ChatGPT·Gemini·Claude가 주식 리서치에서 대체하지 못하는 것

논지

(출처: SEC Investor Alert - Artificial Intelligence (AI) and Investment Fraud, OpenAI Models, Google AI for Developers - Gemini API Models, Anthropic Docs - Claude Models Overview)

세 벤더 중 자기 모델이 종목을 골라준다고 공식 문서에 적어둔 곳이 있을까? 없다. OpenAI 모델 문서, Google Gemini API 모델 페이지, Anthropic Claude 모델 개요 모두 기능 설명에 그칠 뿐 종목 적중률은 어디에도 등장하지 않는다. 이 확인이 작업의 첫 단계였다. 두 번째 단계로 본문 한 줄을 쓰기 전에 SEC의 AI 투자 사기 경고를 다시 읽었다. 증거가 어디서 와야 하는지를 정하는 것은 모델 스펙 문서가 아니라 그 경고이기 때문이다.

함께 읽을 글: 투자 앱에 돈 넣기 전, BrokerCheck와 SIPC가 알려주는 것 | 2026년 FOMC 일정이 말해주는 연준 인하 시점 | 개별 종목을 고르기 전에 증권사부터 검증하세요

"어떤 챗봇이 최고인가?"라는 질문으로 비교를 시작하는 것 자체가 잘못된 출발이다. 주식 리서치는 한 가지 작업이 아니라, 자료를 찾고, 숫자를 확인하고, 기간을 맞추고, 시나리오를 만들고, 과장된 표현을 덜어내는 다섯 단계로 이어지는 사슬이다. 이 사슬 전체를 통과하는 단일 "최고" 모델은 없다. 문장에서 앞서는 모델도 출처 단계에서 무너질 수 있기 때문이다. 어떤 모델은 문서 정리에 강하고, 어떤 모델은 반론 생성에 강하며, 어떤 모델은 문장 정리에 더 적합할 수 있다.

그래서 실무적으로 중요한 것은 모델 이름 자체가 아니라 워크플로 설계다. 모델이 아무리 좋아도 공시, IR 페이지, 규제기관 문서, 거래소 화면처럼 검증 가능한 증거층 위에서만 써야 한다. SEC가 AI 투자 사기에 대해 경고하는 이유도 여기 있다. AI가 만들어낸 권위감이 실제 근거를 대체하는 순간, 투자 리서치 품질은 급격히 떨어진다.

1차 출처 스냅샷

대표 이미지는 원본 벤더 페이지 스크린샷을 그대로 반복하는 대신, 출처 기반 증거 계층을 보여줍니다. 벤더 문서는 작업 배정 맥락이고, 공시·규제기관·시세 화면은 발행 가능한 주장을 받치는 증거층이며, SEC 투자자 경고는 AI 출력물을 그대로 믿지 말라는 gate 역할을 합니다. OpenAI, Gemini, Claude 문서는 종목 추천 증명이 아니라 벤더 문서 맥락으로만 둡니다.

출처 기반 publish gate: SEC AI 투자 사기 Investor Alert, OpenAI Models, Gemini API Models, Claude Models Overview(2026-06-12 확인)를 바탕으로 합니다. 증거 수집과 reasoning/framing을 분리하고, 출처 링크가 없는 주장은 차단한다는 기준을 보여줍니다.

이 벤더 문서들이 증명하는 것은 "어느 모델이 종목 추천을 더 잘한다"가 아닙니다. 대신 각 업체가 모델을 어떤 작업에 맞춰 소개하고 있는지, 그리고 왜 단일 모델 만능론보다 역할 기반 운영이 더 안전한지를 보여줍니다.

비교의 기준은 브랜드가 아니라 검증 부담이다

주식 리서치에 AI를 넣을 때는 최소 다섯 가지를 같이 봐야 한다.

1. 출처 추적성: 중요한 숫자와 주장마다 원문 링크가 붙는가.
2. 수치 안정성: 같은 질문을 다시 해도 핵심 숫자가 흔들리지 않는가.
3. 범위 통제: 티커, 분기, 가정 범위를 벗어나지 않는가.
4. 불확실성 표기: 근거가 부족한 부분을 추정으로 분리하는가.
5. 편집 부담: 최종 publish-safe 상태까지 가는 수정량이 합리적인가.

이 기준으로 보면, "말을 더 매끄럽게 한다"와 "리서치에 더 안전하다"는 전혀 다른 문제다. 그리고 이 다섯 가지는 점수표가 아니라 모두 통과해야 하는 합격/불합격 관문이다. 다섯 중 넷을 충족해도 — 가령 출처 추적성, 수치 안정성, 범위 통제, 불확실성 표기는 통과했지만 편집 부담이 사실상 전면 재작성 수준이라면 — publish-safe로 볼 수 없다. 기준은 다수결이 아니라 다섯 가지 전부다.

모델별로 잘 맞는 역할은 다르다

공식 문서만으로 특정 모델의 투자 성과를 입증할 수는 없다. 하지만 공식 문서는 각 벤더가 무엇을 강조하는지 보여준다. 그 정보는 리서치 프로세스를 설계할 때 충분히 유용하다.

1) 자료 수집과 정리

첫 단계는 10-K, 10-Q, earnings release, investor deck, quote page, regulator page를 모아서 증거 표를 만드는 작업이다. 이 단계에서 좋은 모델은 문장을 화려하게 쓰는 모델이 아니라, 숫자와 기간을 섞지 않고 정리해주는 모델이다.

이 단계의 목표는 간단하다.

• 어떤 숫자가 어느 문서에서 왔는지 적는다.
• 기간이 정확히 맞는지 확인한다.
• 각주나 예외 조항을 별도로 표시한다.

여기서 실수가 나면 뒤 단계의 모든 해석이 오염된다.

2) 반론 생성과 시나리오 검증

증거 표가 고정된 뒤에는 모델을 반론 생성에 쓰는 편이 낫다. 예를 들면 이런 질문이다.

• 이 긍정적 논리를 깨는 KPI는 무엇인가?
• 가장 취약한 가정은 무엇인가?
• 다음 분기 어떤 숫자가 나오면 이 논리가 틀렸다고 봐야 하나?

이 단계는 서사 확장이 아니라 가정 압박이다. 그래서 reasoning 능력이 중요하지만, 여전히 출처 테이블이 먼저 있어야 한다.

3) 편집 정리

마지막 단계는 문단 정리, 제목 압축, 반복 제거, 불필요한 수식어 정리다. 이 단계는 리서치 자체라기보다 편집에 가깝다. 그래서 한 모델을 초안, 다른 모델을 반론, 또 다른 모델을 편집에 쓰는 식의 분업이 실무적으로 더 안전하다.

가장 흔한 실패는 "증거보다 서사가 먼저 나오는 것"

AI를 주식 리서치에 붙일 때 가장 흔한 실패는, 모델이 써준 설득력 있는 문장을 먼저 받아들인 뒤 그에 맞는 소스를 나중에 끼워 맞추는 것이다.

이건 순서가 완전히 반대다.

올바른 순서는 이렇다.

1. 먼저 근거 표를 고정한다.
2. 숫자와 기간이 맞는지 확인한다.
3. 그 다음에만 모델이 논리를 전개하도록 한다.

이 순서를 지키면 모델은 근거 위에서 서사를 만드는 도구가 된다. 반대로 순서를 어기면 서사가 근거를 압도하는 저품질 초안 생산기가 된다.

근거 중심 주식 리서치에 맞는 안전한 운영 모델

근거 중심 주식 리서치에서는 단일 우승 모델을 찾는 방식보다 2-pass workflow가 맞다.

Pass 1: Evidence Assembly

모델에게 맡길 일:

• 공시와 IR 페이지를 찾기
• 필요한 숫자 목록을 정리하기
• footnote와 caveat를 표시하기
• quote page, filing, report에서 증거 표를 만들기

여기서 끝나야 할 산출물은 "예쁜 글"이 아니라 "검증 가능한 자료 표"다.

Pass 2: Reasoning and Framing

그 다음에만 모델이 할 일:

• 상방/기준/하방 시나리오 정리
• 리스크 문장 다듬기
• 투자 포인트와 무효화 조건 정리
• 문단 구조와 제목 정리

이 순서를 고정하면, 모델의 장점은 살리고 hallucination 비용은 낮출 수 있다.

근거 중심 글쓰기에는 무엇이 달라지나

근거 중심 투자 블로그에서 중요한 것은 가장 그럴듯하게 쓰는 모델이 아니라, 모든 문장이 출처 검증을 통과하게 만드는 워크플로다.

그래서 원칙은 분명하다.

• 실제 테스트 근거가 없으면 우리가 직접 써봤다는 표현을 쓰지 않는다.
• 모델 출력물을 공시처럼 다루지 않는다.
• 제품 비교 글이라도 눈으로 확인할 수 있는 증거 화면이 없으면 publish-safe로 보지 않는다.
• AI 도구를 이유로 문서화 기준을 낮추지 않는다.

결국 글이 주식 분석을 다루는 순간, 최종 증거는 여전히 기업 공시, 거래소, 규제기관, 또는 출처가 분명한 시장 데이터 화면에서 와야 한다. 모델은 속도를 높여줄 수 있지만, 증거층 자체를 대체하지는 못한다.

AI 리서치 워크플로가 달라지는 조건

ChatGPT vs Gemini vs Claude는 우승자 한 명을 뽑는 문제가 아니다. 주식 리서치에서는 어떤 모델이 가장 그럴듯하게 쓰느냐보다, 어떤 워크플로가 가장 낮은 검증 부담으로 publish-safe 초안을 만들 수 있느냐가 더 중요하다.

결국 차이를 만드는 것은 모델 이름이 아니라 증거 규율이다. 출처 링크, 숫자 일치, 기간 명시, 반론 검증, 최종 편집. 이 과정을 통과하지 못하면 어떤 모델을 써도 저품질 리서치가 된다.