재해 모델링은 태풍, 홍수, 지진 같은 대형 재난이 보험 손실로 얼마나 이어질지 추정하는 방법이다. 위험 현상, 자산 노출, 건물 취약성, 보험 조건을 함께 고려한다.1 보험사, 은행, 에너지 기업이 오래전부터 이 모델을 써온 이유는 분명하다. 드문 재난일수록 한 번의 사건이 자본, 가격, 인수 전략을 크게 흔들 수 있기 때문이다.
생성형 AI가 이 영역에서 주목받는 이유도 여기에 있다. 극단적 재해는 자주 발생하지 않아 과거 관측만으로는 부족하다. 반대로 수만 년 규모의 기후 시뮬레이션을 전통적인 물리 모델로 직접 돌리면 계산 비용이 너무 크다.2 생성형 AI는 이 간극을 줄이려는 시도다.
다만 핵심은 “AI가 재난을 예측한다”가 아니다. 더 정확히는, 보기 어려운 극단 시나리오를 더 넓게 탐색하고 그 결과가 실제 위험 분석에 쓸 수 있는지 검증하는 것이다.
생성형 AI가 바꾸는 것: 더 긴 꼬리의 시나리오
재해 모델링에서 가장 어려운 영역은 평균적인 날씨가 아니라 꼬리 위험이다. 10년에 한 번 오는 홍수보다 100년, 1,000년, 그 이상의 빈도로 나타날 수 있는 사건이 보험 손실과 자본 관리에 더 큰 의미를 갖는다.
Fathom은 기후모델 시뮬레이션과 생성형 AI 확산 기법을 결합해 고해상도 기상 데이터를 만드는 프로젝트를 진행하고 있다. 목표는 5만 년 분량의 기상 이벤트를 생성해 더 상세한 홍수 지도를 작성하는 것이다.2
이 접근의 실용적 가치는 두 가지다.
첫째, 저해상도 기상 데이터를 더 촘촘한 공간 해상도로 바꿀 수 있다. 재해 손실은 지역 단위의 지형, 하천, 자산 밀집도에 민감하기 때문에 해상도는 곧 의사결정 품질과 연결된다.
둘째, 관측 기록에 없는 극단 사건을 더 많이 살펴볼 수 있다. 과거 데이터에 없었다고 해서 미래에도 없다고 볼 수는 없다. 생성형 AI는 이런 “아직 보지 못한 가능성”을 탐색하는 데 쓰인다.
중요한 것은 생성이 아니라 검증이다
재해 모델링에서 그럴듯한 이미지는 충분하지 않다. 기상 패턴이 물리적으로 가능한지, 홍수 위험으로 변환했을 때 말이 되는지, 실제 보험 의사결정에 쓸 수 있는지가 중요하다.
Fathom은 AI가 만든 기상 출력을 수문 모델에 통과시켜 하천 유량을 계산하는 하이브리드 방식을 쓴다. 영국 대상 테스트에서는 과거 홍수 행동을 재현하면서도 관측 기록을 넘어서는 극단 사건을 생성했다고 밝혔다.2
이 검증 단계가 빠지면 생성형 AI의 장점은 곧 위험이 된다. 모델은 현실처럼 보이는 결과를 만들 수 있지만, 그것이 물리 법칙이나 수문학적 제약과 맞는다는 보장은 없다. Moody's도 AI를 재해 모델의 과학을 대체하는 기술이 아니라 속도, 입력 데이터, 사후 분석을 개선하는 가속 장치로 설명한다.3
따라서 생성형 AI 재해 모델링을 평가할 때 질문은 단순해야 한다.
어떤 데이터와 시뮬레이션으로 학습했는가
생성된 사건이 물리 기반 모델을 통과했는가
과거 사건을 얼마나 잘 재현하는가
관측 기록을 넘어서는 극단 사건이 왜 타당한가
보험 가격, 인수, 자본 관리에 설명 가능한 형태로 연결되는가
모델의 품질만큼 중요한 인센티브
더 정교한 모델이 항상 보험사에 편한 결과를 주는 것은 아니다. 손실 추정치가 커지면 보험료, 인수 기준, 재보험 구매, 자본 부담이 함께 바뀔 수 있다.
그래서 재해 모델 선택에는 기술적 판단뿐 아니라 영업 논리도 개입할 수 있다. 일부 업계 관계자는 보험사가 더 많은 사업을 가능하게 하는, 즉 손실 추정이 낮게 나오는 모델을 선호할 수 있다고 지적했다.4
이 지점에서 생성형 AI는 양면적이다. 더 많은 시나리오를 만들면 위험을 더 잘 볼 수 있지만, 어떤 시나리오를 채택하고 어떤 결과를 의사결정에 반영할지는 조직의 인센티브에 좌우될 수 있다. 특히 자연재해 피해가 커지는 환경에서는 모델의 투명성과 검증 절차가 더 중요해진다. Swiss Re에 따르면 2025년 자연재해 피해액은 2,200억 달러였고, 이 중 1,070억 달러가 보험에 가입돼 있었다.4
실무자가 봐야 할 기준
생성형 AI 재해 모델링의 가치는 “많이 만든다”가 아니라 “쓸 수 있는 가능성을 더 넓힌다”에 있다. 극단 사건을 더 많이 생성하더라도 검증되지 않으면 보험 가격이나 자본 판단에 쓰기 어렵다. 반대로 물리 모델, 과거 사건, 내부 의사결정 체계와 연결된다면 기존 재해 모델의 한계를 보완할 수 있다.
결론은 명확하다. 생성형 AI는 재해 위험을 더 싸고 빠르게 상상하게 해준다. 하지만 보험에 필요한 것은 상상이 아니라 검증된 가능성이다. 앞으로의 경쟁력은 누가 더 많은 합성 이벤트를 만들었는지가 아니라, 누가 그 이벤트를 물리적으로 설명하고, 손실 판단으로 연결하고, 이해관계자에게 납득시킬 수 있는지에 달려 있다.
참고
1Catastrophe modeling for a resilient future--powered by AI
2EGU 2026: Fathom present event set generation with AI
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.