Hong Kong SFC SENSOR: SNS 금융사기 감시를 AI로 상시화해 위험 식별을 수일에서 수분으로
홍콩 증권선물위원회(SFC)는 SNS 게시물에서 금융사기와 시장교란 신호를 뽑아 위험 순으로 올리는 AI 감시 플랫폼 SENSOR를 2025년 3분기에 가동했습니다. 사례집 기준으로 위험 식별과 상향보고가 수일에서 수분으로 줄었습니다. 신호 스키마, 위험 등급, 감사 기록, 제조사가 SNS 품질·사칭 신호 감시에 옮기는 12주 계획을 붙였습니다.
홍콩 증권선물위원회(SFC)는 사람이 직접 찾아 읽던 SNS 감시를 AI가 먼저 읽고 금융 관련 위험 신호를 골라 순서대로 올리는 상시 감시로 바꿨습니다. 사례집은 위험 식별과 상향보고가 수일에서 수분으로 줄었다고 적었습니다. 옮겨 쓰려면 모델보다 먼저 무엇을 위험 신호로 볼지 정의하고 점수마다 근거 문장과 판단 기록을 남기는 통제를 처음부터 넣어야 합니다.
요약
SFC(Securities and Futures Commission, 證監會)는 홍콩의 증권·선물 시장 감독기관입니다. SFC가 2026 Gartner Eye on Innovation Awards for Government에 제출한 SENSOR(Suspicious Fraudulent Activities Detection in Social Media Monitoring) 사례가 Greater China 사례집에 실렸습니다. 출발점은 SNS였습니다. 비정형 게시물이 너무 많고 빠르게 퍼져서 사람이 직접 감시하는 방식으로는 빈 곳이 생겼습니다. 시장교란, 투자 사기, 투자자 피해가 그 틈에서 늦게 발견될 위험이 커졌습니다. 부서마다 데이터가 따로 있어 위험의 전체 모습을 한곳에서 보기도 어려웠습니다. SFC는 생성형 AI(GenAI), 기존 분석 기법, agentic AI(목표를 받아 여러 단계를 스스로 이어 가는 AI)를 묶었습니다. 이 조합으로 금융 관련 신호를 찾아내고 고위험 콘텐츠를 앞에 올리며 여러 데이터를 합칩니다. 데이터 보호, 투명성, 감사 가능성, 부서 간 협업을 위한 통제도 시스템 안에 넣었습니다.
SFC의 2026년 4월 24일 보도자료는 SENSOR를 2025년 3분기에 가동한 자체 AI 기반 SNS 감시 시스템이라고 소개했습니다. AI와 자연어 처리(NLP)로 SNS를 훑어 finfluencer(금융 인플루언서)의 무인가 금융상품 홍보 같은 위험 징후를 찾는다는 설명입니다. 사례집이 밝힌 실적은 위험 식별과 상향보고가 수일에서 수분으로 줄었다는 것입니다. 감시 범위는 수작업 한계를 넘어 넓어졌고 콘텐츠를 걸러 보는 공수는 크게 줄었습니다. 금융 콘텐츠 탐지 정확도도 올라갔다고 적었습니다. 세부 절감률과 정확도 수치는 밝히지 않았습니다. 효과는 읽는 순서를 바꾼 데서 나옵니다. 담당자가 게시물을 찾아다니던 일을 기계가 먼저 읽어 고위험만 올리는 일로 바꾸면 사람의 시간은 판단에만 들어갑니다. SFC 고위 관계자는 사례집에서 이를 ‘from reactive investigation to continuous, intelligence-driven monitoring’이라고 표현했습니다. 아래에서는 이 흐름을 네 메커니즘으로 나누고 한국 제조 대기업이 SNS 품질·사칭 신호 감시에 옮기는 방법을 덧붙였습니다.
핵심 메커니즘
Finance Signal Extraction: 게시물에서 금융 신호를 뽑기
무엇인가. 형식이 없는 SNS 게시물에서 금융과 관련된 내용인지 가리고 관련 있으면 무엇을 주장하는지 뽑아 구조화된 신호로 만드는 단계입니다.
어떻게 작동하나. 입력은 공개 게시물입니다. 처리는 두 겹입니다. 먼저 이 글이 종목, 투자 상품, 수익 약속, 가상자산 같은 금융 내용인지 판별합니다. 금융 내용이면 언급된 종목이나 상품, 주장의 유형(확정 수익 약속, 무인가 투자 자문, 메신저 단체방으로 유도 등), 게시 계정을 뽑습니다. 출력은 신호 레코드 한 줄과 그 근거가 된 문장입니다. 사례집은 GenAI와 기존 분석을 함께 쓴다고 적었습니다. SFC 보도자료는 AI와 NLP로 위험 징후를 찾는다고 설명했습니다.
언제 쓰고 언제 안 쓰나. 글의 양이 사람이 읽을 수 있는 수준을 넘고 찾을 대상이 몇 가지 주장 유형으로 정리될 때 맞습니다. 무엇을 위반으로 볼지 내부 기준이 없으면 추출부터 시작하지 않습니다. 이미지나 영상 속 문구는 별도의 문자 인식이 필요합니다.
작은 예시(가상 예시). 게시물 하나가 특정 종목을 두고 한 달에 30% 수익을 보장한다며 메신저 단체방 링크를 붙였다면 금융 관련 여부는 예, 대상 종목, 주장 유형은 확정 수익 약속과 단체방 유도, 근거 문장 두 개가 한 레코드로 저장됩니다.
Risk Prioritization: 고위험부터 사람에게 올리기
무엇인가. 뽑힌 신호에 위험 점수를 매겨 높은 것부터 검토 큐에 올리고 기준을 넘으면 바로 담당 부서로 상향보고하는 단계입니다.
어떻게 작동하나. 신호 레코드의 주장 유형, 계정의 인가 여부, 게시물의 도달 범위와 퍼지는 속도, 같은 계정의 과거 신호를 합쳐 점수를 냅니다. 규칙 점수와 모델 점수를 함께 쓰는 구조가 흔합니다. 점수가 높은 콘텐츠는 큐 맨 앞에 서고 담당자에게 알림이 갑니다. 사례집이 말한 수일에서 수분으로의 변화는 이 단계에서 생깁니다. 사람이 찾아내기를 기다리지 않고 시스템이 위험을 발견하는 순간 담당자 화면에 올리기 때문입니다.
언제 쓰고 언제 안 쓰나. 검토할 사람보다 검토할 건이 훨씬 많고 놓치면 피해가 빠르게 커지는 업무에 맞습니다. 건수가 적어 사람이 전부 읽을 수 있다면 우선순위화보다 추출만으로 충분합니다.
Cross-division Integration: 부서별 단서를 한 사건으로 묶기
무엇인가. 여러 부서에 흩어진 데이터를 같은 대상(계정, 종목, 인물) 기준으로 묶어 한 사건으로 보이게 하는 단계입니다. 사례집은 agentic AI가 여러 데이터를 통합한다고 적었습니다.
어떻게 작동하나. 고위험 신호가 하나 올라오면 에이전트가 도구를 차례로 부릅니다. 인가 등록부에서 계정 주체가 인가를 받았는지 확인합니다. 같은 종목에 시장 감시 경보가 떴는지 보고 과거 사건 기록에 같은 계정이나 연락처가 있는지 찾습니다. 찾은 결과는 근거 링크와 함께 한 사건 화면에 붙습니다. 담당자는 부서마다 따로 조회하지 않고 사건 화면 하나에서 판단합니다.
언제 쓰고 언제 안 쓰나. 한 건을 판단하는 데 서너 개 시스템을 오가야 하는 조직에 맞습니다. 데이터마다 열람 권한이 다르면 에이전트가 부를 수 있는 도구와 범위를 먼저 정해야 합니다.
Explainable Governance: 점수의 이유와 판단 기록을 남기기
무엇인가. 감독기관이 AI 결과로 조치하려면 왜 이 콘텐츠를 위험하다고 봤는지 설명할 수 있어야 합니다. 사례집은 데이터 보호, 투명성, 감사 가능성, 부서 간 협업을 위한 통제를 SENSOR에 내장했다고 적었습니다. 고위 관계자 발언도 설명 가능한 거버넌스와 규제 정합성을 짚었습니다.
어떻게 작동하나. 위험 점수마다 근거가 된 문장과 규칙, 모델 버전을 함께 저장합니다. 담당자가 점수를 받아들이거나 뒤집으면 그 판단과 이유도 기록합니다. 이 기록이 쌓이면 나중에 감사나 소송에서 결정 경로를 되짚을 수 있습니다. 뒤집힌 판단은 다음 모델 개선의 재료가 됩니다.
언제 쓰나. 결과가 삭제 요청, 경고, 수사 의뢰처럼 외부에 영향을 주는 업무라면 처음부터 이 구조로 설계합니다.
사례 재구성
SFC: SENSOR SNS 금융사기 감시
| 구분 | 내용 |
|---|---|
| 상황 | SNS 비정형 정보가 급증해 수동 감시에 사각지대가 생김. 시장교란·사기·투자자 피해가 늦게 발견될 위험. 부서별 데이터 분절로 위험 전체상 파악이 어려움 |
| 한 일 | SENSOR 구축. GenAI, 기존 분석, agentic AI로 금융 신호 추출, 고위험 콘텐츠 우선순위화, 데이터 통합. 데이터 보호·투명성·감사·부서 협업 통제 내장. 사례집 기술: AI Agents, AI, Automation, Cloud, GenAI, LLMs. 기술 제공사로 Vote Limited 표기 |
| 결과 | 사례집 보고 실적: 위험 식별·상향보고 수일에서 수분. 감시 범위 확대, 검토 공수 감소, 금융 콘텐츠 탐지 정확도 향상. 세부 절감률·정확도는 밝히지 않음 |
| 연결 | 네 메커니즘이 한 시스템에서 함께 돈 사례. 추출이 신호를 만들고, 우선순위화가 시간을 줄이고, 통합이 사건을 묶고, 통제가 조치의 근거를 남김 |
공개 자료로 보면 SENSOR는 SFC의 SNS 대응 가운데 한 축입니다. 2026년 4월 24일 SFC 보도자료에 따르면 SFC는 IOSCO(국제증권감독기구) 회원 17곳과 함께 불법 finfluencer 대응 주간에 참여했습니다. 같은 자료는 2025년 7월 이후 주요 SNS 플랫폼에 12건의 신고로 의심 게시물·계정 33개를 알렸고 90% 넘게 신속히 삭제됐다고 밝혔습니다. 무인가 유료 투자 자문을 한 finfluencer에게 실형 판결을 받아 낸 사례도 함께 소개했습니다. 이 수치들은 SENSOR와 같은 자료에 나오지만 SENSOR가 낸 결과라고 직접 밝히지는 않았습니다. SFC 보도자료는 SENSOR를 자체(in-house) 시스템이라고 부릅니다. 사례집은 기술 제공사로 Vote Limited를 적었습니다. 이 노트는 두 자료가 밝힌 대로 둡니다. 배경도 오래됐습니다. 2020년 9월 보도에 따르면 당시 SFC가 진행하던 시장조작 조사의 약 5분의 1이 SNS 기반 사기였습니다. 채널로는 페이스북, 왓츠앱, 위챗, 텔레그램이 거론됐습니다.
기술 디테일: SNS 위험 신호 감시를 실제로 돌리려면
아래는 사례집과 공개 자료에 없는 내용입니다. 같은 구조를 만들 때 필요한 설정을 새로 정리했습니다.
Finance Signal Extraction은 두 단계로 나눕니다. 모든 게시물을 LLM에 보내면 비용과 지연이 감당하기 어렵습니다. 먼저 경량 분류기(작은 다국어 인코더를 미세 조정한 모델)로 금융 관련 글만 통과시키고 통과한 글만 LLM으로 구조화합니다. 홍콩처럼 번체 중국어, 광둥어 구어 표기, 영어가 한 문장에 섞이는 환경이라면 분류기 학습 데이터에도 섞인 글을 충분히 넣어야 합니다. 1차 분류기는 놓침을 줄이는 쪽으로 기준선을 낮게 잡고 정밀도는 2단계에서 올립니다.
LLM 출력은 고정 스키마로 받습니다. 자유 서술 대신 허용값이 정해진 필드로 받고 게시물에 없는 값은 null로 두게 합니다. 필드마다 근거 문장 위치를 함께 받습니다. 아래 값은 가상 예시입니다.
{
"post_id": "p-2026-000123",
"platform": "public_forum",
"captured_at": "2026-10-28T09:12:00+08:00",
"language": ["zh-Hant", "yue", "en"],
"is_financial": true,
"instruments": [{"type": "listed_stock", "code": "0000.HK"}],
"claim_types": ["guaranteed_return", "redirect_to_private_group"],
"promised_return": {"value": 30, "unit": "percent_per_month"},
"licence_claim": "none_stated",
"impersonation_target": null,
"evidence": {"claim_types": ["s2", "s4"], "promised_return": ["s2"]},
"model_version": "extract-v1.3"
}호출 설정과 편차 관리. 추출은 temperature 0, 게시물 한 건에 한 번 부르는 단위로 합니다. 전문가가 정답을 확정한 골드셋 300~500건은 세 번씩 돌려 필드별 불일치율을 재고 5%를 넘는 필드는 정의를 다시 씁니다. 주장 유형처럼 판단이 섞이는 필드는 다른 계열 모델로 한 번 더 뽑아 두 결과가 다르면 사람 검토로 보냅니다.
Risk Prioritization 점수는 규칙과 모델을 나눠 기록합니다. 확정 수익 약속, 무인가 자문, 기관 사칭처럼 위반 유형이 분명한 항목은 규칙 점수로 줍니다. 도달 범위, 확산 속도, 계정 이력은 모델 점수로 줍니다. 두 점수를 따로 저장해야 담당자가 왜 높게 나왔는지 바로 봅니다. 등급별 기준선은 그림자 운영 기간에 놓침률과 오탐률을 보며 조정합니다.
Cross-division Integration 에이전트는 도구 목록을 좁게 둡니다. 인가 등록부 조회, 경고 명단 조회, 시장 감시 경보 조회, 과거 사건 검색처럼 읽기 전용 도구 네다섯 개로 시작합니다. 삭제 요청이나 외부 통보 같은 쓰기 동작은 에이전트가 하지 않고 사람이 승인합니다. 도구 호출마다 입력, 결과, 시각을 사건 기록에 남깁니다. 계정 이름은 바뀌기 쉬우므로 연락처, 링크 도메인, 지갑 주소처럼 잘 안 바뀌는 식별자로 같은 대상을 묶습니다.
Explainable Governance 기록 필드. 알림 한 건마다 risk_score, rule_hits, model_score, evidence_sentences, model_version, reviewer_id, reviewer_decision(accept·override·escalate), override_reason, escalated_to, timestamps를 남깁니다. 개인 정보는 수집 단계에서 업무에 필요한 범위로 줄이고 원문 보관 기간을 정해 둡니다.
| 실패하는 경우 | 대응 |
|---|---|
| 은어·우회 표기로 1차 분류기를 통과 못 함 | 놓친 사례를 주 단위로 모아 분류기 재학습, 우회 표기 사전 갱신 |
| 정상 투자 정보까지 고위험으로 올라옴 | 규칙 점수와 모델 점수 분리 표시, 오탐 이유 코드로 기준선 조정 |
| 같은 사기 조직이 계정을 계속 바꿈 | 연락처·링크·지갑 주소 기준으로 묶어 사건 단위 추적 |
| LLM이 게시물에 없는 주장을 덧붙임 | 필드마다 근거 문장 필수, 근거 없는 값은 화면에서 숨김 |
| 이미지·영상 속 문구를 못 읽음 | 문자 인식과 음성 인식을 붙여 텍스트로 바꾼 뒤 같은 파이프라인으로 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 가상 예시입니다. 한국 제조 대기업의 AX 조직이 이 구조를 SNS와 온라인 커뮤니티의 품질·안전 신호와 회사 사칭 사기 감시에 옮긴다고 가정해 새로 썼습니다. 가전이나 자동차 회사라면 소비자 커뮤니티에 같은 결함 증상이 반복해 올라오는 것이 리콜이나 품질 이슈의 첫 신호일 수 있습니다. 상장사라면 회사나 경영진을 사칭한 투자 리딩방도 감시 대상입니다. SFC의 금융 신호 자리에 품질 증상과 사칭 신호를 놓으면 같은 구조가 됩니다.
| 역할 | 누가 | 맡는 일 |
|---|---|---|
| 스폰서 | 품질 또는 CS 담당 임원 | 신호 정의와 판정 기준 승인, 확대 결정 |
| 프로세스 오너 | 품질 정보 또는 고객경험 팀장 | 등급별 처리 기준 결정, 그림자 운영 관리 |
| 도메인 전문가 | 품질 분석가, CS 상담 리더, 법무 3~5명 | 신호 유형 정의, 골드셋 정답 확정, 오탐 판정 |
| 법무·정보보호 | 법무 1명, 정보보호 1명 | 수집 범위와 플랫폼 약관 검토, 개인 정보 최소화 |
| 데이터·ML | 데이터 엔지니어 2명, ML 엔지니어 1명 | 수집, 분류기, 추출 스키마, 점수, 기록 |
| 현업 연계 | 품질, IR, 홍보 담당 각 1명 | 상향보고를 받는 부서의 처리 절차 정의 |
시작 전에 모을 것. 최근 1~2년 동안 실제로 품질 이슈나 사칭 사건으로 이어진 게시물 사례, 그때 회사가 처음 알게 된 날짜와 경로, 지금 감시 담당자가 하루에 보는 게시물 수입니다. 처음 알게 되기까지 걸린 시간이 SFC 사례의 수일에 해당하는 기준값입니다. 이 값을 먼저 재 둬야 나중에 효과를 말할 수 있습니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 워크숍으로 신호 유형 8~12개 확정, 수집 채널과 약관 검토 | 신호 정의서, 채널 목록 |
| 3~5주 | 과거 사례로 골드셋 300건 확정, 분류기와 추출 스키마 v1 | 골드셋, 스키마 v1 |
| 6~8주 | 위험 점수와 검토 큐, 사건 화면 시안, 기록 필드 구현 | 점수 v1, 검토 화면 |
| 9~10주 | 그림자 운영: 기존 담당자 감시와 시스템 알림을 나란히 비교 | 비교 로그, 놓침·오탐 목록 |
| 11~12주 | 판정 기준 점검, 확대 범위 결정 | 판정 보고서, 확대 계획 |
워크숍과 파일럿에서 물을 것.
- 지난 2년 동안 SNS에서 먼저 터진 품질·사칭 이슈는 무엇이었고, 회사는 며칠 뒤에 알았나요?
- 어떤 표현이 보이면 바로 보고해야 한다고 판단하나요?
- 알림을 받으면 누가 몇 시간 안에 무엇을 결정해야 하나요?
- 정상 불만과 품질 이슈 신호를 가르는 기준을 한 줄로 쓸 수 있나요?
- 외부 조치(삭제 요청, 공지, 신고)를 할 때 어떤 근거를 남겨야 하나요?
진행 판정 기준(예시). 골드셋 기준 고위험 신호 재현율 90% 이상, 고위험 알림 중 담당자가 타당하다고 본 비율 60% 이상, 처음 알게 되기까지 걸린 시간이 기준값의 절반 이하, 모든 알림에 근거 문장이 붙어 있을 것. 기준은 파일럿 전에 문서로 정해 둡니다.
AX에 옮길 때. 이 사례에서 가져올 것은 SNS 감시라는 업무가 아니라 구조입니다. 바깥에서 쏟아지는 글을 기계가 먼저 읽고 위험 순으로 사람에게 올리며 판단 근거를 기록으로 남기는 구조입니다. 제조사에는 소비자 커뮤니티의 결함 신호, 회사·경영진 사칭 사기, 위조품 판매 게시물, 협력사 관련 부정 뉴스 같은 후보가 있습니다. 순서는 놓쳤을 때 비용이 이미 경영진에게 보이는 업무부터 고릅니다. 처음에는 자동 조치 없이 알림과 근거만 주는 보조로 시작합니다. 담당자의 뒤집기 이유가 쌓이면 그것으로 신호 정의를 고칩니다. 성과 지표인 처음 알게 되기까지 걸린 시간의 정의는 스폰서와 첫 주에 합의해 둡니다.
원문 사례
| 항목 | 내용 | 출처 |
|---|---|---|
| 기관 | Securities and Futures Commission(SFC, 證監會), 홍콩 증권·선물 감독기관 | 사례집 |
| 사례명 | SENSOR(Suspicious Fraudulent Activities Detection in Social Media Monitoring), 2026 Gartner Eye on Innovation Awards for Government 제출·소개 사례 | 사례집 |
| 기술 | AI Agents, AI, Automation, Cloud, GenAI, LLMs · 기술 제공사 Vote Limited | 사례집 |
| 위험 식별·상향보고 | 수일에서 수분 | 사례집 |
| 감시·검토 | 감시 범위 수작업 한계 이상으로 확대, 검토 공수 크게 감소 | 사례집 |
| 탐지 품질 | 금융 콘텐츠 탐지 정확도 향상(수치 미제시) | 사례집 |
| 가동 | 2025년 3분기, 자체 AI 기반 SNS 감시 시스템, AI·NLP로 finfluencer 무인가 홍보 등 위험 징후 탐지 | SFC 보도자료(2026.4.24), HK01 |
| 플랫폼 신고 | 2025년 7월 이후 12건 신고, 의심 게시물·계정 33개, 90% 넘게 신속 삭제 | SFC 보도자료(2026.4.24) |
| 국제 공조 | 불법 finfluencer 대응 주간 참여, IOSCO 회원 17곳 | SFC 보도자료(2026.4.24) |
| 배경 | 진행 중 시장조작 조사의 약 5분의 1이 SNS 기반 사기 | 2020년 9월 보도 |
핵심 개념
- SFC
- 홍콩의 증권·선물 시장을 감독하는 독립 법정기구. 인가, 감독, 시장 감시, 집행을 맡습니다.
- finfluencer
- SNS에서 투자 정보를 퍼뜨리는 금융 인플루언서. 인가 없이 유료 자문이나 상품 홍보를 하면 규제 대상이 됩니다.
- ramp-and-dump
- SNS나 메신저로 특정 종목을 띄워 가격을 올린 뒤 미리 산 주식을 파는 시장교란 수법.
- suptech
- 감독기관이 감독 업무에 쓰는 기술. 금융회사가 규제 준수에 쓰는 regtech와 짝을 이룹니다.
- IOSCO
- 각국 증권감독기관이 모인 국제기구. 국제 기준을 만들고 공조 활동을 조율합니다.
- 재현율
- 실제 위험 건 가운데 시스템이 찾아낸 비율. 감시 업무에서는 정밀도보다 먼저 봅니다.
- 그림자 운영
- 새 시스템을 실제 결정에 쓰지 않고 기존 방식과 나란히 돌려 결과를 비교하는 시험 기간.
내 메모
TODO: 내 생각 추가
근거는 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Hong Kong Securities and Futures Commission, SENSOR Fraud Surveillance)와 확인한 공개 자료입니다. 공개 자료: SFC 보도자료(2026.4.24, 불법 finfluencer 대응 국제 공조 참여 발표, Mondo Visione 전재, https://mondovisione.com/media-and-resources/news/hong-kong-securities-and-futures-commission-joins-global-regulatory-effort-again-2026424/), HK01 보도(2026.4.24, https://global.hk01.com/财经快讯/60343629/证监会-与全球证券监管机构合作-打击金融网红违法活动), finews.asia 보도(2020.9.25, https://www.finews.asia/finance/32807-sfc-1-in-5-scams-from-social-media). 수상 여부는 공개 자료로 확인하지 못해 제출·소개 사례로 적었습니다. 요약, 메커니즘의 사례 근거, 사례 재구성, 원문 사례 표는 위 자료를 AX Review가 다시 정리했습니다. 메커니즘 이름과 작은 예시, 기술·현업 실행 디테일, JSON 예시, 실패 대응 표, 일정과 판정 기준, 인포그래픽은 새로 작성했으며 그 안의 숫자는 가상 예시입니다.