글로벌 자산운용사의 티어시트 제작 시간을 5분으로 단축한 실무 성과

글로벌 자산운용사의 분석가가 약 1시간 동안 수동으로 작성하던 맞춤형 티어시트(Tearsheet) 제작 시간이 GPT-5.6 Sol 도입 이후 약 5분으로 단축되었다. Model ML은 금융 실무자가 겪는 '라스트 마일'의 병목 구간인 증거 조정, 파일 포맷팅, 수치 확인, 출처 연결 과정을 자동화하여 보고서 생성 속도를 높였다. 분석가는 이제 데이터 수집과 단순 편집 업무에서 벗어나 AI가 도출한 가설의 적절성과 핵심 메시지를 최종 검토하는 검증 역할에 집중한다.

Model ML이 실시한 Composite 벤치마크 평가에서 GPT-5.6 Sol은 파워포인트 워크플로우 테스트 케이스를 100% 완수하며 기술적 완성도를 입증했다. 이는 경쟁 모델인 Opus 5가 기록한 76%의 완수율을 크게 상회하는 수치다. 특히 출력물이 실질적인 내용 검토(substantive review) 단계로 즉시 진입 가능한지를 측정하는 '전문적 준비도(Professional-readiness)' 게이트 통과율에서 GPT-5.6 Sol은 43.3%를 기록해 Opus 5의 26.7%보다 높은 효율을 보였다.

에이전트 하네스와 동적 툴킷 로드를 통한 작업 정밀도 향상

Model ML은 모델 실행 환경인 에이전트 하네스(Agent Harness)를 구축하여 작업 성격에 따라 필요한 도구 모음을 동적으로 로드하는 구조를 구현했다. 핵심 에이전트는 사용자의 요청을 받으면 계획 수립, 도구 선택, 증거 조정, 계산 수행의 순서로 작업을 처리하며, 각 단계에서 가장 적합한 모델인 GPT-5.6 Sol로 작업을 라우팅한다. 이 과정에서 데이터 통합 툴킷, 문서 편집 기술, 코드 실행 환경이 필요 시점에만 호출되어 모델이 현재 작업에만 집중할 수 있는 환경을 제공한다.

시스템 설계에 적용된 '표면 불가지론(Surface-agnostic)' 방식은 사용자가 이메일이나 전용 앱에서 시작한 작업을 마이크로소프트 오피스 플러그인에서 끊김 없이 이어가게 한다. 에이전트는 작업 전 과정에서 초기 요청서인 브리프(Brief)를 컨텍스트에 유지하며, 최종 파일을 반환하기 전 모든 슬라이드를 시각적으로 검토하여 그래프 왜곡이나 표 정렬 상태를 확인한다. 이러한 구조는 단순한 텍스트 생성을 넘어 편집 가능한 그래프와 표가 포함된 네이티브 파일을 생성하는 기반이 된다.

Opus 5 및 Fable 5 대비 토큰 효율성과 생성 품질 비교

GPT-5.6 Sol은 금융 서비스 AI 성능 측정 벤치마크인 Composite에서 자원 효율성과 결과물 품질 모두 향상된 지표를 나타냈다. 파워포인트 덱 생성 시 GPT-5.6 Sol은 Fable 5보다 덱당 토큰 사용량을 약 21% 절감하며 운영 비용 효율성을 높였다. 엑셀 워크플로우에서는 Opus 5 대비 워크북당 토큰 소모량을 36% 줄여 복잡한 수식과 방대한 데이터 처리 과정에서의 추론 경로를 최적화했다.

품질 측정 항목인 덱 품질, 브리프 준수 여부, 계층 구조, 일관성 부문에서도 GPT-5.6 Sol은 Opus 5보다 우수한 성적을 거두었다. 특히 이전 버전인 GPT-5.5와 비교했을 때 슬라이드 디자인의 일관성이 강화되었으며, 정보의 위계가 명확한 계층 구조를 구현하여 금융 보고서의 논리적 흐름을 개선했다. Model ML은 이러한 검증 결과를 바탕으로 기존에 Opus 4.8이 담당하던 일부 전문 워크플로우를 GPT-5.6 Sol로 대체하여 생산 환경에 적용했다.

10만 행의 VDR 데이터 처리와 네이티브 파일 생성 능력

Model ML 에이전트는 10만 행 이상의 데이터와 수백 개의 파일이 포함된 가상 데이터룸(VDR) 자료를 한 번의 패스로 일괄 처리하는 확장성을 보여주었다. 에이전트는 고객사의 기존 엑셀 템플릿이나 빈 워크북에서 작업을 시작해 필요한 데이터를 수집하고, 여러 탭에 걸쳐 복잡한 수식과 논리 구조를 직접 구축한다. 이후 금융 특화 포맷팅을 적용하여 실무자가 즉시 사용할 수 있는 완전한 스프레드시트나 재무 모델을 생성한다.

최종 결과물은 단순한 이미지나 텍스트가 아니라 수치 재계산과 그래프 수정이 가능한 '네이티브 파일' 형태로 제공된다. 엑셀 워크북 내의 수식이 원천 데이터와 논리적으로 연결되어 있어, 사용자가 특정 변수를 변경하면 전체 결과값이 자동으로 재계산되는 구조를 갖췄다. 이는 AI가 생성한 결과물을 사람이 다시 옮겨 적는 반복 업무를 제거하고, 전문가가 AI의 내부 논리를 직접 확인하고 수정할 수 있는 편집 가능성을 보장한다.

금융 AI 도입을 위한 검증 기준과 지식 노동의 진화

Model ML은 OpenAI와의 온사이트 세션을 통해 에이전트의 프레젠테이션 계획, 도구 선택, 맥락 유지 전 과정을 추적하여 지침을 정교화했다. 이를 통해 모델의 일반적인 추론 능력에만 의존하지 않고, 작업 단계별로 최적의 툴킷을 로드하는 체계를 구축하여 실무 투입 가능한 완성도를 확보했다. 향후 출력 형태는 정적인 문서에서 브라우저 기반의 인터랙티브 인터페이스로 진화하여, 검토자가 수치를 클릭하면 해당 근거가 되는 금융 모델로 즉시 이동하는 구조로 변모할 전망이다.

금융 실무자는 AI 도입 시 단순한 답변 정확도가 아니라, 생성된 결과물이 기존 템플릿을 유지하는지 그리고 수치가 원천 데이터로 역추적(Trace back) 가능한지를 최우선으로 검증해야 한다. 특히 투자 심의 보고서와 같이 엄격한 형식이 요구되는 문서에서는 논리 구조가 살아있는 네이티브 파일 생성 능력이 검증 시간을 단축하는 핵심 지표가 된다. 금융 AI 도입의 최종 판단 기준은 챗봇의 답변 정확도가 아니라, 생성된 네이티브 파일 내의 수식이 원천 데이터와 논리적으로 연결되어 실무자가 직접 재계산하고 수정할 수 있는 편집 가능성 여부에 둔다.