Pibit.AI 获得 700 万美元 A 轮融资，将可信的 AI 承保技术推向主流

保险行业长期以来一直被其理解、量化和管理风险的能力所定义。然而，承保人依赖的系统仍然看起来和感觉起来像来自另一个时代的遗物。虽然其他行业已经接受了先进的自动化和智能工具，但承保仍然依赖于电子表格、分散的文档和劳动密集的审查。Pibit.AI 正是要填补这一空白 —— 并且凭借新获得的 700 万美元 A 轮融资，该公司正在加速其计划，现代化保险业最基本的功能之一。

由 Stellaris Venture Partners 领投、Y Combinator 和 Arali Ventures 参投的本轮融资将用于继续开发和推广 Pibit.AI 的集中承保风险环境（CURE™）。CURE™旨在统一整个承保过程，从初始提交到最终决定，并将 Pibit.AI 置于迅速演变的市场的中心，承保人和管理型保险经纪公司（MGAs）正面临着越来越大的压力，需要用更少的资源做更多的事情。

源自个人经历的使命

对于创始人 Akash Agarwal 来说，该公司的起源深深植根于他的个人经历。作为一个孩子，他看着父亲晚上辛苦地处理保险文书工作。多年后，当他看到人工智能革命性地改变了从交通到物流的各个行业时，差异是鲜明的：如果人工智能可以自主地引导车辆，为什么承保仍然停留在 PDF、电子邮件和手动数据输入的世界中？

这个问题成为 Pibit.AI 的火花。Agarwal 想象了一个承保环境，其中人工智能作为一个可靠、透明的合作伙伴 —— 而不是一个 黑盒 替代品。信任成为公司理念的核心支柱：每个输出都应是可解释的、可验证的，并且与承保人的专业知识保持一致。

“人工智能应该赋予承保人权力，而不是取代他们，” Agarwal 指出。“我们正在构建一个透明、决策就绪的系统 —— 一个承保人可以信任的系统，同时帮助他们比以往任何时候都快地移动。”

CURE™ 平台：转变承保生命周期

Pibit.AI 的核心产品是 CURE™，一个紧密集成的平台，整合了分散的承保过程。承保人不再需要在多个工具、文档和数据源之间切换，而是可以在单一环境中工作，该环境由人工智能驱动的智能增强。

CURE™ 包括以下专用模块：

• ClearCURE™ 用于提交分类
• DocumentCURE™ 用于准确解析杂乱无章的非结构化文档
• ResearchCURE™ 用于实时数据增强
• RiskCURE™ 用于高级账户评估和投资组合级别的洞察
• WorkflowCURE™ 用于编排任务、协作和决策跟踪

这些模块共同支持从初始提交到决策就绪输出的流程。该平台自动化数据收集和分类，同时保持人工监督在最重要的地方。Pibit.AI 的理念将速度与可靠性相结合：自动化加速了流程，而透明的逻辑则保持了信任、一致性和合规性。

为承保人和管理型保险经纪公司（MGAs）提供可衡量的影响

现代化的需求越来越迫切。提交量持续增加，但承保团队却在缩小。许多团队仍然将多达三分之一的时间浪费在手动分类、文档处理和数据规范化上。这些低效率不仅减慢了团队的速度，还影响了准确性、收入和风险选择。

Pibit.AI 的客户，包括 HDVI、Shepherd Insurance、RMS Insurance Brokerage、Kinetic 和 Method Insurance Services，已经看到显著的改善。报告的结果包括承保周期加快多达 85%、每位承保人的总保费增加 32% 和损失比率改善多达 700 个基点。

对于保险公司，这些收益转化为更大的容量、更高的处理量和盈利能力的扩张。正如 Kinetic 的 CEO Adam Price 强调的那样：该公司现在可以在不增加额外开支的情况下处理超过 10 亿美元的年度提交。对于 Method Insurance Services，平台提供了在全国范围内扩张而不损害控制或准确性的结构。

对于 Stellaris Venture Partners 来说，效率和透明度的结合是领导 A 轮融资的决定性因素。合伙人 Alok Goyal 强调，CURE™ 解决了现代承保的核心约束 —— 过时的工作流程、不一致的数据和日益增长的运营需求。

更广泛的影响：这项技术对未来的意义

统一数据、自动化常规分析并为复杂决策提供可解释性的平台的兴起标志着一个转折点，历史上依赖于手动专业知识的行业正在经历变革。承保是最明显的例子之一，但这种趋势远远超出了保险业。随着各个行业的组织产生的信息量远远超过团队可以合理处理的范围，对于可以解释非结构化输入、提供相关见解并以透明方式呈现的系统的需求变得普遍。

在接下来的十年里，知识工作的组织方式可能会发生转变。专业人士将不再花费大量时间收集、格式化或协调信息，而是专注于评估人工智能生成的建议、探索边缘案例并运用判断力来处理不符合模式的场景。这一转变不会消除人类的专业知识 —— 它将改变人类专业知识的应用方式。人们将越来越多地担任决策架构师，而不是数据处理者。

信任的转变也将随之发生。随着人工智能参与更多高风险决策，对可解释性的需求将只会增加。能够展示其推理、引用其结论背后的证据并量化不确定性的系统将设定标准。无法提供这种透明度的工具将难以获得接受，尤其是在监管行业。

从长远来看，结构化、决策就绪数据的积累将带来新的可能性。更准确的风险建模、跨行业基准测试和实时监测新兴趋势将以目前无法实现的方式成为可能。整个工作流程 —— 不仅仅是孤立的任务 —— 将被重新设计，以围绕持续的智能而不是静态文档和周期性审查进行。