AI VIDEO BRIEFING
브리지워터 AI 애널리스트 PAT 사례: 에이전트 리서치 설계를 컴파일러 문제로 푸는 법
시스테매틱 매크로 헤지펀드 브리지워터가 사내에 배포한 AI 리서치 에이전트 팟의 설계를 공개했다. 계획을 곧 분석으로 보는 접근과, 코드 생성과 검증을 컴파일러 문제처럼 다룬 아키텍처가 이 사례의 핵심이다.
핵심 메시지
- 브리지워터는 50년간 축적한 투자 규칙을 사람과 기계가 모두 읽을 수 있는 전문가 시스템으로 기록해 왔고, 그 자산이 에이전트 도입의 출발점이 됐다.
- '팟(PAT)'은 분석가가 며칠에서 몇 주씩 걸리던 탐색적 리서치를 담당하는 전용 에이전트로, 이미 수개월 전 사내 배포돼 수백 명의 투자자가 매일 사용한다.
- 사람마다 열람 권한이 달라, 모두가 같은 시스템 프롬프트를 쓰는 일반 코딩 에이전트와 달리 각 사용자의 팟은 컨텍스트와 도구 구성이 서로 다르다.
- '계획이 곧 분석'이라는 원칙 아래 데이터프레임 목록과 스키마, 의존 관계를 먼저 확정하기 때문에 하위 에이전트들이 코드를 병렬로 생성할 수 있다.
- 검증을 에이전트의 판단이 아니라 아키텍처에 강제해, 같은 계획을 주면 서로 다른 에이전트가 95% 확률로 동일한 코드를 만들어 낸다.
쉽게 이해하기
브리지워터는 시스테매틱 매크로 헤지펀드다. 투자자가 어떤 판단을 왜 내렸는지 인과 논리를 글로 적어 두면 다른 투자자가 검토하고 개선하는 문화를 50년간 이어 왔고, 그 규칙과 방법론을 사람과 기계가 모두 읽을 수 있는 전문가 시스템으로 코드화해 왔다. 발표자들은 이 축적이 결정적이었다고 말한다. 에이전트를 위해 뒤늦게 무언가를 적어 내려갈 필요가 없었고, 이미 적혀 있는 것을 쓰기만 하면 됐기 때문이다.
회사는 인간 투자자의 업무를 인식·질문 형성·분석·종합·축적으로 이어지는 리서치 순환으로 보고, 각 단계마다 별도의 하위 에이전트를 만드는 방식을 택했다. 이번에 공개된 팟(Pocket Analyst Tool)은 그중 분석 조사 단계를 맡는다. 거래 방식을 다루는 도구가 아니라, 예전에는 시간이 없어 아예 손대지 못했던 질문을 파고들게 해 주는 심층 탐색 도구라는 점이 강조됐다.
설계에서 가장 눈길을 끄는 부분은 보안이다. 브리지워터 안에서도 사람마다 볼 수 있는 정보가 다르다. 전체 포지션을 아는 투자자가 있고 그렇지 않은 분석가도 있다. 그래서 모두가 동일한 시스템 프롬프트와 도구를 쓰는 일반적인 코딩 에이전트와 달리, 각 직원의 팟은 그 사람이 볼 수 있는 것에 맞춰 컨텍스트와 도구가 개별 구성된다.
데이터 검색에서도 실무적인 교훈이 나왔다. 수천만 개 시계열이 담긴 사내 데이터베이스에서 원하는 지표를 찾을 때, 검색·재순위 같은 표준 기법만으로는 정확도가 절반 수준에 그쳤다. 여기에 사람이 데이터를 고를 때 하는 행동, 즉 이름만 보지 않고 주기와 통화 단위를 확인하고 값이 자신의 사전 기대와 맞는지 따지는 절차를 에이전트에 심자 정확도가 90% 수준까지 올라갔다.
실행 구조는 컴파일러에 가깝다. 상세한 계획이 있으니 데이터프레임별 코드를 하위 에이전트가 병렬로 생성할 수 있고, 그 결과 세 개짜리 분석이든 서른 개짜리 분석이든 코드 생성 시간이 비슷해진다. 생성된 코드는 정적 분석으로 의존 그래프를 만들어 검증 에이전트를 병렬로 붙이고, 실행 자체는 에이전트가 아니라 시스템이 맡아 캐싱 주석을 주입해 중복 계산을 없앤다. 차트 이름만 바꾸는 정도의 수정은 사실상 즉시 반영된다.
주요 인사이트
- 계획 단계에 시간을 더 쓰는 것이 오히려 전체를 빠르게 만든다. 데이터프레임 스키마와 연결 관계까지 계획에 담아 두면 각 하위 에이전트가 서로를 기다릴 필요 없이 병렬로 코드를 만들 수 있다.
- 분석 결과가 입력 데이터와 같은 데이터베이스에 저장된다는 점이 중요하다. 에이전트의 산출물이 사람이 만든 시계열과 구분되지 않고, 다음 분석의 입력으로 곧바로 재사용되며 사람과 에이전트의 작업이 복리로 쌓인다.
- 학습 루프가 제품에 내장돼 있다. 사용자가 '가르치기'를 누르면 실패하는 벤치마크를 먼저 만들어 문제를 재현하고, 컨텍스트나 하니스를 고쳐 그 벤치마크를 통과시킨 뒤, 나머지 테스트가 깨지지 않았는지 확인해 풀 리퀘스트로 올린다.
- 채팅 에이전트와 코딩 에이전트를 분리한 이유는 사용자 경험이었다. 투자자는 프로그래머가 아니므로 코드는 구현 세부로 감추고, 대화는 투자 이야기만 하게 하니 컨텍스트 오염도 줄고 각 에이전트가 자기 일에 특화됐다.
- 팀 구성도 설계의 일부였다. 맥락을 아는 투자자, 구조를 만드는 기술자, 엄밀함을 담당하는 과학자가 나란히 앉는 다중 아키타입 팀이 전문가용 AI를 만들 때 필수라는 것이 이들의 결론이다.
자주 묻는 질문
팟(PAT)은 어떤 일을 하는 도구인가요?
투자자가 며칠에서 몇 주씩 걸려 수행하던 심층 분석 조사를 대신하는 리서치 에이전트입니다. 사내 정형 시계열과 비정형 문서를 함께 검색하고, 사내 전용 시각화·진단 도구를 사용해 분석을 수행한 뒤 대화형 리포트를 만들어 냅니다. 거래 방식을 다루는 도구는 아니라고 선을 그었습니다.
사용자마다 에이전트가 다르게 구성된 이유는 무엇인가요?
회사 안에서도 직원마다 접근 권한이 다르기 때문입니다. 전체 포지션을 볼 수 있는 투자자와 그렇지 않은 분석가에게 같은 도구를 주면 기밀이 새어 나갈 수 있어, 각 사용자의 팟에 주어지는 컨텍스트와 도구 목록을 개별적으로 다르게 구성했습니다.
데이터 검색 정확도는 어떻게 끌어올렸나요?
검색과 재순위 같은 일반적인 기법에 더해, 사람이 데이터를 고를 때 하는 검사를 에이전트에 넣었습니다. 시리즈 이름만 보지 않고 데이터 주기와 통화 단위를 확인하고 값이 사전 기대와 맞는지 따지게 하자 정확도가 약 50%에서 90% 수준으로 올라갔다고 밝혔습니다.
발표자들이 정리한 핵심 교훈은 무엇인가요?
범용의 강력한 에이전트보다 좁은 업무에 특화한 에이전트를 만들어 벤치마크로 반복 개선하라는 것, 그리고 에이전트 코딩을 에이전트 문제가 아니라 컴파일러 문제로 보라는 것입니다. 컴파일러 분야에는 코드를 신뢰성 있고 결정론적으로 생성해 온 기법이 이미 쌓여 있다는 이유에서입니다.
원문과 출처
이 글은 원본 영상의 자막을 바탕으로 한국어 독자를 위해 요약했습니다. 전체 맥락과 최신 정보는 원문에서 확인하세요.
YouTube 원본 영상 보기 ↗