Trading at the speed of…chat?
Quick Summary
Trading at the speed of…chat를 중심으로, 채팅 거래는 비용과 유연성 때문에 남는다. RFQ 플랫폼은 여러 공급자의 가격을 비교하기 좋지만, 이용·통합 비용이나 수량를 핵심 판단 포인트로 압축 정리한다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
Trading at the speed of…chat를 중심으로, 채팅 거래는 비용과 유연성 때문에 남는다. RFQ 플랫폼은 여러 공급자의 가격을 비교하기 좋지만, 이용·통합 비용이나 수량를 핵심 판단 포인트로 압축 정리한다.
📌 핵심 요점
- 채팅 거래는 비용과 유연성 때문에 남는다. RFQ 플랫폼은 여러 공급자의 가격을 비교하기 좋지만, 이용·통합 비용이나 수량 필수 입력 같은 제약이 있다. 고객 관계와 기초자산 거래 역량은 대규모 거래의 가격 산정과 위험 처리에도 가치를 제공한다.
- 자동 추출은 속도와 입력 정확도를 개선할 수 있다. 정형 메시지는 정규식으로 RFQ로 변환해 왔으며, LLM은 다양한 표현을 자산군별 프롬프트로 처리할 가능성을 열어준다. 다만 LLM 파싱은 초기 단계이고, 고객마다 허용하는 응답 시간이 달라 일괄 적용하기 어렵다.
- 사람의 승인만으로 오류를 막기는 어렵다. 높은 정확도에 익숙해지면 드문 오류를 놓칠 수 있다. 가격과 함께 매수·매도 방향, 종목, 수량, 결제일을 실제 가격 산출 데이터에서 가져와 표시하면 양측이 잘못된 조건을 발견할 기회가 늘어난다.
- AI로 도구를 빨리 만들수록 검토와 권한 설계가 중요해진다. Webs는 계산 그래프와 화면을 공유하고 확장하는 기반이며, AI 도우미는 비개발자의 분석을 돕는다. 거래 판단이나 규제 제출에 영향을 주는 도구는 더 면밀히 검토해야 하고, 실행 권한 제한과 독립적인 LLM 검토 등도 검토되고 있다.
- 현장 개발과 채용 모두 다양한 강점을 포착해야 한다. 데스크의 문제를 공통 제품으로 확장하려면 다른 팀의 수요를 발견하고 기회비용을 따져야 한다. 채용에서는 범용 역량을 확인하면서도 지원자의 전문성을 보여줄 맞춤 평가를 하나 추가하자는 제안이 나온다.
🧩 배경과 문제 정의
- 클로이 카살레는 자동차와 컴퓨터의 작동 원리에 대한 호기심에서 출발해, 고객 현장의 문제를 해결하는 엔지니어를 거쳐 Jane Street의 세일즈 트레이더용 소프트웨어를 개발하게 됐다.
- Jane Street는 유동성 공급자로서 거래 상대를 연결하며, 기관 고객과의 양자 거래에서는 고객 관계를 관리하는 역할과 가격·위험을 판단하는 역할이 맞물린다.
- 대규모 거래에서는 거래소의 유동성 부족과 정보 비대칭이 문제가 된다. 고객과의 관계 및 기초자산 거래 역량은 이런 거래를 처리하는 데 가치를 제공한다.
- 표준화된 견적 요청 플랫폼이 있어도 비용과 유연성 때문에 채팅 거래가 유지된다. 사람이 작성한 메시지로 큰 거래를 합의하는 과정은 오류 관리와 자동화를 어렵게 한다.
🕒 시간순 섹션별 상세정리
1. 몽골 더비의 도전은 승마 경력보다 탐험과 길 찾기에서 시작됐다
- 몽골 더비는 10일 동안 1,000km를 이동하며 35~40km마다 무작위로 배정된 말로 교체하는 장거리 경주다. 카살레는 전체 경주에서 약 29마리를 탔다고 기억한다. 정해진 길 대신 GPS 지점을 따라 스스로 경로를 찾아야 하며, 10일째까지 도착해야 완주로 인정된다. [01:19]
- 카살레는 가장 길고 힘든 경마 대회라는 이야기에 끌렸지만 자신의 경력이 부족하다고 생각했다. 닷새짜리 아카데미만 경험하고 돌아올 계획이었으나, 이를 마친 뒤 본경주 참가 자격을 얻었다. [01:56]
2. 부상을 막으려던 조치가 피로골절로 이어졌지만 마지막 구간을 완주했다
- 등자가 정강이를 계속 때려 큰 멍이 생기자, 아홉째 날 바지 안에 양말을 넣어 보호하려 했다. 그러나 양말 때문에 발목을 굽히기 어려워졌고, 그 상태로 하루 종일 말을 탄 뒤 경골에 피로골절이 생겼다. [03:25]
- 마지막 날에는 평소 하루 이동 거리인 90km보다 짧은 60km, 두 구간만 남았지만 다리에 체중을 실을 수 없었다. 스스로 말에 올라야 출발할 수 있어 몸을 던지듯 올라탔고, 마지막 날 배정받은 말들이 순했던 덕분에 통증을 견디며 남은 거리를 달렸다. [04:08]
3. 자동차를 이해하려는 호기심이 공학 진로의 출발점이었다
- 카살레는 주변 세계가 어떻게 작동하는지 이해하는 일을 좋아했고, 처음에는 자동차를 다루는 기계공학자나 자동차 정비사가 되려 했다. 일상적인 이동을 가능하게 하는 자동차의 내부 원리를 알고 싶다는 호기심이 진로 선택의 동기였다. [06:13]
- 고등학교에서는 화학 대신 자동차 기술 수업을 선택하고, 수업이 개설된 인근 학교까지 이동했다. 엔진의 작동 원리와 브레이크·오일 교체 같은 실제 정비 작업을 배웠다. [06:41]
4. 20달러 내기로 시작한 수업이 컴퓨터 분야로 진로를 바꿨다
- 대학 2학년 때 물리학 수업을 듣던 카살레는 친구들이 컴퓨터과학 입문 수업의 어려움을 호소하자 그 정도로 어렵지는 않을 것이라고 반응했다. 친구들이 수업을 통과하지 못할 것이라며 20달러를 걸었고, 돈과 자존심이 수강 계기가 됐다. [08:01]
- 간단한 Java 프로그램을 작성하고 실행해 게임 같은 결과물이 나타나는 경험은 자동차의 작동 원리를 배울 때와 같은 만족감을 줬다. 직접 명령을 입력해 컴퓨터를 움직이는 경험에 매료되면서 이 분야를 직업으로 삼고 싶어졌다. [08:21]
5. 현장 배치 엔지니어는 개별 고객의 문제를 풀고 제품의 방향에도 기여한다
- 졸업 후 Palantir의 현장 배치 엔지니어로 입사해 약 4년 반에서 5년 가까이 일했다. 당시 제품 엔지니어와 구분된 이 역할은 고객 현장에 들어가 기존 제품을 고객의 구체적인 문제 해결에 적용하는 일이었다. [10:20]
- 여러 고객에게 통용되는 기능을 만드는 것보다 한 고객의 문제를 깊이 이해하는 데 초점을 맞췄다. 새로 개발해야 하는 부분과 기존 제품으로 해결할 부분을 판단하고, 현장에서 발견한 일반화 가능한 요구를 제품팀에 전달해 로드맵 형성에도 기여했다. [10:52]
6. Jane Street의 채용 과정은 입사 결정의 근거였지만 비용 대비 가치도 따져야 한다
- Palantir에서 새로운 성장 기회를 찾으며 폭넓게 구직했고, 원래는 다른 스타트업에 갈 가능성을 생각했다. Jane Street에 지원할 당시에는 트레이딩, 함수형 프로그래밍, OCaml에 대한 지식이 없었으며, 회사 역시 그런 사전 지식 없이 지원할 수 있다고 설명했다. [12:26]
- 채용 과정에 참여한 경험이 많았던 카살레는 Jane Street가 면접 설계에 들인 고민을 조직의 체계와 사람에 대한 관심을 보여주는 신호로 받아들였다. 전화 면접을 제외한 자신의 모든 면접에 면접관 두 명이 참여한 점도 인상적이었다. [13:21]
7. 여러 나라를 옮겨 다닌 현장 근무가 런던 정착으로 이어졌다
- Palantir의 뉴욕 소속이었지만 실제 뉴욕 체류는 전체 재직 기간 중 약 넉 달이었다고 기억한다. 브라질, 인도네시아, 멕시코, 런던, 시애틀에서 일하며 여행 가방 하나로 생활하는 방식은 당시에는 즐거웠지만 지금은 덜 매력적이라고 느낀다. [14:56]
- 순환 근무 중 런던에 매료됐고, 뉴욕보다 덜 강렬하면서도 대도시의 장점이 있는 곳으로 받아들였다. 이후 구직 과정에서는 런던으로 돌아갈 수 있는 일자리를 찾았다. [15:22]
8. 세일즈 트레이더와 자기매매 트레이더는 고객 관계와 가격 판단을 분담한다
- 세일즈 트레이더는 거래소에서 익명의 상대와 거래하는 대신 연기금이나 대형 자산관리회사 같은 고객과 관계를 맺는다. 고객이 무엇을 거래하려는지 이해하고 거래를 유치하는 동시에, 실제 거래가 내부 시스템을 통과하도록 처리한다. [16:16]
- 고객이 채팅으로 거래나 견적을 요청하면 세일즈 트레이더가 이를 시스템에 입력하고, 자기매매 트레이더에게서 가격을 받아 고객에게 전달한다. 이런 양자 관계는 시장에서 매수자와 매도자 사이에 서는 Jane Street의 유동성 공급 방식 중 하나다. [17:00]
9. 거래소의 제한된 유동성과 역선택 위험이 대규모 주문의 비용을 높인다
- 연기금의 포트폴리오 재조정처럼 특정 ETF를 대량으로 거래하려는 경우, 거래소에 나온 매도 주문만으로 전체 물량을 원하는 가격에 체결하기 어려울 수 있다. 연속적으로 주문이 올라오는 전자시장이라도 특정 시점의 유동성은 유한하다. [19:09]
- 시장조성자는 단순히 자산을 사고팔려는 상대뿐 아니라, 시장 가격의 오류를 알아보고 자신에게 유리할 때만 거래하는 상대도 만난다. 후자에게 입는 손실을 일반 거래에서 얻는 매수·매도 호가 차이의 수익으로 보전해야 하는 역선택 문제가 생긴다. [19:59]
10. 고객의 거래 동기와 기초자산을 이해하면 더 큰 거래를 처리할 수 있다
- 고객 관계에서는 상대가 왜 거래하려는지 아는 경우가 많아, 익명 거래보다 정보 우위를 가진 상대에게 불리하게 거래할 우려가 줄어든다. 이런 정보는 거래소에서 직접 거래할 때보다 좋은 가격을 제시할 수 있는 근거가 된다. [20:54]
- ETF 자체의 호가는 얇더라도 그 ETF가 대표하는 기초자산은 더 활발하게 거래될 수 있다. Jane Street는 기초자산을 바탕으로 ETF 가격을 산정하고, 고객 거래를 받아들인 뒤 기초자산 거래를 통해 위험을 해소할 수 있다. [21:21]
11. RFQ는 여러 유동성 공급자의 거래 가격을 비교하는 표준화된 절차다
- 견적 요청인 RFQ는 예를 들어 애플 주식 100주를 사려는 고객이 얼마에 팔 수 있는지 묻는 것이다. 공급자가 주당 가격 등을 제시하면 고객은 그 제안을 받아들일지 판단한다. [23:01]
- 고객은 여러 유동성 공급자에게 동시에 RFQ를 보내 가장 좋은 가격을 고를 수 있다. RFQ 플랫폼은 양식에 거래 조건을 입력하면 전자적으로 요청을 전송하는 표준화된 절차를 제공한다. [23:20]
12. 채팅은 플랫폼 비용과 비표준 거래 조건 때문에 계속 쓰인다
- RFQ 플랫폼에 연결하려면 내부 시스템 통합과 이용 비용이 들 수 있으며, Jane Street에는 이런 연동을 담당하는 별도 팀이 있다. 연간 거래 횟수가 매우 적은 고객에게는 추가 체계를 구축하는 대신 Bloomberg 터미널에서 채팅을 보내는 편이 합리적일 수 있다. [23:48]
- 모든 고객에게 복잡한 시스템 통합이 필요한 것은 아니다. 소프트웨어 설치만으로 이용할 수 있는 경우도 있지만, 그때도 기존 Bloomberg 계약 등에 더해 별도 비용을 지불해야 하므로 사용 빈도가 낮으면 부담을 정당화하기 어렵다. [24:41]
13. 사람이 작성하는 채팅을 거래 처리로 연결하는 자동화는 어렵다
- 사람이 메시지를 입력하고 상당히 큰 거래에 합의하는 과정에는 오류 가능성이 있다. 이런 대화를 자동화하는 일은 어렵지만, LLM 이전에도 일부 채팅은 비교적 자동화하기 쉬운 경우가 있었다. [26:08]
14. 정형 채팅의 정규식 파싱에서 LLM 활용 가능성으로 확장
- 고객이 일정한 형식으로 보내는 호가 요청은 정규식으로 추출해 RFQ 시스템에 전달하기 쉬웠다. 자동 파싱 이후에도 세일즈 트레이더가 채팅방을 살피고 가격을 전달했기 때문에 비교적 위험이 낮은 자동화로 여겼다 [26:41]
- LLM을 활용하면 거래 상대방마다 별도 정규식 파서를 만드는 대신, 자산군별 프롬프트 하나로 여러 요청을 표준화할 가능성이 있다. 이는 구현이 확정된 방식이 아니라 새롭게 검토할 수 있는 방향이다 [27:21]
15. 자동 추출은 응답 속도와 입력 정확도를 높인다
- 고객 중에는 주문을 빠르게 처리하려는 수요가 있어, 중개사 간 경쟁에서 가격뿐 아니라 속도도 중요하다 [27:54]
- 사람이 원문을 다시 입력하는 대신 추출된 RFQ와 채팅을 대조하면 확인이 빨라지고 오류도 줄어들 수 있다. 수작업 입력에는 숫자를 잘못 누르거나 소수점 위치를 틀리는 위험이 있다 [28:34]
16. 고객별 시간 제약과 업무 방식에 맞춘 지원
- 속도 민감도는 거래 상대방과 지역에 따라 다르다. 요청을 시스템에 넣는 데 20초 미만이나 5초 미만을 목표로 하는 경우가 있는 반면, 가격 회신까지 한 시간을 예상하는 고객도 있다. 5초 안에 회신받기를 기대하는 고객에게 45초가 걸리면 거래를 놓칠 수 있다 [29:32]
- 빠른 회신의 필요성이 반드시 거래 전략의 시간 민감성 때문인 것은 아니다. 고객이 기다림을 피하거나 다음 거래를 시작하고 싶을 수 있으며, 여러 진행 중인 거래를 동시에 관리하는 부담을 줄이려는 것일 수도 있다 [30:31]
17. 높은 정확도도 사람의 검증을 무력화할 수 있다
- LLM은 사람이 매번 다른 형식으로 입력하거나 오타가 있는 요청까지 처리할 가능성이 있다. 그러나 결과가 비결정적이어서 무엇을 맞히고 틀릴지, 업무 과정에 어느 정도까지 넣어도 될지 판단하기 어렵다 [31:54]
- 가령 파서가 95% 정확하다면 사람은 반복적으로 승인하는 데 익숙해져 나머지 5%의 오류를 놓칠 수 있다. 반대로 정확도가 25%라면 도구를 아예 보지 않을 수 있어, 사람을 검증 단계에 넣는 것만으로 안전을 보장하기 어렵다 [32:56]
18. 추론의 정밀도와 응답 지연 사이의 제약
- 일부 고객은 응답 속도 요구가 높아 LLM 파싱으로 옮기기 어렵다. LLM의 응답 시간을 보장하기 힘든 반면, 다른 고객에게는 정확한 종목 식별을 위해 더 오래 추론하는 방식이 허용될 수 있다 [34:39]
- 단일 메시지보다 대화 이력을 함께 제공하면 문맥을 더 잘 활용할 수 있지만, 추론 시간이 길어지는 대가가 따른다 [34:52]
19. 잘못된 가격 합의는 손실과 고객 관계 문제로 계속된다
- 가상의 최악 상황에서는 애플 요청을 테슬라로 잘못 파싱하고, 종목 설명 없이 가격만 채팅에 보내 양측이 거래에 합의할 수 있다. 고객이 이상한 가격을 알아챌 가능성은 있지만, 잘못된 가격으로 거래가 성립할 가능성도 남는다 [36:52]
- 오류가 발생하면 거래 취소를 요청할 때의 관계 비용과 손실을 감수하고 거래할 비용을 비교해야 한다. 오류를 30분 뒤 발견해 시장 가격까지 움직였다면, 상대방에 대한 의무도 함께 판단해야 한다 [37:50]
20. 가격 산출에 사용한 거래 조건을 명시적으로 되돌려준다
- 가격만 전달하는 대신 매수·매도 방향, 종목, 수량, 결제일을 담은 명확한 문구를 제공하면 양측이 오류를 발견할 기회가 늘어난다. 예를 들어 애플 100주 매수와 결제일을 가격과 함께 적는 방식이다 [39:19]
- 이 확인 문구는 LLM이 새로 생성하는 설명이 아니라, 실제 가격 산출에 사용한 정보를 시스템이 명시적으로 변환한 결과여야 한다. 어떤 조건을 포함해야 모호하지 않은지는 트레이더와 함께 정한다 [39:59]
21. 정교한 화면은 Bonsai, 간단한 업무 화면은 Webs로 만든다
- Bonsai는 OCaml로 강력한 프런트엔드를 만들 수 있는 도구지만, OCaml과 Bonsai에 대한 지식 및 제대로 된 UI를 구현할 시간이 필요하다 [41:58]
- 간단한 데이터 확인이나 몇 주만 사용할 대시보드에는 Webs라는 대안이 있다. Webs는 분산 계산 그래프로 볼 수 있으며, 표 형태의 데이터뿐 아니라 웹사이트를 iframe으로 넣는 등 다양한 화면을 구성할 수 있다 [43:00]
22. Webs는 증분 계산과 공유를 통해 기능을 축적한다
- 실시간 데이터는 일부만 바뀌므로, 계산 의존성을 그래프로 표현하면 영향을 받는 부분만 다시 계산할 수 있다. 스프레드시트의 셀 간 의존성도 같은 종류의 계산 그래프를 만든다 [44:09]
- Webs는 거래 데스크의 큰 가격 산정용 스프레드시트에서 발전했다. 계산 구조를 더 큰 규모로 확장하고, 여러 사람이 계산 그래프를 공유하며, 내장된 화면 구성 언어로 필요한 뷰를 만들 수 있게 했다 [45:13]
23. AI 지원과 즉시 반영 구조가 비개발자의 분석을 돕는다
- 채용팀은 Webs에 일부 뷰를 만들기 시작했다. 내장 AI 코드 도우미에게 원하는 화면을 설명해 뷰를 생성하는 방식은, 채용 담당자가 개발자에게 데이터 추출을 요청하지 않고 직접 분석하는 데 도움이 됐다 [46:56]
- Webs에 뷰를 추가하면 운영 시스템에 바로 연결되어 사용할 수 있다. 화면을 만든 뒤 곧바로 활용하고 확장할 수 있다는 점도 도구의 장점이다 [47:19]
24. 빠른 시제품을 사용 가치에 따라 운영 도구로 발전시킨다
- 트레이더가 아이디어를 HTML과 JavaScript 화면으로 빠르게 구현하고, 데스크 구성원이 접근할 수 있는 위치에 올려 곧바로 사용하기도 한다 [48:03]
- 이후 실제 가치와 사용자 수, 읽기 전용 여부를 살펴 추가 개발과 검토의 필요성을 판단한다. 공유 계산과 분석을 확장할 도구는 Webs로, 거래에 중요하면서 맞춤형 상호작용이 필요한 도구는 Bonsai UI로 발전시킬 수 있다 [48:53]
25. AI 생성 코드의 검토 수준은 사용 결과의 중요도에 맞춘다
- 모든 도구에 같은 수준의 검토가 필요한 것은 아니다. 중요한 기능에는 높은 수준의 확인이 필요하지만, 영향이 작거나 한 번만 쓸 도구에는 검토 강도를 낮출 여지가 있다 [49:55]
- 과거 거래 고객이 거래를 중단했는지 확인하는 읽기 전용 대시보드처럼, 거래 판단을 바꾸거나 규제기관에 데이터를 제출하는 데 쓰지 않는 도구는 빠르게 만들어 볼 수 있다. 이런 조건이 달라지면 코드의 동작과 데이터 추출 방식에 더 면밀한 검토가 필요하다 [50:43]
26. 읽지 않은 코드의 위험은 실행 권한과 격리로도 통제해야 한다
- 코드를 읽지 않았다면 도구가 의도하지 않은 데이터베이스 요청 등을 보내는지 알기 어렵다는 문제가 남는다. 모델이 도움을 주려는 상황에서도 업무 맥락을 모르거나, 사용자 역시 적절한 동작의 범위를 모르면 예상 밖의 행동이 생길 수 있다 [51:41]
- 브라우저는 웹페이지를 신뢰할 수 없다는 전제로 샌드박스와 제약을 제공한다. 네트워크로 호출할 수 있는 기능도 제한할 수 있으며, 로그인한 사용자가 직접 작성하지 않은 페이지가 그 사람의 인증 정보를 오용하지 않도록 고려해야 한다 [52:19]
27. AI가 늘린 개발 생산성이 코드 검토 부담으로 돌아온다
- 사용자는 강력한 AI 도구로 두 달 전에는 하지 못했던 작업까지 수행할 수 있게 됐다. 개발자는 이들의 속도를 늦추고 싶지 않지만, 빠르게 확대되는 활용에는 우려도 느낀다 [53:06]
- AI가 생성하는 코드가 많아질수록 개발자가 검토해야 할 코드도 늘어난다. 피로가 쌓이는 상황에서 자신이 처음으로 해당 코드를 읽는 개발자일 수도 있어, 검토의 엄밀함을 유지하기가 어렵다 [53:29]
28. 별도 안전 명세와 독립적인 LLM 검토로 변경을 제한한다
- 에이전트 샌드박싱과 함께, 애플리케이션 수준의 격리가 부족한 바이브 코딩에도 안전한 경로를 마련하는 방안이 검토되고 있다. 별도 문서에 허용 범위를 명시하고, 그 규칙을 강제하는 샌드박싱과 엄격한 의미 검사를 구축하는 구상이다 [54:08]
- 구현이 더 쉬울 수 있는 대안은 변경마다 독립적인 LLM 검토를 의무화하는 것이다. 문제 해결을 맡은 LLM과 별개의 세션이 변경 내역과 명세만 비교해, 창의적인 해결 과정에서 명세를 위반하지 않았는지 확인한다 [54:32]
29. 앱 설명 문서와 위험도 분류로 개발자 검토를 배분한다
- 세일즈 조직에서는 사용자가 바이브 코딩으로 앱을 만든 뒤, 앱이 무엇을 한다고 생각하는지 설명하는 문서를 작성한다. 스킬이 앱과 문서를 함께 살펴보고 개발자를 참여시켜야 하는지, 그대로 사용해도 될지를 권고한다 [55:13]
- 이 절차는 사용자가 실제 요구사항과 앱의 동작을 다시 생각하게 한다. 모든 앱을 개발자가 직접 읽기 어려운 상황에서, 검토 필요성을 판단하는 데 도움이 됐다 [55:48]
30. 형식 기법은 신뢰도를 높이지만 미래 모델에 맞는 설계는 불확실하다
- 프로그램의 속성을 증명해 결론에 대한 신뢰도를 높이기 위해 형식 기법을 담당할 팀의 채용을 시작했다. 일부 영역에서는 유용할 것으로 보지만, 다른 검증 방식과의 절충을 판단하기는 어렵다 [56:15]
- 도구는 여러 수준의 미래 모델 역량에서도 작동하도록 설계해야 한다. 모델이 1년, 2년, 5년 뒤 얼마나 강력해질지 예측하기 어려워, 특정 발전 경로만 전제로 삼기 힘들다 [56:28]
31. 내부 고객과의 목표 일치가 밀착 개발의 대화를 바꾼다
- Jane Street의 데스크 개발자는 함께 일하는 트레이더를 고객으로 삼는다. 양쪽 모두 회사의 성과를 목표로 하므로, 구현 난이도와 소요 시간, 우선순위를 솔직하게 논의하기가 쉽다 [57:51]
- Palantir의 현장 배치 엔지니어인 FDE는 고객 문제를 해결하면서 Palantir를 판매하는 역할도 맡았다. 외부 고객의 목표는 자신의 업무를 잘하는 것이므로, 무엇을 쉽게 보이게 제시할지까지 고민해야 하는 목표의 어긋남이 있었다 [58:23]
32. 현장 요구를 공통 제품으로 환류하는 책임의 무게가 다르다
- Palantir의 FDE에게는 현장에서 얻은 정보를 제품 조직에 전달할 책임이 있었다. 하나의 핵심 제품을 개선해 여러 고객에게 혜택을 주는 구조였지만, Jane Street의 데스크 개발자는 주로 자기 데스크의 문제에 시간을 쓰며 공통 제품 기여가 업무의 중심이라고 느끼지는 않는다 [1:00:04]
- Jane Street의 Webs에는 핵심 팀과 고객 지원 성격의 하위 팀인 Mantle이 있다. 사용자의 업무를 지원하면서 요구를 파악하고, 이를 전체 사용자를 위한 제품 개선으로 돌려보낸다는 점에서 비슷한 구조를 갖는다 [1:01:11]
33. 채팅을 RFQ로 바꾸는 도구에서 다른 데스크의 공통 수요를 발견한다
- 채팅을 분석해 RFQ, 즉 견적 요청으로 바꾸는 시스템은 오랫동안 세일즈에서 사용됐다. 그러나 일부 자기매매 데스크도 고객과 관계를 맺고 같은 종류의 작업을 수행하고 있었다 [1:02:19]
- 다른 데스크에서도 사용할 수 있도록 제품을 일반화했지만, 이미 해결한 문제가 여러 팀에 공통적이라는 사실을 알아내기까지는 오랜 시간이 걸렸다. 이를 공유하면 다른 팀이 같은 시스템을 다시 만들 필요가 줄어든다 [1:02:39]
34. 강점에 따른 역할 분담과 기회비용이 제품 확장의 속도를 좌우한다
- 사용자와 일하는 데 강한 개발자와 제품을 만드는 데 강한 개발자가 반드시 같지는 않다. 팀에서는 두 강점을 어느 정도 나누어 배치하면서, 전체 업무를 배우고 즐길 기회와 개인의 강점을 함께 살리는 방향으로 구조를 조정하고 있다 [1:04:04]
- 데스크 개발자가 여러 곳에 적용할 아이디어를 전달하고 다른 팀의 유사한 수요를 확인할 통로가 더 쉬워지면, 전사 제품을 더 빨리 만들 수 있다는 제안이 나온다. 현재도 제품화는 자주 일어나지만, 여러 데스크가 같은 것을 만든 뒤 중복을 발견하고 통합을 조직하는 경우에는 시간이 걸린다 [1:05:01]
35. 특정 강점의 발견과 반복 평가의 확신을 서로 다르게 추구한다
- Palantir는 FDE와 핵심 제품 엔지니어처럼 역할에 맞는 사람을 구분해 채용하는 반면, Jane Street는 강한 제너럴리스트를 채용한 뒤 배치를 결정하는 경향이 있다. 서로 다른 절차로도 뛰어난 인재를 얻을 수 있다는 경험은 채용에 유일한 정답이 있다는 생각을 약화한다 [1:07:27]
- Palantir는 적어도 한 가지 능력이 매우 뛰어나고 나머지는 충분한 사람을 찾는 데 집중했다. Jane Street는 소프트웨어 개발 역량에 높은 확신을 얻으려 유사한 질문을 반복하며, 첫 평가가 좋지 않아도 이후 면접에서 역량을 보여줄 기회를 준다 [1:08:25]
36. 코딩 능력과 함께 협업 습관과 자신감의 정확성을 평가한다
- 코드에 대해 설명하고 생각하는 방식에는 신중하고 신뢰할 수 있는 소프트웨어를 만들어 온 경험이 드러난다. 면접에서는 이런 사고 습관과 함께, 설명하는 능력, 상대의 제안을 듣고 이해하는 능력, 함께 일하기 편한지도 살핀다 [1:10:24]
- 트레이딩 업계에서는 자신이 아는 정도를 정확히 판단하는 능력도 중요하다. 과도하거나 부족한 자신감을 구분하는 능력을 포함해, 좋은 면접관은 한 대화에서 여러 역량을 동시에 평가한다 [1:11:00]
37. Palantir는 학습·디버깅·문제 분해를 별도 면접으로 측정한다
- 인턴의 학습 면접에서는 지원자가 본 적 없는 가상의 프로그래밍 언어를 가르친 뒤 문제를 풀게 했다. 빠르게 배우는 방법과 면접관의 도움을 활용하는 방식, 가르침과 방향 제안을 받아들이는 능력이 핵심 평가 대상이었으며, 지원자에게도 목적을 알려줬다 [1:13:36]
- 디버깅에 초점을 둔 면접에서는 기존 프로그램과 고객의 버그 제보를 제공했다. 기억으로는 Java 프로그램이었으며, 언어를 모르는 지원자에게는 도움을 주면서 코드 구조를 파악하고 기존 코드베이스를 탐색해 오류를 추적하는 방식을 살폈다 [1:14:00]
38. 역량별 집중 평가는 한 분야가 두드러지는 인재를 발견할 수 있다
- Jane Street에도 설계나 코드 읽기·디버깅에 무게를 둔 질문은 있다. 다만 폭넓은 제너럴리스트 역량을 평가하는 표준 절차에서 지원자에 따라 질문을 조정하는 방식이어서, 처음부터 평가할 역량을 나누어 면접을 구성하는 Palantir와는 체계가 다르다 [1:15:30]
- 특정 역량에 집중하면 문제 분해는 탁월하지만 코딩이나 학습에서는 평범한 지원자의 강점이 다른 평가에 가려지지 않을 수 있다. Palantir에는 이런 식으로 한 분야가 두드러지는 사람이 성공할 수 있는 자리가 많았다 [1:16:28]
39. 역량별 채용에는 직무 적합성과 단일 측정의 잡음이 남는다
- 역량을 나누는 기준이 실제 직무와 잘 연결되는지 확인해야 한다. 특정 역량에서 뛰어난 사람에게 실제로 적합한 자리가 있다고 믿으려면, 사람의 능력을 그렇게 분해하는 방식 자체에 높은 확신이 필요하다 [1:17:23]
- 특정 역량을 한 번만 측정하면 평가에 많은 잡음이 섞일 수 있다. 강점을 선명하게 드러내는 방식에도 단일 관찰의 불안정성은 남는다 [1:17:29]
40. 채용의 오판과 긴 검증 주기가 개선을 어렵게 한다
- 학습 능력이 뛰어난 사람도 특정 학습 과제에서는 부진할 수 있어, 면접 결과만으로 해당 역량을 판단하면 유능한 지원자를 놓칠 수 있다. 잦은 해고를 선호하지 않는 조직에서는 입사 후 성공 가능성이 높은 사람을 보수적으로 선발하려는 경향이 생긴다 [1:17:30]
- 면접 성적과 인턴십 성과, 인턴십 성과와 정규직 성과 사이의 상관관계는 완벽하지 않다. 약 3개월 동안 함께 일하며 관찰하더라도 이후의 성과에는 예측하기 어려운 부분이 남는다 [1:18:22]
41. 성능 엔지니어의 강점이 표준 면접에서는 약점으로 읽힐 수 있다
- 형식 기법 팀처럼 전문성이 필요한 직무에는 일반적인 엔지니어링 질문에 별도 평가를 더한 면접을 사용한다. 다만 성능 엔지니어 채용에서는 기존 절차가 실제로 잘못된 판단을 낳고 있을 수 있다는 우려가 있다 [1:20:00]
- 일반 코딩 면접은 명확하고 단순하며 이해하기 쉬운 코드를 요구하고 성능 세부 사항에는 지나치게 신경 쓰지 말라고 안내한다. 성능 엔지니어에게도 최적화가 필요한 시점을 판단하는 능력은 중요하지만, 성능을 계속 의식하는 습관 때문에 이 지침을 따르기 어려울 수 있다 [1:20:33]
42. 경력과 지역의 차이는 동일한 평가 기준의 한계를 드러낸다
- 경력자의 면접 행동이 쉽게 바꿀 수 있는 과거의 습관인지, 입사 후에는 오히려 필요한 습관인지, 실제 적응을 방해할 특성인지를 구별하기는 어렵다. 경험을 얻기 위해 경력자를 채용하면서 그 경험에서 나온 행동을 어떻게 평가할지가 문제가 된다 [1:21:37]
- 채용 인원은 대략 절반이 인턴십 출신이고 절반이 경력자이며, 경력자에게서 배운 것도 많다. 다만 경력자는 전문 분야와 이전 근무 환경의 영향이 다양해, 경험이 상대적으로 비슷한 졸업 직후 지원자보다 정확한 평가가 어렵다 [1:22:19]
43. 조직이 성장하려면 익숙한 인재 탐색 방식 밖으로 나가야 한다
- Jane Street의 채용 절차가 뛰어난 사람들을 확보하는 데 효율적이더라도, 조직이 성장하며 더 많은 인재를 채용하려면 기존보다 개선된 방식이 필요하다 [1:23:26]
- 잘 찾을 수 있는 곳에서만 사람을 찾는 채용은 빛이 있는 가로등 아래에서만 잃어버린 열쇠를 찾는 것과 비슷하다. 현재 절차가 좋은 사람을 찾아낸다는 사실만으로 그것이 인재를 찾는 유일한 방법이라고 여겨서는 안 된다 [1:23:44]
44. 경력자 평가를 넓히면서 조직 내 이동의 유연성도 지켜야 한다
- 경력자를 인턴이나 신입과 매우 비슷하게 면접하면, 다른 형태의 강점을 가진 사람이 Jane Street에서 성공할 가능성을 놓칠 수 있다. 성공에 필요한 특성을 기존 절차가 충분히 포착하는지 더 비판적으로 검토해야 한다 [1:25:24]
- 팀별 성공 조건에 지나치게 맞춘 채용은 팀을 옮길 때마다 새 면접을 요구하는 구조로 이어질 수 있다. 전문성을 인정하면서도 내부 이동을 유지하는 중간 지점이 필요하며, 범용성은 조직이 우선순위를 바꾸고 인력을 재배치할 수 있게 하는 가치다 [1:26:15]
45. 기술의 공통 기반은 유연성을 높이지만 전문성의 가치를 없애지는 않는다
- 프로그래밍 언어 수를 적게 유지하려는 선택도 사람들의 업무 이동을 쉽게 하기 위한 것이다. Python은 머신러닝 생태계 덕분에 매우 유용했지만, 사내에서 충분히 지원하는 데 많은 작업이 필요했고 언어가 둘만 있어도 업무 이동에 제약이 생길 수 있다 [1:27:56]
- 구성원이 두 언어를 폭넓게 익히면 자신에게 익숙하다는 이유보다 문제 해결에 적합하다는 이유로 기술을 선택할 수 있다. 강한 범용성을 가진 인재는 가치가 크지만, 조직 규모가 커진 만큼 일정한 전문화도 필요하다 [1:28:43]
46. 프런트엔드는 기술적 난도와 빠른 사용자 피드백을 갖춘 전문 분야다
- 프런트엔드 엔지니어 중에는 백엔드 코드를 작성할 수 있는 사람도 많지만, 프런트엔드 전문성 자체가 Jane Street에 유용하고 가치가 있다 [1:30:14]
- 프런트엔드를 낮게 평가하거나 해당 분야에 갇힐 것을 걱정하는 시각과 달리, 성능과 유연성을 갖춘 UI를 설계하고 좋은 추상화를 만드는 일은 기술적으로 도전적인 과제다 [1:30:28]
47. 지원자가 자신의 강점을 입증할 맞춤 면접을 하나 추가한다
- 채용 절차를 자유롭게 바꿀 수 있다면, 특히 경력자를 포함한 모든 지원자에게 뛰어난 성과를 낼 것으로 예상되는 면접을 하나 제공하자는 제안이다. 각자가 가장 잘하는 것을 직접 보여줄 기회를 확보하는 것이 목적이다 [1:31:49]
- 이전에 CTO 역할을 맡았다면 그 경험과 비슷한 Jane Street의 고수준 문제를, 성능에 강점이 있다면 구체적인 성능 문제를 줄 수 있다. 전문성만으로 채용하자는 뜻은 아니며, 채용 판단에 그 전문성을 보여주는 근거를 포함하자는 취지다 [1:32:19]
🧾 결론
- 채팅 자동화의 성패는 파싱 정확도뿐 아니라 고객별 응답 시간, 확인 방식, 오류 발생 시 비용에 달려 있다.
- 거래 확인 문구는 실제 가격 산출에 사용한 정보를 반영해야 한다. LLM이 새로 만든 설명만으로 조건을 확인해서는 검증 목적을 충분히 달성하기 어렵다.
- AI 개발 도구가 늘린 생산성을 활용하려면 사용 결과의 중요도에 따라 검토를 배분하고, 실행 가능한 작업 범위를 제한해야 한다.
- 조직의 확장에는 공통 도구의 재사용과 다양한 전문성이 필요하다. 기존 개발·채용 방식이 잘 작동한다는 사실만으로 다른 접근의 가치를 배제할 수는 없다.
📈 투자·시사 포인트
- 거래 서비스의 경쟁력을 평가할 때 가격뿐 아니라 응답 속도, 고객 업무 이해, 대규모 주문의 위험 처리 역량을 함께 살펴볼 필요가 있다.
- 금융 업무용 AI의 활용 가능성은 모델 성능과 함께 기존 시스템 연결, 거래 조건 확인, 지연 시간 관리까지 검토해야 판단할 수 있다.
- 내부 AI 도구의 가치는 생성한 코드의 양보다 실제 사용 가치와 검토 부담을 함께 보아야 한다. 읽기 전용 분석 도구와 거래에 영향을 주는 도구는 요구되는 확인 수준이 다르다.
- 채용과 배치에서는 범용성이 주는 이동의 유연성과 전문성이 주는 성과를 함께 고려해야 한다. 표준 면접만으로 직무별 강점을 충분히 포착하는지는 별도 점검 대상이다.
⚠️ 불확실하거나 확인이 필요한 부분
- LLM 파싱의 실제 정확도, 지연 시간 분포, 적용 범위는 제시되지 않았다. 95%와 25% 정확도는 사람의 검증 행동을 설명하기 위한 가정이다.
- 서로 다른 프롬프트의 결과 비교, 독립적인 LLM 검토, 별도 안전 명세와 강제 장치는 검토 중인 방향이다. 오류 방지 효과가 입증됐다고 볼 근거는 없다.
- 잘못된 거래 합의의 정정 가능성은 오류의 성격과 양측 의사 등에 따라 달라진다. 제시된 사례만으로 계약의 법적 효력을 일반화하기 어렵다.
- 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
- 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
- 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.
✅ 액션 아이템
- 고객별 요청 형식과 기대 응답 시간을 정리하고, 정규식과 LLM 파싱을 적용할 수 있는 범위를 나눈다.
- 원문과 추출된 거래 조건을 대조하고, 숫자·소수점·종목 식별 오류가 잘 드러나는지 확인한다.
- 가격 회신에 실제 산출에 사용한 매수·매도 방향, 종목, 수량, 결제일을 포함할지 트레이더와 정한다.
- AI 생성 앱의 목적과 예상 동작을 문서화하고, 거래 판단·규제 제출 영향과 실행 권한에 따라 검토 수준을 정한다.
❓ 열린 질문
- 고객별 속도 요구를 충족하면서 LLM 파싱의 정확도와 오류 탐지율을 어떻게 함께 평가할 수 있을까?
- 반복 승인에 따른 주의력 저하를 줄이려면 확인 화면과 업무 흐름을 어떻게 바꿔야 할까?
- 독립적인 LLM 검토와 샌드박싱은 어떤 실수를 막을 수 있으며, 어떤 판단은 계속 사람에게 남겨야 할까?