Anthropic이 금융 AI 에이전트를 오픈소스로 푼 이유: 스킬·커넥터·인간 승인의 계층 설계

컨퍼런스에서 나온 것은 발표가 아니라 저장소였다

2026년 5월 5일, Anthropic은 뉴욕에서 금융 서비스 업계 전용 컨퍼런스를 개최하고 GitHub에 금융 서비스 특화 AI 에이전트·스킬·커넥터를 Apache 2.0 라이선스 오픈소스로 공개했다. 투자은행, 주식 리서치, 사모펀드, 자산운용, 펀드 관리 분야의 반복적이고 시간 집약적인 업무를 자동화하는 10개의 완성형 에이전트 템플릿과 7개의 도메인 스킬 번들, 11개의 MCP 데이터 커넥터가 포함되어 있다. Claude Managed Agents API와 직접 연동 가능하며, 규정 준수와 인간 검토를 전제로 한 "AI가 초안을 작성하고 사람이 최종 서명"하는 거버넌스 원칙이 아키텍처 전반에 내재화되어 있다.

스킬·커넥터·서브에이전트로 조립되는 에이전트

anthropics/financial-services 레포지토리는 금융 서비스 전반을 커버하는 완성형 에이전트 템플릿을 제공한다. 각 템플릿은 세 컴포넌트의 조합으로 구성된다. 특정 태스크 수행을 위한 지시문(instructions)과 도메인 지식 패키지인 스킬(예: KYC 스크리닝 스킬은 고객 식별 절차, AML 체크리스트, 관련 규정 참조 지식을 포함), 태스크에 필요한 데이터 소스에 대한 거버넌스 기반 접근 권한인 커넥터(FactSet 재무 데이터, S&P Capital IQ 기업 정보, PitchBook 거래 데이터 등에 대한 구조화된 접근), 그리고 메인 에이전트가 특정 서브태스크를 위해 호출하는 추가 Claude 모델인 서브에이전트(예: Valuation Review 에이전트는 비교 기업 선정 서브에이전트와 방법론 검증 서브에이전트를 분리 실행)다.

10개 에이전트가 커버하는 업무 영역은 피치북 작성(Pitchbook Builder), KYC 파일 스크리닝(KYC Screener), 월말 결산(Month-End Close), 밸류에이션 리뷰(Valuation Review), 재무 모델 구축(Financial Model Builder), 재무제표 감사(Statement Auditor), 어닝스 리뷰(Earnings Reviewer), 리서치 노트 생성(Research Note Generator), 리스크 평가(Risk Assessor), 포트폴리오 분석(Portfolio Analyzer)이다.

스킬은 규정 태그를 달고 버전 관리된다

금융 도메인 스킬 레지스트리의 핵심은 인터페이스 표준화와 버전 관리다. 각 스킬은 표준 인터페이스를 준수한다.

⤢✕

규정 준수 체크 스킬은 MiFID II 적합성 검증, FINRA 준법 체크, AML/KYC 검증 로직을 캡슐화한다. 입력 파라미터로 고객 프로파일과 거래 정보를 받아 규정 위반 여부와 위험 점수를 출력한다. 리스크 평가 스킬은 VaR(Value at Risk) 계산, 신용 리스크 스코어링, 시장 리스크 시나리오 분석을 수행하며 외부 데이터 소스(MSCI 리스크 모델, Morningstar 평가 데이터)와 연동해 동적 리스크 측정값을 생성한다. 이상 탐지 스킬은 거래 패턴 이상 감지, 재무제표 불일치 탐지, 포트폴리오 편중 경보를 제공하며 통계적 임계값과 규칙 기반 탐지를 결합한 하이브리드 접근 방식을 쓴다.

스킬 버전 관리는 시맨틱 버전닝을 따르며, 규정 변경 시 마이너 버전을 업데이트하고 브레이킹 체인지 발생 시 메이저 버전을 올린다. 에이전트 템플릿은 사용하는 스킬의 최소 버전 요구사항을 명시해 규정 업데이트가 에이전트 동작에 즉시 반영되도록 보장한다.

MCP 커넥터가 이어주는 시장 데이터, 그리고 빠진 한 곳

MCP(Model Context Protocol) 커넥터는 Claude가 외부 금융 데이터 시스템에 거버넌스 기반으로 접근할 수 있도록 하는 표준화된 인터페이스다. anthropics/financial-services 레포지토리에 포함된 11개 MCP 커넥터는 시장 데이터 플랫폼(FactSet의 재무 데이터·포트폴리오 분석, S&P Capital IQ의 기업 정보·M&A 데이터, MSCI의 리스크 모델·ESG 데이터, Morningstar의 펀드 평가·리서치, LSEG의 주가·채권 실시간 데이터), 딜 및 포트폴리오 플랫폼(PitchBook의 벤처·PE 거래 데이터, Chronograph의 사모펀드 포트폴리오 모니터링, Daloopa의 재무제표 자동화 데이터), 신용 및 컴플라이언스(6억 개 이상의 공공·민간 기업에 대한 신용 등급·데이터를 제공하는 Moody's MCP 앱)를 지원한다.

MCP 커넥터의 데이터 정규화 레이어는 각 플랫폼의 이종 데이터 포맷을 에이전트 내부의 통일된 금융 데이터 모델로 변환한다. FactSet의 FAST(FactSet Application Programming Interface Standard Taxonomy)와 S&P Capital IQ의 데이터 스키마가 서로 다르더라도, Claude에게는 동일한 재무 지표 인터페이스로 제공된다. 에러 처리는 네트워크 레벨 재시도(Exponential Backoff), 데이터 가용성 폴백(대체 데이터 소스 자동 전환), 부분 실패 시 graceful degradation(가용한 데이터만으로 결과 생성 후 누락 데이터 명시) 세 계층으로 구성된다.

주목할 점은 Bloomberg가 현재 MCP 커넥터를 제공하지 않는다는 사실이다. Bloomberg Terminal 데이터는 2026년 4월 기준으로 Terminal 환경 내에 종속되어 있어, Claude가 직접 Bloomberg 데이터에 접근하는 것이 불가능하다. 현재는 Bloomberg BQuant(Python API) 환경에서 데이터를 추출한 뒤 별도 파이프라인으로 Claude에 공급하는 우회 아키텍처가 필요하다.

PII를 지키고 사람이 최종 서명하게 만드는 설계

금융 서비스 AI 에이전트의 규제 준수 아키텍처에서 PII(개인식별정보) 보호는 가장 엄격하게 다뤄야 할 요소다. KYC 스크리닝 에이전트가 고객 신원 정보를 처리할 때 로그에는 마스킹된 식별자만 기록되는 데이터 마스킹(실제 이름, 계좌번호, 주민등록번호는 암호화된 토큰으로 대체), 각 에이전트가 태스크 수행에 필요한 최소한의 데이터 접근 권한만 보유하는 접근 범위 제한(KYC 에이전트는 고객 신원 데이터에 접근하지만 포트폴리오 전략 데이터에는 접근하지 않음), 그리고 에이전트 ID와 버전·호출한 스킬 목록·접근한 데이터 소스와 쿼리 범위·생성된 출력물 해시·인간 검토자 ID와 승인 타임스탬프가 불변 로그(Immutable Log)에 기록되는 감사 추적이 핵심 메커니즘이다.

Anthropic이 금융 에이전트 아키텍처에 내재화한 가장 중요한 원칙은 "AI 초안, 인간 최종 승인" 패턴이다. 에이전트는 투자 추천, 거래 실행, 원장 기장, KYC 승인 등의 최종 의사결정을 수행하지 않는다. 에이전트의 출력은 항상 자격을 갖춘 전문가의 검토 대기 상태(staged for human sign-off)로 전달된다. 이 패턴은 MiFID II의 투자 조언 적합성 요건, FINRA Rule 3110의 감독 요건, 내부통제 기준(SOX 등)의 결재 라인 요건에 대응한다.

같은 로직을 여러 방식으로 실행한다

anthropics/financial-services 레포지토리는 동일한 에이전트 로직을 네 가지 배포 환경에서 실행할 수 있는 이중 아키텍처를 지원한다. 대화형 협업 환경에서 에이전트와 직접 상호작용하는 Claude Cowork 플러그인(애널리스트가 실시간으로 질의하고 에이전트가 즉각적인 초안을 제공), 개발자 환경에서 에이전트를 코드 파이프라인에 내장하는 Claude Code 통합(CI/CD와 연동해 정기적인 리포트 생성을 자동화), 헤드리스(Headless) 백엔드 배포인 Managed Agents API(Airflow·n8n·Temporal 등 기존 워크플로우 엔진과 REST API로 연동해 배치 처리 자동화), 그리고 Excel·Word·Outlook에서 직접 에이전트 기능을 호출하는 Microsoft 365 Add-in(애널리스트가 Excel 재무 모델 내에서 Claude를 직접 호출해 밸류에이션 검토 수행)이다.

오픈소스라서 남는 숙제

Apache 2.0 라이선스 오픈소스 공개는 투명성과 커뮤니티 기여의 장점을 제공하지만, 금융 서비스 환경에서는 몇 가지 보안 위험을 면밀히 평가해야 한다. 외부 데이터 소스에서 수신한 텍스트가 에이전트의 시스템 프롬프트나 스킬 지시문을 변형시키는 프롬프트 인젝션 위험은 FactSet이나 Bloomberg에서 가져온 뉴스 텍스트에 악의적인 프롬프트가 삽입될 가능성에 대한 방어 레이어를 요구한다. 오픈소스 의존성 취약점 관리인 공급망 보안은 레포지토리의 Python 패키지 의존성에 대한 정기적인 취약점 스캔과 고정된 버전 핀닝(version pinning)을 필요로 한다. 같은 스킬 버전이라도 Claude 모델 버전 업데이트에 따라 출력이 달라질 수 있다는 모델 행동 일관성 문제는 금융 규제 환경에서 모델 버전을 고정하거나 회귀 테스트로 출력 일관성을 검증하는 체계를 요구한다.

핵심 설계 원칙은 최소 권한, 감사 가능성, 인간 최종 통제 세 가지로 요약된다. 이 원칙들이 코드 레벨에서 강제되지 않으면 오픈소스 템플릿을 그대로 운영 환경에 배포하는 것은 규제 리스크를 수반한다. 스킬·커넥터·서브에이전트의 3계층 아키텍처, MCP 기반 표준화된 데이터 연동, Human-in-the-Loop 컴플라이언스 패턴은 금융 AI 에이전트 구축의 실무적 청사진이 된다. Bloomberg MCP 미지원과 같은 현재의 한계와 오픈소스 배포에 따른 보안 위험을 인식하면서도, 실제 금융 기관 배포 시에는 내부 보안 검토, 규제 법무 자문, 모델 출력 검증 체계를 반드시 병행해야 한다.