2026년 금융 기관의 대형 모델 도입이 “경쟁 기간”에 접어들었지만, 대부분의 프로젝트는 아직 “시험 단계”(POC/내부 데모)에 머물러 있으며, 실제로 비즈니스 가치를 창출하는 경우는 거의 없습니다. 문제는 모델 자체에 있는 것이 아니라 **데이터 측의 세 가지 주요 문제점**(데이터의 혼란, AI의 이해 부족, 응용의 어려움)과 **조직 측의 핵심적인 부족**(비즈니스, 데이터, 엔지니어링을 연결할 수 있는 복합형 팀의 부재)에 있습니다. 해결 방법은 “데이터 거버넌스 → AI 준비 → 응용 구현”이라는 세 단계의 구조를 통해 데이터 주권을 재구축하고, “시나리오 기반의 작은 단계로 빠르게 진행”하는 방식을 채택하며, FDE 모델(최첨단 배포 엔지니어)과 네 가지 핵심 역할을 통해 조직적 장벽을 극복하는 것입니다.
1. 금융 대형 모델의 도입: 활발한 프로젝트 추진, 실제 성과는 부족
주요 금융 기관들은 대형 모델 프로젝트를 진행하고 있으며, 투자 연구, 리스크 관리, 고객 서비스 등 다양한 분야에 적용하고 있지만, 대부분은 아직 “개념 검증” 단계에 머물러 있습니다(예: 리더에게 AI가 간단한 질문에 답할 수 있다는 것을 보여주는 것). 왜 그럴까요? 모델 자체의 문제가 아니라 데이터가 발목을 잡고 있기 때문입니다. 또한 비즈니스, 데이터, 기술을 연결할 수 있는 사람이 없기 때문입니다.
2. 도입을 저해하는 세 가지 주요 데이터 문제점: AI가 일하고 싶어도 “재료가 없어서 못한다”
문제점 1: 기초 데이터 층 – 데이터가 엉망
금융 기관의 시스템이 너무 많아서(은행의 신용, 자산 관리는 다른 업체에서 만들었으며, 증권 중개 및 자산 관리 시스템도 서로 통신하지 않음), 다음과 같은 문제가 발생합니다:
- 동일한 고객이 다른 시스템에서 다른 번호로 표시됨(예: 신용 시스템에서는 “장삼123”, 자산 관리 시스템에서는 “장선생456”으로 표시됨);
- 데이터 형식이 혼란스럽고(일부는 표 형식, 일부는 텍스트 형식이며, 자주 변경됨);
- 데이터 품질이 낮음(이 지표가 어떻게 계산되는지 알 수 없어서 모델을 수정하면 이메일로만 알림을 보내야 하며, 오류가 발생하기 쉽음).
간단히 말해, 데이터가 잘 정리되어 있지 않아서 AI가 사용할 수 있는 정보를 찾을 수 없습니다.
문제점 2: AI 준비 층 – 데이터가 “사람이 보기 위한 것”이지만, AI는 이해할 수 없음
데이터가 있어도 바로 AI에게 제공할 수 없습니다. 예를 들어, 재무 보고서에서 “순이익 5억”이라는 숫자를 사람은 이해할 수 있지만, AI는 “순이익”이 무엇인지, 그 숫자가 어디에서 왔는지, 다른 지표와의 관계가 무엇인지 알 수 없습니다. AI가 이 데이터를 사용하면 세 가지 문제에 직면합니다: 데이터를 정확하게 찾을 수 없음, 인터페이스가 통일되어 있지 않음, 비즈니스 용어를 이해할 수 없음(예: “레버리지 비율”이 은행과 증권에서 다른 의미를 가질 수 있음).
문제점 3: 응용 층 – AI가 쉽게 “허위 정보”를 만들어냄
일반적인 대형 모델은 전문적인 데이터가 부족하고 업데이트가 느리며, 종종 잘못된 정보를 생성합니다(예: 변동률을 잘못 계산함); 또한 금융 데이터의 규제 요구 사항이 높아서(누가 어떤 데이터를 볼 수 있는지에 대한 엄격한 규정이 있음), 응용을 구현하기가 어렵습니다. 예를 들어, AI에게 채권 등급을 매기게 하면 아무 숫자나 만들어낼 수 있으며, 그 출처를 확인할 수 없어서 금융 업계에서는 사용할 수 없습니다.
3. 데이터 주권의 재구축: 세 단계로 데이터가 “AI의 말을 듣게” 하기
데이터 문제를 해결하려면 세 단계의 구조를 구축해야 합니다:
1. 데이터 거버넌스: 먼저 데이터를 “정리”하기
단순히 번호를 통일하는 것이 아니라 세 가지 문제를 해결해야 합니다:
- 주요 데이터의 통일: 동일한 고객/비즈니스가 모든 시스템에서 동일한 식별자로 표시되도록 함(예: 장삼은 어떤 시스템에서도 “장삼001”으로 표시됨);
- 데이터의 출처를 명확히 함: 각 데이터의 출처를 알 수 있도록 함(예: “순이익”이 재무 보고서에서 왔는지 제3자 보고서에서 왔는지);
- 지표의 표준화: 예: EBITDA(회사의 수익 능력을 측정하는 지표)에는 세 가지 계산 방법이 있으므로, 어떤 시나리오에서 어떤 방법을 사용할지 명확히 해야 합니다.
핵심은 이 작업이 기술자만으로는 해결할 수 없으며, 비즈니스 전문가와 데이터 전문가가 함께 해야 합니다. 비즈니스 전문가는 지표가 실제로 어떻게 사용되는지 알고, 데이터 전문가는 규칙을 시스템이 인식할 수 있는 표준으로 만들어야 합니다.
2. AI 준비: 데이터를 “AI가 이해할 수 있는 언어”로 변환하기
잘 정리된 데이터도 “사람의 언어”일 뿐이므로, “AI의 언어”로 변환해야 합니다. 핵심은 “비즈니스 지식 체계”를 구축하는 것입니다. 예를 들어, “레버리지 비율”을 명확하게 정의하고(은행과 증권의 레버리지 비율이 다름), 각 데이터에 라벨을 붙여(Available for AI to understand) AI가 정확하게 이해하고 사용할 수 있도록 해야 합니다.
3. 응용 구현: AI에게 “제한”을 가하여 허위 정보를 방지하기
AI의 허위 정보의 근원은 “자유로운 발현”에 있으므로, 해결 방법은 분리 + 제한입니다:
- 분리: 복잡한 프로세스를 작은 단계로 분해함(예: 채권 투자를 채권 선택, 등급 평가, 거래로 분해함);
- 제한: AI가 특정 작업만 수행하도록 제한함(예: AI가 데이터를 분석할 수는 있지만, 결정을 내리지는 못하도록 함).
4. FDE 모델과 네 가지 핵심 역할
FDE 모델은 최첨단 배포 엔지니어를 의미하며, 네 가지 핵심 역할은 다음과 같습니다:
- 프로젝트 관리자: 전체 프로젝트를 총괄하고 진행함;
- 개발자: 대형 모델을 개발하고 테스트함;
- 운영자: 모델을 배포하고 유지보수함;
- 보안 전문가: 데이터 보안을 보장함.
이 네 가지 역할이 협력하여 데이터 주권을 재구축하고 금융 기관의 업무 효율성을 향상시킵니다.