AI가 리스크 풀링에 어떤 영향을 미칠까요?

영국 및 북유럽 비즈니스 개발 책임자 닉 라일리( RNA Analytics )는 AI가 리스크 풀링에 미칠 영향을 다음과 같이 고려합니다.

AI의 영향에 대한 논의는 상당히 진행되어 왔으며, 대부분은 긍정적으로 평가되고 있습니다. 하지만 여전히 주의를 촉구하는 사람들도 있습니다. 위험에 처한 한 가지 영역은 리스크 풀링의 개념이며, 따라서 보험의 미래라고 주장할 수 있습니다.

물론 그건 말도 안 되는 소리입니다. 그렇지 않나요?

리스크 풀링은 보험의 근간입니다(보험사는 전통적으로 리스크 풀을 운영합니다). 많은 고객이 보험금을 청구해야 하는 소수의 고객을 위해 보험료를 지불합니다. 모든 개인이 (약간) 더 가난하지만 보험금을 청구하는 사람들은 현재 큰 손실을 입지 않습니다. 정의의 예는 다음과 같습니다:

"다수의 보험료는 소수의 손실에 대한 대가"(GAD)
"독립적인 위험을 합산하여 총계를 더 확실하게"(LSE)

따라서 이는 (반)동질적인 생명 풀에 의존합니다. 즉, 각 풀은 유사한 위험으로 구성되어 있습니다.

영국의 정기 생명보험을 살펴보세요:

보험사들은 한 세대 동안 더 많은 위험 요소를 추가하고 언더라이팅의 시간, 비용, 복잡성을 증가시킴으로써 생명보험의 보험료를 낮추기 위해 노력해 왔습니다. 이는 '최악의' 위험을 제거하여 풀을 줄일 수 있는 최초의 보험사에게 경쟁 우위를 부여합니다. 이제 더 적은 수의 고객이 동질적인 고객으로 취급되므로 풀의 규모가 줄어듭니다. 이로 인해 등급이 상향 조정(더 높은 보험료 지불)되거나 거절(보험 가입 거부)되는 생명체의 수가 증가합니다.

예측 기법을 사용한 사전 승인은 한 단계 더 나아가 인수 심사 질문을 하지 않고도 풀에서 '가장 좋은' 보험을 식별하기 위한 시도였습니다. 이 접근 방식은 데이터 분석을 통해 '최상의' 보험료를 예측할 수 있는 특징을 파악했습니다. 이 접근 방식을 사용하면 언더라이팅 비용이 크게 절감되고 고객에게 훨씬 더 많은 편의를 제공할 수 있는 등 많은 이점이 있습니다. 하지만 보험사들은 이러한 접근 방식이 때때로 잘못될 수 있다는 점을 이해하고 있습니다.

머신 러닝(기본 AI)을 사용하여 사용 가능한 데이터를 사용하여 이러한 접근 방식을 개선하면 이점을 확대하고 오류를 줄일 수 있습니다. 그러나 이러한 접근 방식은 '최상의' 삶을 식별하여 더 나은 경험을 제공하는 것이 아니라 '최악의' 삶을 식별하는 데 사용될 위험이 있습니다.

이 경우 잠재 고객은 다른 출처에서 얻은 데이터로 인해 보험금 청구 위험이 높은 것으로 나타나면 신청이 거부되거나 보험료가 평가될 수 있습니다.

물론 이러한 접근 방식에는 개인 데이터 사용에 대한 법적 및 규제적 위험(그리고 차별 금지법으로 인한 영향 가능성)이 따릅니다. 또한 머신 러닝과 고급 예측 기술을 사용하여 '최악의' 삶을 사전에 식별하고 풀에서 제거하려는 도덕적 질문도 제기합니다.

인슈어테크 업계에서는 많은 사람들이 많은 데이터를 사용하여 '하나의 보험'을 만드는 것이 이상적인 상황이라는 잘못된 믿음을 가지고 있습니다. 이상적인 세계에서는 정확한 위험을 파악하고 가격을 책정할 수 있다는 뜻입니다. 이는 분명 리스크 풀링과 반대되는 개념입니다. 이러한 수준의 보험을 모델링, 가격 책정 및 예약하기 위해 보험 계리 모델과 소프트웨어를 구축할 수 있지만, '꼭 해야 할까'라는 질문이 필요합니다.