Cathay United Bank RM AI Assistant: RM 통화를 니즈·위험 신호로 정리하고 고객 배정을 데이터로
대만 Cathay United Bank는 자산관리 RM의 고객 통화를 생성형 AI로 요약·니즈·위험·제안으로 정리해 RM과 관리자 화면에 넣고 고객과 RM의 라벨로 배정을 정하는 RM AI Assistant를 만들어 연간 100만 건 이상의 고객 상호작용을 지원한다고 밝혔습니다. 한국 제조 대기업이 B2B 영업 통화와 담당자 배정에 옮기는 법을 붙였습니다.
Cathay United Bank는 RM(relationship manager, 고객 자산을 맡는 전담 직원)이 고객과 나눈 통화를 AI가 요약·니즈·위험·제안 네 칸으로 정리하게 하고 그 결과를 RM과 관리자가 이미 쓰던 화면에 넣었습니다. 표본만 듣던 감독은 전수 확인으로, 경험에 기대던 고객 배정은 라벨 기반 매칭으로 바뀌었습니다. 우리 영업 조직에 옮기려면 모델보다 먼저 통화 녹취를 쓸 수 있는 동의 범위, 네 칸의 필드 정의, 위험 신호를 누가 언제 받는지부터 정해야 합니다.
요약
Cathay United Bank(국태세화은행)는 대만 타이베이에 본사를 둔 Cathay Financial Holdings 계열 은행입니다. 이 은행의 자산관리 조직에서 RM은 전화로 고객을 찾아가 신뢰를 쌓고 니즈를 파악합니다. 그런데 통화 기록, 감독, 모니터링, 교육은 손으로 하거나 흩어져 있었고 일부 표본만 들여다보는 방식이었습니다. 어떤 고객을 어떤 RM에게 맡길지도 데이터가 아니라 관리자의 경험으로 정했습니다. 은행은 생성형 AI와 데이터 도구로 이 구조를 바꿨습니다. RM AI Assistant는 통화 내용을 요약·니즈·위험·제안으로 바꿔 RM과 감독자 플랫폼에 실시간 알림으로 띄웁니다. RM Matching Engine은 고객과 RM에 붙인 라벨로 배정을 정하고 PBG는 고객·거래 데이터를 시각 지표로 묶어 진단과 코칭에 씁니다. 이 내용은 2026 Gartner Eye on Innovation Awards(Banking and Investing)에 제출·소개된 사례에 실렸습니다. 기술 제공사로는 AWS가 적혀 있습니다.
은행이 보고한 결과는 연간 100만 건이 넘는 고객 상호작용을 이 흐름으로 지원한다는 것입니다. 수작업 검토와 행정 부담이 줄었고 감독, 코칭, 위험 식별, 후속 연락이 나아졌다고 밝혔지만 절감률이나 금액은 내놓지 않았습니다. 대만 언론 보도는 첫 단계를 하루에 가장 자주 쓰는 전화 방문 업무에 맞췄고 지난 대화의 맥락을 RM이 이어 볼 수 있게 해 반복 업무를 덜고 고객 응대와 판단에 시간을 쓰게 했다고 전합니다. 효과가 나온 이유는 통화라는 비정형 기록이 구조화된 필드가 되면서 감독·배정·교육이 같은 데이터를 쓰게 됐기 때문입니다. 아래에서는 이 흐름을 네 가지 구현 메커니즘으로 풀고 한국 제조 대기업의 B2B 영업 조직이 담당자 통화와 거래처 배정에 옮길 때 정할 것을 덧붙였습니다.
핵심 메커니즘
Call-to-Insight: 통화 한 건을 요약·니즈·위험·제안 네 칸으로
통화 녹취를 그대로 쌓아 두지 않고 한 건마다 같은 네 칸으로 정리하는 단계입니다. 입력은 RM과 고객의 통화 내용이고 생성형 AI가 무엇을 이야기했는지(요약), 고객이 원하거나 걱정하는 것(니즈), 민원·부적합 판매·이탈 같은 경고(위험), 다음에 할 일(제안)을 뽑습니다. 출력은 사람이 읽는 메모가 아니라 시스템이 다시 쓸 수 있는 필드입니다. 칸이 정해져 있어야 관리자가 수백 건을 같은 기준으로 훑고 배정 엔진과 지표가 같은 값을 가져다 씁니다. 대만 보도는 이 단계가 비정형 통화를 핵심 소통 포인트, 니즈 단서, 상호작용 신호로 정리한다고 표현합니다. 통화가 짧고 정형화된 안내뿐인 업무에는 효과가 작고 상담 내용이 길고 다음 행동이 갈리는 업무에 맞습니다.
가상 예시로, 한 고객이 통화 중 “자녀 유학 자금을 2년 안에 마련해야 한다”고 말하고 현재 보유한 고위험 펀드의 손실을 걱정했다면, 니즈 칸에는 ‘2년 내 목적 자금’, 위험 칸에는 ‘고위험 상품 보유와 위험 성향 불일치 의심’, 제안 칸에는 ‘적합성 재확인 통화 예약’이 들어갑니다.
Embedded Alerts: 새 앱이 아니라 RM·감독자 화면 안의 알림
정리된 네 칸은 별도 AI 앱으로 가지 않고 RM과 감독자가 이미 쓰던 플랫폼에 들어갑니다. RM은 고객 화면에서 지난 통화의 요약과 미완료 제안을 보고 다음 통화를 준비합니다. 감독자는 위험 칸에 값이 찬 통화를 실시간 알림으로 받아 그날 확인합니다. 사례집이 말하는 ‘표본 중심 감독’에서 바뀐 점이 여기에 있습니다. 예전에는 관리자가 녹취 일부를 골라 들었다면, 이제는 모든 통화가 네 칸으로 정리되고 위험 신호가 있는 건만 사람에게 올라옵니다. 새 화면을 하나 더 열게 하면 현장은 쓰지 않으므로, 이 방식은 기존 CRM이나 업무 포털에 옆 패널을 붙일 수 있을 때 잘 작동합니다.
RM Matching Engine: 고객 라벨과 RM 라벨로 정하는 배정
고객과 RM 양쪽에 라벨을 붙이고 라벨이 잘 맞는 쪽으로 고객을 배정하는 엔진입니다. 사례집은 이를 경험 대신 데이터로 정하는 배정, 니즈 기반 배정이라고 설명합니다. 고객 라벨에는 자산 규모, 관심 상품, 위험 성향, 선호 채널이, RM 라벨에는 전문 상품, 자격, 응대 이력, 현재 맡은 고객 수가 들어갈 수 있습니다(라벨 항목은 사례집에 나오지 않아 예로 든 것입니다). 통화에서 뽑은 니즈가 고객 라벨을 계속 갱신하므로, 첫 번째 메커니즘이 쌓일수록 매칭이 정확해지는 구조입니다. 고객 수가 적어 관리자가 한 명씩 사정을 다 아는 조직에서는 엔진을 만들 이유가 작고 RM 수십 명 이상에 고객이 수만 명인 조직에서 쓸모가 큽니다.
PBG Indicators: 고객·거래 데이터를 지표로 묶어 진단과 코칭에 쓰기
PBG는 고객 데이터와 거래 데이터를 합쳐 시각 지표로 보여 주는 관리 도구입니다(사례집은 PBG의 풀이를 밝히지 않습니다). 사례집은 이를 정밀 진단, 빠른 감독, 맞춤 교육에 쓴다고 적었습니다. 통화 네 칸이 ‘무엇을 이야기했나’라면 PBG 지표는 ‘그 뒤 고객 관계가 어떻게 됐나’를 보여 줍니다. 관리자는 RM별로 니즈를 얼마나 잡았는지, 제안한 후속 연락을 지켰는지, 위험 신호가 어느 고객군에 몰리는지를 보고 코칭할 대상을 고릅니다. 사례집은 교육의 디지털화도 목표로 들었습니다. 실제로 돌릴 때는 이 지표와 실제 통화 사례를 묶어 RM별 교육 자료를 만드는 방식이 자연스럽습니다.
통념과 다른 주장
흔히 이렇게 봅니다금융권 생성형 AI는 고객이 직접 묻고 답을 받는 챗봇에서 먼저 성과를 낸다고 봅니다.
이 사례는 이렇게 봅니다Cathay United Bank는 고객 앞이 아니라 RM 뒤에 AI를 두어 통화 기록, 감독, 배정, 교육이라는 관리 업무를 바꿨습니다.
근거사례집이 짚은 문제는 수동·표본 중심 감독과 경험 기반 배정이었고 보고 성과도 수작업 검토 감소와 감독·코칭 개선입니다. 보도 역시 RM의 반복 업무를 덜어 판단에 시간을 쓰게 했다고 전합니다.
사례 재구성
RM AI Assistant: 전화 방문 기록에서 배정·코칭까지
| 구분 | 내용 |
|---|---|
| 상황 | 자산관리 RM이 전화로 고객 니즈를 파악하지만 기록·감독·교육은 수동·표본 중심이고 고객 배정은 경험에 의존해 니즈 기반 관리와 확장이 어려웠음 |
| 한 일 | 생성형 AI로 통화를 요약·니즈·위험·제안으로 정리해 RM·감독자 플랫폼에 실시간 알림으로 내장, 고객·RM 라벨 기반 RM Matching Engine, 고객·거래 데이터를 지표화한 PBG. 첫 단계는 사용 빈도가 높은 전화 방문 업무(보도). 기술 제공사 AWS |
| 결과 | 연간 고객 상호작용 100만 건 이상 지원(기업 보고 실적). 수작업 검토·행정 부담 감소, 감독·코칭·위험 식별·후속 연락 개선을 보고. 절감률·금액은 밝히지 않음 |
| 연결 | Call-to-Insight가 만든 필드를 Embedded Alerts, RM Matching Engine, PBG Indicators가 함께 씀 |
공개 자료로 확인한 내용도 있습니다. 2026년 8월 28일 旺得富理財網 보도에 따르면 이 RM AI Assistant(理專AI助手)는 The Asian Banker가 주는 대만 최우수 생성형 AI 기술상을 받았습니다. 보도가 밝힌 목표는 RM이 반복 업무에 쓰는 시간을 줄여 고액 고객에게 시간을 더 쓰게 하는 것이고 관리 범위를 넓히고 코칭을 제때 하는 데도 쓰입니다. 2026년 10월 8일 공상시보 보도는 대만 디지털 금융상에서 이 은행이 AI 실천 모범상을 받았다고 전하며 같은 기능을 소개합니다. Gartner 시상 결과는 공개 자료로 확인하지 못해 제출·소개된 사례로 적었습니다.
기술 디테일: 우리 영업 통화에 이 구조를 옮기려면
아래는 한국 제조 대기업의 B2B 영업 조직(대리점·딜러·주요 거래처 담당자)이 이 사례를 따라 할 때 필요한 구성입니다. 사례집은 AWS만 밝히고 어떤 서비스와 모델을 썼는지는 적지 않았으므로, 서비스 이름과 숫자는 모두 가상 예시입니다.
Call-to-Insight를 돌리려면 음성 인식(STT), 화자 분리, 개인정보 마스킹, LLM 구조화 출력 네 단계를 한 통화 단위로 묶습니다. AWS라면 Amazon Transcribe로 화자를 나눈 전사문을 만들고 Amazon Bedrock의 모델에 JSON 스키마를 강제하는 구성이 하나의 선택지입니다. 호출은 통화 한 건당 한 번, temperature는 0으로 둡니다. 모든 니즈와 위험 항목에는 전사문의 근거 구간(타임스탬프)을 달게 하고 근거 구간이 없는 항목은 저장하지 않습니다. 출력 스키마는 아래처럼 잡습니다.
{
"call_id": "C-20261028-0412",
"rep_id": "S-0193",
"account_id": "D-55021",
"summary": "300자 이내 요약",
"needs": [{"type": "납기 단축", "evidence": "03:12-03:40", "confidence": 0.82}],
"risks": [{"type": "경쟁사 전환 언급", "severity": "high", "evidence": "05:02-05:18"}],
"next_actions": [{"action": "견적 재제출", "due": "2026-11-04", "owner": "S-0193"}],
"needs_review": true
}위험 신호의 편차를 잡으려면 같은 통화를 처음 한 달은 3회씩 돌려 risks 목록이 일치하는지 봅니다. 3회가 모두 같은 위험 유형을 내면 자동 저장하고 갈리면 needs_review를 켜서 팀장 검토 큐로 보냅니다. 별도로 영업 팀장 2명이 통화 200건에 위험 라벨을 직접 붙인 평가셋을 만들어, 모델 재현율(사람이 찾은 위험 중 모델이 찾은 비율)을 매주 잽니다. 위험 칸은 놓치면 비용이 크므로 정밀도보다 재현율을 먼저 맞춥니다.
| 판정 | 기준 (가상 예시) | 처리 |
|---|---|---|
| 자동 | 3회 일치, confidence 0.8 이상 | 화면에 바로 표시 |
| 검토 | 3회 중 2회 일치 또는 0.6~0.8 | 팀장 검토 큐, 당일 확인 |
| 폐기 | 근거 구간 없음 또는 1회만 등장 | 저장하지 않고 로그만 남김 |
Embedded Alerts를 붙이려면 새 화면을 만들지 말고 기존 CRM(예: SAP CRM, Salesforce, 사내 영업 포털)의 거래처 화면 옆 패널에 네 칸을 띄웁니다. 알림 규칙은 단순하게 둡니다. severity가 high인 위험은 담당 팀장에게 통화 종료 후 1시간 안에, medium은 다음 날 아침 요약 메일로 보냅니다. 알림마다 ‘확인함/조치함/오탐’ 버튼을 달아 두면 그 클릭이 다음 달 프롬프트와 임계값을 고치는 라벨이 됩니다.
RM Matching Engine을 만들려면 처음부터 머신러닝 모델을 쓰지 말고 가중치 점수로 시작합니다. 거래처 라벨(업종, 연 매출 구간, 주력 품목, 통화에서 뽑은 최근 니즈)과 담당자 라벨(담당 품목, 기술 자격, 비슷한 거래처 응대 이력, 현재 담당 거래처 수)을 맞춰 점수를 매기고 담당자당 거래처 수 상한을 제약으로 둡니다. 예를 들어 품목 일치 0.4, 니즈와 전문성 일치 0.3, 응대 이력 0.2, 여유 용량 0.1로 시작하고 6개월 뒤 재계약률이나 견적 전환율을 보고 가중치를 고칩니다. 배정은 엔진이 후보 3명을 제안하고 팀장이 고르는 방식으로 두어야 현장의 반발이 적습니다.
PBG Indicators 같은 지표를 만들려면 통화 네 칸과 ERP 거래 데이터를 거래처 ID로 잇습니다. 담당자별로 주간 통화 수, 니즈 포착 건수, 제안한 후속 연락의 기한 내 이행률, 위험 신호 발생 거래처 수, 위험 신호 이후 30일 내 매출 변화를 한 화면에 둡니다. 실패하기 쉬운 곳은 세 군데입니다. 사투리·전문 용어로 STT가 틀리는 경우는 품목 사전과 거래처명 사전을 인식기에 넣어 줄이고 고객이 하지 않은 말을 니즈로 지어내는 경우는 근거 구간 필수 규칙으로 막고 녹취 동의가 없는 통화는 수집 단계에서 빼야 합니다.
현업 실행 디테일: 누가, 언제, 무엇을
시작 전 준비물은 네 가지입니다. 최근 3개월 영업 통화 녹취 최소 500건(녹취 동의 확인 완료), 거래처 마스터와 담당자 마스터, 팀장들이 합의한 위험 유형 목록(예: 경쟁사 전환, 납기 불만, 가격 재협상, 품질 클레임), 그리고 준법·법무팀이 확인한 녹취 활용 범위입니다.
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 스폰서 | 영업본부장 | 범위 승인, 파일럿 팀 지정, 6주 뒤 판정 |
| 현업 오너 | 영업 팀장 2명 | 위험 유형 정의, 평가셋 200건 라벨링, 알림 검토 |
| 사용자 | 영업 담당자 8~10명 | 네 칸 결과 수정, 오탐 표시, 주간 피드백 |
| 기술 | IT·데이터 3명 | STT·LLM 파이프라인, CRM 패널, 로그 |
| 통제 | 준법·법무, 정보보호 | 녹취 동의, 마스킹 규칙, 보관 기간 |
| 교육 | HR·영업기획 | 지표 기반 코칭 자료, 신규 담당자 교육 |
| 주차 | 할 일 | 산출물 |
|---|---|---|
| 1주 | 녹취 동의 범위 확인, 위험 유형 합의, 녹취 500건 수집 | 위험 유형 목록, 데이터 반출 승인서 |
| 2주 | 네 칸 스키마 확정, 평가셋 200건 라벨링 | JSON 스키마, 평가셋 |
| 3주 | 파이프라인 구축, 3회 반복 실행으로 편차 측정 | 재현율·일치율 1차 리포트 |
| 4~5주 | 파일럿 팀 CRM 패널 적용, 알림 운영, 오탐 수집 | 주간 지표, 수정률 |
| 6주 | 행정 시간 측정, 매칭 엔진 설계 착수 여부 판정 | 판정 보고서 |
팀장과 담당자에게 먼저 물어볼 질문입니다. 통화 뒤 기록을 남기는 데 건당 몇 분을 쓰는가. 지난달 놓친 위험 신호 가운데 통화에서 먼저 나왔던 것은 무엇인가. 거래처를 새로 배정할 때 지금은 무엇을 보고 정하는가. 팀장이 한 주에 실제로 다시 듣는 통화는 몇 건인가. 위험 알림을 받으면 누가 몇 시간 안에 움직여야 하는가.
진행 판정 기준은 가상 예시입니다. 담당자가 네 칸을 고친 비율이 20% 이하, 위험 신호 재현율이 평가셋에서 80% 이상, 통화 뒤 기록 시간이 건당 절반 이하로 줄면 전 영업 조직으로 넓힙니다. 재현율이 70%에 못 미치면 위험 유형 정의와 프롬프트를 고쳐 2주 더 돌리고 수정률이 40%를 넘으면 STT 품질부터 다시 봅니다. 매칭 엔진은 네 칸 데이터가 3개월 이상 쌓인 뒤에 시작합니다.
한국 제조 대기업이라면 적용처는 세 곳입니다. 대리점·딜러를 관리하는 국내 영업, 주요 거래처를 맡는 기술 영업, 고객 서비스 센터의 클레임 통화입니다. 순서는 통화가 가장 많고 녹취가 이미 남는 고객 서비스 센터나 국내 영업에서 네 칸 정리부터 시작하고 위험 알림이 자리 잡으면 거래처 배정과 코칭 지표로 넓히는 편이 안전합니다. Cathay United Bank의 순서도 전화 방문이라는 가장 잦은 업무에서 출발해 배정과 교육으로 이어졌습니다. 스폰서는 IT가 아니라 영업본부장이어야 하고 첫 성과 지표는 매출보다 담당자의 기록 시간과 팀장의 검토 범위로 잡아야 현장이 받아들입니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 회사 | Cathay United Bank (대만 타이베이, Cathay Financial Holdings 계열) |
| 출처 | Gartner 2026 Eye on Innovation Awards for Banking and Investing 제출·소개 사례(사례집 슬라이드 25) |
| 사례명 | RM AI Assistant (理專AI助手) |
| 대상 업무 | 자산관리 RM의 전화 방문, 통화 기록, 감독·모니터링, 교육, 고객 배정 |
| 구성 | 통화 요약·니즈·위험·제안 정리, RM·감독자 플랫폼 실시간 알림, RM Matching Engine, PBG 지표 |
| 기술 | GenAI, Reasoning Models, Data & Analytics, LLMs, Automation · 제공사 AWS |
| 보고 성과 | 연간 고객 상호작용 100만 건 이상 지원(기업 보고 실적), 수작업 검토·행정 부담 감소, 감독·코칭·위험 식별 개선(정량치 미제시) |
| 공개 자료 | 첫 단계는 전화 방문 업무(旺得富 2026.08.28, 공상시보 2026.10.08) · The Asian Banker 대만 최우수 생성형 AI 기술상(旺得富 보도) · 대만 디지털 금융상 AI 실천 모범상(공상시보 보도) |
핵심 개념
- RM (Relationship Manager)
- 고객 한 명 또는 고객군을 맡아 관계와 자산을 관리하는 전담 직원. 제조 기업의 거래처 담당 영업에 해당합니다.
- 표본 감독 (sample-based supervision)
- 관리자가 통화나 거래의 일부만 골라 점검하는 방식. 놓친 건은 사후에야 드러납니다.
- 구조화 출력 (structured output)
- LLM이 자유 문장 대신 정해진 필드와 타입의 JSON으로 답하게 하는 설정.
- 근거 구간 (evidence span)
- AI가 뽑은 항목이 전사문의 어느 시간대에서 나왔는지 표시한 위치. 지어낸 항목을 걸러 내는 기준이 됩니다.
- 재현율 (recall)
- 사람이 찾은 위험 신호 가운데 모델이 찾아낸 비율. 놓치면 비용이 큰 경고에 먼저 맞춥니다.
- 니즈 기반 배정 (needs-based allocation)
- 고객의 현재 니즈와 담당자의 전문성을 맞춰 담당을 정하는 방식.
내 메모
TODO: 내 생각 추가
근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Cathay United Bank, 슬라이드 25)와 확인한 공개 자료입니다. 旺得富理財網 『國泰世華 獲《亞洲銀行家》頒5大獎』(2026.08.28, https://wantrich.chinatimes.com/news/20260828900033-420101), 공상시보 『2026數位金融獎》國泰榮獲AI智能實踐典範獎』(2026.10.08, https://www.ctee.com.tw/news/20261008700235-439901, 같은 기사 중국시보 지면판 https://www.chinatimes.com/newspapers/20261008000379-260210). RM Matching Engine과 PBG는 사례집 외 공개 자료로 확인하지 못했습니다. 은행이 쓴 AWS 서비스와 모델 이름도 확인하지 못했습니다. Gartner 수상 여부는 공개 자료로 확인하지 않았으므로 제출·소개된 사례로 적었습니다. 요약·메커니즘·사례 재구성은 위 자료를 AX Review가 다시 정리했고 기술·현업 디테일, JSON 예시, 판정 기준, 일정, 인포그래픽과 표는 새로 작성했으며 그 안의 서비스 구성과 숫자는 가상 예시입니다.