서론

2025년 11월, 미쓰비시 UFJ 파이낸셜 그룹(MUFG)은 OpenAI와의 전략적 제휴를 발표하였으며, 2026년 1월부터 MUFG 은행의 전 행원 약 35,000명을 대상으로 ChatGPT Enterprise 전개를 시작했다[1]. 동시에 AI 스타트업인 "Sakana AI"와 다년간의 파트너십도 체결하여, 금융 도메인 특화 AI 개발에도 착수하고 있다[2].

"AI-native 조직으로의 변혁"이라는 슬로건은 많은 금융기관이 내걸고 있지만, MUFG 사례가 보여주는 것은 단순한 도구 도입이 아니라, 운영 모델(Operating Model) 자체의 재설계에 대한 선언이라고 할 수 있다. 본고에서는 이 사례를 기점으로, 금융 엔터프라이즈에서의 AI 변혁의 구조적 장벽과 진정으로 요구되는 설계 원칙을 정리한다.

"도구 도입"과 "운영 모델 재설계"의 비대칭성

금융기관의 AI 도입에는 보이지 않는 구조적 제약이 존재한다. 기존 플레이어가 ChatGPT Enterprise를 도입할 경우, 단순한 워크플로우(Workflow) 효율화에 그치는 경향이 강하다. 문서 작성·조사 분석·고객 서비스와 같은 개별 태스크(Task)의 자동화가 선행되고, 프로세스의 근본적인 재설계는 뒤로 밀리기 쉽다.

이는 우연이 아니다. 금융기관이 안고 있는 구조적 제약은 다음과 같이 정리할 수 있다.

첫째, 규제 및 컴플라이언스(Compliance) 환경의 무게가 있다. 금융 서비스에는 엄격한 설명 책임 요건이 부과되어 있으며, AI가 생성한 출력의 감사 가능성이나 의사결정 프로세스의 투명성 확보가 필수적이다. AML(자금세탁방지) 알람의 트리아지(Triage) 하나를 취하더라도, AI에 의한 판단에는 레귤레이션(Regulation)에 대한 적합성 증명이 요구된다[3].

둘째, 레거시 시스템(Legacy System)과의 통합 비용이 크다. 수십 년에 걸쳐 쌓아온 기간계 시스템은 LLM(대규모 언어 모델)과의 실시간 연계를 상정한 설계가 되어 있지 않으며, 데이터 파이프라인(Data Pipeline) 정비만으로도 상당한 공수가 소요된다.

셋째, 인재 및 문화의 관성이 있다. 종신 고용과 연공서열을 기반으로 하는 일본의 대형 금융기관에서는 AI가 업무 프로세스를 근본적으로 바꾸는 것에 대해 조직적인 저항이 생기기 쉽다.

반면, 신규 진입하는 핀테크(Fintech) 기업은 이러한 제약을 처음부터 가지고 있지 않다. Alipay가 기존 은행의 소비자 대출 시장을 잠식했던 구도와 마찬가지로, 제약이 없는 플레이어가 업무 프로세스 전체를 "AI 퍼스트(AI-first)"로 설계하여 금융 서비스의 가치 사슬(Value Chain)에 진입하고 있다.

MUFG가 "AI-native"라는 말을 사용하는 배경에는 이러한 비대칭성에 대한 위기 의식이 있다고 생각된다. 35,000명에 대한 ChatGPT Enterprise 전개는 단순한 생산성 향상 도구의 배포가 아니라, "AI를 전제로 한 업무 프로세스의 전사적 재설계"를 위한 기점으로 기능시키려는 의도가 읽힌다[1:1].

금융 AI의 가치 레이어: 어디에 가치가 편재하고, 어디로 이동하는가

금융 서비스에서의 AI 가치 구조를 층별로 분해하면 다음과 같이 정리할 수 있다.

[Layer 4] 고객 경험·금융 서비스 (AI 컨시어지, 계좌 개설 자동화)
[Layer 3] 업무 프로세스 (AML/KYC 자동화, 여신 판단 지원, 리포트 생성)
[Layer 2] AI 기반·오케스트레이션 (에이전트 설계, 프롬프트 관리, LLM 게이트웨이)
...

현시점에서는 가치의 대부분이 Layer 1(모델)과 Layer 3(업무 프로세스 효율화)에 편재되어 있다. OpenAI나 Microsoft가 모델 층을 장악하고, SIer나 컨설팅 펌이 업무 프로세스 효율화를 담당하는 구도가 형성되고 있다.

하지만 전환점이 다가오고 있을 가능성이 있다. MUFG가 Sakana AI와 협력하여 금융 도메인 특화 AI 개발을 추진하는 배경에는 "범용 모델의 사용은 커모디티화(Commodity)될 것"이라는 인식이 있다고 생각된다[2:1]. 금융 고유의 규제 대응·전문 지식·언어 패턴이 내장된 도메인 특화 모델이 정비되면, Layer 2(AI 기반·오케스트레이션)와 Layer 4(고객 경험)로 가치가 이동하기 시작한다.

이러한 이동을 선점한 금융기관은 모델 의존에서 탈피하여, 자사 데이터와 도메인 지식을 LLM에 결합한 "지식 자산의 모델화"를 통해 경쟁 우위를 구축할 수 있다. 반대로 범용 도구의 활용에 머무를 경우, OpenAI나 Microsoft 등 기반 플레이어에 대한 의존도가 높아져 가치의 상당 부분이 Layer 1에 계속 머물게 될 리스크가 있다.

PoC에서 본프로덕션으로의 구현 난이도: 금융 AI가 직면한 3가지 벽

MUFG 사례가 보여주듯, 전 직원 3만 5,000명을 대상으로 한 ChatGPT Enterprise 전개는 '인프라 정비'에 해당한다. 하지만 본 프로덕션(Production)에서의 가치 창출에는 더 높은 허들이 존재한다.

벽 1: 에이전트 AI의 거버넌스 설계

MUFG가 목표로 하는 '에이전틱 AI (Agentic AI)'의 활용은 AI가 여러 도구와 API를 자율적으로 호출하여 복합적인 태스크를 수행하는 상태를 의미한다. 이 단계에서는 '로컬 코히어런트(Local Coherent) 및 글로벌 인코히어런트(Global Incoherent)' 문제가 심화된다. 여러 LLM 에이전트가 협업할 때, 각 컴포넌트는 국소적으로는 일관된 출력을 생성하더라도 전체적으로는 확률론적인 모순을 일으킬 가능성이 있다는 점은 연구에서도 지적된 바 있다 [4]. 금융 거래나 고객 대응에 에이전트 AI를 적용할 경우, 이 문제에 대한 대처가 필수적이다.

벽 2: 데이터 거버넌스와 컴플라이언스의 통합

AML(자금세탁방지) 알람의 트리아지(Triage) 자동화에서 볼 수 있듯이, 금융 기관의 AI 활용은 규제 당국에 대한 설명 책임과 불가분한 관계에 있다 [3:1]. AWS 상에서의 Snowflake Cortex AI와의 통합 사례가 보여주듯, AI 출력의 감사 로그(Audit Log), 의사결정 근거의 문서화, 데이터 보안 확보를 동시에 충족하는 아키텍처 설계가 요구된다. 이러한 설계를 사후에 추가하는 비용은 매우 크며, 이는 본 프로덕션 이행의 장벽이 되기 쉽다.

벽 3: AI를 전제로 한 업무 프로세스의 재설계

가장 간과하기 쉬운 벽이 바로 이것이다. AI 도구를 기존 프로세스에 단순히 '추가'하는 것만으로는 효율화의 혜택이 제한적일 수밖에 없다. MUFG 보고서가 보여주듯, MUFG는 AI를 활용한 '새로운 고객 경험의 창출'을 내걸고 있으며, 계좌 개설 프로세스의 자동화나 AI 컨시어지 전개가 계획되어 있다 [1:2]. 이는 기존 프로세스의 개선이 아니라, 프로세스의 근본적인 교체를 의미한다.

Meta가 RADAR(Risk Aware Diff Auto Review)를 전개했을 때, AI가 생성한 코드가 증가함에 따라 코드 리뷰 프로세스 자체를 근본적으로 재설계해야 할 필요성이 생겼다 [5]. 'AI가 수행하는 업무량이 늘어나는 것'과 'AI를 전제로 업무 체계를 다시 설계하는 것'은 완전히 다른 차원의 과제이다.

AI-native 조직이 의미하는 조직 설계의 전환

'AI-native 조직'이란 무엇인가. 이 질문에 대한 답은 통설이 제시하는 것과 다를 수 있다.

통설에서는 AI-native 조직을 '전원이 AI 도구를 능숙하게 사용하는 조직'으로 간주하기 쉽다. 하지만 이 정의는 불충분하다고 할 수 있다. 진정한 AI-native 조직이 지향하는 것은 'AI가 능력을 발휘하는 것을 전제로, 인간의 역할과 조직 구조를 재설계하는 것'이다. 이 대비는 중요하다. 전자가 현행 업무에 AI를 더하는(Addition) 발상이라면, 후자는 AI가 존재한다는 전제하에 조직의 운영 모델(Operating Model)을 빼거나(Subtraction) 곱하는(Multiplication) 발상이기 때문이다.

구체적으로는 다음과 같은 변화가 요구된다고 볼 수 있다.

의사결정 구조의 변화: AI가 정보 수집·분석·옵션 제시를 담당하고, 인간이 판단·설명 책임·윤리적 평가에 특화되는 역할 분담의 확립이 진행된다.

스킬셋(Skillset)의 전환: 프롬프트 엔지니어링(Prompt Engineering)이나 AI 출력의 품질 평가 능력, 에이전트 워크플로우(Agent Workflow) 설계 능력이 기존의 전문 지식과 대등하거나 그 이상의 중요성을 갖게 된다.

거버넌스 모델의 진화: AI가 업무 판단에 관여하는 범위가 넓어짐에 따라, '누가 무엇을 AI에게 맡겨도 되는가'를 정의하는 정책 설계와 AI 출력 모니터링 체제 정비가 조직 인프라로서 필수적이 된다.

MUFG가 Computer Weekly 인터뷰에서 강조한 '데이터 취급 방식의 변혁'과 '에이전틱 AI의 활용' [2:2]은 바로 이러한 방향성을 보여준다.

구현을 위한 논점 정리

금융 엔터프라이즈가 AI 변혁을 본 프로덕션 수준으로 실현하기 위해 특히 중요하다고 판단되는 논점을 다음과 같이 정리한다.

논점 1: 모델 의존 리스크 평가

범용 LLM에 대한 의존도가 높아짐에 따라 벤더 락인(Vendor Lock-in), 가격 변동, 모델 지원 종료(Deprecation) 리스크가 발생한다. 도메인 특화 모델 개발(Sakana AI와의 협업 등)이나 멀티 모델(Multi-model) 전략 검토가 가치를 가질 수 있다.

논점 2: 에이전트 AI의 단계적 전개 설계

전면적인 전개보다는 리스크가 낮은 업무 영역부터 '인간과 AI의 협업 비율'을 단계적으로 변화시키는 접근 방식의 유효성이 높다. Verizon Connect가 Amazon Bedrock의 에이전트 AI를 10만 명의 사용자에게 전개할 때 채택한 '데이터 과부하(Data Overload)에서 통찰(Insight)로의 전환'이라는 유스케이스 설정은 참고할 만한 설계 사상이라 할 수 있다 [6].

논점 3: AI 거버넌스 체제의 선제적 정비

실제 운영(Production)에 들어가기 전에 AI 거버넌스 프레임워크(AI Governance Framework)를 정비해 두는 것이 추후 설명 책임(Accountability) 대응 비용을 대폭 절감하는 길이다. 규제 대응 관점에서도 '설명 가능한 AI (Explainable AI, XAI)'에 대한 요건 정의를 구현 설계에 포함하는 것이 요구되고 있다.

요약

MUFG와 OpenAI의 협업이 보여주는 것은 'AI 도입'이라는 단어가 갖는 의미의 분기점이다. 단순한 도구 배포로서의 AI 도입과 운영 모델(Operating Model) 재설계로서의 AI 변혁은 표면적으로는 비슷해 보이지만 본질적으로 다르며, 그 차이가 경쟁 우위의 원천이 되고 있다.

금융기관 특유의 규제, 컴플라이언스(Compliance), 레거시 시스템(Legacy System)이라는 제약은 AI 변혁의 장벽으로 작용하는 동시에, 이를 극복한 조직에게는 해자(Moat)가 될 수도 있다. AI-native화란 단순한 도구의 보급이 아니라, AI가 전제된 업무 설계, 의사결정 구조, 거버넌스 모델의 전체적인 재설계로 파악하는 것이 실무 운영으로 가는 최단 경로라고 할 수 있다.

참고문헌

OpenAI. "MUFG aims to become AI-native with OpenAI." (2026-05-28). https://openai.com/index/mufg ↩︎ ↩︎ ↩︎

Computer Weekly. "How Japanese banking giant MUFG is using AI." (2025-11-12). https://www.computerweekly.com/news/366634350/How-Japanese-banking-giant-MUFG-is-using-AI ↩︎ ↩︎ ↩︎

AWS Machine Learning Blog. "Automate AML alert triage with Amazon Quick and Snowflake Cortex AI." (2026-05-28). https://aws.amazon.com/blogs/machine-learning/automate-aml-alert-triage-with-amazon-quick-and-snowflake-cortex-ai/ ↩︎ ↩︎

Kotawala, A. "Locally Coherent, Globally Incoherent: Bounding Compositional Incoherence in Multi-Component LLM Agents." arXiv:2605.30335 (2026-05-28). https://arxiv.org/abs/2605.30335v1 ↩︎

Adams, C. et al. "Automating Low-Risk Code Review at Meta: RADAR, Risk Calibration, and Review Efficiency." arXiv:2605.30208 (2026-05-28). https://arxiv.org/abs/2605.30208v1 ↩︎

AWS Machine Learning Blog. "From data overload to actionable insights: How Verizon Connect scaled agentic AI to 100,000 users." (2026-05-27). https://aws.amazon.com/blogs/machine-learning/from-data-overload-to-actionable-insights-how-verizon-connect-scaled-agentic-ai-to-100000-users/ ↩︎

Discussion