沃倫·巴菲特喜歡保險行業的原因在於浮存金，這個術語指的是保戶向保險公司交納的保費，這部分金額已經被保險公司入賬，但尚未用於支付保戶索賠。「浮存金」相當於一種可以用於安全投資的免息貸款，只有在保戶索賠時才需兌現。這也是保險公司聚焦每一個保險單相關風險的原因。保險公司對願意購買保險的單位或個人開具保險單的過程成為承保，承保的過程需要保險公司進行相應的稽核，儘可能地獲取更多的資料支援，對其進行深度洞察，進而確保開具的保費在盈利的情況下比競爭對手更具優勢。
提出的投保申請進行稽核的過程為「承保承保過程需要發現儘可能多的資料並進行分析，以確定一個優於競爭對手但能夠保證獲利（基於被提出索賠的可能性）的利率。該過程用到的技術手段——儘可能發現更多的資料（大資料處理）以及資料分析（人工智慧技術）顯而易見。
初創公司 Cape Analytics 是一個非常好的案例。這家公司憑藉 1400 萬美元資金，將機器學習與計算機視覺及地理空間影象結合，開發了一種為財產保險公司進行服務的解決方案，幫助分析房屋屋頂材料型別、狀況和建築物的佔地面積等。這正是可以運用大資料和 AI 來改進承保過程的應用。本文討論的九家保險公司正是使用這些技術來改善承保流程。
用科學研究預測風險
2011 年成立於加州的 Praedicat 公司投入了 1,200 萬美元的資金，為 Litagion®風險管理旗下的責任保險公司及再保險公司開發了一種基於科學的風險分析工具。Praedicat 的演算法針對文獻資料進行挖掘，提取出有害身體的動態後設資料，例如奈米材料、苯、手機等材料。其中，BPA 作為一種用於製造硬質透明塑料的工業化學材料，被用於多種消費品。下面是 Praedicat 給出對 BPA 危害的分析：
本質上，這家公司是在試圖預測保險公司可能要進行的賠償費用。搭載 Praedicat 的技術，承保過程從風險規避轉向使用科學資料主動識別風險。這樣，保險公司就可以根據資料匯出的新風險點（如含 BPA 的產品）創造保險產品。
再保險資料分析
QuanTemplate 成立於 2013 年，總部位於直布羅陀，獲得了保險巨頭安聯集團等投資的 1025 萬美元資金。QuanTemplate 是一家保險資料管理和分析公司，為保險公司提供解決方案，幫助保險公司從保費和索賠中瞭解其投資組合資料，確認利弊風險點，衡量和監督承保業績，起草符合管理或監管的報告如 Solvency II pillar 3（Solvency II（2009/138 / EC）是歐盟法律中的一項指令，用於對歐盟保險條例進行編纂和協調，規定了歐盟保險公司為降低破產風險而必須持有的資本。pillar 3 列出了保險公司風險管理的要求，以及對保險公司監管細則）。下圖顯示了 AI 如何發揮作用：
Quantemplate 解決方案基於保險公司的政策和索賠資訊，整合第三方資料，為保險公司提供大量有用的見解。顯然，它在再保險領域也有特殊的應用。保險公司出於減輕自身承擔的保險責任的目的，會用「再保險」的方式將自己不願意承擔或超過自己承保能力的保險責任轉嫁給其他保險公司。
利用社交媒體的實時投保
加州初創公司 Carpe Data 成立於 2016 年，一輪的融資額已經達到 660 萬美元。該公司為承保專案提供預測性評分方案，如個人、汽車、人壽，甚至無法通過傳統商業置信評估的小型或微型業務。評估分數覆蓋美容、水療、汽車修理、健身、餐飲和酒店等領域的 2800 萬個美國小型企業。以下是零售業務的商業風險評分樣本：
系統還會對客戶生活中發生的重大事件發出實時報備，如婚姻，分娩，工作變更或房屋購買等，這就相當於為保險公司提供了重新參與及覆蓋顧客的絕佳機會。Carpe Data 能利用任何「社交網路、線上內容、可穿戴裝置、連線裝置和其他形式的下一代資料」。因此，在未來的某個時刻，您的保費可能會由 Facebook 來定。
量化天氣風險
法國初創公司 Meteo Protect 成立於 2011 年，擁有 263 萬美元融資資金。雖然他們宣稱自己是保險和再保險代理人，但他們的真正實力在於使用氣候氣象學來衡量氣候變化的彈性，祕密武器則是一套被稱為「Weather Neutral™」的解決方案。安聯集團曾表示，美國 3.4％的國內生產總值會受到日常氣象差異的影響，大約為 5340 億美元。Meteo 提供的基於索引的解決方案可以保護使用者業務免受不利天氣影響，業務範圍覆蓋了許多高危行業，如農業和能源產業。
一旦弄清楚惡劣天氣對收益或者額外消化成本的影響，如在農業方面幼苗的供應量降低，在能源方面存在配電下降等問題，使用者就可以為這類風險投保。
提供健康資訊的可穿戴裝置
於 2013 年成立的佐治亞創業公司 Big Cloud Analytics 已經募集到了 640 萬美元的資金，用於構建 COVALENCE™健康分析平臺。這個平臺可以使用可穿戴式裝置來實時分析使用者的實際健康狀況。預測分析平臺從可穿戴裝置獲取 50 多個生物特徵資料點，為人們建立健康評分體系，如下圖所示：
如今，保險公司可以根據客戶的年齡，婚姻狀況，菸酒使用程度等個人資訊與生物特徵資料進行結合，進而更好地評估風險並減少欺詐性索賠。保險公司使用這項技術對客戶的健康狀況進行實時監控，跳過了過時的病歷篩選工作。該領域的的另一家新加坡初創公司 FitSense，也已拿到了少量投資，目前正處於測試階段。
確定意外險保險索賠
成立於 2014 年的紐約初創公司 Tyche 已經獲得了 68,000 美元的投資用於開發針對意外保險的承保分析工具。與人壽、健康、財產保險不同，意外險是個人或組織的責任保險。例如，如果一位作家說金·卡戴珊毫無價值可言，他可能不會因為誹謗而被起訴。但如果對金·卡戴珊發表了不實言論，他就可能因誹謗而被起訴。這就是意外風險。
Tyche 將機器學習與大資料（公開資料和專用資料）相結合，以確定可能有爭議的政策：
通過 Tyche API，保險公司可以開啟「索賠避免模式」，此舉把超過 30％的潛在索賠風險集中壓縮到 1％，在現有承保標準上進行約束，通過大幅提升底線的方式降低承保人在政策中的最高風險。
承保服務
倫敦的 Instanda 成立於 2012 年，其投資方並未被披露。該公司為保險公司提供雲保險軟體，使保險產品可以通過自動化承保實現快速建立，管理和分銷。其核心競爭力是速度，靈活性和一站式服務，如下所示：
他們已經設法吸引了不少品牌的注意力，這些品牌正在使用他們的軟體來承擔特定部分的承保流程。
利用人工智慧識別資料中的隱形關係
DreamQuark 成立於 2014 年，是一家位於法國的初創公司，其資金來源亦被未公開。該公司希望通過 AI 技術來識別資料中的隱形關係。這家公司提供的解決方案面向具有商業技能而非科學技能的資料分析師，幫助他們迅速迭代並破解保險業和銀行業資料的挑戰。這種解決方案能夠對資料進行自動識別及清洗，並表示出保險及銀行業中無形的增值價值所在。端到端的機器學習框架可以各種應用中的結構化及非結構化資料進行處理，例如承保、合規、欺詐、洩露或信用風險檢測：
對人壽保險進行洞察
Atidot 成立於 2016 年，是一家位於以色列的初創公司，融資金額未公開。這家公司專注於將預測分析和機器學習技術應用於人壽保險，他們聲稱處於戰略性考慮，其擁有的 80％的資料未被使用。目前，Atidot 已經使用 5 億個資料點對 470 萬個保單進行了分析，從而對現有模型完成了 15% 的改進。Atidot 的信心可能是來源於兩位曾服務於以色列情報部門的精英研發團隊的創始人，還有一位曾是以色列財政部的首席精算師。
對於大多數人來說，價值 7 萬億美元的保險行業非常激動人心，一些科學技術混合應用於其中會為其增添樂趣。沃倫·巴菲特曾發出警示，一些保險技術可能會被自動駕駛顛覆，改變整個汽車保險業。雖然上述事例不夠詳盡，但它確實提供了一些降低保險公司風險，提高透明度的很好的典範。不過，遺憾的是保費不會降低，所有產生的額外利潤都將直接歸於股東。