금융 서비스 분야의 인공지능은 빠르게 진화하고 있다. 케임브리지 대학교의 2026 글로벌 금융 서비스 AI 보고서를 위해 조사된 금융 서비스 기업 중 52%가 이미 에이전틱 AI를 도입하고 있다. 그중 29%는 파일럿을 진행 중이며, 23%는 확장 또는 변혁 단계에 도달했다. 어떤 형태로든 AI를 도입한 비율은 81%에 달한다.
이 29%의 격차는 현재 대부분의 컴플라이언스 기능이 위치해 있는 지점이다. 정책을 요약하는 모델은 유용하다. 그러나 동일한 정책을 읽고, 적용되는 검증 프로세스를 점검하며, 대체 구성안을 초안 작성하는 에이전트는 다른 차원의 제안이다. 이는 시스템에 대해 텍스트를 생성하는 것이 아니라 시스템 자체에 작용하기 때문이다.
이러한 변화는 하나의 지배적인 질문을 제기한다: 에이전트가 수행하는 모든 행동이 사전에 승인되고 사후에 재구성될 수 있는가?
컴플라이언스에서 AI 에이전트란 무엇인가?
#AIagent는 모델을 사용하여 정의된 목표를 추구하는 자율 소프트웨어 시스템이다. 공식 OpenAI 문서에서는 에이전트를 "계획을 세우고, 도구를 호출하며, 전문가 간에 협업하고, 다단계 작업을 완료하기에 충분한 상태를 유지하는 애플리케이션"으로 설명한다.
AI 컴플라이언스 에이전트 워크플로우에서 기반 대규모 언어 모델(LLM)은 작업 지침을 해석하고 추론하며, 에이전트 프레임워크와 연결된 컴플라이언스 플랫폼은 데이터, 권한 및 에이전트가 행동할 수 있도록 하는 도구를 제공한다. 에이전트는 자금세탁방지(AML) 정책을 읽고, 요구 사항을 식별하고, 기존 고객 확인(KYC) 프로세스를 점검하고, API를 사용하여 초안 구성을 생성하고, 승인을 위해 결과를 제시할 수 있다.
자율성은 스펙트럼 상에 존재한다. 에이전트는 저위험 단계를 독립적으로 완료할 수 있지만, 라이브 워크플로우 변경, 신청자 거절 또는 규제 보고 제출 전에는 멈출 수 있다.
에이전틱 AI 작동 방식: 에이전트 스킬과 MCP 설명
에이전트가 운영 작업을 신뢰성 있게 완료하려면 언어 모델만으로는 부족하다. 목표, 지침, 관련 시스템 접근 권한 및 허용 범위를 규정하는 규칙이 필요하다.
모델 컨텍스트 프로토콜(MCP)은 AI 애플리케이션을 외부 시스템에 연결하기 위한 개방형 표준이다. MCP 서버는 정의된 입력값을 가진 도구를 노출하여, 에이전트가 허용된 행동을 발견하고, 필요한 인수를 공급하며, 결과를 수신할 수 있게 한다.
MCP가 에이전트를 외부 시스템에 연결하는 동안, 스킬은 작업을 완료하는 데 필요한 절차적 지식을 제공한다. 개방형 에이전트 스킬 사양은 스킬을 지침과 선택적으로 스크립트, 참조 자료 및 기타 리소스를 포함하는 폴더로 설명한다. AI 에이전트 스킬은 에이전트에게 규정을 분석하거나 KYC 워크플로우를 구성하는 방법을 가르칠 수 있다. 스킬과 MCP AI 에이전트는 광범위한 요청을 반복 가능한 워크플로우로 변환할 수 있다.
아래 표는 각 구성 요소의 기능을 설명한다:
챗봇에서 자율 컴플라이언스 에이전트로
전통적인 챗봇은 주로 눈앞의 프롬프트에 응답한다. 규칙을 설명하거나 정책을 요약할 수 있지만, 일반적으로 분석을 행동으로 전환하지는 않는다. 생성형 AI 컴플라이언스 도구는 보고서 초안 작성, 사례 파일 요약, 문서에서 정보 추출 등을 통해 이러한 기능을 확장했다.
대신 에이전트는 행동을 조율한다. 요청은 단계별로 나뉘며, 도구 선택, 결과 검토, 반환된 내용에 따른 다음 단계 조정이 이루어진다. 온보딩 문서에 대해 묻는 경우, 챗봇은 목록을 제시한다. 반면 에이전트는 회사의 현재 검증 프로세스를 열고, 특정 표준 대비 누락된 검사를 찾아내며, 제안된 대체안을 구축하고, 서명을 위해 담당자에게 제시할 수 있다.
컴플라이언스 팀이 AI 에이전트를 채택하는 이유
컴플라이언스 업무에는 상당한 수준의 번역이 필요하다. 법률 용어로 작성된 요구 사항은 운영 규칙이 되고, 다시 플랫폼 설정이 되며, 이는 문서화되고 증거로 입증되어야 한다. 하나의 정책 변경은 여러 제품과 관할 구역에서의 개별 업데이트를 의미하며, 각각 수동으로 처리되고 구현 사항이 서로 달라질 기회가 된다.
에이전트는 요구 사항을 추출하고 전문가가 모든 단계를 다시 입력하지 않고도 정의된 절차를 따를 수 있다. 여기서 진정한 이점은 일관성이다: 다섯 번째 관할 구역이 첫 번째 관할 구역과 동일한 대우를 받는다.
잘못되었을 때의 비용도 같은 방식으로 확대된다. 접근 규칙, 승인 임계값 및 활동 로그는 에이전트의 행동을 이를 승인한 사람에게 귀속시키는 역할을 한다. 이것이 없으면 자동화는 단순히 실수의 속도와 규모만 증가시킨다.
AML 컴플라이언스 및 KYC 워크플로우에서의 AI 에이전트
AML에서, 에이전트는 정책 텍스트를 대시보드에서 출시할 준비가 된 제안된 구성으로 변환하거나, 신청자의 심사 이력을 요약하거나, 조사관이 사건을 열기 전에 필요로 하는 신청자 및 거래 데이터를 수집할 수 있다. 또한 업데이트된 정책을 현재 구성과 비교하여 더 이상 일치하지 않는 통제 항목을 플래그 할 수도 있다.
KYC 업무는 대부분 설정 및 조회로 구성된다: 국가별 또는 위험 등급별 온보딩 프로세스, 설문지, 검증 링크, 신청자 상태 조회 등. 에이전트는 문서, 주소, 생체 인식 및 데이터베이스 검사를 결합한 워크플로우를 순서대로 실행할 수 있다. 실제 검사는 여전히 검증 플랫폼이 수행한다.
고객 거절과 의심스러운 활동 보고서 제출은 본질이 다르다. 나머지 워크플로우가 얼마나 매끄럽게 진행되더라도 두 가지 모두 인간의 승인이 필요하다.
에이전트 운영 컴플라이언스 환경 구축
이 모든 것이 실행되기 전에 두 가지가 준비되어야 한다: 관련 정책에 대한 접근 권한과 플랫폼 설정을 점검하거나 수정할 수 있는 권한. 이후의 순서는 다음과 같다:
- 규정, 위험 평가 또는 내부 정책 등 원본 자료를 공급한다
- 의무 사항, 위험 요인, 점수화 규칙 및 조건부 요구 사항을 추출하되, 모호한 부분은 에이전트가 해결하지 않고 사람이 검토하도록 플래그 한다
- 각 요구 사항을 플랫폼이 실제로 보유한 항목(검증 수준, 설문지, 위험 규칙, 모니터링 통제 또는 워크플로우)에 매핑한다
- 무언가를 구축하기 전에 컴플라이언스 팀이 검토할 수 있는 구성 계획을 수립한다
- 샌드박스 또는 테스트 환경에서 제안된 구성을 구축한다
- 구축된 구성을 원본 정책과 비교한 후, 대표 사례 및 알려진 예외 사항으로 테스트한다
- 승인된 사용자가 배포를 승인하도록 하고, 변경 사항을 기록하며 결과를 모니터링한다
컴플라이언스 작업에 에이전트 스킬 매핑하기
각 AI 에이전트 스킬은 정의된 컴플라이언스 작업에 대응해야 하며, 에이전트가 해당 작업에 접근하는 방식을 안내해야 한다. 정책 분석 스킬은 에이전트에게 문서를 읽고 구성 계획을 생성하도록 지시할 수 있다. 구성 스킬은 샌드박스에서 검증 수준을 생성하는 과정을 안내할 수 있으며, 사례 검토 스킬은 신청자 데이터를 검색하고 분석하는 방법을 개요로 제시할 수 있다.
이 구분은 고객 데이터 접근, 초안 설정 준비, 라이브 통제 변경이 상당한 위험 노출을 초래할 수 있는 금융 서비스 분야의 AI 에이전트에게 중요하다. 스킬 자체는 보안 또는 권한 경계로 취급되어서는 안 된다. 대신, 연결된 플랫폼은 에이전트가 읽거나 수정할 수 있는 것을 강제해야 하며, 라이브 검증 및 모니터링 설정 변경은 적절한 접근 제어 및 승인 메커니즘을 통해 제한되어야 한다.
은행 및 금융 서비스 분야의 AI 에이전트
합리적인 은행 사용 사례에는 정기 KYC 심사를 위한 자료 수집, 모니터링 규칙을 트리거한 거래 조회, 인간이 확인할 규제 보고서 초안 작성이 포함된다.
단편화는 실질적인 장애물이다. 신원 기록은 KYC 플랫폼에, 거래는 결제 또는 핵심 뱅킹 시스템에, 알림은 모니터링 도구에, 조사 노트는 사례 관리 소프트웨어에 흩어져 있다. 2026 케임브리지 보고서에 따르면, 조사 대상 AI 벤더의 46%가 고객 사이트에서 레거시 또는 사일로화된 시스템에 직면했으며, 41%는 데이터 공유 제한을 보고했다.
각 연결은 두 가지 질문에 대한 고유한 답변이 필요하다: 에이전트가 무엇을 읽을 수 있는지, 그리고 무엇을 변경할 수 있는지. 정기 심사는 읽기 중심이다. 에이전트는 검증 상태, 최근 거래, 이전 알림 및 과거 심사 결정을 수집한 후, 집계된 파일을 분석가에게 전달할 수 있다.
AI 위험, 거버넌스 및 인간 감독
에이전트는 정책을 잘못 해석하거나, 요구 사항을 창작하거나, 잘못된 도구를 선택할 수 있다. 문서나 연결된 데이터 소스에 숨겨진 악성 지침은 에이전트의 행동을 조작할 수 있으며, 과도한 권한은 작은 오류가 라이브 구성이나 고객 기록을 변경하게 할 수 있다.
또한 검토자는 에이전트의 출력에 지나치게 의존할 수 있으며, 불완전한 기록은 오류 조사를 어렵게 만들 수 있다. 모델 업데이트는 에이전트의 행동을 변경할 수 있고, 외부 제공업체에 대한 의존은 운영상 위험을 초래할 수 있다.
위험을 완화하기 위해 효과적인 AI 거버넌스 및 컴플라이언스 통제에는 다음이 포함되어야 한다:
- 각 작업에 필요한 정보와 행동으로 접근을 제한하되, 정보 읽기, 초안 생성 및 라이브 설정 변경에 대한 권한을 분리한다
- 승인된 도구와 데이터 소스
- 라이브 시스템에 변경 사항을 적용하기 전 샌드박스 또는 테스트 환경에서의 테스트
- 고객, 위험 임계값 또는 규제 신고에 영향을 미치는 행동, 그리고 요구 사항이 명확하지 않은 경우에 대한 인간 승인
- 주어진 지침, 참조된 소스, 사용된 도구 및 변경 사항에 대한 기록
- 에이전트 또는 외부 제공업체를 사용할 수 없을 경우의 비상 절차
