월스트리트가 AI 활용 능력에 실제 돈을 매기기 시작했다

2026년 10월 14일 Reuters는 미국 금융업계에서 직원의 AI 숙련도를 급여 인상, 승진, 보너스에 연결하는 움직임이 나타난다고 보도했다. 근거는 금융 전문 인재회사 Selby Jennings의 AI Talent Pulse Report 2026이다. 조사 응답자의 25%는 소속 조직이 AI 능력을 이러한 보상이나 승진 판단에 반영한다고 답했다.

조사는 외부 전문조사기관 Censuswide가 2026년 8월 19~26일 미국 금융업계 HR 전문가 500명을 대상으로 실시했다. 따라서 응답자 기준의 조사 결과이지 미국 금융기업 전체를 무작위 추출한 회사 감사자료가 아니다. 실제 개인에게 지급된 AI 보너스의 액수와 직급별 세부 제도가 공개된 것도 아니다.

그럼에도 변화의 방향은 분명하다. 기업은 채용에서 AI를 사용할 줄 아는지 묻는 데서 멈추지 않고, 입사 이후 그 능력에 보상을 부여하는 단계로 이동하기 시작했다. 그런데 그 능력의 가격을 누가, 어떤 결과를 근거로 결정할 것인지는 별개의 문제다.

평가 기준을 도입한 42%, 보상 공식을 확정한 것은 아니다

같은 조사에서 42%는 직원의 AI 역량을 평가하기 위한 새로운 지침을 마련했다고 답했다. 30%는 AI 투자수익률(ROI)을 증명하는 전담 조직이나 직무를 새로 만들었다고 밝혔다. 직원 AI 사용 공개를 정식 성과평가에 요구한다는 응답도 30%였다. 서로 다른 문항이므로 이 수치를 하나의 단계별 전환율로 계산할 수 없다.

Reuters에 따르면 Selby Jennings의 Dylan Gomez 전무는 현재 AI 사용·성과를 보수에 얼마만큼 연결할지에 관한 확립된 공식이 없으며 내년에 더 명확해질 것으로 예상한다고 설명했다. AI 활용을 평가할 지침과 실제 돈으로 환산하는 방법이 같은 것은 아니라는 의미다.

예를 들어 고객보고서를 빠르게 작성한 직원, 더 깊은 분석을 만든 직원, 잘못된 결과를 찾아 금융 손실을 막은 직원의 기여는 서로 다르다. AI를 잘한다는 말은 같아도 업무의 목적과 위험이 달라지면 보상할 가치도 달라질 수 있다.

그런데 31%는 AI 채용 후보를 평가할 사람조차 없다고 답했다

Selby Jennings 원문에는 또 다른 숫자가 있다. 31%는 AI 관련 인재 채용에서 가장 큰 장애물로 내부에 후보자를 자신 있게 평가할 사람이 없다는 점을 꼽았다. 16%는 채용하려는 직무에서 'AI-enabled'가 구체적으로 무엇을 뜻하는지 모르겠다고 답했고, 23%는 해당 일을 실제 수행한 경험이 있는 내부 전문가를 찾기 어렵다고 밝혔다.

이는 보상제를 도입했다고 답한 25%의 조직과 내부 평가자가 없다는 31%의 조직이 같은 곳이라는 뜻이 아니다. 질문의 대상과 분모가 다르다. 다만 금융업계 전체에서 AI 역량을 높이 평가하려는 요구와 그 역량을 정의하고 검증하는 조직 능력이 서로 다른 속도로 발전한다는 점은 읽을 수 있다.

투자은행의 AI 모델 엔지니어, 신용심사에서 기존 시스템을 활용하는 직원, 투자보고서의 오류를 검증하는 애널리스트는 서로 다른 역량이 필요하다. 직무를 정의하지 못하면 채용 평가도 어려워지고, 채용 이후에 어떤 성과를 보상할지 결정하기는 더 어려워진다.

AI 사용 횟수가 많다고 뛰어난 직원이 되는 것은 아니다

조사에서 30%가 직원의 AI 사용 내역을 정식 성과평가에 공개하도록 요구한다고 응답했다. 어떤 기능이 이용되는지 확인하는 것은 보안과 교육 수요, 도입률 파악에 유용할 수 있다. 하지만 AI 사용 기록을 곧바로 생산성의 증거로 해석하면 다른 문제가 생긴다.

가상의 직원 A는 매일 여러 차례 AI로 보고서를 초안 작성한다. 직원 B는 사용 빈도는 적지만 위험한 계산 오류를 찾아 중요한 결정을 수정한다. AI 호출 횟수만 측정하면 A가 높은 평가를 받을 수 있지만, 실제 사업 가치를 판단하려면 정확도와 위험 비용까지 살펴야 한다. 이 사례는 조사에서 확인된 구체적인 직원 행동이 아니라 비교를 위한 가정이다.

이런 평가 방식에서는 사용량을 늘리는 행동이 실제 업무 개선과 일치하지 않을 위험이 있다. AI 성과평가의 초점은 도구를 몇 번 썼느냐보다 어떤 문제를 해결했고, 결과의 정확성을 어떻게 확인했으며, 업무 위험을 어떻게 관리했는지에 있어야 한다.

금융업의 AI 역량에는 잘못된 결론을 막는 능력도 포함된다

금융회사에서 AI는 신용위험, 이상거래 탐지, 컴플라이언스, 투자자료 검토 등에 활용된다. 한 직원이 AI로 자료 정리시간을 줄이는 것과 다른 직원이 잘못된 위험 가정을 발견하는 것은 서로 다른 성과일 수 있다. 속도를 높이는 일만큼 손실로 이어질 수 있는 오류를 차단하는 일이 중요한 업무도 있다.

국제결제은행(BIS)의 금융안정연구소 책임자는 2026년 9월 연설에서 AI로 인해 은행의 모델 설명 가능성, 검증, 독립적 검토와 인간 감독의 중요성이 달라지고 있다고 분석했다. 은행 규제당국도 위험에 따른 모델 검증과 거버넌스를 강조하지만, 2026년 미국 OCC의 개정 모델 위험관리 지침은 생성형·에이전트 AI를 적용 범위에서 명시적으로 제외했다. 이 지침이 모든 생성형 AI를 새롭게 규제한다고 쓸 수는 없다.

따라서 AI 보너스가 실제로 무엇을 보상해야 할지는 업무별로 달라져야 한다. 보고서 처리량을 높인 실적, 오류를 발견한 능력, 규제상 책임을 지킨 판단을 하나의 사용량 점수로 합산하는 방식은 핵심 가치를 놓칠 수 있다.

성과는 AI 개발자, 데이터팀, 현업 중 누구의 것인가

AI 활용 업무는 개인 혼자 완성하지 않을 수 있다. 모델 개발팀은 시스템을 만들고, 데이터 담당자는 입력 품질을 관리하고, 현업 직원은 결과를 업무에 사용하며, 위험관리 담당자는 잘못된 결론을 걸러낸다. 이들이 함께 만든 생산성 개선을 한 직원에게만 돌릴 수 있는지 검토할 필요가 있다.

예를 들어 팀의 투자분석 처리시간이 30% 줄었다고 가정해 보자. 이 수치는 특정 금융기업의 공시 실적이 아닌 예시다. 새 모델을 구현한 사람, 분석 절차를 변경한 사람, 실제 업무에서 올바른 결정을 내린 사람의 기여가 분리되지 않으면 개인별 보너스 산정은 어려워진다.

반석은 이를 '역량 → 검증 가능한 성과 → 개인에게 귀속 가능한 기여'의 세 단계로 구분해 볼 것을 제안한다. AI 사용법을 알고 있다는 사실, 업무가 개선됐다는 사실, 그 개선을 특정 개인이 책임진다는 판단은 각각 독립적인 검증을 필요로 한다.

AI 채용시험을 늘려도 잘못된 인재를 고르는 위험은 사라지지 않는다

Selby Jennings의 조사에서 50%는 지난 1년간 면접에 참여한 AI 후보자 가운데 자격이 부족한 사람의 비중이 증가했다고 답했다. 이는 전체 지원자의 절반이 무자격자라는 뜻이 아니다. 질문은 최근 면접하는 후보군의 질에 대한 담당자의 판단을 묻는다.

또 다른 42%는 자격이 부족한 지원자를 걸러내기 위해 AI 관련 기술평가를 추가했다고 밝혔다. 이는 앞서 언급한 '직원 AI 역량평가 지침을 만든 42%'와 다른 문항이다. 도구 활용 시연만으로는 실제 금융업무 판단력까지 모두 검증하기 어렵다는 문제가 남는다.

채용팀은 기술능력을 확인할 전문가뿐 아니라 지원자가 입사 후 수행할 금융업무를 이해하는 평가자도 필요하다. 31%의 평가자 부족 응답은 채용절차가 느리다는 뜻을 넘어, 기업 내부에 AI 역량을 정의하고 실제 업무 결과와 연결하는 전문성이 부족할 수 있다는 경고로 읽을 수 있다.

BANSEOG VIEW | AI 역량에 가격을 매기기 전에 가치를 확인할 수 있어야 한다

이번 조사에서 25%는 AI 능력을 보상에 연결했고, 31%는 AI 채용 후보를 판단할 내부 전문가 부족을 최대 장애로 선택했다. 이 둘이 동일 기업에서 동시에 발생했다고 확정할 수는 없지만, 보상제 도입과 검증 능력 확보라는 서로 다른 과제가 금융업계에서 진행 중이라는 사실은 중요하다.

기업이 답해야 할 질문도 단계별로 다르다. 첫째, 직무마다 필요한 AI 능력은 무엇인가. 둘째, 실제 업무 결과가 어떻게 개선됐는가. 셋째, 오류와 위험을 누가 검증하고 책임졌는가. 넷째, 공동 성과 중 개인에게 귀속 가능한 기여는 무엇인가. 이는 반석이 제안하는 평가 기준이며 금융업계에 통일된 공식이 있다는 주장이 아니다.

앞으로 기업의 경쟁력은 AI 도구를 많이 사용하는 직원이 몇 명인지에서 끝나지 않을 수 있다. 어떤 능력이 자사 사업에서 가치를 만들고, 누구의 검증과 판단이 그 결과를 가능하게 했는지 정확히 알고 보상할 수 있는 조직이 더 나은 인재전략을 구축할 가능성이 있다.

BANSEOG VIEW

Banseog View — AI 사용 기록과 보상 가능한 기여 사이의 거리

25% 보상 연계, 42% 직원 평가 지침, 30% 성과평가에 AI 사용 공개, 31% 채용 후보자 평가자 부재는 미국 금융업계 HR 담당자 500명에게 각각 질문한 응답이다. 회사 전체의 감사자료가 아니고 동일한 조직에 모두 해당한다는 증거도 아니다.

금융기업에서는 업무 속도·정확도·위험 방지의 가치가 서로 다를 수 있다. 사용 횟수, 검증된 업무 결과, 개인에게 귀속할 수 있는 책임을 구분해야 한다는 것은 반석의 인재전략 분석이다.

BIS의 2026년 9월 금융감독 연설은 검증과 인간의 판단을 강조했지만, 미국 OCC 2026년 4월 개정 모델 위험관리 지침은 생성형·에이전트 AI를 적용범위에서 명시적으로 제외한다. 해당 지침을 모든 생성형 AI의 법적 의무로 과장하지 않는다.

SOURCES

근거가 된 원자료

2026년 10월 15일 작성. Selby Jennings 'AI Talent Pulse Report 2026' 원문 조사 방식: Censuswide, 2026년 8월 19~26일, 미국 금융업계 HR 전문가 500명(22~64세). 25% 조직 AI 숙련도 급여 인상/승진/보너스 연계, 30% 정식 인사평가 시 AI 사용 공개, 42% 직원 AI 역량평가 지침, 30% AI ROI 추적 전담 조직, 31% AI 채용 후보자를 자신 있게 평가할 내부 담당자가 없는 점을 #1 채용 장애물로 선택. 보상과 채용 장애 질문은 독립 문항이며 같은 회사의 양쪽 응답을 연결하는 교차분석 없음. 원문 50%는 면접에 참여한 자격 미달 후보 비중이 늘었다고 답한 비율, 전체 후보의 무자격 비중 아님. 42% 기술평가 추가는 42% 직원 평가기준 마련과 다른 질문. Reuters 10월 14일 보도에서 확립된 AI 보수 계산 공식은 아직 없다고 인터뷰. BIS 9월 18일 연설은 감독자의 정책 분석/발언이지 구속력 있는 새 규칙이 아니다. OCC 4월 17일 2026 모델 위험관리 개정지침은 생성형·에이전트 AI가 명시적으로 제외되며 비구속적인 일반 원칙. AI 사용 기록, 비즈니스 성과, 위험 및 개인 기여 구분은 반석 독립 분석. 실사용 보너스 지급액, 업계 전체 정책 보급률, 개별 회사 인사제도 완성을 확정하지 않는다.