AI는 트럭 운송 보험의 정확성을 높일 수 있을까, 아니면 처리 속도만 높일까?

인공지능은 보험사가 문서 검토를 자동화하고, 신청서에서 정보를 추출하며, 과거 기록을 분석할 새로운 방법을 제시합니다. 트럭 운송업체는 이러한 기능을 활용해 보험 가입 절차를 복잡하게 만드는 행정 지연을 줄일 수 있습니다.

이러한 효율성은 중요합니다. 보험 처리가 지연되면 운송업체는 트럭을 운행에 투입하거나 신규 계약을 수락하거나 계획대로 영업을 계속하지 못할 수 있습니다.

하지만 결정이 빨라진다고 해서 반드시 더 나은 결정이 되는 것은 아닙니다.

트럭 운송 보험의 과제는 데이터가 완전히 부족하다는 데 있지 않았습니다. 보험사는 검사 이력, 안전 기록, 사고 보고서, 운송 사업 허가 정보, 규정 준수 문서를 검토할 수 있습니다. 과제는 이러한 기록이 실제로 사업체에 대해 무엇을 보여 주며 무엇을 담아내지 못하는지 파악하는 것입니다.

AI가 트럭 운송 보험을 개선하려면 인수 심사 속도를 높이는 것만으로는 부족합니다. 보험사가 위험을 더 정확하게 파악하도록 도와야 합니다.

안전 기록만으로는 전체 상황을 알 수 없다

보험 업계에 들어오기 전, 저는 트럭 운송업체와 직접 협력하며 안전 및 규정 준수 업무를 맡았습니다. 운송업체가 운송 사업 허가를 취득하고, 운전자 자격 파일을 정리하고, 기록을 관리하며, 규제 요건을 준수하도록 지원했습니다. 그 경험을 통해 중요한 점을 깨달았습니다. 규정 준수 기록은 유용하지만, 차량 운용 실태를 매일 그대로 반영하는 것은 아닙니다.

차량 규모, 영업 이력, 검사 기록이 비슷한 트럭 운송업체 두 곳을 생각해 보겠습니다. 한 업체는 일관된 예방 정비 일정을 따르고, 운전자 교육에 투자하며, 잠재적인 안전 문제를 위반 사항으로 이어지기 전에 해결할 수 있습니다. 다른 업체는 문제가 생길 때만 대응하는 사후 관리 방식을 취할 수 있습니다. 위험 관리 방식이 서로 다른데도 서류상으로는 두 업체가 비슷해 보일 수 있습니다.

반대의 경우도 가능합니다. 운송업체의 기록에 위반 사항이나 사고가 있더라도, 그 사건만으로 현재의 안전 관리 관행이나 사고 당시의 상황을 모두 설명할 수는 없습니다.

미국 연방자동차운송안전국(FMCSA)의 안전 측정 시스템은 도로변 검사, 사고, 조사 데이터를 활용해 안전 개입이 필요할 수 있는 운송업체를 파악하도록 지원합니다. 이러한 기록은 규제 감독에 유용하지만, 운송업체의 전반적인 안전 상태나 보험 가입 가능성을 완전히 평가하기 위한 것은 아닙니다.

FMCSA는 데이터의 충분성과 다양한 용도에 정보를 얼마나 신뢰성 있게 활용할 수 있는지에 관한 의문을 비롯해 안전 측정 시스템 데이터의 한계도 문서화했습니다.

AI는 이러한 기록을 빠르게 분석할 수 있지만, 속도만으로 기록의 한계가 해소되지는 않습니다.

불완전한 정보를 자동화할 때의 위험

상업 보험의 행정 업무를 줄이는 데 AI를 활용할 기회는 분명히 있습니다. 자동화 시스템은 신청서에서 누락된 항목을 찾고, 여러 문서의 정보를 대조하고, 안전 기록을 정리하며, 검토가 필요한 불일치 사항을 표시하는 데 도움을 줄 수 있습니다.

여러 당사자와 시스템이 관련되는 경우가 많은 트럭 운송 분야에서는 이러한 개선이 특히 유용할 수 있습니다.

자동화된 평가를 확정적인 결론으로 받아들일 때 위험이 생깁니다. 예를 들어 AI 시스템이 불리한 안전 지표를 근거로 특정 운송업체에 주의를 표시할 수 있습니다. 시스템은 해당 기록을 정확하게 찾아낼 수 있지만, 이후의 운행 개선이나 사건을 다르게 해석하게 하는 추가 정보를 고려하지 못할 수도 있습니다.

FMCSA의 사고 예방 가능성 판정 프로그램은 맥락이 중요한 이유를 보여 줍니다. 이 프로그램을 통해 운송업체는 일정 요건을 충족하는 일부 사고에 대해 재검토를 요청할 수 있습니다. FMCSA가 사고를 예방할 수 없었다고 판단하면 해당 사고는 기록에 계속 남지만, 안전 측정 시스템의 사고 지표 항목을 계산할 때는 제외됩니다.

이 프로그램은 사고 기록의 존재 자체뿐 아니라 사고를 둘러싼 상황도 중요하다는 점을 인정합니다.

이러한 구분은 소규모 차량 보유 업체를 평가할 때 특히 중요합니다. 대형 운송업체에는 전담 안전 담당자와 통합 보고 시스템이 있을 수 있지만, 소규모 사업체는 스프레드시트, 이메일, 외부 서비스 제공업체에 기록을 분산해 관리할 수 있습니다.

예를 들어 정비 문서가 없다는 것은 정비가 이루어지지 않았음을 뜻할 수 있습니다. 또는 해당 기록이 시스템에서 접근할 수 없는 곳에 있다는 의미일 수도 있습니다. 이런 상황을 자동으로 동일하게 평가해서는 안 됩니다.

미국 국립표준기술연구소의 AI 위험 관리 프레임워크는 AI 시스템의 신뢰성, 투명성, 신뢰도를 평가하기 위한 자발적 지침을 제공합니다.

트럭 운송 보험사에는 이러한 원칙이 자동화된 평가의 근거가 되는 정보가 최신인지, 충분히 완전한지, 의도된 용도에 적합한지 판단하는 데 유용한 참고 기준이 됩니다.

AI는 추가 정보가 필요한 시점을 파악해야 한다

AI 시스템이 갖출 수 있는 가장 유용한 역량 중 하나는 결정을 내리는 데 추가 맥락이 필요한 시점을 파악하는 것입니다.

효과적인 시스템은 모든 신청을 단순히 승인하거나 거부하는 대신, 정보가 충분한 상황과 추가 설명이 필요한 상황을 구분해야 합니다.

최근 운영 형태가 바뀐 운송업체를 생각해 보겠습니다. 자동화 시스템은 변화를 감지할 수 있지만, 추가 질문을 통해 회사가 다른 화물 종류로 사업을 확장했는지, 장비를 추가했는지, 새로운 안전 절차를 도입했는지 확인할 수 있습니다.

이러한 요소는 각각 해당 업체의 위험을 평가하는 방식에 영향을 미칠 수 있습니다.

설명 가능성이 중요해지는 것도 바로 이 지점입니다. AI 시스템이 특정 결과를 권고한다면, 의사결정 책임자는 어떤 정보가 권고에 영향을 미쳤는지, 그리고 그 결론이 타당한지 이해해야 합니다.

NIST의 신뢰할 수 있는 AI를 위한 지침은 설명 가능성, 투명성, 신뢰성, 책임성을 신뢰할 수 있는 시스템의 중요한 특성으로 꼽습니다. 또한 AI 성능을 평가할 때 인간의 판단이 하는 역할도 인정합니다.

트럭 운송 보험에서 목표는 보험 인수 심사 과정의 질문을 없애는 것이어서는 안 됩니다. 그보다 과정 초기에 적절한 질문을 찾아내는 것이 목표여야 합니다.

여전히 중요한 사람의 전문성

AI 도입은 때때로 자동화와 사람의 의사결정 중 하나를 택하는 문제로 제시됩니다. 실제로는 어떤 업무가 기술의 도움을 받으면 좋은지, 어떤 업무에 전문가의 판단이 필요한지 가려내는 접근이 더 유용합니다.

AI는 정보를 정리하고 패턴을 찾아내며 반복적인 행정 업무를 줄이는 데 도움을 줄 수 있습니다. 기록이 모호하거나 운송업체의 상황이 표준화된 범주에 쉽게 들어맞지 않을 때는 사람의 전문성이 특히 중요해집니다.

트럭 운송 운영에 익숙한 사람이라면 특정 안전 문제가 왜 중요한지, 운영 환경에 따라 위험 노출이 어떻게 달라지는지, 최근 운영상의 변화가 왜 더 면밀한 검토를 요구하는지 파악할 수 있습니다.

그런 전문성을 자동화의 장애물로 여겨서는 안 됩니다. 오히려 자동화된 평가의 유용성을 높일 수 있습니다.

책임성과 관련해 고려해야 할 중요한 점도 있습니다.

2023년 12월, National Association of Insurance Commissioners는 보험사의 인공지능 활용에 관한 모델 공지를 채택해 거버넌스, 위험 관리, 관련 보험법 준수에 관한 규제상 기대 사항을 제시했습니다.

이 공지가 규제 효력을 갖는지는 각 주의 채택 및 이행 여부에 달려 있지만, 보험사가 AI 기반 의사결정을 어떻게 감독하는지에 대한 관심이 커지고 있음을 보여줍니다.

사람의 판단도 완벽하지는 않습니다. 사람은 일관성 없이 결정을 내리거나 관련 정보를 놓칠 수 있습니다. AI의 일관성과 처리 능력을 복잡한 상황을 해석하는 데 필요한 운영 지식과 결합하는 것이 관건입니다.

효율성뿐 아니라 정확성 측정하기

AI가 보험 인수 심사를 개선하는지 알고 싶다면, 보험사는 처리 시간 외에도 여러 요소를 평가해야 합니다.

신청을 며칠이 아니라 몇 분 만에 처리하는 것은 운영상의 성과일 수 있습니다. 하지만 그렇다고 결과로 나온 평가가 더 정확하다는 뜻은 아닙니다.

더 의미 있는 평가를 하려면 자동화된 권고가 여러 유형의 운송업체에 걸쳐 신뢰성을 유지하는지, 평가를 수정해야 하는 경우가 얼마나 잦은지, 시스템이 누락되거나 일관되지 않은 정보를 적절히 찾아내는지를 살펴봐야 합니다.

소규모 차량 운영업체는 특히 주의 깊게 살펴야 합니다. 디지털 기록이 풍부한 운송업체에서는 모델이 잘 작동하지만 서류 형식이 덜 표준화된 업체에서는 제대로 작동하지 않는다면, 성능이 고르지 않을 수 있습니다.

테스트에는 평가 대상 기업의 다양성이 반영되어야 합니다.

평가는 시스템을 배포한 뒤에도 계속해야 합니다. 규정과 운영 관행, 이용 가능한 정보가 바뀌면 시스템이 시간이 지나도 신뢰성을 유지하는지에 영향을 줄 수 있습니다.

보험사는 시스템이 여러 유형의 정보에 부여하는 가중치를 재검토할 준비도 해야 합니다. 예를 들어 모델이 특정 안전 지표를 일관되게 지나치게 중시하면 운송업체의 운영과 관련된 다른 요소를 놓칠 수 있습니다.

목표는 단순히 더 빠르게 처리하는 것이 아니라 지속적으로 개선하는 것이어야 합니다.

진정한 기회는 위험을 더 잘 이해하는 데 있다

AI는 트럭 운송 보험의 효율성을 높이고 행정 처리 지연을 줄이며, 그렇지 않으면 놓칠 수 있는 정보를 보험사가 찾아내도록 도울 잠재력이 있습니다.

그러나 AI의 가장 큰 가치는 업계가 더 충분한 정보를 바탕으로 의사결정을 내리도록 돕는 데 있을 수 있습니다.

차량 운영업체를 검사 이력만으로 설명할 수는 없으며, 안전 기록도 위반 사항을 모아 놓은 것에 그치지 않습니다. 위험을 이해하려면 기업이 어떻게 운영되는지, 문제에 어떻게 대응하는지, 그리고 현재 이용할 수 있는 정보가 기업의 현 상황을 반영하는지 고려해야 합니다.

가장 유용한 AI 시스템이 반드시 가장 빠르게 답을 내놓는 시스템인 것은 아닙니다. 보험사가 현재 확보한 정보만으로 결정을 내릴 수 있는 경우와 추가 검토가 필요한 경우를 판단하도록 돕는 시스템이 가장 유용할 것입니다.

결국 중요한 것은 AI가 트럭 운송 보험 업무를 더 빠르게 처리할 수 있느냐가 아닙니다. 업계의 의사결정을 더 정확하게 할 수 있느냐입니다.

AI의 성공은 궁극적으로 이 기준에 따라 평가해야 합니다.