Deutsche Bank ADA: 기업 대출 심사를 몇 주에서 몇 분으로 줄인 은행의 AI 운영법
Deutsche Bank는 올여름 기업 대출 심사에 AI를 붙여 단순한 중소기업 건을 몇 주에서 몇 분으로 줄였습니다. 사내 플랫폼 ADA에서 에이전트와 모델을 한곳에서 관리합니다. 엔지니어 1만 5,000명 이상의 AI 코딩, 2028년 비용 목표와의 연결, 심사 보조 JSON 필드와 6주 도입 계획을 붙였습니다.
Deutsche Bank는 AI를 대출 심사, KYC, 개발 업무에 넣고 그 효과를 2028년 비용 목표에 묶었습니다. 단순한 중소기업 대출 심사는 몇 주에서 몇 분으로 줄었습니다. 옮기려면 모델 고르기보다 에이전트를 한곳에서 감독하는 플랫폼과 사람이 결정을 설명하는 절차를 먼저 갖춰야 합니다.
요약
TheStreet의 Faizan Farooque는 2026년 10월 28일, Deutsche Bank가 AI 생산성에 구체적인 숫자를 붙이기 시작했다고 정리했습니다. 근거는 Reuters와 한 인터뷰입니다. 인터뷰이는 최고기술·데이터·혁신책임자(CTO) Marie-Jeanne Deverdun입니다. 은행은 올여름 기업 대출 심사를 돕는 AI를 가동했습니다. 이 AI는 어떤 기업에 얼마나 빨리 돈을 빌려줄지 판단하는 과정을 돕습니다. Deverdun에 따르면 구조가 단순한 중소기업 건은 몇 주 걸리던 일이 몇 분으로 줄었습니다. 해외 차입자 건은 몇 달이 몇 주로 줄어들 수 있다고 기사는 씁니다. 은행은 이 AI를 사내 플랫폼 ADA(Ada Lovelace에서 딴 이름) 위에서 운영합니다. ADA에서 에이전트를 만들고 감시·관리하며 여러 AI 모델을 바꿔 가며 씁니다.
효과는 대출에서 그치지 않습니다. 엔지니어 1만 5,000명 이상이 GitHub Copilot과 Google Gemini Code Assist를 씁니다. 은행은 개발자 한 명이 주당 1.5~2.5시간을 아낀다고 추산합니다. 투자은행 기술 임원 Denis Roux는 약 2년 걸리던 일부 과제가 AI 덕에 3~6개월에 끝난다고 Reuters에 말한 바 있습니다. Private Bank는 9월에 자산 출처를 확인하는 KYC 에이전트를 싱가포르와 홍콩에서 시작했습니다. 은행은 2026~2028년 기술에 25억 유로를 더 쓰고 2028년까지 총 20억 유로 안팎의 효율 개선과 비용수익비율(CIR) 60% 미만을 노립니다. 기사의 결론은 도입한 AI 도구의 개수보다 재무 숫자가 바뀌는지를 보라는 것입니다. 같은 날 3분기 실적 콜에서 CEO Christian Sewing은 AI가 이끄는 생산성을 2028년 목표를 웃돌 수 있는 요인으로 꼽았습니다. 아래에서는 이 숫자를 만든 작동 방식 여섯 가지와 사례를 보고 우리 조직에 옮길 기술·현업 디테일을 붙였습니다.
핵심 메커니즘
AI-assisted credit: 사람이 결정을 설명하는 대출 심사 보조
기업 대출 심사의 준비 작업을 AI가 맡고 결정은 사람이 내리는 방식입니다. 기업 대출을 심사하려면 소유 구조, 기존 부채, 법인 관계, 위험 요인을 하나하나 확인해야 합니다. 기사는 이 확인 부담을 심사가 오래 걸리는 이유로 듭니다. AI는 이 자료를 모으고 정리해 심사를 앞당깁니다. 신용 평가 자체를 대신하지는 않습니다. 은행은 승인, 거절, 금리 책정의 이유를 여전히 설명해야 하기 때문입니다. 효과가 가장 큰 곳은 구조가 단순한 중소기업 건입니다. 해외 차입자는 몇 달이 몇 주로 줄어드는 정도입니다. 원문은 AI가 읽는 문서 종류나 심사역의 역할 변화를 밝히지 않았습니다. 가상 예시를 들면 단일 법인 제조사의 운전자금 대출에서 AI가 재무제표, 등기, 기존 차입 내역을 한 장으로 묶고 심사역은 그 위에서 판단만 합니다.
ADA: 에이전트를 만들고 감시하는 사내 플랫폼
ADA는 Deutsche Bank가 에이전트를 만들고 그 활동을 감시하며 관리하는 사내 플랫폼입니다. 이름은 Ada Lovelace에서 따왔습니다. 핵심 기능 하나는 여러 AI 모델을 번갈아 쓰는 것입니다. 이렇게 두면 부서마다 모델 연결을 따로 만들 필요 없이 플랫폼에서 모델을 고릅니다. 기사는 ADA가 사람의 책임 아래 돌아간다고 적었습니다. 어떤 모델을 왜 바꾸는지는 밝히지 않았습니다. 이 구조는 에이전트가 여러 부서에 늘어나는 단계에 맞습니다. 에이전트가 한두 개뿐이면 플랫폼보다 개별 관리가 빠릅니다. 가상 예시로 KYC 에이전트가 쓰던 모델의 비용이 오르면 플랫폼에서 다른 모델로 바꾸고 같은 시험 세트로 결과를 비교합니다.
Unified governance layer: 부서가 서로 다른 AI를 만들지 않게 하는 공통 층
Deutsche Bank는 중앙 기술 프로그램에서 기술 표준, 가드레일(AI가 넘지 말아야 할 선), 공용 AI 서비스를 정합니다. 기사가 인용한 은행 웹사이트 설명입니다. 목적은 부서마다 서로 충돌하는 시스템을 따로 만드는 일을 막는 것입니다. 작동 순서는 이렇습니다. 중앙이 표준과 공용 서비스를 내놓고 각 부서는 그 위에서 자기 업무 에이전트를 만들고 모든 에이전트가 같은 통제 층을 지납니다. 은행처럼 감독 당국에 설명할 의무가 큰 조직에 맞습니다. 실험 단계의 작은 팀에는 무거울 수 있습니다. 기사는 미국과 유럽 감독 당국이 은행에 에이전트를 끌 수 있는지, 결정을 감사할 수 있는지, AI를 쓴 사이버 공격에서 회복할 수 있는지 묻기 시작했다는 Reuters 10월 13일 보도도 함께 소개합니다.
Human-in-the-loop KYC: 자산 출처 확인을 맡긴 에이전트
Private Bank가 9월에 싱가포르와 홍콩에서 시작한 에이전트는 자산가 고객이 돈을 어떻게 벌었는지 확인합니다. 이 확인 작업을 source of wealth(자산 출처) 검증이라 부릅니다. 은행 보도자료에 따르면 에이전트가 기존 고객 자료와 내부·외부 데이터베이스에서 자료를 모읍니다. 승인된 외부 출처와 대조해 빈칸과 불일치를 찾고 사람 검토자가 볼 평가서를 준비합니다. 최종 책임은 직원에게 남습니다. 문서 조사가 많고 판단 기준이 정해진 업무에 맞습니다. 출처가 공개 자료에 거의 없는 고객이라면 결국 사람이 직접 확인해야 합니다. 은행은 이 서비스를 두바이까지 넓힐 계획입니다.
AI coding at scale: 1만 5,000명이 같은 도구로 시간을 아끼는 구조
은행은 엔지니어 1만 5,000명 이상에게 GitHub Copilot과 Google Gemini Code Assist를 쓰게 했습니다. 한 사람이 주당 1.5~2.5시간을 아낀다는 은행 추산을 인원에 곱하면 숫자가 커집니다. 다만 은행은 그 합계를 따로 밝히지 않았습니다. 개별 과제에서는 효과가 더 크게 보입니다. 약 2년 걸리던 투자은행 과제 일부가 3~6개월에 끝났다고 Denis Roux는 말했습니다. 이 방식은 개발 인력이 크고 레거시 코드가 많은 조직에서 효과가 납니다. 코드 검토와 시험 자동화가 약하면 빨리 쓴 코드가 뒤에서 다시 막힙니다.
Agentic economy: 은행 에이전트와 고객 에이전트가 직접 거래하는 단계
Deverdun은 은행의 AI 에이전트가 고객사의 AI 에이전트와 직접 소통하는 agentic economy(에이전트끼리 거래하는 경제)를 준비한다고 Reuters에 말했습니다. 지금은 심사역이 고객에게 서류를 요청하고 받습니다. 이 단계가 되면 고객사의 에이전트가 필요한 자료를 모아 은행 에이전트에 넘기는 그림이 됩니다. 이 구체적인 장면은 기사 필자의 추정입니다. 은행이 밝힌 일정이나 시범 사례는 없습니다. 거래 상대가 많고 서류가 정형화된 기업금융에 먼저 맞습니다. 이렇게 되면 에이전트의 신원 확인과 권한 범위를 정하는 일이 앞선 과제가 됩니다.
통념과 다른 주장
흔히 이렇게 봅니다AI 성과는 도입한 도구 수와 파일럿 건수로 보여 준다.
기사는 이렇게 봅니다지켜볼 숫자는 도구 개수가 아니다. 도구가 은행의 재무 상황을 바꾸는지가 시험대다.
근거Deutsche Bank는 AI를 2028년 총 20억 유로 안팎의 효율 개선과 CIR 60% 미만 목표에 묶었고 3분기 콜에서 CEO가 AI 생산성을 목표 초과 요인으로 꼽았습니다.
흔히 이렇게 봅니다대출 심사 AI는 심사역을 대체한다.
기사는 이렇게 봅니다AI는 대출 과정을 돕고 신용 평가를 대신하지 않는다.
근거은행은 승인, 거절, 금리 책정의 이유를 설명해야 하고 감독 당국은 에이전트를 끄고 감사할 수 있는지 묻기 시작했습니다.
저자가 든 사례
기업 대출 심사: 몇 주에서 몇 분으로
| 항목 | 내용 |
|---|---|
| 상황 | 기업 대출은 소유 구조, 부채, 법인, 위험을 확인하느라 오래 걸렸습니다. |
| 한 일 | 올여름 대출 결정을 돕는 AI를 가동했습니다. 결정과 설명은 사람이 맡습니다. |
| 결과 | 단순한 중소기업 건은 몇 주에서 몇 분으로, 해외 차입자 건은 몇 달에서 몇 주로. 처리 건수와 오류율은 원문에서 밝히지 않음. |
| 연결 | AI-assisted credit과 ADA의 사례입니다. |
Private Bank KYC: 자산 출처 확인 에이전트
| 항목 | 내용 |
|---|---|
| 상황 | 자산가 고객의 자산 출처를 확인하는 조사와 문서화가 수작업이었습니다. |
| 한 일 | 9월 싱가포르·홍콩에서 에이전트를 가동해 자료 수집, 외부 출처 대조, 평가서 준비를 맡겼습니다. |
| 결과 | 준비 작업이 크게 줄었다고 은행은 밝혔습니다. 절감 시간 수치는 원문에서 밝히지 않음. |
| 연결 | Human-in-the-loop KYC의 사례입니다. |
개발 조직: AI 코딩과 과제 기간 단축
| 항목 | 내용 |
|---|---|
| 상황 | 대형 은행의 IT 과제는 2년 가까이 걸리기도 했습니다. |
| 한 일 | 엔지니어 1만 5,000명 이상에게 GitHub Copilot과 Google Gemini Code Assist를 보급했습니다. |
| 결과 | 개발자 한 명당 주당 1.5~2.5시간 절감(은행 추산), 일부 과제는 약 2년에서 3~6개월로(Denis Roux). |
| 연결 | AI coding at scale의 사례입니다. |
재무 목표와의 연결: 2028년 비용 계획
| 항목 | 내용 |
|---|---|
| 상황 | 은행은 2028년까지 CIR 60% 미만을 목표로 둡니다. 3분기 누적 CIR은 61.4%입니다. |
| 한 일 | 2026~2028년 기술에 25억 유로를 더 쓰고 플랫폼 성장·프로세스 자동화·AI로 총 20억 유로 안팎의 효율 개선을 노립니다. |
| 결과 | 3분기 콜에서 Sewing은 AI 생산성을 2028년 목표를 웃돌 수 있는 요인으로, CFO는 구조적으로 더 낮은 비용 기반을 말했습니다. 세부 계획은 1월에 내놓습니다. |
| 연결 | 통념과 다른 주장(도구 수보다 재무 숫자)의 사례입니다. |
기술 디테일: 대출 심사 보조와 에이전트 플랫폼을 실제로 돌리려면
대출 심사 보조(AI-assisted credit)를 돌리려면 결정을 내리는 모델이 아니라 심사 메모 초안을 채우는 모델로 설계합니다. 호출 단위는 대출 신청 한 건입니다. 입력은 재무제표, 등기부, 주주명부, 기존 차입 내역, 신용평가사 자료입니다. 모델은 항목마다 근거 문서와 쪽수를 붙여 구조화 출력(JSON)으로 돌려줍니다. 근거가 없는 항목은 비워 두고 missing에 넣게 합니다. 승인·거절·금리는 출력 필드에 두지 않습니다. 사람이 설명할 책임을 지려면 AI가 결론을 쓰지 않는 편이 감사에 유리합니다. 아래는 가상 예시 스키마입니다.
{
"application_id": "LN-2026-10412",
"borrower": {"legal_name": "", "jurisdictions": ["KR"], "entity_count": 1},
"ownership": [{"holder": "", "share_pct": 0, "source": "주주명부 p.2"}],
"existing_debt": [{"lender": "", "amount": 0, "maturity": "", "source": ""}],
"risk_flags": [{"type": "related_party", "evidence": "", "source": ""}],
"complexity": "simple | multi_entity | cross_border",
"missing": ["감사보고서 2025"],
"model": {"name": "", "version": "", "run_id": "", "temperature": 0}
}같은 신청 건을 3회 돌려 risk_flags가 달라지면 그 건은 자동으로 사람 정밀 검토로 보냅니다. complexity가 cross_border면 처음부터 심사역이 직접 봅니다. 실패는 두 군데서 자주 납니다. 스캔 문서의 글자 인식이 흔들리는 경우와 같은 회사가 문서마다 다른 이름으로 적힌 경우입니다. 인식 신뢰도가 낮은 쪽은 값을 채우지 않고 missing에 넣습니다. 법인명은 사업자등록번호로 맞춘 뒤에만 ownership에 씁니다(가상 기준). 기사가 말한 효과 차이(단순 건 몇 분, 해외 건 몇 주)를 처리 경로로 옮긴 것입니다.
ADA처럼 모델을 바꿔 쓰려면 에이전트마다 등록 정보를 한 표에 둡니다. 필드는 agent_id, 업무 담당 부서, 책임자, 허용 도구, 읽을 수 있는 데이터, 현재 모델과 버전, 마지막 평가일, 중단 스위치 상태입니다. 모델을 바꾸기 전에는 과거 처리 건 200건 안팎의 고정 시험 세트를 새 모델로 돌립니다. 기존 모델과 필드 단위로 비교해 핵심 필드 일치율 95% 미만이면 교체를 보류합니다(가상 기준). 교체 기록은 감사 로그에 남깁니다. 감독 당국이 묻는 세 가지 질문에는 이 표와 로그로 답합니다. 끄기는 중단 스위치, 감사는 run_id 단위 기록, 회복은 직전 모델로 되돌리는 절차입니다.
KYC 에이전트(Human-in-the-loop KYC)를 돌리려면 승인된 외부 출처 목록부터 만듭니다. 에이전트는 이 목록 밖의 웹 자료를 근거로 쓰지 않습니다. 근거마다 출처 URL이나 문서 ID, 확인 날짜를 남깁니다. 불일치는 세 등급으로 나눕니다. 금액 차이, 시점 차이, 출처 없음입니다. 평가서는 결론 대신 “확인됨, 불일치, 확인 불가” 표로 검토자에게 넘깁니다. 검토자가 뒤집은 판단은 다음 분기 시험 세트에 넣습니다.
AI 코딩 효과(AI coding at scale)를 재려면 은행처럼 주당 절감 시간을 추산하되 두 가지 숫자를 함께 봅니다. 하나는 도구 원격 측정(제안 수락, 활성 사용자)이고 다른 하나는 과제 리드타임입니다. 주당 시간 설문만 보면 체감에 기울기 쉽습니다. 과제 단위로 착수부터 운영 반영까지 기간을 도입 전 4분기와 비교하면 Denis Roux가 말한 단축이 우리 조직에서도 나오는지 확인할 수 있습니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 스폰서 | CFO 또는 기업금융 본부장 | 비용 목표와 연결할 지표 승인 |
| 심사 책임자 | 기업 심사부장 | 빠른 경로 기준, 사람 검토 기준 결정 |
| 심사역 | 3~5명 | 시험 건 검토, AI 초안 수정 사유 기록 |
| 플랫폼 담당 | AI 플랫폼 팀 2명 | 에이전트 등록 표, 로그, 모델 교체 시험 |
| 모델 리스크·준법 | 각 1명 | 설명 의무, 감독 대응 문서 확인 |
| 재무 | FP&A 1명 | 절감 시간을 비용 계획 숫자로 환산 |
시작 전에 모을 것. 최근 1년 기업 대출 처리 건 중 단순 구조 건 200건 안팎의 문서 묶음과 처리 기간, 심사 메모 양식, 승인된 외부 데이터 목록, 현재 쓰는 AI 모델 계약 목록, 감독 당국 질의 이력입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1주 | 단순 구조 건 기준 정의, 에이전트 등록 표 작성 | 빠른 경로 기준서, 등록 표 |
| 2~3주 | 과거 200건으로 JSON 추출, 3회 반복 일치율 측정 | 추출 결과, 일치율 표 |
| 4~5주 | 신규 건에 사람 심사와 병행 적용, 수정 사유 기록 | 병행 심사 기록, 소요 시간 비교 |
| 6주 | 절감 시간을 비용으로 환산, 감독 대응 문서 검토, 확대 판정 | 판정 보고서 |
심사역과 책임자에게 물을 것.
- 지금 한 건을 처리할 때 가장 오래 걸리는 확인 작업은 무엇인가요?
- 단순 구조 건이라고 부를 수 있는 조건(법인 수, 국가 수, 금액)은 무엇인가요?
- AI 초안에서 가장 자주 고친 필드는 무엇이었나요?
- 고객이나 감독 당국에 거절 이유를 설명할 때 지금 어떤 문서를 쓰나요?
- 처리 시간이 줄면 그 시간을 어디에 쓰겠나요?
진행 판정 기준(예시). 6주 차에 네 조건을 봅니다. 단순 구조 건의 준비 시간이 병행 심사에서 절반 이하로 줄었는지, 핵심 필드 일치율이 95% 이상인지, 심사역이 근거 없는 필드를 발견한 건수가 0건인지, 재무 담당이 절감 시간을 다음 해 비용 계획에 넣을 수 있다고 확인했는지입니다.
AX 적용 제언. 은행, 보험, 리스, 대형 제조사의 여신·구매 심사처럼 문서 확인이 많고 결정 이유를 설명해야 하는 업무에 맞습니다. 순서가 중요합니다. 에이전트 등록 표와 중단 스위치를 먼저 두고 단순 구조 건 하나로 시작하고 절감 효과를 재무 계획 숫자로 바꿔 경영진에 보고합니다. 모델 선택은 가장 나중에 하고 언제든 바꿀 수 있게 둡니다. Deutsche Bank가 ADA를 모델 교체가 가능한 구조로 만든 이유도 여기에 있습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | TheStreet, Faizan Farooque, 2026.10.28 |
| 근거 | Reuters 인터뷰(CTO Marie-Jeanne Deverdun), 은행 웹사이트·보도자료, Q2 실적 자료 |
| 대출 심사 | 올여름 가동. 단순 중소기업 건 몇 주 → 몇 분, 해외 차입자 몇 달 → 몇 주 |
| 플랫폼 | ADA: 에이전트 생성·감시·관리, 여러 모델 번갈아 사용, 사람의 책임 |
| 거버넌스 | 중앙 기술 프로그램이 표준·가드레일·공용 AI 서비스 제공 |
| KYC | Private Bank 자산 출처 확인 에이전트, 9월 싱가포르·홍콩 |
| 개발 | 엔지니어 1만 5,000명 이상, GitHub Copilot·Gemini Code Assist, 주당 1.5~2.5시간 절감 |
| IT 과제 | 일부 약 2년 → 3~6개월(Denis Roux) |
| 재무 | 2026~2028년 기술 투자 25억 유로 추가, 2028년 총 효율 개선 약 20억 유로, CIR 60% 미만 |
| 실적 | 2분기 세후 이익 19억 유로(+10%), 상반기 41억 유로(사상 최대) |
| 3분기 콜(10.28) | Sewing: AI 생산성은 2028년 목표 초과 요인. 3분기 누적 CIR 61.4%, 세부 계획은 1월 |
| 감독 | Reuters 10.13 보도: 에이전트 중단·감사·사이버 공격 회복 능력 점검 |
핵심 개념
- ADA
- Deutsche Bank의 사내 AI 플랫폼. 에이전트를 만들고 감시하며 모델을 바꿔 씁니다.
- agentic economy
- 기업과 은행의 AI 에이전트가 사람을 거치지 않고 자료와 요청을 주고받는 거래 방식.
- source of wealth
- 고객이 자산을 어떻게 모았는지 확인하는 KYC 절차의 한 단계.
- human-in-the-loop
- AI가 준비하고 사람이 최종 판단과 책임을 지는 운영 방식.
- CIR
- Cost-to-income ratio. 수익 대비 비용 비율로, 낮을수록 효율이 높습니다.
- 가드레일
- AI가 넘지 말아야 할 행동과 데이터 범위를 정한 규칙.
내 메모
TODO: 내 생각 추가
원문: Faizan Farooque, 「Deutsche Bank just put a hard number on AI productivity」(TheStreet, 2026.10.28). 기사가 인용한 Reuters 인터뷰를 바탕으로 했고 보강으로 Deutsche Bank Private Bank의 KYC 에이전트 발표(2026.9.22, FF News 게재)와 Deutsche Bank 2026년 3분기 실적 콜 녹취(2026.10.28, The Motley Fool 게재)를 함께 읽었습니다. 요약·메커니즘·사례는 원문과 보강 자료가 밝힌 사실을 AX Partners가 다시 정리했고 기술·현업 디테일, JSON 예시, 일정과 판정 기준, 인포그래픽, 표는 새로 작성했습니다. 발언은 화자를 밝혀 요약했으며 직접 인용은 넣지 않았습니다. 전체 내용은 원문에서 볼 수 있습니다.