AI 대출심사, 잘못된 거절 줄이는 것도 실력

AI 대출심사, 왜 덜 거절하는 것도 실력인가

대출받을 자격이 있는 사람을 돌려보내는 것도 은행 AI가 피해야 할 실패다. 서류에서 수상한 대목을 많이 찾아낼수록 유능하다는 인상과는 결이 다르다. 돈을 빌려줄 사람을 제대로 알아보는 일에는 잘못 닫힌 문을 줄이는 능력도 포함된다.

금융위의 2021년 AI 가이드라인은 이 차이를 분명히 했다. 대출심사는 적격자를 잘못 거절하는 위험을 줄이고, 사기탐지는 사기를 놓치는 위험을 줄이는 방향으로 설계하도록 했다. 같은 은행 안에서도 맡은 업무에 따라 경계해야 할 실수가 달라진다.

비유하면 출입 자격을 확인하는 직원과 위험물을 찾는 직원의 성적표가 다른 것이다. 모두를 돌려보내면 위험한 사람을 들일 가능성은 줄겠지만, 정상적인 손님까지 막는 출입구를 잘 운영했다고 하기는 어렵다.

깐깐함에는 방향이 필요하다.

은행 창구에 AI가 들어왔다는 소식에서 먼저 물어야 할 것도 이것이다. 어떤 서류를 읽는지에 더해 어떤 실수를 줄이도록 만들었는지. 이 구분 없이 거절이 늘면 정확해졌다고, 줄면 느슨해졌다고 평가하면 성능을 거꾸로 읽을 수 있다.

AI 보고서가 대출 판단에 어떻게 닿나

하나은행의 가계 신용대출 업무에서는 AI가 정보를 모아 심사보고서 초안을 만들고 직원이 이를 바탕으로 심사하는 구조가 소개됐다. NH농협은행의 활용 업무에는 부동산 거래계약 신고필증 검증이 포함됐다. AI가 들어오는 자리는 고객의 사정이 심사자의 책상 위에 정리되는 과정이다.

이 과정은 회의에 올라갈 검토 자료를 만드는 일에 빗댈 수 있다. 결재하는 사람은 따로 있어도, 검토 자료에 포함되거나 빠진 정보는 판단에 영향을 줄 수 있다. 그래서 보고서 초안이라는 이름만 보고 영향까지 작다고 여길 수는 없다.

예컨대 필요한 정보가 빠진 초안을 직원이 그대로 받아들인다면 고객의 사정도 불완전하게 전달될 수 있다. 이는 특정 은행에서 발생한 사고가 아니라, 정보 취합을 맡길 때 함께 살펴야 할 위험이다. 원래 서류와 초안을 대조하는 과정에 의미가 생기는 이유다.

여기서 고객에게 유용한 질문은 구체적이다. 심사에 어떤 정보가 쓰였는지, 잘못 들어간 정보는 어디서 고칠 수 있는지다. AI가 보고서를 썼다는 설명만으로 내 대출이 더 쉬워졌거나 더 어려워졌다고 결론 내릴 수는 없다.

애플카드 약 40만 명 조사, 이의제기는 어떻게 바뀌었나

심사 결과가 납득되지 않는 고객에게는 알고리즘이 정교하다는 설명만으로 부족하다. 애플카드는 이 간극을 드러낸 사례다. 한도 차별 의혹이 제기된 뒤 뉴욕주 금융서비스국은 약 40만 명의 뉴욕 신청자 자료 등을 조사했다.

2021년 3월 발표된 조사 결론은 불법 차별의 증거를 찾지 못했다는 것이었다. 그러나 고객에게 심사 이유가 충분히 전달되지 않은 문제는 별도로 남았다. 차별 의혹에 대한 판단과 고객이 결과를 이해할 수 있었는지는 다른 질문이었다.

당시 카드 심사를 맡은 골드만삭스는 항의한 부부의 사례를 다시 검토해 한도를 조정했다. 심사 결과에 이의를 제기하기 위해 기다려야 했던 6개월의 대기기간도 없앴다. 재검토 통로가 바뀌면서 고객이 결과를 바로잡을 기회도 달라졌다.

애플카드는 생성형 AI가 대출보고서를 쓰는 현재 국내 사례와 같은 기술의 전례는 아니다. 비교할 것은 신용결정 뒤의 절차다. 조사에서 불법성이 발견되지 않았다는 결론이 나와도, 설명과 재검토까지 충분했다는 보증이 되지는 않는다.

생성형 AI 지정 169건, 출시는 왜 따로 보나

금융권 AI 확산에는 기술 밖의 문도 열려야 했다. 금융위는 망분리 개선 로드맵에 이어 2024년 11월 27일 생성형 AI 활용 혁신금융서비스를 처음 지정했다. 금융회사가 새 기술을 업무에 연결할 수 있도록 제도적 예외를 마련한 것이다.

2026년 4월 15일 발표에서는 지정이 169건, 실제 출시가 45개 서비스였다. 금융권 생성형 AI 전체 집계이므로 은행 대출심사 업무 수로 읽으면 안 된다. 이 숫자들이 보여주는 것은 허용받은 단계와 고객이나 직원이 실제 사용하는 단계의 차이다.

같은 날 모델 변경 절차도 보안 영향에 따라 나뉘었다. 영향이 경미하면 즉시 출시하고, 보통이면 보안대책 평가를 거치며, 상당하면 기존 변경 절차를 적용하도록 했다. 도입 후 모델을 바꾸는 일에도 별도의 운영 과정이 필요했다.

따라서 AI 도입 발표가 늘었다는 사실에서 곧장 창구 대기시간 단축까지 건너뛸 수는 없다. 허용된 서비스가 실제로 출시되고 업무에 연결돼야 고객이 변화를 겪는다. 확산 속도는 발표 건수와 함께 실제 사용 단계에서 읽어야 한다.

우리은행 AI 사업에 시스템 연결이 포함된 이유

은행의 AI 도입을 모델 사용료 지불로만 보면 중요한 구축 작업을 놓친다. 삼성SDS가 2026년 4월 발표한 우리은행 AI 에이전트 사업에는 FabriX 플랫폼뿐 아니라 기존 은행 시스템 연결과 데이터 관리체계 구축도 포함됐다.

새 직원을 채용해 놓고 업무 자료도, 기존 전산에 접근할 통로도 주지 않으면 일을 맡기기 어렵다. AI 역시 은행 업무에 연결하는 작업이 필요하다는 것을 이 사업 구성이 보여준다. 돈이 흐르는 곳에는 모델과 함께 통합·데이터 관리가 있다.

당시 삼성SDS의 지위는 우선협상대상자였다. 제시한 약 30%의 업무처리 속도 개선도 기대 효과다. 이를 이미 실현된 비용 절감률이나 은행 이익 증가율로 바꾸어 읽을 수는 없다.

일정 역시 2026년 12월 약 90개 에이전트를 처음 배치하고 2027년 8월까지 확대한다는 발표 당시 계획이다. 은행 주주에게 중요한 것은 구축비가 들어간 뒤 실제 업무에서 어떤 효과가 남느냐다. 빠른 처리와 낮은 총비용은 각각 확인해야 한다.

AI 대출심사 오류, 정보 정정과 재평가 절차는

금융위는 2021년 AI 신용평가 안내에서 평가기준과 기초정보에 대한 설명, 정보 정정과 재평가 절차를 제시했다. 외부 업체에 개발·운영을 맡길 때도 위험관리와 피해 처리절차를 관리 항목으로 뒀다. 성능을 높이는 일과 잘못됐을 때 고치는 일을 함께 다룬 것이다.

이 역사적 지침만으로 지금 모든 대출 신청자에게 동일한 법적 청구권이 적용된다고 단정할 수는 없다. 고객이 확인할 방향은 선명하다. 자신의 평가에 쓰인 정보와 설명 창구, 오류를 정정한 뒤 다시 살펴보는 절차가 실제로 연결돼 있는지다.

은행이 아낀 작성 시간이 고객에게 그대로 돌아오는 것은 아니다. 서류를 빨리 정리해도 잘못된 정보가 남아 있다면 고객은 그 결과를 떠안을 수 있다. 반대로 정정과 재검토가 작동한다면 자동화의 속도는 잘못된 판단을 바로잡는 데도 쓰일 수 있다.

우리가 은행 AI의 실력에서 보고 싶은 것은 이 연결이다. 자격 있는 사람을 제대로 알아보고, 위험은 필요한 자리에서 걸러내며, 틀렸을 때 되돌릴 수 있는 것. 은행의 효율이 개인의 돈에 도움이 되는지는 결국 그 연결이 얼마나 잘 작동하느냐에 달려 있다.