AI에 대한 과대광고가 지속되는 가운데, 2026년은 에이전트 AI가 금융 서비스에 대규모 변화를 가져올 해로 형성되고 있습니다. 시장 선두업체, 추격업체, 후발업체 사이에 분명한 격차가 나타나고 있습니다. 이제 비전가들은 한 개인이 AI 동료 팀을 이끌고 기하급수적으로 더 많은 성과를 제공하는 '10× 은행'의 등장을 예상하고 있습니다. 이 모델에서는 성장이 더 이상 인원수에 의해 제한되지 않습니다. 대신, 성공은 업무를 재창조하고 거의 무한한 역량과 능력을 갖춘 '인간과 대리인' 인력을 형성하는 조직의 능력에 달려 있습니다. 결정적으로, 사람들은 이러한 새로운 AI 협력자가 배포되고 관리되는 방식을 안내하면서 변화를 주도해야 합니다.
Accenture의 2026년 뱅킹 주요 트렌드:무제한 뱅킹의 등장
자세히 알아보기
이 시리즈에서는 은행, 재산 및 자산 관리, 자본 시장 및 보험에 대한 이러한 변화를 심층적으로 다루며 다음 내용을 다룹니다.
2024년 11월 말, Lord Holmes, David Parker, 그리고 저는 런던에서 금융 서비스 리더들을 위한 AI 심포지엄을 주최했습니다. AI, 특히 생성적 AI(GenAI)가 이제 변화를 일으키고 있고 사람들이 'POC 영역'을 넘어서고 있다는 것은 분명했습니다.
참석한 많은 기업은 이미 GenAI에 열심히 투자하고 있으며, 실제 비즈니스 과제를 해결하기 위해 생산 규모에 맞춰 GenAI를 사용하고 있으며 종종 보험 인수와 같은 중요한 프로세스 내에서 구조화되지 않은 데이터에 초점을 맞추고 있습니다. 그들 모두는 책임감 있는 AI 가드레일과 직원 및 고객에 대한 깊은 배려를 바탕으로 올바른 방식으로 이를 수행하려고 노력하고 있었습니다.
지난 10월 프랑크푸르트 시보스(Sibos)에서는 1년도 채 지나지 않아 그 추진력이 폭발했습니다. 업계를 변화시키기 위해 에이전트 AI를 사용하는 조직을 만나지 않고는 움직일 수 없습니다. 저는 진정한 동료이자 팀 동료로서 AI에 대해 논의하는 패널을 주최했습니다. AI에 대한 아이디어는 이론에서 실무로 빠르게 전환되었습니다.
e는 2,000개 이상의 참여에서 AI 기반 재창조를 추진하고 있으며, 이들 중 다수는 에이전트 AI를 사용합니다. 이러한 genAI 프로젝트에 대한 최근 분석에 따르면 금융 서비스 회사의 약 3분의 1이 핵심 프로세스를 위해 AI를 확장했으며 이미 큰 수익을 거두고 투자를 가속화하고 있는 것으로 나타났습니다. 우리는 가치에 대한 과대광고와 확장을 넘어섰으며 선두 기업과 후발 기업 간의 격차가 빠르게 벌어지고 있습니다.
심포지엄에서 눈에 띄는 순간 중 하나는 아이디어가 여전히 초기 관심을 모으고 있던 당시 에이전트 아키텍처 사례 연구의 발표였습니다. 우리는 엔지니어링 팀이 주요 레거시 시스템 마이그레이션을 가속화할 수 있도록 에이전트 AI를 사용하여 이 은행과 협력하고 있었습니다.
레거시 교체는 은행 업무의 탄력성, 비용 및 민첩성에 있어 중요한 비즈니스 문제입니다. 은행은 코드의 40%가 검토되지 않는 등 열악한 레거시 코드 품질에 직면했습니다. 이러한 복잡성을 감안할 때 초기 계획에는 3년 동안 250명의 개발자가 필요했으며 선임 개발자, 레거시 코드 및 도메인 지식과 관련된 병목 현상이 이미 나타났습니다.
이 문제를 해결하기 위해 우리는 소프트웨어 엔지니어와 협력할 AI 에이전트를 배포했습니다.
이 에이전트 아키텍처는 소프트웨어 엔지니어와 협력하여 설계되었으며 개발자 워크벤치에 통합되어 생산성을 높이고 역할을 향상시켰습니다. 그 결과는 놀라웠습니다:
말할 필요도 없이 이 사례는 심포지엄 참석자들에게 '와우'의 순간이었습니다. 그 이후로 작년에 에이전트 AI를 통해 이루어진 진전은 더욱 인상적이고 널리 퍼졌습니다.
기술 제공에 미치는 영향은 엔지니어링에만 국한되지 않습니다. 예를 들어 우리는 대규모 아시아 은행의 데이터 파이프라인을 98% 더 효율적으로 만들었고 유럽의 대형 은행의 경우 서비스 데스크의 효율성을 20% 더 높였습니다.
AI 에이전트는 특정 목표를 달성하기 위해 작업과 워크플로를 처리하는 프로그램입니다. 인간이 목표를 설정하지만 에이전트는 목표를 달성하는 데 필요에 따라 전략을 조정하여 보다 독립적으로 작동합니다. 그들은 의견을 듣고, 추론하고, 수행할 작업을 결정하고, 다른 에이전트 및 도구와 상호 작용하고, 결과를 검토하고, 필요한 다음 단계를 결정합니다.
에이전트는 조직 내에서 교육을 받은 도메인 컨텍스트(예:특정 교육 데이터 및 문서)를 '알고 있습니다'. 그들은 장기 기억력을 갖고 있으며 과거의 상호 작용을 통해 학습하여 의사 결정을 최적화할 수 있습니다.
AI 에이전트는 특정 역할과 목표 지향적으로 전문화되고 훈련되었습니다. 이 전문화의 이점은 성능이 향상된다는 것입니다. 다양한 에이전트를 혼합하여 부분의 합보다 더 큰 전체를 구성할 수 있기 때문입니다(다분야 팀과 유사).
에이전트 아키텍처에서는 오케스트레이터 또는 감독 에이전트가 프로세스를 관리하고 전문 유틸리티 에이전트에 작업을 할당합니다.
'전통적인' 또는 '고전적인' AI는 일반적으로 기계 학습과 숙련된 데이터 과학자를 사용합니다. 이는 FS에서 복잡한 모델을 위해 수년 동안 사용되었습니다. 정의된 매개변수와 입력 내에서 차선책(예:패턴, 예측, 모델, 시뮬레이션, 최적화, 권장 사항)을 예측하고 식별하는 데 매우 뛰어납니다.
GenAI는 프롬프트를 기반으로 대규모 언어 모델에 대한 콘텐츠를 생성하여 출력을 생성합니다. 현재 우리 대부분은 ChatGPT, CoPilot, Claude 또는 기타 모델에 익숙합니다. GenAI 모델은 점점 더 강력해지고 있으며 영화나 게임과 같은 다중 모델 출력을 생성할 수도 있습니다. 숙련된 사용자는 이러한 출력을 구체화하기 위해 다양한 방법이나 체인을 통해 프롬프트를 표시할 수 있습니다. 그러나 이러한 바닐라 형태의 모델은 동적 작업을 처리하고 다단계 계획을 실행할 수 없습니다. 즉, 생산할 수는 있지만 더 복잡한 목표를 향해 작업할 수는 없습니다.
반면 에이전트 AI에서는 여러 AI 에이전트가 각 단계에서 사람의 개입을 줄이면서 더 복잡하고 다면적인 목표를 공동으로 추구하고 달성합니다.
이는 수동적 콘텐츠 생성(GenAI)에서 작업별 실행(AI 에이전트), 보다 자율적인 다중 에이전트 오케스트레이션(Agentic AI)으로의 전환입니다(자세한 내용은 Sapkota 2025 참조).
모든 이전 형태의 AI(예:머신 러닝, 딥 러닝, GenAI)는 여전히 관련성을 유지하지만 훨씬 더 뛰어난 '함께 작업'을 통해 작업을 재창조하는 에이전트 AI의 역량입니다.
소프트웨어 제공 사례는 흥미롭고 FS와 관련성이 높지만 이를 실제로 구현하기 위해 몇 가지 추가 사례를 살펴보겠습니다.
우리는 에이전트 AI를 위험 및 규정 준수에 적용할 수 있는지 자주 묻는 질문을 받습니다. 대답은 '예'입니다! 우리는 AI를 사용하여 여러 은행이 '고객 알기'(KYC)를 혁신하도록 돕고 있습니다.
과거에 KYC는 탐지율과 오탐지 문제로 인해 레거시 시스템에서 느리고 비용이 많이 드는 수동 프로세스였으며 고객 온보딩 및 정기 검토에 영향을 미쳤습니다.
Agentic AI를 사용하면 더 이상 순차 처리에 얽매이지 않고 KYC 프로세스를 재구성할 수 있습니다. KYC 분석가는 더 이상 수동적인 활동에 집중하지 않고 대신 높은 가치의 판단 기반 조사 작업에 시간을 보낼 수 있습니다.
다음은 AI를 사용한 KYC 전환이 지난 몇 년 동안 자체 포함된 GenAI 사용 사례에서 LLM 워크플로를 통해 에이전트적 엔드투엔드 프로세스로 이동하면서 어떻게 발전했는지 보여주는 세 가지 예입니다.
유럽의 한 은행에서 가장 초기에 사용된 것 중 하나는 문서를 분류하고, KYC 데이터 포인트를 수집 및 추출하고, 누락된 데이터를 검증 및 수정한 다음, KYC 에이전트가 검증할 수 있도록 일관된 형식으로 데이터를 제시하는 것이었습니다. 복잡한 통신 은행 업무의 경우 처리 시간이 99% 단축되고 비용이 94% 절감되는 동시에 작업 품질도 향상되었습니다.
부유한 글로벌 은행 중 한 곳에서 우리는 언어 번역(연간 90,000시간 이상 절약), KYC 상담원 안내(케이스 거부율 감소), 문서 분류(95% 초기 정확도), 당사자 식별(소요 시간 50% 감소) 및 케이스 요약 등으로 시작했습니다. 이러한 기능은 워크플로우 전반에 걸쳐 더욱 광범위하게 사용되었습니다.
가장 최근에 다른 글로벌 은행에서는 에이전트가 문서에서 관련 정보를 추출하고, 문서 또는 데이터가 누락된 위치를 식별하고, 부의 소스 설명을 생성하고 해당 설명의 정확성과 완전성을 검토할 수 있는 부의 소스(주요 비즈니스 과제)부터 시작하여 엔드 투 엔드 라이프사이클에 걸쳐 에이전트를 적용하고 있습니다. 인간 KYC 분석가는 여전히 루프에 있으며 사례 처리를 궁극적으로 제어할 수 있지만 이러한 에이전트를 사용하면 생산성, 정확성 및 고객 경험을 향상시킬 수 있습니다. 에이전트 AI를 사용하면 전체 가치 사슬을 더 많이 지원할 수 있습니다.
유럽의 한 보험사를 위해 우리는 재산, 상해 및 자동차 보험 청구에 대한 에이전트 AI를 개발하고 있습니다. 잘못된 결정이 내려지면 청구는 경제적, 고객에게 심각한 영향을 미칩니다. 많은 보험사에 있어 청구는 구조화되지 않은 데이터와 문서를 처리하는 데 많은 시간이 소요되는 노동 집약적인 프로세스입니다.
우리는 청구 플랫폼을 주도하고 다른 시스템을 조정하여 인간 청구 처리자를 지원하는 AI 에이전트를 개발했습니다. AI 에이전트는 정보 수집, 데이터 품질, 정책 및 적용 범위 확인, 정책 세부 정보 추출, 청구 데이터 요약(손실에 대한 첫 번째 알림, 고객 및 전문가 입력, 고객 서신 포함)과 같은 작업을 지원하고 소송, 사기 및 적립금 관리에 대한 일부 지원까지 지원합니다.
이러한 모든 작업을 통해 상담원은 청구 처리자가 '주도자'로서 책임을 맡도록 지원합니다. 예를 들어 소스 데이터를 쉽게 되돌아볼 수 있습니다. 우리는 더 나은 의사 결정(청구 정확도 1% 향상)에 시간을 집중하고 가장 복잡하고 가치 있는 청구에 대한 협상을 지원하여 직원의 역량을 20% 확보할 수 있었습니다.
우리는 미국에 본사를 둔 손해보험사에서 복잡한 상업 청구 업무에 이르기까지 유사한 업무를 본 적이 있습니다.
에이전트적 AI를 동료로 상상해 보십시오. 전담 팀원이 귀하를 전문적으로 지원하고 상호 보완적인 관점과 강점을 제공할 수도 있습니다.
비즈니스 리더로서 100,000명의 직원이 아니라 훨씬 더 큰 역량과 능력을 갖춘 백만 명의 인간 및 에이전트 직원이 근본적으로 다른 방식으로 업무를 수행하는 것을 상상해 보십시오.
에이전트 아키텍처의 가치를 실현하려면 올바른 데이터 기반, 책임 있는 AI 프레임워크, 인프라 및 기술이 필수적입니다. 우리는 경영진 및 이사회와의 협력을 포함하여 많은 은행 및 보험 고객이 비즈니스 전반에 걸쳐 이를 구현하도록 도왔습니다. 가장 중요한 단계는 이러한 영역을 가장 잘 이해하고 인간 중심적인 접근 방식을 취하는 인력을 포함하여 올바른 비즈니스 기회와 가치 흐름을 식별하는 것입니다. 이를 가속화하기 위해 우리는 주요 은행 및 보험 가치 사슬, 프로세스 및 인력을 분석하고 재창조할 수 있는 자산을 보유하고 있습니다. 여기에는 NVIDIA 및 선도적인 AI 생태계 플레이어와의 파트너십을 기반으로 Accenture Refinery에서 개발된 '사용 가능한' 에이전트가 포함됩니다.
JPMorganChase는 신속하고 대규모로 AI로 전환하는 특히 흥미로운 사례를 제공합니다. 1년이 채 안 되어 200,000명의 직원이 LLM Suite에 대한 셀프 서비스 액세스를 민주화했으며 그 중 절반은 하루에 3번 이상 사용합니다.
이로 인해 광범위한 아이디어, 실험 및 적용이 이루어졌습니다(안전한 공간 내에서 유리한 비용 한계화). 그런 다음 좋은 아이디어를 수확하고 '벤처 캐피털' 사고방식으로 투자하고 확장할 수 있습니다.
이제 그들은 다양한 사업부 전반에 걸쳐 전문 AI와 에이전트 AI를 보유하고 있습니다. 변화에 대한 이러한 분산된 접근 방식은 자유방임주의가 아닙니다. 모든 모델이 등록되어 있으며 안전한 스케일링을 지원하도록 제어됩니다. 그러나 고위험 사용(별도의 위험 위원회, 전체 모델 검토)과 저위험 사용(후원자 검토)에는 차별화된 경로가 있습니다.
결정적으로 JPMorganChase는 채택에 투자하여 대행사의 얼리 어답터를 위한 공간을 만들고 팔로워와 대량 어답터도 참여하도록 돕습니다. 그들은 업무 중단을 조장했습니다. "AI가 당신의 일을 먹도록 하세요. 여기에는 당신이 할 수 있는 다른 일이 많이 있습니다. 당신의 직업은 AI가 빼앗지 않을 것입니다. AI 사용법을 숙달한 사람이 맡을 것입니다." (JPMorganChase의 자산 및 자산 관리(AWM) 부문 CEO인 Mary Erdoes).
높은 성장과 뛰어난 인재 환경을 통해 능력주의적이지만 인간 중심적인 접근 방식을 통해 변화에 인력을 참여시킬 수 있었습니다. 이는 빠르게 이동하는 동시에 인력 변화에 대한 계획도 세우는 것이었습니다. “더 많이 알수록 더 많은 계획을 세울 수 있고, 인력 감소를 친구로 삼고 필요한 경우 재배치, 재교육 등을 할 수 있습니다.” (Jamie Dimon, JPMorganChase CEO).
각 블로그의 마지막 부분에는 몇 가지 핵심 요점과 질문이 포함되어 있습니다. 팀 내에서 자유롭게 활용하거나 채팅을 원하시면 알려주세요.
다음 블로그에서는 선도적인 금융 서비스 기업이 인간 중심 방식으로 AI에 접근하는 방법과 에이전트 아키텍처를 사용하여 업무 재창조를 가속화할 수 있는 방법을 살펴보겠습니다.
에이전트 AI가 금융 서비스 전반에 걸쳐 업무를 어떻게 변화시키고 있는지 자세히 알아보려면 2026년 주요 은행 동향을 읽어보세요. 보고합니다.