的数据往往无法共享（监管、隐私、竞争关系），导致协同效果不如想象
相关联系
相关打法：
对标产品：
类似案例：
核心结论
平安的AI转型成功，根本上取决于三个因素：
- 体量：足够大到能养AI团队和承担试错成本
- 数据：足够多的客户数据和业务数据
- 决心：CEO级别的长期commitment，坚持十年投入1000亿
这三个条件缺一不可，也正因如此，平安的模式”可参考但不可复制”。
更现实的AI转型道路是：选择一个确定性最高、ROI最清晰的场景（如理赔自动化），深度优化，而不是一上来就想”全栈AI”。
体现的打法
参考来源
- 平安2024年年报及科技投入数据
- 《平安的AI转型10年》——平安科技CEO陈心颖的演讲
- 平安好医生、一账通、智慧城市的公开融资和运营数据
- 行业研究报告：中国保险科技白皮书（2024）
- 马明哲历年股东大会演讲
更新日志
- 2026-03-17 v2.0 重写：扩展至全栈AI四层布局，新增OneConnect和医疗AI两个踩坑教训，补充Mars视角的反共识洞察，标题调整为”22亿次AI服务”以突出规模量级，目标受众精准为AI企业家和商业决策者
AI 草稿——待 Mars 确认
本文基于公开信息编写，OneConnect私有化、医疗AI商业化困难等结论需要进一步验证。欢迎补充与修正。