마이애미 Sibos에서 꼭 던져봐야 할 AI, 거버넌스, 데이터, 비용 관련 질문들
작성자: Junta Nakai, 에린 버틀러, Roshni Joshi, Antoine Amend, 제니퍼 밀러, Andrea DeSosa, Rajaram Suresh, 김 해튼, Naeem Rehman, Spencer Cook, Ed Bullen , Felix Mutzl
작년 프랑크푸르트 Sibos에서의 화두는 AI가 실제로 작동하는지 여부였습니다. 올해는 다음과 같습니다. 여러분의 AI는 신뢰를 얻을 수 있습니까?
데이터가 이러한 변화를 뒷받침합니다. Grant Thornton의 2026년 은행 인사이트 AI 영향 설문조사(Banking Insights AI Impact Survey)에 따르면, 은행 임원의 절반이 거버넌스와 컴플라이언스가 이미 AI 성능을 제한하고 있다고 답했습니다. 하지만 자신의 AI 통제에 대한 독립적인 감사를 통과할 자신감이 있다고 답한 비율은 18%에 불과했습니다. Economist Enterprise와 함께 진행한 자체 연구인 2026년 보고서 Making AI Deliver에서도 특히 에이전트형 AI(agentic AI)와 관련해 유사한 격차가 발견되었습니다. 자율형 시스템에 대한 거버넌스 프레임워크를 공식적으로 의무화한 조직은 절반 미만이었습니다.
이는 CFO, 컴플라이언스 책임자, 자금 관리 리드, 관계 관리자들로부터 가장 많이 듣는 다섯 가지 질문입니다. 올해 Sibos에 참석하지 않더라도 한 번쯤 자문해 볼 가치가 있는 질문들입니다.
"현재 모든 법인과 통화에 걸친 실제 유동성 포지션은 어떻게 되는가?" 이는 자금 담당자가 매일 던지는 질문입니다. 3일 동안 스프레드시트와 씨름하지 않고도 AI가 마침내 답을 제시해야 하는 질문이기도 합니다.
모델이 보고서를 요약하도록 만드는 것은 간단합니다. 더 어려운 부분은 재무 팀이 대차대조표, 유동성, 지출, 운영 전반에 걸쳐 매일 내리는 의사 결정에 거버넌스가 적용된 데이터와 AI를 반영하는 것입니다. 목표는 팀이 변화를 감지하고, 그 변화의 원인을 조사하며, 단순히 보고 주기를 자동화하는 것 이상의 역할을 하도록 돕는 것입니다.
마이 애미 Sibos의 Databricks 부스(#DISL25)에서 AI로 해방된 유휴 자본: 규제 기관이 감사할 수 있는 대조 작업 세션을 진행합니다. 이 세션에서는 위험가중자산을 보이지 않게 부풀리는 GL-to-Risk 데이터 오류를 찾아내고, 인용된 증거를 바탕으로 이를 조사하며, 사람이 직접 검토하고 제어하는(maker-checker) 환경과 검사관이 실제로 추적할 수 있는 감사 추적을 통해 묶여 있던 규제 자본을 확보하는 방법을 알아봅니다.
자금 이동 이후에 일어나는 일에 대해서도 자세히 알아봅니다. 토큰화된 결제 레일이 문제의 일부를 해결하지만, 대조 작업, 금융 범죄 통제, 일중 유동성 관리는 여전히 오프체인에서 이루어져야 합니다. 라이트닝 토크 세션인 토큰화가 돈을 움직였지만, 어려운 부분까지 해결하진 못했습니다에서는 토큰 포지션, 예치금 보조 장부, 자금 조달 계좌를 지속적으로 일치시키기 위한 운영 모델을 살펴봅니다. 또한 토큰화된 예치금 대조 제어 플레인의 라이브 데모도 확인하실 수 있습니다.
"이 경고가 실제 위험일까, 아니면 단순한 노이즈일까?" 이는 AML 분석가가 하루에도 수십 번씩 던지는 질문이며, 실제로 도움이 되는 AI와 아무도 신뢰하지 않는 시스템을 하나 더 늘릴 뿐인 AI를 구분하는 기준이 됩니다.
AI는 사건을 조사하고, 맥락을 연결하며, 분석가의 의사 결정을 지원할 수 있습니다. 하지만 모든 추천에는 추적 가능한 출처가 필요합니다. 어떤 데이터가 입력되었는지, 무엇을 추천했는지, 사람이 결과를 검토했는지, 그리고 기관이 감사나 규제 검토를 위해 조사를 재구성할 수 있는지 등이 명확해야 합니다. 거버넌스는 정책 문서에만 존재해서는 안 됩니다. 데이터, 액세스 제어, 워크플로 자체에 내장되어야 합니다.
부스에서 이에 대한 라이브 데모를 진행할 예정입니다. 은행 자체 레이크하우스에서 실제 AML 경고를 처리하는 에이전트가 분석가에게 허용된 데이터만 보도록 제한된 환경을 보여줍니다. 이 에이전트는 SAR 초안을 작성하고 최종 제출은 사람에게 맡기며, 모든 단계는 KYC/AML 증거 및 실행된 모델과 연계되어 기록됩니다. 이는 10월 1일 목요일 오전 11시에 진행되는 Discover Stage 세션인 금융 기관이 금융 범죄 운영에서 AI를 거버넌스하는 방법에서 다룰 내용이기도 합니다. 이 세션에서는 AI가 무엇을 할 수 있는지가 아니라 실제로 무엇을 했는지 증명하는 방법을 보여줍니다.
"이 고객이 지금 우리에게 진짜로 필요한 것은 무엇일까?" 모든 관계 관리자는 전화를 걸기 전에 이와 유사한 질문을 스스로에게 던집니다. 그리고 이에 대한 솔직한 답변은 대개 3개의 시스템에 흩어져 있는 데이터와 읽을 시간이 없었던 리서치 폴더에 달려 있습니다.
RBC Brewin Dolphin은 생성형 AI를 사용하여 고객 검토 회의 자료 준비를 자동화함으로써 연간 약 4,700시간을 절약하고 있습니다. 다른 기업들은 여기서 한 걸음 더 나아가고 있습니다. 한 글로벌 자산운용사에서는 멀 티 에이전트 워크플로가 수백 개의 펀드에 대한 투자 논평을 생성하여 컴플라이언스를 준수하면서도 자문가의 업무 범위를 넓히고 있습니다. 또 다른 곳에서는 에이전트가 자체 펀드 평가 점수와 내부 문서를 결합하여 감사가 가능한 포트폴리오 분석을 단 몇 초 만에 생성함으로써, 팀이 미처 발견할 시간이 없었던 기회를 찾아내고 있습니다.
목표는 가치가 높은 의사 결정에서 사람을 배제하는 것이 아닙니다. 의사 결정에 수반되는 부수적인 업무를 줄여 판단과 고객 관계 자체에 더 많은 시간을 할애할 수 있도록 돕는 것입니다.
"정상적인 거래를 왜 방금 거절했습니까?" 이는 위험 의사 결정이 밀리초 단위가 아닌 몇 분 전 데이터를 기준으로 실행될 때 트랜잭션 뱅킹 책임자가 던지는 질문입니다.
대부분의 기관은 이미 데이터를 보유하고 있습니다. 다만 여러 시스템에 분산되어 있거나, 배치 프로세스로 인해 지연되거나, 거버넌스가 적용된 방식으로 사용하기 어려울 뿐입니다. Coinbase는 Databricks에서 100ms 미만의 P99 지연 시간으로 실시간 사기 탐지를 실행하고 있으며, 이는 진정한 '실시간'이 의미해야 하는 바를 보여주는 유용한 벤치마크입니다.
AI 경제성은 파일럿 단계에서는 관리 가능한 것처럼 보이지만, 프로덕션 단계에서는 완전히 달라집니다. 최근 Bloomberg CFO 브리핑에서 한 CFO는 모든 작업에 가장 비싼 모델이 필요한 것은 아니라고 언급하며, 2026년 상반기 AI 토큰 비용을 "사소한 금액"이라고 불렀습니다. 하지만 해당 은행을 비롯해 그 어디에서도 이 비용이 계속 사소한 수준으로 유지되지는 않을 것입니다. 비용 규율은 지출을 추적하기 어려워진 후가 아니라, 그 전에 시작되어야 합니다.
엔지니어링 팀이 이 문제를 어떻게 해결하고 있는지 자세히 알아보려면 Databricks의 블로그 포스트인 대규모 AI 코딩 비용 관리를 참조하세요. 이 포스트에서는 모델 라우팅부터 지출 가시성에 이르기까지 AI 비용이 창출하는 가치를 초과하지 않도록 통제하는 다양한 수단을 자세히 설명합니다.
여러분의 팀이 이미 이러한 논의를 진행하고 있다면, 직접 만나서 이야기를 나누고 싶습니다. Databricks는 9월 28일부터 10월 1일까지 마이애미에서 열리는 Sibos 2026에 참가합니다. 전체 아젠다를 확인하고 미팅을 예약하려면 sibos@databricks.com으로 이메일을 보내시거나 이벤트 페이지를 방문해 주세요.
(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)
블로그를 구독하고 최신 게시물을 이메일로 받아보세요.