保險理賠自動化:用文件 AI 與 RAG 把理賠審核週期從數天縮到數小時的落地劇本

理賠部門的痛,從來不在「審不出來」,而在「審太慢」。

一張住院醫療理賠案件,從收件到核決,傳統流程平均要 3 到 5 個工作天。慢在哪?不是理賠員判斷力不夠,是他們一天有六成時間在做一件事:把診斷證明、醫療費用收據、病歷摘要、手術同意書上的字,一個一個手打進理賠系統,再逐項比對保單條款與除外責任。判斷只佔四成,搬運資料佔六成。保險理賠 AI 自動化的真正價值,不是取代那四成的判斷,而是把那六成的搬運還給機器。

先把週期時間和人力帳算清楚

我們接手過一家中型壽險公司的醫療險理賠線。導入前的基準是這樣的：

注意最後一行。我們沒有裁掉任何理賠員，而是讓同一組人多扛了將近三倍的量，並把省下的人力挪去處理真正需要人判斷的爭議案與高額案。這才是這類專案該有的樣子。

拆解一：文件擷取，別指望一個模型全包

醫療單據是理賠自動化裡最難啃的一塊。台灣的診斷證明沒有統一格式，每家醫院版型不同，還混著醫師手寫、蓋章、傳真掃描的雜訊。我們踩過的第一個雷，就是以為丟一個通用 OCR 加大語言模型就能通吃。結果 ICD 診斷碼被讀錯、費用收據的「自費」與「健保給付」欄位被混在一起，錯一格，理賠金額就錯。

後來我們拆成三層。第一層是版面切割，先辨認這份文件「是什麼」——是診斷證明、收據還是病歷；第二層才做欄位級的結構化擷取，把病名、ICD 碼、住院起訖日、手術名稱、各項費用金額抽成結構化欄位；第三層是信心分數，每個抽出的欄位都帶一個分數，低於門檻的直接標紅、路由給人工，不硬猜。這層信心分數是整套系統能被理賠主管信任的關鍵。你不是要 AI 全對，你是要它「知道自己哪裡可能不對」。

拆解二:審核核決,用 RAG 把條款接進來

擷取只是把資料變乾淨，真正的審核是拿這些資料去對保單。哪些是保障範圍、等待期過了沒、這個手術屬不屬於條款定義的「重大手術」、有沒有踩到既往症除外責任——這些答案全散在保單條款、批註、內部核保規則與過往判例裡。

這裡我們用 RAG 知識系統，把該保戶的保單全文、對應險種的理賠準則、公司內部的核決規範做成可檢索的知識庫。系統擷取完單據後，會去檢索出「與這張案件相關的條款段落」，連同判斷理由一起呈給理賠員：建議賠付、引用了哪一條、比對了哪幾個欄位。理賠員看到的不是一個黑箱結論，而是一份有出處、可回溯的核決建議。他要做的是覆核，不是從零判斷。

我們的取捨很明確：低額、單純、信心分數高的案件走自動核付通道；高額、有除外爭議、信心分數低的一律留給人。 沒有一套系統該在第一年就追求 100% 全自動，那是拿理賠合規去賭，賭不起。

上線之後,採用才是真正的戰場

系統做好了，只是專案的一半。我們看過太多理賠自動化在驗收 Demo 那天亮得很，三個月後理賠員又偷偷退回手動——因為他們不信任、因為介面卡在既有作業流程之外、因為出錯時沒人告訴他們怎麼申訴。所以我們的工程師會實際坐進理賠現場,陪跑前幾週:調信心門檻、修被讀錯的版型、把爭議案的回饋餵回模型。上線且有人天天在用,週期時間真的從天縮到小時,這個案子才算數。

這也是我們在 Tenten AI 做金融理賠自動化時的一貫做法——不丟一套平台給你自己摸，而是把工程師嵌進你的理賠現場，扛到系統真的上線、理賠員真的願意用為止。