중국과 미국의 은행업계 거물들이 생성형 AI를 적극적으로 도입하고 있다
작성자:Samora Kariuki
번역: TechFlow
글로벌 AI 물결
은행들은 생성형 AI를 실제로 어떻게 활용하고 있는가?
헤드라인과 과장된 보도를 제쳐두고 핵심을 묻자면, 세계 최대 은행들은 정확히 어떤 방식으로 생성형 AI를 사용하고 있는가? 미래 가능성이나 공급업체의 마케팅이 아닌, 이미 현실화된 실제 적용 사례는 어디에 있는가?
지난 2년간 글로벌 금융업계는 조용히 생성형 AI 시대로 접어들었다. 그러나 이 과정은 일관되지 않았으며 내부와 외부에서 차이를 보이고 있다. 내부 도구의 조용한 배치, 고객 대상 실험의 신중함, 소수의 과감한 혁신이 함께 작용하며 은행업계의 내부 구조를 서서히 재편하고 있다.
내부부터 시작해 점차 외부로 확장
AI 활용에는 공통점이 하나 있다. 바로 내부 생산성 툴로부터 시작한다는 점이다.
생성형 AI의 주요 활용은 내부 생산성 향상에 집중되어 있다. 이러한 도구들은 더 적은 자원으로 더 많은 업무를 수행할 수 있도록 직원들을 지원한다. JP모건(JPMorgan)의 애널리스트 어시스턴트가 지분 연구를 분석하는 사례에서부터 모건스탠리(Morgan Stanley)의 부동산 관리 컨설턴트를 위한 GPT 기반 도구에 이르기까지 초기 초점은 직원들을 대체하기보다는 강화하는 데 있었다.
골드만삭스(Goldman Sachs)는 개발자를 위한 AI 어시스턴트를 구축 중이며, 시티은행(Citi)의 AI 요약 도구는 메모 처리 및 이메일 작성에 도움을 준다. 스탠다드차타드(Standard Chartered)의 'SC GPT'는 이미 7만 명의 직원에게 제공되어 제안서 작성부터 인사 문제 해결에 이르기까지 다양한 업무에 활용되고 있다.
높은 수준의 규제 환경을 고려하면 내부 도구의 배포는 특히 타당하다. 이를 통해 은행들은 규제선을 넘지 않으면서도 실험을 진행하고 AI 역량을 키울 수 있다. 최근 나이지리아중앙은행(CBN)이 Zap에 취한 조치를 참고하면 "신중함"이 더욱 현명한 선택임을 알 수 있다.
사업 부문별 관찰: 가치는 어디에 있는가?
다양한 부서에서 AI 적용 속도는 다르다. 리테일 은행이 거래량 면에서 선두를 달리고 있다. 이 분야에서는 웰스파고(Wells Fargo)의 Fargo와 미국은행(Bank of America)의 Erica처럼 생성형 AI 기반 챗봇들이 매년 수억 건의 상호작용을 처리하고 있다. 유럽에서는 독일 코메르츠방크(Commerzbank)가 최근 자체 챗봇 Ava를 출시했다.
그러나 문제는 일부 도구들이 실제로 생성형 AI를 사용하지 않고 전통적인 머신러닝 기술에 의존하고 있다는 점이다. 예를 들어 미국은행의 Erica는 본질적으로 '기계적 트루크(Mechanical Turk)'에 가깝다. 즉, 자동화된 듯 보이지만 실상은 인력이 개입하는 방식이다. 그럼에도 중요한 것은 기술적 라벨이 아니라 실험 자체에 있다.
기업 및 투자은행 부문에서는 변화가 더욱 은밀하게 이루어진다. JP모건의 내부 도구는 고객에게 직접 서비스를 제공하기보다는 리서치 및 세일즈 팀을 지원하는 데 초점을 맞춘다. 데뷔체방크(Deutsche Bank)는 AI를 이용해 고객 통신 기록을 분석하는데, 이는 고객 서비스라기보다 데이터 기반의 인사이트로, 은행가들이 고객을 더 빠르고 잘 이해하고 서비스할 수 있도록 돕는다.
자산관리 부문은 그 중간에 위치한다. 모건스탠리의 AI 도구는 고객과 직접 대화하지 않지만 각 미팅 전 컨설턴트가 철저히 준비하도록 보장한다. 데뷔체방크와 아부다비 제일은행(First Abu Dhabi Bank)은 상위 등급 고객을 대상으로 복잡한 투자 질문에 실시간 답변하는 어시스턴트를 시범 운영 중이다.
지역별 차이: 누가 선두에 있는가?
출처: Evident AI Index
북미 지역은 예상대로 선두를 달리고 있다. JP모건(JPMorgan), 캐피털원(Capital One), 웰스파고(Wells Fargo), 시티은행(Citi), RBC(캐나다 왕립은행) 등의 미국 및 캐나다 은행들은 AI를 생산성 엔진으로 전환했다. OpenAI 및 마이크로소프트(Microsoft)와의 협력을 통해 이들은 가장 진보된 AI 모델에 가장 먼저 접근하고 있다.
유럽은 더 신중하다. BBVA, 데뷔체방크(Deutsche Bank), HSBC는 내부적으로 AI 도구를 시험 중이며 더 많은 보안 장치를 설정하고 있다. GDPR(유럽 일반 개인정보 보호법)의 영향이 크다. 과거와 마찬가지로 유럽은 기술 발전보다 규제에 더 주목하고 있는데, 이는 장기적으로 비용을 치르게 될 가능성이 있다.
아프리카와 라틴아메리카는 여전히 초기 단계이지만 빠르게 진전 중이다. 브라질의 Nubank는 OpenAI와 협력해 내부에 AI 도구를 먼저 도입한 후 고객 서비스로 확장하고 있다. 남아공에서는 스탠다드뱅크(Standard Bank)와 네드뱅크(Nedbank)가 위험 관리, 지원 서비스, 개발 분야에서 AI 시범 프로젝트를 진행하고 있다.
중국: 자체 AI 기술 스택 구축
중국의 은행들은 AI를 단순히 사용하는 것을 넘어 기술 스택 자체를 구축하고 있다.
중국공상은행(ICBC)은 자체 개발한 1000억 파라미터 규모의 대규모 언어 모델 ‘지용(Zhiyong)’을 출시했다. 이 모델은 문서 분석부터 마케팅 자동화까지 200개 이상의 비즈니스 시나리오를 지원하며 10억 회 이상 호출되었다. 이는 단순한 내부 도구 활용을 넘어 은행 운영 방식의 근본적 전환을 의미한다.
앤티그룹(Ant Group)은 금융 분야 전용 두 가지 대규모 언어 모델 — ‘지샤오바오 2.0(Zhixiaobao 2.0)’과 ‘지샤오주 1.0(Zhixiaozhu 1.0)’을 출시했다. 전자는 알리페이 일반 사용자를 대상으로 금융 상품 설명을 제공하며, 후자는 부동산 관리 컨설턴트를 지원하여 시장 보고서 요약 및 포트폴리오 인사이트 생성을 돕는다.
보험, 은행, 기술이 융합된 핀테크 거물 평안그룹(Ping An Group)은 한 발 더 나아간다. 자체 개발한 생성형 AI 어시스턴트 AskBob 은 고객과 고객 매니저 모두를 지원한다. 고객에게 AskBob은 자연스러운 중국어로 투자 및 보험 관련 질문에 답변하며, 컨설턴트에게는 고객 이력, 상품 데이터, 마케팅 자료를 추출·요약해 각 에이전트를 디지털로 강화된 금융 전문가로 전환한다. 평안의 목표는 AI를 통해 금융 컨설팅을 재정의하는 것으로, 단순 질의응답을 넘어 수요를 사전에 예측하는 것이다.
중국의 규제 프레임워크는 데이터 현지화 및 모델 투명성을 강력히 장려하고 있으며, 이에 따라 기관들은 국내 규제, 언어, 시장 환경에 맞춘 맞춤형 AI를 구축하는 장기적 전략을 선택하고 있다. 또한 중국은 충분한 인재 밀집도를 갖추고 있어 은행들이 자체적으로 기초 모델을 개발할 수 있는데, 이는 글로벌 범위에서 유일무이한 성과일 수 있다.
기술 지원은 누구에게서 오는가?
전 세계적으로 자주 등장하는 몇몇 주요 기업들이 있다. 마이크로소프트(Microsoft)는 Azure OpenAI를 통해 현재 가장 흔한 플랫폼이 되었다. 모건스탠리에서부터 스탠다드차타드에 이르기까지 많은 은행들이 마이크로소프트의 보안 샌드박스 환경에서 모델을 운영하고 있다.
구글의 LLM(대규모 언어 모델) 역시 사용되고 있다. 예를 들어 웰스파고는 Fargo 운영에 Flan을 활용한다. 반면 중국에서는 DeepSeek, 혼위안(Hunyuan) 등 국내 기술에 주로 의존하고 있다.
JP모건, 중국공상은행, 평안그룹과 같은 일부 은행들은 자체 모델을 훈련시키고 있다. 그러나 대부분의 은행은 기존 모델을 미세 조정(fine-tuning)하는 방식을 택하고 있다. 핵심은 모델 자체를 소유하는 것이 아니라 데이터 계층과 모델 운용을 통제하는 데 있다.
글로벌 AI 활용의 다각적 탐색
원본 이미지 참조, 번역: TechFlow
그렇다면 어쩌란 말인가?
고도로 규제된 산업에서 신중함은 필수적이며, 그래서 은행들은 AI를 앞줄에 세우기보다 내부에 배치하고 있다. 그러나 다른 플랫폼 전환 사례에서 우리가 관찰한 바와 같이, 결단력 있는 의사결정과 빠른 실험이 중요하다. 규제는 실행을 따라오지 못하며, 규제가 완비되기를 기다린 후 AI 실험을 시작하는 것은 현명하지 않다. 나는 10여 년 전 규제가 없는 국가에서 에이전시 뱅킹(agency banking)을 구축했던 기억이 있다. 우리가 구축을 마친 후에는 오히려 중앙은행에 이 사업을 설명해야 하는 입장이 되었다. 만약 내가 은행 이사회 일원이라면 이렇게 물을 것이다. “우리는 지금 얼마나 많은 실험을 하고 있는가? 우리는 얼마나 많은 인사이트를 생성하고 있는가?”
진정한 진전을 측정하려면 플랫폼 전환의 기본 원칙으로 돌아가야 한다. 여러분의 AI 전략은 다음 질문들에 답해야 한다.
“우리의 AI 전략이 핵심 아키텍처를 재구축했는가? 비용을 100배 절감했는가? 새로운 가치 모델을 열었는가? 생태계 연결을 촉진했는가? 시장을 전복시켰는가? 접근성을 민주화했는가?”
논리는 명확하다. 회의적인 태도를 유지하는 것은 필요하지만, 논리와 사실은 모두 AI가 새로운 플랫폼 전환이라는 점을 보여준다. 또한 과거의 플랫폼 전환이 금융시장에서 종종 혁명적 변화를 가져왔다는 점도 명백하다. 예를 들어, 70~80년대 시티은행(Citi)의 기술 도입은 리테일 사업을 크게 확장시켰다. 캐피털원(Capital One)은 무에서 유를 창조해 시장 내 상위 10대 은행에 진입했으며 자동차 대출 및 모기지와 같은 관련 산업에서도 중요한 입지를 확보했다. 아프리카에서는 Equity Bank가 클라이언트-서버 기술 물결을 타고 동아프리카에서 시가총액이 가장 큰 은행이 되었다. Access Bank, GT Bank, Capitec 역시 각 시장에서 이 물결을 성공적으로 활용했다.
AI 플랫폼 시대는 이미 도래했으며, 승자들을 만들어낼 것이다. 중요한 것은 실패자에 주목하는 것이 아니라, 특정 분야에서 눈에 띄는 시장 점유율을 차지하는 승자들에게 초점을 맞추는 것이다. 예를 들어 Stripe의 결제 분야 성공은 전형적인 사례다. 초기 돌파구는 인접 분야로의 시장 점유율 확대로 이어지기도 한다. Nubank는 신용카드 사업을 통해 중소기업 및 리테일 은행 분야의 주요 플레이어가 되었다.
나의 주장은, AI 시대의 승자들은 관계 비용(Relationship Cost)에 집중할 것이라는 점이다. 이제 더 이상 순수한 거래 게임이 아니다. 거래는 이미 끝났으며, 지금은 고객 경험과 관계 관리의 게임이다. 이것이 금융서비스 리더들이 주목해야 할 핵심 인사이트다. 고객 경험과 관계 은행업을 100배 저렴한 비용으로 100배 개선할 수 있는 방법은 무엇인가? 은행으로서 어떻게 지능형 기술을 활용해 고객이 재정, 사업, 삶을 더 잘 관리할 수 있도록 도울 수 있을까? 이러한 질문에 답하고 실행할 수 있는 기업이 결국 승자가 될 것이다.
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
@SamoraKariuki
