Collections AI: 모든 것을 형성하는 규정 준수 제약

AI는 규제 프레임워크 내에서 회수 성과를 의미 있게 개선할 수 있습니다. 즉, 성향 점수(propensity scoring), 채널 최적화(channel optimisation), 타이밍 모델 등이 가능합니다. 하지만 AI가 자동화할 수 없는 영역도 존재하며, 이는 TCPA, FDCPA 및 주(state-level) 소비자 보호법이 금지하는 것입니다. 여기에서 그 경계가 무엇인지 살펴보겠습니다.

Collections는 숫자로 볼 때 금융 서비스 분야에서 가장 높은 가치를 지닌 AI 애플리케이션 중 하나입니다. 대규모 포트폴리오의 회수율에 대한 작은 개선만으로도 빠르게 복리 효과를 낼 수 있기 때문입니다. 하지만 동시에 모든 대출 기관(lender)에서 가장 규제가 심한 운영 기능이기도 합니다. TCPA, FDCPA, 주 소비자 보호법, 그리고 CFPB가 정의하는 부당하거나 기만적이거나 남용적인 행위 및 관행(unfair, deceptive, or abusive acts and practices)에 대한 해석 지침 모두가 AI 기반의 채권 회수 운영이 할 수 있는 것을 제약합니다. 실질적인 질문은 AI를 채권 회수에 적용할지 여부가 아니라—투자 수익률(ROI) 측면에서는 명확하지만—AI가 어떤 제약 조건 내에서 무엇을 할 수 있느냐입니다.

Collections AI 프로젝트는 두 가지 방식으로 실패합니다. 첫째, 팀이 정교한 성향 또는 세분화 모델(propensity or segmentation model)을 구축했지만, 이를 채권 회수 워크플로우에 통합하여 상담원(collector)의 행동 변화를 이끌어내지 못하는 경우입니다. 모델은 존재하지만 아무것도 바뀌지 않습니다. 둘째, 팀이 규제 프레임워크를 충분히 고려하지 않고 자동화된 아웃리치 기능(automated outreach capabilities)을 배포한 후, 컴플라이언스 검토 과정에서 상당한 재설계가 필요한 문제점들이 발견되는 경우입니다.

핵심 통찰: TCPA와 FDCPA는 AI가 채권 회수를 개선하는 것을 막지 않습니다. 오히려 AI가 운영할 수 있는 경계를 정의합니다. 처음부터 이러한 경계를 염두에 두고 설계하면, 효과적이면서도 방어 가능한 시스템을 구축할 수 있습니다.

_

전화 소비자 보호법(TCPA)은 자동 전화 다이얼링 시스템(ATDS) 및 인공 또는 녹음된 음성 메시지를 사용하여 소비자의 사전 명시적 서면 동의 없이 접촉하는 것을 제한합니다. 채권 추심 상황에서 이는 자동화된 아웃리치—AI 기반 다이얼러, 자동 SMS 캠페인, 녹음된 음성 메시지—를 상당히 제약합니다.

자동 다이얼링 통화 또는 문자를 휴대폰으로 보내기 위해서는 사전 명시적 서면 동의가 필요합니다. 채무 추심의 경우, 이 동의는 신용 관계가 설정되는 시점이나 후속 동의 절차를 통해 얻어야 합니다. 최초 발생 시점에 얻은 동의는 초기 채권 추심 접촉에 대해 대부분 계정 소유자에게 적용되지만, 소비자는 언제든지 동의를 철회할 수 있으며, 이러한 철회는 즉시 존중되어야 합니다—이 과정은 자동화되고 감사(audited)되어야 하는 절차입니다.

TCPA는 수동 다이얼링을 사용하는 사람 주도 통화를 금지하지 않습니다. 채권 추심 운영 부서는 다이얼러가 ATDS 정의를 충족하지 않는 경우 예측 다이얼러를 준수하는 방식으로 사용할 수 있습니다—이는 2021년 Facebook v. Duguid 대법원 판결 이후 점점 더 미묘해지고 있는 기술적, 법률적 문제입니다. 자동화된 아웃리치를 포함하는 모든 채권 추심 AI는 배포 전에 TCPA 전문 지식을 가진 변호사의 검토를 받아야 합니다.

TCPA는 동의 없이 휴대폰으로의 자동화된 아웃리치를 제한하므로—동의 관리 프로세스는 아웃리치 자동화 자체만큼 중요하게 설계되어야 합니다

FDCPA: 무엇을 말할 수 있고 언제 말해야 하는가

공정 채무 추심 관행법(FDCPA)은 제3자 채무 추심업체를 규제하며, 추심 통신의 시기, 내용 및 빈도에 대한 구체적인 요구 사항을 부과합니다. 2021년에 발효된 CFPB의 Regulation F는 일부 FDCPA 원칙을 확장하고 이메일 및 문자를 포함한 전자 통신에 대한 특정 지침을 추가했습니다.

AI 기반 채권 추심에 직접적인 영향을 미치는 주요 제약 사항은 다음과 같습니다:

접촉 빈도 제한: Regulation F는 소비자를 7일 이내에 7회 이상 접촉하는 경우, 또는 이전 전화 통화 후 7일 이내에 다시 연락하는 경우 FDCPA 위반으로 간주합니다. AI 기반 아웃리치 최적화는 모든 커뮤니케이션 채널에서 이러한 제한을 추적하고 강제해야 합니다.

시간대별 제한: 전화를 걸 수 있는 시간은 소비자 현지 시간대의 오전 8시부터 오후 9시 사이로 제한됩니다. 접촉률을 최적화하는 AI 스케줄링 모델은 이 제약을 통합해야 하며, 운영 센터의 시간이 아닌 소비자의 시간대를 사용해야 합니다.

접촉 중단 요청(Cease and desist): 소비자가 연락 중단을 요청할 경우, 수신 확인 또는 특정 법적 조치 통보를 위해서만 예외적으로 모든 커뮤니케이션을 중단해야 합니다. 이 철회 과정은 즉각적이고 감사 가능해야 합니다.

7일 내 7회 접촉 빈도 제한, 시간대별 제한, 그리고 즉각적인 연락 중단 요청 준수는 AI 아웃리치가 반드시 지켜야 하는 비협상적 제약 조건입니다.

이러한 제약 조건 내에서 AI가 할 수 있는 일

규제 프레임워크 내에서 AI는 세 가지 특정 애플리케이션을 통해 의미 있는 채권 회수 개선을 제공합니다.

지불 성향 예측 모델링(Propensity to pay modelling). 어떤 계정이 아웃리치에 응하여 가장 지불할 가능성이 높은지—그리고 어떤 조건(정산 제안, 상환 계획, 특정 시기)에서 그런지를 예측하는 모델은 채권 회수 운영이 단순한 연체 일수 기반 분류보다 더 효과적으로 접촉 우선순위를 지정하도록 합니다. 전액 잔액에 대해 지불 성향이 높은 계정에는 조기에 개인적인 연락을 취하고; 정산 제안에 응답하는 계정에는 회수율이 높은 채무 발생 주기 초기에 제안을 제공합니다.

채널 선호도 최적화 (Channel preference optimisation). 소비자마다 반응하는 채널이 다릅니다. 어떤 소비자는 문자에, 어떤 소비자는 이메일에, 또 다른 소비자는 전화 통화에 반응합니다. 과거 연락 데이터를 학습한 모델은 주어진 소비자 프로필에 대해 어떤 채널이 응답을 가장 많이 얻을 수 있을지 예측하여, 접촉 시도를 줄이는 동시에 연락 성공률을 높일 수 있습니다.

시기 최적화 (Timing optimisation). 하루 중 시간 제약 및 연락 빈도 제한 내에서도 소비자가 답변하거나 응답할 가능성이 가장 높은 시점에는 여전히 의미 있는 차이가 존재합니다. 주별, 시간대별 응답률로 학습된 ML 모델은 전체 접촉 시도를 늘리지 않으면서 연락 성공률을 개선할 수 있습니다.

지불 의향 예측(Propensity to pay modelling), 채널 선호도, 그리고 시기 최적화는 규제 프레임워크 내에서 회수율 향상을 가져옵니다. 이 세 가지 요소가 결합되면 목표 포트폴리오의 회수율이 10–20% 개선되는 것이 현실적입니다.

주(State)-별 추가 규정 (State-Level Overlay)

연방 TCPA 및 FDCPA 요구사항은 최소 기준선에 불과합니다. 상당수의 주에는 소비자 보호법이 더 엄격하게 적용되고 있으며, 연방 차원의 준수가 대출자가 위치한 모든 주에서 준수를 의미하지는 않습니다.

캘리포니아의 Rosenthal 공정 채무 추심 관행법(Rosenthal Fair Debt Collection Practices Act)은 제3자 추심업체뿐만 아니라 자체적으로 부채를 회수하는 1차 당사자 추심업체(lenders collecting their own debt)에게도 FDCPA에 상응하는 요구사항을 적용하여, 연방 법률보다 더 광범위한 범위를 가집니다. 뉴욕주 등 다른 주들도 유사하게 1차 당사자 커버리지 확대를 시행하고 있습니다.

여러 주는 규정 F(Regulation F)보다 더 제한적인 연락 빈도 규칙을 가지고 있거나, 허용되는 통화 시간 창이 더 짧거나, 자동화된 통신에 대한 추가 공개 요건을 요구합니다.

국가 단위 포트폴리오를 보유한 대출 기관의 경우, 규정 준수 기준은 연방 법률의 가장 관대한 해석이 아니라 각 소비자에게 적용되는 가장 제한적인 주(state) 법률입니다. 국가적 범위의 collections AI 시스템은 주별 규칙 변형을 구현하거나 전체 포트폴리오에 걸쳐 가장 보수적인 기준으로 운영해야 합니다.

주 소비자 보호법은 연방 TCPA 및 FDCPA보다 더 제한적일 수 있습니다 — 규정 준수를 위해서는 각 소비자의 주(state)에 적용되는 가장 제한적인 기준이 필요합니다

제약 조건 내에서 비즈니스 케이스 구축하기

collections AI의 ROI 사례는 이러한 제약 조건 내에서 실현 가능합니다. 이 제약 조건 세트는 자동화된 아웃리치를 제한하지만, 성향 점수(propensity scoring), 세분화(segmentation), 채널 최적화(channel optimisation), 또는 타이밍 모델을 제한하지 않습니다 — 이 모든 것은 연락 시작의 자동화를 요구하지 않으면서도 결과를 개선합니다.

잘 정의된 collections AI 프로그램의 현실적인 목표: 결제 성향이 높은 계좌에 대한 우선순위 지정 및 채널 선택 개선을 통해 초기 단계 회수율(early-stage recovery rates) 10–20% 향상. 보다 효율적인 연락 할당을 통해 회수 금액($)당 평균 수금 비용 15–25% 절감. 연락 빈도 및 타이밍 규칙 준수 개선으로 인한 불만 접수 건수의 측정 가능한 감소.

규정 준수 투자 — 동의 관리(consent management), 철회 추적(revocation tracking), 주별 규칙 구현, 감사 로깅(audit logging) — 는 적지 않습니다. 또한 선택 사항도 아니며, 이를 시스템 설계의 일부가 아닌 간접비(overhead)로 취급하는 것은 먼저 구축하고 나중에 규정 준수 검토를 거쳐 재설계하는 패턴을 초래합니다. 올바른 접근 방식: 시작 단계에서 규정 준수 인프라를 범위화하고, AI 시스템이 그 안에서 작동하도록 설계하며, 이 프레임워크 내에서 달성 가능한 것에 대해 비즈니스 케이스를 구축해야 합니다.

규제 프레임워크 내에서는 초기 단계 회수율 10–20% 향상 및 회수 금액($)당 비용 15–25% 절감이 가능합니다 — 규정 준수 인프라를 나중에가 아니라 시작 단계에서 범위화해야 합니다

본문은 CobuildX 블로그에 최초 게시되었습니다.