AX는 기술을 들이는 일이 아니라, 현업에 AI를 정착시키는 일입니다

Q1. 분석 컨설턴트에서 카드사 임원으로, 그리고 AIWORKX로의 커리어 여정을 들려주세요.

고객의 요구사항을 듣고 해결을 고민하던 역할에서 그 요구를 하는 조직과 자리에 앉아 보고 알게 된 것.

자기소개를 부탁하자 쑥스럽다며 웃었습니다. 통계학을 전공했고, SAS에서 오랫동안 IT 분석과 데이터 사이언스 컨설팅을 했습니다. 늘 남의 일을 해 주는 컨설팅이 조금 물릴 즈음 한 카드사에서 제안이 왔습니다. 데이터와 AI를 맡는 본부를 새로 만드는데 새 팀을 맡아 줄 수 있겠느냐는 것이었습니다.

“맨날 고객 요구사항을 듣고 어떻게 해결해 주면 좋을지만 생각하다가, 막상 그 입장에 가 보니 왜 그들이 그런 생각과 질문을 했는지 알겠더라고요.”

현업의 자리에서 좀 다른 챌린지가 있었습니다. 레거시 시스템이 안 돼서, 필요한 것이 없어서, 결재 단계에서 막혀서 안 되는 일이 많았습니다. 새로운 걸 해 보자고 하면 ‘이래서 안 된다’는 이야기가 먼저 나왔다고 합니다. 그래도 시도를 멈추지 않았고, 콜센터를 AI로 바꾸는 AICC(AI 컨택센터)도 총괄했습니다.

AIWORKX와의 인연은 AICC솔루션을 검토하는 과정에서 시작됐습니다. 직원들에게 AICC솔루션의 다음 단계가 무엇일지를 물었더니 다들 어려워했습니다. 그래서 이 분야 전문 기업 열 곳을 만나고, 그중 다섯 곳과 세미나를 열었습니다. 그중 하나가 AIWORKX였습니다. 소개를 받아 윤석원 대표와 팀을 만났습니다.

“다른 데서 얘기하는 거하고는 결이 좀 다른 기술과 업무에 대한 대화가 오갔어요. 지금 우리가 ‘일을 하게 하는 AI’, AI that Works를 이야기하는데, 그때도 그런 컨셉이 있었어요. 그게 제일 마음에 들었어요.”

얼마 뒤 윤 대표가 같이 일을 해 보자고 제안했습니다. 금융 산업으로 사업 영역을 확장할 계획을 듣고, 그 일이라면 할 수 있겠다는 생각이 들었다고 합니다. 결정을 굳힌 이유도 더 있었습니다.

“회사와 대표님에 대해 찾아보니 소셜 임팩트에 대한 기사가 아주 많더라고요. 대표님의 가치 기준이 참 마음에 들어서 주신 제안을 바로 수락했어요.”

컨설팅에서 현업으로, 다시 솔루션 기업으로. 당시 주변에서 쉽게 하지 않는 선택처럼 보였습니다.

컨설턴트에서 현업 리더십으로의 경험은 업무를 아는 것도 도움이 되지만 그들의 생각과 입장을 이해할 수 있다는 게 현재 일에 많이 도움이 돼요. 고객에게 이 이력을 이야기하면 동질감을 느끼는 것 같아요.

Q2. 통계, 컨설팅, 금융 현업의 경험은 지금 AIWORKX에서 어떻게 쓰이나요?

좋은 기술도 업무 프로세스 안으로 들어가지 않으면 작동하지 않는다.

통계는 고등학교 수학 교과서 맨 뒤의 ‘확률과 통계’로 처음 만났다고 했습니다. 시험에 딱 두 문제 나오던 단원이었습니다. 전공을 하면서 생각이 바뀌었습니다.

“통계라고 하면 숫자가 엄청 많이 나올 것 같은데, 사실 통계는 과학적 의사결정이에요. 의사결정의 언어라고 표현하는 사람들도 있어요.”

분석 컨설팅에서 배운 것은 그다음 단계였습니다.

“기술이 좋거나 좋은 결과물을 만들어도 실제 업무 프로세스와 연동되지 않으면 제대로 작동하지 않거든요. 결국 업무에서 효과적으로 의사결정을 하게 만들고 그게 업무 성과에 영향을 주는 형식이어야 해요.”

의사결정의 언어, 그리고 그 언어가 프로세스 안으로 스며드는 일. AI가 없던 시절부터 해 온 생각인데, AIWORKX에 와서 여기에 AI가 붙으면서 자연스럽게 이어졌다고 합니다. 금융 현업에서 배운 것은 제약 사항입니다. 금융은 규제 산업이라 금융감독원과 금융위원회의 감독 안에서 움직이고, 망분리라는 큰 산이 있고, 레거시 시스템의 현실적인 제약이 많습니다. 기술은 그 안에서 구현돼야 합니다.

AX사업그룹 본부장을 맡으면서 이 경험들을 한데 섞었습니다. 직원들이 ‘이거 한번 만들어 볼까’ 하던 연구실 같은 모습에서 벗어나, 기업에 팔 수 있고 기업 안에서 실제로 동작하는 제품을 만드는 데 리더십을 모으자는 것이었습니다.

지금까지는 약간 뜬구름 같았다면, 이제는 우리가 기업에 팔 수 있는 제품이어야 하고, 실제로 기업 안에서 동작하는 AI여야 하는 거죠.

그 변화는 하나씩 이뤄지는 중이라고 봅니다. AIWORKX CodeBridge와 AgentRigor™(에이전트리거) 같은 솔루션이 그렇고, 금융 컨설팅 파트너사와 함께 개발한 제품들도 현장 업무 특정 분야에서 실제로 하는 일을 솔루션에 그대로 녹였다는 설명입니다.

Q3. 답하는 AI에서 일하는 AI로 넘어갈 때, 금융 현업에는 무엇이 필요한가요?

같은 일을 많은 사람이 반복하는 일은 IT가 이미 돕고 있다. 해결하고 싶은 영역은 조금씩 다른 종류의 일이다.

9월에는 메타의 Muse(뮤즈), OpenAI의 dots(닷츠)처럼 사람 대신 일해 주는 AI 비서 서비스가 잇달아 출시되었습니다. 답해주는 AI(LLM) 모델에서 일을 대신 처리해 주는 AI로 무게가 옮겨 가는 지금, 금융 현업에는 무엇이 필요할지 물었습니다.

“금융은 보수적이고 규제 산업이라 그 틀을 벗어나면 안 되는 일이거든요. 그러다 보니 사실 수작업이 굉장히 많아요.”

최 본부장은 제조업의 역사에 빗댔습니다. 같은 제품을 대량으로 찍어 내던 소품종 대량 생산의 시기가 있었고 고객 요구에 맞춘 다품종 소량 생산의 시기가 왔습니다. 일도 마찬가지라는 겁니다. 많은 사람이 똑같이 반복하는 일은 이미 IT가 돕고 있지만, 남은 것은 그 다음 영역입니다.

“많은 사람이 하긴 하는데 다 조금씩 하는 일이 달라요. 한 달 내내 하는 일도 아니고 여기서 며칠 하고 저기서 며칠 하고요. 그 많은 일을 다 계속해야 시스템이 운영되거든요.”

인력은 늘지 않는데 그 많은 업무를 다 해내야 하니 정작 자기 업무를 깊이 고민할 시간은 없습니다. 에이전트가 들어갈 자리가 여기입니다. 쳐내야 하는 매뉴얼한 일은 에이전트가 처리하고, 사람은 더 고민하고 판단해야 하는 일에 시간을 사용할 수 있게 됩니다. 금융사의 기업 심사 자동화, 민원 처리, 만기 고객 응대 같은 일이 대표적인 예라고 했습니다.

현업에서 이렇게 얘기해요. 우리는 100가지 일을 조금씩 하느라 다 죽어요.

Q4. 에이전트를 만들기 전에 무엇을 먼저 정해야 하나요?

업무를 정의하고, 실행을 정의하고, 그 위에 에이전트를 만들고 지속 운영, 보완한다.

최 본부장은 기업의 현실적인 목표를 세 단계로 나눴습니다. 그렇게 나눈 이유부터 물었습니다.

“에이전트를 무작정 만들면 진짜로 쓸 수 있는 에이전트가 안 될 가능성이 높거든요. 그래서 일단 업무를 정의하는 게 굉장히 중요해요.”

첫째는 업무의 정의입니다. 어떤 업무를 어떻게 에이전트로 만들 것인지 정하는 일입니다. 둘째는 실행의 정의입니다. 일을 하려면 실행할 수 있어야 하는데, 어떤 레거시 시스템과 연동하고 어떤 외부 API와 연결해야 하는지를 정해야 합니다. 이 두 가지가 바탕이 된 뒤에야 셋째, 실제로 일하는 에이전트를 만들 수 있습니다.

그다음은 사람의 몫입니다. 이 일을 더 잘하려면 무엇을 해야 하는지 고민하는 단계가 온다고 했습니다. 휴머노이드 로봇 아틀라스가 현대차그룹 미국 조지아 공장에서 ‘인턴’처럼 제조 작업을 배우기 시작했다는 소식처럼 사람의 영역은 점점 줄겠지만, AI와 사람이 함께 일하는 모습이 되려면 이 순서가 먼저라는 것입니다.

AI를 많이 쓸수록 오히려 일이 늘었다는 편집부의 경험을 꺼내자 맞다며 고개를 끄덕였습니다. 그러고는 송인혁, 이은영의 책 『나노벤처』 이야기를 꺼냈습니다.

사람의 숫자를 줄이는 다운사이징이 아니라, 한 사람이 수천, 수만 개의 AI 에이전트를 쓰면서 효율이 올라가는 거죠.

Q5. PoC는 많은데, 실제 성공은 왜 5%뿐일까요?

누가 주도하는지, 그리고 성공 기준이 누구의 KPI에 닿아 있는지.

MIT NANDA의 보고서 「The GenAI Divide: State of AI in Business 2025」에 따르면, 기업용 AI 시스템을 검토한 조직은 60%였지만, 파일럿까지 간 곳은 20%, 실제 운영에 이른 곳은 5%였습니다. 공개 사례 300건 이상, 52개 조직 인터뷰, 시니어 리더 153명 설문을 바탕으로 한 보고서입니다. 5%와 나머지를 가른 것이 무엇인지 물었습니다.

첫 번째 답은 주도권이었습니다.

“실제로 쓸 사람이 주도하면 본 프로젝트로 갈 가능성이 높아져요. 그런데 옆에서 지원하는 조직이거나, 조직을 만들었으니 실적이 필요해서 ‘이거 딴 데서 다 했대, 좋대’ 하면서 시작하면 잘 접목이 안 되는 거죠.”

두 번째는 성공 기준입니다. PoC(개념 검증) 결과가 잘 나와도 기준이 ‘잘 돌아가는지, 답변 품질이 좋은지, 정확도가 얼마인지’에 머물면, 현업은 나쁘지 않다고 여길 뿐 실제 사업의 KPI와는 연결하지 못합니다.

“내가 평가받는 건 이 KPI인데, AI Agent를 도입해서 우리 직원들이 편해지면 무슨 도움이 되나 생각하는 거죠. 위에서는 항상 물어봐요. 솔루션을 적용하면 매출이 올라가냐, 비용이 줄어드냐.”

그 언어로 이야기하지 못하면, 사장될 가능성이 높아진다고 생각해요.

성공 기준을 처음부터 현업의 KPI로 정하라는 이야기입니다. 앞서 말한 ‘의사결정의 언어’가 여기서 다시 나왔습니다.

Q6. 규제와 보안이 AX의 장애물이 아니라 진입 요건이라 짚어 주신 이유는 무엇입니까?

AI 기본법과 금감원의 AI RMF로 원칙은 이제 막 자리를 잡기 시작했다. 과제는 그 원칙을 현장에서 쓸 수 있는 방법으로 바꾸는 일이다.

당사의 AgentRigor™를 염두에 둔 말이냐고 질문을 건네자, 물론 그것도 있다며 웃었습니다. 지금의 산업 풍경부터 짚었습니다.

“요즘 에이전트를 정말 많은 곳에서 우후죽순처럼 만들어요. 금방금방 나오니까 막 만들어서 일단 써보고, 기업에서도 플랫폼을 도입해 놓고 한 사람이 자기 업무에 하나씩 만들어 적용하자고 이야기하죠.”

플랫폼을 들였으니 많이 쓰게 하고 싶은 마음은 이해가 간다고. 문제는 그 사이 규제와 보안, 신뢰성이 쉽게 간과된다는 점입니다. 고객을 직접 상대하는 서비스라면 훨씬 더 따지고 살펴봐야 하는데 어떻게 테스트하고 검증해야 하는지조차 모르는 경우가 많습니다.

기준이 없는 것은 아닙니다. 금융감독원은 올해 1월 「금융분야 AI 위험관리 프레임워크(AI RMF)」 초안을 내놓았습니다. 이어 6월 18일 금융위원회가 「금융분야 인공지능 가이드라인」 개정안을 발표했고(6월 22일 시행), AI RMF는 그 거버넌스 원칙을 구체화한 실무 자료로 함께 배포됐습니다. 거버넌스, 위험평가, 위험통제 세 영역으로 AI 위험을 관리하라는 내용입니다.

“위험 요소를 평가하는 기준 같은 가이드라인은 나왔는데, 구체적으로 어떤 식으로 하라는 건 없는 거예요. 그 원칙을 우리가 구체화하고, 그걸 할 수 있는 솔루션을 제공해서 그들이 할 수 있게 돕는 게 우리 역할이 아닌가 생각해요.”

남은 숙제도 솔직하게 말했습니다.

그러면 너희가 진짜 공신력이 있느냐, 너희가 그렇다고 하면 우리가 믿을 수 있느냐. 이게 아직 안 풀리고 있는 거예요.

원칙 수준에서 제시된 기준을 구체적인 결과물로 보여 주고, 그것이 받아들여질 때 공신력이 생긴다고 봤습니다. 지금 그 방법을 찾고 있다고 했습니다.

Q7. 금융 업무를 6단계로 설명하셨어요. AI솔루션으로 고객의 문제를 해결한다는 관점에서 가장 어려웠던 것은 무엇인가요?

어려운 점은 특정 단계가 아니라 그 바탕이었다. 금융사마다 다른 레거시가 있다.

최 본부장은 금융 업무를 영업과 채널, 상담과 지식, 심사와 리스크, 계약과 거래, 고객관리와 민원, 유지와 재거래의 6단계로 나누고 단계마다 에이전트를 적용할 수 있는 지점을 짚어 왔습니다. 그중 가장 어려웠던 단계를 물었더니, 질문의 전제부터 바로잡았습니다.

“6단계가 있다고 해서 1단계는 쉽고 마지막 단계는 어렵다는 의미는 아니에요. 고객이 처음 우리와 관계를 맺는 것부터 관계를 끝낼 때까지의 여정이고, 그 여정에 AI를 적용할 수 있는 포인트가 굉장히 많다는 거였어요.”

어려운 것은 단계가 아니라 그 바탕이었습니다. 사람이 명령을 내리면 에이전트가 응답하고 처리하는 부분은 우리끼리도 만들 수 있습니다. 문제는 레거시 연동입니다.

사무실의 예를 들었습니다. AI가 좋은 안을 만들어 줘도, 그걸로 품의를 올리려면 별도의 품의 시스템에 들어가 내용을 옮겨 적고 결재선을 정하는 일 등은 여전히 사람이 손을 거쳐야 합니다. 연동이 제대로 되면 ‘처리해 줘’ 한마디에 조직도에 맞춰 결재와 회람까지 돌아갑니다.

“모든 금융기관이 레거시 시스템이 다 달라요. 다 똑같으면 하나 만들어서 쭉쭉 찍어 내면 되는데, 한 곳과 연동을 다 끝내도 다른 곳에 가면 그걸 또 해야 돼요. 그 부분이 제일 어려운 것 같더라고요.”

반대로 보면 그래서 우리가 할 일이 있는 것이니 좋은 점이기도 하다고 했습니다. 마케팅팀도 AI로 업무를 자동화하면서 ‘딸깍은 없더라’는 이야기를 하자 이렇게 받았습니다.

“그것만 도입되면 다 될 줄 아는데, 실제로는 그 밑에 백조의 발 같은 어려움이 있는 거죠.”

그래서 AX의 정의로 돌아갔습니다.

“우리가 AX를 현업 업무에서 AI가 동작하게 만드는 일이라고 정의했잖아요. 그러려면 생각이 바뀌어야 하고, 그 바뀐 걸 제대로 정착시켜야 해요. 정말 AX는 변화관리가 핵심인 것 같아요.”

업무를 다시 디자인하고, AI가 잘할 수 있는 방식으로 나의 생각과 행동 방식을 바꾸는 과정이 필요하다는 것입니다. AI가 시키는 일을 하지 말고 AI를 시키라는, 편집부가 처음 AI를 배울 때 들은 조언을 꺼내자 한마디를 보탰습니다.

아는 것과 해 본 것은 달라요. 이렇게 하면 된다는 걸 알고, 옆에서 동료가 하는 것도 봐요. 그런데 실제로 내가 하는 건 두렵거든요. 그래서 해 보는 게 진짜 중요해요.

Q8. AIWORKX CodeBridge는 금융권 IT부서와 현업 사이에서 무엇을 하나요?

기존 복잡한 레거시 코드를 읽고 문제를 해결해주는 데서 시작해, 현업의 요청을 IT 요건으로 옮기고 필요한 시스템 개발 기획으로 넓어지고 있다.

요즘 금융권에서 관심이 많은 CodeBridge를 리더의 언어로 설명해 달라고 부탁드렸습니다. 이름 이야기부터 나왔습니다.

“처음에 이 이름을 듣고 참 잘 지었다고 생각했어요. 연결점이라는 포인트가 정말 좋고, 만들어지고 나서 그게 더 강화됐어요.”

시작은 코드 이해였습니다. 현업이 ‘승인이 나야 하는 건인데 왜 안 났느냐’고 물으면 IT는 코드를 다 열어 봐야 답할 수 있습니다. 자기가 짠 코드가 아니니, 그 로직을 찾아 설명하기까지 2주가 넘게 걸리기도 합니다. CodeBridge는 코드를 한 번에 훑어 그 로직이 어디에 어떻게 있는지 알려 주고, 현업이 물어도 자연어로 답하게 만들고자 하는 데서 출발했습니다.

지금은 시장의 요구가 한 단계 더 나아갔습니다. 현업이 ‘우리 업무가 이렇게 바뀌었으니 이 부분을 고치고 싶다’고 자연어로 말하면, 업무를 깊이 모르는 IT부서는 무슨 기능과 연결이 더 필요한지 짐작하기 어렵습니다. 반대로 현업은 IT가 개발할 수 있는 기술 요건 정의서를 만들 줄 모릅니다. 그 사이를 AI가 잇는 흐름입니다.

“과거에 만들었던 요건 정의서 템플릿을 맥락으로 갖고 있다가, 현업이 자기 말로 이야기하면 AI가 ‘이런 뜻이냐, 이런 부분은 없는데 어떻게 하면 좋겠냐’ 하고 계속 질문하고 확인하면서 현업 요건 정의서를 완결하게 만들어 주는 거예요.”

그다음 순서도 이어서 설명했습니다. 현업 요건을 IT 개발 요건 정의서로 바꾸고, 바꿔야 할 코드 위치를 찾아 리팩토링하고, 테스트 케이스를 만들어 실제로 테스트하고, 다른 곳에 미치는 영향도를 분석하고, 법령과 내부 규정에 어긋나는 것이 없는지 확인한 뒤 실제 업무 시스템에 배포하는 데까지입니다.

그런데 이 제일 첫 번째 단계가 안 되니까, 그 뒤를 시작조차 못하는 거예요.

이 흐름이 아직 다 되는 것은 아니라고 선을 그었습니다. 다만 한 은행과의 PoC에서 전체 흐름의 상당 부분을 실제로 구현해 봤고, 다른 금융사에서도 거의 같은 요구가 나오고 있어 가능성을 확인했다고 했습니다. 이런 요구는 금융사만이 아니라 모든 회사에 있을 거라고 봤습니다. 지금의 CodeBridge 시장이 코드를 만들고 리뷰하는 데 초점이 있다면, 다음은 고객이 필요로 하는 형태로 제품화하고, 고객의 추가 요건을 받아 다시 담는 단계입니다. 문서를 읽는 AI는 규정이 무엇이라 말하는지 알려 주고, CodeBridge는 시스템이 실제로 무엇을 하는지 알려 줍니다.

Q9. 금융 AX를 처음 시작하는 팀은 무엇부터 해야 할까요?

크게 생각하되, 효과가 크고 쉬운 일 하나로 작게 시작한다.

마지막 질문은 이제 막 금융 AX를 시작하는 팀에게 주는 조언이었습니다. 첫 과제를 고르는 기준과 솔루션 파트너를 고르는 기준을 물었습니다.

“Think Big, Start Small이라는 말을 하잖아요. 크게 생각했다고 해서 빅뱅 방식으로 한 번에 하려고 하면 어려움이 너무 많고, 첫발을 잘못 디디면 산으로 가는 경우도 있어요.”

과제는 두 축으로 나눠 보라고 합니다. 구현이 얼마나 쉬운지, 구현됐을 때 파급 효과가 얼마나 큰지. 네 칸 가운데 먼저 할 일은 파급 효과가 크면서 쉬운 일입니다. 핵심은 성공 경험입니다.

이거 정말 나한테 쓸모가 있고 계속 쓰고 싶다는 생각이 드는 걸 하나 만들면, 그다음부터는 줄줄이 이어지는 교두보가 되지 않을까요.

실제로 그런 경험이 있었습니다. 한 금융사가 처음으로 AI 프로젝트를 하면서 AIWORKX와 연결됐고, 3개월짜리 오픈 이노베이션 과제로 작게 시작했습니다. 그 성공 경험이 신뢰가 됐습니다. 궁금한 점이 생기면 AIWORKX에 먼저 물어 조언을 구했고 그 질문에 잘 응대하고 신뢰를 쌓아가면서 다음 프로젝트로 이어졌습니다. 지금은 에이전트가 처음보다 크게 늘면서, 규모가 커질 때를 고려한 구조와 로드맵을 함께 그리는 단계입니다.

파트너를 고르는 기준을 따로 꼽지는 않았지만 답은 그 이야기 안에 있었습니다. 작게 시작한 과제에서 신뢰를 쌓을 수 있는지, 그리고 커질 때까지 함께 설계할 수 있는지입니다.

인터뷰를 마치며

끝으로 오늘 인터뷰가 어땠는지 물었습니다. 인터뷰를 준비하며 생각을 정리한 시간이 고객에게 전할 메시지를 다듬는 데도 도움이 되어 좋았다고 했습니다. 그리고 회사의 말 두 가지를 꼽았습니다.

AX는 현업 업무에 AI를 스며들게 만드는 것, 그 안에서 동작하게 만드는 거예요. 단순히 기술을 도입하는 게 아니라, 현업이 계속 쓸 수 있게 만드는 변화관리를 하는 거죠.

최 본부장은 AX를 ‘AI가 현업 업무에서 동작하게 만드는 일’이라고 정의합니다. 인터뷰를 마치고 나니, 그 문장의 무게가 ‘동작’보다 ‘현업’에 실려 있었다는 것이 보였습니다.