한국 금융감독당국, AI 조사관 도입 추진… 증거 판단은 여전히 사람이 맡는다

한국의 금융감독원이 AI 조사관 개발 사업자를 선정하면서, 시장 불공정거래 탐지 속도와 법적으로 방어 가능한 증거 사이에 새로운 긴장이 생겨나고 있다. 서울경제가 LG CNS가 우선협상대상자로 선정됐다고 보도한 뒤, 이 사업은 Google News를 통해 알려졌다. 본격적인 운영은 2028년으로 예정된 것으로 전해진다.

이는 단순히 이상 거래에 점수를 매기는 또 하나의 시스템이 아니다. 계획된 모델은 의심 계좌를 연결하고, 추가 증거를 제안하며, 조사관이 자료를 추가한 뒤 사건을 재평가하고, 공식 문서 작성까지 지원하게 된다. 이 기능들은 AI의 역할을 시장 감시에서 실제 조사 과정으로 확장한다.

이 구분이 중요한 이유는 한국거래소가 이미 초기 시장 감시를 위한 AI 시스템을 운영하고 있기 때문이다. 새 금융감독원 프로젝트는 비공개 사건 자료와 조사 업무 흐름에 더 깊이 관여하는 것으로 전해진다. 또한 최종 결정에 사람이 서명하더라도, 알고리즘이 사건에 영향을 미친 경우 조사관이 그 과정을 설명해야 한다는 부담을 더욱 키운다.

Google News 보도가 말하는 한국의 구축 계획

계획된 시스템은 AI를 경보 생성기에서 능동적인 조사 보조자로 전환할 것이다.

보도된 조사 계획에 따르면, LG CNS는 최근 약 45억 원 규모의 금융감독원 사업에서 우선협상대상자가 됐다. Bespin Global과 Konan Technology도 이 사업에 참여했다.

서울경제는 이 프로젝트가 2027년 12월까지 완료될 것으로 보도했다. 실질적인 전면 운영은 2028년에 시작될 예정이다. 다만 금융감독원이나 선정된 사업자가 확정적인 사업 문서를 공개하기 전까지는, 이 일정과 최종 기술 구성 모두 확정된 것으로 봐서는 안 된다.

계획된 시스템은 밀접하게 연결된 두 가지 구성 요소로 이뤄진다. 첫째는 자본시장 조사를 위한 특화 모델이다. 둘째는 조사관의 조사 지원, 문서 준비, 제보 우선순위 설정, 녹취 전사, 요약을 돕는 AI 에이전트 모음이다.

AI 에이전트는 모델, 도구, 정의된 업무 흐름을 활용해 여러 단계의 작업을 완료할 수 있는 소프트웨어다. 이 경우 에이전트는 단순히 일반적인 질문에 답하는 데 그치지 않는다. 기존 금융감독원 업무 시스템 안에서 작동하며, 권한을 부여받은 조사관이 이용할 수 있는 정보를 활용한다.

보도에 따르면 이 모델은 가격, 거래량, 규제 공시를 비롯한 공개 시장 정보를 학습하게 된다. 또한 조사 과정에서 수집된 비공개 자료도 활용한다. 과거 조사 계획서, 보고서, 조치 의견서는 추가적인 기관 맥락을 제공할 것이다.

이런 조합은 모델에 공개 거래 데이터 화면보다 훨씬 풍부한 시야를 제공할 수 있다. 가격 움직임만으로는 누가 활동을 공조했는지, 왜 여러 계좌가 유사하게 움직였는지를 설명하기 어려운 경우가 많다. 사건 기록에는 시장 데이터 흐름에서는 보이지 않는 관계, 조사 논리, 증거 패턴이 담길 수 있다.

이후 시스템은 불공정거래가 의심되는 계좌들 간의 연결 관계를 지도화한다. 관련 계좌를 묶고, 이들의 결합 행동을 분석하며, 조사관이 다음으로 수집해야 할 자료를 제안할 수 있다. 이러한 제안은 거래 기록, 통신 내역, 소유 관계 또는 법적으로 확보 가능한 기타 자료에 주의를 돌리게 할 수 있다.

조사관은 제안된 자료를 수집해 시스템에 다시 제공한다. 모델은 그 증거를 바탕으로 위반 가능성을 재평가한다. 보도는 이 반복 과정을 순환형 조사 시스템이라고 설명한다.

이 순환 구조는 이 프로젝트의 가장 중대한 특징이다. 전통적인 감시 소프트웨어는 보통 경보를 생성하거나, 점수를 부여하거나, 패턴을 식별한다. 순환형 시스템은 사건에 대한 가설이 형성되는 과정에 참여한다.

계획된 보조 도구는 금융감독원 형식에 맞춰 문답 조서, 조사 보고서, 조치 의견서도 작성할 예정이다. 초안 작성은 반복 업무를 줄일 수 있지만, 사실이 조직되고 제시되는 방식에도 영향을 준다. 조사관이 공식적으로 책임을 계속 지더라도, 생성된 서술은 조사관의 판단에 영향을 미칠 수 있다.

이 시스템은 공용 인터넷과 분리된 폐쇄망에서 운영될 것으로 예상된다. 보도에 따르면 금융감독원은 민감한 조사 정보를 다루게 될 사업이라는 이유로 ChatGPT와 Gemini 같은 외부 모델 서비스를 제외했다.

LG CNS는 내부 서버에서 실행할 수 있는 두 개의 국내 대규모 언어 모델을 제안한 것으로 알려졌다. 모델 가중치를 로컬 설치에 사용할 수 있다는 점에서 LG AI Research의 EXAONE이 후보 중 하나로 지목됐다. 최종 모델 선정은 공개적으로 확인되지 않았다.

폐쇄형 배포는 보호 대상 기록이 외부 클라우드 엔드포인트로 전송될 위험을 낮춘다. 그러나 보안, 거버넌스, 정확성 문제를 없애지는 못한다. 내부 모델 역시 접근 통제, 로깅, 평가, 패치 관리, 오염된 데이터로부터의 보호가 필요하다.

따라서 Google News 독자들이 접한 것은 단순한 정부 자동화 이상의 이야기였다. 이 프로젝트는 민감한 기록, 계좌 연결 분석, 조사 권고, 문서 생성을 하나의 규제된 업무 흐름 안에 결합한다. 이러한 범위는 핵심 긴장을 만든다. 결과로 나온 증거를 검토할 수 있을 때에만 속도는 가치가 있다.

한국은 이미 의심스러운 시장 신호를 찾는 데 AI를 사용하고 있다

금융감독원 프로젝트는 온라인 감시에서 사람 중심 조사로 이동해 온 집행 프로그램을 확장하는 것으로 보인다.

한국 금융위원회는 한국거래소가 2026년 2월 3일부터 AI 모니터링 시스템을 운영하기 시작할 것이라고 발표했다. 이 시스템은 주가 조작과 기타 불공정거래의 초기 징후를 겨냥한다.

KRX 시스템은 온라인 게시물, 스팸 메시지 신고, YouTube 영상, 뉴스, 공시, 주가 움직임을 분석한다. 상장사에 점수를 부여하고 의심 활동 가능성이 높은 증권을 식별한다.

이후 사람은 표시된 기업을 검토하고 더 심층적인 분석이 필요한지 판단한다. 이 구조는 AI를 과정의 시작점에 배치한다. 당국이 방대한 정보 흐름을 더 적은 수의 잠재적 사건으로 줄이는 데 도움을 준다.

Google News에서 설명된 금융감독원 프로젝트는 그보다 더 하류 단계에 놓이게 된다. 의심 계좌, 비공개 기록, 축적된 사건 문서, 증거 요청을 다루게 된다. 조사 중에 활용되는 서면 기록의 형성에도 도움을 줄 수 있다.

이러한 발전은 금융위원회, 금융감독원, 한국거래소가 2025년 7월 발표한 조치를 따른다. 기관들은 분산된 책임 구조가 긴급한 시세조종 사건에 대한 대응을 지연시켰다고 밝혔다. 한국거래소는 시장 감시를 맡았고, 금융위원회와 금융감독원은 서로 다른 조사 권한을 행사했다.

정부의 2025년 집행 계획은 공동 대응 구조를 만들고 감시에서 AI 활용을 확대할 것을 요구했다. 또한 더 빠른 탐지를 계좌 동결, 금전 제재, 거래 제한, 상장사 임원 취임 제한과 연결했다.

이러한 제재는 해당 과정에 정보를 제공하는 모든 분석 시스템의 중요성을 높인다. 고위험 점수는 단순히 흥미로운 데이터 포인트를 만들어내는 데 그치지 않는다. 자산, 시장 접근성, 고용, 평판에 영향을 미치는 조사로 이어질 수 있다.

한국은 또한 개별 계좌에서 그 배후 인물 중심으로 감시를 전환하기 시작했다. 계좌 기반 감시는 한 사람이 통제하는 여러 계좌를 서로 무관한 것으로 취급할 수 있다. 조사관에게 불필요하게 넓은 잠재적 조사 대상군을 남길 수도 있다.

규제 변경으로 한국거래소 감시 인력이 가명처리된 식별 데이터를 처리할 수 있게 됐다. 금융위원회에 따르면 개인 중심 감시는 감시 대상을 약 39% 줄일 것으로 예상됐다.

이 정책 변화는 연계 계좌 분석의 기반 일부를 제공한다. 당국이 정해진 법적 통제 아래 계좌를 공통된 주체와 연결할 수 있다면, AI 모델은 네트워크 전반에서 공조된 행동을 살필 수 있다.

단순화한 시세조종 시나리오를 생각해 보자. 홍보성 메시지가 온라인으로 퍼지는 동안 여러 계좌가 거래가 뜸한 주식을 매수한다. 다른 계좌들은 서로 거래하며 활동이 있는 것처럼 보이게 한다. 마지막 계좌군은 홍보로 만들어진 수요에 맞춰 매도한다.

기존 경보 시스템은 주가 상승, 비정상적인 거래량, 온라인 논의를 포착할 수 있다. 관계 모델은 계좌들이 자금 출처, 기기, 연락처 정보, 실질 소유자 또는 동기화된 주문 패턴을 공유하는지 물을 수 있다.

가치는 자동으로 유죄를 선언하는 데 있지 않다. 사람이 연결하는 데 더 오래 걸릴 여러 데이터셋 전반에서 검증 가능한 조사 가설을 세우는 데 있다. 조사관은 여전히 그러한 연결에 무고한 설명이 있는지를 판단해야 한다.

한국의 더 폭넓은 집행 의제는 왜 이 프로젝트가 지금 추진되는지 설명한다. 규제 당국은 더 큰 디지털 정보 흐름을 다루는 동시에 공조된 시세조종에 더 신속히 대응하려 하고 있다. 소셜 플랫폼, 비공개 메시징, 알고리즘 거래, 복수의 증권 계좌는 수작업 검토를 더 어렵게 만든다.

2026년 KRX 시스템은 발견 문제를 해결했다. 계획된 금융감독원 시스템은 조사 병목 현상을 겨냥한다. 두 시스템을 함께 보면 공개 신호 탐지에서 증거 개발로 이어지는 파이프라인이 드러난다.

진짜 경쟁은 AI의 속도와 법적으로 방어 가능한 증거 사이에 있다

시스템이 각 권고가 신뢰할 수 있는 사실과 어떻게 연결되는지 보여줄 수 있을 때에만 조사는 더 강해진다.

보도된 설계는 더 빠른 관계 매핑, 더 집중적인 증거 수집, 반복적인 문서 작업 감소를 약속한다. 시장 불공정거래 사건에는 대량의 거래, 공시, 메시지, 과거 기록이 수반되는 경우가 많기 때문에 이러한 이점은 그럴듯하다.

그러나 조사 효율성이 법적 신뢰성과 같은 것은 아니다. 모델은 증거상 의미가 없는 통계적 연관성을 찾아낼 수 있다. 공조된 것으로 보이는 행동에 대한 일반적인 설명을 놓칠 수도 있다.

연계 계좌는 유용한 예시를 제공한다. 두 투자자는 같은 애널리스트, 지수 전략 또는 공개 신호를 따르기 때문에 유사한 증권을 거래할 수 있다. 가족 구성원은 시세조종을 공모하지 않아도 주소나 기기를 공유할 수 있다. 기업집단은 관계사 간에 정당한 자금 이전을 할 수도 있다.

모델은 유용한 단서와 결론을 구분해야 한다. 조사관이 순위화된 결과를 사실로 취급한다면, 검색 범위를 좁히도록 설계된 시스템이 오히려 초기 의심을 굳혀 버릴 수 있다.

생성형 구성 요소는 두 번째 문제를 만든다. 대규모 언어 모델은 보장된 절차를 통해 진실을 검색하는 것이 아니라, 가능성 높은 단어 순서를 예측해 텍스트를 생성한다. 반대되는 사실을 빠뜨리거나, 별개의 사건을 합쳐 버리거나, 불확실한 관계를 지나치게 확신에 찬 방식으로 설명할 수 있다.

생성된 텍스트가 조사 보고서에 들어가면 이 위험은 심각해진다. 뒷받침하는 연결 고리가 불완전해도, 매끄러운 문단은 권위 있어 보일 수 있다. 조사관은 기초 기록, 모델 입력값, 검색 결과에 직접 접근할 수 있어야 한다.

생성 초안의 모든 중요한 진술은 식별 가능한 출처로 거슬러 올라갈 수 있어야 한다. 시스템은 시장 데이터, 공식 공시, 조사관 관찰, 제3자 주장, 모델 추론을 구분해야 한다. 이 범주들은 동일한 증거 가중치를 지니지 않는다.

유용한 출력은 세 계정이 정해진 기간 내 거래했고 문서화된 공통 속성을 공유했다는 점을 밝히는 것이다. 위험한 출력은 그 같은 성격 규정의 근거를 제시하지 않은 채 이 계정들을 조직적으로 움직인 집단으로 묘사하는 것이다.

따라서 사람의 검토는 선택적인 안전장치가 아니라 시스템 작동 방식의 일부다. 수사관이 권고 사항에 이의를 제기하고, 상반되는 자료를 추가하며, 각 단서를 채택하거나 배제한 이유를 기록할 때에만 이 순환형 워크플로는 사건을 개선할 수 있다.

같은 원칙은 행정 문안 작성에도 적용된다. 템플릿은 일상 업무를 빠르게 처리하게 할 수 있지만, 담당 공무원은 이름, 날짜, 거래 금액, 법적 기준, 인용 자료를 검증해야 한다. 최종 기록에는 수정 내역을 보존하고 어떤 문구가 AI에서 비롯됐는지 식별해야 한다.

다른 지역의 금융 당국도 설명 가능성과 관련해 유사한 질문에 직면해 있다. 국제결제은행은 불투명성, 취약한 데이터 거버넌스, 사이버 위협, 제3자 집중을 주요 모델 거버넌스 위험으로 지목한다.

설명 가능성이란 모든 모델을 수학적으로 단순하게 만들라는 뜻은 아니다. 이는 의사결정에 적합한 설명을 요구한다. 수사관은 왜 특정 계정이 포착됐는지, 어떤 기록이 그 연결을 뒷받침하는지, 각 특성이 결과에 얼마나 강하게 영향을 미쳤는지를 알아야 한다.

시스템은 불확실성도 보존해야 한다. 관계 지도는 연결선이 공동 소유를 뜻하는지, 유사한 시점을 의미하는지, 공통 인프라를 가리키는지, 아니면 검증되지 않은 추론인지를 전달해야 한다. 모든 연결을 동일한 시각적 비중으로 제시하면 사용자를 오도할 수 있다.

여기서 지표가 중요하다. 일반적인 테스트 세트 전반의 정확도만으로는 충분하지 않다. FSS는 다양한 시세조종 패턴, 시장 상황, 기업 규모, 계정 구조에 대한 성능 데이터를 확보해야 한다.

오탐은 조사 역량을 소모하고 무고한 당사자를 조사 대상에 노출할 수 있다. 미탐은 위법 행위가 계속되도록 한다. 다른 비율을 보고하지 않은 채 한 비율만 최적화하면 운영상 상충 관계를 숨길 수 있다.

과거 데이터는 또 다른 복잡성을 낳는다. 과거 조사는 이전의 집행 우선순위, 수사 관행, 이용 가능한 기술을 반영한다. 해당 파일로 학습하면 새로운 패턴을 드러내기보다 사각지대를 재현할 수 있다.

레이블 역시 일관되지 않을 수 있다. 증거 불충분으로 종결된 사건이 의심스러운 활동이 전혀 없었다는 증거는 아니다. 종결된 모든 사건을 음성 사례로 취급하도록 학습된 모델은 잘못된 구분을 학습할 수 있다.

Google News의 헤드라인은 이 시스템을 자율 수사관처럼 보이게 한다. 더 정확한 설명은 인간이 주도하는 절차 안에 배치된 분석 및 문안 작성 도구들의 집합이라는 것이다. 이 구분이 일상적인 사용 과정에서도 유지되는지가 프로젝트의 신뢰성을 좌우할 것이다.

폐쇄형 네트워크는 기록을 보호하지만 새로운 제약을 만든다

모델을 FSS 경계 내부에 유지하면 데이터 통제는 강화되지만 유지보수, 평가, 책임성은 더 까다로워진다.

보도에 따르면 FSS는 조사 파일에 민감한 정보가 담겨 있다는 이유로 외부 모델 호출을 배제했다. 이 결정은 퍼블릭 클라우드 서비스에 대한 노출을 제한하고, 기관이 저장·접근·보존에 대해 더 직접적인 통제권을 갖게 한다.

로컬 배포는 프롬프트와 사건 문서가 규제기관의 환경 밖으로 나가는 것을 막을 수 있다. 또한 인증된 직원과 연계된 상세 감사 로그를 지원할 수 있다. 모델이 비공개 시장 정보와 개인정보에 접근할 수 있다면 이러한 통제는 필수적이다.

그러나 격리된 네트워크가 자동으로 안전한 시스템이 되는 것은 아니다. 관리자는 누가 어떤 사건을 조회할 수 있는지 여전히 통제해야 한다. 광범위한 내부 검색 인터페이스는 정당한 수사상 필요가 없는 직원에게 기록을 노출할 수 있다.

권한은 원본 시스템을 따라야 한다. 수사관이 문서를 직접 열 수 없다면 AI도 요약을 통해 그 내용을 드러내서는 안 된다. 그렇지 않으면 검색 시스템이 기존 접근 통제를 우회하는 간접 경로가 될 수 있다.

모델의 답변에도 지속적으로 보존되는 로그가 필요하다. 수사관과 검토자는 프롬프트, 검색된 기록, 모델 버전, 출력, 사용자 행위, 최종 결정을 재구성할 수 있어야 한다. 이 이력이 없으면 이후의 이의 제기를 해결하기 어려워진다.

로컬 모델은 유지보수 부담을 만든다. 프롬프트와 증거가 동일하게 유지되더라도 새 모델 버전은 출력을 바꿀 수 있다. 따라서 업데이트 전에는 대표적인 사건을 대상으로 회귀 테스트를 수행해야 한다.

FSS는 보안 수정 사항과 검증된 모델 개선 사항을 폐쇄 환경으로 반입하는 방법도 마련해야 한다. 오래된 모델은 정확도가 낮아지거나 취약해질 수 있다. 너무 신속히 적용된 업데이트는 충분한 검토 없이 기존 동작을 바꿀 수 있다.

파인튜닝은 추가적인 질문을 제기한다. 파인튜닝은 과업별 예시를 활용해 범용 모델을 조정하는 방식이다. 수사 언어와 문서 형식에 대한 친숙도는 높일 수 있지만, 증거에 대한 충실한 추론을 보장하지는 않는다.

민감한 학습 데이터는 일반 사건 검색과 별도로 관리해야 한다. 개발자는 개인정보가 필요한지, 예시가 얼마나 오래 이용 가능한지, 기록을 향후 학습 세트에서 제거할 수 있는지를 알아야 한다.

학습과 검색의 구분은 중요하다. 검색은 특정 요청에 답할 때 모델에 문서를 제공한다. 파인튜닝은 예시 데이터를 사용해 모델의 동작을 바꾸므로 삭제와 출처 표시를 더 복잡하게 만들 수 있다.

공개적으로 이용 가능한 모델 가중치를 사용한다는 보도 역시 신중하게 표현할 필요가 있다. 이용 가능한 가중치는 로컬 배포를 가능하게 하지만, 이용 가능하다는 사실만으로 감사 가능성이 자동으로 확보되지는 않는다. 규제기관은 학습 데이터, 한계, 라이선스, 평가 방법에 대한 문서를 여전히 필요로 한다.

계약업체와의 관계는 또 하나의 층위를 더한다. 보도에 따르면 LG CNS는 금융 서비스 통합, 모델, 플랫폼, IT 역량을 제공한다. 그럼에도 FSS는 벤더와 독립적으로 성능을 평가할 수 있는 역량을 유지해야 한다.

이는 배포 전에 인수 테스트를 정의해야 한다는 뜻이다. 테스트는 연결 계정 정확도, 증거 검색, 인용 충실도, 환각 발생률, 접근 통제 집행, 악의적 콘텐츠에 대한 저항성을 다뤄야 한다.

시장 기록에는 적대적 자료가 포함될 수 있다. 공시, 민원, 수집된 온라인 게시물에는 모델의 동작을 조작하려는 문구가 들어 있을 수 있다. 신뢰할 수 없는 텍스트를 검색하는 시스템은 해당 자료가 수사 지침을 무시하도록 만들지 못하게 해야 한다.

프로젝트에는 명확한 실패 모드도 필요하다. 모델이 필요한 출처에 접근할 수 없다면 그 공백을 밝혀야 한다. 증거가 충돌한다면 하나의 서사를 강요하기보다 충돌 자체를 제시해야 한다.

챗봇 인터페이스는 복잡한 분석을 더 쉽게 요청하게 할 수 있지만 기술적 한계를 감출 수 있다. 수사관은 시스템이 일부만 조회했는데도 승인된 모든 데이터베이스를 검색했다고 가정할 수 있다. 인터페이스는 각 답변에 대한 검색 범위를 명시해야 한다.

이러한 제약이 폐쇄형 네트워크 전략을 무효화하는 것은 아니다. 오히려 배포 아키텍처만으로 전체 안전성을 담보할 수 없는 이유를 보여준다. 기밀성, 정확성, 법적 권한, 절차적 공정성에는 서로 다른 통제가 필요하다.

AI가 사건 기록에 들어올 때 압박을 받는 이들은 누구인가

즉각적인 압박은 수사관과 시스템 설계자에게 가해지며, 증권사와 트레이더는 더 파편화된 신호를 연결할 수 있는 감시 절차에 직면하게 된다.

가장 먼저 영향을 받는 집단은 FSS 수사관이다. 이들은 일상적인 기록을 취합하는 데 쓰는 시간을 줄이고 가설을 검증하는 데 더 많은 시간을 쓸 수 있다. 동시에 자신이 설계하지 않은 기술적 절차로 생성된 출력을 검토할 책임을 떠안게 된다.

교육은 챗봇 운영을 넘어야 한다. 수사관은 오탐, 데이터 공백, 모델 드리프트, 신뢰도 점수, 상관관계와 귀속의 차이를 이해해야 한다. 또한 이용 가능한 증거를 과장하는 생성 언어도 인식해야 한다.

관리자 역시 관련된 과제에 직면한다. AI 권고가 언제 수사 단계에 영향을 미칠 수 있는지에 관한 일관된 규칙이 필요하다. 모델을 신뢰하는 비공식 문화는 문서화된 정책만큼 중대한 결과를 낳을 수 있다.

LG CNS와 모든 모델 공급업체는 표현의 완성도보다 추적 가능성을 우선하도록 구축해야 한다는 압박을 받는다. 유창한 답변은 정확한 기록에 연결된 주장보다 가치가 낮다. 시스템 품질은 시연 성능이 아니라 사건 정확도와 감사 가능성으로 측정돼야 한다.

증권사는 연결 계정과 거래 이력에 관한 요청을 더 많이 받을 수 있다. 신원 확인 체계가 취약하거나 기록이 일관되지 않은 기업은 대응에 어려움을 겪을 수 있다. 더 나은 규제 분석은 감독 대상 업계 전반의 데이터 품질 문제를 드러낼 수 있다.

조직적으로 연계된 계정을 사용하는 트레이더는 더 직접적인 위협에 직면한다. 개인 중심 시스템은 은폐 기법으로서의 분산을 덜 효과적으로 만들 수 있다. 여러 증권사에 분산된 유사 주문은 하나의 패턴으로 분석하기 쉬워질 수 있다.

일반 투자자도 이해관계가 있다. 시세조종을 더 빨리 식별하면 오도하는 신호가 주가를 왜곡하는 기간을 줄일 수 있다. 그러나 지나치게 광범위한 탐지는 정당한 활동을 불필요한 조사 대상으로 만들 수 있다.

따라서 절차적 안전장치는 시장 신뢰에 중요하다. 당국은 경보가 조사를 시작하게 했다는 점은 설명할 수 있어야 하지만, 그 경보 자체가 위법 행위를 입증했다고 암시해서는 안 된다. 공개 집행 발표도 이 구분을 지켜야 한다.

한국거래소는 새 시스템의 단순한 경쟁자가 아니다. 그 AI 모니터는 상류 단계의 기준점 역할을 한다. 핵심 제도적 질문은 KRX 경보, 공동 대응 업무, FSS 조사가 오류를 중복하거나 증폭하지 않으면서 어떻게 정보를 교환할 것인가다.

한 모델의 위험 점수가 다른 모델의 학습 신호가 되면 파이프라인은 피드백 루프를 만들 수 있다. 반복적으로 생성된 기계 기반 의심은 동일한 초기 데이터에서 비롯됐는데도 독립적인 확인처럼 보일 수 있다.

당국은 각 신호의 출처 이력을 표시해야 한다. 온라인 게시물 점수, 거래 패턴 경보, 수사관 관찰, 모델 생성 관계는 사건 전반에 걸쳐 각각 식별 가능한 상태로 유지돼야 한다.

이 프로젝트는 일반적으로 별도로 구매하는 여러 기능을 결합한다는 점에서 다른 규제기관에도 영향을 미칠 수 있다. 상용 감시 제품은 이미 경보 분류, 개체 식별, 사건 관리, 서술형 문안 작성을 지원한다. 보도에 따르면 FSS는 자체 기록과 절차를 중심으로 이러한 역량을 결합하고 있다.

이 설계는 제도적 특수성을 제공한다. 동시에 위험을 집중시킨다. 공유 플랫폼의 실패는 탐지, 조사, 문서화에 한꺼번에 영향을 줄 수 있다.

개발자와 기업 구매자에게 이 교훈은 금융 집행을 넘어선다. 워크플로에 에이전트를 추가하면 판단이 형성되는 지점이 바뀐다. 중요한 질문은 모델이 설득력 있는 답변을 작성할 수 있는지가 아니라, 모든 중대한 주장이 검토 가능한 증거와 계속 연결돼 있는지다.

지식 근로자도 더 작은 규모에서 같은 문제에 직면한다. 시스템은 문서를 정리하고 연결을 제안할 수 있지만, 사용자는 여전히 원자료에 접근할 수 있어야 한다. 근거가 연결된 지원은 출처가 불분명한 매끄러운 요약보다 더 지속 가능하다.

Google News는 이 프로젝트를 AI 도입 사례로 부각한다. 그러나 더 깊은 의미는 워크플로의 권한에 있다. 보도에 따르면 FSS는 모델이 조사가 다음으로 어디를 살펴봐야 하는지 권고하도록 준비하고 있다.

AI 수사관의 작동 여부를 보여줄 세 가지 신호

이 프로젝트는 문서화된 검증, 인간 통제 규칙, 측정 가능한 수사 결과로 평가돼야 한다.

첫 번째 신호는 2027년 12월 완료를 앞두고 공개될 최종 시스템 명세다. 여기에는 선정된 모델, 승인된 데이터 소스, 보안 아키텍처, 테스트 요건, 그리고 생성되는 권고안의 한계가 명시돼야 한다.

상세한 명세는 이 프로젝트가 광범위한 조달 구상을 넘어섰다는 신뢰를 높일 것이다. 평가와 추적 가능성에 대한 침묵은 이 시스템이 중대한 조사 업무를 수행할 준비가 됐다는 주장에 의문을 더할 수 있다.

두 번째 신호는 공개된 인간 감독 체계다. FSS는 누가 증거 요청을 승인하고, 생성된 문서를 검증하며, 모델 출력을 수정하고, 최종 판단에 대한 책임을 지는지 분명히 해야 한다.

이 체계는 이의 제기와 정정 절차도 다뤄야 한다. 계정 연결이 부정확한 것으로 드러날 경우, 조사관에게는 사건 기록을 수정하고 같은 오류가 향후 분석으로 전파되는 것을 막을 절차가 필요하다.

명확한 감독 규칙은 AI가 의사결정자가 되지 않으면서 조사를 가속할 수 있다는 핵심 판단을 뒷받침할 것이다. 사람이 계속 관여한다는 모호한 보장은 훨씬 약한 근거에 그친다.

세 번째 신호는 배포 이후의 운영 성과다. 당국은 경보 정확도, 조사관의 절감 시간, 오탐 패턴, 사건 처리 기간, 직원이 거부한 권고안의 비중 등 유용한 지표를 공개해야 한다.

이러한 지표에는 맥락이 필요하다. 상반된 증거를 놓친다면 조사가 더 짧아졌다고 해서 더 나은 것은 아니다. 대부분의 사건이 검토 과정에서 무너진다면 적발 건수가 늘었다고 해서 더 나은 것도 아니다.

성과는 KRX 모니터링 단계와도 비교해야 한다. 규제 당국은 FSS 도구가 새로운 관계를 발견하는지, 아니면 상위 단계의 경보를 단순히 반복하는지 파악해야 한다. 여러 시스템이 하나의 집행 파이프라인에서 운영될 때 독립적인 기여는 매우 중요하다.

2028년의 본격 실사용은 기관이 이러한 통제 장치를 마련할 시간을 준다. 동시에 조달 관련 주장이 입증된 결과를 앞지를 수 있는 긴 기간도 만든다. 독자들은 검증 가능한 세부 사항이 함께 제시될 때에만 이정표를 증거로 받아들여야 한다.

Google News 보도는 이러한 검증의 시작이지 끝이 아니다. 한국의 금융감독기관은 계정을 연결하고, 추가 증거를 요청하며, 사건 문서를 초안으로 작성할 수 있는 보조 도구를 구축하고 있는 것으로 전해진다. 이는 의미 있는 역량이지만, 어느 것도 근거에 기반한 인간의 판단을 대체해서는 안 된다.

최종 기술 명세, 감독 규칙, 그리고 첫 성과 공개를 주시해야 한다. 이 세 가지는 가장 중요한 질문에 답할 것이다. 한국의 AI 조사관은 의심에서 증거로 이어지는 투명한 경로를 보존하면서 시장질서 교란 사건을 더 신속하게 처리할 수 있는가?