AI는 지속가능 금융에 도움이 될까, 해가 될까? 탄소발자국 대 ESG 혁신

AI는 지속가능 금융에 도움이 될까, 해가 될까?

인공지능(AI)은 지속가능 금융에 도움이 되는 동시에 해가 되며, 어느 효과가 우세할지는 금융기관 자신의 조달, 측정, 공시 선택이 결정합니다. 비용 측면에서, 국제에너지기구(IEA)는 2025년 4월 발간한 Energy and AI에서 데이터센터가 2024년 약 415테라와트시(TWh)의 전력을 소비했다고 — 전 세계 전력 소비의 약 1.5% — 보고했으며, 이는 2017년 이후 연평균 약 12% 증가한 결과로 전체 전력 수요 증가 속도의 네 배가 넘습니다. 혁신 측면에서는 국제결제은행(BIS) Innovation Hub가 2024년 3월 19일 발표한 Project Gaia에서 대규모 언어 모델이 187개 금융기관의 5년치 공시 자료로부터 20개의 기후 관련 핵심성과지표를 추출할 수 있음을 보여주었습니다. 따라서 지속가능 금융에는 받아들여야 할 결론이 있는 것이 아니라, 배치 사례마다 수행해야 할 판단만이 있습니다.

금융 AI 뒤에 있는 컴퓨팅 발자국은 얼마나 큰가?

금융 AI 뒤에 있는 컴퓨팅 발자국은 개별 은행이 아니라 데이터센터 수준에서 측정되므로, 금융 전문가는 인프라 데이터를 가지고 작업하며 이를 배분합니다. IEA 수치는 전 세계 상황을 보여줍니다: 2024년 415TWh로, 미국(전 세계 데이터센터 전력 소비의 45%), 중국(25%), 유럽(15%)에 집중되어 있으며, 2024년 데이터센터에 대한 전 세계 투자는 5천억 미국 달러에 달했고 소비량은 2030년까지 두 배 이상 증가해 약 945TWh에 이를 것으로 전망됩니다. 미국의 상황은 더 세분화되어 있습니다. Lawrence Berkeley National Laboratory가 미국 에너지부를 위해 2024년 12월 발간한 2024 United States Data Center Energy Usage Report는 국가 데이터센터 소비량이 2014년 58TWh에서 2023년 176TWh로 증가했음을 추적했습니다. 아래 표는 재무팀이나 ESG팀이 직접 인용할 수 있는 수치를 정리한 것입니다.

기관의 AI 발자국은 자체 회계에서 어디에 기록되는가?

기관의 AI 발자국은 하드웨어 소유 주체에 따라 온실가스 인벤토리의 서로 다른 부분에 기록되며, 그렇기 때문에 이 수치가 종종 누락됩니다. 은행이 소유하거나 통제하는 데이터센터를 위해 구매한 전력은 온실가스 프로토콜의 Scope 2로 계상됩니다. 서비스로 구매한 컴퓨팅 — 클라우드 플랫폼, 모델 애플리케이션 프로그래밍 인터페이스, 관리형 추론 — 은 Scope 3, 가장 흔하게는 카테고리 1(구매한 재화 및 서비스)에 해당하며, 여기서의 추정치는 대개 지출 기반이어서 워크로드가 실제로 얼마나 효율적으로 실행되었는지를 반영하지 못합니다. 방어 가능한 AI 발자국을 원하는 금융기관은 계약서에 필요한 바를 명시해야 합니다: 서비스 단위당 에너지와 탄소, 전력사용효율(PUE), 물사용효율(WUE), 적용된 시스템 경계, 그리고 수치를 감사할 권리입니다. 그 수치를 얻을 수 있게 만드는 것은 엔지니어링이 아니라 조달입니다.

AI는 지속가능 금융에서 실제로 무엇을 열어주는가?

AI는 분석 역량이 아니라 수작업 판독에 의해 제약되어 있던 지속가능 금융 업무를 가능하게 합니다. BIS Innovation Hub Eurosystem Centre가 독일연방은행, 유럽중앙은행, 스페인은행과 함께 수행한 Project Gaia는 대규모 언어 모델을 활용해 기업 기후 공시를 검색하고, 관할권마다 명명 규칙과 정의가 일관되지 않음에도 불구하고 조화된 지표 — 총 배출량, 녹색채권 발행, 자발적 넷제로 약속 — 를 산출했습니다. 금융안정위원회(FSB)는 2024년 11월 14일 발간한 The Financial Stability Implications of Artificial Intelligence에서, 은행·보험사·자산운용사의 도입이 리스크 모델링, 트레이딩, 보험금 청구 처리, 사기 탐지, 금융범죄 예방에서 효율성 향상을 가져오고 있다고 밝히면서도, 규제 대상 기관에서의 생성형 AI 활용은 여전히 대체로 탐색적이며 운영 효율성에 집중되어 있다고 지적했습니다. 아래 응용 분야는 지속가능 금융팀이 오늘날 성과를 보고 있는 영역입니다:

• 공시 추출 — Project Gaia에서 187개 금융기관과 20개 지표에 걸쳐 입증된 것처럼, 비정형 기업 보고서에서 비교 가능한 기후 지표를 추출하는 작업.
• 기후 리스크 모델링 — 대규모 거래상대방 포트폴리오 전반에 걸쳐 물리적·전환 리스크 시나리오를 구축하고 스트레스 테스트하는 작업으로, FSB가 리스크 모델링 효율성 향상 영역으로 지목한 분야.
• 포트폴리오 스크리닝 — 분기별 검토 시점이 아니라 상시적으로 보유 자산을 배제 목록과 기준 규칙에 대조해 점검.
• 보험의 청구 처리 — 기후로 인한 손실 사건 이후 평가를 가속화하는 것으로, FSB가 현재의 효율성 향상 사례로 지목.
• 금융범죄 및 사기 탐지 — 규칙 기반 시스템이 감당할 수 없는 규모의 패턴 탐지로, 역시 FSB가 언급한 분야.
• 전환 계획 모니터링 — 거래상대방이 공표한 전환 계획에서 약속한 바를 연도별로 이행하고 있는지 추적.

금융 부문은 이제 어떤 네 가지 역량을 채용하는가?

금융기관은 AI와 지속가능성 관련 역량을 네 가지 별개의 역량으로 구분해 채용하며, 각각은 고용주가 검증할 수 있는 기술적 핵심과, 그 기술적 작업이 실제로 의사결정을 바꾸는지를 결정하는 행동적 핵심을 갖습니다. 이를 구분되지 않은 하나의 "ESG와 AI" 프로필로 제시하는 지원자는 면접에서 좋은 평가를 받지 못합니다. 면접관은 특정한 산출물을 검증하려 하는데 들리는 것은 용어뿐이기 때문입니다. 아래 네 가지 역량이 이 글의 나머지 구조를 이루며, 각 섹션은 해당 역량이 무엇을 산출하는지, 어떤 규제나 측정된 증거가 그 수요를 이끄는지, 그리고 지원자가 그 역량을 갖추었음을 무엇이 입증하는지를 설명합니다:

• 그린 핀테크 — 환경적 성과를 목적으로 하는 디지털 금융 상품을, 현재 신용 및 보험 분야 AI에 적용되는 규제 분류 체계 안에서 구축하고 관리하는 역량.
• 지속가능 포트폴리오 최적화 — 심리나 정서가 아니라 구속력 있는 지속가능성 제약, 기준치, 배제 규칙에 따라 포트폴리오를 구성하고 재조정하는 역량.
• 기술 분야 전과정평가(LCA) — 기관 자신이 구매하는 AI 및 디지털 인프라의 에너지, 탄소, 물 발자국을 명시된 시스템 경계와 함께 정량화하는 역량.
• ESG 데이터 분석 — 등급, 스크리닝, 공시가 그 출처까지 추적될 수 있도록 지속가능성 데이터를 수집·조정·관리하는 역량.

그린 핀테크란 무엇이며, 무엇을 요구하는가?

그린 핀테크는 환경적 성과를 주된 목적으로 하는 디지털 금융 상품 및 인프라 — 기후 리스크 분석, 배출량 연계 대출, 전환금융 플랫폼, Project Gaia가 시제품으로 구현한 유형의 감독기술 — 를 설계하고 운영하는 것입니다. 그 기술적 핵심은 화려하지 않습니다: 데이터 파이프라인, 모델 배포, 모델 리스크 문서화와 테스트입니다. 규제적 핵심은 이제 유럽연합에서 명시적입니다. 인공지능법(Regulation (EU) 2024/1689)은 자연인의 신용도를 평가하거나 신용점수를 산정하는 데 사용되는 AI 시스템, 그리고 생명 및 건강보험의 리스크 평가와 가격 산정에 사용되는 AI 시스템을 부속서 III에 따른 고위험으로 분류합니다. 2026년 7월 27일 발효된 Digital Omnibus는 독립형 부속서 III 고위험 시스템의 준수 기한을 2027년 12월 2일로, 규제 대상 제품에 내장된 AI의 경우 2028년 8월 2일로 연기했습니다. 소프트 스킬 측면의 핵심은, 유예를 면제로 착각하지 않으면서 그 일정표를 제품 로드맵으로 옮기는 일입니다.

AI로 지속가능 포트폴리오 최적화는 어떻게 달라지는가?

지속가능 포트폴리오 최적화는 법적으로 정의된 제약 조건을 갖는 제약 최적화 문제가 되었으며, 이는 머신러닝이 잘 다루는 문제 형태인 동시에 설명되지 않는 모델이 곧바로 책임 리스크가 되는 형태이기도 합니다. 유럽증권시장감독청(ESMA)의 ESG 또는 지속가능성 관련 용어를 사용하는 펀드 명칭에 관한 가이드라인(참조번호 ESMA34-472-440)은 펀드 투자자산의 최소 80%가 전략에 공시된 환경적·사회적 특성 또는 지속가능 투자 목표를 충족할 것을 요구합니다. 환경 또는 지속가능성 용어를 사용하는 펀드는 파리협정 정합 벤치마크 배제 기준을 적용해야 하고, 사회 또는 거버넌스 용어를 사용하는 펀드는 기후전환 벤치마크 배제 기준을 적용하며, 스스로를 "지속가능"하다고 칭하는 펀드는 지속가능 투자에 실질적으로 투자해야 합니다. FSB는 같은 2024년 보고서에서 AI 도입이 시장 상관성, 제3자 의존성, 모델 리스크를 증폭시킬 수 있다고 경고합니다. 따라서 이 역량은 최적화에 설명을 더한 것입니다: 투자위원회에 모델이 왜 특정 보유 자산을 배제했는지 제시하는 일입니다.

기술 분야 전과정평가가 왜 금융 직무기술서에 포함되는가?

기술 분야 전과정평가(LCA)가 금융 직무기술서에 포함되는 이유는, 은행이 구매하는 AI가 이제 자체 환경 회계에서 중요한 항목이 되었고, 기관 외부의 누구도 이를 정량화해주지 않기 때문입니다. LCA는 ISO 14040과 ISO 14044의 원칙과 요구사항을 디지털 서비스에 적용합니다: 시스템 경계를 선언하고, 상각된 학습 발자국과 한계 추론 발자국을 분리하며, 방법론을 명시한 상태로 에너지·탄소·물을 보고하는 것입니다. 소프트웨어 탄소집약도 규격인 ISO/IEC 21031:2024는 릴리스와 공급업체 전반에 걸쳐 기능 단위당 비교 가능한 측정치를 제공합니다. AI법은 범용 AI 모델 제공자에게 기술 문서에 알려진 또는 추정된 에너지 소비를 기재하도록 요구함으로써 상류에서 이 규율을 강화합니다. 소프트 스킬 측면의 핵심은 협상입니다. LCA는 공급업체가 계약상 공개 의무를 지게 된 경우에만 가능하며, 이는 기술적 대화가 아니라 조달 대화입니다.

ESG 데이터 분석은 대시보드 너머로 무엇을 요구하는가?

ESG 데이터 분석은 대시보드가 가려버리는 출처 추적 작업을 요구하며, 유럽 규제는 바로 그 작업을 감독 가능하게 만들었습니다. ESG 평가 활동의 투명성과 완전성에 관한 Regulation (EU) 2024/3005는 2026년 7월 2일부터 적용되어, ESG 평가 제공자를 ESMA의 직접 인가 및 감독 아래 두고 방법론 투명성과 활동 분리에 관한 요건을 부과합니다. ESMA는 2026년 7월 1일, 인가 전환기 동안 제3자에 의한 ESG 등급의 공표 및 배포를 다루는 공개 성명을 발표했습니다. 기초 투입 데이터의 비교 가능성도 병행해 개선되고 있습니다: IFRS Foundation은 2025년 6월 12일, 36개 관할권이 ISSB 기준을 채택했거나 달리 활용하고 있거나 도입 절차를 마무리 중이라고 보고했으며, 그중 17개 관할권의 프로필을 발표했고 이 가운데 14개가 전면 채택을 목표로 하고 있습니다. 환경·사회·거버넌스(ESG) 보고를 원천에서부터 이해하는 분석가는 수치를 방어할 수 있지만, 점수만 물려받은 분석가는 그럴 수 없습니다.

각 역량 아래에는 어떤 하드 스킬과 소프트 스킬이 놓이는가?

네 가지 역량은 각각 하드 스킬에 근거해 채용되고 소프트 스킬에 근거해 유지되며, 마지막 열의 산출물은 면접관이 보여달라고 요구하는 바로 그것입니다. 이 짝짓기가 중요한 이유는 실패 양상이 대칭적이기 때문입니다: 모델의 배제 결정을 고객에게 설명하지 못하는 정량 지원자는 수임을 잃고, 수치를 재구성하지 못하는 설득력 있는 지원자는 감사에서 무너집니다. 이 표는 자가진단 도구로도 쓸 수 있습니다. 현재 직무를 기준으로 각 행에 입증됨, 부분적, 부재를 표시하세요. 가장 약한 두 행이 곧 학습 계획이며, 대개 아래 SUMAS 과정 중 어느 것에 시간을 투자할 가치가 있는지를 알려줍니다.

AI 배치가 금융기관에 순긍정적인지 어떻게 판단하는가?

금융기관은 기술 자체를 일반론으로 논쟁하는 것이 아니라, 승인 전에 정해진 순서를 밟음으로써 AI 배치가 순긍정적인지를 확인합니다. 아래 순서는 리스크위원회, 내부감사, 감독당국이 각각 검토할 수 있는 산출물을 만들어내며, 의도적으로 야망보다 측정을 앞세웁니다. 발자국이 한 번도 정량화된 적 없는 AI 시스템은 무엇을 분석하든 지속가능 금융 인프라라고 설명될 수 없습니다. 정직하게 적용하면 이 순서는 일부 제안을 기각하고, 더 많은 제안을 더 작은 모델이나 더 좁은 범위로 재조정하며, 나머지는 모니터링 조건을 붙여 승인합니다. 여섯 단계는 순서대로 진행됩니다:

1. ISO 14040/14044 또는 ISO/IEC 21031:2024에 따라 선언된 시스템 경계를 기준으로 해당 배치의 에너지, 탄소, 물 발자국을 정량화하고, 하드웨어 소유 주체에 따라 Scope 2 또는 Scope 3에 배분한다.
2. 반사실적 기준을 명시한다: 이 배치가 실제로 대체하는 분석가 업무는 무엇이며, 측정된 비용과 기준연도는 무엇인가?
3. AI법에 따라 시스템을 분류하고 — 자연인에 대한 신용평점 산정과 생명 및 건강보험 가격 산정은 부속서 III에 해당 — 의무가 2027년 12월 2일부터만 적용되는 경우에도 그 분류를 기록한다.
4. 데이터를 검증한다: 공표될 수치나 고객 대면 의사결정에 도달할 모든 입력에 대해 출처, 계보, 라이선스, 보존 기간을 확인한다.
5. 주장을 검증한다: 외부에 공표되는 모든 수치를 출처, 경계, 기준연도, 검증 상태와 함께 감사인을 위해 재구성할 수 있는가?
6. 6개월에서 12개월 후 재측정한다. 사용량 증가가 포트폴리오 규모에서 쿼리당 효율성 개선을 상시적으로 상쇄해버리기 때문이다.

SUMAS 지속가능 금융 졸업생들은 오늘날 어디서 일하는가?

SUMAS — Sustainability Management School은 스위스 Gland의 Lake Geneva 캠퍼스와 이탈리아 Milan의 도심 캠퍼스를 운영하며, 지속가능 금융 분야 졸업생을 이름, 프로그램, 졸업연도, 고용주와 함께 공개하고 있어 주장을 신뢰에 맡기지 않고 확인할 수 있게 합니다. 진출 분야는 이 글과 관련된 네 곳에 집중되어 있습니다: 프라이빗 뱅킹 및 자산관리, 보험 및 재보험 보고, 자산운용 내 지속가능성 리서치, 그리고 환경 단체 및 규제기관에서의 정책·자문 역할입니다. 졸업생 영상 인터뷰는 SUMAS 동문 페이지와 아래 링크된 개별 프로그램 페이지에 이 서면 프로필과 함께 공개되어 있습니다. 동문 정보는 2026년 8월에 공개된 그대로 수록되었으며, SUMAS는 전 프로그램에 걸쳐 90%의 졸업생 취업률을 보고하고 있습니다.

SUMAS에서 지속가능 금융과 AI는 누가 가르치는가?

SUMAS의 AI 및 금융 교과는 시장에서 직접 일한 뒤 이를 가르치는 실무자들이 담당합니다. Professor Jan Erik Meidell, Ph.D.는 지속가능성, 금융, 기술의 접점에서 활동하며 25년 넘게 비즈니스 전략과 정량적 기술을 연결해 왔고, 학술 연구로 전환하기 전 트레이딩, 최고재무책임자 직무, 창업을 아우르며 금융 부문에서 20년 이상을 보냈습니다. 그는 Capstone: AI for Good을 포함한 AI 과목을 가르치고, 통계와 머신러닝, 블록체인과 탈중앙화 금융, 비즈니스를 위한 응용 AI를 강의하며, 현재 ESG 거버넌스와 이행에 관한 연구를 수행하고 있습니다. 회계 및 감사 분야는 공인회계사이자 감사인, 변호사인 Professor Domenico Lamanna Di Salvo, Ph.D.가 담당하며, 그의 학술 연구는 재무제표를 분석하고 유럽 각국의 회계 원칙을 비교합니다 — 이는 AI가 생성한 지속가능성 수치가 검증을 통과할 수 있는지를 결정하는 분야입니다.

어떤 SUMAS 과정이 당신의 프로필에 맞는가?

SUMAS는 지속가능 금융과 AI 혁신을 주제 영역이 아니라 입학 수준, 기간, 형식이 다른 네 가지 과정으로 가르치므로, 선택은 현재 보유한 학력과 실제로 확보 가능한 학습 시간에서 출발합니다. 네 과정 모두 영어로 운영되고 ACBSP 인증을 받았으며, 별도로 공지되는 경비 및 교재비와 함께 환불되지 않는 CHF 200의 지원비가 부과됩니다. 아래 학비 및 입학 시기 정보는 2026년 8월에 공개된 그대로 수록된 것이며, 학비 체계는 입학 연도에 따라 변경되므로 지원 전 입학처에 현재 수치를 확인하시기 바랍니다. 표는 실제 선택을 좌우하는 기준에 따라 과정들을 비교하며, 앞서 설명한 네 가지 역량을 담은 과목도 함께 제시합니다.

이번 분기에 이 역량들을 어떻게 쌓기 시작할 것인가?

AI와 지속가능 금융 역량을 쌓는 일은 또 하나의 프레임워크가 아니라, 이미 무엇을 입증할 수 있는지에 대한 점검에서 시작됩니다. 역량 표에 제시된 네 가지 산출물 — 고위험 분류 평가서, 배제 내역과 사유가 담긴 포트폴리오 구성 노트, 선언된 경계를 갖춘 AI 서비스 발자국 보고서, 공표된 지표 하나에 대한 데이터 계보도 — 을 두고 각각을 입증됨, 부분적, 부재로 표시해 보세요. 더 넓은 기술 문제를 고민하는 독자라면 금융 부문 밖의 자원 사용과 기후 편익을 다룬 관리자를 위한 생성형 AI 역설 가이드와, 이 글이 전제하는 공시 기초를 설명한 환경·사회·거버넌스(ESG) 보고 해설도 함께 읽어보실 수 있습니다. SUMAS에서는 이러한 산출물을 파트너 조직과 함께하는 Sustainability Industry Projects와 캡스톤 과제 안에서 만들어냅니다. 실질적인 다음 단계는 가장 약한 두 항목을 가장 빠르게 메워줄 기간과 형식의 과정을 고르는 일입니다.