새 보험회계 국제기준(IFRS17)과 신지급여력제도(K-ICS) 도입 이후 보험회사가 다뤄야 할 데이터와 계산은 크게 늘었다. 변동성도 커지면서 손익과 지급여력에 미치는 영향을 더 자주, 더 빠르게 확인해야 한다. 이제 경쟁력은 변화가 예상될 때 필요한 시나리오를 즉시 계산하고, 그 결과를 의사결정으로 연결하는 능력에서 나온다.
예를 들어 금리가 50bp 더 올라가면 미래 지급여력비율은 어떻게 달라질까? 상품 구조나 가정을 바꾸면 보험계약서비스마진(CSM)은 얼마나 변할까? 이런 질문에 감이 아니라 숫자로 답하려면 ‘What-if 시뮬레이션’이 작동되어야 한다.
왜 시뮬레이션은 제때 나오기 어려운가
현실에서는 질문 하나에 답하기까지 여러 단계가 필요한데, 다음 네 곳이 병목으로 작용한다.
• 입력 준비: 계약 데이터를 정리하고, 계산에 사용할 가정을 확인하는 작업
• 계산 시간: 복잡한 보험계리 모델로 인한 실행 시간
• 결과 정리: 계산이 끝난 뒤 숫자를 해석하고 보고서를 작성하는 작업
• 전문 인력 의존: 이 과정이 소수의 계리모델링 전문가에게 집중되는 현상
이 때문에 What-if 분석이 ‘즉각 해 볼 수 있는 일’이 되기 어렵다. 답이 몇 주 뒤에 나오면 질문의 전제가 이미 달라질 수도 있다. 보험경영에 필요한 것은 무조건적인 실시간 처리가 아니라, 의사결정이 유효한 시간 안에 신뢰할 수 있는 답을 얻는 ‘적시성’이다.
보험 디지털 트윈이란 무엇인가
RNA는 이 문제를 해결하기 위해 ‘보험 디지털 트윈 플랫폼’을 개발해 왔다. 디지털 트윈은 제조업과 항공우주 분야에서 발전한 개념으로, 현실의 변화가 디지털 모델에 계속 반영되고 분석 결과가 다시 실제 운영에 활용되는 연결 구조를 뜻한다.
연결 수준은 보통 다음 세 단계로 설명할 수 있다.
보험계리 업무에는 계약 데이터, 가정, 모델, 계산 결과를 여러 시스템 사이에서 사람이 옮기는 과정이 여전히 남아 있다. 이러한 수작업 연결은 시나리오 분석과 결과 활용을 늦추는 병목이 된다. 보험 디지털 트윈은 이 흐름을 연결해 필요한 시나리오를 더 빠르게 만들고, 전문가가 승인한 결과를 경영에 안전하게 반영하는 것을 목표로 한다.
중요한 점은 디지털 트윈이 ‘인공지능(AI)이 보험계리사를 대신해 자율적으로 결정하는 시스템’이 아니라는 것이다. AI는 자료를 찾고 정리하며 시나리오를 제안할 수 있지만, 중요한 가정 변경이나 재무적 영향이 큰 결정은 권한 있는 전문가가 검토하고 승인해야 한다. 수치 계산은 거대언어모델(LLM)이 직접 생성하는 대신 보험계리 엔진이 수행한다. 결과의 신뢰성을 확보하려면 엔진뿐 아니라 입력 데이터, 적용 모델과 가정, 시나리오 설정도 함께 검증해야 한다.
지금 시작할 수 있는 현실적인 단계: 디지털 섀도
디지털 트윈까지 한 번에 갈 필요는 없다. 먼저 디지털 섀도를 구축하면 현재 기술로도 의미 있는 개선을 만들 수 있다. 계약 데이터와 승인된 가정이 모델에 연결되고, 필요한 결과가 자동으로 준비되며, 전문가는 그 결과를 검토해 경영 의사결정에 활용한다. 판단과 승인 권한은 여전히 사람에게 있다.
실무 구현에 필요한 네 가지
1. 데이터의 의미를 함께 연결: 기존 데이터는 어떤 관계인지 온톨로지 기반 기준으로 정리되어야 한다. 이때 온톨로지는 ‘보험 업무의 공통 사전이자 관계 지도’라고 이해하면 된다. 같은 용어를 부서와 시스템마다 다르게 쓰는 문제를 줄여 주며, LLM이 활용하기 좋은 데이터 형태로 갖추어 주는 것이다.
2. 전문가의 시간을 판단에 집중시키도록 도와주는 AI 에이전트: AI 에이전트는 문서에서 상품 구조를 정리하여 계리시스템에 보내고, 가정 변경이 어떤 현금흐름에 영향을 주는지 추적하며, 계산 결과의 핵심을 정리할 수 있다. 전문가를 도와 정보를 찾고 옮기고 정리하는 시간을 줄여 더 중요한 검토와 판단에 집중하도록 할 수 있다.
3. 거버넌스 및 검증 가능성: 빠른 결과라도 근거를 확인할 수 없다면 경영 의사결정에 쓰기 어렵다. 따라서 원천 데이터와 가정의 출처, 사용한 모델과 버전, 승인자와 실행 결과가 연결되어 기록돼야 한다. 생성형 AI가 공식 수치를 직접 만드는 것이 아니라, 검증된 보험계리 엔진이 계산을 수행하고 권한 있는 전문가가 결과를 승인하는 구조가 필요하다. 또한 자료가 부족하거나 권한이 불분명하거나 검증 기준을 통과하지 못한 경우에는 시스템이 실행을 멈추고 사람의 검토로 넘겨야 한다. ‘모르는데도 답하는 AI’가 아니라 ‘확실하지 않으면 멈출 줄 아는 체계’인 것이다.
4. 계산 속도와 정확도를 함께 관리해야 함: 입력이 빨리 준비되어도 계산에 며칠 또는 몇 주가 걸리면 적시성이 사라진다. 데이터 축약이나 검증된 근사 모델을 활용하면 계산 시간을 줄일 수 있다. 다만 빠른 답이 틀린 답이 되지 않도록 적용 가능한 범위, 극단 시나리오의 오차, 재검증 주기를 함께 관리해야 한다.
목적지는 디지털 트윈, 출발점은 단계적 도입
디지털 트윈은 목적지이고, 디지털 섀도는 지금 시작할 수 있는 현실적인 출발점이다. 데이터와 모델의 연결이 안정화되고, 검증 기준과 승인 권한, 운영 반영 절차가 갖춰지면 분석 결과를 실제 업무에 연결하는 범위를 단계적으로 넓힐 수 있다. 보험 디지털 트윈으로의 전환은 이러한 연결 구조와 통제 체계를 함께 구축하는 과정이다.
결국 보험 디지털 트윈에는 깊은 AI 기술도 중요하지만, 연결과 신뢰의 거버넌스 및 업무 프로세스, 조직 문화가 함께 움직일 때 보험회사는 ‘몇 주 뒤의 보고’에서 ‘의사결정이 필요한 순간의 시뮬레이션’으로 한 걸음 나아갈 수 있다.
▲워털루대학(University of Waterloo) 통계학 석사
▲킹스칼리지런던(King’s College London) 응용통계모형 및 보건의료정보학 석사
▲연세대학교 융합의학과 디지털헬스케어 의료인공지능 박사
배수경 박사(AI Consulting Director)
RNA Analytics
