沃伦·巴菲特喜欢保险行业的原因在于浮存金，这个术语指的是保户向保险公司交纳的保费，这部分金额已经被保险公司入账，但尚未用于支付保户索赔。「浮存金」相当于一种可以用于安全投资的免息贷款，只有在保户索赔时才需兑现。这也是保险公司聚焦每一个保险单相关风险的原因。保险公司对愿意购买保险的单位或个人开具保险单的过程成为承保，承保的过程需要保险公司进行相应的审核，尽可能地获取更多的数据支持，对其进行深度洞察，进而确保开具的保费在盈利的情况下比竞争对手更具优势。
提出的投保申请进行审核的过程为「承保承保过程需要发现尽可能多的数据并进行分析，以确定一个优于竞争对手但能够保证获利（基于被提出索赔的可能性）的利率。该过程用到的技术手段——尽可能发现更多的数据（大数据处理）以及数据分析（人工智能技术）显而易见。
初创公司 Cape Analytics 是一个非常好的案例。这家公司凭借 1400 万美元资金，将机器学习与计算机视觉及地理空间图像结合，开发了一种为财产保险公司进行服务的解决方案，帮助分析房屋屋顶材料类型、状况和建筑物的占地面积等。这正是可以运用大数据和 AI 来改进承保过程的应用。本文讨论的九家保险公司正是使用这些技术来改善承保流程。
用科学研究预测风险
2011 年成立于加州的 Praedicat 公司投入了 1,200 万美元的资金，为 Litagion®风险管理旗下的责任保险公司及再保险公司开发了一种基于科学的风险分析工具。Praedicat 的算法针对文献资料进行挖掘，提取出有害身体的动态元数据，例如纳米材料、苯、手机等材料。其中，BPA 作为一种用于制造硬质透明塑料的工业化学材料，被用于多种消费品。下面是 Praedicat 给出对 BPA 危害的分析：
本质上，这家公司是在试图预测保险公司可能要进行的赔偿费用。搭载 Praedicat 的技术，承保过程从风险规避转向使用科学数据主动识别风险。这样，保险公司就可以根据数据导出的新风险点（如含 BPA 的产品）创造保险产品。
再保险数据分析
QuanTemplate 成立于 2013 年，总部位于直布罗陀，获得了保险巨头安联集团等投资的 1025 万美元资金。QuanTemplate 是一家保险数据管理和分析公司，为保险公司提供解决方案，帮助保险公司从保费和索赔中了解其投资组合数据，确认利弊风险点，衡量和监督承保业绩，起草符合管理或监管的报告如 Solvency II pillar 3（Solvency II（2009/138 / EC）是欧盟法律中的一项指令，用于对欧盟保险条例进行编纂和协调，规定了欧盟保险公司为降低破产风险而必须持有的资本。pillar 3 列出了保险公司风险管理的要求，以及对保险公司监管细则）。下图显示了 AI 如何发挥作用：
Quantemplate 解决方案基于保险公司的政策和索赔信息，集成第三方数据，为保险公司提供大量有用的见解。显然，它在再保险领域也有特殊的应用。保险公司出于减轻自身承担的保险责任的目的，会用「再保险」的方式将自己不愿意承担或超过自己承保能力的保险责任转嫁给其他保险公司。
利用社交媒体的实时投保
加州初创公司 Carpe Data 成立于 2016 年，一轮的融资额已经达到 660 万美元。该公司为承保项目提供预测性评分方案，如个人、汽车、人寿，甚至无法通过传统商业置信评估的小型或微型业务。评估分数覆盖美容、水疗、汽车修理、健身、餐饮和酒店等领域的 2800 万个美国小型企业。以下是零售业务的商业风险评分样本：
系统还会对客户生活中发生的重大事件发出实时报备，如婚姻，分娩，工作变更或房屋购买等，这就相当于为保险公司提供了重新参与及覆盖顾客的绝佳机会。Carpe Data 能利用任何「社交网络、在线内容、可穿戴设备、连接设备和其他形式的下一代数据」。因此，在未来的某个时刻，您的保费可能会由 Facebook 来定。
量化天气风险
法国初创公司 Meteo Protect 成立于 2011 年，拥有 263 万美元融资资金。虽然他们宣称自己是保险和再保险代理人，但他们的真正实力在于使用气候气象学来衡量气候变化的弹性，秘密武器则是一套被称为「Weather Neutral™」的解决方案。安联集团曾表示，美国 3.4％的国内生产总值会受到日常气象差异的影响，大约为 5340 亿美元。Meteo 提供的基于索引的解决方案可以保护用户业务免受不利天气影响，业务范围覆盖了许多高危行业，如农业和能源产业。
一旦弄清楚恶劣天气对收益或者额外消化成本的影响，如在农业方面幼苗的供应量降低，在能源方面存在配电下降等问题，用户就可以为这类风险投保。
提供健康信息的可穿戴设备
于 2013 年成立的佐治亚创业公司 Big Cloud Analytics 已经募集到了 640 万美元的资金，用于构建 COVALENCE™健康分析平台。这个平台可以使用可穿戴式设备来实时分析用户的实际健康状况。预测分析平台从可穿戴设备获取 50 多个生物特征数据点，为人们建立健康评分体系，如下图所示：
如今，保险公司可以根据客户的年龄，婚姻状况，烟酒使用程度等个人信息与生物特征数据进行结合，进而更好地评估风险并减少欺诈性索赔。保险公司使用这项技术对客户的健康状况进行实时监控，跳过了过时的病历筛选工作。该领域的的另一家新加坡初创公司 FitSense，也已拿到了少量投资，目前正处于测试阶段。
确定意外险保险索赔
成立于 2014 年的纽约初创公司 Tyche 已经获得了 68,000 美元的投资用于开发针对意外保险的承保分析工具。与人寿、健康、财产保险不同，意外险是个人或组织的责任保险。例如，如果一位作家说金·卡戴珊毫无价值可言，他可能不会因为诽谤而被起诉。但如果对金·卡戴珊发表了不实言论，他就可能因诽谤而被起诉。这就是意外风险。
Tyche 将机器学习与大数据（公开数据和专用数据）相结合，以确定可能有争议的政策：
通过 Tyche API，保险公司可以开启「索赔避免模式」，此举把超过 30％的潜在索赔风险集中压缩到 1％，在现有承保标准上进行约束，通过大幅提升底线的方式降低承保人在政策中的最高风险。
承保服务
伦敦的 Instanda 成立于 2012 年，其投资方并未被披露。该公司为保险公司提供云保险软件，使保险产品可以通过自动化承保实现快速创建，管理和分销。其核心竞争力是速度，灵活性和一站式服务，如下所示：
他们已经设法吸引了不少品牌的注意力，这些品牌正在使用他们的软件来承担特定部分的承保流程。
利用人工智能识别数据中的隐形关系
DreamQuark 成立于 2014 年，是一家位于法国的初创公司，其资金来源亦被未公开。该公司希望通过 AI 技术来识别数据中的隐形关系。这家公司提供的解决方案面向具有商业技能而非科学技能的数据分析师，帮助他们迅速迭代并破解保险业和银行业数据的挑战。这种解决方案能够对数据进行自动识别及清洗，并表示出保险及银行业中无形的增值价值所在。端到端的机器学习框架可以各种应用中的结构化及非结构化数据进行处理，例如承保、合规、欺诈、泄露或信用风险检测：
对人寿保险进行洞察
Atidot 成立于 2016 年，是一家位于以色列的初创公司，融资金额未公开。这家公司专注于将预测分析和机器学习技术应用于人寿保险，他们声称处于战略性考虑，其拥有的 80％的数据未被使用。目前，Atidot 已经使用 5 亿个数据点对 470 万个保单进行了分析，从而对现有模型完成了 15% 的改进。Atidot 的信心可能是来源于两位曾服务于以色列情报部门的精英研发团队的创始人，还有一位曾是以色列财政部的首席精算师。
对于大多数人来说，价值 7 万亿美元的保险行业非常激动人心，一些科学技术混合应用于其中会为其增添乐趣。沃伦·巴菲特曾发出警示，一些保险技术可能会被自动驾驶颠覆，改变整个汽车保险业。虽然上述事例不够详尽，但它确实提供了一些降低保险公司风险，提高透明度的很好的典范。不过，遗憾的是保费不会降低，所有产生的额外利润都将直接归于股东。
