MIT 연구진, AI 재무조언 모의실험…질문 방식 따라 은퇴자산 격차

MIT Sloan을 포함한 연구팀이 대규모언어모델(LLM)의 재무 조언을 장기 생애주기 모형으로 평가한 연구 결과를 공개했다. 일반 이용자가 작성한 질문에도 LLM은 저축과 분산투자를 늘리는 방향의 조언을 주는 경향을 보였지만, 질문 방식과 이용자 특성에 따라 은퇴 시점 자산 격차도 나타났다.

연구진은 먼저 소득과 고용, 투자, 세금이 생애에 걸쳐 변하는 경제모형을 구축했다. 이어 성인 1,000명에게 GPT-5.2와 GPT-5.6, Gemini 3 Flash를 대상으로 소비와 투자 조언을 구하는 질문을 직접 작성하게 했다. 22세부터 89세까지 같은 유형의 질문을 반복해 모델의 조언을 따랐을 때 지출과 저축, 투자 경로가 어떻게 달라지는지 모의실험했다.

분석 결과 LLM은 근로 기간의 저축을 늘리고, 은퇴 후 저축을 인출하며, 분산된 주식형 펀드에 투자한 뒤 45세 이후 주식 비중을 낮추는 방향을 일관되게 제시했다. 연구팀은 이런 조언을 따를 경우 30세를 넘긴 거의 모든 모의 개인에게 의미 있는 저축 완충자금이 형성됐다고 설명했다.

다만 세부 대응에는 한계가 있었다. 모델은 실직 같은 소득 충격을 맞은 이용자에게 저축이 있어도 지출을 지나치게 크게 줄이도록 권하는 경향을 보였다. 시간이 지나 포트폴리오 비중이 달라졌을 때 이를 적극적으로 되돌리는 리밸런싱도 충분하지 않았다. 나이와 고용 상태, 소득, 저축 잔액, 경제 환경의 가정을 구조화해 제공한 질문에서는 조언의 질이 개선됐지만 리밸런싱 부족은 남았다.

질문자의 배경도 장기 결과에 영향을 줬다. 남성이나 금융지식이 높은 이용자가 작성한 질문에 대한 조언을 따랐을 때 은퇴 직전 자산이 약 5% 더 많았다. 여성 또는 금융지식이 낮은 이용자의 질문에서는 60세 자산이 약 5만달러, 4% 적었고, AI 재무 조언을 사용해 본 적이 없는 사람의 질문에서는 기존 이용자보다 약 10만달러, 6% 적었다.

연구진은 성별 격차의 약 3분의 2가 이용자가 실제로 작성한 질문의 차이에서, 나머지 3분의 1은 같은 질문에 성별 표시만 바꿨을 때 모델이 조언을 달리한 데서 나왔다고 분석했다. 다만 이런 차이가 부당한 편향인지, 기대수명이나 소득 위험 같은 현실적 차이를 반영한 것인지를 판단할 합의된 기준은 아직 부족하다고 덧붙였다.

이번 연구는 AI가 저비용 재무교육과 조언의 접근성을 넓힐 가능성을 보여준다. 동시에 질문을 구체적으로 작성할 능력이 부족한 이용자에게 오히려 불리한 결과가 누적될 수 있다는 점도 드러냈다. 연구진은 AI의 답을 그대로 따르기보다 재무 이해를 높이는 보조 수단으로 사용하고, 필요하면 사람 전문가의 조언과 결합하는 방안을 제안했다.

연구 결과는 실제 투자자의 계좌를 장기간 추적한 성과가 아니라 경제모형에 따른 시뮬레이션이다. 사용한 모델과 질문 표본, 세금·사회보장제도 가정이 달라지면 결과도 달라질 수 있어 개인별 투자 판단의 근거로 그대로 적용해서는 안 된다.

출처: 연구 논문 원문 ‘AI Financial Advice: Supply, Demand, and Life Cycle Implications’ https://tahachoukhmane.com/wp-content/uploads/2026/03/CdSLA-2026-AI-Financial-Advice.pdf
출처: MIT Sloan 연구 소개 https://mitsloan.mit.edu/ideas-made-to-matter/ai-financial-advice-surprisingly-good-especially-if-you-ask-right-questions