Ping An Agentic Omni-Perception·C2B Multi-Agent: 핑안보험이 암 인수심사, 보험금 사기 판정, 맞춤 보험 설계를 AI로 바꾼 세 사례

핑안보험은 가입 심사, 보험금 지급, 상품 설계라는 세 접점에 서로 다른 모양의 AI를 넣었습니다. 암 재발 보험은 의료 기록을 가격 요인으로 바꾸는 멀티모달 추출로, 보험금은 전문 에이전트 셋의 판단을 하나의 위험 점수로 합치는 구조로, 맞춤 보험은 고객 지식 그래프 위의 멀티 에이전트로 풀었습니다. 옮기려면 사람이 보던 근거를 필드로 고정하고 자동 처리와 사람 검토를 가르는 점수 구간부터 정해야 합니다.

요약

중국 선전에 본사를 둔 핑안보험(Ping An Insurance (Group), 中国平安)은 2026 Gartner Eye on Innovation Awards 보험 부문에 사례 세 건을 제출했고 이 노트는 그 세 건을 다룹니다. 첫째는 암 생존자를 위한 재발 위험 보험의 인수심사(underwriting, 가입 여부와 보험료를 정하는 심사)입니다. 둘째는 손해보험 자회사 Ping An P&C가 만든 보험금·사기 자동화 시스템 Agentic Omni-Perception입니다. 셋째는 고객 의도를 읽어 작은 단위 보험을 짜 주는 C2B Multi-Agent Network입니다. 수상 여부는 공개 자료로 확인하지 못했고 성과 수치는 모두 회사가 보고한 값입니다.

회사 보고에 따르면 암 재발 보험의 심사는 3~5영업일에서 2시간으로 줄었습니다. 보험금 쪽은 청구의 95%를 에이전트가 자율 처리하고 연 15억 달러의 사기 손실을 막았다고 밝혔습니다. 맞춤 보험은 상품 구성 시간이 3일에서 1.5시간으로 줄었고 의도 분석으로 25억4,000만 달러의 보험료를 거뒀다고 했습니다. 세 사례에는 같은 설계가 반복됩니다. 사람이 눈으로 읽던 비정형 입력을 먼저 구조화하고 판단을 여러 모델이나 에이전트에 나눠 맡긴 뒤 점수나 흐름으로 다시 합칩니다. 각 단계의 근거는 기록으로 남깁니다. 아래에서는 이 설계를 사례별 메커니즘으로 풀고 한국 제조 대기업이 자기 과제로 옮기는 방법을 붙였습니다.

핵심 메커니즘

Multimodal risk features: 의료 기록을 가격 요인으로 바꾸기

암 재발 위험 심사의 출발점은 서류를 읽는 일입니다. 병리 보고서는 텍스트이고 영상 판독은 이미지와 소견이며 종양 표지자 같은 검사 수치는 시간에 따라 바뀌는 시계열입니다. 유전체 검사 결과는 또 다른 형식입니다. 사례집에 따르면 핑안은 이 네 가지를 하나로 모아 깊은 위험 특성을 뽑았습니다. 입력은 고객이 올린 의료 기록이고 처리는 문서 종류를 가른 뒤 암종·병기·치료 이력·분자 표지 같은 필드를 채우는 일이며 출력은 가격 모델이 바로 받을 수 있는 위험 특성 표입니다. 위험 차이가 큰 고객군에서 효과가 큽니다. 같은 암이라도 병기와 치료 경과에 따라 재발 위험이 크게 갈리기 때문입니다. 반대로 서류가 정형화돼 있고 위험이 고른 상품이라면 기존 규칙 심사로도 충분합니다. 가상 예시로, 유방암 2기 치료 종료 후 3년이 지난 고객의 서류 다섯 장에서 ‘병기 IIA, 호르몬 수용체 양성, 치료 종료 36개월’이라는 세 필드가 근거 페이지와 함께 뽑히는 장면을 떠올리면 됩니다.

Actuarial model + LLM: 계리 틀 위에서 세부 가격을 조정하기

뽑은 특성은 바로 보험료가 되지 않습니다. 사례집은 계리모델(보험료와 손해율을 통계로 계산하는 모델)과 LLM 예측을 함께 써서 암종·병기·치료별로 실시간 가격을 조정했다고 적었습니다. 계리모델이 요율의 큰 틀과 지급 여력을 지키고 LLM은 비정형 근거를 해석해 세분화된 조정을 더하는 분업으로 읽힙니다. 여기에 데이터 기반 부정 탐지와 지속적인 가격 최적화를 붙여 모델이 흔들리지 않게 하고 손해율을 낮추려 했습니다. 사례집은 이 전환을 ‘single-modal rules’에서 ‘multimodal intelligence’로 옮겨 간 것이라고 불렀습니다. 규제와 지급 여력이 걸린 가격 결정에서는 LLM이 요율을 직접 정하지 않는 편이 안전합니다. 이 구조가 쓸모 있는 이유입니다.

Agentic Omni-Perception: 전문 에이전트 셋의 판단을 하나의 위험 점수로

Ping An P&C의 보험금 시스템은 세 전문 에이전트를 하나의 위험 점수 체계 안에서 조율합니다. Multimodal Agent는 사진과 서류에서 위조 증거를 찾습니다. Telematics Agent는 차량과 IoT 기기의 신호를 사고 경위 서술(collision narrative)로 바꿔 청구인이 쓴 경위와 맞는지 볼 수 있게 합니다. Reasoning Agent는 2만7,000개가 넘는 상품의 약관에 chain of thought(단계별 추론)를 적용해 보장 여부를 따집니다. 세 판단은 통합 위험 점수로 모이고 점수에 따라 자동 지급과 사람 검토가 갈립니다. 판단 종류가 다른 일을 한 모델에 몰지 않고 잘하는 일만 맡긴 뒤 점수로 합치는 방식입니다. 청구 건수가 많고 증거 형식이 여러 가지일 때 맞고 건수가 적고 건마다 협상이 필요한 대형 손해에는 맞지 않습니다.

Collaboration network와 catastrophe predrill: 한 회사 데이터 밖의 위험 보기

조직 사기(syndicate)는 청구 한 건만 봐서는 드러나지 않습니다. 같은 정비소, 같은 계좌, 같은 전화번호로 이어진 묶음을 봐야 합니다. 사례집에 따르면 Ping An P&C는 10억 노드 규모의 업계 협업망에서 조직 1,000개를 찾아냈고 이름을 밝힌 기술 파트너로 China BIIT(중국 은행보험정보기술관리공사)를 들었습니다. IoT 신호와 생체 인증은 현장에 실제로 무엇이 있었고 청구인이 본인인지를 확인합니다. 재난에는 AI로 미리 훈련(predrill)하고 실시간으로 상황을 인지해 청구가 몰리기 전에 대응을 준비합니다. 한 경영진은 이를 두고 재난 대응을 “a passive reaction to a proactive, agent-driven defense”로 바꿨다고 표현했습니다.

C2B Multi-Agent Network: 고객 지식 그래프 위에서 맞춤 보험 짜기

세 번째 사례의 문제는 판매 쪽입니다. 고객은 앱, 상담 전화, 설계사에게 같은 정보를 되풀이해 말해야 했고 정해진 스크립트와 챗봇은 고객의 감정이나 드러나지 않은 위험을 읽지 못했습니다. 핑안은 채널마다 흩어진 데이터를 실시간 지식 그래프로 모았습니다. 고객, 가족, 자산, 보유 계약, 위험 사건이 노드로 연결되는 구조입니다. 그 위에서 여러 에이전트가 감정을 읽고 잠재 위험을 예측하고 구매 의도를 해석합니다. 마지막 에이전트는 그 결과로 보장 범위가 좁고 기간이 짧은 micro-policy(작은 단위 맞춤 보험)를 만듭니다. 사례집은 이 망이 고객 행동과 위험 패턴이 바뀌면 사람 손 없이 따라 바뀐다고 적었습니다. 가상 예시로, 상담 중 ‘다음 달 아이와 해외여행’이라는 말이 나오면 그래프에 여행 사건이 생기고 여행 기간만 보장하는 상해·의료 보험이 제안되는 식입니다.

Traceable agentic workflow: 자동화 비율과 준수 기록을 함께 늘리기

맞춤 보험 사례는 업무 흐름의 83%를 에이전트가 자율 실행하면서도 준수율 100%를 보고했습니다. 사례집이 든 근거는 추적 가능한 에이전트 워크플로입니다. 단계마다 어떤 에이전트가 무엇을 받아 무엇을 냈고 어떤 판매 규칙에 비춰 봤으며 누가 승인했는지를 남기면 사람 검토가 빠진 구간이 생기지 않는다는 논리입니다. 다만 100%는 회사 보고치이고 평가 기준과 검증 범위는 사례집에 따로 나와 있지 않습니다. 금융 상품 판매처럼 설명 의무와 적합성 판단이 법으로 정해진 업무에서 자동화를 늘리려면 이런 기록이 먼저 있어야 합니다.

통념과 다른 주장

사례 재구성

암 재발 위험 인수심사 (AI Cancer Recurrence Risk Assessment)

항목	내용
상황	암 재발 보험은 고객마다 위험 차이가 극단적으로 큼. 병리·병기·분자·치료 서류를 사람이 읽느라 느리고 부정확했고 기존 가격 모델은 여러 형식의 입력을 처리하지 못해 거절률이 높고 고객 경험이 나빴음
한 일	텍스트·영상·시계열·유전체 데이터를 통합해 위험 특성 추출. 계리모델과 LLM 예측으로 암종·병기·치료별 실시간 가격 조정. 부정 탐지와 지속 가격 최적화
결과	가격 요인 식별·심사 판단 정확도 90% 초과. 심사 3~5영업일에서 2시간, 운영 효율 96% 향상. 고객 유지율 90% 초과(모두 기업 보고)
연결	Multimodal risk features, Actuarial model + LLM

보험금·사기 자동화 (AI-Driven Claims and Risk Automation)

항목	내용
상황	Ping An P&C에 사기, AI 딥페이크, 조직 사기, 재난 때 청구 급증이 겹침. 수백만 건을 즉시 판단해야 했지만 수동 검증으로는 감당하지 못함
한 일	Agentic Omni-Perception 구축. Multimodal·Telematics·Reasoning 에이전트를 통합 위험 점수로 조율. IoT·생체 인증 결합, 재난 사전 훈련과 실시간 인지. China BIIT 참여
결과	연 사기 손실 15억 달러 방지(그중 에이전트 단독 식별 1억6,200만 달러). 10억 노드 협업망에서 조직 1,000개 식별. 청구 95% 자율 처리, 결정 시간 70% 감소. 의료·건강 청구 자동화 70%, 자동차 55%, 최단 51초 무인 지급. Intelligent Catastrophe System으로 고객 연 5억8,300만 달러 절감(모두 기업 보고)
연결	Agentic Omni-Perception, Collaboration network와 catastrophe predrill

95%와 70%·55%는 집계 범위가 서로 다를 수 있으나 사례집에 설명이 없습니다. 15억 달러와 1억6,200만 달러는 성격이 다른 값이므로 더하지 않습니다.

고객 의도 기반 맞춤 보험 (Customer-Centric On-Demand Protection)

항목	내용
상황	보험 구매가 채널마다 끊겨 있어 맞춤화가 어려움. 고객은 같은 정보를 반복 제공했고 일반 스크립트와 봇은 감정과 숨은 위험을 읽지 못해 신뢰·교차판매·적시 보장이 막힘
한 일	C2B Multi-Agent Network 배치. 채널 데이터를 실시간 지식 그래프로 통합, 감정·잠재 위험·의도 해석, micro-policy 동적 생성, 행동·위험 변화에 자율 적응
결과	구성 시간 3일에서 1.5시간. 업무 83% 자율 실행. 추적 가능한 워크플로로 준수 100%(평가 기준 미제시). 활성 사용자 유지율 52.6%. 의도 분석으로 보험료 25억4,000만 달러, AI 마케팅으로 구조적 비용 3,630만 달러 절감(모두 기업 보고)
연결	C2B Multi-Agent Network, Traceable agentic workflow

공개 자료로 본 같은 흐름

회사 공개 자료에도 같은 방향의 수치가 나옵니다. 2025년 연간 실적 발표(2026년 3월)에 따르면 Ping An P&C는 스마트 사기 탐지로 2025년 보험금 105억1,000만 위안을 절감했고 3년 연속 100억 위안을 넘었습니다. 그룹 기술 소개 페이지는 인신 상해(personal injury) 청구의 70%를 자동 정산하고 최단 51초에 끝냈다고 적었습니다. 사례집의 15억 달러, 의료·건강 70%와 단위·범위가 같은지는 자료에 나와 있지 않으므로 같은 값으로 보지 않습니다. 같은 실적 발표는 자연재해 경보 약 42만 건을 고객 약 1억3,000만 명에게 보내 손실을 7억700만 위안 넘게 줄였다고 밝혔습니다. 다만 AI 사용 여부는 적혀 있지 않습니다. 건강보험 자회사 평안건강보험은 2026년 10월 ‘AI 보험금 전문가’를 내놓으며 서류가 갖춰진 건의 자동 종결 정확도를 99.7%로 밝혔습니다(과학기술일보 보도).

기술 디테일: 실제로 돌리려면

아래는 사례집에 없는 내용입니다. 같은 구조를 실제로 돌릴 때 필요한 설계를 새로 작성했고 필드명·설정값·경계값은 모두 가상 예시입니다. 모델은 역할별로 나눕니다. 서류·사진을 읽는 추출과 약관 추론에는 이미지 입력을 받는 범용 LLM을 구조화 출력(JSON 스키마 지정)으로 쓰고 위조 탐지에는 이미지 포렌식 전용 모델을 따로 둡니다. 최종 점수와 가격은 설명이 쉬운 통계 모델(로지스틱 회귀, 계리모델)이 냅니다.

멀티모달 위험 특성 추출을 돌리려면 (Multimodal risk features, 암 인수심사 사례) 먼저 문서를 종류별로 가르고 종류마다 다른 추출 프롬프트를 씁니다. 병리 보고서와 영상 소견은 OCR 뒤 LLM 구조화 출력으로, 검사 수치는 표 파서로, 유전체 결과는 검사 기관 양식별 파서로 받는 편이 오류가 적습니다. 호출 단위는 문서 한 건이고 한 건에서 뽑는 필드는 20개 안팎으로 묶습니다. 문서 하나에 필드를 너무 많이 몰면 빠뜨리는 값이 늘어납니다. 출력은 아래처럼 고정합니다. 모든 값에는 근거 문서와 페이지를 붙이고 근거를 못 찾은 값은 추정하지 말고 null로 둡니다.

{
  "case_id": "UW-2026-000123",
  "cancer_type": "breast",
  "icd10": "C50.9",
  "stage_tnm": "IIA",
  "diagnosis_date": "2023-04-11",
  "treatments": [{"type": "surgery", "end": "2023-06-02"}, {"type": "chemo", "end": "2023-10-20"}],
  "biomarkers": [{"name": "HER2", "result": "negative"}, {"name": "ER", "result": "positive"}],
  "months_since_treatment_end": 36,
  "recurrence_flag": false,
  "evidence": [{"field": "stage_tnm", "doc_id": "D-03", "page": 2}],
  "needs_review": false
}

추출은 temperature 0으로 같은 문서에 3회 돌리고 필드별로 값을 비교합니다. 3회가 모두 같으면 쓰고 하나라도 다르면 needs_review를 true로 바꿔 심사자에게 넘깁니다. 병기처럼 가격에 크게 영향을 주는 필드는 다른 계열 모델로 한 번 더 뽑아 교차 확인합니다.

계리 틀과 LLM 조정을 묶으려면 (Actuarial model + LLM) LLM이 보험료를 직접 내지 않게 합니다. LLM의 출력은 계리모델에 들어갈 특성값과, 정해진 목록 안의 조정 요인 후보(예: ‘치료 종료 후 경과 기간 긴 편’, ‘고위험 분자 표지’)뿐입니다. 요인마다 계리팀이 미리 정한 조정 폭이 있고 한 건에 붙는 조정 합계에는 상한을 둡니다. 판정은 승인, 조건부 승인, 사람 검토 세 가지로 냅니다. 상한에 걸리거나 근거가 비면 사람 검토로 보냅니다. 사례집이 말한 지속 가격 최적화는 매달 실제 청구와 예측 위험을 비교해 조정 폭을 다시 맞추는 일로 구현합니다.

세 에이전트의 판단을 합치려면 (Agentic Omni-Perception, 보험금 사례) 에이전트 출력 형식을 하나로 맞춥니다. 필드는 agent, claim_id, risk_score(0~1), signals(근거 신호 목록), evidence(파일·위치), confidence입니다. 통합 점수는 처음에는 가중 평균(가상 예시: Multimodal 0.4, Telematics 0.3, Reasoning 0.3)으로 시작합니다. 그다음 과거 판정 건으로 로지스틱 회귀를 학습해 가중치를 바꿉니다. 에이전트 둘 이상이 서로 반대 판단을 내면 점수와 관계없이 사람 검토로 보냅니다. 51초 같은 무인 지급은 소액이고 세 에이전트가 모두 저위험이며 근거가 다 갖춰진 건에만 엽니다.

조직 사기 망을 보려면 (Collaboration network) 청구 한 건이 아니라 그래프에서 묶음을 봅니다. 노드는 청구인, 차량, 기기, 정비소, 병원, 계좌, 전화번호이고 엣지는 ‘같은 계좌로 지급’, ‘같은 장소·시간대 사고’ 같은 관계입니다. 커뮤니티 탐지 알고리즘으로 묶음을 찾고 묶음 단위 점수가 높으면 관련 청구를 함께 보류하고 조사팀에 넘깁니다. 핑안은 업계 단위 망을 썼지만 묶음 탐지는 회사 하나의 데이터로 먼저 시작해도 됩니다.

고객 지식 그래프와 micro-policy 구성을 돌리려면 (C2B Multi-Agent Network, Traceable agentic workflow) 그래프 노드를 고객, 가족, 자산, 보유 계약, 생활 사건(여행·출산·이사)으로 정하고 상담 기록에서 사건을 뽑을 때마다 노드를 갱신합니다. 상품 구성 에이전트의 출력은 coverage_items, term_days, premium, rationale, compliance_checks로 고정합니다. 감사 로그는 단계마다 step_id, agent, input_hash, output, rule_refs, approver를 남깁니다. rule_refs가 빈 단계는 판매 단계로 넘어가지 못하게 막으면 준수율을 기록으로 증명할 수 있습니다.

실패하는 경우와 대응 위조 탐지 모델은 화질이 낮은 정상 사진을 위조로 오판하기 쉽습니다. 오판으로 보류된 건의 비율을 주마다 보고 일정 비율을 넘으면 경계값을 조정합니다. 재난 때는 청구가 평소의 몇 배로 몰리고 사진 품질도 떨어집니다. 재난 모드에서는 자동 지급 상한을 낮추고 사람 검토 큐를 미리 늘립니다. 가격 모델은 신약이나 새 치료법이 나오면 과거 데이터와 맞지 않게 됩니다. 치료 코드 목록에 없는 값이 나오면 자동 가격을 멈추고 사람 검토로 돌립니다.

현업 실행 디테일: 누가, 언제, 무엇을

한국 제조 대기업에는 보험 업무가 없지만 핑안 사례와 구조가 같은 일은 많습니다. 서류와 사진을 읽고 판단하는 심사, 건수가 많고 부정이 섞이는 청구, 고객마다 다른 계약 구성입니다. 아래 대응은 모두 가상 예시입니다.

가장 먼저 옮기기 좋은 과제는 보증(warranty) 클레임 심사입니다. 딜러나 서비스센터가 올린 수리 청구에는 사진, 부품 번호, 고장 서술이 붙고 차량이나 가전에서는 고장 코드와 사용 이력 데이터가 나옵니다. Multimodal Agent는 사진 재사용과 조작을 보고 Telematics Agent에 해당하는 신호 에이전트는 고장 코드와 서술이 맞는지 보고 Reasoning Agent는 보증 규정과 기간을 따집니다. 핑안의 구조가 거의 그대로 들어맞습니다.

역할	담당(가상 예시)	하는 일
스폰서	CS·품질 본부장	범위와 판정 기준 승인, 8주차 진행 결정
프로세스 오너	보증 심사 팀장	현행 판정 규칙 정리, 라벨 검수
심사 담당	숙련 심사자 2~3명	과거 건 300건 판정 근거 라벨링, 섀도 운영 비교
데이터 엔지니어	1명	클레임·사진·고장 코드 데이터 연결
AI 엔지니어	1~2명	근거 필드 추출, 에이전트 3종, 통합 점수
준법·법무	1명	자동 판정 범위, 딜러 통지 문구, 개인정보 검토

준비물은 최근 6~12개월 클레임 원장과 최종 판정 결과, 첨부 사진, 보증 규정 문서, 고장 코드 사전입니다. 판정 결과가 남아 있지 않은 건은 라벨로 쓸 수 없으니 1~2주차에 심사자가 300건을 다시 판정하며 근거를 적습니다.

시작 전 심사자에게 물을 질문은 다섯 가지입니다. 거절할 때 가장 자주 보는 근거 세 가지는 무엇인가. 사진만 보고 판단이 끝나는 건은 어느 정도인가. 딜러별로 의심하는 패턴이 따로 있는가. 판정이 뒤집혀 재심사된 건은 왜 뒤집혔는가. 한 건을 볼 때 열어 보는 시스템은 몇 개인가. 답을 근거 필드 목록과 점수 구간 설계에 바로 반영합니다. 2주마다 나오는 산출물은 판정 기준서와 라벨 300건(2주차), 필드 추출 정확도 보고(4주차), 에이전트별 판정 비교표(5주차), 섀도 운영 결과와 경계값 조정안(7주차), 진행 판정 보고(8주차)입니다.

맞춤 보험 사례는 B2B 서비스 계약으로 옮깁니다. 설비 고객의 가동 이력, 문의 기록, 보유 계약을 지식 그래프로 묶고 고객 설비 상태에 맞는 유지보수 범위와 기간을 제안하는 구조입니다. 암 인수심사 사례는 협력사 신규 등록 심사에 맞습니다. 재무제표, 품질 인증서, 감사 보고서에서 위험 특성을 뽑고 기존 평가 모델이 틀을 지키는 가운데 LLM이 비정형 근거를 해석하는 분업을 그대로 쓸 수 있습니다.

적용 순서는 보증 클레임 심사, 협력사 등록 심사, B2B 서비스 계약 순이 무난합니다. 보증 클레임은 과거 판정이라는 정답 데이터가 이미 있고 비용 절감이 숫자로 바로 보입니다. 협력사 심사는 구매 부서의 서류 처리 시간을 줄이지만 판정 기준을 먼저 합의해야 합니다. 서비스 계약은 매출과 연결되는 대신 고객 데이터 통합이 선행돼야 하므로 마지막에 둡니다. 세 과제 모두 처음에는 사람 판정과 나란히 돌리는 섀도 운영으로 시작하고 자동 처리 범위는 소액·저위험 건부터 넓힙니다. 핑안이 무인 지급을 근거가 갖춰진 건에 한정한 것과 같은 원리입니다.

원문 사례

구분	사례·자료	사실
사례집	암 재발 위험 인수심사	텍스트·영상·시계열·유전체 통합, 계리모델 + LLM 가격 조정. 정확도 90% 초과, 3~5영업일 → 2시간(효율 96% 향상), 유지율 90% 초과. 기술: AI Agents, Health Informatics, Reasoning Models, GenAI, LLMs
사례집	AI-Driven Claims and Risk Automation	Ping An P&C, Agentic Omni-Perception, 전문 에이전트 3종, 상품 2만7,000개 이상. 사기 손실 15억 달러 방지(에이전트 단독 1억6,200만 달러), 조직 1,000개, 청구 95% 자율 처리, 결정 시간 70% 감소, 의료·건강 70%·자동차 55%, 최단 51초, 재난 고객 절감 연 5억8,300만 달러. 파트너: China BIIT
사례집	Customer-Centric On-Demand Protection	C2B Multi-Agent Network, 실시간 지식 그래프. 구성 3일 → 1.5시간, 83% 자율 실행, 준수 100%, 활성 사용자 유지 52.6%, 보험료 25억4,000만 달러, 비용 3,630만 달러 절감. 기술: AI Agents, Digital Experience
공개 자료	2025년 연간 실적 발표(2026.3.26)	스마트 사기 탐지로 보험금 105억1,000만 위안 절감(3년 연속 100억 위안 초과). AI 에이전트 지원 판매 1,331억7,900만 위안. 직원 23만 명 이상이 사내 에이전트 플랫폼 사용, 에이전트 앱 7만 개 이상. 재해 경보로 손실 7억700만 위안 이상 감소(AI 사용 여부 미기재)
공개 자료	그룹 기술 소개 페이지	인신 상해 청구 70% 자동 정산, 최단 51초. 비자동차 보험 약 100만 건 AI 전 과정 자동 정산. 생명보험 계약 94% 초 단위 심사
공개 자료	WAIC 2026 발표(2026.7.21)	암 등 중대 질환자를 위한 질병 특화 AI 상품 포트폴리오(질병 예측, 질병 특화 보험, AI 질병 관리) 공개. Ping An P&C 핵심 업무 AI 적용 100%
공개 자료	과학기술일보(2026.10.22)	평안건강보험 ‘AI 보험금 전문가’·‘AI 전문 질환 관리’ 에이전트 발표. 시범에서 최단 3초 종결, 서류 완비 건 자동 종결 정확도 99.7%

핵심 개념

Gartner Eye on Innovation Awards

Gartner가 산업별로 기업의 디지털·AI 혁신 사례를 받아 지역별 최종 후보와 수상작을 고르는 상

Ping An P&C

핑안보험그룹의 손해보험 자회사(平安产险). 자동차·재산·상해 보험과 보험금 처리를 맡음

인수심사(underwriting)

보험 가입을 받을지, 어떤 조건과 보험료로 받을지 정하는 심사

계리모델

과거 사고·사망·질병 통계로 보험료와 예상 지급액을 계산하는 통계 모델

손해율

거둔 보험료 대비 지급한 보험금의 비율. 가격 모델이 맞는지 보는 기본 지표

telematics

차량이나 기기에서 위치·속도·충격 같은 데이터를 원격으로 모으는 기술

syndicate

여러 사람이 짜고 반복적으로 보험금을 타 내는 조직 사기

China BIIT

중국 은행보험정보기술관리공사. 업계 공용 정보 인프라를 운영하는 기관으로 사례집에 기술 파트너로 기재됨

micro-policy

보장 범위가 좁고 기간이 짧은, 특정 상황에 맞춘 작은 단위 보험

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(슬라이드 49~51, 핑안보험 3개 사례)와 확인한 공개 자료입니다. 세 사례는 2026 Gartner Eye on Innovation Awards에 제출·소개된 사례이며 수상 여부는 공개 자료로 확인하지 못했습니다. 사례집 수치는 모두 기업 보고치이고 제3자가 검증한 값이 아닙니다. 확인한 공개 자료: 핑안그룹 기술 소개 페이지(https://group.pingan.com/about_us/our_businesses/technology.html), 2025년 연간 실적 발표(https://www.aap.com.au/aapreleases/cision20260326ae20093), WAIC 2026 발표(https://group.pingan.com/media/news/2026/pingan-unveils-innovative-ai-solutions-in-healthcare-insurance-and-payments-at-waic-2026.html), 과학기술일보 보도(https://www.stdaily.com/web/gdxw/2026-10/22/content_601133.html). 요약·메커니즘·통념과 다른 주장·사례 재구성·원문 사례 표는 이 자료들을 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 표, 인포그래픽은 실제로 돌릴 때 필요한 것을 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다.