자동심사(AU)
알고리즘이 언더라이터를 대체하는 속도
자동심사(AU)
알고리즘이 언더라이터를 대체하는 속도 | 언더라이팅 해부 10화
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 등을 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.
포인트 시스템의 극한: 정교함이 만드는 새 리스크
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. 여기서 중요한 전환이 일어난다. 전통적 언더라이팅에서 정당화의 책임은 "왜 이 규칙을 만들었는가"를 설명할 수 있는 계리사에게 있었다. AU에서는 그 책임이 "모델이 왜 이렇게 학습했는가"를 사후에 해석해야 하는 문제로 바뀐다. 규칙을 설계하는 일과 학습된 모델을 해부하는 일은 전혀 다른 난이도의 작업이며, 후자는 종종 불가능에 가깝다.
트리아지 기계로서의 AU: 대체가 아니라 재배치
AU를 "언더라이터를 대체하는 기술"로만 보면 그 실제 작동 방식을 놓친다. 현장에서 AU가 실제로 하는 일은 대체가 아니라 분류(triage)에 가깝다. 대다수의 표준체 신청 — 젊고, 병력이 단순하고, 재정이 명확한 케이스 — 은 알고리즘이 몇 초 만에 통과시키고, 애매하거나 위험 신호가 있는 케이스만 사람 언더라이터에게 넘긴다. 결과적으로 인간 언더라이터의 업무는 사라지는 것이 아니라, 쉬운 건은 걷어내고 어려운 건만 남는 방향으로 재편된다. 이것은 언더라이터라는 직업이 소멸한다는 뜻이 아니라, 그들이 다루는 케이스의 평균 난이도가 계속 올라간다는 뜻이다.
이 재배치는 조용하지만 중요한 2차 효과를 낳는다. 신입 언더라이터가 쉬운 케이스를 대량으로 처리하며 감(感)을 기르던 전통적 도제 경로가 끊긴다는 점이다. 쉬운 건은 기계가 다 가져가므로, 사람은 처음부터 어려운 케이스만 상대해야 한다. 판단력은 반복된 경험 위에 쌓이는데, 그 경험의 사다리 아랫단을 자동화가 걷어가 버리면 다음 세대 전문가가 길러지는 경로 자체가 위태로워진다. 이는 방사선과, 회계 감사 등 다른 판단 직군의 자동화에서도 공통적으로 관찰되는 구조적 문제로, 언더라이팅만의 이야기가 아니다.
대리 변수와 디지털 레드라이닝
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 논의가 진행되고 있다. 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.
레드라이닝이라는 단어의 기원 자체가 이 문제의 본질을 말해준다. 과거 미국에서 특정 지역에 붉은 선을 그어 대출·보험을 거부하던 명시적 차별이, 이제는 아무도 인종을 언급하지 않는 수백 개 변수의 조합 속에 스며든다. 명시적 차별은 금지하기 쉽지만, 통계적 상관을 매개로 재현되는 차별은 어디서부터가 정당한 위험 분류이고 어디서부터가 금지된 차별인지 경계 자체가 흐릿하다. 이 경계 설정이 AU 시대 보험 규제의 가장 어려운 숙제다. 순수하게 예측력이 높은 변수라도, 그것이 보호받아야 할 집단 특성의 대리물이라면 사용을 제한해야 하는가라는 질문에 아직 사회는 합의된 답을 갖고 있지 않다.
한국과 미국의 성숙도 격차는 왜 벌어졌나
한국 보험사들도 최근 몇 년 사이 간편심사 라인과 소액 상품군에서 유사한 자동화를 도입하고 있지만, 미국 대비 활용 범위는 제한적이다 — 개인신용정보 보호 관련 규제상 신용정보나 비의료 데이터를 언더라이팅에 활용하는 데 대한 제약이 상대적으로 엄격하기 때문이다. 그 결과 한국의 AU는 아직 "질문표 기반 자동 승인"에 가깝고, 미국식의 다변수 예측 모델과는 성숙도 차이가 크다.
이 격차는 단순한 기술 도입 속도의 차이가 아니라 데이터 거버넌스 철학의 차이에서 나온다. 미국은 민간 데이터 브로커 생태계가 방대하게 발달해 있어 처방·신용·운전 데이터가 상업적으로 결합되기 쉬운 환경인 반면, 한국은 개인정보와 신용정보의 목적 외 이용을 원칙적으로 엄격히 통제한다. 역설적이게도 한국은 국민건강보험이라는 세계적으로도 정합적인 공적 의료 데이터를 보유하고 있지만, 바로 그 데이터가 공적 성격을 갖기 때문에 상업적 언더라이팅에 자유롭게 흘러들지 못한다. 미국은 데이터가 파편적이지만 결합이 자유롭고, 한국은 데이터가 통합적이지만 결합이 통제된다 — 이 구조적 대비가 두 나라 AU의 진화 경로를 근본적으로 다르게 만든다.
이 대비는 미래에도 쉽게 좁혀지지 않을 가능성이 크다. 미국식 경로는 예측력은 높지만 앞서 본 대리 변수·설명 가능성 문제를 정면으로 떠안고, 한국식 경로는 그 위험을 규제로 미리 차단하는 대신 자동화의 이득을 늦게 실현한다. 어느 쪽도 공짜가 아니며, 두 나라는 사실상 "정확성"과 "통제 가능성" 사이에서 서로 다른 지점을 선택한 셈이다. 흥미로운 점은, 마이데이터 제도처럼 본인 동의를 매개로 데이터 결합을 여는 한국식 실험이 확산되면, 두 경로가 중간 어딘가에서 수렴할 여지도 열린다는 것이다 — 개인이 스스로 데이터의 흐름을 승인하는 구조는, 브로커가 자유롭게 결합하는 미국식과도, 목적 외 이용을 원천 차단하는 전통적 한국식과도 다른 제3의 길이 될 수 있다.
속도의 대가는 누가 치르는가
AU가 주는 가치는 분명하다. 며칠이 걸리던 심사가 몇 분으로 줄고, 소비자는 즉시 가입할 수 있으며, 보험사는 인건비와 처리 지연을 줄인다. 그러나 이 편의에는 추적 가능성이라는 대가가 따른다. 인간 언더라이터의 거절은 그 사람에게 이유를 물을 수 있었지만, 모델의 거절은 종종 "모델이 그렇게 판단했다"는 답 외에 설명이 어렵다. 잘못 분류된 개인이 이의를 제기하려 해도, 무엇을 근거로 다퉈야 할지조차 알기 어려운 구조가 되는 것이다.
여기에는 더 은밀한 3차 효과도 있다. AU는 즉시 가입이 가능한 사람과 그렇지 않은 사람을 순식간에 갈라놓는데, 이 분류가 빠르고 매끄러울수록 사람들은 그 경계선의 존재 자체를 의식하지 못하게 된다. 며칠 기다려 거절 통보를 받는 것과, 3분 만에 "추가 심사가 필요합니다"라는 화면을 보는 것은 심리적 무게가 다르다. 속도는 마찰을 없애는 동시에, 무언가 걸러지고 있다는 사실을 눈에 띄지 않게 만든다. 시스템이 매끄러워질수록 그 시스템이 내리는 판단을 문제 삼기는 오히려 어려워진다 — 이것이 자동화가 만드는 가장 조용한 권력이다.
모델 드리프트와 침묵하는 오류
자동심사가 인간 언더라이터와 근본적으로 다른 위험은, 틀리는 방식이 다르다는 데 있다. 사람은 한 번에 한 건씩, 서로 다른 방식으로 틀린다. 반면 모델은 조용히, 그러나 일제히 틀린다. 학습 데이터가 수집된 시점의 인구·경제·의료 환경과 실제 적용 시점의 환경이 벌어지면, 모델의 예측력은 눈에 띄는 경고 없이 서서히 저하된다. 이를 모델 드리프트(model drift)라 부른다. 문제는 이 저하가 개별 건에서는 드러나지 않고, 수만 건이 쌓인 뒤 손해율이라는 사후 지표로만 확인된다는 점이다. 인간 언더라이터의 오판은 국소적이지만, 잘못 조정된 모델의 오류는 시스템 전체에 균일하게 퍼진 뒤 한꺼번에 청구로 돌아온다. 자동화가 효율을 높이는 대신, 오류의 상관관계를 높여 위험을 집중시키는 것이다. 그래서 AU 체계에는 상시적인 성과 모니터링과 재학습 절차가 심사 알고리즘 그 자체만큼이나 중요하다. 정교한 모델을 만드는 일보다, 그 모델이 언제부터 틀리기 시작했는지를 감지하는 일이 실은 더 어렵다.
규제가 요구하는 '설명'과 기술이 줄 수 있는 '설명'의 간극
NAIC를 비롯한 미국 규제 당국이 요구하는 설명 가능성과, 기계학습 모델이 기술적으로 제공할 수 있는 설명 사이에는 좁히기 어려운 간극이 있다. 규제가 원하는 것은 '이 신청자가 왜 거절되었는가'에 대해 당사자가 이해하고 다툴 수 있는 이유다. 그러나 수백 개 변수의 비선형 상호작용으로 도출된 점수를 사후 해석 기법(예: 변수 기여도 분해)으로 근사한 설명은 '진짜 이유'가 아니라 '그럴듯한 재구성'에 가깝다. 이 간극이 방치되면, 자동심사는 절차적으로는 설명을 제공하지만 실질적으로는 반박 불가능한 결정을 내리는 역설에 빠진다. 한국이 신용정보의 언더라이팅 활용을 엄격히 제한하는 배경에도 이 문제의식이 깔려 있다 — 설명할 수 없는 근거로 개인의 보험 접근을 좌우하는 것을 제도가 경계하는 것이다. 결국 AU 시대의 핵심 규제 과제는 정확도를 높이는 것이 아니라, 정확도와 설명 책임을 어떻게 양립시킬 것인가에 있다. 더 잘 맞히는 모델이 아니라, 왜 그렇게 판단했는지 사람에게 답할 수 있는 모델이 요구되는 것이다.
이 격차는 16화(GA 채널)와 이후 AI 언더라이팅과 편향을 다루는 편에서 다시 다룰 주제로 이어진다 — 언더라이팅의 자동화는 편의와 속도를 주는 대신, 그 편의가 누구의 희생 위에 만들어지는지를 추적하기 더 어렵게 만든다는 것이다. 2막은 여기서 마무리된다. 다음 화부터는 지금까지 설계된 이 정교한 시스템이 실제로 어디서, 왜 무너지는지 — 도덕적 해이라는 균열을 다룬다.
원문: 신독 「자동심사(AU)」 https://sindok.ai/research/column/underwriting-automated · 처음 게시 2026-07-06 · 마지막 수정 2026-10-22 — 출처를 밝힌 인용은 환영합니다. 글 전체를 옮겨 게시하는 것은 이용약관에 따라 허용하지 않습니다.