Invisible Utility: LLM이 계좌를 쥐면 은행이 잃는 고객 관계와 지킬 해자

고객이 계좌를 LLM 에이전트에 연결하면 은행은 계좌와 결제만 맡고 고객 관계는 에이전트가 갖게 될 수 있습니다. Personetics CEO Udi Ziv는 은행이 지킬 무기로 남에게 넘길 의무가 없는 거래 데이터와 사람 채널을 꼽습니다. 실제로 쓰려면 에이전트 접근을 먼저 보이게 만들고, 거래 데이터에서 뽑은 신호를 뱅커가 움직일 수 있는 리드로 바꿔야 합니다.

요약

Banking Dive의 Caitlin Mullen 기자는 10월 라스베이거스 Money20/20에서 Personetics CEO Udi Ziv를 인터뷰했습니다. Personetics는 은행과 신용조합에 고객 인사이트, 데이터 분석, 관계 관리 도구를 파는 핀테크로, 북미 상위 40개 리테일 은행 가운데 절반(Truist, Huntington, Royal Bank of Canada 등)을 고객으로 둡니다. Ziv의 진단은 이렇습니다. 고객이 은행 계좌를 LLM(large language model, 대형 언어 모델)에 연결하면 은행과 고객 사이가 끊기고, 은행은 「invisible utility」가 됩니다. 기사는 JPMorgan Chase, Bank of America, Citi가 AI 에이전트의 계좌 접근을 막았고, Wells Fargo는 AI 도구를 쓰는 책임이 고객에게 있다고 안내한다는 점도 함께 전합니다.

Ziv가 보는 위험은 은행이 사라지는 일이 아니라 범용화(commoditization)입니다. 관계를 다른 누군가가 갖고, 은행은 그 아래에서 돈만 보관하는 처지가 된다는 뜻입니다. 그래도 끝난 싸움은 아니라고 말합니다. 은행에는 open banking으로 넘길 의무가 없는 금융 데이터와 RM(relationship manager, 관계 관리 담당자)·지점·콜센터라는 사람 채널이 있습니다. 같은 행사에서 Plaid CEO Zach Perret은 한 주체가 고객 관계 전체를 갖기는 어렵고, 고객은 어떤 기능은 AI 플랫폼에서, 어떤 기능은 은행과 직접 하려 할 것이라고 봤습니다. 아래에서는 Ziv의 논지를 다섯 개 메커니즘으로 나누고, 은행이 실제로 움직이려면 필요한 기술·현업 디테일을 덧붙입니다.

핵심 메커니즘

Invisible Utility: 계좌는 남고 관계는 에이전트로 넘어가는 구도

Invisible utility(보이지 않는 유틸리티)는 고객이 매일 쓰지만 누가 제공하는지 의식하지 않는 기반 서비스를 말합니다. 입력은 고객이 LLM에 계좌를 연결하는 행동입니다. 그 뒤로 고객은 은행 앱 대신 에이전트에게 묻고, 에이전트가 상품을 비교하고 돈을 옮깁니다. 출력은 은행이 고객의 질문과 의사결정에서 빠지고 계좌만 제공하는 상태입니다. Ziv는 통신 산업에 빗댑니다. Verizon, AT&T, T-Mobile이 고객 관계를 갖던 시절은 iPhone이 나오면서 끝났습니다. 망은 그대로 남았지만 고객이 매일 만나는 것은 단말이 됐습니다.

Primacy: 에이전트가 예치금을 옮기면 흔들리는 주거래 지위

Primacy(주거래 지위)는 고객이 급여를 받고 생활비를 쓰는 첫 번째 은행이 되는 것을 말합니다. 은행은 primacy를 기반으로 예금을 모으고 대출·카드·자산관리를 붙입니다. Ziv는 에이전트가 더 높은 수익률을 찾아 예치금을 옮기면 은행이 primacy를 얻기 어려워진다고 봅니다. 입력은 여러 기관의 금리, 처리는 에이전트의 비교와 이체, 출력은 잔액이 남지 않는 계좌입니다. 기사는 올해 은행 경영진이 AI 기반 현금 최적화 도구에 대한 질문을 받아 왔다고 전합니다. 예컨대 가상 예시로, 고객이 남는 돈을 가장 좋은 금리에 두라고 에이전트에 맡기면 월급날 다음 날 잔액 대부분이 다른 기관으로 옮겨 갈 수 있습니다.

Agent Access Blocking: 차단의 명분과 실제 이유

미국 대형 은행의 첫 대응은 접근 제한입니다. JPMorgan Chase, Bank of America, Citi는 고객 계좌에 대한 AI 에이전트 접근을 막았습니다. Wells Fargo는 AI 도구를 쓰면 책임은 고객에게 있다고 알리고, PNC CEO Bill Demchak은 에이전트만으로 이뤄지는 거래는 없을 것이라고 말했습니다. Ziv는 은행들이 안전과 보안을 이유로 들지만, 더 큰 걱정은 사업을 잃는 것이라고 봅니다. 대형 은행들이 아직 준비가 안 됐다고 말한다고도 전했습니다. Ziv가 은행의 무기로 꼽은 것은 차단이 아니라 아래 두 가지입니다.

Proprietary Transaction Data: open banking으로 넘길 의무가 없는 데이터

Ziv가 꼽은 첫째 무기는 금융 데이터의 폭과 깊이입니다. 은행은 고객의 입출금, 카드 결제, 대출 상환 같은 거래 기록을 갖고 있고, open banking으로 이 데이터를 넘겨줄 의무는 없다는 것이 기사의 설명입니다. 그래서 LLM은 같은 깊이의 금융 데이터를 갖지 못합니다. 입력은 거래 기록, 처리는 패턴 분석, 출력은 고객별 상황(급여 변화, 큰 지출, 외부 이체)에 대한 판단입니다. 이 데이터는 은행 안에서 리드와 조언으로 바뀔 때 무기가 됩니다. 쌓아 두기만 하면 고객에게 보이는 차이가 생기지 않습니다.

Human Channel Moat: 데이터를 실은 사람 채널

둘째 무기는 사람입니다. Ziv는 사람 채널을 LLM과 AI 에이전트에 맞설 가장 큰 해자이자 차별점이라고 부릅니다. 은행들은 지점을 늘리고 뱅커를 더 뽑는 데 투자하고 있다고 말합니다. 기사는 JPMorgan Chase가 10월 31일 노스캐롤라이나 샬럿에 돈 문제에 사람이 답한다는 광고판을 걸었다는 사례도 듭니다. Personetics가 최근 낸 제품은 이 채널에 데이터를 싣는 도구입니다. 거래 인텔리전스(transaction intelligence, 거래 기록에서 뽑은 고객 신호)로 뱅커가 연락할 고객을 추천하고, 고객마다 리스크와 기회를 표시합니다. Ziv는 LLM이 똑똑하지만 한 면만 본다고 표현합니다. 은행이 자체 에이전트를 만들더라도 은행의 나머지 시스템과 맞물리지 않으면 쓸모없다는 경고도 덧붙였습니다.

통념과 다른 주장

저자가 든 사례

미국 대형 은행과 Personetics의 대응

항목	내용
상황	고객이 계좌를 LLM에 연결하고 에이전트가 예치금을 옮길 수 있게 됨. Fitch는 10월 22일 은행의 AI 관련 사업 교란 위험을 향후 5년 중간 수준으로 평가(주로 프로세스·상품의 기술 경쟁)
한 일	JPMorgan Chase·Bank of America·Citi는 에이전트 접근 차단, Wells Fargo는 고객 책임 고지. 은행들은 지점·뱅커 확충. Chase는 샬럿 광고판으로 사람의 답을 내세움
Personetics	북미 상위 40개 리테일 은행 중 절반이 고객. KeyBank는 고객에게 더 자세한 거래 정보를 보여 주는 데 사용. 뱅커용 접촉 추천 제품 출시
연결	Agent Access Blocking → Proprietary Transaction Data, Human Channel Moat

기술 디테일: 막기 전에 보이게, 데이터는 리드로

아래 필드, 계산식, 설정값은 같은 판단을 내리려는 금융사를 위한 실행 제안입니다. 기사에 나온 Personetics나 은행의 구현 방식이 아닙니다.

Agent Access Blocking을 정책으로 운영하려면 먼저 누가 계좌에 들어오는지 보이게 만듭니다. 앱·인터넷뱅킹 로그, aggregator(여러 기관 계좌를 모아 보여 주는 중개사) API 토큰 호출, 이체 내역을 한곳에 모읍니다. 접근 주체는 고객 본인, 승인된 핀테크 앱, aggregator, LLM 에이전트로 나눕니다. 화면 자동 조작이 의심되는 세션(사람보다 빠른 연속 조회, 같은 순서의 반복 요청)은 따로 표시합니다. 범위는 조회와 이체를 반드시 나눕니다. 조회만 허용하고 이체는 막는 조건부 허용이 차단과 전면 허용 사이의 현실적인 첫 단계입니다. 접근 권한 한 건(grant)은 아래처럼 남깁니다.

{
  "grant_id": "G-2026-11-008812",
  "customer_id": "C-401553",
  "client_type": "llm_agent",
  "client_name": "unverified",
  "detected_by": "session_pattern",
  "scopes": ["balances:read", "transactions:read"],
  "payment_scope": false,
  "policy": "conditional",
  "customer_notice_sent": true,
  "first_seen": "2026-11-02",
  "expires_at": "2027-02-02"
}

Primacy가 흔들리는 것을 미리 보려면 거래 데이터에서 예치금 이탈 신호를 뽑습니다. 주 1회 배치로 고객마다 네 가지 신호를 계산하고 규칙 점수로 합칩니다. 첫 기준은 아래 표처럼 단순하게 두고, 4주 동안 실제 이탈과 맞춰 본 뒤 조정합니다. 점수 계산은 규칙이나 일반 머신러닝 모형으로 하고, LLM은 뱅커가 읽을 설명 문장에만 씁니다. 숫자를 LLM이 만들지 않게 하는 것이 원칙입니다.

Human Channel Moat에 데이터를 실으려면 신호를 뱅커가 바로 움직일 수 있는 리드 한 건으로 바꿉니다. 리드에는 근거가 된 거래 ID를 반드시 붙여 뱅커가 화면에서 확인할 수 있게 합니다. 설명 문장(talking_points)은 LLM이 구조화 출력(JSON)으로 만들되, 입력에는 계산된 신호와 거래 요약만 넣습니다. temperature는 0으로 두고, 같은 입력으로 3회 생성해 금액·날짜가 입력과 다르면 그 문장을 버립니다. 리드는 14일이 지나면 만료하고, 뱅커가 남긴 결과(연락함, 유지, 이탈)를 다음 달 기준 조정에 씁니다.

{
  "lead_id": "L-2026-11-120394",
  "customer_id": "C-401553",
  "signals": [
    {"type": "external_transfer_repeat", "value": 3, "window_days": 28},
    {"type": "balance_drop_pct", "value": 34}
  ],
  "evidence_txn_ids": ["T-88120931", "T-88177402", "T-88201155"],
  "risk": ["deposit_outflow"],
  "opportunity": ["savings_product_review"],
  "suggested_channel": "branch",
  "talking_points": ["최근 4주 외부 이체 3회", "보유 예금 금리 안내"],
  "llm_model_version": "summary-v2",
  "expires_in_days": 14,
  "outcome": null
}

자체 에이전트를 은행 시스템과 맞추려면 에이전트와 뱅커가 같은 고객 상태를 보게 합니다. 에이전트는 리드, 상담 이력, 진행 중인 제안을 읽고, 대화 결과를 CRM에 같은 형식으로 씁니다. 고객이 앱 에이전트와 나눈 대화를 다음 날 지점 뱅커가 이어받을 수 있어야 Ziv가 말한 맞물림이 생깁니다.

막히는 경우	증상	대응
에이전트 접근을 못 가려냄	차단·허용 정책이 실제 트래픽과 따로 놂	세션 패턴 규칙을 월 1회 재검토, 의심 세션 표본 100건 사람 확인
신호가 너무 많음	뱅커 한 명에게 주 50건 넘는 리드	상위 점수만 뱅커당 주 10건으로 제한
설명 문장 오류	금액·날짜가 원장과 다름	3회 생성 대조, 불일치 문장 폐기, 숫자는 템플릿에 직접 주입
뱅커가 리드를 무시	접촉률 저조	근거 거래 표시, 리드 결과 입력을 영업 지표에 포함
에이전트와 뱅커가 다른 말	고객이 같은 설명을 반복	공유 고객 컨텍스트와 CRM 기록 형식 통일

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
CEO·리테일 총괄	에이전트 접근 정책(차단·조건부·허용) 최종 결정, 사람 채널 투자 우선순위
CIO·CTO	로그 통합, 접근 주체 판별, grant 기록 체계
데이터·AI 팀	이탈 신호 계산, 리드 생성, LLM 설명 문장 검증
RM·지점 영업 조직장	파일럿 지점 선정, 뱅커별 리드 처리, 결과 입력 관리
디지털 채널	고객 고지 문구, 자체 에이전트와 앱의 연결
컴플라이언스·법무	고객 동의 범위, 책임 고지, 데이터 공유 의무 검토

준비물. 최근 12개월 고객별 거래 원장 요약, 앱·인터넷뱅킹 세션 로그, aggregator 연결 목록, 지점·RM별 담당 고객 명단, 현재 예금 이탈 지표(월별 순유출)가 필요합니다.

기간	할 일	산출물
1~2주	접근 주체별 트래픽과 이체 범위 집계, 예금 순유출 기준선	에이전트 접근 현황표, 이탈 기준선
3~4주	이탈 신호 네 가지 계산, 리드 형식 확정	신호 정의서, 리드 JSON 형식, 뱅커 화면 시안
5~6주	지점 2곳과 RM 1팀에 리드 배포, 비교군 지정	리드 처리 기록, 주간 접촉률
7~8주	결과 비교, 접근 정책안 작성	경영 보고서, 차단·조건부·허용 정책안

현업에 물을 것.

1. 지금 우리 계좌에 들어오는 접근 가운데 고객 본인이 아닌 것은 몇 %인가요?
2. 지난 1년 예금 순유출 가운데 외부 고금리 상품으로 간 비중을 알 수 있나요?
3. 뱅커는 지금 어떤 기준으로 연락할 고객을 고르나요?
4. 뱅커가 리드를 받으면 하루 몇 건까지 실제로 연락할 수 있나요?
5. 고객이 에이전트를 쓰다가 생긴 손실을 누가 책임진다고 안내하고 있나요?

진행 판정 기준(예시). 파일럿 지점의 리드 접촉률이 70% 이상이고, 접촉한 고객의 8주 뒤 예금 잔액 유지율이 비교군보다 높으며, 뱅커가 근거를 이해하지 못했다고 표시한 리드가 10% 미만이면 다른 지점으로 넓힙니다. 접근 정책은 에이전트 트래픽 비중과 이체 범위 요청이 집계된 뒤에 정하고, 그 전에는 조회만 허용하는 조건부 정책을 기본값으로 둡니다.

AX 적용 제언. 은행, 카드, 증권처럼 고객이 계좌를 외부 앱에 연결할 수 있는 금융사는 에이전트 대응을 보안 부서의 차단 목록으로만 다루지 말고, 고객 관계를 지키는 영업 과제로 올려야 합니다. 순서는 측정이 먼저입니다. 에이전트 접근 비중과 예금 이탈 경로가 보이면, 그다음에 거래 데이터를 뱅커의 리드로 바꾸고, 마지막으로 자체 에이전트를 같은 고객 컨텍스트 위에 얹습니다. 스폰서는 리테일 총괄이 맡고 CIO가 데이터와 기록 체계를 받치는 구도가 맞습니다.

원문 사례

항목	내용
기사	Banking Dive, Caitlin Mullen, 2026.11.4
화자	Udi Ziv(Personetics CEO), Money20/20 라스베이거스(10월) 인터뷰
Personetics 고객	북미 상위 40개 리테일 은행 중 절반. Truist, Huntington, Royal Bank of Canada. KeyBank는 거래 상세 제공에 사용
위협 진단	계좌의 LLM 연결은 업계의 존립 위협, 은행은 뒤로 숨은 유틸리티가 되고 범용화될 수 있음
비유	Verizon·AT&T·T-Mobile의 고객 관계가 iPhone 등장 뒤 바뀐 일
은행 대응	JPMorgan Chase·Bank of America·Citi 에이전트 접근 차단, Wells Fargo 고객 책임 고지, PNC CEO Bill Demchak 에이전트 단독 거래 부정
외부 평가	Fitch(10.22): 향후 5년 AI 관련 사업 교란 위험 중간 수준
은행의 무기	open banking으로 넘길 의무 없는 금융 데이터, RM·지점·콜센터
사례	JPMorgan Chase 샬럿 광고판(10.31), 지점 확충과 뱅커 채용
반론	Plaid CEO Zach Perret: 한 주체가 고객 관계 전체를 갖기 어려움
기타	Meta의 Muse, OpenAI의 dots에 대응해 은행이 자체 에이전트를 만들 수 있음. 은행 시스템과 맞물리지 않은 에이전트는 쓸모없다는 Ziv의 경고
제품	거래 인텔리전스로 뱅커에게 연락할 고객 추천, 고객별 리스크·기회 표시

핵심 개념

commoditization

범용화. 누가 제공해도 차이가 없는 서비스가 되어 가격과 조건으로만 경쟁하게 되는 상태입니다.

open banking

고객 동의를 받아 은행 계좌 정보를 다른 금융사·핀테크와 API로 공유하는 체계입니다.

data aggregator

여러 금융기관의 계좌 정보를 모아 앱에 연결해 주는 중개사입니다. Plaid가 대표적인 예입니다.

RM

relationship manager. 담당 고객의 금융 관계 전체를 맡아 관리하는 은행 직원입니다.

Money20/20

결제·핀테크 업계가 모이는 연례 행사로, 이번 인터뷰가 이뤄진 자리입니다.

Fitch Ratings

신용평가사. 기사에서는 은행의 AI 관련 사업 교란 위험을 평가한 주체로 나옵니다.

내 메모

TODO: 내 생각 추가

원문은 Banking Dive의 「Banks should play up human touch to stand out in AI era: fintech CEO」(Caitlin Mullen, 2026.11.4 게재)입니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 기술·현업 실행 디테일, JSON 예시, 이탈 신호 기준, 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.