원문은 twarx.com에서 처음 게시되었습니다 - 전체 인터랙티브 버전은 그곳에서 읽어보세요.

최종 업데이트: 2026년 7월 6일

은행 분야의 AI 기술은 모델의 문제가 아니라 조정(coordination)의 문제를 겪고 있습니다. 대부분의 AI 기술 배포는 완전히 잘못된 문제를 해결하고 있습니다. 업계는 모델 정확도(model accuracy)를 계속 쫓고 있지만, 은행 AI 기술의 실제 실패는 시스템 '사이'의 공간에서 발생합니다. 즉, 사기 탐지 모델(fraud model)이 케이스 관리 도구(case-management tool)로 데이터를 넘기고, 그 도구가 다시 왜 그런 결과가 나왔는지 전달받지 못한 사람에게 업무를 넘기는 과정에서 문제가 발생합니다.

2026년 3분기 기준, 코어 뱅킹(core-banking) 벤더들이 공식 MCP 서버를 출시하기 시작하면서 이 격차는 마침내 측정 가능한 수준이 되었습니다. 하지만 모든 이들이 반복하고 있는 트렌드인 '은행 분야의 효과적인 AI 전략의 5가지 특징(다섯 가지 핵심 속성을 중심으로 구축된 전사적 전략)'은 어려운 부분이 '전략'이라고 조용히 가정하고 있습니다. 하지만 그렇지 않습니다. 진짜 어려운 부분은 LangGraph, MCP, 그리고 오케스트레이션 레이어(orchestration layers)를 사용하여 에이전트(agents), 도구(tools), 그리고 레거시 코어 시스템(legacy core systems) 간의 조정을 수행하는 것입니다.

이 가이드를 읽고 나면, 귀하의 AI 기술이 실제로 어디에서 고장 나는지 진단하고, 제가 'AI 조정 격차(AI Coordination Gap)'라고 부르는 프레임워크를 중심으로 이를 재구축할 수 있게 될 것입니다.

고립된 모델이 아닌 조정된 에이전트(coordinated agents)로 시각화된 실제 운영 환경의 은행 자동화 스택 — AI 조정 격차(AI Coordination Gap)의 핵심 통찰. 출처

왜 은행 AI 기술은 모델이 아닌 연결 부위(Seams)에서 실패하는가

운영자들이 값비싼 대가를 치르며 계속해서 배워가는 사실이 하나 있습니다. 저 또한 두 번의 파일럿 프로젝트 실패를 겪고 나서야 비로소 이 사실을 뼈저리게 깨달았습니다. 각 단계의 신뢰도가 97%인 6단계 파이프라인(pipeline)이 있다면, 전체 프로세스의 엔드 투 엔드(end-to-end) 신뢰도는 단 83%에 불과합니다. 즉, 0.97의 6제곱이 되며, 오류가 누적되어 용서받지 못하는 구조입니다. 이는 독립적인 직렬 단계(independent serial stages)에 적용되는 표준 곱셈 신뢰도 모델(0.97⁶ ≈ 0.833)에 기반한 독창적인 분석이며, 신뢰성 엔지니어(reliability engineers)들이 모든 체인 프로세스(chained process)에 적용하는 것과 동일한 수학적 원리입니다. 단 한 번의 잘못된 거래 경로 지정이 규제 당국의 지적 사항(regulatory finding)을 촉발할 수 있는 은행 분야에서, 이 17%의 실패 영역은 단순한 반올림 오차가 아니라 문제의 핵심 그 자체입니다.

이번 분기에 트렌드로 떠오르는 '다섯 가지 특징(five hallmarks)' 프레임워크—전사적 전략, 강력한 데이터 기반, 인재, 거버넌스(governance), 그리고 확장된 배포(scaled deployment)—는 방향성 측면에서는 옳습니다. 하지만 이는 성공을 위한 '조건'을 설명할 뿐, 실패의 '메커니즘(mechanism)'을 설명하지는 못합니다. 이것이 바로 다섯 가지 요건을 모두 갖춘 은행들이 여전히 파일럿 프로젝트가 운영 단계에서 사장되는 것을 지켜봐야만 하는 이유입니다. 이 다섯 가지 특징 중 그 어디에도 가치가 유출되는 구체적인 지점, 즉 '조정 계층(coordination layer)'에 대한 언급은 없습니다. 당시 Federal Reserve의 감독 부의장이었던 Michael Barr는 2024년 7월 연설에서 감독상의 우려를 명확히 밝혔습니다: 'AI의 사용은 복잡하고 불투명한 모델 및 제3자 의존성(third-party dependencies)의 도입을 통해 운영 리스크(operational risk)를 창출하거나 심화시킬 수 있습니다.' 그 불투명성은 바로 단계 간의 인수인계(handoffs) 과정에 존재합니다. 더 넓은 관점은 McKinsey financial-services research와 Federal Reserve's supervisory guidance를 참조하십시오.

전형적인 대출 실행 (loan-origination) 워크플로우를 생각해 보십시오. 문서 추출 (document-extraction) 모델이 급여 명세서를 읽습니다. 리스크 모델 (risk model)이 신청자의 점수를 산정합니다. 컴플라이언스 체크 (compliance check)가 제재 명단 (sanctions lists)을 대상으로 실행됩니다. 가격 결정 엔진 (pricing engine)이 금리를 설정합니다. 인간 언더라이터 (human underwriter)가 예외 사례 (edge cases)를 검토합니다. 각 구성 요소는 최첨단 (state-of-the-art) 기술일 수 있습니다. 하지만 워크플로우는 상태 (state), 컨텍스트 (context), 그리고 결정 사항들이 완전한 감사 가능성 (auditability)을 갖춘 채 구성 요소 간에 깔끔하게 전달될 때만 작동합니다. 바로 그 인계 (handoff) 과정에서 은행 자동화 프로젝트의 약 70%가 중단됩니다.

83%
단계별 정확도가 97%인 6단계 파이프라인의 엔드 투 엔드 (end-to-end) 신뢰도 (0.97⁶, 원본 분석)
[직렬 신뢰도 모델 — arXiv 복합 오류 (compounding-error) 문헌, 2025](https://arxiv.org/)
...

이 가이드는 세 가지를 다룹니다. 첫째, 다음 운영 위원회 (steering-committee) 회의에서 사용할 수 있는 프레임워크를 통해 실제 문제를 명명합니다. 둘째, LangGraph, Anthropic의 MCP, n8n, 그리고 Pinecone과 같은 벡터 데이터베이스 (vector databases) 등 실제 운영 수준 (production-grade)의 AI 기술을 사용하여 해당 프레임워크를 실행 가능한 6개 계층으로 나눕니다. 셋째, JPMorgan, Klarna, 그리고 중견 신용조합 (mid-market credit union)에서의 실제 배포 사례가 수치와 실수 사례를 포함하여 실제로 어떤 모습인지 보여줍니다.

명명된 프레임워크

AI 조정 격차 (The AI Coordination Gap)

AI 조정 격차 (AI Coordination Gap)란 모델, 도구, 인간, 그리고 레거시 시스템 (legacy systems) 간의 모든 인계 (handoff) 과정에서 자동화된 워크플로우로부터 누수되는 신뢰성, 컨텍스트 (context), 그리고 책임성 (accountability)을 의미합니다. 이는 귀하의 AI 기술의 각 구성 요소가 개별적으로 얼마나 잘 수행되는지와 전체 시스템이 실제 운영 (production) 환경에서 얼마나 잘 수행되는지 사이의 차이입니다.

내가 검토한 모든 은행은 다섯 가지 AI 특징 (AI hallmarks)을 모두 갖추고 있었습니다. 하지만 제대로 작동하는 인계 계층 (handoff layer)을 가진 곳은 단 한 곳도 없었습니다. 그리고 바로 그 단 하나의 누락된 계층 때문에 그들의 파일럿 프로젝트 70%가 실제 운영 단계에 도달하지 못하는 것입니다.

AI 조정 격차란 무엇인가 — 그리고 왜 '다섯 가지 특징'이 이를 놓치는가

'다섯 가지 특징 (five hallmarks)' 학파는 AI 기술 전략을 역량의 포트폴리오로 취급합니다. 데이터 기반을 구축하고, 인재를 채용하며, 거버넌스를 설치하고, 대규모로 배포하는 것. 모두 사실이며, 모두 필요합니다. 하지만 모두 불충분합니다.

조정 격차 (Coordination Gap)는 시스템 사고 (systems-thinking)에 기반한 교정안입니다. 이는 다음과 같이 말합니다. 워크플로의 신뢰성은 가장 뛰어난 구성 요소가 아니라, 가장 취약한 인계 (handoff) 지점에 의해 제한된다는 것입니다. 그리고 은행업에서는 인계가 도처에 존재합니다. 왜냐하면 이 산업은 실시간 상태를 묻는 자율 에이전트 (autonomous agent)의 등장을 전혀 예상하지 못했던 수십 년 된 코어 시스템 (Fiserv, FIS, Temenos 등)을 기반으로 운영되기 때문입니다.

대부분의 팀이 은행 자동화에 대해 잘못 알고 있는 점은 다음과 같습니다: 그들은 노드 (nodes)를 최적화하고 엣지 (edges)를 무시합니다. 그들은 사기 탐지 모델의 정확도를 1.2% 더 끌어올리기 위해 6개월 동안 미세 조정 (fine-tuning)에 매달리지만, 실제 가치 누출은 사기 탐지 모델의 결과값이 분석가가 4시간 동안 확인하지 않는 대기열 (queue)에 버려진다는 사실에서 발생합니다. 모델은 괜찮습니다. 조정 (coordination)이 깨진 것입니다. 이는 NIST의 AI 위험 관리 작업 전반에 걸쳐 기록된 패턴입니다.

제가 검토했던 실제 사기 운영 (fraud-ops) 감사 사례에서, 모델은 94%의 정밀도 (precision)로 의심스러운 거래를 식별했습니다. 하지만 그 플래그 중 61%는 케이스 관리 시스템 (case-management system)으로의 인계 과정에 우선순위 신호가 없었기 때문에 3시간 이상 조치되지 않은 채 방치되었습니다. 해결책은 더 나은 모델이 아니었습니다. 그것은 라우팅 규칙 (routing rule)이었습니다.

조정 격차는 세 가지 힘에 의해 확대됩니다: (1) 인계의 횟수, (2) 구성 요소 간의 의미론적 거리 (semantic distance) — 즉, 확률론적 모델 (probabilistic model)이 결정론적 규칙 엔진 (deterministic rules engine)으로 인계할 때 발생하는 차이, (3) 공유된 컨텍스트 (shared context)의 부재입니다. 이것이 바로 Model Context Protocol (MCP)와 LangGraph와 같은 오케스트레이션 (orchestration) 프레임워크가 해결하기 위해 만들어진 바로 그 문제입니다.

시각화된 조정 격차 (Coordination Gap): 가치는 모든 박스가 아니라 모든 화살표에서 누출됩니다. 이를 해소하는 것은 모델의 문제가 아니라 오케스트레이션 (orchestration)의 문제입니다. 출처

AI 조정 격차를 해소하는 6가지 계층

실제로 프로덕션 (production) 단계에 도달하는 은행 AI 기술 스택에는 6가지 조정 계층이 있습니다. 하나라도 건너뛰면 격차가 다시 발생합니다. 각 계층의 명칭을 밝히고, 실제 환경에서 어떻게 작동하는지 설명하며, 도구가 프로덕션 준비가 되었는지(production-ready) 아니면 여전히 실험적인지(experimental) 표시하겠습니다.

계층 1: 컨텍스트 계층 (Context Layer, 공유 상태)

워크플로 내의 모든 에이전트 (agent)와 도구 (tool)는 신청자, 거래, 계좌 내역과 같은 케이스에 대한 일관되고 최신화된 뷰 (view)에 접근할 수 있어야 합니다. 이것이 없다면 각 구성 요소는 컨텍스트를 다시 도출하게 되어 드리프트 (drift)가 발생합니다. 이 지점에서 Pinecone 및 기타 벡터 데이터베이스 (vector databases)가 RAG (Retrieval-Augmented Generation, 검색 증강 생성)과 결합하여 에이전트에게 근거가 있고 검색 가능한 메모리를 제공합니다. 프로덕션 준비 완료 (Production-ready).

계층 2: 프로토콜 계층 (Protocol Layer, MCP)

에이전트는 모든 핵심 시스템에 대해 개별적인 통합 (bespoke integrations)을 수행하지 않고도 도구를 호출하고 컨텍스트를 가져올 수 있는 표준화된 방법이 필요합니다. 2024년 말에 출시되어 2025년 동안 빠르게 채택된 Anthropic의 Model Context Protocol (MCP)는 에이전트 기반 뱅킹의 USB-C가 되어가고 있습니다. 즉, 에이전트와 Temenos 코어, 사기 탐지 API, 또는 CRM 사이를 잇는 단일 인터페이스입니다. 저는 이를 빠르게 진화하고 있지만 진정으로 프로덕션 준비가 된 상태라고 설명하고 싶으며, 이는 버전을 고정(pin)해야 하는 조합입니다. 프로덕션 준비 완료되었으나 빠르게 진화 중 (Production-ready but fast-evolving).

계층 3: 오케스트레이션 계층 (Orchestration Layer, LangGraph / AutoGen / CrewAI)

이것은 어떤 에이전트가 언제 실행될지를 결정하고, 재시도(retries)를 처리하며, 분기 로직(branching logic)을 관리하는 두뇌입니다. LangGraph (프로덕션 준비 완료, 그래프 기반, 상태 유지형(stateful))는 실행이 결정론적(deterministic)이고 감사 가능(auditable)하기 때문에 규제 환경에서 선도적인 선택지입니다. AutoGen과 CrewAI는 대화형 멀티 에이전트(conversational multi-agent) 패턴에 강력하지만, 은행 업무에는 더 엄격한 가드레일(guardrails)이 필요합니다. 상당한 수준의 강화(hardening) 없이는 두 기술 중 어느 것도 대출 결정 워크플로우에 배포하지 않을 것입니다. 멀티 에이전트 시스템(multi-agent systems) 및 오케스트레이션 아키텍처(orchestration architecture)에 대한 당사의 심층 분석을 참조하십시오.

계층 4: 가드레일 계층 (Guardrail Layer, 정책 + 컴플라이언스)

은행 분야의 모든 자율적 결정은 제재, 공정 대출 규칙, 공시 요구 사항과 같은 정책에 따라 검증 가능해야 합니다. 이 계층은 오케스트레이터(orchestrator)와 되돌릴 수 없는 작업(자금 이동, 대출 거부) 사이에 위치합니다. 대부분의 비은행권 자동화 조언이 완전히 실패하는 지점이 바로 여기인데, 소비자용 에이전트 데모는 규제 기관에 거절 사유를 설명해야 하는 상황을 단 한 번도 겪어본 적이 없기 때문입니다. CFPB의 불리한 조치 지침(adverse-action guidance)은 설명 가능성(explainability)을 선택 사항이 아닌 필수 사항으로 만듭니다.

계층 5: 인간 참여 계층 (Human-in-the-Loop Layer)

이는 단순한 대비책(fallback)이 아닙니다. 설계된 구성 요소입니다. 최상의 은행 워크플로우는 모호하거나 이해관계가 큰 사례를 전체 컨텍스트(context)가 첨부된 상태로 인간에게 전달하고, 인간의 결정을 다시 학습 신호(training signal)로 피드백합니다. 조정 격차(Coordination Gap)는 바로 이 지점에서 가장 빠르게 벌어지는데, 인간에게 업무를 넘기는 것이 보통 기계의 모든 컨텍스트를 놓아버는 것을 의미하기 때문입니다. 그렇게 되면 언더라이터(underwriter)는 시스템이 왜 이 건을 에스컬레이션(escalated)했는지 전혀 모르는 채 빈 티켓(bare ticket)만 바라보게 됩니다.

계층 6: 관측 가능성 계층 (Observability Layer)

볼 수 없는 격차는 메울 수 없습니다. LangSmith 및 OpenTelemetry" 기반 파이프라인과 같은 추적(Tracing) 도구를 사용하면, 단순히 모델별 정확도(accuracy)뿐만 아니라 핸드오프(handoff)별 신뢰도를 측정할 수 있습니다. 이를 통해 감사인이 발견하기 전에 '61%의 플래그가 조치되지 않은 문제'를 찾아낼 수 있습니다.

대출 실행(Loan Origination): 조정 격차를 인지하는 멀티 에이전트 워크플로우 (Multi-Agent Workflow)

  1

    **문서 수집 에이전트 (Document Ingestion Agent) (LangGraph 노드 + MCP)**

업로드된 PDF에서 소득, 신분증, 자산 데이터를 추출합니다. 구조화된 출력(structured output)을 공유 상태(shared state)에 기록합니다. 지연 시간(Latency) 목표: 8초 미만. 신뢰도가 낮은 추출 데이터는 조용히 넘어가지 않고 플래그(flag)가 지정됩니다.

↓

  2
...

신청자 이력, 이전 신청 내역 및 관계 데이터를 가져옵니다. 모든 하위 결정(downstream decision)을 검색 가능한 증거에 근거하게 하여, 환각(hallucination)된 계좌 사실이 발생하지 않도록 합니다.

↓

  3
...

리스크 점수 산정(Risk scoring)과 제재/공정 대출(sanctions/fair-lending) 점검이 동시에 실행됩니다. 가드레일(Guardrail) 계층은 가격 책정(pricing) 단계에 도달하기 전, 정책을 위반하는 모든 경로를 차단합니다.

↓

  4
...

경로 지정: 자동 승인, 사유 코드를 포함한 자동 거절, 또는 에스컬레이션(escalate). 모든 분기(branch)는 감사를 위해 전체 상태 스냅샷(state snapshot)과 함께 로그로 기록됩니다.