금융 AX는 “좋은 LLM 고르기”가 아니라, AI 에이전트가 실제 금융 업무를 하도록 만들되 통제·감사·책임까지 포함해 운영 체계를 다시 설계하는 일입니다. DX가 화면과 기능을 디지털화했다면, AX는 “에이전트가 일을 한다”는 전제 아래 승인 지점, 접근 권한, 실패 시 롤백, 감사 로그를 처음부터 설계합니다. 모델 성능이 상향 평준화될수록, 승부는 거버넌스와 운영 아키텍처에서 갈립니다.
DX에서 AX로: ‘기능 추가’가 아니라 ‘운영 체계 재설계’
예전엔 “챗봇 하나 붙이면 AI 도입”처럼 보이기도 했죠. 하지만 금융에서 챗봇은 대개 ‘말’만 합니다. 반면 AI 에이전트는 서류를 확인하고, 누락을 찾아 고객에게 요청하고, 내부 시스템에 결재를 올리는 식으로 ‘행동’합니다.
문제는 여기서부터입니다. 행동하는 소프트웨어가 생기면, 조직은 자연스럽게 묻게 됩니다. “어디까지 자동으로 해도 되지?”, “누가 최종 승인하지?”, “나중에 감사가 들어오면 재현이 가능해?” AX는 이 질문에 답을 주는 설계 방식입니다. 즉, UI 개선이 아니라 사람+에이전트+규제+데이터가 한 런타임에서 굴러가게 만드는 일에 가깝습니다.
금융 AI 에이전트가 특히 어려운 3가지 이유
첫째, 데이터와 시스템이 쪼개져 있습니다. 청약, 심사, 계약, 보상처럼 업무가 나뉘어 있고 포맷도 제각각이라 에이전트가 돌아다닐 길(연결과 표준화)이 필요합니다.
둘째, 파트너가 많습니다. 카드사, GA, 핀테크, 외부 데이터 등과의 계약·권한·보안 조건이 얽혀 있어서 “API 한 번 붙이면 끝”이 잘 안 됩니다.
셋째, 규제와 민감 정보입니다. 금융은 결과가 틀리면 ‘불편’이 아니라 ‘사고’가 됩니다. 그래서 속도보다 “책임질 수 있는 구조”가 먼저고, 그 핵심이 권한 분리, 승인 절차, 감사 가능한 기록입니다. 에이전트가 여러 시스템에서 연쇄적으로 행동하는 구조일수록, 사건을 되짚기 위한 감사 로깅은 선택이 아니라 필수에 가깝습니다1.
모델보다 중요한 것: 에이전트 권한(IAM)과 감사 로그 설계
요즘 금융사들이 막히는 지점은 “모델이 별로라서”가 아니라 “이걸 프로덕션에 붙였을 때 통제 가능한가”입니다. 특히 에이전트가 데이터에 접근하고 도구를 호출하는 순간, 기존 소프트웨어보다 훨씬 강한 수준의 추적성이 필요해집니다. 어떤 데이터에 접근했는지, 어떤 도구를 어떤 파라미터로 호출했는지, 무엇을 근거로 결정을 내렸는지, 그리고 그 결정을 사람이 승인했는지까지요1.
또 하나 중요한 축은 내부통제입니다. 예를 들어 AI가 결산, 전표 초안, 공시 문구 같은 재무보고 영역에 영향을 준다면, 감사인은 접근통제, 변경관리(프롬프트/규칙/모델 버전), 검증, 모니터링, 리뷰 증적을 요구할 가능성이 높습니다. 특히 “중요한 금액은 사람이 최종 승인” 같은 Human-in-the-loop가 현실적인 안전장치가 됩니다2. 쉽게 말해, 에이전트도 ‘사번’이 있고, 할 수 있는 일과 못 하는 일이 명확해야 합니다.
이 흐름은 기술 트렌드와도 맞닿아 있습니다. 금융권에서 에이전틱 AI는 자동화를 넘어 자율 실행으로 진화하는 만큼, 거버넌스가 같이 성숙하지 않으면 오히려 리스크가 커집니다3.
시사점: 금융 AX를 시작하는 가장 현실적인 순서
처음부터 “개인 금융 비서” 같은 거대한 꿈을 잡기보다, 내부 직원의 페인포인트부터 작게 시작하는 편이 성공 확률이 높습니다. 예를 들어 문서 검색, 규정 검증, 상담 요약처럼 ROI가 빠르게 보이고 리스크를 통제하기 쉬운 영역이 좋습니다.
그리고 첫 POC부터 모델보다 먼저 정해야 할 것이 있습니다. 에이전트 권한(allowed/forbidden), 사람 승인 지점, 변경관리(프롬프트·정책·모델 버전), 그리고 감사 로그 스키마입니다. 이걸 나중에 붙이면 “돌아는 가는데 감사가 안 되는” 시스템이 되기 쉽습니다.
마지막으로 아키텍처는 속도와 규제 사이의 줄타기입니다. 그래서 금융은 하이브리드가 전제가 되는 경우가 많고, AWS에서도 금융 산업용 설계 체크리스트인 Well-Architected FSI Lens에 생성형/에이전틱 AI 관점의 모범사례를 확장해 담고 있습니다4. 결론은 간단합니다. 앞으로 모델은 비슷해질수록, 오래 가는 경쟁력은 “신뢰할 수 있게 운영하는 설계”에서 나옵니다.
참고
1MCP Audit Logging: Tracing AI Agent Actions for Compliance
2Internal Controls Over AI Systems for Financial Reporting - Ridgeway Financial Services
3The rise of agentic AI in financial services: from automation to autonomy
4Announcing the Well-Architected FSI Lens updated for Generative AI and Agentic AI
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.