금융 분야의 에이전트 AI: 데이터 리더들이 안전하게 확장하는 방법

유럽 전역의 금융 서비스 데이터 리더들은 줄타기를 하는 듯한 입장에 처해 있습니다. AI 도구를 구현하고 확장하고 싶은 열망은 있지만, 규정 준수, 리스크 관리, 그리고 실질적인 가치를 입증해야 하는 과제에 의해 제약을 받고 있습니다. 우리의 CDO Insights 2025 설문조사에 따르면, 전 세계 데이터 리더의 97% 이상이 생성형 AI의 비즈니스 가치를 명확히 입증하는 데 어려움을 겪고 있다고 말합니다. 또한 87%가 AI에 대한 투자를 가속화할 계획이지만, 67%는 AI 파일럿 프로젝트의 절반 미만만을 본격적으로 배포한 상태라고 인정합니다. 가장 큰 걸림돌 중 하나는 리더십의 지지를 확보하는 것입니다. 3분의 1 이상(35%)이 지지 확보와 가치 입증이 AI 도입을 가로막는 주요 과제라고 말합니다. 이는 측정 가능한 성과 증거 없이는 광범위한 도입을 주저하며, 많은 기업들이 제자리걸음 상태에 머물러 있음을 의미합니다. 이러한 주저함은 기술의 잠재력과 극명한 대비를 이룹니다. McKinsey는 AI와 분석이 글로벌 은행에 연간 최대 1조 달러의 추가 가치를 제공할 수 있으며, 생성형 AI 단독으로는 영업이익에 최대 3,400억 달러를 기여할 수 있다고 추정합니다. 이는 무시하기에는 너무나 중요한 기회이지만, 규정 준수를 보호하고 신뢰를 구축하며 입증된 수익을 창출하는 방식으로 접근해야 합니다.

나아갈 길

상당한 역풍에도 불구하고, 유럽과 세계 각지에는 AI 도입을 진행하며 AI 에이전트의 보상을 얻는 방법을 탐구하는 조직들이 있습니다. 진전을 이루고 있는 조직들은 복잡하고 장기적인 배포에 무턱대고 뛰어들어서가 아닌, 신중한 접근 방식을 채택하고 있습니다. 즉, 소규모로 시작하여 신뢰를 쌓고 가치를 입증한 후, 기술이 그 효능을 입증했을 때에만 확장하는 것입니다. 가장 성공적인 AI 도입은 하룻밤 사이에 일어나지 않습니다. 신뢰를 구축하고 결과를 제공하는 작지만 영향력 있는 움직임으로 시작합니다. 시작하기 위한 세 가지 단계는 다음과 같습니다.

1. 확장 전에 AI를 사용하여 데이터를 정리하라

규제 승인을 받았다 하더라도, AI 시스템은 그 기반이 되는 데이터만큼만 강력합니다. 열악한 데이터 품질은 정확성, 효율성 및 신뢰를 훼손할 것입니다. 실제로 데이터 리더의 43%가 데이터 문제가 생성형 AI 확장의 가장 큰 장애물이라고 말합니다. 고무적으로도, AI 자체가 이러한 데이터 문제를 해결하는 데 도움을 줄 수 있습니다. 예를 들어 금융 서비스 분야에서 일부 기업들은 AI 도구를 사용하여 매출채권 데이터를 정리하고, 중복을 제거하며, 오래된 항목을 수정하고, 불일치하는 기록을 해결하고 있습니다. 데이터가 정렬되고 신뢰할 수 있게 되면, 기업들은 후속 조치를 자동화하고 현금 흐름을 개선하며 AI 기반 통찰력에 대한 확신을 가지고 운영할 수 있습니다. 이는 또한 최우선 투자 사항입니다. 데이터 리더의 86%가 데이터 관리 지출을 늘릴 계획이며, 그 중 거의 절반이 AI에 적합한 데이터를 만드는 것을 주요 동기로 꼽았습니다.

2. 집중된 실행자(Executor) 에이전트로 시작하라

좁은 목적의 “실행자” 에이전트를 배포하는 것은 측정 가능한 성과를 창출하는 가장 빠른 방법 중 하나입니다. 이러한 에이전트는 회의 요약 작성, 표준 거래 처리, 들어오는 고객 문의 분류 등 매우 구체적이고 명확하게 정의된 작업을 처리하도록 설계됩니다. 실행자 에이전트는 모니터링이 간단하므로, 출력물이 명확하게 추적 가능하고 정확성을 검증하기가 더 쉽습니다. 이는 운영 리스크를 줄일 뿐만 아니라, 이해관계자들에게 초기 성과 증거를 제공하여 광범위한 도입에 대한 지지를 확보하는 데 도움을 줍니다. 단일 작업 에이전트로 성공을 입증한 후, 조직들은 다단계 워크플로우를 처리하기 위해 플래너(Planner) 및 오케스트레이터(Orchestrator)와 같은 더 복잡한 에이전트 구조를 도입할 수 있습니다.

3. 자동화를 통해 규정 준수 보고 간소화

규정 준수는 금융 서비스에서 자원이 매우 많이 소요되는 분야입니다. 규제 보고는 종종 여러 소스에서 데이터를 수집하고 조정해야 하며, 이 과정은 수백 시간을 소모하고 소수의 훈련된 전문가에 의존할 수 있습니다. AI는 이 분야에서 뛰어난 능력을 발휘하며, 기술을 테스트하고 확장하기 위한 훌륭한 시작점을 제공합니다. 기본 데이터가 정리되고 구조화되면, AI가 일부 힘든 작업을 떠맡을 수 있습니다. 예를 들어, 메타데이터 매핑과 에이전트 AI 모델을 결합하여 BCBS 239 준수 보고서 생성을 부분적으로 자동화할 수 있습니다. 이러한 시스템은 정확한 초안을 생성할 수 있으며, 이는 이후 규정 준수 담당자가 검토하여 품질 관리를 유지하면서 처리 시간을 단축시킵니다. 여기서의 잠재력은 상당합니다. McKinsey는 “AI 에이전트 팩토리” 접근 방식을 채택하여 한 글로벌 은행이 KYC(고객확인) 프로세스에서 200%에서 2,000%의 생산성 향상을 달성한 사례를 강조합니다. 그들은 인간의 감독을 유지하면서 가장 시간이 많이 소요되는 단계를 자동화했습니다.

다국적 은행의 데이터 여정에서 얻은 교훈

한 네덜란드 다국적 은행은 AI 성공을 위한 데이터 기반 구축의 중요성을 인식했습니다. 그들은 데이터 관리의 중요성을 깨닫고 이를 최우선 과제로 삼았습니다. 대규모로 제공할 수 있도록 적절한 조직 프로세스에 투자하고, 팀에 권한을 부여하기 위한 신중한 선택을 했습니다. 그리고 팀들이 성공할 수 있도록 명확한 방향과 강력한 크로스펑셔널 협업을 제공했습니다. 신뢰할 수 있는 데이터, 권한을 부여받은 팀, 명확한 전략적 방향의 결합이 바로 AI가 단순한 기술적 성과가 아닌 비즈니스 가치를 제공할 수 있게 하는 요소입니다.

통제력을 잃지 않고 추진력을 구축하라

금융 서비스 기업의 76%가 향후 12개월 내에 에이전트 AI 솔루션을 도입할 계획인 만큼, 추진력이 커지고 있습니다. 그러나 가장 성공적인 조직들이 전면적인 변혁으로 서둘러 뛰어들지 않는다는 것은 분명합니다. 그들은 전략적으로 AI를 배포하며, 측정 가능한 가치를 제공하고 운영 효율성을 향상시키는 작고 잘 통제된 사용 사례에 집중하고 있습니다. 또한 모든 단계에 거버넌스를 내재화하여 규정 준수 팀이 초기부터 자주 참여하도록 보장하고 있습니다. 이러한 점진적 접근 방식을 채택함으로써, 기업들은 신뢰나 규제 정합성을 희생하지 않으면서 AI 도입을 가속화할 수 있으며, “소규모로 시작하기”를 인식된 한계에서 의도적이고 입증된 성장 전략으로 전환할 수 있습니다. AI 도입에 있어 속도는 중요하지만, 안전성과 확장성이 더 중요합니다. 소규모로 시작하여 가치를 입증하고 확신을 가지고 확장하는 금융 서비스 기관들이 AI의 1조 달러 규모 잠재력을 해제할 최적의 위치에 설 것입니다.