DBS가 AI로 연간 1조 원의 이익을 낸 비결
AI를 도입해 실제 이익을 낸 금융회사가 있을까요? 가장 분명한 사례 중 하나가 싱가포르의 DBS입니다. DBS는 2025년 2,000개 이상의 AI 모델을 430개가 넘는 업무에 적용해 한화 1조 원 가량의 경제적 가치를 만들었다고 밝혔습니다.
이 사례에서 더 중요한 사실은 모델의 개수가 아닙니다. DBS는 AI를 만들기 전에 무엇을 수익, 비용 절감, 손실 방지, 처리능력 증가로 인정할지 정했습니다. 많은 기업이 AI 사용률을 성과로 보고할 때, DBS는 AI가 손익과 운영지표를 어떻게 움직였는지 추적했습니다. AI의 가치는 도입 자체가 아니라 측정 가능한 업무 변화에서 생긴다는 점을 보여주는 사례입니다.
DBS AI 도입 성과의 핵심 답변
DBS의 성과는 하나의 생성형 AI 챗봇에서 나오지 않았습니다. 고객 접점, IT 운영, 위험관리, 개발 업무 등 반복량이 큰 프로세스에 예측 AI와 생성형 AI를 배치한 결과입니다.
2025년 AI/데이터 분석 경제적 가치: 약 S$10억
운영 모델: 2,000개 이상
실제 적용 업무: 430개 이상
기업고객용 AI 상담 서비스 이용자: 2만 명 이상
해당 서비스 고객만족도: 23% 상승
일부 코딩 업무의 시간 절감: 최대 20%
AI 변경 위험 평가 도입 후 관련 장애: 81% 감소
수치는 DBS의 2025년 연차보고서와 2024년 CIO 보고에 공개돼 있습니다.
AI로 10억 싱가포르달러를 만든 구조
DBS는 AI를 전 직원에게 나눠주는 범용 도구로만 보지 않았습니다. 우선 고객과 업무의 여정을 열거한 후, 각 여정에서 비용이나 손실이 집중되는 지점을 찾았습니다. 그다음 AI가 어떤 판단을 맡고 사람이 어디에서 개입해야 하는지 다시 설계했습니다.
예를 들어 DBS Joy는 기업 고객 문의를 24시간 처리합니다. 단순히 자주 묻는 질문을 보여주는 챗봇이 아니라 고객 질문을 이해하고 관련 답을 찾아 즉시 제시하는 방식입니다. 2025년 7월 출시 이후 2만 명 이상의 고객이 이용했고, 답변의 관련성과 편의성에 힘입어 고객만족도가 23% 높아졌습니다.
IT 운영에서는 효과가 더 직접적입니다. 과거 DBS는 시스템 변경 요청의 약 5%를 선별해 위험을 점검했습니다. AI 위험점수 모델을 적용한 뒤에는 요청의 100%를 검사할 수 있게 됐고, 변경 작업 때문에 발생하는 월평균 장애가 81% 줄었습니다. 장애 한 건에는 복구 인력, 고객 보상, 거래 중단, 평판 하락이 따라옵니다. AI가 검사 인력을 줄인 것이 아니라 사람이 볼 수 없던 전체 변경을 감시해 손실을 막은 것입니다.
DBS의 AI ROI 측정법이 특별한 이유
일견 직원이 절약한 시간을 시급으로 환산하면 AI의 가치를 쉽게 계산할 수 있을 것 같습니다. 하지만 절약한 세 시간이 회의나 다른 행정업무로 채워졌다면 현금흐름은 달라지지 않습니다. 시간 절감을 실제 가치로 인정하려면 채용을 피했는지, 같은 인력으로 더 많은 고객을 처리했는지, 장애나 손실을 줄였는지 확인해야 합니다.
DBS는 2016년부터 디지털 투자로 발생한 가치를 포착하는 관리체계를 운영했습니다. 사용 사례마다 기준선, 목표 KPI, 책임자를 두고 수익 증가와 비용 절감뿐 아니라 위험 감소와 처리능력까지 추적합니다. 그래서 “직원들이 AI를 많이 쓴다”가 아니라 “이 업무의 단위비용이 얼마만큼 바뀌었다”라고 말할 수 있습니다.
물론 S$10억을 회계상 순이익과 동일하게 보면 안 됩니다. 430개 이상의 사례에서 계산한 경제적 가치의 합계이며, 데이터 분석과 전통적 머신러닝도 포함합니다. 모델 개발비, 데이터 정비비, 검수 인력비가 항목별로 외부에 공개된 것도 아닙니다. 그럼에도 전년도와 같은 관리체계로 가치를 계속 측정했다는 점은 단발성 홍보 수치와 다릅니다.
AI 거버넌스가 성과를 키운 방식
은행은 잘못된 AI 판단을 곧바로 고객에게 적용할 수 없습니다. 개인정보, 신용, 금융범죄, 설명 책임이 얽혀 있기 때문입니다. DBS는 사용 사례의 위험을 분류하고, 데이터 사용의 정당성, 모델 성능, 사람의 개입 지점, 운영 중 감시 방법을 함께 설계했습니다.
가령 고객상담 AI가 오래된 내부 규정을 근거로 답한다면 빠른 응답은 오히려 더 큰 사고를 만듭니다. 개발 AI가 잘못된 코드를 빠르게 찍어내면 장애의 속도도 빨라집니다. 따라서 AI 거버넌스는 출시를 늦추는 결재 절차가 아니라, 승인된 데이터와 최신 정책만 쓰고 위험 신호를 대시보드에서 관찰할 수 있게 하는 환경이어야 합니다.
DBS가 AI 변경 위험 평가로 검사 범위를 5%에서 100%로 넓힌 것은 이 원리를 잘 보여줍니다. 사람이 모든 요청을 읽도록 규제를 강화한 것이 아니라 AI로 통제의 범위를 넓혔습니다. 제대로 구축된 AI 거버넌스는 속도를 제한하는 장치가 아니라 더 많은 자동화를 허용하는 기반입니다.
한국 기업이 DBS 사례에서 배워야 할 세 가지
첫째, 모델 목록보다 가치 목록을 먼저 만들어야 합니다. “사내 챗봇 구축”이 아니라 상담 처리시간, 반복 문의율, 외주비, 장애 건수처럼 손익으로 이어지는 지표를 정의해야 합니다.
둘째, AI를 기존 업무 옆에 붙이지 말고 업무 흐름을 다시 설계해야 합니다. 질문 접수부터 정보 검색, 답변, 기록, 예외 이관까지 이어져야 처리능력이 실제로 증가합니다.
셋째, 재무, 현업, IT 부서가 같은 산식을 사용해야 합니다. 사업부가 주장한 절약시간을 재무팀이 인정하지 않는다면 AI 포트폴리오는 규모가 커질수록 갈등만 커집니다. 기준선과 비용 범위, 성과 인정 조건을 표준화된 사내 정책으로 정해야 합니다.
AI 투자 포트폴리오는 어떻게 운영해야 하나
DBS처럼 수백 개 사례를 운영하려면 각 아이디어를 동일한 기준으로 비교해야 합니다. 예상 가치가 큰지뿐 아니라 데이터가 준비됐는지, 결과를 측정할 수 있는지, 잘못됐을 때 피해가 얼마나 큰지를 함께 점수화해야 합니다. 고위험/고가치 과제는 강한 검증을 거치고, 저위험 생산성 과제는 작은 사용자군에서 빠르게 시험할 수 있습니다.
운영 후에도 확대, 수정, 종료 중 하나를 결정해야 합니다. AI 사용량은 늘지만 단위비용이 바뀌지 않는다면 업무 연결이 부족한지 살펴보고, 오류 검수비가 절감액을 넘으면 자동화 범위를 줄여야 합니다. 성공 사례만 모으는 대신 종료한 사례와 이유까지 기록해야 다음 투자의 정확도가 높아집니다. AI 포트폴리오는 모델 전시장이 아니라 자본배분 체계여야 합니다.
물어볼 법한 질문
DBS의 10억 싱가포르달러는 생성형 AI만의 성과인가요?
아닙니다. 데이터 분석, 예측 AI, 머신러닝, 생성형 AI를 포함한 430개 이상의 사용 사례에서 산정한 경제적 가치입니다. 생성형 AI만의 순이익으로 인용하면 과장입니다.
AI 경제적 가치와 회계상 이익은 무엇이 다른가요?
경제적 가치에는 추가 수익과 직접 비용 절감 외에도 피한 손실, 확보한 처리능력 등이 포함될 수 있습니다. 실제 순이익을 계산할 때는 모델, 인프라, 라이선스, 데이터, 검수와 변화관리 비용을 차감해야 합니다.
DBS 사례를 작은 기업도 적용할 수 있나요?
물론입니다. 430개 사례를 한꺼번에 만들 필요는 없습니다. 거래량이 많고 기준선이 있는 업무 한두 개를 골라 단위비용, 오류율, 처리시간을 측정하는 것부터 시작할 수 있습니다. 중요한 것은 규모가 아니라 같은 방식으로 성과를 반복 측정하는 체계입니다.
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.