AI와 차세대 전환의 물결

 

2023년 전 세계 자산운용사의 운용자산은 전년도의 하락을 딛고 반등하여 120조 달러 가까운 규모로 증가했다. 하지만, 자산운용사의 성장을 위해서는 극복해야 할 많은 과제가 있다.

투자자는 보수가 낮은 패시브 펀드 등으로 이동하는 가운데 자산운용사의 원가는 점점 높아지고 있다. 경쟁사와 차별화된 상품을 출시하려는 노력은 대부분 기대에 미치지 못하고, 대부분의 투자자는 믿을 만한 실적을 보유한 기존 상품을 고집한다. 그동안 자산운용업은 이러한 부담을 주로 평가절상(market appreciation)에 따른 수익 증가로 극복했다. 그렇지만 앞으로는 평가절상 속도가 낮아지면서 더 큰 어려움에 처할 것으로 보인다.

이를 극복하고 지금까지의 성장률과 수익률을 유지하기 위해서는 운영 방식의 변화가 필요하다. 가장 현실적인 방법은 3P, 즉 생산성(productivity), 개인화(personalization), 비상장 시장(private market) 활용 전략을 추진하는 것이다. 즉, 자산운용사는 생산성을 증대하고 고객 참여를 개인화하고 비상장 시장에 진출해야 한다.

인공지능(AI) 혁명의 진전으로 자산운용업은 3P 전략 강화를 위해 AI에 투자하고 AI를 기업 운영에 통합할 기회를 맞이하고 있다. AI는 의사결정 및 운영 효율성 개선을 통해 생산성 향상을 뒷받침한다. 적정 규모의 개인화된 포트폴리오를 생성, 관리하고 맞춤형 고객 경험을 제공하는 데에도 AI를 활용할 수 있다. 또한 비상장 시장에서 딜팀의 운영 효율성을 향상하고 향상하고 가치 창출 역량도 강화해 준다. 이러한 중요한 변화의 원활한 추진을 위해 AI를 도입함에 있어 자산운용사들은 AI의 기술적 가능성을 조직 혁신의 도구로 인식해야 한다.

이번 보고서에는 기업 운영에서 AI의 역할에 대한 자산운용사의 인식을 살펴보기 위해 합계 운용자산 규모 15조 달러 이상 자산운용사들을 대상으로 시행한 설문조사 결과를 담았다. 응답자 대부분이 단시일 내에 상당한(significant) 또는 전환적(transformative) 변화가 있을 것이라고 답했으며, 3분의 2는 올해 안에 생성형 AI를 하나 이상 선보일 계획이 있거나 이미 하나 이상 도입하여 규모를 확대하는 단계라고 답했다.

이제 AI에 대한 투자는 더 이상 미룰 수 없다. 기술은 급속도로 발전하고 있고, 지금 나서지 않는 자산운용사는 낙오될 위험이 있다.

 

 

다섯 가지 지속되는 근본적인 부담

 

얼핏 보기에 글로벌 자산운용업은 2023년에 인상적인 반등을 경험했다. 총 운용자산(AuM)이 9%나 감소했던 2022년에 비해 12% 증가하면서 120조 달러 가까운 수준으로 늘어난 것이다. (보기 1 참조)

2023년에는 세계 모든 지역이 회복세에 동참했다. 북미 지역은 16%, 일본 및 호주를 제외한 아태 지역은 5%로, 세계 모든 지역에서 AuM이 증가했다. (부록 1 참조)

그렇지만 극적인 AuM 증가는 오히려 자산운용업이 지닌 근본적 취약성을 가리는 역할을 한다. 2023년에 자산운용업의 수익은 0.2% 증가하는 데 그쳤지만 원가는 4.3%나 증가했기 때문이다. 따라서 이익은 8.1% 감소했다. (보기 2 참조)

긴축통화 정책과 전반적인 시장 불확실성으로 인해 투자자들이 보수가 낮은 상품으로 이동했다. 단기금융상품에 1조 3,000억 달러가 유입되었다.

또한 자산운용업은 BCG가 지난해 보고서에서 제시한 다섯 가지 근본적 부담으로 인해 야기된 구조적 문제에서 아직 벗어나지 못했다. 이러한 부담은 2023년에도 완화되지 않았다. (보기 3 참조)

 

[1] 지속적인 수익 부담

앞으로 자산운용사는 시장 성과에 의존해서는 과거와 같은 수익 증가를 기대할 수 없다. 2006년 이래 자산운용업이 실현한 수익 증가의 거의 90%는 평가절상에 따른 것이었다. 이 시기는 대체로 저금리 시기와 일치한다. 그렇지만 세계 대부분의 중앙은행이 인플레이션과의 싸움을 지속함에 따라 고금리가 유지될 것으로 보이며, 이는 자산운용사의 평가절상에 의한 수익 증가를 제한하는 요인으로 작용할 것이다.

 

[2] 패시브 펀드 인기 증가

패시브 상품이 계속 순유입의 대부분을 차지하고 있다. 2023년 전 세계 뮤추얼펀드 및 ETF 순유입의 70%(약 9,200억 달러)를 패시브 상품이 끌어들였다. 이는 2019년에서 2022년까지 순유입의 57%가 패시브 상품에 유입된 것에 비해 급격히 증가한 것이다.

 

[3] 보수인하 부담 심화

마찬가지로 2023년에는 보수인하 부담도 완화될 기미가 없었다. 2023년 평균 보수는 22베이시스포인트(bps)로, 2015년 25bps, 2010년 26bps에 비해 낮았다. 긴축 통화 정책의 장기화는 전반적 시장 불확실성과 맞물리면서 투자자들이 낮은 보수를 찾아 이동하는 결과로 이어졌다. 단기금융상품 및 채권은 각각 1조 3,000억 달러, 7,000억 달러의 순유입을 기록한 반면 상장주식은 2,000억 달러의 순유출을 기록했다.

 

[4] 원가 상승

원가가 2010년부터 연평균 5%씩 상승하여 약 80% 증가하는 등 상승세를 지속했다.

 

[5] 혁신 노력에도 불구하고 신규 상품 생존율 하락

자산운용사들이 신규 상품을 개발하기 위해 노력했지만 성공한 상품은 많지 않았다. 실제로 2013년에 출시된 전체 뮤추얼펀드 중 2023년까지 유지되는 상품은 37%에 불과하다. 이는 2010년 기준 10년 전에 출시된 상품의 60%가 유지되던 것에 비해 상당히 낮아진 수치이다.

 

 

AI로 3P 전략 가속화 가능

 

자산운용사가 다섯 가지 부담을 극복하고, 경쟁력을 유지하고 수익성을 개선하기 위해서는 생산성(productivity), 개인화(personalization), 비상장 시장(private market) 활용하는 3P 전략을 추진해야 한다.

BCG는 작년 보고서에서 소개한 바 있는 3P 전략이 여전히 최고의 성장 전략이라고 본다. 생산성 증가는 거의 모든 조직 기능에 큰 변화를 가져올 수 있다. 개인화 역량의 개선은 고객 각각의 특유한 요구에 맞춰 상품을 개발하고 더 나은 고객 경험을 제공하며, 자산운용사가 경쟁사와 효과적으로 차별화할 수 있도록 해준다. 또한 자산운용사는 비상장 시장에 진출해 고마진 상품에 집중함으로써 수익을 다변화할 수 있다. 이 모든 것을 가능케 하는 열쇠가 바로 AI이다.

자산운용사가 사용하는 다양한 업무 개선 도구에 AI가 탑재되고 있다. 이들 업무 개선 도구의 힘은 AI가 순식간에 조직 내외의 데이터 출처에서 방대한 양의 데이터를 수집, 종합, 분석하고 이로부터 발견한 패턴에 기반하여 정보를 생성하는 능력에서 출발한다. AI의 하위 기술인 생성형 AI는 다양한 데이터 출처에서 제공되는 비구조화된 데이터를 해석 및 분석하여 고유한 콘텐츠를 생성할 수 있다. AI와 생성형 AI를 결합한 도구는 사용자와 자연어로 대화할 수 있다. 이는 결합 도구를 사용하기 쉽게 만들며, 도입률을 높이는 요인이다.

AI와 생성형 AI 둘 다 자산운용사에게 반드시 필요한 도구가 되고 있다. 보험 포트폴리오를 서비스하는 자산운용사들은 배분 및 위험관리 전략이 직면한 새로운 부담에 적응하는 과정에서 AI 및 생성형 AI 기술의 유용성을 깨닫고 있다. (“위험조정성과의 미래” 참조)

---

위험 조정성과의 미래

보험업계에서는 투자 수입이 회사 수익의 30~50%를 차지한다. 보험 포트폴리오에서 나오는 수십억 달러의 자금이 매일 금융시장을 통해 이동한다. 따라서 약간의 성과 변동만으로도, 설령 소수점 이하 수준의 변동일지라도, 상당한 가치가 더해지거나 증발할 수 있다.

보험자산 운용사들은 성과를 높이고 위험을 낮추기 위해 오래 전부터 두 가지 주요 분석 기법을 활용했다. 첫 번째는 자산부채종합관리(ALM) 기법으로, 투자팀이 보험을 통한 약정액에 대한 정보를 얻기 위해 사용한다. 두 번째인 전략적 자산배분(SAA) 기법은 보험사의 투자 업사이드는 최대화하고 리스크는 최소화 하는 방법을 결정할 때 도움이 된다.

그런데 이제는 자산운용사들이 이들 기법을 훨씬 자세한 수준에서 훨씬 자주 활용하라는 부담을 받고 있다.

우선 규제 부담이 한 가지 원인이 다. 2023년 유럽과 아시아에서 발효된 국제재무보고기준(IFRS) 제17호 및 제9호 개정안으로 인해 새로운 회계 방식이 도입되었다. 개정 IFRS의 표준 성과지표 요건으로 인해 유럽 및 아시아의 보험자산 운용사들은 목표를 달성하기 위해 기존의 자산 배분 전략을 재고해야 할 처지에 놓였다.

한편, 세계 모든 지역이 지정학적 혼란과 이로 인한 시장 불확실성의 영향을 받는 상황은 더 큰 부담을 가하고 있다. 이처럼 혼란스러운 환경에서 보험자산 운용사들이 지금까지보다 훨씬 자주 조정을 수행 할 준비를 하기 위해서는 시장에 대한 깊은 지식을 갖추어야만 한다. 전에는 ALM 및 SAA를 연 1~2회 시행하는 것이 일반적이었지만, 이제는 적어도 분기마다 시행하는 것이 당연시되고, 심지어 일부에서는 조직 내외의 데이터를 활용해 매월 시행하기 시작했다.

가장 적극적인 경우는 현재 요구되는 수준과 빈도로 ALM 및 SAA를 시행하기 위해 AI 및 생성형 AI를 활용하는 경우로, 보험자산 운용의 미래가 무엇인지 점점 명확히 보여주고 있다. AI 모델은 복수의 출처에서 수집된 비구조화 데이터를 비롯한 막대한 양의 데이터를 결합하여 의사결정에 도움이 되는 정보를 생성하는 데 특히 효과적이다. AI 모델을 활용하면 ALM 및 SAA로부터 더 많은 가치를 추출하고 관련 원가는 5~15% 낮출 수 있다. 또한 일부 운용사는 AI를 활용하여 효율성을 극적으로 증대하며 위험 조정 수익을 기존보다 10~20bps 높일 수 있었다.

AI 모델로 ALM 및 SAA 기법의 효율성을 향상하는 방법에는 여러 가지가 있다. 현재 대부분의 검토가 여전히 한 번에 하나의 변수만을 사용하여 결과를 최적화하는 수학적 모델에 기반하여 이루어진다. 그렇지만 AI 모델을 활용하면 포트폴리오 보유 종목과 리스크 수준의 비교 및 잔존계약(runoff profile) 최적화, 신규 리스크 기준 설정을 일거에 모두 실행할 수 있다. 현재의 시스템으로는 포트폴리오 매니저들이 재간접펀드 운용사 또는 ETF 운용사와 같은 제3자의 기초자산을 분석하는 고된 작업을 연 2~3회보다 자주 시행하기에 보통 무리가 있다. 그렇지만 AI를 활용하면 자료를 신속하게 탐지하고 분석할 수 있다.

빠른 처리 속도를 활용하여 고객인 보험사에 어떤 자산이 어떤 부채로 구성되었는지 보여주는 투명하고 다면적인 평가 보고서를 제공하고 분석도 매월 심지어 매주 수행하는 것이 가능하다. 부채 측면에서는 보험 해약률 예측에 AI를 활용할 수 있다. 그동안 이러한 해약률 예측은 거대 분석 모델 구축이 가능한 대규모 포트폴리오 운용사만 할 수 있는 일이었다. 그렇지만 이제 생성형 AI 모델을 통해 구조화 및 비구조화 데이터 출처 둘 다에서 수집된 방대한 양의 분산 데이터를 체계화할 수 있게 되면서 규모와 관계 없이 모든 자산운용사가 그 같은 작업을 수행할 수 있게 되었다.

AI 모델을 활용하면 포트폴리오 보유종목과 리스크 수준의 비교 및 잔존 계약 (runoff profile) 최적화, 신규 리스크 기준 설정을 일거에 할 수 있다.

생성형 AI를 활용하면 보고 업무의 많은 과정을 자동화할 수 있다. 일례로 포트폴리오 보유종목의 시장 성과와 회계상 수치를 맞추는 일은 대부분 지금까지 수작업으로 행해졌지만 앞으로 그럴 날이 얼마 남지 않았다. 포트폴리오 매니저가 생성형 AI를 활용하면 필수적인 데이터 플랫폼에 자동 접속하여 전체 보고서를 순식간에 생성할 수 있게 될 것이다. 이때에도 보고서 상의 각종 수치들이 어떤 데이터를 토대로 생성되었는지 투명하고 온전하게 공개된다.

AI 및 생성형 AI 기반 리스크 및 배분 분석 도구를 활용하는 포트폴리오 매니저는 시장 변화에 따라 조정이 필요할 때 신속하게 대응하는 능력을 갖추고 폭넓은 투자 파라미터와 데이터에 접근할 수 있다. 이러한 최첨단 시스템이 앞으로 몇 년 안에 경쟁우위의 원천이 될 것이며, 보험자산 운용사들은 투자 성공과 비용 효율성 개선을 지속해 나가기 위해 필수적으로 AI를 수용해야 할 것이다.

---

[1] AI를 통한 생산성 증대

자산운용사들은 AI를 활용하여 밸류체인 전반에 걸쳐 효율성을 크게 개선할 수 있다. (보기 4 참조)

• 판매∙마케팅. AI 및 생성형 AI 도구를 결합해서 활용하면 내부 리서치를 기반으로 백서 초안을 작성하거나 백서를 요약한 소셜미디어 게시글을 작성하는 등 마케팅 콘텐츠 생성에 도움을 받을 수 있다. AI 도구로 잠재 고객에 관한 공개 데이터를 분석하고 가장 유망한 리드를 판매팀에 제공하여 전환율을 높일 수 있다. 고객과 접점이 있는 판매팀에 대한 지원에도 AI 도구를 활용할 수 있다. 예를 들어, 소프트웨어 기반의 AI 판매 에이전트가 고객과 대화 중인 인간 판매 에이전트에게 실시간으로 유용한 정보를 제공하거나 더 나아가 고객과 직접 대화를 할 수도 있다.
• 투자 운용∙매매 체결. AI의 신속한 데이터 수집, 종합, 분석 능력은 투자팀의 명제(thesis) 구축을 지원할 수 있다. AI는 정보가 내부 리서치와 같은 배타적 원천에서 나온 것이든 아니면 웹에서 수집했거나 공시, 거시경제적 통계, 지리공간적 보고서와 같은 대안적 원천에서 나온 것이든 관계없이 이러한 작업을 수행할 수 있다. 또한 다양한 투자팀들이 생성한 보고서 및 데이터 세트, 리서치 결과를 체계적으로 정리함으로써 효과적인 지식의 관리와 데이터 공유를 촉진한다. 그 결과 팀 간 장벽을 넘어 서로 다른 펀드나 상품을 운용하는 투자팀들이 비슷한 주제를 탐색할 때 종종 발생하는 중복 분석 문제가 해소된다.
• 운영 및 위험 준법 감시. AI로 인한 문서 작성 속도의 향상은 보고 업무 및 데이터 관리 업무에 큰 영향을 미친다. 이는 포트폴리오 성과 분석 및 운용 리서치, 자산운용보고서, 위임장용지, 배당 통지서 등의 준비에 유용한 기능이다. AI를 활용해 시스템 로그 및 실시간 데이터를 분석하고 불규칙한 활동을 식별하고 이상(anomaly)을 리스크팀에 적극 알림으로써 리스크 관리의 효율성도 높일 수 있다. AI에 기반한 경보는 단순한 규칙 기반 통지의 수준을 훌쩍 뛰어 넘는다. 예를 들어, AI로 뉴스 보도에서 시장 불안 징후를 탐지하여 포트폴리오가 조치가 요구되는 기준 값에 도달하기 전에 대응에 나설 수 있다.
• IT. AI로 이상을 탐지하고 고장을 예측하고 내부 네트워크 문제를 자동으로 해결함으로써 IT 인프라 관리의 효과와 효율성을 높일 수 있다. AI 코파일럿은 코딩을 손쉽게 할 수 있게 도와주고 매매 알고리즘의 개발과 시험 및 도입 속도도 높여준다. AI 챗봇은 사용자가 기술 문제를 경험할 때 이를 내부 IT 부서가 더 빨리 해결할 수 있도록 지원한다.
• 경영 지원. AI를 활용하여 투자팀 전체의 성과 변동을 분석하고 이를 종합한 인사이트를 경영진에게 제공함으로써 의사결정과 전략수립의 효율성을 높일 수 있다. 이와 유사한 인사이트가 자금 모집 서류 및 투자자 설명서 생성에 사용될 수 있다. 또한 법률 문서 및 계약서의 작성과 검토를 자동화하고 문제의 소지를 재빨리 찾아서 해결할 수 있다.

앞서 열거한 효율성 향상의 기회들은 AI가 가진 잠재력의 일부에 불과하다. AI의 응용 분야는 기술의 발전과 더불어 지속적으로 확대되고 있다. 자산운용사들은 AI의 시행이 인상적인 결과로 이어지는 것을 이미 경험하고 있다. 예를 들어 AI 도구를 활용해 투자 리서치를 더 빨리 할 수 있다. (보기 5 참조)

AI 도구로 예비 데이터 수집 및 분석을 수행하면 인간 애널리스트는 인사이트 도출에 집중할 수 있으므로 생산성을 높일 수 있다. 어떤 기업에 대한 재무보고와 뉴스를 토대로 AI 도구를 활용하여 해당 기업의 시장 포지션을 파악할 수 있다. 이러한 초기 리서치를 검토한 후 추가 조사가 필요한 몇몇 주제에 대해 보다 깊이 있는 분석을 수행할 때에도 AI 도구를 활용할 수 있다. 최종적으로는 핵심 이슈를 중심으로 보고서 초안을 작성할 때 AI 도구를 활용할 수 있다.

 

[2] AI를 기반으로 개인화 역량 강화 가능

AI는 적정 규모의 맞춤형 포트폴리오를 생성, 관리하는 방식으로 개인화 역량을 강화해준다. 또한 인수에서 유지까지 더욱 고도화된 맞춤형 고객 경험을 적정 규모에서 제공할 수 있게 한다.

 

적정 규모의 개인화된 포트폴리오

AI 기술의 발전은 포트폴리오의 개인화라는 측면에서 두 가지 주요한 변화를 일으키고 있다. 첫째, AI는 맞춤형 포트폴리오 구축에 큰 변화를 불러온다. 현재 개인화된 포트폴리오의 전술적 방향 전환이나 특정 테마와 관련된 익스포저의 조정은 대개 구조화되거나 미리 선별한 데이터 세트를 기반으로 이루어진다. 예를 들어, 어떤 재정 어드바이저가 고객사 포트폴리오에서 ESG 부문을 강화하기 위해서는 해당 기업의 ESG 특성을 보여주는 데이터 세트에 접근할 권한이 있어야 한다. AI, 특히 생성형 AI를 활용하면 이러한 전술적 방향 전환을 훨씬 다양한 각도에서 시행하고 특정 테마 관련주를 선별하는 것도 가능하다. 이는 생성형 AI가 자연어로 표현된 명령을 이해하고 입력된 정보를 처리, 해석하여 투자 권유를 생성할 수 있기 때문이다.

재정 어드바이저가 어떤 고객이 석유∙가스에 대한 익스포저가 지나치게 높은 기업의 포트폴리오 비중을 낮추고 싶어 한다고 생성형 AI에 말하는 경우를 생각해보자. 생성형 AI는 재무보고, 실적발표 녹취록, 애널리스트 보고서, 뉴스 등을 샅샅이 읽고 상장 기업의 석유∙가스 부문 익스포저를 산출할 것이다. 그 다음 산출된 익스포저를 토대로 상장 기업들의 순위를 매긴 후 그에 맞춰 포트폴리오를 조정할 것이다.

둘째, 맞춤형 포트폴리오 관리 서비스의 규모를 효율적으로 확대할 수 있으며, 이에 따라 고객 맞춤 투자 서비스가 고비용 서비스로 기관 투자자나 고액 자산가에게만 제공되는 상황을 타개할 수 있다. 개인화되지 않은 투자에서는 다수의 투자자가 투자한 자본이 뮤추얼펀드나 ETF 또는 혼합(pooled/commingled) 펀드 등의 상품에 투입되며, 자산운용사가 전체 펀드에 대한 최적의 리밸런싱 및 매매 전략을 효율적으로 결정한다. 그렇지만 개인화된 포트폴리오 관리에서는 투자 목표의 달성과 제약 극복을 위해 또는 절세(tax loss harvesting) 기회의 극대화를 위해 최적의 리밸런싱 및 트레이딩 전략을 포트폴리오별로 수립해야 한다. 따라서 자산운용사에 개인화된 포트폴리오를 가진 고객이 많을수록 필요한 포트폴리오 매니저의 수가 늘어난다. 수 천개에 달하는 완전 맞춤형 계정 모두에 대해 통계 또는 규칙기반 기법을 활용하여 개인화 포트폴리오 관리를 자동화한다는 것은 파라미터 수가 너무 빠르게 증가하므로 불가능에 가깝다.

그렇지만 최신 AI 기술을 활용하면 포트폴리오 운용 목표와 환경을 이해하도록 AI 에이전트를 훈련할 수 있다. 패턴을 학습한 AI 에이전트는 맞춤 포트폴리오별로 최선의 리밸런싱 및 매매 전략을 수립하기 위해 접근 방식을 조정한다. 인간 포트폴리오 매니저는 이러한 다수의 AI 에이전트를 그룹으로 감독함으로써 직접 관리하는 것보다 훨씬 많은 포트폴리오를 효과적으로 운용할 수 있다. 자산운용사들은 이같은 방식으로 훨씬 많은 투자자에게 개인화된 포트폴리오를 제공할 수 있을 것이다. (보기 6 참조)

 

개인화된 고객 경험

AI를 활용하면 적정 규모로 고객 참여를 초개인화하는 것도 가능하다. 예비 또는 기성 고객에 관한 데이터를 분석한 다음 이들의 필요와 환경에 알맞는 투자 관련 자료와 기회를 개발하는 AI 도구를 활용하면 가능하다. 생성형 AI는 일반적인 AI에서 한 걸음 더 나아가 고객의 소셜미디어 게시글 등 비구조화된 문자 기반 데이터를 분석하고 개별 고객에 맞는 맞춤형 투자 정보를 손쉽게 생성한다.

구체적으로 AI는 고객 경험의 세 가지 분야에서 개인화를 추진한다.

• 마케팅. 마케팅팀은 고객 요구를 명확히 정의하여 이를 기준으로 잠재 고객을 세부 집단으로 분류한다. 그 후 마케팅팀은 AI 도구를 활용해 고객의 구체적 관심 분야에 맞는 마케팅 자료를 개발한다. 예를 들어 백서를 작성하는 경우, 마케팅팀은 고객별로 알맞는 핵심 내용을 간추려서 이를 잠재 고객 집단에 보낼 개인화된 이메일에 적용할 수 있다.
• 판매. 인간 판매 에이전트는 잠재 고객을 만나기 전에 AI 도구를 이용한 정보 분석을 통해 해당 고객의 수요와 선호를 파악하고 이를 반영하여 논의 요지를 준비할 수 있다. 구체적으로는 AI 도구가 잠재 고객의 인구통계 특성을 바탕으로 위험보상 프로필을 정하고 이에 적합한 상품을 중심으로 논의 요지를 제안하는 식이다.
• 고객 참여 및 유지. 또한 상/하반기 행사처럼 정해진 일정에 따라 주기적으로 접촉하는 방식에서 주요한 시장 이벤트 발생 시 주도적으로 고객을 접촉하는 방식으로 변화시킬 수 있다. 예를 들어 AI 도구로 뮤추얼펀드 상품의 보수 변동에 따른 영향을 평가하여 상품 해지 가능성이 있는 고객을 파악할 수 있다. 그러면 고객관계 관리팀이 해당 고객에게 연락하여 보수가 더 낮은 다른 상품에 투자할 것을 권유하는 것이다. 이러한 적극적인 고객관계 관리를 통해 고객 유지율을 높일 수 있다.

전반적으로 AI 도구는 고객관계 관리팀이 고객 맞춤형 콘텐츠를 적절한 시점에 훨씬 더 많은 고객에게 제공할 수 있도록 도움을 준다. AI 도구를 시행함으로써 간접 판매 활동을 무려 25%나 낮추면서 동시에 고객 만족도를 높이는 결과를 창출할 수 있다. (보기 7 참조)

 

[3] AI로 비상장 시장의 잠재력 실현

AI는 더 나은 의사결정을 위해 반복적 업무를 자동화하고 데이터를 종합함으로써 비상장 시장 딜팀의 효율성을 강화할 수 있다. (보기 8 참조) AI는 밸류체인의 여러 영역에 걸쳐 딜팀의 생산성을 향상할 수 있다. 예를 들어 실사 과정에 AI를 활용하면 투자심의위원회의 심사자료 준비에 소요되는 시간을 대략 30% 단축할 수 있다. AI 도구로 공개 데이터를 분석하여 투자대상 비상장 회사에 대한 소개자료를 작성하고 해당 기업의 경쟁우위를 보여주는 전문가 의견 및 인터뷰 결과를 요약할 수 있다. 마찬가지로 이른바 레드팀(red team)이 해당 딜에 반대 의견을 내기 위해 각종 논의를 할 때에도 AI 도구의 지원을 받을 수 있다. 이러한 진전을 토대로 투자팀은 종합된 콘텐츠의 분석에 더 많은 시간을 할애함으로써 더 나은 의사결정을 시현하고 딜 및 인수 성공률을 높일 수 있다.

또한 비상장 시장 참여자는 투자대상 회사의 AI 사용을 지원함으로써 가치를 창출할 수 있다. 이는 AI의 영향이 클 것으로 예상되는 업종의 회사에 투자하는 자산운용사가 특히 중요하게 고려해야 할 부분이다. 그 중 바이오 기업을 예로 들면, AI가 제품 혁신의 속도를 높이고 새로운 분자 및 화합물의 발견을 위한 새롭고 효율적인 방법을 찾아낼 것으로 기대된다. 사모투자전문회사, 벤처캐피탈회사 등 비상장 시장 참여자는 바이오 분야 투자대상 회사가 연구에 AI를 적극 활용하도록 함으로써 상당한 가치를 창출할 수 있다.

중요한 것은 비상장 시장 참여자가 성공적 활용 사례를 발굴하고 이를 다수의 투자대상 회사에 효율적으로 적용해 규모의 효과를 거둘 수 있다는 것이다. 이렇게 하면 한 투자대상 회사가 다른 투자대상 회사의 성공 사례를 쉽게 학습할 수 있다.

이에 따라, 조직 내 데이터 거버넌스 팀의 적극적인 관여가 필요하다. 데이터를 정확히 추적하고 기록하여 데이터 확보 방법과 출처, 관련 권한, 사용 제약을 문서화하는 것이 매우 중요하다. 또한 데이터 거버넌스 팀은 데이터 분류를 관리해 데이터가 적절히 라벨링되도록 해야 한다. 데이터 거버넌스는 공공 분야에서 데이터의 오남용을 방지하고, 데이터가 법적, 윤리적, 개인정보 보호의 울타리 안에서 사용되도록 하는 것에 매우 중요하다.

 

 

AI를 활용해 성공하기 위한 필수 조건

 

AI의 성공적 시행은 회사의 비전과 목표를 온전히 반영하고 경영진의 노력과 전용 자원이 뒷받침되는 포괄적 전략의 존재 여부에 달려있다.

AI 운영모델은 체계적이고 철저한 AI 도입을 위한 지침서 역할을 한다. 또한 자산운용사가 전략을 실천하고 운영모델을 실행하기 위해서는 사람, 기술∙파트너십, 위험∙준법감시 세 가지 핵심 요건이 충족되어야 한다. (보기 9 참조)

 

[1] 전략

효과적인 AI 배치의 관건은 명확한 목표가 반영된 응집력 있는 전략에 있다. 자산운용사는 AI의 활용 사례를 즉각 실험하는 수준을 넘어, 업무 흐름 전체를 AI를 중심으로 재설계하여 조직을 운영하는 방식에 대해 고민해야 한다. 또한 이러한 변화가 조직에 어떤 영향을 미칠지도 예측할 수 있어야 한다.

전략에 대해 헌신적인 경영진과 조직 전반의 동의를 확보하는 것도 필수적이다. 이를 위해서는 완전한 투명성과 함께 목표에 대한 명확한 커뮤니케이션이 필요하다. 복수의 전담팀에 AI 시행 단계별로 필요한 솔루션을 공동으로 마련할 수 있는 권한을 주어야 한다. 고위 경영진 중에서 자산운용과 AI 또는 고급 분석 기법 둘 다에 전문성을 가진 인물을 찾아 조직 전반에 걸친 AI의 시행을 추진하도록 임명해야 한다. 목표에 걸맞는 수준에서 전담 인력과 자본을 투입하는 것도 필요하다.

 

[2] 운영모델

전략을 실천하기 위해서는 다음 요인을 충족하는 효과적인 운영모델을 구축해야 한다.

• 거버넌스. 조직 전반에서 AI의 활용 사례를 효과적으로 발굴, 배치하고 규모를 확대하는 정식 프로세스를 마련해야 한다. 최선의 방법은 직무별 전문가로 구성된 전문가 그룹을 통해 각 활용 사례에 대해 각종 지침을 제공하는 구조를 확립하는 것이다. 전문가 그룹은 부서 간 활동을 감독하고 활용할 만한 어떤 사례를 활용하고 어떤 위험을 완화해야 하는지 등의 지식을 퍼뜨릴 수 있다.
• 활용 사례 우선순위 결정. 손쉬운 활용에서 고차원적 해법에 이르는 AI의 활용 사례들을 제대로 살펴보기 위해서는 도입의 간편성 및 신속성을 기준으로 활용 사례를 몇 개 그룹으로 분류해야 한다. 각 그룹으로 분류된 활용 사례에는 명확한 기준에 따라 우선 순위를 매긴다. 이 기준에는 착수 투자금, AuM에 미치는 영향 등의 재정적 고려와 고객이탈률, 경쟁력에 미치는 영향 등의 비재정적 고려가 모두 포함되어야 한다. 기준의 조정도 가능해야 한다. 예를 들어, AI 도입 초기에는 경영진이 코딩 코파일럿, 지식경영 등 직원에게 최상의 학습 기회를 제공하고 도입 가능성도 높은 활용 사례를 우선하려 할 것이다. 그렇지만 조직의 AI 경험이 쌓이게 되면 우선 순위도 달라질 수 있다.
• 전달 방법. 초기 우선순위 결정에서 규모 확대에 이르는 단계들을 거쳐 활용 사례를 발전시켜 나가기 위해서는 철저한 프로세스 마련이 필수다. 이는 어떤 활용 사례가 정해진 기준에 미치지 못한다면 발전 후반부에 접어 들었더라도 언제든 해당 사례를 폐기할 수 있어야 한다는 뜻이다. 각 단계에서 민첩성을 강화하고 신속하게 배치하고 부서 간의 장벽을 극복하기 위해 교차기능팀이 시행을 주도해야 한다. 활용 사례의 설계 및 발전 과정에서 사용자 중심 접근을 취하는 것은 매우 중요하다. 효과적인 AI 도구는 사람 중심으로 짜여진 업무 흐름에 빈틈 없이 통합되어야 한다. 따라서 사용자 도입률을 높이는 것이 중요하다. 예를 들어, 사용자는 핵심 기능을 정하기 위해 초기 프로토타입 단계에 참여하고, 훈련 자료를 시험하고 개선하기 위해 개념증명 단계에 참여해야 하며, 배치를 지원하고 도입을 장려하기 위해서는 규모 확대 단계에 참여해야 한다.

 

[3] 필수 요건

그 바탕에는 조직의 AI 도입 및 배치를 추진하고 이를 활용하여 업계 모범을 준수할 수 있게 해주는 사람, 기술∙파트너십, 위험∙준법감시라는 세 가지 핵심 구조가 있다.

 

사람

자산운용사는 AI의 이점을 극대화하기 위해 직원 채용 및 학습∙발전 전략을 재검토해야 할 것이다. 이러한 재검토는 기본적으로 직원들이 AI 도구의 효율적 사용법을 습득하도록 하는 것이어야 한다. AI 코파일럿을 사용하는 판매 에이전트의 경우 효과적인 프롬프트 생성법에 관한 훈련을 받아야 할 것이다. 이와 함께 AI 통합의 간접적인 결과를 평가하는 것도 중요하다. 자산운용사가 투자 리서치를 위해 데이터 수집 및 초기 분석 과정을 AI 도구로 자동화할 계획을 세웠다면 이러한 도구가 신입 애널리스트의 직무훈련에 미치는 영향을 평가해야 한다. 신규 입사한 애널리스트들 사이에 잠재적인 기술 격차가 생기지 않도록 새로운 학습 프로그램도 도입해야 할 것이다.

AI가 창출하는 가치와 인간의 창의성이 최대의 조화를 이룰 수 있도록 전반적 업무 흐름을 재설계할 때 AI 도입이 가장 유의미한 영향을 발휘할 수 있을 것이다. 그렇지만 이는, 설명 그대로, 자산운용사가 새로운 직군을 만들고 업무팀의 구조와 크기를 변경하고 조직 전반에 적용되는 새로운 상호작용 모델을 구축해야 한다는 것을 의미한다. 누군가 AI가 생성한 결과물(개인화된 고객관계 관련 자료 등)을 외부와 공유하기 전에 검토할 필요성이 있다면, 품질 확인을 담당하는 단일 부서에서 이를 수행할 수 있을 것이다.

AI 사용에 능동적이고 고객 중심 혁신을 적극 지지하는 조직 문화도 양성해야 한다. 기업 리더는 AI의 발전에 따른 변화의 성공적 관리를 위해 하향식 접근을 취해야 한다.

 

기술∙파트너십

대부분의 자산운용사는 이미 첨단 기술 인프라를 갖추고 있지만 그러한 업계 선두주자 역시 AI를 성공적으로 활용하기 위해서는 인프라 조정이 필요하다. 프론트엔드와 같은 기존 기술 스택의 일부는 업그레이드가 필요할 것이다. AI가 생성한 결과물이 윤리 및 법무 지침에서 벗어나지 않도록 조정하는 AI 안전지침 등의 여타 부문은 거의 처음부터 새로 개발해야 한다.

AI 도구의 원활한 작동을 위해 반드시 필요한 또 다른 한 가지는 AI 모델의 훈련 및 실행에 필수적인 데이터와 이러한 데이터의 구조화이다. 자산운용사들은 지금까지 인구통계 특성, 보유종목, 거시경제 지표 등 구조화된 데이터에 의존해 분석을 수행했다. 그렇지만 생성형 AI 모델을 사용하면 고객과의 상호작용 및 회의록에서 수집한 데이터를 비롯해, 비구조화된 데이터를 통합적으로 분석할 수 있다.

자산운용사는 다양한 유형의 데이터를 적절히 구조화하고 AI 모델에 빈틈 없이 통합하기 위해서만 아니라 이에 손쉽게 접근할 수 있도록 데이터 구조를 검토해야 한다.

또한 신뢰할 만한 AI 솔루션 기업과의 네트워크 구축을 위해 자원을 투입해야 한다. 자산운용사는 폭넓은 파트너십을 통해 최신 AI 도구를 확보할 뿐만 아니라 AI 도구를 규제 기준에 맞춰 조정해나갈 수 있다. 또한 특정 기업과 전략적 파트너십을 구축하면 해당 기업의 엔지니어링 및 분석팀의 지원을 받을 수 있고, 따라서 자산운용사 내부의 역량도 확대되는 효과가 있다. 이러한 파트너십은 특히 AI 전문성이 제한적인 경우에 활용 사례의 성공을 위해 필수적이다.

설령 자산운용사가 투자팀을 지원하기 위해 독점 데이터를 활용해 훈련한 챗봇을 만드는 등 핵심 AI 기능을 자체 개발하는 경우에도 예상치 못한 문제를 해결하기 위해서는 믿을 만한 외부 파트너가 필요하다. 자산운용사는 이러한 협업의 효과를 극대화하기 위해 기존 시스템과의 기술적 호환성, 여타 자산운용사와의 협업 실적 등 구체적인 기준을 가지고 신중하게 파트너를 선택해야 한다.

 

위험∙준법감시

AI를 시행하고 사용하면 기존의 특정 리스크가 가중되고 새로운 리스크가 생겨난다. 기술 내재적 리스크에는 독점 데이터의 유출, AI 환각 및 결과적으로 부정확하거나 오해를 일으키는 예측도 포함된다. 이러한 리스크 가운데 일부는 자산운용사에 있어 특히 심각할 수 있다. 편향된 데이터로 학습한 AI 모델로 인해 투자 결정에 영속적인 편향성이 생기고, 그 결과 특정 증권이나 자산을 선호하거나 배제하는 투자 전략이 도출될 수 있다. 이는 해당 기업의 평판을 떨어뜨리고 투자자 신뢰에 손상을 입히며 자산 유출을 유발할 수 있다. 가장 부정적인 영향을 제한하기 위해서는 AI 관련 위험을 파악하여 모니터링하고 그에 맞는 완화 전략을 개발해야 한다.

AI 규제의 지역적 추세와 현지 흐름도 모니터링해야 한다. 실제로 미 재무부는 금융기관의 모범적 AI 사이버리스크 관리법을 담은 보고서를 발표했으며, 이 밖에도 전 세계적으로 AI 규제가 증가할 것으로 예상된다. AI를 편하게 사용하게 됨에 따라 향후 규제 형성에 참여하는 자산운용사는 AI 기술의 선두주자로서 차별화할 수 있을 것이다.

자산운용사는 컴플라이언스 및 리스크 관리를 넘어 책임 있는 AI 사용을 위한 폭넓은 원칙을 마련하는 것에 대해 고민해야 한다. 이를 위해서는 AI 사용이 회사의 목표와 가치에서 벗어나지 않도록 해주는 AI 정책을 수립해야 할 것이다.

 

 

자산운용사의 AI 도입 현황

 

이제 AI는 새로운 혁신과 효율성의 시대의 개막을 알리며 자산운용업의 지형을 바꿀 것이다. AI의 도입은 몇 년에 걸친 여정이며, 막대한 노력과 투자가 요구된다.

오늘날 이러한 AI 여정에서 자산운용사들은 어디쯤 서있을까? 이에 대한 답을 얻기 위해 BCG는 2024년 1분기에 전 세계 자산운용사를 대상으로 미국 자산운용협회(Investment Company Institute) 및 CFA 협회(CFA Institute)와 손잡고 생성형 AI 도입 요인에 대한 설문조사를 시행했다. 벤치마크에는 합계 AuM 15조 달러 이상인 총 57개 자산운용사가 포함되었다.

 

생성형 AI는 전략적 우선순위

조사에 응한 자산운용사는 대부분 생성형 AI로 인해 다양한 기회가 열리며, 이를 잘 활용하기를 원한다고 응답했다. 응답자 중 생성형 AI가 앞으로 3~5년 내에 조직에 상당한(significant) 또는 전환적(transformative) 영향을 미칠 것이라고 답한 비율은 72%, 생성형 AI가 회사의 전략적 우선순위라고 답한 비율은 66%였다. 단기적으로 자산운용사의 75%가 생성형 AI 도입을 위해 전담 인력과 자본을 적극 투입하고 있으며(투입 수준은 다양), 29%는 혁신 예산의 상당 비율을 투입하거나 상당한 자원을 다른 부문에서 전환할 의사가 있는 것으로 나타났다. (보기 10 참조)

자산운용사들이 AI 배치에 대해 구조적인 접근을 계획하고 있다는 점은 이와 연결되는 부분이다. 응답자의 47%가 생성형 AI의 사용을 감독할 전사적 임시 또는 상근 거버넌스 조직을 구상했다고 답했으며, 40%는 생성형 AI 도입을 추진할 전담팀을 운영하고 있다고 답했다.

하지만 자산운용사 대부분은 여전히 생성형 AI 전략 수립의 초기 단계에 머물고 있다. 전략 수립을 마치고 조직 전반에 대해 이를 시행하고 있는 경우는 전체의 16%에 불과했다.

 

적극적인 활용 사례 탐색

조사에서 대부분의 자산운용사(88%)가 몇몇 생성형 AI 활용 사례의 실현 가능성과 잠재적 투자수익률을 적극 평가 중인 것으로 나타났다. 이들은 하나 이상의 활용 사례를 적극적으로 실험하고 있는 것으로 나타났다. 그렇지만 지금까지 평가한 활용 사례의 개수에 대한 질문에 대한 답은 크게 달랐다. 응답자의 3분의 1이상(40%)이 1~10개를 꼽았고, 50개 이상을 꼽은 응답자는 15%였다.

자산운용사들은 조직 전반에 생성형 AI 활용 사례를 적극 도입하려는 모습을 보였다. 응답자의 과반이 활용 사례를 확대 시행하는 단계로 빠르게 넘어가고 있다고 답했다. 27%는 활용 사례를 이미 하나 이상 도입했고, 39%는 올해 안에 풀스케일(full-scale) 도입을 계획하고 있다고 답했다. (보기 11 참조)

조사를 통해 자산운용사가 어떤 활용 사례를 우선하여 배치하고 있는지에 대해서도 분석되었다. 밸류체인 전반에 걸쳐 다양한 활용 사례가 검토 이후 단계에 있는 것으로 조사되었다. 전반적으로는 현재 대부분의 응답자가 판매∙마케팅 및 IT에 집중하고 있었다. (보기 12 참조) 네 개 기능에 걸쳐 개념증명 단계이거나 조직 전반에 걸쳐 응답자의 20% 이상이 적용 중인 일곱 개의 활용 사례가 파악되었다.

 

판매∙마케팅

판매∙마케팅 기능에는 세 개의 활용 사례가 있다.

• 첫 번째 활용 사례는 AI를 활용한 판매 관련 문서 자동화이다. 응답자의 5%가 제안요청서, 발표자료, 이메일 등의 판매 관련 문서 작성을 자동화하기 위해 이를 확대했거나 확대하는 과정에 있다. 32%가 개념증명 단계이다.
• 두 번째 활용 사례는 AI를 활용한 아이데이션(ideation) 및 콘텐츠 생성이다. 응답자의 5%가 AI를 활용하여 소셜미디어 게시글, 블로그 게시글 등의 콘텐츠 초안을 작성하기 위해 이를 확대했거나 확대하는 과정에 있다. 23%가 개념증명 단계이다.
• 세 번째 활용 사례는 AI를 활용한 대상 고객 선정이다. 응답자의 5%가 AI가 공개적 데이터 원천 등을 이용해 잠재적 고객을 선별할 수 있도록 하기 위해 이를 확대했거나 확대하는 과정에 있다. 18%가 개념증명 단계이다. 이 활용 사례에서 AI는 어떤 자산운용사의 상품을 이용해 가장 큰 이익을 볼 수 있는 잠재 고객을 찾고, 실제 고객으로 전환될 가능성을 추정한다.

 

투자운용∙매매체결

투자운용∙매매체결 기능에서는 하나의 활용 사례를 확인했다. AI를 활용해 실사 관련 의사결정의 속도를 높이는 것이다. 응답자의 14%가 정보수집, 기록 요약, 투자심사자료 초안 작성에 AI를 활용해 실사의 속도를 높이기 위해 규모를 확대했거나 확대하는 과정에 있다.

 

IT

IT 기능에서는 두 개의 활용 사례를 확인했다.

• 첫 번째 활용 사례는 빠른 앱 개발을 위한 AI 코파일럿 사용이다. 응답자의 18%가 앱 개발 속도를 높이고 버그를 수정하기 위해 AI 코파일럿을 확대했거나 확대하는 과정에 있다. 27%가 개념증명 단계이다.
• 두 번째 활용 사례는 코드 생성 최적화이다. 응답자의 18%가 자동 코드 검토를 통해 최적의 코드를 생성하기 위해 이를 확대했거나 확대하는 과정에 있다. 9%가 개념증명 단계이다. 자동 코드 검토 기능을 통해 효율성을 높이고 프로그래밍 기준을 준수할 수 있다.

 

경영 지원

경영 지원 기능에서는 하나의 활용 사례를 확인했다. 도메인별 기업 데이터에서 인사이트를 생성하는 것이다. 응답자의 14%가 조직 전반에 걸친 더욱 강력한 데이터 관리를 위해 AI를 활용하여 인사이트를 생성하기 위해 규모를 확대했거나 확대하는 과정에 있다. 18%가 개념증명 단계이다. 경영 지원 기능에서는 하나의 활용 사례를 확인했다. 도메인별 기업 데이터에서 인사이트를 생성하는 것이다. 응답자의 14%가 조직 전반에 걸친 더욱 강력한 데이터 관리를 위해 AI를 활용하여 인사이트를 생성하기 위해 규모를 확대했거나 확대하는 과정에 있다. 18%가 개념증명 단계이다.

 

필수 요건에 대한 추가적인 투자 필요

앞서 논의했듯, AI의 이점을 극대화하기 위한 필수 요건은 사람, 기술∙파트너십 및 위험∙준법 감시이다. 그렇지만 조사 대상 기업들은 이들 요건에 필요한 만큼의 투자를 하지 않은 것으로 나타났다. 특히 직원 고용 및 훈련, 필수 IT 인프라 개발 부문에서 격차가 눈에 띄었다. (보기 13 참조)

응답자의 73%가 회사에 역량 강화(upskilling) 프로그램이 없거나 일부 직원만을 대상으로 시행되고 있다고 답했다. 다수의 응답자(63%)가 AI에 필요한 기술 스택 조정이 별로 없었다고 답했으며, 84%는 필수적인 데이터 아키텍처 조정이 아예 없었거나 최소 수준만 진행되었다고 답했다.

위험∙준법 감시 측면에서는 조금 더 진전이 있었다. 자산운용사의 47%가 모니터링을 실시하고 있으며, 향후 도입될 규제에 적극 대비하고 있는 것으로 나타났다. 이러한 추세에서 가장 앞선 지역은 유럽으로, 다른 지역보다 엄격한 관련 지침 및 규제로 인해 자산운용사의 63%가 향후 규제에 적극 대비하거나 규제 제정에까지 참여하고 있는 것으로 나타났다. 그렇지만 유럽 외 지역에서는 이 비율이 34%에 불과했다.

생성형 AI의 영향이 클 것으로 보는 기업일수록 필수 요건의 구축을 위해 자원을 투입하려는 의지가 큰 것으로 나타났다. 생성형 AI가 앞으로 3~5년 내에 조직에 전환적(transformative) 영향을 미칠 것이라고 본 기업의 67%가 역량 강화(upskilling) 프로그램을 준비했다고 답한 반면, AI의 영향이 아주 적거나(minimal) 보통(moderate) 또는 심지어 상당할(significant) 것이라고 본 기업에서는 이 비율이 20%에 불과했다. 이와 비슷하게 생성형 AI가 전환적(transformative) 영향을 미칠 것이라고 본 기업의 60%가 기술 스택의 조정에서 실질적인 진전이 있었던 반면, 그렇게 보지 않은 기업 중 이러한 진전이 있었던 비율은 33%에 불과했다.

 

 

AI 여정을 위한 계획 수립

 

자산운용업의 AI 시대가 다가올 미래가 아니라 이미 현실이다. 자산운용사는 신중한 관찰자로서 낙오의 위험을 감수할지 아니면 능동적 전환의 길로 나아가 AI에 필요한 조직 역량을 구축할지 선택해야 한다. 자산운용사가 AI에 기반한 생산성 향상, 개인화 진전, 비상장 시장 성장의 혜택을 누리기 위해서는 담대해야 한다. 오른쪽은 AI 전환을 위한 3단계 BCG 프로그램에 맞춘 AI 여정을 위한 세 가지 핵심 제안이다.

• 즉각적인 효과를 노려라. 우선 생산성 향상을 직접적인 목표로 삼고 AI를 일상적 업무에 통합해야 한다. 대대적인 점검이 없어도 운영 효율성 및 의사결정을 개선할 수 있는 고영향 분야를 찾아야 할 것이다. 이들 분야에 AI 도입 시 기대할 수 있는 명확하고 달성 가능한 목표(예: 데이터 분석 자동화, 고객 챗봇 개발)를 설정해야 한다.
• 전략적 비전을 수립하라. AI의 일차 도입 후에는 핵심 업무 기능의 근본적인 변화를 위해 피상적 수준의 개선 그 이상을 봐야 한다. 직원들이 단순 개선의 수준을 넘어 전환 수준의 인식을 가지고 특히 고객 상호작용 및 투자 전략에 영향을 미치는 요소를 파악하도록 도전 정신을 자극해야 한다. 이를 통해 자산운용사는 더 높은 수준의 개인화된 서비스 및 고객 참여 기회를 제공하면서 AI 역량 강화를 추진할 수 있다.
• 장기적인 그림을 그려라. 탄탄한 AI 기반을 구축했다면 이제 새로운 서비스, 새로운 상품, 새로운 비즈니스 모델 개척에 나설 차례다. 이 단계는 현재 시장에 출시되어 있는 상품을 넘어, AI를 활용해 독창적인 기회를 발굴하고 창출하는 단계이다. 이는 장기적인 사업이며, 기술에 대한 투자뿐만 아니라 창의력과 실험 정신에 대한 깊은 헌신이 요구된다.

AI의 빠른 발전 속도로 볼 때, AI 여정의 출발이 늦어지면 추격이 불가능한 수준으로 낙오될 위험이 있다. 이와 반대로, 과감하게 그리고 전력을 다해 전진하면 탁월한 AI 통합뿐만 아니라 자산운용업 자체의 전환을 주도하게 될 것이다. 자산운용사가 이러한 전향적 태도를 견지한다면 구조적 과제를 극복하고 압도적 경쟁우위를 확보할 수 있을 것이다.

 

 

부록