#카페톤
"페이지니가 찾아올게요" 금융 AI 컨시어지, 페이지니
요약: 카카오페이 CreditClan 팀은 2025년 해커톤에서 ‘AI 대출 코치’ 서비스를 개발했습니다. 이 서비스는 사용자가 대출을 알아보는 과정에 대한 불안감을 해소하고, 정보의 불균형을 줄이는 데 초점을 맞췄습니다. 이 과정에서 사용자가 주체적으로 대출 과정을 이해하고 선택할 수 있도록 돕습니다. 특히 AWS Bedrock의 Knowledge Base와 Agent의 답변 지침을 활용하여 할루시네이션 현상을 최소화하고 정확한 정보를 제공하고자 노력했습니다. 사용자 상황에 맞는 맞춤형 대출 코칭으로 사용자가 쉽고 편하게 대출을 알아볼 수 있도록 도와주는 대출 코치 프로덕트를 개발했던 경험을 공유하고 있습니다.
💡 리뷰어 한줄평
jko.me AI를 활용해 복잡한 대출 과정을 해결하고자 시도했네요. 1박 2일이라는 짧은 시간 안에 사용자 경험을 깊이 고민하고, 할루시네이션 같은 기술적 문제까지 고려한 점이 인상적이에요.
시작하며
안녕하세요, 저희는 카카오페이 CreditClan에서 대출 중개 서비스를 만들어가고 있는 팀입니다. 저희는 카카오페이 대출 서비스를 기획하고 운영하며 사용자들의 더 나은 금융 생활을 위한 프로덕트를 만들고 있어요.
2025년 카카오페이는 AWS와 함께 생성형 AI를 활용한 해커톤을 진행했습니다. 저희 팀은 평소 대출 서비스를 만들며 고민했던 부분을 생성형 AI로 해결해 보고자 이번 카페톤에 참여했는데요.
저희가 이번 해커톤에서 경험한 문제 인식부터 사용자 화면 디자인, 그리고 실제 프로세스 설계부터 개발까지, 1박 2일간의 프로덕트 개발 과정을 공유드리고자 합니다.
이번 카페톤에서 생성형 AI를 활용하여 프로덕트를 개발하며 많은 고민과 아이디에이션 과정을 거쳤습니다. 생성형 AI를 활용한 프로덕트 개발에 관심이 있는 많은 기획자, 디자이너, 개발자분들께 이 글이 도움이 되길 바랍니다 :)
기획 배경: 대출은 정말 쉽지 않아
대출 시장의 정보 불균형에서 발생하는 막연한 두려움과 불안함
‘대출’은 많은 사람들이 살면서 한 번쯤은 마주하게 되는 금융 활동입니다. 하지만 막상 대출을 알아보려면 정보가 너무 많고 복잡하게 느껴지죠. 어떤 상품이 나에게 맞는지, 조건은 어떻게 되는지, 절차는 왜 이렇게 까다로운지… 익숙하지 않은 금융 용어와 복잡한 과정 속에선 누구나 쉽게 불안감을 느낍니다.
저희는 이러한 경험과 불안감을 해소하는 모바일 서비스를 만들기 위해 매일 고민하고 있습니다. 대출 중개 서비스를 운영하면서 대출이라는 금융서비스를 사용자가 더 이해하기 쉽게 풀어나가고 진입장벽을 낮춰가고 있지만 아직까지는 사용자가 느끼는 불안감과 두려움을 완전히 해소하기에는 부족함이 많다고 느끼고 있습니다.
정보는 나열되어 있지만 나에게 필요한 핵심을 파악하기 어렵고, 은행에서는 상담원의 설명에 의존하다 보니 충분히 비교하고 주체적으로 선택하기보다는 정해진 가이드라인을 따라가게 되는 경우가 대부분입니다.
생성형 AI, 나의 말을 들어줘
사용자들이 느끼는 이러한 불안감과 정보의 불균형을 어떤 식으로 해소해 볼 수 있을까요? 저희는 대출 서비스를 만들면서 늘 고민하는 이 문제를 해결하기 위한 방법으로 “이미 우리의 일상 속에 어느 순간부터 녹아 있는 생성형 AI를 서비스에 적용하는 건 어떨까?”라는 생각을 하게 되었습니다.
얼마 전 ChatGPT의 운영사인 OpenAI는 한 가지 흥미로운 사실을 발표했는데요, 전 세계 ChatGPT의 유료 이용자 순위가 대한민국이 미국의 뒤를 이어 2위라는 사실이었습니다. 한국에서는 어떻게 이렇게 생성형 AI가 빠르게 확산되었을까요?
저희는 그 이유가 한국인의 대화 문화, 그리고 질문 문화에도 있지 않을까 생각했습니다. “내가 이 질문을 했을 때 너무 당연한 질문이라 싫어하지 않을까? 너무 질문을 많이 하면 귀찮아하지 않을까?”라는 생각을 우리는 생성형 AI에게 하지 않아도 되니까요.
저희 팀은 생성형 AI의 이런 강점을 대출 서비스에 녹여냈을 때 크게 두 가지 장점이 있을 것이라고 기대했습니다. 첫째로, 대출을 알아보면서 마주하는 복잡한 금융 용어에 쉽게 다가갈 수 있다고 생각했고 복잡한 상환방식, 우대조건 등 생소한 용어를 쉽게 설명해 주고, 이해하기 쉽게 풀어줄 수 있다고 생각했습니다.
둘째로는 생성형 AI가 사용자의 목적과 현재 조건에 맞는 적합한 대출을 탐색하는데 도움을 줄 수 있다고 생각했습니다. 대출 상품은 수많은 조건과 변수가 얽혀있기 때문에, 사용자가 직접 모든 상품을 비교하고 분석하기는 어렵습니다. 하지만 생성형 AI는 사용자의 조건을 분석하고, 그에 맞는 대출을 찾아줄 수 있습니다.
저희는 이러한 생성형 AI의 강점을 활용하여, 사용자가 대출을 보다 쉽게 이해하고, 자신에게 맞는 대출 상품을 찾을 수 있도록 돕는 AI 대출 코치를 만들 수 있다고 생각했어요.
서비스 주요 기획: 나만의 대출 코치
나만의 대출 코치 디자인 컨셉
사용자가 대출 과정을 주체적으로 이끌어갈 수 있도록 돕기 위해, 저희는 ‘나만의 대출 코치’라는 컨셉을 떠올렸습니다. 그리고 이 코치와의 상호작용을 가장 자연스럽고 직관적으로 만들기 위해 채팅 UI를 기반으로 설계했습니다. 딱딱하고 어려운 금융 정보를 일방적으로 전달하기보다는, 사용자가 대출을 탐색하는 과정을 함께하도록 의도했습니다. 마치 개인 트레이너나 멘토처럼 사용자 곁에서 가이드해 주며 맞춤화된 대출 탐색 경험을 제공하는 거예요.
나아가, 대출이라는 주제를 너무 건조하게 다루지 않으려 했습니다. 사용자가 서비스와 정서적으로 연결되어 편안하게 금융 문제를 대할 수 있도록 ‘상담사 캐릭터’ 요소를 도입했습니다. 단순히 정보를 제공하는 챗봇을 넘어, 사용자가 직접 선택한 말투와 성격을 가진 ‘나만의 대출 파트너’로서 함께 고민하고 해결책을 찾아가는 존재를 만들고자 했습니다.
사람마다 선호하는 소통 방식은 가지각색이죠, 어떤 사용자는 친근하고 편안한 말투를 좋아하고, 어떤 사용자는 정보 중심으로 빠르고 정확한 설명을 선호합니다. 서비스 시작 단계에서 대출 코치 캐릭터를 직접 설정하게 하여, 사용자가 자신에게 맞는 코치와 함께하는 듯한 신뢰감과 ‘나만을 위한 서비스’라는 소유감을 느끼도록 의도했습니다.
AI 대출코치와 함께하는 대출 탐색을 위한 여정 기획
저희는 AI 대출 코치 상담사 매칭 후, 대출 탐색 과정을 다음과 같이 크게 세 단계로 나누었습니다.
1️⃣ 대출 의향, 목적 분석 단계: 대출 코치와의 상담을 통하여 어떤 이유로 대출이 필요한지, 대출에 대한 의향과 목적을 파악합니다.
2️⃣ 대출 상품 탐색 및 자산 분석 단계: 사용자의 자산 정보를 활용하여 승인 가능성이 있는 대출 상품과 금리 한도 탐색을 진행합니다.
3️⃣ 탐색 결과 요약 및 맞춤 전략 제공: 탐색된 대출 중 사용자 상황에 가장 적합한 대출을 안내하고, 전략적인 대출 실행 및 상환 계획을 가이드합니다.
모든 단계에서 사용자는 음성 인식, 채팅 입력 등으로 모르는 용어나 금융 정보를 자연스럽게 질문하며 탐색할 수 있도록 만들었습니다. 또한, ChatGPT를 참고해 ‘답변 선택지’ 기능으로 사용자가 다음 단계로 진행하거나 다시 시작할 수 있도록 설계했어요.
개발 과정: AI 대출 코치 구현하기
서비스 아키텍처
서비스를 구성하는 핵심 아키텍처는 위와 같습니다.
사용자 화면에서 호출되는 API는 AWS API Gateway를 통해 AWS Lambda로 연결됩니다. Lambda 컴포넌트는 이 아키텍처에서 핵심적인 서버 애플리케이션의 역할을 수행합니다. 각 Lambda 함수는 선언된 내부 리소스를 통해 API Gateway로부터 라우팅 된 요청을 받습니다.
각각의 Lambda 함수는 정해진 API 동작을 수행하며, 현재 단계에 맞는 적합한 답변 생성을 위한 프롬프트를 구성합니다. 이때, AWS RDS에 저장된 사용자의 데이터를 결합하여 현재 상황에 맞는 프롬프트를 작성합니다. 작성된 프롬프트는 AWS Bedrock Agent에 전달되며, Bedrock Agent는 이를 바탕으로 Knowledge Base에 저장된 대출 관련 정보를 활용하여 답변을 생성합니다.
나만의 대출 코치 API의 기본 동작 구현하기
나만의 대출 코치를 개발하면서 가장 고민했던 점은, 서비스의 플로우 설계가 의향 분석, 자산 분석, 대출 탐색, 결과 분석의 선형적인 구조로 되어있어야 한다는 점이었습니다. 따라서 저희는 생성형 AI를 사용하는 대출 코치의 특성상 언제든지 이전 단계로 돌아갈 수 있어야 하고, 프로세스를 진행하는 중 생성된 답변에 존재하는 금융 용어 질문 등을 할 수 있는 유연성을 제공해야 했습니다.
이를 구현하기 위해 저희는 기획 단계에서 정의한 단계별로 호출되는 API를 나누고, 각 API는 동일하게 사용자의 입력을 전달하지만 입력받은 내용을 처리하는 로직을 구성했고 이 내용을 Bedrock Agent로 전달하는 프롬프트 구성은 각 단계에 맞게 다르게 설계했습니다.
{
"input_source": "USER_INPUT",
"input_type": "TEXT",
"status": "ANALYZE_LOAN_NEEDS",
"counselor_type": "FRIENDLY",
"input": "급하게 비상금으로 쓸 돈이 500만 원 정도가 필요해, 어떤 방법이 있을까?"
}위의 예시 요청처럼 클라이언트에서는 사용자의 입력을 AWS Lambda로 전달합니다. 이때 클라이언트는 다음 정보를 명시합니다.
- 사용자의 입력이 어떤 방법(직접 입력, 예시 선택지 선택 등)으로 전달되었나?
- 어떤 방법(텍스트 입력, 음성 인식 등)으로 입력했나?
- 대출 코치 흐름상 현재 어떤 단계에 있는가?
- 현재 선택된 대출 코치 상담 페르소나가 어떤 타입인가?
이러한 사용자의 요청을 전달받은 Lambda 함수는 다음과 같은 동작을 수행합니다.
1️⃣ 현재 상태에 따른 요청 처리
이 단계에서는, 현재 사용자의 상태에 따라 분기된 요청 처리기를 선택합니다. 예를 들어, 사용자가 대출 의향 분석 단계에 있을 경우
해당 요청 처리 로직을 수행하며, 선택된 요청 처리기에선 의향 분석 단계에 맞는 프롬프트를 구성합니다.
2️⃣ 프롬프트를 구성해 Bedrock Agent로 전달
대출 코치에서는 사용자의 응답을 그대로 Bedrock Agent로 전달하는 것이 아니라, 현재 상태에 맞는 프롬프트를 구성하여 전달합니다.
이 프롬프트는 사용자의 입력과 현재 상태, 선택된 대출 코치의 페르소나를 포함하여 Bedrock Agent가 적절한 답변을 생성할 수 있도록 보조합니다.
따라서 각 단계에 맞는 프롬프트를 구성하는 것이 중요하며 이렇게 구성된 프롬프트는 AWS Bedrock Agent로 전달됩니다.
3️⃣ AWS Bedrock에서 답변 생성 후 Lambda로 리턴
AWS Bedrock Agent는 전달받은 프롬프트를 바탕으로 대출 코치가 사용자에게 제공할 답변을 생성합니다.
여기서 요청 처리를 수행하는 Lambda 함수에서는 현재 상태가 자산 분석, 대출 조회 결과 분석등의 단계일 경우,
AWS Bedrock Agent가 생성한 답변에 추가적인 선택지를 제공하기 위해, 보조 Agent를 호출하여 사용자의 추가 선택지를 생성하는 과정이 포함됩니다.
4️⃣ 생성된 응답을 사용자에게 전달
최종적으로 대출 코치 Agent가 생성한 답변과, 추가 선택지로 생성된 답변을 포함한 응답을 Lambda 함수에서 조합하여
사용자에게 전달합니다. 이 응답은 사용자의 화면에 표시되며, 사용자가 이를 바탕으로 다음 단계를 진행하거나 추가 질문 등 다음 동작을 선택할 수 있습니다.
{
"status": "ANALYZE_LOAN_NEEDS",
"counselor_type": "FRIENDLY",
"output": {
"text": "비상금으로 500만 원 정도가 필요하구나? 보통 비상금으로 쓰이는 대출에는 신용대출을 많이 사용해
신용대출에 대해서 더 자세히 알아볼래? 아니면 현재 자산을 분석해서 받을 수 있는 대출을 보고 싶어?",
"options": [
{
"text": "신용대출에 대해서 더 자세히 알려줘",
"type": "ASK_MORE_INFO"
},
{
"text": "현재 내 자산을 분석해서 받을 수 있는 대출을 보고 싶어",
"type": "ANALYZE_ASSETS",
}
]
}
}AWS Bedrock & Knowledge Base를 활용한 AI 대출 코치 구현하기
대출에서 정확한 답변의 필요성
생성형 AI에 대한 이야기 중 항상 빠지지 않는 우려점 중 하나는 ‘할루시네이션’ 현상입니다. 할루시네이션 현상은 생성형 AI가 사실이 아닌 정보를 생성하거나, 잘못된 정보를 제공하는 현상을 의미합니다. 특히 금융 서비스와 같이 정확한 정보 전달이 중요한 분야에서는 이러한 현상이 치명적일 수 있습니다.
저희는 대출 코치 서비스 개발 과정에서 AI를 적용할 때 이와 같은 점을 고려했습니다. AI가 생성하는 답변이 정확하고 신뢰할 수 있는 정보를 바탕으로 제공되도록 하기 위한 방법을 고민했고, AWS Bedrock의 Knowledge Base 기능과 학습된 Agent의 답변을 제한하는 ‘답변 지침’을 활용했습니다. 동시에, 현재 사용자의 프로세스 상태에 따른 정교한 프롬프트 구성을 통해 할루시네이션 문제를 최대한 예방하고자 했습니다.
정확한 정보 전달을 위한 Knowledge Base 구축과 가드레일 로직
AWS Bedrock에서 제공하는 Knowledge Base는 생성형 AI가 특정 주제에 대한 정확한 정보를 제공하도록 사전에 답변에 대한 데이터를 구축해 두는 기능입니다. 저희는 대출 코치 Agent가 정확한 정보 제공을 위해, 기존 대출 서비스를 운영하면서 사용했던 기획 요건, FAQ, 대출 상품 정보 등을 문서화하여 Knowledge Base에 등록했습니다. 이 과정에서 대출 상품에 대한 설명, 한도 및 금리 산출에 대한 정보 등 전반적인 대출 관련 정보를 미리 구축하여 Bedrock Agent가 이를 바탕으로 답변을 생성할 수 있도록 했습니다.
사용자의 상태를 바탕으로 답변을 생성하기 위한 프롬프트를 생성하는 코드
이제 Knowledge Base를 바탕으로 Agent가 답변을 생성할 때, 이 지식 기반을 활용하고 주어진 정보 외 다른 정보가 나가지 않도록 Agent의 ‘답변 지침’을 설정했습니다. 예를 들어, 대출 코치 Agent에게 ‘오늘 날씨 어때?‘와 같이 주제와 맞지 않는 입력이 들어오면 ‘죄송하지만 대출 코치 서비스는 대출 및 금융 관련 질문만 답변 가능합니다.‘와 같이 답변을 통제했습니다.
답변을 위한 Prompt 구성하기
위에서 만들어진 Agent의 Knowledge Base와 답변 지침을 바탕으로, Bedrock Agent가 답변을 생성하기 위해서는 사용자의 입력과 현재 상태에 맞는 프롬프트를 구성해야 합니다. 또한 ‘대출 코치’라는 컨셉에 맞춰 상담사 페르소나를 설정하여, 답변에 대한 말투와 톤앤매너를 조정할 수 있도록 했습니다.
이런 식으로 답변을 수행하는 ‘상담사 Bedrock Agent’를 기본 Agent로 설정했고, 이 Agent의 답변과 사용자의 현재 자산 정보를 바탕으로 대출 상품을 추천하는 ‘자산분석 및 대출가능성 Agent’를 추가로 설정했습니다. 자산 분석 및 대출 탐색 단계에서는 이 두 Agent가 함께 답변을 생성하도록 구성하여, 사용자 상태에 따라 싱글 또는 멀티 에이전트 답변을 제공하는 구조로 설계했습니다.
신용대출 조회 예시화면
최종적으로 구성된 답변을 바탕으로, 사용자는 대출 탐색 여정을 이어가며 카카오페이 대출 서비스와 자연스럽게 연계되도록 대출 코치 역할을 마무리했습니다.
마치며
2025년 카카오페이에서 진행된 이번 해커톤은 저희 팀에게도 새로운 경험이었습니다. 디자이너, 기획, 마케팅, 개발 등 다양한 직군의 팀원이 모여, 1박 2일이라는 짧은 시간 안에 공동의 목표를 향해 하나의 프로덕트를 만들어야 했습니다. 쉽지 않은 도전이었지만, 그 과정에서 잠들어 있던 창의성과 협업의 열정을 다시 한번 발견할 수 있었어요. 좋은 사용자 경험과 결과물을 만들기 위해 밀도 있게 토론하며 협업했습니다.
또한, 대출 서비스를 운영하며 느꼈던 문제를 생성형 AI를 활용한 ‘대출 코치’ 서비스로 풀어내는 과정에서 문제의 본질을 다시 한번 고민했습니다.
이번 기회 덕분에 생성형 AI를 짧게나마 서비스에 적용해 보았습니다. 동시에, AI를 실제 서비스에 본격적으로 활용하려면 얼마나 많은 고민과 학습이 필요한지도 깨달았습니다.
해커톤 경험을 바탕으로 앞으로도 사용자에게 이로운 금융생활을 제공하기 위해 끊임없이 고민하고 발전하는 카카오페이 CreditClan이 되겠습니다. 감사합니다!
