Aflac 公司是美国最大的补充保险供应商,年收入达 190 亿美元。该公司因其标志性的鸭子形象和明星代言的广告活动而闻名。然而在幕后,公司一直在进行转型之旅。这一演变的主要推动者是公司执行副总裁兼首席信息官 Sheila Anderson。Anderson 在两年半前加入 Aflac,此后在推进公司的技术、人员和流程方面发挥了关键作用。
Anderson 自豪地表示:"Aflac 的愿景是创造一个让人们能更好地应对意外的世界。我们的补充保险能够帮助支付主要医疗保险未覆盖的费用。"
建立统一的技术组织
Anderson 加入公司时,继承了一个由多年收购形成的技术生态系统。与其他收购型公司一样,技术整合并不理想。她迅速采取行动集中技术运营,将先前在各个业务部门独立运行的系统整合在一起。
她说:"我们为 Aflac 的所有技术创建了一站式服务。这包括统一个人、团体、牙科、视力等业务领域的平台,同时整合共享服务和基础设施。" 通过减少整体技术足迹,Anderson 和团队降低了复杂性和风险,同时提升了公司价值。
明确治理和财务透明度
Anderson 最早的洞察之一是需要一个更清晰的治理模式,以及对 Aflac 庞大技术投资的财务可见性。她注意到缺乏集中监督,这造成了效率低下和重复工作。她说:"很难看清我们在整个生态系统中的技术支出情况。我们需要更好地了解投资在哪里,原因是什么,以及期望的结果是什么。"
为解决这个问题,她实施了技术业务管理实践,以跟踪支出并使投资与业务优先级保持一致。
重新评估云战略
Aflac 此前采用了简单迁移策略将其分布式功能转移到云端。然而,Anderson 认为需要暂停并重新校准。她强调说:"我不确定那是正确的策略。我们需要一个更有针对性的方法。"公司还没有完全准备好进行如此大规模的变革,Anderson 担心公司消化如此多变革的能力。
与其急于上云,Anderson 专注于建立内部准备、教育团队并创建集中化的云卓越中心。公司现在遵循她所说的"三 R"方法:正确的解决方案、正确的位置、正确的价格。
提供统一的团体客户体验
随着 Aflac 扩展其团体福利产品,Anderson 正在帮助推动统一战略,以简化客户体验。此前,公司的各个团体业务都是独立呈现的。她说:"我们专注于整合所有这些业务。目标是为客户提供无缝的'One-Aflac'体验。"
Anderson 的团队没有替换所有后端系统,而是开发集成层和现代前端,以简化服务并提供统一界面。
面向未来的人才优化
认识到技术转型也关乎人才,Anderson 领导了全面的人才战略。她减少了对第三方供应商的过度依赖,并根据当前和未来需求评估内部角色。她强调说:"我们制定了三年路线图,然后定义了所需的劳动力结构。我们确保拥有合适的人才和技能组合,以支持我们的发展方向。"
她的团队还引入了更新的工作代码、薪酬模式和职业发展路径,以留住和吸引人才。这种全面的方法在 Aflac 建立了更强大的内部人才核心。
数据和 AI 作为业务驱动力
Aflac 一直是人工智能的先驱,实施解决方案以提高理赔质量并自动处理低风险理赔。公司的基于代码的处理系统提供了强大的投资回报,并继续扩展到新领域。Anderson 说:"这是一个持续带来回报的投资。这项投资已经不止收回成本了。"
她后来将数据、AI 和创新统一在一个组织框架下。通过其 Hatch 创新实验室,Aflac 正在探索一系列生成式 AI 概念验证,涵盖从销售到理赔的保险价值链。对 Anderson 来说,确定创新重点的关键原则是她所说的"知道你的原因"。
她说:"我们投资的一切都必须与业务需求相关联。我们根据业务价值和预期结果确定优先级。"这一理念指导着从 AI 投资到平台升级的每一个技术决策。
展望未来
Anderson 对智能代理 AI 的崛起特别兴奋:这些系统能够主动代表用户采取行动。她认为这是自动化和客户体验的下一个演进。她说:"这些技术每天都在变得更成熟。智能代理 AI 可能会塑造我们未来的许多体验。"
凭借对现代化、整合和创新的明确关注,Anderson 正在引导 Aflac 迈向一个将公司使命驱动的传统与尖端技术相结合的未来。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。