인공지능은 더 이상 실험적인 혁신 도구가 아니라 글로벌 금융의 핵심 인프라로 자리잡고 있으며, 이러한 변화를 가장 명확하게 보여주는 기관 중 하나가 바로 Goldman Sachs입니다. 자본 시장, 리스크 관리, 자산 운용, 자문 서비스가 교차하는 최전선에서 활동하는 이 회사는 그 어떤 기업보다도 속도, 정밀성, 그리고 규제 준수의 엄격함을 동시에 요구받고 있습니다. 따라서 Goldman Sachs에게 AI는 단순한 효율화 도구가 아니라, 조직 전반의 의사결정 방식을 새롭게 정의하는 전략적 역량으로 작동하고 있습니다.

특히 Goldman Sachs는 AI 도입을 과장된 마케팅이 아닌 철저한 규율의 관점에서 접근해 왔습니다. 분산된 시범 프로젝트에 의존하기보다는, 데이터 규모와 분석 복잡성이 인간의 한계를 넘어서는 핵심 워크플로 안에 머신러닝, 자연어 처리, 그리고 생성형 AI를 직접 내재화했습니다. 알고리즘 트레이딩과 컴플라이언스 인텔리전스에서부터 주식 리서치와 신용 리스크 평가에 이르기까지, AI는 사람의 판단을 대체하는 것이 아니라 더욱 정교하게 만들고, 숨겨진 패턴을 드러내며, 일관성을 강화하는 방향으로 활용되고 있습니다.

본 글에서는 Goldman Sachs가 오늘날 AI를 활용하고 있는 8가지 대표적인 방식을 살펴봅니다. 각 사례는 실제 비즈니스 과제, 실용적인 구현 방식, 그리고 측정 가능하거나 관찰 가능한 결과를 함께 제시합니다. 이를 통해 고도로 규제되는 금융 기관이 어떻게 AI를 책임감 있게, 효과적으로, 그리고 장기적인 전략적 의도를 가지고 확장할 수 있는지를 명확하게 확인하실 수 있습니다.

1. AI 기반 알고리즘 트레이딩으로 시장 전략을 재정의하다

금융 시장은 변동성이 크고, 데이터가 방대하며, 매우 빠른 속도로 움직이는 영역입니다. 기존의 전통적인 트레이딩 전략은 견고하긴 했지만, 실시간으로 쏟아지는 고빈도 데이터에 즉각적으로 반응하기에는 한계가 있었습니다. Goldman Sachs의 애널리스트들 역시 글로벌 시장 신호, 뉴스 이벤트, 호가창 변동을 수동으로 분석해 인사이트를 도출하는 데 어려움을 겪었으며, 이로 인해 거래 실행 속도와 위험조정 수익률 측면에서 경쟁 우위를 확보하기가 쉽지 않았습니다.

이러한 배경에서 Goldman Sachs는 밀리초 단위로 방대한 데이터를 흡수하고, 부상하는 패턴을 식별하며, 자동으로 수익성 있는 거래를 실행할 수 있는 AI 기반 트레이딩 시스템을 구축하고 배포하는 것을 목표로 삼았습니다. Managing Director인 Jo Hannaford는 이에 대해 “AI는 블랙박스가 아닙니다. 우리는 시장의 행동 양식을 그 어느 때보다 빠르게 학습할 수 있는, 적응적이고 설명 가능한 시스템을 만들기 위해 AI를 활용합니다”라고 언급한 바 있습니다.

경영진의 시각에서 AI는 단순한 자동화 도구가 아니라, 자산군을 가로질러 데이터를 학습하며 지속적으로 진화하는 트레이딩 전략을 구축할 수 있는 메커니즘으로 인식되었습니다. 이를 통해 알파(초과수익) 창출을 극대화하면서도 엄격한 컴플라이언스 기준을 유지하는 것이 핵심 목표였습니다.

구현 측면에서 Goldman Sachs는 자체 개발한 딥러닝 모델을 고성능 GPU 클러스터 위에 배포하고, 글로벌 금융 시장의 데이터를 실시간으로 수집합니다. 모델은 수십 년간의 과거 데이터를 바탕으로 학습되며, 최신 시장 흐름을 반영하기 위해 매일 업데이트됩니다. 또한 다중 에이전트 강화학습(MARL) 프레임워크를 활용해 모멘텀, 평균회귀, 차익거래 등 서로 다른 전략을 가진 수천 개의 에이전트가 시뮬레이션을 수행하며, 각 에이전트의 성과는 P&L, 샤프지수, 유동성 영향 등을 기준으로 평가됩니다.

이와 더불어 자연어 처리(NLP) 기술이 시스템에 결합되어 글로벌 뉴스피드, 트위터의 시장 심리, 중앙은행 발언 등을 분석합니다. 신경망은 이러한 정성적 신호를 해석해 포트폴리오 비중을 동적으로 조정하며, 시세·호가창·기술 지표와 같은 정형 데이터뿐 아니라 뉴스, 애널리스트 의견, 경제 전망 등 비정형 데이터까지 폭넓게 활용합니다. 또한 자체 보유한 고객 거래 흐름 정보 역시 신호 보정에 함께 사용됩니다.

한편 모든 모델은 Model Risk Management(MRM) 프레임워크를 거쳐야만 실제 운용에 투입될 수 있으며, 설명가능성 테스트, 스트레스 테스트, 시나리오 검증 절차를 모두 통과해야 합니다. 모든 거래는 의사결정 트리 단위까지 추적·감사가 가능하도록 설계되어 있고, 트레이더는 실시간 대시보드를 통해 모델의 로직과 거래 근거를 확인하며 필요할 경우 즉시 개입하거나 거래를 무효화할 수 있습니다.

이러한 시스템 도입 결과, 첫 12개월 동안 AI 기반 트레이딩 데스크는 사람만으로 운영되는 데스크 대비 일중 거래 수익성이 27% 증가했으며, 한 원자재 전략은 분기 기준 샤프지수가 3.2라는 기록적인 수치를 기록했습니다. 거래 신호 실행 시간은 120밀리초에서 14밀리초로 단축되어, 특히 외환과 채권 시장에서의 미세한 가격 왜곡을 더욱 효율적으로 차익거래할 수 있게 되었습니다.

또한 AI 모델은 연준의 금리 결정이나 지정학적 이벤트와 같은 변동성 급등 구간에서 동적으로 재보정되어, 하락장에서도 양(+)의 수익률을 유지하며 벤치마크를 8~11% 상회하는 성과를 보였습니다. 동시에 퀀트 애널리스트들은 일상적인 모델 튜닝에 들이는 시간을 40% 줄이고, 그 시간을 ESG 신호 통합이나 위성 이미지 데이터 활용 등 새로운 연구 영역에 투입할 수 있게 되었습니다. 더 나아가 AI 기반 시나리오 모델은 주식과 채권 수익률 간의 상관관계 붕괴와 같은 신호를 사전에 감지해 선제적인 헤지 전략을 가능하게 했고, 이를 통해 고객들은 급격한 손실 위험으로부터 효과적으로 보호받을 수 있었습니다.

이 사례에서 얻을 수 있는 핵심 교훈은 다음과 같습니다.

• 먼저 영향력이 큰 영역에 집중합니다. Goldman Sachs는 트레이딩의 모든 단계를 AI로 대체하려 하지 않고, 고빈도 거래나 거시 이벤트 예측처럼 데이터 우위가 명확한 영역에 우선적으로 자원을 투입했습니다.
• 설명가능성을 적극적으로 수용합니다. 각 모델의 의사결정 로직은 리스크 책임자와 규제 당국이 이해할 수 있도록 시각화되며, 모든 거래 신호는 데이터 출처와 알고리즘 추론 과정까지 추적 가능합니다.
• 다양한 데이터로 학습시킵니다. 정형 데이터뿐 아니라 SNS, 뉴스 와이어 등 비정형 데이터까지 결합함으로써, 과거에는 인간 트레이더만이 가졌던 정교한 판단력을 AI 시스템에 부여할 수 있었습니다.
• 자율성과 통제 사이의 균형을 유지합니다. AI는 자율적으로 거래를 실행하지만, 트레이더는 대시보드를 통해 비정상적인 패턴을 모니터링하고 즉시 개입할 수 있는 권한을 가집니다.
• AI를 대체가 아닌 증폭 도구로 활용합니다. 모델은 퀀트나 트레이더를 대체하는 것이 아니라, 그들의 인지적 역량을 확장해 더 혁신적인 전략을 개발할 수 있도록 돕는 역할을 합니다.
• 내부 모델 거버넌스에 적극 투자합니다. Goldman은 AI 성능, 편향, 드리프트를 평가할 수 있는 자체 역량을 구축했으며, MRM 팀과 데이터 사이언티스트가 함께 통제 프레임워크를 설계해 수익성과 리스크 기준을 동시에 충족하도록 했습니다.

2. AI 기반 컴플라이언스 인텔리전스로 리스크 관리를 재구상하다

Goldman Sachs와 같은 글로벌 은행은 Basel III 자본 규제부터 GDPR, Dodd-Frank Act에 이르기까지 다양한 관할 지역에서 매우 엄격한 규제 감독을 받고 있습니다. 이러한 환경에서 컴플라이언스 담당자들은 분절된 데이터셋, 빠르게 변화하는 규제, 그리고 점점 더 늘어나는 거래 모니터링 요구로 인해 큰 부담을 안고 있었습니다. 전통적인 수작업 프로세스와 레거시 시스템만으로는 미묘한 리스크 패턴을 탐지하거나 적시에 경보를 발령하기에 한계가 분명했습니다.

이에 Goldman Sachs는 AI를 활용해 규제 변화를 자동으로 추적하고, 이상 거래 탐지를 강화하며, 내부 감사를 효율화하고, 컴플라이언스 운영에 드는 시간과 비용을 줄이는 것을 목표로 삼았습니다. 운영 리스크와 금융 리스크에 대한 예측적 통찰을 가능하게 함으로써, 사후 대응 중심의 컴플라이언스에서 사전 예방 중심의 리스크 관리 모델로 전환하고자 한 것입니다.

전략적 관점에서도 Goldman Sachs는 컴플라이언스를 단순한 비용 부서가 아니라 차별화된 경쟁력으로 재정의했습니다. 리스크 및 컴플라이언스 아키텍처 전반에 AI를 내재화함으로써 투명성을 높이고, 규제 위반 위험을 줄이며, 전문가들이 보다 가치 있는 판단 업무에 집중할 수 있는 환경을 만드는 것이 핵심 방향이었습니다.

실제 구현에서 Goldman Sachs는 자체 리스크 데이터 레이크에 AI/ML 파이프라인을 통합했습니다. 이를 통해 거래 내역, 거래 상대방, 관련 문서를 실시간으로 분석할 수 있으며, 시스템은 클라우드 네이티브 기반 위에서 페타바이트 규모의 데이터를 수용하고 빠르게 조회할 수 있도록 설계되어 있습니다. 또한 NLP 모델은 SEC, FCA, MAS 등 전 세계 수백 개 규제 기관의 발표 자료를 자동으로 파싱하고, 핵심 조항을 자동 태깅한 뒤 영향을 받는 사업 부문에 매핑하는 “regulation-as-code” 엔진과 연동됩니다.

이 외에도 머신러닝 모델은 거래 상대방 채무불이행, 유동성 충격, 운영 사고 등의 리스크 노출을 예측하며, 이메일·채팅·통화 녹취 같은 비정형 데이터까지 분석에 함께 활용합니다. AI는 거래의 시점, 금액, 상대방, 위치 등 메타데이터를 종합 평가해 리스크 점수를 부여하고, 이를 통해 가벼운 이상치는 자동으로 우선순위를 낮추고 고위험 패턴은 우선 처리되도록 설계되었습니다. 모든 AI 의사결정과 알림에는 시각적 감사 추적과 자연어 설명이 함께 제공되어, 컴플라이언스 담당자가 그 근거를 즉시 이해하고 정당화할 수 있습니다.

또한 컴플라이언스 팀을 위한 리스크 대시보드는 알림에 대한 코멘트, 플래그, 내부 지식베이스 및 외부 규제 판례와의 교차 검토 기능을 지원합니다. 이러한 변화의 결과, 도입 후 9~12개월 동안 규제 변화 분석 시간은 수 주에서 수 시간으로 단축되었으며, AML 및 거래 모니터링 시스템에서의 오탐(false positive)률은 35% 감소했습니다. 이를 통해 팀은 저가치 알림에 시달리는 대신 진정한 고위험 신호에 집중할 수 있게 되었습니다.

예측 분석은 변동성이 큰 분기 동안 거래 상대방 채무불이행으로 인한 예상치 못한 파생상품 노출과 같은 시장 이상 징후를 사전에 포착해, 과거였다면 사후 감사에서야 발견되었을 리스크를 선제적으로 식별할 수 있게 했습니다. 또한 AI가 컴플라이언스 문서, 거래 데이터, 규제 요구사항을 요약하고 교차 참조해 주는 덕분에 내부 감사는 25% 더 빠르게 완료되었으며, 이러한 통합 리스크 인텔리전스 계층은 40개국 이상에 적용되어 지역별 규제 변화가 일관되게 모니터링되도록 했습니다. 더불어 모든 AI 모델은 Goldman의 MRM 프레임워크를 통해 평가·승인되며, 편향 탐지와 데이터 계보 추적이 적용되어 규제 리스크를 최소화하고 있습니다.

이 사례에서 얻을 수 있는 핵심 시사점은 다음과 같습니다.

• AI에 규제 문서 자체를 읽도록 시킵니다. Goldman은 수년간의 규제 문서로 NLP 엔진을 학습시켜, 시스템이 법률 언어를 이해하고 관련 컴플라이언스 영향을 자동으로 표시하도록 했습니다.
• 알림을 단순 신호가 아니라 인사이트로 전환합니다. AI는 단순히 알림 수를 늘리는 것이 아니라, 우선순위와 맥락을 부여해 컴플라이언스 팀이 진짜 중요한 이슈에 집중하도록 돕습니다.
• 투명성을 전제로 시스템을 설계합니다. Goldman 리스크 시스템의 모든 AI 의사결정은 설명·감사·정당화가 가능하도록 만들어져 있으며, 이는 규제 당국과 내부 이해관계자의 신뢰를 유지하는 데 필수적입니다.
• 자동화와 인간 판단의 균형을 잡습니다. AI는 1차 분석을 담당하고, 최종 결정은 훈련된 컴플라이언스 담당자가 내리는 하이브리드 모델이 핵심입니다.
• 중요한 지표를 측정합니다. Goldman은 처리된 알림 수가 아닌 “감소된 규제 마찰”, “절감된 감사 시간”을 KPI로 추적해, AI 이니셔티브가 실제 비즈니스 성과로 이어지도록 관리합니다.
• 글로벌하게 확장하되 지역별로 거버넌스를 적용합니다. AI는 시장 전반에 배포되지만 지역별 규제 차이에 맞춰 커스터마이즈되어, 규모의 효율과 정밀성을 동시에 확보할 수 있습니다.

3. AI를 통한 초개인화 고객 경험을 구현하다

치열한 금융 서비스 시장에서 Goldman Sachs는 다양한 고객 기반에 개인화된 서비스를 제공하는 데 큰 도전에 직면해 왔습니다. 기존의 전통적인 세분화 모델로는 고객의 실시간 행동 변화를 충분히 포착하기 어려웠고, 이로 인해 고객 참여와 교차 판매의 기회가 종종 놓쳐지곤 했습니다. 동시에 자산관리자와 리테일 자문가 역시 시의적절한 데이터 기반 인사이트가 부족해 맞춤형 제안을 제공하기 어려운 상황이었으며, 고객들은 점점 더 Netflix 수준의 개인화된 금융 경험을 기대하고 있었습니다.

이러한 상황에서 Goldman Sachs는 AI를 활용해 고객 데이터를 실행 가능한 인사이트로 변환하고, 각 고객의 고유한 니즈, 목표, 선호를 반영한 상품 추천, 금융 자문, 시의적절한 커뮤니케이션을 제공하고자 했습니다. 전략적으로도 AI는 고객 중심 경영을 가능하게 하는 핵심 동력으로 자리매김했으며, 컨슈머 뱅킹 부문 현대화와 디지털 자산 관리 플랫폼 확장이라는 폭넓은 흐름과 맞물려 있었습니다. 즉, 단순한 개인화가 아니라 신뢰와 적합성을 기반으로 한 “대규모 개인화”가 핵심 목표였습니다.

실제 구현 측면에서 AI는 거래 내역, 포트폴리오 보유 현황, 사이트 탐색 패턴, CRM 노트, 외부 데이터 등 모든 채널의 데이터를 종합해 동적인 고객 360도 프로파일을 만들어 냅니다. 머신러닝 기반 추천 엔진은 고객의 라이프 이벤트, 소비 습관, 재무 목표를 토대로 신용카드, 투자 상품, 대출 옵션 등 실시간 상품 제안을 생성합니다.

또한 NLP 기술은 이메일, 채팅, 통화 녹취 등을 분석해 고객의 감정, 의도, 주요 관심사를 식별하고, 이를 통해 관계 관리자(RM)와 고객 응대 전략을 정교하게 개선합니다. 한 단계 더 나아가, AI 시스템은 RM과 자문가에게 개인화된 “Next-Best-Action(NBA)” 프롬프트를 제시해, 고객의 반응 가능성에 따라 접촉 시점과 메시지 내용을 최적화합니다.

이러한 노력의 결과 도입 후 6~9개월 동안 AI 기반 인사이트로 운영된 개인화 마케팅 캠페인은 일반 메시지 대비 오픈율 23%, 전환율 17%가 더 높게 나타났습니다. NBA 도구를 사용한 RM은 고객 접촉 효율이 30% 개선되었다고 보고했으며, AI가 큐레이션한 추천에 대한 고객 반응도 더욱 긍정적이었습니다. 또한 AI 기반 개인화는 특히 투자와 신용 상품의 번들 형태에서 12%의 연간 교차 판매 매출 증가에 기여했고, 맞춤형 커뮤니케이션을 제공받은 고객 그룹에서는 통제 그룹보다 높은 NPS(순추천고객지수)가 측정되었습니다.

이 사례에서 얻을 수 있는 핵심 시사점은 다음과 같습니다.

• 볼륨이 아닌 적합성에 집중합니다. AI를 활용해 실제 행동과 감정에 기반한 우선순위를 부여함으로써, Goldman은 일률적인 캠페인에서 고임팩트 마이크로 인게이지먼트로 전환할 수 있었습니다.
• 인사이트는 사람의 손에 쥐어주어야 합니다. AI는 고객 응대를 완전히 자동화하는 대신, 자문가에게 맥락 단서를 제공해 인간적인 터치는 유지하면서도 정확성과 타이밍을 강화합니다.
• 투명성을 통해 신뢰를 구축합니다. 모든 AI 모델은 설명가능성을 염두에 두고 설계되어, 고객과 자문가 모두가 추천의 근거를 이해할 수 있게 했습니다.
• 피드백을 토대로 끊임없이 개선합니다. 자문가의 인앱 피드백과 캠페인 A/B 테스트 결과가 모델 개선에 반영되며, 이를 통해 선순환 구조를 만들어내고 있습니다.

4. 생성형 AI 도구로 소프트웨어 개발 속도를 끌어올리다

Goldman Sachs는 트레이딩, 컴플라이언스, 고객 서비스, 내부 운영을 지원하는 핵심 소프트웨어 인프라를 운영하기 위해 방대한 규모의 글로벌 기술 조직을 운영하고 있습니다. 그러나 개발자들은 보일러플레이트 코드 작성, 문서화, 테스트 케이스 생성, 코드 리팩토링과 같이 반복적인 작업에 상당한 시간을 소모해 왔으며, 이는 혁신 속도를 늦추고 레거시 시스템 전반의 기술 부채를 가중시키는 원인이 되어 왔습니다.

이러한 문제를 해결하기 위해 Goldman Sachs는 소프트웨어 개발 라이프사이클을 간소화하고 수작업 부담을 줄이며 배포 주기를 단축하기 위해, 엔지니어링 워크플로 안에 생성형 AI를 통합하고자 했습니다. 핵심 목표는 코드 품질, 보안, 규제 준수 기준을 훼손하지 않고도 개발 생산성을 높이는 것이었습니다. 전략적으로 생성형 AI는 인간 개발자를 대체하는 기술이 아니라 “개발자 코파일럿”으로 정의되었으며, 이를 통해 소프트웨어 라이프사이클을 현대화하면서도 인력 역량 강화와 지식재산·규제 통제를 함께 달성하는 방향이 설정되었습니다.

구현 측면에서 생성형 AI 도구는 OpenAI, Google, 그리고 자체 개발 모델 등 다양한 LLM을 호스팅하는 자체 GS AI Platform 위에 통합되어 있습니다. 엔지니어들은 IDE 플러그인을 통해 AI 기반 코드 제안을 받을 수 있으며, Python, Java를 비롯해 회사 전반에서 사용되는 주요 엔터프라이즈 언어가 모두 지원됩니다.

또한 코드 제안은 샌드박스 환경에서 동작하고, 모든 출력물은 Goldman의 내부 코딩 가이드라인에 따라 감사를 받습니다. 민감한 데이터는 엔터프라이즈급 암호화와 역할 기반 접근 제어를 통해 보호되며, 시범 프로그램은 2024년 초 시작되어 2025년 중반까지 수천 명의 엔지니어로 확장되었습니다. 도입 과정에서는 피드백 루프와 인앱 설문을 통해 모델이 도메인 특화 요구에 부합하도록 지속적으로 조정되었습니다.

도입 후 6~9개월 동안의 성과를 살펴보면, 단위 테스트 작성이나 문서화 같은 표준 코딩 작업의 처리 시간이 40% 단축되었습니다. 또한 AI 어시스턴트를 활용해 레거시 코드베이스를 현대화하고 중복 코드를 리팩토링하며 코딩 표준을 일관성 있게 유지함으로써, 릴리스 이후의 버그 리포트가 15% 감소하는 결과를 얻었습니다.

한편 신규 개발자는 생성형 AI 어시스턴트와 함께 작업할 경우 기존 대비 25% 더 빠르게 온보딩이 완료되었는데, 이는 AI가 Goldman 내부 시스템 맥락에 맞는 실시간 문서와 예제를 제공해 주기 때문입니다. 사용자 만족도 또한 매우 높아 엔지니어 70% 이상이 매일 이 도구를 활용하고 있으며, 특히 반복 로직이나 보일러플레이트 생성과 같은 작업에서 큰 만족도를 보이고 있습니다.

이 사례에서 얻을 수 있는 핵심 시사점은 다음과 같습니다.

• AI를 자동화가 아닌 증강 도구로 다룹니다. Goldman은 생성형 AI를 개발자를 대체하기 위한 수단이 아니라 더 효율적으로 일할 수 있게 돕는 도구로 정의했으며, 창의력과 판단은 여전히 인간 고유의 영역으로 강조했습니다.
• 거버넌스는 타협 대상이 아닙니다. 모델은 프라이빗 AI 환경에서 운영되며, 코드 컴플라이언스 검사 계층이 추가되어 결과물이 엄격한 규제 및 내부 보안 기준을 충족하도록 보장합니다.
• 커스텀 튜닝이 결정적인 차이를 만듭니다. 범용 모델만으로는 충분하지 않았기에, Goldman은 LLM을 자체 코드베이스로 파인튜닝해 금융 도메인에 맞는 적합성과 정확성을 확보했습니다.
• 도입은 신뢰와 함께 성장합니다. 도입 과정은 교육 세션, 엔지니어링 챔피언 운영, 그리고 실시간 개발자 피드백 기반의 모델 개선을 통해 안정적으로 확산되었습니다.

5. GS AI Assistant로 임직원 생산성을 끌어올리다

Goldman Sachs의 광범위한 글로벌 운영 환경 속에서 임직원들은 문서 요약, 프레젠테이션 준비, 이메일 작성, 사내 정보 검색과 같은 일상적인 업무에서 자주 지연을 경험해 왔습니다. 이러한 비효율은 수천 시간의 업무 손실로 누적되어 의사결정 속도를 늦추고, 직원들이 가치가 낮은 반복 업무에 시간을 빼앗기게 만들었습니다. 또한 지식이 부서별로 분산되어 있어 협업과 신속한 인사이트 도출 역시 제한될 수밖에 없었습니다.

이러한 문제를 해결하기 위해 Goldman Sachs는 GS AI Assistant를 출시했습니다. 이 솔루션은 일상 업무 생산성을 향상시키고 인지 부하를 줄이며, 임직원들이 보다 전략적이고 고객 지향적인 활동에 집중할 수 있도록 돕는 것을 목표로 합니다. 궁극적으로는 엔터프라이즈급 데이터 보안과 컴플라이언스를 유지하면서도, 핵심 워크플로 전반에 생성형 AI를 도입해 일하는 방식 자체를 혁신하는 것이 핵심 의도였습니다.

전략적 관점에서 Goldman Sachs는 생성형 AI를 부서별 전용 도구가 아닌 모든 부서를 가로지르는 수평적 인에이블러로 위치시켰으며, 이를 통해 주니어 애널리스트부터 임원진까지 생산성 향상의 효과를 골고루 누리도록 했습니다. 동시에 인간의 판단과 재량을 비즈니스 프로세스의 중심에 유지하는 원칙도 강조되었습니다.

구현 면에서 GS AI Assistant는 사내 협업 플랫폼에 통합된 생성형 AI 챗봇으로, 이메일 초안 작성, 보고서 요약, 불릿 포인트 생성, 정책 문서 검색 등 다양한 업무를 지원합니다. 2024년 처음 도입될 당시에는 기술, 운영, 컴플라이언스 부문의 약 1만 명 임직원에게 우선 제공되었으며, 이후 지역과 직무를 단계적으로 확대해 나갈 예정입니다.

모델 아키텍처는 OpenAI와 Google의 LLM을 Goldman 자체 AI 플랫폼 내부에서 호스팅하는 페더레이티드 인프라로 구성되어 있어 종단 간 암호화와 모델 격리가 보장되고, 민감한 질의도 안전하게 처리할 수 있도록 설계되었습니다. 또한 모든 입력과 출력은 감사 가능하도록 로깅되며, 어시스턴트는 추측성 금융 자문이나 비준수 콘텐츠를 생성하지 않도록 제어되어 있고, 가능한 경우 모든 응답에 출처가 연결됩니다. 추가로 인앱 피드백은 Jira 티켓과 연동되어 AI 엔지니어들이 실제 사용 데이터를 토대로 프롬프트, 학습 데이터, 정확도를 신속히 개선할 수 있도록 합니다.

도입 후 6개월 동안의 결과를 보면, 20쪽 분량의 보고서 요약이나 회의록 초안 작성과 같은 일반적인 행정 업무가 기존 20~30분에서 2분 이내로 단축되었습니다. “어디서 찾을 수 있나요?”와 같은 헬프데스크 문의는 18% 감소했는데, 이는 사용자들이 점점 더 어시스턴트를 통해 셀프 서비스로 답을 얻고 있기 때문입니다.

또한 어시스턴트는 출시 후 첫 2주 만에 대상 직원의 34%가 적극적으로 사용했으며, 주간 활성 사용자 수도 꾸준히 증가하는 추세입니다. 특히 애널리스트팀과 정책 리서처 그룹에서 활용도가 높았고, 초기 설문에서는 응답자의 78%가 어시스턴트 사용 시 “더 생산적이라고 느낀다”라고 답했으며, 운영 및 법무 문서화 업무에서 가장 높은 만족도가 측정되었습니다.

이 사례에서 얻을 수 있는 핵심 시사점은 다음과 같습니다.

• 고빈도 워크플로에서 시작합니다. Goldman은 만능 어시스턴트를 만들기보다는 문서 요약, 사내 지식 검색과 같이 가치 전달이 즉각적인 명확한 유스케이스에 우선 집중했습니다.
• 인간 개입 구조는 여전히 필수적입니다. 어시스턴트는 인간의 판단을 대체하지 않고 보조하며, 임직원은 생성된 모든 콘텐츠를 검토·수정·승인할 수 있습니다.
• 신뢰가 채택을 이끕니다. 출처 문서에 기반한 응답과 환각(hallucination) 최소화 설계 덕분에 어시스턴트는 컴플라이언스 민감도가 높은 환경에서도 빠르게 신뢰를 얻을 수 있었습니다.
• 활용도가 아닌 결과를 측정합니다. Goldman은 로그인 횟수가 아닌 “창출된 업무 캐퍼시티”를 핵심 지표로 추적하며, 경영진의 시선이 허영지표가 아닌 실질적인 경제적 가치에 머물도록 합니다.

6. AI로 신용 리스크와 거래 상대방 노출 관리를 강화하다

글로벌 투자은행으로서 트레이딩, 파생상품, 프라임 브로커리지, 구조화 금융을 아우르는 Goldman Sachs는 매일 막대한 신용 및 거래 상대방 리스크 노출에 직면하고 있습니다. 헤지펀드와 기업, 금융기관에 이르기까지 다양한 거래 상대방이 변화하는 시장 환경에서 자신의 의무를 이행하지 못할 가능성을 매일 평가해야 하는 입장입니다.

전통적인 신용 리스크 모델은 견고하긴 했으나, 정적 가정과 과거 평균값, 정기적인 검토에 의존하는 경우가 많았습니다. 그러나 급격한 금리 변동, 유동성 충격, 지정학적 이벤트와 같은 시장 스트레스 상황에서는 이러한 접근 방식이 비선형적인 리스크 동학, 상관관계 붕괴, 빠르게 변하는 노출 프로파일을 충분히 포착하지 못하는 한계를 보였습니다. 따라서 리스크 팀은 시장·거래·거래 상대방 데이터를 거의 실시간으로 처리할 수 있는 더욱 적응적인 도구를 필요로 했습니다.

이러한 배경에서 Goldman Sachs는 고급 분석과 머신러닝 기법을 활용해 신용 리스크 평가와 거래 상대방 노출 모니터링을 한 단계 업그레이드하고자 했습니다. 인사이트의 적시성, 세분성, 미래지향성을 강화함으로써 자본 배분, 마진 산정, 리스크 완화의 의사결정을 더욱 정교하게 만들고, 동시에 Basel III, CCAR 스트레스 테스트와 같은 규제 기대를 충실히 충족시키는 것이 핵심 목표였습니다.

전략적으로도 Goldman은 기존 리스크 프레임워크를 대체하기보다 AI를 보강 계층으로 자리매김했습니다. 데이터 기반 패턴 인식과 시나리오 분석으로 기존 정량 모델을 강화하면서도, 설명가능성, 거버넌스, 규제 대응력에 중점을 두어 AI 결과가 리스크 매니저, 경영진, 규제 당국 모두에게 명확히 해석될 수 있도록 설계했습니다.

구현 측면에서는 거래 상대방 노출, 담보 수준, 마진 요건, 시장 가격, 과거 손실 데이터 등 방대한 정형 데이터를 전사 리스크 데이터 인프라에 통합하고 있습니다. 그 위에서 고급 통계 및 머신러닝 모델은 전통적인 선형 모델로는 포착하기 어려운 패턴과 리스크 동인을 식별하며, 특히 시장 스트레스 환경에서 강점을 발휘합니다. 또한 AI 기반 분석은 금리 충격, 유동성 위축, 신용 스프레드 확대 같은 거시 시나리오 하에서 거래 상대방 노출이 어떻게 변화할지를 시뮬레이션하며, 모델은 거래 상대방 리스크 프로파일을 보다 자주 재평가해 정기 수동 검토만으로는 발견하기 어려운 집중 리스크나 취약점을 조기에 식별합니다.

이러한 모든 모델은 Goldman Sachs의 MRM 프레임워크 안에서 운영되며, 문서화·검증·감사 절차를 통해 결과가 설명되고 도전될 수 있도록 보장됩니다. 또한 AI는 자동 승인이 아니라 의사결정 지원 도구로 활용되며, 신용 담당자와 리스크 매니저가 최종 판단 권한을 유지합니다.

Goldman Sachs는 신용 리스크 AI 시스템에 대한 정량 지표를 공개적으로 발표하지 않지만, 보고된 성과로는 다음과 같은 점들이 있습니다. 첫째, 거래 상대방 노출의 동적 변화에 대한 더 세분화되고 시의적절한 가시성이 확보되었으며, 특히 시장 변동성이 높은 시기에 그 효과가 두드러졌습니다. 둘째, 극단적이지만 발생 가능한 시나리오가 거래 상대방 신용도와 전사 노출에 미치는 영향을 평가하는 능력이 향상되어 스트레스 대비력이 강화되었습니다.

셋째, AI 기반 인사이트는 마진, 한도, 자본 배분 결정에 반영되어, 실시간 시장 환경에 맞게 리스크 선호와 자본 운용을 정렬하는 데 기여하고 있습니다. 넷째, 고급 분석을 기존 거버넌스 프레임워크 안에 통합함으로써 견고하고 설명 가능한 리스크 모델에 대한 감독 기대를 충실히 충족시키고 있습니다. 마지막으로, 리스크 팀이 수작업 데이터 집계에 들이는 시간이 줄어들고 전문가의 판단, 검토, 에스컬레이션 업무에 더 많은 시간을 투입할 수 있게 되어 운영 효율성도 함께 개선되었습니다.

이 사례에서 얻을 수 있는 핵심 시사점은 다음과 같습니다.

• AI는 핵심 리스크 모델을 강화할 뿐 대체하지 않습니다. Goldman은 머신러닝 기법으로 기존 신용 프레임워크를 보완해 복잡한 리스크 패턴에 대한 민감도를 높이고 있습니다.
• 설명가능성은 필수입니다. 신용 리스크 AI는 엄격한 거버넌스 하에서 운영되며, 모든 결과는 이해·검증·방어가 가능해야 합니다.
• 미래지향적 인사이트가 가장 중요합니다. 시나리오 분석과 스트레스 모델링은 거대한 상호 연결된 데이터셋을 처리하는 AI의 강점에서 큰 이득을 봅니다.
• 인간의 판단은 여전히 중심에 있습니다. 최종 신용 결정은 경험 많은 리스크 전문가의 몫이며, AI는 이를 지원할 뿐 대체하지 않습니다.
• 리스크 혁신은 규제 엄격성과 함께 가야 합니다. Goldman의 접근 방식은 컴플라이언스 손상 없이 고위험 리스크 영역에서 AI를 어떻게 안전하게 도입할 수 있는지를 보여주는 좋은 사례입니다.

7. AI 기반 어닝콜 분석으로 주식 리서치와 투자 인사이트를 강화하다

어닝콜과 기업 공시는 주식 리서치, 투자 은행 업무, 기관 투자자에게 가장 중요한 정보 소스 중 하나입니다. Goldman Sachs의 애널리스트들은 매 분기마다 글로벌 시장에서 진행되는 수천 건의 어닝콜 녹취록, 경영진 발언, Q&A 세션을 검토해야 합니다. 그러나 정량적 재무 지표는 비교가 비교적 용이한 반면, 경영진의 톤, 자신감, 망설임, 미래 지향적 표현과 같은 정성적 신호는 대규모로 일관성 있게 분석하기가 매우 어렵습니다.

전통적으로는 이러한 미묘한 신호를 포착하기 위해 애널리스트의 광범위한 수작업 검토가 필요했고, 이로 인해 분석에 시간이 많이 소요되었으며 해석에서도 주관적 편차가 발생할 수밖에 없었습니다. 더욱이 산업과 지역으로 커버리지가 확장됨에 따라, 리서치의 깊이와 일관성을 유지하면서도 더 빠르게 인사이트를 도출해야 하는 압박은 점점 커지고 있었습니다.

이러한 상황에서 Goldman Sachs는 자연어 처리(NLP)와 텍스트 분석을 활용해 어닝콜과 기업 커뮤니케이션을 체계적으로 분석하고자 했습니다. 목표는 인간 분석을 보완하는 것으로, 언어적 패턴, 감정 변화, 주제의 이동을 식별해 주식 리서치, 밸류에이션 가정, 투자 논거의 수립을 더욱 효율적이고 일관성 있게 만드는 것이었습니다.

전략적으로 AI는 펀더멘털 리서치를 대체하는 것이 아니라 분석을 증폭하는 도구로 자리매김했으며, Goldman은 대규모 데이터셋 전반에 걸쳐 정성적 분석을 표준화하면서도 애널리스트의 판단력은 그대로 유지하고자 했습니다. 즉, 의사결정 지원, 투명성, 반복 가능성에 초점을 두어 인사이트가 설명·검증·통합 가능한 형태로 기존 리서치 워크플로에 흡수될 수 있게 만든 것입니다.

구현 측면에서 AI 모델은 어닝콜 녹취록, 사전 발언, Q&A 세션, IR 프레젠테이션, 그리고 여러 분기에 걸친 과거 기업 커뮤니케이션을 분석합니다. NLP 기법은 감정, 톤, 단어 선택, 불확실성 표현, 미래 지향적 발언을 평가하며, 직전 분기 또는 동종업계 기업 대비 변화를 식별합니다. 또한 모델은 비용 압박, 수요 전망, 규제 리스크, 자본 배분 우선순위와 같은 반복적인 주제를 감지하고, 시간이 지남에 따라 그 강조점이 어떻게 이동하는지를 추적합니다.

이 시스템은 기업 간 및 산업 간 비교 분석도 가능하게 해, 애널리스트가 동종업계 대비 커뮤니케이션 스타일이나 자신감의 이상치를 식별할 수 있도록 지원합니다. 도출된 인사이트는 주식 리서치 및 투자 팀에 직접 전달되어 전통적인 재무 모델, 애널리스트 코멘터리와 결합되며, 단독으로 운영되지 않습니다. 마지막으로 애널리스트는 AI가 생성한 신호를 해석하고 맥락화하여, 결론이 더 큰 재무·산업·거시 분석과 일치하도록 검증합니다.

Goldman Sachs는 해당 시스템에 대한 내부 성과 지표를 상세히 공개하지는 않지만, 공개적으로 언급된 성과로는 다음과 같은 점들이 있습니다. 첫째, 어닝 시즌의 피크 기간에도 애널리스트가 방대한 어닝콜 데이터를 더 빠르게 처리하고 비교할 수 있게 되었습니다. 둘째, AI 보조 분석을 통해 산업과 애널리스트 간에 정성적 신호 해석의 변동성이 줄어들면서 일관성이 향상되었습니다.

셋째, 수작업 검토에서 종종 놓쳐졌던 경영진의 미묘한 언어 변화나 강조점 이동이 보다 체계적으로 식별되고 있습니다. 넷째, 어닝콜 인사이트는 재무 모델과 함께 활용되어 투자 의견, 리스크 평가, 고객 논의에 깊이 있는 근거를 더하고 있습니다. 마지막으로 AI는 수작업 부담을 비례적으로 늘리지 않고도 폭넓은 커버리지 확장을 가능하게 합니다.

이 사례에서 얻을 수 있는 핵심 시사점은 다음과 같습니다.

• 언어 안에는 알파가 숨어 있지만, 체계적인 분석이 있어야만 드러납니다. Goldman Sachs는 AI를 활용해 기업 커뮤니케이션 속 정성적 신호를 대규모로 발굴하고 있습니다.
• AI는 펀더멘털 리서치를 보완합니다. 기술은 패턴을 부각시키고, 인간은 해석과 결론에 대한 책임을 그대로 유지합니다.
• 정성 분석에서도 일관성은 매우 중요합니다. NLP는 톤과 감정의 평가 방식을 기업과 시점에 걸쳐 표준화할 수 있게 해줍니다.
• 설명가능성은 본질적인 요건입니다. AI가 도출한 인사이트는 투명하고 리뷰 가능하기 때문에, 애널리스트는 블랙박스 결과 대신 결론을 검증할 수 있습니다.
• 확장 가능한 인사이트는 곧 경쟁 우위입니다. 어닝 분석에 AI를 적용함으로써 Goldman은 속도와 엄격함을 동시에 유지하면서 리서치의 깊이를 강화하고 있습니다.

8. AI 기반 시장 남용 감시로 시장 무결성을 강화하다

글로벌 마켓 메이커이자 트레이딩 기관으로서 Goldman Sachs는 매일 주식, 채권, 원자재, 파생상품 시장에서 수백만 건의 거래를 실행합니다. 이러한 규모는 트레이딩 데스크, 자산군, 지역에 걸친 거래 활동이 SEC 규정, MiFID II, FCA 시장 남용 프레임워크와 같은 시장 무결성 규제에 부합하도록 유지하는 일을 매우 복잡한 과제로 만듭니다.

전통적인 감시 시스템은 규칙 기반 알림과 사전 정의된 임계값에 크게 의존했기 때문에, 종종 대규모 오탐을 양산하면서도 정교하고 진화하는 시장 남용 행위를 포착하는 데에는 한계가 있었습니다. 스푸핑(Spoofing), 레이어링(Layering), 내부자 거래, 시장 간 조작과 같은 행위는 정적인 규칙만으로는 식별하기 어려운 미묘한 행동 패턴을 동반합니다. 이에 컴플라이언스 팀은 조사관에게 과도한 부담을 주지 않으면서도 비정상 행동을 인식할 수 있는 보다 적응적인 도구를 필요로 했습니다.

이러한 배경에서 Goldman Sachs는 고급 분석과 머신러닝 기법을 도입해 시장 남용 감시 역량을 강화하고자 했습니다. 핵심 목표는 거래 감시의 정확성, 효율성, 확장성을 개선하면서도 투명성과 감사 가능성, 규제 대응력을 그대로 유지하는 것이었습니다.

전략적으로 AI는 기존 감시 프레임워크 내에서 의사결정 지원 강화 도구로 도입되었으며, 회사는 설명가능성, 강력한 거버넌스, 인간 감독을 강조했습니다. 이를 통해 AI 기반 인사이트가 컴플라이언스 전문가와 규제 당국에 의해 명확히 해석되고 도전될 수 있도록 설계되었습니다.

구현 측면에서 시스템은 거래 활동 데이터, 호가창 행동, 체결 시간, 종목 특성, 과거 감시 결과 등 자산군 전반의 데이터를 입력으로 활용합니다. 머신러닝 모델과 통계 기법은 비정상적인 거래 패턴, 행동 이상치, 과거 표준에서 벗어나는 편차를 식별하며, 시스템은 주문 제출, 수정, 취소와 같은 행동의 시퀀스를 평가해 잠재적 조작 지표를 부각시킵니다.

또한 분석은 알림을 상대적 리스크에 따라 순위화해 컴플라이언스 팀이 저가치 노이즈가 아닌 우선순위가 높은 사례에 집중하도록 돕습니다. 모든 알림에는 맥락 정보와 근거가 함께 제공되어 조사관이 왜 해당 활동이 표시되었는지 이해할 수 있으며, 컴플라이언스 담당자가 알림을 검토·조사·결과 판단까지 책임지고, AI는 자동 의사결정자가 아닌 분석 보조 도구로 운영됩니다.

Goldman Sachs는 시장 감시 시스템에 대한 정량 지표를 공개적으로 발표하지 않지만, 보고된 성과로는 다음과 같은 점들이 있습니다. 첫째, 알림 우선순위 개선을 통해 팀이 일상적인 다량의 알림 처리에서 벗어나 더 위험도가 높은 행동에 집중할 수 있게 되었습니다. 둘째, 정적 규칙 기반 시스템만으로는 잡아내기 어려웠던 보다 미묘한 거래 패턴을 식별할 수 있는 탐지 역량이 향상되었습니다.

셋째, 애널리스트가 초기 트리아지에 들이는 시간이 줄어들고 본격적인 조사와 판단에 더 많은 시간을 투입할 수 있게 되어 조사 효율이 향상되었습니다. 넷째, 감시 프로세스가 감사 가능하고 설명 가능하며 다양한 관할권의 감독 기대와 정렬되도록 유지되었고, 다섯째, 고급 분석은 확장하는 시장과 자산군 전반에 걸친 일관된 모니터링을 가능하게 했습니다.

이 사례에서 얻을 수 있는 핵심 시사점은 다음과 같습니다.

• 시장 남용 탐지는 단순 규칙이 아니라 패턴 인식을 요구합니다. AI는 시간, 종목, 거래소를 가로지르는 복합적 행동을 식별하는 데 강점을 보입니다.
• 설명가능성은 양보할 수 없는 원칙입니다. Goldman의 감시 도구는 불투명한 결론을 도출하는 것이 아니라 조사를 지원하도록 설계되어 있습니다.
• 인간의 판단은 여전히 중심에 있습니다. AI는 신호를 부각시키지만, 모든 최종 판단은 컴플라이언스 전문가의 몫입니다.
• 더 나은 우선순위화는 실질적 가치를 만듭니다. 오탐 감소는 효율성과 조사 품질을 동시에 끌어올립니다.
• 거버넌스가 도입을 가능하게 합니다. AI를 기존 컴플라이언스 프레임워크 안에 내재화함으로써, Goldman은 규제 당국과 내부 이해관계자 모두에게 신뢰를 확보하고 있습니다.

결론 — Goldman Sachs가 보여주는 책임 있는 AI 활용의 모범

Goldman Sachs의 AI 활용은 세계에서 가장 복잡하고 규제가 까다로운 산업 중 하나에서 성숙하고 책임감 있는 AI 도입이 어떤 모습이어야 하는지를 잘 보여주는 사례입니다. 자동화 그 자체를 위한 자동화를 추구하기보다는, 의사결정 품질을 높이고 분석의 깊이를 강화하며 거버넌스와 책임성을 잃지 않으면서도 규모를 확장할 수 있는 영역에 AI를 일관되게 적용해 왔습니다.

트레이딩, 컴플라이언스, 주식 리서치, 소프트웨어 엔지니어링, 임직원 생산성, 신용 리스크 관리에 이르는 다양한 영역에서 공통된 패턴이 발견됩니다. 즉, AI는 전문성을 대체하는 것이 아니라 보조하는 증강 계층으로 활용되며, 모델은 설명 가능하고 출력은 검토 가능하며, 최종 의사결정은 언제나 인간의 손에 머물러 있습니다. 이러한 균형 덕분에 Goldman Sachs는 효율성과 인사이트를 끌어올리면서도 규제 당국, 고객, 내부 이해관계자와의 신뢰를 굳건히 유지할 수 있었습니다.

또한 Goldman Sachs가 무엇을 피하고 있는가도 매우 중요한 시사점을 줍니다. 즉, 불투명한 시스템, 통제되지 않는 배포, 검증되지 않은 과장된 주장은 철저히 배제되며, 모든 AI 역량은 기존 리스크 프레임워크 안에 내재화되어 엄격한 감독을 받습니다. 그 결과 단순한 운영 개선을 넘어 기관 전체의 회복탄력성까지 강화되고 있는 것입니다.

특히 규제가 까다로운 산업에서 AI 여정을 시작하려는 조직이라면, Goldman Sachs는 매우 명확한 교훈을 제공합니다. 지속 가능한 AI 성공은 실제 문제에 집중하고, 거버넌스를 엄격하게 운영하며, 인공지능을 인간 의사결정의 지름길이 아니라 전략적 동반자로 다룰 때 비로소 가능해집니다.

---

참고 원문: 8 ways Goldman Sachs is using AI [Case Study] [2026] — DigitalDefynd Education

이 글과 관련하여 궁금하신 사항이나 문의 사항이 있으시면 언제든지 편하게 연락 주시기 바랍니다.
📧 parkmg85@hanmail.net