금융사가 AI를 쓴다는 사실만으로 시장의 기술다양성을 알 수 없다. 연구는 은행·비은행금융기관·비금융회사의 AI 특허 수를 같은 유형의 기업 수로 나눈 특허율과, 소유집중을 나타내는 HHI·Gini를 함께 측정했다. 표본은 2000~2020년에 출원된 미국 금융혁신 기업의 특허이며 USPTO AI Patent Dataset의 BERT 분류를 사용했다.
모든 유형에서 특허율은 올랐지만 은행의 증가속도가 가장 가팔랐다. 동시에 은행은 HHI가 가장 높아 소수 대형기관이 AI 혁신을 주도했고, 회귀분석은 기관유형·연도·주제·지역으로 집계한 250개 관측치를 사용했다. 기술축적이 빠른 부문일수록 작은 기관과의 격차와 공통 공급자 의존을 따로 봐야 한다.
채권시장에서는 같은 평가데이터와 클라우드·모델 벤더를 쓰는 여러 기관이 겉으로는 독립된 시스템처럼 보일 수 있다. 장애나 공통 신호 반전이 오면 호가 후퇴와 재고축소가 동조화될 가능성이 있다. 다만 특허는 생산배포, 모형 품질이나 P&L을 관찰하지 않으므로 이 결과만으로 거래전략의 우위를 말할 수 없다.
SCOPE특허활동을 혁신의 대용치로 사용한 설명적 연구다. 출원하지 않은 내부기술, 실제 배포범위, 모델 성능과 수익은 측정하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Artificial Intelligence Innovation by Financial Innovators: Evidence from US Patents4 primary · 0 archived +
연구표본의 AI 특허 출원기간은 2000년부터 2020년까지다.
ORIGINAL PASSAGEfrom 2000 to 2020Federal Reserve FEDS 2025-104, Abstract, page 1, 14 October 2025, accessed 2026-10-23은행의 AI 특허율 증가가 기관유형 중 가장 가팔랐다.
ORIGINAL PASSAGEbanks show the highest growth in AI patent rate over timeFederal Reserve FEDS 2025-104, Abstract, page 1, 14 October 2025, accessed 2026-10-23기관유형별 비교에서 은행의 HHI가 가장 높았다.
ORIGINAL PASSAGEBanks have the highest HHIFederal Reserve FEDS 2025-104, Abstract, page 1, 14 October 2025, accessed 2026-10-23기준 회귀표본은 250개 집계 관측치다.
ORIGINAL PASSAGEN 250Federal Reserve FEDS 2025-104, Table 3, page 36, 14 October 2025, accessed 2026-10-23Show the original briefing text
구분: Federal Reserve Board FEDS·금융기관 AI 혁신 집중도 실증
발표일: 2025년 10월 14일
선정 이유: 최신성보다 금융시장 참여자의 AI 역량이 어디에 집중되는지 계량한 가치 때문에 선정했다.
핵심 요약
이 논문은 2000~2020년 미국 금융혁신 기업의 AI 특허를 은행·비은행금융기관·비금융회사로 나눠 특허율과 HHI·Gini를 비교한다. USPTO의 BERT 기반 AI Patent Dataset, PatentsView와 금융혁신 기업자료를 결합했으며 회귀표본은 250개 집계 관측치다. 은행의 AI 특허율 증가가 가장 가팔랐지만 은행 HHI도 가장 높아, 소수 대형기관에 역량이 집중됐다는 결과다. 특허는 실제 생산배포나 수익을 직접 측정하지 않는다는 한계가 있다. 연준 원문
채권 트레이딩·리스크관리·시장미시구조 관점 실무 시사점
회사채 평가·집행 모델을 여러 금융사가 사용해도 같은 데이터·클라우드·모델 공급자에 의존하면 실질적인 모델 다양성은 낮다. 벤더 집중은 장애 위험뿐 아니라 동일 신호에 따른 호가 후퇴와 포지션 축소를 키울 수 있다. 모델리스크 심사는 알고리즘 이름보다 데이터 계보, 외부 서비스 공급자, 재학습 주기와 대체 실행경로를 함께 봐야 한다.
한국 시장 복제 아이디어
특허 대신 국내 금융사의 AI 공시, 전자거래·평가모형 도입, 클라우드·데이터 벤더, 오픈소스 의존도를 기관-기술 그래프로 만든다. 기관별 모델 수가 아니라 공통 공급자 비중과 데이터 중복률을 측정하고, 주요 벤더 장애나 공통 신호 반전 시 호가공백·VaR·유동성 비용이 얼마나 함께 커지는지 평가한다.