[서울=뉴스핌] 양태훈 기자 = 개인투자자가 뉴스를 해석해 투자 판단까지 이어가기란 쉽지 않다. 언어 장벽은 물론, 하루에도 쏟아지는 방대한 정보량이 걸림돌이다. 토스증권은 이 문제를 인공지능(AI)으로 풀기로 했다. 실적 발표를 실시간으로 번역 및 요약해 제공하는 'AI 어닝콜'을 시작으로, 주가 등락 원인을 실시간 분석하는 'AI 시그널', 핵심 이슈 20개를 순위로 제공하는 '실시간 이슈' 서비스를 차례로 내놨다. 이 서비스들의 바탕에는 뉴스 분류·번역·추론(Reasoning)으로 이어지는 대표적인 자체 개발 AI 모델 3종과 지식그래프(Ontology) 기술이 결합되어 있다.

다만 투자 판단만큼은 AI가 아닌 투자자 몫으로 남겨뒀다. 'AI 시그널'과 '실시간 이슈' 개발에 머신러닝 엔지니어로 참여한 조중현 토스증권 머신러닝 엔지니어(MLE)는 21일 <뉴스핌>과의 인터뷰에서 "결론만 알려주는 투자 조언은 변동성이 큰 시장에서 투자자가 끝까지 믿고 따르기에 한계가 있다"며 "투자자가 정보를 진정으로 이해하고 스스로 판단할 수 있도록 돕는 것이 진정한 서비스의 효용"이라고 밝혔다.

토스증권의 AI 전략을 한 단어로 요약하면 '하이브리드'다. 조 MLE는 "범용 영역에는 외부 대규모언어모델(LLM)을 쓰고, 금융 도메인 깊이가 필요한 영역에는 자체 개발 모델을 투입한다"고 설명했다. 효율과 전문성을 동시에 잡기 위한 선택이다.

그 핵심에는 대표적인 자체 개발 AI 모델 3종이 있다. 먼저 하루 수천 건씩 쏟아지는 뉴스와 공시 가운데 시장에 실제 영향을 준 정보만 추려내는 뉴스 분류 모델이 1차 관문을 맡는다. 걸러진 해외 뉴스는 금융 특화 번역 모델을 거쳐 국내 투자자에게 익숙한 한국 경제 뉴스체로 재구성된다. 마지막으로 리즈닝 모델이 이 정보들을 토대로 주가 등락의 원인을 논리적으로 추론해 근거와 함께 내놓는다. 여기에 금융 개체 간 관계를 지도처럼 엮는 온톨로지 기술까지 결합되면서, 흩어진 정보들은 하나의 맥락으로 이어진다.

이러한 구조가 실제 서비스에서 어떻게 작동하는지는 'AI 시그널'에서 잘 드러난다. 조 MLE는 "뉴스·공시 데이터를 분석해 특정 종목과 산업이 왜 올랐는가, 왜 떨어졌는가에 대한 답을 근거와 함께 제시한다"며 "개별 주식뿐 아니라 원자재·환율·주요 지수까지 다룬다"고 설명했다.

특히 지난 3월 출시된 '실시간 이슈'는 온톨로지 기술이 뼈대를 이룬다. 단순히 이슈를 나열하는 데 그치지 않고, 해당 이슈가 어떤 산업과 기업에 영향을 미치는지까지 자동으로 연결해 보여주는 방식이다. 예컨대 '리튬 가격 급락' 이슈를 선택하면 양극재 기업의 원가 구조와 산업 전반에 미칠 영향까지 한눈에 파악할 수 있다.

토스증권은 정확도 관리에도 이중 장치를 뒀다. 추론과 요약 과정에 데이터 기반 검증 루프를 포함하고, 전문 운영 인력이 AI 생성 데이터를 상시 모니터링·검수하는 휴먼인더루프(Human-in-the-loop) 프로세스를 더했다. 조 MLE는 "검수 결과는 다시 AI 모델로 피드백되기 때문에 서비스가 운영될수록 정확도가 높아지는 선순환 구조"라고 전했다.

토스증권이 지향하는 건 '판단의 대행'이 아닌 '판단의 도구'다. 자동매매 서비스로 영역을 넓힌 증권사, 투자 판단 자체를 AI 에이전트에 맡기는 해외 핀테크가 잇따라 등장하는 가운데, 토스증권은 대리인이 아닌 조력자로 남기로 했다. 조 MLE는 "결론을 대신 내려주는 방식이 아니라 투자자가 스스로 판단할 수 있는 도구를 제공하는 것"이라며 "투자 문해력의 격차 해소가 목표"라고 밝혔다.

그 효과는 데이터로 이미 나타나고 있다. 토스증권에 따르면 AI 서비스를 경험한 이용자 중 약 50%가 다음 날 다시 서비스를 찾고 있다. AI가 일회성 흥미 요소가 아닌 일상적 의사결정 도구로 자리를 잡았다는 의미다. 특히 눈에 띄는 건 시니어 투자자들의 변화다. 조 MLE는 "정보 소외 계층으로 분류되던 고연령층 이용자의 AI 서비스 이용 빈도가 다른 연령대보다 높게 나타나고 있다"며 "복잡한 외부 AI 툴 사용에 어려움을 느꼈던 시니어 투자자들이 토스증권 내에서는 오히려 AI를 적극 활용하고 있다"고 말했다.

다음은 조중현 토스증권 머신러닝 엔지니어와의 일문일답이다.

- 증권사는 외부 서비스와 제휴하거나 범용 대규모언어모델(LLM)을 붙이는 방식으로 AI 서비스를 구현했습니다. 반면 토스증권은 번역 모델까지 직접 만들었습니다. 외부 LLM 대신 자체 모델을 택한 이유가 궁금합니다.

▲ 토스증권은 '하이브리드 전략'을 취하고 있습니다. 외부 LLM과 자체 개발 모델을 목적에 따라 병용합니다. 번역이나 핵심 분석처럼 금융 도메인에 최적화된 완결성과 안정적 성능이 필요한 영역에서만 자체 개발을 고집합니다. 가장 큰 이유는 금융 전문성과 가독성입니다. 해외 뉴스를 옮길 때 단순 의미 전달을 넘어 국내 투자자에게 익숙한 '한국 경제 뉴스체'로 구현하는 것이 중요했습니다. 금융 특화 용어와 문체를 학습시킨 자체 모델로 번역 특유의 이질감을 없앴습니다. 실시간성이 생명인 AI 어닝콜, 전문가의 분류 체계를 접목해야 하는 온톨로지 같은 영역에는 자체 모델을 활용합니다.

- 범용 번역 모델과의 구체적인 차별점이 무엇인지 궁금합니다.

▲ 세 가지입니다. 첫째, 금융 전문 용어의 정확한 치환입니다. 금융권에서만 통용되는 용어들은 범용 모델로 옮기면 맥락이 어긋납니다. 둘째, 가독성입니다. 외신 뉴스를 옮길 때 한국 경제 뉴스의 어투와 문장 구조를 따르도록 학습시켰습니다. 셋째, 정확도입니다. 일반 모델은 번역 과정에서 존재하지 않는 회사 정보를 만들어내거나 숫자·날짜를 자의적으로 바꾸는 환각(Hallucination) 현상이 빈번합니다. 자체 모델은 숫자 하나, 날짜 하나까지 원문 정보를 유지하도록 설계했습니다.

- 리즈닝과 온톨로지가 단순 요약과 다른 점이 있다면

▲ 일반적인 요약은 여러 문서를 하나로 합칩니다. 리즈닝은 필요한 근거 정보를 수집한 뒤, 각 정보가 실제 주가 변동 사유와 논리적으로 일치하는지 검증하는 단계를 포함합니다. 수많은 정보 중 주가와 직접 연관성이 있는 데이터만 선별하고, 그것이 등락의 원인으로서 충분한 설명력을 갖는지 판단한 뒤 최종 사유를 도출합니다. 정보 나열이 아니라 가치와 연관성을 분석·판단하는 일련의 논리적 사고 과정입니다.

- 온톨로지의 예로 '리튬 가격 급락→양극재 기업 원가 구조 영향'처럼 연결고리를 만드는데, 어떻게 구축했는지?

▲ AI와 증권 도메인 전문가의 결합 방식입니다. 기술적 기반은 AI가 담당합니다. 개체(Entity) 간 관계 추출, 다른 이름의 데이터가 같은 대상을 가리키는지 판별, 속성 분류에 전용 AI 모델을 활용합니다. 다만 지식 그래프의 핵심은 무의미하거나 잘못된 연결을 걸러내는 일입니다. 증권 도메인 전문가와 협업해 금융 시장에 실질적으로 존재하는 개체와 관계의 종류를 먼저 정의했습니다. 전문가가 금융 논리에 맞는 관계 지도를 설계하고, AI가 신뢰도 높은 원천 데이터로 그 지도를 채워나가는 방식입니다.

- 환각 문제는 금융 서비스에서 특히 치명적일 것 같습니다. 어떤 구조적 장치를 두었습니까?

▲ 기술적 검증과 운영적 감시를 결합했습니다. 모든 추론과 요약 과정에는 데이터 기반의 검증 루프가 포함됩니다. 여기에 'Human-in-the-loop(인간 참여형)' 검수 프로세스를 운영합니다. AI가 언제든 오류를 범할 수 있다는 전제로, 전문 운영 인력이 생성된 데이터를 상시 모니터링·검수합니다. 검수 데이터는 다시 AI 모델의 판단 기준으로 피드백되어, 서비스가 운영될수록 정확도가 정교해지는 구조입니다. 데이터 인입 단계부터 검증된 미디어와 공식 기관 데이터만 선별 수집해 루머를 원천 차단하고 있습니다.

- 자동매매까지 영역을 넓힌 증권사도 있는데, 토스증권은 '정보 제공'에 선을 긋고 있습니다. 이유가 궁금합니다.

▲ '투자 문해력의 격차 해소'라는 본질적인 문제에 먼저 집중하고 있습니다. 결론만 알려주는 투자 조언은 당장의 편의성은 높일 수 있지만, 변동성이 큰 시장에서 투자자가 그 결론을 끝까지 믿고 따르기에는 한계가 있습니다. 유저가 투자 정보를 진정으로 이해하고 자신의 투자 철학을 세울 수 있도록 돕는 것이 진정한 서비스의 효용이라고 봅니다. 지금의 '정보 제공' 집중 전략은 유저에게 가장 필요한 '판단의 도구'를 제공하는 신뢰 구축의 과정입니다. 투자자의 성숙도가 높아지고 AI 기술이 더 정교해지면 투자 판단을 보조·대행하는 기능으로 확장하는 것은 단계적 수순으로 충분히 가능합니다.

- AI가 실제로 정보 격차를 줄이고 있다는 근거가 있나요?

▲ 사용자 지속성 지표가 가장 유의미합니다. AI 서비스를 경험한 유저 중 약 50%가 다음 날 다시 서비스를 이용합니다. AI가 일회성 흥미 요소가 아니라 일상적인 의사결정 도구로 안착했음을 보여줍니다. 특히 주목할 점은 정보 소외 계층이었던 고연령층 유저의 변화입니다. 복잡한 외부 AI 툴 사용에 어려움을 느꼈던 시니어 투자자가 토스증권 내에서는 다른 연령대보다 더 높은 이용 빈도를 보이고 있습니다. AI 사용이 어려운 투자자군에서도 정보 격차가 줄고 있다는 방증입니다.

- 유사한 기능이 머잖아 등장할 텐데, 지속적으로 앞설 수 있는 구조적 우위가 있다면?

▲ 두 가지입니다. 첫째, 철저한 유저 중심의 문제 해결 역량입니다. 기술 자체에 매몰되지 않고 방대한 유저 리서치와 데이터 분석으로 투자자가 겪는 본질적인 페인 포인트를 먼저 정의한 뒤 AI를 최적화합니다. 기술은 도구일 뿐 목적은 언제나 투자자의 효용에 있습니다. 둘째, 증권 도메인에 특화된 AI 아키텍처입니다. 환각 현상을 최소화하고 정확도를 극대화할 수 있도록 증권업에 최적화된 LLM 구조를 설계하고 있습니다. 여기에 자체 유저 데이터 기반 개인화 엔진을 결합해 각 개인의 투자 맥락에 정밀하게 대응하는 투자 여정을 제공합니다.

- AI 시그널이 국내외 주식·지수·원자재·환율을 다루고 있는데, 확장할 계획이 있는 자산군이나 기능이 있나요?

▲ AI 시그널은 개별 주식에서 섹터·테마 단위로 확장되고 있습니다. 투자자 수요가 높은 상장지수펀드(ETF) 종목을 순차적으로 추가할 계획입니다. 실시간 이슈는 정보 원천을 뉴스에 국한하지 않고 다각화해 이슈의 발생부터 확산까지의 과정을 더 세밀하게 추적하는 방향으로 정교해질 예정입니다.

dconnect@newspim.com