主分类：保险理赔
辅助：信贷风控与资产处置（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "保险平台-AI理赔策略经理",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "金融服务平台",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "运营类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 5,
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、制定与迭代优化理赔模式和核赔规则：负责理赔策略设计，覆盖人伤医疗费扣减、伤残减损逻辑、车物成本管控、估损模型优化等；将核赔规则结构化为AI可自动执行的决策逻辑，推动从\"人逐案审\"到\"AI按规则判、人维护规则\"的模式转变\n\n2、保司运营与管理：负责合作保司的日常运营管理，包括保司理赔作业质量监控、核心指标追踪与对齐、保司端理赔动作异常的预警与介入；推动保司侧理赔流程标准化，确保向日葵与保司形成互补分工、协同高效的作业格局；探索用AI对保司作业质量进行实时监测与异常预警，替代传统滞后的人工抽检和周报盘点。\n\n3、设计风控策略并推动落地：构建倒签单识别、异常就医模式检测、关联异常预警等风控能力；推动风控从\"事后抽检\"转向\"AI实时识别\"——让每case进来瞬间就完成风险扫描，而非依赖人工回溯发现问题。\n\n4、理赔体验策略：负责理赔满意度提升与投诉率治理，设计理赔时效优化、估损偏差收敛、主动沟通触达等体验策略；关注用户全旅程中的体验断点，从报案、审核、赔付到结案每个环节找到改善空间；利用AI实现理赔进度智能推送、用户诉求预判与主动干预，让\"用户追着问进度\"变成\"系统主动告知结果\"，同时通过AI质检实现服务标准化，减少个体差异带来的体验波动。\n\n5、驱动成本与体验的平衡：通过策略手段推动减损产出提升、赔付成本优化，同时守住满意度和投诉率底线；借助AI能力实现理赔时效缩短与服务标准化，在降本的同时用效率换体验，而非单纯压缩赔付\n\n6、结合AI应用，协同理赔中台的规划与落地，挖掘 AI 在保险理赔全链路的应用价值——涵盖自动化理赔审核（通过 OCR、智能审核、风控反诈等Agent技术缩短理赔周期、提高理赔质量）；推动 AI 理赔应用能力的平台化沉淀与跨业务复用，驱动理赔效能提升和成本压降。",
"requirements_text": "1、AI认知与应用意识：不强制要求会写代码，但需要理解AI能力的边界——能判断\"这个环节适合AI做还是人做\"，能把理赔底层业务规则描述得足够清晰让技术侧实现AI自动执行；有AI/大模型项目参与经验者优先，有创新意识、敢想的优先。\n\n2、理赔/风控策略实战经验：5年及以上保险理赔相关工作经验，实际参与过作业模式设计、核赔规则制定、风控策略设计或赔付成本管控，除执行层面外，需要对理赔管理熟知。\n\n3、成本-体验-效率三角思维：理赔策略的核心难题是三者之间的平衡取舍。需要理解\"降获赔率可能带来投诉\"、\"提速可能放过风险\"这类真实业务矛盾，并能设计兼顾多目标的策略方案，而非只会单维度优化。\n\n4、多方协同推动力：理赔涉及保司、产研、运营、业务等多方，需要能在复杂利益格局中推动事情落地。\n\n5、规则结构化与AI协作能力：能把复杂业务场景抽象为清晰的规则逻辑——什么条件下赔、赔多少、走什么通道。这是和AI协作的基础：定义的规则越清晰，AI执行得越准。需要理解AI能做什么、适合做什么、边界在哪里。\n\n6、多线程工作能力：理赔策略涉及多条业务线（骑手险、生意保、健康险等）、多个相关方（作业团队、保司、业务方等）、多维指标同时推进，需要能在高并发会议和快速变化的业务节奏中保持输出质量",
"skills": [AI生成
"大语言模型"
],
"preferred_qualifications": "有AI/大模型项目参与经验者优先，有创新意识、敢想的优先",
"job_highlights": "1、AI理赔已进入规模化落地阶段——理赔AI项目已实际上线倒签单识别，年底前还有5个Agent陆续落地。加入的不是一个\"未来要做AI\"的团队，而是一个AI已经在跑、正在快速迭代的团队。策略岗在其中的角色是定义AI执行的规则——写的每条规则，直接决定线上AI的决策质量。\n\n2、真正在定义\"AI怎么做理赔\"——不是旁观AI浪潮，而是直接参与规则定义。写的规则决定了AI的决策质量，工作产出在线上实时跑着。\n\n3、业务结果可见、可量化——综合项目收益过亿级别，每条策略优化都有明确的成本/体验/效率产出，不是做完就"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4449505759&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4449505759",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4449505759&jobShareType=1"
},
"fulltext": "保险平台-AI理赔策略经理\n保险平台-AI理赔策略经理\n\n基础信息\n工作地点：北京市\n部门：金融服务平台\n职位类别：运营类\n职位族群：产品运营\n更新时间：2026-07-23\n\n岗位职责\n1、制定与迭代优化理赔模式和核赔规则：负责理赔策略设计，覆盖人伤医疗费扣减、伤残减损逻辑、车物成本管控、估损模型优化等；将核赔规则结构化为AI可自动执行的决策逻辑，推动从\"人逐案审\"到\"AI按规则判、人维护规则\"的模式转变\n\n2、保司运营与管理：负责合作保司的日常运营管理，包括保司理赔作业质量监控、核心指标追踪与对齐、保司端理赔动作异常的预警与介入；推动保司侧理赔流程标准化，确保向日葵与保司形成互补分工、协同高效的作业格局；探索用AI对保司作业质量进行实时监测与异常预警，替代传统滞后的人工抽检和周报盘点。\n\n3、设计风控策略并推动落地：构建倒签单识别、异常就医模式检测、关联异常预警等风控能力；推动风控从\"事后抽检\"转向\"AI实时识别\"——让每case进来瞬间就完成风险扫描，而非依赖人工回溯发现问题。\n\n4、理赔体验策略：负责理赔满意度提升与投诉率治理，设计理赔时效优化、估损偏差收敛、主动沟通触达等体验策略；关注用户全旅程中的体验断点，从报案、审核、赔付到结案每个环节找到改善空间；利用AI实现理赔进度智能推送、用户诉求预判与主动干预，让\"用户追着问进度\"变成\"系统主动告知结果\"，同时通过AI质检实现服务标准化，减少个体差异带来的体验波动。\n\n5、驱动成本与体验的平衡：通过策略手段推动减损产出提升、赔付成本优化，同时守住满意度和投诉率底线；借助AI能力实现理赔时效缩短与服务标准化，在降本的同时用效率换体验，而非单纯压缩赔付\n\n6、结合AI应用，协同理赔中台的规划与落地，挖掘 AI 在保险理赔全链路的应用价值——涵盖自动化理赔审核（通过 OCR、智能审核、风控反诈等Agent技术缩短理赔周期、提高理赔质量）；推动 AI 理赔应用能力的平台化沉淀与跨业务复用，驱动理赔效能提升和成本压降。\n\n岗位基本要求\n1、AI认知与应用意识：不强制要求会写代码，但需要理解AI能力的边界——能判断\"这个环节适合AI做还是人做\"，能把理赔底层业务规则描述得足够清晰让技术侧实现AI自动执行；有AI/大模型项目参与经验者优先，有创新意识、敢想的优先。\n\n2、理赔/风控策略实战经验：5年及以上保险理赔相关工作经验，实际参与过作业模式设计、核赔规则制定、风控策略设计或赔付成本管控，除执行层面外，需要对理赔管理熟知。\n\n3、成本-体验-效率三角思维：理赔策略的核心难题是三者之间的平衡取舍。需要理解\"降获赔率可能带来投诉\"、\"提速可能放过风险\"这类真实业务矛盾，并能设计兼顾多目标的策略方案，而非只会单维度优化。\n\n4、多方协同推动力：理赔涉及保司、产研、运营、业务等多方，需要能在复杂利益格局中推动事情落地。\n\n5、规则结构化与AI协作能力：能把复杂业务场景抽象为清晰的规则逻辑——什么条件下赔、赔多少、走什么通道。这是和AI协作的基础：定义的规则越清晰，AI执行得越准。需要理解AI能做什么、适合做什么、边界在哪里。\n\n6、多线程工作能力：理赔策略涉及多条业务线（骑手险、生意保、健康险等）、多个相关方（作业团队、保司、业务方等）、多维指标同时推进，需要能在高并发会议和快速变化的业务节奏中保持输出质量\n\n岗位亮点\n1、AI理赔已进入规模化落地阶段——理赔AI项目已实际上线倒签单识别，年底前还有5个Agent陆续落地。加入的不是一个\"未来要做AI\"的团队，而是一个AI已经在跑、正在快速迭代的团队。策略岗在其中的角色是定义AI执行的规则——写的每条规则，直接决定线上AI的决策质量。\n\n2、真正在定义\"AI怎么做理赔\"——不是旁观AI浪潮，而是直接参与规则定义。写的规则决定了AI的决策质量，工作产出在线上实时跑着。\n\n3、业务结果可见、可量化——综合项目收益过亿级别，每条策略优化都有明确的成本/体验/效率产出，不是做完就放抽屉的方案。\n\n4、高频场景锤炼能力——骑手险日均理赔量大、险种覆盖全（车物+人伤+伤残+死亡），业务复杂度高但反馈周期短。一条策略上线几天就能看到效果数据，试错成本可控、成长速度快，远超低频险种。\n\n5、多线业务视野，不是螺丝钉——同时覆盖向日葵理赔、人保/太保等保司合作理赔，能接触到不同作业模式和合作方管理逻辑。从成本、体验、效率三个维度理解理赔全貌，而非只做单一模块。\n1、制定与迭代优化理赔模式和核赔规则：负责理赔策略设计，覆盖人伤医疗费扣减、伤残减损逻辑、车物成本管控、估损模型优化等；将核赔规则结构化为AI可自动执行的决策逻辑，推动从\"人逐案审\"到\"AI按规则判、人维护规则\"的模式转变\n\n2、保司运营与管理：负责合作保司的日常运营管理，包括保司理赔作业质量监控、核心指标追踪与对齐、保司端理赔动作异常的预警与介入；推动保司侧理赔流程标准化，确保向日葵与保司形成互补分工、协同高效的作业格局；探索用AI对保司作业质量进行实时监测与异常预警，替代传统滞后的人工抽检和周报盘点。\n\n3、设计风控策略并推动落地：构建倒签单识别、异常就医模式检测、关联异常预警等风控能力；推动风控从\"事后抽检\"转向\"AI实时识别\"——让每case进来瞬间就完成风险扫描，而非依赖人工回溯发现问题。\n\n4、理赔体验策略：负责理赔满意度提升与投诉率治理，设计理赔时效优化、估损偏差收敛、主动沟通触达等体验策略；关注用户全旅程中的体验断点，从报案、审核、赔付到结案每个环节找到改善空间；利用AI实现理赔进度智能推送、用户诉求预判与主动干预，让\"用户追着问进度\"变成\"系统主动告知结果\"，同时通过AI质检实现服务标准化，减少个体差异带来的体验波动。\n\n5、驱动成本与体验的平衡：通过策略手段推动减损产出提升、赔付成本优化，同时守住满意度和投诉率底线；借助AI能力实现理赔时效缩短与服务标准化，在降本的同时用效率换体验，而非单纯压缩赔付\n\n6、结合AI应用，协同理赔中台的规划与落地，挖掘 AI 在保险理赔全链路的应用价值——涵盖自动化理赔审核（通过 OCR、智能审核、风控反诈等Agent技术缩短理赔周期、提高理赔质量）；推动 AI 理赔应用能力的平台化沉淀与跨业务复用，驱动理赔效能提升和成本压降。\n1、AI认知与应用意识：不强制要求会写代码，但需要理解AI能力的边界——能判断\"这个环节适合AI做还是人做\"，能把理赔底层业务规则描述得足够清晰让技术侧实现AI自动执行；有AI/大模型项目参与经验者优先，有创新意识、敢想的优先。\n\n2、理赔/风控策略实战经验：5年及以上保险理赔相关工作经验，实际参与过作业模式设计、核赔规则制定、风控策略设计或赔付成本管控，除执行层面外，需要对理赔管理熟知。\n\n3、成本-体验-效率三角思维：理赔策略的核心难题是三者之间的平衡取舍。需要理解\"降获赔率可能带来投诉\"、\"提速可能放过风险\"这类真实业务矛盾，并能设计兼顾多目标的策略方案，而非只会单维度优化。\n\n4、多方协同推动力：理赔涉及保司、产研、运营、业务等多方，需要能在复杂利益格局中推动事情落地。\n\n5、规则结构化与AI协作能力：能把复杂业务场景抽象为清晰的规则逻辑——什么条件下赔、赔多少、走什么通道。这是和AI协作的基础：定义的规则越清晰，AI执行得越准。需要理解AI能做什么、适合做什么、边界在哪里。\n\n6、多线程工作能力：理赔策略涉及多条业务线（骑手险、生意保、健康险等）、多个相关方（作业团队、保司、业务方等）、多维指标同时推进，需要能在高并发会议和快速变化的业务节奏中保持输出质量",
"standard_classification": {
"std_category_code": "F024",
"std_aux_codes": [
"F016"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}