AI가 기존 은행 시스템을 교체하지 않고 대출을 현대화하는 방법

은행의 코어 시스템에 손을 대는 일은 언제나 엔지니어링팀을 긴장시킨다. 레거시 솔루션은 경직돼 있어 단 하나의 변경도 전체 절차를 거치는 데 한 달이 걸릴 수 있다. 은행의 주요 수입원 중 하나인 대출 업무가 이 영향을 가장 크게 받는다.

은행 코어에 새 버전을 배포해 본 사람이라면 그 양상을 알고 있다. 새로운 상품에는 새로운 승인 단계, 수정된 문서 확인 목록, 조정된 점수 규칙, 업데이트된 보고 데이터 흐름이 필요하며, 각각은 수십 년 동안 작동해 온 코드를 건드린다.

그 결과 모두가 필요성에 동의하더라도 새로운 상품과 업데이트가 연기된다. 기다리는 위험보다 실수의 위험이 늘 더 컸기 때문이다. 정확히 말하면 과거에는 그랬다. 오늘날에는 기술 변화에 뒤처지는 일이 훨씬 더 큰 위험이 됐다.

그러나 코어 시스템 옆에 별도로 배포되는 AI 구성 대출 플랫폼을 상상해 보자. 새로운 신용 흐름은 독립적으로 작동하며 통합을 통해 코어와 연결된다. 이 방식에서는 대출 기반시설의 변경이 테스트를 거친 소규모 배포의 연속이 되고, 오류는 실제 대출자에게 닿기 전에 테스트 과정에서 드러난다. 이것이 엔지니어링팀의 부담을 덜어줄 수 있을까?

수요는 레거시 코어의 변화 속도보다 빠르게 증가한다

대출 실행 소프트웨어 시장은 The Business Research Company에 따르면 2030년까지 연평균 11.8% 성장할 전망이다. 참고로 Technavio의 전망을 기준으로 더 넓은 기업용 소프트웨어 시장과 거의 같은 속도다. 대출 업무가 일반적으로 은행 기술 체계에서 변화를 가장 꺼리는 영역이라는 점을 생각하면 주목할 만하다.

이 성장의 한 가지 원인은 대출 업무의 변화를 늦추는 레거시 코어의 경직성이다. 은행과 핀테크 기업은 소규모 업데이트의 승인을 몇 달씩 기다리지 않고 코어 주변에 신용 상품을 출시할 수 있는 도구를 점점 더 많이 도입하고 있다.

엔지니어링팀은 한 번의 실수도 매우 큰 비용을 초래할 수 있다는 것을 안다. 2018년 4월 TSB Bank는 고객 데이터를 새로운 플랫폼으로 이전했지만, 플랫폼은 가동 직후 장애를 일으켰다. 상당수 고객이 은행 서비스에 접근하지 못했고 은행은 막대한 손실을 입었다. 많은 엔지니어링팀은 지금도 코어 시스템 배포를 계획할 때마다 이 사례를 언급한다.

더욱이 대출 업무의 오류는 대차대조표에 곧바로 영향을 준다. 잘못 구성된 승인 기준은 거절했어야 할 대출을 승인하거나, 자격을 갖춘 신청자를 돌려보낸다. 어느 쪽이든 몇 주 안에 손실이나 수익 감소로 나타난다.

대출에서 AI가 가장 큰 효과를 더하는 지점

은행은 대개 가장 익숙하고 겉보기에 안전한 통합부터 AI를 도입한다. 고객 인터페이스의 챗봇과 서비스 지원 도구가 대표적이다. 그러나 챗봇을 추가하는 대출기관은 눈에 잘 띄지 않는 위험을 떠안는다. 생성 모델은 때때로 완전히 확신하면서 틀린 답을 내놓는다. Grant Thornton의 2026년 AI 영향 설문에서 AI 통제 장치를 전적으로 신뢰한다고 답한 은행 경영진은 18%에 불과했다.

대출에서 AI의 효과는 대출기관이 신용 결정 주변의 요소를 얼마나 빠르게 바꿀 수 있는지에서 나온다. 결정 자체는 승인된 점수 모델과 신용위원회가 계속 담당한다.

속도에는 언제나 상업적 가치가 있었다. 레거시 코어에서 대출 기반시설을 변경하려면 12~18개월의 엔지니어링 작업이 필요하고, 새 상품 출시는 그 기간 내내 멈춘다. 코어 시스템을 전면 교체하려면 3~5년이 걸린다. 그사이 대출 신청자들은 다른 곳으로 향한다.

미 연방준비제도의 2026년 고용기업 보고서에 따르면 온라인 핀테크 대출기관에서 자금을 찾은 미국 소기업 신용 신청자의 비중은 2020년 17%에서 2025년 29%로 증가했으며, 많은 기업이 더 빠른 결정을 이유로 들었다.

AI는 비즈니스 요구사항에서 시작한다

AI는 분석을 수행하거나 신용 결정에 참여하는 대신, 대출 상품의 출시와 업데이트를 돕는 구성 작업에서 큰 가치를 만들 수 있다. 입력은 상품 책임자가 작성한 비즈니스 요구사항이다. 신용팀은 누가 신청할 수 있는지, 어떤 문서가 필요한지, 승인 단계가 어떻게 되는지, 어떤 데이터가 점수에 포함되는지, 무엇을 언제 보고할지를 설명한다.

AI는 각 항목을 플랫폼 구성으로 바꾼다. 자격 기준, 문서 확인 목록, 단계별 승인 흐름, 점수의 근거가 되는 데이터 소스 연결, 보고 일정이 여기에 포함된다. 레거시 코어에서는 엔지니어가 각각을 수작업으로 만들고 모든 변경이 전체 배포 주기를 거친다. AI를 사용하면 상품은 공통 기반 위에서 기능별로 구축된다. 엔지니어링팀과 규정 준수팀은 각 변경 사항을 가동 전에 검토하고 테스트하며 최종 승인 권한도 유지한다.

요구사항은 기존 코어와 완전히 독립적일 수 있다. AI가 코어의 로직을 읽거나 해석할 필요가 없으므로 대출기관은 현재 시스템이 지원하도록 설계되지 않은 상품도 정의할 수 있다. 문서화되지 않은 20년 치 코드는 그대로 유지된다.

새로운 신용 흐름은 코어 옆에 배포된 별도 플랫폼에서 작동한다. 두 시스템은 통합을 통해 연결되고, 코어는 기존 기록과 기능을 유지한다. 새 상품을 출시하기 전에 코어의 코드를 다시 작성할 필요가 없다.

현재 존재하는 데이터를 기반으로 구축하기

하지만 많은 은행 AI 프로젝트가 데이터에서 막힌다. 방대한 데이터베이스가 반드시 필요한 것은 아니다. 있으면 좋지만 필수는 아니다. AI는 현재 이용 가능한 소스를 중심으로 심사 규칙과 데이터 요구사항을 작성하고, 위험관리팀이 실행 전에 이를 승인한다. 소스가 없으면 신청자 정보, 보증인 정보, 필수 및 업로드 가능 문서, 외부 데이터 소스 등 데이터를 수집할 방법을 정의한다.

이러한 “데이터 구축” 과정은 은행과 핀테크 기업이 부족한 부분까지 포함해 실제 데이터 자산을 확장하도록 돕고, 무엇이 이미 수집돼 있어야 한다는 공급업체의 가정이 더 이상 프로젝트를 좌우하지 않게 한다.

데이터 준비 상태는 신용 상품 출시의 전제조건이 아니라 동일한 구성 단계의 일부가 된다.

상품 변경과 코어 변경의 차이

대부분의 대출기관이 직면하는 실질적인 질문은 여러 해에 걸친 코어 이전이 계속되는 동안 새 신용 상품을 출시하고 기존 상품을 조정할 수 있느냐는 것이다. 비즈니스 요구사항에 따라 AI로 구성되는 별도 대출 플랫폼이 이 질문에 답한다. 대출기관은 코어 프로그램이 자체 일정대로 진행되는 동안 분기마다 신용 상품을 출시하고 조정할 수 있다. 이 분리에서 오늘날 대출 분야 AI의 가치가 입증되고 있다.