금융 의사결정권자들은 직접 검토할 수 있는 양보다 더 많은 정보에 직면하며, 이로 인해 문맥 압축 (context compression)이 필수적입니다. 그러나 거대 언어 모델 (LLMs)이 금융 원천 자료를 압축할 때, 원본 자료가 뒷받침하는 투자 판단을 변경할 수 있습니다. 우리는 이 문제를 정보 충실도 (information fidelity)로 정의합니다. 즉, 압축이 원천 자료에 의해 유도되는 의사결정을 변화시킨다면 충실도를 상실하는 것입니다. 에이전트 시스템 (agentic systems)에서 이러한 손실은 중간 단계 전반에 걸쳐 반복될 수 있으며 의사결정 과정 전반에 걸쳐 증폭될 수 있습니다. 금융 공시 및 실적 발표 컨퍼런스 콜 (earnings-call) 녹취록을 대상으로 조사한 결과, LLM 기반 압축은 유창하고 사실적으로 그럴듯한 압축 문맥을 생성할 수 있지만, 그럼에도 불구하고 다운스트림 의사결정 (downstream decisions)을 변화시킬 수 있음을 발견했습니다. 우리는 충실도 손실과 관련된 두 가지 진단 패턴을 분석합니다: 핵심 증거는 유지되지만 올바른 해석에 필요한 주의 사항 및 문맥적 한정어 (contextual qualifiers)로부터 분리되는 탈맥락화 (decontextualization), 그리고 서로 다른 압축기가 동일한 원천 자료에 대해 서로 다른 관점을 드러내는 모델 의존성 (model dependency)입니다. 그런 다음, 우리는 여러 개의 후보 압축본을 생성하고 원본 자료와 비교하여 그 불일치 사항을 감사하는 에이전트 문맥 압축 (Agentic Context Compression)을 제안합니다. 우리의 연구 결과는 금융 압축이 효율성이나 사실성뿐만 아니라, 의사결정에 관련된 문맥을 보존하는 능력에 의해서도 평가되어야 함을 시사합니다.