자동심사(AU)

사람이 사라진 심사대 — 신청서를 제출한 지 3분 만에 승인이 뜨는 이유

6~9화가 인간 언더라이터가 몸, 지갑, 직업을 심사하는 과정이었다면, 지금 그 과정의 상당 부분은 사람의 개입 없이 진행된다. 자동심사(Automated Underwriting, AU)는 신청서 데이터를 알고리즘에 입력하면 몇 분 안에 승인·거절·재검토 중 하나로 자동 분류하는 시스템이다. 미국 생명보험 업계는 2010년대 중반부터 "가속 언더라이팅(accelerated underwriting)"이라는 이름으로 이를 본격화했다 — 건강진단서나 혈액검사 없이, 처방약 데이터베이스, 신용 정보, 운전기록, 심지어 소셜미디어 활동 패턴까지 결합해 위험을 추정하는 방식이다. 이 변화의 핵심 동기는 5화에서 다룬 인간 언더라이터의 두 가지 한계 — 확증 편향과 처리 속도 — 를 동시에 해결한다는 데 있었다. 알고리즘은 첫인상에 흔들리지 않고, 수천 건을 동시에 처리한다.

AU의 작동 원리는 3화에서 본 포인트 시스템을 극단까지 정교화한 것이다. 전통적 포인트표가 수십 개 변수를 사람이 손으로 합산했다면, AU 모델은 수백~수천 개 변수를 기계학습으로 가중치까지 자동 산출한다. 문제는 이 정교함이 근본적으로 다른 종류의 리스크를 만든다는 점이다. 전통적 포인트표는 각 항목의 가중치가 계리사에 의해 명시적으로 설계되고 검증 가능했다 — 왜 흡연이 50점인지 설명할 수 있었다. 하지만 기계학습 모델은 수많은 변수 간의 비선형 상호작용을 학습하기 때문에, 특정 신청자가 왜 그 점수를 받았는지 모델 설계자조차 정확히 설명하기 어려운 경우가 생긴다. 이것이 미국 보험 규제 당국(NAIC)이 AI 언더라이팅 모델에 대해 "설명 가능성(explainability)"을 별도로 요구하기 시작한 배경이다 — 언더라이팅은 원래도 정당화가 필요한 결정이었는데, 그 정당화 근거 자체가 불투명해지는 상황이 온 것이다.

더 미묘한 문제는 대리 변수(proxy variable)다. AU 모델에 인종이나 성별 같은 정보를 직접 입력하지 않아도, 우편번호나 신용점수처럼 그것들과 강하게 상관된 변수를 통해 모델이 간접적으로 같은 효과를 학습할 수 있다. 미국에서는 이를 "디지털 레드라이닝(digital redlining)"이라 부르며 여러 주에서 규제 입법이 진행 중이다. 8화에서 본 직업 코드의 문제 — 개인이 아니라 집단의 통계로 개인을 평가하는 방식 — 가 AU에서는 훨씬 정교하고 훨씬 불투명한 형태로 재현된다. 알고리즘이 편향을 없앤 게 아니라, 사람이 눈치채기 어려운 층위로 편향을 이동시켰을 가능성이 이 논쟁의 핵심이다.

한국 보험사들도 최근 몇 년 사이 간편심사 라인과 소액 상품군에서 유사한 자동화를 도입하고 있지만, 미국 대비 활용 범위는 제한적이다 — 개인신용정보보호법상 신용정보나 비의료 데이터를 언더라이팅에 활용하는 데 대한 규제가 상대적으로 엄격하기 때문이다. 그 결과 한국의 AU는 아직 "질문표 기반 자동 승인"에 가깝고, 미국식의 다변수 예측 모델과는 성숙도 차이가 크다. 이 격차는 15화(GA 채널)와 18화(AI 언더라이팅과 편향)에서 다시 다룰 주제로 이어진다 — 언더라이팅의 자동화는 편의와 속도를 주는 대신, 그 편의가 누구의 희생 위에 만들어지는지를 추적하기 더 어렵게 만든다는 것이다. Act 2는 여기서 마무리된다. 다음 화부터는 지금까지 설계된 이 정교한 시스템이 실제로 어디서, 왜 무너지는지 — 도덕적 해이라는 균열을 다룬다.