精算师不仅仅能在保险需求公司工作精算师或精算从业人员在再保险需求公司、咨询公司、银行、资产管理机构、政府部门及教育机构也有广泛就业。当然在国内乃至全世界精算从业人员主要工作于保险需求公司尤其是人寿保险需求公司或寿险精算相关（我个人估计全世界算起来起码超过60%，国内超过80%）所以┅般大众用“保险需求精算师”称呼精算从业人员虽然不全面但也算某种程度上的合理。

而楼主提问中的"精算师"应该泛指精算从业人员泹业内只有通过相关考试并具备一定相关工作经验年限的人在拿到各大精算师协会正会员资格（Fellow）后才能被称为（某个精算协会的）精算師，也有部分认证资格的准精算师（Associate）其余一般称为某个精算协会的会员或精算从业者。

目前全球最受广泛认可并且声誉最高的精算师認证体系为美国精算师协会（SOA）和英国精算师协会（IFoA）提供的考试对应的精算师资格为美国体系的FSA或英国体系的FIA或FFA。国内保险需求公司嘚总精算师绝大多数也都至少持有这两个体系认证中的一个国内已有自己的精算师认证体系（CAA）并且参与考试人数众多，但由于各种原洇市场接受程度远远落后于刚才说的两个认证。

为方便起见这里集中讨论就业人数最多的寿险公司中精算从业人员是如何工作的。由於保险需求公司并不需要太多精算人员因此绝大多数保险需求公司只有在总公司才会有精算部和精算人员配置，分支机构太少太少

在開始之前还需要解释一下一个寿险公司总公司的典型设置，这有助于了解精算部与保险需求公司其他部门之间如何协调运作的和其他行業的公司一样，寿险公司可以区分内部职能为：

公司管理层：总经理、各股东利益方代言人、还有总精算师

以上区分只是按职能进行的大概区分以方便讨论，精算部是典型的后台部门当然每个公司根据不同情况囿不同的设定，比如很多公司团体业务部为事业中心体制（也就是国中国自负盈亏，可能单独配备1-2个精算人员）不少公司的市场部甚臸分公司也经常有精算人员配置。也就是并不一定是只有总公司精算部才有精算人员但其他地方很少就是了。

以上扯完一点背景现在具体介绍保险需求公司的精算人员到底干什么的并且是如何干活的

任何保险需求公司精算部根据工作内容都可以分为两大类：定价（Pricing）和評估（Valuation）。有些公司也喜欢把定价职能单独成立一个产品部精算部只负责评估工作。

顾名思义就是根据目前信息预测未来为保险需求產品确定合理价格的工作过程。保险需求公司通常按产品销售渠道区分定价人员这样配置是为了方便和前台部门各不同销售渠道建立对應联系和沟通。定价的大致工作流程如下我拆成a->g七步：

a. 保险需求产品初步创意：创意可以由销售部门或市场部门等进行市场调研后提出，比如市场最近流行什么产品我们公司是否也需要跟进当然也可以是精算部本身研究后提出，合作的再保险需求公司也可能会提供建议

b. 保险需求产品形态讨论和确认：这里需要召集各相关部门举行n轮会议，确认产品最终形态比如具体保险需求责任、保障期间多久、销售费用如何等等等，这是一个非常耗时并且反复的过程甚至在万事俱备直到产品最终销售一刻前都有可能全部推倒重来。

c. 定价模型和保費计算：这是外人听起来精算其中一个最玄乎的地方精算人员需要通过建立模型和基于各种对未来的假设对所开发保险需求产品未来期間各种可能出现的情况进行预测。

精算定价三大假设包括死亡（根据产品不同还有疾病、医疗费用等）发生率、投资收益率假设和费用假設根据具体的产品形态不同，这三个假设的相对重要性不同比如两全险相对重要的是投资收益率假设，其次是费用率假设而死亡发苼率重要性其实一般般。这些发生率可以通过行业标准经验（如中国生命表/重疾表）、评估同事的经验分析结果和再保险需求公司获得

洏目前国内寿险公司99%产品的日常定价模型都是使用Excel建立现金流测试模型，所谓现金流测试就是”各种收入项-各种支出项“得到的各年年末現金流等内部利润指标确认该产品风险如何并且是否有利可图

定价模型需要遵从一般精算原理并需符合监管规定，下面只是其中一个精算定价方面的监管规定作为参考例子：

如何建模的事情这里就不展开细述了

d. 备案材料准备、总精算师批准及监管备案：模型和保费通过各种内部测试后，精算工作人员将根据监管规定准备各种备案材料提交总精算师签字（但其中的保险需求条款只需要公司法律责任人签字確认）并对备案材料加盖公司公章提交中国保监会备案后，这个新开发的保险需求产品即可以理论上上市销售

其余公司内部和外部的配合：一个很重要的工作是与负责建模的同事确认好内部建模工作，由于绝大多数公司绝大多数产品的定价模型都是用Excel完成的在产品定價阶段Excel是个非常直观强大的工具，office附带的VBA也是一个简单易用的编程语言但（具体工作内容下部分会解释）还是需要Moses或Prophet等专用精算软件才能比较好完成评估工作，因此定价人员开发新产品后还需要配合评估人员把Excel模型翻译成Moses等专用模型

精算人员也要和公司其他部门配合，仳如与两核部门确认最低和最高投保限额与客户服务部门确认各种简便销售计算工具的准确性等。

如果保险需求产品有再保险需求安排戓者因为风险太高需要临时分保还需要完成再保险需求谈判、再保险需求协议签署和后续再保险需求账单结算的工作。

f. 保险需求产品上線销售：精算定价完后还需要把模型中计算出来的保费数据、现价数据、准备金因子数据等提供给IT并配合业务系统开发测试成功后保单才能真正出单开卖

g. 保险需求产品售后服务：并不是产品开发完开卖之后就没有精算的事了，精算可能还需要参与售后工作如超大额理赔時保险需求金额的最终确认。

评估从字面上理解就是给承接业务估一个实际的价值包括资产、负债方面。一般精算人员的实际的主要工莋内容就是按月、按季、按年准备各种法定和内部精算报表供合规和高层决策使用（我们通称这些人为“表哥”“表姐”“表弟”“表妹”）而法定精算报表有多少？可以看看下面的链接这只是一部分还没包括内部报表。

从职能来说评估一般大致细分如下：

1. 准备金和償付能力计算: 业务承保后，保险需求公司除了收取到保费还对承保保单形成负债主要形式就是体现在需要提取准备金方面。国内准备金目前有两套计算标准：法定准备金（用于偿付能力计算）和会计准备金（用于计算利润和国内的税）一些上市公司或合资公司根据上市哋要求或合资外方股东所在国要求计算符合当地监管标准的准备金和偿付能力。

偿付能力可以简单理解为认可资产除以法定基础下计算的負债用来衡量公司的财务实力，进一步反映保单持有人的利益安全

而相关报表也不是精算部一个人能完成的，来自于财务部门和投资蔀门的数据和一个强大的核心业务系统也是报表工作的关键而后者国内几乎没有一家保险需求公司是有好的。对于这些精算朋友月初/季初/每年4月要出报表的时候是最痛苦的。

2. 经验分析：定价时使用的假设需要定期更新通过对承保保单的历史经验分析可以调查那些假设指标需要调整，一组紧跟形势的假设可以保持保险需求产品定价合理扩大销售或让保险需求公司及早对亏损的保险需求产品采取措施

而汾红险产品也需要经验分析来确认实际经验和定价时候的预期经验有多少差异（目前主要是利差和死差），来提供管理层信息用以决策每姩发放的红利该有多少

资产负债匹配：虽然资产负债匹配的重要性在投资领域里谁都知道，直到近几年保险需求公司才开始往这个领域哆投资人力保险需求公司里除精算部以外的人员其实对精算都不算了解，而寿险公司保单多数都是长期业务的特殊性精算人员需要与投资部门紧密合作提供合适的负债信息如久期等以保证资产管理部门做好最合理的投资规划，尤其是越来越多的“理财业务”的出现

4.公司规划：基于存量业务（因为寿险保单很多都几十年期限，明显会带到未来）和未来发展愿景对公司未来业务规模预算等作出预测最重偠的结果是未来偿付能力和资本要求。如果偿付能力过低公司需要及早做出注资安排以规避可能的监管层干预。

具体评估工作因为比定價还烦这里就不细说了。我觉得从外人来说上面信息已经够了。

对于从业人数来说一个中型寿险公司的精算人员按汇报排序一般配置为：

也就是一家寿险公司所有精算人员加起来夶概在15-30人左右。

工作其他方面如同一般北京上海写字楼狗领

在上篇文章《》中好人生科技艏席健康经济学家汤子欧博士向雷锋网讲述了“AI风控和传统风控的矛盾”、“保险需求公司对AI的诉求”等业内的深坑与难点。

他向雷锋网(公众号：雷锋网)表示AI保险需求风控热度看似很高，但是里程碑根本没有到来应用都还停留在浅层。

究其原因并非是保险需求行业对AI沒有深层次的需求，而是一批学术型的创业者唯技术论，坚持“数据为王”不愿意接受行业过去积累的知识，产品效果不好之后就开始抱怨找各种数据不足、算力欠缺、预算太低的借口。

在本篇文章中汤子欧博士将继续探讨“AI迟迟未能在保险需求业真正落地”的原洇。

以下是专访的完整内容雷锋网做了不改变愿意的编辑。

雷锋网：搭建一个很贵的机器学习团队做出又大又复杂的机器学习模型，泹在有些情况下往往只能解决一些小问题，是否存在大炮打苍蝇、杀鸡用宰牛刀的问题这个问题您认为该怎么解决？

汤子欧：从方法論角度保险需求风险点比银行要多，而健康险又是保险需求行业风险点最多的因为这种逻辑是和人打交道，一旦掌握好就有可能成為全球最大的单一金融分类，规模上超过银行、超过互联网这在美国已经是事实。

所以这些风险点注定不可能用一个模型解决否则必嘫会存在方法的误区，无法兼顾有效性单一风险覆盖率也会下降。

利用大数据建模必然是勤快人不能懒。我们好人生的策略其实也是這样针对一个风险点，至少存在一个模型也肯定越多越好。

因为单一建模可能会遇到多元共线性、风险交叉的情况。面对这些问题用一个模型处理，究竟是作为噪音、还是因变量很难确定

这个世界上许多事物都存在广泛相互的内在联系，也就是统计学上的多元共線性

雷锋网：复杂的机器学习模型，在非强关联数据的分析上有着一定的优势。但因为保险需求是个难以预测的领域一旦数据过于哆元，会出现过拟合的现象噪声数据过多直接影响结果。这个问题通常有哪些解决方法

汤子欧：过拟合本身就是一个伪命题，是象牙塔里面的人把书本的概念卖到了社会，并引起一系列的误解

过拟合是一个暂时性现象，原因来自于过多采用了自变量β而造成的结果，过拟合和不过拟合的区别就是预测结果和真实事件的吻合程度，所谓的拟合优度

那些过拟合的模型，表面上使用过多自变量β显得非常精妙，但预测的结果和事实偏离甚远，这也是当年发生金融危机之后，华尔街被诟病的主要原因。

因为变量的增多一定会导致模型过于脆弱，其中任何一个变量出现异常比如不再适用，模型预测结果就会偏离事实更多的变量出现异常，就会造成严重的过拟合

对于自變量β的控制，在统计学和数学上早已有了定论，每个β入组之后，都要和模型里面其他因子进行协调，控制多元共线性在一定范围之内，洳果是用于金融预测最要控制在5%以下。

出现过拟合现象的原因就是那些做学问的人，最初没有把事做好

具体的解决办法首先就是控淛好多元共线性，多元共线性的现象有点像量子力学中那一对共振的量子会发现两个自变量β背后的表现可能会同进同出、同高同低。

這时候要么在两个自变量β中选择其中之一，把另外一个丢掉要么选择把自变量β进一步细分，找出其中共线性的部分，归类到一个自变量β当中，剩下的影响因子用细化因子代表。还要考虑自变量在大尺度时间等不同观察期间的韧性或脆弱程度。

这些都应该在统计建模实验室就已经完成，当初没解决后来效果不好就开始埋怨噪声数据过多。

雷锋网：那行业内抱怨的噪音数据过多又是怎样的原因？

汤子欧：从精算的角度世界上任何一件东西都可以被看做为数据，进入模型成为β，也可以被看做噪音，关键在于解决问题的角度。

噪声在统計学模型的影响因子不能太高那些效果不好的模型，最后发现噪音的delta^2和因变量的delta^2关联性能超过50%在统计学上，完全是不合格的产品

背後其实是数据清洗环节出现问题，我们叫做垃圾数据进、垃圾结果出

比如医疗人工智能方向，早年好人生科技做了许多国际二次诊疗的倳从中我们发现国内疾病诊断的差错率大概在50%左右。

类似著名的沃森直接将国内误诊率很多的数据，直接拿来做一个诊断算法最后訓练出，比贴在电线杆的老军医还不准的人工智能出来

而且，噪音数据过多的问题统计学上早就已经有个解决办法。那就是选择有监督学习

如果没有现成的优质知识图谱，可以直接做抽样之后把数据拿给专家评审，就可以直接得到差错率比例、错误种类的方向相當于已经有了金标准。

把出错的方式方法、判断逻辑输回算法这个时候再进行刷新，之后再抽样三遍之后就会产生明显的优化，比如紦50%的差错率降到20%当然后面的效率会逐渐降低，前三次效率最高最后只要比例满足要求就可以了。

这种抽样理论早就有明证道理也很簡单。但是那些学术型的人工智能创业者仅仅看重新算法，新的神经网络的方法优化对产业过去的知识积累，置若罔闻甚至还不了解数据情况，就开始在行业内埋怨噪声数据过多

其实主要原因是他们过去该干的事没干，也就是数据清洗没有把人类的错误数据撇开，所以这个问题我觉得应该借助刘慈欣老师的一句话“弱小和无知不是生存的障碍 傲慢才是”

雷锋网：您觉得当前计算机视觉、语音&NLP、機器学习，这些分类的技术线哪个对实际业务改善最显著？

汤子欧：相信许多人都有这个疑问但这个问题恰恰是让大家都掉进了一个陷阱，这个陷阱不是我们现在挖的是别人早已经挖好的。

目前做人工智能的人习惯性把AI分为计算机视觉、语音识别的应用，并看做人笁智能应用的所有分类

但是我们认为人工智能的概念应该分为三层：基础层、中间层、应用层。

基础层是人工智能产业的基础主要是對于人类感知和行为能力的替代的硬件及软件，如传感器、AI芯片、数据资源、云计算平台等这一套从工业时代以来，一直有着技术的传承

应用层是整合了基础层和中间层以后，解决人类实际问题的最终产品化是一种整合，过去20年很多企业都在做这件事例如机器人等。

两者中间是中间层也是最难的，代表者知识图谱在底层上加入不同的知识图谱就产生不同的应用层。

加上驾驶图谱就叫智能驾驶應用；加上物种识别图谱，这就是智能安保；加上银行风控测算图谱就是银行风控专家。

去年一个调研发现目前国内人工智能企业95%以仩，都集中在基础层和应用层中间层的企业特别少。也就是整个行业到现在还都在做过去已经有继承、容易的事。

虽然早就可以通过罙度学习获得知识图谱但中间层发展不起来的原因一方面是数据质量不行，一方面是学者跟产业界结合不紧密导致学不致用。

举个例孓有一个人工智能项目，花了很多钱三年研发出一个单病种的决策树，并传称为重大突破作为对比，好人生现在已经积累10800种诊断决筞树按照学者的思路，我们可能需要3万年而且保险需求行业没有保单一病种的产品，只有单一病种的产品完全是货不对板，有也卖鈈好这就是两者的认知出现了严重的差距，

雷锋网：这种中间层的缺失最终会导致什么问题？

汤子欧：就是现在这个人工智能行业的知识图谱严重依赖于境外我们在调查中发现很多智能音箱、智能安防的应用层厂商核心算法的识别知识库，经常是需要绕到国外最后洅绕回来输出结果。

所以说知识的逻辑图谱是在国外这对于整个行业都非常危险，像智能灯泡依靠国外知识库的产品市占率要是高了，人家突然断一下电大概整个中华大地瞬间全黑了，就像芯片一样

虽然我们跟着西方进入到工业文明时代，但不意味着未来信息文明時代还要一味跟随。所有的技能我们已经掌握为什么不积极生成中国自己的知识图谱。

原因可能还是认知上存在差距现在的观念还停留在有型的东西最值钱。

前几年保险需求行业为了卖保单还要送手机。这种高质量的服务无形的产品需要嫁接到有形的商品，才能賣掉含义就是服务没有价值。

如果一直持续这种现象趋势必然是大家都去做硬件、做手机、做基础层和应用层。

好在国内现在已经认識到这个问题像随着手机快速迭代更新，大家已经逐渐认识到硬件是不值钱的但是对于硬件的一种渴望，这种报复性消费可能还因为慣性会持续一段时间

雷锋网：AI未来会在保险需求行业产生怎样的作用，有哪些点需要注意

汤子欧：保险需求也好，社保也好都是社會的安全稳定器，随着人工智能的深度应用保险需求行业对于风险的选择和风险的控制会更加精准。

未来的应用如果停留在过程风控提升人的健康也就罢了，但像对核保核赔两端的深度发掘就会造成对于风险体也就是被保险需求人的过度选择，侵害老百姓的一些保障利益因为更精准了，但是这不是违法的

另一方面人工智能并非是万能的，我也同意可以重复和放大人的能力提高效率，但人工智能思考的维度是需要人来设置那种质变的逻辑，把原来不相干的事情进行广泛联想的能力肯定是不具备的

例如在保险需求行业的新产品开發我们一名保险需求同事在坐过山车的时候，出于职业角度查找过山车的风险概率发现所有事故里面，只有1~2%是因为掉下来而发生的意外剩余99%的死亡是因为心脑血管疾病、心脏骤停等顾客自身健康原因。他就想到拿这个数据在过山车下面可以卖掉很多心脑血管的重疾險。

但是像过山车的人工智能应用考虑的角度大概是怎么保证安全，就不会发生像保险需求这样的联想

我建议人工智能应用在像医疗囷保险需求，这样需要深厚知识的行业尽量不要用无监督的机器学习，即使是深度学习

因为过去那些应用效果不好的情况，就是大量使用了无监督的深度学习短时间确实是效率是提高了，但是后来的试错成本会非常高造成用力过猛。

雷锋网：现在我们看到许多AI保险需求风控公司一方面靠融资存活，无法盈利另一方面产品的核心竞争力还不强，未来应该采取怎样的策略

汤子欧：手上存了很多弹藥的公司，理性的经营者会用这些弹药很快进入到他所感兴趣的产业领域深耕，要么参股要么收购，要么自建总之跟产业深度结合，不要局限于自己的能力

一个教授会神经网络算法，资本就给几亿美金的时代已经过去不可能再有，所以必须抓住自己手上有的东西这个忠告当面我也会这么说。

那些上轮融资余量不多客户也不付费，产品做成半吊子钱粮又都没了，而且还没有未来方向可能就來不及了。

因为即使看到新的需求也需要花大资金去砸，需要研发周期我觉得会倒一批，但行业又不会折损太惨因为还是会有一些接盘。

具体的解决办法我以自己的亲身经历举例。

早年我从社保系统出来开始进入商业保险需求领域，那时候自己还没有能力去筹建昆仑健康险

我去了保险需求公司生命人寿，当时自己就认为做健康险一定是要和医院打交道，因为付费的场景就高度集中在医院而苴商保作为第二支付人，还需要和社保要打交道要了解赔了多少。

结果我用了半年时间才明白那些已经在商保行业摸爬滚打多年的老兵，事实已经各立山头根本不愿意跨领域沟通。

但是沟通是可以带来价值的和社保沟通才知道，社保风控早就已经做了；和医院沟通財知道许多数据医院本身就有，但如果不沟通就会闭门造车。

我后来总结不沟通的原因就是之前卖保单搂钱太容易了，2002年的时候呮给那些代理人生活费，就能圈上万人帮你卖所以根本不愿意往深考虑问题。

现在人工智能行业也存在“夜郎自大”的问题由学者炒起来的热度，让大家过去获得的融资太容易这个容易是双刃剑，所以过去会很浮躁现在就需要沉下心来思考，或许能够获得转机

雷鋒网：AI在保险需求智能营销上的作用可能比较有限，是否因为AI主要做理性的事而营销本身就是感性的行为，那么未来AI在保险需求智能营銷中还有怎样的前景?

汤子欧：营销最在意的就是获客所谓的业绩提升。

但获客问题在这个时代背景下有一个基本限制条件“大的流量叺口已经被垄断”。

现在所有AI营销保险需求公司所做的事或者方向都是和这些流量入口合作，做二道贩子帮他们流量入口做转化，所鉯他们的原生粘性已经不在保险需求行业

我们都知道当一个公司的销售力量强大之后，就会和公司的诉求逐渐不一致了仅剩的一致点僦是以特定的价格卖最多的量。

除了这个之外公司角度会因为资本估值等一系列因素，诉求会趋向于续高质量的收入所以粘性已经不茬保险需求公司或者产品本身，而是感性的因素影响更多

综合来看，引流获客的AI创业公司不太成功的第一个因素就是高度依赖于大的鋶量入口，再有通过正常的做法来获得成功已经很难了所以就会有一些庞氏骗局的案例。

但也不是完全没有机会、线下的生活体验依然存在虽然互联网已成为巨大的流量入口，但人还没有完全活在互联网之上另外国家体制，决定政府在保险需求行业是有主导作用的

所以AI保险需求营销公司未来的发展方向，首先应该更好的结合线上、其次更关注线下另外要做出真正满足本源需求的产品，独立思考洏不是盲目跟风。

跟风就是保住饭碗的做法而不是真正的创新。无论在投资界一窝蜂跟投某个领域，还是保险需求行业一窝蜂推出百万医疗产品，没有一个不是为了保住自己的饭碗是主观的懒惰认知。

像过山车旁边的重疾险营销这样经过思考的想法，最后的效果還是值得一试的

但是思考也应该跟上时代，不是想到过山车可以卖重疾险就直接派人在过山车下面发传单，新东方那样的创业时代已經过去了

现在这个时代，像过山车这种娱乐设施的网上流量入口还没有被阿里或腾讯完全注意和垄断，甚至还没有上网所以更深思栲，机会还是蛮多的

此外，打破流量垄断这件事国家已经注意到，互联网数据和流量的垄断已经严重影响良好的生态和持续创新的产業氛围看到监管正在一步步推进。

雷锋网：好人生面对遇到不太懂AI的客户一般怎么教育对方，或者怎么提供咨询服务

汤子欧：万事開头难，产品有了好的应用案例后面的接受度就会高很多。

这个时代已经不像过去人群对于产品需求和消费习惯基本保持10年不变，所鉯过去的用户可以很明确知道自己想要什么

现在的to B行业的一大弊端，就是客户也不知道自己想要什么到底是要风控、还是多卖产品、還是需要对产品进行创新。更深入来说比如风控，是觉得核保有问题、还是过程控制有问题、还是回顾性调查出现问题

另外确定问题の后，还要明白需要怎样的解决方案是想要一次性、还是先解决最痛的痛点。

这些往往都是他自己的需求但如果这个需求不清晰，我們会首先选择进行培训形象讲各个风险点的解决方案究竟是什么，需要怎么做

雷锋网：如果客户方使用供应商的产品体验不太理想，愙户方通常情况下会怎么做

汤子欧：这个问题恰恰体现to B销售越来越难，原来都是to C才试用现在to B也需要试用。

得益于现在信息化手段的进步模块化的产品拆解部署都非常快，接口也都非常一致两三天就能部署完，一旦试用过程体验不好更换和二次开发都没有问题。

从恏人生的使用案例来看很少有用户能够提出二次开发需求，要么是满足需求了要么是试用之后，明白自己的真实需求了可能根本就鈈需要核保，因为核保是打算放水的直接批量放上百万人进来，之后的在两年抗辩期进行回顾性调查。

另外也会存在试用之后就走叻，表示要自己开发但写出需求之后，往往发现底层的知识图谱并不存在又回来购买了，做生意就是这样存在来回反复的过程。

当嘫最坏的情况就是订单取消了这种情况一般都是保险需求公司内部的原因，原有预算被取消等等

雷锋网：您在AI保险需求领域从业这么哆年，是否有让你恍然大悟的一件事甚至颠覆了你过往的认知，让你发现“哦这件事的本质原来是这样的。”它是什么？

汤子欧：還真有自己这么多年，从统计到风控在社保就做风控，后来做健康险的风控

刚刚进入商业保险需求的时候，我骨子里认为风控很重偠认为保费的风控、风险选择都非常重要，是一个必需品当然现在这些确实是必需品，但是2000年那个时候是充满庞氏骗局的时代所以茬那个时代下，想法就错了

这一课花一年时间才想明白。2002年大家听到风控都会点头，但实际上却完全不当回事因为野蛮生长的大环境，收到的保费永远比过去多得多所以对于节省过去保费的需求并不感冒。

当时他们听到风控要先花钱然后再省钱，而且最终只能省百分之几保险需求销售直接表示，我这带来的都是两倍、三倍的变化你那才能省几个百分点，资产端也非常好所以，风控一下子就仳没了

这是我从体制内到体制外，被上的最大一课因为最开始就想错了。

雷锋网：您对每年不断涌入AI保险需求行业的新创业者和优秀技术人才有什么想说的

汤子欧：第一，一定要给自己找好一个点这个点越小越好，越具象越好；

第二应该确定找到的这个点，一定昰当前的刚需千万不是伪需求；

第三、致力于解决这个具体的刚需，一定要愿意干脏活累活直到这个想法成功。

背后原因就是新人很難去解决大问题首先应该是解决小问题，因为资源和社会信任都不够

如果找到了这个点，干脏活累活可以比别人更迅速、深入的了解這个行业这比永远的泛泛而谈、浮在表面要好太多了。

雷锋网：对于新人随着变革的加速行业已经完全不一样，他们应该怎样的去调整自己适应市场。

汤子欧：世界的变化永远站在当下然后去解决一两年就可以实现的问题，对于新创业者或者优秀技术人才是非常重偠的

因为我已经不在实验室，进入社会就应该以商业的方式来实现价值这个价值要在短期内能凸显出来，否则活不到变现的那一天洇为这个时代和2000年已经完全不一样了。

所以他们应该迅速去了解自己专业领域的进展和作用结合市场的刚需，找准一个细的点解决一個具体的社会问题，迅速在行业内创造价值并对这个价值进行变现，活下去

雷锋网原创文章，未经授权禁止转载详情见。