웹케시, LG AI연구원 'K-엑사원'으로 금융 AI 에이전트 실증 착수

웹케시(053580)가 LG AI연구원이 개발한 인공지능(AI) 모델 'K-엑사원'을 기업 자금관리와 금융기관 경영정보 업무에 붙이는 실증에 들어간다. 정부가 추진하는 '독자 AI 파운데이션 모델' 프로젝트에서 LG AI연구원 컨소시엄의 일원으로 금융 업무 특화 AI 에이전트를 개발·검증하는 역할을 맡았다고 28일 발표했다.

독자 AI 파운데이션 모델 프로젝트는 과학기술정보통신부와 정보통신산업진흥원(NIPA)이 국산 AI 모델의 경쟁력을 높이고 국내 AI 생태계를 넓히기 위해 진행하는 국가 사업이다. 현재 LG AI연구원, SK텔레콤, 업스테이지가 각각 이끄는 3개 컨소시엄이 경쟁 구도를 이루고 있다.

이번 실증에서 웹케시가 내놓는 것은 기업 자금관리 분야에서 쌓아 온 업무 지식과 금융 데이터 연결 기술이다. 자체 솔루션 '오페리아(OPERIA)'를 K-엑사원과 연동해 기업 자금관리 에이전트와 금융기관 경영정보시스템(MIS) 에이전트를 개발하는 것이 목표다. 범용 언어모델이 질문의 뜻을 파악하는 데서 멈추지 않고, 실제 업무에 필요한 데이터를 정확히 찾아 쓰도록 만드는 것이 이번 과제의 핵심이다.

오페리아는 관계형 데이터베이스(RDB)와 AI를 잇는 지능형 커넥터다. 사용자가 일상 언어로 질문하면 이를 데이터베이스 질의어(SQL)로 바꿔 필요한 데이터를 뽑아낸다. 특정 언어모델에 묶이지 않고 여러 거대언어모델(LLM)과 연동할 수 있다는 점이 특징으로 꼽힌다.

웹케시는 오페리아를 바탕으로 금융기관·공공기관·기업을 대상으로 한 사업을 넓히고 있다. 자금관리 에이전트, 에이전트뱅킹, AI 경영정보시스템, 재정 AX, 경리365 등이 이 솔루션 위에서 돌아가는 대표 서비스다. 현재 NH농협은행의 'AI 하나로'와 웹케시 자금관리서비스(CMS) 등에도 활용되고 있다.

은행 현장 적용 과정에서 겪은 시행착오도 공개된 바 있다. 조은미 웹케시 성장전략센터장은 이달 7일 서울 코엑스에서 열린 'AI페스타26' 부대행사에서 한 은행의 경영정보 에이전트 구축 사례를 소개하며, 초기 테스트 때 AI가 분기 실적의 날짜 범위를 잘못 잡거나 근거 없는 증감률을 내놓아 별도의 학습과 통제 작업이 필요했다고 돌아봤다. 웹케시는 날짜 해석을 32개 패턴의 규칙 기반 엔진에 맡기고, 은행 용어 317개를 정리해 879개 데이터 컬럼과 연결했으며, 지표별 계산 방식 128개 규칙을 정의하는 방식으로 이를 보완했다.

운영 안정성 확보에도 공을 들였다. 하루 약 2400만 건이 쌓이는 예금 잔액 테이블에서 조회에 최대 20분이 걸리던 문제를 쿼리 최적화로 5초 수준까지 줄였고, 위험한 SQL을 실행 전에 걸러내는 예측 모델도 개발했다. 질문이 모호하면 AI가 추측해 답하지 않고 되묻도록 설계한 점도 금융권의 환각 우려를 고려한 장치다.

앞서 쌓은 실증 경험도 이번 사업의 밑바탕이 된다. 웹케시는 올해 4월 '금융 AI 에이전트 컨퍼런스 2026'에서 NH농협은행과 에이전트뱅킹 개념검증(PoC)을, 광주은행과 경영정보 에이전트 실증을 수행한 사례를 공개했다. 이 회사는 올해 AI 부문에서 신규 매출 50억 원을 목표로 제시했으며, 기존에 거래해 온 공공기관 고객 500여 곳을 재정 AX 사업 확대의 기반으로 보고 있다.

협력 상대인 LG AI연구원도 모델 고도화와 산업 현장 적용을 함께 진행하고 있다. 올해 7월에는 7500억 개 파라미터를 갖춘 'K-엑사원 2.0'을 공개하고, 상업적 이용이 가능한 아파치 2.0 라이선스를 적용했다. 국산 대형 모델에 금융 실무 지식을 얹는 이번 협업은 범용 모델의 산업별 활용 가능성을 확인하는 시험대 성격도 띤다.

강원주 웹케시 대표는 "AI가 산업 현장에서 가치를 만들려면 업무 이해와 정확한 데이터 활용이 중요하다"며 "K-엑사원과 웹케시의 금융 AI 기술을 결합해 국내 AI 생태계 확대에 기여하겠다"고 말했다. 웹케시그룹 계열 AI 전문기업 다큐브는 자연어를 SQL로 바꾸는 엔진 '큐비(QUVI)'를 개발해 왔다.

과제도 남아 있다. 금융·공공 분야는 업무 효율뿐 아니라 데이터 접근 권한, 결과 검증, 오류 대응 같은 운영 통제가 도입의 전제 조건이다. 기존 고객 수나 도입 의향이 곧바로 계약으로 이어지는 것은 아니어서, 기관별 예산 편성과 발주 일정, 구축·운영 비용까지 따져야 실제 수익성을 가늠할 수 있다는 지적이 업계에서 나온다.

결국 이번 실증의 성패는 AI 에이전트가 금융 현장에서 처리 시간을 얼마나 줄이고 오류를 얼마나 낮추는지 객관적인 수치로 보여줄 수 있느냐에 달려 있다. 실증 결과가 확인되면 웹케시의 자금관리·경영정보 에이전트가 다른 금융기관과 공공기관으로 확산될지 가늠하는 잣대가 될 전망이다.