보험금 청구(FNOL) 양식을
스프레드시트로 추출하는 방법

최초 손해 통지서(FNOL)란 무엇인가

최초 손해 통지서(First Notice of Loss)는 모든 보험 청구를 시작하는 공식 문서입니다. 이는 보험 계약자가 보험사에 최초로 보고하는 서류이며, 보험 대리인이 대신 제출하는 문서로서 보상 대상이 될 수 있는 사고를 설명합니다. 재산 및 상해(P&C) 보험에서 FNOL은 이후 모든 절차(조정자 배정, 보상 범위 조사, 적립금 설정, 최종 합의)를 결정합니다. 깔끔하고 완전한 데이터와 함께 접수된 청구는 접수에서 조정자 배정까지 몇 시간 만에 진행될 수 있습니다. 누락되거나 잘못 판독된 필드가 있는 청구는 '데이터 입력 대기' 대기열에 며칠 동안 머물러 청구 처리 주기가 길어지고 보험 계약자 불만족 위험이 증가합니다. J.D. Power의 2024년 연구에 따르면, 첫 상호작용에서 마찰을 겪은 청구자의 만족도 점수는 136점 더 낮은 것으로 나타났습니다.

FNOL은 다양한 형태로 접수됩니다. 보험 계약자가 교통사고 후 대리인에게 전화하면 대리인이 ACORD 2(자동차 손해 통지서)를 작성합니다. 상업용 부동산 관리자가 물 피해 사진을 브로커에게 이메일로 보내면 브로커가 ACORD 1(재산 손해 통지서)을 작성합니다. 소매점에서의 미끄러짐-낙상 사고는 ACORD 3(일반 책임 사고/청구 통지서)를 생성합니다. 이 세 가지 ACORD 양식(1, 2, 3)은 미국 보험 시스템을 통해 유입되는 대부분의 1자 및 3자 P&C 청구를 포괄합니다. 형식은 표준화되어 있지만, 에이전시 포털의 스캔된 PDF, 청구자가 휴대폰으로 찍은 사진, 제3자 관리자의 팩스, 때로는 봉투에 넣은 원본 종이 양식 등 매우 다양한 채널을 통해 접수됩니다.

운영상의 결과는 명확합니다. 하루에 80건의 FNOL을 처리하는 지역 보험사 또는 MGA(중견 P&C 운영사 기준)는 최소 4개의 접수 채널을 통해, 수십 개의 다른 에이전시에서 온 양식으로, 12시간 교대 근무 후 주차된 차 안에서 급하게 쓴 필기체부터 신중한 인쇄체까지 다양한 필체로 작성된 80건의 청구를 접수합니다. 이 80건의 청구 각각은 조정자가 처리하기 전에 누군가가 양식을 보고 동일한 필드를 청구 관리 시스템에 입력해야 합니다.

FNOL을 처리하는 세 가지 주요 ACORD 양식

ACORD는 800개 이상의 양식 변형을 유지 관리하지만, FNOL 처리에 있어 일일 접수량의 대부분을 차지하는 세 가지 양식이 있습니다. 각 양식이 캡처하는 필드와 이것이 청구 관리 시스템에 어떻게 매핑되는지 이해하는 것이 실제로 시간을 절약하는 추출 워크플로우를 구축하기 위한 전제 조건입니다.

세 양식의 필드 구조는 놀랍도록 일관됩니다. 증권 번호, 청구인/피보험자 정보, 손실 발생 일시 및 장소, 사건 설명, 당사자 세부 정보 등이 그것입니다. 이러한 일관성이 바로 ACORD 표준화가 제공하는 가치입니다. 그러나 전달 형식(필체, 스캔 품질, 카본지 복사본의 열화)은 매우 다양하며, 이러한 다양성이 템플릿 기반 추출 도구가 어려움을 겪는 지점입니다. 증권 번호 필드가 페이지의 좌표(X=200, Y=450)에 위치할 것이라고 예상하는 도구는 동일한 양식이 평판 스캔 대신 회전된 휴대폰 사진으로 들어올 때 제대로 작동하지 않습니다.

FNOL 양식에서 추출 가능한 항목 — 항목별 가이드

FNOL 양식의 모든 항목을 동일한 수준으로 추출할 수 있는 것은 아닙니다. 실제 구분 기준은 예측 가능한 구조화 데이터가 포함된 항목과 자유 형식의 서술형 텍스트가 포함된 항목 간의 차이에 있습니다. 이 차이를 이해하면 자동화에 대한 과도한 기대를 방지하고, 실제로 달성 가능한 부분에 대한 투자 부족을 막을 수 있습니다.

다음은 일반적인 ACORD 1(재산 손해 통지서) 양식의 항목별 분류를 추출 전략 및 의미 기반, 템플릿 불필요 AI 접근법의 예상 정확도와 함께 정리한 표입니다:

헤드라인: 표준 ACORD FNOL 양식의 필드 중 약 80~85%는 최신 비전 AI 접근 방식으로 구조화된 데이터로 직접 추출할 수 있습니다. 여기에는 손글씨 필드, 체크박스 선택 항목, 반구조화된 증인 블록이 포함됩니다. 나머지 15~20%는 서술형 범주에 속하며, 이를 정직하게 처리하는 것이 현실적인 추출 워크플로우와 미끼 전환식 자동화 제안의 차이를 만듭니다.

서술형 한계: 추출이 할 수 없는 것

ACORD 1, 2 또는 3 양식의 "손실 설명" 필드는 데이터 필드가 아닙니다. 사고 직후 여전히 스트레스를 받고 있는 청구인이 무슨 일이 있었는지 설명하는 200~500단어 분량의 서술형 단락입니다. "차고 진입로에서 후진하던 중 조수석 쪽에서 긁는 소리가 났습니다. 내려서 보니 우편함 기둥을 쳤더군요. 뒷좌석 조수석 쪽 문에 약 18인치 길이의 움푹 파인 곳이 있습니다..." 이 텍스트에는 조정자가 보상 범위와 책임을 평가하는 데 필요한 정보가 포함되어 있습니다. 그러나 이는 구조화된 데이터가 아니며, 아무리 고급 언어 모델을 갖춘 추출 도구라도 허용할 수 없을 정도로 높은 오류율 없이 이를 "손실 원인", "책임 당사자" 또는 "과실 정도"와 같은 구조화된 필드로 안정적으로 분류할 수 없습니다.

이것이 대부분의 추출 공급업체가 얼버무리는 한계입니다. 그들은 깔끔하게 입력된 설명이 깔끔한 열로 분석되어 "완전한 서술 이해"를 주장하는 데모를 보여줍니다. 실제 운영 환경에서, 어두운 주차장에서 스트레스 받은 청구인이 손으로 쓴 설명을 동일한 도구로 처리하면 예측 불가능한 결과가 나오며, 조정자는 이로부터 파생된 어떤 필드도 신뢰할 수 없습니다.

정직한 접근 방식: 서술형 설명을 원시 텍스트 그대로 단일 스프레드시트 셀에 추출합니다. 조정자는 종이 양식에서 읽는 것과 동일한 방식으로 직접 읽지만, AI가 다른 필드에서 추출한 증권 번호, 손실 발생일, 증인 연락처 정보를 다시 입력할 필요가 없습니다. 절약되는 시간은 서술형이 아닌 구조화된 필드에서 비롯됩니다. 하루에 80건의 FNOL을 처리하는 클레임 운영의 경우, 구조화된 필드 입력만으로 건당 2~3분을 절약하면 조정자 시간이 하루에 2.5~4시간 회복됩니다. 이는 전사 오류 감소 효과는 고려하지 않은 수치입니다.

대부분의 자동화 논의에서 간과하는 또 다른 측면은 필체 품질의 다양성입니다. ACORD 양식은 책상에 앉은 클레임 어시스턴트(읽기 쉬운 인쇄체), 병원에 있는 보험 계약자(떨리는 필기체), 또는 사고 현장의 경찰관(빠르고 약식 메모)이 작성할 수 있습니다. 문자 모양을 사전과 대조하는 전통적인 OCR은 문자 모양이 일관되지 않을 때 실패합니다. 문자 템플릿을 대조하는 대신 시각적 맥락을 이해하여 읽는 비전 AI는 사람이 문서를 해석하는 방식, 즉 "손실 발생일" 필드에 "0"과 "5"가 슬래시로 구분되어 있는 휘갈겨 쓴 표시가 "05/15/2026"일 가능성이 높다는 것을 개별 숫자가 변형되었더라도 인식함으로써 이러한 다양성을 처리합니다.

스캔된 FNOL에서 스프레드시트 행까지: 실무 워크플로우

FNOL 데이터 추출을 구현하기 위해 클레임 관리 시스템을 교체하거나 엔터프라이즈 문서 처리 플랫폼을 도입할 필요는 없습니다. 핵심 워크플로우는 단일 프로세스로 구성되며, 모든 클레임 운영 부서에서 점진적으로 테스트하고 도입할 수 있습니다.

이 워크플로우는 사용자 정의 열 추출(Custom Column Extraction)을 사용합니다. 이는 위치 기반 추출(양식 템플릿에 상자 그리기)에서 의도 기반 추출(원하는 필드 이름을 지정하면 AI가 의미를 찾음)로의 패러다임 전환입니다. 출력을 정의하면 AI가 양식 레이아웃, 스캔 품질 또는 필기 변형에 관계없이 입력에 적응합니다. 여러 문서 유형에서 이 방식이 어떻게 작동하는지 자세히 알아보려면 템플릿 없는 AI 문서 추출 전체 가이드를 참조하세요.

이 워크플로우를 자신의 FNOL 양식으로 직접 테스트할 수 있습니다. 설정이나 등록이 필요하지 않습니다. 아래 데모에서 스캔된 ACORD 양식이나 클레임 양식 사진을 업로드하면 추출된 필드가 구조화된 테이블에 표시됩니다:

한 번에 30건의 청구가 접수된다면: FNOL 일괄 처리

위 워크플로는 평소 꾸준히 유입되는 건수(평범한 화요일에 접수되는 10~20건의 FNOL)에 적합합니다. 하지만 보험 청구 업무에는 더 스트레스가 큰 또 다른 패턴이 있습니다: 재해 급증입니다. 중서부 지역의 우박, 캘리포니아의 산불, 텍사스의 한파 이후 FNOL 건수는 48시간 이내에 5~10배로 급증할 수 있습니다. 하루 80건에서 간신히 유지되던 수동 처리는 하루 400건이 되면 완전히 마비됩니다.

이때 일괄 처리는 효율성 개선이 아닌 운영상의 필수 요소가 됩니다. 같은 폭풍 사건에 대한 ACORD 1 양식 30건을 처리하는 것은 1건 처리의 30배 작업이 아닙니다. 단 한 번의 검토로 처리해야 할 하나의 배치 작업입니다. AI는 동일한 열 정의를 사용하여 30개 양식을 모두 추출하고, 결과를 하나의 스프레드시트로 통합하며, 청구 팀은 배치를 세트로 검토합니다(이상치 표시, 샘플 확인, 구조화된 행을 청구 시스템에 한 번에 가져오기).

대안인 재해 시 임시 청구 처리 인력 고용은 구조적으로 비용이 많이 듭니다. 각 임시 처리자는 보험사의 특정 양식과 시스템 워크플로에 대한 교육이 필요하고, 학습 곡선 동안 오류율이 높으며, 급증 기간 동안 건당 수동 처리 비용이 기본 $40~60에서 훨씬 더 높아지는 청구 처리 비용 인플레이션에 기여합니다.

일괄 추출이 재해 시 숙련된 조정자의 필요성을 없애는 것은 아닙니다. 현장에 있는 조정자가 청구 조사와 정산 관리에 시간을 쏟을 수 있도록 보장할 뿐, 시스템 대기열에 보험 번호를 입력하는 데 시간을 낭비하지 않게 해줍니다.

현장 작성 ACORD 서식의 필기 변수

상당수의 FNOL 서식은 사무실이 아닌 현장에서 작성됩니다. ACORD 2(자동차 손해 통지서)는 도로변에서 클립보드나 자동차 보닛 위에 서식을 올려놓고 작성되는 경우가 많습니다. ACORD 3(일반 배상 책임 통지서)는 사고 발생 후 점장이 현장을 관리하는 와중에, 정자체부터 급하게 써 내려간 필기체까지 다양한 필체로 작성되곤 합니다. ACORD 1의 화재, 바람, 우박, 도난, 홍수 체크박스는 체크 표시, X 표시, 동그라미, 또는 상자에 겨우 닿는 휘갈김에 이르기까지 다양한 펜 선으로 표시됩니다.

참조 라이브러리와 모양을 대조하여 문자를 분할하는 기존 OCR 도구는 일치시킬 참조 모양이 없기 때문에 이러한 입력에서 제대로 작동하지 않습니다. 펜이 상자 안에서 시작되었지만 완전히 교차하기 전에 들어 올려져 부분적으로만 채워진 체크박스는 임계값 기반 감지기에서 '선택 안 됨'으로 읽힙니다. 'S'처럼 보이는 손글씨 '5'는 문자로 읽힙니다. 이는 예외적인 경우가 아니라 현장에서 작성된 FNOL의 필드 수준 데이터 대부분을 차지합니다.

Vision AI는 이를 다르게 처리합니다. 사람이 문서를 보는 방식과 동일하게 문서를 볼 수 있는 멀티모달 모델은 좌표의 픽셀 명도를 측정하여 체크박스를 해석하는 것이 아니라 시각적 맥락을 이해합니다. 즉, 상자가 '손해 종류' 섹션의 일부이고, 인접한 상자도 부분적으로 채워졌지만 펜 압력이 더 약하며, 체크 표시가 '도난'에 가장 가깝다는 점을 파악합니다. 이러한 맥락적 이해야말로 완벽한 조건을 필요로 하는 OCR과 실제 업무에서 접수하는 문서에서 작동하는 추출 방식의 차이입니다.

자주 묻는 질문

FNOL 서식 데이터 추출 시 예상되는 정확도는 어느 정도인가요?

구조화된 필드(증권 번호, 손해 발생일, 피보험자 이름, 손해 위치, 금액)의 경우, 최신 Vision AI를 사용하면 인쇄 필드에서 90-95% 이상, 명확한 손글씨 필드에서 85-90% 이상의 정확도를 기대할 수 있습니다. 체크박스 감지는 표시 품질에 따라 일반적으로 85-90%의 정확도를 달성합니다. 항상 검증 과정에 시간을 할당하십시오. 건당 2-3분의 검토로 나머지 오류를 청구 시스템에 입력하기 전에 잡아낼 수 있습니다. 이는 3-5%의 전사 오류가 발생하는 수동 입력에 비해 상당한 개선입니다.

ACORD 양식 유형별로 템플릿을 만들어야 하나요?

아닙니다. 의미 기반 추출(Semantic extraction) — 추출할 필드를 이름으로 정의하면 AI가 양식의 레이블과 레이아웃을 이해하여 해당 위치를 찾는 방식 — 은 동일한 열 정의를 사용하여 ACORD 1, 2, 3 양식 모두에서 작동합니다. "증권 번호" 열은 별도의 템플릿 없이 세 가지 양식 모두에서 데이터를 추출합니다. AI가 페이지 내 어디에 있든 "증권 번호"라는 양식 레이블을 읽기 때문입니다. 이것이 템플릿 없는 추출과 기존 영역 OCR의 근본적인 차이점입니다.

AI가 FNOL 양식의 서술 내용을 추출하고 분류할 수 있나요?

AI는 서술 내용의 전체 텍스트를 텍스트 블록으로 안정적으로 추출할 수 있습니다. 하지만 이 서술 내용을 "손상 원인 범주", "과실 당사자", "심각도 수준"과 같은 구조화된 필드로 안정적으로 분류할 수는 없습니다. 청구인의 설명에 사용된 언어는 너무 다양하고, 감정적이며, 종종 불완전합니다. 현명한 접근 방식은 서술 내용을 원시 텍스트 그대로 셀에 추출하여 조정자가 직접 읽고 해석하도록 하는 것입니다. 이렇게 하면 자동화가 가능한 80-85%의 구조화된 필드에서 시간을 절약할 수 있습니다.

추출된 FNOL 데이터는 어떻게 제 청구 관리 시스템에 입력되나요?

추출된 데이터는 구조화된 스프레드시트(Excel 또는 CSV)로 제공되며, Guidewire ClaimCenter, Duck Creek Claims, Origami Risk, Snapsheet, ClaimVantage 또는 CSV 가져오기를 지원하는 모든 시스템으로 가져올 수 있습니다. 스프레드시트의 열 머리글은 청구 시스템의 필드에 매핑됩니다. Google Sheets를 사용하는 경우, ImageToTable.ai Google Sheets 애드온을 통해 중간 파일 내보내기 없이 추출 결과를 활성 시트에 직접 기록할 수 있습니다.

휴대폰으로 촬영한 FNOL 양식 사진에서 데이터를 추출할 수 있나요?

네 — 일반 조명에서 양식이 평평하고 가려짐 없이 촬영된 사진이면 충분합니다. 스캐너가 필요하지 않습니다. 청구인이 휴대폰으로 작성한 ACORD 양식 사진을 보내면 스캔된 PDF와 동일한 추출 과정을 거칠 수 있습니다. 비전 AI는 휴대폰 문서 사진에서 흔히 발생하는 원근 왜곡, 그림자, 적당한 눈부심을 자동으로 보정합니다.

FNOL 데이터 추출 자동화의 투자 수익률(ROI)은 얼마인가요?

업계 데이터에 따르면 수동 FNOL 입력은 인건비, 오류 수정, 후속 재처리까지 포함하여 건당 $40-60의 비용이 발생합니다. 사람의 검토가 포함된 자동 추출은 건당 $20 미만으로 낮춥니다. 하루 80건(연간 약 20,000건)의 FNOL을 처리하는 지역 보험사의 경우 연간 $400,000에서 $800,000의 비용을 절감할 수 있습니다. 또한 조정관들은 업무 시간의 30-40%를 되찾았다고 보고합니다. 이 시간은 이전에 데이터 입력에 사용되던 시간으로, 이제 보험금 조사 및 고객 상호작용에 사용할 수 있습니다.