네이버 하이퍼클로바X, 미래에셋증권에 첫 금융 온프레미스 sLM 구축

네이버클라우드가 자사 경량 언어모델 "하이퍼클로바X 대시(HCX-DASH)" 기반의 금융 특화 소형언어모델(sLM)을 미래에셋증권 온프레미스 환경에 구축 완료했다. 외부 API를 거치지 않고 회사 내부망 안에서 모델을 돌리는 방식이다. 네이버클라우드가 본격적으로 시작한 "공공·금융 LLM 구축형 비즈니스"의 첫 레퍼런스이기도 하다. 의미가 작지 않다.

이 발표가 단순한 사업 수주 소식 이상으로 읽히는 이유는 그동안의 흐름을 보면 짐작이 간다. 챗GPT 등장 이후 국내 금융·공공 기관도 생성형 AI를 업무에 붙여 보려는 시도를 꾸준히 해 왔지만, 상당수는 사내 챗봇 시범 운영이나 일부 부서의 PoC 단계에서 멈춰 있었다. 가장 큰 걸림돌은 데이터였다. 고객 계좌나 거래 내역, 상담 기록 같은 민감 정보를 외부 클라우드의 LLM에 그대로 흘려보낼 수는 없다는 것. 미래에셋 사례는 바로 그 벽을 정면으로 건드렸다.

"데이터가 밖으로 안 나간다"는 구조가 핵심

네이버는 HCX-DASH 모델과 미래에셋증권 데이터를 학습시킬 클래스 코드 등 기술 자산을 제공했고, 미래에셋증권은 이를 사내 데이터로 학습시켜 자사 금융 업무에 맞춰 다듬었다. 금융권이 가장 민감해하는 "고객 데이터가 외부로 나가지 않느냐"를 정면으로 해소한 설계다. 모델 자체가 회사 서버 안에 들어와 있으니, 학습이든 추론이든 데이터가 외부망으로 빠져나갈 경로가 애초에 막힌다.

여기서 짚어 둘 개념이 sLM, 곧 소형언어모델이다. 수천억 파라미터급 초대형 모델을 회사마다 통째로 들여놓는 건 비용과 인프라 양쪽에서 비현실적이다. 대신 상대적으로 가볍고 특정 도메인에 맞춰 다듬은 모델을 쓰면, 자체 GPU 서버 수준에서도 운영이 가능해진다. HCX-DASH는 네이버 하이퍼클로바X 계열 중에서도 이런 "경량·실무 투입형"에 무게를 둔 모델로 분류된다. 범용 지능은 초대형 모델에 양보하더라도, 사내 문서 요약이나 상담 보조, 보고서 초안처럼 반복되는 업무에서는 충분한 성능을 내겠다는 쪽이다.

증권사 업무에 대입하면 그림이 좀 더 구체적이다. 방대한 사내 리서치 자료와 약관, 상품 설명서를 빠르게 찾아 요약해 주는 보조 도구, 상담원이 응대 중 참고할 내부 지식 검색, 컴플라이언스 점검 초안 작성. 흔히 후보로 거론되는 영역들이다. 사람을 대체한다기보다 반복적인 문서 작업의 시간을 덜어 주는 방향에 가깝다는 게 대체적인 평가다.

경쟁 구도와 한국 시장이라는 변수

네이버클라우드는 한국은행·한국수력원자력·HD현대 등과도 추가 도입 논의를 진행 중이라고 밝혔다. 금융권 대상 API 상품화 역시 검토 단계에 있다. 경쟁 상대로는 KT의 믿:음, SKT의 에이닷, 그리고 Azure OpenAI를 내부망에 얹는 방식 정도가 거론된다. 하반기로 갈수록 금융권 LLM 도입 사례가 줄을 이을 분위기다.

이 구도에서 네이버가 내세울 카드는 비교적 분명하다. 한국어와 국내 업무 맥락에 대한 이해, 그리고 데이터가 내부망에 머무는 온프레미스 방식이다. 글로벌 모델을 내부망에 얹는 선택지도 있지만, 한국어 처리나 국내 규제·관행 적합성에서는 토종 모델 쪽이 손이 덜 간다는 인식이 자리 잡고 있다. 물론 KT나 SKT 같은 통신 진영도 자체 모델과 데이터센터를 무기로 같은 시장을 노리고 있어, 당분간은 "누구의 레퍼런스가 더 두꺼운가"를 두고 경쟁이 이어질 공산이 크다.

실무자라면 이렇게 읽으면 된다

개인 사용자가 당장 무언가를 바꿔야 할 소식은 아니다. 다만 금융·공공 분야에서 AI 도입을 검토하는 실무자라면 몇 가지를 점검 기준으로 삼을 만하다.

• 데이터 경로: 학습·추론 데이터가 외부로 나가는지, 온프레미스로 격리되는지부터 확인한다. 규제 산업일수록 이 항목이 도입 가부를 가른다.
• 모델 규모와 운영 비용: 굳이 초대형 모델이 필요 없는 반복 업무라면 sLM 쪽이 인프라·라이선스 부담이 작다.
• 레퍼런스의 실체: "도입했다"가 시범 운영인지 실제 업무에 양산 적용된 단계인지를 구분해 본다. 미래에셋 사례가 주목받는 것도 시범을 넘어선 첫 양산 케이스이기 때문이다.
• 유지보수 주체: 모델을 들여온 뒤 업데이트와 재학습을 누가, 어떤 비용으로 책임지는지를 계약 단계에서 못 박아 두는 편이 안전하다.

과한 기대는 경계할 필요가 있다. 온프레미스 sLM은 데이터 보안이라는 분명한 강점을 갖는 대신, 모델 성능 자체는 클라우드의 최신 초대형 모델을 따라가기 어렵다. 도메인 특화 학습이 잘되면 특정 업무에서 체감 성능이 충분할 수 있지만, 범용 추론력이나 최신성 측면에서는 한계를 감안해야 한다. 결국 "무엇을 시킬 것인가"를 좁게 정의할수록 효용이 커지는 도구에 가깝다. 미래에셋 케이스가 후속 도입 협상에서 어떤 성과 지표로 인용되느냐가, 국내 금융권 LLM 시장의 확산 속도를 가늠하는 첫 시금석이 될 것으로 보인다.