예보의 생성형 AI 도입, 금융공공기관의 디지털 전환 현주소와 미래

예금보험공사(예보)가 생성형 AI 도입을 본격화하며 대국민 서비스 확대를 추진한다. 이번 도입은 예보가 내부의 업무 효율성 제고뿐 아니라 일반 국민에 대한 정보 제공과 질의응답 등 공공 서비스의 질적 향상을 겨냥했다는 점에서 큰 의미를 갖는다. 특히 기존에 제공되던 단순한 정형질문 응답에 그치지 않고, 복잡한 금융 정보 및 민원 대응에까지 AI의 역할을 확대할 계획이어서 공공과 민간 모두에 파급력이 클 것으로 보인다.

예보가 AI 기술 전략화를 선언하며 내세운 핵심은 두 가지다. 첫째, 내부적으로 쌓여있는 방대한 문서와 기록 자료를 신속하고 정확하게 검색‧요약해주는 ‘업무 가이드봇’의 전면 도입. 둘째, 대외적으로는 다양한 민원, 질의, 정책 안내 등 국민 접점에서 AI 챗봇, 문서 자동생성 및 요약 도구를 통해 업무 자동화와 이해도 제고를 실현하는 것이다. 예보는 올해 상반기 파일럿 테스트를 성공적으로 끝냈으며, 외부 민감정보 차단·망분리 등 보안체계 내재화도 병행해가는 중이다.

생성형 AI 도입에 있어 가장 우선적으로 논의돼야 할 이슈는 ‘보안’이다. 금융, 특히 예금보험과 관련된 정보는 민감성은 물론 법적 책임까지 뒤따른다. 생성형 AI의 데이터 학습 및 응답 과정에서 개인식별정보 또는 금융취약정보 유출 가능성이 상존하기 때문이다. 예보 관계자 역시 향후 추진되는 AI 서비스의 모든 단계에 망분리, 권한 관리, 데이터 익명화 등 높은 수준의 정보보호조치가 기본 전제임을 강조했다. 실제로 최근 국내외 은행, 보험, 증권사에서 파일 기반 LLM 활용 시 내부 데이터 유출, 편향, 오류 등의 사례가 반복적으로 보고되고 있다. 예보의 경우도 내부 파일에서 민감정보 추출, 비정형 자료 해석력 한계 등 각종 위협을 선제적으로 점검할 필요가 크다.

기술적으로는 문서관리 자동화, 자연어 질의응답, 챗봇 연동 등 공공부문에서 필수적인 기능을 신속하게 적용한다는 점에서 일정 수준 이상의 성과가 예상된다. 그러나 생성형 AI 특유의 ‘환각(hallucination)’ 현상, 즉 사실 확인되지 않은 내용을 그럴듯하게 답변하는 문제는 여전히 위험 요인이다. 금융업 특성상 잘못된 정보로 인한 피해는 민원 폭증, 신뢰도 하락 등 파급효과가 막대하다. 따라서 예보가 선택한 방안은 ‘클로즈드 도메인’ 기반 자체 학습과, 실서비스 이전 단계에서 내·외부 전문가 검수, 테스트베드 구축 등이다. 기존의 오픈AI API 의존도를 낮추고, 맞춤형 LLM 파인튜닝으로 오류율 최소화를 추구하는 맥락이다.

기술 구현의 실제 적합성은 이른바 ‘딥러닝 옵스(Ops)’ 체계에서 결정될 것으로 보인다. 예보는 클라우드 기반 인프라를 활용해 신속한 모델 업데이트와 오류패치가 가능하게 했다고 밝혔다. 다만 금융공공기관의 보안 규제상 외부 클라우드 사용은 제한적이고, 대부분 온프레미스 혹은 하이브리드 환경에서 운용된다. 이는 민간 IT기업의 디지털 전환과 비교했을 때 한계점으로 지목된다. 예보가 이번 프로젝트에서 AWS, Azure 등 외부 솔루션 활용을 최소화하고, 자체 IDC 중심 AI플랫폼을 구축한 것도 이 때문이다.

유사 사례로는 한국은행, 금융감독원 등 주요 금융공공기관의 AI 도입 추진 흐름이 있다. 이들은 각각 자체 챗봇, 상담로봇, 데이터 분석 자동화 플랫폼 등을 실증하며, 점차 국민 대상 대화형 서비스로 확장하고 있다. 다만 아직까지 공공기관 AI 서비스에 대한 국민의 신뢰도, 이용률은 민간에 비해 뒤처진 것이 현실이다. 챗봇 사용자 조사(2025, 금융보안원) 결과, 실제 업무 활용성이나 법적/기술적 신뢰를 이유로 이용을 꺼린다는 응답자가 절반 가까이 집계됐다.

향후 예보의 과제는 서비스 고도화와 현장 피드백 반영, 그리고 제도적 보완이다. AI 서비스의 민간 수요와 달리 공공기관은 법적 규제·표준화 지침이 강하게 작동한다. 예보는 금융위원회, 개인정보위 등 유관 기관과 협력해 AI 서비스 도입 매뉴얼, 데이터 관리지침을 상시 갱신할 방침이다. 또, 금융소비자 정보권 강화, 취약계층 친화형 BOT 서비스 개발도 계획 중임을 밝혔다. 이 과정에서 윤리·투명성 문제, 알고리즘 설명 가능성(Explainability) 확보가 관건이 될 것으로 보인다.

생성형 AI의 도입은 분명 공공부문의 효율성과 투명성을 크게 높일 도구다. 하지만 금융정보 특유의 민감성과 제도적 틀 속에서, 예보가 제시한 데이터 안전성, 오남용 방지, 국민신뢰 확보 방안이 실제로 현장에, 그리고 국민 눈높이에 부합할지는 지속 주시해야 한다. 국내외 공공 AI 서비스 사고사례, 금융기관 내 LLM 도입 실패·성공 체계를 교차 참조하며, 현장의 보안사고·정보 유출 위협 평가에 대해 꾸준히 분석해야 할 시점이다.

— 윤세현 ([email protected])