Coatue의 Frank Long, AI 에이전트가 코딩보다 투자 분야를 더 크게 바꿀 것이라고 주장

Frank Long은 자신을 Coatue 소속이라고 소개했다. 그는 이 회사를 공공 시장과 비공개 시장을 모두 다루는 기술 투자 회사라고 설명했다. 이 사업에서 핵심은 큰 주제에 대해 확신 있는 베팅을 하고 그 베팅이 전개되는 과정을 지켜볼 수 있는 능력이라고 말했으며, 같은 접근법을 경력에도 비유했다.

Long은 작년에 Coatue에 합류했을 때 자신이 걸고 싶었던 베팅은 에이전트가 투자 분야에 코딩 분야보다 더 큰 영향을 미칠 것이라는 점이라고 말했다. AI가 이미 코딩에 가져온 변화를 생각하면 큰 주장이라는 점을 인정했지만, 그렇게 믿는다고 강하게 말했고, 이 강연에서 회사가 그 영향을 실현하기 위해 사용하는 틀을 설명하겠다고 밝혔다.

Long은 큰 틀에서 헤지펀드를 하나의 함수로 볼 수 있다고 말했다. 이 함수는 외부 맥락과 내부 맥락이라는 두 매개변수를 받고, 선택, 규모, 시점이라는 세 부분으로 이루어진 튜플 하나를 출력한다. 그의 표현으로는 세 가지 질문은 무엇을, 얼마나, 언제이다.

그는 이 틀이 세상의 모든 정보를 받아 하나의 단순한 튜플로 압축하는 문제에 기반을 둔다고 설명했다. Coatue가 제공하는 상품은 본질적으로 이 튜플의 시계열이며, 이를 바탕으로 포트폴리오를 구성한다고 말했다.

Long은 입력에 대한 단순한 원칙을 설명했다. 투자자는 화면을 보고, 정보를 읽고, 일을 한다. 따라서 사람이 화면 픽셀로 볼 수 있는 것은 무엇이든 API를 통해 에이전트도 볼 수 있어야 한다는 것이다. 그는 비유를 들었다. 세계 최고의 투자자들을 데려오면서도 회사 서비스의 75%에 로그인할 수 없는 컴퓨터를 주면, 행동할 도구가 없는 시스템은 아무리 똑똑해도 한계가 있다는 것이다.

그는 외부 맥락에 뉴스, 가격, 공시 자료가 포함되며, 이 모든 것은 끌어다 놓거나 복사해 붙여넣기 하는 방식이 아니라 API로 직접 접근할 수 있어야 한다고 말했다. 내부 맥락도 똑같이 중요하다고 했다. 여기에는 현재 보유 포지션, 특정 종목에 대한 잠재적 유동성과 위험 요건, 특정 산업이나 종목, 경영진과의 과거 사례와 이력이 포함된다.

Long은 이 작업을 10년이 넘게 이끌어 온 조직으로 KKR을 언급했다. 그는 이것이 기술적인 동시에 문화적인 작업이며, 데이터 과학 팀과 이 정보를 가져오는 프로세스 및 시스템이 함께 있다고 설명했다. 회사는 모든 거래와 내리거나 내리지 않은 모든 결정에 대해 무엇이 잘되었고 무엇이 잘되지 않았는지를 포함한 메모를 남겨 왔으며, 이 기록 덕분에 AI를 활용할 수 있는 위치에 있게 되었다고 말했다.

Long은 이 모든 입력을 컨텍스트 창에 넣고 숫자 세 개를 돌려받는 것은 현실적이지 않다고 말했다. 함수는 더 세분화되어야 한다는 것이다.

그는 첫 단계가 외부 맥락과 내부 맥락을 받아 모으고, 관련 있는 것과 없는 것을 걸러내는 일이라고 제안했다. 두 번째 단계는 그 정보를 분석해 공공 시장과 비공개 시장에 어떤 의미가 있는지 판단하는 것이다. 세 번째 단계는 그 판단을 세 매개변수를 가진 결정 객체로 바꾸는 것이다. 각 단계에 입력과 출력이 있으며, 이후 단계의 입력은 이전 단계의 출력이라고 설명했다. 엔지니어에게는 이렇게 생각하는 것이 유용하지만, 이것조차 세 개의 함수를 작성하는 것만큼 단순할 수는 없다고 말했다.

Long은 첫 단계인 수집에는 관련 있는 자료와 없는 자료를 걸러내는 일이 필요하며, 여기에는 많은 미묘함이 따른다고 말했다. 그는 예를 들었다. NBA 기사를 가져오는 것은 주가와 무관할 가능성이 높지만, 지역 인허가에 관한 기사는 데이터 센터에 실제로 영향을 줄 수 있다는 것이다.

문제의 범위를 보여주기 위해, Long은 팀이 뉴스 해석을 사례로 삼아 수집 단계의 작은 부분을 살펴볼 것이라고 말했다.

Long은 아시아와 한국 언론의 뉴스가 올해 특히 중요했다고 말했다. 반도체와 AI가 시장의 큰 주제였기 때문이다. 그는 이것이 AI가 큰 영향을 미칠 수 있는 분야라고 주장했다. 한국어를 읽지 못하는 직원들보다 한국어 뉴스를 더 잘 읽을 수 있기 때문이다.

그는 수집 단계를 MCP, CLI로 하거나, 데이터 피드를 라이선스 받아 정제하는 방식으로 할 수 있다고 설명했다. 기사를 어떻게 나눌지, 이미지를 이미지 그대로 LLM에 넘길지 아니면 먼저 텍스트로 바꿀지 같은 선택도 많다. Long은 이런 선택을 전통적인 머신러닝 시스템의 하이퍼파라미터에 비유했다. 각각이 조정하고 최적화해야 할 대상이라는 것이다.

여기서도 필터링이 중요하다. Long은 한국 뉴스에는 NBA 보도처럼 포트폴리오의 종목, 주제, 주식과 꼭 관련 있다고 할 수 없는 항목이 많아서 이를 걸러내고 싶다고 말했다. 번역, 추출, 요약 중 무엇을 할지, 내용을 구조화된 형태로 바꿀지에 대한 선택도 설명했다. 모델에 정보를 노출하는 방법을 실험할 방법은 많다고 말했다.

Long은 이후 단계에는 서로 다른 출처의 정보를 교차 확인하는 일이 포함되며, 이것이 매우 강력하다고 말했다. 그리고 파이프라인의 각 줄에는 실행 주체가 있다고 설명하며 네 가지 유형을 나열했다.

코드는 가장 분명한 실행 주체다. 빠르고 저렴하고 안정적이다. 예를 들어 주가수익비율이 15 미만이라는 규칙이라면 결정적 코드가 맞는 선택이라고 했다.

통계와 고전적 머신러닝이 두 번째 유형이다. 회귀를 맞추면 특정 패턴을 포착할 수 있고, 고정된 코드로 표현하기 어려운 훨씬 복잡한 관계도 모델링할 수 있다고 말했다.

LLM과 AI 에이전트가 세 번째 유형으로, 더 복잡한 관계에 적합하다. Long은 요약이 LLM의 최고 수준이며, 현대 모델보다 더 잘 요약하는 if 문 묶음을 만드는 것은 사실상 불가능하다고 말했다.

사람이 네 번째 유형이다. Long은 회사 경영진을 만나는 기능을 예로 들었다. 그는 그 미팅에 LLM이나 AI 에이전트, if 문을 보내고 싶지 않다고 말했다. 판단력과 현실 세계를 헤쳐 나가는 능력 때문에 그 부분에는 사람이 가장 좋은 실행 주체라는 것이다.

Long은 이것이 중요한 지점이라고 강조했다. 그는 자동화 자체를 위해 자동화하는 데에는 아무런 영광도 없으며, 목표는 LLM 호출 단계를 최대한 많이 만드는 것이 아니라고 말했다. 함수의 어떤 부분에 대해서든 질문은 절대적인 품질을 극대화하기 위해 무엇을 할 수 있는가라고 설명했다.

Long은 이 함수가 단순한 선형 단계 목록처럼 생기지는 않을 것이라고 말했다. 아마 분기 로직과 여러 갈래가 있을 것이라는 것이다. 그가 설명한 한 방식은 정보를 모으고, 번역하고, 인용문을 추출한 뒤, 그 인용문을 출처와 대조해 실제로 그 사람이 말했는지 확인하는 것이다. 그는 이것이 완전히 틀릴 수도 있다고 하면서, 중복 제거와 필터링, 외부 수치 가져오기, 메모를 뒷받침하는 데이터 확인, 팀 업데이트 작성 등 다른 경로도 있을 수 있다고 말했다.

그는 이를 구성하는 방법은 백만 가지가 있으며, 이는 제어 흐름 안에 더 많은 하이퍼파라미터를 추가한다고 결론지었다. 뉴스를 조회하고, 걸러내고, 요약하고, LLM을 위해 집계하는 단순한 문제에서도 그렇다는 것이다.

Long은 파이프라인의 각 상자에는 아마 최적의 실행 주체가 있을 것이라고 말했다. 수집 단계라면 특정 출처에서 지난 24시간을 조회하는 결정적 코드일 수 있다. 필터링이나 판단 단계에는 모델, LLM, 통계적 방법, 또는 이들의 조합이 필요할 수 있다.

그는 이것이 복잡성을 과소평가한 것이라고 말했다. 대부분의 작업은 여러 실행 주체가 함께 맡기 때문이다. 많은 단계가 결정적 코드, LLM, 통계적 방법, 또는 LLM과 함께 일하는 사람을 결합한다. LLM 범주 안에서도 선택지가 더 있다. 어떤 모델 크기를 쓸지, 추론에 얼마나 공을 들일지, 어떤 하네스를 쓸지, 그와 함께 어떤 스킬과 훅을 불러올지다. Long은 뉴스 필터링이라는 작은 작업 하나에도 하이퍼파라미터 탐색 공간이 엄청나게 크다고 말했다.

Long은 이런 문제를 풀려면 이해하고 평가할 수 있는 방식으로 구획화할 수 있는 것을 찾아야 하며, 팀은 그것을 기준으로 반복해서 개선해 나간다고 말했다. 그것이 없다면 작업은 그저 튜닝일 뿐이라는 것이다. 각 부분에 대해 질문은 그것이 머신러닝 시스템이어야 하는지, 팀이 학습시킨 작은 모델이어야 하는지, if 문이어야 하는지, 아니면 모델이 전혀 필요 없는지가 된다고 설명했다.

그는 LLM은 뉴스를 포트폴리오 영향으로 바꾸는 일을 정말 못한다고 말했다. 따라서 그 단계는 아마도 사람이 맡아야 하며, 정보를 검색하고 가져오는 것을 돕는 결정적 시스템이 뒷받침해야 한다고 했다. 그는 반복 개선의 기준이 되는 북극성이 없다면 그저 이리저리 만지작거리는 것일 뿐이라고 결론지었다.

Long은 자신이 제시한 예시가 회사가 하는 일 중 아주 작은 한 부분일 뿐이라고 말했다. 가져오는 데이터 출처마다 중간 출력에 도달하려면 세 번 이상의 변환이 필요할 가능성이 높으므로, Coatue 같은 펀드의 전체 그래프는 매우 복잡하다는 것이다.

그는 이 노드들 각각에 최소 10개의 하이퍼파라미터가 있고, 각 하이퍼파라미터에는 최소 20개의 유효한 값이 있어서 탐색 공간은 사실상 무한하다고 말했다. 기술적으로, 문화적으로, 조직적으로 이해할 수 있도록 이것을 펼쳐 놓는 일이 투자에 AI를 적용하는 데 있어 가장 큰 과제라고 설명했다.

Long은 이번 강연이 실제로는 세계에서 정보를 받아들이고, 일관된 결정을 내릴 만큼 잘 이해할 수 있는 상태 기계를 만드는 일에 관한 것이라고 말했다. 이런 사용 사례는 투자 회사를 훨씬 넘어서며, 정책, 비영리 단체, 신약 개발, 기업 전략을 예로 들었다.

그는 이런 행사에 참석하면서 가장 흥미로운 부분 중 하나는 서로 다른 분야에서 서로 다른 문제를 가진 사람들이 같은 문제 공간으로 모이는 것을 보는 일이라고 말했다. 그리고 행사 후 복도에서 이야기를 이어가자고 제안하며 강연을 마쳤다.