이 글은 케이뱅크 사내 AI 에이전트 개발 경연 K/THON 26 개인전 수상자들의 인터뷰 콘텐츠입니다. 수상자들의 에이전트 기획 및 개발 스토리에서 AI와 함께 일하는 새로운 가능성을 발견해 보세요.
AI를 업무에 활용하라는 이야기는 자주 듣지만, 어디서부터 어떻게 적용해야 할지는 막막할 때가 있습니다. 보통 생성형 AI와 대화하는 것부터 시작하게 되는데요. 여기서 나아가 Agent를 만들고 업무를 자동화하는 단계는 관련 기술을 잘 알아야 하거나 IT 관련 직군이어야만 다룰 수 있을 것 같죠. 하지만 케이뱅크는 이를 일부 개발자나 IT 전문가만의 도구로 제한하지 않습니다. 직무와 무관하게 모든 구성원이 AI에 도움을 받는 것을 넘어 AI가 스스로 일하게 되는 환경을 조성하는데 노력하고 있습니다. ‘업무를 가장 잘 아는 사람이 AI와 함께 답을 찾아가는 것’, 이것이 케이뱅크가 AI를 대하는 방식입니다.
이러한 문화를 사내에 확산하기 위해 케이뱅크는 지난해 <K/THON>을 시작했습니다. 올해 <K/THON 26>은 AI Agent 경연대회 ‘AI CUP’과 AI 인사이트를 나누는 ‘AI STAGE’로 구분되어 총 4개월 간 진행되고 있는데요. 지난 7월 개최된 <K/THON 26 – AI CUP> 개인전에서는 임직원들이 자신의 업무에서 발견한 문제를 AI Agent를 활용해 해결하기 위한 다양한 시도가 펼쳐졌고, 이 가운데 6명이 수상자로 선정되었습니다. 컴플라이언스부터 금융 서비스, 상품 기획, 디자인, IT까지 수상자들은 직무도, 해결하려는 문제도 저마다 달랐지만 한 가지 공통점이 있었습니다. 바로 ‘AI로 무엇을 만들까?’가 아니라, ‘내가 하고 있는 업무에서 AI를 통해 무엇을 조금 더 편하게 만들 수 있을까?’라는 질문에서 출발했다는 점이었죠.
이들은 각자의 업무에서 어떤 불편을 발견하고, AI와 함께 해결할 방법을 찾았을까요? 또, AI가 바꿔 놓은 업무 환경 속에서도 사람이 해야 할 역할은 무엇이라고 생각하고 있을까요? 정답을 요구하기보다 AI와 함께 답을 찾아가며 새롭게 일하는 방식을 만든 개인전 수상자들의 이야기를 소개합니다.
총 제출 224건 · 참여인원 208명 · 수상작 6건
AI를 활용하되, 최종 검토와 책임은 반드시 사람의 몫
“이해상충 점검 결과를 신호등 색상으로 한눈에 보여줘, Copilot을 실질적으로 유용하게 활용했어요”
Q. 안녕하세요, 지인님. 이해상충거래 셀프 체크 Agent는 어떻게 만들게 됐나요?
최근 시중 은행에서 횡령, 배임 사고가 끊이지 않다 보니, 금융 당국에서도 은행권에서 업무상 발생할 수 있는 이해상충을 스스로 점검하고 예방하는 체계를 갖추도록 요구하고 있어요. 케이뱅크도 올해 초부터 기존의 내부통제 절차를 강화하는 새로운 제도를 시행 중입니다. 외부 계약을 체결할 때 거래 상대방과 금액은 물론, 케이뱅크와의 관계성, 내부 임직원과의 사적인 이해관계 등 다양한 항목을 점검하고 그 결과를 문서로 남기고 있어요. 다만, 사전 점검은 다양한 계약 사례를 하나의 규정에 맞춰 분석하고 판단해야 하기에, 담당자에 따라 결론이 달라질 수 있다는 어려움이 있었어요. 이런 고민에서 출발해, 이해상충 규정을 잘 모르는 임직원도 쉽게 질문하고 명확한 답을 얻을 수 있도록 사전 점검 절차를 자동화하는 에이전트를 만들었습니다.
Q. 에이전트를 만드는 과정은 어땠나요?
회사에서 직원들이 AI 툴을 활용할 수 있도록 다양한 교육을 지원하고 있어요. 저도 작년부터 Copilot과 Copilot Studio를 활용해 에이전트를 만드는 방법을 꾸준히 익혀 왔는데요. 개발자가 아니라서 에이전트 로직을 만들거나 코드 작업을 할 때는 어려움도 있었지만, 외부 LLM(Large Language Model)의 도움을 받아 약 한 달 만에 에이전트 초판을 완성할 수 있었습니다. 가장 힘들었던 점은, 사용자가 어떤 질문을 할지 예상하고 이를 분류하는 기준을 세우는 것이었어요. 사용자가 원하는 수준의 답변을 생성하려면 실제 사례를 바탕으로 한 구체적인 지침을 제시해야 하는데, 처음에는 데이터베이스가 충분하지 않으니 만족스러운 답변을 얻기 어려웠습니다. 그래서 로직을 전면 수정했어요. 먼저 질문 유형을 한정적으로 제시해서 사용자가 고르게 한 다음, 세부 데이터를 입력받으면 에이전트가 이 값과 참조 자료를 바탕으로 생성형 답변을 내놓는 방식으로요. 덕분에 훨씬 안정적이고 일관된 답변을 얻을 수 있었습니다.
Q. 에이전트를 만들면서 AI에 맡기지 않고 직접 판단하고 검증한 부분은 무엇이었나요?
AI를 활용해 만든 결과물과 에이전트의 답변은 반드시 제가 최종 검증했어요. 에이전트는 언제든지 잘못 작동할 수 있고, 예상치 못한 오류를 낼 수 있으니까요. AI를 활용하되, 최종 검토와 책임은 반드시 사람의 몫이라는 것. 에이전트를 만드는 내내 가장 중요하게 생각한 지점이자, 앞으로도 케이뱅크가 AI를 활용하면서 최우선으로 지켜야 할 원칙이 아닐까 생각해요.
Q. Agent 도입 이후 업무에는 어떤 변화가 일어났나요?
제가 만든 에이전트는 규정과 사례를 바탕으로 계약의 이해상충 여부를 판단하고, 그 결과를 직관적인 신호등 표시 색으로 알려줘요. 또, 체크리스트 초안을 만들고, 사용자의 질문 이력을 감사 로그(Audit log)처럼 자동 기록해줘요. 덕분에 계약 체결 담당자는 이해상충 여부를 미리 점검하고, 규정 위반 리스크를 줄일 수 있어요. 준법감시팀 소속인 저는 사용자로부터 받는 유사한 질문에 응대하는 수고를 덜었고요. 앞으로 꾸준히 사용자들의 문의 데이터가 쌓이면 에이전트의 답변 수준도 향상되리라 생각합니다.
Q. 마지막으로 Agent의 향후 활용 계획이 있다면 말씀해 주세요.
사실 출품 직후에도 고도화 작업을 계속하고 있었어요. 사용자가 어떤 질문을 해도 확실한 답변을 줄 수 있는 더 똑똑한 에이전트로 만들고 싶어서요. 준법감시팀에서 법령과 내규를 바탕으로 다양한 사례를 분석할 때 전문적으로 도움을 줄 수 있는 ‘준법 도우미’로도 확장할 계획입니다. 아울러, 준법감시팀의 AI 퍼실리테이터 (Facilitator)로 활동하고 있는 만큼, 더 많은 분이 AI를 통한 업무 효율화를 경험하실 수 있도록 활용 방법과 가능성을 적극적으로 알리고 싶습니다. 이번 입상을 통해 저처럼 IT 관련 직무가 아니더라도 AI를 직접 익히고 업무에 활용할 기회가 많다는 것, 그리고 케이뱅크에서 임직원들의 AI 리터러시를 높이는 데 진심이라는 것을 다시금 느낄 수 있었어요. 거창한 목표를 세우지 않아도 괜찮아요. 우선 Copilot 창을 하나 띄워놓고 ChatGPT든, Claude든 여러 가지 AI 모델을 바꿔 가면서 이것저것 단순하게 일을 시켜보세요. 시작은 그것만으로도 충분합니다.
절대 놓치면 안 되는 업무부터 자동화하기
“금융사기 메일의 긴급도를 분석해 담당자에게 자동으로 배정하며, 반복 업무를 줄이고 빠른 리스크 대응까지 가능토록 했어요”
Q. 안녕하세요, 영지님. 금융사기 메일 자동분류 Agent는 왜 만들게 됐나요?
공용 메일함 VP119(금융사기 관련 메일이 접수되는 케이뱅크 공용 메일함)로 하루 평균 20건의 메일이 접수됩니다. 많은 양은 아니지만, 중요도는 매우 높습니다. 특히, 법령상 기한 내 처리해야 하는 업무를 이행하지 못하면 내부통제 리스크는 물론이고, 과태료 부과 등 대외적 제재로도 이어질 수 있어요. 누락 시 발생 위험이 큰 업무 특성을 고려해서 담당자의 확인에 의존하던 기존 프로세스를 AI 기반의 에이전트로 자동화하고 싶었습니다. 중요 메일을 선제적으로 식별하고 적시에 조치할 수 있도록 체계를 구축해 업무 누락을 줄이고, 내부통제를 강화하고자 만든 에이전트입니다.
Q. 개발 과정은 수월했나요? 가장 어려웠던 점은 무엇인가요?
먼저, Power Automate와 Copilot Studio를 활용해서 공용 메일함으로 접수되는 고객 이메일을 AI가 자동 분류하고, 중요 메일은 담당자에게 즉시 알림이 가도록 에이전트를 구축하는데 약 1주일 정도 소요됐습니다. 형식과 내용이 제각각인 이메일을 정확한 기준에 따라 분류하는 것이 어려웠어요. 특히, 법령상 조치가 필요한 중요 메일을 놓치지 않도록 분류 기준을 세심하게 설계하는 데 많은 시간을 들였습니다. 처음에는 중요도 판단이 예상과 다르게 이뤄지기도 했지만, 실제 접수 사례를 기반으로 프롬프트와 분류 기준을 지속적으로 보완하고 개선했습니다.
Q. Agent를 도입한 이후, 업무에는 어떤 변화가 있었나요?
접수된 이메일을 AI가 자동으로 분석·분류해서 중요한 건을 바로 알려주기 때문에 업무 누락 위험이 줄었습니다. 내부통제 체계도 한층 강화됐고요. 무엇보다 담당자 개인의 지속적인 확인에 의존하던 방식에서 벗어나, 시스템 기반의 상시 모니터링 체계로 전환되었다는 점이 가장 큰 변화입니다.
Q. AI를 활용하면서도, 전적으로 의존하지 않기 위해 중요하게 생각한 지점이 있다면 무엇인가요?
AI는 업무 수행에 매우 효과적인 도구라고 생각해요. 하지만 제 업무를 대신하는 존재는 아니죠. 실제 업무 처리와 최종 판단, 책임은 결국 사람이 수행해야 해요. AI를 적극적으로 활용하면서도 전적으로 의존하지 않는 자세와 마음가짐이 중요하다고 생각합니다.
Q. 앞으로 또 어떤 에이전트를 만들어 보고 싶나요?
이번 대회에 참가하면서 AI가 단순히 업무를 대신하는 것이 아니라, 업무 누락을 예방하고 내부통제를 강화하는 데 좋은 도구가 될 수 있다는 점을 알게 됐어요. 앞으로 반복 업무는 AI에게 맡기고, 담당자는 판단과 의사결정에 집중하는 방식으로 업무 효율을 높이고자 합니다. 저 역시 ‘중요 메일 누락 방지’라는 작은 문제에서 시작해 에이전트를 만들었는데요. 다른 동료분들도 거창한 과제보다 반복적으로 하는 업무나, 놓치면 안 되는 중요한 업무부터 하나씩 먼저 자동화해 보시면 좋겠습니다.
AI가 만드는 결과물은 완성본이 아닌 논의의 시작점
“서비스 기획부터 출시까지 PO(Product Owner)의 업무 과정을 한눈에 볼 수 있게 만들어, 향후 상품서비스 품질 향상과 준비기간 단축에 유의미할 것으로 예상돼요”
Q. 안녕하세요, 민수님. Kbank PO Agent를 만든 계기는 무엇인가요?
케이뱅크는 최근 다양한 신규 서비스를 빠르게 출시하고 있습니다. 하지만 구체적인 매뉴얼과 가이드가 없어서 처음 프로덕트를 기획하는 직원들은 막막할 때가 많아요. 저 역시 새로운 서비스를 기획할 때마다 PRD(Product Requirements Document, 제품 요구사항 정의서) 포맷을 다시 잡고, 어떤 항목이 필요했는지 예전 문서를 살피는 과정을 반복했습니다. 프로덕트 출시 전까지 PO(Product Owner)가 챙겨야 할 사항은 법무·정보보호·인프라·마케팅 등 조직 전반에 걸쳐 무수히 많은데요. 표준 체크리스트 없이 개인의 경험과 기억에 의존해 진행되고 있었습니다. 그러다 보니 일부 항목이 누락되어 일정이 지연되는 이슈가 반복적으로 일어났어요. 이러한 비효율을 개선하고, PO가 각 부서 담당자들과 원활하게 소통하며, 궁극적으로 더 나은 프로덕트를 만들 수 있도록 돕기 위해 이 에이전트를 만들었어요. 케이뱅크 실무에 ‘진짜로 쓸 수 있는 결과물’을 만들기 위해 공을 들였죠. 론칭 전 표준 체크리스트 프로세스를 직접 정리해서 에이전트에 적용했고, 그 결과, 실제 사내 업무 절차를 반영한 체크리스트를 만들 수 있었습니다.
Q. Kbank PO Agent 도입 이후 업무에는 어떤 변화가 있었나요?
가장 크게 체감한 변화는 문서화에 소요되는 시간이 극적으로 줄었다는 거예요. 아이디어, 요구사항, 메모 수준의 텍스트를 구조화해서 디자인·개발 부서에 공유할 PRD로 만드는 작업이 5분 내외로 줄었습니다. 기존 대비 약 83% 단축한 셈이에요. 프로토타입 설계 프롬프트와 WBS(Work Breakdown Structure, 업무 분류 체계) 일정, 테스트 시나리오, 론칭 체크리스트도 마찬가지로 크게 단축됐어요. 특히 WBS의 경우, 이전에는 표를 수기로 만들었는데, 지금은 날짜와 참여 팀만 입력하면 몇 분 안에 주 단위의 일정표가 작성돼요. 사내 표준 절차를 일일이 기억하고 챙겨야 했던 체크리스트도 지금은 자동 생성되어 절차 누락에 대한 위험을 줄일 수 있고요. 문서화에 소요되던 시간들이 30분 내외로 줄면서 그만큼 확보된 시간을 ‘이 정책이 정말 맞는지’, ‘유관 부서에 발생할 리스크는 없는지’ 등 본질적인 질문을 개발·디자인 담당자들과 논의하는 데 쓰며 더 집중할 수 있게 되었습니다.
Q. AI를 활용하면서도, 사람이 직접 해야 한다고 생각하는 영역은 무엇인가요?
저는 기획 자체를 AI에게 맡기진 않아요. AI는 이미 존재하는 패턴과 정보를 빠르게 조합하고 정리하는 능력은 탁월하지만, ‘이 문제가 왜 우리에게 중요한지’, ‘지금 이 서비스가 정말 필요한지’와 같은 질문에는 답을 주지 않습니다. 잘 모르는 영역의 지식은 AI를 통해 빠르게 습득하고, 그 정보를 바탕으로 사람이 뾰족한 아이디어와 판단을 만들어내는 것이 중요하다고 생각해요.
또 하나는 유관 부서와의 협업이에요. 에이전트가 아무리 정교한 PRD와 체크리스트를 제작해도, 그건 논의를 시작하기 위한 초안에 불과합니다. 실현 가능성과 보안·정책 이슈, 리소스 우선순위 등은 사람이 직접 만나서 조율해야 하는 영역이죠. 에이전트가 만든 산출물을 완성본이 아닌 논의를 위한 좋은 시작점으로 활용하는 태도가 AI를 사용하면서도 사람이 결코 놓지 말아야 할 부분이라고 생각합니다.
Q. 마지막으로 Kbank PO Agent의 활용 계획을 말씀해 주세요.
체크리스트를 보다 정교화해서 케이뱅크 내부의 표준 업무 지침을 담은 에이전트로 업그레이드하고 싶어요. 부서마다 흩어져 있는 세부 지침과 예외 케이스를 더 폭넓게 반영하면, 신규 기획자가 겪는 시행착오와 업무 부담을 줄이는 데 근본적인 도움이 될 것 같아요. 장기적으로는 PO 개인의 업무 노하우로 남아 있던 것을 조직의 자산으로 축적하는 도구로 발전시키고 싶습니다. 같은 고민을 하고 있는 동료분들께 팁을 드리자면, AI에게 작은 샘플부터 먼저 요청해 보세요. 저도 체크리스트를 만들 때 ‘일단 예시로 하나만 보여줘’라고 요청한 뒤 레이아웃과 톤을 확인하면서 실제 구현에 들어갔습니다. 이렇게 하면 방향이 틀렸을 때 되돌리는 비용이 훨씬 적어요.
공부하고 시작한 게 아니라, 만들면서 배웠어요
“대화하듯 물어보며 디자인 자료를 검색할 수 있게 해, 기획자가 원하는 자료를 쉽고 빠르게 찾도록 도와줘요”
Q. 안녕하세요, 지윤님. Kbank Brand Hub는 어떤 AI 툴인가요?
케이뱅크는 로고, 브랜드 그래픽부터 마케팅 디자인 가이드, AI 관련 디자인 소스, 사내 템플릿까지 다양한 브랜드 리소스가 있습니다. 그런데 이 자산들이 Figma, SharePoint, Teams, 로컬 파일 등에 나뉘어 관리되고 있었어요. 필요한 자료를 찾기 어려워 BX팀에 물어보는 직원들이 많았고, 비슷한 문의가 반복되면서 BX팀 차원에서도 보다 효율적인 업무 대응이 필요했어요. 그래서 케이뱅크 직원들이 번거로운 과정 없이 필요한 브랜드 자산을 직접 찾고 다운로드할 수 있는 AI 기반의 브랜드 리소스 허브를 만들었습니다. 현재 케이뱅크 브랜드, 케이뱅크 AI, 마케팅 디자인, 사내 양식 총 4개의 카테고리로 나눠서 42개의 브랜드 리소스를 연결해 두었습니다.
Q. 직원들이 정말 편하게 이용할 수 있을 것 같은데요. 개발 과정은 어땠나요?
구체적인 방법을 알고 시작한 건 아니었어요. ‘필요한 브랜드 리소스를 자연어로 찾아주는 에이전트를 만들고 싶다’라는 아이디어에서 시작했습니다. Claude Code와 ChatGPT를 활용해서 나흘 동안 필요한 기능을 하나씩 구현했어요. MS SharePoint와 Figma 등에서 기존 관리되는 체계를 그대로 유지하고 싶었기에, 파일을 이중으로 관리하는 대신 해당 리소스의 링크를 에이전트와 연결하는 방식을 고민했습니다.
그런데 만들고 보니 다운로드에서 예상치 못한 문제가 발생했어요. 에이전트가 아무리 파일을 잘 찾아줘도 다운로드 링크를 누르면 중간 페이지를 한 번 더 거치더라고요. 결국 사용자가 그 페이지에서 다시 파일을 찾아서 내려받아야 하는 식이었죠. 검색이 아무리 편해도 마지막에 제공되는 경험이 불편하면 아무 의미가 없다고 생각했어요. 그래서 SharePoint의 URL 구조를 하나씩 확인하면서, 중간 페이지를 거치지 않고 에이전트에서 바로 파일을 내려받을 수 있도록 다운로드 URL을 연결했습니다.
Q. BX팀답게 사용자 경험을 고려했다는 답변이 인상적이에요. 또 어떤 점을 유념하셨나요?
어떻게 하면 사람들이 평소에 쓰는 자연어로 원하는 리소스를 정확하게 찾을 수 있을까를 가장 많이 고민했어요. 같은 자료를 찾더라도 누군가는 정확한 파일명으로 검색하겠지만, 또 다른 누군가는 “마케팅 페이지 만들 때 필요한 거 찾아줘”처럼 상황을 설명할 수도 있잖아요. 그래서 단순히 파일명과 검색어를 매칭하는 방식이 아니라, 질문 의도를 파악해서 상황에 맞는 리소스를 찾아줄 수 있도록 구조를 만드는 데 공을 들였습니다.
Q. AI의 도움을 받으면서도, 의존하지 않으려고 신경 쓰는 부분이 있다면 무엇인가요?
‘무엇이 더 나은가’를 판단하는 것은 사람이 해야 한다고 생각해요. AI가 필요한 리소스를 찾아주고, 그걸 활용해서 디자인하는 과정은 빠르게 도와줄 수 있지만, 그 결과물이 우리 브랜드와 잘 맞는지, 더 나은 방향은 없는지를 판단하는 일은 다른 영역이라고 봐요. 특히 디자인은 정답이 있는 분야가 아니잖아요. 같은 리소스를 활용하더라도 어떻게 조합하고 표현하느냐에 따라 결과물이 달라지고요. 무엇이 더 좋은 결과물인지를 구분하고 완성도를 높이는 것은 결국 디자이너, 사람의 미감과 판단력에 달려있다고 생각합니다. AI가 발전할수록 직접 만드는 능력만큼 좋고 나쁨을 구분하고, 더 나은 방향을 결정하는 능력이 중요해질 것 같아요.
Q. Kbank Brand Hub를 통해 실제 업무가 어떻게 달라질 것으로 예상하시나요?
정식 배포 전이라 실제 변화를 체감하진 못했지만, 브랜드 리소스 문의에 들이던 시간과 에너지를 줄여서 좀 더 본질적인 업무에 집중할 수 있을 거라고 기대해요. 직원분들도 자료를 찾아다니거나 담당자에게 문의할 필요 없이 필요한 자료를 바로 찾을 수 있고요. 오래되거나 잘못된 버전을 사용하는 경우도 줄어서 브랜드 일관성을 유지하는 데에도 도움이 되리라고 생각합니다.
Q. 앞으로 개발해 보고 싶은 에이전트가 있다면 알려주세요.
브랜드 리소스 허브를 실제 사용자들의 질문과 사용 패턴에 맞춰 개선해 나가고 싶어요. 동시에 BX팀에서 발생하는 반복 업무도 AI와 하나씩 연결해 보려고 합니다. 이번 대회 참여를 계기로 저도 업무를 바라보는 시선이 조금 달라졌어요. 반복 업무를 당연시했던 이전과 달리, 지금은 ‘이 과정은 AI로 자동화할 수 있지 않을까?’하는 고민을 먼저 하게 됐죠. 처음에는 무언가 만들려면 개발 관련 지식을 충분히 쌓아야 한다고 생각했어요. 그런데 직접 해 보니 만들면서 필요한 것을 배우면 된다는 걸 느꼈습니다. 저처럼 아주 작은 아이디어 하나를 가지고 무엇이든 직접 해 보시라고 말하고 싶어요. 하고 싶은 일을 AI에게 설명하면서, “이거 만들려면 뭐부터 해야 해?”라고 물어보는 것에서 시작하면 됩니다.
동일한 작업을 기존 대비 약 5분의 1시간으로
“자연어를 SQL로 바꿔주는 MCP구현으로 메타 정보탐색 수고를 줄였고, 타 에이전트와 연결성 및 확장성까지 고려한 점이 인상깊어요”
Q. 안녕하세요, 정은님. 메타시스템 Helper는 어떤 MCP 서버인가요?
약 14,000개의 테이블 중 필요한 테이블을 찾아 자연어로 SQL(Structured Query Language, 구조적 쿼리 언어)을 생성하는 MCP(Model Context Protocol, 개방형 통신 규약)서버예요. 개발자로서 제가 AI를 가장 많이 활용하는 분야는 코딩인데요. 특히, 새로운 개발 건이 들어오면 쿼리를 작성하는 데 실제 코딩할 때와 거의 같은 시간을 쏟아요. 쿼리 작성을 할 때마다 테이블 구조와 인덱스, 코드값 등을 다시 파악해야 했고, 인덱스를 고려하지 못한 경우에는 성능 이슈가 발생하기도 했어요. 이런 비효율을 겪으면서 사내 메타 시스템에서 이 정보를 가져와 AI와 연결하면 업무 환경에 큰 변화가 있겠다고 생각했습니다.
Q. 진입장벽이 높은 내부망에서 사용되는 만큼, 개발 과정이 쉽지 않았을 것 같아요.
완성까지 한 달 정도 소요됐습니다. 먼저, 메타시스템에서 테이블, 컬럼, 인덱스 정보를 추출해서 MCP가 읽기 쉬운 CSV(Comma-Separated Values) 형식으로 변환했어요. 그 다음, 쿼리 작성에 필요한 함수를 구현하는 작업을 진행했고, 1차 개발 완료 후 실제로 사용할 개발자분들에게 PoC(Proof of Concept, 개념 증명)를 부탁드렸습니다. 피드백을 반영해서 사내 SQL 포맷 규칙 적용, 컬럼 순서 조정, 인덱스 정보를 추가했어요. 가장 어려웠던 점은 LLM이 원하는 방향으로 작동하도록 유도하는 것이었습니다. 단순 정보 제공만으로는 부족했기에, 도구 설명과 프롬프트, 응답에 포함되는 지시 사항을 조합하면서 반복적으로 테스트해 의도한 결과를 이끌어 낼 수 있었어요.
Q. 메타시스템 Helper의 도입 이후, 업무에는 어떤 변화가 일어났나요?
가장 큰 변화는 필요한 정보를 찾기 위해 테이블 구조를 다시 확인할 필요가 없어졌다는 점이에요. 예전에는 이미 끝난 업무라도 쿼리를 새로 작성하려면 테이블 파악부터 다시 시작했는데, 이제 MCP를 활용하면 같은 작업을 기존 대비 약 5분의 1 시간으로 처리할 수 있습니다. 반복 작업에 쓰는 시간이 줄어든 만큼, 업무 흐름이 끊기지 않고 본업에 좀 더 집중하게 됐어요.
Q. AI를 활용하면서도, AI에 의존하지 않았던 점이 있다면 무엇인가요?
AI가 생성한 쿼리를 확인하는 건 사람의 영역이라고 생각해요. AI는 결국 보조 수단이기에 제대로 작성된 쿼리인지, 필요한 정보가 다 들어가 있는지, 응답한 데이터가 의도한 바에 맞는지 등은 사람이 최종적으로 판단해야 할 몫이라고 생각합니다.
Q. 앞으로 또 어떤 에이전트를 만들고 싶나요? 메타시스템 Helper의 활용 계획도 말씀해 주세요.
지금은 메타시스템 데이터를 CSV로 수동 전환하지만, 이 과정을 자동화해서 최신 정보를 유지하도록 개선할 예정이에요. 사내망에서 AI를 업무에 적용한 경험은 이번이 처음이었는데요. 생각보다 결과가 좋게 나와서 앞으로 더 다양한 영역을 MCP나 에이전트를 통해 자동화할 수 있겠다는 자신감이 생겼습니다.
관리는 에이전트가, 마지막 발송은 사람이
“Copilot과 Power Automate를 활용해 증명서 발급 업무를 자동화하여, 반복 업무를 효율적으로 줄이고 완성도 높게 구현했어요”
Q. 안녕하세요, 양수님. 증명서 발급 요청 관리 Agent는 왜 만들게 됐나요?
저희 팀은 업무 특성상 고객의 1:1 요구 사항을 수시로 접수받아 처리하는 경우가 많습니다. 증명서 발급도 그중 하나인데요. 일반 고객은 앱을 통해 증명서를 직접 발급받지만, 앱을 사용할 수 없는 상속인이나 성년후견인의 경우, 고객센터나 이메일 접수를 통해 증명서 발급을 요청합니다. 서류를 검토하고 증명서를 발급하는 모든 과정이 수기로 이뤄지다 보니, 업무 처리가 지연되거나 누락될 위험이 있었어요. 고객별 요청 이력을 확인하는 데도 시간이 걸렸고요. 이런 업무를 조금이라도 편리하게 관리하고자 에이전트를 만들었습니다.
Q. 개발 과정은 어땠나요? 예상치 못한 어려움은 없었나요?
고객의 요청은 보통 그룹 이메일로 접수되는데요. 증명서 발급에 필요한 자료를 묻는 단순 문의와 실제 발급을 위해 신청서와 증빙 서류까지 제출한 경우로 나뉩니다. 후자의 경우 증명서 발급을 위한 업무가 진행돼요. 먼저 접수된 이메일 내용을 확인하고, 증빙 서류가 포함된 메일에 한해 Power Automate의 흐름 트리거를 활용하여, 팀 SharePoint에 요청 목록을 자동 생성하도록 만들었습니다. 이 목록을 현황 파악용 기본 레퍼런스로 두고, Copilot 에이전트에서 이를 참고 자료로 등록해 요청 현황과 처리 상태를 볼 수 있도록 제작했습니다. 구상부터 실제 구현까지 2~3일 정도 걸렸는데요. 실제로 적용하고 보니 한 고객으로부터 서류 보완 등의 이유로 여러 차례 이메일이 수신되는 문제가 있었어요. 이때 가장 난감했죠. 최종적으로는 고객의 고유 이메일과 이름의 일부를 조합해서 일종의 키(key)값으로 처리하면서, 최초 요청 메일인지 서류 보완인지 구분할 수 있도록 개선했습니다.
Q. Agent 도입 이후 업무에 어떤 변화가 있었나요?
고객 요청을 자동 목록화하면서 히스토리를 파악하거나 누락 여부를 점검하는 시간이 크게 줄었어요. 요청이 몰리는 시기에는 한 건이라도 놓치면 자칫 강성 민원으로 번질 위험이 있는데요. 업무 마감 전에 누락 건이 없는지 간단히 확인할 수 있어서 큰 도움이 됩니다. 특정 고객이 본인의 요청 사항에 대해 문의할 때도 현황을 빠르게 파악해서 답변할 수 있고요.
Q. 여러모로 도움을 받고 있지만, AI에 결코 의존하지 않는 점이 있다면 무엇인가요?
관리는 에이전트를 통해 이뤄지지만, 실제 증명서를 발급하고 고객에게 보내는 일은 여전히 사람이 합니다. 발송까지 자동화하면 더 편리하겠지만, 은행은 위험을 최소화해야 하는 곳인 만큼 고객에게 보내는 내용이 적절한지에 대한 최종 판단은 끝까지 사람이 하는 게 맞다고 생각해요.
Q. 앞으로 또 어떤 에이전트를 만들어 보고 싶나요?
내부 시스템과 보안상의 제약이 없다면, 고객이 보낸 서류를 다운받아서 내용을 추출하고, 증명서까지 자동으로 발급되는 형태를 만들어 보고 싶어요. 팀 내 유사한 업무 프로세스에도 조금씩 변형하여 적용해 보면 재미있을 것 같습니다. AI를 검색 엔진으로만 쓰는 분들이 많을 텐데요. 여러 자동화 툴과 연계하면 해볼 수 있는 게 많으니, 다양하게 활용해 보시는 것을 추천합니다.
수상자들의 이야기를 들으며 인상적이었던 점은, 이들에게 AI가 어렵고 거창한 기술이 아니었다는 것입니다. 대부분의 수상자가 개발자나 AI 전문가가 아니라는 점도 눈여겨볼 만합니다. 처음부터 모든 기술을 알고 시작한 것이 아니라, 만들면서 배우고 실패하고 고쳐가며 자신만의 Agent를 완성했죠.
결국 중요한 것은 ‘AI를 얼마나 잘 다루느냐’보다 ‘내 업무를 얼마나 자세히 들여다보고 있느냐’에 있는지도 모르겠습니다. 반복되는 업무의 불편을 그냥 지나치지 않고, ‘이것도 AI로 효율화할 수 있지 않을까?’라고 질문하는 것. 그 질문을 실제 업무 변화로 이어가는 것. 이러한 작은 시도가 모여 케이뱅크의 AI 조직 문화를 만들어가고 있습니다.
개인전이 각자의 업무 효율을 높이기 위해 AI Agent를 직접 만들어보는 경험이었다면, 팀전에서는 동료들과 함께 팀 업무에 활용할 AI Agent를 만들어볼 예정입니다. 총상금 800만 원 규모의 <K/THON 26 – AI CUP> 팀전은 8월 12일부터 9월 18일까지 진행 중입니다. 팀전 결과는 오는 10월 <K/THON 26 – AI STAGE>에서 공개되는데요. 이번에는 또 어떤 새로운 일하는 방식이 탄생할까요? 케이뱅크 팀원들이 각자의 업무 경험과 아이디어를 모아 만들어낼 또 다른 변화를 기대해 주세요.
