a16z 1만 자 분량의 장문 기사: 금융 서비스가 생성형 AI를 어떻게 활용할 수 있을까?
글: Angela Strange, Seema Amble 등, a16z
번역: InvestmentAI
기술이 빠르게 발전하는 오늘날, AI(인공지능)와 ML(기계학습)은 이미 10년 이상 금융 서비스 산업 전반에 걸쳐 채택되어 왔으며, 리스크 관리 개선부터 기본적인 사기 탐지 점수 산출에 이르기까지 다양한 분야에서 성과를 거두고 있다. 그런데 이제 대규모 언어 모델(Large Language Models, LLMs) 기반의 생성형 AI가 등장하며 역사적인 도약을 이루고 있으며, 교육, 게임, 비즈니스 등 여러 분야를 변화시키고 있다. 기존의 AI/ML이 주로 기존 데이터를 바탕으로 예측이나 분류를 수행하는 반면, 생성형 AI는 완전히 새로운 콘텐츠를 창출할 수 있다는 점에서 차별화된다.
엄청난 양의 비구조화된 데이터를 학습시키고 거의 무한하다시피 한 컴퓨팅 능력을 활용한다면, 이는 수십 년 만에 금융 서비스 시장을 가장 크게 변화시킬 수도 있는 요인이 될 것이다. 인터넷, 모바일, 클라우드 같은 과거 플랫폼 전환 때마다 금융 서비스 부문은 항상 한발 늦게 움직였지만 이번에는 새로운 스타트업뿐 아니라 기존 기업들도 생성형 AI를 즉각적으로 받아들이기를 기대하고 있다.
금융 서비스 회사들은 방대한 양의 과거 금융 데이터를 보유하고 있으며, 이를 활용해 LLM을 파인튜닝하거나 BloombergGPT처럼 처음부터 훈련시킨다면 거의 모든 금융 관련 질문에 즉각적으로 답변할 수 있게 될 것이다. 예를 들어 고객 상담 내역 및 추가 제품 사양 데이터를 기반으로 학습된 LLM은 회사 제품에 관한 질문에 즉각적으로 응답할 수 있을 것이며, 10년치 의심거래보고서(SARs)를 기반으로 학습된 LLM은 자금세탁 가능성을 시사하는 일련의 거래 패턴을 식별할 수 있을 것이다. 우리는 금융 서비스 업계가 생성형 AI를 활용해 다섯 가지 목표를 달성할 준비가 되어 있다고 믿는다. 바로 개인화된 소비자 경험, 효율적인 운영, 향상된 규제 준수, 개선된 리스크 관리, 동적 예측 및 보고이다.
기존 기업과 신생 기업 간의 경쟁 속에서 AI를 활용해 신제품을 출시하고 운영을 개선하려는 과정에서, 초기에 기업은 독점적인 금융 데이터 접근성 덕분에 우위를 점할 수 있지만, 정확성과 개인정보 보호에 대한 높은 기준 때문에 결국 제약을 받게 될 것이다. 반면 신규 진입자는 초기에 공개된 금융 데이터를 사용해 모델을 학습해야 할 수 있으나, 빠르게 자체 데이터를 확보하게 되며 이를 통해 신제품 론칭의 돌파구를 마련할 수 있다.
그렇다면 이제 다섯 가지 목표에 대해 더 깊이 살펴보고, 기존 기업과 스타트업이 생성형 AI를 어떻게 활용하고 있는지 알아보자.
개인화된 소비자 경험
소비자 금융기술(FinTech) 기업들은 지난 10년간 큰 성공을 거두었지만, 여전히 인간의 개입 없이 소비자의 재무제표와 손익계산서를 최적화하겠다는 가장 야심 찬 약속은 아직 실현되지 않았다. 이는 사용자 인터페이스가 금융 결정에 영향을 미치는 인간의 상황(context)을 충분히 포착하지 못하고, 사람들이 적절한 판단을 내릴 수 있도록 조언하거나 상품을 추천하는 방식이 부족하기 때문이다.
인간의 상황 중 하나는 어려운 시기에 소비자가 어떤 순서로 지불을 우선시하는가 하는 문제이다. 소비자들은 이러한 결정을 내릴 때 일반적으로 효용성과 브랜드라는 두 가지 요소를 고려하는데, 이 두 요소가 복잡하게 얽혀 있기 때문에 이런 결정을 온전히 반영하는 경험을 설계하는 것은 어렵다. 이로 인해 인간 직원의 개입 없이 최고 수준의 신용 교육을 제공하는 것이 어렵게 된다. Credit Karma 같은 서비스는 고객의 여정 80%까지 안내할 수 있지만, 나머지 20%는 마법처럼 복잡한 구역이며, 여기서 상황을 더 깊이 반영하려는 시도는 오히려 너무 좁은 범위에 국한되거나 가짜 정밀도를 사용함으로써 소비자의 신뢰를 해칠 수 있다.
현대의 부자산 관리와 세금 신고에서도 유사한 문제가 존재한다. 부자산 관리 분야에서는 인간 컨설턴트가 심지어 특정 자산군과 전략에만 초점을 맞춘 핀테크 솔루션보다도 우위를 점하는데, 그 이유는 사람들의 독특한 희망, 꿈, 두려움이 강하게 작용하기 때문이다. 그래서 인간 컨설턴트가 대부분의 핀테크 시스템보다 고객에게 맞춤화된 조언을 제공할 수 있었던 것이다. 세금 분야에서는 현대 소프트웨어의 도움에도 불구하고 미국인들은 매년 세금 처리에 60억 시간 이상을 소요하며 1,200만 건의 오류를 저지르고, 종종 소득을 누락하거나 근무 출장비 공제와 같이 알지 못했던 혜택을 포기한다.
대규모 언어 모델(LLMs)은 이러한 문제들을 해결할 수 있는 깔끔한 방법을 제공한다. 소비자의 금융 결정을 더 잘 이해하고 탐색할 수 있게 되기 때문이다. 이러한 시스템은 "왜 내 투자 포트폴리오에 지방채가 포함되어 있나요?"와 같은 질문에 답하거나, "기간 리스크와 수익 사이에서 어떻게 균형을 잡아야 하나요?"와 같은 트레이드오프를 평가할 수 있으며, 궁극적으로는 "미래 어느 시점에 노년의 부모님을 재정적으로 지원할 수 있는 유연한 계획을 세워줄 수 있나요?"처럼 인간의 상황을 의사결정에 통합할 수 있다. 이러한 능력은 소비자 금융기술을 고부가 가치 있지만 좁은 용도에 머물렀던 서비스에서, 소비자의 전체 금융 생활을 최적화하도록 도와주는 애플리케이션으로 전환하게 할 것이다.
효율적인 운영
생성형 AI 도구가 은행 업무 전반에 스며든 세상이라면, Sally는 집을 구매하기로 결정하자마자 사전 승인된 주택담보대출을 즉시 받을 수 있을 것이다.
그러나 이러한 세상은 아직 실현되지 않았는데, 그 이유는 다음과 같은 세 가지 때문이다:
-
첫째, 소비자 정보가 서로 다른 데이터베이스에 분산되어 있다. 이로 인해 크로스셀링(cross-selling) 및 소비자 수요 예측이 극도로 어려워진다.
-
둘째, 금융 서비스는 감정이 개입되는 구매이며, 종종 복잡하고 자동화하기 어려운 의사결정 트리를 수반한다. 이는 은행이 고객의 개인 상황에 따라 어떤 금융 상품이 가장 적합한지 묻는 수많은 질문에 답하기 위해 많은 고객 서비스 인력을 고용해야 한다는 의미이다.
-
셋째, 금융 서비스는 엄격한 규제를 받는다. 즉, 대출 심사원이나 처리 담당자 같은 인력이 모든 상품(예: 주택담보대출) 처리 과정에서 복잡하고 비구조화된 법률을 준수하는지 확인해야 한다는 것을 의미한다.
생성형 AI는 다수의 출처에서 데이터를 추출하고, 비구조화된 개인 상황 및 비구조화된 규정을 이해하는 등의 노동 집약적 작업의 효율성을 천 배 가까이 향상시킬 수 있다. 예를 들어:
-
고객 서비스 담당자: 각 은행마다 수천 명의 고객 서비스 담당자가 은행의 상품과 관련 규정을 상세히 숙지하여 고객 문의에 응답해야 한다. 그런데 이제 신입 고객 서비스 담당자가 과거 10년간의 은행 고객센터 통화 기록을 기반으로 훈련된 대규모 언어 모델(LLM)을 사용할 수 있다고 상상해보자. 이 담당자는 해당 모델을 활용해 어떤 질문이든 즉시 올바른 답변을 생성하고, 더 다양한 상품에 대해 심층적으로 설명할 수 있으며, 동시에 교육 기간을 단축할 수 있다. 기존 기업들은 자사의 독점 데이터와 특정 고객의 개인정보가 다른 기업이 사용할 수 있는 일반적인 LLM의 성능 향상에 쓰이지 않도록 해야 한다. 신규 진입자들은 데이터셋 구축 방식에서 창의성을 발휘해야 할 것이다.
-
대출 담당자: 현재의 대출 담당자는 대출 서류를 작성하기 위해 거의 10여 개의 서로 다른 시스템에서 데이터를 수동으로 수집해야 한다. 생성형 AI 모델은 그러한 모든 시스템의 데이터를 기반으로 학습할 수 있으므로, 대출 담당자는 고객 이름만 입력하면 자동으로 대출 서류가 생성될 수 있다. 정확성 100%를 검증해야 할 필요는 남아있겠지만, 데이터 수집 과정은 훨씬 효율적이고 정확해질 것이다.
-
품질 보증(QA): 은행과 핀테크 기업의 QA 업무 대부분은 다수의 규제기관 요건을 완벽히 준수하는지를 확인하는 데 집중된다. 생성형 AI는 이 과정을 획기적으로 가속화할 수 있다. 예를 들어 Vesta사는 패니메이 판매 가이드(Fannie Mae Sales Guide)를 기반으로 훈련된 생성형 AI 모델을 활용해 담보대출 담당자에게 즉시 규정 위반 사항을 알릴 수 있다. 많은 규제 가이드라인이 공개적으로 이용 가능하기 때문에, 이는 신규 진입자에게 흥미로운 진입 경로가 될 수 있다. 그러나 진정한 가치는 여전히 워크플로우 엔진을 갖춘 기업들에게로 흘러갈 것이다.
이 모든 것들이 Sally가 즉시 주택담보대출 승인을 받을 수 있는 세상으로 가는 발걸음이다.
향상된 규제 준수
앞으로 컴플라이언스 부서가 생성형 AI 기술을 수용하고 활용하게 된다면, 세계적으로 연간 8,000억~2조 달러에 달하는 불법 자금세탁을 효과적으로 차단할 수 있을지도 모른다. 마약 밀매, 조직 범죄 등 각종 불법 활동도 수십 년 만에 가장 큰 하락세를 보일 수 있다.
현재 우리는 매년 수백억 달러를 컴플라이언스에 지출하고 있지만, 실제로 차단되는 자금세탁은 전체의 3%에 불과하다. 대부분의 컴플라이언스 소프트웨어는 "하드코딩"된 규칙 기반으로 구성되어 있다. 예를 들어, 자금세탁방지(AML) 시스템은 "1만 달러 이상 거래는 모두 표시"하거나 기타 사전 정의된 의심스러운 행동을 찾는 규칙을 컴플라이언스 담당자가 설정할 수 있게 한다. 그러나 이러한 규칙 적용은 종종 효과적이지 못하다. 많은 금융기관이 법적으로 수많은 페이크 포지티브(거짓 양성) 사례를 조사해야 하기 때문이다. 이 과정은 복잡하고 처리하기 어렵다. 혹시 모를 막대한 벌금을 피하기 위해, 컴플라이언스 부서는 수천 명의 직원을 고용하는데, 이들 인력은 종종 은행 전체 인력의 10% 이상을 차지하기도 한다.
그러나 생성형 AI를 활용할 수 있게 되면 미래의 상황은 달라질 수 있다:
-
더 효율적인 스크리닝: 생성형 AI 모델은 개인의 정보를 다양한 시스템에서 즉시 통합해 컴플라이언스 담당자에게 제공함으로써 거래 리스크를 더욱 신속하게 평가할 수 있게 한다.
-
자금세탁자 예측 향상: 지난 10년간의 의심거래보고서(SARs)를 기반으로 훈련된 모델은 명시적인 지시 없이도 보고서에서 새로운 패턴을 발견하고, 자금세탁 가능성이 있는 행동 패턴을 스스로 정의할 수 있다.
-
빠른 문서 분석: 컴플라이언스 부서는 기업 내부 정책 및 절차 준수뿐만 아니라 규제 요건 준수 책임도 지닌다. 생성형 AI는 계약서, 보고서, 이메일 등 방대한 문서를 분석하여 문제 가능성이 있거나 심층 조사가 필요한 영역을 자동으로 표시할 수 있다.
-
교육 및 훈련: 생성형 AI는 현실감 있는 시나리오를 시뮬레이션하여 컴플라이언스 담당자에게 최선의 실천 방법과 잠재적 리스크, 비준수 행동 식별 방법 등을 교육하는 훈련 자료 개발에도 활용될 수 있다.
신규 진입 기업들은 수십 개 기관의 공개된 컴플라이언스 데이터를 활용해 검색과 통합을 더욱 빠르고 쉽게 만들 수 있다. 반면 오랜 기간 데이터를 축적한 대기업들은 적절한 개인정보 보호 기능을 설계해야 한다.
개선된 리스크 관리
Archegos와 London Whale가 그리스 신화에 나오는 생물처럼 들릴지 모르지만, 사실 이들은 리스크 관리의 심각한 실패를 나타내며 세계 최대 은행 몇 곳이 수십억 달러의 손실을 입게 했다. 최근의 실리콘밸리 은행(SVB) 사례와 함께 보면 리스크 관리는 여전히 선도적인 금융기관들에게 큰 도전 과제임을 알 수 있다.
AI 기술의 발전이 신용, 시장, 유동성, 운영 리스크를 완전히 제거할 수는 없지만, 금융기관이 이러한 불가피한 리스크를 더 빠르게 식별하고, 계획하며 대응하는 데 중요한 역할을 할 수 있다고 생각한다. 구체적으로 AI가 리스크 관리를 더욱 효율적으로 만들어 줄 수 있는 분야는 다음과 같다:
-
자연어 처리(NLP): ChatGPT와 같은 LLM 모델은 뉴스 기사, 시장 보고서, 애널리스트 리서치 등 방대한 비구조화된 데이터를 처리하여 시장 및 거래 상대방 리스크에 대한 더 완전한 시각을 제공할 수 있다.
-
실시간 통찰력: 시장 상황, 지정학적 사건 및 기타 리스크 요인에 대한 즉각적인 이해는 기업이 변화하는 환경에 더 빠르게 적응하도록 돕는다.
-
예측 분석: 더 복잡한 시나리오를 실행하고 조기 경고를 제공하는 능력은 기업이 리스크를 더욱 능동적으로 관리하도록 도울 수 있다.
-
통합: 독립된 시스템들을 통합하고 AI를 활용해 정보를 종합함으로써 리스크 노출에 대한 보다 완전한 시각을 제공하고 리스크 관리 프로세스를 간소화할 수 있다.
동적 예측 및 보고
LLM은 금융 문제 해결뿐 아니라 금융 서비스 팀의 내부 운영 프로세스 개선에도 기여할 수 있으며, 금융팀의 일상적인 업무 절차를 단순화할 수 있다. 금융 분야의 다른 부분은 큰 진전을 이루었지만, 현대 금융팀은 여전히 Excel, 이메일, 수작업이 필요한 BI 도구에 의존하고 있다. 데이터 과학 자원의 부족으로 인해 기본 업무 자동화가 어려운 상황에서 CFO와 그 팀은 중요하지 않은 기록 유지 및 보고 업무에 지나치게 시간을 쏟고 있으며, 핵심 전략적 결정에 집중하지 못하고 있다.
일반적으로 생성형 AI는 이러한 팀들이 더 다양한 출처에서 데이터를 수집하고, 트렌드 강조, 예측 생성, 보고서 작성 등의 과정을 자동화하는 데 도움을 줄 수 있다. 다음은 구체적인 활용 사례들이다:
-
예측: 생성형 AI는 Excel, SQL, BI 도구 내에서 수식 및 쿼리를 작성하여 분석 자동화를 도울 수 있다. 또한 이러한 도구는 패턴을 식별하고, 거시경제 요인 등 보다 광범위하고 복잡한 데이터셋에서 예측 변수를 도출하며, 모델 조정 방법을 제안함으로써 기업 의사결정에 참고 자료를 제공할 수 있다.
-
보고: 이사회 보고, 투자자 보고, 주간 데이터 대시보드 등 다양한 보고서를 수동으로 정보 추출하여 작성하는 대신, 생성형 AI는 텍스트, 차트, 그래프 등을 자동 생성하고 다양한 샘플에 맞춰 유연하게 보고 내용을 조정할 수 있다.
-
회계 및 세무: 회계 및 세무 팀은 규정을 참조하고 실제 상황에 어떻게 적용할지 이해하는 데 많은 시간을 투자해야 한다. 생성형 AI는 세법을 종합·요약하고 잠재적 세금 감면 방안을 제안하는 데 도움을 줄 수 있다.
-
구매 및 지급: 생성형 AI는 계약서, 구매 주문서, 송장 등을 자동 생성하고 수정하며 알림을 보내는 데 도움을 줄 수 있다.
하지만 현재의 생성형 AI는 판단력 또는 정확한 답변이 요구되는 분야(이는 금융팀에게 필수적인 경우가 많음)에서 한계를 가지고 있음을 분명히 해야 한다. 생성형 AI 모델은 계산 능력이 계속 향상되고 있지만, 아직은 그 정확성을 완전히 신뢰할 수 없으며, 적어도 인간의 검토가 필요하다. 모델이 빠르게 개선되고 더 많은 훈련 데이터와 수학 모듈 결합이 가능해짐에 따라 새로운 활용 가능성도 열리고 있다.
도전 과제
이 다섯 가지 주요 추세 속에서 신규 진입자와 기존 시장 참여자 모두는 생성형 AI 기반의 미래를 실현하기 위해 두 가지 주요 도전 과제에 직면해 있다.
-
금융 데이터를 처리할 수 있도록 대규모 언어 모델(LLM)을 훈련시키는 것: 현재의 LLM은 주로 웹 데이터를 기반으로 훈련된다. 금융 서비스의 특정 요구사항을 충족하기 위해선 금융 데이터를 사용해 이러한 모델을 정교하게 조정(fine-tune)해야 한다. 신규 기업들은 공개된 기업 재무제표, 규제 문서, 기타 쉽게 접근 가능한 공개 금융 데이터로 시작해 모델을 최적화한 후, 시간이 지남에 따라 자체적으로 수집한 데이터를 활용하게 될 것이다. 은행과 같은 기존 참여자나 Lyft와 같은 대형 플랫폼 기업의 금융 서비스 사업부는 이미 보유한 독점 데이터를 활용할 수 있어 초기 우위를 가질 수 있다. 하지만 기존 금융 서비스 기업들은 대규모 플랫폼 전환에 대해 종종 지나치게 보수적이기 때문에, 이는 자유로운 사고를 가진 신규 진입자에게 경쟁 우위를 제공할 수 있다.
-
모델 출력의 정확성: 금융 문제에 대한 답변은 개인, 기업, 나아가 사회 전체에 영향을 미칠 수 있기 때문에, 이러한 새로운 AI 모델은 가능한 한 정확해야 한다. 잘못된 답변을 만들어내거나 자신감 있게 들리지만 틀린 답변을 제공해서는 안 되며, 사람들의 세금이나 재정 건강과 관련된 핵심 문제에 대해서는 대중문화 질문이나 고등학교 에세이보다 훨씬 더 정확한 답변이 필요하다. 초기에는 종종 인간이 AI 생성 답변을 검증하는 '사람이 루프 안에(Human-in-the-loop)' 있어야 할 것이다.
생성형 AI의 등장은 금융 서비스 기업들에게 분명히 중대한 플랫폼 전환이며, 고객에게 더욱 개인화된 솔루션을 제공하고, 운영을 더 비용 효율적으로 만들며, 규제 준수를 강화하고, 리스크 관리를 개선하며, 보다 유연한 예측과 보고를 가능하게 할 수 있다. 우리가 방금 언급한 두 가지 핵심 도전 과제를 중심으로 기존 기업과 스타트업이 경쟁하게 될 것이다. 누가 최종적으로 승리할지는 아직 알 수 없지만, 한 가지 명확한 승자가 이미 등장했다는 것은 분명하다. 바로 미래의 금융 서비스 소비자들이다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
a16z
