은행과 봇: 은행 업계 셀프 서비스의 주요 과제

몇 년 전만 해도 은행은 봇 도입에 신중한 입장이었습니다 봇은 사소한 작업만을 수행했고, 대부분의 고객 문의는 여전히 고객 서비스 상담사들에게 전달되었습니다. 봇은 기본적인 질문에 답하거나 단순한 인텐트를 처리하는 데 사용되었습니다. 지금은 상황이 다릅니다. 봇에 대한 은행의 기대가 높아졌으며, 발전된 기술이 이를 뒷받침하고 있습니다. 자연어 이해 (Natural Language Understanding, NLU) 기술과 봇을 사용하여 자동화 기능을 극대화하는 전사적 프로그램을 온전히 구현하려면 수년이 걸립니다. 그러나 결과만 놓고 보면 전사적으로 가치를 극대할 수 있으므로 시도할 만한 이유가 충분합니다. 금융 서비스업(FSI)에서 활용할 수 있는 봇의 5가지 중점 영역을 소개합니다.

2. 봇 처리와 금융 서비스 백엔드 시스템

인텐트를 파악하고 슬롯을 채우는 것은 전반전에 불과합니다. 심지어 이 전반전이 그나마 가장 쉬울 수도 있습니다. 인텐트 처리를 위해 봇을 백엔드 시스템에 연결시키려 한다면 특히 그렇습니다. 고객이 당좌 예금 계좌에서 저축 예금 계좌로 자금을 이체하려는 경우를 상상해 보십시오. 고객이 특정 금액을 이체하고 싶어한다는 점과 이체와 관계된 모든 세부 사항을 파악하면, 인텐트를 인식하고 슬롯을 채워야 하는 과제는 끝이 납니다. 그러나 아직 봇의 업무는 끝나지 않았습니다. 해당 요청을 실제로 처리해야 합니다. 즉, 인텐트를 실행하려면 금융 서비스 백엔드 시스템과의 연동이 필요합니다. 그리고 무엇보다도 시스템 인터페이스가 보안 규정 및 통신 프로토콜을 준수하도록 하는 것이 핵심 과제입니다. 프로세스를 단순화하면 이를 해결할 수 있습니다. 일부 기업은 여러 백엔드 시스템과 인터페이스를 통합하여 사실상 통신 중개인 역할을 하고 있습니다. 다시 말해 봇은 서로 다른 10가지 시스템과 통신할 필요가 없습니다.

3. 데이터 보안, 개인 정보 보호, 규정 준수

많은 사람이 FAQ, 컨시어지 봇을 통해 봇으로의 여정을 시작하고 있습니다. 그러나 은행의 보안 수준이 상대적으로 높기 때문에 트랜잭션 봇은 사실상 문제가 됩니다. 그리고 이러한 트랜잭션 봇을 신속하게 양산할 수 있는 해결책도 없습니다. 하지만 방법이 없는 것만은 아닙니다. 먼저, 모든 인텐트를 식별 및 검증(ID/V)이 필요한 것과 그렇지 않은 것으로 구분합니다. 그러면 봇 에코시스템 내에서 준수해야 하는 보안 프로필이 명확해집니다.

그 다음으로, 슬롯을 채우거나 봇이 전달하는 정보 유형을 분류하여, PCI 규정 준수 및 데이터 개인 정보 보호 규정 관점에서 필요한 요구사항을 판단합니다. 마지막으로, 인텐트 처리를 위해 활용할 모든 시스템을 식별하고 이를 보안/리스크 관점에서 분류합니다. 이러한 정보를 미리 수집하면 보안 및 규정 준수 팀과 필요한 논의를 진행할 수 있습니다. 기업은 이러한 팀이 파트너가 되어주기를 원합니다. 또한 이 팀에게는 허용되는 사항에 대한 최종 권한도 부여해야 합니다. 대대적인 계획을 마련하기 전에 미리 철저히 준비하여 이들과 상담 프로세스를 시작하면 됩니다.

4. 모델 리스크 거버넌스 탐색

은행은 오랫동안 사업 운영에서 복잡한 모델과 데이터 과학을 사용해 왔습니다. 모델 리스크 거버넌스(Model risk governance)는 은행이 대출을 제공할 때, 그 리스크를 평가하기 위해 최초로 인공 지능(AI) 알고리즘을 사용하기 시작한 수년 전부터 대두되었습니다. 알고리즘이 제대로 작동하지 않는다면, 은행이 위험에 처하게되는 의도치 않은 결과를 낳을 수 있습니다. 오늘날 모델 리스크 거버넌스는 엄격한 게이트 제어를 수반하는 공식 프로세스로 간주됩니다.

AI 알고리즘(모든 유형의 AI 툴 또는, 머신 러닝 알고리즘)이 제안될 때 은행은 구체적이고 복잡한 프로세스를 사용하여 스스로를 보호해야 합니다. 예를 들어, 6개월 내에 완료하려는 프로젝트가 있다면 사내 모델 리스크 거버넌스 팀과 가급적 빨리 상담하는 것이 좋습니다. 그리고 프로세스가 얼마나 오래 걸리는지 확인해야 하고, 이를 프로젝트 일정표에 반영해야 합니다. 기존에는 모델 리스크 거버넌스에서는 봇을 고려하지 않았습니다. 그러나 오늘날, AI 모델을 사용하는 봇과 모든 서비스에서 고려되고 있습니다. 계산, 예측, 분석을 수행하는 프로세스나 시스템은 모델로 분류할 수 있습니다. 즉 기업은 이러한 프로세스를 탐색하고 모델 리스크 거버넌스 팀에 필요한 모든 정보를 제공할 책임을 집니다. 이러한 정보에는 튜닝, 테스트 및 품질 보증 프로세스, 데이터 출처 정보, 데이터 정리 프로세스, 모델 내에서 불공정하거나 비윤리적인 편향의 위험을 제거하는 방법에 대한 자세한 프로세스 등이 포함될 수 있습니다.

5. 시작하는 방법

모든 과제를 고려할 때 어디서 시작해야 할지, 어떻게 최종 상태로 나아가야 할지 궁금할 것입니다. 정답은 절호의 개선 기회가 있는 사업 단위부터 시작하는 것이 가장 좋습니다. 예를 들어, 대형 은행의 보험 사업부는 첨단 기술이 부족한 경우가 많습니다. 기본적인 정보를 공유하거나 인터랙션을 더욱 효과적으로 전달하는 봇을 추가하면, 고객 경험을 간소화하고 상담사를 반복적인 업무에서 해방시킬 수 있습니다. 이러한 유형의 단순한 FAQ 봇은 트랜잭션 방식은 아니며, 고객이 자주 묻는 질문을 훨씬 더 정교한 방식으로 탐색하는 데 도움이 됩니다. 아울러, 이 봇은 인간 상담사에게 문의를 인계해야 하는 상황에서 필요한 맥락을 함께 전달할 수 있습니다. 상대적으로 위험이 낮고 성공률이 높은 영역에서 대대적으로 트랜잭션 봇을 기획해 보시기 바랍니다. 트랜잭션 봇의 영역으로 들어서면 성공을 거머쥘 수 있습니다. ‘2단계’가 완료되면, 비교적 까다롭거나 상대적으로 위험도가 높은 서비스에 봇을 배포하기 위한 평가를 수행하는 데 필요한 경험을 얻을 수 있게 될 것입니다.

견실한 전략으로 리스크 극복 

금융 서비스업은 까다롭습니다. 규제가 아주 많으며, 굉장히 보수적이고, 위험을 꺼립니다. 그럼에도 봇 기반 자동화에 따른 비즈니스 이점은 결코 간과할 수 없습니다. 얼리 어답터들이 이를 입증했으며, 이들의 성공으로 더 많은 금융 서비스업에서 이를 도입하고 있습니다. 그러나 진정한 성공은 산업 특화된 과제를 해결하기 위한 견실한 전략을 마련하는 데 있습니다.