노던 트러스트와 MS, 기관 투자자 온보딩을 위한 AI 에이전트 도입

온보딩 에이전트 도입 및 변화

노던 트러스트(Northern Trust)와 마이크로소프트(Microsoft)가 협력하여 자산 관리 플랫폼인 프런트 오피스 솔루션(Front Office Solutions) 고객을 위한 인공지능 기반 온보딩 에이전트를 도입했다. 이번에 공개된 에이전트는 기관 투자자의 수년간 축적된 방대한 거래 내역을 노던 트러스트의 표준 보고 규격으로 변환하는 작업을 자동화한다. 양사의 엔지니어링 팀이 공동 개발한 이 솔루션은 기업용 보안과 거버넌스를 결합하여 기관 고객의 초기 시스템 등록 절차를 대폭 간소화한다.

온보딩 에이전트 도입에 따라 기존 워크플로 기준 약 2.5주일이 소요되던 데이터 준비 및 정리 기간이 평균 3일로 단축되어 작업 시간이 83% 감소했다. 아울러 정밀도와 재현율을 결합한 인공지능 평가 지표인 1차 통과 F1 점수에서 96.5%의 품질 점수를 달성했다. 이를 통해 기관 투자자는 시스템 도입 초기에 겪는 지연을 줄이고 자산 분석 환경을 한층 신속하게 구축할 수 있게 되었다.

복잡한 자산 온보딩의 배경

이번 솔루션 도입은 복잡한 금융 데이터를 통합해야 하는 업계 전반의 운영 과제를 해결하기 위해 추진되었다. 재단, 기금, 연금, 대형 패밀리 오피스와 같은 기관 투자자는 여러 내부 및 외부 출처로부터 장기적인 투자와 거래 기록을 수집해 성과를 재구성해야 한다. 노던 트러스트의 자체 설문 조사 결과에 따르면 자산 보유자의 57%가 서로 다른 출처의 데이터를 통합하는 작업을 가장 큰 어려움으로 지목했다. 특히 비정형 거래 내역이 많은 대체 자산의 경우 데이터 정제와 변환에 많은 수작업이 소모되는 구조적 한계가 존재했다.

노던 트러스트는 사람의 판단과 책무성을 유지하면서 역량을 강화하는 증강 지능(Augmented Intelligence) 전략을 핵심 기조로 삼았다. 인공지능이 복잡한 데이터 변환을 전담하여 처리 속도를 높이는 동안, 전문 인력은 심층적인 자산 분석과 고객 지원에 집중할 수 있는 운영 역량을 확보하게 된다. 마이크로소프트와의 이번 협업은 고도로 규제된 금융 환경에서 기관 지식과 데이터 통제권을 유지하면서 첨단 인공지능을 업무에 접목하는 운영 모델을 제시한다.

클라우드 기반 아키텍처와 검증

기술적 아키텍처 측면에서 이 에이전트는 마이크로소프트 애저(Azure) 클라우드를 기반으로 구동되며, 기업용 인공지능 플랫폼인 마이크로소프트 파운드리(Microsoft Foundry)를 활용한다. 분석 담당자는 별도의 복잡한 도구를 거치지 않고 일상적으로 사용하는 마이크로소프트 엑셀(Excel)과 셰어포인트(SharePoint) 환경에서 에이전트의 처리 결과를 직접 확인하고 수정할 수 있다. 또한 애저 기반의 거버넌스 지능 계층이 승인된 온보딩 데이터를 지속적으로 보존하여 기관 고유의 전문 지식을 누적 학습하도록 설계되었다.

전체 처리 흐름에는 인공지능 산출물에 대한 인간의 지속적인 감독(Human Oversight) 체계가 내장되어 있다. 고객의 정식 운영 개시 이전 단계에서 분석 인력이 에이전트의 판단 논리와 추론을 직접 검토하고, 예외 사항을 처리하며 기초 데이터의 무결성을 최종 검증한다. 이 과정에서 축적된 전문가 피드백은 모델 거버넌스를 통해 시스템의 전반적인 처리 성능을 점진적으로 개선하는 데 재활용된다.

데이터 거버넌스와 테스트 한계

금융 기관에 요구되는 강력한 데이터 보호 기준을 충족하기 위해 개발 과정에서는 마이크로소프트 엔지니어가 고객 원본 데이터에 접근하지 않는 아이즈오프(Eyes-off) 방식을 적용했다. 품질 점수 측정과 모델 최적화는 철저히 익명화된 데이터만을 이용해 진행되었으며, 모든 고객 데이터는 노던 트러스트의 엄격한 보안 통제권 안에서 관리되었다. 이를 통해 대형 금융 기관이 데이터 소유권을 유지하면서도 프로덕션 수준의 인공지능 성능을 안정적으로 달성할 수 있음을 보여주었다.

다만 이번에 발표된 개선 수치와 적용 범위에는 명확한 조건과 한계가 존재한다. 96.5%의 F1 점수는 7개의 대표적인 과거 거래 통합 문서를 대상으로 한 제한된 환경의 테스트 결과이며, 분석가의 수작업 수정이나 피드백이 반영되기 전의 1차 산출물만을 대조한 수치다. 또한 83%의 시간 단축 효과 역시 과거 기준 약 2.5주가 걸리던 수작업 공정과 비교한 평균치로, 정식 운영 이전의 초기 데이터 구축과 검증 단계에 한정된다. 따라서 실무 환경에 따라 실제 소요 시간과 처리 성능에는 차이가 발생할 수 있다.