보험 심사역

비즈니스 및 재무

AI 노출도

  • 데이터 출처: BLS발행 시점: '26.08

    매우 높음· 상대

    낮음4단계 상대 범주매우 높음

    직업군 단위 값

    척도 · 모수 · 출처

    4단계 상대 범주 (낮음 / 보통 / 높음 / 매우 높음)

    BLS 고용전망 표의 세부직업 831개 기준. 값은 NEM(전국고용매트릭스) 코드 단위로 부여되므로, 같은 NEM 코드를 쓰는 직업은 같은 밴드를 받습니다

    원천 데이터셋 (XLSX 파일 내려받기)

  • 데이터 출처: Anthropic발행 시점: '26.03

    0.063

    0.000여기 실린 값의 범위0.745
    척도 · 모수 · 출처

    관측 노출 지수, 발행된 그대로 0–1

    O*NET 과업 매핑 기준

    원천 데이터셋

  • 데이터 출처: ILO발행 시점: '25

    0.53

    0.09여기 실린 값의 범위0.70

    직업군 단위 값

    척도 · 모수 · 출처

    생성형 AI 노출 지수, 발행된 그대로 0–1

    ISCO-08 직업군 단위 — 같은 코드를 쓰는 직업은 모두 같은 값

    본 사이트 산출이며 ILO가 발행한 수치가 아닙니다. 본 사이트가 ILO 데이터셋에 연결한 직업 1,012개 가운데 이 값 이상인 직업이 14%입니다.

    원천 데이터셋

이 원천이 어떤 종류의 값인가

BLS 범주는 절대 수준이 아니라 상대 순위이며, 1차 측정도 아닙니다. 여러 선행 연구가 매긴 직업별 백분위 순위를 4단계로 묶은 값입니다. 고용·임금 예측도, 도입 확률도 아니며 자동화와 증강을 구분하지 않습니다.

작업별 노출도

이 탭의 값은 관측이 아니라 예측 라벨입니다. Eloundou et al.(2023)은 인간 평가자와 GPT-4 두 평가 기준을 공개했고, 이 표의 β는 그중 GPT-4 평가 기준 하나로만 유도한 값입니다 — 평가 기준이 다르면 같은 태스크라도 값이 달라질 수 있습니다. 다른 탭의 관측 비중(%)과는 단위도 의미도 다르니 같은 축에 놓고 비교하지 마세요.

작업βE1 + 0.5 × E2
추가 정보를 수집하고, 요율을 알리거나 회사의 인수 정책을 설명하기 위해 현장 담당자, 의료 인력, 그 밖의 사람에게 글을 작성해 보낸다.

Write to field representatives, medical personnel, or others to obtain further information, quote rates, or explain company underwriting policies.

O*NET 태스크 ID 1262

1.0
과도한 위험은 인수하지 않는다.

Decline excessive risks.

O*NET 태스크 ID 1261

0.5
재난이나 과다 보험으로 인한 손실 가능성을 평가한다.

Evaluate possibility of losses due to catastrophe or excessive insurance.

O*NET 태스크 ID 1263

0.5
참고 자료를 사용해, 위험이 기준에 못 미치면 증권의 가액을 낮추고, 적용되는 특약을 명시하거나 요율을 적용해 위험이 안전하고 수익성 있게 분산되도록 한다.

Decrease value of policy when risk is substandard and specify applicable endorsements or apply rating to ensure safe, profitable distribution of risks, using reference materials.

O*NET 태스크 ID 1264

0.5
단일 위험이나 밀접히 관련된 위험군에 유효한 보험 금액을 판단하도록 회사 기록을 검토한다.

Review company records to determine amount of insurance in force on single risk or group of closely related risks.

O*NET 태스크 ID 1265

0.5
위험이 높을 때 보험 계약의 재보험 처리를 승인한다.

Authorize reinsurance of policy when risk is high.

O*NET 태스크 ID 1266

0.5
문서를 조사해 신청자의 건강, 재무 상태와 자산 가치, 부동산 상태 같은 요인에서 오는 위험의 정도를 결정한다.

Examine documents to determine degree of risk from factors such as applicant health, financial standing and value, and condition of property.

O*NET 태스크 ID 21045

0.5

β = E1 + 0.5 × E2 · E1 = LLM에 직접 접근하는 것만으로 소요시간이 50% 이상 줄어드는 태스크, E2 = LLM 위에 별도 소프트웨어를 얹으면 50% 이상 줄어드는 태스크. 값은 0 / 0.5 / 1.0 세 단계뿐입니다.

데이터 출처·라이선스 — O*NET®, Eloundou et al. (2023): 상세 고지는 크레딧 및 출처 페이지 참조

직업 정보

이 직업과 관련된 최근 변화

2026년 4월: SF 베이 티어 1에서 2027년 ATE 0.42. P1 (대인) 및 P2 (규제) 페널티가 얇은 규칙 적용 중심 역할은 에이전틱 노출도가 빠르게 상승.

[출처: arXiv 2604.00186 (Gupta & Kumar, 2026)]

2026년 3월: 에버그린 블로그 분석 발행: 2025년 AI 노출도 64%, 자동화 위험 62/100.

[출처: AI Changing Work Blog]