🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

블룸버그는 금융 데이터의 통합력, 엄격한 평가 체계, 멀티모델 비용 통제를 바탕으로 터미널을 자연어 기반 AI 에이전트 AskB로 재구성하며 금융 AI 경쟁에 대응하고 있다.

📌 핵심 요약

• OpenAI, Anthropic, Samaya AI 등 여러 기업이 금융 서비스를 겨냥한 AI 에이전트와 분석 도구를 준비하거나 출시하면서, 전통적인 금융 데이터 강자인 블룸버그에도 경쟁 압력이 커지고 있다.
• 블룸버그 터미널은 오랫동안 트레이더, 투자은행가, 헤지펀드 퀀트에게 필수 도구였지만, 복잡한 명령어와 단축키를 익혀야 하는 진입 장벽이 있었고 AI는 이 사용 방식을 바꾸고 있다.
• 새 기능 AskB는 자연어로 터미널 기능을 찾는 수준을 넘어 투자 스크린을 만들고, 특정 주식에 대한 리서치 보고서와 재무 모델링, 강세·약세 시나리오를 즉석에서 생성하는 에이전트로 소개된다.
• 블룸버그 CTO 숀 에드워즈는 AskB의 핵심 차별점이 블룸버그 뉴스, 800개 이상 제공자의 리서치, 시장 데이터, 대체 데이터셋을 한곳에서 정렬·검증·활용하는 데이터 역량이라고 설명한다.
• 에드워즈는 유용하고 신뢰할 수 있는 AI 에이전트를 만들기 위해서는 내부 평가가 결정적이며, 비용 관리를 위해 상용 프런티어 모델, 오픈웨이트 모델, 자체 모델을 작업별로 라우팅하는 멀티모델 구조가 필요하다고 강조한다.

🧩 주요 포인트

1. OpenAI, Anthropic, Samaya AI 등 여러 기업이 금융 서비스를 겨냥한 AI 에이전트와 분석 도구를 준비하거나 출시하면서, 전통적인 금융 데이터 강자인 블룸버그에도 경쟁 압력이 커지고 있다.
2. 블룸버그 터미널은 오랫동안 트레이더, 투자은행가, 헤지펀드 퀀트에게 필수 도구였지만, 복잡한 명령어와 단축키를 익혀야 하는 진입 장벽이 있었고 AI는 이 사용 방식을 바꾸고 있다.
3. 새 기능 AskB는 자연어로 터미널 기능을 찾는 수준을 넘어 투자 스크린을 만들고, 특정 주식에 대한 리서치 보고서와 재무 모델링, 강세·약세 시나리오를 즉석에서 생성하는 에이전트로 소개된다.
4. 블룸버그 CTO 숀 에드워즈는 AskB의 핵심 차별점이 블룸버그 뉴스, 800개 이상 제공자의 리서치, 시장 데이터, 대체 데이터셋을 한곳에서 정렬·검증·활용하는 데이터 역량이라고 설명한다.
5. 에드워즈는 유용하고 신뢰할 수 있는 AI 에이전트를 만들기 위해서는 내부 평가가 결정적이며, 비용 관리를 위해 상용 프런티어 모델, 오픈웨이트 모델, 자체 모델을 작업별로 라우팅하는 멀티모델 구조가 필요하다고 강조한다.

🧠 상세 정리

1. 금융권을 겨냥한 AI 에이전트 경쟁의 확산

기사는 먼저 기업용 AI 시장에서 금융 서비스가 핵심 전장으로 떠오른 배경을 설명한다. OpenAI와 Anthropic은 모두 금융기관을 겨냥하고 있으며, OpenAI는 전직 투자 애널리스트들을 동원해 아직 출시되지 않은 에이전트형 금융 분석 제품을 준비하는 것으로 소개된다. Anthropic도 Claude Code, Cowork, Claude for Finance 제품군에 금융 모델링 기능을 붙이고 있고, Samaya AI 같은 스타트업도 금융 분야 AI 도구를 만들고 있다. 기사 작성자는 금융권이 돈이 모이는 곳이기 때문에 AI 기업들이 이 시장을 노리는 것은 놀라운 일이 아니라고 짚는다.

2. 블룸버그 터미널의 역사적 지위와 새 위협

블룸버그는 전문 금융 데이터와 분석 도구의 원조 격 기업으로 제시된다. 1981년 창립 이후 블룸버그의 핵심 제품인 터미널은 전용 기계를 통해 데이터가 전달되던 시절의 이름을 유지하고 있으며, 지금도 트레이더와 투자은행가, 헤지펀드 퀀트에게 사실상 필수 도구로 간주된다. 그러나 AI는 블룸버그가 오랫동안 지켜온 경쟁 우위를 흔들고 있다. 경쟁사들이 AI 기능을 도입하고, 복잡한 데이터셋을 빠르게 수집·분석할 수 있게 되면서, 과거에는 블룸버그가 한곳에 통합해 제공하던 가치의 일부가 다른 방식으로 구현될 수 있게 됐기 때문이다.

3. 복잡한 명령어 중심 터미널에서 자연어 인터페이스로

기사는 블룸버그 터미널을 제대로 쓰려면 수십 년 동안 난해한 세 글자, 네 글자 명령어와 단축키를 익혀야 했다고 설명한다. 작성자는 블룸버그 뉴스에서 일하던 시절 신입 직원들이 업무에 필요한 데이터와 도구의 일부만 익히기 위해서도 일주일간 교육을 받았다고 회상한다. 이는 터미널이 강력하지만 사용법이 복잡한 제품이었다는 점을 보여준다. 블룸버그는 이미 2019년 이전부터 머신러닝과 대규모 언어 모델을 활용해 기능 접근을 더 직관적으로 만들고 새로운 데이터 분석을 지원하려 했고, 생성형 AI 챗봇 등장 이후 그 흐름이 더욱 빨라졌다.

4. AskB가 보여준 터미널의 재구성

작성자는 런던 블룸버그 사무실에서 열린 ‘AI in Finance Summit’에서 새 기능 AskB를 보고 놀랐다고 말한다. 블룸버그는 AskB를 회사 역사상 터미널에 대한 가장 큰 재고로 설명한다. 이 기능은 사용자가 자연어로 터미널 기능과 함수를 탐색하게 해줄 뿐 아니라, 그 이상의 작업을 수행하는 에이전트로 작동한다. 기사에 따르면 AskB는 투자 스크린을 만들고, 특정 주식에 대한 정교한 재무 모델링과 강세·약세 논리를 포함한 리서치 보고서를 즉석에서 생성할 수 있다. 이는 단순한 검색창이나 챗봇이 아니라 실제 분석 워크플로를 수행하는 시스템으로 제시된다.

5. 데이터 통합이 AskB의 핵심 차별점

블룸버그 CTO 숀 에드워즈가 강조한 첫 번째 교훈은 데이터가 여전히 결정적 차별점이라는 것이다. AskB는 블룸버그 뉴스, 800개 이상 제공자의 매도 측 리서치, 시장 데이터, 그리고 점점 더 많은 대체 데이터셋을 활용한다. 대체 데이터에는 익명화된 신용카드 거래, 휴대전화 신호 기반 매장 방문 데이터, 주차장 위성 이미지, 앱 사용 데이터 등이 포함된다. 이 데이터가 모두 블룸버그만의 독점 자료는 아니지만, 한곳에 모아 검증하고 기업의 보고 부문과 맞춰 분석할 수 있다는 점이 중요하다. 에드워즈는 이를 통해 기업의 분기 핵심지표를 ‘현재 예측’하는 식의 강력한 작업이 가능하다고 설명한다.

6. 고객이 직접 데이터를 모아 분석하기 어려운 이유

기사는 고객들이 AI 모델을 이용해 이런 데이터를 직접 수집하고 분석하면 블룸버그의 고가 구독료를 피할 수 있지 않느냐는 질문도 다룬다. 에드워즈는 일부 고객이 그런 시도를 했지만 보기보다 훨씬 어렵다는 사실을 알게 됐다고 답한다. 여러 데이터 소스를 직접 구매하고, 검증 작업을 수행하고, 벤치마크를 구축해야 하며, 모델 사용 비용도 만만치 않다는 것이다. 그래서 많은 고객은 블룸버그가 그런 기반 작업을 맡아주기를 원하고, 자신들은 각자의 거래 전략에 집중하려 한다고 설명된다. 이 대목은 AI 시대에도 데이터 조달·정제·검증 인프라가 여전히 큰 진입장벽임을 보여준다.

7. AI가 블룸버그 내부의 데이터 구축 방식도 바꿈

AskB는 고객-facing 제품일 뿐 아니라 블룸버그 내부 업무 방식의 변화와도 연결된다. 에드워즈에 따르면 AI 에이전트는 블룸버그가 데이터셋을 구축하는 속도를 극적으로 높였다. 예전에는 데이터 수집과 정리에 넉 달 반이 걸리던 작업이 이제는 이틀 만에 가능해졌다고 그는 말한다. 이 변화로 과거 데이터 입력과 정리에 투입되던 대규모 팀의 업무가 줄었고, 많은 인력이 내부 평가 체계를 만드는 일로 재배치됐다. 즉 AI는 블룸버그의 제품 기능만 강화한 것이 아니라, 데이터 운영과 품질 관리 조직의 역할까지 바꾸고 있다.

8. 신뢰 가능한 에이전트를 위한 내부 평가의 중요성

두 번째 핵심 교훈은 좋은 내부 평가 체계가 AI 에이전트의 투자수익을 좌우한다는 점이다. 에드워즈는 평가가 유용하고 신뢰할 수 있는 시스템을 만드는 데 있어 성패를 가르는 요소라고 강조한다. 이러한 평가는 만들기 쉽지도 싸지도 않으며, 채권 약정 전문가, 주식 애널리스트, 시장 구조 전문가, 블룸버그 기자들과 같은 도메인 전문가가 엔지니어링·제품 팀과 긴밀히 협업해야 한다. 쉬운 사례에서는 AI 모델을 평가자로 활용할 수 있지만, 그 외에는 인간 평가자가 필요하다고 설명된다. 블룸버그는 이 과정을 통해 전문가들의 암묵지를 에이전트 작동 방식 안에 인코딩하고 있다고 본다.

9. 비용 통제와 멀티모델 구조

세 번째 교훈은 비용 규율이며, 이를 위해 AskB는 멀티모델 워크플로를 사용한다. 기사에 따르면 AskB는 상용 프런티어 모델, 오픈웨이트 모델, 블룸버그 자체 내부 모델을 섞어 활용한다. 모든 요청을 가장 강력하고 비싼 모델에 보내는 대신, 각 작업이 요구하는 신뢰성과 성능을 만족할 수 있는 가장 저렴한 모델로 라우팅하는 방식이다. 이는 에이전트형 AI를 실제 비즈니스에 적용할 때 성능만큼이나 운영비가 중요한 문제임을 보여준다. 블룸버그 사례는 기업이 AI를 도입할 때 단일 모델 선택보다 작업별 모델 배치와 비용 구조를 함께 설계해야 한다는 점을 시사한다.

10. 다음 단계: 선제적이고 상시 작동하는 금융 에이전트

에드워즈가 제시한 다음 단계는 에이전트 간 워크플로와 상시 데이터 모니터링이다. 그는 블룸버그가 금융 고객의 ‘눈과 귀’가 되기를 원한다고 말한다. 이는 각 고객의 포지션, 위임 범위, 전략을 기준으로 전 세계 데이터를 감시하고, 명백한 사건뿐 아니라 2차·3차 파급효과까지 포착해 알려주는 시스템을 뜻한다. 예를 들어 홍수가 어떤 공장을 멈추게 하고, 그 공장이 고객이 보유한 주식의 기업에 부품을 공급하는 업체와 연결돼 있다면, AskB가 사용자가 묻기 전에 먼저 문제를 알려주는 식이다. 기사는 이 비전이 어렵지만 많은 기업이 지향하는 선제적 AI 에이전트의 방향이라고 정리한다.

🧾 핵심 주장 / 시사점

• AI 에이전트의 경쟁력은 모델 자체보다 데이터 접근, 검증, 정렬, 벤치마크 구축 같은 보이지 않는 기반 작업에서 크게 갈릴 수 있다.
• 블룸버그 사례는 기업용 AI가 단순한 챗 인터페이스를 넘어 실제 업무 흐름을 수행하려면 도메인 전문가가 만든 평가 체계와 인간 검증이 필수임을 보여준다.
• 비용을 통제하지 못한 에이전트는 실제 서비스로 확장되기 어렵기 때문에, 작업 난이도별로 여러 모델을 배치하는 멀티모델 운영이 중요한 설계 원칙이 된다.

✅ 액션 아이템

• 경쟁사들이 내놓은 금융 AI 에이전트와 AskB의 기능 범위를 과업 단위로 비교해 고유 가치 포인트를 정리한다.
• 블룸버그의 출처 통합·정렬·검증 방식에 맞춰 금융 데이터 파이프라인의 품질관리 기준을 점검한다.
• 상용 프런티어 모델과 오픈웨이트, 자체 모델을 과업별로 분기해 비용과 신뢰도를 함께 통제하는 라우팅 전략을 정의한다.

❓ 열린 질문

• 자연어 기반 AI가 복잡한 터미널 사용 진입 장벽을 얼마나 줄이면 실제 투자 현장에서 채택이 가속화될까?
• AskB 수준의 스크린·리서치·재무 모델링·시나리오 즉시 생성에서 오답 허용 기준은 어디까지로 둘 수 있을까?
• 내부 평가 체계에서 품질·신뢰도·비용을 동시에 반영할 때 우선순위 가중치는 어떤 방식으로 정할 것인가?