INFO

AI-Native 基础设施如何重塑保险产品上架流程 某头部保险经纪公司代理200余家保险公司产品，每月需要处理上百款产品上架。过去每款产品涉及几十项规则，信息散落在 PDF、Excel 和纸质文档中，产品经理与技术团队需要反复对焦，平均20个工作日才能完成上架。Lovrabet 让产品经理用 Markdown 写清保险规则，AI 解析业务语义、生成执行指令并写入数据表，核心录入压缩到30分钟，整体上架周期缩短到约2天。

行业	场景	建设模式
保险经纪	保险产品上架与规则配置	AI-Native

---

保险经纪行业的“上新”之痛

这家公司每月要处理上百款保险产品上架，每款产品又涉及人群限定、年龄限制、地域要求、折扣方案、等待期条款等几十项规则。原始信息来自不同保险公司的 PDF、Excel 和纸质文档，整理、核对和录入本身就极其消耗人力。

更关键的是，支撑业务运转的保险经纪系统已经运行超过12年，沉淀了大量历史数据和复杂业务关联。推翻重做风险高、成本大，IT 团队不敢轻易改动，业务团队却被漫长的上架流程锁住。

被锁定在等待链中的产品团队

• 每款产品涉及人群限定、年龄限制、地域要求、折扣方案、等待期等几十项规则，原始信息散落在各类文档中。
• 产品经理要先完成200-400次信息整理操作，再交由技术团队执行300-500次后台页面操作。
• 产品语言和系统语言之间反复翻译，一款产品常常需要8-15轮沟通、修正和验证。
• 12年老系统沉淀了大量历史数据和复杂关联，重构成本高、风险大，IT 团队只能小心维护。

让产品经理直接“对话”系统

TIP

Markdown 规格文档 产品经理按标准 Markdown 格式，用熟悉的保险语言描述投保年龄、适用人群、地域限制、等待期、折扣方案和家庭单定义。

TIP

AI 解析业务语义 Lovrabet 识别投保人、被保人、主险、附加险、等待期等专业术语，理解复杂保险规则背后的业务含义。

TIP

生成指令并写入数据表 AI 根据保险行业 SOP 生成数据操作指令，调用系统接口完成写入，并自动生成年龄、身份、时间等校验逻辑。

TIP

人工复核后发布 产品经理只做最终验收和发布，不再等待技术排期，也不需要反复沟通需求细节。

项目成果

指标	含义	说明
20天→2天	上架周期	从平均20个工作日缩短到约2.5个工作日
30分钟	核心录入	AI 解析与自动写入完成核心配置
96%	效率提升	单款产品实测效率提升约96%
8-15轮→验收	沟通方式	产品经理从等待技术排期转为自主执行

这个案例说明了什么

• 保险产品上架慢，不是单纯的人力不足，而是业务规则、系统配置和校验逻辑之间缺少可被 AI 理解和执行的桥梁。
• 对运行多年的老系统，价值不一定来自推翻重建，而是让 AI 先读懂业务语义，再以可控方式驱动现有系统执行。
• 当产品经理能用熟悉的业务语言直接驱动系统，数字化就从“提需求等排期”变成“业务自主执行”。
• 技术团队从重复录入者转为监督者和赋能者，能把精力放到更有价值的系统治理和能力建设上。

对金融保险企业的启示

如果企业的核心系统已经运行多年、关系复杂、重构风险高，不必先推翻重做。更现实的路径，是在现有系统继续稳定运行的前提下，引入能理解业务语义的 AI 执行层。

Lovrabet AI-Native 企业运行基础设施把业务语言转成可执行操作，让业务人员掌握上架、配置和校验的主动权，也让数字化从“人找系统”走向“业务语义直接驱动系统执行”。

INFO

面向客户的核心表达 Lovrabet 的价值不是替客户重做一套系统，而是在客户已有数据、流程与业务语义之上，让 AI 能理解、能执行、能沉淀为可复用能力。