🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Customer Ignite Talk에서 BBVA는 AI Transformation을 단순한 도구 도입이 아니라, 은행 전반의 업무·고객 접점·리스크·개발·운영을 바꾸는 전사 운영 체계로 추진하고 있다.

📌 핵심 요점

1. BBVA는 ChatGPT Enterprise를 12만 명 이상 직원에게 배포하며, AI를 개인 생산성 보조가 아니라 은행 전체 업무 방식을 바꾸는 운영 계층으로 확장하려 한다.
2. AI 전략은 리테일 고객 접점, 자문 업무, 리스크 분석, 백오피스 문서 처리, 소프트웨어 개발, 공통 업무 자동화 등 여섯 개 핵심 영역으로 나뉜다.
3. 확산의 핵심은 에이전트가 바로 활용할 수 있는 데이터 환경과, 여러 에이전트 네트워크를 전사적으로 조율·개선하는 오케스트레이션 체계다.
4. BBVA는 AI를 기술팀만의 프로젝트로 두지 않고, 사업 스폰서·국가 조직·경영진을 거버넌스에 참여시켜 상향식 활용과 하향식 우선순위를 결합한다.
5. 빠르게 변하는 AI 환경에서는 내부 개발만으로 대응하기 어렵기 때문에, OpenAI 같은 외부 파트너와의 협력이 시행착오와 낡은 자산이 남는 위험을 줄이는 중요한 조건으로 제시된다.

🧩 배경과 문제 정의

• BBVA의 AI 전략은 단순히 ChatGPT나 개별 AI 기능을 도입하는 수준이 아니라, 은행 전반의 업무·고객 접점·리스크·개발·운영 구조에 AI를 운영 계층으로 심는 방향으로 설명된다.
• 12만 명 이상이 일하는 글로벌 은행 조직에서는 AI가 특정 데이터팀이나 기술팀의 프로젝트로만 머물 경우 확산 속도와 실제 성과가 제한될 수 있다.
• 따라서 BBVA는 경영진, 사업부, 국가별 조직, 현장 팀이 함께 AI 우선순위를 정하고 실행하는 구조를 중요하게 다룬다.
• 은행업은 고객 상담, 자문, 리스크 심사, 백오피스 문서 처리, 소프트웨어 개발처럼 반복성과 전문성이 동시에 요구되는 업무가 많기 때문에 AI 적용을 통한 생산성 향상과 고객 경험 개선 여지가 크다.
• 동시에 AI 기술 변화 속도가 매우 빠르기 때문에, 내부 역량만으로 최신 패러다임을 계속 따라가기 어렵다는 문제도 제기된다.
• 이 때문에 BBVA는 외부 생태계와의 협력, 전사 거버넌스, 데이터 준비, 에이전트 오케스트레이션, 현장 교육을 함께 결합해야 AI 확산 과정의 시행착오와 쓸모없는 자산이 남는 위험을 줄일 수 있다고 본다.

🕒 시간순 섹션별 상세정리

1. BBVA의 AI 전략은 전사 운영 계층을 목표로 출발한다

• BBVA는 세계 최대 은행권 기업 중 하나로 소개되며, AI를 단순한 질문 응답 도구가 아니라 핵심 업무 기능을 지원하는 전사 운영 계층으로 확장하려는 목표를 제시한다 [00:14]
• ChatGPT Enterprise가 전 세계 12만 명 이상 직원에게 배포되면서, AI 활용 범위는 개인 생산성 보조를 넘어 조직 전체의 일하는 방식 변화로 커진다 [00:26]

2. 여섯 개 로봇은 고객 접점, 자문, 리스크, 운영, 개발, 공통 업무를 나눠 맡는다

• 첫 번째 로봇은 리테일 비즈니스 영역을 담당하며, 과거 모바일 채널 투자가 고객 유통 모델을 바꿨던 것처럼 디지털 채널과 기기에서 상품·서비스 상호작용 경험을 새로 만드는 데 초점을 둔다 [02:06]
• 두 번째 로봇은 기업금융, 투자은행, 엔터프라이즈, 프라이빗뱅킹처럼 자문 비중이 큰 세그먼트를 겨냥하며, 은행원이 고객과 보내는 시간을 20% 안팎에서 25~35%까지 늘리는 생산성 효과를 목표로 한다 [02:39]

3. 데이터 준비와 에이전트 오케스트레이션이 확산의 두 축이 된다

• 첫 번째 지원 축은 에이전트가 바로 소비할 수 있는 데이터 환경을 만드는 것이며, BBVA는 이를 데이터가 풍부한 회사가 되기 위한 조건으로 본다 [04:49]
• 두 번째 지원 축은 여러 에이전트 네트워크를 회사 전체에서 조율하고 지속적으로 개선하는 기술·운영 체계로, 개별 도구보다 조직 단위의 오케스트레이션이 중요해진다 [04:58]

4. 전사 거버넌스와 현업 결합이 AI 의제를 기술팀 밖으로 확장한다

• 상향식 활용과 하향식 우선순위가 결합되면서, 전사 차원의 구조화된 전략과 직원들의 분산된 창작 효과가 같은 사업 우선순위 안으로 연결된다 [06:23]
• 12만 명 규모 조직에서는 AI가 데이터·AI팀만의 의제로 머물면 실행력이 떨어질 수 있으므로, 각 로봇의 사업 스폰서를 거버넌스에 끌어들이는 구조가 중요해진다 [06:49]

5. 빠른 기술 변화 속에서 생태계 협력이 시행착오를 줄인다

• AI 환경은 2~3주 단위로 바뀌고 패러다임도 빠르게 낡기 때문에, 오래된 방식으로 자체 대응만 이어가면 조직에 쓸모가 떨어지는 자산이 남을 위험이 커진다 [08:16]
• BBVA는 최신 기술 상태에 맞춰 일하기 위해 적절한 파트너에 둘러싸이는 방식을 중시하며, 내부 속도만으로 변화 속도를 따라가기 어렵다는 전제를 둔다 [08:37]

6. 전담 조직과 현장 교육이 AI 채택 격차를 줄인다

• AI 도입이 빠르고 구조적으로 진행되려면 집중과 자원이 필요하며, BBVA는 글로벌과 각 국가 조직을 가로지르는 전담 AI adoption 팀을 운영한다 [10:21]
• 전담 팀은 온라인 교육에 그치지 않고 멕시코 재무팀, 페루 리스크팀, 스페인 리테일 비즈니스팀처럼 실제 업무 조직을 찾아가 ChatGPT와 AI 활용 방식을 직접 훈련한다 [10:51]

7. 광범위한 사용 허용이 상향식 자동화와 시간 절감 사례를 만든다

• 전 직원 대상 라이선스 배포에는 무의미한 자동화가 늘어날 수 있다는 우려가 있었지만, 실제 사용 흐름은 상향식 전략 수립에 필요한 신호가 된다 [12:01]
• 먼저 잔디를 심고 사람들이 다니는 길을 본 뒤 도로를 놓는 방식처럼, 직원들이 선택한 사용 경로가 이후 집중 투자와 표준화의 근거가 된다 [12:25]

8. 리더십 대시보드와 공동 의사결정이 AI 전략을 조직 의제로 만든다

• BBVA는 매월 리더들에게 개인 채택률, 동료 대비 채택률, 산하 조직별 채택률을 담은 adoption dashboard를 보내며, 리더십 수준에서 사용 현황을 투명하게 비교한다 [13:22]
• 대시보드는 콜롬비아, 페루, 멕시코처럼 채택이 뒤처진 영역을 찾아내고, 해당 조직에 교육과 집중 지원을 추가하는 근거가 된다 [13:43]

9. 에이전트 구축은 산업화와 통제 가능한 확장 체계로 이동한다

• 각 로봇 아래에서 첫 에이전트들이 만들어지면서, 평가, 데이터 접근, API 커넥터처럼 에이전트 구축에 반복적으로 필요한 공통 primitive와 패턴이 드러난다 [17:06]
• 초기 에이전트 개발 경험은 하나의 playbook으로 정리될 수 있으며, 이를 체계화하고 산업화하면 개별 프로젝트를 넘어 더 넓은 조직 확장이 가능해진다 [17:27]

🧾 결론

• BBVA의 사례는 대형 금융기관의 AI 도입이 “몇 개의 챗봇 배포”가 아니라, 고객 접점·리스크·운영·개발·직원 업무 전반을 재설계하는 조직 전환 과제임을 보여준다.
• 전사 배포만으로는 충분하지 않으며, 실제 업무 조직을 찾아가는 교육, 채택률 대시보드, 리더십의 직접 사용, 뒤처진 조직에 대한 추가 지원이 함께 작동해야 한다.
• 여섯 개 로봇과 두 개 지원 축이라는 구조는 AI 투자 범위를 넓히되, 무분별한 확산을 막고 우선순위를 유지하려는 운영 모델로 해석할 수 있다.
• BBVA는 초기 에이전트 구축 경험을 playbook과 공통 primitive로 정리해, 개별 프로젝트를 넘어 통제 가능하고 반복 가능한 확장 체계로 발전시키려 한다.

📈 투자·시사 포인트

• 금융권 AI 투자는 단기 자동화보다 고객 상담, 리스크 심사, 문서 처리, 개발 생산성처럼 반복성과 전문성이 동시에 높은 영역에서 먼저 실질 효과가 커질 가능성이 있다.
• 대형 조직에서 AI 성과를 만들려면 모델 성능뿐 아니라 데이터 준비, API 연결, 평가 체계, 보안·거버넌스, 현업 교육까지 포함한 운영 인프라가 중요해진다.
• 전 직원에게 넓게 사용을 허용한 뒤 실제 사용 경로를 관찰하고, 많이 쓰이는 자동화와 GPT를 표준화하는 방식은 상향식 혁신을 전략 투자로 연결하는 접근이다.
• AI 기술 변화 주기가 2~3주 단위로 언급될 정도로 빠르기 때문에, 기업 입장에서는 특정 내부 솔루션에 과도하게 고정되기보다 외부 생태계와 함께 학습·수정하는 역량이 중요해진다.
• 검증이 필요한 부분: 영상에서는 일부 업무에서 70~80% 수준의 시간 절감과 100개 이상의 GPT가 1,000명 이상 직원에게 쓰였다고 설명하지만, 이 수치의 산정 방식·업무 범위·지속성은 별도 자료로 확인필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• BBVA가 말한 “여섯 개 로봇”과 “두 개의 지원 축”은 발표 안에서 큰 방향과 예시가 설명되지만, 각 로봇의 공식 명칭·정확한 조직 소유자·현재 운영 단계는 별도 자료로 확인이 필요하다.
• “전 세계 12만 명 이상 직원에게 ChatGPT Enterprise가 배포됐다”는 내용은 발표 기준의 설명이며, 실제 라이선스 활성 사용자 수·일별/월별 사용률·국가별 도입률은 별도 지표가 필요하다.
• 여러 국가와 업무에서 언급된 70~80% 시간 절감, 100개 이상의 GPT, 1,000명 이상의 직원 사용 사례는 발표자가 제시한 내부 사례로 보이며, 측정 방식·업무 범위·비교 기준은 영상만으로는 확인하기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• BBVA의 AI 전략을 검토할 때 “개별 챗봇 도입”이 아니라 고객 접점, 자문, 리스크, 백오피스, 개발, 공통 업무를 묶는 전사 운영 모델 관점으로 재정리한다.
• 조직 내 AI 과제를 선정할 때 6~8개 수준의 핵심 우선순위로 제한하고, 각 과제마다 사업부 스폰서와 기술팀 공동 책임 구조를 명확히 둔다.
• 전 직원 대상 AI 도구 배포를 고려한다면, 단순 라이선스 배포에서 끝내지 말고 현장 교육, adoption dashboard, 조직별 사용률 추적을 함께 설계한다.
• 상향식 사용 사례를 수집해 직원들이 실제로 반복 사용하는 GPT·자동화·에이전트를 파악하고, 사용 빈도와 시간 절감 효과가 큰 사례부터 표준화 후보로 분류한다.

❓ 열린 질문

• BBVA가 말한 여섯 개 로봇은 현재 어느 정도까지 실제 운영에 들어갔고, 파일럿·프로덕션·전사 확산 단계는 각각 어떻게 나뉘어 있을까?
• 70~80% 시간 절감 효과는 어떤 업무에서, 어떤 기준 시간과 비교해 측정된 것일까?
• 금융권처럼 규제가 강한 환경에서 에이전트가 고객 상담, 리스크 심사, 문서 처리에 개입할 때 책임 소재와 감사 가능성은 어떻게 설계되고 있을까?