황인훈, Agentic AI와 은행

6월 1일, 황인훈은 타이베이 GTC 컨퍼런스에서 한 마디로 AI 업계의 다음 장을 예고했습니다: 실용적인지능체의 시대가 이미 도래했다.

그의 관점에서 인공지능은 단순한 질의응답을 하는 대규모 언어 모델 단계를 넘어, 스스로 관찰하고, 추론하며, 계획을 세우고 도구를 호출할 수 있는 에이전트형 AI(Agentic AI) 시대에 접어들었다.

과거에는, 우리는 운영 체제에서 소프트웨어를 열고, 클릭하고, 입력하는 데 익숙했습니다. 미래에는 사람이 의도를 표현하기만 하면, 지능체가 모델, 프레임워크, 기억, 도구 및 런타임을 통해 스스로 작업을 분해하고, 자원을 배정하며, 결과를 완성할 것입니다.

이것이 은행에 충격을 줄까요?

만약 그렇다면, 문제는 “은행이 대규모 모델을 사용할지 여부”가 아니라 더 근본적인 문제에 있습니다: 만약 지능형 에이전트가 사람들이 다양한 서비스를 호출하는 기본 방식이 된다면, 은행과 고객 사이의 진입점은 재분배될까요?

은행 서비스의 최종 목적지는 물론 사람입니다. 기술이 어떻게 변하든, 계좌, 결제, 신용, 자산 관리, 리스크 관리와 같은 금융 역량은 결국 실제 고객의 요구를 충족시켜야 합니다. 하지만 사람이 은행에 도달하는 경로는 더 이상 주머니에서 휴대폰을 꺼내어 특정 은행 앱 아이콘을 탭한 뒤, 층층이 기능을 찾아가는 방식이 아닐 수도 있습니다.

미래에는, 한 사용자가 자신의 AI 에이전트에게 단지 “이번 달 돈을 어떻게 관리해야 할지 좀 봐줘”라고 말할 수도 있습니다. 한 기업주는 재무 AI 에이전트에게 “ 다음 주에 대금 지급이 있는데, 비용이 가장 낮은 단기 자금 조달 방안을 찾아줘.”라고 말할 수도 있습니다.

이때, 은행이 여전히 고객 앞에 존재할 수 있을지는 아마도 챗봇이 은행을 이해하고, 호출하며, 신뢰할 수 있는지에 달려 있을 것입니다.

지능형 에이전트는 챗봇이 아닙니다새로운 금융 진입점입니다

지능형 에이전트를 “더 똑똑한 고객 서비스”나 “대화할 줄 아는 재무 상담사”로 이해하는 것은 사실 AI의 능력을 과소평가하는 것입니다.

황인훈은 연설에서 지능체는 단일한 대규모 모델이 아니라, 실행 프레임워크, 작업 기억, 장기 기억 및 툴체인이 함께 구성하는 복잡한 시스템이라고 강조했다. 이는 특정 상호작용 단계가 아니라 “요구 사항 이해—작업 분해—도구 호출—결과 도출”이라는 전체 프로세스를 담당합니다.

이러한 패러다임 전환은 은행에 어떤 의미를 가질까요?

지난 10년 동안 은행업의 디지털화 경쟁의 주 무대는 사실 앱이었다. 누구의 인터페이스가 더 친숙하고, 누구의 절차가 더 짧으며, 누구의 온라인 계좌 개설 과정이 클릭 횟수가 적고, 누구의 자산 관리 채널이 더 풍부한지가, 고객을 자신의 시스템에 더 쉽게 묶어둘 수 있는지를 결정했다. 모바일 뱅킹은 거의 은행이 고객을 서비스하는 ‘프론트 데스크’가 되었다.

하지만 앞으로 사용자가 더 이상 은행 앱을 직접 열지 않고, 대신 휴대폰 속 AI에게 이렇게 말한다면: “어느 신용카드가 가장 이득인지 비교해 줘”, “이번 달 여유 자금은 주택담보대출 상환에 쓸까, 아니면 금융상품에 투자할까”, “회사 계좌에 있는 현금으로 다음 주에 대금을 지급해야 하는데, 더 나은 단기 자금 조달 방안이 있을까”라고 말한다면, 은행과 고객 사이의 접점은 은행 앱에서 챗봇으로 옮겨갈 것이다.

황인훈은 2026년 초 몇 달 동안, GitHub의 코드 커밋량이 거의 3배로 증가했다고 언급했습니다. 전 세계 수천만 명의 개발자가 챗봇을 활용해 코드를 작성하고, 수정하며, 도구를 테스트하기 시작했기 때문입니다.

이와 같은 논리는 금융 분야로도 확산될 것입니다. 오늘은 프로그래머가 에이전트를 개발 보조 도구로 사용하지만, 내일은 개인 고객이 에이전트를 가정 재무 관리자로, 기업의 CFO가 에이전트를 현금 흐름 관리 보조 도구로 사용할 수도 있습니다. 그때가 되면 은행의 경쟁자는 반드시 다른 은행의 앱이 아니라, 사용자가 기본적으로 사용하는 에이전트 플랫폼일 수도 있습니다.

이는 매우 현실적인 문제를 야기할 것입니다. 만약 은행의 계좌, 신용, 결제, 자산 운용 기능이 이러한 AI 에이전트에 의해 인식되고 호출될 수 없다면, 은행은 고객 의사결정 사슬에서 뒤처질 수 있습니다. 고객은 더 이상 은행의 자체 입구에서 시작하지 않고, 먼저 AI 에이전트를 통해 비교, 선별, 판단을 완료할 수도 있습니다.

이는 오늘날 많은 사용자가 특정 서비스 앱을 직접 실행하는 일이 거의 없고, 대신 검색, 지도, 결제 플랫폼, 생활 서비스 플랫폼을 통해 의사결정을 내리는 것과 같습니다. 서비스는 여전히 존재하지만, 진입점이 바뀌었고, 이에 따라 트래픽과 가격 결정권도 변화하고 있습니다.

은행은 “앱 개발” 에서 “호출 가능한 금융 역량을 구축하는 것”으로

미래에 진입점이 바뀐다면, 은행은 어떻게 해야 할까?

지능형 에이전트를 서비스해야 할까? 그건 좀 본말전도인 셈이다. 은행의 궁극적인 고객은 언제나 사람이며, 지능형 에이전트는 단지 새로운 대리 중개자일 뿐이다. 진정으로 고민해야 할 점은, 고객이 지능형 에이전트를 통해 금융 세계에 접근할 때, 은행의 핵심 역량이 이 새로운 경로에 안전하고, 규정을 준수하며, 효율적으로 통합될 수 있는지 여부다.

황인훈은 연설에서 매우 중요한 판단을 내렸습니다. 소프트웨어 회사는 챗봇 때문에 사라지지 않을 것이며, 오히려 챗봇이 도구를 대량으로 호출함에 따라 새로운 기회를 맞이할 것이라고 말입니다. 전제는 소프트웨어가 챗봇이 호출할 수 있는 방식으로 제공되어야 한다는 것입니다.

이 논리를 은행업에 적용하면 다음과 같습니다: 송금, 신용 한도 부여, 자산 운용, 결제, 외환 헤지, 현금 관리 등, 이러한 기능들은 단순히 앱 내 제품 페이지에 머물러서는 안 되며, AI 에이전트가 식별하고, 호출하며, 감사할 수 있는 표준화된 도구로 패키징되어야 한다.

자산 관리 서비스를 예로 들어보겠습니다. 앞으로 사용자는 은행 상담원에게 “이 상품의 수익률은 얼마인가요?”라고 묻지 않고, 직접 AI 에이전트에게 “ 지금 제가 어떤 상품을 사는 게 좋을까요?”라고 물을 것입니다. AI 에이전트는 사용자의 소득, 지출, 부채, 현금 흐름, 위험 선호도 및 기존 보유 포지션을 바탕으로 은행, 상품, 만기를 넘나들며 비교하고 추천할 것입니다. 이때 은행이 이 의사결정 체인에 진입할 수 있는지는 제품 데이터, 위험 등급, 수수료 정보, 환매 규정, 수익 성과 등이 AI 에이전트에 의해 정확하게 읽히고 비교될 수 있는지에 달려 있습니다.

그리고 바로 이 부분이 가장 민감한 부분이기도 하다. 적합성 관리, 오도 판매, 책임 소재 등 모든 단계가 규제 당국의 감시를 받는 칼날 위를 걷는 것과 같다. 은행이 해야 할 일은 단순히 AI가 상품을 추천하게 하는 것이 아니라, 설명 가능하고, 기록이 남으며, 책임 소재를 규명할 수 있는 스마트 투자 자문 프로세스를 구축하는 것입니다. AI는 분석과 제안에 참여할 수 있지만, 고객이 최종적으로 왜 구매했는지, 위험에 대해 명확히 설명했는지, 위험 등급에 부합하는지, 완전한 기록이 남았는지 등은 모두 규정 준수 프레임워크에 포함되어야 합니다.

물론, 은행 자체도 이미 AI 에이전트를 도입하고 있다.

중국공상은행(ICBC)의 '공인지용(工银智涌)' 대규모 모델 플랫폼을 기반으로 구현된 다양한 AI 에이전트부터, 중국招商은행(CMB)의 연구개발용 AI 에이전트 DevAgent까지; 중국건설은행(CCB)의 '신용 승인 전 과정 AI 적용'부터, 중국우정저축은행(PSBC)의 통화시장 거래 로봇 '우샤오주(邮小助)'에 이르기까지— —지능형 에이전트는 은행 내부에서 '디지털 동료' 역할을 하고 있습니다. 이러한 애플리케이션은 연구 개발, 승인, 거래, 고객 서비스, 리스크 관리의 효율성을 높여주기 때문에 매우 중요합니다.

하지만 냉정하게 볼 때, 이는 여전히 '내부 효율성 제고'의 범주에 속합니다. 반면 '호출 가능한 금융 역량 구축'은 본질적으로 은행의 핵심 업무 역량을분리하고, 캡슐화하여, 외부에서 안전하게 호출할 수 있는 표준화된 모듈로 전환하는 것이다. 이는 바로 진입점이 AI에 의해 재구성된 후, 은행이 고객 의사결정 체인의 하층부에 계속 확고히 자리 잡을 수 있는지의 핵심이다.

진정한 장벽은 인터페이스가 아닌 기반층에 있다

가정: 은행이 “AI 에이전트에 의해 호출되는 것”을 실현하려면, 이를 실현하는 토대는 프런트엔드의 채팅 창이 아니라 일련의 AI 에이전트 인프라 구축에 있다.

첫 번째 장벽은 데이터입니다.

황인훈은 연설에서 에이전트의 기억 시스템에 대해 언급하며 “에이전트는 작업 기억이라 불리는 단기 기억과 장기 기억을 처리합니다. 우리 인간과 마찬가지로 에이전트도 장기 기억을 가지고 있습니다. 따라서 메모리 관리 시스템은 매우 중요합니다.”라고 말했습니다.

은행의 경우, 이는 고객 데이터, 거래 데이터, 상품 데이터, 리스크 데이터, 외부 데이터가 부서 간 장벽을 허물고 통합 거버넌스, 권한 분리 및 실시간 호출을 실현해야 함을 의미합니다. 만약 데이터가 여전히 코어 시스템, 신용 시스템, CRM 시스템 및 각종 엑셀 시트에 흩어져 있다면, 지능형 에이전트는 효과적인 장기 기억을 형성할 수 없으며, 고객을 위한 연속적이고 완전한 재무 계획을 수립하는 것은 더더욱 불가능합니다.

두 번째 관문은 보안샌드박스및 권한 제어입니다.

은행은 AI가 고객을 대신해 모든 고위험 거래를 직접 수행하도록 할 수 없습니다. 이를 위해서는 계층적 권한 부여 메커니즘이 필요합니다: 잔액 조회는 자동으로 처리되고, 명세서 정리는 자동으로 처리될 수 있지만, 송금은 반드시 2차 확인이 필요하며, 투자 거래는 적합성 검증을 거쳐야 하고, 대규모 자금 조달 및 복잡한 거래는 수동 검토를 거쳐야 합니다.

AI 에이전트의 운영에는 보안 컨테이너와 프레임워크가 필요합니다. 은행은 또한 자체적인 금융 등급 보안 샌드박스가 필요합니다. 이는 봇의 진입을 거부하는 것이 아니라, 봇이 통제된 경계 내에서 활동하도록 보장하고, 모든 단계가 감사, 추적 및 책임 추궁이 가능하도록 하는 것입니다.

세 번째 관문은 연산 능력과 비용 구조입니다.

황인훈은 “연산 능력은 곧 수익이다”, “토큰은 이익 단위다”라고 거듭 강조했는데, 이는 본질적으로 지능체 시대의 비용 논리가 바뀌었다는 것을 의미한다. 은행에게 있어 AI는 더 이상 매년 일회성으로 투입되는 기술 예산이 아니라, 연산 능력, 모델, 데이터 및 보안 자원을 지속적으로 소비하는 생산 시스템이 될 것입니다.

고객 상담, 상품 비교, 리스크 관리 분석, 투자 자문 및 계약 검토의 모든 과정 뒤에는 토큰이 소비되고 있습니다. 은행들이 경쟁하는 것은 더 이상 “AI가 있느냐 없느냐”가 아니라, 더 낮은 컴퓨팅 비용으로 더 빈번하고, 더 안정적이며, 더 안전한 지능형 에이전트 호출을 지원할 수 있느냐입니다.

마지막 관문은 모델 거버넌스와 책임의 경계입니다.

AI가 잘못된 제안을 하면 누가 책임을 지나? 오판된 리스크는 누가 책임지나? 고객 권한 부여의 경계는 어디인가? 모델 출력은 어떻게 기록되나? 감독은 어떻게 점검하나? 이 질문들에 대한 정답은 없지만, 그 답이 은행 AI가 시연실에서 실제 운영 환경으로 나아갈 수 있을지 여부를 결정한다. 결국 은행은 평범한 소프트웨어 회사가 아니며, 은행의 모든 ‘도구 호출’ 뒤에는 실제 자금, 실제 신용, 그리고 실제 위험이 존재한다.

인터페이스는 금방 만들 수 있지만, 기반이 진정한 분수령이다.

결론

황인훈은 연설에서 이렇게 말했다. “과거 우리는 애플리케이션을 실행하고, 클릭하고, 입력하는 데 익숙했지만, 이제는 그 대신 AI에게 우리의 요구와 의도를 설명하고, AI가 코드를 생성하거나 도구를 사용하여 필요한 결과를 산출하게 한다. 이것이 바로 미래 컴퓨터의 작동 방식이며, 이것이 바로 에이전틱 AI다. ”

은행업의 경우, ‘은행이 에이전트를 서비스해야 한다’는 것이 아니라, 은행이 에이전트가 주도하는 세상에서 사람을 서비스하는 방식을 다시 찾아야 한다는 것입니다.

은행은 사라지지 않을 것입니다. 금융의 본질은 여전히 존재하며, 신용 중개, 위험 가격 책정, 자금 조달, 결제 청산 등은 모두 인가받은 기관이 담당해야 하며, 어떤 에이전트도 무작정 대체할 수 있는 것이 아닙니다.

하지만 은행과 고객 간의 상호작용 방식은 재편될 것입니다. 지능체는 은행의 고객은 아니지만, 미래에는 고객이 은행에 도달하는 관문이 될 수도 있습니다.