2026 年 8 月，AWS 披露了一家瑞士数字保险公司 Simpego 的理赔文档处理案例：过去需要理赔专员逐项录入的复杂发票，如今可在约 30 秒内转成结构化、预填充的数据，供专员复核。
这类案例容易被概括成“AI 自动理赔”。但真正值得企业管理者关注的，恰恰是它没有急着让 AI 代替人决定是否赔付，而是先改造了决定形成之前的证据准备过程。
这一区分，对很多企业级 AI 项目都很重要。
许多高价值岗位，时间并没有花在“做判断”上
保险理赔看起来是一项专业判断工作。但在判断发生之前，专员往往要处理格式各异的 PDF、手机照片、手写说明和多语言发票，识别项目、税率、金额与上下文，再把它们录入业务系统。
Simpego 面对的瑞士发票可能同时出现德语、法语、意大利语和多档增值税率。固定模板 OCR 很难覆盖不断变化的版式和输入质量。该公司因此使用大模型抽取文档内容，再通过三道机制控制质量：
AWS 与客户联合披露称，这套管线从启动到生产用了两个月，目前每月处理数千次抽取，95% 的案例无需人工介入完成转录。但同一案例也明确保留了专员的最终核验。因此，这里的“无需人工介入”应理解为文档抽取与预填环节的自动化，不能理解为 95% 的理赔案件由 AI 自主裁决。
这条边界，比速度数字更有价值。
- 用结构校验确保输出符合业务系统要求；
- 用算术校验核对明细、税额与总额；
- 由理赔专员复核预填数据，并修正抽取错误。
AI 项目可以先寻找“决定前工作”
企业通常把流程分成“人工”和“自动”两类，于是项目讨论很快变成：AI 能否替代这个岗位？
更稳妥的拆法，是把一项专业工作分为四层：
大模型在非标准材料与结构化系统之间提供了新的连接能力，但四层工作的风险并不相同。材料归集错误通常可以补传；事实抽取错误可以通过格式、算术和交叉来源校验发现；判断与行动一旦错误，则可能直接影响客户权益、合规责任和资金损失。
因此，企业不必在“只做聊天助手”和“全自动决策”之间二选一。很多项目最合适的起点，是把材料层和事实层做深，让专业人员面对的是一份可检查、可追溯、缺口清晰的决策输入，而不是一堆等待整理的原始文件。
- 材料层：收集合同、票据、邮件、图片和系统记录；
- 事实层：识别对象、金额、日期、关系和缺失项；
- 判断层：结合规则、情境和专业责任形成结论；
- 行动层：批准、拒绝、支付、签发或升级处理。
不要只交付一个答案，要交付一块“决策工作面”
如果 AI 只把最终字段填进系统，复核者仍然需要回到原文逐项寻找依据。这看似自动化了录入，却没有真正降低判断成本，还可能制造新的确认负担。
更好的交付对象不是一个孤立答案，而是一块可供人快速判断的“决策工作面”，至少包含：
这里的关键不是让模型声称自己“有信心”，而是尽可能把正确性转化为可执行的检查。例如，发票明细之和是否等于总额，可以确定性验证；同一事故日期在不同材料中是否一致，可以交叉比对；一项费用是否属于保险责任，则需要规则、上下文与专业判断。
把这些问题混在一个“准确率”里，管理者无法判断系统究竟适合进入哪一层业务。
- 结构化事实：金额、日期、主体、项目、条款等标准字段
- 原始依据：每个关键字段对应的文档、页码或图像区域
- 校验结果：格式、算术、跨文档一致性和业务规则检查
- 不确定项：低置信内容、冲突事实、缺失材料和异常输入
- 处置边界：可直接采用、必须复核、必须升级的条件
- 修改留痕：AI 初始结果、人工改动、原因与最终版本
人工复核也需要被设计，而不是简单保留
欧洲保险和职业养老金管理局（EIOPA）在一项覆盖 25 个欧洲国家、347 家保险机构的调查中发现，约 65% 的受访机构已在使用生成式 AI，但 64% 的相关用例仍处于概念验证或实验阶段；当前应用以需要人工监督的辅助模式为主。受访机构最关注的风险是错误输出，其后包括网络安全、数据保护和可解释性。
这说明“保留人工”并不是一句足够完整的治理方案。企业还需要回答：
国际保险监督官协会（IAIS）也把治理与问责、稳健与安全、透明与可解释、公平以及申诉机制列为保险业 AI 监督的核心领域。对企业而言，这意味着人的角色不能只是给自动化流程“兜底”，而应成为一个有明确输入、检查重点、升级条件和反馈去向的正式控制环节。
- 人员复核的是全部字段，还是只看异常项？
- 系统如何防止人因过度信任预填结果而快速点击通过？
- 哪些错误能被自动校验，哪些必须依靠专业判断？
- 人工修改是否回流为评测样本，而不只是被覆盖掉？
- 当文档类型、税率或业务规则变化时，谁负责更新和回归验证？
衡量价值，应看决定是否变得更快、更稳
文档处理时间从数分钟降到约 30 秒，是一个直观信号，但它仍不是完整的业务结果。企业还应继续观察：
Simpego 的数字来自 AWS、客户和实施伙伴的联合案例，且该公司从一开始就采用云原生架构，遗留系统负担较轻。其上线速度、自动化比例和处理时延不能直接外推到其他保险公司，更不能外推到其他行业。但这个案例揭示的方法具有普遍性：先找到专业判断前最耗时、最可验证的准备工作，再决定 AI 是否应该进一步靠近判断和行动。
对正在评估企业级 AI 的管理者来说，这往往比一开始追求“端到端无人化”更容易获得可靠收益。AI 不必先成为最终决定者；它可以先让每一次重要决定，都建立在更完整、更及时、更容易核验的事实之上。
- 材料进入后多久能形成可供判断的完整事实集；
- 专员平均需要修改多少字段、修改集中在哪些类型；
- 因材料缺失或事实冲突产生的往返次数是否下降；
- 从报案到结案、支付的端到端周期是否缩短；
- 错赔、漏赔、重开案件、申诉和客户投诉是否变化；
- 专员释放的时间是否真正转向复杂案件和客户沟通。
