Underwriting Workbench: Ryan Specialty가 재보험 청약 처리를 3분 미만으로 줄이고 결정은 사람에게 남긴 법

Ryan Specialty는 재보험 심사의 앞단인 청약 접수·추출·보강을 AI 작업대(underwriting workbench)로 묶어 1건 처리 시간을 최대 2시간에서 3분 미만으로 줄였습니다. 인수 여부와 가격 같은 결정은 여전히 사람이 합니다. 따라 하려면 결정 지점을 먼저 정의하고, 지점마다 AI 제안과 사람 판단을 따로 기록해야 합니다.

요약

미국 전문보험 중개·인수사 Ryan Specialty가 2026년 10월 29일 3분기 실적 콜을 열었고, The Motley Fool이 이튿날 녹취를 실었습니다. AI 이야기는 Timothy Turner CEO가 주로 했습니다. 재보험 부문 Ryan Re는 데이터 수집(data ingestion), 데이터 보강(enrichment), 가격 산정(pricing), 의사결정 지원(decision support)을 공용 AI 기능으로 만들어 두었습니다. 이 블록을 보험 종목(line)마다 맞춤 작업대로 조립합니다. 첫 작업대는 casualty facultative(배상책임 위험을 건별로 따로 인수하는 임의 재보험) 라인입니다. 여기서 commercial auto liability(상업용 자동차 배상책임) 청약 1건 처리 시간이 최대 2시간에서 3분 미만으로 줄었습니다. 도매 중개 부문 RT Specialty는 LLM 도구로 보험증권 서류를 자동 등록해 지난 분기 수만 건을 처리했습니다. 복리후생 부문 Benefits에서는 AI 기반 RFP 접수로 일부 팀이 주당 약 30% 더 많은 청약을 검토합니다.

회사가 꼽은 효과는 속도만이 아닙니다. 위험 선별이 나아지고, 포트폴리오 분석이 정교해지고, 자본 파트너에게 내는 보고가 탄탄해지며, 심사역 1인당 생산량이 늘어납니다. 운영 방식에는 두 가지 원칙이 있습니다. 하나는 솔루션을 조립 블록으로 보고 작게 시험해 다듬은 뒤 가치가 증명되면 넓히는 순서입니다. 다른 하나는 에이전트형 AI를 위한 전사 거버넌스 체계로, 그 안에서 “human review at every decision point”를 지킵니다. 창업자 Patrick Ryan은 AI를 전문가를 대신하는 존재가 아닌 전문가를 더 낫게 만드는 도구로 규정했습니다. 3분기 매출은 7억 9,000만 달러로 4.7% 늘었고 오가닉 성장률은 4%였습니다. 아래에서 이 구조를 다섯 가지 메커니즘으로 풀고, 라인 하나에서 같은 구조를 시험하는 방법을 붙였습니다.

핵심 메커니즘

Shared AI Capabilities: 종목과 무관하게 다시 쓰는 공용 AI 블록

Ryan Re는 종목마다 AI를 새로 만들지 않습니다. 네 가지 공용 기능을 먼저 만들었습니다. 서류에서 데이터를 읽어 들이는 ingestion, 외부·내부 데이터로 빈칸을 채우는 enrichment, 가격을 계산하는 pricing, 판단 근거를 정리하는 decision support입니다. 새 종목에 작업대를 만들 때는 이 블록을 다시 조립하고 종목별 규칙만 더합니다. 그래서 두 번째, 세 번째 작업대는 첫 번째보다 빨리 나옵니다. 회사도 다른 종목용 작업대를 더 만들고 있다고 밝혔습니다. 종목마다 서류 형식과 심사 기준이 크게 다르면 블록 재사용률이 떨어집니다. 이런 경우에는 ingestion처럼 공통성이 큰 블록만 공유하는 편이 낫습니다.

Underwriting Workbench: 심사역 한 명이 한 화면에서 끝내는 작업대

Workbench는 심사역이 청약 1건을 받아 판단하기까지 필요한 일을 한곳에 모은 도구입니다. 콜에서 Turner는 운영팀이 AI로 청약을 선별(triage)하고, 데이터를 추출하고, loss run(보험사가 발급하는 과거 사고·손해 이력표)을 분석한다고 설명했습니다. 청약 1건을 판단하려면 보통 메일과 첨부 파일을 열어 값을 옮겨 적고 손해 이력을 계산하는 준비가 먼저 필요합니다. 작업대는 이런 준비를 AI가 끝내 둔 상태로 심사역에게 넘깁니다. 심사역은 정리된 값과 참고 가격을 보고 결정에만 시간을 씁니다. 청약 서류가 정형화돼 있고 건수가 많은 종목일수록 효과가 큽니다. 건수가 적고 건마다 협상이 긴 대형 위험에서는 처리 시간보다 분석 품질이 주된 효과가 됩니다.

Human Review at Every Decision Point: AI는 제안하고 사람이 결정한다

Ryan Specialty는 에이전트형 AI용 전사 거버넌스 체계 안에서 모든 결정 지점에 사람 검토를 둔다고 밝혔습니다. 속도를 늦추는 장치처럼 보이지만 이 회사에서는 둘이 함께 갑니다. 결정은 계속 사람이 하는데 처리 시간이 3분 미만으로 줄었다면, 줄어든 몫은 결정 앞의 준비 작업입니다. AI가 준비를 맡고 사람은 결정에 집중하니 사람 검토를 남겨도 전체 시간이 줄어듭니다. 재보험 인수는 자본 파트너의 돈을 거는 판단이라 결정 책임자를 분명히 해야 합니다. 이 구조는 그 요구와도 맞습니다. 결정 지점을 어디로 정의할지는 회사가 밝히지 않았으므로 아래 그림의 네 지점은 가상 예시입니다.

AI Enablement Center: 현업이 직접 만들어 보는 통제된 실험장

AI Enablement Center는 브로커와 심사역이 자기 아이디어를 직접 설계·시험·적용하는 공간입니다. 보안 통제 안에서 회사 데이터와 최신 AI 도구에 접근할 수 있습니다. Turner는 최고의 AI 아이디어가 고객 가까이 있는 현업에서 나온다고 보았고, 모든 사업부에서 AI 교육 수요가 늘고 있다고 전했습니다. 중앙 IT가 과제를 골라 내려보내는 방식과 달리, 문제를 가장 잘 아는 사람이 먼저 만들어 보게 합니다. 대신 데이터 접근과 배포는 센터의 통제를 거칩니다. 적용 범위는 영업 부서를 넘어 인사, 법무, 마케팅, 재무, IT와 사내 소프트웨어 개발까지 넓어졌습니다.

Pilot, Refine, Scale: 조립 블록을 작게 시험하고 증명되면 넓히기

회사는 각 솔루션을 조립 블록으로 다룹니다. 먼저 시험하고 다듬은 뒤 가치가 증명되면 확대합니다. 작업대가 한 종목에서 시작해 다른 종목으로 넓어지는 것도 이 순서입니다. RT Specialty의 보험증권 자동 등록 도구는 채택이 9월까지 빠르게 늘었습니다. 시험 단계에서 쓸모를 확인한 도구가 확산 단계로 넘어간 모습입니다. 이 순서는 공용 블록 구조와 맞물립니다. 블록이 한 곳에서 증명되면 다른 작업대에 그대로 끼울 수 있기 때문입니다.

통념과 다른 주장

저자가 든 사례

Ryan Re: casualty facultative Workbench

• 상황: commercial auto liability 청약 1건을 처리하는 데 최대 2시간이 걸렸습니다.
• 한 일: 공용 AI 블록을 조립한 첫 작업대를 casualty facultative 라인에 출시했습니다.
• 결과: 1건 처리 시간이 3분 미만으로 줄었습니다. 다른 종목용 작업대를 추가로 만들고 있습니다. 연간 절감 시간이나 처리 건수는 원문에서 밝히지 않았습니다.
• 연결: Shared AI Capabilities, Underwriting Workbench.

RT Specialty: 보험증권 서류 자동 등록

• 상황: 도매 중개 부문은 대량의 보험증권 서류를 다룹니다.
• 한 일: LLM 기반 도구로 보험증권 서류를 자동 등록했습니다.
• 결과: 지난 분기 수만 건을 처리했고 채택은 9월까지 빠르게 늘었습니다. 오류율과 절감 시간은 원문에서 밝히지 않았습니다.
• 연결: Pilot, Refine, Scale.

Ryan Specialty Benefits: AI 기반 RFP 접수

• 상황: 복리후생 보험 RFP 접수 건을 검토하는 팀.
• 한 일: RFP 접수에 AI를 붙였습니다.
• 결과: 일부 팀이 주당 약 30% 더 많은 청약을 검토합니다. 적용 팀 수는 원문에서 밝히지 않았습니다.
• 연결: Underwriting Workbench와 같은 접수 자동화 계열.

기술 디테일: 청약 접수 작업대를 직접 만든다면

아래 필드명, 설정값, 기준은 실행 제안이자 가상 예시이며 Ryan Specialty가 밝힌 구현이 아닙니다.

ingestion 블록을 만들려면 청약 1건을 하나의 묶음으로 다룹니다. 메일 본문, 첨부 PDF, 엑셀 차량 명세, loss run을 한 submission_id 아래 모읍니다. LLM에는 자유 서술을 시키지 않고 아래처럼 구조화 출력(JSON 스키마)으로 받습니다. 값마다 근거 위치(source: 파일명과 페이지·셀)를 반드시 채우게 하고, 근거가 없으면 null로 둡니다. temperature는 0으로 고정하고 같은 청약을 2회 추출해 값이 다른 필드만 심사역 확인 목록에 올립니다.

{
  "submission_id": "RE-2026-01482",
  "line": "casualty_fac / commercial_auto",
  "insured_name": {"value": "가상 운송㈜", "source": "app.pdf p1"},
  "power_units": {"value": 85, "source": "schedule.xlsx B2:B86"},
  "operating_radius": {"value": "regional", "source": "app.pdf p2"},
  "requested_limit": {"value": 5000000, "source": "email"},
  "attachment_point": {"value": 1000000, "source": "email"},
  "loss_runs": [{"year": 2025, "claims": 4, "incurred": 182000, "source": "lossrun.pdf p3"}],
  "missing_fields": ["garaging_states"],
  "extraction_runs_agree": false
}

enrichment와 pricing 블록은 추출 값 위에서만 돕니다. 내부 손해 이력, 과거 같은 피보험자 청약, 외부 공공 데이터를 붙이고 각 출처와 조회 날짜를 기록합니다. 가격은 LLM이 숫자를 짓게 하지 않습니다. 회사의 기존 요율 모델에 추출 값을 넣어 계산하고, LLM은 그 결과를 사람이 읽을 근거 요약으로 바꾸는 데만 씁니다. 이렇게 나누면 가격 근거를 감사할 때 모델 출력이 아닌 계산식을 보여 줄 수 있습니다.

Human review at every decision point를 기록하려면 결정 지점마다 로그 한 줄을 남깁니다. 필드는 decision_point(triage, data_confirm, pricing, bind_decline), ai_suggestion, human_decision, override(제안과 달랐는지), reviewer_id, reason, model_version, timestamp입니다. override 비율이 지점별로 쌓이면 어디서 AI를 믿을 수 있고 어디서 못 믿는지가 숫자로 보입니다. 처리 시간은 청약 수신 시각부터 심사역 결정 직전까지로 정의해야 “2시간에서 3분”과 같은 비교가 성립합니다.

막히는 경우	증상	대응
스캔 품질이 낮은 loss run	금액 자릿수 오류	OCR 신뢰도 낮은 페이지는 자동 추출 대신 확인 목록으로
서식이 제각각인 차량 명세	대수 합계 불일치	합계 행과 개별 행 합을 대조, 다르면 플래그
근거 없는 값 생성	source가 빈 값인데 숫자 존재	스키마 검증에서 거부, 재추출
모델 교체 뒤 결과 변화	같은 청약 값이 달라짐	model_version 고정, 교체 전 과거 청약 50건 재실행 비교
사람이 제안을 그대로 승인	override 0%가 몇 주 지속	무작위 표본 재심사로 형식적 승인 여부 점검

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
사업부장(재보험·인수 부문)	첫 종목 선정, pilot 진행 여부 최종 결정
선임 심사역 2~3명	결정 지점 정의, 추출 결과 검수, 판정 기준 작성
AI 엔지니어 1~2명	ingestion·enrichment 블록 구축, 로그 설계
계리·가격 담당	기존 요율 모델 연결, 가격 근거 요약 검토
리스크·컴플라이언스	결정 지점별 사람 검토 규칙 승인, 감사 기록 확인
AX 추진 조직	Enablement Center 운영, 다음 종목으로 블록 재사용 관리

준비물. 첫 종목의 최근 6개월 청약 원본 100~200건, 심사역이 실제로 입력한 값(정답 세트), 청약별 수신·결정 시각, 기존 요율 모델 접근 권한, 데이터 등급과 외부 반출 기준이 필요합니다.

기간	할 일	산출물
1~2주	청약 30건을 스톱워치로 재 기준선 측정, 결정 지점 4개 합의	기준선 표(건당 시간·단계별 시간), 결정 지점 정의서
3~5주	정답 세트 100건으로 추출 정확도 시험, 스키마 수정	필드별 정확도 표, 확인 목록 규칙
6~7주	섀도 운영: 심사역은 기존대로 일하고 작업대 결과를 나란히 비교	건당 시간 비교, override 비율
8주	판정 회의, 다음 종목 후보 선정	진행·보완·중단 결정서

현업에 물을 것.

1. 청약 1건에서 결정 전 준비 작업에 드는 시간은 몇 분이고, 어느 단계가 가장 긴가요?
2. 지금 심사역이 손으로 옮겨 적는 값은 몇 개이고, 어느 서류에서 나오나요?
3. 결정 지점은 몇 개이며 지점마다 누가 최종 책임을 지나요?
4. 자본 파트너나 출재사에 보고할 때 근거로 반드시 남겨야 하는 값은 무엇인가요?
5. 이 종목의 공용 블록 가운데 다른 종목에서 그대로 쓸 수 있는 것은 무엇인가요?

진행 판정 기준(예시). 핵심 필드 10개의 추출 정확도가 95% 이상이고, 섀도 운영에서 결정 전 준비 시간이 기준선 대비 70% 이상 줄면 실제 운영으로 넘어갑니다. 정확도가 90~95%면 확인 목록 규칙을 보강해 2주 더 봅니다. 90% 미만이면 서류 유형별로 실패 원인을 나눠 다시 설계합니다. 어떤 경우에도 결정 지점 로그가 빠짐없이 남지 않으면 확대하지 않습니다.

AX 적용 제언. 보험, 여신 심사, 구매 견적처럼 서류를 받아 사람이 판단하는 업무라면 출발점은 같습니다. 먼저 처리 시간을 준비와 결정으로 나눠 재 봅니다. 준비가 대부분이면 AI는 준비를 맡기고 결정은 사람에게 남기는 설계로 사람 검토 규칙과 속도를 함께 얻을 수 있습니다. 처음부터 전사 플랫폼을 만들기보다 종목 하나에서 ingestion 블록을 증명하고, 그 블록을 두 번째 업무에 다시 쓰는 시점을 투자 판단의 기준으로 삼습니다. 현업 심사역이 직접 개선안을 시험할 통제된 공간을 함께 열어 두면 다음 과제 후보가 현업에서 올라옵니다.

원문 사례

항목	내용
원문	The Motley Fool 게재 Ryan Specialty 2026년 3분기 실적 콜 녹취(2026.10.30 게재, 콜은 10.29)
발언자	Patrick Ryan(창업자·회장), Timothy Turner(CEO), Janice Hamilton(CFO), Miles Wuller(Underwriting Managers CEO)
Ryan Re	공용 AI 기능(ingestion·enrichment·pricing·decision support)을 종목별 Workbench로 조립, 첫 작업대 casualty facultative, commercial auto liability 청약 처리 최대 2시간 → 3분 미만
Workbench 효과(회사 측)	위험 선별 개선, 포트폴리오 분석 정교화, 자본 파트너 보고 강화, 심사역 1인당 생산량 증가
RT Specialty	LLM 기반 보험증권 서류 자동 등록, 지난 분기 수만 건, 9월까지 채택 가속
Benefits	AI 기반 RFP 접수, 일부 팀 주당 검토 약 30% 증가
운영 원칙	조립 블록 방식, pilot → refine → scale, 에이전트형 AI용 전사 거버넌스, 모든 결정 지점에 사람 검토
AI Enablement Center	현업이 통제된 환경에서 직접 설계·시험·적용, 모든 사업부에서 교육 수요 증가
전사 확산	인사, 법무, 마케팅, 재무, IT, 사내 소프트웨어 개발
AI 경제 대상 상품	Tera Underwriters(8월 출범, GPU 등 컴퓨팅 하드웨어 최대 6억 2,500만 달러 인수 여력), Trident와 함께 GPU 운송 한도 건당 1,000만 → 1억 달러
애널리스트 질의	Meyer Shields(KBW, AI 관련 인수 여력), Joshua Shanker(BofA, 중개 단계 생략), Mike Zaremski(BMO, 성장과 AI)
3분기 실적	매출 7억 9,000만 달러(+4.7%), 오가닉 4%(전년 동기 15% 대비), 조정 EBITDAC 2억 4,400만 달러(+3.8%), 마진 30.9%(전년 31.2%), 조정 EPS 0.51달러(+8.5%), 연간 조정 EBITDAC 마진 약 50bp 하락 전망

핵심 개념

facultative reinsurance

여러 계약을 묶어 자동으로 넘기는 특약 재보험과 달리, 위험 한 건마다 따로 심사해 인수하는 임의 재보험입니다.

submission

인수 심사를 받으려고 보내는 청약 서류 묶음입니다. 신청서, 명세, 손해 이력이 함께 옵니다.

loss run

피보험자의 과거 사고 건수와 지급·적립 손해액을 연도별로 정리한 이력표입니다.

MGU

Managing General Underwriter. 보험사에게서 인수 권한을 위임받아 특정 분야의 계약을 대신 심사·인수하는 조직입니다.

disintermediation

중간 단계 사업자를 건너뛰고 공급자와 고객이 직접 거래하게 되는 현상입니다.

EBITDAC

보험중개사가 쓰는 EBITDA 계열 수익성 지표로, 인수 대가 중 조건부 지급분(contingent consideration)의 변동까지 빼고 계산합니다.

내 메모

TODO: 내 생각 추가

원문은 The Motley Fool에 실린 「Ryan Specialty (RYAN) Q3 2026 Earnings Call Transcript」(2026.10.30 게재, 실적 콜은 2026.10.29)입니다. 요약, 핵심 메커니즘의 회사 측 설명, 통념과 다른 주장, 사례, 원문 사례 표는 실적 콜 발언을 AX Review가 다시 정리했습니다. Workbench 효과와 처리 시간은 회사 측 발표입니다. facultative reinsurance, loss run, MGU의 뜻풀이는 업계의 일반적 정의로 보탰습니다. 결정 지점 구분, 기술·현업 실행 디테일, JSON 예시, 막히는 경우 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 발언 전문은 원문 페이지에서 볼 수 있습니다.