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
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。