Decisions
at scale.
보험 자동심사는 단일 AI가 아닙니다. 룰 · 빅데이터 · AI — 세 엔진을 함께 써야 정확합니다. 카이렌이 한화생명 차세대에서 한 일은, 이 세 엔진을 통합 연계해 최종 지급 정확도를 높인 것입니다.
왜 한 엔진이 아닌가.
세 엔진을 같이 쓰는 이유.
보험 자동심사는 한 가지 기술로 해결되지 않습니다. 한화생명은 룰 → 빅데이터 → AI 순서로 각 엔진을 도입했고, 폐기하지 않고 모두 운영합니다 — 정확도 때문입니다.
Rule Engine
도메인 전문가가 정의한 명시적 규칙으로 심사. "이 조건이면 이렇게 지급" 방식.
- ●의사결정이 100% 설명 가능 (감사·규제 대응)
- ●예측 가능 — 룰이 바뀌지 않으면 결과도 안 바뀜
- ●명확한 청구 유형에 가장 정확
- ○룰에 없는 새 패턴은 처리 불가
- ○룰 유지보수 비용 (수천 개 룰 관리)
- ○예외 케이스 폭발 → 룰 트리 복잡도 폭증
Big Data Analytics
과거 청구 데이터의 통계적 패턴으로 심사. "이런 청구는 보통 이렇게 지급됐다" 방식.
- ●룰로 표현하기 어려운 경향성을 포착
- ●데이터가 쌓일수록 더 똑똑해짐
- ●이상치(outlier) 탐지에 강함
- ○새로운 유형은 데이터가 없어서 약함
- ○패턴은 있지만 "왜?"를 설명하기 어려움
- ○데이터 편향에 따라 결과 편향
AI Neural Network
CNN 딥러닝이 청구 데이터를 이미지처럼 인식해 학습. 알파고와 같은 신경망 방식.
- ●룰·통계가 못 잡는 복잡한 패턴 포착
- ●비정형 데이터(이미지·텍스트)에 강함
- ●학습이 많을수록 정확도 ↑
- ○의사결정 근거가 블랙박스 (감사 어려움)
- ○학습 데이터 외 영역에서 자신 있게 틀림
- ○단독으로 보험금 지급 결정에 쓰기엔 리스크 큼
세 엔진은 각자가 강한 영역이 다릅니다. 룰은 정형 청구에서, 빅데이터는 통계 패턴에서, AI는 비정형·복잡 청구에서 강합니다. 한 엔진을 폐기하고 다른 엔진으로 교체하는 게 아니라, 세 엔진의 약점을 서로가 보완하도록 묶을 때 최종 정확도가 가장 높아집니다. 이게 바로 카이렌이 한 작업입니다.
세 엔진을
하나의 의사결정 시스템으로.
2022년, 카이렌은 한화생명 차세대에서 분석·설계·개발 PL로 들어갔습니다. 개별 엔진은 이미 존재했고, 카이렌의 일은 이 세 엔진이 함께 일하도록 MSA 환경에서 통합 연계하는 것이었습니다.
3개 엔진을 별도 시스템으로 격리
룰·빅데이터·AI 각자가 자기 영역에서 독립적으로 작동하도록 MSA로 분리. 한 엔진의 장애가 다른 엔진을 무너뜨리지 않도록 Docker + Kubernetes로 컨테이너 격리.
청구 유형별 엔진 라우팅
청구가 들어오면 먼저 유형 분류기가 어느 엔진이 가장 잘 처리할지 결정. 룰로 해결 가능한 정형 청구는 룰 엔진, 통계가 강한 영역은 빅데이터, 나머지가 AI로.
신뢰도 임계값으로 합의 결정
엔진들이 같은 청구를 평가할 때, 각자의 신뢰도(confidence)를 비교. 셋이 합의하면 자동 지급, 의견이 갈리면 사람 심사로 라우팅 — HITL 게이트.
결과 피드백 루프로 점진적 정확도 향상
심사 결과를 다시 시스템에 학습 데이터로 입력. 룰은 새 패턴이 발견되면 추가되고, 빅데이터는 통계가 갱신되고, AI는 다음 학습 사이클에 반영. 한 번 깐 시스템이 시간에 따라 더 정확해짐.
"최종적으로 보험 청구인에게 바로 지급되는 보험금의 정확도를 높였다."
자동심사율 25%가 안정적으로 작동하고, 한화생명은 이듬해 이 시스템 위에서 진료비 표준화 특허(2025)와 신상품 출시로 확장했습니다.
MSA · 컨테이너로 격리된
의사결정 인프라.
단일 모놀리스가 아니라 엔진별 독립 컨테이너로 분리된 구조. 한 엔진의 장애나 업그레이드가 다른 엔진에 전파되지 않습니다.
자동화하고 싶은
의사결정이 있나요?
청구 심사 · 신용 평가 · 거래 승인 · 콘텐츠 모더레이션 — "룰과 AI 중 무엇을 쓸까"가 아니라 "어떻게 함께 쓸까"를 결정해야 하는 영역이라면, 카이렌의 한화생명 경험이 답입니다.