More Loans, Not Fewer People: AI 에이전트로 대출 심사를 87% 줄이고 남은 시간은 영업 확대에
First Internet Bank는 AI 에이전트에게 SBA 대출 신청자의 기록 수집, 실소유자 확인, 제재·사기 점검을 맡겨 건당 심사를 8~10시간에서 1시간 미만으로 줄였습니다. 네 업무에서 연 2만 4,300시간이 풀리지만 CEO는 감원 대신 두 배의 거래를 주문했습니다. 보고서 필드, route 규칙, 8주 시범안을 붙였습니다.
First Internet Bank는 SBA 대출 신청자의 법인 기록 수집, 실소유자 확인, 제재·사기 점검을 AI 에이전트에게 맡겨 건당 심사를 8~10시간에서 1시간 미만으로 줄였습니다. 은행은 풀린 시간을 감원에 쓰지 않고 늘어나는 대출 물량에 돌립니다. 따라 하려면 에이전트가 바로 읽을 수 있게 정리된 법인·고객 데이터와, 분석가에게 넘길 건을 가르는 기준부터 갖춰야 합니다.
요약
PYMNTS는 2026년 10월 26일, 자산 60억 달러 규모의 디지털 은행 First Internet Bank of Indiana가 대출 컴플라이언스(법규 준수 확인) 심사에 AI 에이전트를 넣은 사례를 실었습니다. 수치는 AI 컴플라이언스 회사 Bretton AI가 낸 사례 연구에서 나왔습니다. 대상은 SBA 대출(미국 중소기업청이 보증하는 대출) 신청자 심사입니다. 에이전트가 법인 기록을 찾아오고 실소유자(beneficial owner, 법인을 실제로 지배하는 사람)를 가려냅니다. 이어 제재 명단과 사기 징후를 확인하고 결과를 구조화된 보고서 하나로 묶습니다. 분석가는 그 보고서를 검토하고 판단이 필요한 건을 맡습니다. 건당 심사 시간은 8~10시간에서 1시간 미만으로 87% 줄었습니다.
은행은 SBA 대출 실행, 강화 실사(enhanced due diligence), 사기 검토, 정기 고객 검토 네 업무에서 한 해 약 2만 4,300시간이 풀린다고 추산합니다. 연 2,080시간으로 나누면 정규직 약 12명분입니다. 이 값은 줄어든 급여가 아니라 새로 생긴 업무 여력입니다. SBA 대출 매니저가 그럼 사람이 줄어드느냐고 묻자 David Becker CEO는 아니라고 답했습니다. Bretton AI 사례 연구에 실린 그의 답은 “I want you to do twice as much business.”(두 배로 일하길 바란다)입니다. 은행의 SBA 7(a) 대출 실행액은 2024년 6억 1,000만 달러로 전년보다 44% 늘었습니다. 물량이 늘면 같은 분석가가 볼 서류도 늘어납니다. 기사는 Customers Bank 사례와 PYMNTS Intelligence의 기업 데이터 조사를 덧붙여, 빠른 심사를 지키려면 에이전트가 읽을 수 있는 데이터가 있어야 한다고 정리합니다. 아래에서는 이 구조를 네 가지 메커니즘으로 풀고, 직접 돌릴 때 필요한 보고서 필드, 일정, 판정 기준을 덧붙였습니다.
핵심 메커니즘
Compliance Review Agent: 기록 수집부터 보고서까지 맡는 심사 에이전트
대출 신청 한 건의 컴플라이언스 확인을 정해진 순서로 처리하고 보고서로 내놓는 AI 에이전트입니다. 입력은 신청 법인의 정보입니다. 에이전트는 법인 기록을 조회하고, 그 기록에서 실소유자를 가려내고, 제재 명단과 사기 징후를 대조합니다. 출력은 이 결과를 한데 모은 구조화 보고서입니다. 사람이 8~10시간 들이던 일 가운데 찾고, 맞춰 보고, 옮겨 적는 몫을 에이전트가 가져간 셈입니다. 확인 항목이 정해져 있고 건마다 같은 순서로 반복되는 심사에 맞습니다. 건마다 조사 경로가 크게 달라지는 업무라면 확인 순서부터 표준화해야 합니다. First Internet Bank는 이 방식을 네 업무에 썼습니다. 가상 예시로, 직원 30명 제조 법인이 신청하면 에이전트가 등록 기록과 지분 문서를 모으고, 지배 주주 2명을 실소유자로 올리고, 두 사람과 법인을 명단에 대조한 결과를 보고서 한 장에 담습니다.
Analyst-in-the-Loop: 판단은 분석가에게 남기는 분업
에이전트 보고서로 심사가 끝나지 않습니다. 분석가가 보고서를 검토하고 판단이 필요한 건을 직접 처리합니다. 분석가의 시간은 처음부터 자료를 모으는 데가 아니라 검토와 판단에 쓰입니다. 1시간 미만이라는 숫자도 사람이 빠져서가 아니라 사람이 맡는 몫이 바뀌어서 나온 값입니다. 규제 책임이 은행에 남는 업무라면 이 분업이 기본입니다. 가상 예시로, 제재 명단에서 이름은 같고 생년이 다른 후보가 나오면 에이전트는 ‘확인 필요’로 표시만 합니다. 분석가가 신분 서류를 보고 같은 사람인지 결론을 냅니다.
Freed Capacity: 줄인 비용이 아니라 풀린 시간으로 재는 효과
줄어든 작업 시간을 인건비 절감액이 아니라 새로 쓸 수 있는 업무 여력으로 환산하는 방식입니다. 업무별로 건당 줄어든 시간에 연간 건수를 곱해 합하면 연간 확보 시간이 나옵니다. 이것을 정규직 1명의 연간 근무 시간 2,080시간으로 나누면 몇 명분인지 보입니다. First Internet Bank의 2만 4,300시간을 나누면 약 11.7, 곧 12명분입니다. 이 방식은 물량이 늘고 있는 업무에서 힘을 씁니다. 은행의 SBA 7(a) 실행액은 2024년에 44% 늘었고, Becker는 2월 Pulse 2.0 인터뷰에서 은행이 SBA 7(a) 상위 10위 대출 기관에 들었다고 말했습니다. 2025년 초 발표에서는 David Bybee를 SBA 대출 책임자로 승진시켰다는 소식도 함께 냈습니다. 풀린 시간은 늘어난 서류를 같은 인원으로 처리하는 데 들어갑니다.
Agent-Readable Data: 에이전트가 바로 읽을 수 있게 정리된 데이터
에이전트가 사람 손을 거치지 않고 찾아 읽고 대조할 수 있는 상태의 데이터입니다. 법인 기록, 소유 구조, 신원 정보, 과거 점검 결과가 여러 시스템에 흩어져 있으면 에이전트는 찾는 단계에서 막힙니다. 기사는 PYMNTS Intelligence의 4월 Enterprise AI Benchmark 조사 「The Enterprise AI Readiness Gap」을 근거로 듭니다. 매출 10억 달러 이상 미국 기업의 고위 기술 임원 65명에게 물었습니다. 63%가 데이터 품질을 장애로 꼽았습니다. 99%는 자사 데이터 거버넌스가 기업 AI를 받쳐 준다고 매우 또는 극히 확신했지만, 85%는 데이터가 흩어져 있거나 일부만 통합돼 있다고 답했습니다. 대부분 통합됐다는 응답은 15%였습니다. 5월판에서는 금융 서비스 기업의 30%가 데이터 품질을 가장 큰 장애로 꼽았습니다. 기사의 결론은 이렇습니다. 7일에 대출을 끝내는 은행은 30~60일 걸리는 은행과 경쟁하고, 그 속도를 지키려면 에이전트가 읽을 수 있는 데이터가 있어야 합니다.
통념과 다른 주장
흔히 이렇게 봅니다AI로 심사가 빨라지면 그만큼 사람을 줄이고, 효과는 인건비 절감액으로 잰다.
First Internet Bank는 이렇게 봅니다같은 분석가가 더 많은 거래를 처리하게 하고, 효과는 풀린 시간과 처리 물량으로 잰다.
근거SBA 매니저가 인력 감축을 묻자 CEO는 아니라고 답하고 두 배의 거래를 주문했습니다. 은행의 SBA 7(a) 실행액은 이미 44% 늘었고, 2만 4,300시간은 급여 절감이 아닌 여력으로 집계됐습니다.
흔히 이렇게 봅니다데이터 거버넌스가 갖춰졌으니 좋은 모델만 고르면 에이전트가 돌아간다.
기사는 이렇게 봅니다거버넌스에 대한 확신과 실제 데이터 통합 수준은 다르고, 심사 속도는 에이전트가 읽을 수 있는 데이터에서 나온다.
근거조사에서 99%가 거버넌스를 확신했지만 85%는 데이터가 흩어져 있거나 일부만 통합돼 있었습니다. 대부분 통합됐다는 기업은 15%였습니다.
저자가 든 사례
First Internet Bank: SBA 대출 심사 에이전트
| 구분 | 내용 |
|---|---|
| 상황 | 자산 60억 달러 디지털 은행. SBA 대출 신청자 컴플라이언스 심사에 건당 8~10시간 |
| 한 일 | 에이전트가 법인 기록 조회, 실소유자 식별, 제재 명단·사기 징후 점검, 구조화 보고서 작성. 분석가는 검토와 판단 |
| 결과 | 심사 시간 87% 단축(1시간 미만). 네 업무에서 연 약 2만 4,300시간, 정규직 약 12명분 여력(은행 추산) |
| 연결 | Compliance Review Agent, Analyst-in-the-Loop, Freed Capacity |
Customers Bank: 7일 만에 끝낸 상업 대출
| 구분 | 내용 |
|---|---|
| 상황 | 펜실베이니아의 은행. 상업 대출은 보통 종결까지 30~60일 |
| 한 일 | 일부 상업 대출에 AI 시범 적용(PYMNTS 이전 보도) |
| 결과 | 시범 대출 7일 만에 종결. Customers Bancorp는 확대 시 연 1,500만 달러 넘는 인력 여력을 추산. 직원들은 AI 과제 전체에서 누적 7만 6,000시간 절약을 추산 |
| 연결 | 두 은행 모두 소유 구조 확인, 신원 확인, 위험 점검을 대출 진행 전 단계에서 겨냥. Freed Capacity, Agent-Readable Data |
기술 디테일: 심사 에이전트를 직접 만든다면
아래 도구 구성, 필드, 설정값은 실행 제안이며 First Internet Bank나 Bretton AI가 밝힌 구현이 아닙니다.
Compliance Review Agent를 돌리려면 단계마다 다른 도구를 붙입니다. 법인 기록과 지분 문서는 조회 도구로 가져옵니다. LLM은 그 문서를 읽어 실소유자 후보를 뽑고 마지막 보고서를 쓰는 데만 씁니다. 제재 명단 대조와 사기 규칙은 이름, 생년, 국적을 비교하는 규칙 기반 매칭 엔진에 맡깁니다. 같은 입력에 같은 결과가 나와야 감사 질문에 답할 수 있기 때문입니다. LLM 호출은 temperature 0과 JSON schema 구조화 출력으로 고정합니다. 보고서의 사실 줄마다 근거 문서 ID와 조회 시각을 붙이고, 근거가 없는 줄은 본문에 넣지 않고 open_questions로 보냅니다. 호출 단위는 신청 1건의 단계 하나입니다. 단계가 실패하면 그 단계만 최대 2회 다시 돌리고, 그래도 실패하면 route를 review로 둡니다. 모델은 긴 지분 문서를 한 번에 읽을 수 있는 컨텍스트 길이로 고르고, 바꿀 때는 섀도 모드 50건으로 이전 모델과 결과를 대조합니다.
보고서 한 건은 아래처럼 남기면 분석가 화면과 감사 기록에 그대로 씁니다(가상 예시).
{
"case_id": "SBA-2027-00418",
"workflow": "sba_origination",
"entity": {"name": "Example Tooling LLC", "registry_doc_id": "REG-55120", "retrieved_at": "2027-02-03T10:14:00Z"},
"beneficial_owners": [
{"name": "Owner A", "ownership_basis": "지분 문서", "evidence_doc_id": "OWN-883"},
{"name": "Owner B", "ownership_basis": "지분 문서", "evidence_doc_id": "OWN-883"}
],
"sanctions_screening": [
{"subject": "Owner B", "list_version": "2027-02-03", "match_status": "possible", "match_score": 0.82}
],
"fraud_indicators": [],
"open_questions": ["Owner B 생년 확인 필요"],
"route": "review",
"agent_version": "cra-v1.3",
"agent_completed_at": "2027-02-03T10:21:40Z"
}Analyst-in-the-Loop를 돌리려면 보고서마다 route를 하나 정합니다. clear는 모든 점검을 통과한 건으로 분석가가 확인만 합니다. review는 명단 후보가 걸렸거나 지분 구조가 불명확한 건, escalate는 사기 징후가 있는 건입니다. 분석가 화면 맨 위에는 route를 정한 이유가 먼저 보여야 합니다. 분석가가 결론을 바꾼 건은 이유 코드와 함께 저장해 매달 규칙과 프롬프트를 고칩니다. 배포 전에는 같은 신청서 50건을 3번씩 돌려 실소유자 목록이나 route가 달라지는 건의 비율을 봅니다. 가상 기준으로 2%를 넘으면 배포를 미룹니다.
Freed Capacity를 재려면 단계마다 시각을 남깁니다. 접수, 에이전트 완료, 분석가 열람 시작, 결론 시각입니다. 사람 작업 시간은 열람 시작부터 결론까지로 잡고, 전후 비교는 같은 업무의 같은 기간 건수로 합니다. 연간 확보 시간은 (이전 건당 시간 − 이후 건당 시간) × 연간 건수입니다. 가상 예시로 건당 9시간이 0.8시간이 되고 연 1,000건이면 8,200시간이고, 2,080시간으로 나누면 약 3.9명분입니다. 보고에는 이 값을 처리 건수 증가와 나란히 적습니다.
Agent-Readable Data를 갖추려면 법인 ID 하나로 신청서, 지분 문서, 과거 점검 결과가 이어지게 합니다. 점검 결과를 보고서 JSON 그대로 저장해 두면 정기 고객 검토 때는 지난번과 달라진 항목만 다시 확인하면 됩니다. 문서가 스캔본뿐인 고객은 OCR 신뢰도가 낮은 페이지를 open_questions에 올려 사람이 확인하게 합니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 여러 층의 지주 구조 | 실소유자를 끝까지 못 따라감 | 층마다 조회 반복, 상한을 넘으면 review |
| 동명이인 명단 히트 | possible 결과가 쌓임 | 생년·국적으로 2차 매칭, 남은 건만 분석가에게 |
| 출처마다 다른 법인 정보 | 주소·대표자가 서로 다름 | 두 값과 출처를 모두 싣고 open_questions |
| 명단 버전이 오래됨 | 최근 등재자를 놓침 | list_version 날짜를 매일 갱신하고 보고서에 표기 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| 컴플라이언스 책임자 | 점검 항목과 route 기준 승인, 확대 판정 |
| SBA 대출 매니저 | 시범 업무 선정, 늘어난 물량 배분 |
| 컴플라이언스 분석가 | 보고서 검토, 판단 건 처리, 결론 변경 이유 기록 |
| 데이터·AI 엔지니어 | 조회 도구 연결, 매칭 엔진·LLM 운영, 주간 리포트 |
| 내부 감사·리스크 | 근거 문서와 조회 시각 기록 점검 |
준비물. 시범 업무의 최근 3개월 심사 건 목록(접수 시각, 결론 시각, 결론), 분석가가 쓰는 점검 체크리스트, 법인 기록과 지분 문서를 가져올 출처 목록, 제재 명단 조회 방식, 과거 사기 징후 건의 사례 모음이 필요합니다. 기준선은 시작 전 2주를 실측해 잡습니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | SBA 대출 실행 업무의 건당 시간 기준선 측정, 체크리스트를 보고서 필드로 옮김 | 기준선, 보고서 스키마 |
| 3~4주 | 섀도 모드: 분석가는 기존대로 심사하고 에이전트 보고서와 결론을 비교 | 항목별 일치율, 놓친 항목 목록 |
| 5~6주 | clear 건만 에이전트 보고서로 심사, 나머지는 기존 방식 | 건당 시간, 분석가 결론 변경 건 |
| 7~8주 | 모든 route로 넓히고 확대 여부 판정 | 판정 보고서, 다음 업무(강화 실사 등) 계획 |
현업에 물을 것.
- 지금 한 건 심사에서 시간이 가장 많이 드는 단계는 자료 찾기, 대조, 보고서 작성 가운데 어디인가요?
- 실소유자를 확인할 때 어떤 문서를 어디서 가져오나요?
- 제재 명단에서 후보가 걸렸을 때 같은 사람인지 무엇으로 판단하나요?
- 지난 1년 동안 심사에서 사기 징후를 찾은 건은 몇 건이고 어떤 신호였나요?
- 심사가 빨라지면 늘어나는 신청을 받을 영업 계획이 있나요?
진행 판정 기준(예시). 7~8주 운영에서 건당 사람 작업 시간이 기준선보다 절반 이상 줄어야 합니다. 섀도 모드에서 에이전트가 놓친 제재·사기 항목이 0건이어야 하고, 분석가 결론 변경 건은 이유 코드가 모두 남아 있어야 합니다. 하나라도 못 채우면 놓친 유형을 고친 뒤 2주를 더 봅니다.
AX 적용 제언. 대출, 보험 인수, 협력사 등록처럼 정해진 확인 항목을 건마다 반복하는 심사 업무가 첫 후보입니다. 순서는 SBA 대출 실행처럼 건수가 많고 체크리스트가 굳은 업무 하나로 시작해 강화 실사, 정기 고객 검토로 넓히는 편이 맞습니다. 시작 전에 경영진이 풀린 시간을 어디에 쓸지 먼저 정해야 합니다. First Internet Bank처럼 물량 확대 목표를 함께 내걸면 현장이 감원을 걱정하지 않고 결론 변경 기록을 성실히 남깁니다. 경영 보고에는 인건비 대신 건당 시간, 처리 건수, 확보 여력(명분)을 한 표에 적습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | PYMNTS, 2026.10.26 게재, 일부는 구독 양식 뒤 |
| 회사 | First Internet Bank of Indiana, 자산 60억 달러 디지털 은행 |
| 수치 출처 | AI 컴플라이언스 회사 Bretton AI의 사례 연구 |
| 심사 시간 | SBA 대출 신청자 심사 8~10시간에서 1시간 미만, 87% 단축 |
| 확보 여력 | 네 업무(SBA 대출 실행, 강화 실사, 사기 검토, 정기 고객 검토)에서 연 약 2만 4,300시간, 2,080시간 기준 약 12명분, 급여 절감이 아닌 여력 |
| 에이전트 작업 | 법인 기록 조회, 실소유자 식별, 제재 명단·사기 징후 점검, 구조화 보고서. 분석가는 검토와 판단 건 |
| CEO 발언 | David Becker, 인력 감축 질문에 아니라고 답하고 두 배의 거래를 주문(Bretton 사례 연구) |
| 대출 실적 | 2024년 SBA 7(a) 실행액 6억 1,000만 달러, 전년 대비 44% 증가(2025년 초 발표, David Bybee SBA 대출 책임자 승진 포함). 2월 Pulse 2.0 인터뷰에서 SBA 7(a) 상위 10위 |
| Customers Bank | AI 시범으로 일부 상업 대출 7일 종결(보통 30~60일), 확대 시 연 1,500만 달러 넘는 인력 여력 추산, 직원 추산 누적 7만 6,000시간 |
| 기업 조사 | PYMNTS Intelligence 「The Enterprise AI Readiness Gap」(4월 Enterprise AI Benchmark): 데이터 품질 장애 63%, 거버넌스 확신 99%, 데이터 분산·일부 통합 85%, 대부분 통합 15%, 표본 65명. 5월판 금융 서비스 기업 30%가 데이터 품질을 최대 장애로 꼽음 |
핵심 개념
- SBA 7(a)
- 미국 중소기업청(SBA)이 보증하는 대표적인 중소기업 대출 프로그램입니다.
- enhanced due diligence
- 위험이 높은 고객에게 기본 확인보다 더 깊게 하는 실사입니다.
- periodic customer review
- 이미 거래 중인 고객의 정보와 위험도를 정해진 주기로 다시 확인하는 일입니다.
- sanctions screening
- 고객과 관련 인물이 제재 명단에 올라 있는지 대조하는 점검입니다.
- FTE
- full-time equivalent. 근무 시간을 정규직 몇 명분인지로 바꾼 값으로, 기사는 1명을 연 2,080시간으로 봅니다.
- route
- 이 노트의 가상 설계에서 보고서를 확인만 할지, 분석가가 판단할지, 상위로 올릴지 가르는 값입니다.
내 메모
TODO: 내 생각 추가
원문은 PYMNTS의 「First Internet Bank Bets AI Means More Loans, Not Fewer People」(2026.10.26 게재)입니다. First Internet Bank의 수치와 CEO 발언은 기사가 인용한 Bretton AI 사례 연구, Customers Bank 수치는 PYMNTS 이전 보도, 기업 데이터 조사는 PYMNTS Intelligence 자료에서 나왔습니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 기술·현업 실행 디테일, JSON 예시, route 규칙, 막히는 경우 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.