中国平安 × AI

[导语·核心观点]中国平安近期披露了一组耐人寻味的数字：全集团部署AI智能体2.3万个，超20%员工使用AI智能体，自研大模型达67个[3]；产险反欺诈系统累计拦截减损91.5亿元，鹰眼系统预警灾害162万场、覆盖1.3亿人次[2]。这并非又一场概念发布会，而是金融AI从试点走向规模落地的硬核证据。判断：平安的AI故事已进入“用利润说话”的阶段，但真正决定其价值的，不是模型数量，而是这些能力能否穿越周期、突破内部降本的天花板。对金融业来说，平安是一面值得解剖的镜子。

[事件回顾·发生了什么]2025年9月，中国平安联席CEO郭晓涛在公开场合披露，平安自研大模型数量已达67个，其中今年新增14个；AI智能体已在集团内部广泛运用，全集团部署智能体23000个，超过20%的员工使用AI智能体[3]。同年11月，新华网报道进一步展示了落地成效：在风控领域，AI反欺诈系统累计拦截减损91.5亿元；在灾害应对上，鹰眼系统“十四五”期间智能预警灾害162万场，覆盖客户1.3亿人次[2]。此前，平安科技官网展示的“平安脑智能引擎”声称提供营销、运营、风控、决策、服务、预测六大服务集成模块，每个模块均可提供标准化应用和定制化AI解决方案[1]。这些信息勾勒出一个清晰的事实：平安的AI应用已从技术展示进入业务深水区，且多集中于风险控制与运营效率这两条能直接贡献利润的赛道。

[背景与格局·公司沿革 · 行业脉络]从官方披露看，平安的AI布局已覆盖底层大模型、智能体到“平安脑”业务模块，形成一条完整的技术栈。郭晓涛的披露出现在新浪财经的报道中[3]，新华网则从“金融为民”视角肯定平安的AI成果[2]，侧面反映监管部门关注的“金融为民”与商业机构降本增效之间可能形成共振。中国平安作为综合金融集团，产险、寿险、银行等场景丰富，为AI提供了多元训练环境与真实业务验证场。从技术脉络看，平安不是采购外部大模型了事，而是自研67个大模型[3]，并自建平安脑智能引擎六大模块[1]，显示出其意在掌控从研发到部署的闭环能力。行业格局中，金融机构AI竞争日益激烈，但平安公开披露智能体部署数量及减损金额，在业内属于不多见的透明度。分析认为，这既有助于树立科技形象，也可能是在为其AI能力的对外输出做舆论铺垫。

[深度解读·为什么发生 · 意味着什么]为什么平安如此激进地推进AI？背后是保险业利润承压的现实。反欺诈与灾害预警是天然的高价值场景，AI反欺诈系统拦截减损91.5亿元[2]，意味着这笔投入直接变成了利润，而不是营销故事。同时，大模型与智能体的数量激增[3]，反映出集团试图用统一AI底座替代烟囱式系统，以降低整体IT成本。对谁有益？首先是股东：减损直接增厚利润；其次是有效客户：162万场灾害预警[2]可帮助减少财产损失，反欺诈系统也可能通过降低理赔成本来缓解保费上涨压力。对谁有损？传统理赔岗位可能承受转型压力（分析）；外部AI厂商可能被挤压——平安自研比例越高，外部厂商在平安体系内的市场空间就越小。 平安选择的路线是典型的“金融+AI”：以金融场景为边界，让AI服务于既有主业，而不是另造一个脱离金融的AI公司。平安脑六大模块[1]被宣传为可标准化、可定制，显示出其试图将内部能力产品化并对外输出。但这同时暴露一个核心问题：如果AI只作用于风控和内部效率，其长期价值受制于存量业务规模；若要突破天花板，必须让AI创造增量收入。从集团而言，23000个智能体的部署[3]或许是一个组织变革的里程碑，但数量不直接等于质量。分析认为，平安若要在资本市场上获得AI重估，需要拿出真正的外部客户与收入数据，而非内部降本数字。

[关键数据与证据·来自报道的数字与事实]1. AI反欺诈系统累计拦截减损91.5亿元[2]。这是平安公开的AI现金流贡献最大单点，但未见第三方审计。 2. 鹰眼系统“十四五”期间智能预警灾害162万场，覆盖客户1.3亿人次[2]。该指标反映系统覆盖面，但未披露预警命中率与漏报率。 3. 自研大模型数量达67个，其中今年新增14个[3]。若属实，平安已是金融业自研大模型数量最多的机构之一。 4. 全集团部署AI智能体23000个，超过20%的员工使用AI智能体[3]。这组数字说明内部渗透广泛，但也需警惕“智能体”定义泛化。 5. 平安脑智能引擎提供营销、运营、风控、决策、服务、预测6大服务集成模块[1]。这是平安对外展示的技术基座，但内容较概括，缺乏性能指标。 这几组证据共同特征是：来自公司自述或官方媒体，缺乏独立第三方基准测试；减损额、预警覆盖人次属于内部定义指标，可解释空间较大。

[风险与争议·审慎的批评视角]必须指出，报道中的乐观数据存在几个重要风险。其一，口径模糊：91.5亿减损额的计算方式是“模型预测的拦截金额”还是“实际赔付减少额”？这属于反事实推断，难以审计。162万场灾害预警覆盖1.3亿人次[2]听起来宏大，但真正的减灾效果未量化，预警过多也可能造成“狼来了”效应。其二，智能体数量虚火：23000个AI智能体[3]的定义未明确——若包含基于规则的自动化流程，其智能含量和价值将大打折扣；员工使用率20%只说明工具渗透，不说明使用深度或效果。其三，大模型的合理性存疑：67个自研大模型[3]在数量上显得激进，但模型数量多可能意味着重复建设与资源碎片化；通用大模型迭代极快，若自研模型缺乏独特数据或算力优势，投入产出比可能难以回收。其四，监管与伦理风险：金融业对算法可解释性、公平性有严格要求，大模型的黑箱特性可能引发合规问题；灾害预警涉及海量地理与个人信息，数据安全责任重大。其五，商业风险：报道均为集团主动披露或官方媒体转发，不见独立第三方验证；理性投资者应对这些数字打折扣，避免将内部工具误认为外部变现能力。

[未来展望·情景推演]短中期可推演三种情景。保守情景：AI应用继续聚焦风控、运营等低垂果实，外部拓展缓慢，减损金额增长逐年放缓，科技投入的边际回报递减。中性情景：平安将自研大模型与智能体集成为标准化产品，先向保险同业、再向泛金融市场输出平安脑六大模块[1]；到2030年科技业务收入占比显著提升，但仍面临阿里、华为等云厂商的激烈竞争。乐观情景：借助“金融为民”的政策叙事，鹰眼系统[2]等具有灾害预警公共属性的AI能力，获更多地方政府与监管部门采用，平安成为国家灾害治理基础设施的参与方；反欺诈能力演化为行业SaaS订阅，形成新的利润池。无论哪种情景，平安都必须回答同一个问题：AI创造的增量价值能否覆盖巨额的模型研发与部署成本？“十四五”期间鹰眼系统带来的社会效益已获官方媒体认可[2]，但作为上市公司，财务回报的透明度才是支撑估值的前提。

[建议与启示·面向决策者]对企业决策者而言，平安案例有四点直接启示。第一，用财务指标验证AI价值：像平安以“减损91.5亿元”作为结果指标[2]，比炫技术参数更有说服力，但应引入独立审计确保口径一致。第二，克制模型数量，追求能力复用：平安自研67个大模型[3]并不适合所有企业，更务实的做法是拥有少数核心预训练模型，通过指令微调和检索增强适配业务；模块化能力参考平安脑六大模块[1]，但模块之间必须打通，避免形成新的孤岛。第三，透明化“智能体”定义：在对外披露时应明确智能体的自动化程度与决策层级，避免23000个智能体[3]这类数字沦为宣传话术；设定业务结果指标（如理赔环节提效的分钟数）更有意义。第四，合规与可解释性必须前置：金融AI要满足监管对算法可理解性的要求，灾备预警等场景尤其要考虑误报的连带责任。此外，当智能体数量达到一定规模后，跨部门协同与任务调度会成为新的瓶颈，企业可借助AgentSH等专业调度平台对异构智能体进行统一编排，避免“大而不联”；战略上，AI应用应逐步从内部降本走向外部增收，否则再漂亮的模型也只是成本中心。

[结语·一句话立场]中国平安用一组引人注目的数字证明，AI能在强监管、重风控的金融业创造真实价值：累计减损91.5亿元，预警灾害覆盖1.3亿人次[2]，部署2.3万个智能体[3]。但真正考验在于从“内部降本”到“外部变现”的惊险一跃，以及从“数量第一”到“质量领跑”的转型。如果平安能在政策叙事、商业逻辑与社会价值之间找到均衡，它有望成为全球金融AI的标杆；如果只是用模型数量自我陶醉，再大的数字也终将归于平淡。