AI 금융 조언, 생각보다 쓸 만하다 — 단, 질문을 잘 던져야 한다

미국인의 절반가량이 이미 인공지능에게 돈 관리 조언을 구하고 있다고 답하지만, 정작 그들이 어떤 조언을 받고 그것을 실제로 따르는지는 거의 알려져 있지 않다. MIT 슬론 경영대학원의 타하 추크만 재무학 조교수와 공저자들은 이 공백을 메우기 위해 대규모 언어모델(LLM)이 내놓는 금융 조언의 품질을 정량적으로 측정했다. 결론부터 말하면, AI의 조언은 연구진의 예상보다 좋았다. 특히 30세 이상 사실상 모든 개인에게 상당한 저축 완충 자금을 만들어 줄 수 있는 수준의 방향성을 제시했다.

연구진은 먼저 사람들의 소득, 직업, 투자, 세금이 생애에 걸쳐 어떻게 변하는지를 반영한 모델을 만들어 '좋은 금융 결정'이 무엇인지에 대한 기준선을 세웠다. 그다음 성인 1,000명에게 각자 자유롭게 프롬프트를 작성하게 해 GPT-5.2, GPT-5.6, Gemini 3 Flash에 지출과 투자 조언을 구하도록 했다. 이어 22세부터 89세까지의 개인이 그 조언을 시간에 따라 반복적으로 따랐을 때 어떤 결과가 나오는지를 시뮬레이션했고, 마지막으로 나이·직업·소득·저축 잔액은 물론 경제 환경에 대한 가정까지 담은 '학술적' 프롬프트로 같은 실험을 반복했다.

방향은 옳지만 미세 조정에는 약하다

AI는 일관되게 근로기에는 저축하고 은퇴 후에는 자산을 인출하며, 분산된 주식 펀드에 적극 투자하되 45세 이후에는 주식 비중을 줄이라고 권했다. 저축을 늘리고 주식시장 참여를 높이며 연령에 맞는 위험을 감수하도록 유도한 것이다. 추크만 교수는 사람들이 실제로 던진 질문들을 보면 이런 조언이 학계가 생각하는 건전한 재무 원칙과 맞아떨어질 것이라 보장하기 어려웠다며, 조언의 질에 다소 놀랐다고 밝혔다.

문제는 미묘한 지점에서 드러났다. LLM은 저축과 지출에 대해 단순한 경험칙에 기대는 경향이 있었고, 상황이 바뀔 때 충분히 유연하게 대응하지 못했다. 대표적으로 실직을 겪은 사람에게, 저축이 충분히 있는데도 지출을 지나치게 급격히 줄이라고 조언했다. 또한 실업 같은 충격에 적응하는 데 서툴렀고, 포트폴리오를 능동적으로 재조정하기보다 그대로 흘러가도록 방치했다. 정보가 풍부한 구조화된 프롬프트를 쓰면 품질이 개선됐지만, 그럼에도 능동적 리밸런싱은 여전히 부족했다.

누가 묻느냐에 따라 답이 달라진다

더 눈여겨볼 대목은 조언이 질문자에 따라 달라진다는 점이다. 남성, 금융 이해도가 높은 사람, AI 사용 경험이 있는 사람이 쓴 프롬프트를 따랐을 때 은퇴 직전 자산이 약 5% 더 많았다. 원인은 두 갈래였다. 하나는 질문 내용 자체의 차이로, 여성은 '가족' '식료품' '지불' 같은 단어를, 남성은 '전략' '크립토' '성장' 같은 단어를 더 자주 썼다. 다른 하나는 같은 질문이라도 모델이 답을 바꾼다는 점이다. 성별 격차의 약 3분의 2는 프롬프트를 쓰는 방식 차이에서, 나머지 3분의 1은 동일한 프롬프트에 '여성'이라는 꼬리표가 붙었을 때 모델이 조언을 바꾼 데서 비롯됐다.

이 후자의 패턴은 성별에 따른 기대수명이나 소득 위험의 차이를 반영한 합리적 추론일 수도, 학습 데이터에서 배운 편향일 수도 있다. 추크만 교수는 남녀가 실제로 다르기 때문에 모델이 서로 다른 편향을 갖기를 바라는 측면도 있다고 지적하면서, 다만 조언이 인구통계에 따라 어떻게 달라져야 하는지에 대한 합의된 기준이 없다는 것이 근본적 난제라고 짚었다. 그런 틀이 마련될 때 비로소 LLM이 올바른 방향으로 발전할 수 있다는 것이다.

실무적 함의는 분명하다. 생애주기 계획, 포트폴리오 이론, 현실적인 재무 가정에 기반한 프롬프트일수록 경험칙식 답변을 줄이고 조언의 질을 끌어올린다. 그러나 정작 조언이 절실한 사람은 대개 자원이 부족하고 프롬프트를 완벽하게 쓰지 못하는 이들이라는 역설이 남는다. 추크만 교수는 AI를 조언을 그대로 따르는 도구가 아니라 금융 이해를 쌓는 학습 도구로 먼저 활용할 것을 권한다. 1년에 두어 번 만나는 인간 어드바이저가 준 조언을 실시간으로 실행하도록 돕는 보완재로서, 또 전문 상담을 감당할 여력이 없는 사람에게 저렴한 대안으로서 AI의 가치가 크다는 것이다.

마지막으로 금융업계가 주목할 신호가 있다. LLM은 응답자가 언급하지도 않은 특정 계좌·상품·공급사를 자주 추천했다. 예컨대 뱅가드 상품은 전체 응답의 6%, 아이셰어즈 상품은 3.4%에 등장했지만, 두 회사를 직접 언급한 프롬프트는 0.4%에도 못 미쳤다. 소비자가 조언을 구할 때 LLM이 자사 제품을 어떻게 설명하는지가 전통적 마케팅이나 검색 노출보다 고객 확보를 좌우할 수 있다는 뜻이다. 이 연구를 담은 논문 'AI Financial Advice: Supply, Demand, and Life Cycle Implications'는 추크만, 웨이둥 린, 매슈 아쿠자와(MIT 슬론)와 팀 데 실바(스탠퍼드 경영대학원)가 함께 썼으며 2026년 스위스금융연구원 우수논문상을 받았다.