IEEE Spectrum이 2026년 6월 Capital One의 AI 조직을 조명했다. 프렘 나타라잔은 아마존 알렉사 AI 전체를 이끌다가 은행의 최고과학자로 자리를 옮겼고, Capital One은 그 연구 조직을 바탕으로 차량 구매 도메인에서 완전한 에이전트 AI 고객 서비스를 자체 개발했다. 원문에는 이 회사가 기술 배포가 아니라 과학 커뮤니티로 AI에 접근한다는 이야기가 담겨 있다.
단순히 최신 LLM을 API로 끼워 넣는 수준이 아니라, 사기 탐지처럼 수십억 건 규모의 실시간 문제를 풀기 위해 연구를 다시 한다는 게 핵심이다. 내 눈에는 중앙화된 대기업의 AI 연구이자, 동시에 분산 시스템 문제로 읽힌다.
기사가 말하는 핵심 전제는 AI 연구와 배포의 중심이 빅테크의 수평적 플랫폼에서 금융 같은 산업 수직 영역으로 옮겨가고 있다는 것이다. 그런데 그 수직 영역에서 실제로 풀어야 할 문제는 실시간 데이터, 지식, 제약, 가드레일을 동시에 다루는 에이전트 간 협력 문제다. P2P는 중앙 서버 없이 참여자들이 직접 데이터와 컴퓨팅을 주고받는 구조를 말하는데, 노드들이 상태를 맞추고 이상 징후를 실시간으로 감지하며 잘못된 행동을 막는 문제와 구조적으로 닮았다.
Capital One이 주요 미국 은행 중 유일하게 공용 클라우드에 전면 투자하면서 레거시를 없앴다는 대목도 눈에 띈다. 데이터와 컴퓨팅, 실험 환경을 한곳에 모은 중앙 집중식 인프라를 택했지만, 결국 만드는 건 매일 바뀌는 실시간 데이터 위에서 계속 학습하는 시스템이다. 분산 생태계도 같은 문제를 만난다. 중앙 서버가 없다는 게 목표가 아니라, 신뢰할 수 있는 실시간 협업이 목표여야 한다.
나타라잔이 강조한 destination-back thinking은 현재 기술로 가능한 것보다 원하는 고객 경험을 먼저 정하고, 거기서 필요한 과학적 돌파구를 역산하는 방식이다. 밤 10시에 차를 알아보는 고객, 예상치 못한 지출에 처한 고객을 상상하고 거기서 출발한다. P2P 제품도 똑같이 해야 한다.
내가 만드는 PonsLink와 PonsWarp는 WebRTC 기반 연결 위에 분산 실시간 기능을 얹으려는 초기 MVP다. 처음에는 서버가 없다는 점 자체를 차별점으로 내세우기 쉽다. 하지만 사용자가 원하는 건 지금 이 사람과 이 데이터를 안전하게 주고받는 경험이다. 기술 구조가 중앙 집중식이든 분산식이든, 목적지를 먼저 정하지 않으면 분산 기술은 자기 목적이 되기 쉽다.
높은 정확도와 프라이버시 기준을 요구하는 영역에서 AI가 작동하려면 단일 모델의 성능보다 배포 후에도 개선되는 연속 학습과 가드레일 설계가 더 중요하다는 기사 지적도 같은 방향이다. P2P 생태계도 노드가 늘수록 품질이 올라가는 구조를 먼저 만드는 일이 우선이다.
Capital One의 연구 조직을 우리가 그대로 따라 할 필요는 없다. 중앙화된 데이터 생태계와 연구 인력은 대부분 팀에 없기 때문이다. 그래도 AI는 기술 배포가 아니라 과학적 훈련이라는 태도는 P2P 팀이 가져갈 만하다.
분산 기술에서 증명되지 않은 성능 수치보다 중요한 건, 실시간 사기 탐지처럼 실패하면 사람이 피해를 보는 문제를 정하고 거기서 거꾸로 요구사항을 뽑아내는 방식이다. 우리도 PonsLink와 PonsWarp를 통해 연결 실패율, 지연, 프라이버시 같은 구체적 제약부터 정의하려 한다. 그런 의미에서 이번 기사는 금융 기업의 성공담이 아니라 분산 시스템 제품을 만드는 사람들에게 던지는 질문으로 읽힌다.
댓글