• 22~89세의 재무 결정을 시뮬레이션한 결과, LLM 조언은 30세 이상 거의 모든 사람에게 저축 완충 자금을 마련하고 저축·주식시장 참여·분산투자를 늘리는 데 도움을 줌
  • 근로 기간에는 저축하고 은퇴 후에는 자산을 인출하며 45세 이후 주식 비중을 낮추도록 권했지만, 실직 같은 충격과 적극적인 포트폴리오 재조정에는 충분히 대응하지 못함
  • 1,000명이 GPT-5.2·GPT-5.6·Gemini 3 Flash에 직접 작성한 질문보다 생애주기 계획, 재무 상태, 경제 환경을 명시한 구조화된 프롬프트에서 조언 품질이 높아짐
  • 여성·금융 이해도가 낮은 사용자는 60세 자산이 약 5만 달러(4%), AI 금융 조언 경험이 없는 사용자는 약 10만 달러(6%) 적었으며, 질문 방식과 모델 반응이 모두 격차에 영향을 줌
  • 소비자는 AI를 금융 지식을 쌓고 전문가 조언을 실시간으로 실행하는 보완 도구로 활용할 수 있으며, 금융사는 자사 상품이 LLM 답변에 어떻게 나타나는지도 살펴야 함

재무 조언의 품질을 측정한 실험

  • 미국인의 절반이 금융 조언을 얻는 데 AI를 사용한다고 답했지만, 어떤 조언을 받고 실제로 따르는지는 거의 알려지지 않았음
  • 연구진은 소득·고용·투자·세금이 생애에 걸쳐 변하는 방식을 반영한 모델을 만들어 좋은 재무 결정의 기준으로 삼음
  • 성인 1,000명에게 GPT-5.2, GPT-5.6 또는 Gemini 3 Flash에서 지출·투자 조언을 구할 프롬프트를 직접 작성하게 함
  • 22~89세 사람들이 같은 유형의 질문을 반복하고 AI가 제안한 지출·저축·투자 결정을 계속 따랐을 때의 결과를 시뮬레이션함
  • 일반 사용자 프롬프트의 결과를 AI 없이 이어 온 기존 재무 행동, 구조화된 학술형 프롬프트의 결과와 비교함

구조화된 학술형 프롬프트

  • 학술형 프롬프트는 LLM에 규제된 전문 금융 조언을 요청하고, 생애주기 계획과 사용자의 최선의 이익을 기준으로 삼도록 요구함
  • 시뮬레이션 대상자의 나이·고용 상태·소득·저축 잔액 등 관련 재무 상태를 모두 제공함
  • 정상 기대수명, 생활비, 은퇴 연령, 고용·소득 위험과 함께 현행 미국 세법과 Social Security 규정이 바뀌지 않는다는 경제 환경 가정도 명시함
  • 이처럼 상세하고 구조화된 질문은 일반 사용자 질문보다 지출·저축 조언을 개선하고 단순 경험칙에 의존하는 답변을 줄였지만, 적극적인 포트폴리오 재조정은 여전히 부족했음

LLM 조언이 잘한 부분

  • 일반 사용자 프롬프트와 학술형 프롬프트 모두 예상보다 좋은 조언을 내놓았고, 다음과 같은 건전한 재무 행동을 일관되게 권장함
  • 근로 기간에 더 많이 저축하고 은퇴 후 저축을 인출함
  • 분산된 주식형 펀드에 높은 비중으로 투자함
  • 주식시장 참여와 포트폴리오 분산을 확대함
  • 연령에 맞는 위험을 감수하되 45세 이후에는 주식 비중을 낮춤
  • AI 조언을 따르면 30세 이상 거의 모든 개인에게 상당한 저축 완충 자금이 형성됨
  • 비용·편향·이해충돌이 따를 수 있는 전통적인 인간 재무 자문을 보완하는 저렴하고 접근성 높은 수단으로 활용할 수 있음

상황 변화와 포트폴리오 관리의 한계

  • LLM은 저축과 지출에 단순한 경험칙을 적용하는 경향이 있어 개인 상황이 달라져도 충분히 조정하지 못함
  • 실직한 사람에게 사용 가능한 저축이 있는데도 지출을 지나치게 급격히 줄이라고 권한 사례가 있었음
  • 포트폴리오 구성이 시간에 따라 변하도록 방치하고, 목표 비중으로 되돌리는 적극적 재조정을 충분히 권하지 않음
  • “50달러로 시작해 매달 25달러를 추가한다면 어디에 투자해야 하는가” 같은 일반적인 질문은 개인 조건과 경제 환경이 빠져 있어 미묘한 재무 판단을 끌어내기 어려움

사용자 특성이 만든 자산 격차

  • 프롬프트 작성자의 성별·금융 이해도·AI 사용 경험에 따라 조언이 달라졌고, 그 차이가 생애 전체에 누적돼 은퇴 자산 격차로 이어짐
  • 남성, 금융 이해도가 높은 사용자, 이전에 AI 금융 조언을 사용해 본 사람의 프롬프트를 따랐을 때 은퇴가 가까워질 무렵 더 많은 자산이 형성됨
  • 성별과 금융 이해도에 따른 차이는 투자 비중에서 나타남
  • 남성과 금융 이해도가 높은 사용자의 프롬프트에는 더 높은 주식 비중을 권함
  • 여성과 금융 이해도가 낮은 사용자는 60세 자산이 약 5만 달러(4%) 적었음
  • AI 금융 조언 경험이 없는 사람의 프롬프트에는 더 낮은 저축률을 권했고, 그 결과 경험자보다 60세 자산이 거의 10만 달러(6%) 적었음

질문 방식과 모델 반응이 만든 차이

  • 자산 격차에는 사용자가 질문을 작성하는 방식과 같은 질문에도 모델이 다르게 답하는 현상이 함께 작용함
  • 여성은 프롬프트에서 “family”, “grocery”, “pay”를 더 자주 사용했고, 남성은 “strategy”, “crypto”, “growth”를 더 많이 사용함
  • 성별에 따른 자산 격차의 약 3분의 2는 남성과 여성이 서로 다른 방식으로 프롬프트를 작성한 데서 발생함
  • 나머지 약 3분의 1은 같은 프롬프트라도 여성의 질문으로 표시했을 때 모델이 조언을 바꾼 데서 비롯됨
  • 성별에 따라 기대수명·소득 위험·선호·상황이 다르다고 합리적으로 추론한 결과일 수 있으며, 이 경우 모델이 해당 가정을 사용자에게 명시하는 편이 바람직함
  • 학습 데이터에서 습득한 편향일 가능성도 남아 있음
  • 성별에 따른 모든 조언 차이가 문제인 것은 아니며, 기대수명과 소득 위험처럼 실제 차이를 반영한 조정은 필요함
  • 인구통계에 따라 조언이 어떻게 달라져야 하는지 합의된 평가 기준이 없어 LLM의 올바른 개선 방향을 판단하기 어려움

소비자가 더 나은 조언을 얻는 방법

  • 생애주기 계획, 포트폴리오 이론, 실제 재무 상태와 경제 가정을 질문에 포함하면 지출·저축 조언이 개선됨
  • 현재로서는 프롬프트에서 모델에 편향을 경계하도록 직접 요구하는 방법도 활용할 수 있음
  • 금융 이해도가 낮거나 완벽한 프롬프트를 작성하지 못하는 사람도 혜택을 받을 수 있게 만드는 과제가 남아 있음
  • 조언을 그대로 따르기보다 먼저 재무 지식을 쌓는 도구로 AI를 활용할 수 있음
  • 1년에 두 번 정도 만나는 재무 자문가의 조언을 일상에서 실시간으로 실행하도록 돕는 보완 도구가 될 수 있음
  • 인간 재무 자문가를 고용할 여력이 없는 사람도 저렴하게 조언을 얻을 수 있으며, 재무 조언의 혜택이 큰 사람일수록 자원이 부족할 수 있음

금융 상품 탐색 경로의 변화

  • LLM은 사용자가 직접 거론하지 않은 계좌 유형·금융 상품·사업자를 답변에서 추천하는 경우가 많았음
  • Vanguard 투자 상품은 LLM 답변의 6%, iShares 상품은 3.4%에 등장했지만, 두 회사를 언급한 사용자 프롬프트는 각각 0.4% 미만이었음
  • 소비자가 금융 상품을 발견하고 비교하는 경로가 AI 조언으로 달라질 수 있음
  • 금융사의 고객 주목도는 전통적인 마케팅이나 검색 노출뿐 아니라 소비자가 조언을 구할 때 LLM이 상품을 어떻게 기술하는지에도 좌우될 수 있음
  • 관련 논문 AI Financial Advice: Supply, Demand, and Life Cycle Implications은 Swiss Finance Institute Outstanding Paper Award 2026을 수상함