"거절 고객도 정밀 심사”…어피닛-서울대, 신용 평가 AI 특허 출원

(zdnet.co.kr)

ZDNet Korea2026년 9월 3일AI 산업

AI 금융 플랫폼 어피닛이 서울대와 공동으로 대출 미승인 고객의 상환 데이터를 축적해 신용 평가의 정밀도를 높이는 AI 기술 특허를 출원하며, 기존 금융 시스템의 데이터 사각지대를 해소할 새로운 돌파구를 제시했습니다.

이 글의 핵심 포인트

1어피닛과 서울대 산학협력단, 신용 평가 정교화 AI 기술 특허 공동 출원
2대출 미승인 고객의 상환 데이터가 축적되지 않던 기존 시스템의 한계 극복
3AI 시뮬레이션, 시범 승인, 데이터 축적을 포함한 3단계 전환 절차 개발
4인도 '트루밸런스' 심사 시스템에 기술 적용 및 신흥 시장 확장 추진
5부도율 예측을 넘어 심사 결정 자체를 학습할 수 있는 기술적 진보 달성

이 글에 대한 공공지능 분석

왜 중요한가?

기존 신용 평가 시스템은 대출이 승인된 고객의 데이터에만 의존하기 때문에, 거절된 고객의 실제 상환 능력을 확인할 방법이 없는 '데이터의 단절' 문제가 있었습니다. 이번 기술은 이 단절된 고리를 연결하여 잠재적 우량 고객을 식별할 수 있는 새로운 데이터 플라이휠을 구축했다는 점에서 매우 중요합니다.

어떤 배경과 맥락이 있나?

전통적인 신용 평가는 부도율 예측에 집중해 왔으나, 이는 이미 데이터가 존재하는 고객군에 국한되는 한계가 있었습니다. 어피닛은 이를 극복하기 위해 AI 시뮬레이션과 단계적 승인 절차를 결합하여, 데이터가 부족한 신규 고객군(Thin-filer)을 안전하게 포섭할 수 있는 프레임워크를 개발했습니다.

업계에 어떤 영향을 주나?

핀테크 기업들에게 이번 기술은 인도와 같은 신흥 시장 진출을 위한 강력한 무기가 될 수 있습니다. 금융 이력이 부족한 인구가 많은 지역에서 '데이터 부재'라는 리스크를 '데이터 축적의 기회'로 전환함으로써, 신용 평가 모델의 시장 점유율을 획기적으로 넓힐 수 있는 계기를 마련했습니다.

한국 시장에 어떤 시사점이 있나?

국내 스타트업 역시 단순한 모델 성능 경쟁을 넘어, 어떻게 하면 학습되지 않은 영역의 데이터를 능동적으로 생성하고 수집할 것인가에 대한 전략적 고민이 필요합니다. 특히 대안 신용 평가 시장에서 데이터의 양적 팽창과 질적 정교화를 동시에 달성할 수 있는 '액티브 러닝(Active Learning)' 구조의 설계가 핵심 경쟁력이 될 것입니다.

이 글에 대한 큐레이터 의견

이번 특허 출원은 단순한 알고리즘 개선을 넘어, 데이터 생성 프로세스 자체를 비즈니스 모델에 내재화했다는 점에서 매우 영리한 전략입니다. 스타트업 창업자들은 모델의 정확도(Accuracy)에만 매몰될 것이 아니라, 모델이 학습할 수 있는 '새로운 데이터의 통로'를 어떻게 설계할 것인가에 집중해야 합니다. 어피닛은 거절 고객을 '버려지는 데이터'가 아닌 '미래의 학습 자산'으로 재정의함으로써 데이터 플라이휠을 구축했습니다.

물론 리스크도 존재합니다. AI 시뮬레이션을 거쳤다 하더라도, 초기 단계의 시범 승인은 필연적으로 기존보다 높은 부도율(NPL)을 감수해야 하는 트레이드오프를 수반합니다. 만약 시뮬레이션이 예측하지 못한 꼬리 위험(Tail Risk)이 발생할 경우, 이는 곧바로 금융 플랫폼의 건전성 악화로 이어질 수 있습니다. 따라서 이 기술의 성패는 '시뮬레이션의 정밀도'와 '단계적 승인 규모의 통제'라는 운영적 탁월함에 달려 있습니다.

결론적으로, 신흥 시장의 금융 소외 계층을 타겟팅하는 핀테크 기업들에게 이번 사례는 데이터 사각지대를 비즈니스 기회로 전환하는 구체적인 방법론을 제시하고 있습니다. 데이터가 부족한 시장일수록, 데이터를 기다리는 것이 아니라 데이터를 만들어내는 시스템을 구축하는 것이 글로벌 확장의 핵심입니다.

원문 보기 →