이 기사의 핵심 관점 은 금융 AI 경쟁의 초점이 누가 더 수다스러운 "ChatGPT의 금융 버전"을 만들 수 있느냐에 있는 것이 아니라, 누가 금융 전문가의 일상 업무 도구(예: Excel, PowerPoint, Word)와 핵심 업무 프로세스(예: 실사 및 승인)에 깊이 통합되어 검토 및 보관 가능한 공식적인 "결과물"을 직접 생성할 수 있느냐에 있다는 것입니다.

글쓴이: Resonant Ones

기사 출처: Suichu.AI

금융 AI 분야의 경쟁은 "누가 채팅을 잘하느냐"가 아니라 "누가 엑셀, 파워포인트, 승인 워크플로에 접근할 수 있느냐"에 달려 있습니다.

많은 사람들은 금융 AI 분야의 경쟁은 금융을 더 잘 이해하는 더 큰 모델을 훈련시키는 데 있다고 생각합니다.

하지만 금융 서비스 분야의 전문가인 클로드는 진정한 해답을 제시합니다. 금융 AI의 핵심은 모델이 아니라 워크플로라는 것입니다.

핵심은 AI가 사용자에게 주식에 대해 채팅하도록 하는 것이 아니라, AI를 엑셀, 파워포인트, 워드, 투자 연구, 투자 은행 업무, 실사, 규정 준수, 조정 및 승인 프로세스에 통합하는 것입니다.

이는 국내 창업가들에게 매우 중요합니다. 만약 여전히 "ChatGPT의 금융 버전"을 개발 중이라면, 대기업, 데이터 단말기, 오피스 스위트에 흡수될 가능성이 높습니다. 하지만 금융 기관에서 매일 반복적으로 사용하는 엑셀, 파워포인트, 워드 문서 및 승인 패키지 작업을 처리할 수 있다면, 기회는 이제 막 시작된 ​​것이나 다름없습니다.

실제 시나리오

지난달에 사모펀드에서 일하는 친구와 이야기를 나눴습니다. 그 친구의 팀은 한 소비재 회사에 대한 실사 작업을 진행하면서 17개의 폴더에 400개가 넘는 문서가 담긴 데이터룸을 받았다고 합니다. 그 문서들에는 계약서, 감사 보고서, 은행 거래 내역서, 주문 내역, 인터뷰 기록, 경영진 자료 등이 포함되어 있었습니다.

이전에는 부사장 한 명과 애널리스트 두 명이 제대로 된 내부고발자 메모 초안을 작성하는 데 2주가 걸렸습니다.

이제 어떻게 해야 할까요? 누군가(또는 담당자)가 24시간 안에 데이터 분류, 리스크 요소 태그, 누락 항목 식별, 초안 작성까지 모두 완료할 수 있다면, 고객이 그걸 구매할까요?

이건 공상 과학 소설이 아닙니다. 금융 서비스 분야의 Claude는 이미 이러한 일을 하고 있습니다. 그리고 그들이 오픈 소스로 공개하는 것은 단순한 앱이 아니라 "에이전트 + 스킬 + 커넥터 + 결과물 + 사람 검증"이라는 제품 패러다임입니다.

첫 번째 발견부터 시작해 보겠습니다. 클로드 금융 서비스 제품의 구조는 실제로 매우 간단합니다. 에이전트는 전반적인 작업을 처리하고, 스킬은 전문적인 금융 프로세스를 개선하며, 커넥터는 금융 데이터와 기업 내부 시스템에 접근하고, 엑셀, 파워포인트, 워드는 최종 결과물을 생성합니다. 또한, 권한 관리, 참조, 감사 및 수동 검토 기능을 통해 금융 기관에서 안전하게 사용할 수 있도록 보장합니다.

과거 금융 AI는 질문을 하고 AI로부터 답변을 받는 형태였습니다. 하지만 금융 기관에 진정으로 필요한 것은 결과물입니다. 즉, 방대한 데이터를 제공하면 검토, 인용, 보관 및 업무 시스템 통합이 가능한 문서를 원하는 것입니다. 이 둘의 차이는 엄청납니다. 금융 AI의 가치는 채팅창이 아니라 바로 이 결과물에 있습니다.

또 하나 주목할 만한 변화는 국내 금융기관들이 더 이상 관망하는 자세를 취하지 않고 있다는 점입니다.

2025년부터 2026년까지의 구현 진행 상황을 관찰한 결과, 크게 세 단계로 나눌 수 있었습니다. 은행들이 가장 빠르게 움직이고 있는데, 중국건설은행은 수백 가지 시나리오를 포괄하는 DeepSeek의 자체 도입을 완료했습니다. 씨티증권투자펀드는 DeepSeek을 REIT 실사에 활용하여 5명이 70일 동안 수행하던 업무를 1명이 10일 동안 수행하는 수준으로 단축함으로써 효율성을 30배 향상시켰습니다.

증권사와 PICC 손해보험도 이러한 추세를 따랐습니다. 씨틱증권은 멀티 에이전트 기술 기반의 투자 자문 서비스를 제공하고 있으며, PICC 손해보험은 딥시크(DeepSeek)와 통합하여 전문 지식 기반을 구축했고, 핑안의 빅데이터 모델은 6개월 동안 8억 1,800만 번 호출되었습니다.

하지만 진정으로 흥미로운 것은 세 번째 계층인 사모펀드(PE), 자산운용, 자산관리 분야입니다. 이들은 풍부한 데이터, 충분한 예산, 그리고 상당한 성과 압박을 받고 있음에도 불구하고 대부분 여전히 개념 증명(POC) 단계에 머물러 있습니다. 이는 시대에 뒤처졌다는 의미가 아니라, 스타트업에게 절호의 기회가 열려 있다는 것을 의미합니다.

스타트업이 이 시장에 진출할 때, 많은 사람들이 가장 먼저 떠올리는 생각은 ChatGPT의 금융 버전을 만드는 것입니다. 하지만 이는 세 가지 유형의 강력한 경쟁자를 동시에 상대해야 하는 매우 리스크 시도입니다.

모델 공급업체들은 범용 기능을 점점 더 저렴하게 제공할 것입니다. Wind, Choice, iFinD, Tonghuashun과 같은 금융 데이터 단말기는 이미 데이터 및 사용자 접근 지점을 갖추고 있으며, AI가 내장되면 일반적인 금융 질의응답에 대해 별도로 요금을 부과하기 어려워집니다. 대형 금융 기관들은 범용 기능을 자체 권한 시스템에 통합하여 자체 AI 플랫폼을 구축하는 것을 선호합니다.

스타트업들은 정면으로 맞서 싸우고 있지만, 세 가지 방면에서 공격을 받고 있습니다.

하지만 관점을 바꿔 진입점을 넘어 운영 계층까지 살펴보면 상황은 달라집니다. 수직적 운영 계층이란 무엇일까요? 특정 역할, 특정 프로세스, 특정 결과물을 중심으로 AI를 심층적으로 통합하는 것을 의미합니다. 예를 들어 사모펀드/투자은행 실사 자료 구조화, 엑셀 재무 모델 감사, 대출 승인 자료 초기 검토, 규정 준수 검토 양식 자동 생성, 보험 청구 및 인수 자료 보조 검토, 고객 담당자 회의록 자동 작성 등이 있습니다.

이러한 방향은 "거창한 재무 모델"만큼 거창해 보이지는 않지만, 고객의 예산에 더 가깝습니다.

어떤 제품이 생산할 가치가 있을까요?

요약하자면, 네 가지 조건이 동시에 충족되어야 합니다.

데이터를 수신할 수 있습니다

진정으로 가치가 높은 시나리오는 대개 내부 고객 문서, CRM 시스템, 클라우드 스토리지, 이메일, 계약서 및 승인 시스템을 처리하는 것과 관련이 있습니다. 단순히 공개 웹 페이지를 처리하는 것은 가치가 매우 제한적입니다.

실행 가능한 프로세스    

금융 업계 종사자들은 AI 때문에 업무 습관을 바꾸지 않을 것입니다. 제품은 엑셀, 파워포인트, 라크, 위챗 워크, 딩톡, WPS, CRM과 같은 기존 시스템에 통합되어야 합니다.

서류를 배송할 수 있습니다.    

금융기관은 답변에 돈을 지불하는 것이 아니라 자료에 돈을 지불합니다. 지원자가 검토 양식, 메모, 프레젠테이션 자료, 엑셀 스프레드시트 등을 제공할 수 있을 때만 기꺼이 비용을 지불할 의향이 있습니다.

책임의 경계를 설정할 여지를 남겨두세요.

AI는 참조, 로깅, 권한, 감사 및 인간 검토를 지원해야 합니다. 투자 조언을 제공하거나 거래를 자동화하거나 최종 승인을 대체해서는 안 됩니다.

이 네 가지 조건 중 하나라도 충족되지 않으면 제품이 실제 생산 환경에 진입하기 어려울 것입니다.

시야를 넓혀 향후 24개월을 내다보면, 가장 주목해야 할 하위 분야가 7개 있다고 생각합니다.

투자 조사 및 실사 작업이 최우선 순위입니다. 풍부한 데이터, 촉박한 마감일, 명확하게 정의된 결과물을 고려할 때, 이는 헤비아와 로고의 접근 방식과 가장 유사합니다.

둘째로, 엑셀 모델 감사 있습니다. 투자 은행, 사모 펀드 회사, 신용 회사 및 자산 관리 회사는 모두 수식 오류, 하드 코딩된 데이터 및 일관성 없는 가정이 포함된 대량 엑셀 파일을 보유하고 있으므로 AI 지원이 필요한 부분이 많습니다.

신용 승인 지원은 세 번째로 중요한 기능으로, 은행과 비은행 금융기관 모두 초기 자료 검토, 거래 분석, 리스크 클레임 및 신용 보고서 생성을 필요로 합니다. 규정 준수 검토는 네 번째로 중요한 기능으로, 시스템 비교, 마케팅 자료 검토 및 KYC(고객 신원 확인) 검사는 모두 참조 및 추적 가능한 AI 지원 도구로 활용될 수 있습니다.

펀드 관리 및 재무 운영에는 조정, 평가, 비용 검증 및 감사 작업 서류 작성과 같은 고도의 절차적 과정이 포함되며, 이러한 과정에서의 오류는 막대한 비용 손실로 이어질 수 있습니다.

보험금 청구 및 인수 심사에는 수많은 서류, 규정, 그리고 상당한 검토 압력이 수반되지만, 수동 확인은 필수적입니다.

마지막으로, 계좌 관리자 및 투자 자문가인 코파일럿(Copilot)이 있습니다 . AI가 직접 투자 조언을 제공하는 대신, 코파일럿은 자문가가 미팅 전 준비, 상품 설명, 회의록 작성, CRM 업데이트 등을 할 수 있도록 지원합니다.

이 일곱 가지 방향은 공통된 전제를 공유합니다. 즉, 제품은 감사, 참조 가능하며, 비공개화될 수 있어야 합니다.

금융기관들은 "AI"라는 개념을 쉽게 받아들이지 않습니다. 데이터는 어디에서 오는가? 어디에서 참조되는가? 누가 검토했는가? 데이터가 외부로 유출된 적은 있는가? 이러한 질문들은 구매 결정의 필수 조건입니다. 따라서 처음부터 출처 추적성, 수동 승인, 데이터 격리, 운영 로그 등의 시스템을 설계해야 합니다. 이는 규정 준수 비용이 아니라 제품 도입의 장벽입니다.

더 큰 추세가 있습니다. 모델 기능이 상품화되면 기회는 워크플로, 커넥터 및 거버넌스 계층으로 옮겨갈 것입니다. 클라우드 컴퓨팅이 IT 인프라를 API로 전환했던 것처럼, 새로운 세대의 기업가들은 그 위에 SaaS를 구축했습니다. 오늘날의 대규모 모델에도 동일하게 적용됩니다. 업계 워크플로를 모델 위에 캡슐화할 수 있는 기업이 경쟁 우위를 확보할 것입니다.

금융 산업의 지식 노동은 정보 밀도가 높고, 형식에 대한 요구 사항이 엄격하며, 책임성이 강하다는 특징을 가지고 있습니다. 이러한 특징 때문에 일반 인공지능(AGI)이 금융 산업을 빠르게 포괄하기는 어렵습니다. 바로 이러한 점이 스타트업에게 안전한 영역이 될 수 있습니다.

스타트업은 어떻게 시작할 수 있을까요?

처음부터 플랫폼을 구축하지 마세요.

구체적인 시나리오를 찾으세요 . 실제 데이터, 고정된 템플릿, 명확한 결과물, 수동 검토, 부서 예산, 그리고 60~90일 이내에 투자 수익률(ROI)을 검증할 수 있는 조건을 충족해야 합니다.

그렇게 말하지 마세요:

저는 금융기관을 위한 AI 플랫폼을 만들고 싶습니다.

이렇게 말해야 합니다:

저는 우선 PE/FA 팀이 데이터룸 데이터를 자동으로 구조화하여 실사 질의응답, 리스크 목록, 그리고 IC 메모 초안을 출력하도록 지원했습니다.

정보가 구체적일수록 거래를 성사시키기가 더 쉽습니다.

가장 큰 리스크 대기업에 의해 대체되는 것인가요?

기존의 일반적인 접근 방식은 대체될 ​​것입니다. 일반적인 금융 관련 질문과 답변, 일반적인 연구 보고서 요약, 간단한 데이터 조회 등은 대형 모델과 데이터 단말기에 의해 쉽게 대체될 수 있습니다.

하지만 이는 수직 심층 프로세스에는 적용되지 않습니다.

대기업은 모든 세부적인 직무에 대한 번거로운 작업을 직접 처리하려 하지 않기 때문입니다. 진정한 과제는 고객사의 내부 시스템과의 통합, 업무 프로세스 이해, 고객사의 템플릿에 대한 적응, 그리고 개념 증명(POC) 단계부터 실제 운영 단계까지 고객사를 지원하는 데 있습니다.

이는 단일 모델 API로는 자동으로 해결할 수 없는 문제입니다.