금융에서 에이전트 인공지능: 데이터 리더들이 안전하게 확장하는 방법

유럽 전역에서 금융 서비스의 데이터 리더들은 인공지능 도구를 구현하고 확장하는 것에 대한 열망과 규제, 리스크 관리, 그리고 구체적인 가치를 입증하는 것의 어려움 사이에서 고민하고 있습니다. 우리의 CDO Insights 2025 설문조사에 따르면, 전 세계 데이터 리더의 97% 이상이 생성적 인공지능의 비즈니스 가치를 명확하게 입증하는 것에 어려움을 겪고 있다고 합니다. 또한, 87%의 데이터 리더들이 인공지능에 대한 투자를 가속화할 계획이지만, 67%의 데이터 리더들이 인공지능 파일럿 프로젝트 중 절반 미만을 전체적인 배포로 전환했다고 합니다.

한 가지 큰 장애물은 리더십의 승인을 얻는 것입니다. 데이터 리더의 35% 이상이 지원을 얻고 가치를 입증하는 것이 인공지능의 롤아웃을 방해하는 주요課題라고 합니다. 이는 많은 사람들이 측정 가능한 성과를 얻지 못한 채 더 넓은 롤아웃에 대한 확신을 얻지 못한 채로 머무르게 된다는 것을 의미합니다.

이러한 주저함은 기술의 잠재력과는 뚜렷한 대조를 이루고 있습니다. McKinsey는 인공지능과 분석이 글로벌 뱅킹에 최대 1조 달러의 추가 연간 가치를 제공할 수 있다고 추정합니다. 또한, 생성적 인공지능만으로도 뱅킹의 운영 이익에 최대 3400억 달러를 기여할 수 있다고 합니다. 이는 무시할 수 없는 기회이지만, 규제를 준수하고 신뢰를 구축하며 입증된 성과를 얻는 방식으로 접근해야 합니다.

앞으로의 길

상당한 장애물에도 불구하고, 유럽과 세계 다른 지역의 여러 조직이 인공지능 롤아웃을 진행하고 있으며, 인공지능 에이전트의 혜택을 얻는 방법을 탐색하고 있습니다. 이러한 조직은 복잡하고 장기적인 배포에 뛰어들지 않고, 점진적인 접근 방식을採用하고 있습니다. 즉, 작은 규모에서 시작하여 확신을 얻고, 가치를 입증한 후에 기술이 효과를 입증한 후에만 확장합니다.

가장 성공적인 인공지능 롤아웃은 하룻밤에 이루어지지 않습니다. 이러한 롤아웃은 작은 규모의 영향을 미치지만 신뢰를 구축하고 결과를 제공하는 것으로 시작됩니다. 시작하기 위한 세 가지 단계는 다음과 같습니다.

1. 확장하기 전에 인공지능으로 데이터를 청소하십시오

규제 승인이 있더라도 인공지능 시스템은 그들이 구축된 데이터만큼 강력합니다. 데이터 품질이 좋지 않으면 정확성, 효율성, 신뢰성이 저하됩니다. 실제로, 43%의 데이터 리더들이 데이터 문제가 생성적 인공지능을 확장하는 데 가장 큰 장애물이라고 합니다.

幸い, 인공지능 자체가 이러한 데이터 문제를 해결하는 데 도움이 될 수 있습니다. 예를 들어, 금융 서비스에서 일부 회사들은 인공지능 도구를 사용하여 계정 수취 데이터를 정리하고, 중복을 제거하고, 구식 항목을 수정하고, 일치하지 않는 레코드를 해결합니다. 일단 데이터가 일치하고 신뢰할 수 있으면, 회사들은 자동으로 추적을 자동화하고, 현금 흐름을 개선하고, 인공지능 기반 통찰력에 대한 확신을 얻을 수 있습니다. 이것은 또한 주요 투자 우선 순위입니다. 86%의 데이터 리더들이 데이터 관리 비용을 증가시킬 계획이 있으며, 거의 절반이 인공지능에 적합한 데이터를 만드는 것을 주요 동기로 꼽았습니다.

2. 집중된 실행 에이전트로 시작하십시오

狭い 목적의 “실행자” 에이전트를 배포하는 것은 측정 가능한 승리를 얻는 가장 빠른 방법 중 하나입니다. 이러한 에이전트는 매우 구체적이고 정의된 작업, 즉 회의 요약을 컴파일하는 것, 표준 거래를 처리하는 것, 또는 수신 고객 문의를 분류하는 것을 처리하도록 설계되었습니다.

집행 에이전트는 단순히 모니터링할 수 있으므로 출력이 명확하게 추적 가능하고 정확성을 검증하기 쉽습니다. 이는 운영 리스크를 줄이고早期 성과를 제공하여 이해관계자의 승인을 얻는 데 도움이 됩니다.

한 번의 작업 에이전트에서 성공을 입증한 후, 조직은 더 복잡한 에이전트 구조, 즉 플래너와 오케스트레이터를 도입하여 다단계 워크플로를 처리할 수 있습니다.

3. 자동화를 통해 규제 보고를 간소화하십시오

규제는 금융 서비스에서 매우 자원 집약적인 분야입니다. 규제 보고는 여러 소스에서 데이터를 수집하고 조정하는 것을 필요로 하며, 이는 수백 시간을 소요할 수 있고 훈련된 전문가의 작은 プール에 의존할 수 있습니다. 인공지능은 이 분야에서 탁월한 성과를 показ하며, 기술을 테스트하고 확장하기 위한 훌륭한 출발점을 제공합니다.

일단 기본 데이터가 청소되고 구조화되면 인공지능이 일부 중간 작업을 인수할 수 있습니다. 예를 들어, BCBS 239 규정 준수 보고서를 생성하는 것은 메타데이터 매핑과 에이전트 인공지능 모델의 조합을 사용하여 부분적으로 자동화할 수 있습니다. 이러한 시스템은 정확한 초안을 생성할 수 있으며, 이는 규제 담당자에 의해 검토되어 처리 시간을 줄이고 품질 관리를 유지합니다.

이 분야의 잠재력은 상당합니다. McKinsey는 글로벌 은행이 “에이전트 팩토리” 접근 방식을 채택하여 고객 확인(KYC) 프로세스에서 200%에서 2,000%의 생산성 향상을 달성했다고 강조합니다. 그들은 인간의 감독을 유지하면서 가장 시간이 걸리는 단계를 자동화했습니다.

다국적 은행의 데이터 여정에서 얻은 교훈

네덜란드의 한 다국적 은행은 인공지능 성공을 위한 데이터 기반의 중요성을 인식했습니다. 그것은 데이터 관리를 우선순위로 삼았고, 확장 가능한 조직 프로세스를 구축하기 위해 적절한 투자를 하였습니다. 또한, 팀에게 명확한 방향과 강한 跨機能적인 협력을 제공하여 성공할 수 있도록 했습니다. 이러한 데이터, 팀, 전략적 방향의 조합이 인공지능이 비즈니스 가치를 제공하는 데 필요한 것입니다. 기술적인 결과만이 아니라.

제어를 잃지 않고 모멘텀을 구축하기

76%의 금융 서비스 회사들이 향후 12개월 내에 에이전트 인공지능 솔루션을 롤아웃할 계획이므로, 모멘텀은 구축되고 있습니다. 그러나, 가장 성공적인 조직은 전면적인 변화를 서두르지 않고 있습니다. 그들은 인공지능을 전략적으로 배포하고, 측정 가능한 가치를 제공하며, 운영 효율성을 개선하는 작은 규모의 사용 사례에 집중하고 있습니다. 또한, 모든 단계에서 거버넌스를 내장하여 규제 팀이 초기에 참여하도록 하고 있습니다.

점진적인 접근 방식을 채택함으로써, 회사들은 신뢰나 규제 준수를 희생하지 않고 인공지능을 채택할 수 있습니다. “작은 규모”에서 시작하여 성과를 입증하고 확신을 얻은 후에 확장하는 것을 의도적인 성장 전략으로 전환하여 인공지능의 1조 달러의 잠재력을解放할 수 있습니다. 인공지능 채택에서 속도는 중요하지만, 안전성과 확장성은 더 중요합니다. 작은 규모에서 시작하여 가치를 입증하고 확신을 얻은 후에 확장하는 금융 서비스 기관이 인공지능의 잠재력을 가장 잘解放할 것입니다.