보험 청구는 AI가 마주한 가장 난해한 데이터 문제다

URL: https://www.youtube.com/watch?v=W4pnzOURwHQ
날짜: 2026-10-18
채널: aiDotEngineer
발표자: Denys Linkov, Wisedocs

---

메타데이터

항목	내용
원제	Insurance Claims Are AI's Messiest Data Problem
발표자	Denys Linkov
소속	Wisedocs
영상 길이	44분 31초
핵심 분야	보험 청구, 의료 문서, 데이터 품질, 장문 문서 추론
주요 평가 기준	정확성, 완전성, 간결성
공개 벤치마크	Medical Long Context Reasoning (MLCR)

---

📌 핵심 질문 / 보험 청구 데이터가 AI의 가장 까다로운 적용 분야인 이유

보험 청구 AI의 성패는 모델 크기보다 서로 다른 형식으로 쌓인 방대한 의료·법률 문서의 정합성을 확보하고, 각 단계의 결과를 사람과 함께 검증하는 데이터 운영 체계에 달려 있다.

• 보험 디지털 전환은 끝나지 않았고, 종이·팩스·PDF·서로 호환되지 않는 의료기록 시스템이 여전히 공존한다.
• 한 건의 청구 파일은 수 기가바이트에 달할 수 있고, 중복·누락·환자 간 기록 혼합·상충하는 진단이 동시에 발생한다.
• 좋은 데이터가 만들어지면 문서 검색을 넘어 손해율, 치료 패턴, 비용, 사기, 보험 인수와 포트폴리오 의사결정까지 분석할 수 있다.
• 장문 문서의 핵심 사실을 놓치지 않으려면 OCR부터 분석까지 여러 모델과 사람의 검토를 결합해야 한다.

보험 청구는 환자의 부상과 치료, 의료기관 기록, 변호사·보험사·전문가의 업무, 주별 규정과 보험사의 사업 판단이 한 파일에 모이는 과정이다. 파일 형식과 용어가 제각각인 채로 들어오는 자료를 단순히 LLM의 컨텍스트 창에 넣는 것으로는 충분하지 않다. 데이터 정리, 문서 분석, 고차원 분석을 차례로 구축하고 사람의 판단 지점을 유지해야 환자에게 더 빠른 처리와 적절한 치료를 제공하면서 비용·위험도 함께 관리할 수 있다.

---

1. 보험 산업의 디지털 전환은 AI 도입보다 뒤처져 있다

1.1. 종이와 팩스가 남은 상태에서 생성형 AI가 먼저 주목받았다

1. 클라우드·빅데이터 전환이 완료되지 않았다
   1. 기업들은 2023~2024년 생성형 AI의 성능에 놀랐지만, 상당수 조직은 클라우드 이전조차 끝내지 못했고 빅데이터 인프라를 충분히 활용하지 못했다.
   2. 데이터 레이크를 만들었다고 자신 있게 말할 수 있는 조직이 얼마나 되는지 청중에게 물었을 때도, 데이터의 품질·구조·거버넌스를 갖춘 레이크를 운영하는 일은 여전히 과제로 남아 있었다.
2. 보험·의료 현장에는 종이와 팩스가 계속 들어온다
   1. 보험사, 의사 사무실, 법무 부서가 종이 문서를 계속 다루고 있으며, 팩스는 사라지지 않았다. 발표자는 팩스 시장 규모가 70억 달러를 넘는다는 수치를 언급했다.
   2. 조직은 팩스를 디지털 시스템에 통합하고 보기 좋은 파일로 변환할 수 있지만, 파일 변환만으로 정보 교환이나 보안 문제가 해결되지는 않는다.
3. 전자 의료기록 보급도 점진적으로 진행됐다
   1. 2008년 전자의료기록(Electronic Health Record, EHR)을 사용한 비율은 약 8%였으며, 코로나19 팬데믹을 거치며 보급이 크게 확대됐다.
   2. 팬데믹 이후에도 의료기관 전체가 디지털화된 것은 아니므로, AI 시스템이 활용할 수 있는 데이터 기반은 조직마다 다르다.

1.2. 의료비 변화와 보험 상품 변화가 데이터의 변동성을 키운다

1. 의료 경제의 변화가 보험 구조에 반영된다
   1. GLP-1 계열 약물의 확산은 의료 경제와 의료 시스템을 바꾸고, 보험 상품·양식·가격 책정에도 영향을 준다.
   2. 보험 보장 범위와 보험료는 인플레이션과 여러 시장 요인에 따라 계속 변하므로, 과거의 양식과 기준만으로 현재 청구를 설명하기 어렵다.
2. AI는 변화 관리의 마지막 단계가 아니라 기반 위에 올라가는 도구다
   1. 올바른 목표, 도메인 전문가, 관리·보안·인프라가 없으면 모델을 배포해도 조직의 업무 흐름에 정착하지 못한다.
   2. 참가자들에게 데이터 기반 구축, 애플리케이션 배포, AI 제공자 선정 경험을 확인한 대목은 기업별 준비도와 운영 역량의 차이가 크다는 점을 보여준다.
3. 기업 보안과 관리 절차가 실제 배포를 늦춘다
   1. 많은 조직은 디지털 전환을 시작했어도 보안 심사와 관리 체계에서 막힌다.
   2. 모델의 성능만 비교하기 전에 어떤 데이터를 이용할 수 있는지, 누가 결과를 검증하고 책임지는지, 운영 시스템에 어떻게 통합할지 정해야 한다.

1.3. 보험 수익성은 청구 데이터의 품질과 연결된다

1. 보험사는 위험과 비용을 예측해야 한다
   1. 보험사의 재무 결과는 손실률(loss ratio), 위험 예측, 보험 인수(underwriting), 사기 탐지, 지출 관리에 좌우된다.
   2. 발표자는 손해율이 대략 50% 안팎인 상황을 예로 들며, 보험료 중 청구 지급이 차지하는 비중을 제대로 이해하는 일이 중요하다고 짚었다.
2. 비용 절감과 환자 경험을 같은 문제로 다뤄야 한다
   1. 보험사는 비용을 줄이고 수익을 늘리려 하지만, 청구 처리가 늦어지면 환자의 치료와 일터 복귀도 지연된다.
   2. 청구 데이터의 목적은 보험사의 재무 지표만 개선하는 데 그치지 않는다. 적절한 치료를 빨리 받고, 환자가 불필요한 서류 절차에 소모되는 시간을 줄이는 데도 쓰여야 한다.

---

2. 의료 청구는 다수의 이해관계자와 비표준 문서가 얽힌 장기 사건이다

2.1. 재산·상해보험 청구에는 의료·법률 절차가 함께 들어간다

1. 재산·상해보험(Property & Casualty, P&C)의 청구 유형은 서로 다르다
   1. 자동차 사고, 일반 배상책임, 제조물 책임, 산재 보상(workers’ compensation), 재산 피해 등은 각각 다른 증거와 심사 절차를 요구한다.
   2. 발표자는 NAIC 분류를 언급하며 재산·상해, 생명, 건강 등 보험 분야가 나뉘지만, 의료기록이 많이 개입하는 복잡한 청구에 초점을 맞췄다.
2. 부상 사건 하나에도 여러 단계와 참여자가 있다
   1. 근로자가 일하다 손을 다치거나, 지게차 사고를 겪거나, 자동차 사고로 부상을 입으면 사고 신고와 초기 신청서부터 시작한다.
   2. 이후 병원 진료, 전문의 의견, 추가 치료 승인, 진단·기록 검토, 보험 적용 범위와 지급 판단, 소송 절차가 이어질 수 있다.
3. 사건 처리 시간은 수 주에서 수 년까지 늘어날 수 있다
   1. 단순한 사건은 비교적 짧게 처리되지만, 부상 정도와 규제 환경, 소송 여부가 복잡해지면 사건이 수 년간 이어질 수 있다.
   2. 환자는 치료를 계속 받는 동안 추가 문서와 의견을 제출하고, 보험사와 의료진은 앞선 기록과 이후 치료가 일치하는지 반복해서 확인해야 한다.

2.2. 주·기관·의료진마다 양식과 기록 방식이 다르다

1. 미국의 주별 양식은 하나의 표준 양식으로 수렴하지 않았다
   1. 텍사스·뉴욕·캘리포니아 사례처럼 같은 산재 청구라도 주마다 신청서 형식과 요구 정보가 다르며, 50개 주의 양식이 서로 같지 않다.
   2. 양식은 각 관할권의 규정에 맞춰 바뀌므로 같은 항목을 추출하더라도 날짜·용어·필드의 위치와 표현이 달라질 수 있다.
2. 병원과 의사는 각자 다른 전자의료기록 체계를 쓴다
   1. 병원별 기록 시스템은 데이터 구조와 계정 생성 방식이 다르고, 의사마다 진료 과정과 판단을 기록하는 습관도 다르다.
   2. 서로 다른 시스템에서 데이터를 꺼내 표준화하는 일은 어려워서, 전자 시스템을 쓰는 조직조차 팩스나 PDF로 정보를 주고받곤 한다.
3. 신청자는 외상 직후 완벽한 서류를 작성하기 어렵다
   1. 자동차 사고나 중대한 부상을 겪은 사람은 스트레스와 통증을 겪기 때문에, 신고서에 오류나 누락이 생길 수 있다.
   2. 누락을 신청자 탓으로만 돌리기보다, 이후의 의료기록과 전문가 검토를 통해 사건의 맥락을 복원해야 한다.

2.3. 청구 절차의 이해관계는 환자·보험사·법률 대리인 사이에서 다르게 작동한다

1. 원고 측과 보험사 측은 서로 다른 사업 인센티브를 가진다
   1. 변호사 보수가 회수액의 일정 비율에 연동되는 경우가 있어, 원고 측은 사건을 빠르게 처리하고 더 많은 청구를 수임하는 데 관심을 둔다.
   2. 발표자는 원고 측 법률 조직이 AI를 보험사 방어 측보다 빠르게 도입할 수 있다고 봤다. 처리 속도와 사건 수가 보수와 연결되기 때문이다.
2. 업무 자동화는 사건을 대량으로 다루는 방식도 바꾼다
   1. 변호사 광고판과 다수 사건의 수임은 법률 조직이 사건을 규모 있게 처리하는 환경을 보여주는 사례로 제시됐다.
   2. 보험사와 방어 측은 기술적·관리적 장벽이 남아 있어 같은 속도로 대응하지 못할 수 있다.
3. 청구 담당자의 업무량은 개별 사건의 맥락을 놓치게 만든다
   1. 보험 전문가는 동시에 약 200건의 사건을 처리할 수 있어 모든 누락 기록이나 진단 불일치를 기억하기 어렵다.
   2. 업무 시스템은 담당자가 기억에 의존하지 않도록 중요한 차이와 누락 자료를 적시에 찾아 보여줘야 한다.

---

3. 지저분한 청구 데이터는 중복·혼합·누락·대용량이 한꺼번에 발생한다

3.1. 중복과 환자 간 기록 혼합은 개인정보와 판단을 모두 위협한다

1. 기록 중복은 관할권에 따라 절반 이상에 이를 수 있다
   1. 청구 파일이나 의료 네트워크 안에서 같은 기록이 반복 전달되며, 발표자는 어떤 환경에서는 중복이 50% 이상일 수 있다고 소개했다.
   2. 중복 문서를 걸러내지 못하면 담당자에게 같은 정보가 여러 번 도착하고, 실제로 새로운 자료가 들어왔는지 알아보기 어려워진다.
2. 복사·붙여넣기는 환자 기록을 서로 섞을 수 있다
   1. 의료진이 환자 기록을 복사해 다른 기록에 붙여 넣거나 갱신하는 과정에서 과거 정보와 다른 환자의 정보가 섞일 수 있다.
   2. 발표자는 Bob, Joe, Jr.처럼 서로 다른 환자의 기록이 한 파일에 섞이는 상황을 예로 들며, 잘못된 기록 혼합은 HIPAA 개인정보 보호 위반으로 이어질 수 있다고 경고했다.
3. 이름·날짜·서류가 비슷하다는 이유만으로 자동 병합해서는 안 된다
   1. 유사한 이름이나 중복 서류를 식별하는 시스템에는 정확한 환자 연결과 사건 맥락을 검증하는 절차가 필요하다.
   2. 한 환자의 의료 메모가 다른 환자 사건에 들어가면 신청 전체의 판단이 왜곡되고, 정정과 재검토 비용이 추가된다.

3.2. 종이 기록과 스캔 품질은 추출 모델의 입력부터 흔든다

1. 손글씨와 저품질 스캔은 OCR 오류를 만든다
   1. 의사의 손글씨는 읽기 어려울 수 있고, 팩스와 흐릿한 스캔은 문자 인식(OCR) 결과를 불안정하게 만든다.
   2. 데이터가 손상된 상태로 들어오면 이후 분류·요약·분석 단계가 아무리 정교해도 오류가 누적된다.
2. 복사된 전자의료기록도 항상 최신이거나 일관되지는 않다
   1. 의료진은 환자 기록 사이에서 내용을 복사해 붙여 넣고, 서로 다른 전자의료기록(Electronic Medical Record, EMR) 시스템은 같은 정보를 서로 다른 구조로 보관한다.
   2. 시스템이 달라 데이터 추출이 어렵고 내부 처리도 번거로우면, 조직은 구조화된 연동보다 팩스와 PDF를 선택하는 경우가 생긴다.
3. 50개 주의 양식과 진료 기록은 필드 표준화를 어렵게 한다
   1. 같은 부상 날짜나 진단 정보도 양식·기관·진료진에 따라 다른 곳에 기록되고, 필드 자체가 존재하지 않는 양식도 있다.
   2. 수집 양식은 관할권과 연도에 따라 바뀌므로 규칙 기반 추출만으로는 장기적인 일관성을 확보하기 어렵다.

3.3. 수 기가바이트 사건 파일은 단순한 프롬프트 입력으로 처리되지 않는다

1. 복합 청구 파일은 텍스트와 이미지가 뒤섞여 수 기가바이트에 달한다
   1. 발표자는 8GB에 달하는 사건 파일을 다뤘던 경험을 예로 들었다. 파일에는 긴 의료기록뿐 아니라 사고 현장 사진, X선·초음파 보고서와 영상 자료가 포함될 수 있다.
   2. 오래된 컴퓨터의 PDF 뷰어가 파일을 열지 못할 만큼 크고, 문서 전체를 하나의 컨텍스트 창에 넣는 것도 현실적인 해결책이 아니다.
2. 장문 문서에서는 핵심 사실의 누락과 모순을 함께 찾아야 한다
   1. 초기 보고서가 X선 촬영을 언급했는데 후속 문서 묶음에 X선 결과가 없으면, 단순 검색을 넘어 누락 여부를 표시해야 한다.
   2. 날짜가 다른 문서의 진단이 서로 충돌하거나 치료가 바뀌었다면 담당자는 변경 이유를 확인해야 한다.
3. 확인 요청과 재전송은 처리 지연과 업무량을 키운다
   1. 담당자는 누락된 보고서를 요청하고 팩스를 다시 보내달라고 하거나, 내부 시스템이 바뀌었는지 확인해야 한다.
   2. 여러 사건을 동시에 다루는 담당자가 각 파일의 누락 상태를 기억하기 어렵기 때문에 시스템 차원의 추적이 필요하다.

3.4. 손해율과 치료 결과를 이해하려면 문서 조각을 사건 단위로 연결해야 한다

1. 문서 간 연결이 실패하면 사건의 경과가 보이지 않는다
   1. 사고 신고서, 병원 진료기록, 전문가 의견, 보험 지급 기록은 각각 따로 존재하지만 한 사람의 사건을 설명하는 자료다.
   2. 기록의 연결이 빠지면 어떤 치료가 제공됐는지, 도움이 됐는지, 이후 판단과 비용이 어떻게 달라졌는지 분석하기 어렵다.
2. 독립적인 진료 의견도 기록과 네트워크 맥락이 필요하다
   1. 의학적 판단이나 지급액에 이견이 생기면 독립 의료 검토(Independent Medical Examination, IME)를 거치고, 다른 의사가 사건을 평가할 수 있다.
   2. 보험사는 의료진·전문가 네트워크와 각 검토자의 소견을 관리해야 하므로, 사람이 늘수록 문서 연결과 조정의 어려움이 커진다.

---

4. MLCR 평가와 단계별 AI·사람 검토가 장문 의료 추론의 기준을 만든다

4.1. Medical Long Context Reasoning은 긴 청구 파일에서 질문에 답하는 능력을 측정한다

1. MLCR은 실제 의료 청구 검토 질문을 단계별로 시험한다
   1. Medical Long Context Reasoning(MLCR)은 의료 청구 파일처럼 길고 복잡한 문서에서 모델이 필요한 정보를 찾아 추론하는 능력을 평가하는 벤치마크다.
   2. 발표자는 난이도가 다른 여섯 단계의 질문을 구성했다고 소개했다. 공개 데이터에는 비교적 단순한 첫 세 단계가 포함되고, 더 복잡한 질문을 위한 별도 데이터도 마련했다.
2. 질문은 사실 확인에서 여러 기록을 연결하는 추론으로 확장된다
   1. 간단한 질문은 부상이 언제 발생했는지, 신청자가 누구인지, 수술이 몇 차례 있었는지와 같은 사실을 확인한다.
   2. 어려운 질문은 환자의 기능과 치료 경과를 여러 문서에서 복원하고, 서로 다른 의사의 진단이나 소견 차이를 설명해야 한다.
3. 평가는 정확성·완전성·간결성을 각각 따진다
   1. 정확성은 사람 전문가가 확인한 정답과 비교해 사실을 맞게 추출했는지 측정한다.
   2. 완전성은 질문과 관련된 정보를 빠뜨리지 않았는지, 간결성은 답변이 필요한 내용을 불필요한 장황함 없이 전달하는지 살핀다.

4.2. 모델 성능 향상은 빠르지만 사람의 검증과 보정이 필수다

1. 복잡한 추론의 정확도는 짧은 기간에도 크게 변했다
   1. 발표자는 초기 평가에서 복잡한 추론 단계의 최고 정확도가 약 20%였고, 몇 달 뒤에는 약 75% 수준까지 올라왔다고 설명했다.
   2. 모델의 빠른 진화는 더 복잡한 질문을 제품에 넣을 가능성을 열지만, 각 작업에서 어느 정도 신뢰할 수 있는지 계속 측정해야 한다.
2. 정확한 답도 중요한 사실을 놓칠 수 있다
   1. GPT 계열 모델은 정답과 가까운 답을 내더라도 사건 판단에 필요한 핵심 정보를 빠뜨릴 수 있다.
   2. 반대로 답변을 더 완전하게 만들면 정확도가 낮아질 수도 있으므로, “그럴듯한 답변”이 아니라 정확성·완전성의 균형을 검증해야 한다.
3. 사람이 확인한 정답과 보정된 평가자를 기준으로 삼는다
   1. MLCR은 사람 전문가가 검증한 답변과 모델 결과를 비교하고, 평가자 판단이 일관되도록 보정하는 과정을 둔다.
   2. 제3자 검토와 표본 확인도 평가의 신뢰도를 보완한다. 평가 기준이 흔들리면 모델 간 비교도 의미가 없어진다.
4. 비용과 품질 사이의 파레토 경계도 함께 관리한다
   1. 적절한 답변을 얻는 비용과 정확도·완전성 사이에는 절충이 있으며, 발표자는 비용 대비 품질의 파레토 프런티어가 개선되고 있다고 말했다.
   2. 모든 사건에 가장 비싼 추론을 적용하기보다 질문의 중요도와 위험에 따라 모델·사람 검토를 배분할 수 있다.

4.3. OCR에서 포트폴리오 분석까지 계층형 파이프라인을 구성한다

1. 첫 단계는 이미지와 문서에서 텍스트를 복원하는 일이다
   1. OCR과 표준 전처리로 이미지·스캔에서 정보를 추출한다. 파일이 크거나 형식이 특이한 경우 예외 처리도 필요하다.
   2. 8GB 파일처럼 예외가 많은 사건을 위해 여러 모델과 문서 처리 로직을 조합한다.
2. 중간 단계는 필요한 정보 추출과 문서 요약이다
   1. 표준 추출 모델과 맞춤 분류기를 함께 사용해 진단·날짜·사건 정보 등 엔터티를 구조화한다.
   2. 문서 요약 단계가 긴 기록을 압축하고, 뒤이어 사람이 요약의 사실성과 중요 정보 누락을 확인한다.
3. 상위 단계는 필요한 수준으로 추상화해 분석한다
   1. 검증된 추출값과 요약을 분석 모델이 다시 묶어, 사건 단위의 질문에서 포트폴리오 단위의 인사이트로 올린다.
   2. 상위 단계일수록 처리 정보의 밀도와 가치가 높아지지만, 그만큼 앞 단계의 오류가 결과에 미치는 영향도 커진다.
4. 사람은 중요한 충돌을 확인하고 최종 판단을 보완한다
   1. 시스템은 예컨대 2페이지와 20페이지의 진단이 다르다고 표시해 담당자가 중요한 차이를 확인하게 한다.
   2. 규정과 청구 판단이 만나는 지점에는 사람의 검토를 남긴다. 자동 추출이 규정·업무 판단을 대신하지 않도록 운영한다.

---

5. 정돈된 데이터는 보험 분석·업무 개선·환자 경험으로 이어진다

5.1. 청구 단위의 문서를 분석해 비용과 치료 패턴을 찾는다

1. 여러 보험사의 청구 자료는 비용 변화를 비교하는 기반이 된다
   1. 보험사는 보험료 규모와 지급 건수를 함께 보고, 어떤 부상·치료·의사가 손실률에 영향을 주는지 확인할 수 있다.
   2. 전년 대비 특정 의사의 특정 치료가 10% 증가한 사례처럼, 기간·관할권·진료 유형에 따른 비용 변화를 비교할 수 있다.
2. 반사실 분석은 네트워크·업무 방식이 바뀔 때의 효과를 묻는다
   1. 환자를 다른 네트워크로 안내하거나, 치료 경로와 비용 관리 방식을 바꾸면 잠재적으로 어떤 절감이 생기는지 살펴볼 수 있다.
   2. 관할권 전체의 변화인지 특정 네트워크의 변화인지 구분해야 하며, 관찰된 연관성을 곧바로 인과관계로 해석해서는 안 된다.
3. 의료 공급자와 법률 네트워크의 관계를 시각화할 수 있다
   1. 캘리포니아 사례에서는 변호사, 의사, 카이로프랙터, 물리치료사가 누구와 협력하는지 관계 데이터를 살펴볼 수 있다.
   2. 추출된 사건 자료는 시각화와 회귀 분석으로 이어져 공급자 네트워크와 치료·청구 패턴을 비교하는 데 쓰인다.
4. 다양한 사업에 공통된 추세와 특수한 추세를 구분한다
   1. 복수의 보험 사업 부문은 규칙과 데이터 구조가 다르지만, 여러 부문에서 반복되는 일반 추세를 찾을 수 있다.
   2. 지역·사업 부문·의료 네트워크별 맥락을 함께 보아야 전체 추세가 특정 사무실이나 조직의 특수 사례를 가리는 일을 막을 수 있다.

5.2. 정확한 데이터가 보험 인수·사기 탐지·사업 가격 책정에 활용된다

1. 보험 인수와 가격 책정은 실제 청구 경험을 반영해야 한다
   1. 깨끗한 청구 데이터를 이용하면 보험사가 어떤 위험을 인수하고 어떤 상품 가격을 책정할지 더 구체적으로 평가할 수 있다.
   2. 누락된 치료 패턴이나 잘못 연결된 환자 기록은 위험 모델의 입력을 왜곡하므로, 분석 전에 데이터 품질을 확보해야 한다.
2. 사기 탐지는 이상 징후를 사건 맥락과 함께 봐야 한다
   1. 중복된 청구나 반복되는 패턴을 찾는 일은 사기 탐지에 도움이 될 수 있지만, 단순히 반복된다는 이유만으로 부정행위라고 단정해서는 안 된다.
   2. 신청서·진료 기록·지급 이력과 사건 경과를 교차 확인해야 실제 이상 징후와 정상적인 반복 진료를 구분할 수 있다.
3. 데이터가 정돈되면 숨겨진 비용과 불투명한 활동을 파악할 수 있다
   1. 청구 내역을 적절히 처리하지 못하면 추가 청구가 늘거나 활동이 덜 투명해질 수 있다. 발표자는 과다 계상과 추가 비용이 대규모로 쌓이는 사례를 언급했다.
   2. 비용을 보험사 단독 관점으로 최적화하지 않고 환자 치료와 의료 서비스 비용까지 함께 분석해야 실제 개선을 판단할 수 있다.

5.3. 도입은 파일럿·통합·규제 협업을 거치며 조직별로 달라진다

1. 변화를 원하고 준비된 조직부터 실제 파일로 검증한다
   1. Wisedocs는 조직의 현재 업무와 역사적 데이터를 확인하기 위해 여러 형식의 표본 파일을 받아 처리 결과를 고객의 기준과 비교한다.
   2. 어떤 정보가 빠졌는지, 결과가 업무 현장에 맞는지 확인한 뒤 파일럿을 넓히고 공급업체·내부 시스템과 연동한다.
2. 통합은 수동 업로드에서 API 연동까지 다양한 단계가 있다
   1. 초기에는 문서를 수동으로 올리는 방식으로 시작할 수 있고, 운영이 확대되면 API 통합과 내부 시스템 연결이 필요하다.
   2. 일부 조직은 기성 제품으로 빠르게 시작하지만, 다른 조직은 내부 데이터·규칙·권한 체계에 맞춘 개발을 많이 해야 한다.
3. 고객마다 사업 구조와 데이터 웨어하우스가 다르다
   1. 한 고객은 자동차보험만 다루고, 다른 고객은 산재나 장애 관련 청구만 다루며, 대형 고객은 여러 사업 부문을 함께 운영할 수 있다.
   2. 부문별 데이터 규칙을 중앙 데이터 웨어하우스로 모으는 방식은 조직의 우선순위와 준비도에 따라 달라진다. Wisedocs는 보험 청구를 핵심 업무로 삼고 더 어려운 청구 분석으로 확장한다.
4. 규제 기관과 내부 팀이 결과를 볼 수 있어야 한다
   1. 규제 변화의 속도와 고객의 도입 속도에 따라 필요한 검토가 달라진다. NAIC가 발행하는 보고서와 권고사항을 참고하고 내부 경영·규제 팀과 협의한다.
   2. 데이터 출처와 모델 결과를 확인할 수 있어야 “블랙박스” 우려를 줄일 수 있다. 진단이 문서마다 다르다는 식의 근거를 보여주고 사람이 검토하도록 하는 방식이 유용하다.
5. 사업 판단을 위한 우선순위는 자동화와 별도로 남는다
   1. 1천만 달러나 1억 달러 규모의 큰 청구·판결은 보험사의 준비금과 사업 판단에 큰 영향을 줄 수 있으므로, 조직은 어떤 사건을 먼저 처리할지 정한다.
   2. 대형 보험사의 법률 비용은 수억 달러에 이를 수 있고 환자 경험과 직접 연결되지 않는 비용도 많다. 최적화 기회는 있지만, 관할권·소송·고객 목표에 따라 해법은 달라진다.

5.4. 성과 측정은 실제 조직의 결과와 환자 목표를 연결해야 한다

1. 비용·처리 속도·치료 품질을 함께 목표로 둔다
   1. 목표는 전체 비용 절감, 환자의 보험 검토 시간 단축, 치료 품질 개선, 부상자의 조속한 업무 복귀가 될 수 있다.
   2. 정확한 데이터와 디지털 전환은 이 목표를 달성하기 위한 기반이며, AI 도입 자체가 성과 지표가 되어서는 안 된다.
2. 업계 전체의 평균 성과를 아직 단정할 수는 없다
   1. 발표자는 전체 산업에서 환자 한 명당 처리 시간을 평균 5일 줄였다고 말할 만큼 충분한 공통 데이터가 아직 없다고 밝혔다.
   2. 개별 조직에서 유의미한 사업 성과를 확인할 수는 있지만, 조직별 결과와 공개된 사례를 산업 전체의 보편적 효과로 일반화해서는 안 된다.
3. 초기 처리 개선은 장기적인 포트폴리오 분석으로 이어진다
   1. 문서 정리와 요약은 더 빠른 청구 검토를 돕고, 구조화된 자료가 쌓이면 조직은 포트폴리오 수준의 의사결정과 비용 분석으로 나아갈 수 있다.
   2. 보험 처리의 목적은 청구 서류를 빨리 읽는 데 그치지 않는다. 환자의 지연을 줄이고 더 나은 치료·비용 결정을 지원하는 데 있다.

---

주요 발언 모음

“AI를 제대로 적용하려면 적절한 변화 관리와 데이터 시스템이 먼저 필요하다.”

“데이터가 처음부터 잘못되어 있으면, 그 데이터를 다음 단계에서 사용해도 얻을 것이 없다.”

“긴 의료 사건 파일에서는 모델의 답변이 정확한지, 관련 정보를 빠뜨리지 않았는지 함께 확인해야 한다.”

“문서에서 데이터를 추출하는 각 단계에 사람의 참여와 검증이 남아 있어야 한다.”

---

핵심 데이터 & 수치

• 2008년 EHR 사용률 약 8%: 코로나19 팬데믹을 거치며 의료 디지털화가 확대됐지만, 이후에도 디지털 전환은 완결되지 않았다.
• 팩스 시장 70억 달러 이상: 발표자가 종이·팩스 기반 업무가 여전히 크다는 점을 강조하며 언급한 수치다.
• 미국 50개 주의 서로 다른 양식: 청구 신청서의 구조와 요구 데이터가 관할권별로 달라진다.
• 손실률 약 50% 안팎: 발표자가 보험사의 보험료와 손해액 관계를 설명하며 제시한 업계 예시다.
• 중복 기록 최대 50% 이상: 데이터 출처와 관할권에 따라 중복 청구 기록이 매우 많을 수 있다는 설명이다.
• 약 8GB 사건 파일: 의료 문서와 영상·이미지가 섞인 자료는 PDF 뷰어와 LLM 컨텍스트 창으로 한 번에 다루기 어렵다.
• 담당자 1명이 약 200건 동시 처리: 사람이 기억만으로 사건별 누락과 진단 충돌을 추적하기 어렵다.
• MLCR 6단계 질문: 간단한 사실 추출에서 장문 의료기록을 연결하는 복잡한 추론까지 난이도를 나눈다.
• 복잡한 추론 정확도 약 20%에서 75%로 상승: 발표자가 초기 평가와 몇 달 뒤의 모델 성능 변화를 설명하며 제시했다.
• 대형 청구·판결 1천만~1억 달러 사례: 큰 청구는 보험사의 준비금과 사건 처리 우선순위에 큰 영향을 준다.
• 특정 치료 비용 전년 대비 10% 증가 사례: 치료·의사·관할권별 변화를 비교하는 분석 예시다.
• 주별 처리 기한 차이: 텍사스와 다른 주의 요구 기간이 크게 다르며, 발표자는 일부 주에서 7일 또는 21일 같은 기간을 예로 들었다.
• 평균 5일 단축은 아직 업계 공통 주장으로 제시되지 않음: 발표자는 조직별 성과는 있어도 산업 전체의 평균 효과를 단정하기는 이르다고 밝혔다.

결론 및 시사점

1. 데이터 정합성부터 해결하라. 중복·누락·환자 간 기록 혼합·상충하는 진단을 처리하지 않으면 모델 성능이 좋아도 잘못된 판단이 만들어진다.
2. 거대한 사건 파일을 여러 단계로 처리하라. OCR, 전처리, 정보 추출, 문서 요약, 분석을 분리하고 각 단계의 근거와 품질을 관리해야 한다.
3. 질문 난이도에 맞춰 모델과 사람을 배치하라. 간단한 추출과 고위험 의료·지급 판단을 같은 자동화 수준으로 취급하지 말고, 복잡한 사안에 전문가 검토를 남겨야 한다.
4. 규제·보안·업무 통합을 제품 설계에 포함하라. 모델 배포만으로는 보험사 운영이 바뀌지 않으며, 사람의 책임과 감사 가능성, API·데이터 통합이 함께 필요하다.
5. 비용과 환자 경험을 함께 측정하라. 손실률과 사기 탐지뿐 아니라 치료 지연, 환자의 업무 복귀, 기록 재요청 감소도 성과 기준에 넣어야 한다.
6. 조직별 결과와 업계 전체의 효과를 구분하라. 파일럿과 개별 고객의 개선 수치를 산업 평균처럼 일반화하지 말고, 장기적인 실제 지표로 검증해야 한다.

---

핵심 요약 (20줄)

보험사와 의료기관의 디지털 전환이 끝나지 않아 종이·팩스·PDF와 서로 다른 기록 시스템이 함께 운영된다.

미국 50개 주의 청구 양식은 요구 항목과 구조가 달라 같은 정보를 일관된 형태로 모으기 어렵다.

재산·상해보험 청구에는 자동차 사고, 일반·제조물 책임, 산재 보상과 의료 기록이 복잡하게 얽힌다.

부상 청구는 진료·전문의 검토·보험 승인·법률 절차를 거치며 수 주에서 수 년까지 이어질 수 있다.

환자가 외상과 스트레스 속에서 제출한 정보에는 오류와 누락이 생길 수 있어 사건 맥락을 복원해야 한다.

보험 청구 파일에는 중복 기록이 절반 이상 포함될 수 있고, 같은 문서가 여러 차례 전달되기도 한다.

복사·붙여넣기와 시스템 간 데이터 혼합은 서로 다른 환자의 기록을 한 사건 파일에 넣어 HIPAA 위반을 일으킬 수 있다.

손글씨·저품질 스캔·팩스·서로 다른 EMR 구조는 OCR과 정보 추출 단계부터 오류를 만든다.

복잡한 청구 파일은 X선·초음파·사고 사진을 포함해 8GB에 달할 수 있어 하나의 LLM 입력으로 처리할 수 없다.

초기 보고서에 언급된 X선 결과가 후속 서류에 없으면 AI가 누락 사실을 표시해 담당자의 재요청을 줄일 수 있다.

보험 담당자가 약 200건을 동시에 관리하면 기억에만 의존해 사건별 누락과 진단 충돌을 추적하기 어렵다.

Medical Long Context Reasoning 벤치마크는 여섯 단계 질문으로 긴 의료기록에서의 정보 추출과 추론 능력을 평가한다.

MLCR은 모델 답변의 정확성·완전성·간결성을 사람 전문가의 검증 답변과 비교한다.

발표자는 복잡한 추론 단계의 모델 정확도가 초기 약 20%에서 몇 달 뒤 약 75%로 높아졌다고 밝혔다.

OCR·전처리·엔터티 추출·분류·문서 요약·분석을 여러 단계로 나누고 각 단계에서 사람의 검증을 유지해야 한다.

페이지마다 서로 다른 진단이 나오거나 기록이 빠졌을 때 근거를 보여주면 담당자가 고위험 차이를 검토할 수 있다.

정돈된 청구 데이터는 손실률·보험 인수·사기 탐지·보험료 책정·의료 비용 추세를 분석하는 기반이 된다.

캘리포니아의 변호사·의사·카이로프랙터·물리치료사 네트워크를 연결하면 공급자 관계와 치료 패턴을 비교할 수 있다.

조직은 표본 파일과 과거 데이터로 파일럿을 진행하고 내부 규칙·보안·규제에 맞춰 API를 통합하며, 비용뿐 아니라 환자 치료 지연·업무 복귀·서류 재요청 감소도 측정해야 한다.

개별 조직의 개선은 가능하지만 보험 업계 전체에서 평균 처리 시간을 5일 줄였다는 효과는 아직 단정할 수 없다.