Insurance Claims Are AI's Messiest Data Problem — Denys Linkov, Wisedocs

한 줄 핵심

보험 청구는 문서가 불규칙하고 중복·누락·오류가 많은 대표적인 AI 난제이며, 실제 효용은 대규모 문서 정리·문서 내 추출·청구 간 패턴 분석을 거쳐 인간 검증이 결합될 때 나온다.

시간별 요약

1. 0:00
   도입 의료 보험 청구 데이터를 기업 전반의 AI 프로그램에 연결할 수 있는 이유를 설명하며, 논의의 초점을 보험사의 매출이 아니라 환자 경험과 청구 결과 개선에 둔다. 복잡한 의료 청구 처리 현장에서 AI 전환이 왜 필요한지 문제의식을 먼저 제시한다.
2. 1:43
   보험의 기술 전환 보험과 의료 산업은 아직도 종이, 팩스, 제각각인 양식에 크게 의존하고 있어 디지털 전환이 끝나지 않은 상태다. AI를 도입하려면 먼저 클라우드, 데이터 레이크, 거버넌스, 보안, 데이터 품질 같은 기초 체계를 갖춰야 하며, 그렇지 않으면 복잡한 질의와 분석을 안정적으로 수행할 수 없다.
3. 9:34
   청구가 실제로 처리되는 방식 복잡한 청구는 진단, 전문의 소견, 보장 범위 확인, 이용 심사, 치료, 청구, 지급, 추가 치료로 이어지는 여러 단계를 거치며 몇 주에서 몇 년까지 걸릴 수 있다. 여기에 소송, 조정자 인력의 이직과 은퇴, 반복 입력, 사기 청구까지 겹치면서 청구 지연과 비용 증가가 구조적으로 발생한다.
4. 15:50
   1단계: 깨끗한 데이터 청구 데이터의 첫 번째 문제는 중복 기록, 다른 환자와의 혼입, 스캔 품질 저하, 필기 해독 불가, 복사·붙여넣기 오류처럼 데이터 자체가 지저분하다는 점이다. EMR도 병원마다 구조가 달라 일관성이 낮으므로, 중복 탐지와 정합성 검증이 없으면 같은 나쁜 데이터가 계속 유입되고 오판정까지 이어진다.
5. 20:28
   문서 내부 분석 청구 문서는 8 GB PDF처럼 매우 크고 이미지, X-ray, 초음파, 메모가 섞여 있어 단순한 프롬프트 입력만으로 처리하기 어렵다. 문서 안의 누락, 상충 진단, 반복 요청, IME 검토 같은 이슈를 찾아내려면 조직 차원의 경고 체계와 조정자 보조 도구가 필요하다.
6. 23:37
   의료 기록에서의 모델 벤치마킹 의료 청구 질문을 여러 난이도로 나눈 MLCR 벤치마크로 정확도, 간결성, 완전성을 평가하며, 모델 성능이 빠르게 개선되더라도 인간 검증과 보정된 심사 체계가 필수임을 보여준다. GPT 계열은 정확도가 강점이고 Anthropic 계열은 더 완전한 답변에 강점이 있는 식으로 모델별 트레이드오프도 드러난다.
7. 28:19
   청구 간 인사이트 개별 청구에서 정보를 추출할 수 있어야 포트폴리오 전체에서 지리별 치료 패턴, 의료진 네트워크, 동반 질환, 비용 상승률, 과금 이상 징후 같은 상위 수준의 인사이트를 만들 수 있다. 이런 분석은 네트워크 설계, 언더라이팅, 사기 탐지, 비용 절감, 환자 회복 속도 개선에 직접 연결된다.
8. 34:30
   처리 스택 실제 처리 스택은 OCR과 이미지 추출로 시작해 NLP, 추출 모델, VLM, 분류기, 요약 계층, 인간 검증, 상위 분석으로 이어지는 계층형 구조다. 위로 갈수록 정보 밀도가 높아지지만, 아래 단계의 정제와 검증이 제대로 되어야 고가치 질문에서 AI가 의미 있는 답을 낼 수 있다.
9. 40:37
   규제, 비용, 그리고 다음 단계 규제가 강한 환경에서는 human in the loop와 감사 가능성이 핵심이며, 대형 보험사는 법률 비용과 중간 절차에만도 막대한 비용을 쓴다. LLM이 모든 문제의 정답은 아니고, 분류·추출처럼 효율이 중요한 영역은 자체 모델과 비용 통제를 함께 설계해야 하며, 산업 전환의 속도는 규제와 조직 준비도에 따라 달라진다.

실무 인사이트

• 보험·의료 AI는 모델 성능보다도 먼저 데이터 정제, 문서 표준화, 중복 탐지 같은 기초 인프라를 해결해야 실제 성과가 난다.
• 청구 업무는 단일 문서 자동화보다 청구 간 패턴 분석까지 연결될 때 언더라이팅, 사기 탐지, 비용 절감 효과가 커진다.
• 규제 산업에서는 완전 자동화보다 인간 검증이 포함된 준자동화가 현실적이며, 감사 가능성과 설명 가능성이 제품 채택의 핵심 조건이다.