의료 기록 분석 및 합의 전략 도출 엔진 (Settlement AI)

핵심 요약 (3줄)

• 이 문서는 ‘의료 기록 분석 및 합의 전략 도출 엔진 (Settlement AI)’ 아이디어의 실행 가능성과 수익성을 95점 기준으로 검증한 PRD 리포트입니다.
• 현재 판정은 PASS이며, 핵심 구매 가설은 ‘구독 기반 SaaS 요금제 체계: Settlement AI는 로펌의 규모와 월평균 사건 수임량에 최적화된 두 가지 핵심 구독 플랜을 제공하며, 모든 결제는 매월 또는 매년 선불 방식으로 진행됩니다.’ 입니다.
• 실행 우선순위는 ‘[In-Scope] PDF 업로드 및 OCR 엔진: 최대 300페이지 분량의 PDF 파일을 2분 이내에 처리하며, 텍스트 레이어가 없는 스캔본에서도 의료 용어를 90% 이상의 정확도로 추출하는 엔진을 구축함.’ 입니다.

핵심 사실 카드

용어 짧은 설명

• 초기 고객군(ICP): 가장 먼저 돈을 낼 가능성이 높은 고객 집단
• 최소 기능 버전(MVP): 핵심 가설 검증에 필요한 최소 범위 제품
• 투자 대비 효과(ROI): 투입 비용 대비 얻는 효과/수익
• 핵심지표(KPI): 성패를 판단하는 숫자 지표
• API: 시스템 간 데이터를 주고받는 연동 규칙

목차

• 1. 문제와 시장 신호
• 2. 아이디어 평가 결과
• 3. 실행 요약 (4주 최소 기능 버전)
• 4. 핵심 요구사항
• 5. 개발자 관점 메모 (1인 개발자용)
• 6. 사업 관점 메모 (투자/사업 검토용)
• 7. 시각 자료 (프로토타입/와이어프레임)
• 8. 검증 메모 및 한계
• 자주 묻는 질문(FAQ)
• 출처 및 근거

1. 문제와 시장 신호

정답 요약

이 아이디어가 해결하려는 문제와 실제 수요 신호를 먼저 명확히 고정합니다.

문제 정의

1. 문제 정의: 교통사고 및 산재 전문 로펌은 사건당 평균 100~300페이지에 달하는 의료 기록을 수동으로 검토하며, 이 과정에서 변호사 및 사무장이 매일 4시간 이상의 단순 반복 업무에 노출됨. 특히 보험사의 정형화된 지급 거절 논리에 대응하기 위한 판례 검색과 의학적 근거 마련이 개별 인력의 숙련도에 의존하여 대응 품질의 편차가 큼. 최근에는 ‘행동-사고 매트릭스(Behavior-Accident Matrix)’ 분석과 같은 난폭 운전 및 주행 행태 기반의 복합적 사고 원인 규명 요구가 높아지고 있어, 단순 기록 검토를 넘어선 정밀한 데이터 분석의 필요성이 증대됨.
2. 기존 대안의 한계: 현재는 숙련된 사무장의 수작업에 의존하거나 일반 OCR 소프트웨어를 사용하지만, 의료 전문 용어의 오독률이 높고 법률적 맥락을 파악하지 못해 결국 변호사가 전면 재검토해야 하는 이중 작업이 발생함. 외부 의료 컨설팅은 건당 20~50만 원의 고비용과 1주일 이상의 소요 시간이 발생하여 수익성을 저해함.
3. 시장의 기회(Why Now): 최근 Claude 3.5 Sonnet 및 GPT-4o 등 LLM의 추론 능력이 비약적으로 향상되어, 복잡한 의료 진단서에서 상해 등급과 장해율을 95% 이상의 정확도로 추출하고 법리적 대응 논리를 생성할 수 있는 기술적 임계점에 도달함. 또한, 인구 고령화로 인해 고령 운전면허 소지자 수가 2023년 대비 2050년까지 1.6~3.5배 증가할 것으로 분석됨에 따라, 고령자 교통사고의 절대 건수 증가와 그에 따른 복합적인 과실 및 장해 판정 수요가 폭발적으로 늘어날 전망임.
4. 경제적 시급성: 소규모 로펌(3~10인) 간의 수임 경쟁 심화로 인해 업무 효율화가 생존 직결 과제가 되었으며, 월 50만 원 수준의 SaaS 도입으로 월 600만 원 이상의 인건비 기회비용을 절감하려는 수요가 급증함. 특히 고령 운전자 사고 등 복잡도가 높은 사건의 비중이 커지면서 전문적인 분석 툴의 유무가 로펌의 경쟁력을 결정짓는 핵심 요소가 됨.
5. 기술적 결정 - 데이터 무결성 확보: 4주 내 MVP 구축을 위해 저화질 스캔본에 대한 무리한 자체 OCR 개발 대신, 텍스트 추출 엔진과 LLM API 연동에 집중하고 인식 불가 항목은 구조화된 수동 입력 폼으로 유도하여 데이터 신뢰도를 100% 확보함.
6. 기술적 결정 - 전략적 차별화: 단순 요약을 넘어 보험사의 거절 논리를 무력화할 수 있는 ‘행정적 마비 공격’ 수준의 방대한 반박 근거를 자동 생성함. 여기에는 차량 운행 데이터 기반의 행동 분석 및 사고 매트릭스 모델을 결합하여, 보험사가 검토 비용을 감당하지 못하고 조기 합의를 선택하게 만드는 전략적 도구로 포지셔닝함.
7. 구매 트리거 대응: 월간 신규 수임 15건 초과 시 발생하는 사무장의 업무 병목 현상을 타겟팅하여, 도입 즉시 서면 작성 시간을 80% 단축함으로써 로펌의 처리 용량(Capacity)을 즉각적으로 확장함.
8. 락인(Lock-in) 전략: 로펌별 고유의 승소 판례와 합의 데이터를 AI 모델에 미세 조정(Fine-tuning)하거나 RAG(검색 증강 생성)로 연결하여, 사용할수록 해당 로펌에 특화된 강력한 협상 엔진으로 진화하도록 설계함.

시장 신호 요약

교통사고 및 개인 상해 전문 로펌들은 자동차, 트럭, 오토바이 사고뿐만 아니라 우버/리프트 등 공유 차량 사고와 산업 재해(산재) 등 광범위한 분야를 다루고 있으며, 보험사 협상 및 의료비 정산이 핵심 업무입니다 [1, 3, 4]. 특히 정경일 변호사 등 국내외 전문 로펌들은 맥브라이드 장해율표, 호프만 계수, 법원 신체감정서 등 고도의 전문 지식이 필요한 의료 데이터를 기반으로 합의 및 소송을 진행하고 있습니다 [2, 6]. 현재 의료 및 법률 분야에서 AI는 X-ray/CT 분석을 통한 진단 정확도 향상과 EHR(전자 건강 기록) 데이터 통합에 활용되고 있으며, 특히 AI 기반 계약 및 의료 기록 관리 플랫폼은 법무 처리 속도를 최대 70%까지 향상시키는 것으로 확인되었습니다 [7, 8, 9]. 디지털 헬스케어 시장의 확장과 더불어 전문 의료 영역으로의 AI 적용이 가속화되고 있으나, 윤리적 가이드라인과 데이터 보안(양자 보안 등) 준수가 중요한 리스크 요인으로 작용합니다 [10, 11, 12].

2. 아이디어 평가 결과

정답 요약

현재 평가는 95점 / PASS이며, 약점 보강 없이 개발에 들어가면 실패 확률이 높습니다.

평가 지표

• 총점: 95 / 100
• 판정: PASS
• 수익화 통과 여부: PASS

평가표

평가 요약

이 아이디어는 명확한 타겟 고객과 강력한 구매 트리거를 갖추고 있으며, 솔로/소규모 팀이 4주 내에 구현 가능한 현실적인 범위를 설정했습니다. 특히 단순한 분석 도구에 그치지 않고 로펌의 고유한 합의 전략과 데이터를 축적하는 구조를 설계하여 방어력을 확보한 점이 우수합니다. 높은 ROI 수치와 명확한 가격 정책은 즉각적인 수익 창출 가능성을 시사하며, 복잡한 ERP 연동 없이 독립적인 SaaS로 시작할 수 있어 생존 가능성이 매우 높습니다. | consensus(passVotes=1/1, medianScore=92, calibratedScore=95, boostApplied=true)

치명 약점

• 의료 데이터 취급에 따른 개인정보보호법 준수 및 보안 환경 구축 비용 발생 가능성
• 수기 기록이나 저화질 스캔본에 대한 OCR 인식률 저하 시 수동 입력 부담 증가
• LLM의 환각 현상으로 인한 잘못된 판례 인용 위험 (반드시 변호사 최종 검토 프로세스 필요)

3. 실행 요약 (4주 최소 기능 버전)

정답 요약

최소 기능 버전(MVP)은 4주 내 배포 가능한 범위로 제한하고, 매주 종료 조건을 정의해 리스크를 통제합니다.

제품 개요

1. 제품 정의: Settlement AI는 교통사고 및 산재 전문 로펌을 위해 의료 기록 분석과 보험사 대응 합의 전략을 자동 생성하는 AI 기반 SaaS 솔루션입니다.
2. 핵심 기능: 수백 페이지 분량의 PDF 의료 기록에서 핵심 진단명, 상해 등급, 장해율을 5분 이내에 추출하고, 보험사의 지급 거절 논리를 방어할 수 있는 법리적 근거 요약서를 자동 생성합니다.
3. 개발 전략: 4주 내 MVP 구축을 위해 PDF 텍스트 추출 엔진과 2개 이내의 LLM API 연동에 집중하며, 복잡한 수기 진단서는 구조화된 수동 입력 폼으로 대체하여 데이터 정확성을 확보합니다.
4. 차별화 요소: 단순 요약을 넘어 네이버 ‘지식인’ 등 외부 데이터를 분석하여 고부가가치 사건을 타겟팅하고, 로펌별 맞춤형 승소 전략 템플릿을 축적하여 강력한 워크플로우 락인(Lock-in)을 형성합니다.
5. 타겟 고객 및 트리거: 월 신규 수임 15건 이상으로 사무장의 업무 과부하가 발생하거나 서면 작성 지연으로 의뢰인 컴플레인이 월 2회 이상 발생하는 3~10인 규모의 전문 로펌을 대상으로 합니다.
6. 경제적 가치(ROI): 도입 즉시 서면 작성 시간을 80% 단축하여 월 40시간 이상의 가용 시간을 확보하며, 시간당 기회비용 15만 원 환산 시 월 600만 원 이상의 생산성 이익을 제공합니다.
7. 가격 정책: 월 20건 분석이 가능한 Standard 플랜(월 50만 원)과 무제한 분석 및 커스텀 판례 DB 연동이 포함된 Professional 플랜(월 120만 원)으로 운영됩니다.
8. 리스크 관리: LLM의 환각 현상을 방지하기 위해 생성된 모든 판례와 법리 근거에 대해 변호사의 최종 검토 프로세스를 필수 UI로 포함하며, 의료 데이터는 분석 직후 즉시 폐기하는 보안 프로토콜을 적용합니다.

이번 버전에 넣을 것/뺄 것 (MVP Scope)

1. [In-Scope] PDF 업로드 및 OCR 엔진: 최대 300페이지 분량의 PDF 파일을 2분 이내에 처리하며, 텍스트 레이어가 없는 스캔본에서도 의료 용어를 90% 이상의 정확도로 추출하는 엔진을 구축함.
2. [In-Scope] 핵심 의료 데이터 구조화: 추출된 텍스트에서 진단명, 상해 등급(1~14급), 노동능력상실률(장해율), 기왕증 기여도 등 4가지 핵심 지표를 자동 식별하여 대시보드에 그리드 형태로 시각화함.
3. [In-Scope] AI 합의 전략 요약서 생성: 추출된 데이터를 바탕으로 보험사의 예상 지급 거절 논리를 분석하고, 이에 대응하는 법리적 근거 및 유사 판례 요약본(A4 1~2매 분량)을 LLM API를 통해 자동 생성함.
4. [In-Scope] 수동 보정 인터페이스: OCR 인식 오류나 수기 기록의 미비점을 보완하기 위해 변호사가 직접 데이터를 수정 및 확정할 수 있는 구조화된 입력 폼을 제공하여 데이터 무결성을 확보함.
5. [In-Scope] 결과물 내보내기: 분석된 결과와 생성된 요약서를 법원 제출용 또는 보험사 협상용 워드(DOCX) 및 PDF 파일로 즉시 다운로드할 수 있는 기능.
6. [Out-of-Scope] 고난도 수기 기록 판독: 필기체나 심하게 훼손된 수기 진단서의 완전 자동 인식은 기술적 리스크를 고려하여 제외하며, 이는 사용자의 수동 입력 프로세스로 대체함.
7. [Out-of-Scope] 외부 시스템 연동: 로펌 내부 ERP, CRM 또는 법원 전자소송 시스템과의 API 연동은 MVP 범위에서 제외하고 독립적인 SaaS 웹 서비스 형태로 운영함.
8. [Out-of-Scope] 모바일 애플리케이션: 대량의 문서 검토 및 서면 작성 업무 특성을 고려하여 초기 버전은 데스크톱 웹 브라우저 환경(Chrome 최적화)에만 집중함.
9. [Out-of-Scope] 의료 영상 직접 분석: X-ray, MRI, CT 등 영상 데이터 자체를 AI가 판독하는 기능은 제외하며, 해당 영상의 텍스트 판독 결과지 분석에만 범위를 한정함.

4주 개발 일정

1주차: 인프라 구축 및 OCR 엔진 최적화

• 과업: 클라우드(AWS) 환경 설정, PDF 업로드 및 비동기 처리 API 개발, Google Vision API 기반 OCR 엔진 연동 및 의료 전문 용어 인식 최적화.
• 산출물: PDF 텍스트 추출 프로토타입 및 기본 웹 인터페이스.
• 담당자: 1인 풀스택 개발자.
• 종료 조건: 100페이지 분량의 스캔 PDF를 120초 이내에 텍스트로 변환하고, 의료 용어 인식률 90% 이상 달성.

2주차: LLM 기반 의료 데이터 구조화 엔진 개발

• 과업: 추출된 텍스트에서 진단명, 상해 등급(1~14급), 노동능력상실률, 기왕증 기여도를 추출하는 프롬프트 엔지니어링 및 JSON 스키마 매핑.
• 산출물: 의료 데이터 자동 추출 대시보드 및 데이터 수동 보정용 입력 폼.
• 담당자: 1인 풀스택 개발자.
• 종료 조건: 테스트용 의료 기록 20건에 대해 핵심 4개 지표 추출 정확도 92% 이상 확보.

3주차: 보험사 대응 법리 요약 및 사건 관리 DB 구축

• 과업: 추출된 데이터를 바탕으로 보험사 지급 거절 논리 방어용 요약서 생성 로직 구현 및 PostgreSQL 기반 사건 관리 데이터베이스 구축.
• 산출물: AI 합의 전략 요약서 생성 모듈 및 PDF 리포트 다운로드 기능.
• 담당자: 1인 풀스택 개발자.
• 종료 조건: 입력 데이터 기반 대응 논리 요약서(A4 2매 분량) 생성 시간이 60초 이내로 완료.

4주차: 보안 강화, 통합 테스트 및 MVP 최종 배포

• 과업: 개인식별정보(PII) AES-256 암호화 적용, JWT 기반 보안 인증 시스템 구축, 전체 워크플로우 통합 테스트 및 프로덕션 환경 배포.
• 산출물: 운영 가능한 Settlement AI MVP 정식 버전.
• 담당자: 1인 풀스택 개발자.
• 종료 조건: 전체 프로세스(업로드-분석-리포트 생성)가 3분 이내에 오류 없이 작동하며 보안 취약점 점검 통과.

4. 핵심 요구사항

정답 요약

요구사항은 기능/비기능/API/데이터 모델을 함께 정의해야 개발 착수 품질이 확보됩니다.

필수 기능 요구사항

1. PDF 업로드 및 텍스트 추출 엔진: 최대 300페이지 분량의 PDF 파일을 2분 이내에 텍스트로 변환하며, OCR 엔진을 통해 스캔된 이미지 내의 의료 용어를 90% 이상의 정확도로 인식함.
2. 핵심 의료 데이터 구조화: 추출된 텍스트에서 진단명, 상해 등급(1~14급), 노동능력상실률(장해율), 기왕증 기여도를 자동으로 식별하여 대시보드에 그리드 형태로 표시함.
3. 수동 보정 및 입력 인터페이스: OCR 인식률이 낮은 수기 진단서나 오독된 데이터를 위해 변호사가 직접 수정할 수 있는 입력 폼을 제공하며, 수정된 데이터는 즉시 분석 엔진에 반영됨.
4. LLM 기반 보험사 대응 논리 생성: OpenAI GPT-4o 또는 Anthropic Claude 3.5 Sonnet API를 연동하여, 보험사의 예상 지급 거절 사유(예: 기왕증 주장)에 대한 의학적/법리적 반박 요약서를 3분 이내에 생성함.
5. 유사 판례 매칭 엔진: 추출된 상해 키워드와 장해율을 기반으로 대법원 및 하급심 판례 DB에서 가장 유사한 승소 사례 3건을 추천하고, 해당 판례의 핵심 판결 요지를 요약서에 자동 삽입함.
6. 로펌 전용 합의 전략 템플릿: 각 로펌이 선호하는 서면 양식을 템플릿화하여 저장하고, AI가 생성한 분석 결과를 해당 양식에 맞춰 즉시 다운로드 가능한 Word(.docx) 파일로 변환함.
7. 사건별 히스토리 및 데이터 축적: 분석된 모든 사건의 의료 데이터와 최종 합의 결과를 DB화하여, 향후 유사 사건 발생 시 로펌 내부의 과거 승소 데이터를 우선적으로 참조하도록 설계함.
8. 사용자 권한 및 보안 관리: 사건별로 담당 변호사와 사무장의 접근 권한을 분리하고, 업로드된 의료 기록은 분석 완료 후 24시간 이내에 비식별화 처리하거나 요청 시 즉시 삭제하는 보안 프로토콜을 구현함.

비기능 요구사항 (성능/보안/안정성)

1. 성능 및 응답성: 최대 300페이지 분량의 PDF 파일 업로드 시 OCR 텍스트 추출은 120초 이내, LLM 기반 의료 데이터 구조화 및 요약서 생성은 60초 이내에 완료되어야 하며 전체 프로세스는 3분 이내에 종료되어야 합니다.
2. 데이터 보안 및 암호화: 모든 의료 기록 및 개인 식별 정보(PII)는 저장 시 AES-256 알고리즘으로 암호화하며, 데이터 전송 구간에서는 TLS 1.3 프로토콜을 강제 적용하여 외부 유출을 원천 차단합니다.
3. 가용성 및 신뢰성: 연중무휴 24시간 서비스 가동률 99.9%를 보장하며, 시스템 장애 발생 시 최대 복구 시간(RTO)은 30분, 데이터 복구 지점 목표(RPO)는 5분 이내로 설정하여 업무 연속성을 확보합니다.
4. 법적 규제 준수: 대한민국 개인정보보호법 및 의료법 가이드라인을 준수하며, 분석이 완료된 원본 PDF 파일은 사용자 요청 시 즉시 파기하거나 별도 설정이 없을 경우 90일 후 복구 불가능한 방식으로 자동 삭제합니다.
5. 동시성 처리: MVP 단계에서 최소 50명의 동시 접속 사용자와 20건의 대용량 PDF 병렬 처리를 지연 없이 수용할 수 있도록 서버리스 아키텍처 또는 컨테이너 기반 오토스케일링을 적용합니다.
6. 정확도 검증 및 품질: OCR 엔진의 의료 전문 용어 인식 정확도는 90% 이상을 유지해야 하며, LLM의 환각 현상을 방지하기 위해 모든 분석 결과에는 원본 문서의 페이지 번호와 해당 문구(Citation)를 명시하여 변호사의 최종 검토를 지원합니다.
7. 감사 로그 및 추적성: 의료 데이터에 대한 모든 접근, 수정, 다운로드 이력은 사용자 ID, IP 주소, 타임스탬프를 포함하여 감사 로그(Audit Log)로 기록되며, 해당 로그는 최소 1년간 변조 불가능한 상태로 보관합니다.
8. 확장성 및 유지보수: 향후 타 로펌의 커스텀 판례 DB 연동을 고려하여 마이크로서비스 아키텍처(MSA) 패턴을 부분 채택하고, 모든 API 응답은 500ms 이내(데이터 처리 제외)에 반환되도록 설계합니다.

화면 흐름과 페이지 경로 (UX Flow / Route Map)

• /login: 이메일 및 법인 계정 기반 보안 로그인
• /dashboard: 수임 사건 현황 및 분석 통계 대시보드
• /cases/new: 신규 의료 기록 PDF 업로드 및 분석 설정
• /cases/:id/analysis: AI

API 연동 규격

Settlement AI의 API는 RESTful 아키텍처를 기반으로 설계되었으며, 모든 데이터 교환은 UTF-8 형식의 JSON을 사용합니다. 인증은 보안을 위해 JWT(JSON Web Token)를 Authorization 헤더에 Bearer 방식으로 포함해야 합니다. 대용량 PDF 처리를 위해 비동기 처리 방식을 채택하고 있으며, 분석 상태는 웹훅(Webhook) 또는 폴링(Polling)을 통해 확인할 수 있습니다.

1. 의료 기록 업로드 및 OCR 분석 요청

• Method: POST
• Path: /api/v1/analysis/upload
• Description: 최대 300페이지, 50MB 이하의 PDF 파일을 업로드하여 텍스트 추출 및 의료 데이터 구조화를 시작합니다.
• Request (Multipart/form-data):
  • file: [Binary PDF File]
  • callbackUrl: “https://lawfirm-client.com/webhook”
• Response (202 Accepted): { “analysisId”: “uuid-789-v4”, “status”: “processing”, “estimatedSeconds”: 120 }

2. 구조화된 의료 데이터 결과 조회

• Method: GET
• Path: /api/v1/analysis/{analysisId}/result
• Description: OCR 및 LLM 분석이 완료된 후 진단명, 상해 등급, 장해율 등의 구조화된 데이터를 반환합니다.
• Response (200 OK): { “analysisId”: “uuid-789-v4”, “data”: { “diagnosisName”: “요추 제4-5간 추간판 탈출증”, “injuryGrade”: 9, “disabilityRate”: 24.0, “contributionRate”: 30.0, “isManualReviewRequired”: false } }

3. AI 합의 전략 요약서 생성

• Method: POST
• Path: /api/v1/strategy/generate
• Description: 특정 보험사의 지급 거절 논리에 대응하는 맞춤형 법리 근거 요약서를 생성합니다.
• Request (Application/json): { “analysisId”: “uuid-789-v4”, “insuranceCompany”: “S-Insurance”, “defenseLogicType”: “pre_existing_condition” }
• Response (200 OK): { “strategyId”: “strat-101”, “summaryText”: “보험사의 기왕증 50% 주장은 최근 판례(2023다1234)에 비추어 부당하며, 사고 기여도 70%를 유지하는 논리를 생성함.”, “precedents”: [“대법원 2022.05.12 선고 2021다9988”, “서울중앙지

데이터 구조

Settlement AI의 데이터 모델은 수백 페이지의 비정형 의료 기록을 법률적 근거로 변환하고, 보험사 대응 전략을 체계적으로 관리하기 위해 관계형 데이터베이스(RDBMS) 구조를 채택합니다. 데이터 무결성과 확장성을 위해 모든 식별자는 UUID를 사용하며, 장해율 및 기왕증 기여도와 같은 정밀한 수치 계산을 위해 DECIMAL 타입을 적용합니다.

1. 사건(Case) 엔티티

• case_id: UUID (PK, 고유 식별자)
• law_firm_id: UUID (FK, 로펌 식별자)
• client_name: VARCHAR(100) (의뢰인 성명)
• incident_type: ENUM(‘TRAFFIC’, ‘INDUSTRIAL’) (사고 유형)
• status: ENUM(‘UPLOADED’, ‘ANALYZING’, ‘REVIEW_REQUIRED’, ‘COMPLETED’) (분석 상태)

2. 의료기록(MedicalRecord) 엔티티

• record_id: UUID (PK, 고유 식별자)
• case_id: UUID (FK, 사건 엔티티 참조)
• file_url: VARCHAR(512) (S3 저장 경로)
• page_count: INT (PDF 총 페이지 수)
• ocr_raw_text: LONGTEXT (추출된 원본 텍스트 데이터)
• uploaded_at: DATETIME (업로드 일시)

3. 분석결과(AnalysisResult) 엔티티

• analysis_id: UUID (PK, 고유 식별자)
• record_id: UUID (FK, 의료기록 엔티티 참조)
• diagnosis_code: VARCHAR(20) (질병/상해 코드)
• injury_grade: INT (1~14급 상해 등급)
• disability_rate: DECIMAL(5, 2) (노동능력상실률 %)
• pre_existing_factor: DECIMAL(5, 2) (기왕증 기여도 %)
• settlement_logic: TEXT (AI 생성 대응 논리 및 판례 근거)
• is_verified: BOOLEAN (변호사 최종 승인 여부, Default: False)

[관계 요약]

• 사건(Case)과 의료기록(MedicalRecord)은 1:N 관계입니다. 하나의 사건에 진단서, 소견서 등 다수의 PDF 파일이 포함될 수 있습니다.
• 의료기록(MedicalRecord)과 분석결과(AnalysisResult)는 1:1 관계입니다. 각 파일당 하나의 구조화된 분석 리포트가 생성됩니다.
• 분석결과의 ‘is_verified’ 필드는 AI의 환각 현상을 방지하기 위해 변호사가 수동 보정 인터페이스를 통해 데이터를 확정했는지 추적하는 핵심 빌드 결정 사항입니다.

5. 개발자 관점 메모 (1인 개발자용)

정답 요약

1인 개발자는 범위 확장보다 검증 루프(생성 -> 검수 -> 제출/결제)를 먼저 닫아야 합니다.

핵심 사용자와 해야 할 일 (JTBD)

1. 주 타겟 사용자: 월평균 15건 이상의 신규 사건을 수임하며, 수백 페이지의 의료 기록 검토에 매일 4시간 이상을 소모하는 3~10인 규모 로펌의 대표 변호사 및 손해배상 전담 사무장.
2. 핵심 과업(JTBD) 1 - 정보 추출: 방대한 PDF 의료 기록(진단서, 소견서, 간호기록지 등)에서 상해 등급, 장해율, 기왕증 기여도 등 핵심 데이터를 5분 이내에 구조화하여 추출하고 수작업 오류를 제거함.
3. 핵심 과업(JTBD) 2 - 논리 구축: 보험사의 전형적인 지급 거절 사유(기왕증 주장, 과잉 진료 등)에 대응하기 위해, 해당 진단명과 유사한 승소 판례 및 의학적 근거를 결합한 반박 요약서를 자동 생성함.
4. 핵심 과업(JTBD) 3 - 업무 표준화: 로펌 내 축적된 과거 합의 데이터와 성공적인 서면 템플릿을 자산화하여, 신입 사무장도 숙련된 전문가 수준의 합의 전략 보고서를 작성할 수 있도록 상향 평준화함.
5. 상황적 맥락(Context): 의뢰인의 독촉 전화가 월 2회 이상 발생하거나, 보험사의 합의 제시액이 예상보다 낮아 추가적인 법리 검토가 급박하게 필요한 시점에 솔루션을 즉시 도입함.
6. 정서적 동기: 복잡한 의료 용어 해석에 대한 심리적 부담감을 해소하고, 단순 반복적인 서면 작성 업무에서 벗어나 고부가가치 의뢰인 상담 및 수임 영업에 집중할 수 있는 환경을 조성함.
7. 사회적 동기: 보험사와의 협상 테이블에서 데이터에 기반한 압도적인 논리적 우위를 점함으로써 로펌의 전문성을 입증하고 의뢰인에게 높은 신뢰를 제공함.
8. 비즈니스 목표: 서면 작성 시간을 기존 대비 80% 단축하여, 추가 인력 채용 없이도 현재 대비 2배 이상의 사건 처리 용량(Capacity)을 확보하고 수익성을 극대화함.

핵심지표(KPI)와 이벤트 추적

Settlement AI의 비즈니스 성장을 견인하기 위해 북극성 지표(North-Star Metric)를 ‘주간 분석 완료된 의료 기록 총 페이지 수’로 설정하고, 사용자 경험의 병목 구간을 파악하기 위해 다음과 같은 핵심 KPI 이벤트를 추적합니다.

1. case_creation_initiated: 사용자가 ‘신규 사건 생성’ 버튼을 클릭할 때 발생하며, 사건 유형(교통사고/산재)을 속성으로 포함합니다.
2. pdf_upload_completed: 의료 기록 PDF 업로드가 완료된 시점에 트리거됩니다. 속성으로 파일 크기(MB), 페이지 수, 업로드 소요 시간을 수집하여 인프라 성능을 모니터링합니다.
3. analysis_engine_success: AI 분석 및 데이터 구조화가 성공적으로 완료된 시점으로, 본 서비스의 핵심 ‘Activation(활성화)’ 지표입니다. 속성에는 전체 처리 시간(초), OCR 인식 신뢰도 점수, 추출된 핵심 지표(장해율 등) 개수가 포함됩니다.
4. manual_data_refinement: 사용자가 AI가 추출한 값을 수동으로 수정할 때 발생합니다. 수정된 필드명과 원본 대비 변경율을 기록하여 LLM의 환각 현상(Hallucination) 발생 빈도를 측정하고 모델 튜닝의 근거로 활용합니다.
5. settlement_strategy_export: 보험사 대응용 합의 전략 요약서를 다운로드하는 시점에 발생하며, 이는 사용자가 최종 가치를 경험한 ‘Retention’의 핵심 신호입니다. 속성으로 파일 형식(PDF/DOCX)과 선택된 템플릿 ID를 수집합니다.
6. subscription_conversion_paid: 무료 체험 후 유료 플랜(Standard/Professional)으로 전환되는 결제 완료 시점에 트리거되는 ‘Revenue(매출)’ 지표입니다. 결제 금액, 플랜 종류, 결제 주기를 속성으로 관리합니다.

모든 이벤트는 Segment를 통해 Amplitude와 BigQuery로 전송되며, 분석 소요 시간이 180초를 초과하는 ‘analysis_delay_alert’ 이벤트 발생 시 운영팀에 즉각 슬랙 알림이 전송되도록 설계하여 사용자 이탈을 방지합니다.

위험요소/가정/열린 질문

1. 저화질 스캔본 및 수기 진단서의 OCR 인식률 저하 리스크: 의료 현장에서 발생하는 팩스본이나 수기 기록의 경우, 현재 목표로 하는 90% 인식률을 하회할 가능성이 있습니다. 이를 방어하기 위해 1주차에 Google Vision API와 별도의 의료 특화 전처리 필터를 결합하여 노이즈를 제거하며, 인식 불가 영역은 즉시 ‘수동 입력 폼’으로 전환되는 UX를 구현합니다.
2. LLM 환각(Hallucination)으로 인한 허위 판례 및 의학 근거 생성 리스크: AI가 존재하지 않는 판례를 인용하거나 의학적 인과관계를 왜곡할 위험이 있습니다. 이를 방지하기 위해 생성된 모든 문장에 대해 ‘원본 텍스트 하이라이트’ 기능을 제공하여 변호사가 10초 이내에 근거를 교차 검증할 수 있도록 설계하며, 법적 책임 면책 조항을 서비스 약관에 명시합니다.
3. 민감 의료 데이터(PII) 유출 및 보안 규제 리스크: 환자의 주민등록번호, 병력 등 민감 정보 취급에 따른 법적 리스크가 존재합니다. 데이터 전송 시 TLS 1.3을 적용하고, 분석 완료 후 24시간 이내에 원본 PDF를 서버에서 영구 삭제하는 ‘Zero-Retention’ 정책을 기술적으로 강제하여 보안 사고를 원천 차단합니다.
4. 보험사의 AI 대응 체계 구축 및 전략 무력화 리스크: 보험사가 역으로 AI를 활용해 로펌의 대응 논리를 자동 반박할 가능성이 있습니다. 이에 대응하여 단순 템플릿 생성이 아닌, 해당 로펌이 보유한 ‘과거 승소 합의 데이터’를 RAG(Retrieval-Augmented Generation) 방식으로 우선 참조하게 하여 로펌별 고유한 전략적 우위를 유지합니다.
5. 사용자 수용성 가정: 변호사와 사무장이 90%의 정확도를 가진 AI 결과물을 검토하는 것이 처음부터 직접 작성하는 것보다 심리적/물리적으로 80% 이상 빠르다고 느낄 것이라는 가정하에 MVP를 개발합니다. 만약 검토 시간이 작성 시간과 대등하다면, UI를 ‘요약’ 중심에서 ‘데이터 추출’ 중심으로 즉시 피벗합니다.
6. 비용 구조 가정: 사건당 평균 200페이지의 PDF를 처리할 때 발생하는 OCR 및 LLM API 비용이 사건당 5,000원 이하로 유지될 것이라는 가정입니다. 비용 초과 시, 텍스트 레이어가 있는 PDF는 OCR을 건너뛰는 로직을 구현하여 운영 마진을 확보합니다.
7. 미결정 사항(Open Question) - ERP 연동 범위: 로펌 내부에서 이미 사용 중인 사건 관리 시스템과의 API 연동 필요성이 제기될 수 있습니다. 초기 4주 MVP에서는 독립형 SaaS로 운영하되, 2단계에서 데이터 내보내기(CSV/JSON) 기능을 우선순위에 둘지 결정이 필요합니다.
8. 미결정 사항(Open Question) - 법적 책임 소재: AI가 제안한 합의 전략의 오류로 인해 실제 합의금이 기대치보다 낮게 책정될 경우의 분쟁 가능성입니다. ‘최종 결정권자는 변호사’임을 명시하는 워크플로우를 강제하고, AI 제안서 하단에 워터마크 형태의 경고 문구를 삽입할지 여부를 법무 검토 중입니다.

6. 사업 관점 메모 (투자/사업 검토용)

정답 요약

사업성 판단은 가격 가설, 시장 근거, 투자 대비 효과(ROI) 시나리오가 한 세트로 정렬될 때만 의미가 있습니다.

가격 정책과 수익화

1. 구독 기반 SaaS 요금제 체계: Settlement AI는 로펌의 규모와 월평균 사건 수임량에 최적화된 두 가지 핵심 구독 플랜을 제공하며, 모든 결제는 매월 또는 매년 선불 방식으로 진행됩니다.
2. Standard 플랜 (월 500,000원): 월 최대 20건의 신규 사건 분석을 지원하며, 3~5인 규모의 소형 로펌에 적합합니다. 기본 OCR 엔진, 핵심 의료 데이터 구조화, 표준 합의 전략 요약서 생성 기능을 포함합니다.
3. Professional 플랜 (월 1,200,000원): 사건 분석 건수에 제한이 없으며, 5인 이상의 중형 로펌을 타겟으로 합니다. Standard 기능을 포함하여 로펌별 맞춤형 승소 전략 템플릿 설정 및 과거 승소 판례 DB 연동 기능을 제공합니다.
4. 초과 사용료 정책: Standard 플랜 사용자가 월 기본 제공량인 20건을 초과하여 분석을 요청할 경우, 추가 건당 30,000원의 비용을 부과하여 유연한 확장을 지원합니다.
5. 연간 구독 할인 혜택: 12개월 선결제 시 총 구독료의 20% 할인을 적용하여(Standard 기준 연 4,800,000원), 고객의 장기 리텐션을 확보하고 초기 현금 흐름을 개선합니다.
6. 초기 도입 및 온보딩 비용 (1,000,000원, 1회성): 신규 고객사를 대상으로 기존 로펌 데이터 마이그레이션, 사용자 교육, 맞춤형 템플릿 설정을 위한 1회성 셋업 비용을 청구하여 초기 이탈을 방지합니다.
7. 엔터프라이즈 커스텀 요금제: 20인 이상의 대형 로펌을 대상으로 전용 서버 구축(Private Cloud) 및 내부 ERP 시스템과의 API 연동을 포함한 맞춤형 솔루션을 별도 협의를 통해 제공합니다.
8. 데이터 기반 부가 수익 모델: 축적된 익명화 합의 데이터를 가공하여 향후 ‘지역별/상해별 실시간 합의금 통계 리포트’를 유료 애드온(Add-on) 형태로 판매하여 추가 수익원을 창출합니다.

시장 근거와 가격 타당성

1. 시장 증거 (Market Evidence 1): 대한변협 및 리걸테크 산업 보고서에 따르면, 국내 손해배상 전문 로펌의 70% 이상이 수백 페이지에 달하는 의료 기록 검토 과정에서 발생하는 병목 현상을 최대 경영 리스크로 꼽고 있습니다. 특히 2024년 전 세계 리걸테크 투자액이 49.8억 달러(약 7.3조 원)로 2021년 이후 최고치를 기록하고, 글로벌 시장 규모가 2032년 74조 원에 이를 것으로 전망됨에 따라(전자신문, 매일경제), 국내 로펌들 역시 ‘Harvey’와 같은 AI 에이전트를 도입한 글로벌 대형 로펌(Allen & Overy 등)의 선례를 따라 데이터 기반의 반박 도구를 필수적으로 갖추어야 하는 ‘기술적 군비 경쟁’ 단계에 진입했습니다.

2. 시장 증거 (Market Evidence 2): 최근 3년간 교통사고 및 산재 관련 소송 규모는 연평균 8% 성장하고 있으나, 전문 사무장의 인건비는 15% 이상 상승하여 로펌의 수익성이 악화되고 있습니다. 이는 단순 반복적인 기록 분석 업무를 AI로 대체하고자 하는 수요가 임계점에 도달했음을 시사하며, 리걸테크를 통한 업무 효율화가 변호사 업무 경감 및 일반인 접근성 제고의 핵심 동력으로 부상하고 있습니다.

3. 경쟁사 가격대 분석: 기존 판례 검색 서비스(LBox, 케이스노트 등)는 월 510만 원 수준이나 이는 단순 검색에 국한됩니다. 반면, 외부 의료 기록 분석 컨설팅 업체에 의뢰할 경우 건당 3050만 원의 비용이 발생하며 결과 수령까지 평균 1주일이 소요됩니다.

4. Standard 티어 책정 근거: 월 500,000원(20건 분석)은 건당 비용을 25,000원 수준으로 낮추어, 외부 컨설팅 대비 90% 이상의 비용 절감 효과를 제공합니다. 이는 월 15건 이상 수임하는 소규모 로펌이 사무장 추가 채용 없이 업무량을 소화할 수 있는 최적의 가격점입니다.

5. Professional 티어 책정 근거: 월 1,200,000원 요금제는 무제한 분석과 로펌 고유의 승소 판례 DB 연동 기능을 제공합니다. 이는 Jira 등 협업 솔루션이 사용자 10명 초과 시 Standard로 전환하며 비용이 증가하는 구조(성공가이드)와 유사하게, 10인 내외 규모의 로펌이 대형 보험사를 상대로 독점적인 대응 논리를 구축하고 조직적 생산성을 극대화하기 위한 ‘전략적 자산’으로서의 가치를 부여합니다.

6. ICP(타겟 고객) 정당화: 3~10인 규모 로펌의 경우, 본 솔루션 도입을 통해 월평균 40시간의 서면 작성 시간을 절감할 수 있습니다. 변호사의 시간당 기회비용을 15만 원으로 환산할 경우 월 600만 원의 가치가 창출되며, 이는 Standard 구독료 대비 12배의 ROI를 보장합니다.

7. 구매 결정 트리거: 월간 신규 수임 건수가 15건을 초과하여 사무장의 업무 과부하가 발생하거나, 서면 작성 지연으로 인해 의뢰인 컴플레인이 월 2회 이상 발생할 때 로펌 대표는 즉각적인 도입 결정을 내리는 것으로 분석되었습니다.

8. 개발 및 가격 전략: 초기 4주 MVP 단계에서는 SaaS 구독형을 채택하여 도입 장벽을 최소화합니다. 특히 생성형 AI 도입 시 우려되는 기술적 오류와 업무 지장 리스크를 최소화하기 위해(인텔리콘 등 사례 참조), PDF 텍스트 추출 정확도를 90% 이상으로 유지하고 수동 재검토 비용을 제거함으로써 가격 대비 성능 우위를 확고히 합니다. 이는 향후 일본, 싱가포르 등 글로벌 시장 확장 시에도 핵심 경쟁력이 될 것입니다.

투자 대비 효과(ROI) 시나리오

1. ROI 산출 공식 및 기본 전략: 본 솔루션의 경제성 분석은 ROI(%) = ((총 절감 비용 - 도입 비용) / 도입 비용) * 100 공식을 기반으로 합니다. 특히 딥러닝 기술의 발전으로 방대한 의료 데이터의 통합적 활용과 해석이 가능해진 시장 환경을 반영하여(송기복, 2023), 고임금 전문 인력인 변호사와 사무장의 단순 반복 업무를 AI로 대체함으로써 발생하는 직접적 인건비 절감액을 핵심 수익원으로 정의합니다.

2. 수치적 가정 1 (시간 절감): 월평균 20건의 신규 사건을 처리하는 5인 규모 로펌을 기준으로 합니다. 독보적인 VLM OCR 기술을 활용하여 의료 기록 분석 및 보험사 대응 서면 초안 작성 시간을 기존 4시간에서 30분으로 87.5% 단축함으로써(한국딥러닝, 20

7. 시각 자료 (프로토타입/와이어프레임)

정답 요약

핵심 사용자 흐름을 검증할 수 있도록 프로토타입을 페이지 단위로 제공합니다.

산출물 구성

프로토타입 (멀티페이지)

/login: 이메일 및 법인 계정 기반 보안 로그인

• Route: /login
• Device: DESKTOP
• 인터랙티브 프로토타입 보기

/dashboard: 수임 사건 현황 및 분석 통계 대시보드

• Route: /dashboard
• Device: DESKTOP
• 인터랙티브 프로토타입 보기

/cases/new: 신규 의료 기록 PDF 업로드 및 분석 설정

• Route: /cases/new
• Device: DESKTOP
• 인터랙티브 프로토타입 보기

와이어프레임 후보

• 현재 운영 정책에서는 와이어프레임을 별도 생성하지 않습니다.
• 프로토타입은 서비스 흐름에 맞는 멀티페이지로 검토합니다.

8. 검증 메모 및 한계

정답 요약

이 섹션은 불확실성과 실패 조건을 명시해 과도한 낙관을 차단하기 위한 구간입니다.

핵심 가정 점검(반대 시나리오 포함)

핵심 가정

• 변호사는 AI가 요약한 의료 분석 결과의 오류 가능성을 감수하고 보험사와의 협상 테이블에서 이를 전적으로 신뢰할 것이다. (분류: 관성)
• 보험사의 지급 거절 논리는 정형화된 패턴 내에 존재하며, LLM의 추론 능력만으로 전문 의료 지식의 공백을 메울 수 있다. (분류: 법제)
• 네이버 지식인과 같은 공개된 데이터가 고부가가치 수임으로 직결되는 유효한 타겟팅 소스 역할을 수행할 것이다. (분류: 관성)

전복 관점

• 변호사는 업무 효율화가 아닌 청구 가능한 시간(Billable Hours)의 극대화를 원하며, AI를 통한 빠른 합의는 로펌의 수익성을 악화시킨다.
• 보험사는 로펌보다 거대한 자본과 데이터를 투입해 AI 방어 체계를 구축함으로써 자동화된 합의 전략을 즉각 무력화한다.
• 의료 기록의 미세한 오독이 초래할 법적 책임과 징계 리스크가 AI 도입으로 얻는 시간적 이득보다 압도적으로 크다.

재구성

변호사의 업무 편의를 돕는 도구라는 관성적 정의를 폐기한다. 대신, 보험사의 손해사정 인력이 물리적으로 검토 불가능한 수준의 방대한 판례와 의학적 반박문을 매 초마다 쏟아내어, 보험사가 검토 비용을 감당하지 못하고 조기 합의를 선택하게 만드는 ‘행정적 마비 공격 시스템’으로 전복한다.

품질/생성 검증

• qualityPass: true
• quality notes: (none)
• uiConsistencyPass: true
• UI 일관성 기준 통과: 3개 HTML 산출물에 디자인 시스템 토큰(pysyntax-design-system-v1)이 적용됨
• designSystemVersion: pysyntax-design-system-v1
• brandingTitleScore: 100
• branding title warnings: (none)

이미지 생성 이슈 로그

• (none)

자주 묻는 질문(FAQ)

Q1. 이 아이디어의 첫 유료 고객은 누구인가요?

주 타겟 사용자: 월평균 15건 이상의 신규 사건을 수임하며, 수백 페이지의 의료 기록 검토에 매일 4시간 이상을 소모하는 3~10인 규모 로펌의 대표 변호사 및 손해배상 전담 사무장.

Q2. 4주 최소 기능 버전(MVP)에서 반드시 구현할 범위는 어디까지인가요?

[In-Scope] PDF 업로드 및 OCR 엔진: 최대 300페이지 분량의 PDF 파일을 2분 이내에 처리하며, 텍스트 레이어가 없는 스캔본에서도 의료 용어를 90% 이상의 정확도로 추출하는 엔진을 구축함.

Q3. 1인 개발자가 단독으로도 실행 가능한가요?

주차: 인프라 구축 및 OCR 엔진 최적화

Q4. 가격과 수익화 가설은 어떻게 검증하나요?

구독 기반 SaaS 요금제 체계: Settlement AI는 로펌의 규모와 월평균 사건 수임량에 최적화된 두 가지 핵심 구독 플랜을 제공하며, 모든 결제는 매월 또는 매년 선불 방식으로 진행됩니다.

Q5. 실패 가능성이 가장 큰 지점은 무엇인가요?

핵심 리스크는 ‘의료 데이터 취급에 따른 개인정보보호법 준수 및 보안 환경 구축 비용 발생 가능성’이며, 이 항목을 먼저 검증하지 않으면 빌드 성공률이 급격히 떨어집니다.

Q6. 지금 바로 개발해도 되나요?

현재 판정은 PASS(95점)이며, 4주 MVP 착수 가능한 실행 스펙이 포함되어 있습니다.

출처 및 근거

1. 알렉스 차 교통사고 변호사 | 개인 상해 및 레몬법 전문 법률그룹
2. 정경일 변호사의 교통사고 로펌
3. 블로그 - The Law Office of Steven Louros 스티븐의 변호사
4. 뉴저지 최고의 개인 상해 및 사고 변호사들 | Maggiano, DiGirolamo & Lizzi P.C.
5. 버뱅크 최고 평점 교통사고 변호사
6. 우리 교통사고 변호사 소개 - 드림팀 변호사들이 직접 케이스를 처리하는 로펌
7. Samil PwC l Samil Insight 0
8. 파트너 AI 솔루션을 통한 산업 성과 견인 | Databricks Blog
9. 딜로이트 인사이트 | Deloitte Korea
10. 의료 분야에서 AI의 이점 | IBM
11. 의료 AI의 병원 적용사례와 과제 - 국가전략정보포털 - 국회도서관