사기 경고를 85% 줄였더니 고객 손실도 줄었다: Bank of Ireland의 AI 도입
AI 사기 탐지는 고객의 실제 손실을 줄일 수 있을까요? Bank of Ireland는 2024년부터 행동 패턴을 학습하는 AI를 결제 사기 탐지에 적용해 고객의 사기손실을 25% 줄였습니다. 시도된 사기는 30% 감소했고, 조사해야 할 경고는 85%, 오탐은 87.1% 줄었습니다.
이 사례는 탐지 정확도라는 기술지표를 넘어 실제 금전 손실과 운영비가 함께 개선됐다는 점에서 주목할 만합니다. 정상 결제를 막는 일도 줄었고 사건 처리시간은 절반이 됐습니다. 사기 탐지 AI의 성공은 더 많은 거래를 막는 것이 아니라 피해를 줄이면서 정상 고객의 마찰도 낮추는 데 있습니다.
Bank of Ireland의 사기 탐지 성과
은행은 Featurespace의 AI·머신러닝 기술을 이용해 고객 계좌가 평소 어떻게 사용되는지 학습하고, 결제가 실행되기 전에 비정상 행동을 식별했습니다.
고객의 실제 결제 사기손실: 25% 감소
시도된 결제 사기: 30% 감소
사건 처리시간: 50% 단축
오탐: 87.1% 감소
조사 경고량: 85% 감소
정상 거래 고객의 비대면 확인: 90%
성과는 Bank of Ireland가 내부 데이터를 바탕으로 공개한 2026년 공식 발표에서 확인할 수 있습니다.
별도의 2025년 카드 사기 운영 발표에서 Bank of Ireland는 AI로 약 10억 건의 카드 거래를 평가해 잠재 손실 970만 유로를 막았다고 밝혔습니다. 이는 결제 사기 경고 85% 감소와는 대상·분모가 다른 보조 지표이므로 합산해서는 안 됩니다.
규칙이 아니라 고객의 평소 행동을 본 이유
전통적 사기 탐지는 거래금액, 국가, 시간대 같은 고정 조건을 사용합니다. 그러나 같은 300만 원 송금이라도 매달 해외 공급업체에 돈을 보내는 사업자와 평소 소액 결제만 하던 개인에게 의미가 다릅니다. 사기범도 은행의 규칙을 피하기 위해 금액과 횟수를 바꿉니다.
행동 기반 AI는 고객별 평소 거래 패턴을 기준으로 갑작스러운 변화를 찾습니다. 접속 방식, 수취인 관계, 금액과 시간, 연속 행동을 함께 비교해 개별 규칙에서는 보이지 않는 이상을 감지합니다. 새로운 유형의 사기가 등장해도 과거에 정의한 문구와 정확히 일치할 필요가 없습니다.
의심 거래가 생기면 AI가 위험도를 높이고 은행의 확인 절차로 넘깁니다. 정상 고객의 90%는 상담원에게 전화하지 않고 거래를 확인할 수 있게 됐습니다. 탐지와 고객확인을 연결해 콜센터 부담까지 낮춘 것입니다.
손실 25%와 경고 85% 감소가 함께 중요한 이유
경고량만 줄였다면 은행이 검사 기준을 느슨하게 했을 가능성을 의심해야 합니다. Bank of Ireland는 경고가 85% 줄어든 동시에 시도된 사기와 실제 고객 손실도 각각 30%, 25% 감소했다고 밝혔습니다. 더 적은 사건을 더 정확히 조사하게 된 것입니다.
오탐이 87.1% 감소한 효과도 큽니다. 정상 거래가 막히면 고객은 결제에 실패하고 은행에 연락해야 합니다. 상담원은 본인 확인과 거래 해제에 시간을 쓰며, 반복된 불편은 고객 이탈로 이어질 수 있습니다. 오탐 감소는 조사비와 고객경험을 함께 개선합니다.
다만 25%가 은행의 순이익 25% 증가를 의미하지는 않습니다. 고객이 부담할 손실, 은행이 보상할 손실, 회수된 금액의 비중이 공개되지 않았고 같은 기간의 추가 보안조치도 있을 수 있습니다. 결과는 은행 내부 데이터이며 독립 감사 수치가 아니라는 한계도 있습니다.
사기범도 AI에 적응한다
사기 탐지 모델이 성공하면 공격자는 탐지되지 않는 행동을 시험합니다. 작은 금액으로 계좌를 길들이고, 정상적인 접속 기기를 탈취하며, 고객에게 직접 송금을 승인하게 만들 수 있습니다. 과거의 성공 패턴만 학습한 모델은 새로운 사회공학 수법에 늦게 반응할 수 있습니다.
가령 고객이 사기범의 전화를 믿고 직접 새 수취인에게 송금한다면 기기와 인증은 모두 정상일 수 있습니다. AI 점수만으로는 고객의 의도를 알기 어렵습니다. 고위험 거래에서는 맥락을 묻는 확인, 상담원 개입, 일정 시간 지연과 같은 추가 통제가 필요합니다.
AI 거버넌스 구축 시에는 탐지율, 오탐률, 실제 손실을 사기 유형과 고객군별로 관찰해야 합니다. 모델 점수가 급격히 달라지거나 특정 집단의 거래가 지나치게 막히면 즉시 조사해야 합니다. 모델 변경 기록과 경고 처리 결과를 보존하고, 사람에게 이관하는 기준을 정기적으로 조정해야 합니다.
실시간 AI는 빠르게 판단하지만, 그 판단을 믿을 수 있게 만드는 것은 지속적인 감시와 사람의 책임입니다. 사기 탐지에서는 출시 완료라는 상태가 존재하지 않습니다.
한국 기업이 이 사례에서 배워야 할 실행 원칙
첫째, 사기 탐지의 최종 KPI를 실제 손실액으로 잡아야 합니다. 경고 수와 모델 정확도는 중간지표입니다.
둘째, 고객 마찰을 비용으로 계산해야 합니다. 정상 결제 차단, 상담시간, 거래 포기와 이탈은 탐지율만 보면 보이지 않습니다.
셋째, 기존 규칙과 AI를 일정 기간 나란히 운영해야 합니다. 같은 거래에서 무엇을 더 찾고 무엇을 놓치는지 비교한 뒤 자동화 범위를 늘립니다.
넷째, 새로운 공격을 빠르게 반영할 운영팀이 필요합니다. 사기 조사자, 데이터 담당자, 고객센터가 발견한 패턴을 모델과 정책에 연결해야 합니다.
실제 사기손실을 정확히 계산하는 법
사기손실은 탐지 시스템이 막은 결제금액과 같지 않습니다. 의심 거래가 취소됐어도 고객이 다시 정상 승인했다면 막은 손실이 아닙니다. 사기범에게 넘어간 금액 중 회수된 금액, 은행이 보상한 금액, 고객이 부담한 금액을 구분해야 합니다. Bank of Ireland의 25%는 고객 손실 감소라는 결과이므로 경고 정확도보다 사업과 사회에 가까운 지표입니다.
기업이 자체 ROI를 계산할 때는 방지한 순손실에 조사시간과 콜센터 비용, 정상 거래 차단 감소로 지킨 매출을 더해야 합니다. 여기에서 AI 서비스, 데이터 연동, 24시간 모니터링, 고객 확인과 이의제기 운영비를 뺍니다. 공격량이 전년보다 줄었는지도 보정해야 AI가 막은 효과를 과장하지 않습니다.
실시간 탐지를 배치하는 단계
과거 거래로 모델을 시험한 뒤에는 실제 결제를 막지 않는 그림자 모드에서 기존 규칙과 비교합니다. AI만 경고한 거래를 조사하고, 기존 시스템만 찾은 사기도 살펴야 합니다. 다음 단계에서는 금액이 작고 되돌릴 수 있는 조치부터 적용하고, 고액 송금과 취약 고객은 사람 확인을 남깁니다.
고객에게 보이는 문구도 검증해야 합니다. “사기 거래로 판단했습니다”라고 단정하면 정상 고객에게 불필요한 공포를 주고, 공격자에게 탐지 논리를 알려줄 수 있습니다. 거래를 잠시 보류한 이유와 확인 방법을 명확히 안내하되 구체적인 모델 규칙은 노출하지 않는 균형이 필요합니다.
운영 중에는 경고가 급감했을 때 성공으로 간주하지 말고 데이터 수집과 모델 상태를 먼저 확인해야 합니다. 사기범이 행동을 바꿨는지, 특정 채널의 로그가 끊겼는지, 정상 거래 변화가 모델을 흔드는지 조사해야 합니다. 이 감시체계가 있어야 실시간 AI가 새로운 단일 실패지점이 되지 않습니다.
자주 묻는 질문
AI가 사기 거래를 자동으로 취소하나요?
위험 수준과 회사 정책에 따라 다릅니다. 명백한 고위험 거래는 일시 중단할 수 있지만, 정상 거래 피해를 줄이기 위해 고객 확인이나 사람 검토를 결합해야 합니다.
오탐률이 낮으면 좋은 모델인가요?
오탐만 낮추려면 모든 거래를 정상으로 분류하면 됩니다. 실제 사기 탐지율, 놓친 손실, 고객 마찰과 함께 평가해야 의미가 있습니다.
금융회사 외에도 행동 기반 탐지가 가능한가요?
전자상거래의 계정 탈취, 게임의 부정 이용, 기업 내부의 이상 접속, 보험 청구 사기 등 평소 행동과 다른 패턴을 찾는 업무에 적용할 수 있습니다.
함께 읽으면 좋은 글
AI 거버넌스 전문 팀, 다빈치에 문의하세요
다빈치는 대기업, 스타트업, 공공기관 AI 거버넌스 구축 경험을 고루 갖춘 탑티어 인프라 엔지니어 조직입니다. AI 도입을 고민하고 계신 기업 담당자들께서는 고민을 다빈치에 편하게 공유해주세요. 상담은 무료입니다.