AI Agent보다 운영을 먼저 묻는 금융권, 현장에서 확인한 질문들

이번 미팅에서 반복된 질문

내부 문서와 데이터를 제대로 활용할 수 있는가? 폐쇄망에서도 운영할 수 있는가? 현업 직원이 직접 Agent를 만들 수 있는가? 기존 시스템과 연결하면서도 안전하게 통제할 수 있는가?

최근 Plateer AI Labs는 금융·캐피탈 분야 기업과 XGEN의 적용 가능성을 논의했습니다. 특정 기업의 사업계획은 제외하고, 질문에 대한 기능적 답변뿐 아니라 왜 그 질문이 먼저 나왔는지, 그 질문이 금융권 AI 도입의 어떤 변화를 보여주는지를 함께 정리했습니다.

Q1. 내부 문서를 제대로 활용할 수 있는가?

금융사에는 규정, 상품자료, 업무 매뉴얼 등 AI가 활용할 수 있는 문서가 많습니다.

하지만 원본 문서의 구조와 의미가 제대로 추출되지 않으면 RAG와 Agent의 답변 품질도 떨어질 수밖에 없습니다.

XGEN은 다양한 문서 포맷에 대응하기 위해 문서 파서를 자체 개발하고 있으며, 문서를 단순 텍스트로 변환하는 것을 넘어 AI가 활용할 수 있는 지식으로 만드는 과정을 중요하게 다루고 있습니다.

좋은 LLM을 선택하는 것만큼 기업의 문서를 얼마나 제대로 읽고 지식화할 수 있는가가 중요한 이유입니다.

Field Insight | 모델의 답변 품질보다 먼저 지식의 입력 품질을 묻고 있습니다

이번 논의에서 문서 파싱은 단순한 전처리 기능이 아니었습니다. 규정과 상품자료의 구조가 잘못 읽히면 그 위에서 동작하는 검색과 Agent도 신뢰하기 어렵기 때문입니다. 금융권의 관심은 “좋은 모델을 쓸 수 있는가?”에서 “우리 문서를 근거로 일관된 답을 만들 수 있는가?”로 구체화되고 있었습니다.

Q2. 현업이 직접 Agent를 만들 수 있는가?

업무를 가장 잘 아는 사람은 결국 현업 담당자입니다.

XGEN은 개발자뿐 아니라 교육을 받은 현업 담당자가 자신의 업무에 필요한 Agent를 직접 구성할 수 있도록 지원합니다.

단순 업무는 현업이 직접 만들고, 복잡한 시스템 연계는 전문 인력이 지원하는 식으로 역할을 나눌 수 있습니다. 기존 API와 DB뿐 아니라 업무 화면을 Agent가 사용할 수 있는 Tool로 연결하는 방식도 활용할 수 있습니다.

핵심은 현업에게 개발을 맡기는 것이 아니라, 현업의 업무 지식을 Agent로 구현할 수 있게 하는 것입니다.

Field Insight | 현업 자율성의 핵심은 제작 권한이 아니라 역할의 경계입니다

현업이 직접 만들 수 있는지를 묻는 질문 뒤에는 “누가 운영 책임을 질 것인가?”라는 질문이 함께 있었습니다. 단순 업무 구성은 현업이 맡고, 복잡한 연계와 배포는 전문 인력과 관리 체계가 맡는 경계가 필요합니다. 금융권의 셀프서비스는 무제한 자유가 아니라 허용된 범위 안에서 업무 지식을 빠르게 구현하는 방식에 가깝습니다.

Q3. 폐쇄망에서도 Agent가 실제 업무를 수행할 수 있는가?

금융권에서는 AI의 성능만큼 데이터가 어디로 이동하고 무엇에 접근하는지가 중요합니다.

XGEN은 On-Premise 구축과 내부 LLM 운영을 지원하며, 기업의 보안 정책에 맞춰 내부 데이터와 시스템을 연결할 수 있습니다.

Agent가 API나 DB를 활용해 업무를 수행할 수도 있고, Python 코드처럼 실행이 필요한 작업은 Sandbox·Container 기반의 격리된 환경에서 처리할 수 있습니다.

AI가 답변만 생성할 때와 실제 시스템을 실행할 때 필요한 보안 수준은 다르기 때문입니다.

Field Insight | 질문의 중심이 모델 성능에서 실행 환경으로 이동하고 있습니다

이번 미팅에서는 어떤 모델을 연결할 수 있는지보다 데이터가 어디로 이동하고, 실행 권한이 어디까지 열리며, 문제가 생겼을 때 무엇을 차단할 수 있는지가 더 중요한 판단 기준으로 다뤄졌습니다. AI가 답변을 만드는 단계를 넘어 실제 업무를 수행하기 시작하면 격리·권한·통제가 성능과 같은 수준의 제품 요건이 됩니다.

Q4. Agent가 늘어나도 연결과 통제가 가능한가?

한 개의 Agent가 모든 업무를 처리할 필요도 없습니다.

XGEN에서는 Agent를 하나의 Node처럼 연결해 여러 Agent가 역할을 나눠 하나의 Workflow를 수행하는 구조를 구성할 수 있고, MCP를 활용해 Tool과 외부 시스템의 연결 범위도 확장할 수 있습니다.

동시에 현업이 만드는 Agent가 많아질수록 중앙 관리가 중요해집니다.

누가 어떤 모델과 데이터를 사용하는지, 어떤 Tool에 접근할 수 있는지, 어떤 Agent를 배포할 수 있는지를 권한과 거버넌스 체계 안에서 관리해야 합니다.

즉, 현업의 자율성과 기업의 통제를 함께 가져가는 구조가 필요합니다.

Field Insight | 금융권은 Agent 수보다 추적 가능성을 먼저 봅니다

여러 Agent와 Tool을 연결하는 것만으로는 운영체계가 완성되지 않습니다. 누가 어떤 데이터와 Tool을 사용했고, 어떤 권한으로 실행했으며, 결과가 어떤 과정을 거쳐 나왔는지 확인할 수 있어야 합니다. 이번 논의에서 확인한 것은 자동화 범위가 넓어질수록 정확성뿐 아니라 추적 가능성(Auditability)이 도입 판단의 핵심으로 올라온다는 점입니다.

이번 미팅에서 확인한 것

이번 미팅을 통해 세 가지 변화를 확인했습니다.

1. 금융권은 LLM보다 운영체계를 먼저 봅니다. 모델의 성능만큼 데이터의 위치, 실행 환경, 접근 권한과 통제 방식이 중요한 도입 조건이 됐습니다.
2. 한 번의 PoC보다 다음 업무로 확장할 구조를 봅니다. Agent 하나가 작동하는지에 그치지 않고, 문서·Tool·Workflow를 다른 업무에서도 재사용하고 관리할 수 있는지가 중요합니다.
3. Agent보다 Governance를 먼저 묻습니다. 현업이 Agent를 만들고 여러 시스템을 연결할수록 배포 권한, 실행 기록, 변경 관리와 책임의 경계가 먼저 설계되어야 합니다.

이 세 가지는 서로 분리된 요구가 아닙니다. 문서를 이해하고 → 내부 데이터와 시스템을 연결하고 → 업무를 실행하고 → 다른 Agent와 협업하는 전체 과정이 하나의 보안·권한·거버넌스 체계 안에 있어야 한다는 하나의 요구로 이어집니다.

XGEN은 이 전체 과정을 하나의 Enterprise AI 플랫폼에서 연결하는 방향으로 발전하고 있습니다. 그러나 이번 현장에서 얻은 더 중요한 결론은 특정 제품의 기능 목록이 아니었습니다. 금융권 AI Agent의 도입 기준이 ‘가능한가’에서 ‘통제 가능한 상태로 계속 운영할 수 있는가’로 바뀌고 있다는 점이었습니다.

다음 프로젝트에서도 확인해볼 것

금융권에서 AI Agent를 검토한다면 모델을 고르기 전에 다음 질문부터 확인할 필요가 있습니다.

• AI가 참고할 문서와 데이터의 품질을 누가 책임지는가?
• 조회와 실행 권한은 사용자·Agent·Tool별로 어디까지 나뉘는가?
• 실행 과정과 결과의 근거를 나중에 추적할 수 있는가?
• 현업이 만든 Agent를 누가 검토하고 배포하며 변경을 관리하는가?
• 첫 번째 Agent에서 만든 지식과 Tool을 다음 업무에 재사용할 수 있는가?

결국 질문은 “어떤 AI를 쓸 것인가?”보다 “AI에게 우리 업무의 어디까지 맡기고, 그 과정을 어떻게 통제할 것인가?”에서 시작해야 합니다.