Cathay Century Insurance AI Injury Compensation Estimator: 판결문을 지식 그래프로 바꿔 위자료 산정을 표준화하다
대만 손해보험사 Cathay Century는 판결문에서 위자료를 좌우하는 요인과 인정 금액을 뽑아 법률 지식 그래프를 만들고 배상 범위를 예측해 손해사정사에게 보여 줍니다. 사례집 기준으로 판결 검토가 30분에서 5분으로, 지급액 편차 지표가 30%에서 10%로 줄었습니다. 추출 스키마, 범위 예측 설정, 제조사 품질 클레임에 옮기는 12주 계획을 붙였습니다.
Cathay Century Insurance는 손해사정사가 판례를 뒤져 감으로 정하던 위자료(정신적 손해 배상금)를, 판결문에서 뽑은 요인과 금액으로 만든 법률 지식 그래프 위에서 예측해 기준 범위로 보여 주는 방식으로 바꿨습니다. 사례집에 따르면 판결 검토는 30분에서 5분으로, 지급액 편차 지표는 30%에서 10%로 줄었습니다. 옮겨 쓰려면 모델을 고르기 전에 금액을 움직이는 요인을 현업 전문가와 먼저 정하고 최종 금액은 사람이 정하되 근거 판결을 늘 화면에 붙여 두는 설계가 필요합니다.
요약
Cathay Century Insurance(國泰產險)는 대만 타이베이에 본사를 둔 캐세이금융그룹 계열 손해보험사입니다. 이 회사가 2026 Gartner Eye on Innovation Awards for Insurance에 제출한 AI Injury Compensation Estimator가 Greater China 사례집에 실렸습니다. 대인 사고 청구에서 위자료는 정해진 표가 없습니다. 그래서 손해사정사가 비슷한 판결을 찾아 읽고 금액을 가늠해 왔습니다. 같은 부상에도 담당자에 따라 지급액이 달라졌고 판례 조사에도 시간이 오래 걸렸습니다. 회사는 법원 판결과 판례를 분석해 구조화된 법률 knowledge graph(지식 그래프, 개체와 관계를 이어 저장한 데이터 구조)를 만들었습니다. 그 위에 ML(머신러닝), LLM(대규모 언어 모델), decision intelligence(데이터로 결정 과정을 설계하고 지원하는 방법)를 얹었습니다. 시스템은 금액에 영향을 주는 요인을 뽑아 배상액을 예측합니다. 표준 기준과 시각 화면도 손해사정사에게 보여 줍니다. 클라우드는 AWS를 씁니다.
사례집이 밝힌 실적은 이렇습니다. 판결 검토는 30분에서 5분으로(6배), 전체 처리 시간은 720시간에서 240시간으로(3배) 줄었습니다. 지급액 편차 지표는 30%에서 10%로 내려갔고 연간 절감액은 약 16만 3,000달러, 사용자 만족도는 91%입니다. 이 작업은 회사의 청구 플랫폼 SmartClaim(理賠智能助手) 안에서 자라 왔습니다. 2024년 공개 자료는 40만 건 넘는 판결로 유사 사례 데이터베이스를 만들었다고 밝혔습니다. 2026년 3월 강연 보고서는 ChatGPT로 판결문을 자동 라벨링해 수작업 라벨링을 21영업일에서 3일로 줄였다고 전합니다. 효과는 판결을 요인으로 쪼갠 데서 나옵니다. 판결 한 건을 상해 정도, 나이, 교육 수준 같은 요인과 인정 금액이 담긴 한 줄로 바꾸면, 손해사정사는 판결을 처음부터 읽지 않고 요인이 같은 줄만 골라 비교하면 됩니다. 아래에서는 이 흐름을 네 메커니즘으로 나누고 한국 제조 대기업이 품질 클레임 보상액 산정에 옮기는 방법을 덧붙였습니다.
핵심 메커니즘
Judgment-to-Table Extraction: 판결문을 요인 표로 바꾸는 추출
무엇인가. 형식이 제각각인 판결문에서 위자료를 좌우하는 요인과 법원이 인정한 금액을 뽑아, 판결 한 건을 표의 한 줄로 만드는 단계입니다.
어떻게 작동하나. 2026년 3월 강연 보고서에 따르면 회사는 먼저 전문가 인터뷰로 핵심 변수를 골랐습니다. 상해 정도, 나이, 교육 수준 등입니다. 다음으로 ChatGPT가 판결문에 자동으로 라벨을 붙였고 UIE(Universal Information Extraction, 개체와 관계를 하나의 틀로 뽑는 정보 추출 모델)와 UTC(Universal Text Classification, 범용 텍스트 분류 모델)를 함께 써 판결 내용을 형식화된 데이터 표로 옮겼습니다. LLM이 학습용 라벨을 만들고 추출 전용 모델이 대량의 판결을 처리하는 분업입니다. 보고서는 수작업 라벨링이 21영업일에서 3일로 줄고 인력 비용이 86% 낮아졌다고 적었습니다.
언제 쓰고 언제 안 쓰나. 판결, 계약서, 검사 보고서처럼 양은 많은데 같은 항목을 반복해서 뽑아야 할 때 맞습니다. 무엇을 뽑을지 현업이 합의하지 못한 상태라면 추출부터 시작하면 안 됩니다. 변수 정의가 흔들리면 표 전체를 다시 만들어야 합니다.
작은 예시(가상 예시). 교통사고 판결 한 건에서 피해자 34세, 대졸, 다리 골절로 입원 6주, 후유장해 없음, 과실 비율 20%, 위자료 인정액을 뽑아 한 줄로 저장합니다. 원문 문단 위치도 함께 남겨 나중에 근거로 띄웁니다.
Legal Knowledge Graph: 판결과 요인과 금액을 잇는 구조
무엇인가. 판결, 부상 유형, 피해자 속성, 법원, 인정 금액을 노드로 두고 관계로 이은 데이터 구조입니다. 사례집은 이를 구조화된 법률 지식 그래프라고 부릅니다.
어떻게 작동하나. 추출 표의 한 줄이 판결 노드가 되고 요인 값은 판결 노드에 연결된 속성 노드가 됩니다. 새 청구가 들어오면 같은 부상 유형, 비슷한 나이대, 같은 후유장해 수준을 공유하는 판결을 그래프에서 따라가 찾습니다. 키워드 검색은 단어가 겹치는 판결을 돌려주지만 그래프는 요인이 겹치는 판결을 돌려줍니다. 사례집에 실린 경영진 발언도 이 효과를 짚습니다. 요인 추출이 ‘reducing the cases an adjuster needs to review’로 이어졌고 검색 효율이 86% 나아졌다는 내용입니다.
원문과 공개 자료의 예. 2024년 11월 공개 자료는 판결 검색 시스템(判決檢索系統)과 대인 손해 산정 모듈(體傷估損模組)을 소개하며 40만 건 넘는 판결을 AI로 분석해 사례 데이터베이스를 만들었다고 밝혔습니다. 판결 검색 시스템은 실용신안 특허를 받았습니다. 2026년 강연 보고서는 손해사정사가 유사 사례를 찾던 판결 풀을 555만 건으로 적었습니다. 두 자료가 세는 대상이 다르게 적혀 있어 이 노트는 두 숫자를 각각 그대로 둡니다.
언제 쓰고 언제 안 쓰나. 비슷함의 기준이 몇 개 요인으로 정리되는 업무에 맞습니다. 비교 기준이 문장의 뉘앙스에 있다면 그래프만으로는 부족하고 문서 검색을 함께 써야 합니다.
Compensation Benchmark: 요인으로 배상 범위를 예측하고 기준을 보여 주기
무엇인가. 새 청구의 요인 값을 넣으면 ML 모델이 예상 위자료를 내고 유사 판결의 금액 분포와 함께 표준 기준(benchmark)을 화면에 보여 주는 단계입니다.
어떻게 작동하나. 입력은 새 청구의 요인 값입니다. 처리는 그래프로 고른 유사 판결 집합과 학습된 예측 모델이 함께 맡습니다. 출력은 예상 금액, 기준 범위, 근거 판결 목록, 요인별 영향을 보여 주는 시각 자료입니다. 사례집은 이를 decision intelligence와 시각적 의사결정 지원으로 설명합니다. 손해사정사가 같은 요인이면 같은 범위에서 출발하므로 담당자 사이의 금액 차이가 줄어듭니다. 사례집의 편차 지표 30%에서 10%가 이 효과를 가리킵니다. 편차 지표를 어떻게 계산했는지는 사례집에서 밝히지 않았습니다.
공개 자료의 예. 2024년 자료는 LLM과 생성형 AI(ChatGPT)로 판결에서 금액에 영향을 준 핵심 요인을 찾아, 손해사정사에게 지급 참고값을 준다고 설명했습니다. 같은 SmartClaim의 사기 탐지 모듈은 SHAP(변수마다 점수에 얼마나 기여했는지 나눠 보여 주는 설명 기법)으로 점수의 이유를 보여 준다고 2026년 강연에서 밝혔습니다. 배상 예측 화면에도 SHAP을 썼는지는 공개 자료로 확인하지 못했습니다.
언제 쓰고 언제 안 쓰나. 과거 결정이 수천 건 쌓여 있고 결정 요인이 비교적 안정된 업무에 맞습니다. 판례가 거의 없는 새 부상 유형이나 기준이 바뀐 직후에는 범위가 넓게 나오므로, 예측값보다 근거 판결 목록을 앞에 두는 편이 낫습니다.
Human-final Decision: 금액은 손해사정사가, 근거는 화면에
무엇인가. AI는 범위와 근거를 내고 금액은 손해사정사가 정하는 역할 분담입니다.
어떻게 작동하나. 2026년 3월 강연에서 회사는 SmartClaim 전체에 적용하는 신뢰 원칙을 소개했습니다. Traceable은 AI의 결론마다 근거 문서와 데이터까지 거슬러 갈 수 있다는 뜻입니다. Reviewable은 전문가가 논리를 확인하고 고치기 쉬운 형식으로 낸다는 뜻입니다. Auditable은 AI 출력, 사람의 수정, 최종 결정을 기록으로 남긴다는 뜻입니다. 최종 결정은 손해사정사가 내립니다. 회사는 이렇게 해서 모델 환각 위험을 기존 업무 위험의 틀 안에서 다룬다고 설명했습니다. 아키텍처는 프로세스, 통제, 모델, 데이터의 4계층입니다. 위자료 추정에 이 원칙이 어떻게 적용됐는지 사례집이 따로 적지는 않았지만 같은 플랫폼의 운영 원칙입니다.
언제 쓰나. 금액이 고객과 분쟁으로 이어질 수 있고 감독 당국의 검사를 받는 업무라면 처음부터 이 구조로 설계합니다.
사례 재구성
Cathay Century: 판결 기반 위자료 산정
| 구분 | 내용 |
|---|---|
| 상황 | 정신적 손해 배상액을 손해사정사가 주관적으로 판단했고 표준 기준이 없었음. 과거 판례 참조와 수작업 법률 조사에 기대 지급액 편차가 생기고 처리 기간이 길어짐 |
| 한 일 | 법원 판결과 판례를 분석해 구조화 법률 지식 그래프 구축. ML, LLM, decision intelligence로 요인 추출, 배상 예측, 표준 기준, 시각 지원 제공. AWS 사용 |
| 결과 | 사례집 보고 실적: 판결 검토 30분에서 5분, 처리 시간 720시간에서 240시간, 지급액 편차 지표 30%에서 10%(66.7% 감소), 연간 약 16만 3,000달러 절감, 사용자 만족도 91%, 경영진 발언상 검색 효율 86% 개선 |
| 연결 | 네 메커니즘이 한 업무에서 함께 돈 사례. 요인 추출이 그래프를 만들고, 그래프가 유사 판결을 좁힘. 기준 범위가 편차를 줄이고, 사람의 최종 결정이 책임을 남김 |
공개 자료로 보면 이 사례는 몇 해에 걸친 작업의 결과입니다. 2024년 자료에 따르면 그룹의 디지털 전환은 2018년 시작됐고 SmartClaim은 2021년 개발을 시작해 그해 경량판을 가동했습니다. 기획, 인터뷰, 현장 관찰에 약 4개월을 썼고 청구 건수가 가장 많은 자동차보험부터 손해사정사 워크숍을 열며 시작했습니다. 같은 자료는 최일선 손해사정 인력 300명 넘게 SmartClaim을 쓰고 사내 사용률이 100%에 가깝다고 적었습니다. 2026년 6월에는 SmartClaim이 『數位時代』의 2026 FCA 혁신비즈니스상에서 최고 기술혁신상 은상을 받았습니다. 이때 보도는 LLM, 자체 법률 용어 사전, 과거 판례 데이터를 결합해 손해 산정 시간 효율이 83% 나아지고 관련 문서 처리에서 연 1,000시간 넘게 아꼈다고 전했습니다. 이 수치는 SmartClaim 전체를 두고 한 말이어서 사례집 수치와 합치지 않습니다.
기술 디테일: 판결 기반 배상 추정을 실제로 돌리려면
아래는 사례집과 공개 자료에 없는 내용입니다. 같은 구조를 만들 때 필요한 설정을 새로 정리했습니다.
Judgment-to-Table Extraction을 돌리려면 출력 스키마부터 고정합니다. 요인은 자유 서술이 아니라 타입과 허용값이 정해진 필드로 받습니다. 판결문에 없는 값은 지어내지 말고 null로 두게 하고 값마다 근거 문단을 함께 받습니다. 아래 JSON의 값은 가상 예시입니다.
{
"case_id": "2023-XX-1234",
"court": "지방법원 민사부",
"judgment_date": "2023-05-12",
"injury_type": "하지 골절",
"injury_severity": 3,
"hospital_days": 42,
"permanent_disability": false,
"victim_age": 34,
"education": "대졸",
"fault_ratio_victim": 0.2,
"claimed_solatium": 800000,
"awarded_solatium": 300000,
"currency": "TWD",
"evidence": {"awarded_solatium": "para 14", "injury_type": "para 3"},
"unreadable": []
}라벨링과 대량 추출을 나눕니다. LLM으로 판결 1,000~2,000건에 라벨을 붙이고 전문가가 그중 200~300건을 정답으로 확정해 골드셋을 만듭니다. 이 라벨로 UIE 같은 추출 전용 모델을 미세 조정해 나머지 판결을 처리합니다. 수십만 건을 LLM으로 바로 돌리는 것보다 비용과 처리 시간을 예측하기 쉽습니다. LLM 호출은 temperature 0, 판결 한 건에 한 번 부르는 단위로 하고 골드셋 판결은 세 번씩 돌려 필드별 불일치율을 잽니다. 불일치율이 5%를 넘는 필드는 정의를 다시 씁니다.
판결문의 개인 정보는 추출 전에 가립니다. 판결에 남은 이름, 주소, 차량 번호는 정규식과 개체명 인식으로 먼저 가린 뒤 그 본문만 LLM에 보냅니다. 원문과 가린 본문의 대응표는 권한이 있는 담당자만 열 수 있는 저장소에 둡니다.
금액 필드는 규칙으로 한 번 더 확인합니다. 추출한 awarded_solatium이 근거 문단의 숫자와 글자 단위로 같은지 대조합니다. 청구액과 인정액을 바꿔 읽는 오류, 만 단위 표기를 잘못 읽는 오류가 가장 흔합니다. 인정액이 청구액보다 크면 무조건 검토 대상에 올립니다.
유사 판결 검색은 필터와 거리를 섞습니다. 그래프에서 injury_type과 permanent_disability가 같은 판결로 먼저 좁히고 나이 차 ±5세, injury_severity 차 1 이내로 거릅니다. 남은 판결을 판결일 최근 5년에 가중치를 주어 정렬하고 상위 20건을 화면에 올립니다. 20건이 안 되면 조건을 하나씩 풀고 무엇을 풀었는지 화면에 적습니다.
배상 범위는 점 하나가 아니라 분위수로 냅니다. gradient boosting에 quantile loss를 걸어 P25, P50, P75를 따로 예측합니다. 과거 판결 금액은 판결 연도 기준이므로 물가지수를 적용해 현재 가치로 맞춘 뒤 학습합니다. 법원과 판결 연도를 변수로 넣어 지역 차이와 시기 차이를 흡수합니다. 요인별 기여는 SHAP으로 계산해 상위 3개만 화면에 보여 줍니다.
편차 지표는 도입 전에 정의를 고정합니다. 사례집은 계산 방식을 밝히지 않았으므로 우리 조직이 정해야 합니다. 한 가지 방법은 요인 묶음(같은 부상 유형과 같은 후유장해 여부)마다 실제 지급액의 변동계수(표준편차 나누기 평균)를 내고 묶음 전체를 가중 평균하는 것입니다. 또 하나는 지급액이 기준 범위 밖에 떨어진 비율입니다. 도입 전 6개월 데이터로 기준값을 먼저 재 둡니다.
| 실패하는 경우 | 대응 |
|---|---|
| 인정액 오추출(청구액과 혼동, 단위 오독) | 근거 문단 숫자 대조, 인정액이 청구액보다 크면 검토 큐 |
| 오래된 판결이 기준을 끌어내림 | 물가 보정, 최근 5년 가중, 판결 연도 변수 |
| 새 부상 유형이라 유사 판결이 거의 없음 | 범위 대신 근거 판결 목록 우선 표시, 신뢰도 낮음 배지 |
| 손해사정사가 예측값을 그대로 옮겨 적음 | 범위만 먼저 보이고 P50은 클릭해야 보이게, 벗어날 때 이유 코드 입력 |
| LLM 요약이 판결에 없는 내용을 덧붙임 | 요약 문장마다 원문 문단 번호를 달고 번호 없는 문장은 화면에서 숨김 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 가상 예시입니다. 한국 제조 대기업의 AX 조직이 이 구조를 품질 클레임 보상액 산정에 옮긴다고 가정해 새로 썼습니다. 고객사가 품질 문제로 보상을 청구하면 지금은 담당자가 과거 합의서와 계약 조항을 찾아 금액을 정합니다. 판결 자리에 과거 합의 기록과 8D 보고서(품질 문제의 원인과 대책을 정리한 보고서)를 놓으면 같은 구조가 됩니다.
| 역할 | 누가 | 맡는 일 |
|---|---|---|
| 스폰서 | 품질 또는 CS 담당 임원 | 편차 지표 정의 승인, 확대 결정 |
| 프로세스 오너 | 품질 클레임 팀장 | 범위와 판정 기준 결정, 그림자 운영 관리 |
| 도메인 전문가 | 클레임 협상 경력 10년 안팎 3~5명 | 요인 정의, 골드셋 정답 확정, 유사 사례 적합성 판정 |
| 법무 | 법무팀 1명 | 계약 조항 해석 기준, 기록 보존 범위 |
| 데이터·ML | 데이터 엔지니어 2명, ML 엔지니어 1명 | 추출 스키마, 검색, 범위 모델, 로그 |
| IT·보안 | IT 1명 | 고객사 정보 마스킹, 권한, 클라우드 배치 |
시작 전에 모을 것. 최근 3~5년 클레임 건의 합의서, 8D 보고서, 계약의 보상 조항, 최종 지급액입니다. 건수가 1,000건 안팎은 되어야 범위 모델이 의미가 있습니다. 함께 지금 클레임 한 건에 드는 평균 검토 시간과 요인 묶음별 지급액 편차를 재 둡니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 전문가 워크숍으로 금액 요인 10개 안팎 확정, 데이터 수집 | 요인 정의서, 데이터 목록 |
| 3~5주 | LLM 라벨링, 골드셋 200건 확정, 추출 모델 학습 | 추출 스키마 v1, 골드셋 |
| 6~8주 | 유사 사례 검색과 범위 모델 구축, 검토 화면 시안 | 검색 결과 샘플, 범위 모델 v1 |
| 9~10주 | 그림자 운영: 담당자가 기존 방식으로 정하고 시스템 범위와 비교 | 비교 로그, 이탈 이유 목록 |
| 11~12주 | 판정 기준 점검, 확대 여부 결정 | 판정 보고서, 확대 계획 |
워크숍과 파일럿에서 물을 것.
- 보상액을 올리거나 내리는 요인을 다섯 개만 꼽으면 무엇인가요?
- 비슷한 건인데 금액이 크게 달랐던 사례가 있나요? 왜 달랐나요?
- 금액을 정하기 전에 반드시 열어 보는 문서는 무엇인가요?
- 시스템 범위를 벗어나 정했다면 그 이유를 한 줄로 쓸 수 있나요?
- 고객사에 금액 근거를 설명할 때 어떤 자료를 보여 주나요?
진행 판정 기준(예시). 금액 필드 추출 정확도 99% 이상, 나머지 요인 필드 95% 이상. 유사 사례 상위 10건 중 전문가가 비교할 만하다고 본 건이 7건 이상. 그림자 운영에서 담당자 결정의 70% 이상이 시스템 범위 안에 들고 건당 검토 시간이 절반 아래로 줄면 다음 제품군으로 넓힙니다. 기준은 파일럿 전에 문서로 정해 둡니다.
AX에 옮길 때. 이 사례에서 가져올 것은 위자료라는 업무가 아니라 구조입니다. 사람의 판단으로 금액을 정하는데 과거 결정 기록이 많이 쌓인 업무라면 어디든 옮길 수 있습니다. 제조사에는 품질 클레임 보상, 보증 수리비 승인, 협력사 귀책 비용 분담, 안전사고 합의금 같은 후보가 있습니다. 순서는 과거 기록이 1,000건 넘게 남아 있고 담당자 사이의 금액 차이가 경영진에게 이미 문제로 보이는 업무부터 고릅니다. 처음에는 기준을 강제하지 말고 범위와 근거만 보여 주는 보조로 시작합니다. 벗어난 결정의 이유 코드가 쌓이면 그것이 다음 요인 정의의 재료가 됩니다. 성과 지표인 편차 지표의 정의는 스폰서와 첫 주에 합의해 두어야 나중에 효과를 두고 다투지 않습니다.
원문 사례
| 항목 | 내용 | 출처 |
|---|---|---|
| 회사 | Cathay Century Insurance(國泰產險), 대만 타이베이, 손해보험 | 사례집 |
| 사례명 | AI Injury Compensation Estimator, 2026 Gartner Eye on Innovation Awards for Insurance 제출·소개 사례 | 사례집 |
| 기술 | AI, Cloud, Data & Analytics, Decision Intelligence Platforms, LLMs, Reasoning Models, AWS | 사례집 |
| 판결 검토 | 30분에서 5분(6배) | 사례집 |
| 처리 시간 | 720시간에서 240시간(3배) | 사례집 |
| 지급액 편차 지표 | 30%에서 10%(66.7% 감소) | 사례집 |
| 재무·고객 | 연간 약 16만 3,000달러 절감, 사용자 만족도 91% | 사례집 |
| 검색 효율 | 86% 개선(경영진 발언) | 사례집 |
| 판결 데이터 | 40만 건 넘는 판결로 사례 데이터베이스 구축(2024) / 유사 사례 검색 대상 판결 555만 건(2026 강연 보고서) | 공개 자료 |
| 라벨링 | ChatGPT 자동 라벨링, UIE·UTC로 형식화 표 작성, 수작업 21영업일에서 3일, 인력 비용 86% 감소 | 2026 강연 보고서 |
| 플랫폼 | SmartClaim, 2021년 개발 시작, 손해사정 인력 300명 넘게 사용, 판결 검색 시스템 실용신안 | 2024 공개 자료 |
| 수상 | SmartClaim, 2026 FCA 혁신비즈니스상 최고 기술혁신상 은상(손해 산정 시간 효율 83% 개선, 연 1,000시간 넘게 절감) | 2026년 6월 보도 |
경영진 발언의 검색 효율 86%와 강연 보고서의 인력 비용 86%는 서로 다른 지표로 적혀 있어 따로 둡니다.
핵심 개념
- 위자료(慰撫金)
- 신체 손해와 별도로 정신적 고통을 갚는 배상금. 정해진 산식이 없어 판례를 참고해 정합니다.
- 손해사정사(adjuster)
- 보험사고의 손해액을 조사하고 지급액을 정하는 담당자.
- SmartClaim
- Cathay Century가 직접 만든 전 종목 청구 지원 플랫폼. 사기 탐지, 판결 검색, 대인 손해 산정, 청구 보고서 생성 모듈을 담고 있습니다.
- decision intelligence
- 결정에 쓰이는 데이터, 모델, 규칙, 사람의 판단을 하나의 흐름으로 설계하는 접근.
- UIE · UTC
- 하나의 틀로 개체·관계를 뽑는 추출 모델과 범용 텍스트 분류 모델. 소량의 라벨로 미세 조정해 쓰는 경우가 많습니다.
- 분위수 예측
- 평균 하나 대신 하위 25%, 중앙값, 상위 25% 같은 여러 지점을 따로 예측해 범위로 보여 주는 방법.
- 그림자 운영
- 새 시스템을 실제 결정에 쓰지 않고 기존 방식과 나란히 돌려 결과를 비교하는 시험 기간.
내 메모
TODO: 내 생각 추가
근거는 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Cathay Century Insurance, AI Injury Compensation Estimator)와 확인한 공개 자료입니다. 공개 자료: 『數位時代』 캐세이금융 협찬 기사(2024.11.29, https://www.bnext.com.tw/article/81460/samrtclaim_2024), 淡江大學 보험학과 EMBA 강연 보고서 「產險理賠AI進化論與四大重塑」(2026.03.17, 姚棋馨 부총경리 강연, https://tpd.tku.edu.tw/ins/wp-content/uploads/2026/03/第4場保險業前瞻經營講座姚棋馨副總經理.pdf), 經濟日報 SmartClaim 수상 보도(2026.06.26, https://money.udn.com/money/story/5613/9589032). 수상 여부는 공개 자료로 확인하지 못해 제출·소개 사례로 적었습니다. 요약, 메커니즘의 사례 근거, 사례 재구성, 원문 사례 표는 위 자료를 AX Review가 다시 정리했습니다. 메커니즘 이름과 작은 예시, 기술·현업 실행 디테일, JSON 예시, 실패 대응 표, 일정과 판정 기준, 인포그래픽은 새로 작성했으며 그 안의 숫자는 가상 예시입니다.