核心概念

Travelers Companies（NYSE: TRV）是美國最大的財產險與意外險公司之一，旗下擁有逾 30,000 名員工、2025 年營收約 490 億美元，並是道瓊工業指數成分股。2026 年 2 月 18 日，Travelers 宣布 AI Claim Assistant 全美部署——這是以 OpenAI Realtime API 與前沿模型為核心的全自主語音 AI，用於處理汽車財損理賠的首次報案（First Notice of Loss, FNOL）。

技術架構

AI Claim Assistant 建立在 OpenAI Realtime API 之上，具備進階語音辨識與自然語言理解能力，能以流暢對話引導客戶完成整個報案流程。Travelers 將 OpenAI 模型與自身的理賠基礎設施、業務協調系統及內部工具深度整合，讓 AI 不只是問答介面，而是能調度後端系統、完成全流程作業的自主代理（Agentic Voice AI）。

OpenAI 平台產品主管 Olivier Godement 評價此部署為「最精密的 Agentic Voice 實作之一，能夠在整個理賠對話的複雜度中諮詢、建議並支援客戶」。

部署歷程與成果

Travelers 採漸進式部署策略：先在 8 個州進行先導試驗，收集客戶反饋後，兩個月內完成全美擴展。目前，使用 AI 助理的客戶中，85–90% 能全程透過 AI 完成報案申請，不需轉接人工服務員。

Travelers 首席理賠長 Nick Seminara 表示：「這套技術的表現令人驚豔，極具動態性與回應性，早期客戶反饋壓倒性地正面。」

完整客戶旅程設計

AI Claim Assistant 涵蓋從首次接觸到案件提交的完整路徑：

  1. 政策諮詢：即時查詢保單內容，回答保障範圍疑問
  2. 理賠決策支援：協助客戶評估是否值得申請理賠（考量免賠額、保費影響）
  3. 報案受理：收集事故細節、當事人資訊、損失描述
  4. 數位流程銜接：引導客戶完成照片上傳、損失估算預約、維修排程、租車申請
  5. 個人化通知：根據個案進度客製化狀態更新
  6. 人工無縫升級：任何時間點，客戶均可要求轉接理賠專員

供應商選擇邏輯

Travelers 在選定 OpenAI 前進行廣泛的測試與基準比較，最終決定因素是：嚴謹性（rigor）、可靠性（reliability）、企業級安全（enterprise-grade security）。保險業的監管敏感度與客戶信任需求，使得這些非功能性指標的重要性不亞於技術能力本身。

關鍵要點

  • 85–90% AI 自助完成率：高情緒敏感情境（事故剛發生的報案）中，絕大多數客戶不需人工介入即可完成流程，打破了「AI 不適合情緒敏感場景」的既有預設
  • 8 州→全美，2 個月：漸進式先導後快速規模化，顯示 Travelers 具備成熟的 AI 部署治理能力與數據反饋迴圈
  • Realtime API 是技術底座：OpenAI Realtime API 提供低延遲、高自然度的語音對話，解決傳統 IVR 系統的斷點問題；與 OpenAI 語音 AI 低延遲架構：WebRTC 大規模部署實錄 中揭露的基礎設施直接相關
  • 全系統整合，非表層封裝：AI 模型與內部理賠基礎設施、協調系統深度打通，而非只套一層聊天介面——這是 Agentic AI 企業落地現實：基礎建設障礙與突破策略 中定義的「真落地」必要條件
  • 勞動力轉型同步推進：客服人員透過「刻意再技能化計畫（deliberate upskilling program）」轉型至更具策略價值的理賠解決角色，反映企業負責任 AI 導入的態度
  • 同期競業跟進：State Farm 同日宣布與 OpenAI Frontier 平台合作，顯示美國保險業 Agentic AI 採用已進入集體轉型期
  • 擴線規劃：計畫延伸至汽車險以外的其他保險類別與理賠類型

實務應用

FNOL 是 AI 切入保險業的最佳著力點：首次報案具備高頻、高標準化的特性——資訊收集問題固定、決策路徑清晰，是語音 AI 的理想場景。複雜的責任認定與賠付協商仍需人工判斷，Travelers 選擇從前端切入而非全程自動化，是務實的分階段策略。

對比高監管行業的相似模式：AdventHealth × ChatGPT for Healthcare：AI 減少行政負擔的醫療實踐 在醫療業呈現相同邏輯——同屬高監管、高信任的服務業，AI 先解決行政摩擦，核心判斷保留人工。Parloa 在企業語音 AI 客服管理中也印證相似架構（見 Parloa——企業語音 AI 客服代理管理平台）。

跨行業語音 AI 部署的設計原則：Uber 的語音 AI 部署（見 Uber × OpenAI：司機智慧賺錢與乘客語音預約）與 Travelers 案例的共通點是：任意時間點可轉人工的安全閥，是高敏感情境的必要設計，同時也降低了客戶的心理門檻。

延伸觀點

跨 Insurance Journal、Carrier Management 及 McKinsey 的交叉驗證，確認三個共同觀點：

理賠 AI 的規模效益需要深度整合（多源共識）：Insurance Journal 與 Carrier Management 均強調 Travelers 將 OpenAI 模型與後端系統深度打通是成功關鍵。McKinsey 的 Aviva 案例提供了規模化後的具體成果可供參照：英國保險業者 Aviva 在理賠領域部署 80+ 個 AI 模型後，責任評估時間縮短 23 天、案件路由準確率提升 30%、客戶投訴減少 65%，2024 年節省逾 6,000 萬英鎊——同樣是全棧整合的成果，而非外掛工具。

Upskilling 優先於裁員是行業共識（多源共識）：Insurance Journal 與 Carrier Management 皆強調 Travelers 的人力轉型策略是刻意選擇而非被動因應。這個模式與 前沿企業如何拉開差距：OpenAI B2B Signals 解析 中分析的企業 AI 轉型路徑吻合：先導入 AI 替代高頻低判斷的工作，再將人力重新部署到更複雜的決策場景。

語音 AI 品質已達高信任情境門檻（Insurance Journal，優先域）：85–90% 的自助完成率顯示，OpenAI Realtime API 的語音品質與 AI 的決策建議能力，已能在客戶高度緊張的事故報案情境中獲得信任。這為其他高信任行業（醫療、法律、金融）的 Agentic Voice 部署提供了重要的可行性參照。

反向連結

以下頁面引用了本頁：