AI 신흥 시장의 신용 모델: 예측 리프트에서 파이낸싱 가능한 거버넌스로

1. 신용 의사결정과 현금 결과에서 시작하십시오

AI 모델은 그 의사결정이 승인된 신용 전략 하에서 위험조정 현금 결과를 개선할 때에만 대출기관에 가치가 있습니다. 정확도, 곡선 아래 면적(AUC), 지니, 정밀도 또는 다른 기술적 지표는 모델 행태를 설명할 수 있지만, 금융 적격성은 승인, 가격책정, 익스포저, 연체, 회수, 손실, 유동성 및 차주 대우에 달려 있습니다. 따라서 실사 팀은 의사결정 기록에서 시작하여 이를 계약상 및 실현 현금으로 추적해야 합니다.

최소 기록은 신청, 차주, 상품, 금액, 기간, 가격, 모델 버전, 입력 스냅샷, 점수, 의사결정 임계값, 설명, 인간에 의한 오버라이드, 승인 권한, 지급, 상환 일정, 수취 현금, 연체금, 치유, 구조조정, 회수 및 대손상각을 연결합니다. 안정적인 식별자는 모델 플랫폼, 대출 관리 시스템, 은행 계좌, 신용정보기관 제출 자료 및 총계정원장을 연결해야 합니다. 표본은 원본 데이터와 코드 또는 통제된 스코어링 서비스로부터 재현 가능해야 합니다.

대출기관은 세 가지 질문을 구분해야 합니다. 모델이 승인된 기준선보다 위험을 더 잘 순위화했는가? 기관이 그 순위를 합리적인 한도, 가격책정 및 정책 결정으로 전환했는가? 그러한 결정이 언더라이팅 사례와 일치하는 현금 성과를 창출했는가? 첫 번째 질문에 대한 긍정적 답변은 취약한 정책이나 운영을 보완할 수 없습니다.

최초 실사 산출물은 점수에서 현금까지의 계보(lineage)여야 합니다. 포용성, 예측력 향상, 자본 효율성 또는 밸류에이션에 관한 이후의 모든 주장은 이에 조정(reconcile)되어야 합니다.

이 다이어그램은 거버넌스 프레임워크입니다. 역할, 증거 및 승인은 각 기관과 관할권별로 검증되어야 합니다.

2. 모델 성과를 측정하기 전에 금융 적격성을 정의하십시오

금융 적격 모델은 정의된 용도, 책임 있는 소유자, 적법한 데이터, 통제된 구현, 독립적 챌린지, 안정적 모니터링, 설명 가능한 의사결정, 운영상 폴백 및 포트폴리오 현금과의 입증된 연결을 갖춥니다. 이러한 속성은 대출기관이 대표 성과를 검토하기 전에 정의되어야 합니다. 그렇지 않으면 강력한 통계가 논의를 지배하는 동안 필수 통제가 검증되지 않은 채 남을 수 있습니다.

모델은 심사, 승인, 한도, 가격, 사기, 추심 또는 조기 경보를 지원할 수 있습니다. 각 용도는 중요성과 오류 비용이 다릅니다. 선임 신용 담당자에 대한 하나의 입력으로 사용되는 순위 모델은 자동 거절 모델과 다릅니다. 소액·단기 대출을 지원하는 모델은 다년 기업 여신을 설정하는 모델과 다릅니다. 금융 적격성 기준은 의사결정의 영향과 가역성에 따라야 합니다.

FSB가 제안한 2026년 건전 관행은 AI 리스크를 거버넌스와 개발, 배포, 사이버, 기술 및 제3자 생애주기 전반에 걸쳐 구성합니다.[1] NIST의 AI 리스크 관리 프레임워크는 거버넌스(govern), 매핑(map), 측정(measure), 관리(manage) 기능을 사용하며, 지속적 평가, 문서화된 한계, 그리고 성과가 의도된 용도와 일치하지 않는 시스템을 해제하기 위한 절차를 요구합니다.[19] 이러한 프레임워크는 통제 아키텍처에 정보를 제공할 수 있지만, 현지 법률과 건전성 규제 요건이 여전히 결정적입니다.

금융 적격이라는 용어는 모델이 완벽하다는 뜻이 아닙니다. 이는 잔여 불확실성이 식별되고, 측정되고, 관리되며, 선수율(advance rate), 준비금, 코버넌트, 가격 및 대출기관 권리에 반영된다는 뜻입니다.

3. 모델, 정책 및 시스템 경계를 매핑하십시오

기관은 하나의 점수 뒤에서 여러 모델을 운영할 수 있습니다. 신원, 사기, 상환 능력, 신용, 가격책정, 한도 및 추심 구성요소가 정책 엔진에 입력될 수 있습니다. 공급업체 점수는 변환되거나 규칙 및 인간의 판단과 결합될 수 있습니다. 실사 범위에는 차주 결과 또는 대출기관 손실을 변화시키는 모든 구성요소가 포함되어야 합니다.

인벤토리에는 목적, 소유자, 법인, 관할권, 차입자 세그먼트, 상품, 의사결정 역할, 알고리즘, 모델 버전, 학습 기간, 입력 원천, 공급업체, 검증일, 중요성, 대체 및 폐기 계획이 기록되어야 합니다. 섀도 모델, 챔피언-챌린저 테스트 및 스프레드시트 조정은 가시적으로 유지되어야 합니다. 공식 인벤토리 외부에 있는 모델은 기술적 성과가 양호해 보이더라도 거버넌스 지적사항입니다.

UAE 중앙은행의 모델 관리 기준은 거버넌스, 데이터 관리, 개발, 구현, 사용, 성과 모니터링 및 독립적 검증을 핵심 구성요소로 식별합니다.[11] 동 기준의 지원 기술 가이드라인은 전사적 기록과 설계부터 중단까지의 라이프사이클 커버리지를 요구합니다.[9] 이러한 원칙은 코드를 넘어 정책, 인력, 데이터 및 운영까지 확장되는 범위를 뒷받침합니다.

대출기관은 또한 모델을 소유한 법인, 대출을 취급하고 서비스하는 법인, 손실을 부담하는 법인을 매핑해야 합니다. 그룹사 간 스코어링 또는 서비스 약정은 거래 또는 강제집행 이후 데이터 접근성과 연속성에 영향을 미칠 수 있습니다.

표 1. 모델 인벤토리 및 리스크 등급 증빙 맵

리스크 등급은 의사결정 영향, 익스포저, 자율성, 복잡성 및 대체 가능성을 반영해야 합니다.

4. 데이터 권리, 출처 및 지속적 이용 가능성을 확립하십시오

대체 데이터에는 은행 거래, 모바일머니 흐름, 공과금, 임대료, 플랫폼 매출, 회계 기록, 기기 신호, 위치정보 또는 행태 정보가 포함될 수 있습니다. 대출기관은 각 필드 또는 파생 피처에 대해 법적 근거, 차입자 고지, 필요한 경우 동의, 계약상 허가, 출처, 정확성, 보존, 이전 및 허용된 모델 사용을 검증해야 합니다.

데이터 접근은 일시적일 수 있습니다. 플랫폼 파트너는 데이터 피드를 종료하거나, 애플리케이션 프로그래밍 인터페이스를 변경하거나, 동의 범위를 축소하거나, 필드 정의를 변경할 수 있습니다. 광범위한 데이터로 학습된 모델은 운영 환경이 더 작거나 더 느린 데이터 세트를 받을 때 성능이 저하될 수 있습니다. 거래팀은 개발 및 운영 커버리지를 비교하고 각 핵심 데이터 원천의 상실 시 대체 수단을 테스트해야 합니다.

RBI의 디지털 대출 프레임워크는 필요 기반 수집, 사전적이고 명시적인 차입자 동의, 명확한 감사 추적 및 서비스 제공업체에 대한 규제 대상 기관의 책임을 요구합니다.[12][13] 케냐의 디지털 신용 제공업체 규정은 고객 정보 기밀성 및 허가된 신용정보기관에 제출되는 시의적절하고 완전하며 정확한 신용 정보를 요구합니다.[14] 이러한 요건은 데이터 권리와 품질이 기술적 사무처리가 아닌 신용 문제인 이유를 보여줍니다.

대출기관은 모델 피처와 차입자에 연계된 데이터 권리 등록부를 요구해야 합니다. 지원되지 않는 필드는 제거하거나 격리해야 하고, 모델은 재검증해야 하며, 성과 저하가 발생하면 신용 심사 안건에 포함해야 합니다.

표 2. 데이터 권리 및 증빙 등록부

적용 가능한 요건은 현지 법률, 상품, 차입자 및 데이터 출처에 따라 달라집니다.

5. 목표 변수와 부도를 일관되게 정의하십시오

모델 성능은 모델이 예측하는 결과에 따라 달라집니다. 목표 변수는 미납, 30일 연체, 90일 연체, 대손상각, 사기, 구조조정 또는 정의된 기간 동안의 순현금 손실일 수 있습니다. 개발 정의는 상품, 정책 및 금융 목적과 일치해야 합니다. 단기 연체 목표는 조기 상환 행태를 순위화할 수 있지만 생애 손실을 포착하지 못할 수 있습니다.

목표 기간은 결과가 성숙할 충분한 시간을 허용해야 합니다. 전체 상환 이력이 없는 최근 대출은 아직 부도가 발생하지 않았다는 이유만으로 정상으로 분류할 수 없습니다. 치유, 구조조정, 합의, 상환 유예, 매각 및 대손상각은 일관되게 처리해야 합니다. 결과는 계약상 만기일, 현금 수령 및 회계 기록과 조정되어야 합니다.

바젤위원회의 2025년 신용리스크 관리 원칙은 건전한 신용 공여, 관리, 측정, 모니터링 및 통제를 강조합니다.[7] CBUAE 검증 지침은 부도 정의, 개발 데이터, 모델 설계, 가정, 안정성, 판별력 및 캘리브레이션에 대한 검토를 요구합니다.[10] 이러한 원칙은 목표 변수를 뒷받침하는 증거에 직접 적용됩니다.

대출기관은 대체 정의에 따라 성과를 다시 산출해야 합니다. 목표가 초기 연체에서 순손실로 바뀔 때 예측 리프트가 사라진다면, 해당 모델은 추심 우선순위화에는 유용할 수 있으나 자본 적격성에는 부적합할 수 있습니다.

6. 선택과 숙성 효과를 드러내는 코호트를 구성하십시오.

무작위 훈련-테스트 분할은 유사한 기간, 차입자, 가맹점 또는 지역의 기록이 두 표본에 모두 나타날 때 성과를 과대평가할 수 있습니다. 금융 적합성에는 시점 외 및 세그먼트 외 테스트가 필요합니다. 코호트는 동일한 장부 경과 개월 수에서 취급일, 상품, 지역, 채널, 차입자 유형, 티켓 사이즈, 기간, 점수 밴드 및 모델 버전을 따라야 합니다.

선택은 가시적이어야 합니다. 기관이 거절된 신청자에 대한 다른 출처를 보유하지 않는 한, 모델은 승인된 대출의 결과만 관찰합니다. 따라서 승인 정책은 표본 선택 편향을 만들 수 있습니다. 이전 승인 데이터로 훈련된 모델은 이전에 거절되었거나 신용 이력이 부족한 그룹으로 확장될 때 성과가 저조할 수 있습니다. 통제된 파일럿과 보수적 한도는 증거를 구축할 수 있습니다.

IFC의 2026년 대체 신용 연구는 거래 데이터가 흔한 입력값이며 AI이(가) 공식 이력이 제한적인 차입자를 지원하는 모델 전반에서 선택적으로 사용된다고 보고합니다.[16] 해당 증거는 기회를 뒷받침하는 동시에 맥락, 세그먼트 및 구현을 평가해야 할 필요성을 강화합니다. 한 국가, 파트너 또는 상품에서의 모델 성공이 이전 가능성을 입증하지는 않습니다.

코호트 팩은 관찰 및 성과 기간, 제외 기준, 결측 여부, 계좌 수 및 익스포저를 명시해야 합니다. 소규모 표본은 식별되어야 하며 방어 가능한 근거가 있을 때만 통합되어야 합니다.

7. 예측 리프트를 경제적 브리지로 전환하십시오.

예측 리프트는 기준선 대비 개선을 설명합니다. 이는 더 높은 판별력, 더 나은 보정, 동일 승인율에서 더 낮은 손실, 또는 동일 손실에서 더 높은 승인을 의미할 수 있습니다. 대출기관은 인위적으로 약한 벤치마크가 아니라 신용평가사 점수, 스코어카드 또는 정책 규칙처럼 실제 의사결정 대안을 반영하는 기준선을 요구해야 합니다.

브리지는 하나의 비즈니스 제약을 일정하게 유지해야 합니다. 동일한 승인율에서는 실현 손실과 공헌이익을 비교하십시오. 동일한 기대 손실에서는 승인과 실제 자금 공급 익스포저를 비교하십시오. 분석에는 고객 획득, 데이터, 모델, 검증, 서비스, 사기, 자금 조달 및 자본 비용이 포함되어야 합니다. 작은 통계적 이득은 구현 비용과 역선택 이후 제한적인 가치만 가질 수 있습니다.

아래 가상 예시는 기준선 기대 현금 손실 100단위에서 시작합니다. 순위 개선은 손실을 18단위 줄이는 반면, 신용 이력이 부족한 세그먼트로의 확장은 7단위, 정책 완화는 5단위, 데이터 및 모델 운영 비용은 4단위, 회수 약화는 3단위를 추가합니다. 순 분석 편익은 1단위입니다. 각 금액은 가상의 분석적 가정이며 검증된 계좌 수준 증거로 대체되어야 합니다.

모든 값은 가상의 분석적 가정이며 특정 대출기관, 모델 또는 시장 전망을 설명하지 않습니다.

8. 판별력, 보정 및 실현 손실을 함께 테스트하십시오.

판별력은 위험도가 높은 차입자가 더 나쁜 점수를 받는지 측정합니다. 보정은 예측 확률이 관측 결과와 일치하는지 측정합니다. 모델은 순위를 올바르게 매기면서도 손실을 체계적으로 과소평가할 수 있습니다. 자본과 가격 책정은 위험의 순서뿐 아니라 위험 수준에 달려 있으므로 대출기관은 두 지표 모두 필요합니다.

검증은 곡선 아래 면적 또는 지니를 신뢰구간, 해당되는 경우 정밀도와 재현율, 점수 구간별 보정, 브라이어 점수 또는 로그 손실, 관측 대 기대 결과와 함께 보고해야 한다. 분석은 계정 및 익스포저 가중치를 사용해야 하며 부도 건수만이 아니라 현금 손실을 보여주어야 한다. 회수 시점과 비용은 부채 상환에 중요하다.

성과는 개발, 표본 외(out-of-time), 운영 및 스트레스 기간별로 구분되어야 한다. 내부등급 모델의 머신러닝에 관한 EBA 보고서는 신용위험 체계 내에서 신중한 사용과 데이터 보호 및 AI 규칙과의 상호작용을 강조한다.[20] CBUAE 검증 기준은 안정성, 판별력, 민감도 및 보정에 대한 정량적 검토를 요구한다.[10]

승인 임계값은 처리 역량과 유동성에 비추어 테스트되어야 한다. 더 많은 차입자를 승인하는 모델은 풀의 구성을 바꾸고 검증 또는 추심을 과부하시킬 수 있다. 따라서 자금조달 가능성은 기술적 테스트를 운영 및 자금조달과 연결한다.

9. 역선택을 은폐하지 않고 씬파일 포용성을 평가하라

AI은 현금 활동이 기존 파일에 반영되지 않은 차입자를 식별할 수 있다. BIS 분석은 대안 데이터가 소외 그룹의 부도 예측을 개선하고 기존 점수가 약한 신호인 차입자를 드러낼 수 있음을 지적한다.[3] IFC의 연구는 모바일 머니, 디지털 결제, 플랫폼 기록 및 비즈니스 데이터를 사용하는 모델도 설명한다.[16][17]

대출기관은 포용성을 통제된 코호트로 측정해야 한다. 신규 신용차입자 또는 씬파일 차입자는 명시적 정의, 별도 승인, 익스포저, 가격, 연체, 손실 및 불만 보고, 그리고 성과가 축적될 때까지 단계적 한도를 두어야 한다. 비교는 금액, 기간, 지역, 채널 및 경제 상황을 조정해야 한다.

포용성 주장은 접근성과 결과를 구분해야 한다. 더 많은 승인 건수는 감당하기 어려운 가격, 반복 재융자 또는 차입자의 낮은 이해도와 공존할 수 있다. 현금 성과, 총비용, 반복 차입, 불만, 상환 곤란 및 구조조정은 함께 모니터링해야 한다.

금융 구조는 성과가 검증되지 않은 세그먼트에 더 낮은 선진율(advance rate) 또는 더 높은 준비금을 적용하고, 검증된 코호트 성과 후 이를 해제할 수 있다. 이는 포용성 목표를 포기하지 않고 자본이 증거를 따라가게 한다.

10. 실제 의사결정 과정에서 공정성과 대리변수 위험을 측정하라

역사적 데이터는 불평등한 접근, 대우 및 결과를 내재할 수 있다. 대안 변수는 보호되거나 취약한 특성의 대리변수로 작용할 수 있다. 따라서 공정성 분석은 데이터, 레이블, 모델 출력, 정책 임계값, 오버라이드, 가격, 한도, 대출 서비스 및 추심을 포괄해야 한다.

기관은 법률 자문과 함께 법적으로 허용되는 비교 집단을 식별해야 한다. 유용한 테스트에는 표본 크기와 신뢰도를 포함한 집단별 승인, 오류율, 보정, 가격 및 손실이 포함될 수 있다. 통계적 차이는 메커니즘, 사업상 필요성, 데이터 품질 및 잠재적 개선 조치에 대한 조사를 요구한다. 하나의 동등성 지표로 평가를 결정할 수 없다.

FSB는 역사적 데이터와 불투명한 대안 출처가 편향을 지속시키고 차입자가 오류를 바로잡기 어렵게 만들 수 있다고 경고했다.[2] G20 중소기업(MSME) 금융 실행 계획은 자동화된 신용 평가가 왜곡을 초래할 수 있고 불완전하고 대표성이 없는 데이터가 소외 그룹에 영향을 미칠 수 있음을 지적한다.[18]

대출기관은 피처 레지스터, 대리변수 검토, 공정성 테스트, 불만 접수 경로 및 변경통제 프로세스를 요구해야 한다. 합법적인 집단 레이블을 사용할 수 없는 경우, 기관은 한계를 문서화하고 피처 민감도, 지리적 결과, 수동 검토 및 차입자 피드백과 같은 다른 증거를 사용해야 한다.

11. 설명을 차입자, 신용 담당자 및 검증자에게 유용하게 만들어라

설명은 대상에 맞아야 한다. 차입자는 명확한 주요 사유와 데이터를 정정하거나 재검토를 요청할 경로가 필요하다. 신용 담당자는 의사결정 요인, 민감도 및 정책 맥락이 필요하다. 검증자는 재현 가능한 방법, 안정성 및 한계가 필요하다. 감독자는 추적 가능성과 책임성에 대한 증거가 필요하다.

전역적 또는 지역적 피처 중요도만으로는 충분하지 않을 수 있습니다. 상관된 변수는 중요도를 서로 교환할 수 있고, 사후 설명은 달라질 수 있습니다. 기관은 충실도, 안정성 및 실행 가능성을 테스트해야 합니다. 설명 사유는 실제 의사결정을 반영해야 하며 민감한 보안 또는 사기 방지 통제를 노출하지 않아야 합니다.

BIS 프로젝트 누르는 프라이버시를 보호하면서 감독당국이 투명성, 공정성 및 견고성을 평가하는 데 도움이 될 수 있는 설명 가능한 AI 방법을 개발하고 있습니다.[5] 2026년 BIS 연설은 신용 신청과 같은 영향력이 큰 의사결정에서 설명 가능성과 데이터 품질에 대한 책임은 기관에 남아 있다고 밝힙니다.[6] 이러한 이니셔티브는 기관의 책임을 유지하면서 실질적인 설명을 지원합니다.

대출기관은 원천 데이터, 점수 변경 및 정책 결정과 대조하여 설명을 표본 검증해야 합니다. 일관되게 설명될 수 없는 차주에게 불리한 결정은 자동화 확대나 자본 혜택 대상이 되어서는 안 됩니다.

12. 인적 오버라이드를 측정 가능한 모델 구성요소로 관리하십시오

인간의 판단은 모델이 관찰할 수 없는 정보를 추가할 수 있습니다. 또한 규율을 약화시키거나 성장 목표에 유리하게 작용하거나 악화되는 세그먼트를 은폐할 수 있습니다. 각 오버라이드는 방향, 사유, 증거, 권한, 타임스탬프, 모델 점수, 원래 결정, 최종 조건 및 후속 결과를 기록해야 합니다.

오버라이드 분석은 모델 오버라이드와 정책 예외 및 데이터 정정을 구분해야 합니다. 검증된 입력 오류를 정정하는 것은 위험 선호도 밖의 차주를 승인하는 것과 다릅니다. 상향 및 하향 오버라이드는 담당자, 지점, 채널, 상품, 지역 및 점수 밴드별로 별도 추적해야 합니다.

가상 분석은 유사한 모델 위험 수준에서 오버라이드되지 않은 승인, 긍정적 오버라이드 및 부정적 오버라이드의 관측 손실을 비교해야 합니다. 높은 오버라이드 빈도는 모델 적합도 저하 또는 낮은 채택률을 나타낼 수 있습니다. 오버라이드 권한의 집중은 행위 및 운영 리스크를 초래합니다. 낮은 오버라이드 비율도 직원들이 부적합한 모델을 이의 제기 없이 따르는 경우 우려될 수 있습니다.

CBUAE 검증 지침은 등급 오버라이드와 주관적 투입값의 일관성 및 잠재적 편향에 대한 검토를 명시적으로 요구합니다.[10] 대출기관은 보고 트리거, 독립적 표본 검토 및 한도를 설정하고, 오버라이드 성과가 승인된 손실을 중대하게 초과하는 경우 일시 중단할 수 있습니다.

빈도와 손실률은 가상의 분석 가정이며 특정 대출기관이나 모델을 설명하지 않습니다.

13. 데이터, 점수, 의사결정 및 결과 드리프트를 모니터링하십시오

드리프트는 운영 환경이 개발 시점 또는 이전 승인 기간과 달라질 때 발생합니다. 데이터 드리프트는 투입값 분포나 커버리지를 변화시킵니다. 개념 드리프트는 투입값과 부도 간의 관계를 변화시킵니다. 정책 드리프트는 임계값, 규칙 또는 인간 행동을 변화시킵니다. 결과 드리프트는 연체, 회수 또는 손실을 변화시킵니다. 대출기관은 네 가지 모두를 모니터링해야 합니다. 안정적인 점수 분포가 현금 흐름 악화와 공존할 수 있기 때문입니다.

모집단 안정성 지수, 특성 안정성, 결측률, 범주 이동 및 분포 거리는 데이터 모니터링을 지원할 수 있습니다. 점수 밴드별 승인, 거절, 가격 및 한도 변경은 의사결정 모니터링을 지원합니다. 관측 대 기대 손실, 롤레이트, 빈티지 곡선 및 회수는 결과 모니터링을 지원합니다. 지표는 상품, 코호트, 채널, 지역 및 중대한 데이터 원천별로 표시해야 합니다.

임계값에는 승인된 대응이 필요합니다. 경고는 조사와 강화된 보고를 촉발할 수 있습니다. 위반은 신규 대출 취급을 제한하고, 준비금을 늘리고, 대출 가능 비율을 낮추고, 대체 모델로 전환하거나 재보정 및 검증을 요구할 수 있습니다. 대응은 하나의 고립된 통계에 의존하기보다 표본 크기와 계절성을 고려해야 합니다.

아래 대시보드는 거버넌스를 보여주기 위해 가상 값을 사용합니다. 보편적인 임계값을 제공하지는 않습니다. 각 기관은 트리거를 검증된 역사적 변동성, 포트폴리오 위험 및 규제 요건에 맞게 보정해야 합니다.

점수는 1~5 모니터링 척도에 따른 가상의 분석적 가정이며 보편적인 한도가 아닙니다.

14. 거시경제 및 지역 충격을 통한 성과 검증

신흥시장 신용 포트폴리오는 인플레이션, 통화 가치 하락, 원자재 가격, 기후 이벤트, 분쟁, 정책 변화, 플랫폼 중단 및 지역 고용 충격에 노출될 수 있습니다. 개발 데이터에는 비교 가능한 기간이 거의 없을 수 있습니다. 모델이 통계적으로 안정적으로 유지되더라도, 모델이 관측하지 않는 변수로 인해 차입자의 상환 능력은 달라질 수 있습니다.

스트레스 테스트는 모델 채널과 포트폴리오 채널을 결합해야 합니다. 방어 가능한 관계가 존재하는 경우 투입 변수에 충격을 줄 수 있으며, 정책 임계값과 현금 결과도 직접 테스트해야 합니다. 대출기관은 코호트와 지역별로 더 높은 전이율, 더 낮은 치유율, 지연된 회수, 더 낮은 소득, 더 높은 재융자 비용 및 데이터 중단을 적용할 수 있습니다. 시나리오에는 상관 효과와 운영상 제약이 포함되어야 합니다.

BIS의 AI 및 관계형 대출에 관한 연구는 연구 표본에서 AI 투자가 정상 기간의 신용 공급을 뒷받침했지만, 코로나19 위기 동안에는 추가 신용이나 금리 보호를 제공하지 못했다고 밝혔습니다.[4] 이 결과는 상황 특수적이며, 정상 기간의 성과가 새로운 충격에도 지속될 것이라고 가정해서는 안 되는 이유를 보여줍니다.

거래 사례에서는 스트레스 손실과 유동성을 자본, 준비금 및 신용공여 여유와 비교해야 합니다. 충격이 개발 경험 범위를 벗어나는 경우 모델 신뢰도는 높아지기보다 낮아져야 합니다.

15. 모델 모니터링을 포트폴리오 회계 및 현금과 대사

모니터링 보고서는 대출 시스템 내부에서 생성된 연체 또는 부도 레이블을 사용하는 경우가 많습니다. 대출기관은 이러한 레이블을 계약 일정, 은행 입금 내역, 총계정원장, 충당금, 상각 및 회수액과 대사해야 합니다. 연체 채권이 성과 데이터 외부에서 구조조정되거나 롤오버되거나 상각되면 모델이 보정된 것처럼 보일 수 있습니다.

대사에서는 원본 및 개정 일정, 총상각 및 순상각, 결제, 치유, 회수 비용과 시점을 보존해야 합니다. 계정 관점과 익스포저 관점은 함께 표시되어야 합니다. 손실은 대출 실행 시점에 적용된 모델 버전과 정책에 귀속되고, 이후 대출 서비스 조치는 별도로 기록되어야 합니다.

자본 및 신용공여 모델은 모델의 목표와 다른 기대손실, 비기대손실, 집중도 또는 스트레스 측정치를 사용할 수 있습니다. 브리지는 각 정의를 명시하고, 점수 구간이 부도확률, 부도시손실률, 익스포저, 준비금 또는 대출 가능 비율에 어떻게 반영되는지 보여주어야 합니다. 지원되지 않는 변환은 조달 가능성 격차입니다.

데이터 조정은 통제되고 보고되어야 합니다. 바젤 기업지배구조 체계는 데이터 품질에 대한 이사회의 책임과 모델 및 외부 투입 변수의 한계를 강조합니다.[8] 대사는 그러한 책임성을 가시적으로 드러냅니다.

16. 이사회, 경영진 및 통제 기능의 책임 할당

지배기구는 중대한 AI 사용, 리스크 선호도 및 책임성을 승인해야 합니다. 경영진은 구현, 자원, 역량, 모니터링 및 시정 조치를 주도해야 합니다. 신용, 리스크, 컴플라이언스, 데이터, 기술, 보안, 법무, 내부감사 및 비즈니스 팀은 독립적 이의제기가 가능한 명확한 역할을 가져야 합니다.

모델 소유자는 독립적 검증을 승인해서는 안 됩니다. 모델 위원회는 개발, 변경, 성과, 오버라이드 및 폐기를 검토할 수 있습니다. 신용 위원회는 신용 정책과 포트폴리오 리스크에 대한 권한을 유지해야 합니다. 중대한 이슈는 정의된 임계값을 통해 이사회 또는 이사회 리스크 위원회로 에스컬레이션되어야 합니다.

CBUAE의 기술 활용 가이던스는 지배기구와 경영진이 결과에 대해 책임을 지도록 하며, 적절한 역량을 갖춘 기술 및 신용 전문가를 요구합니다.[9] 남아프리카공화국 건전성감독청(Prudential Authority)과 금융부문행태감독청(Financial Sector Conduct Authority)의 2025년 보고서는 포괄적 거버넌스, 데이터 거버넌스, 모델 리스크 관리 및 이사회 수준의 감독을 권고합니다.[21]

대출기관은 조직도를 수용하기보다 회의록, 이의제기, 의사결정 및 이슈 종결을 점검해야 합니다. 권한이 행동, 자금 조달 및 집행을 바꿀 때 거버넌스는 파이낸싱 가능해집니다.

17. 재현 가능한 증거를 갖춘 독립적 검증을 요구

독립적 검증은 개념적 건전성, 데이터, 코드, 구현, 사용, 성과, 한계 및 결과를 검토해야 합니다. 독립성은 조직적일 수 있거나 외부 검토를 통해 달성될 수 있으며, 검증자가 접근 권한, 역량 및 개발 인센티브로부터의 자유를 갖는 경우에 그러합니다. 중요성은 깊이와 빈도를 결정해야 합니다.

검증은 표본을 재현하고, 목표 구성(target construction)을 확인하며, 정보 누출(leakage)을 테스트하고, 기준선(baselines)을 비교하며, 튜닝 및 선택을 검토하고, 시간 외(out-of-time) 및 세그먼트 테스트를 실행하며, 보정(calibration), 공정성, 설명, 오버라이드, 스트레스, 드리프트 및 폴백을 평가해야 합니다. 구현 검증은 승인된 코드, 변환, 임계값 및 데이터가 운영 환경에서 작동함을 확인해야 합니다.

검증자는 발견 사항, 심각도, 보완 통제 및 사용 조건을 명시해야 합니다. 미해결 중대 발견 사항이 있는 모델은 완전히 검증된 모델과 동일한 자본 또는 여신 취급을 받아서는 안 됩니다. 시정 조치는 독립적 주체에 의해 재검증되어야 합니다.

CBUAE 기준은 안정성, 판별력, 민감도, 보정(calibration), 거버넌스, 오버라이드, 문서화 및 데이터를 검증 영역으로 식별합니다.[10][11] 검증 보고서는 독립적 평가에 충분한 세부 정보를 포함하여 기밀 조건 하에 대출기관에 전달되어야 합니다.

표 3. 독립적 검증 테스트 프로그램

범위와 빈도는 모델 중요도, 관할권 및 포트폴리오 리스크에 따라야 합니다.

18. 벤더 모델 및 집중된 기술 의존성에 대한 실사

벤더는 점수, 데이터, 기능, 코드, 호스팅 또는 모니터링을 제공할 수 있습니다. 규제 대상 기관과 대출기관은 지식재산권이 외부에 있더라도 모델 및 연속성 리스크에 계속 노출됩니다. 실사 팀은 계약상 어떤 증거, 감사, 검증 및 변경 권리가 존재하는지 식별해야 합니다.

계약은 데이터 사용, 소유권, 기밀성, 보안, 모델 변경, 성과, 서비스 수준, 사고 통지, 재하도급, 규제기관 접근, 필요한 경우 대출기관 접근, 해지, 전환 및 기록 보존을 다루어야 합니다. 블랙박스 서비스는 기관이 의사결정을 설명하거나 과거 점수를 재현할 수 있는 능력을 제한할 수 있습니다. 계약상 접근권은 실제 벤더 관행에 비추어 검증되어야 합니다.

많은 대출기관이 동일한 데이터 애그리게이터, 클라우드 서비스 또는 모델을 사용할 때 집중이 발생할 수 있습니다. 공통된 변경이나 장애가 여러 포트폴리오에 동시에 영향을 미칠 수 있습니다. FSB가 제안한 건전 관행에는 제3자, 사이버 및 기술 리스크가 포함됩니다.[1] NIST도 수명주기 전반에 걸쳐 제3자 소프트웨어, 하드웨어 및 데이터를 다룹니다.[19]

금융 조달 사례에는 교체 시간, 데이터 이전 가능성, 병행 운영 및 대체 방안이 포함되어야 합니다. 언더라이팅을 불가능하게 만드는 벤더 해지는 유동성 및 업무 연속성 시나리오로 다루어져야 합니다.

19. 개인정보·보안 및 차입자 구제 보호

신용 모델은 민감한 금융, 행태 및 기기 정보를 처리할 수 있습니다. 기관은 승인된 목적에 필요한 데이터만 수집하고, 이를 보호하며, 정당한 기간 동안 보존하고, 차입자에게 적용 가능한 접근, 정정 및 검토 권리를 부여해야 합니다. 동의는 이를 근거로 삼는 경우 의미가 있어야 하며 불필요한 수집을 은폐해서는 안 됩니다.

보안 실사는 저장 중 및 전송 중 데이터, 식별자, 특권 접근, 암호화, 키, 로그, 개발 환경, 모델 산출물, 백업 및 벤더를 매핑해야 합니다. 모델 추출, 데이터 오염, 적대적 입력 및 승인되지 않은 기능 변경이 위협 모델에 포함되어야 합니다. 사고는 영향을 받은 의사결정 및 차입자와 연결되어야 합니다.

책임 있는 금융 접근에 관한 세계은행 지침은 디지털 금융에 대한 소비자 보호와 리스크 기반 감독을 강조합니다.[15] RBI의 프레임워크는 명확한 개인정보 정책, 서비스 제공자의 제한된 저장 및 규제 대상 기관의 감독을 요구합니다.[12][13] 케냐의 규정은 기밀성 및 민원 처리를 요구합니다.[14]

대출기관은 중대한 데이터, 보안 또는 차입자 대우 관련 사고에 대해 통지를 요구하고, 시정 조치 및 재무적 영향을 함께 요구해야 합니다. 차입자 구제는 법적 준수와 신용 데이터 품질을 모두 뒷받침하는데, 정정된 기록이 향후 의사결정을 개선하기 때문입니다.

20. 관할권별 규제 매트릭스 구축

신흥 시장은 라이선스, 소비자 보호, 자동화된 의사결정, 데이터 현지화, 신용정보원 보고, 아웃소싱, 모델 표준 및 감독 접근성에서 차이가 있습니다. 지역 플랫폼은 하나의 모델과 동의 흐름이 변경 없이 배포될 수 있다고 가정해서는 안 됩니다. 법적 및 운영 범위는 국가, 상품, 차입자 및 법인별로 매핑되어야 합니다.

UAE은(는) 거버넌스, 데이터, 검증 및 수명주기 통제를 포괄하는 모델 관리 및 기반 기술 표준을 시행 중입니다.[9][10][11] 인도는 서비스 제공자와 관련하여 규제 대상 기관의 책임, 동의, 감사 추적 및 디지털 대출 통제를 둡니다.[12][13] 케냐는 디지털 신용 제공자를 라이선스하고 감독하며 신용정보 사용 및 고객 보호를 규제합니다.[14] 나이지리아의 오픈 뱅킹 가이드라인에는 이사회 승인 데이터 거버넌스와 알고리즘 시스템에 대한 고려가 포함됩니다.[22]

매트릭스는 승인, 통지, 문서화, 설명, 데이터 이전, 보존, 감사 및 민원 요건을 식별해야 합니다. 변경 사항은 버전 관리되어야 하며 시스템 구성과 연결되어야 합니다. 현지 법률 자문 및 규제기관이 해석을 확인해야 할 수 있습니다.

규정형 AI 규칙이 없는 관할지라도 신용, 데이터, 행태, 아웃소싱 및 거버넌스 컴플라이언스는 여전히 요구됩니다. 대출기관은 규제의 침묵을 허가로 간주하기보다 불확실성을 가격에 반영하고 증거를 요구해야 합니다.

21. 모델 증거를 자본 적격성 게이트로 전환하십시오

자본 적격성이란 특정 증거가 존재하기 때문에 대출기관 또는 투자자의 익스포저가 합의된 가용성, 선급률, 준비금, 가격 또는 포트폴리오 처우를 받는 것을 의미합니다. 게이트는 공급업체 라벨이나 기술적 지표에 의존해서는 안 됩니다. 법률, 데이터, 모델, 포트폴리오 및 운영 통제를 결합해야 합니다.

첫 번째 게이트는 권리, 인벤토리, 거버넌스 및 재현성을 확인합니다. 두 번째는 독립적 검증, 기준선 대비 성능 향상 및 캘리브레이션을 확인합니다. 세 번째는 프로덕션 구현, 설명, 오버라이드 및 모니터링을 확인합니다. 네 번째는 충분히 성숙한 실현 손실 및 스트레스 성과를 확인합니다. 다섯 번째는 지속적 컴플라이언스, 공급업체 접근, 폴백 및 코버넌트 보고를 확인합니다.

모델은 일부 게이트를 통과하여 제한적 처우를 받을 수 있습니다. 숙성되지 않은 코호트는 더 낮은 선급률 또는 더 높은 준비금을 적용받을 수 있습니다. 위반이 발생하면 신규 적격성이 중단될 수 있으며, 기존 익스포저는 통제된 서비싱 하에 상각됩니다. 자격 회복에는 검증된 치유와 독립적 승인이 필요해야 합니다.

아래의 가상 게이트 다이어그램은 점진적 자본 접근을 보여줍니다. 백분율은 분석적 가정이며 시장 조건을 나타내지 않습니다. 실제 처우는 검증된 증거, 법적 구조 및 리스크 선호도에 따라 달라집니다.

선급률은 가상의 분석적 가정이며 대출기관 조건이나 시장 호가를 나타내지 않습니다.

22. 모델 리스크를 대출 구조와 코버넌트에 내재화하십시오

대출 약정 문서는 적격 대출, 모델 버전, 승인 상품, 데이터 요건, 집중도, 숙성도, 연체, 구조조정, 사기 및 문서화를 정의해야 합니다. 모델 지원 적격성은 검증, 모니터링 및 접근에 조건부일 수 있습니다. 차입자는 합의된 통지 및 필요한 경우 승인 없이 중대한 모델, 임계값 또는 정책을 변경해서는 안 됩니다.

보고에는 점수 분포, 승인, 오버라이드, 데이터 커버리지, 드리프트, 관측 손실 대 기대 손실, 빈티지 성과, 공정성 또는 행태 지표, 사고 및 검증 결과가 포함될 수 있습니다. 트리거에는 강화 보고, 준비금, 선급률 인하, 일시 중지, 교정 또는 폴백 등 정의된 조치가 있어야 합니다. 중대성 및 치유 기간은 신중한 문구 작성이 필요합니다.

현금 통제는 여전히 필수적입니다. 모델은 매출채권 소유권, 강제집행 가능성, 통제된 추심, 차입 기준액 대사, 유동성 및 자본을 대체할 수 없습니다. 대출 약정은 모델 리스크를 일반적인 신용 구조와 연결해야 합니다.

대출기관은 차입자 데이터와 공급업체 지식재산권을 보호하면서 증거를 검증하기에 충분한 감사 및 접근 권한을 받아야 합니다. 독립 전문가는 합의된 비밀유지 약정 하에 민감한 검토를 지원할 수 있습니다.

표 4. 모델 리스크 코버넌트 및 보고 프레임워크

본 조건은 예시이며 거래별 법률 및 규제 자문이 필요합니다.

23. 거래 및 대출기관 실사에 프레임워크를 적용하십시오.

투자자 또는 대출기관은 모델 인벤토리, 정책, 데이터 맵, 계약, 개발 파일, 검증, 프로덕션 로그, 의사결정 기록, 포트폴리오 테이프, 현금 및 회계 조정, 민원, 사고, 규제기관 서신 및 위원회 회의록을 요청해야 합니다. 경영진 프레젠테이션은 원천 기록 및 독립적으로 재현된 샘플과 대조하여 검증해야 합니다.

실사 이슈 등록부는 각 발견사항을 가치, 신용 구조, 종결 조건, 코버넌트, 시정 조치 책임자 및 모니터링과 연결해야 합니다. 승인 성과를 개선하지만 지속 가능한 데이터 권리가 없는 모델은 가치를 감소시킬 수 있습니다. 완만한 성과 향상과 강력한 거버넌스를 갖춘 모델은 통제된 자본 투입을 뒷받침할 수 있습니다. 결론은 메커니즘과 증거를 명시해야 합니다.

거래 보호 장치는 검증, 데이터 또는 공급업체 동의, 시정, 에스크로, 배상 및 유보를 위한 조건을 포함할 수 있습니다. 밸류에이션은 필요한 투자를 차감하고 검증된 기여와 손실을 사용해야 합니다. 미래 모델 가치는 근거 없는 주장이 아니라 마일스톤을 통해 인정해야 합니다.

검토에는 모델을 사용할 수 없을 때 기관이 운영할 수 있는 능력이 포함되어야 합니다. 통제된 수동 절차 또는 단순화된 스코어카드 대체 방안은 중단 또는 이의 제기 시 차입자, 추심 및 대출기관 현금을 보호합니다.

24. 100일 금융 조달 가능성 계획을 실행하십시오.

처음 30일 동안에는 인벤토리, 의사결정 계보, 데이터 권리, 모델 버전, 검증 결과, 포트폴리오 조정 및 중대 사고를 고정해야 합니다. 기관은 승인되지 않은 변경을 동결하고 거버넌스, 이슈 책임 소재 및 대출기관 보고 체계를 수립해야 합니다. 고위험 또는 근거가 부족한 코호트에는 임시 한도를 부여할 수 있습니다.

31일부터 60일까지는 성과를 재현하고, 정당한 경우 재보정하며, 설명 및 오버라이드를 테스트하고, 데이터 격차를 해소하고, 프로덕션을 검증하고, 드리프트 임계치를 설정하고, 대체 방안을 리허설해야 합니다. 법무, 개인정보, 보안 및 공급업체 조치는 통제된 의존성을 갖고 병행 추진해야 합니다.

61일부터 100일까지는 시정된 통제를 테스트하고, 신규 코호트를 성숙시키고, 자본 게이트 및 코버넌트를 구현하고, 차입자에 대한 상환청구권을 확인하고, 독립적 보증을 확보해야 합니다. 확장은 달력이 아니라 검증된 결과를 따라야 합니다.

각 이니셔티브에는 책임자, 증거, 비용, 의사결정 게이트 및 수용된 잔여 위험이 필요합니다. 계획은 기술적 완료와 함께 현금 및 차입자 결과를 보고해야 합니다.

표 5. 예시 100일 모델 금융 조달 가능성 계획

시기는 리스크, 포트폴리오 숙성도, 규제 요건 및 운영 준비도에 따라 결정되어야 합니다.

25. 투자위원회를 위한 의사결정 프레임워크

투자위원회는 여섯 가지 질문에 대한 상호 연결된 답변을 받아야 합니다. 기관은 각 중대한 입력값을 사용하고 계속 제공받을 권리가 있습니까? 모델과 의사결정을 재현할 수 있습니까? 성과가 표본 외 기간 및 세그먼트별로 투명한 기준선을 초과합니까? 확률은 실현된 현금 손실에 맞게 보정되어 있습니까? 설명, 오버라이드, 공정성, 드리프트 및 폴백이 거버넌스 체계에서 관리됩니까? 해당 대출 약정은 그러한 통제를 집행 가능한 자본 게이트로 전환합니까?

권고안은 검증된 근거, 미결 항목 및 가설적 분석 전제를 구분해야 합니다. 모든 중대한 발견은 가치, 어드밴스 레이트, 준비금, 코버넌트, 조건, 모니터링 또는 중단 결정에 영향을 미쳐야 합니다. 기술적 모델 점수는 투자 결론에서 단독으로 제시되어서는 안 됩니다.

AI 신용 모델은 공식 기록이 부족한 경우 정보를 확장하고 포용적 금융을 지원할 수 있습니다. 데이터 권리, 검증, 정책, 운영 및 현금 결과가 생애주기 전반에 걸쳐 연결되어 있을 때 그 가치는 지속됩니다. 금융 조달 가능성을 뒷받침하는 거버넌스는 그 연결을 차입자, 경영진, 규제기관 및 자본 제공자에게 가시화합니다.

가장 강력한 증거 패키지는 재현 가능합니다. 검토자는 대출 약정 또는 밸류에이션 산출물에서 코호트 성과, 의사결정 기록, 모델 버전, 입력값, 동의, 계약 및 실현 현금으로 거슬러 올라갈 수 있어야 합니다. 그 연결고리는 책임 있는 확장을 지원하고 상황이 변할 때 자본을 보호합니다.

참고문헌

1. 금융안정위원회, 인공지능의 책임 있는 도입을 위한 건전 관행: 협의 보고서, 2026년 6월 10일, https://www.fsb.org/2026/06/fsb-consults-on-sound-practices-for-the-responsible-adoption-of-artificial-intelligence-ai/
2. 금융안정위원회, 인공지능이 금융 안정에 미치는 영향, 2024년 11월 14일, https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/
3. 국제결제은행, 인공지능과 경제: 중앙은행에 대한 시사점, 2024년 연례 경제 보고서, https://www.bis.org/publications/aer-2024/artificial-intelligence-economy-implications-central-banks
4. 국제결제은행, 인공지능과 관계형 대출, 워킹페이퍼 제1244호, 2025년 2월 19일, https://www.bis.org/publications/working-paper-1244-artificial-intelligence-and-relationship-lending
5. BIS 혁신허브, 프로젝트 누르, https://www.bis.org/project/noor
6. 국제결제은행, 인공지능 시대의 금융 부문 규제 및 감독, 2026년 5월 20일, https://www.bis.org/speeches/20260520-regulation-and-supervision-financial-sector-age-artificial-intelligence
7. 바젤은행감독위원회, 신용위험 관리 원칙, 2025, https://www.bis.org/bcbs/publ/d595.pdf
8. 바젤은행감독위원회, 은행 기업지배구조 원칙, 통합 프레임워크, https://www.bis.org/committees/bcbs/basel-consolidated-guidelines/module/cgo/10
9. UAE 중앙은행, 금융기관의 지원 기술 도입을 위한 지침: 빅데이터 분석 및 인공지능, https://rulebook.centralbank.ae/sites/default/files/en_net_file_store/CBUAE_EN_2413_VER1.pdf
10. UAE 중앙은행, 모델 관리 기준: 모니터링 및 검증, https://rulebook.centralbank.ae/en/rulebook/211-monitoring-and-validation
11. UAE 중앙은행, 모델 관리 기준, https://rulebook.centralbank.ae/en/rulebook/model-management-standards
12. 인도준비은행, 디지털 대출 지침, 2022년 9월 2일, https://systemhealth.rbi.org.in/Scripts/NotificationUser.aspx_Id%3D12382%26Mode%3D0.html
13. 인도준비은행, 한눈에 보는 규제 핸드북, 2025, https://website.rbi.org.in/documents/d/rbi/handbookg27022025d0f3f53f5d3c4310a6bb2f8ac2175d3a
14. 케냐 중앙은행, 디지털 신용 제공업체 규정 2022, https://www.centralbank.go.ke/wp-content/uploads/2022/03/L-.N.-No.-46-Central-Bank-of-Kenya-Digital-Credit-Providers-Regulations-2022.pdf
15. 세계은행, 책임 있는 금융 접근 및 금융 소비자 보호 자료, https://responsiblefinance.worldbank.org/en/responsible-finance
16. 국제금융공사, 신용 코드 풀기: 금융 포용을 위한 대체 데이터와 AI, 2026, https://www.ifc.org/en/insights-reports/2026/cracking-the-credit-code-alternative-data-and-ai-for-financial-inclusion
17. 국제금융공사, 디지털 시대의 중소기업 뱅킹, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/msme-banking-in-the-digital-era.pdf
18. G20 금융 포용 글로벌 파트너십, 중소기업 금융을 위한 실행 계획, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/gpfi-action-plan-for-msme-financing.pdf
19. 미국 국립표준기술연구소, 인공지능 위험관리 프레임워크 1.0, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
20. 유럽은행감독청, 내부등급법 모델에 대한 머신러닝 활용 후속 보고서, 2023년 8월 4일, https://www.eba.europa.eu/publications-and-media/press-releases/eba-publishes-follow-report-use-machine-learning-internal
21. 남아프리카공화국 준비은행 및 금융부문행태감독청, 남아프리카공화국 금융부문의 인공지능, 2025년 11월 24일, https://www.resbank.co.za/content/dam/sarb/publications/media-releases/2025/sarbfsca-ai-report/Artificial%20Intelligence%20in%20the%20South%20African%20Financial%20Sector%20Final.pdf
22. 나이지리아 중앙은행, 나이지리아 오픈뱅킹 운영 지침, https://www.cbn.gov.ng/Out/2023/CCD/Operational%20Guidelines%20for%20Open%20Banking%20in%20Nigeria.pdf