금융기관의 AI 활용은 고객 상담과 문서 검색을 시작으로 준법감시, 리스크 대응, 심사, 상품 추천처럼 판단과 책임이 필요한 업무로 확대되고 있습니다. 금융기관이 AI를 실제 업무에 적용할수록 답변의 정확성과 함께, 어떤 데이터와 기준을 근거로 결과를 만들었는지 확인할 수 있는 구조가 필요해집니다.
Enhans가 약 150명의 금융권 실무자를 대상으로 진행한 설문에서 가장 많이 확인된 문제는 AI 환각과 답변 신뢰도 문제였습니다. 전체 응답의 55.7%가 해당 항목을 선택했습니다. 이외에도 비정형 문서의 데이터화 어려움, 보안·권한·감사 대응 부담, 약관·규정·가이드라인 문서의 분산이 금융 AI 도입의 주요 과제로 나타났습니다.
AI 환각과 답변 신뢰도 문제를 세부적으로 살펴보면, 사실과 다른 답변 생성, 원본 출처와 근거가 명확하지 않은 답변, 금융 업무의 맥락을 충분히 이해하지 못한 답변이 주요 문제로 나타났습니다. 이로 인해 담당자가 원본 문서를 다시 확인하거나, 잘못된 답변이 내부 보고와 리스크 대응에 영향을 줄 수 있다는 우려도 확인됐습니다.
금융 AI의 오류는 답변 품질 저하로 끝나지 않습니다. 잘못된 약관이나 상품 조건을 고객에게 안내하면 불완전판매와 민원으로 이어질 수 있고, 심사 과정에서 부정확한 정보를 사용하면 대출·보험 판단의 신뢰도와 리스크 관리에도 영향을 줄 수 있습니다. 규제 보고나 내부 의사결정에 잘못된 수치가 반영되면 감사 대응과 컴플라이언스 부담도 커집니다.
담당자가 AI의 답변을 믿기 어려워 원본 문서를 다시 확인하는 상황이 반복되면 검토 업무가 줄지 않고, AI 도입에 투입한 비용과 현업의 사용률에도 영향을 줍니다. 금융기관에서 AI를 운영하려면 답변을 빠르게 생성하는 것과 함께, 결과의 근거와 적용 기준을 확인하고 오류 발생 과정을 추적할 수 있어야 합니다.
금융 업무는 여러 데이터와 기준을 함께 해석해야 합니다
금융기관이 AI 도입을 검토하는 업무에는 공통점이 있습니다. 고객, 계좌, 거래, 계약, 상품, 규정처럼 서로 다른 데이터와 문서를 하나의 판단에 함께 사용한다는 점입니다.
대출 심사에서는 고객의 소득과 신용 정보, 기존 계약, 상환 이력, 상품별 승인 조건을 확인해야 합니다. 이상 거래를 검토할 때는 고객과 계좌의 관계, 거래 패턴, 위험 신호, 과거 조사 이력을 함께 살펴봐야 합니다. 보험금 청구에서는 사고 내용, 보험 계약, 보장 범위, 면책 사항, 제출 서류, 지급 기준이 연결되어야 합니다.
이 업무에서 AI가 참고해야 하는 정보는 한 곳에 정리되어 있지 않습니다. 코어뱅킹 시스템과 여신·보험 계약 테이블에는 정형 데이터가 저장되어 있고, 대출 신청서, 재무제표, 보험금 청구 서류, 내부 지침에는 업무 판단에 필요한 비정형 정보가 담겨 있습니다. 담당자의 검토 기록과 예외 처리 경험도 실제 의사결정에 영향을 줍니다.
데이터를 찾는 것만으로는 금융 업무의 질문에 답하기 어렵습니다. 어떤 고객과 계약을 연결해야 하는지, 해당 상품에 어떤 규정이 적용되는지, 여러 수치 중 어떤 값을 사용해야 하는지, 예외 조건을 어떻게 판단할지 함께 확인해야 합니다. 금융기관이 AI를 업무에 적용하려면 서로 다른 데이터와 문서, 업무 기준을 하나의 판단 구조로 연결해야 합니다.
RAG 기반 금융 AI가 업무 맥락을 놓치는 이유
RAG 기반 AI는 질문과 관련된 문서를 검색하고, 검색된 내용을 바탕으로 답변을 생성합니다. 약관이나 내부 안내문에서 특정 조항을 찾거나, 정해진 문서의 내용을 요약하는 업무에 활용할 수 있습니다. 금융 현업에서는 여러 데이터와 기준을 함께 확인해야 하는 질문이 자주 발생합니다.
2025년 2월 13일에 체결된 대출의 금리와 가장 많이 판매된 대출 상품을 알려주세요.
이 질문에 답하려면 먼저 어떤 날짜를 기준으로 삼을지 정해야 합니다. 데이터 수집일, 정보 등록일, 실제 계약 체결일이 서로 다를 수 있기 때문입니다. 금리도 기준금리, 고객에게 실제 적용된 금리, 최고금리 중 어떤 값을 사용해야 하는지 확인해야 합니다. 상품명과 판매량 역시 어떤 기준으로 집계된 값인지 살펴봐야 합니다.
검색된 문서의 관련성만으로는 질문에 필요한 데이터와 기준을 정확히 구분하기 어렵습니다. AI가 잘못된 날짜나 금리를 참조하거나, 서로 다른 기준의 수치를 하나의 값처럼 조합할 가능성도 있습니다. 금융 데이터의 의미는 하나의 질문 안에서도 업무 목적에 따라 달라질 수 있습니다. 부서별 기준 차이는 이러한 문제를 더 복잡하게 만듭니다.
상품 금리, 부서별 기준에 따라 용어 정의가 다릅니다
금융기관에서는 같은 용어가 부서별 업무 목적에 따라 다르게 사용되기도 합니다. “지난 분기 대출 연체율은 얼마인가요?”라는 질문에 리스크팀은 90일 이상 연체 기준을 적용하고, 여신팀은 조기경보를 위해 30일 이상 연체 기준을 사용할 수 있습니다. 재무팀은 대손충당금 산정 기준을, 경영진은 전체 여신 잔액 대비 비율을 활용할 수 있습니다.
상품 금리도 기준에 따라 의미가 달라집니다. 기준금리, 적용금리, 우대금리, 최고금리는 서로 다른 업무 조건에서 사용됩니다. 고객 계약의 적용금리를 확인해야 하는 상황에서 기준금리나 최고금리를 참조하면 고객 안내와 심사 결과에 오류가 발생할 수 있습니다.
공통으로 관리할 금융 개념과 부서별로 구분할 기준이 함께 정리되어야 AI가 질문의 맥락에 맞는 데이터를 참조할 수 있습니다. 담당자도 어떤 데이터와 규칙이 적용됐는지 확인할 수 있어야 결과를 업무에 활용할 수 있습니다.
온톨로지, 금융기관의 판단 기준과 데이터를 연결하는 방법
온톨로지는 금융 업무에서 사용되는 객체, 속성, 관계, 지식을 구조화하는 방식입니다. 고객, 계좌, 계약, 거래, 금융상품을 업무 객체로 정의하고, 금액·금리·잔액·상태와 같은 속성, 객체 간 관계, 심사·연체·승인 기준을 함께 정리합니다.
예를 들어 고객과 계좌의 보유 관계, 계좌와 거래의 발생 관계, 고객과 대출 계약의 체결 관계, 계약과 금리·한도·상환 조건의 연결을 하나의 업무 구조로 표현할 수 있습니다. 이 구조가 갖춰지면 AI는 개별 데이터의 값과 해당 데이터가 연결된 업무 객체를 함께 파악할 수 있습니다.
온톨로지를 구축하려면 금융기관의 업무 프로세스와 의사결정 과정을 먼저 살펴봐야 합니다. 공식 데이터베이스뿐 아니라 문서, 파일, 외부 데이터, 담당자의 경험에 남아 있는 판단 기준이 어떤 업무 단계에서 사용되는지 확인해야 합니다. Enhans의 FDE(Forward Deployed Engineer, 전방 배치 엔지니어)는 현업 담당자 인터뷰와 시스템 분석을 통해 데이터와 암묵지가 실제 업무의 어느 단계에서 사용되는지 확인합니다. 이후 공식 데이터베이스, 문서, 파일, 외부 데이터, 담당자의 판단 기준을 업무 객체와 관계, 규칙으로 구조화해 AI가 금융 업무의 맥락을 참조할 수 있도록 합니다.
원천 데이터는 기존 시스템에 유지하고, 온톨로지 레이어에서 의미와 관계를 연결하는 방식도 활용할 수 있습니다. 이를 통해 금융기관은 기존 시스템을 운영하면서도 AI가 업무 데이터를 해석하는 데 필요한 구조를 추가할 수 있습니다.
보험금 청구 검토 예시로 보는 지식 사전 구축
보험금 청구 검토는 여러 문서와 업무 데이터를 함께 확인해야 하는 대표적인 금융 업무입니다. 청구서에는 사고 일시와 사고 유형, 피해 내용이 담깁니다. 보험 계약에는 보장 범위와 가입 조건, 면책 사항이 포함됩니다. 보험금 지급 여부를 판단하려면 사고 내용이 보장 대상에 해당하는지, 추가 서류가 필요한지, 과거 처리 사례와 비교해 추가 검토가 필요한지를 함께 확인해야 합니다.
온톨로지는 청구, 계약, 고객, 사고, 보장 조건, 지급 기준 사이의 관계를 연결합니다. AI는 정리된 업무 맥락을 바탕으로 관련 정보를 조회하고, 검토가 필요한 청구 건과 판단 근거를 제안할 수 있습니다. 담당자는 AI가 제시한 근거와 내부 기준, 과거 사례를 확인한 뒤 지급 여부와 후속 조치를 결정합니다.
이러한 업무 구조는 여신 심사와 이상 거래 검토에도 적용할 수 있습니다. 여신 심사에서는 고객·계약·상환 이력을 연결하고, 이상 거래 검토에서는 고객·계좌·거래 패턴·위험 신호를 함께 확인합니다.
변경되는 금융 규정과 업무 기준을 관리하는 방법
보험금 청구와 같은 금융 업무를 실제 환경에서 운영하려면 현재의 업무 기준을 반영하고, 새로운 규정과 상품 변경을 지속적으로 관리하는 체계가 필요합니다.
금융기관의 업무 환경에서는 새로운 상품과 규정, 내부 기준이 계속 추가됩니다. 온톨로지는 이러한 변경 사항을 업무 구조에 반영하고, AI가 최신 기준을 참조할 수 있도록 관리하는 운영 모델로 설계되어야 합니다.
규정이 변경되면 적용 시점과 이전 버전, 영향을 받는 AI 업무를 함께 확인할 수 있어야 합니다. 특정 시점에 AI가 어떤 규정과 데이터를 근거로 답변했는지도 추적할 수 있어야 감사와 검토에 대응할 수 있습니다.
변경 이력이 관리되면 금융기관은 필요한 부분을 갱신하는 방식으로 AI 운영 체계를 유지할 수 있습니다. 과거 기준에 따라 처리된 업무의 근거와 새로운 규정이 영향을 주는 업무도 함께 확인할 수 있습니다.
금융 AI 도입의 성과는 업무 운영의 변화로 확인됩니다
금융기관의 AI 도입 성과는 답변 속도, 자동화된 작업의 수, 판단 근거의 추적 가능성, 규정 변경 대응 속도를 함께 살펴야 확인할 수 있습니다. 담당자가 판단에 필요한 근거를 찾는 시간과 유사한 업무에 같은 기준이 적용되는 정도도 함께 관리되어야 합니다.
온톨로지와 업무 기준이 연결되면 다음과 같은 운영 성과를 기대할 수 있습니다.
- 업무 담당자가 판단에 필요한 데이터를 찾는 시간 감소
- AI가 제시한 근거와 판단 과정의 추적 가능성 확보
- 규정과 상품 변경에 대한 대응 속도 개선
- 새로운 AI 업무를 도입할 때 초기 설계 비용 감소
금융 업무에서는 AI가 후보 시나리오와 근거를 제안하고, 규칙 기반 검증과 데이터 무결성 확인을 거친 뒤, 전문가가 결과를 검토하고 승인하는 흐름이 필요합니다. 승인된 결과는 실제 업무에 반영되고, 운영 결과는 이후 유사한 업무를 판단할 때 참고할 수 있는 데이터로 축적됩니다.
금융기관의 AI 도입을 검토할 때는 어떤 모델을 선택할지와 함께 어떤 업무의 판단을 구조화할지, 어떤 데이터와 기준을 연결할지를 먼저 확인해야 합니다. 금융기관마다 보유한 데이터와 업무 절차, 규정 관리 방식이 다르기 때문에 실제 업무 프로세스에서 필요한 정보와 판단 기준을 분석하는 과정이 선행되어야 합니다.
in solving your problems with Enhans!
We'll contact you shortly!