Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM을 활용한 금융 조언의 품질을 분석한 연구 결과, AI는 저축 증대와 자산 분산 등 현명한 재무 결정을 유도하는 데 효과적임이 밝혀졌습니다. 다만, 프롬프트의 구조화 정도에 따라 조언의 질이 달라지며 포트폴리오 재조정 능력에는 한계가 있음이 확인되었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 HN AI Posts의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기사람들이 금융 조언을 얻기 위해 인공지능 (AI)에 점점 더 의존하고 있지만, 그 조언을 따르는 것이 실제로 그들의 재정 상태를 개선할 수 있을까요?
"미국인의 절반은 금융 조언을 얻기 위해 AI를 사용한다고 말하지만, 그들이 어떤 종류의 조언을 받고 있는지, 그리고 그 조언에 따라 행동하고 있는지에 대해서는 알려진 바가 거의 없습니다."라고 MIT Sloan School of Management의 재무학 조교수이자 대규모 언어 모델 (LLM)이 제공하는 금융 조언의 품질을 측정하고 분석하는 새로운 논문의 공동 저자인 Taha Choukhmane는 말했습니다.
Choukhmane와 공동 저자들의 연구에 따르면, AI의 권고를 따르는 것은 30세 이상의 거의 모든 개인에게 상당한 저축 완충 장치 (saving buffers)를 가져다줄 수 있는 것으로 나타났습니다.
AI는 일관되게 사람들이 근로 기간 동안 저축하고, 은퇴 시점에 저축액을 인출하며, 분산된 주식 펀드에 집중적으로 투자하고, 45세 이후에는 주식 노출도를 줄이라고 조언했습니다. 하지만 AI 챗봇은 실업과 같은 충격에 적응하는 데는 덜 성공적이었으며, 포트폴리오를 능동적으로 재조정 (rebalancing)하기보다는 포트폴리오가 표류하도록 방치했습니다.
연구진이 더 구조화된 프롬프트 (prompts)를 도입했을 때 LLM이 제공하는 금융 조언의 품질은 향상되었지만, AI는 여전히 능동적인 포트폴리오 재조정을 너무 적게 생성하는 경우가 많았습니다.
연구 수행 방식
연구진은 사람들의 소득, 직업, 투자 및 세금이 생애 동안 일반적으로 어떻게 변화하는지를 반영하는 모델을 구축했으며, 이를 통해 무엇이 "좋은" 금융 결정인지에 대한 기준점을 마련했습니다.
그 후, 1,000명의 성인 표본에게 GPT-5.2, GPT-5.6 또는 Gemini 3 Flash로부터 지출 및 투자 조언을 구하는 자신만의 프롬프트를 작성하도록 요청했습니다.
다음으로, 22세에서 89세 사이의 사람들이 시간이 지남에 따라 해당 조언을 따를 경우 어떤 일이 일어날지를 시뮬레이션했습니다. 이 과정에서 AI에게 동일한 유형의 질문을 반복적으로 던지고 지출, 저축 및 투자에 관한 조언을 따르도록 했습니다.
마지막으로, 그들은 전체적인 금융 정보와 명확한 가정을 포함한 잘 작성된 학술적 프롬프트 (academic prompts)를 사용하여 실험을 반복했습니다. 이러한 더 상세한 프롬프트에는 개인의 연령, 직업 상태, 소득 및 저축 잔액과 더불어 경제 환경에 대한 가정이 포함되었습니다.
저자들은 시뮬레이션된 조언(일반 사람들이 자신이 준 프롬프트로부터 얻은 AI 권장 사항을 따랐을 때 어떤 일이 일어날 것인가)을 사람들이 AI의 도움 없이 이미 수행하고 있는 재무적 행동과 비교했습니다. 또한 시뮬레이션된 조언을 학술적 프롬프트와도 비교했습니다.
결과에 따르면, 대규모 언어 모델 (LLMs)은 전통적인 인간 금융 상담사와 관련된 상당한 비용, 편향 (biases), 그리고 이해 상충 (conflicts of interest) 문제를 사용자가 극복할 수 있도록 돕는, 저렴하고 널리 접근 가능한 금융 가이드 제공원이 될 수 있음을 보여주었습니다.
연구 결과 분석
전반적으로 연구진은 LLM이 시간이 지남에 따라 제공하는 금융 조언이 훌륭하지만, 질문을 학술적인 방식으로 던질 때 더욱 개선되며, 모델마다 강점과 약점이 있다는 것을 발견했습니다.
1. AI는 현명한 금융 행동을 장려합니다.
LLM의 조언은 프롬프트가 일반 사용자에 의해 작성되었든 학술 연구자에 의해 작성되었든 관계없이 학자들이 예상했던 것보다 더 나았습니다. AI는 사람들이 더 높은 저축을 하고, 주식 시장 참여를 늘리며, 잘 분산된 자산 배분과 연령에 적합한 위험 감수 (risk-taking)를 하도록 유도했습니다.
“우리는 조언이 얼마나 훌륭한지에 대해 다소 놀랐습니다.”라고 Choukhmane는 말했습니다. “특히 사람들이 던지는 질문의 유형을 읽어보면, 그 조언이 학자들이 생각하는 좋은 금융 원칙과 일치할 것이라고 당연하게 생각할 수 있는 일은 아니었습니다.”
2. AI는 중요한 뉘앙스를 놓칩니다. 더 나은 프롬프트가 도움이 될 수 있습니다.
LLM(대규모 언어 모델)의 조언은 훌륭한 재무 설계의 더 미묘한 측면들에 있어서는 미흡했습니다. 모델은 저축과 지출에 관한 단순한 경험칙(rules of thumb)에 의존하는 경향이 있었으며, 상황이 변할 때 충분히 적절하게 조정하지 못했습니다. 예를 들어, 실직을 경험한 사람들에게 저축액이 있음에도 불구하고 지출을 너무 급격하게 줄이라고 조언했습니다.
사람들이 질문하는 방식 또한 문제의 일부입니다. 전형적인 프롬프트(prompt)는 다음과 같을 수 있습니다: “50달러로 시작해서 매달 25달러씩 꾸준히 추가한다면 어디에 투자해야 할까요?”
더 상세하고 구조화된 “학술적(academic)” 프롬프트가 사용되었을 때, LLM은 더 나은 성능을 보였습니다. 예를 들어, 학술적 프롬프트는 챗봇에게 평균 기대 수명, 생활비, 은퇴 연령, 고용 위험(employment risk), 소득 위험(income risk)을 가정하고, 현재의 미국 세법과 사회보장(Social Security) 규칙이 변하지 않는다고 가정하도록 지시할 수 있습니다.
“일반인들은 재무학 교수처럼 프롬프트를 작성하지 않습니다,”라고 Choukhmane는 말했습니다.
3. AI 조언은 사용자에 따라 달라지며, 이는 부의 격차로 이어질 수 있습니다.
저자들은 LLM의 조언이 질문자의 성별, 금융 문해력(financial literacy), 그리고 경험에 따라 달라지며, 이것이 은퇴 자산의 유의미한 격차로 이어진다는 것을 발견했습니다.
남성, 금융 문해력이 더 높은 사용자, 또는 이전의 AI 경험이 있는 사용자가 작성한 프롬프트에 따른 조언을 따랐을 때, 은퇴 시점에 약 5% 더 많은 자산을 형성했습니다. 구체적으로는 다음과 같습니다.
Choukhmane은 이러한 차이가 두 가지 원인에서 비롯된다고 말했습니다. 첫째, 서로 다른 사용자들이 서로 다른 종류의 질문을 던졌고, 종종 서로 다른 주제를 언급했다는 점입니다. 예를 들어, 여성은 프롬프트 (Prompt)에 "가족", "식료품", "지불"과 같은 단어를 사용할 가능성이 더 높았던 반면, 남성은 "전략", "암호화폐 (Crypto)", "성장"과 같은 단어를 사용했다고 그는 설명했습니다.
An "AI" symbol with financial charts
MIT Sloan 현장에서
둘째, 근본적인 질문이 동일하더라도 모델이 서로 다른 조언을 제공할 수 있습니다. 성별의 경우, 자산 결과의 성별 격차 중 약 3분의 2는 남성과 여성이 프롬프트를 작성하는 방식의 차이에서 기인한 것이며, 나머지 3분의 1은 동일한 프롬프트라도 남성이 아닌 여성으로부터 온 것으로 라벨링(Labeling)되었을 때 모델이 조언을 변경했기 때문입니다.
후자의 패턴은 LLM (Large Language Model)이 성별에 따라 선호도나 상황이 어떻게 달라지는지에 대해 합리적인 추론을 수행한 결과일 수 있습니다. Choukhmane은 이상적으로는 모델이 이를 사용자에게 명시적으로 밝힐 수 있어야 한다고 말했습니다. 또는 이는 학습 데이터 (Training data)로부터 학습된 편향 (Bias)을 반영하는 것일 수도 있습니다.
Choukhmane은 AI 금융 조언의 과제는 명확한 벤치마크 (Benchmark)가 없다는 점이라고 말했습니다. 인구 통계학적 특성에 따라 조언이 어떻게 달라져야 하는지에 대한 수용 가능한 프레임워크 (Framework)가 마련되어야만 LLM이 올바른 방향으로 발전할 수 있을 것입니다. 그는 그러한 일이 일어날 것이라고 여전히 희망을 품고 있다고 말했습니다.
또한, 모든 조언의 차이가 문제가 되는 것은 아니라는 점을 기억하는 것이 중요하다고 Choukhmane은 덧붙였습니다. 예를 들어, 그는 "남성과 여성은 서로 다르고 기대 수명과 소득 위험이 다르기 때문에, [LLM이] 서로 다른 편향을 갖기를 원합니다"라고 말했습니다.
소비자를 위한 시사점
편향을 유의하고 당분간은 LLM에 편향을 경계하도록 요청하는 것 외에도, 성공 여부는 더 스마트한 프롬프트에 달려 있습니다. 생애 주기 계획 (Life-cycle planning), 포트폴리오 이론 (Portfolio theory), 그리고 현실적인 금융 가정 (Financial assumptions)에 기반한 프롬프트는 소비와 저축에 대한 조언을 개선하고, 단순한 경험칙 (Rule-of-thumb) 수준의 답변을 줄여주었습니다.
“진정한 과제는 금융 문해력 (Financial literacy) 수준이 낮거나 프롬프트를 완벽하게 작성하지 못하는 사람들에게 어떻게 AI 금융 조언이 실질적인 도움을 줄 수 있도록 보장하느냐라고 생각합니다.”라고 Choukhmane는 말했습니다. AI를 금융 조언에 활용하는 데 관심이 있는 사람들을 위한 한 가지 아이디어는, 단순히 AI의 조언을 따르기보다는 금융 이해도를 높이기 위한 도구로 AI를 사용하기 시작하는 것입니다.
Choukhmane는 AI가 금융 자문가(Financial advisor)와 함께 일하는 데 좋은 보완재 역할을 할 수 있다고 말했습니다. 금융 자문가는 일 년에 두 번 정도 만날 수 있는 사람이지만, AI는 그들이 주는 조언을 실시간으로 실행할 수 있도록 도와줄 수 있기 때문입니다.
또한, 인간 금융 자문가와 상담할 여유가 없는 사람들에게 AI는 저렴하게 조언을 얻을 수 있는 좋은 방법입니다. 그는 “금융 조언으로부터 혜택을 받을 수 있는 많은 사람들은 바로 자원이 풍부하지 않은 사람들입니다.”라고 덧붙였습니다.
비즈니스를 위한 시사점 (Takeaways for business)
소비자들이 금융 조언을 위해 점점 더 거대언어모델 (LLM)에 의존함에 따라, 서비스 제공업체들은 고객이 자사 제품에 대해 학습하는 방식을 재고해야 할 수도 있습니다. 연구 결과에 따르면, LLM은 응답자가 직접 언급하지 않은 특정 계좌 유형, 금융 상품 및 제공업체를 추천하는 경우가 많았습니다. (예를 들어, 프롬프트에서 해당 기업을 언급한 비율은 0.4% 미만이었음에도 불구하고, LLM 응답의 6%에서는 Vanguard 투자 상품이, 3.4%에서는 iShares 상품이 나타났습니다.)
Choukhmane는 이것이 AI 조언이 사람들이 금융 상품을 찾고 비교하는 방식을 변화시키고 있을 수 있음을 시사한다고 말했습니다. 금융 기업들에게 있어 고객의 주의를 끄는 것은 전통적인 마케팅이나 검색 가시성(Search visibility)보다는, 소비자가 조언을 구할 때 LLM이 자사의 제품을 어떻게, 그리고 얼마나 설명하느냐에 달려 있을 수 있습니다.
2026년 스위스 금융 연구소 우수 논문상 (Swiss Finance Institute Outstanding Paper Award 2026*)을 수상한 “AI 금융 조언: 공급, 수요 및 생애 주기적 함의 (AI Financial Advice: Supply, Demand, and Life Cycle Implications)”는 MIT Sloan의 Taha Choukhmane, Weidong Lin, Matthew Akuzawa와 Stanford Graduate School of Business의 Tim de Silva가 공동 집필했습니다.
Taha Choukhmane는 MIT Sloan School of Management의 재무학 조교수입니다. Choukhmane는 TIAA Institute로부터 평생의 재무적 안정성에 관한 탁월한 학술 저술에 수여하는 '2025 TIAA Paul A. Samuelson Award'를 수상했습니다. 미국 재무부의 Lucas Goodman 및 Yale University의 Cormac O’Dea와 공동 집필한 그의 수상 논문은 “Efficiency in Household Decision-Making: Evidence From the Retirement Savings of US Couples (가계 의사결정의 효율성: 미국 부부의 은퇴 저축 사례를 중심으로)”입니다.”