****서류 더미, 포스트잇, 그리고 서로 연동되지 않는 시스템들이 실행되는 여러 개의 화면에 둘러싸인 채 어지러운 책상에 앉아 있는 보험 조사관(claims adjuster)을 상상해 보십시오. 이제 동일한 조사관이 일상적인 서류 작업은 이미 처리되어 있고, 고객에게 집중할 수 있는 깔끔한 디지털 인터페이스에서 작업하는 모습을 상상해 보십시오. 이러한 변화는 2030년의 비전이 아닙니다. 이는 이미 전 세계 보험사 내부에서 일어나고 있으며, 금융 서비스에서 가장 마찰이 심한 경험 중 하나를 재편하고 있습니다.

변화에 대한 압박은 항상 존재해 왔습니다. 2024년 산업 보고서에 따르면, 보험 가입자의 31%가 보험금 청구 경험에 불만족을 느꼈으며, 그중 60%는 지급 속도를 주요 불만 사항으로 꼽았습니다. 한편, 보험금 처리 담당자들은 서류 검토, 수동 데이터 입력, 파일을 한 편지함에서 다른 편지함으로 전달하는 등의 저가치 행정 업무에 시간의 약 30%를 소비하고 있었습니다. 번아웃(Burnout)은 실재했습니다. 조사관의 거의 절반이 언제나 125건 이상의 미결 청구 건을 관리하고 있었습니다.

무언가 변화가 필요했습니다.

수동 보험금 청구 처리가 이미 한계에 다다랐던 이유

무엇이 변했는지 이해하기 전에, 전통적인 보험금 청구 처리가 실제 현장에서 어떤 모습이었는지 이해하는 것이 도움이 됩니다.

보험 가입자는 전화, 이메일 또는 웹 양식을 통해 보험금을 청구합니다. 해당 청구 건은 대기열(queue)에 쌓이게 됩니다. 조사관은 파일을 열고, 증빙 서류를 수집하며, 보험 증권을 수동으로 대조하고, 경험과 직관을 통해 사기 징후를 확인하며, 필요한 경우 추가 정보를 요청하고, 사례가 모호할 경우 관리자에게 보고(escalate)한 뒤, 최종적으로 결정을 내립니다. 단순한 자동차 유리 파손 청구의 경우, 이 과정은 2주가 걸릴 수 있습니다. 그보다 복잡한 사안이라면 더 오래 걸립니다.

핵심적인 문제는 손해사정사 (adjusters)가 아니라 구조였습니다. 규칙 기반의 전통적인 자동화는 보험 번호와 같은 정형 데이터 (structured data)만을 처리할 수 있었습니다. 실제적인 이해가 필요한 모든 것 — 수기로 작성된 사고 경위서, 휴대폰 카메라로 찍은 사진, 복잡한 의료 보고서 등 — 은 곧바로 수동 검토 대기열 (manual queue)로 넘어갔습니다. 업계 데이터는 이를 반영합니다. 보험 청구의 단 7%만이 완전 자동 처리 (straight-through automation)를 통해 처리되었으며, 나머지 93%는 인간의 검토 백로그 (backlogs)로 남겨졌습니다.

보험금 청구 워크플로우에서 AI가 실제로 하는 일

사고 접수 (First Notice of Loss): 경험이 시작되는 지점

사고 발생 후 첫 번째 상호작용인 사고 접수 (First Notice of Loss, FNOL)는 이후의 모든 과정의 분위기를 결정합니다. 기존 시스템 하에서 이는 대기 시간이 발생하는 전화 통화, 상담원이 동일한 질문을 여러 번 반복하는 상황, 그리고 사고나 재산 피해로 이미 스트레스를 받은 고객이 혼란스러운 접수 과정을 헤쳐 나가야 함을 의미했습니다.

AI 기반의 FNOL 시스템은 자연어 처리 (natural language processing, NLP)를 통해 이를 처리합니다. 고객은 모바일 앱, 채팅 인터페이스, 또는 음성을 통해 자신이 겪은 일을 자신의 언어로 설명할 수 있으며, 시스템은 고객에게 경직된 스크립트를 강요하지 않고도 관련 세부 정보를 추출하고, 청구를 분류하며, 적절한 경로로 배정합니다. 그 결과, 관료적인 느낌 대신 즉각적으로 대응하는 듯한 접수 경험을 제공하게 됩니다.

연간 40만 건의 청구를 처리하는 미국의 한 대형 여행 보험사는 AI를 도입한 후 처리 시간을 몇 주에서 몇 분으로 단축했으며, 전체 보험 포트폴리오에서 57%의 자동화를 달성했습니다. 한편, Aviva는 AI를 사용하여 복잡한 사례에 대한 책임 평가 (liability assessment) 시간을 23일 단축하는 동시에, 배정 정확도를 30% 향상시키고 고객 불만을 65% 감소시켰습니다.

손해 사정 (Damage Assessment): 컴퓨터 비전이 계산 방식을 바꾼 지점

재산 및 자동차 보험 청구의 경우, 전통적인 손해 사정 (Damage Assessment) 프로세스는 물리적 점검을 필요로 했습니다. 즉, 손해 사정사 (Adjuster)의 방문 일정을 잡고, 가용 시간을 기다리고, 누군가가 현장으로 직접 운전해 가서 피해 상황을 기록한 뒤, 그 기록을 바탕으로 비용을 추산하는 방식이었습니다.

컴퓨터 비전 (Computer Vision)이 이 과정을 완전히 바꾸어 놓았습니다. 고객이 모바일 앱을 통해 차량 파손 사진을 제출하면, 이제 AI 시스템은 90% 이상의 정확도로 해당 이미지를 분석합니다. AI는 손상 유형을 식별하고, 수리 비용을 추산하며, 눈에 보이는 손상을 제조사 사양과 비교하고, 단 몇 초 만에 이상 징후를 찾아낼 수 있습니다. Allianz는 정확히 이 정도 수준의 정확도를 달성하는 AI 기반 손해 사정 도구를 도입하여, 전체 포트폴리오에 걸쳐 일관된 평가를 유지하는 동시에 대기 시간을 획기적으로 단축했습니다.

더 깊은 영향은 손해 사정사의 업무량에 미칩니다. 숙련된 손해 사정사는 이제 범퍼의 찌그러짐을 확인하기 위해 직접 운전해 가는 대신, AI의 결과물을 검토하고, 예외 사례 (Edge cases)를 검증하며, 실제로 인간의 판단이 필요한 복잡한 청구 건을 처리합니다.

사기 탐지 (Fraud Detection): 인간이 대규모로 포착할 수 없는 패턴

보험 사기는 미국에서만 연간 약 800억 달러의 비용을 업계에 발생시키고 있으며, 이 문제는 점점 커지고 있습니다. 변화된 점은 바로 탐지 능력입니다.

AI 사기 탐지는 모든 청구 건을 방대한 패턴 데이터베이스와 실시간으로 대조하여 작동합니다. 자연어 처리 (NLP)는 청구 내용을 읽고 일관성 없는 타임라인, 특이한 문구, 또는 보고된 내용과 의료 기록 사이의 모순을 강조합니다. 컴퓨터 비전은 제출된 사진을 실제 손상 데이터베이스와 대조하여, 조작된 이미지, 재사용된 스톡 사진, 또는 보고된 사고 내용과 일치하지 않는 손상을 찾아냅니다. 행동 분석 (Behavioral analytics)은 동일 인물이나 특정 지역에서 발생하는 비정상적인 청구 빈도를 포착합니다. 이는 일반적인 업무량을 처리하는 손해 사정사라면 결코 알아차릴 수 없는 패턴들입니다.

한 기록된 사례 연구에 따르면, 한 보험사는 청구 검토 시간을 2주에서 실시간 탐지로 단축하여 ROI(투자 대비 수익)를 210% 증가시켰으며, 첫 해에 570만 달러를 절감했습니다. 이는 예외적인 결과가 아닙니다. 이는 패턴 탐지(pattern detection)가 인간의 규모가 아닌 머신 스케일(machine scale)로 작동할 때 발생하는 현상을 나타냅니다.

문제는 사기(fraud) 또한 진화하고 있다는 점입니다. 사기꾼들은 이제 AI 생성 문서, 딥페이크(deepfake) 평가, 그리고 구매한 적이 없는 품목에 대한 합성 영수증(synthetic receipts)을 사용하고 있습니다. Zurich는 청구 패키지에 허위 엔지니어 평가를 만들기 위해 딥페이크 기술이 사용되는 것을 목격했습니다. 이러한 군비 경쟁은 실재하며, 이것이 바로 AI 사기 탐지 시스템이 일회성 배포에 그치지 않고 새로운 사기 패턴에 대해 지속적인 재학습(retraining)을 필요로 하는 이유입니다.

이것이 현장 손해 사정사들에게 의미하는 바

청구 업무에서 AI에 대해 지속적으로 제기되는 우려 중 하나는 AI가 실제 업무를 수행하는 사람들을 대체할 것인가 하는 점입니다. 현재 이러한 시스템을 배포하고 있는 보험사들에서 일어나고 있는 일을 바탕으로 한 정직한 답변은 훨씬 더 미묘합니다.

한 재물 보험사의 선임 손해 사정사(senior adjuster)는 이를 다음과 같이 설명합니다. AI가 교차 자산 패턴 분석(cross-property pattern analysis)을 기반으로 겉보기에 일상적인 침수 피해 청구 건에 대해 추가 검토 대상으로 표시했습니다. 20년 경력의 해당 사정사는 처음에 이 표시를 불필요한 것으로 치부했습니다. 하지만 시스템은 동일한 피보험자가 다른 두 곳의 자산에서도 유사한 청구를 제기했다는 사실을 포착했습니다. 이는 단일 청구 검토 시에는 결코 나타나지 않을 정보였습니다. 결국 이 청구 건은 더 광범위한 사기 패턴을 드러냈습니다.

그것이 실질적인 현실입니다. AI는 인간이 대규모로 볼 수 없는 것을 표면화하고, 숙련된 사정사는 AI가 복제할 수 없는 판단력을 제공합니다. 감성 지능(emotional intelligence)이 필요한 청구 건 — 전손(total loss)에 관한 대화, 책임 소재 분쟁, 화재 피해를 겪고 있는 가족 — 에는 여전히 현장에 사람이 필요합니다. 잘 배포된 AI 보험 도구들은 그러한 대화를 자동화하는 것이 아니라, 그 주변의 행정적 소음(administrative noise)을 제거함으로써 사정사들이 실제로 그 대화에 집중할 수 있도록 돕습니다.

STP(Straight-Through Processing) 격차 — 그리고 이를 메우는 방법

현대적인 보험금 청구 운영에서 운영 성과를 정의하는 지표는 STP(Straight-Through Processing, 자동 처리)입니다. 이는 인간의 개입 없이 접수부터 결제까지 진행되는 청구 건의 비율을 의미합니다. 업계 전반적으로 손해보험(Property and Casualty) 청구의 경우 이 수치는 10% 미만에 머물러 있습니다. AI를 사용하는 상위 개인 보험(Personal Lines) 보험사들은 적격 청구 유형에 대해 35%에 육박하는 수치를 기록하고 있습니다.

10%와 35% 사이의 격차는 상당한 운영 비용, 결제 속도, 그리고 고객 만족도의 차이를 나타냅니다. 이 격차를 메우는 것이 바로 완전히 통합된 AI 보험 도구가 설계된 목적입니다. 단순히 한 단계를 자동화하는 것이 아니라, 사고 접수(FNOL)부터 문서 처리, 사기 점수 산정(Fraud Scoring), 손해 사정(Damage Assessment), 그리고 최종 결제에 이르기까지 전체 청구 라이프사이클을 하나의 연결된 파이프라인으로 오케스트레이션(Orchestrating)하는 것입니다.

이 과정의 다음 단계는 이미 선도적인 보험사들에서 실무에 적용되고 있습니다. 바로 인간이 다음 단계로 넘어가도록 밀어주기를 기다리지 않는 에이전틱 AI(Agentic AI)입니다. 이 AI는 누락된 서류를 요청하고, 시스템 간 교차 확인을 수행하며, 특정 임계값이 넘었을 때만 인간에게 업무를 에스컬레이션(Escalate)합니다. 즉, 청구의 구조화된 부분을 자율적으로 관리하면서, 사정사들이 진정으로 도움이 필요한 업무에 집중할 수 있도록 여력을 만들어줍니다.

여전히 잘 작동하지 않는 부분

이러한 변화에 대해 정직하게 보고하려면 기술이 여전히 부족한 부분이 어디인지 인정해야 합니다.

데이터 품질은 근본적인 과제입니다. 보험 분야 AI 도입 프로젝트의 약 80%가 불충분한 기초 데이터로 인해 어려움을 겪거나 실패하는 것으로 추정됩니다. 불완전하거나 일관성 없는 과거 청구 데이터로 학습된 모델은 결함이 있는 결정을 내리며, 보험금 청구에서 결함이 있는 결정은 진정으로 스트레스가 심한 상황에 처한 실제 고객에게 영향을 미칩니다.

레거시 시스템 (Legacy systems)과의 통합은 여전히 중대한 운영상의 장애물로 남아 있습니다. 많은 보험사가 현대적인 AI 레이어 (AI layers)와 인터페이스하도록 설계되지 않은 수십 년 된 보험금 관리 플랫폼을 기반으로 운영됩니다. 이러한 시스템 위에 AI를 계층화하는 것은 단순화하기보다는 복잡성을 더하게 됩니다.

또한 변화 관리 (Change management)의 과제도 실재합니다. 20년의 경력을 가진 손해사정사(Adjusters)들은 자신의 직관적인 판단에 의문을 제기하는 시스템을 자동으로 신뢰하지 않습니다. 가장 좋은 결과를 얻고 있는 보험사들은 교육에 투자하고, AI가 어떻게 결정을 내리는지 팀원들에게 설명하며, 이 기술을 경험을 대체하는 수단이 아닌 더 나은 업무를 위한 도구로 포지셔닝하는 곳들입니다.

반대편에 있는 고객

이 모든 기술은 궁극적으로 보험 가입자가 보험사를 가장 필요로 하는 순간에 겪게 되는 경험을 변화시키기 위해 존재합니다.

이제 기준점(Benchmark)이 마련되었습니다. Jim이라는 이름의 Lemonade AI 시스템은 특정 보험금 청구를 단 3초 만에 처리합니다. 즉, 단순한 사례의 경우 보장 범위를 확인하고, 사기 지표를 점검하며, 거의 즉각적으로 지급을 승인합니다. 이것이 업계 전반의 전형적인 모습은 아니지만, 도달해야 할 종착점이 어떤 모습인지를 정의합니다. 고객이 서류를 제출하고, 실시간으로 접수 확인을 받으며, 당일에 결제 결정까지 받는 보험금 청구 경험은 더 이상 제품 로드맵상의 야심 찬 목표가 아닙니다. 이는 투자를 단행한 보험사들에게는 운영상의 현실입니다.

단순한 청구에 대해서도 여전히 몇 주씩 결정을 기다려야 하는 대다수의 보험 가입자들에게, 이 격차는 업계가 이러한 전환 과정 중 어디에 와 있는지, 그리고 얼마나 많은 작업이 남아 있는지를 보여주는 가장 가시적인 척도입니다.