保险 IT 投入 481 亿：AI 与信创的两本账

2026 年 11 月 10 日，中国保险行业协会发布《中国数字保险发展报告（2026）》。报告由人保集团牵头编写，给出了一组很能说明行业阶段的数据：2025 年保险业信息科技投入 481.43 亿元，同比增长 10.09%；AI 投入 11.92 亿元，同比增长 34.41%；信息安全投入 13.97 亿元，同比增长 8.27%。

这组数据有意思的地方，不是“又涨了”，而是两条曲线同时存在：一条是信创和核心系统替换，投入大、周期长、约束强；另一条是 AI 和数据智能，增速快、基数小、场景散。保险 IT 的很多决策，实际上是在这两本账之间做平衡。

一、481 亿的构成

先把数字拆开。报告披露的是信息科技投入总额，AI 和信息安全是其中的子项，不能简单相加。

表 1　2025 年保险业信息科技投入结构

项目	金额	同比	占信息科技投入	说明
信息科技投入	481.43 亿元	+10.09%	100%	报告口径
其中：AI 投入	11.92 亿元	+34.41%	约 2.48%	报告口径，子项
其中：信息安全	13.97 亿元	+8.27%	约 2.90%	报告口径，子项
其他	455.54 亿元	—	约 94.62%	按总额减 AI、安全推算，非报告原文分类

“其他”不是报告里的正式分类，而是用总额减去两个子项得到的差额，里面包括核心系统、外围系统、基础设施、运维、项目人力等。这个差额提醒我们：AI 很热，但在保险 IT 的总盘子里仍然很小；真正占大头的，还是传统系统建设、替换和运行。

二、AI 账：增速快，基数小

AI 投入 11.92 亿元，同比 +34.41%，增速远高于信息科技投入的 10.09%。这说明保险公司确实在加码 AI，但基数只有 11.92 亿元，占 IT 投入约 2.5%。

报告同时给出了一组应用侧的数据：数字保险产品占比 16.43%，线上化客户比例 53.09%，承保自动化率 70.35%，核保自动化率 75.73%，数字化服务替代率 70.97%。这些数字说明，AI 和自动化已经不是“试点”，而是在承保、核保、客服、理赔等环节规模化使用。

但 AI 的钱花在哪里，和信创的钱很不一样。信创投入更多是“替换存量”，有明确的系统边界、验收节点和监管要求；AI 投入更多是“增量场景”，分散在算力、模型、数据、应用和治理上。从公开案例看，算力硬件往往占大头，模型和数据治理占比较小，应用层的收益又很难直接归因。这也是为什么很多保险公司觉得“AI 花了不少钱，但很难算清账”。

三、信创账：核心替换与外围改造

保险信创的进度，比银行更不均衡。头部机构已经完成或接近完成核心承保、理赔、投资交易和监管报送的国产化；大量中小机构还在外围系统、办公系统和数据平台上做替换。

我们在保险行业 IT 国产化落地观察里梳理过 50 家机构的公开案例，结论可以概括为三句话：核心系统已经破题，但全核心、单轨仍是少数；数据库路线三分天下，分布式、集中式兼容、MPP 数仓按系统分层；迁移胜负手是应用兼容、双轨回退和五年 TCO，不是许可证价格。

保险信创的特殊约束有三个：

业务周期强。 开门红、季报、年报、监管报送都有硬窗口，迁移不能影响这些节点。
系统链路长。 承保、核保、理赔、再保、投资、财务、监管报送之间关联紧密，单点替换容易引发连锁问题。
渠道和产品变化快。 新产品、新渠道、新规则频繁上线，信创改造不能把业务迭代锁死。

所以，保险信创不能照搬银行“核心账本”的节奏，也不能只做外围。比较稳妥的路径是：先做外围和数据平台，再做核心周边，最后做核心承保/理赔；每一层都保留双轨和回退，验收覆盖开门红和监管报送。

四、两本账的交汇点

AI 和信创不是两条平行线，它们在四个地方交汇：

表 2　保险 AI 与信创的四个交汇场景

交汇场景	客户问题	服务内容	关键证据
AI 算力信创	GPU/NPU、AI 服务器、推理平台是否自主可控？	算力选型、信创适配、集群运维、成本优化	算力利用率、故障恢复、供应链清单
数据库智能运维	国产数据库上线后，告警、根因、备份、版本怎么管？	数据库运维、智能诊断、容量预测、演练	MTTR、备份恢复、月结/年结记录
安全合规	AI 应用、数据训练、供应链审查怎么过？	AI 治理、数据分类分级、安全评估、审计	风险台账、评估报告、整改闭环
可观测性	AI Agent 和国产栈混跑，出了问题怎么定位？	统一观测、链路追踪、Agent 监控、告警治理	告警有效率、根因时间、审计记录

这四个场景有一个共同点：都不是“买一个产品”能解决的，而是“产品 + 迁移 + 运维 + 治理”的组合。保险客户最怕的，是厂商把 AI 或信创当成单点项目，上线后没人接得住。

五、服务商的机会：从项目到运行

保险 IT 服务的机会，正在从“项目交付”转向“运行结果”。具体来说，有四个方向：

核心替换后的运维。 国产数据库、虚拟化、云平台、备份系统上线后，监控、备份、版本、演练、应急都要重新建立。谁能接住开门红和监管报送，谁就有长期合同。
AI 算力与信创的交叉。 国产 GPU/NPU、AI 服务器、推理平台和传统信创栈混跑，需要统一的资源管理、监控和故障定位。
数据与安全治理。 AI 训练数据、客户敏感数据、模型输出、供应链审查，都需要可审计的流程和工具。
区域保险机构的多栈服务。 中小保险公司 IT 团队小、预算有限，更需要“区域响应 + 多栈覆盖 + 原厂协调”的服务商。

对 CSSTH 这样的服务商来说，优势不在“有一个大模型”，而在“能把 AI 和信创放进同一套运行体系”：既懂数据库、虚拟化、备份、网络，又能做监控、演练、备件和现场响应。保险客户买的不是“最先进的模型”，而是“开门红不出事、理赔不掉链、监管报送按时交”。

六、给保险 IT 的六个问题

2026 年 IT 预算里，信创、AI、安全各占多少？三项之间有没有重复计算？
核心系统替换走到哪一步：外围、核心周边、核心承保/理赔，还是全核心单轨？
国产数据库上线后，月结、季结、年结、开门红有没有完整的运行记录？
AI 投入里，算力、模型、数据、应用、治理各占多少？有没有可归因的业务收益？
AI Agent 和国产栈混跑后，监控、日志、链路、权限、审计能不能覆盖？
如果原厂服务不到位，本地服务商能不能接住数据库、虚拟化、备份、网络和应急？

保险 IT 的两本账，最终要合成一本“运行账”。 信创解决“能不能自主”，AI 解决“能不能更有效率”，但客户最终只关心一件事：关键业务在高峰期、故障时、监管检查时，能不能稳住。