平安健康险引入多智能体架构：AI审核准确率超96%、自动化率超70%
普惠健康险的AI竞争正从单点模型应用转向多智能体、规则引擎与人工复核协同的工程化体系，重点解决复杂医疗数据、规则维护、理赔效率和模型可靠性问题。
96%+审核准确率（披露指标）
70%+审核自动化率（披露指标）
旧范式静态规则 + 单点大模型
单一入口，协同能力有限
单一入口，协同能力有限
➜
新范式场景调度智能体驱动协作
产品创新智能承保智能理赔
传统健康险系统面临三类工程瓶颈
健康险业务的难点不只是医学识别，而是要同时处理多源异构材料、复杂保险条款和高并发长流程。
多源医疗材料
- 非结构化票据
- 手写病历
- 检查检验报告
规则维护压力
- 核保核赔审核点可达数百个
- 条款变化需要修改并回归测试
串行理赔链路
报案 → 录入 → 审核 → 理算 → 决策输出
吞吐瓶颈 成本上升 · 延迟增加 · 幻觉风险
AI承保智能体：降低带病体投保的流程门槛
围绕“一键上传、一键核保、一键咨询”设计，客户入口保持简单，后台由多个能力模块协作完成判断。
一键上传 客户入口
疾病预测模型
处理影像、检验结果和结构化健康因子，输出疾病风险概率。
医学大模型
解析病历与检查报告，将医学描述转换为可计算风险因子。
场景调度智能体
任务拆解 · 流程编排 · 能力调用
任务拆解 · 流程编排 · 能力调用
专项审核智能体
疾病分级判断
疾病分级判断
规则判断
责任边界控制
责任边界控制
汇总智能体：承保方案 + 可理解解释出口复杂医学信息转化为客户可理解的保障结果
AI理赔智能体：从规则匹配转向多Agent并行审核
理赔架构的变化主要体现在流程组织方式：总控Agent分发任务，专项Agent并行核责，汇总Agent负责冲突消解与决策融合。
传统理赔：串行转交
保单材料→规则匹配→人工审核A→人工审核B→决策
多Agent理赔：总控分发、并行核责
保单材料→
总控Agent
上百个核心核责点→
冲突消解→决策
上百个核心核责点→
专项Agent 1专项Agent 2专项Agent 3
→汇总Agent冲突消解→决策
低置信度或异常案件 → 人工复核
落地关键：状态机、检索增强与可追溯兜底
多Agent协作的工程优化，集中在确定性、长文本成本和模型输出可信度三个方面。
工程问题
采用机制
控制效果
上下文丢失与结论冲突
子智能体流转时上下文不规范
状态机 + Schema契约
明确输入、输出及流转边界
输入输出边界清晰
长文本导致Token膨胀
数万字病历造成延迟与成本上升
RAG + 关键信息前置抽取
审核智能体按需检索
降低Token与推理成本
大模型幻觉与合规风险
过度解读医嘱或医疗文本
证据溯源 + 规则兜底
低置信度回退规则或人工
可追溯、可审计、可回退
96%+审核准确率
70%+审核自动化率
样本量、案件范围、准确率定义、对照基线、人工复核比例和统计周期未披露，不宜直接等同于全业务或行业评测结论。
工程原则：生成式模型负责理解和推理，确定性规则负责边界控制，人工负责高风险和低置信度决策。
行业背景：健康险AI需要同时满足效率与监管要求
不同业务场景的错误成本并不等价，自动化率必须与准确率、人工接管率、误拒赔率、漏赔率和投诉率共同观察。
低风险｜客服问答
回答不准确 → 体验下降 → 人工转接修正
中风险｜智能承保
风险识别错误、责任解释不清 → 影响投保决策
高风险｜智能理赔
错误拒赔、漏赔或延误赔付 → 客户权益受损 → 合规争议
监管护栏：数据最小化 · 敏感信息保护 · 决策可解释 · 人工申诉 · 证据链留存
商业化意义与现实边界
多智能体系统若能保持审核质量和合规性，有望降低运营成本、缩短承保和理赔时间，但并不意味着替代所有人工岗位。
商业收益区｜绿色扩张
- 产品：慢病、家庭等细分保障
- 承保：减少材料整理与解释成本
- 理赔：缩短标准案件处理时间
- 风险：证据溯源与规则控制
现实边界区｜红色收缩
- 复杂疾病
- 材料缺失
- 责任争议
- 异常欺诈
人机协同边界可自动决策 / 必须人工复核
会议与传播背景：案例展示具有明显的技术营销属性
活动规模可以帮助判断传播场景的体量，但不应替代对系统效果的独立验证。
10大专题方向
1个动手实验室
近60场议题内容
50余位资深专家参与相关活动
传播性质：会议预热 / 企业案例展示
不等同于：第三方审计 / 行业研究报告
不等同于：第三方审计 / 行业研究报告