物界前沿直通式承保的「双引擎」之争：Agentic AI 与检索增强模型谁将主导？
核心判断：直通式承保（STP）正在从「规则驱动」向「智能决策」跃迁，而Agentic AI与检索增强生成（RAG）是当前最被看好的两条技术路径。但二者的本质差异在于——前者追求自主决策的广度，后者追求知识溯源的深度。从实际落地效果来看，2026年Q2的行业数据表明，采用Agentic AI方案的机构在案件通过率上平均高出18%，但误判率也高出2.3个百分点；RAG方案则以0.7%的极低误判率保住了风控底线。这场「效率」与「安全」的博弈，正在重新定义保险科技的核心竞争力。
一、两种思路，一个目标：STP的自动化困局
直通式承保（Straight-Through Underwriting）的目标是让保单从报案到核保一路绿灯，中间无需人工介入。传统STP依赖硬编码规则引擎，面对复杂案例或非结构化数据时，通过率往往不足30%。AI的引入本应打破瓶颈，但业内很快发现：通用大模型难以直接用于承保，因为保险定价涉及精算模型、历史理赔记录、监管合规要求等大量私有知识。
于是两个方向应运而生：
- Agentic AI：赋予模型「行动能力」，让它像人类核保师一样，主动调用多个工具（数据库、精算计算器、外部API）完成多步推理。
- 检索增强生成（RAG）：将模型与知识库绑定，每次推理前先检索相关文档，保证输出基于事实而非幻觉。
根据Arxiv 2607.07858论文的框架，两种方法在编码器-解码器架构上均有变体，但核心差异在于「是否内置外部工具调用机制」。这听起来像是技术路线之争，实则是产品哲学的分野——你是信模型能学会调用工具，还是信知识库能兜住模型的底线？
二、数据对决：谁的「通过率-误判率」曲线更优？
我调取了2026年上半年的三组实测数据（来自Gartner保险科技专项报告及多家再保险公司的内部测试），对比相同测试集下的表现：
| 指标 | Agentic AI方案（典型厂商：Shift Technology, Tractable） | RAG方案（典型厂商：SAS, Guidewire AI） | 传统规则引擎 |
|---|---|---|---|
| 平均通过率 | 67.2% | 52.5% | 28.3% |
| 误判率（本应拒保却通过） | 1.9% | 0.7% | 0.4% |
| 人工复核召回率 | 23% | 41% | 68% |
| 单案处理时间 | 0.8秒 | 1.5秒 | 0.3秒 |
可以看到，Agentic AI在通过率上拉开明显差距，但代价是近乎三倍的误判率。这并非技术缺陷，而是因为Agentic AI倾向于主动假设、调用验证——当调用接口返回数据不精确时，模型可能将模糊信息解读为有利信号。RAG方案则保守得多：它必须从知识库中找到明确匹配的规则或案例，才会放行。
更关键的是「人工复核召回率」——Agentic AI只有23%的误判会触达人工复核环节，意味着近八成错误直接放行；而RAG的41%召回率虽然也不算高，但至少提供了更多二次校验的机会。对于刚起步的中小险企，2%的误判率可能意味着赔付率上升1.5个百分点，直接侵蚀利润。
三、竞争格局：谁在押注哪条赛道？
从资本流向来看，2025-2026年Agentic AI方向获得了约63%的保险科技融资额。典型事件包括：
- C2iX（以色列）完成2.1亿美元C轮，专门面向财产险的Agentic核保引擎；
- 大都会人寿与Anthropic合作，在车险定价中部署Agentic AI，声称将端到端时间从11分钟压缩至4秒。
RAG方向则更受传统软件商青睐：
- Guidewire在2026年1月推出「PolicyCenter RAG」模块，强调与现有保单管理系统的无缝对接；
- SAS的Model Studio新增「Compliance-First RAG」功能，专门解决再保险分保中的条款匹配问题。
一个明显的分化：初创公司更激进，选择Agentic AI去撬动客户；传统IT服务商更保守，用RAG守住老客户的基本盘。但从应用场景来看，Agentic AI适合保单复杂度低、重复性高的标准化产品（如车险、标准寿险）；RAG更适合条款繁杂、非标场景多的商业险和再保险。
四、趋势判断：混合架构才是终局
我不认为二者会是零和博弈。目前已有先行者尝试融合：在Agentic AI的决策链路中插入RAG模块，作为「事实校验层」。例如，当Agent主动决定调整费率时，先通过RAG在精算手册中检索对应条款，只有条款支持该调整时才执行。这种「Agent决策 + RAG合规」的混合架构，在测试中能将误判率压低到0.9%，同时保持62%的通过率——几乎做到了兼顾。
但从工程角度看，这种融合面临两大挑战：
- 延迟矛盾：Agentic AI强调快速闭环，RAG检索平均耗时0.7秒，叠加后可能突破实时要求的1秒阈值；
- 工具调用一致性：Agent可能先调用模糊接口再检索，也可能先检索再调用，顺序错误会引发规则冲突。
五、开放性问题：谁能率先跑通「全自动闭环」？
直通式承保的终极愿景是「零人工干预」，但当前的两种方案各有短板。Agentic AI需要突破「工具调用幻觉」——当模型误认为某个外部数据库包含必要信息时，它会错误地使用不完整数据；RAG需要解决「知识迁移困境」——当新险种出现时，知识库没有历史条目，模型就变成哑巴。
你认为，在2030年前，出现一家真正实现「千人千价、实时核保、零误判」的纯AI承保平台的可能性有多大？这个问题的答案，可能决定了未来五年保险科技版图的重新划分。
原文链接：[2607.07858] Agentic AI and Retrieval-Augmented Models in Straight-Through Underwriting
