AIG 与 AI 辅助保险的运营成本

摘要

• AIG 公开说明其 AI 项目覆盖核保、理赔、投资组合分析、企业本体和编排层。该披露界定了能力范围与战略方向，但并未披露完整的私有架构地图，也不能证明其生产环境可靠性。
• 在 AIG Assist 核保与 AIG Assist 理赔中，最终决策仍由人工权威承担。核保员和核损人员仍需解释证据、消解歧义、适用保单条款，并处理关键例外情形。
• AIG 披露了更高的提交量、更好的提交转承保比，以及若干理赔流程阶段的缩短。这些数字属于第一方经营披露，不应当被当作独立基准，也不应直接证明某一模型导致了具体客户结果。
• 长期性成本主要集中在模型之外：文档入库、企业本体维护、访问控制、工作流集成、复核、可审计性、网络安全、隐私、韧性、供应商管理、发布纪律和回滚能力。
• CyberMatics 和 IntelliRisk 显示 AIG 的技术触点并不局限于生成式 AI。风险评分、仪表盘、合作方遥测和理赔数据各自带来关于数据来源、产品可靠性和客户使用的独立问题。
• 一个可持续的运营案例应把模型能力、生产可靠性与客户结果区分开来；衡量例外队列和纠错工作量；保留人工否决路径；进行恢复能力演练；并保留可重建决策依据的证据。

American International Group, Inc.，通常称为 AIG，是一家全球保险组织，其技术决策涉及核保、理赔、风险工程、保单行政、经纪分销、网络安全服务和跨国运营。正因为该范围广泛，AIG 成为讨论人工智能一个常被忽略问题的有用案例：演示结束后，AI 辅助保险服务实际成本是什么？

AIG 的 2025 年年度报告提供了其战略方向的罕见且直接的公开说明。报告提到 Underwriting by AIG Assist、在理赔中的相关能力扩展、企业本体、具名技术合作伙伴以及编排工作的推进。AIG 还公开了安全、漏洞、隐私和韧性披露，以及 CyberMatics 和 IntelliRisk 的产品页面。结合这些材料，能支持对运营边界的详细分析 [S03][S04][S09][S10][S11][S12][S13][S14]。但这些披露并未揭示全部内部模型、控制、供应商、人员规模或系统依赖。

核心结论是：模型能力只是第一层。生产可靠性依赖于当前数据、稳定的接口、受控访问、可观测的工作流、人工复核、安全失败与可恢复性。客户结果取决于保险决策、沟通和补救是否对相关方正确。一个流畅的模型可以帮助整理提交材料，却仍会留下大量工作来确保权限、准确性、公平性、韧性与问责。

1. 实体与全球保险边界

本文对象为 American International Group, Inc. 的当前 BTW 目录对象 [S01]。AIG 的公司材料描述其为通过子公司、关联公司、许可、授权和网络关系运营的全球保险组织 [S02]。全球法律实体识别码基金会记录提供了独立的法律实体引用 [S17]。这些来源确定了本文采用的公司边界，但并不意味着每项 AIG 品牌服务都共享同一法律实体、同一技术栈或同一控制环境。

该区分在保险业务中至关重要。一个全球品牌可能涵盖受监管承保机构、服务公司、分销安排和本地业务。某项保单可能由某一主体承保，而技术、数据或理赔支持来自另一主体。客户可能接触到覆盖多类产品的门户，但仍面临产品化的保单条款与司法辖区规则。若将技术分析视作单一数据库或单一应用，就会遗漏这些边界。

目录摘要有助于明确范围，但不足以替代最新法定文件。AIG 的 2025 年 Form 10-K 是业务与风险披露的权威公开文件 [S05]。投资者关系页面列明了当前报告材料 [S08]。这些记录有助于将技术分析放在一个大型保险运营模型中进行，而非孤立的软件产品。

实体精确性同样约束性能表述。一条核保方案的描述不能自动外推到全部险种、区域或子公司。复杂商业险中的理赔流程可能有与其他流程不同的证据要求、后果、时效要求和例外路径。网络风险服务可能依赖与其他产品无关的合作方与遥测数据。本文因此将每一项公开结果都限定在 AIG 提供的上下文内。

实务上，必须建立所有权地图。对每个 AI 辅助工作流，运营方需要明确哪个法律与业务主体对决策负责、哪个系统持有权威记录、适用何种保单条款、数据可流转到何处、谁处理例外、由谁回答客户。该地图属于运营控制。若缺失该地图，技术上看似合理的输出可能会越过其权限边界。

2. 核保、理赔与风险服务的运营范围

保险是在对不确定事件的不完整证据基础上做出具有财务与法律后果的决策。核保评估拟承保风险并确定条款。理赔用于解析保单文本和事件损失事实。风险工程与网络安全服务可协助客户理解和降低敞口。每个领域都可能受益于更快的信息处理，但也带来了不同的可靠性压力。

AIG 年度报告将 AI 视为横跨核保与理赔的端到端计划的一部分 [S03][S04]。其产品页面补充了其他数字化触点。CyberMatics 被描述为一个利用合作伙伴信息更新网络成熟度画像并提供评分与建议的流程 [S13]。IntelliRisk 被描述为一个风险管理信息系统，包含理赔数据、仪表盘、检索和报表 [S14]。因此，AIG 的技术关系涵盖了内部辅助、面向客户的信息服务、合作方数据交换与受监管的保险决策。

这些触点不能归并为单一的采纳率指标。核保员可能将提取的提交字段作为辅助工具。核损人员可能借助系统更快定位保单文件。风险经理可能查看仪表盘。网络合作方可能将客户遥测转译为定义问题的答案。每个工作流均有不同的真相来源、后果、时效要求和例外路径。

运营成本紧随上述差异。核保需要文档分类、字段来源、承保偏好规则与转交路径。理赔需要保单版本管理、条款解释、损失文档和升级机制。风险仪表盘需要数据刷新、权限、对账与解释能力。合作方供给的网络服务则需要接口治理、授权边界、质量检查和争议处理。通用模型或平台可减少重复基础设施，但并不会消除领域级控制。

因此，不能仅以模型读取的文档数量评判 AI 保险计划。该系统必须适配由保单条款、受监管主体、专业判断和客户沟通共同构成的业务流程。AIG 公开材料支持其拥有较大规模的计划，但并未证明该计划存在统一架构或跨全局一致的可靠性评分。

3. AIG 公开披露的 AI 战略

AIG 2025 年年度报告表示，公司在核保和理赔中应用 AI，正在构建企业本体并发展编排能力 [S03][S04]。报告指出了与 Palantir、Anthropic、AWS 和 Google 的合作关系，并强调了核保纪律、可审计性、监管清晰度与人工监管。该叙述使其运营方向尤为可见。

企业本体尤其关键。AIG 将其定义为共享的概念、流程、数据元素与工作流框架。实务上，这意味着 AI 层不能脱离保险数据含义而存在。保额、免赔起点、背书、投保地、理赔通知或经纪人提交并非只是字符串，而是有定义、来源、生效时间、与其他记录关系及在特定流程中的后果。

编排层进一步增加了另一个维度。AIG 表示该工作用于定义自动能力何时触发、可访问哪些信息、任务如何排序及何时需要人工监管 [S03][S04]。这不仅是模型能力问题，而是权威与控制问题。编排层可使工作流更连贯，但也成为需要治理访问、排序、重试、超时和升级的关键区域。

公开披露的合作伙伴关系说明了依赖关系，而非完整架构图。公开材料未披露全部服务边界、模型版本、合同、数据路径或回退方案。不能推断每个合作方都参与了 AIG 每条工作流，也不能据此认为披露出的某一模型能力决定了 AIG 端到端产品的可靠性。

由此可见，相关的成本项清晰可见，即使私有细节不可见。AIG 需要维护共享定义、控制访问、连接权威系统、观察行为、复核输出、管理变更并保留证据。合作方服务需要供应商监督和退出计划。人类使用者需要培训与可质疑输出的通道。合规与审计团队需要区分“系统建议内容”和“授权人员最终决定”。

战略可以是清晰一致而细节并非全部成熟。公开证据支持方向与部分已部署能力，但并未表明编排已在所有产品全面完成，本体概念全部稳定，也未证明每个 AI 辅助工作流具有相同质量。稳健评估应保留该不确定性。

4. 核保辅助与非结构化提交

AIG 将其核保辅助计划描述为使用大语言模型处理以多种非结构化形式到达的数百份文档，提取关键字段并为核保人员准备材料 [S15]。年度报告指出 Underwriting by AIG Assist 已扩展，并在特定情境下给出提交量和提交转承保比的第一方数据 [S03][S04]。技术上更关键的问题是：围绕该提取能力还必须建设什么。

提交文档可能包含冲突日期、重复的时间表、扫描页、表格、手写批注、背书记录和历史通信引用。第一类失败模式不一定是最终裁决错误，它也可能是漏页、字段归属到错误投保人、旧值被当作当前值，或将不确定信息误当结论。可靠提取必须提供来源可追溯性。核保员应能看到字段来源及系统是否对其进行了转换。

第二个要求是对账。提交材料可能与保单行政记录、经纪人数据或外部来源存在冲突。自动化可提示差异，但不应悄无声息地替代权威。部分冲突需要向经纪人澄清，另一些则揭示了录入缺陷。结构化例外队列是产品组成部分，而非产品失败的自证。

第三个要求是适配工作流。核保员需要在正确时间获取正确粒度的信息。过多告警会重现系统原本要降低的负担。压缩摘要可能掩盖关键排除条款。生成说明可能在来源不清晰时听起来十分确定。复核控制应与事件后果成比例，并允许用户从摘要跳转到证据。

AIG 报告其项目使更多提交被审阅，并称在一次部署情境下提交转承保比改善 [S03]。这些披露是有价值的第一方运营信息，但不能将其与因果关系混同。投保组合、人员规模、承保偏好、定价或流程变更也同样会影响上述指标。比值上升不等于风险选择更优或客户结果更好。

其持续成本包含文档管道、分类、光学识别（必要时）、字段映射、质量抽检、纠错记录、用户支持、模型与软件变更，以及文档类型漂移监测。价值判断应同时计入常规入库节省的时间和例外复核、纠错与治理新增的时间。只有净效应才能反映整个运营体系。

5. 理赔辅助、核定员复核与严重例外

理赔工作从索赔发生后开始，此时客户可能承压且事实仍在发展。AIG 官方说明称 Claims by AIG Assist 有助于识别与理赔相关的保单和背书，并在人工监管下支持核定员复核 [S16]。年度报告也披露了在特定部署场景下部分流程阶段的减少 [S03][S04]。这些披露可用于工作流分析，但不能当作全量服务保障。

识别保单是一个有法律边界的检索问题。适用保单可能包含背书、附件、除外责任和修订。版本差异很关键。系统可正确检索到文档，但该文档条款与损失事实关系仍可能存在争议。辅助工具可减少检索工作量，但核定员仍承担解释与沟通责任。

理赔还包含严重例外。网络事故可能伴随事实变化、外部专家参与和紧急处置。灾害事件可能同时产生大量理赔、受损设施和不完整文档。地缘政治事件可能带来制裁或辖区问题。一个训练于常规模式的模型在后果最高的时刻可能最不可靠。

安全运营要求存在权威层级。权威保单记录和经核实的理赔事实应高于生成式摘要。系统应暴露不确定性，而非用自信语言掩盖不确定。关键范围内的理赔裁决必须复核，并保留所用证据记录。当文档缺失或系统降级时，工作流应提供明确的人工备选路径。

人工监管不仅是一个批准点击。核定员需要时间、相关经验，并且需要能够反驳建议。监管者需要异常量、重复纠错和滞留案件的信号。法务、合规、欺诈、网络响应或专业团队可能需要被升级处理。客户沟通应区分“初步步骤”与“最终裁定”。

因此，AI 辅助理赔的成本包括例外工单、保单版本控制、来源链接、访问限制、质量复核、服务恢复和培训。加快送达核损处理可产生价值，但客户结果仍取决于正确的条款分析、及时沟通与适当补救。内部阶段时长缩短不单独证明客户结果。

6. 本体、数据契约与集成成本

本体旨在在数据与工作流间建立共享语言。对保险机构而言，这可减少业务单元与系统间的歧义。它也会成为重大维护负担。每个概念都需要定义、所有者、关系和变更流程。若两个系统以同名标签表达不同含义，AI 层可能会放大该不匹配。

AIG 年度报告将本体工作与核保、理赔、投资组合分析及战略交易关联 [S03][S04]。该范围使集成成为核心。收购或更新组合中的数据可能遵循不同约定。保单与理赔记录可能跨越多年。经纪提交往往采用自身结构。共享业务模型可帮助比对这些结构，但前提是映射决策明确且可逆。

数据契约应定义必需字段、允许值、时效、来源路径和失败行为。还应说明当来源延迟或缺失时的处理方式。一次成功接口调用并不等于完整业务记录。字段可在语法上有效却在语义上错误，因而需要业务级校验。

变更会产生二阶效应。重命名概念会改变检索、报表和访问规则。增加关系可能把信息暴露给此前无需该信息的工作流。新模型可能改变对旧文本的解释。合作方接口更新可能改变字段覆盖范围。版本管理应能还原某项决策时生效的定义与软件版本。

集成还带来时延与可用性依赖。核保可容忍特定富化源延迟不同于紧急事件下的理赔入库。回退方案可让工作在信息减少时继续，但用户需要知道当前处于何种模式。重试动作不能导致重复建档或重复推进案件。未知状态应依赖对账而非乐观处理。

长期可持续工作包括模式治理、映射复核、数据质量监控、沿袭关系、权限、迁移、测试、发布协调与旧接口退役。这些成本可通过跨工作流复用得到回报，但在模型算力下降时并不会消失。很多企业里，共享语义与集成层既是最难建设的资产，也是最难替代的依赖。

7. 编排、权限与人工复核

AIG 公开的编排描述聚焦于触发、信息访问、任务顺序和人工监管 [S03][S04]。这恰是正确设计问题，因为即使每个组件在各自范围内表现良好，自动化工作流仍可能引入风险。

触发定义辅助何时启用。常规商业提交可激活自动提取，而新颖或敏感案件可能需要其他路径。理赔工作流可能利用辅助定位文件，但不以其作最终裁决依据。资格规则需要所有者、版本管理与监测；过于宽松会让系统进入未设计处理的案例，过于严苛会导致用户绕过系统。

访问定义信息边界。用户可见某记录并不意味着每个自动组件都应获取该信息。最小权限应基于用途而非身份。敏感的理赔、健康、就业或安全信息需要额外限制。访问应可记录、可复核，并在角色变更时及时吊销。

任务顺序定义依赖。决策前生成的摘要在所有文档到齐前可能过时；下游任务可能基于未经核实字段执行；重试可能产生重复工作。编排应显式表示前置条件和不确定状态，并支持暂停、升级和回退。

人工监管定义权威。审阅者需要足够上下文与可操作选择。如果界面让接受变得容易、让挑战变得困难，那么名义上的人工环节只带来形式控制。复核质量会在高负荷下下降。监测应同时关注否决、纠错、升级、用时和重复失败模式，而不仅看完成量。

运营成本包括策略设计、访问管理、队列治理、可观测性、培训、质量抽检和事故响应，也包括跨职能工作流的组织协调。它不是附属开销，而是保险机构在能力跨越核保、理赔、数据与风险边界时维持问责的基础。

8. 已报告流程成效与独立证据

AIG 年度报告提供了多项关于其 AI 辅助工作的量化表述 [S03][S04]。其披露包括在某一 Lexington 场景下的提交量与同比变化、部署后的提交转承保比改善，以及已部署能力中部分理赔流程阶段缩短。由于这些披露说明了运营边界，因此具有价值，但仍属于第一方报告。

第一条原则是保留分母。提交数量并未显示材料复杂度、风险组合或复核深度。比例变化可能受承保偏好、定价、经纪行为或业务构成影响。循环时间指标需要定义统一的起止事件。某一阶段从天到小时并不意味着整个理赔已同步更快完成。

第二条原则是区分相关性与机制。AI 辅助提取可减少人工收集，但更完善的数据、改进的流程、更多人员或定价调整也可能共同作用。可信评估应描述并行变化，并建立适当基线。本文不将所报改进单独归因于模型。

第三条原则是评估质量与尾部风险。处理提速有价值，但纠错工作可能上升。更多被复审提交可带来机会增加，但低价值量也可能消耗注意力。平均值改善可能掩盖少数高影响错误。保险后果并非平均分布，评估应覆盖高影响例外。

生产可靠性需要基于运营指标进行衡量，如数据新鲜度、检索完整性、纠错率、升级率、延迟、可用性与恢复能力。客户结果需要可读性、及时性、正确适用保单条款及有效补救等指标。上述指标说明所需证据类型，而公开材料并未给出每个 AIG 工作流当前的完整分布。

AIG 披露比“AI 一定提升效率”这类泛化结论更有力度，但并非独立基准。稳健结论应受限于事实边界：AIG 称其部分工作流已达到有意义规模并报告运营改善；仍需更多证据才能比较系统、归因于单一机制或直接证明客户结果。

9. 能力与生产可靠性

能力问题在于系统是否能在定义条件下完成任务。模型可提取字段、分类文档、检索条款或总结理赔。AIG 公开材料支持上述能力类型 [S03][S15][S16]。生产可靠性关注的是完整服务在当前数据、正确权限和安全失败处理下是否稳定运行。

差异在于，正确的模型响应可能被置于不可靠的工作流中。来源文档可能不完整，接口可能返回旧版本，访问规则可能有误，输出可能未到达合适的复核人员，队列可能静默阻塞，发布可能改变行为，回退可能未保留重建决策所需证据。

可靠性是多维度的。只有可用性而无正确性会加速错误扩散；正确性而无时效会让信息失效；阻断合法工作的安全系统会产生运营损害；快速摘要若遗漏关键背书可能比更慢的人工复核更差。服务目标必须根据后果设定。

因此监测应覆盖任务链，而不仅是模型。运营方应知道输入是否完整、期望证据是否出现、输出是否经过复核、例外是否闭环以及权威记录是否正确更新。模型级评估仍有价值，但只是端到端控制中的一环。

恢复能力是可靠性的组成部分。AIG 的企业韧性披露提到连续性、技术恢复、事件管理、演练和监控 [S11]。AI 辅助工作流应与该框架兼容。依赖项故障时，用户需要明确的降级模式。自动化与人工队列之间的工作不应消失。恢复后的数据应在恢复正常处理前完成对账。

公开来源未给出 AIG AI 计划单一、通用的可靠性分值。对这一缺口不能以猜测填补。分析应形成一组要求：可观察依赖、当前数据、明确权威、安全降级、经过测试的恢复机制，以及跨变更保留证据。

10. 生产可靠性与客户结果

客户结果的定义比可靠运行更宽。一个服务可持续可用，却仍可能适用错误保单；它可检索到正确文件，却沟通不清；它可缩短内部处理，却让受影响方更困惑。保险涉及法律、合同和人类维度，不能压缩为模型分数。

在核保场景，客户结果可能体现在及时且可理解的条款、信息处理的恰当性、以及纠错渠道的可靠可达；在理赔场景，体现在准确的范围判断、清晰沟通、支付或其他补救，以及在困难事件期间的支持。测量标准应依产品和上下文区分。

AIG 当前的理赔说明强调人工监管与核定员作用 [S16]。这个边界很重要。AI 辅助可缩短文件处理，但结果仍取决于专业判断、证据与沟通。灾害或网络事件会引入专业团队与外部方协同。系统的价值在于支持该工作，而不是替代其问责。

客户结果证据也要看分布。平均值可能掩盖特殊保单历史、可及性需求、身份争议、多国安排或高额损失等案例。例外渠道决定这类案例是否得到有意义复核。低升级率可能意味着运营良好，也可能意味着用户难以获得支持。

财务表现离单一技术更远。AIG 投资者材料提供了运营背景 [S08]，但核保收入、比率或回报受定价、风险筛选、理赔经验、再保险、资本与市场条件等多方因素影响。将公司级财务结果归因于单一 AI 工作流不符合边界约束。

实践中的治理规则很直接：将能力、生产可靠性与客户结果单独报告，并通过明确机制连接它们，但不要合并为单一成功标签。该框架能让管理层判断处理速度提升是否伴随稳定质量、可控例外和恰当客户处置。

11. 网络安全、漏洞处理与韧性

AIG 公开了网络与信息安全页面、漏洞披露计划以及企业韧性披露 [S09][S10][S11]。这些材料界定了公共控制边界，但不公开私有防御架构。它们也说明了 AI 运营成本为何不能与安全与持续性解耦。

漏洞计划建立了一个结构化渠道，用于研究人员提交可复现问题并接受审查 [S10]。这一路径本身会产生成本：接收、验证、严重性评估、归属、修复、沟通与结案。报告可能不完整或重复。一个可疑问题会影响多个服务，纠正行动可能需要与供应商协调。公开计划本身是能力，但其可靠性取决于流程表现，而这并非完全可见。

AI 辅助服务扩大了攻击与错误表面。敏感数据可能在不当上下文出现；检索内容可能含恶意或误导信息；身份或权限缺陷可导致信息泄露；依赖变动会改变行为。安全控制必须覆盖数据流转、访问、软件供应、配置、监测与响应。

韧性要求为中断做准备。AIG 表示其项目覆盖业务连续性、技术灾难恢复、事件管理、影响评估、测试、演练、培训与管理汇报 [S11]。它也提到持续监控中心。这些是第一方计划描述，并不意味着每种场景都能在约定时间内完全恢复。

对 AI 辅助工作流而言，连续性应定义安全降级方式。核保与理赔应有经批准的人工路由；当动作无法确认时，系统可转为只读。队列应保持顺序与所有权。恢复后应对中断期间完成的工作进行对账。关键证据应在辅助层不工作时仍可访问。

演练应加入依赖与数据故障的现实组合，不应只演练整体中断。来源可能返回陈旧信息；模型服务可能表面上可用但质量已变；身份系统可能部分可用；区域事件可同时带来技术中断与理赔激增。此类混合情形检验的是权威与沟通是否始终一致。

12. 隐私与持续数据生命周期

AIG 公开隐私政策描述了广泛的信息生命周期 [S12]。保险数据可包含身份、联系方式、保单、理赔、财务、就业、健康或安全信息，具体取决于服务。公开政策并未披露全部内部数据集，但确立了持续承担收集、使用、披露、保护、转移与个人权益义务的边界。

AI 辅助工作流可能提高数据复用率。用于核保的文档可能被用于投资组合分析；理赔文本可改进检索或分类；合作伙伴遥测可支持网络风险评估。技术可行性并不自动定义新用途是否适当，目的、告知、法律依据、合同与预期仍然关键。

数据最小化是运营要求。工作流应提供任务所需信息即可。宽泛的文档库便于检索，但会放大暴露面。脱敏或字段级访问可降低风险，但需准确与持续维护。敏感信息不应在日志或二级系统中无定义复制。

留存与删除也是系统行为。记录可能受法律或监管留存要求约束，而临时工作数据未必如此。模型交互可生成包含同等敏感事实的衍生文本。删除源数据但保留衍生副本未必满足预期控制要求。数据地图应覆盖缓存、索引、分析与恢复副本。

权利与更正会形成例外场景。个人可能在适用场景下对信息提出挑战或索取访问。组织需定位相关记录、理解来源路径，并避免不完整传播更正。企业本体可帮助关联记录，但若治理薄弱，也可能将错误关系扩散。

隐私成本包含分类、权限、复核、记录管理、传输控制、供应商条款、申请处理、事故响应与变更评估。它应计入 AI 业务案例。更低的模型成本不等于减轻组织需明确其接收何种数据、为何接收及可否更正或删除的义务。

13. CyberMatics 与 IntelliRisk 的能力边界

CyberMatics 与 IntelliRisk 表明 AIG 技术计划既包括内部辅助，也包括面向客户与合作方的产品界面 [S13][S14]。它们进一步说明了为何必须把产品能力与生产可靠性分离。

AIG 将 CyberMatics 描述为利用合格安全合作伙伴信息更新网络成熟度画像，并输出评分、建议与建模。页面指出合作方会将客户数据转译为定义的问题答案，并说明 AIG 在该过程不接收原始客户数据 [S13]。这是重要的公开边界。

该设计仍产生问题：合作方采集与翻译需质量控制；评分需定义版本与解释机制；建议可能在客户环境变化时变旧；仪表盘可用性与访问权限需治理；客户可能对输入或优先级推断提出异议。公开页面未给出告警准确率、完整性、采用规模或避免损失的成效。

IntelliRisk 被表述为跨多国使用理赔数据、提供仪表盘、检索、报表和风险管理信息的系统 [S14]。其价值取决于数据新鲜度、定义一致性、权限管理与对账质量。趋势图可技术上正确，但可能拼接不可比口径；检索可返回记录，但可能遗漏刚加载的理赔。用户支持与数据质量纠正同样属于服务组成。

这些产品也展示供应商与地域复杂度。数据可来自多个系统或国家，角色在客户、经纪、风险经理与 AIG 员工之间差异化。适合某一角色的功能，可能向另一角色暴露过多。合作方接口或理赔模式变更也会影响客户端结果。

运营案例应衡量的，不仅是登录量或展示评分。更有价值的证据包括刷新时效、完整度、纠正时间、未解决例外、访问复核结果、支持需求与工具驱动的决策情况。这些是评估口径，而非对 AIG 私有指标的断言。

更广泛的结论是，AI 与分析嵌在具有持续服务义务的产品中。评分模型、仪表盘或文档助手可在模型层表现突出，同时其外围产品持续维护可能很困难。相关成本属于端到端服务，而非单一模型。

14. 合作伙伴依赖与供应商治理

AIG 年度报告在 AI 战略中明确了多项技术合作关系 [S03][S04]。CyberMatics 在产品上下文中列出安全合作方 [S13]。公开披露并未揭示全部合同与技术细节，也不能据此假设每个合作方参与每条 AIG 工作流。

供应商依赖具有多层次。基础设施会影响可用性与数据位置；模型服务会影响行为、容量与策略；数据合作方会影响完整性和时效；软件平台会影响本体、集成或可观测性。每项依赖都需要所有者与服务边界。

签约只是必要但不充分。运营者还需知道变更如何通报、访问如何吊销、事故如何协同处理、数据如何恢复。某供应商可满足其服务目标，但保险机构的端到端流程仍可能失效。因此监测应覆盖业务结果，如队列推进和记录对账，而非只看供应商状态。

模型依赖带来变化风险。版本升级可能提升通用能力，但改变专用任务行为；容量瓶颈可在突发峰值出现；安全或政策调整会影响输出。验收检查应绑定 AIG 的受控用例。高后果工作流需要回退机制和明确的停止自动辅助时机。

集中度可能被隐藏。多个产品可能共用同一身份体系、云区域、数据平台或通信服务。独立仪表盘可能让应用看似分离，实际上单一依赖形成联通。反之，全线重复服务也会造成控制不一致和高维护。架构需把这种权衡显性化。

退出计划也是成本的一部分。数据需保持可移植格式和既有含义。历史决策需可读证据。替代工作流需经过测试。员工需时间完成迁移。更换时可能需要重映射企业本体并重新培训。替代并非应急采购动作，而是当依赖转为紧急时已具备的能力。

15. 维护、发布与模型生命周期

AIG Form 10-K 将技术、网络安全、数据、模型、第三方、运营和连续性识别为风险领域 [S05]。年度报告又描述了 AI 的快速发展 [S03][S04]。二者共同支持生命周期视角：服务必须随模型、软件、数据和业务规则变化持续维护。

发布纪律从范围界定开始。变更可能影响提取、检索、排序、摘要、访问、路由或用户界面，每项都有不同失败模式。模型更新可改变输出而不改界面，企业本体更新可一次影响多个工作流，新增数据源可改善覆盖同时引入不一致值。

测试应反映实际任务与后果。一般语言质量不足以检验保单检索和理赔复核。评估应使用代表性文档、罕见但高影响案例、格式变化和已知歧义案例，检查不支持的断言、遗漏、来源可追溯性与升级行为，且需与定义清晰的先前版本比较。

发布还需可观测性与可逆性。团队应知晓案例由哪个版本处理、当时启用的是哪些数据定义。发布应包含停止条件；若纠错或升级率上升，运营方需缩窄或回滚变更。回退不应无声丢弃工作，也不应留下无法追踪的决策。

维护成本还包含人的环境。能力变更后用户需更新指引。复核人员在输出改善后可能过度自信；新入职员工需要培训，掌握权威与升级机制。支持团队需明确所有者。合规与政策审查必须与产品演进同步。

退役常被忽视。旧接口与模型可能因下游仍依赖而保留。并行路径会产生行为不一致和安全暴露。退役需要依赖发现、记录保留、迁移与沟通。节约下来的许可或算力成本通常小于安全清除旧路径的工作量。

因此，相关经济单元是生命周期，而非单次模型调用。采集、集成、评估、监督、事故响应、变更与退役均属于成本。AIG 的规模使复用具有价值，但也放大了共同依赖出现问题时的影响。

16. 失败模式、升级与例外处理

故障模式分析能将宽泛技术战略转化为可执行的运营方案。AIG 的年报、安全页面、漏洞处理路径、韧性披露与理赔说明提供了多类公开类别 [S05][S09][S10][S11][S16]。它们未公开私有事故历史或精确控制表现。

输入失败包括缺失、重复、过期或矛盾的文档。提取失败包括字段遗漏、关系错误或不受支持推断。检索失败包括检索错版本保单或不完整背书集。工作流失败包括错误路由、重复动作、队列停滞或状态不确定。访问失败包括过度放行或合法用户被阻断。

人为失败仍然可能发生。复核人员可能过快接受看似合理摘要；高负荷队列可能延迟升级；高峰时段专家不可用；政策解释可能不一致；培训可滞后于发布。自动化可以更快推进流程，却未必提升问责可见度。

依赖失败包括故障、时延、容量、行为变化、数据损坏或通知不完整。安全失败包括未授权访问、恶意内容、软件漏洞或敏感信息泄露。韧性失败包括未演练的回退、恢复期间工作丢失或人工流程无法承载突发量。

结果失败可能在技术正常运行时仍出现。规则本身可能不当；沟通可能不清晰；客户可能无法触达有效纠错渠道；即使技术决策正确，也可能带来严重下游后果。因此监测应包括投诉、纠错与补救情况，而不仅是系统健康。

例外处理需要明确队列、所有权、优先级与老化。案件应附带足够上下文以便复审。升级应可执行且不得丢失原始证据。重复例外应用于产品改进，而非孤立支持工单。严重案例需跨部门联动。

该成本不是业务模型缺陷，而是在不确定性下安全运行的代价。有效自动化可减少例行负担，但可能提高高阶复核的重要性。领导层应比较部署前后总队列：减少的例行工作、增加的监控、产生的纠错和处理的高后果例外。

17. 技术买方与运营决策框架

AIG 公开记录支持一个结构化决策框架。第一问是能力：系统在何种来源、何种权限下执行具体任务？核保提取、理赔检索、网络评分和风险仪表盘应各自有独立定义。

第二问是生产可靠性：端到端服务要正常运行，需要哪些条件？需识别权威系统、数据新鲜度、访问、接口、队列行为、延迟、监测、恢复与回退，并定义系统如何暴露不确定性及用户如何回到证据。

第三问是客户结果：保险对象、经纪人或索赔人的变化是什么，如何衡量？应保留基线与上下文，区分内部阶段时长和完整解决周期。关注高影响例外，不仅看平均值。不得仅凭采纳率或财务表现推断客户收益。

第四问是监管。需明确授权复核者、必审案例、可访问证据和异议通道。应测量纠错和升级。避免高吞吐量让有意义决策变成符号化点击。

第五问是集成与维护。列明数据契约、企业本体概念、依赖关系、版本与负责人。预算中应包含映射、测试、监测、支持、发布、回滚与退役，以及隐私、安全、韧性和供应商控制。

第六问是失败与恢复。枚举输入、模型、工作流、人工、依赖、安全与结果失败模式。为每种模式定义检测信号、责任人和安全动作，并演练部分可用与高峰混合情境。恢复后应对工作进行对账。

第七问是可逆性。AIG 能否收窄能力、停止使用并回到受控人工流程，同时保留证据？能否在不丢失记录语义的情况下替代供应商？能否说明某一决策由哪个版本贡献？可逆性本身是一项运营资产。

该框架并不否定 AIG 披露的进展。它将进展置于全球保险机构所需的上下文中。公开材料显示 AIG 在将 AI 与数据、工作流和人工监管连接方面有扎实投入。剩余任务是持续证明：能力是否转化为可持续可靠产品，以及产品是否在不隐藏监督与例外成本的前提下实现了适当客户结果。

结论

AIG 的公开披露为已部署的 AI 辅助核保、扩展中的理赔应用、企业本体建设和演进中的编排层提供了可信证据，也提供了相当明确的第一方运营指标。该记录足以表明 AIG 已超出单一演示阶段。

但这不足以对该计划给出单一可靠性评分、独立基准或直接归因的客户结果。AIG 报告的改进仍受产品、工作流和测量上下文限制。CyberMatics、IntelliRisk，以及安全、隐私与韧性材料显示完整运营边界远比模型本身更宽。

对技术采购方与运营者而言，关键任务围绕当前数据、保单与理赔来源可追溯性、企业本体维护、访问管理、合作方控制、人工权威、例外队列、发布纪律与审计能力。以上控制会带来持续成本，但也是把看似出色的模型能力转化为稳定保险服务的条件。

因此，正确评估既不是“AI 自动改变保险”，也不是“人工监管抹去自动化价值”。更合理的结论是条件性判断：在组织能够持续测量端到端可靠性、保留专业判断、保障例外处理和验证客户结果改善时，AI 辅助核保与理赔可降低例行处理并提升信息可达。AIG 的公开战略已指向这一方向，持续运营证据才决定其是否稳定实现。

来源

1. [S01] BTW 目录，American International Group, Inc.:https://btw.media/en/directory/american-international-group-inc
2. [S02] AIG，关于 AIG:https://www.aig.com/home/about
3. [S03] AIG，2025 年度报告页面:https://www.aig.com/home/investor-relations/aig-2025-annual-report
4. [S04] AIG，2025 年度报告 PDF:https://www.aig.com/content/dam/aig/america-canada/us/documents/investor-relations/annual-report/aig-2025-annual-report.pdf
5. [S05] 美国证券交易委员会（SEC），AIG 2025 Form 10-K:https://www.sec.gov/Archives/edgar/data/5272/000000527226000023/aig-20251231.htm
6. [S06] AIG，2026 年度代理权说明书 PDF:https://www.aig.com/content/dam/aig/america-canada/us/documents/investor-relations/notice-of-annual-meeting-and-proxy-statement/aig-2026-notice-of-annual-meeting-and-proxy-statement.pdf
7. [S07] 美国证券交易委员会（SEC），AIG 2026 年度代理权说明书:https://www.sec.gov/Archives/edgar/data/5272/000000527226000039/aig-20260331.htm
8. [S08] AIG 投资者关系:https://www.aig.com/home/investor-relations
9. [S09] AIG，网络与信息安全:https://www.aig.com/home/about/cyber-and-information-security
10. [S10] AIG，漏洞披露:https://www.aig.com/home/about/cyber-and-information-security/vulnerability-disclosure
11. [S11] AIG，企业韧性披露:https://www.aig.com/enterprise-resilience-disclosure
12. [S12] AIG 隐私政策:https://www.aig.com/privacy-policy
13. [S13] AIG，CyberMatics:https://www.aig.com/home/risk-solutions/business/cyber/cybermatics
14. [S14] AIG，IntelliRisk:https://www.aig.com/intellirisk
15. [S15] AIG，AIG 领导层讨论生成式 AI 与亚特兰大创新中心:https://www.aig.com/home/newsroom/stories/aig-leaders-discuss-gen-ai-and-atlanta-innovation-hub
16. [S16] AIG，向客户提供支持的关键时刻:https://www.aig.com/home/newsroom/stories/delivering-for-our-clients-when-they-need-us-most
17. [S17] GLEIF，American International Group, Inc. LEI 记录:https://api.gleif.org/api/v1/lei-records/ODVCVCQG2BP6VHV36M30
18. [S18] Wikimedia Commons，AIG Headquarters 照片:https://commons.wikimedia.org/wiki/File:AIG_Headquarters.jpg

图片说明：Marc Bryan-Brown 拍摄的“AIG Headquarters”于 2016 年在美国纽约 175 Water Street 拍摄，CC BY-SA 4.0，来源于 Wikimedia Commons，许可权限通过 Wikimedia VRT 记录。该照片仅提供历史性的公司建筑背景，不构成 AIG 当前总部、系统、AI 部署、人员规模、网络安全、生产可靠性或客户结果的依据。