2026人寿保险业AI精算智能体应用场景与市场景气度调研

执行摘要

2026年被广泛视为全球人寿保险业数字化转型的真正分水岭。在经历了过去几年的概念验证与生成式大语言模型（LLM）的初步探索后，保险科技（InsurTech）的核心驱动力已全面转向“智能体人工智能”（Agentic AI）。这种具有自主规划、外部工具调用、长期记忆保持以及多步推理能力的系统，正在深刻重塑精算定价、资产负债管理（ALM）、准备金评估以及全生命周期核保理赔等保险业底层逻辑。

当前，全球保险市场正面临复杂的宏观经济环境：低利率与高波动并存导致寿险长期保单面临严峻的隐性利差损风险；同时，诸如国际财务报告准则第17号（IFRS 17）和国际资本标准（ICS 2.0）的全面实施，以及中国市场的“报行合一”政策深化，对险企的资本充足率和精算精细化管理提出了前所未有的合规与盈利双重压力。在这一背景下，AI精算智能体不再仅仅是降低运营成本的IT工具，而是成为险企破解增长瓶颈、优化资本效率并建立差异化竞争壁垒的核心战略引擎。

一、 宏观市场景气度与资本动向：资本涌入与结构性重组

2026年的保险科技市场呈现出明显的结构性分化。传统的规则型信息化建设投资显著放缓，而围绕人工智能（特别是Agentic AI）的资本投入则呈现井喷式增长。技术成熟度的跃升与行业降本增效的迫切需求，共同缔造了当前极高的市场景气度。

1.1 全球InsurTech融资复苏与AI的绝对溢价

进入2026年，全球保险科技领域的融资环境迎来了强劲复苏，且资本的流向呈现出极度的“AI偏好”。2026年第一季度，全球InsurTech领域投资总额达到9.434亿美元，横跨42笔交易，同比增长27%。最为关键的是，其中约75%的资金流向了以人工智能为核心驱动力的初创公司，这一比例较2023年几乎翻了一倍，标志着机构投资者和大型险企战略投资部门在资金配置上的结构性重组。

从单笔融资金额来看，市场呈现出显著的“AI溢价”现象。2026年一季度，聚焦AI的保险科技企业平均单笔融资额高达3,370万美元，而非AI驱动型企业的平均融资额仅为1,420万美元，两者的差距扩大至2倍以上。资本高度集中于能够重塑承保自动化和理赔结算的AI原生平台。例如，专注初创企业全栈式AI保险承保的Corgi Insurance在年内斩获1.08亿美元巨额融资，旨在利用AI系统全面支持其承保、理赔处理和保单管理。此外，专注于商业险的AI原生平台Shepherd完成了4,200万美元的B轮融资，而专为全球保险公司和经纪人构建受监管AI平台的Notch则获得了3,000万美元的A轮融资。这种资本层面的集中爆发表明，投资者已不再满足于早期的边缘性AI试验，而是将重金押注于那些能够真正介入保险核心价值链、重塑单位经济效益的智能体原生企业。

1.2 市场规模测算与区域化特征

伴随着巨量资本的注入，AI在保险市场的商业化规模正在急剧膨胀，呈现出结构性转变的特征。多家顶级市场研究机构的数据交叉印证了这一趋势。目前，北美地区凭借成熟的InsurTech生态系统和宽松的早期监管环境，占据了全球市场约43.9%至47.2%的份额。然而，亚太地区正在以惊人的速度崛起，预计在未来十年内将保持高达33.1%至42.2%的极高年复合增长率，成为全球保险AI应用增长的核心引擎。在部署模式上，云计算的普及为需要海量数据吞吐的AI模型提供了基础，云原生部署模式已牢牢占据超60%的市场份额。此外，虽然目前软件解决方案贡献了超过一半的营收，但由于保险公司面对复杂的遗留系统和合规审计时缺乏内部技术积累，针对模型风险管理和系统集成的管理AI服务（Managed-AI Services）需求正在激增，其增长率甚至将超越纯软件产品的销售。

数据表明，保险业对AI的采购已从偶发性的项目制试点，转变为长期的基础设施级战略投入。

二、 底层技术基座：从单点大模型到Agentic RAG四层架构

若要理解AI为何能在2026年深刻介入极为复杂且对容错率要求极高的人寿保险精算与资产负债管理（ALM）流程，必须透视其底层技术范式的演进。2026年的核心特征是，行业已彻底超越了仅仅依赖生成式AI进行简单文本摘要和问答的阶段，全面跨入“Agentic AI（智能体人工智能）”时代。

2.1 生产级精算智能体的四层系统架构

2026年能够投入生产环境的AI精算智能体，是一套高度工程化、容错率极高的系统架构。它突破了传统聊天机器人的局限，能够在没有人类逐点提示的情况下，自主分解目标、持续跨会话保持记忆，并通过标准协议调用外部精算引擎与关系型数据库。根据最新的技术基准，这种生产级架构由四个深度协同的层级构成。

首先是感知与数据层。该层负责接收外部环境的海量非结构化数据，例如被保险人的杂乱体检报告、同业竞争产品的监管备案文件以及实时的宏观经济通胀指标。这些数据通过先进的嵌入模型被转化为高维向量存储，确保系统能够理解复杂的语义关联。

其次是推理与编排层。这一层通常由参数规模庞大的大语言模型（如专门针对金融及精算语料微调的模型）担任系统的“认知引擎”。在2026年，其核心任务不再是直接生成最终文本，而是执行任务分解、链式思考（Chain-of-Thought）以及决策下一步应采取的行动。编排逻辑则负责管理控制流，处理重试与错误，并在模型与外部环境之间实施严格的边界控制。

第三是至关重要的多级记忆层。2026年的精算智能体彻底突破了LLM固有上下文窗口的限制，引入了多级记忆机制以保障精算长周期分析的连贯性。这包括L1级别的快速缓存用于会话内瞬时记忆，跨会话的语义记忆，以及L3级别的高持久性检查点数据库（如PostgreSQL）。这种深度的状态持久化确保了系统在遭遇算力瓶颈或执行长达数小时的随机模拟时能做到状态零丢失，同时为满足严格的合规审计（如欧盟AI法案的第12条追踪要求）保留了完整的决策链条。

最后是工具调用与执行层。这是智能体产生实质性业务价值的关键所在。在2026年，高达80%的生产级智能体部署采用了模型上下文协议（Model Context Protocol, MCP）作为标准化的工具接口。精算智能体可以通过高度结构化的JSON-RPC 2.0协议，自主向后端的核心保单管理系统、资产负债随机情景生成器乃至合规审查系统发送指令并接收确切的数值反馈，从而真正将大模型的能力转化为真实的业务动作。

2.2 检索增强生成（RAG）的智能体化重塑

在精算与合规场景中，确保大模型输出的准确性和对事实的严格遵循是防止“模型幻觉”的底线。2026年，传统的“单次检索-生成”模式已被彻底抛弃，取而代之的是由多种高级模式组成的Agentic RAG（智能体化检索增强生成）生态。

在Agentic RAG架构下，检索不再是一个静态的预处理步骤，而是被视为大语言模型可以多次调用的动态工具。当精算师向系统查询一项复杂的长期年金产品的税务影响时，智能体会自主检查初始检索到的法条，判断证据是否充分；若发现上下文存在缺失，系统将自主重写查询条件，发起二次甚至多次跨源检索，直至拼凑出完整的逻辑链条。此外，针对极为复杂的跨文档比对任务，行业中开始广泛采用分支型RAG（Branched RAG）。该技术能够将一个宏大的精算问题分解为多个子查询，并行触发独立的检索管线，最后再将这些分散的结果编织成一份逻辑严密的综合精算报告。为了兼顾性能与成本，自适应RAG（Adaptive RAG）则通过前置的路由决策层，智能判断特定查询是否需要调用昂贵的外部数据库，从而在海量并发的保单问询中大幅降低了系统延迟与计算消耗。

三、 精算、定价与资产负债管理（ALM）的深度渗透

底层架构的成熟，使得AI在人寿保险业的商业版图迅速从外围的客服对话，战略性地向精算、风控、产品设计等核心腹地挺进。在高度复杂的金融工程领域，智能体正展现出令人瞩目的业务重塑能力。

3.1 资产负债管理（ALM）的数智化突围

2026年对全球特别是实施新一代清偿能力规则的地区而言，是资产负债管理的重塑之年。长期的低利率环境叠加宏观经济的剧烈波动，使得早期销售的高预定利率长期保单积累了巨大的隐性利差损风险。IFRS 17与相关资本约束的落地，要求险企将这些长尾风险以公允价值实时反映在财务报表中。传统仅凭少量静态情景假设的ALM工具，在庞大的计算量和多维度的资本约束面前已显露疲态。

在此背景下，“Deep ALM”理念开始大规模落地，AI智能体被赋予了战略领航员的角色。以欧洲金融科技公司Solvencii开发的Solvencii Copilot为例，该智能体系统成功将大型语言模型与严谨的底层资产负债计算引擎无缝衔接。在过去，构建用于内部风险与评估（ORSA）或商业计划的确定性压力情景（如宏观经济滞胀、特定行业的信用违约危机）需要精算师与宏观经济研究员耗费数周时间去收集全球央行数据，并艰难地将其转化为ALM引擎可读的模型参数。如今，借助集成智能体功能的模块，精算师只需输入自然语言指令。多智能体系统便会在后台协同运作：信息抓取智能体负责汇总最新的市场预测；逻辑转化智能体将这些非结构化叙事转换为精确的收益率曲线和通胀向量；最后自动对接精算引擎并生成结构化的情景分析报告。这不仅将原本数周的工作量压缩至数分钟，更使得险企能够在市场突变时，近乎实时地重新评估资产配置策略并动态调整对冲操作。

3.2 动态定价与竞争情报的实时降维打击

传统的寿险定价高度依赖于历史死亡率、发病率及退保率的滞后统计分析。然而在竞争白热化的2026年，产品迭代的窗口期被急剧压缩，险企需要实时感知市场动态并迅速作出费率调整以防止逆向选择。

针对这一痛点，以Akur8为代表的下一代保险定价平台展现了颠覆性的能力。2026年初，Akur8完成了对Matrisk AI的战略收购，并推出了革命性的Akur8 Discover模块。该模块直击精算定价中的最大痛点——监管信息孤岛与非结构化同业数据的获取。以往，精算团队需要耗费大量时间在美国的SERFF（系统化电子费率及表格备案）等州级监管系统中进行极其繁琐的人工检索，以追踪竞争对手的费率变动与核保规则。

如今，Akur8 Discover通过强大的大语言模型数据处理管线，将这些海量且非结构化的公开监管备案文件转换为了可通过自然语言直接交互的结构化知识库。精算师可以直接向智能体提问，系统不仅能在几分钟内返回结论，还能展示条款变更的对比视图，并精确溯源至原始监管文件。例如，北美创新型保险公司Branch在整合该模块后，其精算团队原本需要耗费两周半的覆盖率与备案研究工作，被压缩至几个小时内完成。这种能力使得保险公司在进行个性化产品开发时，能够实时对齐市场费率边界，大幅提升了向监管机构提交费率报备文件时的逻辑严密性与审批通过率，进而将产品推向市场的时间周期实现了质的飞跃。

3.3 复杂准备金评估与计算效能的跨越

在寿险及年金保险的准备金计算中，随机模型（Stochastic Modeling）因需要进行多重嵌套计算（即“随机套随机”的复杂推演），一直面临着极大的算力瓶颈与耗时问题。报告显示，全球部分头部寿险公司的精算部门已不再完全依赖传统的IT排期，而是开始自主采购和部署高性能GPU集群，以满足日益膨胀的复杂模型计算需求。

AI在这一领域的介入并不是要完全取代经典的随机模拟，而是作为强大的效率倍增器。基于深度学习构建的代理模型能够在极短时间内近似模拟出庞大蒙特卡洛路径的分布特征，帮助精算师迅速识别出对准备金结果影响最为显著的极端尾部情景。通过剔除大量对最终结果影响微乎其微的冗余情景，精算师可以将极其宝贵的计算资源集中分配到关键路径上，从而在不牺牲结果精确度的前提下，极大地缩短建模与计算周期。同时，在处理已发生未报告（IBNR）准备金等传统难题上，机器学习模型展现出了超越传统链梯法（Chain Ladder）的能力，能够敏锐捕捉不同险种、不同地域之间非线性的潜在理赔规律，提供更为精细、充足度更高的准备金预测基准。

四、 全生命周期运营：核保、理赔与保单管理智能体

AI对人寿保险业的改造已经深入到日常运营的毛细血管。从前端的销售展业到后端的核保理赔，以智能体为核心的数字劳动力正在重塑传统业务漏斗的形态。

4.1 智能核保的秒级突破与人机协同

传统的寿险核保流程严重依赖人工经验，审核周期往往长达数个工作日。而在2026年，头部险企基于AI驱动的“秒级核保”已成为争夺市场份额的标准配置，彻底终结了“核保慢”的行业痛点。

在这一领域，中国市场的头部险企展现出了极强的落地执行力。中国平安依托其独特的“五智”（智能化营销、服务、运营、管理、经营）战略，在全集团范围内规模化部署了高达23,000个AI智能体，并通过深厚的业务沉淀构建了规模达30万亿字节的底层数据库，为大模型的训练提供了无与伦比的数据滋养。2026年，平安新增了14个自研大模型，使其自研模型总数达到67个，深度覆盖寿险核保、定价与理赔环节。在实际业务中，智能核保系统通过决策树与智能风控模型动态调整健康问卷的链路，将复杂的健康告知转化为流畅的交互体验。系统自动解析体检报告与病史数据，瞬间识别潜在风险，随后由人工核保员进行价值判断与二次校验。这种高度默契的人机协同模式不仅将传统核保效率提升了百倍以上，更实现了风险防范与人文关怀的双重平衡。同样，中国太保（CPIC）为一线代理人配备的“嗨问Plus”智能助理，通过深度融合寿险专业知识体系与DeepSeek大模型，已累计支持了超过500万次交互，咨询满意度突破91.7%，极大地赋能了代理人团队的专业服务能力。

4.2 极速理赔与智能化运营闭环

理赔作为兑现保险承诺的关键时刻，直接决定了客户的最终体验与忠诚度。2026年的智能理赔系统已全面实现了从数字化向高度智能化的跃迁。通过整合计算机视觉技术分析医疗单据，结合自然语言处理技术提取非结构化诊断信息，AI智能体能够在几分钟内完成索赔金额的计算与反欺诈校验。

平安寿险的数据显示，其“闪赔”业务在整体理赔中的占比已大幅攀升至59%，同时AI坐席的服务量达到惊人的8.82亿次，承担了全集团约80%的客服总量。在欧洲市场，法国的Matmut Assurance部署了名为“Magic Automation”的Agentic AI解决方案，专注于处理繁杂的汽车玻璃理赔任务。该系统上线后，成功将平均理赔耗时从5分钟断崖式缩减至30秒以内，处理速度实现了惊人的10倍提升。同时，北欧的Tryg Insurance打造了全市场一体化的对话式AI解决方案，其开发的虚拟智能代理能够自主且精准地处理高达80%的客户对话请求，将客服人员从海量重复性劳动中彻底解放出来。在中后台的经营决策方面，中英人寿携手思迈特软件构建的“智能问数”智能体，以高度动态的方式辅助高层管理决策，将原本需要数小时甚至数天的数据收集与整理时间骤降90%，移动端查询平台的日活跃用户数激增三倍，标志着管理层获取业务洞察的效率实现了质的飞跃。

4.3 客户洞察、留存与精准营销的新范式

寿险业务的盈利模式极度依赖于保单的长期续期，而客户脱保（Lapse）一直是侵蚀险企利润的巨大黑洞。过去，保险公司难以在客户产生退保意愿之前进行有效干预。如今，依靠预测性分析与智能体的主动交互，这一局面正在被彻底扭转。

以专注于人寿保险垂直领域的AI企业Atidot为例，其基于超3,000万份真实寿险保单的庞大训练数据，构建了精准的客户行为预测模型。系统能够对保单持有人进行精确到个体的“纳米级分层”（Nano-segmentation），提前识别出具有高退保倾向的客户群。随后，营销与服务智能体会全自动地通过邮件、短信或即时通讯工具发送个性化的沟通策略与保费缴纳提醒，并根据客户的实时反馈动态调整交互话术甚至提供定制化的支付方案。这种高度个性化的机器干预不仅成功挽救了大量濒临失效的保单，实现了留存率活动高达5倍的投资回报率（ROI），还通过精准挖掘交叉销售与向上销售的机会，帮助直销客户将新单获取成本（CAC）削减了超65%，单条线索成本降低80%，为险企创造了极具韧性的利润增量。

五、 市场心理学与全球行业竞争格局的重构

技术的突飞猛进必然伴随着市场认知和行业生态的剧烈重组。2026年，无论是C端消费者还是B端保险企业，对AI的态度与采纳深度都发生了根本性改变。

5.1 消费者信任边界：拥抱辅助，警惕裁决

对于保险科技产品的最终受众，2026年标志着消费者态度的关键校准期。随着AI在办公、健康咨询等日常场景的全面普及（调研显示84%的消费者目前至少偶尔使用AI工具，27%的人每天使用），公众对金融AI的固有恐惧心理得到了极大缓解。根据Insurity发布的权威报告，2026年已有39%的消费者明确支持保险公司利用AI技术改善服务体验，这一比例相比2025年的20%实现了近乎翻倍的增长；同时，因险企公开使用AI而拒绝购买保单的排斥比例从44%回落至36%。

然而，数据的深层分析揭示了一条不可逾越的“人机信任红线”。如上表所示，消费者高度拥抱AI执行流程跟进与信息更新等日常辅助性任务，但在涉及个人核心利益的裁决性场景中，信任度急剧萎缩。近半数受访者明确表示，在索赔最终审批、欺诈定性检测等关卡，他们极度不信任脱离人工干预的全自动AI黑盒裁决。这向行业传递了极具战略指导意义的信号：精算与核保智能体在现阶段必须被设计并包装为“赋能人类专家”的协同增强系统，绝不可在面向消费者的触点上展示出冰冷、武断的机器霸权。

5.2 企业竞争格局的演变：从试点走向规模化红利

在企业端，规模化部署AI已不再是前卫的口号，而是生死攸关的竞争壁垒。根据Evident发布的2026年度AI指数，全球保险巨头正在掀起一场争夺AI技术制高点的军备竞赛。报告指出，安联（Allianz）在2026年历史性地超越了AXA，问鼎全球保险业AI应用榜首。其压倒性的优势源自全行业最为庞大的AI专业人才库——其AI专家数量比紧随其后的AXA多出约28%，两者合计垄断了全行业20%以上的顶尖AI开发人才。目前，安联在全球范围内已注册运行高达900个实际的AI业务用例。

第一梯队险企已开始从规模化的AI部署中收割惊人的财务红利。以宏利金融（Manulife）为例，其在2025年通过AI创造了超过2.17亿美元的实质性价值，并预测到2027年底这一数字将激增至7.23亿美元。加拿大Intact Financial公司更是将2025年的AI预期收益上调了33%至1.45亿美元，并雄心勃勃地预测到本十年末将达到3.61亿美元。这些实打实的财务回报有力地驳斥了“AI泡沫论”，证明了以智能体为代表的新技术已经具备了深刻改善核心综合成本率（Combined Ratio）的产业级能力。

六、 监管框架演进、风险治理与精算师的未来职业重塑

随着AI精算智能体不可逆地嵌入保险核心运营，行业正面临技术扩张与合规底线之间前所未有的剧烈角力。在2026年，缺乏严苛治理的AI落地不仅意味着财务流失，更可能演变为毁灭性的法律灾难。

6.1 全球合规共识的形成与区域监管差异

2026年迎来了全球AI监管实质性落地的关键节点。最引人注目的当属具有广泛域外效力的《欧盟人工智能法案》（EU AI Act）在2026年进入了主要的适用和执法阶段。该法案按风险等级对AI系统进行严格的阶梯式分类。在保险业中，涉及动态定价、个人信用风险评分、核保健康评估及承保自动化决策的系统，极易被直接判定为“高风险（High-risk）”类别。此类系统必须接受极其严苛的合规审查，包括极高标准的训练数据质量控制、强制性的人工干预与监督（Human oversight），以及在违规时面临足以重创企业资产负债表的巨额罚款。特别是法案强制要求企业提供完整的数据使用日志与合规审计追踪，这直接倒逼了所有AI底层架构设计者必须在系统记忆层（Memory Layer）实现每一笔外部工具调用和逻辑推演的绝对可追溯性。

与之形成鲜明对比的是美国市场。由于联邦层面仍缺乏统一且全面的AI专属综合法规，各州纷纷出台了大量碎片化的监管条例，涵盖算法问责、透明度及生物特征隐私等领域，而联邦政府则倾向于通过轻量级规则并试图优先于州法律来进行统筹。这种错综复杂的管辖权交叠局面，使得兼具跨州展业和复杂产品线的大型保险公司不得不投入巨资，建立专门的“AI伦理与算法合规委员会”，以应对日益复杂的监管环境。

6.2 精算行业的专业响应与主动突围

面对势不可挡的技术洪流与日益严苛的外部监管，国际精算界表现出了极高专业素养下的敏锐与主动响应。北美精算师协会（SOA）发布的2026年新兴风险调查结果具有极强的风向标意义。该调查显示，来自保险、金融服务和咨询行业的受访高管们，史无前例地将“人工智能技术”列为2026年及未来数年内最为核心的战略新兴风险，其受关注程度甚至一举超越了极端气候变化、经济波动与地缘政治冲突。SOA明确指出，AI不再仅仅是一个IT层面的实施风险，而是关乎整个保险商业模式存续的核心战略问题。

为了引导全行业平稳穿越这一技术周期，国际精算协会（IAA）下设的人工智能特别工作组（AI Task Force）在2025/2026年度正式开启了宏大的第二阶段工作。该工作组汇聚了全球约100名顶尖精算与数据科学志愿者，其核心使命是系统性地赋能全球精算师，加速其向“AI驱动型精算师（AI-enabled actuaries）”的转型。为了实现这一目标，工作组设立了四大核心工作流（Workstreams）：

1. 参与和基础建设（Engagement and Foundations）： 致力于提升行业意识，帮助精算师迈出应用AI的第一步。
2. 研究与推进（Research and Advancement）： 梳理AI前沿知识库，探索自动化常规任务及伦理考量。
3. 案例研究与工具（Case Studies and Tools）： 这是一个极具实操价值的工作流，负责收集并组织机器学习、自然语言处理（NLP）、公平性测试及Agentic AI的实际工具包。IAA更是前瞻性地在GitHub平台上开源了一系列精算AI应用案例（如利用多模态LLM如GPT-4o解析车险车损照片的Python代码），为行业建立可复用的最佳技术基准。
4. 采纳框架（Adoption Framework）： 该工作流目前正全力构建一套详尽的交互式采纳指南。该指南将覆盖从模型战略规划、数据管理、公平性测试直至模型上线后持续监控与最终退役的完整生命周期，并在模型透明度和可解释性（Explainability）方面建立严格的披露标准。

这些系统性的努力深刻表明，精算行业并未在AI的冲击下退缩，而是正通过建立严谨的学术与实践框架，主动将这一颠覆性技术纳入自身的专业疆域。

七、 总结与前瞻预测

站在2026年的关键时间节点俯瞰人寿保险业，数字化的征途已不可逆转地跨越了单纯的业务流程信息化阶段，全面驶入由Agentic AI驱动的“数智化深水区”。

我们预判，在未来3至5年内，决定保险公司生死的市场核心分水岭，将不再是简单的“是否引入了AI”，而是“能否在企业级架构中安全、合规且成体系地治理并编排AI智能体集群”。一方面，具备前瞻视野的头部险企将凭借历史积累的高质量数据、现代化的核心系统底座以及充沛的算力资金预算，逐步实现基于大模型的“多智能体网络”（Multi-agent ecosystems）协同运作。在这一生态中，独立的定价智能体、核保智能体与合规智能体能够实时共享业务上下文，并共同推动极其复杂的业务闭环，从而引发单位运营成本的指数级下降和获取市场份额的代际领先优势。

另一方面，对于那些底层数据标准混乱、依旧受困于老旧遗留系统且缺乏AI战略定力的中小险企，盲目跟风引入未经深度整合的大模型外挂应用，极有可能使其深陷高昂的算力成本无底洞与数据安全风险之中。在职业演进层面，未来的精算师与保险运营人员的核心价值，将从繁复的数据清洗和底层的规则运算中彻底解放出来，全面转向处理高复杂度的异常业务案例、提供深度的客户战略咨询，以及对底层AI智能体网络进行宏观逻辑的战略纠偏与合规把控。在这个由算力爆炸、算法进化与古典精算科学深度交织的新纪元中，能够率先打通“高质量数据-敏捷洞察-负责任自动化决策”自适应闭环的保险机构，必将脱颖而出，成为下一个十年全球保险业新秩序的绝对主导者。