MIT 연구진 “AI 금융 조언, 질문만 제대로 하면 꽤 쓸 만하다”

AI 금융 조언, 생각보다 방향은 괜찮았음

• MIT Sloan 연구진이 LLM의 금융 조언을 생애주기 관점에서 평가했더니, 결과가 연구진 예상보다 좋았다고 함

  • 연구 대상 모델은 GPT-5.2, GPT-5.6, Gemini 3 Flash였음
  • 일반 사용자 1,000명이 직접 쓴 프롬프트와, 연구진이 만든 구조화된 학술식 프롬프트를 비교함

• LLM은 전반적으로 꽤 정석적인 금융 행동을 권했음

  • 일하는 동안 저축을 늘리고, 은퇴 후에는 저축을 인출하고, 분산된 주식형 펀드에 많이 투자하라고 조언함
  • 45세 이후에는 주식 노출을 줄이는 식으로 나이에 맞춰 위험을 낮추는 방향도 제시함
  • 연구진은 30세 이상 거의 모든 사람에게 꽤 큰 저축 완충 장치가 생길 수 있다고 봄

• 중요한 건 이 연구가 '답변이 그럴싸한가'만 본 게 아니라는 점임

  • 사람들의 소득, 직업, 투자, 세금이 인생 전반에서 어떻게 바뀌는지 반영한 모델을 만들고, 그 안에서 AI 조언을 계속 따라 했을 때의 결과를 시뮬레이션함
  • 22세부터 89세까지 반복적으로 조언을 묻고, 지출·저축·투자 결정을 반영하는 방식임

문제는 디테일과 상황 변화

• LLM은 단순 원칙에는 강했지만, 미묘한 재무 계획에서는 약점을 보였음

  • 저축과 지출에 대해 간단한 경험칙에 기대는 경향이 있었고, 상황이 바뀌었을 때 조정이 충분하지 않았음
  • 예를 들어 실직한 사람에게 저축이 있는데도 지출을 너무 세게 줄이라고 조언하는 식의 문제가 나옴

• 포트폴리오 리밸런싱도 부족했음

  • 시간이 지나면 시장 변동 때문에 주식·채권·현금 비중이 원래 목표에서 틀어지는데, LLM은 이를 적극적으로 다시 맞추는 조언을 충분히 하지 못했음
  • 구조화된 프롬프트를 넣어도 이 문제는 완전히 해결되지 않았다고 함

• 프롬프트를 잘 쓰면 조언은 확실히 좋아졌음

  • 일반 사용자는 “50달러로 시작하고 매달 25달러씩 넣으면 어디에 투자할까?” 같은 식으로 묻는 경우가 많았음
  • 반면 학술식 프롬프트는 기대수명, 생활비, 은퇴 나이, 고용 위험, 소득 위험, 현행 미국 세법과 사회보장 규칙 같은 가정을 명시함
  • 연구진 표현대로, 일반인은 금융 교수가 질문하듯 프롬프트를 쓰지 않음

프롬프트 격차가 자산 격차로 번짐

• 연구에서 꽤 민감한 결과도 나왔음. LLM 조언은 질문자의 성별, 금융 지식, AI 사용 경험에 따라 달라졌고, 이 차이가 은퇴 직전 자산 격차로 이어졌음

  • 남성, 금융 지식이 높은 사용자, 이전에 AI 금융 조언을 써본 사용자의 프롬프트에 따른 조언을 따르면 은퇴 직전 자산이 약 5% 더 많았음
  • 여성이나 금융 지식이 낮은 사용자는 60세 시점 자산이 약 5만 달러, 비율로는 4% 낮아질 수 있었음
  • AI 금융 조언 경험이 없는 사용자는 경험자보다 60세 시점 자산이 거의 10만 달러, 비율로는 6% 낮아질 수 있었음

• 성별 격차의 원인은 두 갈래였음

  • 하나는 남성과 여성이 실제로 다른 질문을 했다는 점임. 여성은 “가족”, “식료품”, “급여” 같은 단어를 더 쓰고, 남성은 “전략”, “크립토”, “성장” 같은 단어를 더 썼다고 함
  • 다른 하나는 같은 프롬프트라도 질문자가 여성으로 표시되면 모델이 조언을 바꾸는 패턴이 있었다는 점임
  • 연구진은 성별 격차의 약 3분의 2는 프롬프트 차이, 나머지 3분의 1은 모델의 조언 변화에서 왔다고 봄

• 이게 무조건 나쁜 차별이라고만 말하긴 어렵지만, 위험한 지점은 분명함

  • 성별에 따라 기대수명이나 소득 위험이 다를 수 있으니 조언이 달라지는 것 자체는 합리적일 수 있음
  • 하지만 모델이 어떤 가정으로 조언을 바꾸는지 사용자에게 설명하지 않으면, 훈련 데이터의 편향인지 합리적 추론인지 알기 어려움

금융사 입장에서도 검색 판이 바뀔 수 있음

• 연구진은 LLM이 사용자가 언급하지 않은 금융 상품과 회사를 추천한다는 점도 봤음

  • 응답의 6%에는 Vanguard 투자 상품이 등장했고, 3.4%에는 iShares 상품이 등장함
  • 그런데 사용자 프롬프트에서 이 회사들을 언급한 비율은 각각 0.4% 미만이었음

• 이건 금융 상품 발견 방식이 바뀔 수 있다는 신호임

  • 사용자가 검색해서 비교하는 대신, LLM에게 물어보고 추천받는 흐름이 커질 수 있음
  • 금융사 입장에서는 검색 노출이나 전통 마케팅보다, LLM이 자사 상품을 어떤 맥락에서 설명하고 추천하는지가 더 중요해질 수 있음

• 소비자에게 제일 현실적인 조언은 '그냥 따르지 말고, 먼저 이해를 쌓는 도구로 쓰라'는 쪽임

  • 인간 금융 advisor를 1년에 몇 번 만나는 사람에게는, 그 조언을 일상에서 적용하는 보조 도구가 될 수 있음
  • advisor를 쓸 돈이 없는 사람에게는 저렴하게 접근 가능한 조언 채널이 될 수 있지만, 프롬프트와 편향 문제는 계속 신경 써야 함

---

기술 맥락

• 이 연구의 기술적 선택은 LLM 답변을 사람이 읽고 채점하는 대신, 생애주기 시뮬레이션에 넣어 장기 결과를 본 거예요. 왜냐면 금융 조언은 문장이 그럴듯해도 30년 뒤 자산 결과가 나쁘면 실패한 조언이거든요.

• 구조화된 프롬프트가 좋아진 이유는 모델이 추론할 재료를 덜 추측해도 되기 때문이에요. 나이, 소득, 고용 위험, 세금, 은퇴 나이 같은 조건이 빠지면 LLM은 평균적인 조언이나 흔한 경험칙으로 빈칸을 메우게 돼요.

• 제품 관점에서는 채팅창 하나만 던져주는 방식이 약할 수밖에 없어요. 사용자가 금융 지식이 낮을수록 질문에 필요한 맥락을 못 넣기 때문에, 서비스가 먼저 정보를 물어보고 프롬프트를 구조화해주는 흐름이 필요해요.

• 편향 문제도 모델 레이어만의 문제가 아니에요. 사용자 입력 차이, 모델의 암묵적 추론, 추천되는 금융 상품의 노출 방식이 함께 섞이기 때문에 결과적으로 자산 격차가 생길 수 있어요.

• 그래서 AI 금융 조언 시스템은 답변 생성보다 입력 수집, 가정 공개, 리밸런싱 같은 후속 행동 제안이 더 중요해질 가능성이 커요. 그냥 '저축하세요'보다 왜 이 비율인지, 언제 다시 조정해야 하는지를 설명해야 실제 도구가 돼요.