금융 서비스 분야 AI 확장의 시작, 거버넌스와 아키텍처

금융 서비스에서 AI를 확장하는 데 있어 진정한 과제는 데이터 기반에 있습니다. 조직은 파편화된 데이터를 통합하고, 엄격한 거버넌스를 시행하며, 수십 년 동안 운영된 레거시 시스템 전반에서 통합 가시성을 유지관리하는 데 어려움을 겪고 있습니다.

Microsoft의 금융 서비스 산업 클라우드 부문 선임 디렉터인 Thomas Mathew는 이를 명확하게 설명합니다. "대부분의 조직이 AI 분야에서 실패하는 이유는 데이터가 부족해서가 아닙니다. 이미 보유한 데이터를 충분히 신뢰하고 해석하지 못하기 때문입니다."

데이터 품질이 좋지 않으면 단순히 부정확한 결과만 발생하는 것이 아닙니다. 사용자 신뢰를 무너뜨리고, 규제 당국의 감시를 초래하며, 인공지능 투자 전반의 타당성을 입증하기 어렵게 만듭니다. 규제가 심한 환경을 헤쳐나가는 CIO, CTO, CDO에게 이는 용납할 수 없는 위험입니다.

금융 서비스에서 AI 도입의 초기 물결은 챗봇, 개인화, 디지털 비서 등 고객 대상 애플리케이션에 크게 집중되었습니다. 그러나 조직들은 견고한 백엔드 아키텍처 없이 이러한 도구를 도입하면 환각 현상, 규정 준수 위반, 비용 증가로 이어진다는 사실을 빠르게 깨달았습니다.

이후 초점이 바뀌었으며, IDC 데이터에서 이를 확인할 수 있습니다. 기업들은 이제 프런트 오피스 혁신보다 인프라, 데이터, 거버넌스를 우선시하고 있습니다. 고객 경험은 1년 전만 해도 예산 삭감에 가장 취약한 항목으로 꼽혔으나, 조직들이 먼저 백엔드를 개선해야 한다는 점을 인식한 후 순위가 상승했습니다.

IDC의 금융 인사이트 부문 부사장인 Jerry Silva는 이를 다음과 같은 전략적 과제로 설명합니다. "AI를 단순한 기술이 아닌 기업 역량으로 바라보아야 합니다. 모든 거버넌스가 제대로 갖춰져 있는지 확인한 후, AI를 통해 실제 비즈니스 가치를 창출할 수 있도록 도와줄 전문가를 찾아야 합니다.

이것이 바로 실제 성과를 내는 조직과 여전히 고립된 실험 단계에 머물러 있는 조직을 구분 짓는 중요한 전환점입니다.

금융 서비스 기업들은 방대한 양의 정보를 보유하고 있지만, 종종 사일로화되어 있거나 비정형 상태이거나 최신 상태가 아닙니다. 이를 해결하려면 통합 플랫폼으로 기업 전반의 정보를 수집하고 체계적으로 정리해야 합니다.

조직이 시맨틱 검색과 같은 강력한 검색 기능을 구현하면, AI 모델은 정확하고 관련성 높으며 최신 상태의 정보 소스를 활용할 수 있습니다. 이를 통해 원시 로그와 문서를 실행 가능한 인사이트로 전환할 수 있습니다.

규제가 엄격한 환경에서는 거버넌스를 뒷전으로 미뤄서는 안 됩니다. 아키텍처는 데이터 주권, 접근 제어, 개인 정보 보호에 대한 규칙을 자동으로 시행할 수 있어야 합니다. 효과적인 AI 거버넌스를 위해서는 역할 기반 접근 제어와 완벽한 감사 추적 기능이 필요합니다. 이러한 통제는 조직을 보호하는 동시에 안전한 혁신을 가능하게 합니다.

파편화는 확장의 적입니다. 서로 다른 팀이 각기 다른 도구를 사용할 경우 가시성 사각지대가 발생하고, 사기 조사나 시스템 장애 조사도 느리고 수작업 중심의 과정이 됩니다. 지표, 로그, 추적 데이터를 하나의 플랫폼으로 통합하면 팀은 시스템 상태 예측 및 이상 탐지 모델을 구축할 수 있습니다.

예를 들어, 미국 최대 규모의 손해 보험사 중 하나는 Kyndryl, Elastic, Microsoft와 협력하여 이러한 통합 접근 방식을 구현했습니다. 그 결과는 인상적이었습니다. 연간 사고 발생 건수를 약 5,000건 줄였고, 과거 중단 사고의 90%는 예방할 수 있었던 것으로 나타났습니다.

금융 서비스 AI 전략은 생성형에서 에이전틱 시스템으로 전환되고 있습니다. 이러한 자율 에이전트들은 단순히 질문에 답하는 데 그치지 않고, 관찰하고 추론하며, 보험금 청구 처리 자동화나 보안 위협 조사와 같은 복잡한 워크플로를 수행합니다.

하지만 자율성은 새로운 위험을 수반합니다. 에이전트 기반 시스템은 실시간 상황, 엄격한 가드레일, 그리고 중대한 의사결정이 필요한 경우 휴먼 인 더 루프 단계가 필요합니다. 금융 서비스 분야에서 인간의 감독 없이 작동하는 에이전트 기반 시스템은 거의 없으며, 특히 민감한 고객 데이터, 재정적 손실 가능성, 대규모 신용 의사 결정 또는 규제 준수 여부를 위한 설명 가능성이 관련된 업무에서는 더욱 그렇습니다.

Elastic의 수석 솔루션 아키텍트인 Tim Brophy는 현실적인 출발점을 제시합니다. "작게 생각하며 시작하세요. 작은 프로젝트와 작은 사용 사례로 시작하여 점차 확장해 나가는 것이 좋습니다 ... 결국 사용 사례의 효과는 제공되는 컨텍스트의 품질에 달려 있기 때문입니다.

에이전트가 어떤 방식으로 의사결정을 내리는지, 그리고 어떤 데이터에 접근하는지를 추적할 수 있는 높은 수준의 가시성을 갖춘 AI 아키텍처는 AI를 대규모로 안전하게 운영하기 위한 필수 요소입니다.

Elastic의 Search AI Lake는 기업 전반에 흩어져 있는 데이터를 통합합니다. 또한 머신 러닝을 활용해 근본 원인 분석의 속도를 높이고 사람이 놓칠 수 있는 패턴을 찾아냅니다. 모든 텔레메트리 데이터가 한곳에 모여 있으면 대규모 운영 중단이나 보안 사고를 일으키기 전에 AI가 이상 징후를 발견할 수 있습니다.

이 통합된 접근 방식은 다양한 사용 사례도 지원합니다. Brophy의 설명에 따르면, 통합 가시성을 위해 데이터를 한곳에 모아두면 동일한 기반을 활용해 보안 분석, 사기 탐지, AI 지원 검색까지 수행할 수 있습니다. 따라서 새로운 용도마다 전체 아키텍처를 처음부터 다시 구축할 필요가 없습니다.

금융 서비스 분야에서 AI를 확장하는 것은 단순한 IT 부서의 주도적인 노력이 아닙니다. 사업, 데이터, 보안, 규정 준수 팀 간의 협업이 필수적입니다. 독립적으로 추진되는 프로젝트는 조직 전체의 요구 사항을 고려하지 않아 실패하는 경우가 많습니다.

Kyndryl의 금융 서비스 현대화 담당 부사장인 Niloy Sengupta는 이렇게 말합니다. "특정 부서만 단독으로 추진하는 경우보다 조직 전체가 함께 참여할 때 전사적 도입 가능성이 훨씬 높습니다."

성공적인 기업들은 여러 팀이 함께 솔루션을 개발하는 환경을 만듭니다. 공유 플랫폼을 통해 부서 간 장벽을 허물고 AI 프로젝트가 비즈니스 목표와 규제 요건에 부합하도록 보장합니다.

현대 금융 아키텍처는 매우 복잡하기 때문에, 모든 것을 자체적으로 구축할 수 있는 조직은 거의 없습니다. 새로운 에이전트 간 프로토콜의 등장부터 끊임없이 변화하는 규제 프레임워크에 이르기까지 변화의 속도가 빠르게 진행되어, 이를 따라가기 위해서는 전문성이 필요합니다. 그러나 이러한 전문 인력을 조직 내부에 지속적으로 유지하는 것은 어렵고 비용 부담도 큽니다.

소프트웨어 제공업체, 클라우드 공급업체, 시스템 통합업체를 아우르는 생태계 전반의 협력은 필수적입니다. Microsoft Azure에서 실행되고 Kyndryl에서 관리하는 Elastic과 같은 플랫폼은 사전 구축된 통합, 검증된 참조 아키텍처, 엔터프라이즈급 지원을 제공합니다. 이러한 파트너십은 구현 과정에서의 위험을 줄이고, 실제 가치를 창출하기까지 걸리는 시간을 단축해 줍니다.

차세대 AI 시대에 성공하는 금융 서비스 기업은 지금부터 데이터 기반을 우선적으로 강화하는 기업이 될 것입니다. 통합 검색, 포괄적인 통합 가시성, 그리고 엄격한 금융 AI 거버넌스에 투자함으로써 이러한 기업은 자율 시스템에 필요한 복원력 있는 아키텍처를 구축할 수 있습니다. 이 접근 방식은 위험을 줄이고 운영 효율성을 개선하며 측정 가능한 비즈니스 성과를 창출합니다.

실험에서 실행에 이르는 여정에는 명확한 전략과 부서 간 조율이 필요합니다. 이를 위해서는 AI를 기업의 핵심 역량으로 인식하고, 이를 뒷받침할 적절한 기술과 파트너십을 갖추어야 합니다.

실질적인 진전을 이루고 있는 조직들은 완벽한 계획이 마련되기를 기다리지 않습니다. 이들은 작은 규모에서 시작해 신중하게 거버넌스를 구축하고, 신뢰할 수 있는 기반 위에서 점진적으로 발전시켜 나가고 있습니다.