뱅킹에서의 Agentic AI: TD가 보여주는 다음 단계

인공지능이 전통 은행의 운영 핵심으로 점점 더 깊숙이 들어가고 있습니다. 수년간 금융 부문은 사기 탐지, 신용 점수 산정, 고객 세분화, 규제 검토 및 챗봇 지원에 AI를 활용해 왔습니다. 그러나 대부분의 시스템은 좁은 범위의 작업에 특화되어 있었으며 명확히 정의된 인간 워크플로에 의존했습니다.

다음 단계는 다릅니다. Agentic AI는 은행에 목표를 해석하고, 정보를 수집하며, 다단계 작업을 실행하고, 예외를 에스컬레이션하고, 인간의 직접적인 개입을 최소화한 사용 가능한 결과물을 생성할 수 있는 소프트웨어 에이전트를 제공합니다. 이는 은행이 신용 결정을 감시되지 않는 알고리즘에 맡긴다는 의미는 아닙니다. 이는 문서, 규칙, 정책, 고객 데이터 및 직원 판단이 교차하는 워크플로 레이어에 AI를 삽입하기 시작한다는 의미입니다.

TD Bank Group의 부동산 담보 대출을 위한 최초의 Agentic AI 모델 출시는 이 변화가 향하는 방향을 명확히 보여줍니다. 은행은 모기지 및 주택 자산 신용 한도 신청 프로세스의 일부를 자동화하고 간소화하기 위해 Agentic AI를 사용하고 있습니다. 최초 배치는 사전 심사에 초점을 맞추며, 시스템은 문서를 분류하고, 핵심 정보를 추출하고, 소득을 계산하고, 동의를 확인하고, 선택된 정책 요구사항에 따라 수치를 검증하고, 불일치를 식별하며, 간결한 파일 요약을 생성함으로써 언더라이터를 위한 요약 메모를 생성합니다.

TD (TD )에 따르면 초기 결과는 이전에 평균 15시간이 걸리던 프로세스를 3분 미만으로 단축했습니다. 은행에게 이는 단순한 기술 업그레이드가 아니라, 대출 업무가 라우팅, 검토, 측정 및 확장되는 방식을 재설계할 수 있는 잠재적인 기회입니다.

금융에서 Agentic AI란 무엇인가

Agentic AI는 단일 프롬프트에 응답하는 것이 아니라 일련의 행동을 통해 목표를 추구할 수 있는 AI 시스템을 의미합니다. 일반적인 생성 AI 도구는 요청 시 문서를 요약할 수 있습니다. Agentic 시스템은 관련 문서를 찾아내고, 분류하고, 필요한 데이터를 추출하고, 해당 데이터를 정책과 비교하며, 불일치를 표시하고, 요약을 준비하고, 파일을 인간 의사결정자에게 전달할 수 있습니다.

은행업에서는 대부분의 고부가가치 워크플로가 단일 단계 작업이 아니기 때문에 이 구분이 중요합니다. 모기지 심사, 상업 신용 검토, 자금세탁 방지 조사, 자산 온보딩, 보험 청구 및 규제 보고는 모두 여러 시스템, 문서, 규칙, 승인 및 감사 요구사항을 포함합니다.

Agentic AI가 표준 자동화와 다른 점

전통적인 자동화는 프로세스가 반복적이고 구조화되어 있을 때 가장 효과적입니다. 예를 들어 로보틱 프로세스 자동화(RPA)는 입력 형식이 예측 가능하면 데이터를 한 시스템에서 다른 시스템으로 이동시킬 수 있습니다. Agentic AI는 보다 유연합니다. 반구조화된 문서, 자연어, 내부 정책 및 변화하는 고객 파일을 다룰 수 있습니다.

이러한 유연성이 은행이 관심을 갖는 이유입니다. 비용 구조에는 반복적이지만 단순하지 않은 지식 작업이 많이 포함됩니다. 직원들은 의사결정이 이루어지기 전에 정보를 읽고, 조정하고, 요약하고, 검증하는 데 상당한 시간을 소비합니다. Agentic AI는 바로 그 중간 계층의 작업을 목표로 합니다.

• 수동 문서 검토를 줄일 수 있습니다.
• 복잡한 워크플로 전반에 걸쳐 일관성을 향상시킬 수 있습니다.
• 직원들이 판단, 예외 처리 및 고객 관계에 집중하도록 도울 수 있습니다.

대형 은행이 대출부터 시작하는 이유

대출은 고객의 긴급성, 방대한 문서량, 높은 운영 비용 및 엄격한 위험 통제라는 요소가 결합되어 있기 때문에 Agentic AI의 논리적인 첫 번째 목표입니다. 모기지 및 담보 대출 신청은 은행이 소득, 고용, 자산, 부채, 부동산 정보, 동의, 정책 준수 및 예외 위험을 평가하도록 요구합니다. 이러한 작업의 대부분은 행정적이지만, 오류가 발생하면 신용, 규제 및 평판 위험이 발생할 수 있습니다.

TD의 배치는 AI를 언더라이터의 대체물로 보지 않기 때문에 중요합니다. 대신, 보다 강력한 사전 심사 레이어를 구축합니다. AI는 파일을 준비하고, 불일치를 찾아내며, 메모를 생성합니다. 인간 언더라이터는 보다 완전하고 구조화된 패키지를 검토할 수 있습니다.

이 모델은 전통 은행의 지배적인 패턴이 될 가능성이 높습니다. 단기적인 기회는 완전 자율 은행이 아니라, AI 에이전트가 준비, 검증 및 워크플로 오케스트레이션을 담당하는 인간 주도형 은행입니다.

Agentic AI가 은행 고객에게 제공하는 것

고객에게 가장 눈에 띄는 이점은 속도입니다. 모기지 신청자는 종종 은행을 문서 요청, 대기 기간, 확인 루프 및 불투명한 상태 업데이트가 연속되는 과정으로 경험합니다. AI 에이전트가 내부 검토 프로세스를 압축할 수 있다면, 고객은 승인에 대한 초기 안내, 누락 정보에 대한 빠른 요청 및 반복적인 상호작용 감소를 경험할 수 있습니다.

속도는 고객 신뢰에도 영향을 미칩니다. 부동산 거래에서는 지연이 중요한 요소가 될 수 있습니다. 구매자는 제안 마감일, 금융 조건, 금리 변동 및 경쟁 입찰을 관리해야 할 수 있습니다. 더 빠른 사전 심사 프로세스는 고압적인 재무 결정 상황에서 은행 경험을 덜 불확실하게 만들 수 있습니다.

두 번째 이점은 개인화입니다. Agentic AI는 은행이 고객이 프로세스에서 어느 단계에 있는지, 다음에 필요한 조치를 파악하도록 도울 수 있습니다. 일반적인 메시지 대신, 은행은 파일의 실제 상태에 기반한 보다 구체적인 안내를 제공할 수 있습니다. 이는 궁극적으로 모기지, 소기업 대출, 투자 온보딩 및 보험 전반에 걸친 보다 적극적인 서비스를 지원할 수 있습니다.

세 번째 이점은 일관성입니다. 인간 주도 프로세스는 지점, 팀, 업무량 및 문서 복잡도에 따라 달라질 수 있습니다. Agentic AI는 준비 레이어를 표준화하여 직원들이 판단을 내리기 전에 보다 일관된 파일을 받도록 할 수 있습니다.

Agentic AI가 은행에 제공하는 것

은행에게는 경제적 효과가 보다 직접적입니다. 대형 기관은 방대한 규모로 운영되지만, 많은 백오피스 프로세스는 여전히 인력 집약적입니다. Agentic AI는 직원이 저부가가치 검토 작업에 소비하는 시간을 줄이고, 고볼륨 제품 라인 전반의 처리량을 향상시킬 수 있습니다.

이 기회는 특히 매력적인데, 은행이 새로운 수익 카테고리를 창출할 필요 없이도 혜택을 얻을 수 있기 때문입니다. 처리 시간, 예외 처리, 사기 탐지 및 직원 생산성의 약간의 개선이라도 수백만 개의 계정과 신청에 적용될 경우 의미 있는 가치를 창출할 수 있습니다.

또한 위험 측면에서도 이점이 있습니다. 적절히 관리된 Agentic 시스템은 검토한 내용, 추출한 데이터, 참조한 정책 요구사항 및 표시한 예외에 대한 구조화된 기록을 남깁니다. 이러한 감사 가능성은 설명 가능성과 책임성이 속도만큼 중요한 은행에서 필수적입니다.

• 문서 중심 워크플로 전반에 걸친 처리 비용 감소.
• 경쟁이 치열한 대출 시장에서 고객 전환 속도 향상.
• AI 출력이 모니터링되고 감사 가능할 때 내부 통제 강화.

은행이 피할 수 없는 거버넌스 과제

전통 금융에서 Agentic AI에 대한 가장 큰 제약은 모델 능력이 아니라 거버넌스입니다. 은행은 프라이버시, 공정성, 설명 가능성, 사이버 보안, 운영 탄력성 및 모델 위험 관리가 핵심 요구사항인 규제 환경에서 운영됩니다.

이것이 TD가 신뢰할 수 있는 AI 팀의 감독을 언급하는 것이 중요한 이유입니다. Agentic AI가 더 많은 운영 단계에 관여함에 따라, 은행은 데이터 접근, 모델 검증, 인간 검토, 에스컬레이션 임계값, 예외 처리, 출력 모니터링 및 배포 후 드리프트를 포괄하는 통제 수단이 필요합니다.

위험 프로파일도 단순 챗봇 배포와는 다릅니다. 공개 제품 정보를 요약하는 에이전트는 위험이 낮습니다. 소득을 추출하고, 동의를 확인하며, 불일치를 검색하고, 대출 문서를 준비하는 에이전트는 규제된 의사결정 워크플로에 훨씬 가깝습니다. 인간이 최종 의사결정자를 유지하더라도 AI는 인간이 처음 보는 정보를 영향을 줄 수 있습니다.

TD의 Agentic AI 출시 이후 다음 단계

TD는 이것이 부동산 담보 대출 전반의 더 넓은 변혁의 첫 단계에 불과하다는 신호를 이미 보냈습니다. 은행은 문서 제출부터 자금 조달까지의 RESL 여정을 매핑했으며, 추가 단계에 Agentic AI를 도입할 계획입니다. 이는 AI 에이전트가 고립된 도구가 아니라 워크플로 인프라가 되는 미래를 예고합니다.

다음 단계는 고객 포털, 브로커 채널, 내부 언더라이팅 시스템, 문서 관리 도구 및 위험 플랫폼과의 보다 깊은 통합을 포함할 가능성이 높습니다. 파일을 단순히 요약하는 것에 그치지 않고, Agentic 시스템은 누락된 문서를 식별하고, 다음 최적 행동을 추천하며, 조건부 승인 패키지를 준비하고, 클로징까지 파일을 모니터링할 수 있습니다.

모기지를 넘어 다른 전통 은행들도 유사한 패턴을 따를 가능성이 높습니다. 초기 사용 사례 중 가장 매력적인 분야는 문서량이 많고, 정책 규칙이 명확하며, 사이클 타임을 측정할 수 있고, 프로세스에 이미 인간 검토가 포함된 영역입니다. 상업 대출, 규정 준수 조사, 고객 온보딩, 보험 청구 및 자산 관리 지원이 모두 해당 프로필에 부합합니다.

Agentic 통합에 투자하기

For investors looking beyond individual banks, one of the more direct ways to track this trend is through enterprise software providers building agentic AI into financial services workflows. A notable example is Oracle Corporation (ORCL ), which has been expanding its Oracle Financial Services platform with embedded AI capabilities and pre-built agents for corporate banking use cases such as treasury, trade finance, credit, and lending.

Oracle is not simply selling a general-purpose chatbot to banks. Its opportunity is more infrastructure-oriented. Large financial institutions already depend on complex software stacks for core banking, risk, compliance, payments, customer records, and transaction processing. As agentic AI moves from experimentation into production, banks will need vendors that can connect AI agents to regulated workflows, permissioned data, audit trails, and enterprise controls.

That makes Oracle an interesting beneficiary of the same shift highlighted by TD’s real estate secured lending deployment. TD is showing how agentic systems can compress document-heavy lending workflows. Oracle is positioning itself as one of the technology vendors capable of supplying similar agentic capabilities across broader banking operations.

• 금융 서비스 사업을 통해 은행, 보험사 및 레거시 워크플로 현대화 압박을 받는 자본시장 기업에 대한 노출을 확보하고 있습니다.
• Agentic AI 전략은 금융 기관이 이미 대규모로 투자하고 있는 신용, 대출, 재무 및 규제 인접 프로세스와 연결됩니다.
• 보다 넓은 클라우드 및 데이터베이스 기반은 은행이 이미 중요한 데이터를 저장하고 관리하는 엔터프라이즈 시스템에 AI 에이전트를 통합하는 데 도움이 될 수 있습니다.

The investment case is not without risk. Bank technology sales cycles are long, implementation costs can be high, and regulated institutions are unlikely to move mission-critical workflows to autonomous systems without extensive validation. Oracle also competes with Microsoft (MSFT ), Salesforce (CRM ), ServiceNow (NOW ), IBM (IBM ), and specialized fintech vendors, all of which are pursuing AI-driven financial services automation in different ways.

Still, agentic AI could strengthen the long-term value of enterprise software vendors that sit close to core financial workflows. If banks increasingly treat AI agents as operational infrastructure rather than experimental tools, the winners may be companies that can combine domain-specific applications, secure cloud deployment, data governance, and workflow automation.

For investors, Oracle offers a clearer agentic finance angle than many pure AI narratives because the thesis is tied to measurable bank use cases: faster credit workflows, more automated document handling, improved service capacity, and better operational efficiency. As traditional banks follow TD’s lead, vendors with credible financial services AI platforms may become increasingly important picks-and-shovels providers for the agentic banking era.

최신 Oracle (ORCL) 개발

투자자 요점: Agentic AI가 은행 인프라가 되고 있다

투자자에게 핵심 포인트는 Agentic AI를 단순히 소프트웨어 트렌드로만 보아서는 안 된다는 점입니다. 은행 분야에서는 운영 모델 전환으로 자리잡고 있습니다. 이를 책임감 있게 확장하는 은행은 비용 효율성을 개선하고, 서비스 기간을 단축하며, 운영 마찰을 감소시키고, 보다 민첩한 핀테크 경쟁자로부터 고객 관계를 방어할 수 있습니다.

경쟁 우위는 가장 진보된 모델을 단독으로 사용하는 것에서 나오지 않을 것입니다. 독점 데이터, 엄격한 거버넌스, 워크플로 통합, 직원 수용 및 고객 대면 실행을 결합함으로써 얻어집니다. 대형 은행은 필요한 데이터, 유통망, 규제 경험 및 프로세스 규모를 보유하고 있어 혜택을 받을 수 있습니다. 동시에 구현을 어렵게 만드는 복잡성도 가지고 있습니다.

TD의 출시는 업계가 어디로 향하고 있는지를 보여줍니다. Agentic AI는 백오피스, 즉 문서와 워크플로에 가까운 곳에서 시작되고 있습니다. 그곳에서 고객 경험, 신용 운영, 규정 준수 및 자문 지원으로 점차 확장될 가능성이 높습니다. 이를 올바르게 구현하는 은행은 기존 프로세스를 단순히 자동화하는 것이 아니라, 금융 의사결정이 신청에서 승인으로 이동하는 방식을 재설계하게 될 것입니다.