은행은 AI 문제가 아니라 데이터 플랫폼 문제에 직면해 있습니다

주제인 “Make Headway” 아래, CBA Live 2026은 복잡성을 헤쳐나가고 혁신을 발전시키는 데 중점을 둔 수백 명의 리테일 뱅킹 리더들을 한자리에 모았습니다.

하지만 리스크, 규정 준수, 수금 및 예금 성장 등 모든 세션에서 동일한 근본적인 주제가 계속해서 나타났습니다.

AI 혁신은 강력한 데이터 및 거버넌스 기반 없이는 확장되지 않습니다.

데모와 로드맵 아래에서 공통된 패턴이 나타났습니다. 진정한 발전을 이루는 은행은 가장 화려한 AI를 가진 은행이 아닙니다.

그들은 가장 깨끗하고, 가장 잘 관리되며, 가장 실시간에 가까운 데이터 기반을 가진 은행입니다.

분위기를 설정한 시나리오:

CBA 사장인 린지 존슨의 기조연설은 간단하고 피할 수 없을 것처럼 들리는 가까운 미래의 소비자 경험을 묘사했습니다.

소비자가 급여일에 일어납니다. 그녀가 휴대폰을 집어 들 때쯤이면 모든 것이 이미 완료되었습니다. 청구서 지불, 저축 할당, 구독 갱신, 심지어 해외 송금까지.

앱 없음. 로그인 없음. 결정할 필요 없음.

AI 에이전트가 모든 것을 처리했습니다.

이것이 은행들이 구축해 나가고 있는 미래입니다.

하지만 무대에서 묻지 않은 불편한 질문이 있습니다.

그 경험이 실제로 작동하려면 은행 내부에 무엇이 마련되어 있어야 할까요?

이것은 단지 더 나은 디지털 경험이 아닙니다. 근본적으로 다른 운영 모델입니다. 외부 에이전트가 실시간으로, 여러 제품에 걸쳐, 전체 컨텍스트를 가지고, 일관성이나 지연에 대한 용서 없이 귀하의 시스템과 상호 작용하는 모델입니다.

그리고 대부분의 기관에게는 이것이 격차가 드러나는 부분입니다.

야망이나 구축 중인 모델이 아니라, 그것을 현실로 만들기 위해 필요한 데이터 기반입니다.

세션에서 들은 내용:

다양한 세션에서 특정 데이터 문제는 기능별로 달랐지만, 근본적인 주제는 일관되었습니다.

AI 리스크 및 규정 준수: 거버넌스 격차는 현실입니다

여러 기관의 패널들은 모델 드리프트, 즉 실제 세계의 모집단이 변화함에 따라 AI 모델이 조용히 저하되는 현상이 은행 AI에서 가장 과소평가된 위험 중 하나라고 말했습니다. 750점의 평균 FICO 신청자 풀을 기반으로 훈련된 신용 점수 모델은 신청자 구성이 650점으로 변경될 때 조용히 실패할 수 있습니다. 이를 지속적으로 감시하는 자동화된 트리거가 필요합니다. 대부분의 은행에는 이러한 기능이 없습니다.

AI 거버넌스에 필요한 데이터 품질 규율은 또한 많은 규정 준수 팀이 예상했던 것보다 더 까다롭습니다. 내부 감사는 비즈니스 단위의 증언을 단순히 받아들이는 것이 아니라 데이터 계보를 독립적으로 테스트해야 합니다. 규제 기관은 "핀테크 파트너가 모델을 소유한다"는 답변을 받아들이지 않을 것입니다.

관계 금융: 업계 최고의 데이터, 활용되지 않음

여러 세션에서 은행은 의사나 재정 고문과 같은 거의 모든 다른 기관보다 고객에 대한 더 풍부한 데이터를 보유하고 있다는 동일한 관찰을 했습니다. 그들은 헬스장 회원권, 반복적인 의료비 지불, 소비 변동성 및 고용주 예금 패턴에 대해 알고 있습니다. 그러나 대부분의 통찰력은 실시간으로 서로 통신하지 않는 시스템에 파편화되어 있습니다.

이것이 만들어내는 마찰은 현실입니다. 한 패널리스트는 고객이 아직 세금을 신고하지 않았다는 것을 감지할 만큼 고객을 잘 아는 것, 그리고 정확한 순간에 그 통찰력을 선제적으로 제공하는 것을 목표로 설명했습니다. 이러한 개인화는 깨끗하고 통합되며 실시간으로 액세스 가능한 데이터를 필요로 합니다. 이것은 덧붙일 수 있는 제품 기능이 아닙니다.

부도 관리: 기반이 핵심

수금 분야의 AI에 대한 세션은 데이터 기반이 올바를 때 가능한 것을 설명했습니다. 새로 연체된 계정이 회복되는 데 걸리는 일수를 85%의 정확도로 예측합니다. 이는 연체 첫날부터 시작됩니다. 이러한 조기 신호는 수금 리소스를 할당하는 방식을 완전히 바꿉니다.

여기에 도달하려면 내부 계정 데이터뿐만 아니라 디지털 참여 신호(고객이 지불하지 않고 웹사이트를 방문했는지?), 신용 조사 기관 마이그레이션 데이터, 예금 행동 및 과거 해결 패턴을 모두 관리 가능하고 감사 가능한 방식으로 통합할 수 있는 능력이 필요합니다. 이 작업을 잘 수행하는 기관은 먼저 데이터 인프라를 구축했습니다. AI 기능은 그 뒤를 따랐습니다.

최전선 AI: 일반 모델 기반 AI는 쇠퇴합니다

Bank of America의 Erica 세션은 실제 프로덕션 AI가 대규모로 어떻게 보이는지에 대한 마스터 클래스였습니다. Erica는 2018년 출시 이후 32억 건 이상의 고객 상호 작용을 처리했으며 그 과정에서 수천 건의 변경을 이루었습니다. 8년간의 프로덕션 AI에서 얻은 교훈은 이것이 설정하고 잊어버리는 기술이 아니라는 것이 분명했습니다. 지속적인 데이터 튜닝, 지속적인 모니터링, 그리고 엣지 케이스를 읽고 모델을 업데이트하는 것이 전담 임무인 팀이 필요합니다.

또 다른 세션은 다른 각도에서 이를 강화했습니다. 대부분의 은행에서 컨택 센터 상담원은 단일 고객 질문에 답하기 위해 10~15개의 애플리케이션을 전환합니다. 이러한 문제를 해결할 AI 에이전트는 은행 자체 데이터에 기반한 에이전트입니다. 일반적인 LLM이 아니라 은행의 정책, 제품 및 고객 관계를 기반으로 훈련된 도구입니다.

벤더 현실 점검:

가장 기억에 남는 세션 중 하나는 AI 벤더 환경에 대한 솔직한 평가였습니다. 주요 기관에서 AI 전략을 이끌었던 연사는 현재 AI 기능을 주장하는 수천 개의 벤더 중 약 5%만이 실제 AI를 제품에 보유하고 있다는 대규모 벤더 감사에서 나온 결과를 공유했습니다. 나머지는 로봇 프로세스 자동화 또는 표준 자동화 로직을 AI로 재레이블링하고 있습니다.

은행 기술 구매자를 위한 실질적인 지침은 구체적으로 질문하는 것입니다. 벤더가 AI 기능을 어떻게 구축했는지 물어보세요. 어떤 LLM 오케스트레이션을 사용하는지 물어보세요. 전체 API 및 MCP 커버리지를 가지고 있는지 물어보세요. 워크플로우 자동화가 상품화됨에 따라 3년 후 비즈니스가 어떻게 될지 물어보세요. 이러한 질문에 구체적으로 답할 수 없다면 답은 이미 나와 있는 것입니다.

이것이 왜 중요하며 어디에서 작동하는 것을 볼 수 있습니까?

CBA Live에서 나온 주제들은 새로운 것이 아니었습니다. 이는 파편화된 데이터 환경, 제한된 거버넌스, 그리고 파일럿 단계를 넘어 프로덕션으로 나아가는 데 어려움을 겪는 AI 이니셔티브와 같이 은행 고객과의 지속적인 대화에서 우리가 보는 동일한 문제들을 밀접하게 반영합니다.

이는 우리가 매일 접하는 기관 전반에 걸쳐 계속해서 나타나는 패턴을 검증합니다. 제한 요인은 AI 기능이 아니라 이를 지원하는 데 필요한 기본 데이터 및 거버넌스 기반입니다.

우리가 들은 주제와 Databricks가 이를 어떻게 해결하는지 연결해 보겠습니다.

데이터 기반 문제

은행은 고객, 리스크 및 제품 데이터가 파편화되고 일관성이 없기 때문에 AI를 확장하는 데 어려움을 겪습니다. Databricks의 Lakehouse는 배치 및 스트리밍 데이터를 중앙 집중화하는 반면,Unity Catalog는 하나의 거버넌스 계층(권한, 계보 및 분류)을 추가하여 모든 팀이 동일한 신뢰할 수 있는 뷰에서 작업하도록 합니다.

Lakeflow를 사용하면 은행은 깨지기 쉬운 지점 간 파이프라인에 의존하는 대신 데이터를 큐레이션된 계층으로 안정적으로 수집하고 변환할 수 있습니다.Lakebase는 이 기반을 트랜잭션 워크로드로 확장하여 관리형 Postgres 엔진을 동일한 거버넌스 플랫폼으로 가져옵니다. 따라서 운영 앱과 AI 에이전트는 별도의 불투명한 OLTP 에스테이트를 생성하지 않고도 분석과 데이터를 공유할 수 있습니다.

모델 드리프트 및 모니터링 문제

SR 11-7과 같은 지침에 따라 규제 기관은 이제전체 수명 주기 모델 리스크 관리를 기대합니다. 초기 검증뿐만 아니라 지속적인 모니터링, 드리프트 감지 및 중요 모델에 대한 주기적인 재검증까지 포함합니다.

Databricks에서는MLflow와Model Registry가 실험 및 승인된 버전을 추적하는 반면,Model Monitoring과Delta Lake는 시간이 지남에 따라 예측, 입력 및 결과를 캡처합니다. 이를 통해 SR 11-7 스타일 검증 및 지속적인 성능 확인이 스크립트 및 스프레드시트의 임시방편이 아닌 플랫폼의 표준 부분이 됩니다. 연체 예측 또는 사기 세분화를 주도하는 고영향 모델의 경우 이러한 기능은 "고급" 기능이 아닌 필수 기능으로 빠르게 자리 잡고 있습니다.

실시간 개인화 문제

은행은 고객에게 “순간적으로” 다가가기 위해 단순히 야간 집계가 아닌 신선하고 지연 시간이 짧은 기능이 필요합니다. Databricks Online Feature Store는 밀리초 단위로 사전 계산된 기능(성향, 위험 플래그, 세그먼트)을 제공하며, Lakebase는 동일한 거버넌스 경계 내에서 최근 거래와 같은 최신 운영 컨텍스트를 제공합니다.

일반적인 흐름은 이벤트(카드 스와이프, 앱 로그인, 통화)가 Online Feature Store에서 기능을 읽고 Lakebase 컨텍스트와 조인한 다음, 채널 전반에 걸쳐 일관되게 다음 최적의 조치를 반환하는 의사 결정 서비스를 트리거하는 것과 같습니다. 최전선 직원을 위해 Genie는 자연어를 통해 동일한 거버넌스 데이터와 메트릭을 노출하므로 은행원과 상담원은 티켓이나 임시 추출 없이 “이 고객의 90일 예금 추세는 어떻습니까?”와 같은 질문을 할 수 있으며, Unity Catalog는 백그라운드에서 정책과 계보를 적용합니다.

Agentic AI 문제

은행에서의 Agentic AI는 상담원이 엄격한 보호 장치와 감독 하에 컬렉션 워크플로를 진행하거나 KYC 단계를 시작하거나 서비스 통화를 조정하는 등 제약된 조치를 취할 수 있음을 의미합니다.

Databricks에서는 Agent Bricks가 이러한 에이전트와 도구 호출을 조정합니다. Databricks Apps는 이들이 연결하는 안전한 UI와 워크플로를 호스팅합니다. Lakehouse + Unity Catalog는 에이전트가 볼 수 있는 데이터를 제어하며 완전한 계보 및 감사 추적을 제공합니다. Online Feature Store는 실시간 행동 및 위험 신호를 제공하고 Lakebase는 동일한 보안 및 거버넌스 경계 내에서 저지연 읽기/쓰기를 위한 운영 상태 저장소 역할을 합니다.

이를 통해 은행은 모든 작업을 기록하고 설명 가능하며 감사 가능한 상태로 유지되는 플랫폼에서 에이전트 워크플로를 확장할 수 있습니다.

설명 가능성 및 규정 준수 문제

규제 기관은 모델이 얼마나 “고급”인지보다 은행이 사용을 설명, 관리 및 증명할 수 있는지 여부에 더 관심을 갖습니다.

Databricks는 거버넌스와 계보를 최우선으로 하여 이를 해결합니다.

Unity Catalog는 데이터, 기능 및 모델 아티팩트에 걸쳐 권한, 계보 및 감사 기록을 통합합니다. Delta Lake 및 Databricks SQL은 버전이 지정되고 재현 가능한 파이프라인을 제공하며 MLflow Model Registry + Model Monitoring은 모델 버전, 승인 및 성능/드리프트를 시간에 따라 캡처합니다.

이를 통해 은행은 데이터가 어떻게 흐르고, 모델이 어떻게 구축 및 검증되었으며, 의사 결정에 어떻게 영향을 미쳤는지에 대한 완전하고 재구성 가능한 기록을 확보하여 설명 가능성과 규정 준수를 더 빠르고 안전하며 책임감 있는 AI 배포를 위한 인에이블러로 전환할 수 있습니다.

최종 요약:

은행에는 AI 문제가 아니라 데이터 플랫폼 문제가 있습니다.

개별 솔루션이 초기에는 유망해 보이지만 강력하고 관리되는 데이터 기반 없이는 정체된다는 패턴은 분명합니다. 실제 결과를 보는 기관은 플랫폼에 먼저 투자하여 모든 AI 사용 사례를 더 빠르고, 더 신뢰할 수 있으며, 규제 기관에 방어 가능한 방식으로 배포하는 기관입니다. 플랫폼은 후속 결정이 아니라 시작점입니다.

팀에 다시 가져가서 논의할 만한 질문:

• 단일 관리되는 단일 진실 공급원이 있습니까, 아니면 팀이 서로 다른 데이터 버전을 사용하고 있습니까?
• 운영 중인 모델이 잘못되었음을 얼마나 빨리 감지합니까?
• 오늘날 규제 기관에 AI 기반 의사 결정을 처음부터 끝까지 설명할 수 있습니까?

답변이 명확하지 않다면 다음 투자는 또 다른 사용 사례가 아니라 기반입니다.

• Databricks가 은행이 데이터, 거버넌스 및 AI를 대규모로 통합하는 데 어떻게 도움이 되는지 알아보세요.
• 실제 은행 use cases 및 architectures를 살펴보세요.
• 데이터 플랫폼 전략에 대해 논의할 팀에 문의하세요.

면책 조항: 저희는 CBA Live 2026 샌디에이고에 참석했습니다. 이 게시물의 관찰 내용은 저희가 참석한 세션과 컨퍼런스 전반에 걸쳐 나눈 대화를 바탕으로 한 것입니다.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)