저자: Jason, NDV 설립자
이 글은 거시경제 메커니즘과 공개 자료를 다루며, 특정 펀드 상품과는 무관하고, 투자 조언이나 수익 약속이 아닙니다.
이전에 『비합의 20분』을 만들 때는 대부분 저 혼자서 20분 동안 하나의 판단을 설명했습니다.
이번에는 방식을 바꿔보고 싶었습니다.
새 프로그램을 따로 시작하려는 것도 아니고, 인터뷰를 이력 질문처럼 만들려는 것도 아닙니다. 여전히 『비합의 20분』이지만, 지금 제가 실제로 고민하고 있지만 아직 완전히 정리되지 않은 주제를 두고 친구들을 비정기적으로 초대해 함께 이야기해보려는 것입니다.
혼자서 오랫동안 결과물을 내다 보면 답은 점점 능숙해지지만 질문은 오히려 점점 고정될 수 있다는 생각이 듭니다. 두 사람이 실제로 주고받으며 대화할 때 좋은 점은 정보가 두 배가 되는 것이 아니라, 상대가 나를 익숙한 경로에서 끄집어내준다는 데 있습니다.
이번 회차에 함께한 분은 Jason Kam입니다. 우리는 거의 두 시간 동안 녹음했고, 원래 프로그래머가 아니었던 두 명의 펀드매니저가 어떻게 AI를 쓰기 시작했는지, AI가 사람을 대신해 무엇을 할 수 있고 무엇을 할 수 없는지, 그리고 정보가 점점 저렴해진 뒤 투자에서 진짜 희소한 것이 무엇인지 이야기했습니다.
- 왜 Jason Kam인가
Kam은 Folius Ventures의 설립자입니다.
그는 일찍 미국에서 공부했고, 이후 월스트리트와 헤지펀드에서 여러 해 리서치를 했으며, 전통 금융에서 디지털 자산으로 넘어왔습니다. 우리가 걸어온 길은 다소 비슷합니다. 둘 다 전통 금융을 거쳤고, 이후 새로운 자산군으로 들어왔으며, 오랫동안 동일하게 단순한 성적표를 마주해 왔다는 점에서 그렇습니다. 판단은 결국 결과로 검증된다는 것입니다.
하지만 일하는 방식은 꽤 다릅니다.
Kam은 시스템 만드는 것을 좋아합니다. 그는 하나의 문제를 여러 역할로 나누고, 서로 다른 AI가 각자 리서치하고 서로 반박하게 한 뒤, 또 다른 역할이 이를 종합하게 합니다. 그가 공개한 프로세스 중 하나에는 6명의 AI 애널리스트가 5차례 논쟁을 거친 뒤, 한 명의 '리서치 총괄'이 정리하도록 되어 있습니다.
저는 그동안 AI를 매우 유능한 어시스턴트처럼 쓰는 데 더 익숙했습니다. 업무를 잘게 나누고, 경계를 명확히 한 뒤, 하나씩 맡기는 방식입니다. 어떤 데이터를 찾고, 어떤 공개 자료를 정리하고, 어떤 반복 업무를 자동화할지 정하는 것은 비교적 자연스럽게 받아들이지만, 리서치 체인 전체를 블랙박스에 넣는 것은 여전히 본능적으로 불안합니다.
프로그래머가 아닌 두 사람이 결국 서로 아주 다른 사용법을 만들어냈습니다. 이것이 제가 그와 이야기하고 싶었던 이유이기도 합니다.
사실 녹음 전에 우리는 함께 식사를 한 적이 있습니다. 원래는 그냥 평범한 모임이었는데, 결국 서너 시간을 이야기했습니다. 나중에 알게 된 것은 우리 사이에 꽤 흥미로운 케미스트리가 있다는 점입니다. Kam은 어떤 문제를 시스템과 메커니즘 쪽으로 계속 밀어붙이는 성향이 있고, 저는 그가 이야기하는 도중에 자주 끊어 묻곤 했습니다. "잠깐, 이게 보통 사람에게 대체 무슨 쓸모가 있지?"
이번 프로그램에서도 실제로 그렇게 그의 말을 끊었습니다.
- 우리는 AI로 대체 무엇을 했나
Kam이 처음 꺼낸 것은 큰 변화였습니다. 에너지, 칩, 모델의 발전이 '지능'의 비용을 빠르게 낮추고 있다는 것입니다.
저는 말했습니다. 청취자들을 대신해서 잠깐 끊어야겠다고요. 이 이야기는 다들 어느 정도 들어봤으니, 좀 더 구체적인 이야기를 해보자고요.
당신은 십수 년간 제대로 코드를 써본 적 없고, 저는 애초에 코드를 쓸 줄 모릅니다. 그런데 지금 우리가 AI로 대체 무엇을 하고 있는 걸까요?
Kam은 아주 구체적인 세 가지 답을 줬습니다.
첫째, 정보를 훑습니다. 그는 시스템이 공개 소셜미디어, 포럼, 리서치 자료, 일부 선별된 팟캐스트를 지속적으로 보게 합니다. 매일 요약본을 잔뜩 만들기 위해서가 아니라, 최근에 계속 파고들 만한 질문이 나타났는지를 찾기 위해서입니다.
둘째, 리서치 지도를 만듭니다. 예전에는 어떤 회사를 리서치할 때 먼저 구글에서 찾고, 재무제표와 컨퍼런스콜, 인터뷰, 업계 자료를 뒤졌습니다. 이제는 AI가 먼저 자료를 펼쳐서 어디에 근거가 있고, 어디는 단순한 2차 인용이며, 어디가 비어 있는지 알려줄 수 있습니다.
셋째, 반복적인 추적을 대신합니다. 기업 업데이트, 실적 발표 이후 변화, 같은 문제에 대한 찬반 근거 등을 먼저 기계가 한 차례 훑게 할 수 있습니다. 사람이 처음부터 시작할 필요는 없지만, 여전히 원문으로 돌아가야 합니다.
그는 BidClub도 만들었습니다. 여러 중국·미국 투자 팟캐스트를 검색 가능한 구어체 음성 자료 아카이브로 바꾼 것입니다. 2026년 8월 16일 공식 사이트에 접속했을 때 페이지에는 29개 프로그램, 2,251개 에피소드가 올라와 있었습니다. 예전에는 한 편씩 들어야 했다면, 이제는 어느 구간을 들을 만한지 먼저 찾은 뒤 원래 음성으로 돌아가 들을 수 있습니다.
이 이야기를 듣고 처음 든 생각은, AI가 가장 먼저 복제하는 것은 펀드매니저가 아니라 펀드매니저의 업무량이라는 점이었습니다.
예전에는 코드를 쓸 줄 모르는 사람은 자신이 무엇을 보고 싶은지 알더라도 실행에서 자주 막혔습니다. 매일 수십 개의 출처를 다시 훑을 수도 없고, 떠오르는 생각마다 도구를 새로 만들 수도 없었습니다. 이제 그 문턱이 갑자기 낮아졌습니다. 원래 머릿속에만 있던 많은 업무 습관을 나누고, 테스트하고, 심지어 반복해서 실행할 수 있게 됐습니다.
물론 이것은 매우 유용합니다. 하지만 다음 질문이 더 중요합니다. 모두가 더 많은 자료를 읽을 수 있게 되었는데, 왜 판단은 함께 쉬워지지 않았을까?
- 정보가 많을수록 주요 모순은 오히려 찾기 어렵다
Kam은 자신이 만든 시스템에 대해 맹목적으로 낙관하지 않습니다.
그가 한 말 중 인상 깊었던 말이 있습니다. "사람이 AI에게 원을 그려주면, AI는 스스로 그 밖으로 뛰어나오기 어렵다."
AI는 하나의 문제를 아주 깊이 팔 수 있습니다. 문제는 애초에 그 질문이 틀렸을 수 있다는 점입니다. 대화가 길어질수록 AI는 덜 중요한 방향에서 매우 열심히 일한 끝에, 아주 완성도 높고 매끄럽지만 쓸모없는 답을 내놓을 가능성이 커집니다.
투자에서 가장 어려운 지점은 결코 모든 변수를 나열하는 것이 아닙니다.
금리, 경쟁, 제품, 경영진, 밸류에이션, 정책, 수급 여건 모두 중요하고, 각각 수십 페이지로 쓸 수 있습니다. 진짜 어려운 것은 정보의 바다에서 결론을 바꿀 만한 서너 개의 주요 모순을 찾아내고, 지금 시장이 그중 무엇을 거래하고 있는지를 판단하는 일입니다.
AI는 지금 질문에 답하는 데는 매우 능숙하지만, 무엇이 질문이 되어야 하는지를 결정하는 데는 아직 서툽니다.
이는 정보가 많다고 해서 이해가 깊은 것은 아닌 이유를 설명해줍니다. 머릿속에 프레임이 없는 사람에게 AI는 더 많은 자료를 더 빨리 스쳐 지나가게 할 뿐입니다. Kam의 원래 표현은 직설적입니다. "프레임이 없으면 모든 정보는 노이즈다."
저도 비슷하게 느낍니다.
AI는 어떤 관계가 역사적으로 매우 드문 위치에 도달했다고 알려줄 수 있고, 과거의 유사한 상황을 모두 찾아줄 수도 있습니다. 하지만 이번에도 과거 경로로 되돌아갈지, 아니면 환경이 이미 변해서 과거의 비유가 더 이상 적용되지 않을지는 나 대신 결정해주지 못합니다.
AI는 검색 반경을 넓힐 수 있고, 꽤 그럴듯한 반대 주장도 만들어낼 수 있습니다. 결국 어떤 증거가 정말 중요하고, 어떤 것은 그저 새로워 보일 뿐인지를 판단하는 것은 여전히 사람의 일입니다.
그래서 이 지점에서 우리는 아주 소박한 공감대를 형성했습니다. AI는 자료 찾는 것을 대신해줄 수 있지만 무엇을 믿을지는 대신 결정해주지 못하고, 프로세스를 복제해줄 수 있지만 결과를 대신 책임져주지는 못한다는 것입니다.
- 이번 대화에서 제가 가져간 것
제가 가져간 첫 번째는, 판단부터 외주화하지 말고 업무부터 복제하라는 것입니다.
어떤 일이 반복적이고, 시간이 오래 걸리고, 출처가 명확하며, 옳고 그름을 빠르게 확인할 수 있다면 AI에게 먼저 맡기기에 적합합니다. 자료 찾기, 차이점 나열하기, 원문 정리하기, 타임라인 만들기가 여기에 속합니다. 반대로 '어떤 변수가 가장 중요한가', '이번이 과거와 정말 비슷한가'와 관련된 일은 우선 사람 손에 남겨두는 편이 좋습니다.
두 번째는, 일반인의 첫걸음은 더 많은 정보를 쫓는 것이 아니라 가장 거친 프레임을 직접 짜는 것이라는 점입니다.
저는 프로그램에서 Kam에게 물었습니다. 일반인이 AI를 활용해 리서치를 하려면 가장 먼저 무엇을 해야 하냐고요.
그의 답은 프롬프트를 배우는 것도, 더 많은 도구를 구독하는 것도 아니라, 가장 간단한 단위 경제 모델을 직접 만들어보는 것이었습니다.
쉽게 풀면, 한 비즈니스가 돌아가는 최소한의 공식을 먼저 써보라는 뜻입니다. 누가 돈을 내는지, 왜 내는지, 얼마나 자주 내는지, 수익은 어디에서 나오고 가장 큰 비용은 무엇이며, 성장을 실제로 막는 지점이 어디인지를 쓰는 것입니다.
이 모델은 처음에는 매우 서투르고 빈칸도 많을 수 있습니다. 하지만 직접 써본 뒤에야 새로운 정보 하나하나가 놓일 자리가 생깁니다. 그렇지 않으면 보고서 10개를 읽는 것과 100개를 읽는 것의 차이는, 중요도를 판별할 수 없는 문장을 더 많이 모았을 뿐일 수 있습니다.
세 번째는, 결과와 과정을 두 장의 성적표로 봐야 한다는 것입니다.
우리는 공개적으로 말하기 쉽지 않은 이야기를 나눴습니다. 단기 결과는 오히려 사람의 행동을 훈련시킵니다. 성과가 좋을 때는 운을 실력으로 착각하기 쉽고, 성과가 나쁠 때는 모든 변동을 자신이 틀렸기 때문이라고 해석하게 됩니다.
Kam의 방법은 빼기입니다. 성적표를 길게 늘려서 지나치게 잦은 채점에 자신을 붙잡아두지 않는 것입니다. 저의 방법은 더하기에 가깝습니다. 기존 성적표와 직접적 관련은 없지만 진짜 피드백을 주는 새로운 프로젝트를 하는 것입니다. 하나는 마이너스 기호를 없애는 것이고, 다른 하나는 플러스 기호를 몇 개 더하는 셈입니다.
방향은 다르지만 해결하려는 문제는 같습니다. 하나의 단기 결과가 자신에 대한 모든 해석을 독점하지 않도록 하라는 것입니다.
- 당장 시도해보고 싶다면
복잡한 시스템을 먼저 만들 필요는 없습니다. 원래 관심 있던 회사, 산업, 심지어 주변의 작은 비즈니스를 하나 골라 한 시간짜리 리서치 1차 스크리닝을 해보세요.
1. 한 문장으로 그 비즈니스가 어떻게 돈을 버는지 쓰세요. 누가 돈을 내는지, 얼마를 내는지, 얼마나 자주 내는지, 가장 큰 비용은 무엇인지.
2. 모르는 부분은 빈칸으로 남겨두고, AI에게는 원본 출처만 찾게 하세요. 출처 이름, 게시 날짜, 링크를 함께 붙이게 하고, 내용을 '알려진 사실, 추정, 아직 모름'으로 나누게 하세요. 결론부터 내리게 하지는 마세요.
3. 판단을 실제로 바꿀 수 있는 변수를 최대 세 개로 압축하고, AI에게 각 변수에 대한 가장 강한 근거와 가장 강한 반대 근거를 찾게 하세요.
4. 마지막으로 스스로 한 문장을 쓰세요. 어떤 사실이 사실이 아닌 것으로 밝혀지면 지금의 내 견해를 바꿀 것인가?
이 네 단계가 곧바로 투자 답을 주지는 않으며, 어떤 매매 결정에도 곧장 사용해서는 안 됩니다. 이것이 실제로 훈련하는 것은 다른 것입니다. '나는 많이 봤다'를 '나는 내가 왜 이렇게 생각하는지 알고, 무엇이 내 생각이 틀렸음을 입증할지 안다'로 서서히 바꾸는 일입니다.
녹음 막바지에 Kam은 아주 솔직한 우려를 말했습니다. AI는 사람을 새로운 방향으로 매우 빠르고 멀리 가게 해서, 한참을 간 뒤에야 그곳이 자신이 원하던 곳이 아니라는 사실을 깨닫게 할 수 있다는 것입니다.
제 반응은 조금 다릅니다. 많은 방향은 원래 부딪히면서 생겨난다고 생각합니다. 잘못될까 봐 제자리에서 경로만 계속 최적화한다면, 정말 흥미로운 것을 영영 만나지 못할 수도 있습니다.
이것이 아마 친구와의 대화가 가장 가치 있는 지점일 것이다. 우리가 반드시 마지막에 같은 답을 얻는 것은 아니지만, 상대방은 내가 보게 해준다. 내 답이 어떤 성격에 의존했고, 어떤 대가를 놓쳤는지를.
AI는 시작을 쉽게 만들고, 잘못된 길로 가는 것도 더 빠르게 만든다.
그래서 이번 회차에서 내게 남은 질문은 “AI가 펀드매니저를 대체할까”가 아니라 더 구체적인 질문이다. 정보와 실행이 점점 더 저렴해질 때, 우리는 자신이 잘못된 질문에 답하고 있다는 것을 더 일찍 알아차릴 능력이 있을까?
이것이 내가 계속 친구들을 초대해 이야기하고 싶은 이유이기도 하다.
