融资700万美元，瞄准「AI 养老规划」生意，保险巨头入局

在养老规划领域，最大的敌人不是贫穷，而是“不确定性”。

对于40-60岁的人群来说，他们知道自己会老，但不知道什么时候身体会垮，什么样的病痛会来袭，以及这场持久战到底要烧掉多少钱。这种巨大的不确定性，导致了两种极端：要么盲目焦虑存钱，要么鸵鸟心态拒绝规划。

美国一家公司 Waterlily 正在试图用 AI 填补这个黑洞。它不是一家传统的医疗公司，也不是一家保险中 介，而是一个专帮家庭“算养老账”的 AI 精算师。

它利用5亿个健康与财务数据记录，为每个家庭生成一份精准的“衰老预测报告”，将原本模糊的“养老”概念，量化为具体的时间表和资产负债表。

2025年1月完成了700万美元（约4800万人民币）种子轮融资，由 Brewer Lane Ventures （一家深度垂直于保险和金融科技的风投机构）领投，并且已经接通了 Genworth、Nationwide 等美国保险巨头。

一个 不做实体服务的 AI 预测工具，凭什么撬动万亿级的养老金融市场？ 它又是如何帮保险公司把“不确定的风险”变成“确定的生意”？

o1 把衰老过程“标准化”

Waterlily 建立了一套长照需求预测模型。

01 逻辑原理：从“平均数”到“个性化”

传统的养老规划（无论是中国还是美国）通常基于粗糙的平均数：例如“美国人平均需要3年长期照护”。但这个平均数对个人毫无意义——阿尔茨海默症可能需要10年，而心脏病突发可能只需要3个月。

Waterlily 利用 AI 技术，训练了超过5亿个数据记录（包括临床健康数据、人口统计学数据、理赔数据等）。用户只需输入简单的个人信息（年龄、性别、家族病史、生活习惯等），AI 就能推算出其进入失能状态的概率、可能的起止年龄、病程发展轨迹。

它是如何“算”出你会得什么病的？

它的逻辑是 “在我们的5亿数据库里，有10万个人和你一样：如白人女性、住在纽约曼哈顿、有吸烟史、母亲有阿兹海默症、现在45岁。”

“这10万个人里，有88%的人在82岁时失去了自理能力。”

测算结果不会说“你肯定会得病”，而是说“你的风险模型与那个88%的群体高度重合”。

对于保险规划来说，知道你是“高风险”还是“低风险”，以及大概的“爆发时间段”就足够了，不需要精确到哪一天，只要误差范围在“可定价”区间即可。

另外，家人的“疲劳值”是一个非常人性化的算法亮点。这套模型不仅能计算“老人需要多少照顾”，还计算“子女能提供多少照顾”。它引入了“非正式护理”变量，预测家属何时会达到“崩溃点”——即不论多孝顺，也必须花钱请人的那个时间节点。

02 核心价值：将“健康风险”翻译成“财务风险”

它把医学上的“概率”，直接折算成了“金钱成本”。

医生只管看病，理财师只管算钱，而 Waterlily 不仅能预测你会得什么病，更重要的是预测这种病在你的居住地需要花多少护理费。

o2 核心产品与业务——预测、规划、资金三部曲

Waterlily 的产品形态主要是面向 B 端（理财顾问）的 SaaS 平台，同时也服务于 C 端用户。其业务流非常清晰：

第一步：智能数据采集

用户不需要进行复杂的体检，只需完成一个约3-5分钟的数字化问卷。除了基础信息，问卷会侧重于家族病史和生活方式，这些是预测长寿风险的关键因子。

（3-5分钟的数字化问卷）

第二步：衰老轨迹建模

这是产品的核心。系统会生成一份可视化的生命周期图表，展示：

• 照护起发点：预计哪一年开始需要人照顾。

（预测未来需要长照服务的可能性、预计哪一年开始需要人照顾）

• 照护强度演变：从“每周需要10小时居家协助”到“全天候24小时机构护理”的演变路径。

（护理需求时间线预测）

• 动态成本测算：结合当地通胀率和护理成本，算出每一年的具体开销。

（评估照护需求，并将成本可视化）

第三步：解决方案匹配

当用户看到未来要承担的成本，并产生解决问题的意愿后，Waterlily 会立刻提供解决方案。

它可以根据预测的资金缺口，自动匹配最优的金融产品组合（如长期护理保险、年金、或者以房养老方案），并计算出不同方案的投资回报率。

（根据需求生成解决方案，比如提供保险产品或保险配置方案）

o3 商业模式：从 SaaS 切入，向交易平台延伸

Waterlily 的商业模式避开了单纯卖软件的局限，走向了“SaaS+交易佣金”的混合模式。

01 核心盈利来源

SaaS 订阅费：主要向理财顾问、保险代理人收取。对于理财师来说，Waterlily 是一个极佳的获客和留客工具，能帮助他们管理客户的家庭全周期资产。根据公开报道，其定价策略通常按“人头”收月费，如一家公司里有多少个理财师要用这套系统，就要交多少份人头费。

（Waterlily 的定价）

产品分销佣金：2024年，Waterlily 为了打通保险公司接口，上线了“报价与投保”功能，开始介入交易环节。当系统推荐用户购买某款长护险或年金产品并成交时，平台可从保险公司获得佣金。

考虑到保险产品的高客单价，这部分的营收潜力远超 SaaS 费用。

02 商业价值分析

对投资人：Waterlily 解决了保险销售中最大的痛点——“转化率”。传统保险销售靠粗放式“推销”，Waterlily 靠“精准数据洞察”。据麦肯锡的研究：数据驱动的个性化销售能将获客成本降低多达50%，并显著提升营销回报率（这项数据常被保险行业报告直接引用，作为行业基准）。

高壁垒：5亿数据的模型训练不是一朝一夕能完成的，这种先发优势构建了数据护城河。而数据背后的精算模型是更硬的壁垒，且极难模仿。

财务推断：基于美国长护险的高佣金特性，理财顾问只需利用 Waterlily 多卖出1张标准保单，其获得的首年佣金便足以完全覆盖全年的软件订阅费。

这种“一单回本”的高杠杆模型，对 B 端机构而言，几乎不存在试错成本，从而催生了极强的付费意愿。

o4 从“家庭之痛”到“资本宠儿”

创始人 Lily Vittayarukskul 是一位拥有 NASA 背景的数据科学家。创立 Waterlily 的动因是她目睹了自己阿姨因晚期癌症导致家庭财务崩溃的惨痛经历。

她意识到，即便是在美国，中产家庭在面对突发长照需求时也极其脆弱。她决定用原本用于航天计算的预测模型来解决“人类衰老”的计算问题。

公司早期通过与小型理财顾问公司合作验证模型准确性。随后，Waterlily 获得了700万美元左右的种子轮融资，Insight Partners 等顶级机构也参与其中。这标志着资本市场认可了“AI 预测+保险销售”的逻辑。

目前，Waterlily 正在从单纯的“预测工具”向“全流程交易平台”转型，推出了自动化的保险报价与申请功能，试图形成商业闭环。

其商业版图已初具规模：不仅获得了 Genworth、Nationwide 等保险巨头的接口授权，具备了直接分销能力；更赢得了 Edward Jones 等顶级财富管理机构的背书，被广泛应用于其理财顾问的日常获客与服务体系中。

o5 中国启示：数据如何打破“保险僵局”

中国市场目前的痛点是：保险公司想卖长护险和养老保险，但老百姓觉得“太贵、没必要、还没老”。Waterlily 的模式或许是打破这一僵局的关键。

启示一：理财师升级为“全生命周期规划师”

目前国内银行和保险代理人还在卖“收益率”。借鉴 Waterlily，国内机构可引入类似的“生命计算器”工具。

开发一套系统，根据客户身体状况预测“你将在82岁住进护理区，如果不买保险，你那时的退休金缺口是每月XX元”。

这种基于数据的场景化营销，杀伤力远胜于纯话术推销。

以中国人寿为代表的行业巨头，已经推出了自主研发的“个人养老规划服务系统”，利用大数据和精算原理，开始提供更专业的财务测算。这标志着中国养老金融正从粗放的“卖保单”走向专业的“做规划”。

但与 Waterlily 相比，这类“ 养老计算器” 大多是算金钱的缺口，算不清身体的衰退。

（中国人寿推出的养老规划预测工具）

启示二：将“体检数据”转化为“资产数据”

中国有爱康国宾、美年大健康等体检巨头，也有平安好医生等平台，掌握海量健康数据。

可以尝试做一个中间层数据商。连接体检机构（数据源）和保险销售端（应用场景），将体检报告自动转化为“未来照护成本预测报告”，赋能保险销售。

启示三：解决“久病床前无孝子”的财务尴尬

Waterlily 的模型甚至能预测“需要家人提供多少小时的无偿护理”。这在中国极具社会意义。

中国家庭往往回避谈论养老钱。一款第三方的、科学客观的 AI 工具，可以成为家庭成员（两代人）坐下来理性讨论养老责任分担的“破冰工具”。它让“向父母谈钱”或“向子女谈负担”不再难以启齿，而是变成一个解决数学问题的过程。

本文来自微信公众号“艾年”，作者：Vivi，36氪经授权发布。