생성형 AI, 금융산업 패러다임 바꾼다…”데이터 접근성이 성패 좌우”

금융산업이 생성형 AI(Generative AI)를 활용한 디지털 혁신에 박차를 가하고 있다. 구글(Google) 연구진이 발표한 최신 보고서에 따르면, 생성형 AI는 기존 머신러닝 기술과 비교해 문맥 이해력과 자연어 처리 능력이 월등히 뛰어나 금융 서비스의 혁신을 이끌 핵심 기술로 주목받고 있다.

특히 고객 서비스 영역에서 생성형 AI의 활용도가 높아질 것으로 전망된다. 실제로 바이나우페이레이터(BNPL) 기업 클라나(Klarna)는 생성형 AI 기반 고객 서비스 도구를 도입해 4,000만 달러의 비용 절감 효과를 거둔 것으로 나타났다. 맥킨지(McKinsey)는 생성형 AI 도입으로 고객 문의 응대의 50%까지 자동화가 가능할 것으로 전망했다.

생성형 AI는 단순 응대를 넘어 맞춤형 금융 교육과 자문 서비스도 제공할 수 있다. 복잡한 모기지 계획이나 투자 전략과 같은 전문적인 금융 지식을 고객이 이해하기 쉽게 설명하고, 개인의 재무 상황에 맞는 맞춤형 조언을 제공할 수 있다.

하지만 생성형 AI의 금융산업 도입에는 여러 난관이 존재한다. 가장 큰 문제는 양질의 학습 데이터 확보다. 금융 데이터는 민감한 개인정보를 포함하고 있어 접근이 제한적이며, 금융기관들은 보안상의 이유로 데이터를 클라우드로 이전하는 것을 꺼리고 있다.

크루제(Kruse) 등의 연구진이 실시한 설문조사에 따르면, 금융 서비스 전문가의 3분의 2가 양질의 학습 데이터 부족을 생성형 AI 도입의 주요 장애물로 지적했다. 이에 대한 대안으로 합성 데이터(Synthetic Data) 활용이 제시되고 있지만, 과적합(Over-fitting)과 벤치마크 부족 등의 문제가 여전히 존재한다.

비용 문제도 큰 과제다. 생성형 AI 모델의 학습과 추론에 드는 컴퓨팅 비용이 상당하다. 예를 들어, 신용카드 거래 한 건당 500개의 토큰을 처리한다고 가정할 때, 백만 건의 입력 토큰당 5달러에서 15달러의 비용이 발생한다. 이는 거래당 약 0.0025달러의 추가 비용을 의미한다.

금융기관들은 이러한 도전과제를 극복하기 위해 다양한 방법론을 시도하고 있다. 가장 기본적인 접근법은 오픈소스 모델이나 OpenAI, 구글 제미나이(Gemini)와 같은 상용 서비스를 활용하는 것이다. 이 방법은 별도의 학습 데이터나 컴퓨팅 자원 없이도 즉시 활용이 가능하다는 장점이 있다.

더 전문적인 금융 서비스를 위해서는 파인튜닝(Fine-tuning) 방식을 활용할 수 있다. 이는 사전학습된 모델을 금융 특화 데이터로 추가 학습시키는 방식이다. 특히 LoRA(Low Rank Adaptation)나 소프트 프롬프트(Soft Prompt)와 같은 파라미터 효율적 파인튜닝 기법은 적은 비용으로도 효과적인 성능 개선이 가능하다.

주요 금융사들의 생성형 AI 도입은 더욱 가속화되고 있다. JP모건은 ‘연구 분석가’ 역할을 수행하는 생성형 AI 툴킷을 도입했으며, 인튜이트(Intuit)는 세금 신고 서비스 터보택스(TurboTax)에 생성형 AI 기반 금융 어시스턴트를 통합했다.

마스터카드(Mastercard)는 생성형 AI를 활용해 금융기관의 사기 탐지율을 평균 20% 개선할 수 있다고 밝혔다. 또한 모건스탠리는 법률 문서 검토와 관련 정보 추출을 위해 AI 시스템 ‘COIN’을 활용하고 있다.

크레딧카마(Credit Karma)는 인튜이트 어시스트(Intuit Assist)를 활용해 개인 재무 상담, 지출 분석, 맞춤형 재무 계획 수립 등의 서비스를 제공하고 있다. 세일즈포스(Salesforce), 허브스팟(Hubspot), 젠데스크(Zendesk) 등 주요 CRM 기업들도 AI 기반 챗봇을 통해 고객 경험을 개선하고 있다.

학계에서도 생성형 AI의 금융 분야 적용에 대한 연구가 활발하다. 블룸버그는 금융 특화 생성형 AI 모델인 ‘BloombergGPT’를 개발했다. 이 모델은 3,630억 개의 자체 데이터 토큰과 3,450억 개의 공개 데이터 토큰으로 학습됐으며, 감성 분석과 금융 질의응답에서 우수한 성능을 보였다. 스톡GPT(StockGPT)는 주식 시장 예측을 위해 토큰 시퀀스를 활용한 생성형 AI 모델이다. 연구진들은 이 모델이 기존의 정량적 트레이딩 전략보다 우수한 성과를 낼 수 있다고 밝혔다. 일부 연구에서는 생성형 AI가 제시하는 매수/매도 신호를 기반으로 한 포트폴리오가 수동적 인덱스 투자보다 10-30% 높은 수익률을 기록했다고 보고했다.

기사에 인용된 리포트 원문은 링크에서 확인할 수 있다.

기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다. 

관련 콘텐츠 더보기