챗GPT vs 제미나이, 같은 종목인데 정반대 추천, 왜?
📺 원본 영상: 챗GPT vs 제미나이, 같은 종목인데 정반대 추천, 왜? (UNIST 산업공학과 이용재 교수)
🎙️ 채널: 언더스탠딩 : 세상의 모든 지식
📅 정리 일자: 2026-01-17
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
요즘 많은 투자자들이 Gemini나 ChatGPT 같은 AI 모델에게 투자 조언을 구한다. “이 종목 살까요?”라는 질문에 AI는 그럴듯한 답변을 내놓지만, 과연 그 답변을 신뢰해도 될까? UNIST 산업공학과 이용재 교수 연구팀은 흥미로운 사실을 발견했다. 같은 종목에 대해 물어봐도 ChatGPT, Gemini, Llama, DeepSeek 등 모델마다 전혀 다른 투자 의견을 제시한다는 것이다. 어떤 모델은 적극 매수를 권하고, 어떤 모델은 매도를 추천한다. 심지어 같은 ChatGPT라도 버전(GPT-4.1, GPT-5)에 따라 의견이 달라진다.
이 강연은 금융인공지능 연구자의 시각에서 AI 모델의 투자 편향(Investment Bias)을 체계적으로 분석한 연구 결과를 다룬다. LG AI연구원, 링크알파, 플로리다 대학교와 공동으로 진행한 이 연구는 작년 말 발표되었으며, 해외 헤지펀드와 블룸버그, 블랙락 등 글로벌 금융기관에서도 큰 관심을 보였다. AI 모델별로 어떤 편향이 존재하는지, 왜 이런 차이가 발생하는지, 그리고 투자자는 AI를 어떻게 활용해야 하는지에 대한 실질적인 인사이트를 제공한다.
AI에게 투자 조언을 구하는 시대
사람들은 이제 AI에게 심리 상담은 물론 투자 상담까지 받는다. “이 뉴스가 났는데 어떤 종목을 사야 할까?” “NVIDIA 지금 살까?” 같은 질문을 던지고, AI의 답변을 참고해 실제 투자 결정을 내린다. 강연자는 이런 현상이 충분히 합리적일 수 있다고 본다. AI는 방대한 데이터를 학습했기 때문에 정답은 모르더라도 “대충 이 방향일 것 같다”는 가이드를 제시할 수 있기 때문이다. 마치 전세사기 여부를 판단할 때처럼, 확실한 답은 없지만 패턴과 데이터를 바탕으로 방향성은 제시할 수 있다는 논리다.
그러나 여기에는 중요한 전제가 있다. AI 모델마다 서로 다른 “의견”을 가질 수 있다는 점이다. 마치 투자 전문가마다 같은 종목에 대해 다른 의견을 내듯이, AI 모델도 학습한 데이터와 방식에 따라 고유한 편향을 갖게 된다. 이는 단순한 기술적 차이가 아니라, 실제 투자 결정에 영향을 미칠 수 있는 중대한 문제다.
연구 배경: 왜 AI의 투자 편향을 연구했는가
이용재 교수는 금융인공지능 분야를 연구하며 한 가지 의문을 품었다. 금융사들이 LLM(대형 언어 모델)을 활용해 서비스를 개발하려 할 때, 어떤 모델을 선택하느냐에 따라 결과가 달라질 수 있지 않을까? 대형 금융사들은 자체 애널리스트와 “하우스 뷰(House View)“를 갖고 있다. “다음 분기에는 이 섹터가 유망하다”는 식의 회사 차원의 투자 관점이 존재하는데, 만약 도입한 LLM이 전혀 다른 뷰를 갖고 있다면 어떻게 될까?
이는 단순한 기술적 선택의 문제가 아니라 회사 입장에서는 리스크가 될 수 있다. 예를 들어, 어떤 회사가 ChatGPT 기반 투자 자문 서비스를 출시했는데 ChatGPT가 회사의 하우스 뷰와 정반대 의견을 고객에게 제시한다면? 고객은 혼란스러워질 것이고, 회사의 신뢰도에도 영향을 미칠 수 있다. 이런 위험성을 인지하고 있는 것 자체가 중요하다는 판단에서 연구가 시작되었다.
실험 설계: 어떻게 AI의 본심을 알아냈나
테스트 대상과 방법론
연구팀은 2024년 여름, 6가지 주요 LLM 모델을 대상으로 실험을 진행했다. Gemini, ChatGPT(여러 버전), Mistral, Llama, Claude, DeepSeek 등이 포함되었으며, 테스트 종목은 S&P 500 구성 종목 중 427개였다. 단순히 “이 종목 살까요?”라고 물으면 대부분의 AI 모델은 긍정적으로 답변하는 경향이 있다. 사람처럼 상대방 기분을 맞춰주려는 특성 때문이다.
양면 정보 제공 기법
연구팀은 더 정교한 방법을 사용했다. 각 종목에 대해 긍정적인 뉴스와 부정적인 뉴스를 동시에 제공한 뒤, AI의 판단을 물었다. 이는 기존 연구에서 착안한 방법인데, 상충되는 정보를 동시에 주면 AI가 원래 학습을 통해 형성한 “본심”을 드러낼 가능성이 높다는 원리다. 만약 원래 NVIDIA를 긍정적으로 보던 모델이라면, 긍정/부정 뉴스를 모두 받았을 때 긍정 쪽으로 약간 기울어진 답변을 할 가능성이 크다.
이 실험 설계는 AI의 편향을 균형 잡힌 방식으로 측정하기 위한 것이었다. 단일 뉴스만 제공하면 그 뉴스에 따라 의견이 왔다 갔다 하지만, 양쪽 정보를 모두 제공하면 모델 고유의 성향이 드러난다는 가설이었다.
충격적인 결과: 모델마다 정반대 의견
💡 [영상 참조] 강연자는 이 시점에서 화면의 히트맵 차트를 참조하며 설명합니다. 상세 내용은 원본 영상을 확인하세요.
실험 결과는 놀라웠다. 같은 종목, 같은 정보를 제공했음에도 모델마다 투자 의견이 극명하게 갈렸다. 연구팀이 제시한 히트맵에서 초록색은 매수 추천이 많았다는 뜻이고, 빨간색은 매도 추천이 많았다는 의미다. Llama 모델은 거의 모든 종목(80-90%)에 대해 매수를 추천했다. DeepSeek도 비슷하게 대부분의 종목을 긍정적으로 평가했다. 반면 ChatGPT-4.1은 매수와 매도가 거의 반반이었다. 히트맵상 0에 가까운 값은 매수 의견 50%, 매도 의견 50%를 의미한다.
더 흥미로운 점은 섹터별 선호도도 달랐다는 것이다. 어떤 모델은 테크 섹터에 강한 매수 신호를 보냈고, 어떤 모델은 에너지나 헬스케어 섹터를 더 선호했다. 같은 프롬프트, 같은 데이터를 제공했는데도 이런 차이가 발생했다는 사실은 AI 모델이 단순한 정보 처리 도구가 아니라, 일종의 “투자 성향”을 갖고 있다는 것을 시사한다.
AI의 고집과 유연성: 반대 증거에 얼마나 반응하는가
연구팀은 한 걸음 더 나아갔다. 만약 AI가 원래 NVIDIA를 긍정적으로 평가했는데, 부정적인 뉴스가 추가로 나온다면 의견을 바꿀까? 아니면 고집을 부릴까? 이를 테스트하기 위해 원래 제공한 정보의 균형을 의도적으로 깨뜨렸다. 예를 들어 모델이 원래 긍정적으로 본 종목에 대해서는 부정적 뉴스를 더 많이 제공하고, 부정적으로 본 종목에는 긍정적 뉴스를 더 추가했다.
반대 증거의 강도에 따른 반응
실험 결과, 반대 증거를 100% 제공하면 거의 모든 모델이 의견을 바꿨다. “이 뉴스들을 보니 안 사는 게 좋겠습니다”라는 식으로 순응했다. 하지만 현실 시장에서는 한 회사에 대해 100% 긍정적이거나 100% 부정적인 정보만 존재하는 경우는 드물다. 정보가 섞여 있을 때가 문제였다.
💡 [영상 참조] 강연자는 이 부분에서 모델별 유연성을 보여주는 그래프를 제시합니다. 상세 내용은 원본 영상을 확인하세요.
그래프에서 위쪽에 위치할수록 고집이 세다는 의미고, 아래쪽일수록 의견을 쉽게 바꾼다는 뜻이다. Llama와 DeepSeek(빨간색, 초록색)은 반대 증거를 더 제공해도 원래 의견을 잘 고수했다. 반면 Gemini와 ChatGPT는 새로운 정보에 훨씬 민감하게 반응하며 의견을 바꾸는 경향이 강했다.
무엇이 더 나은가?
강연 후 해외 헤지펀드, 블룸버그, 블랙락 등에서 가장 많이 나온 질문이 바로 이것이었다. “그래서 고집 있는 게 좋은가, 유연한 게 좋은가?” 강연자는 솔직하게 답이 없다고 말했다. 너무 고집이 세면 새로운 정보를 무시하는 위험이 있고, 너무 유연하면 팔랑귀가 되어 일관성이 없어진다. 이는 사람을 쓰는 것과 비슷한 문제다. 상황에 따라 필요한 특성이 다를 수 있다.
중요한 것은 이런 차이가 존재한다는 사실을 인지하고, 투자 의사결정에 참고할 때 이를 감안해야 한다는 점이다.
왜 모델마다 다를까: 데이터인가, 설계인가
같은 질문, 같은 정보를 줬는데 왜 이렇게 답이 다를까? 가장 직관적인 추측은 학습 데이터의 차이다. 각 모델이 학습한 데이터가 다르고, 그 안에 담긴 투자 관련 정보의 성향이 다를 수 있다. 하지만 연구팀은 그것만으로는 설명이 안 된다고 본다. 같은 ChatGPT라도 버전(4.1, 5.0, 5.1, 5.2)에 따라 편향 정도가 달랐기 때문이다. 만약 순수하게 데이터 차이였다면 같은 계열 모델은 비슷한 성향을 보여야 하는데, 실제로는 버전마다 상당히 달랐다.
학습 방식(Training Method), 파인튜닝 과정, 그리고 특히 “추론 모드(Reasoning Mode)“의 강도도 영향을 미친다. 예를 들어 ChatGPT의 “사고 모드(Deep Think)“나 Gemini의 추론 강화 옵션을 얼마나 활성화하느냐에 따라서도 답변이 달라진다. 문제는 이런 학습 방식과 내부 메커니즘이 대부분 투명하게 공개되어 있지 않다는 점이다. 따라서 연구팀도 정확한 원인을 100% 특정할 수는 없었다.
결론적으로, 모델의 투자 편향은 데이터, 학습 방식, 모델 아키텍처, 파인튜닝 등 복합적 요인의 산물로 보인다. 중요한 것은 “모델마다 다르다”는 사실 자체를 인지하고, 이를 투자 판단에 활용할 때 고려해야 한다는 점이다.
AI 투자 편향 리더보드: 어떤 모델이 가장 중립적인가
연구팀은 실험 결과를 바탕으로 “AI Investment Bias Leaderboard”를 제작했다. 각 모델의 편향 정도를 단일 수치로 요약해 순위를 매긴 것이다. 이 수치는 매수/매도 균형, 섹터별 치우침, 기업 규모(대형주/중소형주) 선호도 등을 종합적으로 고려한 값이다.
💡 [영상 참조] 강연자는 이 시점에서 리더보드 표를 보여주며 설명합니다. 상세 내용은 원본 영상을 확인하세요.
리더보드에서 가장 왼쪽에 위치한 모델이 ChatGPT였다. 이는 편향 정도가 가장 적다는 의미다. 전체적으로 매수/매도가 균형 잡혀 있고, 특정 섹터나 기업 규모에 치우치지 않았다. 반면 DeepSeek은 편향 정도가 상대적으로 높았다. 특정 방향(매수)으로 강하게 기울어진 경향을 보였다.
흥미롭게도 ChatGPT-5.1과 ChatGPT-5.0도 별도로 표시되어 있었는데, 이들의 편향 정도는 4.1과 달랐다. 심지어 최근 출시된 ChatGPT-5.2도 테스트했는데 또 다른 수치를 보였다. 이는 같은 회사의 같은 제품군이라도 버전에 따라 투자 성향이 변할 수 있다는 점을 시사한다.
이 리더보드는 연구팀이 자문으로 참여한 링크알파에서 실시간으로 공개하고 있다. 투자자나 금융 서비스 개발자들이 참고할 수 있도록 지속적으로 업데이트되고 있다.
국가 편향: AI는 자국 기업을 선호하는가
AI의 투자 편향은 단순히 섹터나 종목 선호도에 그치지 않는다. 국가별 편향도 존재할 가능성이 있다. 예를 들어 DeepSeek은 중국에서 개발된 모델인데, 중국 기업에 대해 더 긍정적으로 평가하지 않을까? 강연자는 다른 연구자들의 연구 결과를 인용하며 이 문제를 다루었다.
한 연구에서는 미국 모델(ChatGPT)과 중국 모델(DeepSeek)을 대상으로 미국 주식과 중국 주식에 대한 평가를 비교했다. 놀랍게도 미국 모델인 ChatGPT가 오히려 중국 주식에 대해 더 긍정적이었다. 하지만 중국 관련 뉴스를 추가로 제공하자 ChatGPT도 부정적으로 의견을 바꿨다. 이는 ChatGPT가 중국 시장에 대한 충분한 데이터를 학습하지 않았을 가능성을 시사한다.
실제로 다른 사례에서도 이런 경향이 확인되었다. ChatGPT에게 주요 도시들의 위도와 경도를 물어보면 미국 도시들은 거의 정확하게 맞추지만, 다른 나라 도시들은 정확도가 떨어진다. 반면 DeepSeek에게 중국 도시의 위도 경도를 물어보면 거의 정확하게 답한다. 이는 학습 데이터의 양과 질이 모델의 특정 지역에 대한 “전문성”을 결정한다는 것을 보여준다.
행동경제학적 편향: AI도 비이성적으로 투자한다
사람들은 투자할 때 종종 비이성적인 행동을 한다. 행동경제학에서는 이를 다양한 편향으로 설명하는데, 예를 들어 손실 회피 성향(Loss Aversion)은 같은 크기의 이득보다 손실을 더 크게 느끼는 경향이다. 놀랍게도 AI 모델도 이런 비이성적 투자 행동을 보인다는 연구 결과가 있다.
미국에서 진행된 연구에 따르면, 모델이 크고 최신일수록 오히려 더 사람처럼 비이성적인 투자 행동을 보였다. 이는 AI가 학습 과정에서 인간의 투자 패턴을 그대로 습득했기 때문으로 해석된다. 인터넷에 존재하는 투자 관련 글들 대부분이 사람이 쓴 것이고, 그 안에는 편향과 비이성적 판단이 포함되어 있다. AI는 이를 구분 없이 학습하므로, 결과적으로 사람과 유사한 편향을 갖게 되는 것이다.
또 다른 연구에서는 중국의 오픈소스 모델인 Claude를 테스트했다. 이 모델은 기업의 실제 펀더멘털(재무 지표, 성장성 등)보다 기업 규모나 언론 노출도 같은 피상적 요소에 더 큰 영향을 받는 것으로 나타났다. 다시 말해, 실적이 좋은 중소기업보다 뉴스에 자주 등장하는 대기업을 더 선호하는 경향이 있었다. 이는 AI가 정보의 “양”에 영향을 받을 수 있음을 보여준다.
💡 핵심 전략: AI를 투자에 어떻게 활용할 것인가
1. AI는 객관적이지 않다는 전제
강연자가 강조한 첫 번째 원칙은 “LLM은 투자에 대해 객관적인 분석을 제공하는 것이 아니다”라는 점이다. AI의 답변에는 약간의 주관과 편향이 들어가 있다고 생각해야 한다. 이는 결함이 아니라 AI의 본질적 특성이다. AI는 정답을 알려주는 것이 아니라, 학습한 패턴을 바탕으로 “그럴듯한 답변”을 생성하는 것이 목표이기 때문이다.
2. 정확한 데이터 제공이 필수
일반 LLM에게 그냥 “NVIDIA 살까?”라고 물어보면, 모델은 인터넷에서 대충 검색한 뉴스를 종합해 답변을 만든다. 문제는 이 과정에서 세부 내용이 틀리는 경우가 많다는 것이다. 진지하게 투자에 AI를 활용하려면 공시 데이터나 신뢰할 수 있는 재무 데이터를 정확하게 제공할 수 있는 시스템을 갖추는 것이 중요하다. 단순히 “요즘 NVIDIA 어때?”보다는 “NVIDIA의 최근 분기 실적은 매출 X, 영업이익 Y인데, 이전 분기 대비 어떻게 평가하는가?”처럼 구체적이고 정확한 정보를 제공해야 한다.
3. 다양한 의견을 요청하라
AI에게 “사야 할까 말아야 할까?”라는 이분법적 질문보다는 “이 투자에 대한 찬성 의견과 반대 의견을 모두 제시해줘”라고 요청하는 것이 낫다. 나아가 “네가 방금 제시한 의견을 스스로 반박해봐”라고 요청할 수도 있다. 이렇게 하면 AI로부터 다각도의 관점을 얻을 수 있고, 투자자는 이를 종합해 더 균형 잡힌 판단을 내릴 수 있다.
4. 여러 AI 모델의 의견을 종합하라
강연자가 아는 한 투자자는 여러 AI 모델을 모두 유료로 구독한 뒤, 같은 질문을 Gemini, ChatGPT, Claude 등에 순차적으로 물어본다. Gemini의 답변을 ChatGPT에게 보여주며 “이 의견에 대해 어떻게 생각해?”라고 묻고, 다시 그 답변을 Claude에게 보여주는 식이다. 이런 “AI 에이전트 시스템”은 2025년 이후 활발히 연구되고 있는 분야다. 여러 LLM에게 각기 다른 역할을 부여하고, 그 결과를 종합하는 방식이다. 투자에서도 이런 접근이 유용할 수 있다.
5. 확신도를 물어보라
AI에게 투자 의견을 들은 후 반드시 추가 질문을 던져야 한다. “너는 이 의견에 대해 몇 퍼센트 확신해?” 그러면 AI는 솔직하게 “사실 27% 정도 확신합니다. 솔직히 잘 모르겠습니다”라고 답할 수 있다. 이는 투자자가 해당 조언을 얼마나 신뢰해야 할지 판단하는 데 중요한 정보가 된다.
6. 질문 방식에 주의하라
“이 주가가 자꾸 떨어지는데 팔까?”라고 물으면, AI는 질문자가 “팔고 싶어 한다”는 뉘앙스를 감지할 수 있다. 특히 사용자 친화적으로 설계된 모델(예: ChatGPT-4.1)은 사용자 의견에 동조하는 경향이 있다. 따라서 가능한 한 객관적이고 중립적으로 질문해야 한다. “현재 이 종목의 주가 추이는 X이고, 실적은 Y이며, 업황은 Z인데, 투자 판단에 필요한 다양한 관점을 제시해줘”처럼 구체적이고 감정이 배제된 질문이 좋다.
7. 최종 판단은 투자자의 몫
강연자는 “LLM에게 판단을 내리라고 하는 것은 좋지 않다”고 강조했다. AI는 여러 관점과 정보를 제공하는 도구일 뿐, 최종 투자 의사결정은 본인이 내려야 한다. AI를 투자 의사결정의 보조 도구로 활용하되, 맹신하지 말아야 한다.
AI 투자 자문의 미래: 민주화될 것인가
현재 금융 자문 서비스는 어느 정도 자산이 있는 사람들만 이용할 수 있다. PB(Private Banker)가 붙어서 포트폴리오를 관리해주는 서비스는 고액 자산가 전용이다. 하지만 AI가 발전하면 이런 서비스가 대중화될 수 있지 않을까? 강연자는 이 가능성에 동의하면서도 신중한 입장을 보였다.
AI는 분명 편향이 있지만, 사람도 편향에서 자유롭지 않다. PB가 붙는다고 해서 100% 훌륭한 의견만 제공하는 것은 아니다. 잘 설계된 AI라면 적어도 “웬만한 수준”의 가이드는 제공할 수 있을 것이다. 완벽하지는 않더라도, 아무런 조언 없이 투자하는 것보다는 나을 수 있다. 특히 AI는 24시간 이용 가능하고, 비용이 저렴하며, 다양한 관점을 빠르게 제시할 수 있다는 장점이 있다.
다만 여기에는 전제 조건이 있다. AI를 “잘” 활용해야 한다는 것이다. 앞서 설명한 것처럼 정확한 데이터를 제공하고, 적절한 질문을 던지고, 여러 의견을 종합하고, 확신도를 확인하는 등의 과정이 필요하다. 단순히 “이 종목 살까?”라고 물어보고 답변을 그대로 따르는 식으로는 위험하다.
강연자는 AI가 투자의 완전한 민주화를 가져오기보다는, “투자를 열심히 잘하던 사람에게 좋은 스터디 도구”가 될 것이라고 전망했다. 구글 검색처럼 유용한 도구이지만, 그것만으로 전문가가 되는 것은 아니라는 의미다. 롱테일 투자자들에게 획기적인 우위를 주기보다는, 이미 투자 역량이 있는 사람들이 더 효율적으로 정보를 처리하고 다각도로 분석하는 데 도움을 줄 것이다.
AI 학습 데이터의 한계와 편향의 근원
강연 중 흥미로운 지적이 나왔다. AI가 학습하는 데이터는 대부분 사람이 생산한 콘텐츠다. 특히 투자 관련 블로그나 리포트를 보면, NVIDIA 같은 인기 종목에 대해서는 긍정적인 글이 압도적으로 많다. 누가 “NVIDIA의 단점”을 주제로 블로그를 쓰겠는가? 대부분은 “NVIDIA가 왜 좋은가”에 집중한다. AI는 이런 불균형한 데이터를 학습하므로, 결과적으로 특정 종목이나 섹터에 대한 편향을 갖게 될 수밖에 없다.
예를 들어 한 유명 인물의 장점과 단점을 물어보면, 장점에 대해서는 수많은 블로그 글이 있어 풍부한 답변을 제공하지만, 단점에 대해서는 누구도 공개적으로 쓰지 않았기 때문에 AI도 답변하기 어렵다. 투자도 마찬가지다. 블로그의 종합이 곧 사실은 아니며, 그것이 얼마나 현실과 가까운지는 별개의 문제다.
하지만 역설적으로, 투자에서는 “많은 사람들이 생각하는 방향”이 중요할 수 있다. 주가는 컨센서스(합의)의 산물이기 때문이다. 만약 AI의 답변이 일반 투자자들의 컨센서스를 어느 정도 반영한다면, 그 자체로 의미가 있을 수 있다. “내 생각이 시장의 컨센서스와 얼마나 다른가?”를 확인하는 용도로 AI를 활용할 수 있다는 아이디어다.
다만 여기에도 한계가 있다. AI 모델이 학습한 데이터는 보통 몇 달 전까지의 것이다. 예를 들어 3개월 전에 출시된 모델이라면, 그 이후의 최신 정보는 제대로 반영되지 않았을 가능성이 높다. 따라서 “가장 최근의 컨센서스”를 얼마나 정확하게 담고 있는지는 의문이다.
연구의 확장: 지속적인 업데이트와 글로벌 협력
강연자는 이 연구를 계속 확장하고 있다고 밝혔다. 학생들, LG AI연구원, 링크알파, 플로리다 대학교 교수와의 협업을 통해 다양한 모델과 시나리오를 지속적으로 테스트하고 있으며, 그 결과를 리더보드로 실시간 공개하고 있다. 연구 결과는 국내뿐 아니라 해외에서도 큰 관심을 받았다. 블룸버그, 블랙락 같은 글로벌 금융기관과 헤지펀드들이 직접 발표를 요청했고, 강연자는 현장에서 “그래서 어떻게 해야 하느냐”는 질문을 많이 받았다고 한다.
아직 완벽한 솔루션은 없지만, 중요한 것은 이런 편향이 존재한다는 사실을 인지하는 것이다. 금융사들이 AI 기반 서비스를 개발할 때 이를 고려해야 하고, 개인 투자자들도 AI를 맹신하지 말고 비판적으로 활용해야 한다. 강연자는 앞으로도 이 주제로 다양한 연구를 이어갈 계획이며, 금융 AI의 신뢰성과 투명성을 높이는 데 기여하고 싶다고 밝혔다.
국가 AI 전략과 연구자의 역할
강연 말미에 강연자는 국가인공지능전략위원회에도 참여하고 있다고 언급했다. 회의에 종종 참석하며, 한국의 AI 정책 방향에 대한 논의에 기여하고 있다. “잘 하고 있는 것 같냐”는 질문에 강연자는 “아주 열심히 하고 계신다”고 답했다. 전체적인 평가는 어렵지만, 관련 분야 전문가들이 적극적으로 참여해 한국의 AI 경쟁력을 높이기 위해 노력하고 있다는 점은 긍정적이다.
금융 AI는 단순히 기술적 문제가 아니라 경제와 사회 전반에 영향을 미치는 영역이다. AI가 투자 의사결정에 점점 더 많이 활용될수록, 그 편향과 한계를 이해하고 적절히 관리하는 것이 중요해진다. 강연자의 연구는 이런 맥락에서 매우 시의적절하며, 앞으로도 금융 AI의 발전 방향에 중요한 시사점을 제공할 것으로 보인다.
핵심 정리
이용재 교수의 연구는 AI 모델이 투자에 대해 객관적이고 일관된 조언을 제공한다는 통념을 깨뜨렸다. Gemini, ChatGPT, Llama, DeepSeek 등 주요 LLM 모델들은 같은 종목, 같은 정보에 대해서도 전혀 다른 투자 의견을 제시했다. 어떤 모델은 대부분의 종목을 매수하라고 권했고, 어떤 모델은 신중한 입장을 보였다. 새로운 정보에 대한 반응도 달라서, 쉽게 의견을 바꾸는 “팔랑귀” 모델과 고집이 센 모델이 공존했다.
이런 차이는 학습 데이터, 모델 아키텍처, 파인튜닝 방식 등 복합적 요인에서 비롯된다. 같은 제품군 내에서도 버전에 따라 성향이 달라질 수 있다. 국가별 편향도 존재할 수 있으며, AI는 사람처럼 비이성적인 투자 행동을 학습하기도 한다. 이런 한계에도 불구하고 AI는 투자에 유용한 도구가 될 수 있다. 다만 잘 활용해야 한다. 정확한 데이터를 제공하고, 다양한 관점을 요청하고, 여러 모델의 의견을 종합하고, 확신도를 확인하며, 최종 판단은 투자자 본인이 내려야 한다.
AI 투자 자문이 대중화될 가능성은 있지만, 그것이 완벽한 투자의 민주화를 의미하지는 않는다. AI는 이미 투자 역량이 있는 사람들에게 효율적인 스터디 도구가 될 것이다. 중요한 것은 AI의 편향과 한계를 이해하고, 비판적으로 활용하는 자세다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 챗GPT vs 제미나이, 같은 종목인데 정반대 추천, 왜? (UNIST 산업공학과 이용재 교수) |
| 채널 | 언더스탠딩 : 세상의 모든 지식 |
| 강연자 | 이용재 교수 (UNIST 산업공학과, 금융인공지능 연구) |
| 연구 협력 | UNIST, LG AI연구원, 링크알파, 플로리다 대학교 |
| 발표 시기 | 2024년 말 |
| 리포트 작성 | 2026-01-17 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.