CEO Corner

이것이 오늘의 운영 결정인 이유

보험 통계 업무에서는 수년 동안 통계 학습과 계산 근사치를 사용해 왔습니다. 새로운 기회는 이러한 방법을 기술 자료를 검색하고 코드를 지원하며 통제된 분석 작업을 조정할 수 있는 시스템과 연결하는 것입니다. 이러한 기능을 통해 평가와 관련된 작업을 재설계하는 동시에 평가 내 모델을 선택적으로 개선할 수 있습니다. 채택은 보험 통계적 판단을 행사할 수 있는 자율 시스템을 기다릴 필요가 없습니다.

구체적인 거버넌스 일정도 있습니다. 2025년 9월에 발표된 OSFI의 최종 지침 E-23은 2027년 5월 1일에 발효됩니다. 이는 보험사를 포함하여 연방 규제를 받는 금융 기관 전반에 걸쳐 모델 위험 관리 기대치를 확장하고 AI 및 기계 학습을 명시적으로 다룹니다. 이번 판 현재 발효일은 아직 남아 있습니다. 나는 준비 기간을 사용하여 확립된 보험 통계 모델과 새로운 AI 구성 요소를 모두 포괄하는 모델 목록, 소유권 및 검증 증거를 확립할 것입니다.

국제계리협회(International Actuarial Association)도 AI 거버넌스, 테스트 및 문서화에 관한 교육 논문을 출판했습니다. 이는 보편적인 규제 승인이 아닌 전문적인 실습을 위한 리소스입니다. 기술적 기회와 개발 중인 거버넌스 프레임워크가 함께 의도적인 채택 프로그램을 지원합니다. 지연은 기회 비용을 수반합니다. 팀은 AI가 작동하는 위치, 실패하는 위치, 필요한 검토 정도에 대한 학습을 ​​연기합니다. 이러한 학습은 보험사의 상품, 데이터 및 결정에 따라 다릅니다. 나중에 소프트웨어 라이센스로 간단히 구입할 수는 없습니다.

각 AI 구성요소에 정확한 계리적 역할 부여

나는 투자를 승인하기 전에 세 가지 역할을 구분하겠습니다. 통계적 학습은 사망률 차이, 항복 행동, 청구 심각도 또는 비용 패턴과 같은 관계를 추정합니다. 수치 근사법은 제어된 전체 모델 실행 세트에서 책임 표면을 추정하는 등 값비싼 계산을 가속화합니다. Generative AI는 제품 조항 검색, 테스트 제안, 승인된 출력에서 ​​설명 초안 작성 등 언어 및 코드 작업을 지원합니다. 이러한 역할에는 신뢰성에 대한 다양한 증거가 필요합니다.

언어 모델의 유창한 설명은 사망률 추정치가 보정되었음을 입증하지 않습니다. 참조 엔진과 프록시의 긴밀한 합의는 참조 엔진이 계약을 올바르게 표현한다는 것을 입증하지 않습니다. 예측 모델의 강력한 역사적 성과는 제안된 관리 조치가 예측된 결과를 초래할 것이라는 점을 입증하지 않습니다. AI 프로그램에서 수석 보험계리사의 첫 번째 책임은 이러한 구별을 명확하게 하는 것입니다.

내가 선호하는 아키텍처는 특정 계산에 대한 책임을 보험 통계 엔진에 부여하고, AI에 좁게 정의된 분석 또는 조정 작업을 제공하며, 승인된 전문가에게 가정 및 결정에 대한 책임을 부여합니다. AI가 수치 방법 자체를 변경하는 경우 해당 구성 요소는 모델 인벤토리 및 검증 프로세스에 들어갑니다. 보조자로 설명된 애플리케이션 내부에서는 사라지지 않습니다.

복잡성을 늘리기 전에 가정 프로세스를 개선하세요.

생명 포트폴리오의 경우 사망률 분석은 노출 구성, 도달 연령, 기간, 인수 클래스, 혜택 금액 및 보고된 사망 시점으로 시작됩니다. 노출 오프셋을 갖춘 포아송 모델, 일반화된 추가 모델 및 생존 모델은 유용하고 해석 가능한 시작점을 제공합니다. 기계 학습은 광범위한 실제 대 예상 비율이 은폐하는 상호 작용을 조사할 수 있지만 희박한 경험에는 여전히 신뢰성과 규율 있는 풀링이 필요합니다. 매우 세분화된 추정이 반드시 더 신뢰할 수 있는 가정은 아닙니다.

동일한 보험 계약자에 대한 정보 유출을 방지하기 위해 이후 경험 기간 및 관련 제품 집단에 대한 검증이 필요합니다. 부문별 조정, 비즈니스 구성 변경의 효과, 누락된 데이터에 대한 민감도를 조사하겠습니다. 과거 사망률 수준을 맞추는 것과 미래 사망률 개선을 선택하는 것은 별개의 작업입니다. 모델은 장기적인 개선 가정에 대한 증거를 거의 제공하지 않으면서 최근 경험에 밀접하게 맞을 수 있습니다.

경과 모델링에도 동일한 원칙이 적용됩니다. 생존 또는 경쟁 위험 모델은 사망, 항복 및 기타 종료를 나타낼 수 있습니다. 보다 풍부한 모델을 사용하면 신용 금리, 시장 대안, 해약금 및 분배의 상호 작용을 조사할 수 있습니다. 그러나 과거의 보험 계약자 행동은 요율 조건을 충족하지 못하거나 스트레스 상황에서 중요한 인센티브를 보장하지 못할 수도 있습니다. 나는 그러한 격차에 대한 명시적인 시나리오 판단을 유지하겠습니다. 개입과 유지 사이의 예측 연관성은 개입 전략을 지원하기 전에 인과 분석도 필요합니다.

생명 및 연금 가치 평가는 계약을 보존해야 합니다.

단순 기간 계약의 경우 예상 현금 흐름 계산에서는 일관된 감소 및 할인 가정을 사용하여 보험료, 사망 혜택 및 비용을 예측합니다. 전체 생명과 보편적 생명에는 계정 가치, 보험료 유연성, 적립 금리, 해약 가치 및 보증과 같은 추가 종속성이 도입됩니다. 연금에는 생존 조건에 따른 지불, 가능한 보장 및 보험 계약자 옵션이 도입됩니다. AI는 사양을 조립하고 불일치를 식별하는 데 도움을 줄 수 있지만 각 중요한 계약 기능은 실행 가능한 논리로 변환되어도 살아남아야 합니다.

동일한 인구통계학적 변화라도 제품마다 다른 재정적 결과를 초래할 수 있습니다. 사망률이 낮아지면 일반적으로 종신연금에 따라 지급액이 늘어나는 반면, 정기 보장 장부에 대한 예상 사망 청구는 줄어듭니다. 그럼에도 불구하고 보험료, 비용, 실효 및 보증은 전체 결과에 영향을 미칩니다. '사망률이 개선됐다'고만 설명하는 것은 부적절하다. 영향을 받는 집단, 변경된 현금 흐름 및 특정 평가 기준에 대한 결과를 식별할 수 있을 것으로 기대합니다.

IFRS 17는 또 다른 중요한 차이점을 추가합니다. 이행 현금 흐름과 계약 서비스 마진은 서로 다른 역할을 합니다. 단순 총보험료 준비금의 변경이 자동으로 보고된 이익의 변경이 되는 것은 아닙니다. 치료 방법은 측정 모델, 무브먼트의 출처, 미래 또는 현재 및 과거 서비스와 관련이 있는지 여부에 따라 달라집니다. 저는 AI를 사용하여 승인된 정책에 대한 회계 처리를 추적하고 증거를 실행하는 데 도움을 주며 책임 있는 계리 및 재무 팀이 분류 및 결론을 검토합니다.

더 빠른 확률적 가치 평가는 더 많은 도전을 불러일으킬 것입니다.

재료 옵션 및 보증이 포함된 제품의 경우 계산이 훨씬 더 까다로울 수 있습니다. 위험 실행에는 외부 경제 시나리오 세트와 각 미래 상태의 내부 가치 평가가 필요할 수 있습니다. 회귀, 최소 제곱 몬테카를로 및 기계 학습 프록시는 선택된 계산 비용을 줄일 수 있습니다. 보험계리사협회(Society of Actuaries)는 이러한 예측 분석 및 기계 학습 사용에 대한 실제 생명 및 연금 사례 연구를 발표했습니다. 이는 특정 책에 대한 성능 보장이 아니라 조사할 수 있는 신뢰할 수 있는 영역을 설정합니다.

프록시를 훈련시키기 전에 프록시의 허용된 입력 도메인을 정의하겠습니다. 검증에는 스트레스 상태, 위험 요소의 조합 및 보증 임계값에 가까운 계약이 포함되어야 합니다. 평균 적합도뿐만 아니라 체계적인 편향, 꼬리 오류 및 민감도 추정치를 조사해야 합니다. 부채가 CU 100억인 순전히 예시적인 포트폴리오에서 0.1%의 체계적인 평가 오류는 CU 1000만을 나타냅니다. 오류가 헤지나 자본에 미치는 영향을 고려하기 전에는 명백히 작은 비율이 중요할 수 있습니다.

참조 엔진은 여전히 ​​필수적입니다. 도메인 외부 사례는 전체 계산 또는 명시적 예외를 트리거해야 하며, 모델 변경은 프록시 재평가를 트리거해야 합니다. 미래 결과를 연구하는 데 사용되는 실제 시나리오와 시장 일관성 있는 가치 평가에 사용되는 위험 중립 시나리오는 서로 다른 목적으로 사용됩니다. 디자인은 이러한 구별을 유지해야 합니다. 내 투자 사례에서는 저장된 계산으로 얼마나 많은 추가 스트레스 테스트가 가능한지 묻습니다. 좁은 범위의 시나리오를 더 빠르게 반복하는 것은 이전에 검토하지 않은 노출을 이해하는 것보다 작은 성취입니다.

부채 결과를 자산, 유동성, 자본에 연결

책임 추정은 결정을 변경할 때 유용합니다. 자산-부채 관리에서는 개선된 분석이 듀레이션 갭, 주요 금리 노출, 볼록성 또는 현금 흐름 부족에 대한 해석을 변경하는지 묻고 싶습니다. 듀레이션 매치는 베이시스 리스크, 스프레드 리스크, 비유동 자산, 보험 계약자 옵션과 공존할 수 있습니다. 일반적인 조건에서 훈련된 모델은 항복 인센티브와 자산 실현 비용이 상호 작용할 때 가장 덜 신뢰할 수 있습니다.

자본의 경우 우려가 조인트 테일로 더 이동합니다. 평균 부채 값을 재현하는 프록시는 여전히 불리한 시나리오의 순위, 꼬리 백분위수 또는 위험 전반에 걸친 자본 할당을 왜곡할 수 있습니다. 상관관계 및 의존성 가정은 그 자체로 도전할 가치가 있습니다. 나는 시나리오 샘플링 오류 및 기본 가정의 불확실성과 별도로 근사 오류를 보고하겠습니다. 세 가지를 모두 하나의 설명할 수 없는 신뢰도 점수로 결합하면 결과를 관리하기가 더 어려워집니다.

생명 보험에도 동일한 원칙이 적용됩니다. 손해보험 예약에서 AI 방법은 청구 인플레이션, 결제 변경 및 포트폴리오 혼합에 주의를 기울여 관련 체인 사다리, Bornhuetter–Ferguson 또는 기타 벤치마크에 비해 그 자리를 확보해야 합니다. 예측이 더 복잡해진다고 해서 선택한 준비금이 비즈니스에 적합한 이유를 설명할 필요가 없어지는 것은 아닙니다.

다음 질문에 답할 수 있는 평가 마감

부채가 예기치 않게 증가하는 예시적인 연금 마감을 생각해 보세요. 나는 새로운 비즈니스와 포트폴리오 움직임, 예상되는 성과, 경제적 변화, 경험 편차, 가정 업데이트 및 모델 수정을 분리하는 워크플로우를 원합니다. 통제된 재방송은 그러한 기여를 확립해야 합니다. 순차적 귀인은 변경 사항이 적용되는 순서에 따라 달라질 수 있으므로 보고서는 해당 규칙을 명시하고 중요한 상호 작용 효과를 식별해야 합니다.

AI 보조자는 이전에 승인된 근거를 검색하고, 변경된 가정 기록을 찾고, 필요한 재실행을 제안하고, 결과 증거를 모을 수 있습니다. 관련 수치 결과가 나온 후에만 논평 초안을 작성할 수 있습니다. 모델이 움직임을 조정할 수 없는 경우 보조자는 해결되지 않은 잔차를 노출해야 합니다. 표가 완전해 보이도록 설득력 있는 경제 이야기를 제공해서는 안 됩니다.

리뷰 팩에는 현금 흐름 유출 차트, 이동 브리지, 집단 경험 분석 및 민감도 비교가 포함됩니다. 각 자재 수치는 소스 실행, 모델 버전 및 가정 기준을 식별합니다. 내러티브는 계산된 기여와 해석 및 제안된 조치를 구별합니다. 이것이 바로 보험계리사에게 조사를 위한 더 나은 출발점과 두 번째 질문을 추구할 충분한 시간을 제공하는 실질적인 단기 기회라고 생각하는 부분입니다.

불확실성과 책임을 가시화하라

전문적인 수준은 생산 속도에 따라 높아져야 합니다. ASOP No. 56은 의도된 목적, 모델 이해, 테스트, 검증 및 문서화에 대한 유용한 미국 참조 자료를 제공합니다. 이는 지역 표준을 전 세계적으로 대체할 수 없습니다. 해당 법인 및 업무에 적용 가능한 전문적 및 규제적 프레임워크를 식별해야 합니다. 이러한 설정 전반에 걸쳐 자격을 갖춘 다른 검토자가 중요한 판단과 한계를 이해할 수 있는지 여부에 대한 핵심 질문이 남아 있습니다.

생성 AI의 경우 뒷받침되지 않는 수치적 주장, 잘못된 소스 검색, 누락된 자격 및 상충되는 증거에 대한 대응을 테스트합니다. 또한 신뢰할 수 없는 자료로 인해 에이전트가 지침을 변경하거나 승인되지 않은 작업을 시도할 수 있는지 테스트할 것입니다. 모델 저장소에 대한 접근이 평가 공개 권한을 의미해서는 안 됩니다. 언어 모델, 검색 소스, 프롬프트 또는 연결된 도구를 변경하면 동작이 변경될 수 있으며 비례적인 재평가가 필요할 수 있습니다.

예측 AI의 경우 모니터링을 통해 데이터 모집단의 변화와 보정 또는 결정 품질 저하를 구별해야 합니다. 포트폴리오 믹스 변화는 모델을 잘못 만들지 않고도 관찰된 결과를 변경할 수 있습니다. 안정적인 집계 오류는 작지만 중요한 집단의 성능 저하를 숨길 수 있습니다. 결과가 고객에게 영향을 미치는 경우 합법적인 사용, 공정성 및 오류의 결과에 대해 구체적인 조사가 필요합니다. 지정된 검토자는 결과에 이의를 제기할 수 있는 증거, 시간 및 권한이 있는 경우에만 의미가 있습니다.

처음 90일 동안 내가 투자할 것

반복되는 결정 하나와 그에 대한 증거 추적부터 시작하겠습니다. 생명가치평가 움직임 검토나 연금 가정 조사는 'AI 활용'에 대한 일반적인 지시보다 더 강력한 출발점이다. 현재 경과 시간, 보험 통계 준비 노력, 검토자의 노력, 해결되지 않은 예외 및 재작업을 설정합니다. 중대한 오류를 식별하는 방법을 포함하여 기술을 선택하기 전에 승인 기준에 동의하십시오.

첫 달 동안 선택한 데이터를 조정하고, 모델과 근거를 문서화하고, 과거 벤치마크를 설정하고, 결정권을 부여합니다. 두 번째 단계에서는 의도적으로 어려운 집단, 불리한 시나리오 및 충돌하는 문서를 포함하여 역사적 사례에 대해 제안된 워크플로를 병렬로 실행합니다. 세 번째 단계에서는 통제된 보고 주기에 따라 이를 평가하고 연장, 수정 또는 중단 여부를 결정합니다. 90일은 제안된 학습 기간이지 해당 시간표에 따라 재료 평가 모델이 승인될 수 있다는 약속이 아닙니다.

경제성 평가에는 통합, 계산, 검증, 지속적인 모니터링 및 인적 검토가 포함되어야 합니다. 초안 작성에 절약된 시간은 그럴듯한 오류를 확인하는 데 소요된 시간으로 상쇄될 수 있습니다. 결정 기한 이전에 답변된 추가 질문, 동작 설명의 질, 변경 후 결과의 안정성을 측정합니다. 나는 또한 보험 통계 개발을 보호할 것입니다. 후배 동료들은 인터페이스 작동 방법만 배우기보다는 계산을 재현하고 실패를 설명해야 합니다.

지금 내가 내릴 결정은

이제 지명된 보험계리 소유자, 독립적인 이의 제기 및 측정 가능한 승인 기준을 갖춘 제한된 보험계리 AI 프로그램을 승인하겠습니다. 나는 애플리케이션과 함께 데이터 및 검증 작업에 자금을 지원할 것입니다. 나는 첫 번째 결과가 한계가 드러나면서 더 나은 조사나 더 신뢰할 수 있는 결정 프로세스를 보여줄 것으로 기대합니다.

장기 상금은 가정을 검토하고 어려운 시나리오를 테스트하며 옵션이 종료되기 전에 비즈니스에 조언하는 데 더 많은 역량을 사용할 수 있는 보험 통계 기능입니다. 그 능력은 반복적인 사용, 수정, 전문적인 도전을 통해 발전합니다. 이제 시작해야 할 때입니다. 기술을 설치하는 것보다 구축하는 데 시간이 더 걸리기 때문입니다.