如今,采用创新技术激发创新、推动数字化转型、实现降本增效已成为企业共识。但入局时缺乏明晰的数字化转型顶层规划,或因过于关注技术本身而忽视了与业务需求的紧密结合,导致许多企业在技术上投资巨大却并未实现预期效果。
数字化转型之道多歧路,如何避免“技术滥用”带来的数字化风险,真正实现“技术促生产”的高效创新?中荷人寿保险有限公司(简称“中荷人寿”)作为一家将科技赋能写入新发展格局的寿险企业,通过携手IBM,利用其独特的车库创新方法IBM Garage,引入AI赋能的流程挖掘产品IBM Process Mining,树立了以AI赋能的业务自动化来推动创新、实现降本增效的保险行业数字化转型标杆。

“道”相同,相与为谋
根据原中国银保监会《关于银行业保险业数字化转型的指导意见》的数字化转型工作要求,以及公司“三五规划”的战略发展需要,中荷人寿于2022年底制定了数字化转型五年规划及2023年数字化建设方案,成立了统筹管理公司数字化转型工作的数字化转型办公室,并把“流程精益”作为公司2023年规划中的基础工程,旨在通过流程相关的方法论、制度、工具的建设,持续加强公司全方位流程管理能力,同时避免走弯路、投入无谓的成本,并为持续的数字化、智能化建设打好基础。
利用IBM车库创新方法,中荷人寿数字化转型办公室对公司流程现状进行梳理及分析,发现各项业务流程缺乏端到端视角、流程管理手段亟待丰富,需要找到一种基于现实的流程优化和自动化工具,以快速锁定流程问题,并持续解决跨部门、跨系统的协同问题,从而优化管理机制以降本增效、规避风险。
针对以上问题,中荷人寿决定启动“超级自动化”项目,通过开展一系列与流程相关的平台、技术、产品的长期建设,实现跨部门、跨系统的业务流程协同和重塑优化,达到有效降低人力成本、提升作业效率、优化管理机制和规避业务风险的目标。
中荷人寿不仅将数字化视为技术层面的革新,更富有远见和负责任地将其提升到战略与价值观的高度,以客户价值为核心,注重长期发展与创新,并以客观数据为基础进行决策,确保技术应用的合理性,防止数字化技术的滥用。以此为前提,经过严格程序,中荷人寿选择了IBM作为其在流程领域探索数字化创新与转型的合作伙伴。
中荷人寿相关负责人表示:“在流程建设领域,IBM与中荷人寿可谓志同道合。在与IBM的前期沟通中,我们发现IBM提出的为客户创造价值的超自动化流程解决方案,与中荷人寿创新共赢的价值观高度契合。IBM不仅能为我们提供能够符合我们业务需求的技术平台,更为我们提供将技术高效转化为业务价值的创新方法论,这正是我们数字化转型长期路线发展极为需要的能力。”
中荷人寿流程挖掘平台开创业界先河
2023年,中荷人寿超级自动化(一期)项目开展流程挖掘基础建设,基于IBM Process Mining产品,并在试点场景引入机器人流程自动化(RPA)产品,快速提高流程效率和质量,以最优的成本整合系统资源、打破数据孤岛。第一期项目重点围绕三个流程进行优化操作,包括理赔、核保及根据前两个项目的成果选择一个复杂审批流程,充分实践并完善基础方法论。
流程挖掘被誉为“企业核磁共振”,能够快速找到企业流程“病因”并开出有效“药方”。IBM Process Mining作为流程挖掘的杰出产品,能够利用企业ERP、CRM等业务系统的数据,通过人工智能和数据驱动的洞察力,实现对企业流程的全面透视,精确地找出效率低下的问题所在。IBM Process Mining还能根据问题的重要性和企业预期投资回报率,划分自动化改进的优先级,通过触发纠正操作或生成RPA机器人,推动流程的持续改进。借助这项技术,企业能够更快速、更明智地做出流程改进决策,预计可以将处理时间缩短70%,并实现高达176%的投资回报率。
目前,中荷人寿超级自动化(一期)项目正在稳步推进当中,并取得了以下阶段性成果:

通过本期项目,中荷人寿确定了优化具体业务的具体措施。这些具体措施的落地除了RPA的辅助外,还需要基于AI的知识库、基于AI的理赔案件分类等数字化技术的赋能。
IBM认为,企业的数字化转型是一个长期而持续的迭代过程,需要与其业务战略相匹配的价值观、方法论、技术平台与工具。IBM兼具丰富的企业数字化转型经验与技术专长,聚焦客户价值,不仅拥有如IBM Garage车库创新这样独特敏捷高效的方法论,也有极为丰富、落地和领先的技术平台与产品,可以帮助客户做出符合业务需求的技术、平台和路径选择,帮助他们扫清障碍,提升数字化转型的成效。IBM项目负责人表示,“此次以流程挖掘为起点,借助IBM的创新方法和成熟领先的产品,能够助力中荷人寿以AI赋能的业务自动化来推动创新、实现降本增效,树立保险业数字化转型的标杆,我们感到非常荣幸和骄傲!”
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。