返回实践分享
工作坊案例金融保险 · 保险从业者

AI办公赋能千行百业系列 · 金融保险

唯识数智联合千问办公举办实战工作坊,围绕保险行业正在发生的工作方式变化,从客户经营、团队协作和个人 AI 能力提升三个角度,探讨 AI 如何进入保险从业者的真实工作场景。

参与对象

保险从业者与团队管理者

演示载体

千问办公 · 保险客户经营链路

活动形式

行业赋能 · 实战工作坊

工作坊结束后的集体合影,参会者与分享嘉宾在会场前列队合影
工作坊现场全景,参会者围坐在环形灯下的开放式空间
分享嘉宾在台上讲解「从经验驱动到 AI 增强:客户经营与团队进阶新范式」
参会者围坐在阶梯座位上参与交流,主持人持话筒发言
分享嘉宾在笔记本前演示「AI 赋能下的客户经营闭环」
分享嘉宾在台上讲解 AI 落地保险的第三层:AI 原生组织,大屏展示相关案例数据
分享嘉宾在工作坊开场环节持话筒讲解,身后大屏展示活动主题

活动现场 · 共 7 张,横向滑动查看

01 · The value of a person

保险人的价值,正在从「卖产品」转向「做判断、建信任」

10 月 16 日,「千问办公 × 金融保险 AI赋能超级个体实战工作坊」在南京阿里中心举行。活动聚焦保险行业正在发生的工作方式变化,围绕客户经营、团队协作和个人 AI 能力提升展开交流。

开场分享以「AI 时代,保险行业工作方式的重新定义」为主题,从行业结构变化讲起。根据清华大学经管学院与平安人寿《中国寿险代理人高质量转型白皮书(2026)》的相关调研:

−71%

代理人规模

912 万 → 264 万人

2019—2024

+114%

人均 NBV

2.8 万 → 6.0 万元

同期变化

这组变化说明,保险行业正在告别依靠规模和人海战术增长的阶段,转向依靠专业能力和人均产能提升的新阶段。

客户获取信息的方式也在改变。客户可以通过短视频、社交平台和 AI 工具了解保险产品,但当客户真正面对家庭保障、健康风险和长期规划时,仍然需要专业人士参与判断和陪伴。

因此,保险代理人的角色正在发生变化:

  • 从产品销售者家庭风险管理伙伴
  • 从信息讲解者复杂决策陪伴者
  • 从单次成交长期客户关系经营
  • 从依赖个人经验借助科技放大专业能力

分享中提出,保险从业者需要建立「四位一体」的核心能力:

01

专业深度

理解宏观经济、保险、法律、税务和家庭风险的基础。

02

资源广度

围绕客户全生命周期,连接医疗、康养、教育、法律等外部资源。

03

科技敏度

主动使用数智化工具,融入客户诊断、方案设计、沟通交互与持续追踪。

04

价值交付力

把能力转化为客户能理解、信任并愿意行动的服务。

第一位分享嘉宾在台上讲解「AI 时代,保险行业工作方式的重新定义」,身后大屏展示相关主题
开场分享以「AI 时代,保险行业工作方式的重新定义」为主题,从行业结构变化讲起。
AI 可以承担知识调用和基础信息处理,但客户信任、责任承担、复杂决策和情感陪伴,仍然需要由专业的人来完成。

02 · Three layers

从个人提效,到 AI 原生组织

在人的价值重新定位之后,AI 在保险行业落地,可以分为三个层次。

第一层

个人提效

AI 可以成为每个代理人的「随身私教」,帮助完成计划书撰写、条款检索、客户复盘、面谈纪要整理和客户陪练,让个人拥有更强的知识调用和工作执行能力。

第二层

工作流重构

AI 不再只是一个聊天工具,而是嵌入获客、筛选、约访、面访、转化和理赔等业务流程。AI 负责信息整理、初步分析、内容生成和过程记录,人保留关键判断与授权。

第三层

AI 原生组织

组织不再只是给每个人配一个 AI 工具,而是按照 AI 可以参与的方式重新设计流程,建立数字员工、共享知识库和数据驱动的管理机制,让个人经验逐渐转化为团队可以调用的组织资产。

AI 的价值不只是让一个人更快完成一项任务,更重要的是让优秀的工作方法能够被沉淀、复用和持续优化。对于保险从业者而言,未来真正需要提升的,不只是「会不会使用 AI」,而是能否借助 AI 更准确地理解客户、更专业地完成判断,并将一次次服务沉淀为长期关系。

现场课件:AI 落地保险的三个层次——第一层个人提效(AI Copilot)、第二层工作流重构(AI Agent)、第三层 AI 原生组织(AI Native)
现场课件:AI 落地保险的三个层次——从「AI Copilot」到「AI Agent」,再到「AI Native」。

03 · Customer operations

从客户画像到长期经营

第二部分围绕「从经验驱动到 AI 增强:保险客户经营与团队进阶新范式」展开,分享 AI 在客户经营和团队协作中的实际应用方向。

传统客户经营往往依赖业务员个人记忆和经验判断。面对大量客户时,客户信息容易分散在聊天记录、会议纪要和个人笔记中,客户需求变化也很难被持续追踪。

AI 可以通过整合客户历史投保、咨询、行为和沟通记录,形成更加完整的客户画像,并持续更新客户的家庭结构、风险偏好和阶段性需求。在具体应用中,AI 可以帮助保险从业者完成:

  • 01客户信息收集与结构化整理
  • 02客户需求标签提取与分层
  • 03面谈纪要和沟通记录归档
  • 04客户保障需求变化追踪
  • 05个性化内容和服务权益推荐
  • 06客户回访、活动邀约和长期维护提醒

这意味着,保险经营的重点可以从一次性成交,逐步转向持续的客户关系经营。通过 AI 记录每一次沟通,并将客户在不同阶段表达的需求沉淀下来,业务人员能够更及时地识别家庭保障、子女教育、养老规划和健康管理等潜在需求。

AI 对团队协作同样有效。通过共享知识库、智能任务分配和经营进度同步,团队可以减少重复沟通和信息查找成本,也能将优秀从业者的经验沉淀为更多成员可以复用的工作方法。

第二位分享嘉宾在台上讲解「掌握 AI 工具应用能力:AI 客户需求挖掘」,身后大屏展示相关内容
第二位分享嘉宾围绕「从经验驱动到 AI 增强:保险客户经营与团队进阶新范式」展开,并讲解 AI 工具在客户需求挖掘中的应用。

04 · Platform in practice

千问办公如何进入保险从业者的日常工作

第三部分围绕「千问办公赋能金融业务场景」进行平台实操演示。演示从保险顾问的真实工作方式出发:在客户拜访前,先通过客户基础信息、历史沟通记录和家庭情况,形成客户洞察;在沟通过程中,记录客户明确表达的需求和关注点;沟通结束后,再将会议纪要和聊天记录整理为客户档案,并生成后续跟进建议。

现场展示了三个典型应用场景。

CASE 01

客户访前洞察

系统根据客户年龄、职业、家庭结构、历史沟通和既有保障信息,生成访前准备卡,帮助顾问快速了解客户背景、明确本次沟通目标,并提前准备更有针对性的问题。

CASE 02

客户沟通记录沉淀

顾问可以导入微信聊天记录和会议纪要,系统自动识别客户身份线索,将客户明确表达、兴趣偏好、健康沟通记录、潜在需求和后续行动分别归档,形成持续更新的客户档案。

CASE 03

活动匹配与个性化邀约

当团队创建新的客户活动后,系统可以根据客户兴趣、家庭阶段、历史沟通和活动主题,匹配适合邀请的客户,并生成自然、简洁和正式三种邀约话术。

从客户洞察到沟通记录,再到活动匹配和后续跟进,AI 参与的已经不只是某一份文档的生成,而是一条完整的客户经营工作流。

千问办公界面:客户 A 访前洞察卡,包含客户所处的人生阶段、现有保障结构概览与本次沟通建议
CASE 01 · 客户访前洞察:基于客户档案生成访前准备卡,明确本次沟通目标。
千问办公界面:客户档案列表,按客户阶段、兴趣标签与负责人筛选,并显示每条客户记录的待确认事项
CASE 02 · 客户沟通记录沉淀:把聊天记录与会议纪要归档为持续更新的客户档案。
千问办公界面:邀约工作台,按客户兴趣匹配活动,并提供自然分享版、简短微信版和正式版三种邀约话术
CASE 03 · 活动匹配与个性化邀约:按兴趣与家庭阶段匹配客户,生成三种语气的邀约话术。

05 · The super individual

从工具使用,走向超级个体能力

本次活动中,三位分享者指向了同一个变化:保险行业的 AI 应用,正在从单点工具使用,进入客户经营、团队协作和个人能力提升的真实流程。

对于个人从业者

AI 可以帮助其减少信息整理和重复沟通,把更多时间留给客户理解、专业判断和关系经营,帮助每一位从业者建立更强的客户经营能力。

对于团队管理者

AI 可以帮助团队统一工作方法,沉淀业务知识,追踪客户经营进度,并让优秀经验更容易被新人学习和复用。

对于企业而言

真正重要的并不是使用了多少 AI 工具,而是能否围绕真实业务重新梳理工作流,建立可靠的知识底座,明确人工判断节点,并将经过验证的方法沉淀为组织能力。

唯识数智面向企业提供 AI 落地服务,通过工作流重构、知识工程与智能体建设,帮助企业把经验沉淀为可复用的数字劳动力,逐步走向 AI 原生组织。

本次工作坊,是唯识数智与千问办公面向金融保险行业的一次实践探索。未来,唯识数智将继续围绕行业真实场景,推动 AI 从个人助手走进工作流程,帮助更多从业者成为能够借助 AI 持续提升专业能力和客户经营效率的超级个体。

How we work with you

围绕企业目标,把 AI 落到真实业务链路里

唯识数智可结合企业的业务特点、数字化基础与团队现状,提供从场景识别、工作流设计到交付与运营的服务,包括:

  • 企业 AI 场景识别与优先级评估
  • 业务流程与人机协作机制设计
  • 企业 AI 工作流设计与任务套件封装
  • 企业知识与业务规则资产化
  • 智能体设计与落地交付
  • 数据、知识库与系统集成规划
  • AI 落地的安全边界与人工确认节点设计
  • 试点验证、运营迭代与规模化推广

真正的难点通常不在模型能力,而在于业务知识有没有被整理清楚、执行步骤有没有被标准化、安全边界有没有被明确。这三件事做完,AI 才有机会真正进入日常经营,而不是停留在少数人的试用里。

From one session to a system

如果 AI 已经在团队里各自使用,下一步是让它进入同一条客户经营链路。

如果你正在规划金融保险业务的 AI 落地,我们可以从一条真实的客户经营链路开始。