KB스타뱅킹, AI 기반 피싱 방지 솔루션 '디펜더스' 도입…개인정보 미수집 탐지 방식 주목

핵심 요약

- KB국민은행이 아톤의 AI 기반 피싱 방지 솔루션 '디펜더스'를 KB스타뱅킹 앱에 적용해 2026년 8월 현재 운영 중 - 머신러닝 패턴 분석과 자체 특허 기술을 결합하여 기존 시그니처 기반 방식으로는 탐지 어려운 신종 피싱 URL 실시간 차단 - 이용자 개인정보를 별도 수집하지 않는 '프라이버시 바이 디자인(Privacy by Design)' 원칙 기반 탐지 방식 적용

주요 내용

KB국민은행은 2026년 8월 현재 모바일 뱅킹 앱 'KB스타뱅킹'에 아톤(Aton)의 AI 기반 피싱 방지 솔루션 '디펜더스(Defenders)'를 적용하여 운영 중이다. 이번 도입은 금융권에서 급증하는 AI 기반 지능형 피싱 공격에 대응하기 위한 것으로, 기존 블랙리스트 방식의 한계를 극복하는 것이 핵심이다.

디펜더스는 머신러닝 기반 패턴 분석 기술과 아톤의 자체 특허 기술을 결합하여 실시간으로 피싱 URL을 탐지한다. 전통적인 시그니처 기반 방식이 이미 알려진 악성 URL만 차단하는 데 그쳤다면, 이 솔루션은 URL 구조, 도메인 특성, 트래픽 패턴 등 다차원 분석을 통해 새롭게 생성되는 피싱 사이트도 사전 차단할 수 있다. 특히 최근 생성형 AI를 활용해 정교하게 제작되는 스미싱·보이스피싱 연계 피싱 페이지에 대한 대응 능력이 강화됐다.

주목할 점은 개인정보 보호를 고려한 탐지 방식이다. 디펜더스는 이용자의 개인정보를 별도로 수집하거나 외부 서버로 전송하지 않고, 앱 내부에서 URL 분석만 수행하는 방식으로 설계됐다. 이는 금융 데이터 보호와 개인정보보호법 준수를 동시에 달성하는 '프라이버시 바이 디자인' 원칙의 실무 구현 사례로 평가된다.

금융권은 2025년 하반기부터 AI를 활용한 딥페이크 보이스피싱과 결합된 피싱 공격이 급증하면서 기술적 대응 강화에 나서고 있다. KB국민은행의 이번 조치는 3,000만 명 이상의 모바일 뱅킹 이용자를 보호하는 동시에, 금융권 전반의 AI 보안 기술 도입 확산에 영향을 미칠 것으로 예상된다.

전문가 시각

ISMS-P 선임심사원 관점에서 이번 사례는 AI 기술의 양면성을 잘 보여준다. 공격자가 생성형 AI로 피싱 사이트를 자동 생성하는 시대에, 방어 측도 AI 기반 탐지 시스템으로 대응하는 '기술 군비 경쟁'이 본격화되고 있다. 그러나 실무에서는 AI 모델의 오탐(False Positive)과 미탐(False Negative) 비율 관리가 핵심이다. 정상 금융 거래를 피싱으로 오인해 차단하면 고객 불편이 발생하고, 반대로 실제 피싱을 놓치면 금전적 피해로 이어진다. 따라서 모델 학습 데이터의 품질, 업데이트 주기, 오탐 발생 시 즉각 대응 체계 등 운영 거버넌스가 기술 도입만큼 중요하다.

개인정보 보호 측면에서 '데이터 최소 수집' 원칙을 준수한 설계는 높이 평가할 만하다. 많은 보안 솔루션이 분석을 위해 이용자 행동 데이터, 접속 기록 등을 수집하지만, 이는 개인정보보호법상 목적 외 이용 제한, 제3자 제공 동의 등 법적 리스크를 수반한다. 디펜더스처럼 URL 메타데이터만 분석하고 개인정보를 수집하지 않는 방식은 ISMS-P 인증 심사 시 '2.3.2 개인정보 수집 시 동의' 및 '2.8.1 개인정보 처리 제한' 항목에서 유리하게 작용한다. 향후 다른 금융기관들도 AI 보안 도입 시 '프라이버시 강화 기술(PETs, Privacy-Enhancing Technologies)' 적용을 표준으로 고려해야 할 것이다.

CPPG·ISMS-P 연계 포인트

프라이버시 바이 디자인(Privacy by Design): 개인정보 보호를 시스템 설계 단계부터 내재화하는 원칙. ISMS-P 인증 기준 2.1.4(개인정보 보호 조직) 및 개인정보보호법 제3조(개인정보 보호 원칙)와 연계되며, 사후 대응이 아닌 사전 예방적 보호 체계 구축을 요구한다. 디펜더스처럼 개인정보 수집 자체를 최소화하는 설계가 대표적 사례다.

AI 기반 위협 탐지와 오탐 관리: ISMS-P 인증 기준 2.10.3(침해사고 탐지) 및 2.10.5(침해사고 대응·복구)와 관련. AI 모델 기반 탐지 시스템은 높은 정확도를 제공하지만, 오탐률 관리와 모델 재학습 체계가 필수적이다. 실무에서는 탐지 로그 검토, 오탐 사례 피드백, 모델 성능 지표(Precision/Recall) 모니터링 등 지속적 운영 관리 절차를 수립해야 한다.