오늘날 기술의 급속한 발전과 함께 AI(인공지능)와 ML(머신러닝)은 금융 서비스 업계에서 10년 이상 운영되어 더 나은 위험 통제부터 기본적인 사기 방지 점수까지 다양한 개선 사항을 다루고 있습니다. 오늘날 LLM(대형 언어 모델) 기반의 생성 AI는 역사적인 도약을 의미하며 교육, 게임, 비즈니스 등 많은 분야를 변화시키고 있습니다. 주로 기존 데이터를 기반으로 예측이나 분류를 하는 기존 AI/ML과 달리, 생성 AI는 완전히 새로운 콘텐츠를 만들 수 있습니다.

우리가 훈련할 수 있는 방대한 양의 비정형 데이터와 사실상 무제한의 컴퓨팅 성능이 결합되어 수십 년 만에 금융 서비스 시장에 가장 큰 변화를 가져올 수 있다고 상상해 보십시오. 인터넷, 모바일, 클라우드 컴퓨팅과 같은 다른 플랫폼 전환과 달리 금융 서비스 업계는 항상 한 발 뒤처져 채택을 해왔지만, 여기서는 최고의 신생 기업과 기존 기업이 세대를 포용하는 모습을 볼 수 있을 것으로 기대합니다.

금융 서비스 회사는 방대한 양의 과거 재무 데이터를 보유하고 있으며, 이 데이터를 활용하여 LLM을 미세 조정하거나 BloombergGPT처럼 처음부터 교육하면 거의 모든 재무 관련 질문에 대한 답변을 신속하게 찾을 수 있습니다. 예를 들어, 회사의 고객 채팅 및 일부 추가 제품 사양 데이터에 대해 교육을 받은 LLM은 회사 제품에 대한 모든 질문에 즉시 답변할 수 있어야 하며, 회사의 의심스러운 활동 보고서(SAR)에 대해 10년간 교육을 받은 LLM은 다음을 수행할 수 있어야 합니다. 자금세탁 음모를 암시할 수 있는 일련의 거래를 식별합니다. 우리는 금융 서비스 업계가 생성적 AI를 활용하여 개인화된 소비자 경험, 효율적인 운영, 규정 준수 개선, 위험 관리 개선, 동적 예측 및 보고라는 5가지 목표를 달성할 준비가 되어 있다고 믿습니다.

기존 기업과 스타트업 간의 경쟁에서 AI를 활용해 신제품을 출시하고 운영을 개선하는 경우 기존 기업은 독점 금융 데이터에 접근할 수 있어 초기에는 유리하지만 결국 AI를 활용하는 능력을 잃게 됩니다. 신제품 출시 및 운영 개선 높은 수준의 정확성과 개인 정보 보호로 인해 방해를 받습니다. 반면에 신규 진입자는 처음에는 모델을 훈련하기 위해 공개 재무 데이터를 사용해야 할 수도 있지만, 신속하게 자체 데이터 생성을 시작하고 이를 신제품 배포를 위한 쇄빙선으로 사용할 것입니다.

이제 이 5가지 목표에 대해 자세히 알아보고 기존 기업과 스타트업이 생성 AI를 어떻게 활용하고 있는지 살펴보겠습니다.

개인화된 소비자 경험

소비자 핀테크 기업은 지난 10년 동안 엄청난 성공을 거두었지만 인간의 개입 없이 소비자의 대차대조표와 손익계산서를 최적화한다는 가장 야심찬 약속을 아직 이행하지 못했습니다. 사용자 인터페이스가 재정적 결정에 영향을 미치는 인간적 맥락을 적절하게 포착하지 못하고 사람들이 적절한 절충안을 만드는 데 도움이 되는 방식으로 조언과 교차 판매를 제공하지 않기 때문에 이 약속은 아직 이행되지 않았습니다.

불분명한 인간 상황의 한 가지 중요한 예는 소비자가 어려운 시기에 청구서 지불의 우선순위를 정하는 방식입니다. 소비자는 이러한 결정을 내릴 때 유틸리티와 브랜드를 모두 고려하는 경우가 많으며, 이 두 요소의 교차점으로 인해 이 결정을 최적화하는 방법을 완전히 포착하는 경험 생성이 복잡해집니다. 이로 인해 직원의 참여 없이는 최고의 신용교육을 제공하기가 어렵습니다. Credit Karma와 같은 경험은 고객에게 여정의 80%를 안내할 수 있지만 나머지 20%는 마법의 심연과 같으며, 맥락을 포착하려는 추가 시도는 신뢰의 범위가 너무 좁거나 잘못된 정밀도를 사용하여 소비자를 약화시키는 경우가 많습니다.

현대 자산 관리 및 세금 준비에도 비슷한 단점이 존재합니다. 자산 관리에 있어서는 인간 자문가가 핀테크 솔루션보다 우선합니다. 심지어 특정 자산 등급과 전략에만 집중하는 솔루션도 마찬가지입니다. 왜냐하면 사람들은 자신의 고유한 희망, 꿈, 두려움에 깊은 영향을 받기 때문입니다. 이것이 바로 인간 자문가가 역사적으로 대부분의 핀테크 시스템보다 고객에게 맞춤형 조언을 더 잘 제공한 이유입니다. 세금에 관해서는 현대 소프트웨어의 도움에도 불구하고 미국인들은 여전히 매년 세금을 처리하는 데 60억 시간 이상을 소비하고 1,200만 건의 실수를 저지르며 종종 소득을 놓치거나 다음과 같은 알지 못했던 혜택을 포기합니다. 공제 가능 출장비 .

LLM(대형 언어 모델)은 소비자 금융 결정을 더 잘 이해하고 탐색하여 이러한 문제에 대한 깔끔한 솔루션을 제공합니다. 이러한 시스템은 질문(“내 포트폴리오의 일부가 지방채에 포함되어 있는 이유는 무엇입니까?”)에 답하고, 장단점(“기간 위험 대 수익을 어떻게 보아야 합니까?”)을 평가하며, 궁극적으로 의사 결정에 인간적 맥락을 통합할 수 있습니다(“귀하의 포트폴리오”). 미래의 어느 시점에 연로하신 부모님을 재정적으로 지원하는 데 도움이 될 만큼 유연한 계획을 만들어 주실 수 있나요?”). 이러한 기능은 소비자 핀테크를 가치는 높지만 제한된 사용 사례에서 소비자의 전체 금융 생활을 최적화하는 데 도움이 되는 또 다른 애플리케이션으로 전환해야 합니다.

효율적인 운영

생성 AI 도구가 은행에 침투할 수 있는 세상에서 Sally는 집을 구입하기로 결정한 후 모기지가 사전 승인되도록 지속적으로 신용 평가를 받아야 합니다.

그러나 이 세계는 아직 실현되지 않았는데, 그 이유는 주로 다음 세 가지 때문입니다.

• 첫째, 소비자 정보는 여러 데이터베이스에 분산되어 있습니다 . 이로 인해 교차 판매 및 소비자 수요 예측이 매우 어려워졌습니다.
• 둘째, 금융 서비스는 의사결정 트리가 복잡하고 자동화하기 어려운 매우 감정적인 구매입니다 . 이는 은행이 개별 상황에 따라 자신에게 가장 적합한 금융 상품에 대해 고객이 갖는 많은 질문에 답하기 위해 대규모 고객 서비스 팀을 고용해야 함을 의미합니다.
• 마지막으로, 금융 서비스는 고도로 규제됩니다 . 이는 대출 담당자 및 처리자와 같은 직원이 복잡하고 구조화되지 않은 법률을 준수하기 위해 모기지와 같은 사용 가능한 모든 상품의 주기에 있어야 함을 의미합니다.

제너레이티브 AI는 여러 장소에서 데이터를 추출하고 구조화되지 않은 개인 컨텍스트와 구조화되지 않은 규정 준수 규정을 이해하는 등 노동 집약적인 기능을 1,000배 더 효율적으로 만듭니다. 예를 들어:

• 고객 서비스 담당자 : 모든 은행에서 수천 명의 고객 서비스 담당자는 고객 질문에 답변할 수 있도록 은행의 상품 및 관련 규정 준수 요구 사항을 자세히 이해해야 합니다. 이제 새로운 고객 서비스 담당자가 부임하고 지난 10년 동안 은행 고객 서비스 통화에 대해 훈련된 LLM(대형 언어 모델)에 액세스할 수 있다고 상상해 보십시오. 이 담당자는 모델을 사용하여 모든 질문에 대한 정답을 신속하게 생성할 수 있으므로 교육 시간을 줄이면서 더 다양한 제품에 대해 더 깊이 있게 이야기할 수 있습니다. 기존 회사는 특정 고객에 대한 독점 데이터 및 개인 정보가 다른 회사에서 사용할 수 있는 일반 LLM을 홍보하는 데 사용되지 않도록 하기를 원할 것입니다. 신규 진입자는 데이터 세트를 구성하는 방식에 있어 창의적이어야 합니다.
• 대출 담당자 : 기존 대출 담당자는 일반적으로 대출 문서를 생성하기 위해 거의 12개에 달하는 다양한 시스템에서 데이터를 가져와야 합니다. 생성 AI 모델은 이러한 모든 시스템의 데이터에 대해 교육을 받을 수 있으므로 대출 담당자는 고객 이름만 제공하면 대출 문서가 즉시 생성됩니다. 대출 담당자는 여전히 100% 정확성을 보장해야 하지만 데이터 수집 프로세스는 더욱 효율적이고 정확해질 것입니다.
• 품질 보증 : 은행 및 핀테크 회사의 품질 보증 업무 중 대부분은 수많은 규제 기관의 완전한 준수를 보장하는 것과 관련이 있습니다. 생성적 AI는 이 프로세스의 속도를 크게 높일 수 있습니다. 예를 들어, Vesta는 Fannie Mae 판매 지침에 대해 훈련된 생성 AI 모델을 사용하여 모기지 대출 담당자에게 규정 준수 문제를 즉시 알릴 수 있습니다. 대부분의 규제 지침이 공개적으로 이용 가능하므로 이는 시장에 새로 진출하는 기업에게 흥미로운 진입점이 될 수 있습니다. 그러나 실제 가치는 여전히 워크플로우 엔진을 갖춘 기업에 흘러갈 것입니다.

이 모든 것은 Sally가 잠재적인 모기지 대출에 즉시 접근할 수 있는 세상을 향한 단계입니다.

더 나은 규정 준수

미래에는 컴플라이언스 부서가 생성 AI 기술을 수용하고 사용할 수 있다면 매년 전 세계적으로 발생하는 8000억 달러에서 2조 달러에 달하는 불법 자금세탁을 효과적으로 방지할 수 있을 것입니다. 마약 밀매, 조직 범죄 및 기타 불법 활동은 최근 수십 년 동안 가장 큰 감소세를 보일 수 있습니다.

오늘날 우리는 규정 준수를 위해 매년 수백억 달러를 지출하지만 실제로 자금 세탁 범죄를 예방하는 비율은 3%에 불과합니다. 대부분의 규정 준수 소프트웨어는 "하드 코딩된" 규칙을 기반으로 구축됩니다 . 예를 들어, 자금 세탁 방지 시스템을 통해 규정 준수 담당자는 "10,000달러가 넘는 거래에 표시"와 같은 규칙을 시행하거나 미리 설정된 기타 의심스러운 활동을 찾을 수 있습니다. 그러나 많은 금융 기관이 법률에 따라 다수의 거짓 긍정 상황을 조사해야 하고 이러한 상황은 종종 복잡하고 처리하기 어렵기 때문에 이러한 규칙의 적용은 효과적이지 않은 경우가 많습니다. 무거운 벌금을 피하기 위해 규정 준수 부서는 수만 명의 직원을 고용하고 있으며, 이는 종종 은행 직원의 10% 이상을 차지합니다.

생성 AI를 활용할 수 있게 되면 미래 시나리오는 다음과 같이 바뀔 것입니다.

• 보다 효율적인 심사 : 생성형 AI 모델은 다양한 시스템의 모든 개인에 대한 주요 정보를 신속하게 집계하여 규정 준수 담당자에게 제공하여 거래의 위험 평가를 더 빠르게 수행할 수 있습니다.
• 자금세탁자를 더 효과적으로 예측 : 지난 10년간의 의심스러운 활동 보고서(SAR)에 대해 훈련된 모델을 상상해 보세요. 명시적인 지시 없이 AI는 보고서에서 새로운 패턴을 발견하고 어떤 행동 패턴이 발생할 가능성이 있는지 자체적으로 정의할 수 있습니다. 돈 세탁.
• 보다 빠른 문서 분석 : 규정 준수 부서는 회사의 내부 정책 및 절차 준수는 물론 규제 요구 사항 준수를 담당합니다. 생성적 AI는 계약서, 보고서, 이메일 등 대량의 문서를 분석한 후 가능한 문제나 추가 연구가 필요한 영역을 표시할 수 있습니다.
• 훈련 및 교육 : 생성적 AI는 규정 준수 담당자에게 모범 사례를 수행하고 잠재적인 위험과 규정 위반을 식별하는 방법을 가르치기 위해 실제 시나리오를 시뮬레이션하는 교육 자료를 개발하는 데에도 사용할 수 있습니다.

업계에 새로 입문한 기업은 수십 개의 기관에서 공개적으로 사용 가능한 규정 준수 데이터를 활용하여 검색 및 통합을 더 빠르고 쉽게 할 수 있습니다. 그리고 수년간 데이터가 축적된 대기업의 경우 적절한 개인 정보 보호 기능을 설계해야 합니다.

향상된 위험 관리

Archegos와 London Whale은 그리스 신화에 나오는 생물처럼 들리지만 실제로는 세계 최대 은행 중 일부가 수십억 달러의 비용을 지출한 위험 관리의 심각한 실패를 나타냅니다. 여기에 Silicon Valley Bank의 최근 사례를 추가하면 위험 관리가 많은 주요 금융 기관의 과제로 남아 있음을 분명히 알 수 있습니다.

AI의 발전이 신용, 시장, 유동성 및 운영 위험을 완전히 제거할 수는 없지만, 우리는 이 기술이 금융 기관이 이러한 불가피한 위험을 보다 신속하게 식별, 계획 및 대응하는 데 중요한 역할을 할 수 있다고 믿습니다. 특히 AI가 보다 효율적인 위험 관리에 도움이 될 수 있다고 믿는 몇 가지 영역은 다음과 같습니다.

• 자연어 처리 : ChatGPT와 같은 LLM 모델은 뉴스 기사, 시장 보고서, 분석가 연구 등 대량의 구조화되지 않은 데이터를 처리하여 시장 및 상대방 위험에 대한 보다 완전한 시각을 제공하는 데 도움이 됩니다.
• 실시간 통찰력 : 시장 상황, 지정학적 이벤트 및 기타 위험 요소에 대한 즉각적인 지식을 통해 기업은 변화하는 상황에 보다 신속하게 적응할 수 있습니다.
• 예측 분석 : 보다 복잡한 시나리오를 실행하고 조기 경고를 제공하는 기능은 기업이 위험을 보다 적극적으로 관리하는 데 도움이 될 수 있습니다.
• 통합 : 별도의 시스템을 통합하고 AI를 사용하여 정보를 통합하면 위험 노출에 대한 보다 완전한 보기를 제공하고 위험 관리 프로세스를 간소화하는 데 도움이 될 수 있습니다.

동적 예측 및 보고

LLM은 재정 문제 해결을 돕는 것 외에도 금융 서비스 팀이 내부 운영 프로세스를 개선하고 금융 팀의 일상 업무 단계를 단순화하도록 도울 수 있습니다. 재무의 다른 모든 측면이 발전했음에도 불구하고 현대 재무 팀은 여전히 일상적인 워크플로에 Excel, 이메일 및 수동 비즈니스 인텔리전스 도구를 사용하고 있습니다. 데이터 과학 리소스 부족으로 인해 기본 작업의 자동화가 방해받고 있으며, CFO와 해당 팀은 더 중요한 최상위 전략적 결정에 집중하는 대신 지루한 기록 유지 및 보고 작업에 너무 투자하고 있습니다.

일반적으로 생성적 AI는 이러한 팀이 더 많은 소스에서 데이터를 얻고 추세를 강조하고 예측 및 보고서를 생성하는 프로세스를 자동화하는 데 도움이 됩니다. 다음은 몇 가지 구체적인 적용 사례입니다.

• 예측 : Generative AI는 Excel, SQL 및 BI 도구에서 수식과 쿼리를 작성하여 분석을 자동화하는 데 도움을 줄 수 있습니다. 또한 이러한 도구는 더 크고 복잡한 시나리오(예: 거시경제적 요인)의 데이터 세트에서 패턴을 밝히고 예측 요인을 추출하는 데 도움이 되며 이러한 모델을 보다 쉽게 조정하여 회사 의사 결정에 도움을 줄 수 있는 방법을 제시합니다.
• 보고 : 보고를 위해 다양한 유형의 데이터(예: 이사회 보고서, 투자자 보고서, 주간 데이터 패널 등)에서 정보를 수동으로 추출할 필요가 없습니다. 생성 AI를 사용하면 텍스트, 차트, 그래픽 등을 자동으로 생성하고 보고서를 유연하게 조정할 수 있습니다. 다양한 예에 따른 내용. .
• 회계 및 세무 : 회계 및 세무팀은 규정을 참조하고 이를 실제 상황에 어떻게 적용할 수 있는지 이해하는 데 많은 시간을 투자해야 합니다. 생성적 AI는 세법 및 잠재적인 감세에 대한 가능한 답변을 종합, 요약 및 제안하는 데 도움이 될 수 있습니다.
• 조달 및 지급 계정 : Generative AI는 계약서, 구매 주문서, 송장, 미리 알림 등을 자동으로 생성하고 조정하는 데 도움을 줍니다.

그러나 현재의 생성 AI는 판단이나 정확한 답변이 필요한 영역(종종 재무팀의 필수 사항)에 한계가 있다는 점을 분명히 해야 합니다. 생성적 AI 모델은 계산 능력이 계속 발전하고 있지만 현재는 정확성에 완전히 의존할 수 없거나 최소한 사람의 검토가 필요합니다. 더 많은 훈련 데이터와 수학적 모듈 결합 기능을 통해 모델이 빠르게 개선됨에 따라 새로운 사용 가능성이 나타납니다.

도전

이러한 5가지 트렌드 중에서 신규 진입자와 기존 시장 참여자는 생성 AI를 기반으로 한 미래 비전을 실현하기 위해 두 가지 주요 과제에 직면해 있습니다.

• 재무 데이터 처리를 위한 LLM(대형 언어 모델) 교육 : 오늘날의 LLM은 주로 네트워크 데이터에 대한 교육을 받습니다. 금융 서비스의 특정 요구 사항을 충족하려면 이러한 모델을 금융 데이터로 미세 조정해야 합니다. 신규 진입자는 공개 기업 재무 데이터, 규제 서류 및 기타 쉽게 접근할 수 있는 공개 재무 데이터로 시작한 다음 시간이 지나면서 스스로 수집한 데이터를 사용하여 모델을 더욱 구체화할 수 있습니다. 은행과 같은 기존 플레이어나 Lyft와 같은 금융 서비스 기업이 있는 대규모 플랫폼은 자체 기존 독점 데이터를 활용하여 초기 이점을 얻을 수 있습니다. 그러나 기존 금융 서비스 회사는 대규모 플랫폼 변경을 수용하는 데 있어 너무 보수적인 경우가 많습니다. 이는 자유로운 신규 진입자에게 경쟁 우위를 제공합니다.
• 모델 출력의 정확성 : 재정적 질문에 대한 답변이 개인, 기업, 심지어 사회 전체에 미칠 수 있는 영향을 고려할 때 이러한 새로운 AI 모델은 최대한 정확해야 합니다. 그들은 틀린 답을 만들 수도 없고, 자신감 있게 들리지만 틀린 답을 줄 수도 없으며, 대중문화에 관한 질문이나 평범한 고등학교 에세이보다 국민의 세금이나 재정 건전성에 관한 더 중요한 질문에 답해야 합니다. .정확하다. 처음에는 AI가 생성한 답변을 최종 검증하기 위해 인간이 루프에 참여해야 하는 경우가 많습니다.

생성적 AI의 등장은 의심할 여지 없이 금융 서비스 기업의 주요 플랫폼 변화입니다. 고객에게 보다 개인화된 솔루션을 제공하고, 회사 운영을 보다 비용 효율적으로 만들고, 규정 준수를 강화하고, 위험 관리를 개선할 수 있는 잠재력을 가지고 있습니다. 예측하고 보고합니다. 방금 나열한 이 두 가지 주요 과제에 대해 기존 기업과 스타트업이 경쟁하게 됩니다. 최종적으로 누가 승리할지는 아직 모르지만, 확실한 승자가 등장했다는 사실은 알고 있습니다. 바로 금융 서비스의 미래 소비자입니다 .