JP모건체이스 AI 도입 사례, 모르면 손해 보는 금융 데이터 보안 전략 3가지
매일 수십, 수백 건의 거래 데이터를 다루면서도 "이걸 정말 안전하게 지키고 있는 게 맞나" 하는 불안을 떨치지 못하고 있을 것이다.
특히 AI 도입을 검토 중인 금융·핀테크 실무자라면, 외부 클라우드 AI에 데이터를 맡기는 순간 발생할 유출 리스크가 제일 먼저 머리를 스쳤을 것이다.
이 글은 세계 최대 은행 중 하나인 JP모건체이스가 수조 달러 규모의 거래 데이터를 어떻게 실시간으로 분석하고, 동시에 외부 유출 위험을 원천 차단했는지 그 구조를 실무 관점에서 정리한 자료다.
지난 몇 년간 빅데이터·AI 도입 컨설팅 사례를 다루며 확인한 바로는,
"얼마나 큰 AI를 쓰느냐"보다 "얼마나 안전하게 통제하느냐"가 실제 도입 성패를 가른다.
1. 수조 달러 거래를 실시간으로 감시하는 이상거래탐지(FDS) 구조
JP모건체이스는 하루에도 수백만 건에 달하는 거래를 처리한다.
과거의 규칙 기반(rule-based) 이상거래탐지 시스템은 정상 거래를 부정거래로 오탐지하는 비율이 최대 95%에 달할 정도로 정확도가 낮았다.
문제는 오탐지 하나하나가 실제 고객 불편과 업무 비용으로 이어진다는 점이다.
오탐으로 인한 손실 비용은 실제 부정거래 손실보다 더 큰 비중을 차지한다는 분석도 있다.
JP모건체이스는 이 문제를 OmniAI라는 자체 플랫폼으로 해결했다.
기존처럼 개별 거래 하나만 보는 게 아니라, 기기 정보·위치·구매 이력·계좌 간 연결 관계·거래 타이밍까지 하나의 네트워크로 묶어 분석하는 방식이다.
거래 하나당 확인하는 행동 신호(behavioral signal)는 5,700개가 넘는다.
타이핑 습관, 위치 패턴, 결제 지시어 문구까지 데이터로 활용한다.
그 결과는 숫자로 분명하게 드러난다.
- 기존 규칙 기반 시스템 대비 약 300배 빠른 이상거래 탐지 속도
- 자금세탁방지(AML) 심사에서 오탐지 약 95% 감소
- 사기 예방·트레이딩·신용 심사 등 전 영역에서 연간 약 15억 달러(약 2조 원) 규모의 비용 절감
핵심은 속도 자체가 아니라 "돈이 여러 계좌를 거쳐 해외로 빠져나가기 전에 잡아낸다"는 데 있다.
예전 시스템은 부정거래를 며칠 뒤에야 발견하는 경우도 있었지만, 지금은 거래가 발생하는 그 순간 위험도를 점수화해서 판단한다.
2. 자산관리(Wealth Management)를 바꾼 사내 AI, LLM 스위트
이상거래탐지가 '방어'의 영역이라면, 자산관리 AI는 '성장'의 영역이다.
JP모건체이스는 2024년 LLM 스위트(LLM Suite)라는 사내 생성형 AI 플랫폼을 자체 개발해 전 세계 임직원에게 배포했다.
현재 전 세계 20만 명이 넘는 직원이 매일 사용하는 규모로 커졌다.
이 플랫폼 안에는 자산관리 부문 전용 도구인 커넥트 코치(Connect Coach)가 있다.
Private Bank 소속 자산관리 어드바이저들이 고객 상담을 준비하고, 투자 아이디어를 정리하고,
시장 리서치 자료를 요약할 때 쓰는 도구다.
비포/애프터로 보면 차이가 확연하다.
- 도입 전(Before): 어드바이저 한 명이 고객 미팅 전 리서치 자료를 취합하고 요약하는 데만 상당한 시간을 투입해야 했다. 고객 수를 늘리고 싶어도 물리적인 시간이 발목을 잡았다.
- 도입 후(After): 실적 발표 자료를 분석하고, 재무 문서를 비교하고, 고객 맞춤 프레젠테이션 초안을 뽑아내는 작업이 크게 단축됐다. 직원들은 이 플랫폼 덕분에 주당 3~6시간을 아끼고 있다고 보고한다.
숫자 하나가 이 사례의 본질을 요약한다.
JP모건체이스는 현재 600개가 넘는 AI 활용 사례를 실제 업무에 투입 중이며, 이를 통한 연간 가치 창출 규모는 최대 20억 달러(약 2조 7천억 원) 수준으로 추정된다.
3. "왜 굳이 사내 AI를 직접 만들었나" — 데이터 유출 원천 차단의 이유
JP모건체이스는 왜 ChatGPT나 다른 외부 생성형 AI를 그냥 쓰지 않고,
굳이 막대한 비용을 들여 LLM 스위트를 사내에서 직접 만들었을까?
답은 간단하다.
직원이 외부 소비자용 챗봇에 업무 데이터를 입력하는 순간, 그 데이터가 어디로 흘러가는지 통제할 수 없기 때문이다.
그래서 JP모건체이스는 다음과 같은 원칙을 세웠다.
1) 외부 생성형 AI 사용 원천 금지
직원들이 업무 목적으로 ChatGPT, Gemini 같은 외부 소비자용 AI를 쓰는 것을 금지했다.
대신 사내에서 통제 가능한 환경을 제공했다.
2) 사내 인프라 위에서 여러 AI 모델을 골라 쓰는 구조
LLM 스위트는 특정 AI 모델 하나에 의존하지 않는다.
여러 제공사의 모델을 사내의 엄격하게 통제된 환경 안에서 골라 쓸 수 있도록 추상화 계층을 만들었다.
모델이 바뀌어도 데이터 흐름과 보안 체계는 그대로 유지된다.
3) 데이터 계보(data lineage) 추적이 가능한 구조 설계
어떤 데이터가 어떤 모델에 들어가서 어떤 결과로 나왔는지 끝까지 추적할 수 있어야, 규제 대응과 내부 감사가 가능하다.
JP모건체이스는 이 부분을 사내 개발의 핵심 이유로 꼽는다.
결국 이 전략의 본질은 "AI를 얼마나 화려하게 쓰느냐"가 아니라, "통제할 수 없는 곳에는 절대 데이터를 내보내지 않는다"는 원칙이다.
금융권처럼 데이터 하나의 유출이 곧 신뢰 붕괴로 이어지는 업종일수록 이 원칙은 타협 대상이 아니다.
지금까지 살펴본 JP모건체이스의 AI 전략은 세 가지로 요약된다.
- 수조 달러 거래를 실시간으로 감시하는 이상거래탐지(FDS) 체계
- 자산관리 어드바이저의 업무 방식을 바꾼 사내 생성형 AI(LLM 스위트)
- 외부 유출 리스크를 원천 차단하는 사내 폐쇄형 AI 인프라 설계 원칙
이 세 가지는 따로 노는 게 아니라 하나의 원칙 위에서 움직인다.
"큰 데이터를 다룰수록, 그 데이터를 외부로 내보내지 않는 구조를 먼저 설계해야 한다"는 원칙이다.
단순히 "우리도 AI 도입하자"는 구호 수준의 접근으로는 이런 결과를 만들 수 없다.
데이터 거버넌스, 보안 아키텍처, 실제 업무 프로세스까지 함께 설계할 준비가 안 된 조직이라면, 지금 단계에서는 오히려 무리한 도입을 권하지 않는다.