🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

금융기관들은 분산된 개별 AI 모델의 한계를 넘기 위해, 독점 거래 데이터를 기반으로 고객 행동을 통합적으로 이해하는 거래 파운데이션 모델로 이동하고 있습니다.

📌 핵심 요약

• 금융기관들은 사기 탐지, 신용평가, 추천, 리스크 관리 등 다양한 AI 모델을 구축해 왔지만, 업무별로 나뉜 모델 구조가 고객 금융 행동을 통합적으로 이해하는 데 제약이 되고 있습니다.
• 거래 파운데이션 모델은 결제, 이체, 상품 상호작용, 행동 신호 등 수십억 건의 금융 이벤트를 학습해 원시 거래 데이터를 맥락 있는 지능으로 전환하는 대규모 AI 시스템입니다.
• 전통적 모델이 고립된 신호를 평가하는 데 비해, 트랜스포머 기반 모델은 시간, 기기, 위치, 과거 활동을 함께 해석해 같은 거래라도 상황에 따른 의미 차이를 포착할 수 있습니다.
• Revolut, Mastercard, Adyen, Stripe 등은 거래 파운데이션 모델을 통해 사기 탐지, 신용평가, 추천, 결제 승인, 개인화, 포트폴리오 최적화 등 여러 영역에서 성능 개선과 모델 단순화를 시도하고 있습니다.
• NVIDIA는 개발자 예제와 파트너 생태계를 통해 금융기관이 기존 파이프라인을 완전히 재구축하지 않고도 자체 거래 파운데이션 모델을 만들고, 학습·추론·운영 환경으로 확장할 수 있다고 강조합니다.

🧩 주요 포인트

1. 금융기관들은 사기 탐지, 신용평가, 추천, 리스크 관리 등 다양한 AI 모델을 구축해 왔지만, 업무별로 나뉜 모델 구조가 고객 금융 행동을 통합적으로 이해하는 데 제약이 되고 있습니다.
2. 거래 파운데이션 모델은 결제, 이체, 상품 상호작용, 행동 신호 등 수십억 건의 금융 이벤트를 학습해 원시 거래 데이터를 맥락 있는 지능으로 전환하는 대규모 AI 시스템입니다.
3. 전통적 모델이 고립된 신호를 평가하는 데 비해, 트랜스포머 기반 모델은 시간, 기기, 위치, 과거 활동을 함께 해석해 같은 거래라도 상황에 따른 의미 차이를 포착할 수 있습니다.
4. Revolut, Mastercard, Adyen, Stripe 등은 거래 파운데이션 모델을 통해 사기 탐지, 신용평가, 추천, 결제 승인, 개인화, 포트폴리오 최적화 등 여러 영역에서 성능 개선과 모델 단순화를 시도하고 있습니다.
5. NVIDIA는 개발자 예제와 파트너 생태계를 통해 금융기관이 기존 파이프라인을 완전히 재구축하지 않고도 자체 거래 파운데이션 모델을 만들고, 학습·추론·운영 환경으로 확장할 수 있다고 강조합니다.

🧠 상세 정리

1. 개별 AI 모델 확산이 만든 구조적 한계

원문은 금융기관들이 오랫동안 사기 탐지 모델, 신용 모델, 추천 엔진, 리스크 시스템 등 다양한 AI를 구축해 왔다고 설명합니다. 이러한 업무별 모델은 각각의 목적에는 효과적이었지만, 시간이 지나면서 사일로화된 구조가 한계로 드러났습니다. 기관 내부의 데이터는 계속 늘어나지만, 모델이 서로 맥락을 공유하지 못하면 고객의 금융 행동을 하나의 흐름으로 이해하기 어렵습니다. NVIDIA의 2026년 금융서비스 AI 현황 보고서에 따르면 금융기관의 65%가 이미 AI를 사용하고 있고, 약 90%는 AI를 배포하거나 평가 중이며, 거의 대부분이 투자를 유지하거나 늘리고 있습니다. 즉 문제는 AI 도입 자체가 아니라, AI가 확장될수록 복잡해지는 분산 모델 아키텍처입니다.

2. 거래 파운데이션 모델로의 아키텍처 전환

기사의 핵심 전환점은 금융 AI가 개별 업무별 알고리즘에서 트랜스포머 기반 거래 파운데이션 모델로 이동하고 있다는 점입니다. 과거에는 각 사업부나 사용 사례마다 통계 모델이나 머신러닝 모델을 따로 설계하는 방식이 일반적이었습니다. 반면 거래 파운데이션 모델은 금융기관이 보유한 독점 데이터를 기반으로 소비자 행동의 단일하고 통합된 표현을 학습하도록 설계됩니다. 이 모델은 결제, 이체, 상품 상호작용, 행동 신호 등 수십억 건의 금융 이벤트를 학습해 원시 데이터를 의사결정에 활용할 수 있는 지능으로 바꿉니다. 따라서 단일 목적 모델을 계속 추가하는 방식이 아니라, 여러 업무에서 재사용 가능한 공통 표현층을 만드는 접근입니다.

3. 맥락을 해석하는 트랜스포머의 역할

원문은 거래 파운데이션 모델의 장점을 단순한 규모가 아니라 맥락 해석 능력에서 찾습니다. 전통적 사기 탐지 모델은 특정 거래의 고립된 신호를 평가하는 데 집중하지만, 파운데이션 모델은 시간, 기기, 위치, 과거 활동이 함께 만들어내는 의미를 해석합니다. 예를 들어 자정에 발생한 결제는 그 자체만으로는 단정하기 어렵지만, 10분 안에 네 번째 결제이고 낯선 기기에서, 고객이 거래한 적 없는 도시에서 발생했다면 의미가 달라집니다. 트랜스포머 아키텍처는 이런 순서와 관계, 맥락 정보를 표 형식 거래 데이터에서도 포착할 수 있게 합니다. 기사에서는 이 능력이 특정 과제 하나가 아니라 여러 과제 전반의 성능 개선으로 이어진다고 설명합니다.

4. Revolut 사례: PRAGMA와 피처 엔지니어링 축소

Revolut은 NVIDIA와 협력해 PRAGMA라는 트랜스포머 기반 파운데이션 모델 계열을 구축했습니다. 이 모델은 100개 이상 국가의 2,600만 사용자 기록과 240억 건의 이벤트를 바탕으로 학습됐습니다. 원문에 따르면 이 단일 파운데이션 모델은 신용평가, 사기 탐지, 상품 추천 등 여러 영역에서 강력한 업무별 모델보다 나은 성능을 보였고, 사람이 직접 설계하는 피처에 대한 의존도도 줄였습니다. Revolut의 Tadas Kriščiūnas는 기존에는 피처 엔지니어링에 몇 주 또는 몇 달이 걸리던 작업이 이제 필요하지 않게 됐다고 말합니다. 이 사례는 거래 파운데이션 모델이 단지 더 큰 모델이 아니라, 모델 개발 방식과 운영 속도 자체를 바꾸는 도구로 제시됩니다.

5. Mastercard, Adyen, Stripe의 적용 방향

Mastercard는 결제 데이터를 위한 독점 대형 표 형식 파운데이션 모델을 개발하고 있으며, 현재는 수십억 건의 익명화 거래로 학습하고 향후 사기, 승인, 차지백, 가맹점 위치, 로열티 데이터 등 수천억 건 규모로 확장하는 것을 목표로 합니다. 이 모델은 여러 시장, 고객, 사용 사례에 걸친 다수의 AI 모델 의존도를 줄이기 위한 것으로 설명됩니다. 초기 테스트에서는 표준 머신러닝 기법보다 나은 성능을 보였고, 사이버보안, 사기 탐지, 로열티, 개인화, 포트폴리오 최적화, 분석 등에 활용 가능성이 언급됩니다. Adyen은 1조 달러 규모의 결제를 처리하는 환경에서 거래 파운데이션 모델과 강화학습을 활용해 가맹점의 전환율을 높이고 위험을 줄인다고 설명됩니다. Stripe는 거래 행동의 전체 맥락을 이해하는 모델을 통해 지난해 약 1,120억 달러 규모의 사기를 차단했고 평균 사기율을 38% 낮췄다고 제시됩니다.

6. 에이전트형 상거래와 파트너 생태계 확장

기사 후반부는 거래 파운데이션 모델이 에이전트형 AI와 상거래 환경에서 의미 있는 기반이 될 수 있다고 설명합니다. 금융기업의 42%가 이미 에이전트형 AI를 사용하거나 평가하고 있으며, 이러한 시스템이 구독 관리, 결제 라우팅, 구매 실행 같은 거래 행위를 수행하기 시작하면 금융 행동의 성격도 달라집니다. 이때 거래 데이터는 경쟁사가 쉽게 복제할 수 없는 독점적 이력이며, 모델은 개별 신호 반응을 넘어 행동의 전체 맥락을 이해해야 합니다. NVIDIA는 Build Your Own Transaction Foundation Model 개발자 예제를 통해 금융기관이 기존 파이프라인을 완전히 다시 만들지 않고도 표 형식 거래 데이터에서 트랜스포머 임베딩 구축을 시작할 수 있다고 설명합니다. 또한 Nebius AI Cloud, EXL, Thoughtworks, GFT IT Consulting 같은 파트너들이 배포, 다중 노드 학습, 관리형 추론, 거버넌스, 리스크 및 컴플라이언스 적용을 지원하는 생태계로 소개됩니다.

🧾 핵심 주장 / 시사점

• 거래 파운데이션 모델의 핵심 가치는 모델 수를 줄이는 것뿐 아니라, 금융기관이 보유한 독점 거래 데이터를 여러 업무가 공유할 수 있는 공통 지능층으로 바꾸는 데 있습니다.
• 사기 탐지나 신용평가처럼 맥락 의존성이 큰 금융 과제에서는 개별 신호보다 거래의 순서, 위치, 기기, 과거 행동을 함께 해석하는 능력이 성능 차이를 만들 수 있습니다.
• 에이전트형 AI가 실제 결제와 구매를 수행하는 환경이 커질수록, 금융기관에는 개별 거래를 판정하는 모델보다 행동 흐름 전체를 이해하고 운영·거버넌스까지 연결할 수 있는 아키텍처가 중요해질 가능성이 큽니다.

✅ 액션 아이템

• 사기 탐지·신용평가·추천·리스크 관리에 흩어진 기존 AI 모델을 고객 행동 통합 관점에서 재분류해 중복 기능과 단절 지점을 정리합니다.
• 결제, 이체, 상품 상호작용, 행동 신호를 함께 쓰는 거래 파운데이션 모델의 우선 적용 영역을 사기 탐지나 결제 승인처럼 성과 측정이 쉬운 업무부터 선정합니다.
• 기존 파이프라인을 유지하면서 학습·추론·운영 환경으로 확장할 수 있는 개발자 예제와 파트너 생태계 활용 방안을 검토합니다.

❓ 열린 질문

• 업무별로 분리된 기존 모델을 하나의 거래 파운데이션 모델 기반 구조로 통합할 때 가장 먼저 단순화할 수 있는 모델군은 무엇인가요?
• 시간, 기기, 위치, 과거 활동을 함께 해석하는 방식이 현재 사기 탐지나 신용평가의 오탐·미탐을 얼마나 줄일 수 있을까요?
• 수십억 건의 금융 이벤트를 학습하는 모델을 운영할 때 학습 데이터 범위, 추론 비용, 운영 확장성 중 어느 요소가 가장 큰 병목이 될까요?