핀테크의 AI 질문, 상당수가 틀렸다 [크리스티안 카탈리니]

핀테크는 지난 15년 동안 ‘은행은 인가 문제(charter problem)를 안고 있는 소프트웨어 회사’라는 말을 점잖게 설명해 왔다. 때로는 마케팅 문구였고, 때로는 사실이었으며, 또 어떤 때는 금융 서비스에서 가장 어려운 일이 애플리케이션(앱)을 만드는 것이 아니라 다른 사람의 돈을 만질 자격을 얻고, 유지하는 일이라는 점을 상기시키는 말이었다.

AI는 이 문제를 완화하기는커녕 오히려 더 날카롭게 만든다. 대중적으로 유통되는 AI 서사는 이것이 모두에게 도움이 되는 범용 기술이라는 것이다. AI는 코드를 작성하고, 문서를 요약하며, 고객 문의에 답하고, 정책을 초안 작성하고, 의심 거래를 표시하고, 대출 심사를 돕고, 무언가를 증명하려는 여름 인턴보다 더 빠르게 발표 자료를 만든다. 다시 말해 AI는 ‘소프트웨어화된 노동(labor-as-software)’이며, 금융 서비스의 상당 부분은 서류 작업, 조정, 예외 처리, 서로 단절된 시스템 사이에서 정보를 옮기는 일로 구성돼 있다.

이 점이 왜 중요한지를 이해하려면, 금융기관이 실제로 무엇인지 생각해 볼 필요가 있다. 그 본질은 검증, 시장 조성, 리스크 관리를 수행하는 기계다. 금융기관은 정보를 처리하는 존재이며, 급여 수준, 소비 습관, 신용 점수 같은 정보를 입력받아 이를 가공한 뒤 의사결정을 좌우하는 ‘토큰’을 출력하는 일종의 ‘토큰 공장’이다. 수십 년 동안 이 검증 비용이 높았던 이유는 인간 노동에 의존했기 때문이다. 현대 AI의 약속은 이 인간 노동을 코드로 전환하는 데 있다.

그렇다. 모든 업무 절차는 재설계될 것이다. 하지만 핵심 질문은 이것이다. AI가 기존 사업자들에 유리한 시장 구조를 더 단단히 고착시키는가, 아니면 신규 진입자들이 의미 있는 점유율을 가져갈 수 있는 창을 여는가.

이를 다소 불편한 방식으로 생각해 보자. AI는 거대한 가속기다. 이미 가지고 있는 엔진을 더 부드럽고 빠르게 돌게 만든다. 이미 유통망, 데이터, 규제 인허가를 갖고 있다면 AI는 이를 빠르고 저렴하게 확장하게 해준다. 반대로 그것들이 없다면, AI는 엔진을 만드는 데 도움을 줄 수는 있지만 완전히 새로운 활용 사례를 개척하지 않는 한 주목과 유통을 두고 더 치열하게 경쟁해야 한다.

기존 사업자의 우위

먼저 두 가지 고전적인 해자(moats·진입 장벽)를 보자. 유통과 데이터다. 유통은 겉보기엔 평범하지만 결정적인 힘이다. 대형 은행이나 규모화된 결제 플랫폼은 누구의 허락도 받지 않고 수천만 명의 고객에게 AI 기능을 배포할 수 있다. 두 가지 안을 나눠 시험해 보고, 빠르게 반복 개선하며, 안전 장치·사람의 검토·감사 로그를 갖춘 상태로 점진적으로 출시할 수 있다. AI가 고객 서비스를 더 저렴하게 만들고, 사기 탐지를 정교하게 하며, 마케팅을 정밀하게 하고, 가입·초기 사용 안내 과정을 부드럽게 만든다면, 기존 사업자들은 즉시 그 효과를 누린다. 그것도 방대한 고객 기반 위에서 말이다. 최고의 AI는 반드시 비용을 줄이는 AI가 아니라, 매출을 확장할 수 있는 AI다.

한편 AI 시대에서 데이터와 규모는 과거보다 더 구체적인 형태의 해자가 된다. 단순히 데이터가 많다는 문제가 아니다. 결과와 연결된 ‘올바른 데이터’를 가지고 있다는 점이 핵심이다. 부도난 대출, 카드 결제 취소로 이어진 거래, 의심거래보고(SAR)로 이어진 알림, 세 번의 분쟁 끝에 이탈한 고객, 처음엔 깨끗했지만 나중에 문제가 된 가맹점 등이다. 여기에 과거의 인간 개입 의사결정 데이터도 포함된다. 운영 규모 그 자체가 관련된 ‘운영 부산물(exhaust)’을 만들어낸다. 사람이 따로 확인해야 하는 업무 목록, 수작업 검토, 케이스 관리 시스템의 메모들-지저분하고 화려하지 않지만, 단순 반복 업무를 자동화하려면 정확히 이런 데이터가 필요하다.

어떤 산업에서는 스타트업이 공개 데이터와 영리한 엔지니어링만으로도 가치의 80%를 확보할 수 있다. 하지만 규제 금융에서는 마지막 20%에 시체가 묻혀 있고, 동시에 가치가 있다. 그리고 규제 당국과 거래 상대방이 가장 신경 쓰는 지점도 바로 그 마지막 20%다.

여기에 핀테크 업계가 그다지 얘기하고 싶어 하지 않는 요소가 있다. AI 거버넌스는 규제 자본의 한 형태라는 점이다. AI가 신용 결정, 사기 대응, 자금세탁방지(AML) 모니터링, 고객 커뮤니케이션, 자문에 깊숙이 들어가면 규제 당국과 감사인은 문서화, 테스트, 통제를 요구할 것이다. 대형 기존 사업자들은 이미 모델 리스크 관리 조직, 규제를 지키기 위한 내부 절차와 시스템, ‘증명하라’는 요구를 규모 있게 수행할 수 있는 법무팀을 갖추고 있다. 스테이블코인이 지니어스 법안(GENIUS Act)으로 ‘지루한 존재’가 되면서 곧 알게 되겠지만, 이들은 규제 당국과의 관계도 갖고 있다. AI가 컴플라이언스 기준을 높인다면, 진입 장벽 역시 높아질 수 있다.

마지막으로, 기존 사업자가 가진 가장 잔혹한 무기가 있다. 교차 보조를 통한 가격 결정력이다. 어떤 AI 기능이 지나치게 매력적이라면, 그것이 독립적인 제품으로 오래 남아 있을 가능성은 낮다. 있으면 당연한 기본 기능이 되고, 묶음 상품이 되며, ‘무료’가 된다. 순이자마진, 카드 결제 수수료에서 나오는 수익, 국채 수익, 기업 계약이 이를 뒷받침한다. 새로운 서비스로 수익을 내길 기대했던 스타트업은 어느 날 눈을 떠 보니, 그것이 기존 사업자의 서비스에 포함돼 있는 상황을 맞닥뜨릴 수 있다. 다시 말해 AI는 차별화를 기존 사업자가 이미 지배하고 있는 영역-신뢰, 권한 부여, 유통-으로 압축시킨다.

그래도 스타트업이 AI를 사랑할 이유

그럼에도 핀테크 혁신은 기존 사업자가 이미 잘하는 일을 더 잘해서 나오지 않는다. 그것은 고객 여정이 시작되는 지점을 바꾸는 것에서 나온다.

살아남는 스타트업은 은행보다 코드를 더 잘 짜려는 곳이 아니다. 인간 노동이 너무 비싸서 과거에는 서비스할 수 없었던, 작거나 복잡한 시장을 공략하는 곳이다. 노동이 소프트웨어가 되면서, 스타트업은 이런 예외적인 사례를 수익성 있게 다룰 수 있게 됐다.

여기서 대규모 언어모델(LLM), 에이전트, 가상자산이 중요해진다. 단순한 기능이 아니라 새로운 인터페이스이자 모듈형 기술 체계로서다. 오랫동안 금융 서비스의 유통은 앱 중심이었다. 만약 다음 인터페이스가 에이전트 중심-사용자가 비서에게 돈을 옮기고, 현금을 최적화하고, 결제에 이의를 제기하고, 부채를 재조정하고, 거래처 지급을 실행해 달라고 요청하는 방식-이라면, 유통의 중심은 급격히 이동할 수 있다. 이는 과거 새로운 판을 바꾸는 기술이 등장할 때마다 반복돼 온 현상이다.

브라우저가 중요했던 이유는, 이전에는 다른 곳에서 시작되던 활동의 기본 출발점이 됐기 때문이다. AI 에이전트도 비슷한 역할을 할 수 있다. 소비자와 기업이 금융 업무를 에이전트 계층에서 시작한다면, 승자는 자동으로 가장 큰 금융기관이 되는 것이 아니라 에이전트 관계, 권한 관리, 라우팅 로직을 가장 잘 확장하는 주체가 된다. 그것이 은행일 수도, 핀테크나 네오뱅크일 수도, 완전히 새로운 스타트업일 수도 있다. 하지만 지점이 가장 많은 기존 은행일 가능성은 낮다.

AI는 스타트업의 수익 구조도 보다 일상적인 방식으로 바꾼다. 첫째, 실험 비용이 급격히 낮아진다. 소규모 팀도 클로드 코드(Claude Code) 같은 도구를 활용해 업무 흐름을 시제품으로 만들고, 사용자 가입 과정을 생성하고, 내부 도구를 구축하며, AI 이전 시대보다 훨씬 빠르게 고품질 제품을 출시할 수 있다. 둘째, 운영 확장이 빨라진다. 고객 지원, 분쟁 접수, 문서 처리, 규제 관련 분류, 영업 지원 등 인력 집약적이던 영역이 소프트웨어화된 노동이 된다. 이는 많은 핀테크 비즈니스의 최소 유효 규모를 낮춘다. 마지막으로 AI는 ‘처음부터 끝까지 일을 대신해주는’ 제품을 더 매력적으로 만든다. 단순히 기능만 제공하는 서비스가 아니라, 처음부터 끝까지 실제로 일을 해주는 시스템이다. 이는 좁은 영역에 집요하게 집중하며 실질적 가치를 제공하는 진입자에게 유리하다.

여기에 미묘하지만 중요한 측면이 있다. 가상자산, 특히 비수탁 지갑과 스테이블코인의 결합은 금융 서비스를 만드는 완전히 새로운 패러다임을 제시한다. 규제가 필요한 영역은 자금이 들어오고 나가는 관문에 집중되고, 그 밖의 영역에서는 네오뱅크나 핀테크 기업이 이전보다 훨씬 빠르게 글로벌로 확장할 수 있다.

이는 단순한 개선이 아니라 구조 자체를 바꾸는 변화다. 더 싸게, 더 빠르게 제공하는 문제가 아니라, 돈이 작동하는 기본 방식 자체가 달라지는 것이다. 이미 이런 움직임은 현실이 되고 있다. 스트라이프는 ‘프리비(Privy)’와 함께 지갑 기능과 스테이블코인 발행을 서비스에 포함시켰고, 써클 역시 ‘아크(Arc)’를 통해 비슷한 시도를 하고 있다. 폴리곤은 실물 결제에 쓰일 수 있도록 관련 라이선스를 더하고 있다. 다만 이 변화에는 시급한 부작용도 있다. AI가 딥페이크, 가짜 신원, 정교한 피싱을 쏟아낼수록 ‘무엇이 진짜인가’를 가려내는 문제는 생존의 문제가 된다. 지금의 신원 확인 체계는 이런 환경을 감당하기 어렵다. 이 지점에서 가상자산의 핵심 기술은 결제를 넘어서는 역할을 한다. 개인정보를 드러내지 않고도 출처와 인간임을 증명할 수 있는, 암호 기술 기반의 신원 체계다. 이를 통해 기관을 넘나드는 더 강력한 인증 구조를 만들 수 있다.

기존 사업자들은 효율 경쟁에서는 여전히 강하다. 하지만 이 새로운 기반을 깔아가는 스타트업들은 ‘진짜와 가짜를 가르는 경쟁’에서 승리할 기회를 갖는다. 그리고 다시 시장 구조의 문제로 돌아온다.

핀테크가 던져야 할 진짜 AI 질문

AI는 단순한 제품 선택이 아니다. 시장 구조에 대한 선택이다. AI가 내부 효율을 높이는 데 쓰일 경우-고객 지원 비용을 낮추고, 운영을 빠르게 하고, 사기 탐지를 개선하는 방식이라면-기존 사업자의 우위는 더 커진다. 이들은 이미 고객, 데이터, 권한을 갖고 있고, AI 효과를 거의 추가 비용 없이 흡수할 수 있기 때문이다.

하지만 AI가 인터페이스를 바꾼다면 상황은 달라진다.

금융 업무가 시작되는 지점이 어디인지, 고객 관계를 누가 쥐는지, 상품이 어떻게 선택되고 묶이는지가 바뀐다면 스타트업에 기회가 열린다. 이 경우 기존 사업자는 단순히 기능을 따라 만드는 수준을 넘어, 유통 구조 자체를 지켜야 한다.

많은 핀테크 기업은 AI를 비용 절감 도구로 다루고 싶어 할 것이다. 합리적이고, 이사회에 수치로 설명하기도 쉽다. 하지만 이는 전략적으로 소극적인 선택일 수 있다. 비용을 줄이는 것과, 다음 시대의 표준이 될 접점을 장악하는 것은 전혀 다른 문제이기 때문이다.

결국 승자는 두 가지를 동시에 해내는 곳이다. 한편으로는 데이터와 학습 효과를 쌓아 방어력을 만들고, 다른 한편으로는 사용자가 금융 일을 시작하는 ‘출발점’을 놓고 경쟁한다.

이 긴장은 조직 이론의 대가인 제임스 마치(James G. March)가 말한 개념으로 정리할 수 있다.

탐색(Exploration)과 활용(Exploitation)의 대비다. AI는 이미 검증된 방식을 실행하는 일을 빠르고 싸게 만들어 기존 사업자에게 유리한 환경을 제공한다. 동시에, 소규모 팀이 대기업보다 더 빠르게 새로운 기회를 실험하도록 돕는다.

모델은 누구나 쓸 수 있다. 하지만 신뢰, 권한, 성과, 유통은 아무나 빌릴 수 있는 것이 아니다. AI는 어떤 핀테크가 진짜로 그 자산을 가졌는지, 그리고 어떤 핀테크가 그동안 남의 자산에 기대어 성장해 왔는지를 분명히 드러내게 될 것이다.

Every Fintech Has an AI Question. Many Are Asking the Wrong One.

Fintech has spent the last fifteen years politely explaining that banks are software companies with a charter problem. Sometimes this is marketing. Sometimes it’s true. And sometimes it’s a reminder that the hardest part of financial services is not building an app-it’s earning (and keeping) the right to touch other people’s money.

AI makes that problem more acute, not less. The popular version of the AI story is that it’s a general-purpose technology that helps everyone. It writes code, summarizes documents, answers customer questions, drafts policies, flags suspicious transactions, helps underwrite loans, and makes slide decks faster than a summer analyst with something to prove. In other words: it is “labor-as-software,” and a huge portion of financial services is paperwork, reconciliations, exceptions, and people moving information between siloed systems.

To understand why this matters, consider what a financial institution actually is. At its core, it is a machine for verification, market-making, and risk management. It is an information processing entity, a “token factory” that takes information in-your salary, spending habits, credit score-enriches it, and returns tokens out that drive decisions. For decades, the cost of that verification was high because it relied on human labor. The promise of modern AI is that it turns this human labor into code.

So yes, every workflow will be redesigned. But the key question is whether AI locks the market structure even more firmly in favor of incumbents-or whether it opens a window for new entrants to take meaningful share.

Here is an uncomfortable way to think about it: AI is a massive accelerant. It can make the engine you already have go smoother and faster. If you already have distribution, data, and regulatory licenses, AI will let you scale quickly and cheaply. If you don’t, AI can still help you build an engine-but unless you are pioneering a completely new use case, you will have to compete even more fiercely for attention and distribution.

The Incumbents’ Advantage

Start with two classic moats: distribution and data. Distribution is the boring superpower. A big bank or a scaled payments platform can ship an AI feature to tens of millions of customers without asking anyone’s permission. They can A/B test it, iterate rapidly, and roll it out gradually with guardrails, human review, and audit logs. If AI makes customer service cheaper, fraud detection sharper, marketing more precise, and onboarding smoother, incumbents get those gains immediately-and they get them on a massive base. The best AI is not necessarily AI that cuts through costs, but the one that can scale revenues.

Meanwhile, data plus scale becomes a more specific kind of moat in an AI world than it was in the past. It’s not just that incumbents have more data. It’s that they have the right, outcome-linked data: the loan that defaulted, the transaction that was a chargeback, the alert that turned into a SAR (or didn’t), the customer who churned after three disputes, the merchant that started clean and turned bad. They also have information about past, human-in-the-loop decisions. The mere scale of their operations gives them the relevant operational “exhaust”: the exception queues, the manual reviews, the notes in the case management system-messy, unglamorous, and exactly what you want if you’re trying to automate grunt, unglamorous work.

In some industries, a startup can often get 80% of the value with public data and clever engineering. In regulated finance, the last 20% is where the bodies are buried-and where the value is. That last 20% is also where regulators and counterparties care most.

Then there’s the part fintech people don’t love to talk about: AI governance is a form of regulatory capital. If AI becomes embedded in credit decisions, fraud ops, AML monitoring, customer communications, and advice, regulators and auditors will want documentation, testing, and controls. Large incumbents already have model risk management functions, compliance infrastructure, and legal teams that can do “prove it” work at scale. They also have the right relationship with regulators, as stablecoin issuers are about to discover now that the GENIUS Act made stablecoins boring. If AI raises the compliance bar, it can raise the barrier to entry.

Finally, incumbents have the most brutal weapon of all: pricing power through cross-subsidies. If an AI feature is too appealing, it won’t remain a standalone product for long. It becomes a checkbox. It can be bundled. It becomes “free”, funded by net interest margin, interchange economics, treasury yields, or enterprise contracts. Startups that hoped to charge for a new service can wake up to find it included in the incumbents’ services. AI, in other words, can compress differentiation into the places incumbents already dominate: trust, permissioning, and distribution.

Why Startups Will Love This Anyway

And yet: fintech disruption doesn’t come from beating incumbents at what they already do. It comes from changing the map of where customer journeys start.

The startups that survive will not be the ones trying to out-code the banks. They will be the ones building in the markets that were previously too small or too complex to service because human labor was too expensive. Now, with labor as software, startups can service these edge cases profitably.

This is where LLMs, agents, and crypto matter, not as a feature but as a new interface and modular technology stack. For years, financial services distribution was app-centered: the bank app, the brokerage app, the expense tool, the invoicing tool. If the next interface is agent-centered-a user asking an assistant to move money, optimize cash, dispute a charge, refinance debt, or spin up a vendor payment-then distribution could rapidly shift-pretty much as it has every time a new, breakthrough technology arrives.

The browser mattered because it became the default starting point for activity that used to begin elsewhere. AI agents could do something similar. If consumers and businesses begin their financial tasks in an agentic layer, the winners are not automatically the biggest financial institutions, they are whoever can scale the agent relationship, the permissions, and the routing logic. That might be a bank. It might be a fintech or neobank company. It might be a new startup. But it is unlikely to be the incumbent with the most branches.

AI also changes startup math in more mundane ways. First, the cost of experimentation collapses. Small teams can use tools like Claude Code to prototype workflows, generate onboarding flows, build internal tooling, and ship higher-quality products faster than a pre-AI team could. Second, they can scale their operations faster: customer support, dispute intake, document processing, compliance triage, and sales enablement-previously headcount-heavy-become labor-as-software. This lowers the minimum viable scale for many fintech businesses. Last, AI makes “end-to-end workflow” products more compelling: not generic software-as-a-service, but a system that actually does the work from start to finish. That tends to favor focused entrants who obsess over a narrow domain, and deliver tangible value to customers.

There is also a subtle but important angle: crypto and in particular non-custodial wallets, when combined with stablecoins, introduce a completely new paradigm for building financial services. One where licensing becomes less relevant beyond the regulated on- and off-ramps, and one where every ambitious neobank or fintech can scale their ideas globally much faster than before.

This requires architectural innovation. It is not about delivering financial services better, cheaper or faster (sustaining innovation). It is about changing the primitives of how money works. We are already seeing this shift. Stripe has added embedded wallets with Privy and stablecoin whitelabel issuance. Circle is doing the same with Arc. Polygon is adding licenses to make its blockchain network useful for real-world payments.

There is a final, urgent side effect of this shift. As AI floods the world with infinite noise-deepfakes, synthetic identities, and sophisticated phishing-the need for verification becomes existential. The current identity stack cannot withstand the side effects of AI. This is where crypto primitives offer a solution beyond just payments: interoperable, cryptographic identity. By using public-private key infrastructure to prove origin and humanity without revealing personal data, we can build a stronger form of identity that works across institutions. The incumbents will win the war for efficiency, but startups building these new rails have a chance to win the war for truth.

Which brings us back to the market structure question.

The Real AI Question for Fintechs

AI isn’t a product decision. It’s a market-structure decision. If AI mainly improves internal efficiency-cheaper support, faster ops, better fraud scoring-then incumbents widen the moat. They already have the customers, the permissioning, the data, and the ability to bundle the improvements at near-zero incremental price.

If AI changes the interface-where financial work starts, who holds the customer relationship, and how products are chosen or combined-then startups get a real shot, and incumbents have to defend distribution rather than just ship imitative features.

Many fintechs will be tempted to treat AI as the first thing: an efficiency program. That’s rational, measurable, and easy to sell to a board. But it can also be strategically timid. Cutting your cost base is good. It is not the same thing as ensuring you control distribution when the next interface becomes the standard.

The winners will do two things at once. They will build defensible data flywheels and they will fight for starting-point distribution-the place where the user begins the financial task-whether they are a consumer or business.

Ultimately, the tension between incumbents and startups boils down to a framework identified by James March: Exploration vs. Exploitation. On one hand, AI makes exploitation-executing on a known path-trivial and cheap. This heavily favors incumbents, who can now replicate valid ideas faster than ever before. On the other hand, AI also collapses the cost of exploration. It allows small teams to explore “white space”-use cases that have not been discovered yet-faster than a large organization ever could.

Everyone can rent a model. Not everyone can rent trust, permissions, outcomes, and distribution. AI will expose which fintechs actually own (or deserve to own) those assets-and which ones were just renting them from a future competitor.