AI가 투자를 대신할 수 있는가

AI가 투자에 쓰이는 일은 먼 미래의 이야기가 아니다. FINRA는 금융회사들이 AI를 고객 커뮤니케이션, 투자 절차, 포트폴리오 관리, 거래, 운영과 위험관리 등에 활용하고 있다고 설명한다. 2026년 보고서에서는 생성형 AI의 대표적인 활용처로 문서 요약과 정보 추출을 꼽았다.

개인 투자자에게도 가장 먼저 체감되는 장점은 비슷하다.

• 사업보고서와 실적발표 자료에서 중요한 숫자를 찾는다.
• 여러 분기의 매출, 마진, 현금흐름을 같은 기준으로 비교한다.
• 회사의 주장과 실제 수치가 맞는지 확인한다.
• DCF와 민감도 표를 빠르게 계산한다.
• 투자 논리에 반하는 자료를 찾아 반대 논리를 만든다.
• 실적 발표 뒤 미리 정한 KPI가 기준을 통과했는지 점검한다.

이런 일은 많은 시간을 쓰지만 반드시 사람이 직접 해야만 좋은 결과가 나오는 작업은 아니다. 형식이 반복되고 검산이 가능한 일일수록 AI의 장점이 크다.

다만 여기서 한 가지를 구분해야 한다. AI가 자료를 읽고 계산했다고 해서 결론까지 옳아지는 것은 아니다. 계산 속도는 빨라졌지만, 어떤 숫자를 믿을지와 어떤 가정을 쓸지는 여전히 별개의 판단이다.

“AI가 투자를 대신할 수 있는가”라는 질문이 어려운 이유는 투자가 한 가지 일이 아니기 때문이다. 투자 과정을 다섯 단계로 나누면 AI가 맡아도 되는 부분과 사람이 남아 있어야 하는 부분이 선명해진다.

앞의 두세 단계는 상당 부분 자동화할 수 있다. 그러나 뒤로 갈수록 판단은 투자자의 실제 삶과 연결된다. 같은 종목이라도 여유자금으로 투자하는 사람과 1년 안에 써야 할 돈을 투자하는 사람의 적정 비중은 다르다. AI가 종목을 분석할 수는 있어도 그 차이의 책임까지 질 수는 없다.

반복되는 자료 정리

기업의 공시는 형식이 반복된다. AI는 긴 문서에서 매출, 마진, 자본지출, 주식보상, 부채와 가이던스를 뽑아 같은 표에 놓는 데 강하다. 사람이 놓치기 쉬운 기간과 단위의 차이도 규칙을 잘 주면 찾아낼 수 있다.

계산과 민감도 분석

가치평가는 하나의 숫자를 맞히는 일이 아니다. 성장률, 마진, 할인율과 영구성장률이 달라질 때 가치가 어떻게 움직이는지 확인하는 일에 가깝다. AI는 여러 조합을 빠르게 계산해 “결론이 어느 가정에 가장 민감한가”를 보여줄 수 있다.

반대 논리 만들기

투자자는 자신이 산 종목에 유리한 자료를 더 쉽게 받아들인다. AI에게 “이 투자 논리를 무너뜨릴 가장 강한 반론을 만들어라”라고 요구하면, 놓친 위험을 찾는 데 도움이 된다. 중요한 점은 AI가 처음부터 독립적이라는 뜻이 아니라, 의도적으로 반대 역할을 맡길 수 있다는 것이다.

규칙에 따른 감시

매수 전에 성장률, 현금흐름, 부채, 고객 집중도 같은 기준을 정해두면 AI는 실적이 나올 때마다 같은 기준으로 확인할 수 있다. 기억이나 기분 대신 기록을 남긴다는 점에서 유용하다.

그럴듯한 허위 정보

NIST는 생성형 AI가 틀린 내용을 자신 있게 제시하는 현상을 ‘confabulation’으로 설명한다. 숫자뿐 아니라 논리와 출처도 만들어낼 수 있다. 투자처럼 결과의 비용이 큰 판단에서는 작은 오류 하나가 전체 가치평가를 바꿀 수 있다.

그래서 “출처를 달아 달라”는 요청만으로는 충분하지 않다. 링크가 실제로 존재하는지, 인용한 문장이 원문에 있는지, 숫자의 기간과 단위가 맞는지를 다시 확인해야 한다.

오래된 정보와 섞인 기준

회사의 최신 가이던스가 바뀌었는데 이전 수치를 사용할 수 있다. 회계 기준이 다른 두 회사의 지표를 같은 것으로 취급하거나, 분기와 연간 수치를 섞을 수도 있다. 빠른 답보다 중요한 것은 기준을 통일한 답이다.

질문의 편향을 확대

“이 회사가 왜 좋은 투자입니까?”라고 물으면 AI는 좋은 이유를 찾는 데 집중한다. 반대로 “왜 위험합니까?”라고 물으면 위험을 더 많이 찾는다. AI는 감정이 없지만 질문과 학습자료, 목표함수의 영향을 받는다. 따라서 AI가 감정이 없다는 이유만으로 완전히 중립적이라고 볼 수는 없다.

설명할 수 없는 확신

AI의 답이 길고 매끄러울수록 검증된 것처럼 느껴질 수 있다. 그러나 문장의 자신감은 증거의 강도와 관계가 없다. SEC·NASAA·FINRA도 투자자가 AI가 만든 정보만 믿고 투자 결정을 내려서는 안 되며, 원자료와 여러 출처를 확인해야 한다고 경고한다.

정해진 가격에 사고팔거나 손실 한도를 넘으면 포지션을 줄이는 규칙은 자동화할 수 있다. 그렇다고 투자 판단 전체가 AI로 넘어가는 것은 아니다.

자동매매 시스템 뒤에는 사람이 정한 목표가 있다.

• 무엇을 최적화할 것인가
• 어느 기간을 볼 것인가
• 최대 손실을 얼마로 제한할 것인가
• 과거에 없던 상황에서 거래를 멈출 것인가
• 거래비용과 세금을 어떻게 반영할 것인가

규칙을 빠르게 실행하는 것과 좋은 규칙을 정하는 것은 다르다. 시장은 참여자의 행동에 따라 변하고, 과거에 잘 작동한 전략이 널리 알려지면 수익성이 사라질 수도 있다. AI가 주문을 낼 수는 있지만 목표와 위험예산을 정한 주체는 여전히 사람이나 조직이다.

로보어드바이저도 마찬가지다. SEC는 자동화된 투자자문사도 신인의무와 적절한 고객정보 수집, 효과적인 준법체계를 갖춰야 한다고 설명한다. 자동화가 책임을 없애는 것이 아니라, 책임을 지는 방식을 바꿀 뿐이다.

AI를 한 명의 가상 팀으로 나누어 쓰면 효율이 높아진다.

분석가

원자료를 읽고 핵심 수치와 변화의 원인을 정리하게 한다. 이때 사실, 회사 가이던스, 시장 추정치와 AI의 추론을 서로 구분하게 한다.

계산기

가치평가와 시나리오를 계산하게 하되, 모든 수식과 출발점을 공개하게 한다. 다른 사람이 같은 입력으로 같은 결과를 만들 수 있어야 한다.

검산자

주식 수, 순현금, 리스부채, 인수대금, 주식보상처럼 자주 빠지는 항목을 별도로 확인하게 한다. 본문과 표에 같은 숫자가 쓰였는지도 검사한다.

반대편 토론자

기본 시나리오를 무너뜨릴 가장 강한 논리를 요구한다. 단순한 위험 목록이 아니라 “어떤 수치가 어떻게 변하면 투자 논리가 틀린 것인지”를 쓰게 한다.

기록 담당자

매수 당시의 가정, 출처, 모델 버전과 철회 조건을 남긴다. 나중에 결과가 나왔을 때 운과 판단을 구분할 수 있게 한다.

이 구조에서 사람의 역할은 줄어들지만 더 중요해진다. 사람은 문서를 전부 읽는 대신 무엇을 검증할지, 어느 가정을 받아들일지, 얼마나 투자할지를 결정한다.

AI를 실제 투자 과정에 넣는다면 최소한 다음 원칙이 필요하다.

1. 중요한 수치는 기업 공시, 규제기관, 정부 통계 같은 1차 자료에서 확인한다.
2. AI에게 사실, 회사 가이던스, 시장 추정치와 자체 추론을 구분해서 표시하게 한다.
3. 가치평가의 수식과 입력값을 공개하고 직접 재계산할 수 있게 한다.
4. 매수 논리뿐 아니라 가장 강한 반대 논리도 함께 작성한다.
5. 매수 전에 논리가 깨지는 조건과 확인할 날짜를 정한다.
6. 투자 비중과 주문의 최종 승인은 사람이 맡는다. 자동화한다면 사전에 정한 한도 안에서만 움직이게 한다.
7. 사용한 원문, 작성일, 질문과 모델 버전을 기록한다.

여기서 ‘사람이 확인한다’는 말은 형식적인 승인 버튼을 누른다는 뜻이 아니다. 중요한 숫자를 원문에서 확인하고, 계산을 재현하며, AI의 결론과 다른 결정을 내릴 수 있어야 한다. 그렇지 않다면 human in the loop는 안전장치가 아니라 도장 찍기에 불과하다.

AI는 투자자가 쓰는 시간의 상당 부분을 줄일 수 있다. 더 많은 자료를 읽고, 계산을 반복하고, 자신의 논리를 반박하는 데 도움을 준다. 잘 쓰면 개인 투자자도 과거에는 큰 조직이 하던 수준의 자료 정리와 감시를 수행할 수 있다.

그러나 더 많은 정보를 더 빨리 처리한다고 해서 자동으로 더 좋은 투자자가 되는 것은 아니다. 잘못된 입력과 잘못된 목표를 빠르게 계산하면 잘못된 결론에 더 빨리 도착할 뿐이다.

결국 투자에서 가장 어려운 일은 정보를 찾는 것보다 불확실한 상황에서 무엇을 믿고, 얼마나 걸고, 틀렸을 때 어떻게 행동할지를 정하는 것이다. 이 부분은 손실의 결과를 감당하는 사람에게 남는다.

AI에게 분석은 맡길 수 있다. 그러나 확신의 크기와 손실의 책임까지 맡길 수는 없다.