국민 절반이 신용 900점 이상, 변별력 잃은 신용평가 고쳐야

 

📰 한 줄 브리핑

국민 절반 가까이가 900점 이상의 ‘신용 우등생’이 되면서 신용점수의 변별력이 떨어지는 ‘신용 인플레’가 발생하고 있다. 문제는 단순히 고신용자가 많아졌다는 것이 아니라, 과거 연체 이력 중심의 신용평가가 개인의 실제 상환능력과 미래 위험을 충분히 구별하지 못하면서 정상적인 차주까지 은행 밖으로 밀어낼 수 있다는 점이다.

✅ 5줄 요약

1. 기사에 따르면 2026년 1분기 **신용점수 1000점 만점에 900점 이상인 비중이 48.1%**로, 국민 절반 가까이가 점수상 고신용자가 됐다.
2. 이 때문에 은행들이 초고신용자 위주로 대출을 공급하면서 점수가 비교적 높은 사람도 은행 대출에서 탈락하는 ‘신용 인플레’ 현상이 나타나고 있다.
3. 현행 신용평가는 과거 금융이력과 연체 여부를 중심으로 보기 때문에 현재 직업의 안정성, 미래 소득 증가 가능성, 실제 상환 의지·능력 등을 충분히 반영하지 못한다는 지적이 나온다.
4. 특히 금융거래 이력이 짧은 청년이나 사회초년생 등 신파일러(Thin Filer) 약 1239만 명은 평가할 정보가 부족해 실제 상환능력과 무관하게 불리해질 가능성이 있다.
5. 정부도 통신요금·쇼핑정보 등 비금융 데이터를 활용하는 대안 신용평가를 추진하고 있지만, 기존 은행들은 여전히 기존 평가체계를 중시하는 경향이 있어 개선 속도가 더디다는 것이 기사의 문제의식이다.

🔢 핵심 숫자 — 48.1% / 1239만 명

48.1% — 신용점수 900점 이상 비중
1239만 명 — 기사에서 추산한 신파일러 규모

신용평가의 본질은 사람을 줄 세우는 것이다.

그런데 절반 가까이가 ‘상위권’에 몰리면 문제가 생긴다.

모두가 A를 받으면 A의 정보가치가 떨어진다.

이게 기사에서 말하는 신용 인플레의 본질이다.

💡 코난의 통찰

① 신용점수는 ‘상장’이 아니라 예측모델이다

우리는 신용점수를 흔히 이렇게 생각한다.

950점 = 신용이 좋은 사람
700점 = 신용이 나쁜 사람

그런데 금융기관의 관점에서는 조금 다르다.

신용점수의 원래 목적은

“이 사람이 앞으로 돈을 제대로 갚을 확률이 얼마나 되는가?”

를 추정하는 것이다.

즉 신용점수는 사람의 도덕성을 평가하는 점수가 아니라 Default Risk를 예측하는 도구다.

따라서 900점이 넘는 사람이 많아지는 것 자체가 문제라기보다, 같은 900점대 안에서도 실제 위험 차이를 제대로 구분하지 못한다면 문제가 된다.

---

② 결국 신용평가에서 가장 중요한 것은 ‘변별력’이다

예를 들어 100명이 있다고 하자.

모델이

A 10명
B 20명
C 40명
D 20명
E 10명

으로 구분한다면 금융회사가 판단하기 쉽다.

그런데

A 50명
B 30명
C 15명
D 4명
E 1명

이 된다면 A라는 등급의 의미가 약해진다.

은행은 다시 A 안에서 사람을 골라야 한다.

그래서 결국

900점 → 930점 → 950점 → 970점

식으로 문턱이 계속 올라간다.

점수 인플레 → 대출 기준 상승 → 다시 고신용자 집중

이라는 현상이 나타날 수 있다.

---

③ 이건 우리가 익숙하게 봐온 ‘학점 인플레’와 구조가 똑같다

대학에서 학생 절반이 A를 받으면 기업은 이렇게 생각한다.

“A라는 정보만으로는 구별이 안 되네.”

그러면

학점 + 대학 + 인턴 + 자격증 + 영어 + 면접

을 추가로 본다.

신용평가도 비슷하다.

신용점수 변별력 ↓

↓

은행이 다른 지표 요구

↓

소득·직장·자산·부채 등 추가 심사

↓

대출 문턱 상승

즉 평가점수의 인플레이션은 평가기준의 인플레이션을 부른다.

---

④ 기사에서 가장 중요한 사례는 오히려 ‘연봉 1억원 대기업 직원’이다

기사에는 연봉 1억원대의 40대 대기업 직원이 등장한다.

직장도 안정적이지만 과거 가족 병원비 때문에 여러 카드사에서 목돈을 빌렸고, 그 금융이력 때문에 은행 대출을 거절당했다고 한다.

여기서 중요한 구분이 나온다.

Past Financial History

와

Future Repayment Capacity

는 같은 것이 아니다.

과거에 돈을 빌렸다는 사실은 중요한 정보다.

하지만 현재

소득
직업 안정성
부채 규모
현금흐름
자산
향후 소득

이 달라졌다면 미래 부도확률 역시 달라질 수 있다.

---

⑤ 결국 기존 신용평가는 ‘백미러’를 보는 방식에 가깝다

전통적 신용평가는 기본적으로

과거 연체
과거 대출
카드 사용
금융거래 이력

을 본다.

자동차에 비유하면 Rear-view Mirror다.

뒤를 보고 앞으로 사고가 날 확률을 추정한다.

물론 과거 행동은 미래 행동을 예측하는 매우 중요한 자료다.

하지만 사회 변화가 빨라질수록 한계가 커진다.

좋은 신용평가는

Rear-view Mirror + Windshield

가 되어야 한다.

과거뿐 아니라 앞으로 갚을 능력도 봐야 한다는 것이다.

---

⑥ 그래서 대안신용평가의 핵심은 데이터의 확장이다

기사에서 정부가 검토하는 방향도 이것이다.

기존의

대출
카드
연체

정보에 더해

통신요금
쇼핑정보 등 비금융 데이터

를 활용하는 방식이다.

핵심은

“은행 거래 기록이 부족하다고 신용이 없는 사람은 아니다.”

라는 것이다.

특히 청년층에게 중요하다.

---

⑦ 신파일러 1239만 명이라는 숫자는 상당히 중요한 사회적 의미가 있다

신파일러는 쉽게 말하면

“평가할 금융기록이 충분하지 않은 사람”

이다.

신용불량자와는 전혀 다르다.

그런데 금융기관 입장에서는 정보가 부족하면 위험을 정확히 계산하기 어렵다.

그러면 보수적으로 행동한다.

정보 부족
→ 위험 측정 어려움
→ 대출 거절 또는 높은 금리
→ 금융이력 형성 어려움
→ 계속 정보 부족

이라는 악순환이 만들어질 수 있다.

---

⑧ 여기서 정보경제학의 핵심 문제가 등장한다

은행이 가장 두려워하는 것은 정보비대칭이다.

대출자는 자기 상황을 잘 안다.

은행은 잘 모른다.

은행이 좋은 차주와 위험한 차주를 구분하지 못하면 결국 모두에게 높은 문턱을 적용하게 된다.

그런데 그러면 좋은 차주가 먼저 시장을 떠날 수도 있다.

바로 아커로프가 설명한 **‘레몬시장’**과 연결되는 문제다.

좋은 사람과 나쁜 사람을 구별하지 못하는 시장에서는 좋은 거래까지 사라질 수 있다.

---

⑨ 그래서 신용평가의 진짜 목적은 ‘나쁜 사람을 걸러내는 것’만이 아니다

이 부분이 중요하다.

좋은 신용평가 시스템은 두 가지를 동시에 해야 한다.

① 갚지 못할 가능성이 높은 사람에게 과도하게 빌려주지 않는다.

그리고 동시에

② 갚을 능력이 있는 사람을 잘못 탈락시키지 않는다.

통계적으로 말하면

False Positive / False Negative

를 동시에 줄여야 한다.

금융포용이란 무조건 돈을 빌려주는 것이 아니라 좋은 차주를 더 정확하게 찾아내는 것이다.

---

⑩ 그런데 대안신용평가에도 상당히 큰 위험이 있다

통신요금 납부는 이해할 수 있다.

그런데

쇼핑내역
휴대전화 사용패턴
온라인 활동

까지 신용평가에 활용하기 시작하면 문제가 달라진다.

예를 들어

“밤늦게 휴대전화를 많이 쓰는 사람은 연체확률이 높다.”

라는 통계적 상관관계가 발견됐다고 하자.

예측력이 있다고 무조건 사용해도 되는가?

여기에는

Privacy
Discrimination
Explainability

문제가 생긴다.

---

⑪ AI 시대에는 신용평가가 훨씬 정확해질 수 있지만 훨씬 불투명해질 수도 있다

과거에는 설명이 쉬웠다.

“연체가 있어서 점수가 떨어졌습니다.”

그런데 AI가 수백 개 변수를 분석하면

“모델상 부도 가능성이 높습니다.”

라고 할 수 있다.

그러면 소비자는 묻게 된다.

“왜요?”

금융처럼 삶에 큰 영향을 미치는 영역에서는 단순히 정확도가 높은 모델만으로 충분하지 않다.

Accuracy + Explainability + Fairness

가 동시에 필요하다.

---

⑫ 그래서 ‘신용평가의 사각지대’를 없애려다 ‘데이터 감시사회’를 만들 수도 있다

이것이 이 문제의 가장 어려운 지점이다.

정보가 부족하면 금융소외가 생긴다.

그렇다고 정보를 무한정 수집하면 사생활 침해가 생긴다.

즉

Data 부족 → 금융배제

하지만

Data 과잉 → 사생활 침해

다.

따라서 중요한 것은 데이터를 많이 모으는 것보다 어떤 데이터를 어떤 목적으로 사용할 것인가다.

---

⑬ 그리고 금리가 높아질수록 신용평가의 중요성은 더 커진다

기사 마지막에 미국 연준의 기준금리 인상을 언급한 이유가 있다.

금리가 낮을 때는 대출자의 이자 부담이 작다.

하지만 금리가 높아지면

이자 ↑
→ 월 상환액 ↑
→ 연체 위험 ↑

이 된다.

즉 똑같은 사람도 금리 2%일 때와 6%일 때 상환 위험이 다르다.

그래서 신용평가 역시 사람의 고정된 ‘등급’보다

현재 경제환경 속에서 이 사람이 이 부채를 감당할 수 있는가

를 보는 쪽으로 발전할 필요가 있다.

---

⑭ 결국 앞으로는 ‘신용점수’보다 ‘상환능력’이 중요해질 가능성이 있다

예를 들어 두 사람이 모두 950점이라고 하자.

A는

연봉 5000만원 / 부채 4억원

이고,

B는

연봉 1억원 / 부채 5000만원

이라면 둘의 실질적 위험은 다를 수 있다.

그래서 미래 신용평가는 단일 숫자 하나보다

Income
Debt
Cash Flow
Employment
Payment History
Assets

를 종합적으로 판단하는 방향이 더 중요해질 수 있다.

---

⑮ 재미있게도 앞서 본 ‘대학 졸업장’ 기사와 구조가 완전히 같다

대학 졸업장이 원래는 능력을 보여주는 Signal이었다.

그런데 대졸자가 많아지고 AI가 일반적 지식 업무를 평준화하면서

Degree → Capability

로 이동하고 있다고 했다.

신용점수도 똑같다.

신용점수가 너무 높아져 변별력이 떨어지면

Credit Score → Repayment Capability

로 이동해야 한다.

둘 다 같은 문제다.

Proxy가 현실을 제대로 설명하지 못하기 시작하는 순간, 평가 시스템은 실제 능력을 직접 측정하는 방향으로 움직인다.

---

⑯ 이게 꽤 큰 시대적 변화일 수도 있다

우리는 지금까지 사람을 평가하기 위해 여러 개의 숫자를 만들어왔다.

학점
수능점수
신용점수
성과평가
스펙

왜냐하면 사람을 직접 평가하는 것은 비싸기 때문이다.

그래서 숫자를 Proxy로 사용했다.

그런데 AI와 데이터 기술이 발전하면 점점 더

“이 사람의 숫자가 몇 점인가?”

보다

“이 사람이 실제로 무엇을 할 수 있는가?”

를 평가할 수 있게 된다.

잘만 설계한다면 상당히 긍정적인 변화다.

반대로 잘못 설계하면 인간의 모든 행동이 평가 데이터가 되는 훨씬 더 무서운 사회가 될 수도 있다.

---

🔚 코난의 한줄

**신용점수 900점 이상이 국민 절반에 가까워졌다는 것은 국민의 신용이 갑자기 완벽해졌다는 뜻이라기보다 ‘900점’이라는 숫자의 변별력이 약해졌다는 신호로 읽을 수 있다. 결국 신용평가도 학위와 비슷하다. 과거에는 ‘대졸인가’, ‘900점인가’라는 간단한 신호로 사람을 평가할 수 있었지만, 그 신호가 흔해질수록 실제 능력을 봐야 한다. 그래서 금융의 다음 질문은 ‘몇 점인가’에서 **‘실제로 갚을 수 있는가’로 이동해야 한다. 다만 이를 위해 더 많은 데이터를 사용한다면 정확한 신용평가와 과도한 개인감시 사이의 경계를 어떻게 설정할 것인지가 다음 문제다.

🔑 핵심 키워드

#신용점수 #신용인플레 #신파일러 #대안신용평가 #상환능력 #정보비대칭 #금융포용 #AI신용평가 #데이터프라이버시 #Proxy

 

반응형

728x90

[광화문에서/조은아]국민 절반이 신용 900점 이상… 변별력 잃은 신용평가 고쳐야｜동아일보

[광화문에서/조은아]국민 절반이 신용 900점 이상… 변별력 잃은 신용평가 고쳐야