Chase(JPMorgan Chase)와 DBS Bank의 디지털/AI 내재화(Embedding) 사례 심층 분석


(2026년 5월 기준 최신 자료 기반, HBS·McKinsey 사례연구, 각 은행 연차보고서·CEO 서한·공식 발표 종합)
최근 디지털/AX 그룹의 순수 중앙집중형은 한계가 명확하며, CoE(중앙 우수센터) + Embedded(비즈니스 단위 내재화) 하이브리드 모델로의 전환이 필수라는 업권 분위기가 강합니다.

이번에는 글로벌 선도 사례로 DBS Bank(싱가포르)와 JPMorgan Chase(미국)를 심층적으로 분석하겠습니다.

두 은행 모두 초기 중앙집중(중앙 AI/데이터 플랫폼 구축)을 통해 기반을 닦은 뒤, 비즈니스 라인(LOB: Line of Business)·플랫폼 단위로 디지털/AI 역량을 대거 embedding함으로써 “기술 도입”을 넘어 “AI-native 조직”으로 전환했습니다. 이는 단순한 조직개편이 아니라 문화·운영모델·거버넌스·인재 전략의 총체적 변화입니다. 아래에서 전략 배경, 조직 구조, embedding 메커니즘, 성과·리스크·edge case, 한국 은행 컨설팅 시사점을 다각도로 탐구하겠습니다.

1. DBS Bank: “Platform + 2-in-a-Box + Data Chapter” 모델 — 가장 전형적인 Embedded 성공 사례
DBS는 2014년 Piyush Gupta CEO 취임 후 “Damn Bloody Slow”라는 오명을 딛고 “Digital to the Core + Customer Journey Embedding + Startup Culture” 3대 축으로 디지털 전환을 시작했습니다. 2026년 현재 World’s Best AI Bank(Global Finance 2025)·Best Digital Bank 다수 수상하며 아시아를 넘어 글로벌 벤치마크가 되었습니다.
(1) 조직 구조 변화 (2018~2026)
• 33개 Platform 모델 도입 (2018~): 기존 기능별 실로(silo)를 폐지하고, 비즈니스 세그먼트·상품별 플랫폼으로 재편. 각 플랫폼은 “2-in-a-Box” 공동 리더십 적용 — 비즈니스 리더 + 테크/IT 리더가 공동 책임·KPI를 공유.
→ 결과: 비즈니스와 테크가 “파트너”가 아닌 “하나의 팀”으로 작동. 의사결정 속도 2~3배 향상(내부 보고).
• Data Chapter (2023~): 700명 규모 데이터 전문가 풀을 중앙에 두지 않고, cross-functional squads에 embedding. 각 비즈니스·지원 부서에 데이터·AI 전문가가 상주하며, 비즈니스 팀이 직접 AI 솔루션을 co-create.
→ “디지털 게토” 방지, 비즈니스 ownership 극대화.
• Agile Squads & Operating Model Transformation (OMT, 2025): 9개 OMT 완료. 프로세스를 human-AI 협업으로 재설계하고, adaptive(적응형) 조직 구조 도입. 대표적 사례가 Alpha Squads(2025.7~): 법무·컴플라이언스·금융범죄 전문가 5인 1조, 10개 스쿼드(총 50명)로 역할 블렌딩 + AI 도구 공동 활용. 실로를 해체하고 규제 복잡성을 AI로 대응.
(2) AI 내재화 메커니즘
• ALAN(AI Lifecycle Acceleration Network) 플랫폼: AI 배포 주기를 18개월 → 5개월 → 몇 주 단위로 단축하는 “AI Factory”. 중앙 CoE가 플랫폼·표준만 관리하고, 실제 use case는 squads에서 개발·운영.
• P-U-R-E Ethical AI Framework: Privacy, Understanding, Responsibility, Explainability. 2022년 GenAI 실험부터 적용 → 규제 리스크 최소화하면서도 빠른 스케일.
• Agentic AI + OMT: 2025년 370+ use case, 1,500+ AI 모델 운영. 고객(하이퍼-퍼스널라이즈드 nudge), 내부(HR: 이직 예측, iCoach 직원 코칭), 운영(사기·리스크) 전 영역 embedding.
(3) 성과·임팩트 (2025년 기준)
• AI 경제 가치: S$1 billion (2025년 기록, 2024년 S$750M+에서 급증).
• Culture: ABCDE(Agile·Be learning·Customer-obsessed·Data-driven·Experiment & risk-taking). Digify·DBS Academy로 전 직원 디지털 역량 내재화.
• Edge case: 규제 변화(아시아 금융AI 규제) 시 P-U-R-E + Alpha Squads가 빠른 대응력을 제공.
핵심 교훈: 중앙 CoE는 “플랫폼·거버넌스·인재 풀”만 담당하고, 비즈니스 단위에 AI 전문가를 squad 형태로 embedding해야 지속 가능한 스케일과 biz ownership이 나온다.

2. JPMorgan Chase: “Enterprise LLM Suite + LOB별 Deep Embedding” — 대형 은행 규모에서의 하이브리드 성공
Chase는 2026년 tech 예산 $19.8B(2025년 대비 +$2B)으로 AI·디지털에 가장 공격적으로 투자하는 은행입니다. Jamie Dimon CEO는 “AI가 모든 프로세스를 재설계한다”고 공언하며, 450+ use case(2026년 목표 1,000개)를 production으로 운영 중입니다.
(1) 조직 접근: Hybrid (강한 중앙 + LOB Embedding)
• 중앙 플랫폼: Homegrown LLM Suite (model-agnostic GenAI 플랫폼) — 전사 200,000+ 직원(총 직원 320,000명 중 대다수) 접근. Employee Assistant(개인화 AI 에이전트) 포함. 중앙 데이터 거버넌스·보안·AI-ready data가 핵심.
• LOB별 Embedding:
◦ Consumer & Community Banking(CCB): GenAI를 마케팅·판매 최적화·가격 책정·개인화에 embedding. Home Lending·Auto 플랫폼에 AI agentic 기능 탑재.
◦ Commercial & Investment Bank(CIB): 거래 스크리닝(수동 작업 50% 감소), 현금흐름 예측, Prime Finance 등 175+ use case. 90%+ 엔지니어가 AI 코드 어시스턴트 사용. 각 BU에 Chief Data & Analytics Officer 배치(joint reporting).
◦ Asset & Wealth Management(AWM): SpectrumIQ(AI 스위트) — 연구·리스크·트레이딩 자동화(주식 75%, FX 85% 자동). Connect Coach(25개 AI 에이전트, 1M+ personalized insight 제공).
• Citizen Developer + Bottom-up: 중앙 LLM Suite를 통해 비전문가도 AI use case 생산 → “모든 직원이 AX 담당자” 문화.
(2) Workforce & Culture Transformation
• AI로 인한 role displacement → redeployment: “Huge redeployment plans” (Dimon CEO). headcount는 유지하되, AI로 해방된 시간을 성장 업무로 재배치.
• ROI: AI-attributed benefits 30~40% YoY 성장. Operations는 2030년까지 40%+ gross productivity 목표(현재 on-track).
(3) 성과·리스크 관리
• Fraud·credit·trading·legal 등 전 영역에서 measurable value (예: AWM SpectrumIQ로 고객 $4B 거래 비용 절감).
• Governance: “Well-governed data + safeguards” — 중앙에서 강력 통제하면서 LOB embedding.
• Edge case: 대형 은행 특성상 규제·사이버 리스크가 높아 중앙 LLM + LOB squad 하이브리드가 최적.
핵심 교훈: 규모가 클수록 중앙 플랫폼(LLM Suite)은 필수지만, LOB별 AI 전략 + 데이터 전문가 embedding 없이는 biz disconnect가 발생한다.

3. Chase vs DBS 비교 분석 (Multiple Angles)
항목
DBS Bank
JPMorgan Chase
공통점·시사점
조직 모델
33 Platform + 2-in-a-Box + Data Chapter (full embedded)
Enterprise LLM Suite + LOB별 Chief Data Officer & squad
중앙 CoE(플랫폼) + Biz embedding 하이브리드
Embedding 핵심
Cross-functional Agile Squads (Alpha Squads 포함)
Citizen Developer + LOB별 deep use case
Biz ownership 극대화
AI 스케일
370+ use case, 1,500+ 모델, S$1B 가치
450+ → 1,000 use case, 200k+ 사용자
Production 중심, pilot 탈피
문화 전환
ABCDE + Startup DNA
Redeployment + Upskilling
“모든 직원이 AI 사용자/창조자”
강점
아시아 규제 환경 + 빠른 agile
글로벌 규모 + 데이터 flywheel
규모·지역에 따라 조정 가능
Nuances & Edge Cases:
• DBS: 중형 은행이라 플랫폼 재편이 상대적으로 수월. 규제 민감 영역(컴플라이언스)에도 Alpha Squads처럼 embedding 성공.
• Chase: 초대형이라 중앙 LLM Suite가 “공통 인프라” 역할. 하지만 LOB별 customization 없으면 scale 실패 가능성.
• 공통 리스크: 과도한 embedding → 표준 미준수, 거버넌스 약화 → P-U-R-E나 중앙 safeguards가 필수.
• Implications: AI Agentic 시대(2026~)에는 static 조직이 아닌 adaptive squad 구조가 경쟁력.

4. 한국 은행 컨설팅 관점에서의 강한 시사점
• 추천 전환 로드맵:
1 CoE 축소 + Platform화 (DBS式): 기존 디지털/AX 그룹을 “AX Platform CoE”로 재편(전략·ALAN式 플랫폼·거버넌스만).
2 2-in-a-Box or Embedded Squad 도입: 영업·여신·리스크 그룹에 AX 전문가(또는 Chief Data Officer) 상주 + 공동 KPI.
3 Data Chapter式: 데이터·AI 인재를 biz unit에 30~40% embedding.
4 OMT(Operating Model Transformation): 20262027년 pilot 35개 → 전사 확대 (IBK의 AX 분산 계획과 딱 맞음).
• 왜 지금인가? 2026년 AX 시대에는 “기술 도입”이 아닌 biz process 재설계가 핵심. 중앙집중만으로는 속도·ownership 부족 → DBS/Chase처럼 embedding해야 생산성 30~40%↑, 고객 경험 혁신, 인재 이직률 ↓ 달성 가능.
• 국내 적용 Edge Case 고려: 규제(금융AI법·데이터3법) 준수를 위해 P-U-R-E式 중앙 거버넌스 유지 + biz embedding. IBK처럼 정책금융 특성을 가진 은행은 Alpha Squad式 규제·리스크 embedding이 특히 효과적.
두 사례는 AX디지털그룹 같은 순수 중앙집중형은 초기 단계에만 유효하며, 2026년 이후에는 사라져야 할 모델이라는 제 컨설팅 결론을 강력히 뒷받침합니다. 실제로 DBS와 Chase는 이미 AI를 ‘지원 기능’이 아닌 ‘비즈니스 코어 DNA’로 내재화했습니다.