오픈AI, 터미널 X 투자 판단 평가 사례 공개

오픈AI가 투자 판단을 데이터로 남기려는 스타트업 사례를 공개했다. 오픈AI는 10월 20일 공식 사이트에 터미널 X(Terminal X) 적용 사례를 올려, 이 회사의 평가 에이전트가 GPT-6.1 Sol 위에서 선임 투자 담당자의 판단과 88.6% 일치했다고 밝혔다. 같은 조건에서 차선 모델은 86.4%였고 차이는 220베이시스포인트다. 비교는 점수가 매겨진 판단 500건을 대상으로 했다.

터미널 X가 겨냥한 문제는 사람이 떠나면 판단이 사라진다는 것이다. 회사는 이를 메모리 부채라고 부른다. 투자사의 우위는 거래를 하나씩 쌓아 만들어지지만 각 결정 뒤의 추론은 보통 소수 선임 투자 담당자의 머릿속에 있고, 그들이 회사를 나가면 문서는 남아도 추론은 남지 않는다. 회사가 내세우는 Capital Memory 운영체제는 그 부채를 갚는 장치다.

구축은 사람이 현장에 들어가는 데서 시작한다. 터미널 X의 포워드 디플로이드 엔지니어는 JP모건과 블랙스톤에서 일한 금융·투자 전문가 출신으로, 고객사 투자팀과 수 주간 같은 자리에 앉아 신뢰받는 투자 메모를 역설계한다. 신용 데스크가 차주를 선별하는 방식이나 공동투자팀이 메모를 쓰기 전에 어떤 출처를 먼저 보는지처럼 한 번도 문서로 적힌 적 없는 절차가 그 대상이다. 이렇게 추출한 절차는 자산군과 전략별로 맞춤 설계된 수백 개 에이전트에 담기고, 투자 단계마다 하위 에이전트가 붙는다.

메탈이 확인한 발표문에서 두 모델의 역할은 단계별로 갈린다. GPT-6.1 Sol은 투자 논리를 종합하고 핵심 고려사항을 찾아내며 펀드의 운용 지침과 맞는지 판단하는, 판단과 큰 맥락창이 필요한 단계를 맡는다. GPT-6 Luna는 깊이보다 토큰 효율이 중요한 대량 처리 단계를 돌린다. 메탈은 오픈AI가 저지연 추론 모델 GPT-6.1 Sol Ultrafast를 출시한 소식을 보도한 바 있으며, 이번 사례는 같은 계열 모델이 기업 내부 업무에서 어떻게 나뉘어 쓰이는지 보여 준다.

에이전트는 각 투자사의 전용 데이터룸 안에서 돌아간다. 민감한 투자 자료를 공유하고 관리하는 격리 환경으로, 배치는 온프레미스나 고객사 자체 클라우드 가운데 하나다. 에이전트는 영어와 한국어, 일본어, 중국어 문서를 처리하고 학습한 내용을 회사 Memory로 저장한다. 하나의 데스크가 한 종류의 결정을 어떻게 내리는지를 과거 분석, 위원회 결정, 업무 지침, 하우스 뷰까지 버전별로 남긴 기록이다. 엔지니어는 이 Memory를 플랫폼 위의 반복 가능한 워크플로로 바꾸고, 운영 단계의 모든 질의는 수행한 단계와 참조한 출처, 사용한 모델, 추론 과정까지 추적할 수 있게 남는다.

품질을 재는 장치는 따로 있다. 평가 에이전트는 GPT-6.1 Sol과 다른 오픈AI 모델로 구성한 오케스트레이션 워크플로로, 54개 기준 평가표에 맞춰 모든 산출물을 검사한다. 숫자와 비교기업, 컨센서스 수치, 인용이 올바른 출처에서 나왔는지, 서술이 성립하는지, 추천이 하우스 뷰와 이어지는지를 묻는다. 각 항목은 통과와 실패로만 채점되고, 실패에는 한 줄 사유와 더 나은 출처 또는 수정된 문장이 붙는다. 그 결과는 다시 Memory가 되어 해당 데스크의 새 업무 지침이나 새 시험 사례로 쌓인다.

켄 리(Ken Lee) 터미널 X 공동창업자 겸 CTO는 "모든 답변이 평가를 거치고, 분석가가 고친 내용은 그 투자사가 어떻게 일하는지를 시스템에 조금 더 가르친다"며 "그래서 오래 쓸수록 시스템이 그 회사 팀처럼 생각하게 된다"고 말했다.

성능 차이가 가장 두드러진 항목은 운용 지침에서 벗어나는 표류다. 발표문이 든 예는 순자산가치보다 할인된 가격에 거래되는 기업을 찾아 비상장 전환을 추진하고 사업을 인수 심사하며 금융 구조를 짜는 바이아웃 펀드다. 시나리오 모델이 시장 전환을 가리키면 이 펀드의 거래 검토가 부실채권 투자나 구제 금융 쪽 추천으로 흐른다. GPT-6.1 Sol 위의 평가 에이전트는 이런 이탈을 차선 모델보다 약 25% 더 많이 잡아냈다. 토큰 효율 덕분에 같은 예산 안에서 검토를 한 겹 더 쌓을 수 있었고, 투자 논리를 먼저 펀드의 운용 지침과 맞춰 보고 다음으로 최근 거래와 맞춰 보며 판단이 불확실한 건은 다시 돌려 결과를 조정한 뒤 보고하는 흐름이 가능해졌다. 같은 워크플로의 질의당 비용은 차선 모델보다 약 30% 낮았고 속도는 비슷했다. 비용 효과는 고객사 숫자로도 나왔다. 한 사모펀드는 실사와 투자 메모 업무를 자동화해 연간 240만 달러를 아꼈다고 회사 측에 보고했다.

규모는 계속 커지고 있다. 터미널 X는 두 모델로 회사 Memory 1700개를 만들었고 맞춤 워크플로를 100만 건 넘게 돌렸으며, 주간 사용자 수가 월간 사용자 수의 81%에 이른다. 다음 단계는 Memory를 데스크 단위에서 개인 단위로 넓혀, 투자 담당자 한 사람의 기준을 설명된 대로가 아니라 실제로 행해지는 대로 담는 일이다. 홍현(Hyun Hong) 터미널 X 공동창업자 겸 CEO는 "다음 10년을 가져갈 회사는 자기 판단을 데이터로 소유한 회사"라며 "우리 일은 그 판단을 측정 가능하게 만들어 보관하고 개선하고 다시 쓸 수 있게 하는 것"이라고 말했다.