EvoluteIQ의 최고전략책임자 겸 공동 창업자 Deepak Kinger 인터뷰

Deepak Kinger는 EvoluteIQ의 최고전략책임자 겸 공동 창업자로, 기업 혁신, 금융 서비스, 자동화, 인공지능 분야에서 20년 넘는 경험을 쌓은 기술·비즈니스 리더입니다. EvoluteIQ에서 그는 회사의 전반적인 전략 수립을 지원하는 한편, 주요 기술 제휴와 솔루션 파트너십, 마케팅, 애널리스트 관계를 이끌고 있습니다. 2019년 EvoluteIQ를 공동 창업하기 전에는 GALE Partners, Virtusa, Sapient, Headstrong, Wipro, Mphasis에서 고위 리더십 역할을 맡았습니다. 재임 중에는 아시아 태평양 전역의 금융 서비스 사업을 관리하고, 디지털 혁신에 관해 최고경영진에게 자문했으며, 신규 사업 부문을 구축하고 대규모 기술 프로젝트를 주도하는 등 다양한 책임을 맡았습니다. 그의 경험은 전략, 사업 개발, 고객 관계 관리, 손익(P&L) 관리, 운영뿐 아니라 AI, 머신러닝, 로봇 프로세스 자동화, 블록체인, 데이터 과학 등 신기술 분야에 걸쳐 있습니다.

EvoluteIQ는 기업이 복잡한 엔드투엔드 비즈니스 프로세스를 자동화하고 오케스트레이션할 수 있도록 지원하는 엔터프라이즈 AI 및 지능형 자동화 기업입니다. EIQ Platform은 에이전트형 AI, 생성형 AI, 프로세스 및 의사결정 자동화, 지능형 RPA, 이벤트 처리, 데이터 패브릭, 분석, 엔터프라이즈 커넥터, 멀티채널 애플리케이션 개발을 저코드/노코드 환경에서 통합 제공합니다. 이 플랫폼은 기업이 기존 시스템을 연결하고, AI 에이전트와 자동화된 워크플로를 구축·배포하고, 성과를 모니터링하며, 고객 경험, 재무, 운영, 영업, 공급망 관리 등의 분야로 자동화를 확장할 수 있도록 설계됐습니다. 2019년에 설립된 EvoluteIQ는 AI Workbench와 Agentic Mesh Architecture 등의 기술을 통해 에이전트형 엔터프라이즈 자동화로 사업 초점을 확대해 왔습니다. 또한 2025년에는 글로벌 확장과 벵갈루루 R&D 운영에 대한 추가 투자를 지원하기 위해 Baird Capital이 주도하는 5,300만 달러 규모의 소수 지분 성장 투자를 유치했다고 발표했습니다.

2019년 EvoluteIQ를 공동 창업하기 전, 금융 서비스, 엔터프라이즈 기술, 디지털 혁신 분야에서 20년간 일하셨습니다. 대규모 조직에서 반복적으로 목격한 문제 중 EvoluteIQ를 창업할 기회가 있다고 확신하게 만든 것은 무엇이었으며, 이 문제에 어떤 새로운 방식으로 접근하고자 하셨나요?

EvoluteIQ를 창업하기 전, 저는 컨설팅 분야에서 25년간 일했고, 그중 상당 기간 대형 금융기관의 혁신 프로젝트를 지원하는 데 주력했습니다. 초기 디지털 뱅킹 프로그램은 물론 트레이딩, 리스크 관리, 더 광범위한 엔드투엔드 혁신 프로젝트도 지원했습니다. 시간이 흐르면서 자동화 수요가 커지는 것을 목격했고, 여러 대형 공급업체의 플랫폼을 기업에 도입하는 일을 돕고 있었습니다.

결국 EvoluteIQ를 시작하게 된 동기는 다른 회사의 기술을 구현하는 데서 벗어나 직접 무언가를 만들 기회가 있다는 점이었습니다. 기업이 여러 기술과 라이선스, 통합 계층을 하나로 모아야 하는 방식 대신, 자동화를 더욱 통합적으로 구현할 기회가 있다고 봤습니다. 이것이 2019년 EvoluteIQ를 창업한 동기의 일부가 됐습니다.

귀하의 공동 창업자 Sameet Gupte와 진행한 이전 Unite.AI 인터뷰에서 그는 기업을 작업 단위 자동화에서 AI 네이티브 엔드투엔드 자율 운영으로 전환하려는 EvoluteIQ의 더 큰 비전을 이야기했습니다. 규제 변화 관리는 개별 작업 자동화에서 전체 비즈니스 프로세스 오케스트레이션으로 전환해야 하는 이유를 어떻게 보여 주나요?

규제 변화는 하나의 고립된 작업에만 영향을 미치는 경우가 드뭅니다. 2020년에 저희는 LIBOR 전환을 위한 솔루션을 구축했습니다. 당시 은행들은 기존 계약에 영향을 미치는 대규모 변화에 대응해야 했고, 운영팀과 법률 보조 인력, 사업 부문 팀이 계약을 검토하고 필요한 조치를 취해야 했습니다. 많은 기관은 사실상 인력을 더 투입해 문제를 해결하려 했습니다. LIBOR에서 얻은 교훈은 개별 규정은 바뀌지만 그 밑바탕에 있는 과제는 반복된다는 것이었습니다. 규제 변화와 컴플라이언스는 지속적으로 수행해야 하는 운영상의 요구 사항입니다.

최근 FinCen이 제안한 자금세탁방지/테러자금조달방지(AML/CFT) 관련 변경안에서는 세부 사항을 일일이 규정하는 ‘체크리스트식’ 컴플라이언스 모델에서 벗어나려는 움직임이 나타나고 있습니다. 이는 컴플라이언스 부담을 덜어 주기는커녕 오히려 기준을 높입니다. 각 기관이 규정을 해석하고 자체적인 위험을 명확히 규정하며, 그 위험이 운영 모델에 어떤 의미를 갖는지 판단해야 하기 때문입니다. 이러한 변화는 필연적으로 조직 내 여러 부서와 기능에 영향을 미치며, 컴플라이언스 및 감사팀에만 국한되지 않습니다.

은행은 주요 규제 변화가 있을 때마다 이를 새로운 혁신 프로젝트로 다루는 일을 멈추고, 규제 변화 대응을 상시적인 운영 역량으로 구축해야 한다고 주장해 오셨습니다. 실제로 그런 운영 모델은 어떤 모습이어야 하며, 금융기관은 왜 지금까지 이를 구축하는 데 어려움을 겪어 왔나요?

새로운 운영 모델은 변화가 지속적으로 일어난다는 점을 전제로 해야 합니다. 변화 대응은 더 이상 분기마다, 또는 감사인이 찾아왔을 때마다 추진하는 일회성 절차가 아닙니다. LIBOR 대응 솔루션을 구축하면서, 하나의 규제 변화가 결국 이행되더라도 변화에 적응해야 할 필요성은 사라지지 않는다는 사실을 알게 됐습니다. 다음 규제 변화에 대비하려면 그 변화를 이해하고, 운영 요건으로 구체화하며, 프로세스를 업데이트해야 합니다.

새로운 운영 모델은 컴플라이언스 부문 안에 고립되어서도 안 됩니다. 리스크 기반 접근을 강화한 모델에서도 규정 준수에 대한 최종 책임은 여전히 컴플라이언스 부문에 있을 수 있지만, 운영, 법무, 그리고 경우에 따라 거래상대방 리스크 관리의 중요성도 커집니다. 조직에 미치는 규제 변화의 범위를 과소평가하는 것은 기관들이 저지를 수 있는 실수 중 하나입니다.

그동안 이를 실현하기 어려웠던 이유는 기업들이 파편화된 기술 환경과 사일로화된 운영 모델을 구축해 왔기 때문입니다. 사업부마다 서로 다른 RPA, BPM, 보고 및 기타 플랫폼에 의존하면 새로운 요건에 대응하는 일 자체가 통합 프로젝트가 됩니다.

새로운 규제가 도입되면 은행은 어떤 고객, 상품, 계약, 시스템 및 프로세스가 영향을 받는지 파악해야 할 수 있습니다. 이러한 영향 분석을 AI가 실질적으로 개선할 수 있는 부분은 어디이며, 프로세스의 어떤 부분에는 여전히 결정론적 규칙이나 사람의 판단이 필요할까요?

AI는 규제 변화를 이해하고 이행하는 데 필요한 수작업을 크게 줄일 수 있습니다. 구체적으로 AI는 방대한 정보를 분석하고 분류해 사람이 집중해야 할 부분을 좁히는 데 도움을 줄 수 있습니다. 예를 들어 EvoluteIQ의 규제 대응 기능은 고객 및 자산 유형별로 계약을 분류하고 우선순위를 정한 다음, 해당 정보를 기업 시스템 및 외부 데이터 소스와 연결하고 법무, 리스크, 운영 전반의 후속 업무를 조율할 수 있습니다. 이를 통해 기관은 영향을 받을 가능성이 있는 대상을 파악하는 데서 나아가 프로세스 전반에 걸쳐 그에 따른 변화를 실제로 관리할 수 있습니다.

사람의 통제와 감독은 여전히 필수적입니다. 규제 대상 프로세스 중에는 기관이 명확히 규정된 업무 규칙, 조건, 예외 및 에스컬레이션 경로를 마련해야 하는 부분이 있습니다. 우리가 지향하는 모델은 AI의 적응력에 결정론적 자동화와 적절한 사람의 판단을 결합합니다. AI는 해석을 돕고 조치가 필요할 수 있는 사항을 제시할 수 있으며, 결정론적 규칙은 명확히 정해진 의사결정의 실행을 통제할 수 있습니다. 판단이 필요하거나 예외에 해당하는 사안은 적절한 담당자에게 에스컬레이션할 수 있습니다.

규제 이행에는 법무, 컴플라이언스, 리스크, 운영, 데이터 및 기술팀이 함께 참여하는 경우가 많습니다. AI와 프로세스 오케스트레이션은 이들 부서가 각자 별도의 워크플로와 서로 충돌할 가능성이 있는 업무 규칙을 만드는 대신, 규제에 대한 공통된 해석을 바탕으로 협업하도록 어떻게 지원할 수 있을까요?

리스크 기반 컴플라이언스 모델이 확대되면서 생기는 가장 큰 영향 중 하나는 조직 전반으로 책임이 더 넓게 분산된다는 점입니다. 최종적인 책무는 여전히 컴플라이언스 부문에 있을 수 있지만, 운영, 법무 및 거래상대방 리스크 팀도 모두 중요한 역할을 합니다. 따라서 기관은 이행을 컴플라이언스 부문이 독자적으로 수행할 수 있는 일로 여겨서는 안 됩니다.

이 때문에 통합 플랫폼이 중요합니다. 대규모 조직에서는 새로운 모델에 따라 다양한 기록 시스템과 업무 규칙을 통합해야 하지만, 이 과정에서 보안상의 복잡성도 고려해야 합니다. 통합된 접근 방식은 조직 내 여러 부문이 완전히 분리된 기술 스택을 통해 동일한 변화를 각각 이행할 위험을 줄일 수 있습니다.

생성형 AI는 복잡한 규제 문서를 해석할 수 있지만, 컴플라이언스 관련 의사결정에 환각이나 일관성 없는 해석이 개입되는 일을 은행은 감당할 수 없습니다. 규제 변화 대응에 사용되는 AI 시스템에는 어떤 보호 장치를 마련해야 하며, 의사결정 과정에서 사람 전문가의 검토는 어디에 남겨 두어야 할까요?

첫째, AI 에이전트를 적절한 거버넌스 없이 배치하면 에이전트가 난립할 수 있으므로, AI 에이전트를 고립된 상태로 도입해서는 안 됩니다.

둘째, 조직이 자동화할 수 있는 범위는 기술 역량뿐 아니라 규제와 개인정보 보호 요건, 그리고 데이터를 합법적으로 공유할 수 있는지에 따라서도 제한됩니다.

따라야 할 핵심 설계 원칙은 AI가 해석 작업을 가속화하되 의사결정을 맡지는 않아야 한다는 것입니다. 규정 준수에 대한 책임은 규제 당국의 기대에 따라 실명이 지정된 담당자에게 남아 있어야 합니다. 보호 장치는 AI가 생성하는 결과물에 대한 통제와 사람의 의사결정 지점을 의도적으로 설정하는 두 가지로 나뉩니다. AI가 생성하는 모든 결과물은 권위 있는 출처에 근거해야 하며, AI 시스템 안에 입력 및 출력 가드레일을 설정해야 합니다.

마지막으로 모든 결과물에 대해 출처가 된 조항, 모델 및 프롬프트 버전, 신뢰도, 검토자, 결정 및 판단 근거를 포함한 감사 추적 기록을 유지해야 합니다.

금융 서비스에서는 감사 가능성이 특히 중요합니다. AI가 규제를 해석하고, 업무 규칙을 생성하며, 영향을 받는 고객을 식별하고, 워크플로를 시작하는 데 도움을 준다면, 기관은 각 결정이 어떻게, 왜 내려졌는지 규제 당국에 정확히 보여 줄 수 있는 명확한 증거 기록을 어떻게 보존할 수 있을까요?

규제가 엄격한 산업에서는 최종 결정을 기록하는 것만으로는 추적 가능성을 충분히 확보할 수 없습니다. 최종 결정에 이르기까지 어떤 정보를 사용했고, 어떤 규칙을 적용했으며, 어떤 결정을 내리고 진행 과정에서 무엇을 변경했는지, 또 어느 시점에 사람이 개입해 무엇을 승인했는지를 보여 주는 재구성된 경로를 확인하는 편이 훨씬 더 중요합니다.

여러 에이전트와 비즈니스 규칙, 워크플로가 서로 상호작용할수록 추적 가능성은 더욱 중요해집니다. 오케스트레이션 계층에 감사 가능성을 내장해야 합니다. 의사 결정 기록은 결정과 규칙 변경, 그 근거를 추적할 수 있고, 에이전트의 엔드투엔드 추적 기능은 자율적으로 수행되는 일련의 작업 전반을 파악할 수 있게 해 줍니다.

감독 기관이 특정 고객이나 계약, 거래를 왜 그런 방식으로 처리했는지 묻는다면, 금융기관은 그 결과를 만들어 낸 데이터와 규칙, AI 기반 결정, 승인 및 조치를 거슬러 올라가 확인할 수 있어야 합니다. 그래야 설명 가능성이 모델 수준의 문제를 넘어 운영 역량으로 자리 잡습니다.

대형 은행은 수십 년 된 레거시 인프라를 기반으로 운영되며, 핵심 고객 데이터와 거래 데이터가 여러 시스템에 분산되어 있습니다. 기반 기술 자산을 교체하는 데 막대한 비용을 들이지 않고도 재사용 가능한 AI 기반 컴플라이언스 계층을 구축하려면 어떻게 해야 할까요? 

새로운 엔터프라이즈 역량은 기존 인프라 안에서 작동해야 합니다. 달리 기대하는 것은 비현실적입니다. 통합도 중요합니다. 고객들로부터 기업 전반에 여러 RPA 플랫폼이 있거나, 레거시 BPM 시스템에 서로 분리된 보고 기술이 여러 개 있다는 이야기를 점점 더 많이 듣고 있기 때문입니다. 고객들은 대체 시스템을 찾기보다 투자 수익을 창출하는 도구와 시스템에 집중하는 목소리를 높이고 있습니다. 따라서 재사용 가능한 컴플라이언스 계층은 하위의 모든 시스템이 교체될 것이라고 전제하지 말고 기존 환경 전반에서 작동해야 합니다.

전통적인 핵심 시스템부터 로봇 프로세스 자동화, 머신러닝, 그리고 이제는 에이전트형 AI에 이르기까지 여러 세대의 기술을 거치며 금융기관과 협력해 오셨습니다. 현재의 AI 전환은 근본적으로 무엇이 다르며, 금융기관이 과거 자동화 과정의 실수를 되풀이할 위험이 있는 지점은 어디라고 보십니까?

초기 세대의 자동화는 이미 명확하게 정의된 업무를 위한 것이었습니다. 코어 뱅킹 시스템은 기록과 거래를 체계화했습니다. RPA는 화면을 오가며 키 입력을 자동으로 수행했습니다. 머신러닝은 구조화된 데이터를 바탕으로 사기 점수나 신용 위험처럼 범위가 좁은 예측을 수행했고, 정확도를 측정할 수 있었습니다. 어느 경우든 다음에 일어날 일을 결정하는 것은 사람이나 고정된 규칙이었고, 기술은 정해진 경로를 실행했습니다.

에이전트형 AI는 몇 가지 측면에서 이를 바꿉니다.

• 비정형적이고 판단이 필요한 업무에 가까운 작업을 더 효과적으로 처리합니다. 은행은 더 이상 단순히 업무를 자동화하는 데 그치지 않습니다. 달성해야 할 결과를 위임하고, 시스템이 자체적으로 경로를 선택합니다.
• 문제가 조용히 발생합니다. 은행이 화면 레이아웃을 바꿨을 때 RPA 봇은 즉시 오류를 일으켜 누군가가 이를 수정했습니다. 하지만 언어 모델이 틀린 답을 내놓으면 유창하고 그럴듯하며 확신에 찬 답변을 생성합니다. 이것이 문제입니다.
• 이 시스템은 확률적으로 작동하므로 환각을 방지하기 위해 기업 환경의 맥락에 기반을 두는 것이 매우 중요합니다.
• 마지막으로, AI를 활용한 개발 비용이 낮아져 이제 현업 사용자는 오후 한나절이면 실제로 작동하는 에이전트를 만들 수 있습니다. 과거에는 IT 역량이 자동화의 병목이었지만, 이제는 거버넌스 역량이 병목입니다.

금융기관은 전통적인 자동화 시대의 교훈을 잊지 않도록 주의를 기울여야 합니다. 그 몇 가지 예는 다음과 같습니다.

• 망가진 프로세스의 자동화. RPA가 남긴 가장 큰 유산은 아무도 재설계하지 않은 프로세스 위에 덧붙인 수천 개의 봇이었습니다. 그 결과 취약한 기술 부채가 쌓였고, 은행들은 지금도 이를 유지하는 데 비용을 치르고 있습니다. 똑같이 파편화된 워크플로 위에 에이전트를 얹는 것은 더 높은 수준의 기술로 같은 실수를 되풀이하는 일입니다. 은행은 먼저 업무를 재설계한 뒤 무엇을 위임할지 결정해야 합니다.
• 허영 지표를 좇는 것. 개념 증명은 실제 운영 단계로 넘어갈 수 있도록 예산이 확보된 경로가 없으면 중단됩니다. 배포한 에이전트 수를 세는 것은 실질적인 비즈니스 성과를 측정하는 대신 봇 수를 세던 RPA 시절의 관행을 되풀이하는 일입니다.
• 데이터 기반에 충분히 투자하지 않는 것. 머신러닝은 모델의 품질이 데이터 품질에 의해 제한된다는 점을 보여 주었습니다. 오래된 정책이나 중복 문서, 서로 상충하는 출처에서 정보를 가져오는 에이전트는 잘못된 전제를 바탕으로 확신에 차서 추론하게 됩니다.

앞으로 규제 준수는 규제 변화를 AI 시스템이 감지하고 그 영향을 평가하며 워크플로를 업데이트하고 사람의 판단이 필요한 예외 사항만 상위에 보고하는, 지속적이거나 부분적으로 자율적인 형태로 발전할 것으로 보십니까? 은행과 감독 기관이 그 정도의 자율성을 신뢰하려면 무엇이 먼저 이루어져야 할까요?

그렇습니다. 다만 자율성은 단계적으로 실현될 것입니다. 명확하게 정의된 변화에 대한 감지와 분류, 영향 범위 파악, 워크플로 업데이트는 대부분 지속적이고 자동화된 방식으로 이루어질 것입니다. 모호한 규칙에 대한 판단과 위험 수용, 규제 관련 입장은 계속 사람이 결정할 것입니다. 현실적인 최종 모습은 ‘감독형 자율성’입니다. 기본적으로 기계가 전체 주기를 운영하고 사람은 예외 사항을 중심으로 관리하는 방식입니다.

이러한 일이 실현되려면 규제 당국은 FCA와 영란은행의 디지털 규제 보고 작업과 같은 이니셔티브를 바탕으로, 구조화되고 버전이 관리되는 형식으로 규칙을 발표해야 합니다.

실행 시스템에 되돌릴 수 있는 기능과 긴급 중단 스위치를 내장해 이상 징후, 오류율 또는 모델 변경이 감지되면 자율적인 워크플로 변경 사항을 쉽게 되돌릴 수 있도록 해야 합니다. 감독자들이 직접 비슷한 도구를 사용하면 신뢰와 익숙함이 더 빠르게 쌓일 것입니다. 이는 테스트를 위한 공통 언어를 만들고, 시간이 지나면 기계 간 직접 감독으로 이어질 수도 있습니다.

훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자는 EvoluteIQ를 방문해 주세요.