기존 신용점수(CB)는 은행 거래, 대출, 카드 이용내역 같은 금융정보만을 점수화하는 방식입니다. 신용평가사들이 정해놓은 통계 모델에 따라 일정한 점수표로 산출되죠.

AI 신용평가는 여기에 통신비·전기요금 납부내역, 쇼핑·결제 패턴, 앱 사용 기록 같은 비금융 데이터까지 분석 대상에 포함합니다. 업계에서는 이런 방식을 대안신용평가시스템(ACSS, Alternative Credit Scoring System)이라고 부르기도 해요.

같은 “신용평가”라는 말을 쓰지만, 보는 데이터의 폭 자체가 완전히 다른 셈입니다.

사회초년생, 전업주부, 고령층처럼 금융거래 이력이 거의 없는 사람들을 업계에서는 ‘금융이력부족자(thin-filer)’라고 부릅니다. 이들은 기존 CB 방식에서는 신용평점 산출 자체가 어려운 구조적 문제를 안고 있어요.

AI 신용평가는 이 문제를 보완하는 도구로 주목받고 있습니다. 통신비·전기요금 같은 비금융정보를 한 가지 이상 반영한 모델은 기존보다 예측력이 크게 개선됐고, 금융이력부족자도 신용평점 산출이 가능해지면서 대출승인률이 약 10% 가량 늘었습니다.

승인률이 오르면서도 채무불이행 위험은 오히려 줄어드는 효과까지 확인됐다는 점이 의미 있는 부분이에요.

AI 신용평가는 더 이상 먼 미래의 이야기가 아닙니다. 신한은행, 케이뱅크, 일부 저축은행이 이미 네이버페이 스코어를 대출 심사에 도입했고, 농협은행도 적용을 검토하고 있습니다.

카카오페이 스코어는 자사 플랫폼뿐 아니라 다른 금융사의 대출·카드 신청 과정까지 적용 범위를 넓혀가고 있어요. 토스의 비금융정보를 활용한 대안평가 모델도 저축은행권 대출 심사에 연계 공급되고 있습니다.

이미 많은 사람들이 모르는 사이에 AI 신용평가를 한 번쯔 거쳐 대출을 받았을 가능성이 높다는 뜻이에요.

AI 신용평가가 보는 비금융 데이터 중 가장 자주 언급되는 게 통신비·관리비 같은 생활비 납부 기록입니다. 매달 제때 납부한 기록은 모델 안에서 긍정적인 신호로 작용하는 경우가 많아요.

반대로 소액이라도 연체가 잦거나 결제가 불규칙하면, 금융거래와 무관한 영역에서도 마이너스 요인이 될 수 있습니다. “어차피 큰돈 아니니까”라는 생각으로 통신비를 미루는 습관이 의외로 대출 심사에 영향을 줄 수 있다는 뜻이에요.

신용카드 사용 패턴도 마찬가지입니다. 한도를 무리하게 올렸다가 단기간에 많이 쓰는 패턴은 AI 평가에서도 비슷하게 부정적 신호로 잡히는 경향이 있어요.

AI 신용평가가 빠르게 확산되면서 가장 자주 제기되는 우려가 알고리즘 편향입니다. 성별, 나이, 거주지역 같은 정보가 평가에 어떻게 반영되는지 외부에서 확인하기 어렵다는 지적이 꾸준히 나왔어요.

이런 문제를 보완하기 위해 2026년 1월 22일부터 시행된 AI 기본법은 금융 신용판단을 포함한 영역을 ‘고영향 AI’로 명시했습니다. 대출 심사에 AI를 활용하는 금융사는 왜 대출이 거부됐는지 설명할 수 있어야 하는 의무를 지게 됐어요.

이제는 “그냥 AI가 그렇게 판단했다”는 식의 불투명한 설명이 점점 어려워지는 구조로 가고 있다는 점, 소비자 입장에서는 긍정적인 변화입니다.