오픈AI, 점프 트레이딩 Astra 사례 공개

북미 퀀트 트레이딩 회사 점프 트레이딩(Jump Trading)이 오픈AI의 GPT-6 Astra로 며칠씩 돌아가는 시장 연구를 에이전트에게 맡기고 있다. 오픈AI는 10월 6일 고객 사례를 내고 점프 트레이딩이 챗GPT와 GPT-6 Astra로 더 길고 모호한 연구 문제를 다루고 있다고 밝혔다. 회사에서 LLM 연구개발을 이끄는 루카스 베이커 책임자는 "GPT-6 시리즈, 특히 GPT-6 Astra로 오픈AI는 장기 과제에서 새로운 단계의 자율성을 열었다"고 말했다. 사람이 자주 개입하던 자리를, 이제는 안전하고 잘 감시되는 환경과 분명한 목표를 정하는 일로 바꿨다는 설명이다.

점프 트레이딩의 일은 자산 가격을 조금이라도 더 잘 맞히는 것이다. 회사는 시장 데이터와 뉴스, 사건, 여러 대체 데이터를 써서 예측 모델을 만든다. 시장은 복잡하고 잡음이 많으며 시간에 따라 성질이 바뀌어 무슨 일이 일어날지 정확히 내다보기 어렵다. 베이커에 따르면 큰 규모로 동전 던지기보다 아주 조금만 더 잘 맞혀도 성공하는 전략이 된다. 회사는 모든 시간 단위와 모든 자산군에 걸쳐 거래한다.

규모는 데이터에서 드러난다. 베이커가 동료 로렌 푸찰라 피오레와 함께 올해 4월 25일 ICLR 2026 엑스포 세션에서 발표한 초록에 따르면, 점프 트레이딩은 매일 테라바이트 단위의 시장 데이터를 처리하며 전 세계 수천 개 종목에서 예측 신호를 찾는다. 파이프라인은 호가창의 원시 이벤트부터 자연어 신호 통합, 모델 학습, 실거래 집행까지 이어지고, 모두 엄격한 지연 시간 제약 아래 돈다. 회사는 이 자리에서 텍스트 입력으로 대형 언어 모델을 미세 조정해 실거래 신호를 만든 결과와, 비정형 자료를 묶어 사람 트레이더와 자동 전략이 함께 쓰는 예측을 내는 다중 에이전트 시스템을 소개했다.

AI의 쓰임새는 1년 사이 크게 바뀌었다. 오픈AI 사례에 따르면 한때 코드 조각을 쓰거나 작은 버그를 찾던 도구가 이제 코드베이스와 서비스 전체를 혼자 만든다. 베이커 팀은 AI를 동료처럼 다룰 때 가장 잘 돌아간다고 본다. 연구자가 핵심 문제와 작업 환경, 결과의 품질과 의미를 평가할 방법을 정하면, 하나 또는 여러 에이전트에게 어디에 분석을 집중할지, 다음에 어떤 작업을 돌릴지 실시간으로 방향을 준다.

GPT-6 Astra에서 달라진 것은 개선을 쌓는 능력이다. 베이커에 따르면 에이전트는 의미 있는 변경을 찾는 데서 그치지 않고 그 성과들을 합치고 겹쳐 재귀적으로 개선한다. 오래 도는 작업 하나 안에서 시스템이 스스로 결과를 분석하고, 처음 제안서에서 합의한 기준에 비춰 판단하고, 사람이 매 회차를 들여다보지 않아도 방향을 바꾼다. 베이커는 "며칠 동안 돌아가야 하고, 여러 데이터 소스에서 끌어와야 하고, 무엇이 중요한지 미묘하게 판단해야 하고, 모든 것을 서로 엮어야 하는 작업을 정의할 수 있다"며 "그런 종합 분석이 이제 실제로 돌아간다"고 말했다.

금융은 규제가 무거운 업종이라 실수는 돈과 규정 준수 양쪽의 대가로 돌아온다. 점프 트레이딩은 시스템 설계와 경계, 분명한 제약, 조종과 관찰이 쉬운 인프라, 변경에 대한 사람의 검토로 이 위험을 다룬다. 베이커는 "에이전트가 필요한 결과를 자유롭게 내는 안전한 환경이 있고, 끝에 사람이 받아들이는 핵심 검증 절차가 있다는 것이 우리에게 확신을 준다"고 말했다. 에이전트가 거래 신호를 내놓아도 다른 결과물과 똑같이 범위를 정하고 검토한다. 대개 쓸모 있지만 틀릴 수도 있는 신호 하나로 취급하고, 엄격하게 검토·통제되는 집행 환경에서 다른 모든 신호와 합친다. ICLR 초록도 환각 위험 관리와 엄격한 시점 정합성, 실운영의 신뢰성을 위한 평가 방법을 다뤘다.

AI 엔지니어의 눈으로 보면 이 사례의 핵심은 모델보다 하네스다. 베이커가 맡은 일 자체가 연구자가 아이디어를 더 넓고 깊게 탐색하도록 에이전트와 하네스, 인프라를 만드는 것이다. 사람의 역할은 목표와 평가 지표, 환경 정의를 쓰는 쪽으로 옮겨 가고, 실행과 반복은 에이전트가 맡는다. 다만 GPT-6 Astra의 가장 긴 작업도 아직은 과제를 정한 사람과 정기적으로 점검한다. 어떤 데이터를 가져올지, 얼마나 돌릴지, 무엇이 중요한지뿐 아니라 중간 결과가 말이 되는지까지 사람이 확인한다. 메탈은 오픈AI가 세무 회사 베이시스의 GPT-6 Astra 사례를 공개했다고 보도한 바 있으며, GPT-6 모델 가이드도 전했다.

베이커가 그리는 다음 단계는 오토리서치(autoresearch)다. 측정 가능한 시스템을 에이전트 연구자가 재귀적으로 개선하는 방식이 퀀트 연구자의 일상 업무로 자리 잡는다는 전망이다. 사람이 입력과 환경, 평가 지표, 우선순위를 정하면 나머지는 다른 에이전트가 조율하는 느슨한 에이전트 함대가 맡아 아이디어 탐색과 연산 시간 배분, 유망한 발견의 통합을 결정한다. 메탈이 확인한 오픈AI 사례 원문에서 베이커는 2024년에는 파일 하나를 실수 없이 쓰는 초기 에이전트가 인상적이었고, 2025년에는 코드베이스 전체를 처음부터 만드는 일이, 2026년에는 여러 에이전트가 함께 열린 연구 문제를 진전시키는 일이 가능해졌다고 짚었다. 그는 "밀레니엄 문제를 풀 수 있다면 퀀트 금융에 관한 꽤 흥미로운 사실도 알아낼 수 있을 것"이라고 말했다.

이 사례가 보여 주는 변화는 연구의 단위다. 한 번의 질문과 답이 아니라 며칠짜리 실험이 에이전트에게 넘어가고, 사람은 그 실험의 울타리와 채점표를 쓴다. 신호 하나를 틀릴 수 있는 입력으로 다루는 점프 트레이딩의 검토 체계가 그 전환을 받치는 바닥이다. 질문은 에이전트가 얼마나 오래 혼자 도느냐에서, 사람이 정한 기준이 그 긴 실행을 얼마나 정확히 붙잡느냐로 옮겨 가고 있다.