Terminal X matches senior investor judgment 88.6% with GPT-6.1

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Terminal X는 투자사의 판단을 에이전트와 Memory로 축적하며, 자체 평가한 500건의 판단에서 GPT-6.1 Sol 기반 Eval Agent가 선임 투자자와 88.6%의 일치율을 보였다고 밝혔다.

📌 핵심 요약

• Terminal X의 Capital Memory는 선임 투자자가 떠날 때 문서는 남아도 판단 근거가 사라지는 ‘기억 부채’를 줄이도록 설계됐다. 고객사의 투자 방식을 자산군·전략별 에이전트에 담고, 고객이 소유하는 에이전트를 온프레미스 또는 고객의 클라우드에 배포한다.
• GPT-6.1 Sol은 투자 논거 종합과 펀드 운용 지침 적합성 판단처럼 긴 문맥과 깊은 추론이 필요한 단계를, GPT-6 Luna는 토큰 효율이 중요한 대량 작업을 맡는다. 판단과 업무 절차는 버전이 관리되는 Memory로 축적되며, Terminal X에 따르면 한 사모펀드 고객은 실사와 투자 메모 자동화로 연간 환산 240만 달러를 절감했다고 보고했다.
• Eval Agent는 모든 에이전트 출력을 54개 기준으로 평가하고, 출처·수치·논리·하우스뷰 부합 여부를 통과 또는 실패로 판정한다. 실패 이유와 개선 출처 또는 수정 문구는 Memory에 반영돼 해당 투자 조직의 업무 지침이나 테스트 사례로 축적된다.
• Terminal X의 자체 평가에서 GPT-6.1 Sol 기반 Eval Agent의 선임 검토자 판단 일치율은 500건 기준 88.6%로, 차순위 모델의 86.4%보다 220bp 높았다. 펀드 운용 지침을 벗어난 추천을 약 25% 더 포착했고, 동일 워크플로를 비슷한 속도로 실행하면서 질의당 비용은 약 30% 낮았다.
• Terminal X는 GPT-6.1 Sol과 GPT-6 Luna를 활용해 투자사 Memory 1,700개를 구축하고 맞춤형 워크플로를 100만 회 넘게 실행했으며, 주간 활성 사용자 수는 월간 활성 사용자 수의 81%에 도달했다고 밝혔다. 다음 단계는 투자 조직 단위의 Memory를 개별 투자 전문가의 실제 판단 기준까지 확장하는 것이다.

🧩 주요 포인트

1. 고객 소유 에이전트와 버전 관리 Memory → 투자자의 암묵적 판단을 보존하고 반복 활용할 수 있는 조직 자산으로 전환한다.
2. 개 기준의 전수 평가와 수정 사항 축적 → 답변 검증이 해당 투자 조직의 업무 지침을 지속적으로 보완하는 과정으로 연결된다.
3. 과제별 모델 배치와 긴 문맥 처리의 비용 효율 → 같은 예산 안에서 다단계 검토를 강화할 수 있지만, 성능 수치는 Terminal X의 자체 평가 범위에서 해석해야 한다.

🧠 상세 정리

1. 문서는 남아도 사라지는 투자 판단

투자사의 경쟁력은 거래마다 쌓이지만, 의사결정의 근거는 소수 선임 투자자의 머릿속에 남는 경우가 많다는 것이 원문의 출발점이다. Terminal X는 이들이 떠난 뒤 문서는 보존돼도 판단 과정이 사라지는 문제를 ‘기억 부채’라고 부르며, 이를 줄이기 위해 Capital Memory 운영체제를 설계했다. JPMorgan과 Blackstone에서 금융·투자 업무를 경험한 현장 배치 엔지니어들은 고객 투자팀과 함께 일하며 회사별 에이전트 구조를 설계하고 투자 방식을 코드화한다. 이렇게 만들어진 에이전트는 고객사가 소유하며 온프레미스 또는 고객의 클라우드에 배포되므로, 투자 판단을 해당 회사가 보유하고 재사용할 수 있는 형태로 만드는 것이 핵심이다.

2. 암묵적 투자 절차를 에이전트와 Memory로 전환

Terminal X 엔지니어들은 고객 현장에서 수주 동안 신뢰받는 투자 메모를 역으로 분석하고, 신용 부서의 차입자 심사나 공동투자팀의 자료 수집처럼 문서화되지 않은 절차를 포착한다. 이를 자산군과 전략에 맞춘 수백 개 에이전트 및 투자 단계별 하위 에이전트에 반영하며, GPT-6.1 Sol은 투자 논거 종합·핵심 고려사항 식별·운용 지침 적합성 판단을, GPT-6 Luna는 토큰 효율이 중요한 대량 처리 단계를 담당한다. 에이전트는 민감한 투자 데이터를 공유·관리하는 고객별 비공개 데이터룸에서 영어·한국어·일본어·중국어 문서를 처리하고, 과거 분석·투자위원회 결정·업무 지침·하우스뷰를 버전 관리되는 Memory에 저장한다. 이를 반복 가능한 워크플로로 구현하면 운영 중인 모든 질의의 수행 단계, 검색 출처, 사용 모델, 추론 과정을 추적할 수 있으며, 회사에 따르면 한 사모펀드 고객은 실사와 투자 메모 자동화로 연간 환산 240만 달러의 절감 효과를 보고했다.

3. 54개 기준으로 검증하고 수정에서 학습

Terminal X는 에이전트의 답변이 고객사의 기준을 충족하는지 확인하기 위해 GPT-6.1 Sol과 다른 OpenAI 모델을 조합한 Eval Agent를 구축했다. 이 시스템은 부사장급 검토자가 애널리스트의 작업을 읽듯 모든 출력을 살피며, 수치·비교 대상·컨센서스 수치·인용의 출처가 적절한지, 서술의 논리가 성립하는지, 추천이 하우스뷰에 부합하는지 등 54개 기준을 적용한다. 각 검사는 통과 또는 실패로 채점되고, 실패에는 한 줄의 이유와 더 나은 출처 또는 수정 문구가 붙어 Memory로 남는다. 누락된 출처나 잘못된 비교 대상, 하우스뷰에서 벗어난 투자 논거는 해당 조직의 새 업무 지침이나 테스트 사례가 되며, 공동창업자 겸 CTO Ken Lee는 애널리스트의 수정이 쌓일수록 시스템이 그 회사의 업무 방식을 더 잘 반영한다고 설명한다.

4. 선임 검토자와의 일치율 및 운용 지침 이탈 탐지

Terminal X는 자체 평가 결과에 따라 과제별 모델을 선택하며, 채점된 판단 500건에서 GPT-6.1 Sol 기반 Eval Agent는 선임 인간 검토자와 88.6%의 일치율을 기록했다. 이는 차순위 모델의 86.4%보다 220bp 높은 결과로, 제시된 지표는 선임 검토자 판단과의 일치 정도다. 차이가 두드러진 오류 유형은 투자 스타일의 이탈로, 예를 들어 순자산가치 대비 할인된 상장사의 비상장 전환 후보를 찾고 사업성과 자금조달 구조를 검토해야 하는 바이아웃 펀드가 시장 전환 시나리오 때문에 부실채권 투자나 구제금융을 추천하는 경우다. GPT-6.1 Sol 기반 Eval Agent는 이런 운용 지침 이탈을 차순위 모델보다 약 25% 더 포착했으며, 이 결과는 Terminal X가 수행한 해당 평가의 맥락에서 제시된다.

5. 토큰 효율을 더 깊은 검토에 활용

원문은 GPT-6.1 Sol의 긴 문맥 처리에서 나타난 토큰 효율이 동일한 예산으로 더 깊은 검토 절차를 구성할 수 있게 했다고 설명한다. 투자 논거를 먼저 펀드의 운용 지침과 대조하고, 이어 최근 거래와 비교하며, 판정이 불확실하면 다시 실행한 뒤 에이전트가 결과를 조정해 보고하는 방식이다. 이 다단계 검토는 비교 모델이 한 번의 검토에서 통과시킨 거래의 문제를 찾아냈고, GPT-6.1 Sol은 동일 워크플로를 비슷한 속도로 실행하면서 질의당 비용도 차순위 모델보다 약 30% 낮았다. 공동창업자 겸 CEO Hyun Hong은 긴 문맥 추론과 토큰 효율 덕분에 평가 절차를 더 깊게 구성할 수 있으며, 이를 통해 투자 판단을 측정하고 감사할 수 있다고 설명했다.

6. 조직의 기억에서 개인 투자자의 판단으로

Terminal X는 GPT-6.1 Sol과 GPT-6 Luna를 활용해 투자사 Memory 1,700개를 구축하고, 맞춤형 워크플로를 100만 회 넘게 실행했다고 밝혔다. 또한 주간 활성 사용자 수가 월간 활성 사용자 수의 81%에 해당한다고 제시하며, 구축 규모와 함께 사용 빈도를 보여주는 수치를 소개했다. 다음 단계는 투자 조직 단위의 Memory를 개인으로 확장해, 각 투자 전문가가 말로 설명하는 기준뿐 아니라 실제 업무에서 적용하는 판단 기준까지 담는 것이다. Hyun Hong은 향후 10년의 승자는 자신의 판단을 데이터로 소유하는 투자사일 것이라고 주장하며, Terminal X의 역할을 그 판단을 측정 가능하게 만들어 보존·개선·재사용하도록 돕는 일로 설명한다.

🧾 핵심 주장 / 시사점

• Capital Memory의 핵심 가치는 문서 저장을 넘어 판단 근거와 수정 이력을 함께 축적하는 데 있으며, 이는 선임 투자자의 이탈로 발생하는 기억 부채에 대응하는 방식이다.
• Eval Agent의 검증 결과가 다시 업무 지침과 테스트 사례가 되므로, 평가와 고객사별 판단 기준의 정교화가 하나의 순환 과정으로 연결된다.
• 비용 효율은 질의당 지출 절감뿐 아니라 같은 예산에서 재검토와 결과 조정의 깊이를 늘리는 수단으로 제시된다. 다만 제시된 수치만으로 다른 투자사나 과제에서도 동일한 성과가 난다고 단정할 수는 없다.

✅ 액션 아이템

• Capital Memory의 고객 소유 에이전트와 버전 관리 Memory가 투자 판단 보존에 적합한지 검토.
• GPT-6.1 Sol의 88.6% 일치율과 운용 지침 이탈 탐지 성과를 500건의 자체 평가 범위에 맞춰 해석.
• 54개 기준의 Eval Agent와 질의당 약 30%의 비용 절감이 다단계 검토 강화에 주는 효과를 함께 검토.

❓ 열린 질문

• 500건의 자체 평가에서 나타난 GPT-6.1 Sol의 88.6% 일치율은 자산군과 전략별로 어떻게 달라지는가?
• Eval Agent의 54개 기준은 투자사별 하우스뷰와 업무 지침의 차이를 어떻게 반영하는가?
• Terminal X는 투자 조직 단위의 Memory를 개별 투자 전문가로 확장할 때 실제 판단 기준을 어떻게 포착할 것인가?