JP모건이 AI로 KYC 비용을 40% 줄인 방법
규제가 강한 금융업에서도 AI가 비용을 크게 줄일 수 있을까요? JP모건체이스의 기업·투자은행 부문은 AI와 기술 개선을 고객확인, 즉 KYC 업무에 적용해 2022년 이후 단위비용을 약 40% 낮췄다고 밝혔습니다. 2024년 기준 해당 부문에서 운영 중인 AI 사용 사례는 175개가 넘습니다.
KYC는 신규 고객의 신원과 소유구조를 확인하고, 제재·자금세탁 위험을 조사하는 업무입니다. 서류가 많고 반복적이지만 잘못 승인하면 거액의 제재와 평판 손실이 발생합니다. 그래서 단순 자동화보다 정확한 우선순위와 추적 가능한 근거가 중요합니다. JP모건 사례는 AI가 규제를 피해 가는 도구가 아니라 규제 업무의 비용과 품질을 함께 개선할 수 있다는 점을 보여줍니다.
JP모건의 AI 적용 범위와 KYC 성과
JP모건 기업·투자은행은 내부 데이터와 AI를 KYC, 제재 심사, 사기 방지, 현금흐름 예측, 거래자본 최적화, 리서치 검색 등에 적용했습니다.
기업·투자은행의 운영 중 AI 사례: 175개 이상
KYC 프로세스 단위비용: 약 40% 감소
제재 검색과 사기 방지: 비용 및 탐지 효과 개선
고객 상호작용 데이터 활용 국가: 40개국 이상
내부 대규모 언어모델 환경을 일상적인 분석과 검색에 사용
성과는 JP모건의 2024년 연차보고서에 공개돼 있습니다. 회사는 “AI와 머신러닝이 KYC 절차를 개선해 단위비용을 거의 40% 줄였다”고 설명했습니다.
JP모건의 2025년 투자자의 날 자료는 40%가 2022년 이후의 단위비용 감소이며 AI뿐 아니라 전반적인 기술 개선이 함께 기여했다고 명시합니다. 따라서 이를 AI 단독 효과나 인력 40% 감축으로 해석해서는 안 됩니다.
KYC 업무는 왜 AI 효과가 큰가
기업고객 하나를 확인하려면 사업자 서류, 주주명부, 실제 소유자, 거래 국가, 제재 목록, 부정적 언론 보도와 내부 거래 기록을 함께 살펴야 합니다. 다국적 기업은 법인과 자회사가 여러 국가에 얽혀 있어 갱신 때마다 같은 자료를 다시 찾고 비교하는 일이 반복됩니다.
기존 규칙 기반 시스템은 이름이나 조건이 조금만 비슷해도 경고를 만들 수 있습니다. 조사자는 수많은 경고 중 실제 위험을 가려내고, 여러 문서의 표현 차이를 대조하며, 판단 근거를 기록해야 합니다. AI는 문서를 분류하고 핵심 정보를 추출하며, 관계를 연결하고, 위험도가 높은 건부터 검토하도록 도울 수 있습니다.
한 건당 처리시간이 줄면 같은 인력으로 더 많은 고객을 받아들일 수 있습니다. 고객 승인까지 걸리는 시간이 짧아지면 거래와 수수료 매출이 시작되는 시점도 앞당겨집니다. 반대로 잘못된 경고가 줄면 조사비와 불필요한 고객 연락이 감소합니다. KYC AI의 효과가 비용, 매출, 고객경험에 동시에 걸치는 이유입니다.
40% 비용 절감을 해석할 때 주의할 점
JP모건의 표현은 AI와 머신러닝이 KYC 프로세스 개선을 가능하게 했다는 것입니다. 같은 기간 회사는 데이터 인프라를 정비하고 핵심 시스템을 클라우드로 이전했으며 업무 절차도 현대화했습니다. 따라서 40% 전체를 특정 모델 하나의 순수 효과로 분리할 수는 없습니다.
단위비용의 분모가 무엇인지도 외부에 세부 공개되지 않았습니다. 고객 한 명, 검토 한 건, 또는 위험평가 한 회당 비용일 수 있으며 사업유형에 따라 난도가 다릅니다. 쉬운 고객 비중이 늘었다면 평균비용이 낮아질 수 있습니다. 기업이 이 수치를 벤치마크로 사용할 때는 자사의 KYC 범위와 위험 수준을 먼저 맞춰야 합니다.
그럼에도 연차보고서에 실제 운영 결과가 기재됐다는 점은 의미가 큽니다. “심사시간을 최대 80% 줄일 수 있다”는 공급업체 전망이 아니라, 대형 은행의 운영 프로세스에서 단위비용이 변했다는 사후 성과이기 때문입니다.
규제 업무에서 사람을 빼면 안 되는 이유
AI가 고객 정보를 요약하고 위험점수를 계산한다고 해서 최종 승인 책임까지 AI에 넘길 수는 없습니다. 같은 이름의 다른 사람을 제재 대상으로 오인하거나, 복잡한 소유구조를 잘못 연결하거나, 특정 국가와 직업을 이유로 과도하게 의심할 수 있습니다.
가령 AI가 한 기업의 대표를 제재 대상과 동일 인물로 판단했다고 해보겠습니다. 계좌 개설을 자동 거절하면 고객은 이유를 모른 채 사업 기회를 잃습니다. 반대로 실제 고위험 고객을 낮게 평가하면 은행은 금융범죄와 제재 위험에 노출됩니다. 어느 쪽이든 “모델이 그렇게 판단했다”는 답으로 책임을 피할 수 없습니다.
AI 거버넌스 구축 시에는 자동 승인·거절을 허용할 범위, 사람이 재검토해야 할 위험점수, 사용 가능한 데이터, 설명과 이의제기 절차를 정해야 합니다. 모델과 제재 목록의 버전, 사람이 수정한 판단, 최종 승인자를 모두 기록해야 감독기관의 질문에 답할 수 있습니다.
이 통제는 AI 활용을 늦추지 않습니다. 저위험 건은 빠르게 통과시키고 전문가가 고위험 건에 집중하도록 만들어 전체 처리속도를 높입니다. 모든 건을 사람이 같은 깊이로 보는 방식보다 위험에 비례한 인간 개입이 더 빠르고 더 안전합니다.
한국 기업이 JP모건 사례에서 배워야 할 실행 원칙
첫째, 규제 업무를 통째로 자동화하려 하지 말고 문서 수집, 정보 추출, 일치 여부 확인, 위험 우선순위처럼 분리 가능한 단계부터 시작해야 합니다.
둘째, 정확도 하나가 아니라 오탐과 미탐의 비용을 따로 계산해야 합니다. 오탐은 조사비와 고객 불편을 만들고, 미탐은 금융손실과 제재로 이어집니다.
셋째, 단위비용의 정의를 고정해야 합니다. 업무 난도별 처리시간, 외주비, 재검토율, 고객 승인 소요시간을 도입 전후 같은 방식으로 측정해야 합니다.
넷째, 사람이 AI를 수정한 기록을 자산으로 남겨야 합니다. 어떤 근거로 점수를 뒤집었는지 축적하면 모델 성능뿐 아니라 사내 정책의 모호한 부분도 발견할 수 있습니다.
KYC AI의 ROI를 검증하는 지표 설계
도입 전 고객 유형별 평균 처리시간과 대기시간, 재검토율, 외부 데이터 조회비, 고객에게 자료를 다시 요청한 횟수를 측정해야 합니다. 이후 AI 사용군과 기존 절차의 고객을 나눠 같은 지표를 비교합니다. 단순히 담당자가 문서를 읽는 시간이 줄었는지보다 고객이 최종 승인될 때까지 전체 기간이 단축됐는지가 중요합니다.
품질 측면에서는 AI가 낮은 위험으로 분류했지만 나중에 문제가 발견된 미탐, 정상 고객을 고위험으로 본 오탐, 사람이 점수를 뒤집은 비율을 추적해야 합니다. 규제 변화로 제재 목록과 기준이 바뀌면 이전 성능을 그대로 믿을 수 없으므로 새 기준으로 회귀시험을 실시해야 합니다.
재무효과는 줄어든 외주·처리비와 추가 고객 처리에서 생긴 매출총이익, 피한 제재·손실의 기대값을 합한 뒤 모델, 데이터, 검수와 감사 비용을 차감해 계산합니다. 이 구조가 있어야 40% 같은 평균값을 복제하려 하지 않고 자사 업무에서 실제 가치가 나는 구간을 찾을 수 있습니다.
자주 묻는 질문
KYC에서 생성형 AI가 최종 고객 승인을 내려도 되나요?
위험이 낮고 규칙이 명확한 일부 단계는 자동화할 수 있지만, 고위험 승인·거절에는 사람의 책임과 재검토 절차가 필요합니다. 적용 범위는 법규와 회사의 위험수용 수준에 따라 달라집니다.
JP모건의 40%는 인력 40% 감축을 뜻하나요?
아닙니다. 고객확인 프로세스의 단위비용 감소입니다. 처리시간, 자동화, 외주비, 처리량 변화 등이 결합될 수 있으며 같은 비율의 인원 감축을 의미하지 않습니다.
금융회사가 아니라도 KYC 사례를 적용할 수 있나요?
공급업체 실사, 보험 심사, 계약 검토, 품질 감사처럼 문서가 많고 위험에 따라 검토 깊이가 달라지는 업무에 같은 원리를 적용할 수 있습니다. 핵심은 최종 책임과 이의제기 경로를 남기는 것입니다.
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.