보험 클레임 처리에서의 AI: 진화 과정, 실제 응용 사례 및 케이스 스터디

인공지능(AI)은 보험 분야에서 실험적인 기술에서 점점 더 실질적인 클레임 처리 도구로 발전했습니다. 현재 보험사들은 AI를 사용하여 문서에서 정보를 추출하고, 차량 및 재산 피해를 평가하며, 잠재적으로 사기성이 있는 활동을 식별하고, 클레임을 분류하며, 심각도를 예측하고, 사건 파일을 요약하며, 클레임 전문가가 어떤 케이스에 즉각적인 주의가 필요한지 결정하는 데 도움을 주고 있습니다.

이러한 변화는 하루아침에 이루어지지 않았습니다. 보험 분야의 AI는 규칙 기반 전문가 시스템에서 머신러닝(Machine Learning), 컴퓨터 비전(Computer Vision), 자연어 처리(Natural Language Processing)를 거쳐, 최근에는 생성형 AI(Generative AI)로 진화했습니다. 2026년에는 초점이 다시 이동하고 있습니다. 보험사들은 개별적인 AI 모델을 넘어, 최초 손실 통보부터 정산까지 여러 결정을 AI가 지원하는 연결된 클레임 워크플로우에 점점 더 주목하고 있습니다.

보험 클레임에서의 AI의 기원
인공지능과 보험 간의 관계는 현재 세대의 생성형 AI 도구보다 오래되었습니다.

초기 보험 AI 연구는 지식 기반 및 전문가 시스템에 중점을 두었습니다. 1980년대 후반에는 연구자들이 이미 인수(underwriting), 클레임 조정(claims adjusting), 준비금 설정(reserving), 감사(auditing)를 포함한 보험 활동을 위한 지식 기반 시스템을 탐구하고 있었습니다. 이러한 시스템은 숙련된 전문가가 사용하는 지식과 의사 결정 규칙을 컴퓨터가 일관되게 적용할 수 있는 형태로 표현하려고 시도했습니다.

1990년대와 2000년대 동안, 보험 기술은 통계 모델링(statistical modelling) 및 예측 분석(predictive analytics)을 점점 더 채택했습니다. 완전히 수동으로 정의된 규칙에 의존하기보다는, 보험사들은 과거 클레임을 분석하여 손실 빈도, 심각도, 사기, 고객 행동과 관련된 패턴을 식별할 수 있었습니다.

다음 주요 변화는 머신러닝과 빅데이터(big data)와 함께 찾아왔습니다. 보험사들이 구조화되고 비구조화된 정보의 더 많은 양을 축적함에 따라, 모델들은 동시에 수천 개의 변수를 분석할 수 있게 되었습니다.

컴퓨터 비전(Computer vision)은 또 다른 중요한 기회를 창출했습니다. 딥러닝(deep-learning) 기술이 사진을 더 높은 신뢰도로 해석할 수 있게 되자, 보험사들은 사고 후 제출된 이미지를 사용하여 차량 손상을 평가하기 시작할 수 있었습니다.

오늘날 생성형 AI(Generative AI)와 대규모 언어 모델(large language models)은 또 다른 계층을 추가하고 있습니다. 이 기술들은 클레임 파일 요약, 정보 검색, 커뮤니케이션 초안 작성, 문서 분류 등을 수행하며, 보험 전문 인력이 방대한 양의 비정형 정보를 탐색하는 데 도움을 줄 수 있습니다.

따라서 이러한 진화는 다음과 같이 요약할 수 있습니다:

전문가 시스템(Expert systems) → 예측 분석(Predictive analytics) → 머신러닝(Machine learning) → 컴퓨터 비전/NLP(Computer vision/NLP) → 생성형 AI(Generative AI) → 연결된 AI 클레임 워크플로우(Connected AI claims workflows)

보험 클레임이 AI의 자연스러운 사용 사례인 이유
클레임 처리는 방대한 양의 정보, 반복적인 의사 결정, 과거 패턴, 그리고 구조화된 워크플로우를 포함합니다. 이러한 특성들은 AI 지원 자동화에 적합하게 만듭니다.

단일 클레임에는 다음이 포함될 수 있습니다:

• 보험 증권 정보(Policy information)
• 최초 손실 통지 상세 내역(First notice of loss details)
• 고객 진술서(Customer statements)
• 사진 및 비디오(Photographs and videos)
• 수리 견적서(Repair estimates)
• 송장(Invoices)
• 의료 기록(Medical documentation)
• 손해 사정사 메모(Adjuster notes)
• 이전 클레임 정보(Previous claims)
• 커뮤니케이션 기록(Communication records)
• 지불 정보(Payment information)
• 사기 지표(Fraud indicators)

이러한 정보의 상당 부분은 다양한 형식과 시스템에서 도착합니다.

AI는 이러한 정보를 구조화된 클레임 기록으로 변환하는 데 도움을 주고, 이후 프로세스 전반에 걸쳐 의사 결정을 지원할 수 있습니다.

National Association of Insurance Commissioners가 보고한 바에 따르면, 2023년 설문 조사에서 보고한 194개 보험사 중 104개사는 이미 클레임 운영에 AI 또는 머신러닝을 사용하고 있었으며, 또 다른 13개사는 모델 개발 또는 연구, 개념 증명(proof-of-concept), 프로토타입 단계에 있었습니다. 보고된 클레임 애플리케이션에는 구상권(subrogation), 클레임 분류(claims triage), 손실 이미지 평가 등이 포함되었습니다.

이는 클레임 AI가 더 이상 실험적인 프로젝트에만 국한되지 않음을 보여줍니다.

클레임 처리 전반에 걸쳐 활용되는 AI

1. 손실 최초 통보 (First Notice of Loss, FNOL) 시점의 AI 활용

FNOL은 AI를 적용할 수 있는 가장 초기 단계 중 하나입니다.

고객이 애플리케이션, 웹사이트, 이메일 또는 콜센터를 통해 클레임을 제출할 때, AI는 중요한 정보를 추출하여 구조화된 클레임 기록을 생성할 수 있습니다. 이를 통해 다음과 같은 항목들을 식별할 수 있습니다:

• 사건 발생 일시 및 장소
• 손실 유형
• 보험 증권 정보
• 차량 또는 재산 세부 정보
• 예상 피해액
• 누락된 서류
• 이전 클레임 기록
• 잠재적 위험 지표

또한 자연어 처리(Natural Language Processing)는 고객의 설명을 분석하여 비정형적인 진술을 하위 클레임 시스템에서 사용할 수 있는 정보로 변환할 수 있습니다.

2. 자동화된 클레임 분류 (Automated Claims Triage)

모든 클레임이 동일한 수준의 조사를 필요로 하는 것은 아닙니다.

AI는 심각도, 복잡성, 문서 완결성, 잠재적 사기 여부, 소송 위험도 또는 예상 비용에 따라 클레임을 분류할 수 있습니다. 간단한 클레임은 더 빠른 처리 경로를 거칠 수 있는 반면, 고가치이거나 특이한 클레임은 숙련된 손해사정사에게 전달될 수 있습니다.

이는 AI가 단순히 자동 승인 메커니즘을 넘어 라우팅 및 우선순위 지정 시스템으로서 특히 가치가 높다는 것을 의미합니다.

3. 피해 평가를 위한 컴퓨터 비전 (Computer Vision)

보험 분야에서 가장 눈에 띄는 AI 응용 사례 중 하나는 컴퓨터 비전입니다. 보험 계약자 또는 수리업자는 손상된 차량의 사진을 업로드할 수 있습니다. AI 시스템은 이미지를 분석하여 손상된 부품을 식별하고, 심각도를 추정하며, 수리 견적서 작성에 도움을 줄 수 있습니다.

이를 통해 손해사정사가 모든 간단한 클레임을 수동으로 검사해야 할 필요성을 줄일 수 있습니다. 이 기술은 자동차를 넘어 지붕, 건물, 창문 및 기타 가시적인 구조물을 포함하는 재산 피해 영역으로도 확장되고 있습니다.

4. AI 기반 사기 탐지 (AI-Powered Fraud Detection)

사기 탐지는 또 다른 중요한 응용 분야입니다. 기존 시스템은 종종 미리 정의된 규칙에 의존합니다. 반면, 머신러닝(Machine Learning) 시스템은 훨씬 더 많은 변수 조합을 분석할 수 있습니다.

잠재적인 신호에는 다음이 포함될 수 있습니다:

반복되는 클레임
특이한 클레임 시기
연결된 주소지
제공자 관계
유사한 서술 방식
특이한 수리 또는 청구 패턴
문서와 구조화된 데이터 간의 불일치
비교 가능한 사례와 현저히 다른 클레임 행동
다만, 사기 점수(fraud score)는 자동적인 사기의 증거가 아니라 조사 신호로 취급되어야 합니다.

5. 클레임 심각도 예측 (Claim Severity Prediction)
머신러닝 모델은 과거 결과와 현재 클레임 특성을 사용하여 클레임의 잠재적인 재정적 심각도를 추정할 수 있습니다.

예를 들어, 보험사는 자동차 클레임이 경미한 수리일지 아니면 고비용 손실일지 예측할 수 있습니다.

이를 통해 다음을 결정하는 데 도움이 될 수 있습니다:

어떤 조정사(adjuster)가 해당 클레임을 처리해야 하는지
전문가 검토가 필요한지 여부
해당 클레임이 얼마나 많은 주의를 요하는지
추가 문서 요청이 필요한지 여부

실제 사례 연구: Lemonade의 AI 클레임 모델
AI 기반 클레임 중 가장 많이 논의되는 예시 중 하나는 Lemonade의 디지털 클레임 경험입니다.

Lemonade는 클레임 프로세스의 일부를 자동으로 처리하기 위해 AI 챗봇인 'AI Jim'을 도입했습니다. 이 시스템은 고객이 제출한 정보를 평가하고, 사기 방지 검사를 적용하며, 해당 클레임을 자동으로 처리할 수 있는지 또는 인간의 클레임 전문가에게 전달해야 하는지를 판단하도록 설계되었습니다.

잘 알려진 사례 중 하나로, Lemonade는 거주자 보험(renters insurance) 클레임이 제출된 후 약 3초 만에 승인 및 지급되었다고 보고했습니다. 이 회사는 시스템이 해당 클레임을 정책과 대조하고, 여러 사기 방지 알고리즘을 실행하며, 지급을 승인하고, 이관 절차를 시작했다고 밝혔습니다.

더 중요한 교훈은 3초라는 수치 자체가 아닙니다.

진정한 혁신은 의사 결정 아키텍처(decision architecture)였습니다. 즉, 간단한 클레임은 자동으로 처리할 수 있고, 더 복잡한 클레임은 사람에게 에스컬레이션(escalate)될 수 있도록 한 것입니다.

Lemonade의 현재 클레임 정보는 유사하게 AI가 클레임을 평가하고, 자동으로 처리할 수 없는 경우 인간 팀에게 클레임을 인계하는 과정을 설명합니다.

실제 사례 연구: Admiral Seguros와 비접촉(Touchless) 자동차 클레임
스페인의 Admiral Seguros는 자동차 클레임에 컴퓨터 비전 기술이 사용된 또 다른 예를 제공합니다.

고객들은 디지털 클레임 프로세스를 통해 차량 손상 사진을 제출할 수 있습니다. AI가 해당 사진들을 분석하여 손상 평가 및 예상 비용을 산출합니다.

Tractable에서 발표한 사례 연구에 따르면, Admiral Seguros는 2021년에 12,000건의 비접촉 클레임을 처리했으며, 이 중 90%의 클레임 추정치가 인간 감정사 없이 처리되었고, 98%의 클레임이 15분 이내에 완료된 것으로 보고되었습니다.

이 사례는 AI가 클레임 전문가의 역할을 어떻게 변화시킬 수 있는지 보여줍니다.

전문가들은 모든 사진을 수동으로 검토하는 대신, 예외 상황, 복잡한 손상, 분쟁 사례, 그리고 AI 평가가 검증을 필요로 하는 상황에 집중할 수 있습니다.

실제 사례 연구: Tokio Marine
Tokio Marine은 일본에서 자동차 손상을 분석하기 위해 컴퓨터 비전 기술을 배치했습니다.

이 시스템은 차량 사진을 검토하고, 권장되는 수리 작업, 도색 및 블렌딩 작업, 예상 인건비 요구 사항을 포함하여 수리 결정에 도움을 줍니다.

이는 클레임 AI의 또 다른 중요한 방향성을 보여줍니다. 즉, 이미지 인식 자체를 고립된 기술로 다루기보다는 이미지 분석을 수리 프로세스와 연결하는 것입니다.

목표는 단순히 손상된 범퍼나 문을 인식하는 것이 아닙니다. 가치는 시각적 정보를 운영상의 클레임 결정으로 전환하는 데서 나옵니다.

실제 사례 연구: MS&AD
MS&AD Insurance Group 역시 일본에서 자동차 클레임을 위해 AI 기반 컴퓨터 비전을 사용했습니다.

이 기술은 차량 손상 사진을 분석하고 대규모 자동차 클레임에 걸쳐 클레임 처리를 가속화하도록 설계되었습니다. 해당 사용 사례에서 이 회사는 기술이 클레임당 최대 2주까지 복구 시간을 단축할 수 있다고 보고했습니다.

이는 AI가 정산 과정을 완전히 자동화하지 못하더라도 가치를 가질 수 있음을 보여줍니다.

검사, 수리 평가 및 승인 간의 대기 시간을 줄이는 것은 전반적인 클레임 주기를 개선할 수 있습니다.

AI가 클레임 조사원을 대체하지는 않습니다
AI 클레임 처리에 대한 가장 큰 오해 중 하나는 보험사가 인간과 기계 사이에서 선택해야 한다는 것입니다. 실제로는 가장 강력한 모델이 종종 '인간 개입형 AI(human-in-the-loop AI)'입니다.

이러한 접근 방식은 AI가 반복적인 분석을 처리할 수 있도록 하고, 인간은 모호성, 상당한 재정적 노출, 분쟁 또는 규제 문제가 관련된 상황에 대한 책임을 유지하도록 합니다.

2026년까지 AI 클레임 처리는 어떻게 변화할까요?
보험 AI의 최신 단계는 개별 모델을 넘어 이동하고 있습니다. 사기 탐지를 위해 한 시스템을 사용하고 문서 처리를 위해 다른 시스템을 사용하는 대신, 보험사들은 점점 더 연결된 워크플로에 주목하고 있습니다.

미래 지향적인 클레임 프로세스는 다음과 같을 수 있습니다:

**고객 제출 → AI 문서 이해 → 클레임 분류 → 위험 점수화 → 손상 평가 → 조사원 추천 → 정산 지원 → 결과 피드백

생성형 AI(Generative AI)는 대규모 클레임 파일 검색 및 요약 작업을 용이하게 하는 추가적인 기능을 제공합니다.

손해사정인(adjuster)은 시스템에 이전 상호작용을 요약하거나, 누락된 문서를 식별하고, 클레임이 왜 에스컬레이션되었는지 설명하거나, 수천 페이지의 문서에서 관련 정보를 검색하도록 요청할 수 있습니다.

이 기술은 점점 더 발전하고 있지만, 이는 동시에 거버넌스의 중요성을 증가시킵니다.

AI 클레임 처리는 강력한 거버넌스를 요구합니다
AI는 오류를 범하거나, 역사적 편향을 재현하거나, 부정확한 정보를 생성하거나, 과도한 오탐지(false positives)를 만들 수 있습니다.

이러한 이유로 AI 거버넌스는 보험 기술의 핵심 부분이 되었습니다.

NAIC(National Association Insurance Commissioners)는 2023년 12월에 보험사에서 인공지능 시스템 사용에 대한 모델 게시판(Model Bulletin on the Use of Artificial Intelligence Systems by Insurers)을 채택했습니다. 이는 거버넌스, 위험 관리, 테스트, 공정성, 정확성 및 부정적인 소비자 결과를 줄이기 위한 통제를 강조합니다.

NAIC의 현재 AI 작업은 보험사의 거버넌스 관행, 고위험 모델(high-risk models), 그리고 입력으로 사용되는 데이터를 포함하여 AI 시스템에 대한 보다 구조화된 평가로 이동하고 있습니다.