旅行者保险的人工智能应用——两个用例

旅行者保险公司（Travelers Companies, Inc.）是美国最大的财产与意外险（P&C）公司之一，为北美、英国和爱尔兰的个人、企业和专业保险客户提供服务。2023年，该公司总营收为413.64亿美元，净利润为29.91亿美元。旅行者在承保决策质量、运营效率以及客户和代理人体验方面广泛部署人工智能。

该公司运用先进的分析能力支持风险选择和定价，同时在理赔自动化、直通处理和分析方面的投资正在改善客户 outcomes 并节省成本。旅行者还持续投资于先进的巨灾管理工具和洞察，以支持其承保人员并保持巨灾风险的综合视图。

旅行者最近与Anthropic的合作进一步体现了其对AI驱动转型的承诺。2026年1月，旅行者宣布扩大AI工程和分析能力，为近1万名员工提供个性化Claude AI助手，同时超过3万名员工可通过其内部TravAI平台访问前沿模型。尽管旅行者未披露具体的AI投资总额，但其申报文件和演示文稿始终提及分析能力和模型驱动决策支持的扩展。

本文重点分析两个直接支持旅行者运营和战略目标的内部AI用例：

AI驱动的理赔分类：应用机器学习对理赔严重程度进行分类，并将案件路由到适当的处理层级，减少周期时间并改进理赔员分配。

AI增强的风险建模与巨灾分析：利用地理空间、气象和历史损失数据改进承保准确性和投资组合级风险评估。

我们首先考察旅行者如何应用机器学习加速理赔分类并提高运营效率。

AI驱动的理赔分类

旅行者将理赔定位为核心价值和纪律性运营能力，拥有业内最大的完全自聘内部理赔组织之一。与严重依赖第三方公估人的保险公司不同，旅行者绝大多数理赔由其自有员工处理——这一结构性选择有助于规模化地实现一致性、速度和质量控制。

2024年，该公司在90天内解决了90%的巨灾相关财产理赔，同时应对了74次巨灾事件和超过13.7万份巨灾损失通知。2025年，旅行者处理了150万件理赔（约每20秒一件），支付了超过230亿美元的赔款。这一规模凸显了高效分类、路由和自动化对旅行者运营模式的核心地位。

旅行者的首席技术和运营官Mojgan Lefebvre在CXOTalk上讨论了公司如何使用AI模型对数千个 incoming 提交进行分类，并将周期时间从几天缩短到几小时。旅行者的分类和受理现代化建立在内部人员配置、数字化检查和自动化的组合之上。该公司报告称，超过一半的理赔现在符合直通处理条件，客户约三分之二的时间会选择该选项。另有15%的理赔使用先进的数字工具处理。这些自动化层减少了人工接触点，加速了早期决策，使理赔员能够专注于需要专业知识的案件。旅行者还指出，理赔效率的提升直接通过损失调整费用改善损失率。

数字受理也在扩展。旅行者最近推出了一款自然语言生成式AI语音代理，用于通过电话进行首次损失通知，早期采用“超出预期”。结合虚拟检查能力（包括通过智能手机照片进行AI辅助3D建模），这些工具减少了对现场勘查的需求，缩短了从首次损失通知到初步评估之间的时间。在运营层面，这些投资使旅行者将理赔呼叫中心人员减少三分之一，并将四个呼叫中心合并为两个。这反映了理赔生命周期中向自动化和直通处理的更广泛转变。

财务逻辑清晰可见。自2016年以来，旅行者在技术上投资了130亿美元，同时将费用率削减了300个基点——CEO Alan Schnitzer将此描述为效率和创新可以同步推进的证据。理赔自动化是该等式的关键驱动因素：通过将受理和路由转移给AI，旅行者释放了理赔员处理复杂、高严重度案件的能力，这些案件需要人类判断直接影响损失结果。对于一家每20秒处理一件理赔的公司来说，受理层的效率提升在全年业务量中会产生实质性复合效应。

旅行者未发布分类特定的周期时间指标或AI驱动的严重度评分细节。但其披露的自动化百分比、呼叫中心减少和巨灾应对表现表明，理赔环境中的早期路由、数字受理和自动化处理正在显著减少人工分类，并使理赔员能够专注于更高价值的决策。因此，任何具体的周期时间改进应视为推断而非报告事实。

AI增强的风险建模与巨灾分析

旅行者运营的地区面临飓风、野火、洪水和强对流风暴的重大风险，这一趋势体现在公开报告中：由于大面积风雹事件，2023年第二季度巨灾损失翻倍至14.8亿美元。巨灾损失是财产和意外险公司波动性的主要来源，旅行者的财务披露和公开评论强调了改进承保表现和定价准确性的重要性——这一重点在2026年第一季度强劲的承保收益中得到强化，部分得益于巨灾损失低于上年同期。承保团队需要准确、精细的财产级风险评估以避免逆选择和维持投资组合平衡。

旅行者的公开材料强调需要先进的分析来提高承保精确度和资本配置。该公司表示其“持续投资于数据、分析、技术和运营”，并将数据和分析视为“变革性的战略资产”，能够提高生产率和效率。旅行者将多种数据源集成到其巨灾相关分析和规划能力中，包括地理空间信息、历史损失经验、气象输入、财产级属性以及特定灾害建模——该方法与其企业级巨灾规划和响应基础设施（包括国家巨灾中心）保持一致。预测建模和地理空间分析用于评估财产风险，并通过风险评分、损失估算和情景分析支持承保决策。

这些能力以多种方式改变承保工作流：财产级风险评分可为承保决策提供信息；巨灾暴露地图帮助承保人员可视化区域风险集中度；情景模拟允许团队测试飓风、野火或洪水对投资组合的影响；投资组合经理随后可使用聚合风险指标调整地理或业务线敞口，从而提高承保团队之间的决策速度和一致性。旅行者将其分析和创新能力描述为长期、企业级的投资。其技术和创新材料强调先进分析、AI工具和现代化数据基础设施是承保和运营的核心差异化优势。

尽管旅行者未披露与巨灾分析相关的具体损失避免指标，但其反复提及地理空间分析、预测建模和特定风险情景模拟表明这些能力已达到较高成熟度并跨业务单元整合。

将AI嵌入核心工作流——旅行者表明，当模型和分析直接集成到理赔员和承保人员系统而非作为独立工具部署时，AI采用会加速。

平衡自动化与人工监督——两个用例均展示了AI如何加速决策制定，同时在关键节点保留人类判断。

投资高价值、高成熟度应用——旅行者专注于支持主要成本中心（理赔和承保）的分析和AI系统，确保与财务表现保持一致。