브리지워터의 금융 AI 모델, 범용 모델 성능 추월

주장브리지워터와 싱킹 머신즈 랩은 자체 데이터를 학습시킨 오픈 웨이트 모델이 금융 문서 평가에서 기존 범용 인공지능 모델보다 우수한 성능을 보인다고 발표했습니다. 이는 기업이 외부 업체에 민감한 정보를 공유하지 않고도 고성능 인공지능을 구축할 수 있음을 의미합니다.

팩트연구진은 투자자의 일상 업무에서 도출한 6가지 과제를 정의하여 성능을 측정했습니다. 중앙은행 문서에서 향후 금리 변화 방향을 판단하는 업무 등이 테스트에 포함되었습니다.

팩트큐웬3-235B(Qwen3-235B) 모델을 기반으로 미세 조정한 모델은 테스트에서 85퍼센트의 정확도를 기록했습니다. 이는 기존 최고 성능 범용 모델이 기록한 78.2퍼센트보다 높은 수치입니다.

팩트미세 조정된 모델은 기존 범용 모델 대비 운영 비용이 14배 저렴합니다. 기업은 이를 통해 인공지능 도입 시 비용 효율성을 극대화할 수 있습니다.

팩트보고서에 따르면 지피티 5.4(GPT 5.4) 모델은 지피티 5.2 모델보다 비용이 43퍼센트 높지만 정확도 향상은 미미했습니다. 범용 모델의 성능 개선 대비 비용 효율성이 정체되는 양상을 보입니다.

교차검증기존 제미나이, 클로드, 지피티와 같은 프런티어 모델은 기본 프롬프트 사용 시 50퍼센트의 정확도에 그쳤습니다. 전문가 지침을 추가해도 정확도는 70퍼센트 중반에 머물러 신뢰 수준인 80퍼센트에 미치지 못했습니다.

교차검증이번 결과는 브리지워터와 싱킹 머신즈 랩의 자체 내부 평가를 기반으로 작성되었습니다. 독립적인 제3자 기관의 검증이 이루어지지 않았다는 점에서 결과의 객관성을 신중하게 해석해야 합니다.

주장기업 내부의 고유한 판단 기준과 전문 지식은 범용 인공지능 모델이 학습하지 못한 영역입니다. 이러한 독점적 데이터는 기업이 경쟁 우위를 확보하는 핵심 자산입니다.

교차검증기업이 데이터를 외부 대형 인공지능 연구소에 제공하면 해당 데이터가 모델 학습에 사용되어 경쟁 제품이 만들어질 위험이 있습니다. 데이터를 직접 관리하는 오픈 웨이트 모델 활용 방식이 대안으로 떠오르는 이유입니다.

주장금융 분야처럼 고도의 전문성이 요구되는 영역에서는 범용 모델의 한계가 뚜렷합니다. 기업은 자체 데이터를 활용한 맞춤형 모델 구축으로 데이터 보안과 성능이라는 두 가지 목표를 달성할 수 있습니다.

주장앞으로 기업들은 외부 모델에 의존하기보다 자체적인 데이터 생태계를 구축하는 방향으로 인공지능 전략을 수정할 전망입니다. 이는 기술 주권 확보와 직결되는 사안입니다.

출처더 디코더(The Decoder)의 관련 보도와 싱킹 머신즈 랩(Thinking Machines Lab) 보고서를 교차 검증했습니다.