안트로피크, 금융 분야 10개 AI 에이전트 출시…IPO 준비 수익 추구 중인 두 회사

Anthropic이 발표한 10종의 금융 특화 AI 에이전트는 사전 구성된(preconfigured) 템플릿 형태로, 투자은행·자산운용사·보험사의 반복 업무를 자동화하도록 설계되었다. 기술적으로는 Claude 모델을 기반으로 도메인별 시스템 프롬프트, MCP(Model Context Protocol) 커넥터, 도구 호출(tool use) 권한, 사내 데이터 소스 연동을 패키징한 구조로 추정된다. 리서치·리스크/컴플라이언스 점검·재무 회계 같은 영역은 정형 데이터 처리와 비정형 문서(공시, 약관, 리포트) 분석이 혼재된 워크플로우라, 단일 LLM 호출보다는 멀티스텝 에이전트가 검색·요약·검증을 반복하는 형태로 동작한다. 즉 단순 챗봇이 아니라 특정 업무 SOP를 LLM 위에 코드화한 "버티컬 에이전트"로, 기업이 처음부터 프롬프트 엔지니어링과 RAG 파이프라인을 구축할 필요를 줄여주는 것이 핵심이다.

엔지니어 입장에서 주목할 변화는 "에이전트 빌드 vs 에이전트 도입"의 의사결정 지점이 빠르게 이동하고 있다는 점이다. 그동안 사내 LLM 팀은 데이터 인덱싱, 권한 분리, 감사로그, 환각 방지 가드레일을 직접 구현해왔는데, 벤더가 금융 도메인 베스트 프랙티스를 묶어 내놓기 시작하면 자체 개발의 ROI는 떨어진다. 특히 Anthropic·OpenAI가 IPO를 염두에 두고 매출 가시화에 집중하면서, B2B 엔터프라이즈 SKU가 빠르게 고도화되고 있다는 점은 개발 로드맵에 직접적인 영향을 준다. 사내에서 "RAG 챗봇" 수준의 PoC를 만들고 있다면, 6~12개월 내에 동일 기능이 벤더 템플릿으로 상품화될 가능성이 높고, 차별화 포인트는 사내 시스템 통합·권한 모델·도메인 평가셋 쪽으로 옮겨가게 된다.

한국 개발자가 지금 챙겨야 할 실무 포인트는 세 가지다. 첫째, 자사 LLM 워크플로우를 에이전트 단위로 분해해 어느 부분이 "벤더 표준화"에 흡수될지, 어느 부분이 "조직 고유 로직"으로 남을지 구분해두어야 한다. 둘째, 금융권처럼 규제가 강한 도메인에서는 모델 선택보다 데이터 거버넌스(망분리, 개인정보 마스킹, 감사 추적, 모델 카드 관리)가 도입 가능 여부를 결정하므로, MCP·툴 호출 시의 권한 경계 설계와 호출 로그 영속화 전략을 미리 점검해야 한다. 셋째, 벤더 템플릿을 그대로 쓰더라도 "출력 검증 레이어"는 자체 평가셋(eval set)으로 운영해야 하며, LLM-as-a-judge나 룰 기반 검증을 CI 수준으로 자동화해 두어야 모델/프롬프트 업데이트 시 회귀를 잡을 수 있다. 결과적으로 LLM 애플리케이션 엔지니어의 역량은 "프롬프트를 잘 짜는 사람"에서 "도메인 평가·통합·거버넌스를 설계하는 사람"으로 빠르게 재정의되고 있다.