AI 既带来算力、网络与算法责任等新风险，也在重写核保、定价与理赔的方法，非车险正处在两股变化的交叉点。
一个交叉点
人工智能与非车险的关系，比一般的"降本增效"叙事要复杂得多。它同时发生在两个方向上：
- AI 作为风险来源：算力设施、模型失效、数据与算法责任，都是过去不存在的风险敞口；
- AI 作为承保工具：核保、定价、理赔、反欺诈，正在被重写。
非车险恰好站在这个交叉点上——它既是给新风险提供保障的一方，也是最需要靠新技术提升判断力的一方。
一、新标的：正在出现的保险需求
1. 算力与数据中心
大规模算力设施的风险结构与传统财产险显著不同：单点价值密度高、业务中断损失可能远超实体损失、供应链（电力、冷却、网络）高度耦合。
有分析指出，随着传统承保能力不足，AI 数据中心的自保保险（captive）正在增加（该来源为二手转述，待核实）。这个方向值得国内密切关注——中国的算力建设规模决定了它迟早会成为一个实质性的非车险需求。
2. 网络安全与数据责任
这类风险的特点是：低频、高损、强关联。一次事件可能同时触发营业中断、第三方索赔、监管处罚。
难点在于缺乏历史损失数据，且攻击手法持续演化——传统基于历史赔付的定价方法在这里会失灵。
3. AI 自身带来的责任
当企业的决策越来越多地由模型给出，"模型判断错了谁负责"就成了一个必须被保险回答的问题。这不仅涉及法律责任的分配，也涉及举证：要证明模型当时是合理的，前提是决策链路可追溯。
4. 新标的与传统标的，风险结构差在哪
把这些新标的与熟悉的传统标的放在一起看，差异是结构性的：
| 维度 | 传统财产/工程标的 | 算力、网络、AI 责任等新标的 |
|---|---|---|
| 损失频率 | 相对可估（历史数据充足） | 极低频，样本稀少 |
| 损失严重度 | 与标的金额强相关 | 与业务中断、第三方索赔强相关，可能远超实体损失 |
| 风险关联性 | 相对独立 | 强关联（供应链、网络、同源模型） |
| 风险演化速度 | 缓慢 | 快（攻击手法、模型能力持续变化） |
| 数据可得性 | 高 | 低，且大量数据在第三方手里 |
这张表解释了一个常见误判：用传统财产险的定价框架去套新标的，通常会系统性低估严重度、也低估相关性。 单点保额不是关键变量，"一次事件能连锁影响多少"才是。
二、新定价：没有历史损失数据时怎么办
这是 AI 相关风险给精算带来的核心难题。
传统定价依赖历史赔付经验。但对于新兴风险，历史损失几乎为零——不是因为风险小，而是因为标的太新。
一种思路来自学术界：为 AI 提供保险时，需要把"失效的频率"与"损失的严重度"分开评估（MIT《哈佛数据科学评论》2026 年夏季刊《Insuring AI》）。前者可以从技术指标与工程实践推断，后者需要结合业务场景做情景推演。
这对国内非车险的启示是方法层面的：在新兴险种上，定价能力将从"有多少历史数据"转向"能不能建立合理的风险结构假设"——而这恰恰是行业知识与工程能力发挥作用的地方。
三、新条件：可解释性会写进保单
一个容易被忽视的趋势是：可解释与可追溯，正在从内部管理要求变成承保条件。
逻辑很直接——如果被保险人无法说清一次自动化决策是怎么做出的，保险人就无法评估赔付责任；那么保险人自然会在核保问卷、特别约定里要求相应的能力证明。
这意味着：未来非车险的核保，除了问"你的业务是什么"，还会问"你的系统能不能被解释"。
四、对国内非车险的三点含义
- 新风险是增量，但要克制：算力、网络、AI 责任的承保价值很高，但定价方法尚未成熟，盲目入场容易赔穿。稳妥的路径是"小步承保 + 快速迭代定价假设"。
- 能力会比产品更重要：新兴风险的竞争不在于谁先出产品，而在于谁的风险理解更深、数据积累更早。
- 可解释性是通行证：无论承保的是别人的 AI 还是用 AI 做承保，可解释、可追溯都会成为一种基础能力要求。
结语
AI 时代的非车险，面临的是一个略显反直觉的局面：风险在变新，方法却没变旧。
能不能在缺乏历史数据的情况下给出合理的风险判断，能不能把判断过程讲清楚——这两个问题，会同时决定新兴险种的成败，也会决定谁能在下一轮非车险竞争中留下来。
参考来源
- *Insuring AI: Incentivising Safe and Secure Deployment*, Harvard Data Science Review, Issue 8.3, Summer 2026（2026-09-02）
声明：本文为行业研究参考，不构成投资建议或承保建议。文中标注「待核实」的内容仅为线索，未经二次核实。
最安科技 · 洞察中心