최적화의 역설
모두가 옳을 때 시장이 흔들린다

뱅크런이라고 하면 은행 앞에 늘어선 줄을 떠올린다. 은행이 망할지 모른다는 공포가 사람들을 창구로 불러낸다. 토르스텐 슬록 아폴로 수석 이코노미스트가 2026년 9월 27일 던진 질문은 결이 다르다. 글의 제목은 「에이전트 뱅크런이 오는가(Is an Agentic Bank Run Coming?)」였다.

슬록이 그린 장면은 이렇다. 가계가 쓰는 AI 비서가 이자가 0.1% 안팎인 은행 계좌의 현금을 3.3~5.0%⁠를 주는 상품으로 알아서 옮긴다. 많은 가계가 이런 서비스를 쓰면 은행은 대출의 밑천이 되는 저원가 예금을 크게 잃을 수 있다는 경고다. 다음 날 코인데스크는 이를 느리게 진행되는 뱅크런의 가능성으로 전했다.

은행은 대출의 밑천으로 삼아 온 값싼 예금의 상당 부분을 잃을 수 있다.

토르스텐 슬록, 아폴로 데일리 스파크(2026년 9월 27일)

아직 일어난 일이 아니라 가설이다. 그래도 질문은 곧바로 떠오른다. 더 높은 이자를 받겠다는 선택은 합리적이다. 수수료를 줄이고 놀고 있는 돈을 굴리는 일도 그렇다. 그런데 수많은 사람이 같은 서비스로 비슷한 시점에 움직인다면, 개인에게 개선인 변화가 금융시스템에도 언제나 개선일까.

이 칼럼은 그 질문을 따라 170년을 거슬러 올라간다. 1부에서는 예금 이동이 언제 위기가 되는지, 최적화의 역설이 무엇인지 정리한다. 2부에서는 전신부터 SVB까지 여덟 장면에서 되풀이된 조건을 찾는다. 3부에서는 AI가 무엇을 바꾸는지, 위기가 다시 온다면 어떤 경로일지 따져 본다.

예금이 옮겨 가는 것만으로 은행이 무너지지는 않는다. A은행에서 B은행으로 돈이 가면 A의 예금은 줄지만 B의 예금은 늘고, 은행권 전체의 예금이 같은 금액만큼 사라지지도 않는다. 위기가 되려면 빠른 유출, 취약한 자산·부채 구조, 부족한 완충력이라는 조건이 더 필요하다.

돈이 MMF나 국채로 옮겨 가는 경우도 거래 상대방과 결제 경로에 따라 결과가 달라진다. 핵심은 돈이 사라지느냐가 아니라, 어느 기관이 안정적인 조달을 잃고 그 충격을 얼마의 비용으로 흡수하느냐다. 은행을 예금을 모아 그대로 다시 빌려주는 곳으로만 보는 것도 부정확하다. 영란은행은 은행 대출이 예금을 만든다고 설명한다. 대출이 예금을 창출한다는 회계와, 개별 은행이 자금 유출과 조달비용을 관리해야 한다는 문제는 따로 봐야 한다.

그래서 물어야 할 것은 AI가 예금을 옮기면 은행이 무너지느냐가 아니다. 예금과 포트폴리오의 재배치가 더 자동적이고 동시적으로 바뀔 때 어떤 취약성이 위기로 이어지느냐다. 금리 경쟁은 정상적인 조정으로 끝날 수도 있다. 대안 상품이 3%⁠를 넘는 이자를 주는 배경에는 2026년 9월 다시 오른 미국 정책금리가 있다. 그 흐름은 「금리를 올린 AI 낙관론자」 보고서에서 다뤘다.

예금 이동은 조달구조의 변화다. 위기가 되려면 빠른 유출, 취약한 자산·부채 구조, 부족한 완충력이 함께 있어야 한다.

각자에게 최선인 선택을 모두 더한 결과가 전체에 최선이 아닐 수 있다는 뜻이다. 한 사람의 선택이 다른 사람의 환경을 바꾸기 때문이다. AC리서치는 외부효과, 혼잡, 군집행동, 유동성 피드백을 한데 묶어 이 조건부 현상을 최적화의 역설이라고 부른다. 확립된 단일 금융법칙이 아니라 분석의 틀이다.

도로를 떠올리면 쉽다. 다른 운전자들의 선택이 고정돼 있다면 가장 덜 막히는 길을 고르면 된다. 하지만 다른 사람들도 같은 우회도로를 찾으면, 내가 계산한 최적의 길은 내가 진입하는 동안 달라진다. 대런 아세모글루(Daron Acemoglu) 등은 정보적 브래스 역설 연구에서, 특정한 교통망과 비용 조건에서는 경로 정보를 더 받은 이용자의 이동 비용이 오히려 늘 수 있음을 보였다. 추가 정보가 언제나 집단의 성과를 높이지는 않는다는 이론적 사례다. 모든 내비게이션이 교통을 악화한다는 뜻은 아니다. 이 연구가 확장한 고전적 현상이 브래스 역설이다.

금융에서는 그 도로가 시장의 매수 여력과 은행의 현금이다. 한 펀드는 보유자산을 팔아 위험을 줄일 수 있다. 그러나 여러 펀드가 같은 자산을 팔면 가격이 내려가고 다른 펀드의 손실과 담보 부담이 커진다. 그 펀드도 다시 팔아야 한다면 처음의 위험회피가 새로운 위험의 원인이 된다. 국채처럼 신용위험이 낮은 자산에서도 레버리지와 강제매도가 겹치면 이런 일이 생긴다.

여기서 합리적이라는 말은 전지전능하다는 뜻이 아니다. 자기 고객과 포지션, 위험한도 안에서 타당한 선택이라는 뜻이다. 그 선택이 다른 참여자에게 주는 비용, 모두가 같은 행동을 할 때 달라지는 시장까지 계산에 넣지 못하면 국소적인 최적화가 시스템 전체의 불안정으로 번질 수 있다. 정보가 늘면 위기가 는다는 직선은 성립하지 않는다. 문제는 지능의 과잉이 아니라 최적화의 범위와 상호작용의 범위가 어긋나는 데 있다.

시장에서는 내가 관찰하는 위험과 내가 만들어내는 위험이 분리되지 않는다.

기술은 대개 더 많은 정보를 주고, 거래비용을 줄이고, 위험을 관리하려고 도입된다. 그 개선이 참여자의 행동을 한 방향으로 모으면 예상하지 못한 부작용이 나온다. 아래 여덟 장면은 발명 직후 반드시 위기가 온다는 이야기가 아니라, 새로운 능력이 오래된 취약성과 만난 방식이다. 공황, 개별 은행의 뱅크런, 몇 분짜리 시장 급변은 규모와 성격이 서로 다르다는 점도 먼저 밝혀 둔다.

SVB의 해석은 최근 바뀌었다. 연준의 2023년 검토는 소셜미디어와 고객 네트워크가 유출을 부추겼다고 설명했다. 그런데 보먼 부의장은 2026년 9월 18일 연설에서 Starling Advisory Group이 맡은 독립검토의 초기 결과를 소개하며, 소셜미디어가 런을 촉발하거나 가속했다는 증거가 없었다고 했다. 그래서 이 칼럼은 트위터가 SVB를 무너뜨렸다는 표현을 쓰지 않는다. 이견은 공개 소셜미디어의 인과적 역할에 관한 것이고, 디지털 금융의 영향이 전혀 없었다는 뜻은 아니다.

역사에서 반복된 것은 특정 기술의 악의가 아니다. 불신에 대한 대응, 손실 방어, 담보 충족, 차익거래가 같은 시장의 수용 능력을 동시에 요구했다는 사실이다.

네 가지 조건이 겹칠 때다. 정보와 실행의 시간이 압축되고, 참여자의 목표와 제약이 닮아 가고, 행동이 다시 위험 신호를 키우는 피드백이 생기고, 그 충격을 받아 줄 공동의 완충력이 모자랄 때 최적화는 위험으로 바뀐다. 속도는 증폭 요인이지만 속도만으로는 충분하지 않다.

네 조건은 같은 개념이 아니다. 시간 압축은 무엇을 언제 알게 되는지, 동질화는 무엇을 하려는지, 피드백은 행동 뒤 세계가 어떻게 바뀌는지, 완충력은 그 변화를 얼마나 견딜 수 있는지의 문제다.

이 구분은 진단에도 중요하다. 데이터 오류가 문제라면 입력 검증이 먼저다. 같은 포지션이 문제라면 집중도를 봐야 한다. 담보가 있어도 현금화하지 못한다면 운영 절차가 문제다. 모두를 AI 위험으로 뭉뚱그리면 정작 필요한 대응이 흐려진다.

평온한 시장의 효율과 위기의 복원력도 다르다. 평상시에는 현금을 적게 들고 필요할 때만 자산을 팔아도 된다. 그때 잰 효율이 높다고 위기에도 같은 계획이 통한다고 볼 수는 없다. 유동성은 과거 거래량이 아니라, 지금 필요한 규모를 받아 줄 반대편의 능력이다.

위험은 빠름 하나가 아니라 빠름, 비슷한 행동, 자기강화적 피드백, 부족한 완충력이 한꺼번에 겹칠 때 커진다.

실행만이 아니라 목표의 해석까지 맡기게 된다는 점이다. 기존 알고리즘은 정해진 조건에서 정해진 주문을 냈다. AI 에이전트는 현금을 효율적으로 관리하라는 넓은 목표를 받아 상품 비교, 현금 배분, 이체와 주문으로 스스로 번역할 수 있다.

지금까지는 사람이 판단하고 기계는 주문만 넣었다는 설명은 정확하지 않다. 퀀트 전략과 기존 자동매매도 신호를 해석하고 위험을 계산해 포지션을 바꿨다. AI의 차이를 인간 판단의 첫 자동화에서 찾으면 역사적 비교가 약해진다. 달라지는 것은 위임의 폭과 저변이다. 고객이 청구서 낼 현금만 남기고 나머지는 안전하게 굴리라고 지시하면, 에이전트는 잔액과 금리, 뉴스, 계약 조건을 읽고 허용된 권한 안에서 행동을 짠다. 여기서는 그런 권한을 가진 시스템이 퍼지는 상황을 가정할 뿐, 지금 모든 AI 비서가 이렇게 일한다는 뜻은 아니다.

금융시스템에 중요한 것은 적용 범위다. 투자회사뿐 아니라 가계와 기업 재무팀, 중소사업자의 자금 관리가 비슷한 서비스에 기댈 수 있다. 은행이 서로 다른 고객 계좌 수천 개를 가지고 있어도, 그 계좌를 움직이는 결정 구조는 몇 개의 모델과 공통 위험 데이터에 이어질 수 있다. 계좌가 흩어져 있다고 결정도 흩어져 있다는 보장은 없다. 금융안정위원회(FSB)와 호주준비은행(RBA)도 AI 공급자, 모델, 데이터의 집중과 시장 상관관계를 잠재적 위험 경로로 짚었다.

다만 지금 AI가 돈을 얼마나 움직이는지는 과장하기 쉽다. 영란은행과 영국 금융감독청(FCA)의 2024년 조사에서 응답 기업 118곳 가운데 75%⁠가 이미 AI를 쓰고 있었지만, 보고된 AI 활용 사례 가운데 완전 자율 결정은 2%⁠였다. 두 비율은 분모가 달라 서로 비교하는 점유율 지표가 아니고, 2026년 전 세계 자금운용의 자율화 비중도 아니다. AI를 쓴다는 것과 돈을 맡겼다는 것은 다른 이야기다. 기술 도입과 실제 변화 사이의 시차는 「성능표와 월급명세서 사이」 칼럼에서도 짚었다.

아래는 역사에서 본 메커니즘을 AI 금융으로 넓힌 조건부 시나리오다. 실제로 일어난 일도, 확률 예측도 아니다. 경로마다 위기로 가는 조건과 위기가 아닌 경로를 함께 적었다.

세 경로는 이어질 수 있다. 금리 경쟁으로 조달비용이 오르고, 취약한 기관이 손실과 신용 우려를 겪고, 안전 추구형 인출이 따라오고, 자산 매각이 투자자의 추가 청산을 부르는 식이다. 다만 화살표마다 별도의 조건이 필요하다. 앞 단계가 일어났다고 다음 단계가 저절로 오지는 않는다.

AI 시대의 자금 이탈은 공포로만 시작하지 않을 수 있다. 더 높은 수익을 찾는 자동화가 조달 압박을 만들고, 그 압박이 다른 형태의 위험회피를 부르는지가 핵심이다.

정확도보다 상관관계를 봐야 하는 이유를 단순한 수학 모형으로 확인해 보자. 실제 시장을 추정한 시뮬레이션은 아니다. 계좌 100개가 있고, 한 구간에 계좌마다 매도할 확률이 10%⁠라고 하자. 바꾸는 것은 계좌끼리 매도 결정이 얼마나 닮았는지, 곧 상관계수 ρ 하나다.

평균 매도자 수는 늘 10명이다. 달라지는 것은 그 수가 구간마다 얼마나 흔들리는지, 곧 표준편차다. ρ가 0이면 표준편차는 3명이고, 0.1이면 약 9.9명, 0.5면 약 21.3명, 1이면 30명이다. 행동이 닮을수록 조용한 구간과 매도가 몰리는 구간의 차이가 벌어진다.

이 모형의 메시지는 제한적이지만 중요하다. 개별 모델의 매도 빈도나 평균 위험만 점검하면, 같은 행동을 동시에 하는 위험을 놓친다. AI 평가에는 개별 에이전트의 정확도만이 아니라, 같은 충격을 받았을 때 전체 자금이 어느 방향으로 얼마나 겹쳐 움직이는지가 필요하다.

모델의 성능평가와 시스템의 스트레스 평가는 다른 작업이다.

가능한 위험 경로를 보여 줄 뿐, AI가 금융시스템에 해롭다고 입증하지는 않는다. 이익과 위험은 같은 기술에서 동시에 나온다. 과장하지 않으려면 네 가지 반론을 함께 봐야 한다.

이 칼럼이 입증하지 않은 것도 분명히 해 둔다. AI가 사람보다 반드시 더 몰려다닌다는 주장, 다음 금융위기의 시점과 확률, 특정 금융회사가 위험하다는 판단, 특정 AI 모델의 매매 우열은 다루지 않았다. 실제 자동 운용자금과 행동 상관관계에 관한 공개 데이터가 부족해 숫자로 채울 수 없는 부분이다.

AI를 쓴다는 발표보다 어떤 자금이 어떤 제약 아래 움직이는지를 봐야 한다. 실제로 움직일 수 있는 돈의 규모, 고객 행동의 독립성, 준비된 현금, 모두가 같은 방어 행동을 할 때의 결과, 잘못된 행동을 멈출 장치가 핵심이다. 아래는 수익률 전망이나 매매 권고가 아니라 위험 구조를 조사하기 위한 점검 틀이다.

이 분석을 곧바로 종목 선택으로 옮기면 은행은 불리하고 AI 플랫폼은 유리하다는 식의 지나친 단순화가 생긴다. 예금 경쟁력, 조달구조, 고객 분산도, 자산 만기, 운영 역량에 따라 결과는 다르다.

실행 통제는 에이전트가 읽는 자연어 지시만으로 짜지 않는 편이 좋다. 허용 자산, 거래 상대방, 자금 한도와 승인 조건을 따로 검증하고, 공통 업데이트 뒤 여러 에이전트가 같은 행동을 내놓는지 시험할 수 있다. 속도를 늦추는 장치에도 비용이 있다. 검토를 위한 지연은 잘못된 집단행동을 줄이지만 정당한 지급과 위험회피도 늦춘다. AC리서치는 모두를 무작정 기다리게 하기보다, 데이터 불확실성이나 이상 주문, 공통 장애처럼 조건이 분명한 상황에서 누가 어떤 권한을 멈출지 미리 정하는 편이 중요하다고 본다.

전신은 금융기관 소식을 빨리 전했다. 전자이체는 자금 회수의 물리적 제약을 줄였다. 포트폴리오 보험과 알고리즘 집행은 위험 대응과 거래를 규칙으로 만들었다. 기술마다 쓸모 있는 문제를 풀었지만, 기존의 신용·유동성·집중 위험과 만나면 위기를 키우는 통로가 되기도 했다.

AI에게 돈을 맡기는 변화도 이 계보에서 읽을 수 있다. 다만 AI가 모든 거래를 더 빠르게 한다는 이야기로는 부족하다. 더 중요한 가능성은 가계와 기업이 넓은 금융 목표를 맡기고, 서로 다른 계좌의 결정이 공통 모델과 데이터, 제약 아래 한곳으로 모이는 것이다.

누구도 은행을 공격하지 않고 누구도 시장을 무너뜨리려 하지 않아도, 돈을 더 유리한 곳으로 옮기고 손실을 더 빨리 줄이는 과정에서 조달 압박과 매도 압력이 한꺼번에 몰릴 수 있다. 이때 불안정은 개인의 의도가 아니라, 개인의 행동을 모두 합쳤을 때 바뀌는 시장에서 나온다. 그것이 시스템 리스크의 모양이다.

그러니 결론은 AI에게 돈을 맡기지 말자는 것이 아니다. 한 고객을 위해 잘 작동하는 시스템인지와, 그런 시스템이 대규모로 함께 작동해도 감당할 수 있는지는 다른 질문이다. 다음 금융위기를 예측할 수는 없다. 다만 AI 금융을 성능과 비용으로만 평가하면 놓치는 위험 경로가 있다는 것은 역사에서 확인할 수 있다.