Vasyl Soloshchuk, INSART CEO 겸 설립자 – 인터뷰 시리즈

Vasyl Soloshchuk, INSART의 CEO 겸 설립자는 소프트웨어 개발, 엔지니어링 리더십, 벤처 투자 분야에서 25년 이상 경험을 가진 핀테크 기업가입니다. 그는 개발자로 경력을 시작해 꾸준히 리더십 역할로 이동했으며, 궁극적으로 INSART를 금융 기술에 초점을 맞춘 국제 기업으로 성장시켰습니다. 그의 경력 전반에 걸쳐 창업자 및 경영진과 긴밀히 협력해 제품 전략과 실행을 형성했으며, Kharkiv IT Cluster와 같은 이니셔티브 및 신생 스타트업을 지원하는 벤처 신디케이트 참여를 통해 더 넓은 기술 생태계에도 기여했습니다.

INSART는 핀테크 액셀러레이터로 자리매김하며, 엔지니어링 전문성과 전략적 지원을 결합해 기업이 성장 단계마다 금융 제품을 구축하고 확장하도록 돕습니다. 이 회사는 초기 아이디어 구상 및 MVP 개발부터 제품‑시장 적합성, 시장 진출, 대규모 배포까지 스타트업과 기업을 지원합니다. 디지털 뱅킹, 결제, 대출, 금융 인프라와 같은 영역에 집중하면서, INSART는 기술 파트너이자 성장 플랫폼으로서 핀테크 기업이 개발 일정을 단축하고 규제된 시장에서 확장의 복잡성을 헤쳐 나가도록 돕습니다.

당신은 소프트웨어 개발자로 경력을 시작했습니다. 어떤 초기 신호가 금융 서비스가 가장 기술 중심적인 산업 중 하나가 될 것이라고 확신하게 만들었나요?

저는 대학에 다닐 때 프리랜서 소프트웨어 개발자로 시작했습니다. 곧 팀을 꾸려 프리랜서 사이트를 통해 프로젝트를 수주했죠. 그때 소프트웨어 개발과 금융 모두에 큰 흥미를 느꼈습니다. 소프트웨어 개발을 하면서 동시에 금융을 배우는 것이 제 기술과 관심사를 결합하는 방법이었습니다.

초기에 저를 형성한 것은 소프트웨어를 만들고, 금융을 공부하며, 재정적 자유와 기업가 정신에 대해 고민하는 이 조합이었습니다. 저는 기술과 금융의 교차점에 집착하게 되었는데, 사람들은 재정적으로 자유로워질 때만 진정으로 자유로워질 수 있다고 강하게 믿기 때문입니다.

그때는 제 인생에서 매우 중요한 순간이었습니다.

2008년, 저는 뉴욕에 있는 IBM Watson Research Center에서 박사 인턴으로 일하고 있었습니다. 바로 금융 위기 한가운데였죠. 데이터 분석 프로젝트를 진행하면서 동시에 금융 시장의 동향을 면밀히 주시했습니다. 뉴욕 증시를 방문하고, 헤지펀드와 투자 회사를 담당하는 IBM 직원들과 이야기를 나누었습니다. 사람들은 어떻게 앞으로 나아가야 할지 몰라 혼란과 좌절을 겪고 있었습니다. 그때 저는 기존 금융 산업이 안정적이지 않으며 재정의가 필요하다는 것을 깨달았습니다. 그리고 기술이 그 변화를 주도할 것이라는 확신이 생겼습니다.

IBM에 남을 기회도 있었지만, 저는 다른 길을 선택했습니다. INSART를 만들기로 결심했죠. 목표는 기술을 통해 금융 시스템을 더 강하고 개방적으로 만드는 것이었습니다. 지금 생각해보면, 그 선택을 하게 만든 몇 가지 신호가 있었습니다.

첫째, 금융 서비스는 근본적으로 정보 시스템입니다. 돈은 데이터이고, 거래는 상태 변화입니다. 이를 이해하면 소프트웨어가 지원 기능이 아니라 비즈니스의 핵심이라는 것이 명백해집니다. Stripe와 같이 API가 곧 제품이 된 사례가 좋은 예입니다.

둘째, 규제가 점점 복잡해지고 있었습니다. 새로운 요구사항마다 논리와 보고 레이어가 추가됩니다. 이는 사람만으로는 확장할 수 없으며 시스템이 필요합니다. Plaid와 같이 복잡성을 처리하는 인프라를 구축한 기업을 보면 명확히 알 수 있습니다.

셋째, 마진 압박이 자동화를 강요합니다. 금융 기관은 속도, 비용, 위험 측면에서 경쟁합니다. 기술만이 이 세 가지를 동시에 개선할 수 있는 지렛대입니다. 핀테크 기업과 함께 일하면서 우리는 승자는 더 좋은 아이디어가 아니라 더 좋은 아키텍처와 실행력을 가진 기업이라는 것을 보았습니다. 오늘도 INSART의 사명은 금융 비즈니스를 앞당겨 금융을 재정의하고 디지털 자유를 확대하는 것입니다.

AI가 오늘날 이미 측정 가능한 가치를 제공하고 있는 영역은 어디인가요?

AI가 이야기 수준에 머물러 있는 경우와 실제 생산 시스템으로 구현된 경우 사이의 격차는 아직도 큽니다.

우리가 실제 가치를 보는 곳은 강력한 데이터와 빠른 피드백 루프가 있는 영역입니다.

사기 탐지는 가장 명확한 예시입니다. Feedzai와 Stripe Radar와 같은 기업은 머신러닝을 활용해 실시간으로 이상 징후를 감지하며, 사기 손실 감소라는 직접적인 효과를 보여줍니다.

운영 자동화도 또 다른 영역입니다. 예를 들어 UiPath와 같은 기업은 금융 기관이 문서 중심 프로세스를 자동화하도록 도와 비용을 절감하고 실행 속도를 높이고 있습니다.

개인화도 좋은 성과를 내고 있습니다. Wealthfront와 유사한 플랫폼은 AI를 활용해 투자 전략을 맞춤화하고 사용자 참여를 향상시킵니다.

매우 빠르게 부상하고 있는 영역은 생성형 비즈니스 인텔리전스입니다. 많은 기업이 데이터를 보유하고 있지만, 리더십은 인사이트를 충분히 빠르게 얻지 못합니다. 우리는 경영진이 “이번 주 매출이 왜 떨어졌나요?”와 같은 질문을 하면 시스템 전반에 걸쳐 즉시 답을 얻을 수 있는 환경을 구축하고 있습니다.

이것이 AI가 매우 실용적으로 변하는 지점이며, 프로세스뿐 아니라 의사결정 속도를 향상시킵니다.

언더라이팅, 사기 탐지, 컴플라이언스 분야에서 실제로 효과를 보고 있는 것은 무엇인가요?

사기 탐지는 이미 대규모로 작동하고 있습니다. 명확한 신호와 지속적인 피드백이 존재합니다. Featurespace와 같은 기업이 좋은 사례입니다.

언더라이팅은 부분적으로 작동합니다. 특히 대체 데이터를 활용할 때 특정 세그먼트에서 좋은 성과를 보입니다. 예를 들어 Upstart는 대출 결정을 위해 AI를 사용하지만, 여전히 규제 제약 내에서 운영됩니다.

규제 컴플라이언스는 가장 복잡한 영역입니다. 흔히 AI라고 불리는 것의 대부분은 규칙 기반 자동화에 불과합니다. 진정한 AI 기반 컴플라이언스는 단순 패턴 인식이 아니라 상황적 이해가 필요합니다. ComplyAdvantage와 같은 기업이 이 방향으로 나아가고 있지만, 아직 진화 중입니다.

또한 내부 보고와 의사결정에서도 조용하지만 중요한 변화가 일어나고 있습니다. 많은 기관이 여전히 정적 대시보드에 의존하고 있습니다. AI는 이를 실시간으로 상황을 파악하고 빠르게 행동할 수 있는 동적 시스템으로 전환시키고 있습니다.

현재 AI에 대한 흥분 중 어느 정도가 과대광고이고, 실제 역량은 어느 정도인가요?

AI는 동시에 현실적이면서도 과대마케팅되고 있습니다.

일부는 실제 생산 가치를 제공하고 있습니다. 나머지는 특히 펀딩 라운드와 포지셔닝에서 이야기 중심으로 남아 있습니다.

차이는 간단합니다. AI가 측정 가능한 KPI를 개선한다면 그것은 현실입니다. 주로 피치덱을 개선한다면 그것은 과대광고입니다.

예를 들어, 대시보드에 AI 라벨을 붙이는 것만으로는 변혁이 되지 않습니다. 하지만 AI가 CFO가 매출 동인을 즉시 파악하고 조치를 취하도록 돕는다면 이는 실제 기회입니다.

OpenAI와 Anthropic 같은 기업은 강력한 핵심 모델을 구축하고 있지만, 실제 과제는 이를 비즈니스 시스템에 어떻게 적용하느냐입니다.

그래서 우리는 의사결정 인텔리전스와 생성형 비즈니스 분석에 집중합니다. 이는 가치가 즉시 나타나고 채택이 자연스러운 몇 안 되는 영역 중 하나입니다.

많은 AI 파일럿이 프로덕션에 도달하지 못하는 이유는 무엇인가요?

대부분의 실패는 모델이 아니라 시스템과 연결돼 있습니다. 근본적인 문제는 단편화된 데이터, 프로덕션 인프라 부족, 결과에 대한 명확한 책임 부재입니다.

또한 AI가 고립된 상태에서 개발되기 때문에 팀이 모델을 만들지만 이를 워크플로우나 보고 시스템에 통합하지 못합니다. 좋은 예는 DataRobot과 같은 기업이 제공하는 모델을 실험하지만 구현하지 못하는 은행들입니다.

이 프로세스에서 나온 데이터가 C‑level 의사결정자에게 전달되지 않으면 프로젝트는 중단됩니다. AI 모델은 의사결정 과정의 일부가 될 때만 작동하고, 옆에서 시험해 보는 것이 아니라 실제 의사결정에 활용될 때 비로소 의미가 있습니다.

기관들은 데이터 인프라스트럭처 문제를 어떻게 극복하나요?

핵심은 AI가 아니라 데이터 아키텍처입니다. 성과가 좋은 기관은 데이터를 통합하고, 실시간 데이터 처리 파이프라인을 구축하며, 일관된 메트릭을 설정합니다. Snowflake와 Databricks와 같은 기업은 대용량 데이터를 처리할 수 있는 인프라를 보장함으로써 이 분야에서 매우 중요합니다. 이는 강력한 의사결정 시스템과 보고 체계를 구축하기 위한 기반이 됩니다.

많은 기업이 불완전한 데이터를 사용해 잘못된 답을 도출하고, 사람들은 결과를 신뢰하지 못합니다. 올바른 접근 방식은: 먼저 데이터를 확보하고, 그 다음 데이터를 위한 인프라를 구축하고, 모델을 만들고, 마지막으로 Snowflake와 Databricks가 제공하는 데이터, 모델, 인프라를 통해 비즈니스 가치를 창출하는 것입니다.

생성형 AI가 사기와 사기 탐지에 어떤 변화를 가져오고 있나요?

생성형 AI는 공격적·방어적 접근 모두를 변화시키고 있습니다. 사기 문제는 악화되고 있습니다. 사기 공격은 매우 교묘해지고 있으며, 사람들은 딥페이크, 가짜 신원, 컴퓨터가 만든 피싱 이메일 등을 사용하고 있습니다. 이러한 위협은 빠르게 대중화되고 있습니다. Sensity AI와 같은 기업은 딥페이크와 관련된 위험을 모니터링하며, 딥페이크가 어떤 문제를 일으킬 수 있는지 파악하려 하고 있습니다.

보안 분야에서는 조직이 적응형 시스템으로 전환하고 있습니다. 정적 규칙 대신 행동 분석과 실시간 탐지를 활용합니다. Darktrace가 이러한 접근의 좋은 예입니다. 우리는 AI와 AI가 맞서는 단계에 진입하고 있으며, 정적 규칙 기반 시스템은 더 이상 충분하지 않습니다.

기관들은 AI 기반 신용 결정과 규제를 어떻게 균형 맞추나요?

효율성과 규제 사이에 긴장이 존재합니다. 인공지능은 예측을 돕고, 규제는 투명성을 요구합니다.

기관들은 다양한 전략과 접근 방식을 결합합니다. 인공지능이 예측을 생성하고, 그 뒤에 설명성을 위한 추가 레이어를 더합니다. 예를 들어 Upstart는 규제당국과 긴밀히 협력해 모델의 설명 가능성을 확보하고 있습니다.

인간의 통제는 특히 고위험 의사결정에서 항상 최우선에 있어야 합니다. 미래는 효율적이고 감사 가능한 AI 강화 시스템이 될 것입니다.

AI를 성공적으로 도입한 기관과 어려움을 겪는 기관을 구분 짓는 요소는 무엇인가요?

간단히 말해, 성공적으로 AI를 통합·적응한 기관은 아키텍처 측면에서 차별화됩니다.

성공적인 기관은 클라우드 네이티브, 모듈형, 데이터 중심입니다. Nubank와 유사한 기업이 좋은 예이며, 이들은 처음부터 현대적인 아키텍처로 구축되었습니다. AI를 지원하도록 설계되지 않은 시스템에 인텔리전스를 도입할 수는 없습니다.

앞으로 AI가 프로세스를 자동화할 것인가, 아니면 금융 제품 자체를 재구성할 것인가?

단기적으로는 AI가 비용을 절감하고 위험 관리 역량을 향상시키며, 물론 프로세스를 자동화할 것입니다. 장기적으로는 금융 제품 자체를 변혁시킬 것입니다.

우리는 보다 동적이고 개인화된 금융 서비스를 보게 될 것입니다.

가장 눈에 띄는 변화 중 하나는 조직 내 의사결정 방식입니다. 우리는 정적 보고에서 인터랙티브하고 실시간 인텔리전스 시스템으로 이동할 것입니다. 금융 분야에서 의사결정 속도는 경쟁 우위이며, AI가 이를 근본적으로 바꿀 것입니다.

훌륭한 인터뷰에 감사드립니다. INSART에 대해 더 알고 싶으신 독자분들은 INSART를 방문하시기 바랍니다.