GPT-5.5 넘은 Qwen3 — 금융 거인 브릿지워터의 AI 특화 레시피

초거대 AI 모델만 구독하면 모든 전문 업무가 완벽하게 해결될 것 같던 흐름에 아주 흥미로운 균열이 생겼습니다. 세계 최대 헤지펀드인 브릿지워터 어소시에이트의 AIA 랩스와 미라 무라티가 이끄는 씽킹 머신즈 랩이 함께 발표한 혁신적인 공동 연구 덕분인데요. 이들은 무작정 거대한 범용 모델을 고집하는 대신, 특정 영역에 맞춤 설계된 '차별화된 지능(Differentiated Intelligence)'이 운영 비용을 무려 13.8배나 아끼면서도 성능은 GPT-5.5나 클로드 오푸스 4.8 같은 최고 성능의 프론티어 모델들을 훌쩍 뛰어넘을 수 있음을 멋지게 보여주었습니다.

똑똑한 범용 AI가 금융 전문가의 판단 앞에서 멈춰 선 이유

금융 의사결정의 꽃이라 불리는 '복잡한 문서 검토와 의사결정' 영역에서, 실리콘밸리가 자랑하는 최고 성능의 인공지능들이 의외의 벽에 부딪혔습니다. 프롬프트 엔지니어링을 아무리 정교하게 다듬어도 GPT-5.5나 클로드 오푸스 4.8 같은 내로라하는 범용 모델들이 정확도 80%의 벽을 넘지 못하고 제자리걸음을 한 것이죠.

이유가 뭘까요? 이 범용 모델들은 세상의 거의 모든 지식을 섭렵한 '만물박사'에 가깝기 때문입니다. 수많은 데이터를 그럴듯하게 요약하고 일반적인 답변을 내놓는 데는 탁월하지만, 극도로 정교하고 엄격한 금융 도메인의 전문적인 의사결정 흐름을 한 치의 오차도 없이 따라 하기에는 구조적인 한계가 있었습니다.

쉽게 말해, 일반 상식이 풍부한 대학원생에게 수백억 원이 오가는 헤지펀드의 핵심 투자 판단을 맡길 수 없는 것과 비슷합니다. 실무에서 진짜 필요한 것은 단순한 요약이나 그럴듯한 문장 생성이 아니라, 오랜 기간 고도의 훈련을 거친 전문가만의 미묘한 직관과 엄밀한 규칙이기 때문입니다.

결국 아무리 똑똑하고 거대한 범용 모델을 데려와도, 특정 기업이나 도메인에 완전히 밀착된 '차별화된 지능' 없이는 실제 비즈니스의 가장 핵심적인 문제를 해결할 수 없다는 명확한 한계가 드러난 셈입니다.

비용은 13.8배 절감, 에러는 30% 감소한 Qwen3의 기적

브릿지워터 연구진은 거대 테크 기업의 값비싼 API를 구독하는 대신, 알리바바의 오픈 가중치 모델인 Qwen3-235B를 직접 가져와 우리만의 맞춤형 전문가로 길들이는 길을 택했습니다. 결과는 대성공이었습니다.

이 특화된 Qwen3 모델은 금융 의사결정 평가에서 84.7%의 평균 정확도를 기록했습니다. 프롬프트 엔지니어링을 극한으로 쥐어짜도 80% 선에서 제자리걸음을 하던 클로드 오푸스 4.8의 78.2%와 GPT-5.5의 78.0%를 가볍게 따돌린 것입니다. 최고의 범용 모델들보다 실수를 무려 29.8%나 줄여낸 셈이죠.

하지만 진짜 모두를 놀라게 한 것은 바로 운영 비용이었습니다. 난이도 높은 분석 작업 1,000건을 처리할 때 클로드 오푸스 4.8은 약 100달러의 비용이 청구된 반면, 브릿지워터의 특화 모델은 단 7.25달러밖에 들지 않았습니다. 무려 13.8배에 달하는 엄청난 비용 절감 효과입니다.

더 이상 빅테크 기업이 독점 API 성능을 업데이트해 주기만 목 빠지게 기다릴 필요가 없습니다. 내 손으로 직접 훈련시킨 오픈 소스 모델이 성능도 더 뛰어나고 지갑까지 지켜줄 수 있다는 사실을 브릿지워터가 제대로 증명해 보였습니다.

Qwen3를 금융 전문가로 만든 3가지 핵심 포스트 트레이닝 레시피

오픈 가중치 모델인 Qwen3-235B를 데려와 최고의 금융 전문가로 재탄생시킨 비결은 무엇일까요? 연구진은 씽킹 머신즈 랩의 '틴커(Tinker)' 플랫폼을 통해 세 가지 영리한 학습 전략을 설계했습니다. AI를 직접 미세조정하려는 빌더들에게 아주 매력적인 실전 레시피입니다.

첫 번째는 '인터리브 배치(Interleaved Batching)' 기법입니다. 데이터를 마구잡이로 섞어서 학습시키는 대신, 다양한 난이도와 유형의 작업을 골고루 번갈아 가며 배치하는 방식입니다. 마치 쉬운 문제와 어려운 문제를 교대로 풀며 두뇌를 자극하는 것처럼요. 이 영리한 순서 설계 덕분에 정확도가 12.1%나 뛰어올랐습니다.

두 번째는 학습 과정을 탄탄하게 지탱하는 '비대칭 클리핑 적용 중요도 샘플링 정책 최적화(CISPO)' 손실 함수입니다. 학습 중에 모델의 판단 기준이 너무 급격하게 변해버리지 않도록 든든한 가이드라인을 쳐주는 역할을 합니다. 덕분에 모델이 학습 방향을 잃지 않고 핵심 금융 지식을 차분하게 습득하며 10.1%의 추가 성능 향상을 얻어냈습니다.

마지막은 '교사 모델 협력 증류(OPD)' 기법입니다. 학생 격인 모델이 일정 기준 이상 성장해 학습 성과가 좋아질 때마다, 가르치는 교사 모델을 한 단계 더 똑똑한 버전으로 즉시 업데이트하는 방식입니다. 이 세심한 1대1 맞춤형 과외 기법이 마지막 3.1%의 디테일한 성능 차이를 채워주며 금융 의사결정에 특화된 완벽한 모델을 완성했습니다.

값비싼 전문가의 시간만 쏙쏙 골라 쓰는 법, '전문가 트리이지'

특정 분야에 딱 맞는 똑똑한 AI를 만들 때 반드시 부딪히는 거대한 장벽이 있습니다. 바로 '양질의 학습 데이터'를 확보하는 일입니다. 특히 금융처럼 깊은 전문성이 필요한 분야는 고액 연봉을 받는 최고 수준의 분석가들이 직접 매달려 데이터를 검수해야 하는데, 이는 현실적으로 비용과 시간 면에서 엄청난 부담이 됩니다.

브릿지워터는 이 문제를 우회하기 위해 '전문가 트리이지'라는 아주 영리한 데이터 검증 파이프라인을 고안했습니다. 병원 응급실에서 환자의 긴급도에 따라 치료 우선순위를 분류하는 것처럼, 인공지능 학습 데이터에도 우선순위를 정해 필터링하는 것입니다.

과정은 생각보다 간단합니다. 우선 비용이 저렴한 일반 레이블러를 통해 기초 데이터셋을 빠르게 만들고, 이를 바탕으로 첫 초기 모델을 학습시킵니다. 그 후 이 초기 모델에게 데이터를 다시 풀게 만들어, 모델의 예측값과 일반 레이블러의 의견이 서로 팽팽하게 엇갈리는 '애매하고 어려운 문제'만 골라냅니다.

브릿지워터는 이렇게 걸러진 알짜배기 난제들만 콕 집어 자사의 탑클래스 금융 분석가들에게 보냈습니다. 덕분에 비싼 전문가들은 쉬운 문제에 시간 낭비할 필요 없이 진정한 난제만 집중해서 검수하게 되었습니다. 비용은 획기적으로 줄이면서도, 범용 거대 모델을 압도하는 고품질의 독점 전문가 데이터를 확보한 비결이 바로 이 영리한 필터링에 있습니다.

거대 API 구독의 시대에서 '독점적 지능 소유'의 시대로

브릿지워터와 씽킹 머신즈 랩의 협업은 우리에게 중요한 교훈을 줍니다. 이제 빅테크의 거대 API가 더 똑똑해지기만을 마냥 기다릴 필요가 없습니다.

기업이 가진 독점적인 현장 노하우를 영리한 데이터 파이프라인으로 정제하고, 유연한 오픈 가중치 모델에 정밀하게 이식하는 것. 이것이 바로 비용과 성능을 모두 잡는 '차별화된 지능'의 실체입니다.

결국 지속 가능한 경쟁력은 남의 지능을 빌려 쓰는 것이 아니라, 우리만의 고유한 지식을 모델에 직접 내재화하는 데서 나옵니다. 여러분은 어떤 도메인의 지식을 나만의 고유한 무기로 만들어보고 싶으신가요?