Intake to Quote: W.R. Berkley가 AI 접수 효율 20%를 소형 계정과 소액 청구로 넓히는 방식

W.R. Berkley는 AI의 첫 효과를 비용 절감액이 아니라 접수 처리량으로 설명합니다. 견적을 낼 수 있는 제출 건이 20% 넘게 늘었고 회사는 그 여력을 소형 계정 공략과 소액 청구 자동화로 돌리고 있습니다. 따라 하려면 접수 단계의 데이터 정리 방식과, 사람이 꼭 봐야 할 청구를 가르는 기준부터 정해야 합니다.

요약

미국 손해보험사 W.R. Berkley의 CEO W. Robert Berkley Jr.는 2026년 10월 19일 3분기 실적 발표 콜에서 AI 도입 현황을 설명했고 Insurance Journal이 이틀 뒤 이 발언을 정리해 보도했습니다. 그가 꼽은 지금까지의 효과는 언더라이팅과 청구 양쪽에서 접수와 응답이 빨라졌다는 점입니다. 일부 intake(브로커가 보낸 제출 서류를 받아 정리하는 접수 단계) 공정은 20% 넘게 효율이 올랐습니다. 청구는 절반 넘게 5,000달러 이하로 종결되므로 이 구간에서 사람 손을 덜 거치게 할 여지가 크다고 했습니다. 다음 단계로는 빠른 처리를 넘어 더 나은 결정을 돕는 쪽을 꼽았고 AI가 이미 경쟁 우위라고 말했습니다.

3분기 콜 발언의 흐름: 속도에서 처리량으로, 처리량에서 결정으로

효율 20%는 비용 절감액으로 보고되지 않았습니다. UBS 애널리스트가 이 효과가 실적 어디에 나타나느냐고 묻자, Berkley는 제출 건을 받아 견적을 내는 능력이 20% 넘게 늘었고 그만큼 소형 계정을 더 쫓을 수 있다고 답했습니다. 대형 계정은 경쟁이 치열해 인수 규율이 흔들리기 쉽고 소형 계정에서는 속도가 큰 무기라는 설명입니다. 3분기 사업비율은 28.6%로 거의 그대로였습니다. 회사는 경과보험료 성장이 둔화할 때 기술이 사업비율 상승을 누그러뜨릴 것으로 보지만 새 투자가 늘면 비율이 오를 수도 있다고 했습니다. 7월 2분기 콜에서는 자체 LLM을 만들지 않고 약 60개 운영 사업부가 여러 도구를 시험한 뒤 가장 나은 것으로 모은다고 밝혔습니다. 아래에서는 이 구조를 메커니즘별로 나누고 보험 접수·청구나 제조사의 보증 클레임 업무에 옮길 때 필요한 디테일을 붙입니다.

효율이 나타난 자리 (3분기 콜 발언 기준)

핵심 메커니즘

Intake-to-Quote Workbench: 접수에서 견적까지를 한 작업 화면에서 디지털로

workbench는 언더라이터가 제출 건을 받아 검토하고 견적까지 내는 작업 화면입니다. Berkley가 2분기 콜에서 설명한 대상은 intake부터 quote까지 이어지는 이 흐름 전체의 디지털화였습니다. 브로커의 제출 서류가 들어오면 도구가 항목을 정리해 언더라이터 앞에 놓고 언더라이터는 정리 대신 위험 판단과 조건 결정에 시간을 씁니다. 출력은 견적 응답 속도와 처리 건수로 잡힙니다. 2분기 콜에서는 도구를 쓰는 팀이 같은 공정에서 20% 넘게 많은 제출 건을 처리한다고 했고 3분기 콜에서는 일부 intake 공정이 20% 넘게 효율화됐다고 했습니다. 제출 건이 많고 서식이 비슷하며 건당 보험료가 작은 업무에 잘 맞습니다. 건마다 맞춤 협상이 필요한 대형 계정에서는 효과가 작습니다. 어떤 시스템과 모델을 썼는지는 공개하지 않았습니다.

Intake-to-Quote Workbench: 사람의 시간을 판단에 남기는 구조 (개념도)

Small-Account Speed: 소형 계정에서 속도가 무기가 되는 이유

소형 계정은 건당 보험료가 작아 언더라이터 한 명이 많은 건을 빨리 처리해야 수익이 납니다. 브로커가 먼저 견적을 준 보험사 쪽으로 기우는 일이 흔해 응답 속도가 수주에 바로 영향을 줍니다. Berkley는 3분기 콜에서 기타 배상책임 라인에서 일부러 소형 계정 쪽으로 옮겨 가고 있다고 했고 이유로 두 가지를 들었습니다. 대형 계정의 경쟁이 심해졌다는 점, 그리고 기술 투자 덕분에 많은 경쟁사보다 빨리 응답할 수 있다는 점입니다. 접수 효율 20%가 소형 계정 성장으로 이어지는 연결 고리가 여기 있습니다.

소형 계정으로 기우는 이유 (3분기 콜 Q&A 발언)

Severity Triage: 청구를 금액으로 갈라 사람 손을 덜 대는 구간 찾기

청구 업무에서 회사가 주목한 사실은 분포입니다. 청구의 절반 넘게 5,000달러 이하로 종결됩니다. 이 구간까지 고액 청구와 같은 절차로 처리하면 비용이 지급액에 견줘 커집니다. 2분기 콜에서 Berkley는 이를 비유로 설명했습니다. 파리채로 충분한 곳에 “sledgehammer”를 들고 가는 꼴이라고 했습니다. 회사는 적절한 곳에서 straight-through processing(사람 개입 없이 접수부터 종결까지 자동으로 처리하는 방식) 쪽으로 옮겨 가는 중입니다. 청구 쪽 효율 수치는 아직 내놓지 않았습니다. 가상 예시로, 자동차 유리 파손처럼 금액이 작고 사실관계가 단순한 청구는 자동 종결로, 부상이나 분쟁이 섞인 청구는 전담 조정자에게 보내는 식입니다.

청구 분류 구조 (5,000달러 이하 비중은 3분기 콜 발언, 처리 방식은 개념도)

Test and Converge: 사업부가 시험하고 본사가 가장 나은 해법으로 모으기

W.R. Berkley는 약 60개 운영 사업부로 이뤄진 분권형 보험사입니다. 2분기 콜에서 Berkley는 자체 LLM을 만들지 않겠다고 했습니다. 이미 나와 있는 도구를 가져와 자사 방식을 얹고 사업부들이 각자 시험한 뒤 가장 좋은 해법으로 수렴한다는 것입니다. 3분기 콜에서도 여러 기술 해법을 내부에서 시험하고 가장 강한 쪽으로 모은다고 다시 설명했습니다. 이 방식이 돌아가는 바탕은 데이터입니다. 그는 회사가 수년 전 데이터 작업을 시작했고 데이터가 이 엔진들을 움직이는 연료라고 했습니다. 사업부가 많고 업무가 서로 다른 회사에서는 한 가지 플랫폼을 위에서 정해 내려보내는 것보다 이 방식이 빠릅니다. 사업부 수가 적거나 데이터가 흩어져 있으면 비교할 근거가 부족해 효과가 작습니다.

Test and Converge: 사업부가 시험하고 본사가 모은다 (2·3분기 콜 발언)

Speed to Decision: 빠른 처리 다음은 더 나은 판단

Berkley는 지금까지의 효과를 대부분 속도, 곧 접수와 응답이 빨라진 데서 찾았습니다. 다음 단계로는 더 나은 의사결정을 돕는 인사이트를 꼽았습니다. 같은 workbench라도 첫 단계는 서류를 빨리 정리하는 일이고 다음 단계는 그 데이터로 어떤 계정을 받을지와 어떤 조건을 걸지 판단을 돕는 일입니다. 순서가 중요합니다. 접수 데이터가 구조화돼 쌓여야 판단을 돕는 모델도 만들 수 있습니다.

Speed to Decision: 빠르게 처리하는 단계에서 더 잘 판단하는 단계로

통념과 다른 주장

흔히 이렇게 봅니다AI 효율은 인원 감축과 비용 절감액으로 나타나고 사업비율이 곧바로 내려간다.

저자는 이렇게 봅니다효율은 더 많은 제출 건에 견적을 내는 처리량으로 나타나며 회사는 그 여력을 소형 계정 성장에 씁니다.

근거UBS 애널리스트 질문에 Berkley는 효과가 주로 제출 건 접수와 견적 능력에 있다고 답했습니다. 3분기 사업비율은 28.6%로 거의 변하지 않았습니다.

통념과 다른 주장 1: 효율의 쓰임새

흔히 이렇게 봅니다AI로 경쟁 우위를 만들려면 자체 모델을 만들거나 하나의 전사 플랫폼을 정해 깔아야 한다.

저자는 이렇게 봅니다자체 LLM은 만들지 않고 기존 도구 위에 자사 방식을 얹습니다. 어떤 도구를 쓸지는 사업부들의 시험 결과로 고릅니다.

근거2분기 콜에서 약 60개 사업부의 실험 후 수렴 방식을 설명했고 3분기 콜에서 같은 방식을 되풀이했습니다. 그 바탕으로 수년간 쌓은 데이터를 들었습니다.

통념과 다른 주장 2: 만들기보다 고르기

저자가 든 사례

언더라이팅 접수: 2분기 20%에서 3분기 소형 계정 확대로

상황: 언더라이터의 시간이 제출 서류를 받아 정리하는 데 많이 들어갔습니다.
한 일: AI를 붙인 underwriting workbench로 intake부터 quote까지를 디지털화했습니다.
결과: 2분기 콜에서 도구를 쓰는 팀이 20% 넘게 많은 제출 건을 처리한다고 했고 3분기 콜에서 일부 intake 공정이 20% 넘게 효율화돼 특히 소형 계정의 제출 건을 더 많이 처리하고 견적 낸다고 했습니다. 적용 범위와 독립 검증 결과는 원문에서 밝히지 않았습니다.
연결: Intake-to-Quote Workbench와 Small-Account Speed의 사례입니다.

사례 1: 언더라이팅 접수 (2분기·3분기 콜)

소액 청구: 절반 넘는 5,000달러 이하 청구

상황: 청구의 절반 넘게 5,000달러 이하로 종결됩니다.
한 일: AI와 다른 기술로 적절한 곳에서 straight-through processing 쪽으로 옮겨 가고 특정 청구 절차에서 사람 손을 줄일 기회를 찾고 있습니다.
결과: 청구 쪽 효율 수치는 원문에서 밝히지 않았습니다.
연결: Severity Triage의 사례입니다.

사례 2: 소액 청구 (2분기·3분기 콜)

AI 배상 위험: 자체 약관 문구와 면책 조항

상황: Evercore ISI 애널리스트가 고객사의 AI 사용에서 생기는 배상 위험과, 최근 계약에 의도치 않게 담보가 들어가 있을 가능성을 물었습니다.
한 일: Berkley는 AI를 실제 위험으로 보고 사업부들이 평가하고 있으며 업계 표준 양식 대신 자체 약관 문구를 만들어 적절한 곳에 면책을 넣는다고 답했습니다. 위험에 맞는 보험료를 받는 것도 목표로 들었습니다.
결과: 이 방식으로 비판을 받기도 했다고 인정했고 그런 노출이 전혀 없다고 장담할 수는 없다고 했습니다.
연결: AI를 내부 도구로 쓰는 일과 별개로, 보험사가 고객의 AI를 인수 대상 위험으로 다루는 사례입니다.

사례 3: AI를 인수할 위험으로 다루기 (3분기 콜 Q&A)

기술 디테일: 접수 workbench와 소액 청구 분류를 직접 만들려면

아래는 W.R. Berkley가 공개하지 않은 구현을 대신해, 같은 구조를 보험 접수·청구나 제조사 보증 클레임에 옮길 때 필요한 설계를 AX Review가 새로 작성한 것입니다. 숫자와 필드는 가상 예시입니다.

Intake-to-Quote Workbench를 만들려면 언더라이터가 지금 손으로 옮겨 적는 칸을 모두 필드로 정의합니다. 입력은 신청서(미국이면 ACORD 양식), loss run(과거 사고 이력표), 브로커 메일과 첨부입니다. 문서 추출 모델이나 구조화 출력을 켠 LLM으로 필드마다 값, 원문 위치, confidence를 받고 temperature는 0으로 둡니다. 계산이 필요한 값(최근 3년 사고 건수, 손해율)은 모델에 맡기지 않고 코드가 계산합니다. 빠진 필드는 비워 두게 하고 그 목록으로 브로커 보완 요청 메일 초안을 만듭니다. 모델을 고를 때는 표본 300건을 두 회사의 모델로 각각 돌려 필드 값이 갈리는 건만 사람이 확인하고 필드별 정확도가 높은 쪽을 고릅니다. 같은 건을 3회 돌려 값이 바뀌는 필드는 지시문을 고치거나 사람 확인 필드로 둡니다.

{
  "submission_id": "SUB-2026-104233",
  "line": "general_liability",
  "insured_name": {"value": "가상상사", "confidence": 0.98, "source": "acord_p1"},
  "naics_code": {"value": "238220", "confidence": 0.91},
  "annual_revenue_usd": {"value": 3200000, "confidence": 0.95},
  "loss_runs": [{"year": 2025, "claims": 1, "paid_usd": 4100}],
  "missing": ["prior_carrier", "effective_date"],
  "appetite_flags": ["revenue_in_range", "class_ok"],
  "route": "quote_ready"
}

접수 workbench 설계안 (AX Review 가상 예시)

처리량을 재려면 도입 전 4주를 기준선으로 잡습니다. 지표는 언더라이터 1인 주당 견적 건수, 제출 접수부터 첫 견적까지 걸린 시간, 견적 대비 체결 비율 셋입니다. 원문이 효과를 비용이 아니라 처리량으로 말한 만큼, 같은 단위로 재야 비교가 됩니다. 처리량만 늘고 체결 비율이나 손해율이 나빠지면 인수 규율이 흔들린 신호이니 두 지표를 함께 봅니다.

Severity Triage를 돌리려면 규칙과 모델을 섞습니다. 금액 기준과 보장 범위 확인은 규칙으로, 사기·분쟁 위험은 점수 모델로 판단합니다. 아래처럼 세 구간을 두고 자동 종결 구간은 처음에 작게 열었다가 감사 결과를 보고 넓힙니다. 모델이 추정 지급액을 낼 때는 숫자 하나 대신 구간을 받고 구간 상단이 기준을 넘으면 자동 종결에서 뺍니다.

소액 청구 세 구간 (AX Review 가상 예시, 기준값은 회사가 정함)

실패하는 경우와 대응. 자동 종결에서 가장 먼저 볼 위험은 leakage(줘야 할 금액보다 더 주는 과지급)입니다. 자동 종결 건의 5%를 매주 표본 감사하고 종결 후 다시 열린 비율(reopen rate)을 따로 셉니다. 추출 confidence가 낮은 필드가 섞인 건은 자동 종결에서 빼고 모델이나 프롬프트를 바꿀 때는 지난달 청구 500건으로 이전 버전과 판정이 얼마나 갈리는지 먼저 재 봅니다. 모든 자동 판정에는 사용한 규칙, 모델 버전, 입력 필드를 로그로 남겨 고객 이의나 감독 당국 질의에 답할 수 있게 합니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	언더라이팅 또는 청구 총괄 임원	대상 라인과 자동 종결 상한 승인
업무 담당	언더라이터 2명, 청구 조정자 2명	필드 목록 작성, 표본 정답 라벨링
엔지니어	개발자 1~2명	추출 호출, 규칙 엔진, 검토 큐 연결
분석	데이터 분석 담당 1명	기준선 측정, 처리량·leakage 집계
준법·법무	담당 1명	자동 종결 고지 문구, 판정 로그 보존 기준

시작 전 준비물: 최근 3개월 제출 건 300건과 청구 300건 표본, 언더라이터가 손으로 옮기는 칸 목록, 라인별 인수 기준(appetite) 문서, 청구 금액 분포표(5,000달러 같은 기준 이하 비중을 우리 데이터로 다시 계산), 현재 1인 주당 처리 건수와 견적 소요 시간입니다.

기간	할 일	산출물
1~2주	기준선 측정, 대상 라인 1개 선정, 필드 정의	기준선 보고서, 필드 정의서
3~4주	접수 추출 파일럿, 언더라이터 2명이 실제 건에 사용	필드 정확도표, 처리량 비교
5~6주	소액 청구 세 구간 분류를 그림자 모드로 시험	구간별 판정 일치율, 확대 여부 판정

6주 실행 일정 (AX Review 가상 예시)

담당자에게 물을 것: 제출 건 하나에서 손으로 옮기는 칸은 몇 개이고 가장 오래 걸리는 칸은 무엇입니까? 견적이 늦어져 놓친 건은 한 달에 몇 건입니까? 소액 청구에서 담당자가 실제로 판단하는 부분과 확인만 하는 부분은 어디까지입니까? 자동으로 종결했다가 틀리면 가장 비싼 경우는 무엇입니까?

진행 판정 기준(예시): 접수 파일럿에서 핵심 필드 정확도가 98% 이상이고 1인 주당 견적 건수가 기준선보다 15% 이상 늘면 다른 라인으로 넓힙니다. 청구 그림자 모드에서 자동 종결 후보와 조정자 판정의 일치율이 97% 이상이면 자동 종결을 실제로 엽니다. 체결 비율이나 표본 감사의 과지급률이 기준선보다 나빠지면 확대를 멈추고 필드와 규칙을 고칩니다.

AX 적용 제언. 이 구조는 국내 손해보험사의 소상공인 배상·재물 보험 접수와 소액 자동차·일상생활 배상 청구에 바로 옮길 수 있습니다. 제조사라면 보증 기간 A/S 클레임과 대리점 견적 요청이 같은 모양입니다. 순서는 금액 분포부터 우리 데이터로 다시 그리기, 접수 필드 정의와 기준선, 접수 파일럿, 청구 그림자 모드, 자동 종결 확대입니다. 경영진 보고에서는 효과를 절감액보다 처리량과 응답 속도로 먼저 잡고 늘어난 여력을 어느 고객군 성장에 쓸지 함께 정해야 Berkley처럼 효율이 매출로 이어집니다. 사업부가 여럿인 그룹이라면 한 플랫폼을 내려보내기 전에 두세 사업부가 같은 지표로 도구를 시험하게 하고 결과로 고르는 편이 빠릅니다.

원문 사례

항목	내용
회사	W.R. Berkley Corporation (미국 손해보험, 약 60개 운영 사업부)
발언자	W. Robert Berkley Jr. (회장·CEO·사장)
자리	2026년 3분기 실적 발표 콜(10월 19일), Insurance Journal 보도(10월 21일)
접수 효율	일부 intake 공정 20% 넘게 효율화, 특히 소형 계정의 제출 건 처리와 견적 확대
청구	청구의 절반 넘게 5,000달러 이하로 종결, 특정 청구 절차에서 사람 손을 줄일 기회
다음 단계	속도에서 더 나은 의사결정 인사이트로, AI는 이미 경쟁 우위
사업비율	28.6%로 거의 그대로, 기술이 상승을 누그러뜨릴 것으로 봄
3분기 실적	영업이익 4억 5,650만 달러, 연환산 영업 ROE 18.8%, 세전 언더라이팅 이익 2억 9,600만 달러(3분기 최고), 보험 부문 언더라이팅 이익 10.6% 증가한 2억 3,800만 달러
AI 배상 위험	실제 위험으로 보고 자체 약관 문구와 면책 조항 사용
그 밖의 위험 전망	자율주행이 자동차보험에서 제조물 책임으로 위험을 옮길 가능성, AI 로보틱스가 산재보험에 줄 영향
2분기 콜(2026.07)	workbench로 intake~quote 디지털화, 20% 넘게 많은 제출 건 처리, 자체 LLM 미구축, 청구 약 50%가 5,000달러 이하, 사업비율 30% 이하 유지 목표

핵심 개념

submission(제출 건): 브로커가 보험 가입을 원하는 고객을 대신해 보험사에 보내는 신청 서류 묶음.
small account(소형 계정): 건당 보험료가 작은 중소기업 계약. 처리 속도와 건수가 수익을 좌우한다.
expense ratio(사업비율): 보험료 가운데 모집 수수료와 운영비로 나가는 비율. 낮을수록 효율적이다.
combined ratio(합산비율): 손해율과 사업비율을 더한 값. 100% 아래면 보험 영업에서 이익이 난다. 3분기 회사 전체 값은 90.8%.
loss run: 고객의 과거 사고와 지급 이력을 정리한 표. 언더라이팅의 핵심 입력.
appetite(인수 기준): 보험사가 받고 싶은 업종·규모·위험의 범위.
silent coverage: 약관에서 명시적으로 빼지 않아 의도치 않게 담보되는 위험.

내 메모

TODO: 내 생각 추가

원문: Insurance Journal, 「WR Berkley CEO Shares Insights on AI Adoption During Q3 Call」(2026.10.21). 기사 페이지를 직접 열 수 없어, 같은 3분기 실적 발표 콜의 기록(TradingKey 대본, MarketBeat 요약)과 Let’s Data Science 보도로 발언과 수치를 대조했고 2분기 콜 내용은 Reinsurance News(2026.07.22)와 Let’s Data Science 보도로 확인했습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 이 자료의 내용을 AX Review가 다시 정리했습니다. 기술·현업 실행 디테일, JSON 예시, 분류 구간, 일정, 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했습니다. 전체 내용은 원문 링크에서 볼 수 있습니다.