The Frame: BBVA가 시범 AI 에이전트를 통제한 채 은행 전체로 넓히는 틀
BBVA CEO는 3분기 콜에서 AI 음성 비서가 시범 상호작용의 약 90%를 해결했고 일부 AI 에이전트가 기업 고객 리스크 금융 프로그램 준비 시간을 최대 30% 줄였다고 밝혔습니다. 이를 은행 전체로 넓히는 수단으로 에이전트를 만들고 배포·관리하는 틀 'The Frame'을 내세웠습니다. 따라 할 때의 측정 기준, 플랫폼 구성, 10주 계획을 붙였습니다.
BBVA는 AI 음성 비서와 리스크 쪽 AI 에이전트 시범에서 첫 숫자를 얻었고 이제 'The Frame'이라는 공통 틀로 에이전트를 만들고 배포하고 관리하면서 은행 전체로 넓히려 합니다. 따라 하려면 시범마다 성공 기준을 같은 방식으로 재고 에이전트 등록·권한·평가·감시를 한곳에서 하는 장치를 확산 전에 갖춰야 합니다.
요약
BBVA는 2026년 3분기 실적 발표 콜을 열었고 Investing.com이 10월 29일 녹취를 실었습니다. Onur Genç CEO는 실적 설명 중 슬라이드 한 장을 AI 전환 전략에 썼습니다. 출발점은 디지털 전환을 앞에서 이끌었듯 은행업의 AI 전환도 이끌겠다는 목표입니다. 전략과 진행 상황은 10월 6일 전략 설명회(strategic talk)에서 이미 공유했다고 했습니다. 콜에서 전한 메시지는 둘이었습니다. 첫째, 효과가 눈에 보이기 시작했습니다. Genç는 AI로 고객 경험을 개선하고 프로세스를 다시 설계해 생산성을 높이며 AI 도구를 은행 전반에서 폭넓게 쓴다고 했습니다. 예로 든 숫자는 두 개입니다. AI 음성 비서는 시범 상호작용에서 90%에 가까운 해결률을 냈습니다. 일부 첫 AI 에이전트는 기업 고객용 리스크 쪽 금융 프로그램(financial program) 준비 시간을 최대 30% 줄였습니다.
둘째 메시지는 확산입니다. Genç는 진짜 기회가 이런 use case와 결과를 은행 전체로 넓히는 데 있다고 봤습니다. 통제는 유지하되 퍼뜨리기는 쉽게 하겠다고 했습니다. 그 수단이 The Frame입니다. Genç는 AI를 산업화(industrializing, 한 번 만든 것을 표준 방식으로 반복 생산하는 일)하는 데 진전이 있다고 했고 The Frame으로 AI 에이전트를 대규모로 만들고 배포하고 관리하겠다고 했습니다. 목표는 “faster, but with full control”이라는 말로 요약했습니다. 다음 분기들에 더 많은 소식을 내겠다고도 했습니다. 같은 콜에서 BBVA는 3분기 순이익 30억 유로 이상(전년 대비 19.1% 증가), 9개월 ROTE 22%, 효율 비율(비용÷영업수익) 37.9%를 밝혔습니다. AI 관련 대출은 주로 데이터센터 프로젝트 파이낸스이고 그중 95%가 투자등급 hyperscaler(대형 클라우드 사업자)의 뒷받침을 받는다고 답했습니다. 아래에서는 두 시범과 The Frame이 어떻게 작동하는지 풀고 같은 방식을 국내 금융사에 옮길 때 필요한 측정 기준, 플랫폼 구성, 일정을 덧붙였습니다.
핵심 메커니즘
AI-powered Voice Assistant: 고객 문의를 사람에게 넘기지 않고 끝내는 음성 비서
Genç가 밝힌 사실은 두 가지입니다. 음성 비서는 AI로 움직이고 시범 상호작용에서 해결률(successful resolution rate)이 90%에 가깝습니다. 어느 나라 어떤 채널에서 몇 건을 시험했는지, 해결을 어떻게 판정했는지는 콜에서 나오지 않았습니다. 해결률은 고객이 원하는 일을 상담원 연결 없이 마쳤는지를 재는 지표라서 판정 규칙에 따라 값이 크게 달라집니다. 따라 할 때는 잔액 조회, 카드 분실 신고 이체 한도 변경처럼 건수가 많고 절차가 정해진 문의부터 고르는 편이 맞습니다. 민원이나 분쟁처럼 사람의 판단이 필요한 문의는 처음부터 상담원에게 넘기도록 설계합니다. 가상 예시로, 하루 1만 건 중 카드 분실 신고 2,000건을 음성 비서에 맡긴다면 해결률은 “신고 접수 완료 + 7일 안에 같은 건으로 다시 전화하지 않음”으로 정의해 두고 시작합니다.
Risk AI Agents: 기업 고객 리스크 금융 프로그램 준비를 돕는 에이전트
Genç는 일부 첫 AI 에이전트가 기업 고객을 위한 리스크 쪽 금융 프로그램 준비 시간을 최대 30% 줄였다고 했습니다. “일부”, “첫”, “최대”라는 단서가 함께 붙었습니다. 모든 건이 30% 줄었다는 말이 아니라 가장 크게 줄어든 경우가 30%입니다. 금융 프로그램에 어떤 문서가 들어가는지, 에이전트가 어느 단계를 맡는지는 밝히지 않았습니다. 이 노트에서는 기업 고객의 여신 한도와 조건을 정하려고 심사 쪽에서 준비하는 자료 묶음으로 보고 디테일을 짰습니다. 이 작업은 재무제표, 거래 이력, 업종 자료를 모아 정해진 양식으로 정리하는 데 시간이 많이 듭니다. 그래서 에이전트가 수집과 초안을 맡고 심사역이 판단과 승인을 맡는 분담이 자연스럽습니다. 최종 여신 결정까지 에이전트에게 넘기는 구성은 처음부터 피합니다.
Process Redesign: 도구를 얹기 전에 일하는 순서를 다시 짜기
Genç는 생산성이 오른 이유를 도구 자체보다 프로세스 재설계에서 찾았습니다. AI를 쓰면서 프로세스를 다시 설계해 생산성을 높이고 있고 AI 도구는 은행 전반에서 폭넓게 쓴다고 했습니다. 생산성 수치나 재설계한 프로세스 목록은 공개하지 않았습니다. 기존 결재선과 작업 순서를 그대로 두고 AI를 보조 도구로만 얹으면 사람이 기다리는 시간은 줄지 않습니다. 에이전트가 초안을 30분 만에 만들어도 다음 결재자가 이틀 뒤에 보면 전체 소요 시간은 거의 같습니다. 그래서 시범을 고를 때 에이전트가 맡을 단계와 함께 그 앞뒤에서 없애거나 합칠 단계를 같이 정합니다.
The Frame: 에이전트를 만들고 배포하고 관리하는 공통 틀
The Frame은 BBVA가 붙인 이름입니다. Genç에 따르면 The Frame은 시범 use case와 결과를 은행 전체로 넓히는 수단이고 AI 에이전트를 대규모로 만들고(build) 배포하고(deploy) 관리합니다(manage). 속도와 통제를 함께 잡는 것이 목표입니다. 어떤 기술과 벤더로 만들었는지, 에이전트가 지금 몇 개인지는 콜에서 나오지 않았습니다. 이런 틀이 없으면 부서마다 에이전트를 따로 만들고 보안·리스크 심사도 건마다 처음부터 다시 하게 됩니다. 공통 틀이 있으면 권한, 평가, 로그, 중단 절차를 한 번 정해 두고 새 에이전트는 그 위에 올리기만 합니다. 둘째 에이전트부터 만드는 속도가 빨라지는 이유입니다. 다음 분기 콜에서 The Frame 위에 올라간 에이전트 수나 업무 범위가 나오는지 보면 확산 속도를 가늠할 수 있습니다.
통념과 다른 주장
흔히 이렇게 봅니다AI 통제를 강화하면 심사와 승인이 늘어 전사 확산이 느려진다.
BBVA는 이렇게 봅니다에이전트를 만들고 배포하고 관리하는 공통 틀을 두면 통제를 유지하면서도 더 빨리 넓힐 수 있다.
근거Genç는 음성 비서와 리스크 에이전트 시범에서 효과를 확인했고 진짜 기회는 이를 은행 전체로 넓히는 데 있다고 했습니다. 그 수단으로 The Frame을 들며 속도와 완전한 통제를 함께 목표로 삼았습니다.
콜에서 나온 사례
| 사례 | 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|---|
| AI 음성 비서 | 고객 문의 응대 | AI 음성 비서 시범 운영 | 시범 상호작용 해결률 90%에 가까움 | AI-powered Voice Assistant |
| 리스크 AI 에이전트 | 기업 고객 리스크 금융 프로그램 준비에 시간이 듦 | 일부 첫 AI 에이전트 투입 | 준비 시간 최대 30% 단축 | Risk AI Agents |
| AI 도구 전사 활용 | 생산성 향상 필요 | 프로세스 재설계, AI 도구 폭넓게 활용 | 생산성 향상(수치 미공개) | Process Redesign |
| The Frame | 시범 결과를 은행 전체로 넓혀야 함 | 에이전트를 만들고 배포·관리하는 틀 마련 | AI 산업화 진행 중, 다음 분기에 추가 소식 예정 | The Frame |
기술 디테일: 같은 구성을 직접 만든다면
아래 데이터, 필드, 설정값은 실행 제안이며 BBVA가 밝힌 구현이 아닙니다.
음성 비서의 해결률을 재려면 판정 규칙을 먼저 코드로 고정합니다. 통화마다 의도(intent), 처리 결과, 상담원 연결 여부, 같은 고객의 7일 안 재문의 여부를 남깁니다. 해결은 “상담원 연결 없음 + 처리 완료 + 7일 안 재문의 없음”일 때만 1로 셉니다. 의도 분류는 LLM이 하되 결과는 정해진 코드 목록 안에서만 고르게 구조화 출력(JSON schema)으로 받습니다. 매주 통화 200건을 무작위로 뽑아 사람이 같은 규칙으로 다시 판정하고 사람 판정과 자동 판정이 5%p 넘게 벌어지면 규칙이나 분류 프롬프트를 고칩니다. 본인 확인이 필요한 처리는 음성 비서가 직접 하지 않고 기존 인증 API를 부르게 해 권한을 시스템 쪽에 둡니다.
{
"call_id": "VC-20261104-08812",
"intent": "card_lost_report",
"intent_confidence": 0.94,
"actions": ["auth_api.verify", "card_api.block"],
"handoff_to_agent": false,
"completed": true,
"recontact_7d": false,
"resolved": true,
"model_version": "voice-nlu-v3",
"qa_sampled": false
}리스크 에이전트를 돌리려면 작업을 단계로 나눕니다. 문서 수집, 재무 수치 추출, 업종·거래 이력 요약, 프로그램 초안 작성, 심사역 검토 순서입니다. 수치 추출은 temperature 0으로 같은 문서를 3회 돌려 값이 모두 같을 때만 자동 채움하고 하나라도 다르면 칸을 비워 심사역에게 표시합니다. 초안의 모든 문장에는 근거 문서와 쪽 번호를 붙이고 근거가 없는 문장은 초안에 넣지 않습니다. 에이전트는 조회 권한만 갖고 여신 시스템에 쓰기 권한은 주지 않습니다. 준비 시간은 담당자가 건을 연 시각부터 심사역에게 넘긴 시각까지로 재고 심사역이 초안에서 고친 칸의 비율(수정률)을 함께 봅니다. 시간이 줄어도 수정률이 오르면 품질 문제를 의심합니다.
{
"case_id": "CORP-2026-03317",
"client_segment": "mid_corporate",
"docs": [{"id": "FS-2025", "type": "financial_statement"}, {"id": "TX-12M", "type": "transaction_history"}],
"extracted": {"revenue_eur": 48200000, "ebitda_eur": 6100000, "net_debt_eur": 15400000},
"extraction_runs_agree": true,
"draft_sections": ["client_overview", "financials", "proposed_limits"],
"citations_missing": 0,
"reviewer_edit_ratio": 0.18,
"prep_minutes": 210,
"baseline_prep_minutes": 300
}The Frame 같은 공통 틀을 만들려면 에이전트마다 manifest(에이전트 명세서) 하나를 등록하게 합니다. 담당 부서와 책임자, 쓰는 모델과 버전, 부를 수 있는 도구와 권한 범위, 다루는 데이터 등급, 통과해야 할 평가 세트와 기준점, 사람 승인이 필요한 행동, 중단 스위치 담당자를 적습니다. 배포 파이프라인은 manifest의 평가 세트를 자동으로 돌려 기준점을 넘을 때만 운영에 올리고 모델 버전이 바뀌면 같은 평가를 다시 돌립니다. 모든 호출은 에이전트 ID, 입력 요약, 부른 도구, 결과를 공통 로그에 남겨 감사 때 한곳에서 찾게 합니다. 모델은 일에 맞춰 나눕니다. 실시간 응답이 필요한 음성 비서의 의도 분류는 지연이 짧은 소형 모델로, 근거를 엮어 긴 초안을 쓰는 리스크 에이전트는 대형 모델로 돌리고 어느 쪽이든 manifest에 버전을 적어 둡니다.
{
"agent_id": "risk-program-drafter",
"owner": "corporate_credit_review",
"model": {"name": "large-llm", "version": "2026-09"},
"tools": [{"name": "doc_store.read", "scope": "read"}, {"name": "credit_system", "scope": "none"}],
"data_class": "confidential_client",
"eval_set": "risk-draft-eval-v1",
"eval_threshold": {"citation_coverage": 1.0, "extraction_accuracy": 0.98},
"human_approval_required": ["submit_program"],
"kill_switch_owner": "ai_platform_oncall",
"status": "pilot"
}| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 해결 판정이 부서마다 다름 | 해결률을 서로 비교할 수 없음 | 판정 규칙을 공통 틀의 평가 항목으로 고정 |
| 음성 비서가 어려운 문의를 붙잡음 | 고객 불만, 재문의 증가 | 의도 신뢰도 0.8 미만이면 즉시 상담원 연결 |
| 추출 수치가 실행마다 다름 | 초안 신뢰 하락 | 3회 일치 규칙, 불일치 칸은 비워 표시 |
| 부서별로 에이전트를 따로 만듦 | 심사를 건마다 다시 함 | manifest 등록 없이는 운영 배포 불가 |
| 모델 교체 뒤 품질 저하 | 수정률·재문의율 상승 | 버전 변경 시 평가 세트 재실행, 기준 미달이면 이전 버전으로 되돌림 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| CEO·AX 위원회 | 확산 대상 업무 선정, 공통 틀 투자 승인, 분기별 성과 점검 |
| 고객센터장 | 음성 비서 대상 문의 선정, 상담원 연결 기준 정의 |
| 기업여신 심사 팀장 | 금융 프로그램 양식과 근거 기준 정의, 심사역 검토 운영 |
| AI 플랫폼 팀 | manifest·평가·로그·권한 장치 구축, 배포 파이프라인 운영 |
| 리스크·컴플라이언스 | 데이터 등급과 권한 범위 승인, 사람 승인 행동 지정 |
| 프로세스 혁신(PI) 담당 | 에이전트 앞뒤 단계에서 없애거나 합칠 결재·작업 정리 |
준비물. 최근 3개월 고객센터 통화 로그와 의도별 건수, 기업 고객 금융 프로그램 최근 50건의 준비 시간 기록, 현재 결재선 문서, 데이터 등급 기준, 에이전트가 부를 기존 API 목록이 필요합니다. 기준선은 시작 전 2주치로 잡습니다.
현업에 물을 것.
- 고객센터 문의 중 건수 상위 10개 의도는 무엇이고 각각 상담원이 평균 몇 분을 쓰나요?
- 지금 “해결”은 누가 어떤 기준으로 판정하나요? 재문의는 따로 세나요?
- 금융 프로그램 한 건을 준비할 때 가장 오래 걸리는 단계는 어디이고 그 단계에서 누구를 기다리나요?
- 에이전트가 초안을 만들면 지금 결재선 가운데 어느 단계를 없애거나 합칠 수 있나요?
- 새 AI 도구를 운영에 올리려면 지금 몇 개 부서의 승인을 몇 주에 걸쳐 받나요?
진행 판정 기준(예시). 실운영 3주 동안 다음을 채우면 둘째 업무로 넓힙니다. 음성 비서는 대상 의도의 해결률이 80% 이상이고 7일 재문의율이 기준선보다 늘지 않아야 합니다. 리스크 에이전트는 준비 시간 중앙값이 기준선보다 20% 이상 줄고 심사역 수정률이 25% 이하여야 합니다. 공통 틀은 둘째 에이전트를 올릴 때 보안·리스크 심사 기간이 첫째의 절반 이하여야 합니다. 하나라도 못 채우면 원인을 찾아 3주를 더 봅니다.
AX 적용 제언. 국내 은행·보험사라면 첫 시범을 두 갈래로 고르는 편이 좋습니다. 고객 접점 하나(음성 비서나 챗봇)와 내부 전문 업무 하나(심사·언더라이팅 준비)입니다. 고객 접점은 해결률처럼 숫자가 빨리 나오고 내부 업무는 준비 시간과 수정률로 품질을 함께 볼 수 있습니다. 다만 BBVA가 강조한 것은 개별 시범보다 확산입니다. 시범 두 개를 돌리는 동안 manifest, 평가 세트, 공통 로그를 함께 만들어 두면 셋째 에이전트부터는 심사와 배포를 같은 틀에서 처리할 수 있습니다. 경영 보고에는 에이전트별 성과와 함께 “공통 틀 위에서 운영 중인 에이전트 수”와 “새 에이전트 하나를 올리는 데 걸린 기간”을 넣어 확산 속도를 따로 보게 합니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 발표 | BBVA 2026년 3분기 실적 발표 콜 (Investing.com 녹취 2026.10.29 게재) |
| 발언자 | Onur Genç(CEO), 질문 Francisco Riquel(Alantra), Andrea Filtri(Mediobanca) 등 |
| 실적 | EPS 1.81달러(예상 0.60달러), 3분기 순이익 30억 유로 이상(19.1%↑), 9개월 순이익 96억 6,000만 유로 |
| 수익성 | 9개월 ROTE 22%, ROE 20.8%, 효율 비율 37.9%(9bp 개선), CET1 12.21% |
| 주가 | 프리마켓 5.44% 하락, 23.65달러 |
| AI 전략 | 10월 6일 전략 설명회에서 공유, 은행업 AI 전환을 이끈다는 목표 |
| AI 음성 비서 | 시범 상호작용 해결률 90%에 가까움 |
| 리스크 AI 에이전트 | 일부 첫 에이전트가 기업 고객 리스크 금융 프로그램 준비 시간을 최대 30% 단축 |
| The Frame | AI 에이전트를 대규모로 만들고 배포·관리하는 틀, 속도와 완전한 통제를 함께 목표 |
| AI 관련 대출 | 주로 데이터센터 프로젝트 파이낸스, 95%가 투자등급 hyperscaler 뒷받침 |
| 디지털 은행 | 이탈리아 고객 100만 명 돌파(출시 5년), 독일 첫해 10만 명 이상 |
핵심 개념
- successful resolution rate
- 고객 문의를 상담원 연결 없이 끝까지 처리한 비율. 판정 규칙(재문의를 셀지 등)에 따라 값이 크게 달라집니다.
- industrializing AI
- 시범으로 만든 AI를 표준 절차와 공통 설비로 반복해 찍어 내듯 넓히는 일입니다.
- manifest
- 에이전트 하나의 책임자, 모델, 권한, 데이터 등급, 평가 기준을 적은 등록 문서. 이 노트의 실행 제안에서 쓴 말입니다.
- efficiency ratio
- 영업비용을 영업수익으로 나눈 값. 낮을수록 같은 수익을 적은 비용으로 냅니다.
- ROTE
- Return on Tangible Equity. 무형자산을 뺀 자기자본 대비 이익률입니다.
- hyperscaler
- 전 세계 규모로 데이터센터를 짓고 클라우드를 파는 대형 사업자입니다.
내 메모
TODO: 내 생각 추가
원문은 Investing.com에 실린 「Earnings call transcript: BBVA tops Q3 2026 EPS forecast but stock falls premarket」(2026.10.29 게재)입니다. 요약, 핵심 메커니즘의 콜 내용, 통념과 다른 주장, 사례, 원문 사례 표는 BBVA 경영진의 발언을 AX Review가 다시 정리했으며 효과와 수치는 회사 측 설명입니다. 금융 프로그램의 구성과 에이전트의 작업 분담은 콜에서 밝히지 않아 이 노트가 풀어 쓴 해석입니다. 기술·현업 실행 디테일, JSON 예시, 데이터·처리·지표 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 콜 전문은 원문 페이지에서 볼 수 있습니다.