CPIC P&C Injury AI Assistant·Intelligent Quoting Assistant: 자동차보험 인적손해 보상과 견적을 AI로 바꾸다
중국 태평양재산보험(CPIC P&C)이 자동차보험 인적손해 보상에 의료·교통·보상 데이터와 대형 모델을 붙여 장해비용 감액률 41%를 보고하고 일선 견적을 메신저 안의 대화형 AI로 옮겨 견적 효율 50% 향상을 연말 목표로 잡은 두 사례입니다. 판단 모듈 설계, 평가 루프, 제조 대기업용 12주 파일럿안을 붙였습니다.
China Pacific Property Insurance(중국태평양재산보험, 이하 CPIC P&C)는 자동차 사고 인적손해 보상을 사후 지급에서 사건 진행 중 개입으로 바꿨고 일선 직원의 견적 업무를 메신저 대화 안으로 옮겼습니다. 앞의 사례는 장해비용 감액률 41% 같은 실적을, 뒤의 사례는 견적 효율 50% 향상 같은 연말 목표를 보고했습니다. 옮겨 쓰려면 모델보다 먼저 흩어진 데이터를 사건 하나로 묶고 AI 판단마다 사람이 확정하는 지점을 정해야 합니다.
요약
CPIC P&C는 중국태평양보험그룹(中国太保)의 손해보험 자회사로 상하이에 본사가 있습니다. 2026 Gartner Eye on Innovation Awards 보험 부문에 두 사례를 제출했고 사용자가 준 Greater China 사례집에 둘 다 실렸습니다(수상 여부는 공개 자료로 확인하지 못했습니다). 첫째는 Auto Insurance Injury AI Assistant(자동차보험 인적손해 AI 어시스턴트)입니다. 교통사고 부상자 치료비가 오르고 오프라인 합의가 늦어지고 위험 신호를 늦게 잡는 문제가 겹쳐 수익성이 눌리던 상황이었습니다. 회사는 의료·교통·보상 데이터를 합치고 대형 AI 모델에 상해 추정, 책임 판단, 부정 중개인 감시, 독립 장해평가를 맡겼습니다. 둘째는 Intelligent Quoting Assistant(지능형 견적 도우미)입니다. 견적이 일선 직원 하루 업무의 80% 이상을 차지하던 문제를 풀려고 기업용 메신저 WeCom과 개인 WeChat, 그룹 채팅 안에 견적 도우미를 넣었습니다. NLP(자연어 처리)로 대화에서 값을 뽑고 RPA(화면 조작 자동화)로 입력을 대신합니다.
결과는 성격이 다릅니다. 인적손해 AI는 기업 보고 실적으로 장해 심사 효율이 전년 대비 20% 늘었고 자동 처리로 장해비용 감액률 41%를 냈으며 책임계수(사고에서 피보험자가 지는 책임 비율)가 0.17~0.21 줄었다고 밝혔습니다. 다만 감액률과 책임계수의 산식, 비교 대상 모집단은 사례집에 없습니다. 대화형 견적의 세 수치(견적 효율 50% 향상, 인당 효율 10% 향상, 셀프 견적 채택률 30%)는 모두 연말 목표입니다. 공개 자료에서는 두 사례 자체를 다룬 글을 찾지 못했고 그룹 차원의 AI 투자와 플랫폼 규모만 확인했습니다. 그룹은 2025년 실적 발표(2026년 3월)에서 앞으로 2년 동안 AI 투자 예산을 연평균 40% 이상 늘리겠다고 밝혔습니다(每日经济新闻 보도). 아래에서는 두 사례를 다섯 가지 메커니즘으로 풀고 한국 제조 대기업이 자기 과제로 옮길 때 필요한 기술·현업 디테일을 붙입니다.
핵심 메커니즘
Full-lifecycle Injury Management: 지급 직전이 아니라 사건 내내 보는 보상 관리
무엇인가. 인적손해 사건을 접수부터 지급까지 하나의 흐름으로 보고 단계마다 AI가 위험 신호를 내는 구조입니다. 사례집은 이를 사후 심사에서 사전 예방과 처리 중 개입으로 옮기는 일로 설명합니다.
어떻게 작동하나. 사고가 접수되면 상해 추정이 예상 치료비와 기간을 먼저 냅니다. 치료가 진행되는 동안에는 부정 중개 감시가 대리인 개입 같은 위험을 봅니다. 합의 단계에서는 사전 조정(premediation, 소송 전에 당사자 합의를 돕는 절차)을 지원합니다. 장해가 남으면 독립 장해평가가 등급 의견을 내고 책임 판단 결과가 지급액에 반영됩니다. 사람이 마지막에 서류 더미를 한 번 보는 방식과 달리, 비용이 커지기 전에 손댈 수 있습니다.
언제 쓰고 언제 안 쓰나. 사건이 몇 주에서 몇 달씩 이어지고 중간에 비용이 불어나는 업무에 맞습니다. 접수 당일 끝나는 소액 물적 손해에는 단계별 개입이 오히려 짐이 됩니다. 사례집의 예는 치료비 상승과 오프라인 합의 지연입니다. 작은 예시(가상): 부상자 치료 기간이 상해 추정치의 두 배를 넘으면 담당자에게 알림을 띄우고 의료 기록 재검토를 권하는 식입니다.
Data Fusion: 의료·교통·보상 데이터를 사건 하나로 묶기
무엇인가. 병원 진료 기록, 교통사고 정보, 과거 보상 기록처럼 따로 있던 데이터를 사건 단위 기록 하나로 합치는 일입니다. 사례집은 세 데이터를 통합해 위험을 능동적으로 관리하고 사전 조정을 돕는다고 적었습니다.
어떻게 작동하나. 입력은 진단·치료 내역과 비용, 사고 경위와 과실 정보, 같은 사람이나 대리인이 얽힌 과거 사건입니다. 처리 단계에서 사건 번호를 축으로 이름·차량·병원을 맞춰 붙입니다. 출력은 판단 모듈이 함께 읽는 사건 기록 하나입니다. 이 단계가 없으면 상해 추정은 의료 기록만, 책임 판단은 사고 기록만 보게 되어 서로 어긋난 결론을 냅니다.
언제 쓰고 언제 안 쓰나. 판단이 여러 원천의 사실을 함께 봐야 할 때 필요합니다. 원천 하나로 끝나는 판단(예: 영수증 금액 확인)에는 통합 비용이 더 큽니다. 작은 예시(가상): 같은 대리인이 최근 1년 동안 여러 부상자를 대리했다는 사실은 보상 기록과 연락처 정보를 붙여야만 보입니다.
Large-model Adjudication Modules: 상해·책임·부정·장해를 나눠 맡는 판단 모듈
무엇인가. 사례집은 대형 AI 모델이 상해 추정(injury estimation), 책임 판단(liability adjudication), 부정 중개 감시(anti-scalper monitoring), 독립 장해평가(independent disability appraisal)를 수행한다고 적었습니다. 핵심 기술로는 AI Agents를 들었습니다. 네 기능을 한 모델에 한 번에 묻지 않고 기능별로 나누는 것이 이 메커니즘의 요점입니다.
어떻게 작동하나. 모듈마다 입력과 출력이 다릅니다. 상해 추정은 진단과 치료 기록을 받아 예상 비용과 기간을 냅니다. 책임 판단은 사고 정보로 책임 비율을 제안합니다. 부정 중개 감시는 대리인, 연락처, 병원이 겹치는 패턴을 보고 위험 점수를 냅니다. 중국 업계에서 黄牛(scalper)라 부르는 브로커가 부상자 보상을 대신 맡아 청구를 부풀리는 일을 막으려는 기능입니다. 독립 장해평가는 청구 측 주장과 떨어져 의료 기록 원본으로 장해 등급 의견을 냅니다.
언제 쓰고 언제 안 쓰나. 판단 근거를 사람이 되짚을 수 있어야 하는 업무에 맞습니다. 모듈을 나누면 어느 단계가 틀렸는지 추적할 수 있습니다. 사례집이 밝힌 책임계수 0.17~0.21 감소는 책임 판단 모듈 성과로, 장해비용 감액률 41%는 자동 처리 성과로 보고됐습니다. 작은 예시(가상): 책임 판단 모듈이 70:30을 제안하면 조사자가 블랙박스 영상을 보고 확정하고 그 차이를 모듈 개선 데이터로 남깁니다.
Conversational Quoting: 대화 창을 떠나지 않는 견적
무엇인가. 일선 직원이 고객과 이야기하는 메신저 안에서 견적을 바로 뽑게 하는 방식입니다. 사례집은 이를 기존 단일 도구의 장벽을 깨고 고빈도 현장에 견적을 넣었다고 설명합니다. 시스템을 바꾸지 않고 대화하면서 견적하는 것이 목표입니다.
어떻게 작동하나. 진입점은 셋입니다. WeCom 메뉴(기업용 메신저 안의 앱 칸), 개인 WeChat, 그룹 채팅입니다. 직원이나 고객이 대화로 차량과 원하는 담보를 말하면 도우미가 견적에 필요한 값을 모아 시스템에 넣고 결과를 같은 창에 돌려줍니다. 셀프 견적 채택률 30%라는 목표는 고객이 직원 손을 거치지 않고 직접 견적을 받는 비율로 읽힙니다(사례집에 정의는 없습니다).
언제 쓰고 언제 안 쓰나. 일이 이미 메신저에서 일어나고 반복 입력이 많은 업무에 맞습니다. 견적 규칙이 자주 바뀌거나 심사자 판단이 많이 들어가는 대형 기업 물건에는 대화형보다 기존 화면이 낫습니다. 사례집은 견적이 일선 업무의 80% 이상을 차지했다고 밝혔습니다.
NLP + RPA Auto-fill: 대화에서 값을 뽑고 기존 시스템은 그대로 두기
무엇인가. 자연어 메시지를 견적 필드로 바꾸는 NLP와, 기존 견적 시스템 화면을 사람 대신 조작하는 RPA를 잇는 구조입니다. 사례집은 AI·NLP·RPA로 입력 단순화, 자동 채움, 규칙 매칭, 수작업 단계 축소, 절차 표준화를 했다고 적었고 기술 목록에 API와 LLM, Automation을 넣었습니다.
어떻게 작동하나. 입력은 번호판, 차종, 원하는 담보처럼 대화에 섞여 나오는 값입니다. NLP가 이를 필드로 나누고 빈칸은 되묻습니다. 자동 채움이 보유 데이터를 조회해 나머지를 채우고 규칙 매칭이 상품·할인 조건을 고릅니다. 실행은 API가 있으면 API로, 없으면 RPA가 화면을 대신 누릅니다. 출력은 대화 창으로 돌아가는 견적 요약입니다.
언제 쓰고 언제 안 쓰나. 핵심 시스템을 당장 고칠 수 없지만 입력 부담은 줄여야 할 때 맞습니다. 화면이 자주 바뀌면 RPA가 자주 깨지므로 장기적으로는 API 쪽으로 옮겨야 합니다. 작은 예시(가상): 대리점 직원이 그룹 채팅에 번호판과 담보 두 개만 적으면, 도우미가 차량 정보를 불러와 견적 세 안을 카드로 돌려줍니다.
통념과 다른 주장
흔히 이렇게 봅니다보상 업무에 AI를 쓰면 들어온 청구 서류를 더 빨리 심사하게 되고 효과는 처리 시간 단축으로 나타난다고 봅니다.
CPIC P&C는 이렇게 봅니다AI의 자리는 청구 이후가 아니라 사건 초기와 진행 중입니다. 회사 경영진은 이 어시스턴트가 "post-review to early prevention and in-process intervention"으로 보상 처리를 옮긴다고 설명했습니다.
근거보고한 성과가 처리 시간이 아니라 비용 구조 지표입니다. 장해비용 감액률 41%, 책임계수 0.17~0.21 감소가 그것이고 부정 중개를 사건 출발점에서 막는다는 목표도 함께 밝혔습니다.
사례 재구성
사례 1. Auto Insurance Injury AI Assistant
| 항목 | 내용 |
|---|---|
| 상황 | 교통사고 인적손해 치료비 상승, 오프라인 합의 지연, 약한 위험 식별로 수익성 압박. 수동적인 사후 보상으로는 더 엄격해진 비용 통제 규제를 맞추기 어려움 |
| 한 일 | 전 생애주기 AI 인적손해 관리 시스템 구축. 의료·교통·보상 데이터 통합, 대형 모델로 상해 추정·책임 판단·부정 중개 감시·독립 장해평가, 사전 조정 지원 |
| 결과 | 기업 보고 실적: 장해 심사 효율 전년 대비 20% 증가, 자동 처리로 장해비용 감액률 41%, 책임계수 0.17~0.21 감소. 산식·모집단은 사례집에서 밝히지 않음 |
| 연결 | Full-lifecycle Injury Management, Data Fusion, Large-model Adjudication Modules |
사례 2. AI-Simplified Quotation Process (Intelligent Quoting Assistant)
| 항목 | 내용 |
|---|---|
| 상황 | 견적이 일선 직원 일상 업무의 80% 이상. 복잡한 입력과 번거로운 절차, 장기간 고강도 반복 작업으로 피로·비효율·오류 발생 |
| 한 일 | WeCom 메뉴·개인 WeChat·그룹 채팅 세 경로의 지능형 견적 도우미. AI·NLP·RPA로 입력 단순화, 자동 채움, 규칙 매칭, 수작업 단계 축소, 절차 표준화 |
| 결과 | 연말 목표: 견적 효율 50% 향상, 인당 효율 10% 향상, 셀프 견적 채택률 30%. 달성 실적은 사례집에서 밝히지 않음 |
| 연결 | Conversational Quoting, NLP + RPA Auto-fill |
기술 디테일: 두 사례를 실제로 돌리려면
아래는 사례집에 없는 내용으로, 비슷한 시스템을 처음 만들 때 필요한 설계를 새로 정리한 것입니다. 필드명과 수치는 가상 예시입니다.
Data Fusion을 돌리려면 사건 기록의 스키마부터 고정합니다. 판단 모듈이 같은 사실을 보려면 사건 하나에 원천 세 곳의 값을 붙인 기록이 있어야 합니다. 원천마다 확인 날짜를 남겨 두면 오래된 의료 기록으로 판단하는 실수를 잡을 수 있습니다. 개인 의료정보는 모듈에 넘기기 전에 이름과 주민번호를 토큰으로 바꿉니다.
{
"case_id": "C-2026-000123",
"accident": {"date": "2026-05-02", "fault_source": "police_report", "fault_ratio_claimed": 0.7},
"medical": [{"hospital_id": "H-031", "diagnosis_code": "S82.1", "treatment_days": 21, "cost": 18400, "as_of": "2026-05-30"}],
"claim_history": {"same_claimant_cases_12m": 0, "same_agent_cases_12m": 4},
"agent": {"agent_id": "A-77", "contact_hash": "f3a9…"},
"sources_checked": ["medical:2026-05-30", "traffic:2026-05-03", "claims:2026-05-31"]
}판단 모듈은 기능별로 따로 호출하고 구조화 출력만 받습니다. 상해 추정, 책임 판단, 부정 중개 감시, 독립 장해평가를 각각 한 번의 호출로 나눕니다. 출력은 자유 문장 대신 estimate, range, evidence_ids, confidence, needs_human 다섯 필드로 받습니다. evidence_ids는 사건 기록 안의 어느 값을 근거로 썼는지 가리켜야 하고 근거 없는 출력은 버립니다. 독립 장해평가는 청구 측이 낸 장해 주장과 요구 금액을 입력에서 빼야 독립성이 지켜집니다. 부정 중개 감시는 대형 모델 하나보다 대리인·병원·연락처를 잇는 관계 규칙(예: 같은 대리인 12개월 내 4건 이상)을 먼저 돌리고 모델은 근거 설명과 예외 판단에 쓰는 편이 안정적입니다.
같은 사건을 세 번 돌려 편차를 봅니다. 판단 모듈은 temperature 0으로 두고 같은 입력을 3회 실행합니다. 세 결과의 책임 비율이 0.1 이상 벌어지거나 장해 등급이 다르면 needs_human을 켭니다. 모델이나 프롬프트를 바꿀 때는 조사자가 확정한 과거 사건 300건(골드셋)으로 다시 재고 이전 버전보다 일치율이 떨어지면 배포하지 않습니다. 책임계수 감소처럼 비용 지표가 좋아져도 이의 제기와 소송이 함께 늘면 실패로 봅니다.
대화형 견적은 상태를 나누고 확인 단계를 둡니다. 수집, 확인, 실행, 회신 네 상태로 나눕니다. 수집 단계 LLM은 plate_no, vehicle_model, coverages[], start_date, customer_type 같은 필수 필드를 뽑고 빈칸이 있으면 한 번에 하나씩 묻습니다. 확인 단계에서 추출값을 되읽어 담당자가 승인해야 실행으로 넘어갑니다. 실행은 견적 API가 있으면 API를, 없으면 RPA를 씁니다. RPA는 화면이 바뀌면 깨지므로 실행 로그에 화면 버전을 남기고 실패율이 하루 5%를 넘으면 사람 처리로 돌립니다.
| 실패 상황 | 증상 | 대응 |
|---|---|---|
| 원천 데이터 불일치 | 의료 기록 날짜와 사고 날짜가 어긋남 | 사건 기록 단계에서 차단, 담당자 확인 |
| 근거 없는 판단 | evidence_ids가 비어 있음 | 출력 폐기, 재호출 1회 후 사람 처리 |
| 반복 편차 | 3회 결과가 서로 다름 | needs_human 켜고 조사자 배정 |
| 대화 추출 오류 | 번호판·담보를 잘못 읽음 | 확인 단계 되읽기, 수정 내역 저장 |
| RPA 중단 | 견적 화면 개편 | 실행 로그로 감지, 사람 처리로 전환 |
현업 실행 디테일: 누가, 언제, 무엇을
한국 제조 대기업이라면 두 사례를 보증 클레임 심사와 B2B 견적에 옮길 수 있습니다. 딜러나 정비점이 낸 보증 수리 청구를 심사하는 일은 인적손해 보상과 구조가 같습니다. 청구가 들어온 뒤 깎는 대신, 수리 진행 중에 이상 청구를 잡고 협력사 귀책 비율을 정하는 일입니다. 영업 대리점이 메신저로 부품 견적을 묻고 담당자가 ERP 화면을 오가며 답하는 일은 대화형 견적과 같습니다. 아래는 보증 클레임을 예로 든 가상 계획입니다.
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 현업 스폰서 | 품질·CS 본부장 | 과제 범위와 판정 기준 승인, 12주 차 진행 결정 |
| 과제 리더 | 보증 심사 파트장 | 골드셋 선정, 섀도 운영 결과 검토 |
| 심사 담당 3~5명 | 보증 심사원 | AI 판단과 자기 판단을 비교 기록 |
| 데이터 담당 | IT·데이터팀 | 청구·수리·부품·협력사 데이터를 사건 기록으로 묶음 |
| AI 엔지니어 1~2명 | AX 조직 | 판단 모듈, 반복 실행, 평가 루프 구축 |
| 준법 확인 | 법무·정보보호 | 개인정보 마스킹, 협력사 귀책 판단의 설명 책임 확인 |
시작 전 준비물은 다섯 가지입니다. 최근 2년 보증 청구 원장, 수리 내역과 부품 교체 기록, 협력사별 귀책 판정 이력, 이의 제기·재심 기록, 심사 규정 문서입니다. 골드셋으로 쓸 확정 사건 300건은 심사 파트장이 유형별로 고릅니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 비용이 큰 청구 유형 하나 고르기, 현재 처리 시간·감액률 기준값 측정 | 과제 정의서, 기준값 표 |
| 3~5주 | 사건 기록 스키마 확정, 원천 연결, 골드셋 300건 정리 | 사건 기록 샘플, 골드셋 |
| 6~9주 | 섀도 운영: AI가 판단하되 결정에는 쓰지 않고 심사원 판단과 비교 | 주간 일치율·편차 보고 |
| 10~12주 | 통과한 모듈만 제한 적용, 판정 회의 | 진행·확대·중단 결정 |
킥오프 인터뷰에서 심사원에게 물을 질문입니다. 청구 금액을 가장 많이 깎는 사유는 무엇인가. 그 사유를 알아채는 데 어떤 자료를 몇 개 열어 보는가. 이상 청구를 늦게 알아챈 사례가 최근 3개월에 몇 건인가. 협력사 귀책 비율을 정할 때 다툼이 생기는 지점은 어디인가. 견적 쪽이라면 영업 담당에게 하루 견적 요청 건수, 견적 한 건에 여는 화면 수, 메신저와 ERP를 오가는 횟수를 묻습니다.
골드의 적용 제언입니다. 첫 과제는 대화형 견적보다 보증 클레임 쪽을 권합니다. CPIC P&C 사례에서도 실적으로 보고된 쪽은 비용 구조를 건드린 인적손해 AI였고 견적은 아직 목표 단계였습니다. 다만 보증 클레임은 데이터 통합이 선행 조건이라 데이터 준비도가 낮은 회사는 3~5주 차가 길어집니다. 이 경우 메신저 견적을 먼저 띄워 현업 신뢰를 얻고 그 사이 클레임 데이터를 묶는 순서가 현실적입니다. 어느 쪽이든 성과 지표를 처리 시간 하나로 두지 말고 감액률·귀책 비율·이의 제기 건수를 함께 보도록 처음부터 정해 두어야 합니다. CPIC P&C가 책임계수와 장해비용을 따로 보고한 것처럼, 비용이 어디서 줄었는지 나눠 볼 수 있어야 확대 결정을 내릴 수 있습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 회사 | China Pacific Property Insurance Co., Ltd.(중국태평양재산보험), 상하이 |
| 출처 | Gartner 2026 Eye on Innovation Awards for Insurance 제출 사례, 사용자가 제공한 Greater China 사례집 슬라이드 47·48 |
| 사례 1 | Auto Insurance Injury AI Assistant. 핵심 기술: AI Agents |
| 사례 1 성과(기업 보고 실적) | 장해 심사 효율 전년 대비 20% 증가, 장해비용 감액률 41%, 책임계수 0.17~0.21 감소. 산식·모집단 미제시 |
| 사례 2 | AI-Simplified Quotation Process(Intelligent Quoting Assistant). 핵심 기술: AI Agents, Automation, API, LLMs |
| 사례 2 성과(연말 목표) | 견적 효율 50% 향상, 인당 효율 10% 향상, 셀프 견적 채택률 30% |
| 그룹 맥락(공개 자료) | AI 투자 예산 향후 2년 연평균 40% 이상 증액(2026.3 실적 발표, 每日经济新闻). 보험 대형 모델 기반에 51개 대형 모델 핵심 역량 통합, 연 1억 8,000만 회 이상 호출, 120개 이상 업무 장면 지원(中国新闻网, 2026.3.29). 영업·보상·리스크 관리에 AI 응용 129개 가동, 내부·현장 인력 16만 명 이상 사용(新华社, 2026.8.17) |
| 자동차보험 관련 공개 자료 | 자동차 제조사와 AI 손해사정(定损) 모델 공동 구축, 공동 데이터 실험실 운영(2026.3 실적 발표 보도). 두 사례 자체를 다룬 공개 자료는 찾지 못함 |
핵심 개념
- 책임계수
- 교통사고에서 피보험 차량 운전자가 지는 책임의 비율. 비율이 낮아지면 보험사가 대신 갚을 몫이 줄어듭니다. 사례집은 0.17~0.21 감소의 계산 방식을 밝히지 않았습니다.
- 장해평가
- 치료 뒤 남은 신체 기능 손실의 등급을 정하는 감정. 등급에 따라 보상액이 크게 달라집니다.
- 黄牛(scalper)
- 부상자 보상 청구를 대신 맡아 치료와 청구를 부풀리고 차익을 가져가는 중개 브로커를 중국 업계에서 부르는 말.
- premediation
- 소송 전에 당사자 사이 합의를 이끄는 사전 조정 절차.
- WeCom
- 텐센트의 기업용 메신저(企业微信). 개인 WeChat 사용자와도 대화할 수 있어 보험 영업 현장에서 많이 씁니다.
- RPA
- Robotic Process Automation. 사람이 하던 화면 입력과 클릭을 소프트웨어 로봇이 대신하는 기술.
- 골드셋
- 정답이 확정된 평가용 사례 묶음. 모델이나 프롬프트를 바꿀 때 성능이 떨어지지 않았는지 재는 기준입니다.
- 섀도 운영
- AI가 실제 업무 데이터로 판단하되 결정에는 쓰지 않고 사람 판단과 비교만 하는 시험 운영.
내 메모
TODO: 내 생각 추가
근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례집의 China Pacific Property Insurance 사례 2건(슬라이드 47·48)과, 확인한 공개 자료 3건입니다. 공개 자료는 그룹 차원의 AI 투자·플랫폼 규모와 자동차보험 손해사정 협력을 다루며 두 사례 자체를 다룬 공개 자료는 찾지 못했습니다. 每日经济新闻(2026.3.28) https://www.nbd.com.cn/articles/2026-03-28/4313197.html , 中国新闻网(2026.3.29) https://www.chinanews.com.cn/cj/2026/03-29/10594723.shtml , 新华网(2026.8.17) https://www.news.cn/tech/20260817/a88c17e352274080b17fe334fb34b010/c.html . 요약, 메커니즘의 사례 설명, 사례 재구성, 원문 사례 표는 이 자료를 AX Review가 다시 정리했습니다. 메커니즘 이름과 작은 예시, 기술·현업 실행 디테일, JSON 예시, 실패 대응 표, 일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했으며 그 안의 숫자는 가상 예시입니다. 수상 여부는 공개 자료로 확인하지 못해 제출·소개된 사례로 적었습니다.