Hub-and-Spoke AI: Wells Fargo가 중앙 통제와 현업 팀을 나눠 AI를 전사로 넓히는 방식
Wells Fargo AI 제품 책임자 Faraz Shafiq이 Money20/20에서 밝힌 전사 AI 운영 원칙 네 가지(허브-스포크 구조, 고가치 쓰임새 집중, 처음부터 넣는 통제, 직원 역량 강화)를 정리하고, 우리 조직에서 허브를 세우고 첫 8주를 돌리는 방법을 붙였습니다.
규제가 무거운 대형 은행이 AI를 빨리 넓히는 방법은 통제를 줄이는 것이 아니라, 통제를 중앙 허브 한곳에서 한 번 만들어 모든 현업 팀이 쓰게 하는 것입니다. 우리 조직에 옮기려면 허브가 맡을 공통 요소와 현업 팀이 맡을 쓰임새를 먼저 나누고, 소수의 고가치 과제를 고르고, 위험 질문을 착수 회의로 옮겨야 합니다.
요약
자산 2조 3,000억 달러, 직원 19만 7,000명 규모의 Wells Fargo가 AI를 개별 도구에서 업무 방식 재설계로 넓히고 있습니다. 2026년 2월 Amazon Web Services에서 옮겨 와 AI 제품·솔루션 총괄을 맡은 Faraz Shafiq이 라스베이거스 Money20/20 행사 대담에서 운영 방식을 설명했습니다. 은행은 연초에 먼저 직원들이 쓸 도구를 켰습니다. 이어 효과가 날 쓰임새를 골라 실제 성과를 보고 있고, 2027년에는 업무 흐름 자체를 AI 중심으로 다시 짜는 일을 가장 큰 과제로 둡니다.
Shafiq이 꼽은 열쇠는 넷입니다. 중앙 팀과 현업 팀이 일을 나누는 Hub-and-spoke(허브-스포크) 구조, 가치가 큰 소수 쓰임새에 집중하기, 속도를 내되 통제를 처음부터 넣기, 직원 역량 강화입니다. 근거로는 가상 비서 Fargo의 약 10억 건 고객 상호작용, 상담 준비 도구 Banker intelligence의 상품 판매율 40% 상승(Shafiq 발언), 모델 리스크 관리팀이 만든 사기 탐지 모델을 들었습니다. 아래에서 네 원칙의 작동 방식을 풀고, 우리 조직에서 허브를 세우고 첫 8주를 돌리는 방법을 덧붙입니다.
핵심 메커니즘
Hub-and-spoke: 통제는 한곳에서, 쓰임새는 현업에서
무엇인가. 은행 전체에 걸리는 요소는 중앙 팀(허브)이 맡고, 업무별 쓰임새는 그 업무 앱을 가진 팀(스포크)이 만드는 분업 구조입니다.
어떻게 작동하나. 허브는 거버넌스, 보안, 통제, 우선순위를 맡습니다. 이런 요소는 팀마다 따로 만들기보다 한 팀이 한 번 만들어 모두가 쓰는 편이 효율적이라는 판단입니다. 스포크는 상담, 영업, 사기 탐지처럼 각자 맡은 업무에서 쓰임새를 설계하고 운영합니다. Shafiq은 이 과정에서 도메인 지식이 매우 중요해진다고 봤습니다.
언제 쓰나. 사업부가 여럿이고 규제·보안 요구가 공통으로 걸리는 조직에 맞습니다. 사업부가 하나뿐인 작은 조직이라면 허브와 스포크를 나누는 비용이 더 클 수 있습니다.
고가치 쓰임새 집중: 소수 과제에 몰아 넣기
무엇인가. 몇 안 되는 쓰임새가 가치의 대부분을 만든다고 보고, 인력과 예산을 그쪽에 몰아 넣는 원칙입니다.
어떻게 작동하나. 지금은 거의 모든 과제에 AI, AI-enabled, AI-first, AI-native 같은 이름표가 붙습니다. Shafiq은 이 목록을 다 끌어안다가 힘이 흩어지는 것을 경계했습니다. 그래서 효과가 가장 큰 쓰임새를 먼저 골라 거기에 집중합니다. 은행은 자체 데이터와 이 선별 능력을 차별화의 원천으로 봅니다.
작은 예시(가상). 사업부가 40개 후보를 올리면 허브가 가치 크기, 도메인 팀 준비도, 데이터 보유 여부로 점수를 매겨 상위 5개만 이번 분기에 착수합니다.
Speed with discipline: 위험 질문을 착수 때로 옮기기
무엇인가. 운영 속도를 높이면서 안전, 통제, 가드레일, 거버넌스는 줄이지 않는 원칙입니다.
어떻게 작동하나. 통제 장치를 먼저 켜고 거버넌스 틀을 세운 뒤, 위험 논의를 프로젝트 첫머리에 엽니다. 만든 뒤에 리스크 검토에서 반려되는 재작업을 줄이는 방식입니다. Shafiq은 이를 두고 은행이 “move fast with the appropriate guardrails” 한다고 표현했습니다. 그는 내부 대화가 『그건 할 수 없다』에서 『안전하고 효과적으로 하려면 무엇이 필요한가』로 바뀌었다고 전했습니다.
Upskilling: 도구를 준 뒤 쓰게 만드는 학습 체계
무엇인가. 19만 7,000명의 직원이 AI 도구를 써서 일을 크게 키우게 하는 것이 목표이고, Shafiq은 구조화된 학습·훈련·역량 개발이 핵심이라고 봤습니다.
어떻게 작동하나. 도구 지급만으로는 사용이 늘지 않습니다. 직무별 학습 경로를 만들어 실제 업무에 붙여야 합니다. Shafiq은 Wells Fargo 같은 규모에서는 정착에 시간이 더 걸릴 수 있다고 덧붙였습니다.
통념과 다른 주장
흔히 이렇게 봅니다AI 확산 초기에는 부서마다 실험을 많이 벌여 과제 수를 늘리는 것이 좋다.
저자는 이렇게 봅니다소수 쓰임새가 가치 대부분을 만들기 때문에, 넓게 흩지 말고 효과가 가장 큰 쓰임새에 집중해야 합니다.
근거Shafiq이 든 성과는 상담(Fargo), 영업 준비(Banker intelligence), 사기 탐지, 마케팅처럼 업무 규모가 큰 몇 곳에 모여 있습니다.
흔히 이렇게 봅니다규제가 무거운 은행에서는 통제와 거버넌스가 AI 속도를 늦춘다.
저자는 이렇게 봅니다통제를 허브에서 먼저 만들고 위험 논의를 착수 때 열면, 통제를 지키면서도 더 빨리 움직일 수 있습니다.
근거Shafiq은 내부 대화가 금지에서 『안전하게 하려면 무엇이 필요한가』로 바뀌었다고 전했고, 통제 조직인 모델 리스크 관리팀이 직접 사기 탐지 모델을 만들었습니다.
저자가 든 사례
Fargo: 약 10억 건 상호작용을 쌓은 가상 비서
- 상황: 고객 문의를 대규모로 받아야 하는 소매 은행 채널.
- 한 일: 가상 비서 Fargo를 운영했습니다.
- 결과: 약 10억 건의 고객 상호작용 데이터가 쌓였습니다. 응대 품질이나 비용 절감 수치는 원문에서 밝히지 않았습니다.
- 연결: 고가치 쓰임새 집중과, 은행이 차별화 원천으로 꼽은 자체 데이터의 사례입니다.
Banker intelligence: 상담 준비를 돕는 도구
- 상황: 어드바이저가 고객 미팅을 준비하는 일.
- 한 일: Banker intelligence 도구로 미팅 준비를 지원했습니다.
- 결과: Shafiq은 상품 판매율이 40% 올랐다고 말했습니다. 비교 기준과 기간은 원문에서 밝히지 않았습니다.
- 연결: 영업 앱을 가진 스포크 팀이 도메인 지식으로 쓰임새를 만든 Hub-and-spoke의 사례입니다.
직불카드 사기 탐지: 통제 조직이 만든 small language model
- 상황: 직불카드 사기를 가려내는 일.
- 한 일: 모델 리스크 관리팀이 small language model(작은 언어 모델)을 직접 만들었습니다.
- 결과: 기성 모델보다 탐지 성능이 좋았습니다. 성능 수치는 원문에서 밝히지 않았습니다.
- 연결: 통제를 맡는 조직이 개발에 직접 참여한 Speed with discipline의 사례입니다. 마케팅 쪽에서도 AI로 캠페인을 설계해 도달 범위와 고객 반응 가능성을 높이고 있다고 했습니다.
기술 디테일: 우리 조직에 허브를 세우려면
아래는 원문의 운영 원칙을 우리 조직에 옮길 때 필요한 설계로, AX Review가 새로 작성했습니다. 숫자와 필드 이름은 가상 예시입니다.
Hub-and-spoke의 허브가 한 번 만들어 줄 것. 허브는 공통 부품 넷을 운영합니다. 첫째, 모든 모델 호출이 거치는 model gateway(모델 호출 관문)입니다. 인증, 개인정보 마스킹, 호출 로그, 비용 집계를 여기서 한 번에 처리합니다. 둘째, 쓰임새 등록부입니다. 스포크 팀은 착수 전에 아래 형식으로 등록하고, 허브는 이 기록으로 우선순위와 위험 등급을 정합니다.
{
"use_case_id": "UC-2027-014",
"owner_team": "개인고객 영업",
"workflow": "고객 미팅 준비",
"users": 1200,
"risk_tier": 2,
"data_sources": ["CRM 상담 이력", "상품 보유 현황"],
"pii": true,
"human_in_loop": "제안 내용은 담당자가 확인 후 사용",
"kpi": {"name": "미팅 준비 시간", "baseline_min": 45, "target_min": 15},
"model_route": "general_llm",
"eval_set_size": 200
}셋째, 평가 세트와 회귀 시험입니다. 쓰임새마다 정답이 있는 표본 200건을 두고 모델이나 프롬프트를 바꿀 때마다 다시 채점합니다. 같은 입력을 3회 돌려 답이 갈리는 비율도 함께 봅니다. 넷째, 운영 대시보드입니다. 쓰임새별 호출 수, 사용자 수, 오류율, 비용을 허브와 스포크가 같은 화면으로 봅니다.
고가치 쓰임새를 고르는 점수. 후보마다 가치(연간 영향 금액 또는 절감 시간), 빈도(월 처리 건수), 데이터 준비도, 도메인 팀 참여 여부를 0·3·5점으로 매기고 가치에 가중치 2를 줍니다. 상위 5개만 착수하고 나머지는 다음 분기에 다시 평가합니다.
위험 질문을 착수 때 여는 등급표. 착수 회의에서 질문지 10문항으로 등급을 정합니다. 고객 결과에 영향을 주는지, 여신·사기 판단에 쓰는지, 개인정보를 넣는지가 핵심 문항입니다. 등급마다 통제를 미리 정해 두면 스포크 팀은 무엇을 갖춰야 하는지 처음부터 압니다.
모델 경로를 나누는 기준. 사기 탐지 사례처럼 판단 범위가 좁고 데이터가 많은 업무는 범용 LLM 대신 자체 데이터로 학습한 작은 모델이 맞을 수 있습니다. 등록부의 model_route에 general_llm, small_model, rule_plus_model을 두고, 같은 평가 세트로 두 경로를 비교한 뒤 정합니다.
실패하는 경우와 대응. 허브가 모든 과제의 승인 창구가 되면 대기열이 생깁니다. Tier 1은 등록만 하면 자동 승인되게 하고, 허브 검토는 영업일 5일 안에 끝낸다는 기준을 둡니다. 스포크가 허브 게이트웨이를 우회해 외부 도구를 쓰는 일도 생기므로 사용 로그와 네트워크 정책으로 함께 막습니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 8주 동안 하는 일 |
|---|---|---|
| 스폰서 | CEO 또는 COO | 허브 권한 승인, 상위 쓰임새 확정 |
| 허브 리드 | AI 제품 총괄 1명 | 등록부·게이트웨이·등급 기준 운영 |
| 허브 엔지니어 | 플랫폼 개발자 2~3명 | 게이트웨이, 로그, 평가 세트 환경 |
| 스포크 오너 | 사업부 업무 책임자 2명 | 쓰임새 정의, 시범 사용자 선정, KPI 측정 |
| 리스크·컴플라이언스 | 담당 1~2명 | 등급 질문지, 착수 회의, 검증 |
| HR·교육 | 담당 1명 | 직무별 학습 경로, 사용률 집계 |
시작 전 준비물: 사업부별 AI 과제 목록(이름표와 상관없이 전부), 과제별 담당자와 예산, 현재 쓰는 AI 도구와 계약 현황, 기존 모델 리스크 관리 규정, 직원 직무 분류표.
스포크 오너 인터뷰 질문: 이 업무는 한 달에 몇 건이고 한 건에 몇 분이 걸립니까? AI가 틀리면 누가 언제 알아챕니까? 고객이나 여신 결과에 직접 닿습니까? 필요한 데이터는 어느 시스템에 있고 접근 권한은 누구에게 있습니까? 시범 사용자 20명을 3주 동안 뺄 수 있습니까?
진행 판정 기준(예시): 8주 차에 시범 쓰임새 2개 중 하나 이상이 KPI 목표의 70%에 도달하고, 시범 사용자의 주간 사용률이 60%를 넘고, 리스크 검증에서 미해결 중대 이슈가 없으면 다음 쓰임새 3개로 넓힙니다. 사용률이 30%에 못 미치면 교육 경로와 업무 흐름 연결부터 다시 봅니다.
AX 적용 제언. 이 구조가 바로 맞는 곳은 사업부가 여럿이고 규제가 공통으로 걸리는 금융, 보험, 통신, 제조 대기업입니다. 순서는 허브 권한 정의, 과제 목록 정리와 상위 5개 선정, 등급표와 착수 회의 도입, 직무별 교육입니다. 허브는 승인 기관이 아니라 공통 부품을 만들어 주는 팀으로 설계해야 스포크가 우회하지 않습니다. 첫 보고에는 과제 수 대신 상위 쓰임새의 KPI 변화를 올리는 편이 이 글의 원칙과 맞습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 발표처 | Banking Dive(2026.10.20), 기자 Caitlin Mullen. Money20/20(라스베이거스) 대담 기반 |
| 화자 | Faraz Shafiq, Wells Fargo AI 제품·솔루션 총괄(2026년 2월 합류, 전 Amazon Web Services) |
| 은행 규모 | 자산 2조 3,000억 달러, 직원 19만 7,000명, 본사 샌프란시스코 |
| 전개 | 연초 도구 활성화 → 겨냥한 쓰임새 → 2027년 업무 흐름 재설계가 최대 과제 |
| 네 원칙 | Hub-and-spoke, 고가치 쓰임새 집중, Speed with discipline, 직원 역량 강화 |
| Fargo | 가상 비서, 약 10억 건 고객 상호작용 |
| Banker intelligence | 어드바이저 미팅 준비 지원, 상품 판매율 40% 상승(발언, 기준·기간 미공개) |
| 사기 탐지 | 모델 리스크 관리팀의 small language model, 직불카드 사기 탐지에서 기성 모델보다 우수 |
| 마케팅 | AI로 설계한 캠페인으로 도달 범위와 반응 가능성 개선 |
| Evident AI Index | 올해 6위 → 5위, 리더십 점수 11점 상승이 주된 요인 |
| 인사 | 소비자 금융·대출 AI·데이터 책임자로 Cayetano Gea-Carrasco 영입 |
핵심 개념
- Money20/20
- 핀테크·결제 업계가 모이는 연례 행사. 원문의 대담이 열린 곳.
- AI-first / AI-native
- AI를 처음부터 전제로 설계한 과제나 제품을 부르는 이름표. 정의는 조직마다 다르다.
- guardrails(가드레일)
- AI가 정해진 범위를 벗어나지 않게 막는 규칙과 장치.
- model risk management(모델 리스크 관리)
- 은행이 쓰는 모델의 오류·오용 위험을 검증하고 관리하는 기능. 보통 개발과 분리된 통제 조직이 맡는다.
- small language model
- 범용 LLM보다 작고 특정 업무에 맞춰 학습한 언어 모델.
- Evident AI Index
- Evident가 매기는 대형 은행 AI 역량 순위. 원문은 Wells Fargo가 올해 6위에서 5위로 올랐다고 전합니다.
내 메모
TODO: 내 생각 추가
원문: Caitlin Mullen, “4 keys to Wells Fargo’s strategy to transform the bank with AI”(Banking Dive, 2026.10.20). 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 기사가 전한 Faraz Shafiq의 발언을 AX Review가 다시 정리했습니다. 판매율 40%는 Shafiq의 발언이며 비교 기준과 기간은 기사에 없습니다. 기술·현업 디테일, JSON 예시, 등급표, 일정·판정 기준, 인포그래픽은 새로 작성했으며 숫자와 필드 이름은 가상 예시입니다. 원문 전체는 Banking Dive에서 볼 수 있습니다.