Kalepa 募資 7,500 萬美元，報價時間縮短 58% 的背後：保險 AI 開始改寫承保工作鏈

專題編輯：Nolan Tsai｜全球科技與產業編輯

一筆融資，反映的是保險業想把 AI 放到哪個環節

商業保險承保不是輸入幾個欄位就能得到價格。企業客戶可能提供多份申請表、歷史理賠紀錄、營收資料、營運場所資訊、風險控制措施及經紀人補充說明。核保人員必須判斷資料是否完整、保障範圍是否符合公司的風險胃納、過去理賠是否值得提高注意，以及應以什麼條件報價。當案件複雜、資訊互相矛盾、產品又具有特殊條款時，時間往往耗在尋找證據、交叉核對和跨部門等待。

這是 Kalepa 希望改變的工作方式。與只替核保人員摘要文件的工具不同，公司把平台定位為跨作業、核保、定價與保單組合管理的 AI 工作系統。依 11 月 5 日融資報導，B 輪由 Updata Partners 領投，既有投資人 IA Ventures 和 Inspired Capital 參與；累計募資達 9,100 萬美元。公告另稱，過去一年營收與客戶數各成長至原本約三倍，平台處理的工作量成長為四倍，並計畫在 2027 年將人員規模增加一倍。這些財務與營運描述來自 Kalepa 本身，應與投資人獨立查核的財報區分。

保險業買單的理由，往往不是想要更多 AI 功能，而是要把同樣一個案件從收到資料到形成可簽核的建議，所需的時間與人力降到可控制範圍。若核保部門只導入文件摘要，資料仍須由人員搬到另一套系統、再次核對規則、等待批准，真正的瓶頸不會消失。這也是此次資金事件比單純推出聊天介面更值得關注的地方：AI 服務正在嘗試承接一整段可衡量的工作，而非一次性的文字輸出。

58% 怎麼看？先問清楚分母、客戶與比較基準

融資報導引述 Kalepa 公布的數項成效，包括客戶回報報價時間縮短 58%、每位核保人員管理的保費增加 30% 至 60%。Reuters 也引述了公司的這些數字。它們具有商業價值，但不能直接等同「每一家導入的保險公司都能改善 58%」。目前公開資訊並未完整呈現各項指標的客戶數、觀察期間、業務組合、實驗設計及是否有排除特殊案件。

假設某保險公司原本平均需要 100 分鐘完成一件報價準備，縮短 58% 意味著剩下 42 分鐘。這只是說明百分比的數學意義，並非 Kalepa 客戶實際處理時間。真正的衡量還需要分清楚是「首次可報價時間」「所有核保工時」「包含等待簽核的總交期」，還是「業務端看見正式報價的時間」。不同定義可以產生完全不同的成效故事。比較基準若剛好遇到案件組合改變、保險人員增減或市場報價量波動，也會影響對 AI 貢獻的判斷。

保費產能同樣容易被誤讀。每人處理的保費量提高，不一定代表核保品質同步提高。若高風險案件被大量接受，短期保費會增加，未來理賠成本也可能上升。因此保險企業不能只追求流量與速度，還應同時觀察損失率、綜合成本率、保單續保率、重大例外處理與合規申訴。這些指標的反應週期各有不同；AI 效益報告如果只挑最短期、最容易上升的數據，可能無法反映保險業真正關心的獲利與風險。

公告還提到綜合成本率改善 960 個基點，但沒有足夠的公開細節證明這項改善可以直接全數歸因於 AI。在風險選擇、保費調整、理賠發展、產品組合和市場價格同時變動的產業，因果歸屬是非常困難的問題。企業採購類似系統時，最好把「供應商的客戶案例」當作探索起點，而不是直接放入自己的財務預算，假設明年也能獲得相同數字。

從收件匣到報價單，AI 真正要跨過五個工作邊界

把商業保險看成一條作業鏈，首先是收件：經紀人透過郵件、上傳平台或業務窗口送來各種文件。AI 可以自動辨識類型、擷取欄位、標記缺件。但這一步的價值有限，除非系統能將結果寫回正確的案件，並將來源與擷取信心一併保存，讓下一位處理者知道每個結論來自哪份資料。

第二步是資料一致性檢查。不同文件可能出現不同的地址、營收、營業項目或保險期間。好的 AI 工作流程不應把最常出現的答案當成真相，而是把差異標示出來，交給有權限的人員依保險公司內部規則做判定。這使品質控管從最後一刻補救，移到資料進件之初。對管理者而言，缺件率與資料衝突率可以成為更早期的效能指標。

第三步是風險分層與案件優先排序。有些業務完全不在保險公司的承保範圍，另一些業務可能符合條件、但需要特殊報價。AI 能用案件資料、風險指標及既有規則協助排序，卻不應把模型的商業建議直接當成公司已批准的風險政策。能否承保、適用什麼條款，涉及保險公司本身的風險胃納、法規與再保安排。

第四步是價格與條件的建議。系統可以整理相近案件、呈現可能的保費範圍或提醒人員進一步詢問，但定價邏輯要能接受追問。當模型的建議與原有精算或核保規則衝突時，管理者需要看得見衝突原因，不是只得到一段流暢的自然語言解釋。保險企業更需要的是可稽核的決策，而非像聊天一樣便利卻找不到責任人的流程。

第五步是人機交接與追蹤。核保人員可能接受、修改或否決 AI 建議，經紀人可能補充新證據，業務主管也可能要求調整條款。若每次修改仍留在不同系統和郵件中，工作鏈就會再次斷裂。能把案件狀態、指派人員、批准紀錄與下一步動作整合起來，才是平台型產品與單一功能工具的本質差異。

從 Copilot 走向 Agent，保險業正在重新分配職能

Kalepa 將產品描述為以產業特定 AI 及多個代理工作流協調任務的系統。這裡的 Agent 不是一個能回答問題的角色名稱，而是能在被允許的範圍內持續執行一組工作、更新狀態，並在需要判斷或批准的節點交還給人。若把「幫我摘要這份保單」升級為「檢查資料完整性、比對規則、提出下一個審查動作」，就會碰到更真實的資料權限、責任歸屬與流程設計。

但保險是典型的人類判斷不可隨意消失的產業。保險合約條款、風險選擇、特殊客戶的差別待遇和法規要求，都不是模型可以用預測分數取代的政策決定。比較成熟的工作設計，是讓 AI 處理資料整合、重複驗證與標準化文件，讓有經驗的人員專注特殊風險、例外條件、經紀人協商與最終決定。這並不保證工作量一定下降，初期反而可能需要更多測試、規則整理與變更管理。

另一個挑戰是歷史資料不等於未來風險。過去的理賠或核保紀錄可能受特定市場週期影響，還可能反映舊有流程的偏差。模型若直接延續這些模式，可能在新產業、新氣候風險或新法規環境下失去適用性。因此導入 AI 不能只調整模型，也要建立資料版本、例外審批及持續監測機制。當業務環境變了，系統是否知道自己應停止自動作業，是比漂亮的展示畫面更重要的能力。

融資估值 4.7 億美元，投資人買的是成長還是產品能力？

7,500 萬美元的新資金與 4.7 億美元估值，代表投資人願意支持 Kalepa 在保險 AI 市場擴張，但它們不是營收保證，也不能直接推算客戶實際節省了多少成本。估值受成長預期、股權條款、競爭與市場環境影響，未公開的交易細節會限制外部分析的精確度。對產業觀察而言，更可關注公司未來是否有足夠能力把技術擴展到多家不同的保險業務體系。

保險市場的結構使它成為專業 AI 的重要試驗場。業務資料多元、流程受管制、案件有高低複雜度之分，且公司願意為風險改善支付費用。相對地，導入阻力也高：核心保單系統可能年代久遠、資料格式不同、責任條款不能隨意變動、跨部門簽核長，供應商往往需要大量整合工作才能啟用。這種市場的競爭優勢，不見得來自最強通用模型，而是對實際工作、資料來源和治理規則的長期理解。

如果一家 AI 新創只靠專案人力替每個客戶客製化，營收與交付成本可能同步成長。平台化要解決的是可重複使用的部分：標準文件擷取、案件狀態、風險評估介面、可配置的規則引擎、權限與稽核日誌。保留這些共通底座，再針對不同保險人的風險胃納與產品條款調整，才有可能提升交付規模。這也是投資人應持續追蹤的商業模式，而不只是短期的業務量成長。

台灣企業與保險業可從哪裡學起

台灣保險業有不同於美國商業保險的監理制度、市場結構與產品特性，不能直接套用 Kalepa 的客戶案例。然而這次新聞仍提供一個可轉移的分析方法：先確認核心決策需要哪些資料、有哪些人員必須批准，再判斷哪些工作可以標準化、自動化及稽核。保險業可從文件進件與缺件檢查開始，逐步連到核保輔助和人工覆核；其他 B2B 報價型企業，也能用類似框架改善詢價、審價、報價與合約交接。

例如一家工業設備代理商收到採購需求，可能需要檢查型號、交期、客戶信用、折扣權限與產品相容性。單純用 AI 生成報價文字，並不會縮短主管簽核或庫存確認時間。若能把資料核對、例外標記、主管授權與報價追蹤合成工作流，才更接近保險 AI 所示範的方向。這個跨產業例子是方法推演，不是 Kalepa 實際服務的客戶情境。

評估新產品時，應要求供應商呈現完整案件軌跡：哪個資料被 AI 擷取？哪個規則被套用？模型的不確定性怎麼表示？誰批准最後報價？若發生爭議，是否能回放當時使用的資料與決策版本？最後再以真實對照組衡量：總交付時間、有效報價率、返工率、人力成本及風險結果是否同時改善。這樣的採購問題，比「是否內建最新模型」更接近企業應付費的能力。

下一波保險 AI，關鍵在可稽核的整段流程

Kalepa 的融資新聞可以被寫成「AI 新創再獲大筆資金」，但對企業真正有用的資訊，是投資資本開始押注能接手專業、複雜且多步驟工作的軟體。即使 58% 的改善仍需要更多獨立證據，其產品敘事已把問題從「如何替核保人員省幾分鐘」移向「如何改變一件保險業務完成的方式」。

接下來值得觀察的不是新聞稿是否再刷新一組數字，而是客戶能否在不同險種、不同市場和不同核心系統下持續得到可驗證成果；供應商能否揭露具體測量基準；以及在風險判斷出錯時，誰能拿出完整的決策證據。保險 AI 的競爭可能愈來愈不像一般聊天工具，愈來愈像專業工作系統之間的競爭。

一份保險 AI 投資評估，應該如何算出真正的經濟效益

管理者可以先把「報價時間」拆成四種時間：人員主動處理文件與分析的工時、等待其他單位補件的時間、等待核准的時間，以及對客戶或經紀人實際可交付的總時間。AI 可能大幅縮短第一種時間，但若補件和批准流程沒有改變，最終報價交期仍可能相差無幾。這說明為何用單一百分比描述效益很有吸引力，卻不足以作為整體投資回報率。

假設某部門每年收到 12,000 件申請，經檢查後有 8,000 件進入正式核保程序。若 AI 只幫第一階段整理資料，評估的分母應是 12,000 件；若改善的是正式報價準備，分母則可能是 8,000 件。再假設每件有 20 分鐘真正可節省的人工工作，一年可以釋出約 2,667 小時。這是為理解計算方法而設計的示例，不是 Kalepa 的客戶數據。計算之後還要問：這些時間是否能轉用於更高價值的核保工作，還是只讓員工每天有更多零散時間？可轉化為營運成果的生產力，與理論上的工時節省並不相同。

回報率還應納入案件品質。若系統提高有效報價比例、減少重複詢問，經紀人可能更願意送件；若資料判定不準，則可能造成不必要的來回溝通甚至錯誤定價。保險具有時間延遲的特性，今天做出的承保判斷，可能要很久之後才看得見理賠影響。因此短期試點不宜用「已經證明提高長期獲利」作為結論，而應先用資料完整度、返工率、報價準備工時、人工覆核結果等可在短期觀察的指標，建立可信的中間成果。

成本也不應只計算 AI 平台訂閱費。導入期通常包含資料清理、產品條款規則整理、API 串接、單點登入、權限管理、訓練、稽核與維運；正式運行後，還有模型更新、資料漂移、額外人工審核和故障復原。若把這些項目全部納入，最重要的單位經濟可能是「每件完成且符合風險政策的有效承保決策成本」，而不是每件文件摘要費用。相同的分析方法也適合銀行授信、企業採購和 B2B 報價作業。

AI 可以幫忙選風險，但誰有權決定可以承擔什麼風險

對一般客服工具而言，最令人擔心的錯誤可能是回答不正確；對保險系統而言，錯誤有可能影響是否接受某項風險、如何定價、是否形成差別待遇，以及日後理賠責任。即使 AI 只是輔助評估，一個看似微小的資料欄位錯誤也可能經過多個系統放大。核保團隊必須知道哪些資料可供建議使用、哪些條件只能由有授權的人決定，以及何時必須保留完整的人工覆核。

保險業常利用歷史案件及理賠資料，這是其專業優勢，也是模型偏差的重要來源。例如過去某類業務因銷售策略而較少接案，資料集便缺少足夠的實際結果；AI 若把「過去較少接受」當成「未來不應承保」，可能使原有決策模式在沒有重新檢驗的情況下被固定下來。導入團隊需要區分公司正式風險政策與歷史員工行為，對於少見、高額或新興風險建立人工判斷入口，並定期檢查模型是否因市場環境變化失去校準。

另一個關鍵是決策解釋。若 AI 建議提高保費，核保主管應能看到支持判斷的資料與適用規則，而不是只看到一段自然語言。系統也應記錄哪一版文件、哪一個模型、哪一套產品規則產生結果，並允許在更正錯誤資料後重新評估。資料與版本管理不一定是客戶最先想購買的功能，卻是日後處理爭議、完成稽核及維持客戶信任的基本設施。

供應商展示「自主 Agent」時，企業還應詢問其自主程度是否可以依風險調整。資料分類、缺件通知與一般摘要，也許可設定較高的自動化比例；高額風險、特殊產品或存在重大資料衝突的案件，則需要明確的人類核准節點。核保不是把所有人從流程移除，而是讓適當的人在真正需要判斷時投入時間。成功的系統必須把這件事轉成明確、可配置且可稽核的權限，而不是只在簡報裡說「人類仍然參與」。

導入保險 AI 的 90 天，應如何設計實際試點

第一階段應選擇相對標準化、資料完整度可控的一種險種或業務流程，不必在第一天同時改造所有核保系統。專案團隊先抽取一定數量經授權去識別化的歷史案件，標記文件類型、缺件、風險關注項、當時處理步驟及最終人工決定。資料準備要同時注意敏感個資、客戶契約與供應商使用限制；不能因為需要快速演示 AI 就把可辨識客戶資料上傳未批准的服務。

第二階段讓 AI 與既有流程平行運作。AI 可以提早整理資料、提示不一致、提出案件優先排序，但最終承保決策仍採用原有授權人員流程。此時應量測總交期與每個步驟的工時、AI 建議被採用的比例、需要返工的原因、資料漏報及不必要的警報。試點若只展示幾件成功案件，可能沒有能力辨認例外；至少應包含資料破損、缺件、規則衝突及特殊條款案件，並要求系統在證據不足時能說「需要人工確認」。

第三階段才逐步進入真實工作串接。當前兩階段的準確性與合規條件獲得負責人確認後，可讓系統自動建立待審案件、提醒經紀人補件，或將建議寫入核保工作台。每一次自動行動都應留下追蹤記錄，管理者要能即時停用錯誤規則、回復原狀及取得稽核資料。上線後仍需持續觀察業務量、案件複雜度與市場條件變化，避免把試點效果當成永久固定的性能保證。

90 天結束時，應有一份可以讓財務、營運、風險與 IT 共同理解的評估報告。報告不只寫「節省多少時間」，還要回答正式業務是否更快取得合理報價、核保人員是否有更多時間處理複雜風險、是否減少返工、系統總成本是否在可控範圍，以及哪些案件絕對不能自動決定。若因資料品質不足無法繼續推進，這也是重要結果，應如實列入下一階段改善計畫。

對 AI 供應商而言，保險案例揭示一條可持續的產品化路徑

從創業及顧問商業模式看，保險 AI 的啟示是把專業工作理解成「政策加資料加執行加證據」的組合。單純提供模型，客戶還要自行處理大部分整合；完全依賴客製化顧問，則難以讓每件專案交付成本持續下降。較有發展性的路線，是將共同任務與治理能力做成可重複的平台，讓各企業保留自己獨特的業務政策、產品規則和批准分工。這種架構比強推單一流程模板，更能滿足專業行業的差異性。

具體來說，供應商可把案件擷取、來源對照、資料衝突偵測、任務指派、人工核准與稽核記錄做成共通功能，再針對不同產品線接入不同的風險規則。交付時提供標準驗收格式，讓每位客戶都能證明自己取得什麼成果。這些功能不必全部使用最強的生成模型；部分可由規則、資料庫與既有系統實現。把 AI 放在需要判斷或處理非結構化內容的位置，才容易兼顧成本與可解釋性。

這也使銷售方式改變。專業客戶並不是購買一個可以回答問題的聊天框，而是希望供應商理解其業務責任、系統限制和營運目標。成交前可以提出多種可選的工作鏈方案，清楚說明資料與權限前提、導入階段、驗收門檻及後續擴充空間。當客戶看到的是一個可以依業務需要配置的長期能力，才更可能把新創公司視為策略合作夥伴，而不是只比較低價工具授權的採購對象。

Kalepa 的下一階段仍有很多尚未被公開數據回答的問題：不同險種是否取得相近效益、改善是否可持續、客戶需要多少整合成本，以及競爭者能否以更低價格複製相似流程。這些未知並不使融資事件失去意義，反而指出觀察產業成熟度應該聚焦的證據。真正重要的是能否讓專業判斷在更有效率的工作鏈裡被保留、被使用並被追溯。

不要只看報價速度，也要追蹤承保組合的長期品質

保險產業常用綜合成本率衡量承保營運：理賠與費用相對於已賺保費的比例，可以反映保險業務是否產生承保利益。但綜合成本率會受到不同年度理賠發展、市場價格、巨災事件、再保安排與產品組合影響，不能僅因採用 AI 後指標改善，就把所有變化歸功於軟體。要評估 AI 真正的貢獻，應在可行的條件下建立相近案件、相近期間與相似風險組合的比較，並說明哪些因素無法控制。

對外部研究者而言，若一家公司願意公布跨多個客戶、跨多個市場週期的成效分布，而非只提供最佳案例，將更有助於判斷產品能力能否複製。對採購方而言，則應要求基於自己案件結構的試點結果；如果供應商能展示流程紀錄與異常處理方式，即使短期效益不如宣傳數字亮眼，仍可能比一個缺少證據的高百分比更值得信任。

此外，若保險企業把 AI 提升效率當成年度管理目標，最好將改善結果按案件難度分組，觀察簡單、普通與特殊風險各自有多少變化。平均值可能掩蓋某些高價值案件仍需要大量人工處理的事實。只有分類比較，管理者才知道下一筆預算應投資資料整合、規則整理，還是人員能力培訓。

從 58% 的供應商成果，建立自己的承保試點量測表

Kalepa 提到的報價時間縮短 58%，對保險公司有參考價值，但缺少企業內部同口徑基線時，不能直接拿來設定採購合約的最低保證。最穩健的做法是讓試點團隊先建立基準，並保留未使用 AI 的可比較案件。

這是一份衡量方法，不是 Kalepa 客戶的真實統計表。企業需在試點開始前定義樣本、期間、案件分層與資料品質規則，並先確認哪些決策可以自動提出建議、哪些必須由有權人員批准。報價效率與獲利品質是兩種不同的管理問題，不能互為替代。

本文附有空白 underwriting_pilot_metrics.csv；若未建立真實基線與權責簽核，任何漂亮的百分比都不宜被用來證明 ROI。

常見問題

Kalepa 募資多少、估值多少？ 2026 年 11 月 5 日公布 7,500 萬美元 B 輪融資、估值 4.7 億美元，累計募資 9,100 萬美元。

縮短報價時間 58% 是否經獨立驗證？ 目前可核實的是 Kalepa 在公司公告中報告客戶取得這項成效；公開資料未提供可用於獨立重算的完整樣本與比較方法。

保險 AI 是否取代核保人員？ 它可協助文件處理、風險資訊整合及流程編排，但涉及承保權限、例外條件和合規責任，仍需保險公司制定人機分工與審核流程。

資料來源

1. Kalepa／Business Wire，B 輪募資公告，2026／11／05
2. Reuters，Kalepa 融資與客戶成效報導，2026／11／05
3. Kalepa，The Full Economic Value of AI for an Insurer，2026／10／30
4. Kalepa 官方產品介紹

圖片資訊

封面圖片為原創概念示意圖，以風險文件、核保流程與效率儀表作為象徵，非 Kalepa 實際產品畫面。

延伸閱讀

探索更多 AI 工作實務