“은행원보다 나를 더 잘 아는 AI” 금융 서비스에서 시작되는 예측형 인공지능의 시대

Financial Services in 2025: Unified Data with More Proactive, Autonomous AI

금융 서비스의 새 주역, 생성형 AI – 대규모 언어 모델이 만드는 산업 혁신

2024년, 생성형 AI는 대규모 언어 모델이 더욱 정교하고 정확해지며 기업 시스템에 내장되면서 빠르게 발전했다. 이를 통해 독점 데이터를 활용하여 효율성, 혁신, 의사 결정을 향상시킬 수 있는 풍부한 사용 사례가 도출되었으며, 특히 금융 서비스와 같은 데이터 중심 산업에서 두드러진다.

AI 기반 시장 정보 검색 및 분석 플랫폼 알파센스(Alphasense)가 발표한 보고서에 따르면, 에이전트형 AI가 발전하고 조직이 AI가 사용자의 요구를 예측하도록 신뢰함에 따라 생성형 AI의 금융 서비스 역할은 크게 확장될 것이며, 연구, 위험 관리, 고객 참여 및 금융 혁신을 재구성할 것이다.

한곳에서 모든 정보를 – 퍼플렉시티와 알파센스의 통합 검색 혁신

생성형 AI 기반 도구는 내부 지식 베이스의 구성과 접근성을 개선하여 직원들이 더 빠르게 정보를 찾고 더 효과적으로 협업할 수 있게 해준다. 그러나 내부 및 외부 연구를 위해 별도의 시스템에 의존하는 것은 점점 더 비현실적이 되고 있다. 2024년 12월, 퍼플렉시티(Perplexity)는 카본(Carbon)을 인수하여 노션(Notion), 구글 문서(Google Docs), 슬랙(Slack) 및 기타 기업 애플리케이션의 작업 파일에 AI 검색을 연결했다. 한 달 후, 펙트셋(FactSet)의 트랜스크립트와 M&A 데이터가 퍼플렉시티 엔터프라이즈 프로(Perplexity for Enterprise Pro) 사용자에게 추가되어 해당 사용자는 웹 데이터, 조직 파일 및 펙트셋 데이터를 한 곳에서 검색할 수 있게 되었다.

알파센스(AlphaSense)의 엔터프라이즈 인텔리전스(Enterprise Intelligence)는 기업이 독점적인 내부 데이터와 프리미엄 외부 문서를 결합하여 통합 검색 경험을 제공한다. 생성형 AI는 이 과정을 향상시켜 기업이 여러 복잡한 데이터셋을 대화식으로 쿼리하고, 맞춤형 통찰력을 추출하며, 내부 및 외부 인텔리전스를 병합한 요약을 생성할 수 있도록 지원한다. 이러한 플랫폼이 발전함에 따라 AI 에이전트의 부상은 연구와 협업을 더욱 강화한다. 2025년 1월, AI 기업 코히어(Cohere)는 새로운 에이전트형 AI 제품인 노스(North)를 공개했다. 이는 기업이 다양한 언어로 글로벌 지식 저장소에서 관련 정보를 찾고, 연구 및 분석을 수행하며, 여러 비즈니스 라인과 이전에 연결되지 않았던 도구에 걸쳐 복잡한 작업을 수행하는 에이전트를 구축하고 배포할 수 있는 로우코드 플랫폼이다. 코히어는 또한 캐나다 왕립 은행(Royal Bank of Canada, RBC)과 협력하여 금융 산업의 보안 및 개인 정보 보호 요구 사항을 충족하면서 직원 생산성을 향상시키기 위해 설계된 AI 솔루션인 ‘뱅킹용 노스(North for Banking)’를 공동 개발하고 있다.

2025년 2월 초, 오픈AI(OpenAI)는 온라인 정보의 대량을 합성하고 다단계 연구 작업을 완료하기 위해 추론을 사용하는 에이전트인 딥 리서치(Deep Research)를 공개했다. 딥 리서치는 “금융, 과학, 정책 및 엔지니어링과 같은 분야에서 집약적인 지식 작업을 수행하는 사람들”을 위해 특별히 개발되었다.

인간 전문가급 예측 정확도 구현 – 워튼 연구로 입증된 AI의 위험 관리 혁신

고도로 규제된 금융 산업에서 법적 및 규정 준수 요구 사항을 파악하는 것은 의사 결정의 중요한 측면이다. 독점적인 규정 준수 로그와 외부 규제 업데이트에 접근할 수 있는 AI 도구는 기업이 이러한 요구 사항을 선제적으로 파악하는 데 도움을 줄 수 있다. 역사적 규정 준수 데이터와 새로운 규정을 분석함으로써 이러한 시스템은 기업이 정책을 사전에 조정할 수 있도록 실행 가능한 통찰력을 제공할 수 있다.

예를 들어, AI 규정 준수 소프트웨어 회사인 비해복스(Behavox)는 금융 회사 직원들이 생성하는 방대한 양의 메시지를 수집하고 전문 용어가 가득한 메시지에서 금융 범죄를 찾아내는 도구를 제공한다. 이 AI는 규제 웹사이트, 증권 신고서 및 기타 소스에서 훈련되어 일반 AI 도구의 깊이를 넘어섰다. 또한 금융 거래를 모니터링하는 AI를 제공하는 스틸아이(SteelEye)는 산업 전문 용어를 정확하게 이해할 수 있다고 주장하는 음성 전사 서비스를 제공하며, 그 결과를 시장 남용을 찾을 수 있는 시스템에 공급한다.

앞으로 생성형 AI 기반 위험 평가 도구는 시장 혼란이 발생하기 전에 이를 예측할 수 있도록 발전할 수 있다. 워튼(Wharton)의 최근 연구에 따르면, 여러 대규모 언어 모델(LLM)의 예측을 결합하면 인간 전문가의 예측 정확도에 필적하는 수준을 달성할 수 있다고 한다. 이러한 예측 기능을 위험 프레임워크에 통합함으로써 금융 기관은 새로운 시장 변화에 대응하여 위험 전략과 규제 정책을 사전에 조정할 수 있다. 또한 내부 거래 이력과 같은 내부 데이터를 외부 거시경제 지표와 결합함으로써 AI 에이전트는 선제적으로 위험 완화 전략을 추천하고 심지어 행동할 수도 있다.

자동차 구매까지 돕는 AI – 캐피탈 원이 보여준 고객 경험의 미래

생성형 AI는 금융 서비스 기관이 고객과 교류하는 방식도 재구성하고 있다. 고객 통화 기록, 거래 내역, 이전 문의와 같은 고객 상호 작용에 관한 내부 데이터를 분석하고 이를 외부 시장 신호와 결합함으로써 AI 모델은 맞춤형 추천과 자동화된 지원을 생성할 수 있다. 자산 관리자들은 고객 상호 작용 및 회의 노트의 데이터를 생성형 AI 프로세스에 통합하기 시작하고 있다. 재무 상담사는 생성형 AI 도구를 사용하여 고객 데이터를 분석하고 특정 고객 요구 사항에 기반한 투자 추천을 만들 수 있다. 일부 금융 서비스 회사는 내부 및 외부 데이터를 모두 활용하여 더 깊고 빈번한 자산 및 부채 관리(ALM) 및 전략적 자산 배분(SAA) 프로세스를 수행하기 위해 생성형 AI를 사용하기 시작하고 있다.

소매 금융에서 챗봇은 잔액 조회나 대출 상태 업데이트와 같은 일상적인 작업을 관리하는 동시에 각 상호 작용에서 학습하여 점점 더 적극적인 지원을 제공할 수 있다. 시간이 지남에 따라 이러한 챗봇은 일반적인 질문을 예상하고, 잠재적인 금융 기회에 대해 고객에게 알리고, 필요에 따라 복잡한 상황을 인간 상담사에게 에스컬레이션할 수 있도록 발전할 수 있다. 2025년 1월, 캐피탈 원(Capital One)은 고객이 차량을 구매하는 데 도움을 주는 AI 에이전트를 출시했으며, 이를 통해 차량 조사 및 비교부터 시승 일정까지 모든 것을 지원한다.

2024년의 AI 솔루션이 주로 사용자 프롬프트를 필요로 했다면, 2025년의 에이전트형, 적극적 AI는 데이터 소스를 실시간으로 모니터링하여 특정 임계값이나 이벤트가 발생할 때 알림을 보내거나 심지어 자율적으로 행동할 것이다. 예를 들어, 새로운 신흥 기술이 투자자 관심이 증가하는 징후를 보이기 시작하면, 에이전트형 AI는 내부 연구 결과와 회의 노트, 뉴스 보도 및 규제 발표와 같은 외부 데이터 소스를 즉시 가져와 인간 분석가가 시장이 변화하고 있다는 것을 인식하기도 전에 고객의 목표에 맞는 포트폴리오 조정을 추천할 수 있다.

신뢰와 균형의 과제 – 4,000개 이상 기업이 직면한 AI 도입의 현실

생성형 AI가 반응형 도구에서 적극적이고 에이전트형 시스템으로 발전함에 따라 금융 서비스 회사는 위험 관리 방식, 통찰력 추출 방식, 운영 효율성 및 혁신 추진 방식을 재정의할 중대한 기회를 갖게 된다. 독점 및 외부 데이터를 통합함으로써 조직은 의사 결정을 향상시키고 프로세스를 간소화하는 AI 시스템의 기반을 구축할 수 있다.

그러나 AI가 더 자율적이 됨에 따라 기업들은 주요 과제들을 해결해야 한다. 신뢰 기반 산업에서 투명성과 책임성은 매우 중요하다. AI 생성 추천이 점점 더 금융 결정에 영향을 미치게 되므로, 기업은 데이터 개인 정보 보호, 알고리즘 편향 및 의도하지 않은 결과와 관련된 위험을 완화해야 한다. 알파센스 트랜스크립트에서 한 AI 전문가가 언급했듯이, 에이전트형 AI는 높은 수준의 신뢰를 요구하며, 기업은 예상치 못한 결과에 대비해야 한다.

신뢰를 넘어, 기업은 또한 AI 과의존 및 도입 피로를 관리해야 한다. AI가 효율성을 향상시키는 반면, 자동화에 과도하게 의존하면 특히 높은 위험이 따르는 의사 결정에서 인간의 판단이 배제될 위험이 있다. 또한, 너무 많은 AI 기반 도구를 너무 빠르게 도입하면 팀이 압도될 수 있어 도입 피로와 내부 회의론으로 이어질 수 있다. AI의 가치를 극대화하기 위해 금융 기관은 이러한 도구를 기존 워크플로우에 원활하게 통합하고, 적절한 교육을 보장하며, AI 기반 통찰력과 인간 전문성 사이의 균형을 맞춰야 한다.

이러한 과제들이 사소한 것은 아니지만, 잠재적 보상은 게임 체인저이다. 생성형 AI의 지속적인 발전은 더 적응력 있고, 지능적이며, 데이터 중심적인 금융 생태계를 형성할 것이며, 경쟁을 재구성하고 금융 서비스의 다음 시대를 이끌 것이다.

FAQ

Q: 생성형 AI와 에이전트형 AI의 차이점은 무엇인가요?

A: 생성형 AI는 텍스트, 이미지 등 새로운 콘텐츠를 만들어내는 인공지능 기술인 반면, 에이전트형 AI는 한 단계 더 나아가 사용자를 대신해 작업을 완료하고 의사결정을 내릴 수 있는 자율적인 시스템입니다. 에이전트형 AI는 사용자의 요구를 예측하고, 여러 데이터 소스를 모니터링하며, 정해진 조건에 따라 능동적으로 행동할 수 있습니다.

Q: 금융 서비스 분야에서 생성형 AI는 어떻게 활용되고 있나요?

A: 금융 서비스 분야에서 생성형 AI는 연구 및 협업 강화, 규정 준수 및 위험 관리, 개인화된 고객 서비스, 투자 포트폴리오 최적화 등 다양한 영역에 활용되고 있습니다. 예를 들어, 내부 문서와 외부 데이터를 통합 검색하거나, 금융 범죄를 탐지하고, 고객에게 맞춤형 금융 상품을 추천하는 등의 업무를 수행합니다.

Q: 생성형 AI 도입 시 금융 기관이 주의해야 할 점은 무엇인가요?

A: 금융 기관은 생성형 AI 도입 시 데이터 개인정보 보호, 알고리즘 편향, 규제 준수, AI 과의존, 도입 피로 등의 문제에 주의해야 합니다. 특히 금융은 높은 신뢰가 요구되는 산업이므로, AI 시스템의 투명성과 책임성을 확보하고, AI 기반 통찰력과 인간 전문성 사이의 적절한 균형을 유지하는 것이 중요합니다.

해당 기사에서 인용한 리포트 원문은 링크에서 확인할 수 있다.

이미지 출처: Alphasense

기사는 클로드와 챗GPT를 활용해 작성되었습니다.