Client Onboarding Agent: Northern Trust, 기관 고객 데이터 준비를 2.5주에서 3일로
Northern Trust는 기관 고객이 가져오는 수년치 거래·현금흐름 기록을 자사 표준 형식으로 바꾸는 매핑을 에이전트에 맡기고 분석가는 검토와 예외 처리만 합니다. 데이터 준비 기간은 2.5주에서 3일로 83% 줄었고 첫 매핑 F1은 96.5%입니다. Microsoft Frontier Company의 FDE 팀과 함께 만들었습니다.
Northern Trust는 새 기관 고객의 수년치 거래 기록을 표준 형식으로 옮기는 일을 에이전트에 맡기고 분석가에게는 검토와 불확실한 건만 남겼습니다. 데이터 준비 기간은 2.5주에서 3일이 됐습니다. 따라 하려면 분석가가 만든 정답으로 첫 결과를 채점하는 평가 틀, 예외만 사람에게 넘기는 검토 흐름, 승인된 매핑을 다음 고객에 다시 쓰는 지식 저장소를 먼저 갖춰야 합니다.
요약
시카고의 은행 Northern Trust가 2026년 11월 9일 Microsoft와 함께 고객 온보딩 에이전트를 공개했습니다. 대상은 자산서비스 부문의 Front Office Solutions 플랫폼에 새로 들어오는 기관 고객입니다. 이 플랫폼은 재단, 대학기금, 연기금, 대형 패밀리오피스에 성과 보고와 분석을 제공합니다. 대체투자 고객은 여러 투자에 걸친 수년치 거래 내역과 현금흐름을 제각각인 형식으로 가져옵니다. 지금까지는 사람이 이 기록을 손으로 매핑하고 변환해 보고 환경에 올렸습니다. 이제는 에이전트가 기록을 모아 성과 이력을 다시 세우고 Northern Trust 표준 형식으로 바꿉니다. 분석가는 결과와 추론을 검토하고 불확실한 건을 풀고 승인합니다. 개발은 Microsoft가 7월에 25억 달러 규모로 세운 Frontier Company의 FDE(forward deployed engineer, 고객사에 들어가 함께 만드는 엔지니어) 팀과 함께 했습니다.
보도자료 기준으로 데이터 준비 시간은 약 2.5주에서 3일로 83% 줄었습니다. 이 수치는 실제 운영 건에서 쟀고 변환과 분석가 검토, 예외 처리, 최종 검증까지 모두 포함합니다. 첫 결과의 품질은 F1 96.5%입니다(CIO.com은 96% 이상으로 적었습니다). 익명화한 실제 거래 워크북 7건을 썼고 분석가가 미리 만든 정답과 피드백 이전 결과를 비교했습니다. COO Pete Cherecwich는 데이터가 복잡하고 들쭉날쭉해서 오히려 AI에 맞는 문제였다고 봅니다. 그 안에 “there are also patterns that the technology can learn”라는 이유입니다. 기반은 Microsoft Azure와 Microsoft Foundry이고 분석가는 Excel과 SharePoint에서 결과를 다듬고 승인합니다. 승인된 온보딩 지식은 Azure 위의 governed intelligence layer(통제되는 지식 계층)에 남아 다음 건에 쓰입니다. 아래에서 다섯 가지 작동 원리와 세 사례를 보고 따라 할 때 필요한 기술·현업 디테일을 붙입니다.
핵심 메커니즘
Data Mapping Agent: 제각각인 고객 기록을 표준 형식으로 옮기는 일꾼
고객이 쓰던 열과 코드를 Northern Trust 보고 체계의 필드로 대응시키고 값을 바꾸는 에이전트입니다. 입력은 여러 출처의 거래·현금흐름 워크북이고 처리는 통합과 성과 이력 재구성, 표준 형식 변환입니다. 출력은 보고 환경에 바로 올릴 수 있는 데이터입니다. 형식은 고객마다 다르지만 거래 유형, 날짜, 금액처럼 반복되는 구조가 있는 일에 맞습니다. 정답 형식이 없거나 고객마다 보고 체계 자체가 다르면 먼저 표준 형식부터 정해야 합니다. 원문은 서비스 개시 전 구현 단계에서 오류를 찾아 맞추고 고객의 시작 데이터를 검증하는 데 쓴다고 밝힙니다. 가상 예시로, 한 연기금이 “Capital Call”과 “Drawdown”을 섞어 쓴 두 워크북을 보내면 에이전트가 둘을 같은 표준 거래 유형으로 묶고 근거를 남깁니다.
Human Review of Exceptions: 사람은 검토와 불확실한 건만 맡는다
에이전트가 대부분의 매핑을 하고 사람은 결과를 검토해 불확실한 건을 해결하는 분업입니다. 분석가는 결과만 보지 않고 에이전트의 추론도 평가합니다. 결정한 내용은 전문가 피드백으로 돌아가 성능을 높입니다. Cherecwich는 기술이 일의 덩어리를 맡고 사람이 전문성이 필요한 곳에 힘을 쓰는 지점을 ‘sweet spot’이라고 불렀습니다. 규제 산업처럼 고객이 사람의 감독을 기대하는 일에 맞고 결과를 되돌리기 어려운 일일수록 이 분업이 필요합니다. 가상 예시로, 500개 매핑 가운데 근거가 약한 20개만 분석가 큐에 올라갑니다.
F1 First-Pass Quality: 사람이 손대기 전 첫 결과를 정답과 비교한다
F1은 정확도(precision, 낸 매핑 중 맞은 비율)와 재현율(recall, 정답 매핑 중 찾아낸 비율)을 하나로 묶은 점수입니다. Northern Trust는 이 점수를 분석가가 고치기 전의 첫 결과에 매겼습니다. 정답은 분석가가 미리 만들어 두고 에이전트 실행 중에는 숨겼습니다. 그래서 96.5%는 사람의 손을 탄 최종본이 아니라 에이전트 혼자 낸 결과의 품질입니다. 맞힌 것과 빠뜨린 것을 함께 봐야 하는 매핑·추출 작업에 맞습니다. 정답 세트를 만들 수 없는 창작형 작업에는 맞지 않습니다.
Eyes-Off Evaluation: 익명화 데이터로만 튜닝하고 평가한다
Microsoft는 F1 채점과 다른 평가 지표를 익명화한 데이터로만 다듬었습니다. 고객 원본은 Northern Trust의 통제 아래 그대로 남았습니다. 두 회사는 이 ‘eyes off’ 방식이 규제 금융의 데이터 관리 요건을 지키면서도 운영 규모의 성능을 내게 했다고 설명합니다. 외부 엔지니어와 함께 만들되 고객 데이터를 외부에 보여 줄 수 없는 은행·보험·의료에 맞습니다. 익명화하면 패턴이 사라지는 데이터(예: 고객 이름 자체가 매핑 근거인 경우)에는 따로 설계가 필요합니다.
Governed Intelligence Layer: 승인된 매핑 지식을 쌓아 다음 고객에 쓴다
분석가가 승인한 온보딩 지식을 보관하는 Azure 위의 계층입니다. 승인된 것만 쌓이므로 에이전트가 같은 실수를 되풀이하지 않고 고객이 늘수록 매핑이 나아집니다. CIO Dive는 이 계층 덕에 에이전트가 시간이 지나며 전문성을 쌓는다고 전합니다. 같은 종류의 고객이 반복해서 들어오는 일에 맞고 매번 완전히 새로운 형식만 들어오는 일에는 효과가 작습니다.
통념과 다른 주장
흔히 이렇게 봅니다데이터가 지저분하고 형식이 제각각이면 AI를 붙이기 전에 정제부터 끝내야 합니다.
Northern Trust는 이렇게 봅니다복잡하고 들쭉날쭉한 데이터가 오히려 AI에 맞는 문제입니다. 형식은 달라도 기술이 배울 수 있는 반복 패턴이 있기 때문입니다.
근거형식이 제각각인 수년치 대체투자 기록을 대상으로, 사람이 손대기 전 첫 결과에서 F1 96.5%를 냈습니다.
흔히 이렇게 봅니다AI 투자의 성과는 줄어든 업무 시간 하나로 잽니다.
Northern Trust는 이렇게 봅니다ROI는 숫자 하나로 재지 않습니다. 매출이 발생하는 속도, 고객 경험, 수작업을 대체한 효율을 함께 봅니다.
근거Cherecwich는 매출이 생기는 속도, 고객 경험, 수작업을 대체한 효율을 성과로 꼽고 직원이 데이터를 옮기는 대신 고객과 일하는 데 시간을 쓰게 하는 것이 목표라고 설명합니다.
저자가 든 사례
Northern Trust 온보딩 에이전트: 데이터 준비 2.5주에서 3일로
| 구분 | 내용 |
|---|---|
| 상황 | Front Office Solutions에 들어오는 기관 고객, 특히 대체투자 고객의 수년치 거래·현금흐름 기록이 형식이 제각각이라 사람이 손으로 매핑했습니다. Northern Trust 조사에서 자산 보유 기관의 57%가 흩어진 내외부 데이터를 모으는 일을 가장 큰 어려움으로 꼽았습니다. |
| 한 일 | 에이전트가 기록을 통합하고 성과 이력을 재구성해 표준 형식으로 바꿉니다. 분석가는 Excel·SharePoint에서 검토, 예외 해결, 승인을 맡습니다. |
| 결과 | 데이터 준비 시간 약 2.5주에서 3일로 83% 감소, 첫 결과 F1 96.5%(7개 대표 사례, 익명화 데이터). |
| 연결 | Data Mapping Agent, Human Review of Exceptions, F1 First-Pass Quality |
FDE 공동 개발: 업무를 아는 쪽과 AI를 아는 쪽을 한 팀으로
| 구분 | 내용 |
|---|---|
| 상황 | Northern Trust는 자산서비스 업무를 알고 Microsoft는 AI를 압니다. Cherecwich는 해법에 두 쪽이 모두 필요했다고 말합니다. |
| 한 일 | Microsoft Frontier Company의 FDE가 Northern Trust 직원 옆에 들어가 함께 만들었습니다. Frontier Company에는 엔지니어링 팀과 산업 전문가, 변화관리·프로세스 최적화 전문가가 함께 있습니다. |
| 결과 | Frontier Company의 초기 고객 프로젝트 가운데 하나로 운영에 들어갔고 Cherecwich는 엔지니어를 직원 옆에 두어 훨씬 빨리 움직였다고 평가합니다. |
| 연결 | Eyes-Off Evaluation(외부 팀과 일하되 원본은 안에 둠) |
같은 회사의 다른 에이전트: 고객 메모와 STP
| 구분 | 내용 |
|---|---|
| 상황 | 고객 관계 담당자가 고객별 실행 계획 메모를 쓰는 데 시간이 들었습니다. |
| 한 일 | client action plan 에이전트를 도입하고 AI 기반 디지털화를 넓혔습니다. 내부 AI 비서 Byron은 자산관리 담당을 돕습니다. |
| 결과 | CEO Michael O’Grady는 3분기 실적 발표에서 메모 한 건에 2~3시간을 아낀다고 밝혔고 STP(사람 손 없이 끝나는 처리) 비율은 두 배 가까이 늘었습니다(CIO Dive 보도). |
| 연결 | 온보딩 에이전트와 같은 원칙: 결과에서 출발해 일을 다시 설계 |
기술 디테일: 매핑 에이전트를 실제로 돌리려면
아래 필드명, 기준값, 일정은 원문에 없는 내용으로 새로 작성한 가상 예시입니다.
Data Mapping Agent를 만들려면 매핑 결과를 자유 문장이 아니라 구조화 출력으로 받습니다. 원본 열 하나마다 대상 필드, 변환 규칙, 신뢰도, 근거를 한 줄씩 내게 합니다. 모델 호출은 워크북 전체가 아니라 시트 단위로 나누고 시트마다 표본 행 50~100개와 열 이름을 넣습니다. 형식이 같은 시트는 매핑을 한 번만 만들고 나머지 행에는 코드로 적용합니다. 그래야 비용과 편차가 줄어듭니다.
{
"source_sheet": "PE_Fund_CF_2019_2024",
"source_column": "Drawdown Amt",
"target_field": "transaction.amount",
"target_txn_type": "CAPITAL_CALL",
"transform": "abs(value) * -1",
"confidence": 0.93,
"rationale": "열 이름과 음수 부호 패턴이 출자 요청과 일치",
"status": "auto"
}Human Review of Exceptions를 돌리려면 사람에게 넘길 기준을 두 겹으로 둡니다. 첫째는 모델이 낸 신뢰도(예: 0.85 미만)이고 둘째는 규칙 검증입니다. 현금흐름 합계가 고객이 준 기말 잔액과 맞지 않거나, 날짜가 펀드 설정일보다 앞서거나, 통화 코드가 비면 신뢰도와 상관없이 review로 보냅니다. 같은 시트를 temperature 0으로 3회 돌려 매핑이 갈리는 열도 review로 보냅니다. 금액·거래 유형처럼 고객 보고에 바로 드러나는 필드는 다른 모델로 한 번 더 매핑해 두 결과가 다르면 역시 review로 보냅니다. 분석가 화면에는 원본 셀, 제안 매핑, 근거를 나란히 보여 주고 승인·수정·반려 세 버튼만 둡니다.
| 신호 | 기준(가상) | 처리 |
|---|---|---|
| 신뢰도 | 0.85 미만 | review 큐 |
| 합계 대사 | 기말 잔액과 0.01% 넘게 차이 | review 큐, 시트 전체 표시 |
| 반복 실행 편차 | 3회 중 매핑이 갈림 | review 큐 |
| 새 거래 유형 | 지식 레이어에 없는 코드 | review 큐, 승인 시 규칙 등록 |
F1 First-Pass Quality를 재려면 채점 단위를 먼저 정합니다. 가장 쓰기 쉬운 단위는 (원본 열, 대상 필드, 거래 유형) 세 쌍입니다. 정답 세트는 분석가가 이미 처리한 과거 고객 5~10건으로 만들고 고객 유형(재단, 연기금, 패밀리오피스)과 자산군이 고루 들어가게 고릅니다. 정답은 실행 중 에이전트가 볼 수 없는 곳에 두고 분석가 피드백을 받기 전 결과로 채점합니다. 프롬프트나 모델을 바꿀 때마다 같은 세트로 다시 돌려 F1이 1%p 넘게 떨어지면 배포하지 않습니다.
Eyes-Off Evaluation을 하려면 익명화 단계를 평가 파이프라인 앞에 고정합니다. 고객명·계좌번호·펀드명은 일관된 토큰(예: FUND_017)으로 바꾸고 날짜 간격과 금액의 부호·자릿수 같은 패턴은 남깁니다. 외부 엔지니어는 토큰화된 워크북과 채점 결과만 봅니다. 원본과 토큰의 대응표는 은행 안에만 둡니다.
Governed Intelligence Layer를 쌓으려면 승인된 매핑을 규칙으로 저장합니다. 키는 원본 열 이름, 값 패턴, 출처 시스템을 묶은 서명이고 값은 대상 필드와 변환 규칙, 승인자, 승인일입니다. 새 고객 매핑 때 서명이 비슷한 규칙 3~5개를 검색해 프롬프트 예시로 넣습니다. 승인되지 않은 수정은 넣지 않고 규칙마다 버전을 남겨 잘못된 규칙을 되돌릴 수 있게 합니다.
현업 실행 디테일: 누가, 언제, 무엇을
역할 구성, 일정, 판정 기준은 원문에 없는 내용으로 새로 작성한 가상 예시입니다.
| 역할 | 맡는 일 | 원문과의 연결 |
|---|---|---|
| 온보딩 분석가 리드 | 정답 세트 작성, review 큐 처리 기준 결정 | 분석가 검토·예외 해결 |
| 업무 SME(성과 보고 담당) | 표준 형식과 거래 유형 정의 확정 | 표준 형식 변환 |
| 데이터·AI 엔지니어(내부 또는 FDE) | 파이프라인, 평가 하네스, 지식 레이어 구축 | FDE 공동 개발 |
| 리스크·컴플라이언스 | 익명화 기준, 외부 인력 접근 범위 승인 | eyes off 평가 |
| 고객 관계 담당 | 고객 데이터 요청, 개시일 약속 | 매출 발생 속도 |
시작 전 준비물은 네 가지입니다. 표준 형식 정의서(필드, 거래 유형 코드, 필수 여부), 분석가가 처리를 끝낸 과거 고객 5~10건의 원본과 결과, 지금 방식의 실제 소요 시간 기록(변환·검토·예외·검증으로 나눔), 익명화 규칙 승인서입니다. 소요 시간을 같은 범위로 재 둬야 나중에 Northern Trust처럼 전체 준비 기간으로 비교할 수 있습니다.
분석가 인터뷰에서 물을 것
- 고객 한 건을 받으면 시간이 가장 많이 드는 단계는 어디입니까? 변환, 대사, 예외 문의 가운데 어디입니까?
- 고객마다 다르게 쓰는 열 이름이나 코드는 무엇이고 지금 어디에 적어 둡니까?
- 틀리면 고객 보고에 바로 드러나는 필드는 무엇입니까? 그 필드는 신뢰도와 상관없이 사람이 봐야 합니까?
- 고객에게 다시 물어야 풀리는 예외는 전체의 몇 건 정도입니까?
진행 판정 기준(가상 예시): 정답 세트에서 첫 결과 F1 95% 이상, 실제 고객 병행 건에서 전체 준비 기간 50% 이상 단축, review 큐 비율 20% 이하, 승인 후 고객 보고에서 매핑 오류 0건. 넷을 모두 넘으면 같은 유형 고객으로 넓히고 F1만 못 넘으면 실패 유형별로 규칙 검증을 보강해 한 번 더 돕니다.
어디에 쓰나. 이 구조는 새 고객이나 새 법인의 과거 기록을 우리 표준 형식으로 옮기는 모든 일에 그대로 옮겨집니다. 국내라면 수탁·사무관리 회사의 신규 펀드 이관, 보험사의 단체계약 이관, ERP 전환 때 레거시 거래 이관, 인수 후 계열사 회계 통합, 협력사 마스터 등록이 바로 후보입니다. 순서는 이렇게 권합니다. 먼저 매핑을 사람이 하고 있고 과거 정답이 남아 있는 업무를 고릅니다. 그다음 정답 세트로 첫 결과 F1을 재서 사업 부서와 숫자로 합의합니다. 외부 파트너와 만들 때는 처음부터 eyes off 원칙을 계약에 넣어 원본이 밖으로 나가지 않게 합니다. 성과는 단축 시간만이 아니라 고객 서비스 개시일이 며칠 당겨졌는지까지 함께 보고합니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | CIO.com, Thor Olavsrud, 2026.11.9 |
| 함께 읽은 자료 | Northern Trust·Microsoft 보도자료(Business Wire, 2026.11.9), CIO Dive(Makenzie Holland, 2026.11.11) |
| 회사 | Northern Trust(시카고 1889년 설립). 2026.9.30 기준 수탁·관리 자산 19.9조 달러, 운용 자산 2.0조 달러 |
| 대상 | Northern Trust Asset Servicing, Front Office Solutions 플랫폼의 기관 고객 |
| 협력 | Microsoft Frontier Company FDE 팀(7월 출범, 25억 달러 규모) |
| 기술 | Microsoft Azure, Microsoft Foundry, Microsoft 365(Excel, SharePoint), Azure 기반 governed intelligence layer |
| 수치 | 데이터 준비 약 2.5주에서 3일(83% 감소), 첫 결과 F1 96.5%, 7개 대표 사례, 자산 보유 기관 57%가 데이터 통합을 가장 큰 어려움으로 꼽음 |
| 인물 | Pete Cherecwich(Northern Trust COO), Michael O’Grady(Northern Trust CEO), Bill Borden(Microsoft 금융서비스 부문 CVP) |
| 관련 성과 | client action plan 에이전트 메모당 2~3시간 절약, STP 두 배 가까이 증가(CIO Dive) |
핵심 개념
- Front Office Solutions
- Northern Trust 자산서비스 부문이 기관 투자자에게 성과 보고와 분석을 제공하는 플랫폼입니다.
- Onboarding
- 새 고객의 계좌와 과거 기록을 받아 서비스를 시작할 수 있게 준비하는 과정입니다.
- FDE
- Forward Deployed Engineer. 고객사 현장에 들어가 업무 담당자와 함께 시스템을 만드는 엔지니어입니다.
- Microsoft Frontier Company
- 고객이 AI 시험 단계를 넘어 대규모 배포로 가도록 돕는 Microsoft의 조직으로, FDE와 산업 전문가가 함께 일합니다.
- Microsoft Foundry
- 기업용 AI 모델과 에이전트를 만들고 운영하는 Microsoft의 플랫폼입니다.
- STP
- Straight-Through Processing. 사람 손을 거치지 않고 처음부터 끝까지 자동으로 끝나는 처리입니다.
- Augmented intelligence
- AI가 사람의 판단과 책임을 돕는다는 Northern Trust의 전략 표현입니다.
내 메모
TODO: 내 생각 추가
원문은 CIO.com 기사 「Northern Trust streamlines client onboarding with AI agent」(Thor Olavsrud, 2026.11.9)입니다. 측정 범위, F1 96.5%와 7개 사례 시험 방법, 57% 조사 수치, 플랫폼 설명은 Northern Trust·Microsoft 공동 보도자료(Business Wire, 2026.11.9)에서, client action plan 에이전트와 STP 수치는 CIO Dive 기사(2026.11.11)에서 확인했습니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 이 자료들을 AX Review가 다시 정리했습니다. 기술 디테일의 JSON 예시·기준값·실패 대응, 현업 실행 디테일의 역할·일정·질문·판정 기준, 메커니즘의 작은 예시, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문 기사에서 볼 수 있습니다.