핀테크 기업, 생성형 AI로 신원 확인 효율 극대화
- •Sun Finance는 AWS Bedrock을 활용해 신원 정보 추출 정확도를 79.7%에서 90.8%로 개선했다.
- •새로운 AI 파이프라인 도입으로 5초 이내에 대출 신청서를 처리하며 수동 문서 검토 업무를 대폭 줄였다.
- •기존의 광학 문자 인식 (OCR)과 LLM 구조화 기술을 결합한 하이브리드 아키텍처로 개인정보 보호 필터의 제약을 극복했다.
생성형 AI가 기업의 운영 방식을 어떻게 혁신하는지 보여주는 대표적인 사례가 등장했다. 유럽의 핀테크 기업인 Sun Finance는 매달 수백만 건의 대출 평가를 처리하는 과정에서, 기존 시스템의 한계로 인해 전체 신청서의 60%를 수동으로 검토해야 하는 어려움을 겪어왔다. 기존의 광학 문자 인식 (OCR) 도구는 언어의 변형이나 복잡한 문서 양식을 해석하는 데 취약했으며, 민감한 데이터를 보호하기 위한 보안 필터조차 원활한 처리를 가로막는 병목 구간으로 작용했다.
이를 해결하기 위해 Sun Finance는 '책임 분리' 전략을 채택했다. 하나의 AI 모델에 모든 업무를 강요할 경우 개인 식별 정보(PII)와 관련된 보안 장치로 인해 모델이 응답을 거부할 수 있기 때문이다. 대신 팀은 Amazon Textract를 사용하여 원본 텍스트를 우선 추출하는 다단계 파이프라인을 설계했다. 이는 모델 자체의 복잡한 보안 설정 없이도 안정적으로 데이터를 확보할 수 있는 방식이다.
텍스트가 추출된 이후에는 Amazon Bedrock을 통해 구동되는 Anthropic의 Claude Sonnet 4 모델이 데이터를 표준화된 형식으로 구조화한다. 이러한 조합은 모델의 안전성 트리거를 우회하면서도, 일반적인 광학 문자 인식 (OCR) 시스템이 놓치기 쉬운 문맥적 뉘앙스를 해석하는 추론 능력을 최대한 활용하게 해준다. 그 결과, 정확도는 11%포인트 이상 향상되었고 문서당 처리 비용은 91%나 절감되어 운영 효율성 측면에서 큰 성과를 거두었다.
또한, 이 기업은 벡터 유사도 검색 기술을 적용한 서버리스 기반의 사기 탐지 메커니즘을 구축했다. 이는 셀카 촬영 배경을 수치화된 벡터로 변환하여 여러 신청서 사이의 패턴을 분석하는 방식으로, 사람이 일일이 찾아내기 어려운 사기 조직의 정황을 효과적으로 포착한다. 이는 기업 AI 도입 성공의 핵심이 단일 모델의 성능보다 여러 전문 도구를 유기적으로 연결하는 시스템 설계에 있음을 시사한다.
이번 사례는 높은 수동 작업 비용으로 고통받는 많은 산업 분야에 중요한 시사점을 제공한다. 신뢰성 높은 광학 문자 인식 (OCR)과 상황을 이해하는 LLM을 결합함으로써 기업들은 비로소 대규모 서비스 확장에 필수적인 고속 자동화 시스템을 완성할 수 있게 되었다.