투자금과 참여 투자자가 보여주는 신호

30세 이상 성인이 AI의 재무 조언을 따랐을 때 상당한 수준의 저축 완충 지대를 확보할 수 있다는 연구 결과가 나왔다. 대규모 언어 모델(LLM, 방대한 데이터를 학습해 인간처럼 대화하는 AI)이 제시하는 자산 관리 경로를 그대로 수행하면 은퇴 후 경제적 불안감을 줄이는 실질적인 자산 축적이 가능하다. 특히 저축 습관이 잡히지 않은 사용자에게 AI의 일관된 권고는 강력한 행동 지침이 된다. 이는 사용자가 어떤 재무 상태에 있든 AI의 기본 가이드라인이 유효한 선택지가 될 수 있음을 입증한다.

AI는 근로 기간 중 저축을 극대화하고 은퇴 후에는 이를 체계적으로 인출하는 전략을 일관되게 권고했다. 자산 운용 면에서는 분산된 주식 펀드에 집중 투자하되, 45세가 넘어서면 주식 비중을 점진적으로 축소하라고 조언했다. 이러한 방식은 학계에서 정석으로 통하는 재무 원칙과 일치하며, 복잡한 금융 지식 없이도 표준적인 자산 배분 경로를 밟게 돕는다. AI가 기본적인 재무 설계의 뼈대를 잡는 데 유용하다는 사실을 뒷받침한다.

실직과 같은 갑작스러운 경제적 충격이나 세부적인 재무 계획의 뉘앙스를 처리하는 과정에서는 허점이 드러났다. 충분한 저축액을 보유한 실직자에게조차 지출을 지나치게 급격히 줄이라고 조언하는 사례가 확인됐다. 상황의 변화를 세밀하게 읽어내기보다 단순한 경험칙, 즉 일반적인 공식에 의존해 답을 내놓는 특성 때문이다. 유연한 대응 능력이 부족해 개인의 특수한 상황을 반영한 정밀한 계획을 세우는 데는 한계가 있다.

구조화된 '학술적' 프롬프트를 사용할 때 LLM의 재무 조언

연령과 직업, 소득, 저축 잔액에 경제 환경 가정까지 포함한 상세한 지침을 넣었을 때 AI의 재무 조언 품질이 올라갔다. 이렇게 구체적인 조건을 설정한 학술적 프롬프트(AI가 정교한 답변을 내도록 유도하는 구조화된 질문)를 사용하면 성과가 더 좋게 나타났다. 다만 포트폴리오 리밸런싱(자산 가격 변동으로 바뀐 투자 비중을 원래 계획대로 다시 조정하는 작업) 제안 능력은 여전히 부족했다. 정교한 질문이 답변의 질을 높이지만 능동적인 자산 관리까지는 이르지 못한 셈이다.

전통적인 인간 재무 상담사가 요구하는 높은 비용이나 개인적 편향, 이해상충 문제는 사용자의 접근성을 떨어뜨리는 요인이었다. LLM(거대언어모델)은 이러한 비용 부담과 갈등 구조를 피하면서 재무 지침을 얻을 수 있는 저렴한 대안이 된다. 누구나 쉽게 이용할 수 있는 광범위한 접근성을 제공한다는 점이 강점이다. 전문가의 도움을 받기 어려웠던 이들에게 실질적인 선택지가 늘어났다.

사용자의 성별, 금융 문해력, AI 경험에 따라 LLM의 조언

은퇴 시점의 자산 규모는 질문자의 성별이나 금융 지식, AI 사용 경험에 따라 약 5%까지 차이가 났다. 남성이거나 금융 문해력(돈의 흐름을 이해하고 관리하는 능력)이 높고, AI를 다뤄본 경험이 있는 사용자가 쓴 프롬프트(AI에게 내리는 명령어나 질문)를 따랐을 때 더 많은 자산을 모았다. 질문하는 방식이 결과적으로 실제 돈의 액수를 바꾼 셈이다.

성별에 따른 자산 격차 중 3분의 2는 남녀가 사용하는 단어와 질문 방식의 차이에서 발생했다. 나머지 3분의 1은 질문 내용이 완전히 같더라도 사용자가 여성이라고 표시했을 때 LLM(거대언어모델)이 조언 내용을 바꾼 결과였다. 프롬프트를 짜는 습관과 모델 자체의 편향이 동시에 작동해 격차를 만들었다.

AI는 실직 같은 갑작스러운 충격에 취약하며 지출을 과도하게 줄이라고 권고하는 경향이 있다. 따라서 정교한 재무 설계를 위해서는 기대 수명, 생활 지출액, 은퇴 연령, 고용 및 소득 리스크, 현행 세법과 사회보장제도 유지 가정이라는 다섯 가지 필수 요소를 프롬프트에 구체적으로 포함해야 한다.