투자회사의 경쟁 우위는 거래를 하나씩 쌓아가며 만들어지지만, 각 의사결정 뒤에 있는 판단력은 보통 몇몇 선임 투자자들의 머릿속에만 존재합니다. 그들이 떠나면 회사는 다음에서 말하는 것을 겪게 됩니다. Terminal X가(새 창에서 열림) 메모리 부채(memory debt)라고 부르는 현상입니다. 회사는 문서는 계속 보유하지만, 그 근거에 대한 추론은 잃게 됩니다.
Terminal X의 Capital Memory 운영체제는 이 부채를 갚아나가도록 설계되었습니다. 이 회사의 포워드 디플로이 엔지니어들, 즉 JPMorgan과 Blackstone 출신의 전직 금융·투자 전문가들은 각 고객의 투자 팀과 함께 근무하면서 회사의 에이전틱 아키텍처를 설계하고, 회사가 투자하는 방식을 회사가 소유하는 에이전트에 코드화하여 온프레미스 또는 자체 클라우드에 배포합니다.
GPT‑6.1 Sol과 GPT‑6 Luna를 포함한 OpenAI 모델들이 이러한 에이전트 내부의 추론을 처리합니다. 그리고 Terminal X의 Eval Agent가 에이전트의 결과물을 회사의 기준에 따라 채점합니다. GPT‑6.1 Sol은 Eval Agent가 펀드의 투자 목적에서 벗어난 추천을 약 25% 더 많이 포착하도록 도왔으며, 차선 모델 대비 쿼리당 약 30% 낮은 비용으로 동일한 워크플로를 실행했습니다.
“GPT-6.1 Sol의 롱컨텍스트 추론과 토큰 효율성 덕분에 더 깊은 평가 파이프라인을 구축할 수 있습니다. 이를 통해 Eval Agent가 투자 판단을 측정 가능하고 감사 가능하게 만들 수 있습니다.”—Terminal X 공동창업자 겸 CEO Hyun Hong
각 회사 최고 투자자들의 추론을 코드화하기
각 고객에 대해 Terminal X는 해당 회사 최고 투자자들처럼 투자하도록 설계된 에이전트를 구축합니다. Terminal X 엔지니어들은 고객사에서 수 주간 현장 근무를 하며, 회사에서 신뢰하는 투자 메모를 역설계하고, 신용팀이 차주를 심사하는 방식이나 공동투자팀이 메모를 작성하기 전에 참조하는 자료 출처처럼 문서화되지 않은 프로세스를 포착합니다.
다음으로, 이러한 프로세스는 자산 클래스와 전략별로 맞춤화된 수백 개의 에이전트에 코드화되며, 각 투자 단계마다 하위 에이전트가 배치됩니다. GPT‑6.1 Sol은 판단력과 방대한 컨텍스트 윈도우가 필요한 단계, 즉 투자 논거를 종합하고, 핵심 고려사항을 파악하고, 회사의 투자 목적과의 적합성을 평가하는 단계를 담당합니다. GPT‑6 Luna는 깊이보다 토큰 효율성이 더 중요한 대량 처리 단계를 실행합니다.
에이전트들은 각 회사의 프라이빗 데이터룸, 즉 기업이 민감한 투자 데이터를 공유하고 관리하기 위한 전용 환경 내에서 작동합니다. 에이전트들은 영어, 한국어, 일본어, 중국어 문서를 처리하며, 학습한 내용을 회사 Memory로 저장합니다. 이는 한 팀이 한 종류의 의사결정을 내리는 방식, 즉 과거 분석, 위원회 결정, 워크플로 지침, 그리고 회사 내부 견해를 버전별로 기록한 것입니다.
엔지니어들은 각 Memory를 Terminal X 플랫폼에서 반복 가능한 워크플로로 전환하며, 모든 프로덕션 쿼리는 전체 추적 기록과 함께 감사 가능합니다: 수행된 단계, 검색된 출처, 사용된 모델, 그리고 추론 과정까지 포함됩니다.
Terminal X에 따르면, 고객들은 이러한 접근 방식을 통해 상당한 비용 절감을 경험했으며, 한 사모펀드는 자동화된 실사 및 투자 메모 워크플로를 통해 연간 2.4 million 달러의 절감 효과를 보고했습니다.
Eval Agent로 답변 채점하고 시스템 개선하기
에이전트의 답변을 회사 자체의 기준과 비교해 확인하기 위해 Terminal X는 Eval Agent를 구축했습니다. 이는 GPT‑6.1 Sol과 기타 OpenAI 모델 위에서 구동되는 오케스트레이션된 워크플로로, VP가 애널리스트의 업무를 검토하는 방식으로 모든 에이전트 출력물을 읽도록 설계되었습니다.
Eval Agent는 각 출력물을 54개 기준의 루브릭으로 검사합니다. 질문은 이렇습니다: 숫자, 컴스(comps), 컨센서스 수치, 인용문이 올바른 출처에서 가져왔는가? 서사가 일관성을 유지하는가? 추천 사항이 회사 내부 견해와 연결되어 있는가?
각 검사는 통과 또는 실패로 채점됩니다. 모든 실패에는 한 줄짜리 이유와 더 나은 출처 또는 수정된 텍스트가 포함되며, Memory가 됩니다. 예를 들어, 누락된 출처, 잘못된 비교 대상 기업, 또는 내부 견해에서 벗어난 논거는 해당 팀을 위한 새로운 워크플로 지침이나 새로운 테스트 케이스로 코드화됩니다.
“모든 답변이 평가를 거치고, 애널리스트가 수정하는 내용 하나하나가 그 회사가 어떻게运作하는지에 대해 시스템이 조금씩 더 배우게 됩니다,” Terminal X의 공동창업자 겸 CTO인 Ken Lee가 말합니다. “그래서 회사가 사용할수록, 시스템은 그들의 팀처럼 사고하게 됩니다.”
모든 모델을 테스트하고, 작업별로 선택하기
Terminal X는 자체 평가 결과를 바탕으로 모델을 선택합니다. 500건의 채점된 판단에 걸쳐, GPT‑6.1 Sol에서 구동된 Eval Agent는 선임 인간 리뷰어와 88.6%의 시간 동안 일치했으며, 차선 모델의 86.4%와 비교해 220베이시스포인트 개선된 수치입니다.
GPT‑6.1 Sol이 우수한 성과를 보인 오류 유형 중 하나는 스타일 드리프트입니다. 예를 들어, 바이아웃 펀드의 투자 목적은 NAV 대비 할인된 가격에 거래되는 테이크프라이빗 후보를 찾아 사업을 언더라이팅하고 파이낸싱을 구조화하는 것입니다. 시나리오 모델이 시장 전환을 암시할 때, 딜들이 스트레스 신용 포지션이나 구조조정 파이낸싱을 추천하기 시작합니다. GPT‑6.1 Sol에서 구동된 Eval Agent는 차선 모델보다 약 25% 더 많은 이러한 이탈 사례를 포착했습니다.
GPT‑6.1 Sol의 롱컨텍스트 작업에서의 토큰 효율성 덕분에 Terminal X는 동일한 예산 내에서 더 깊은 리뷰 워크플로를 구축할 수 있었습니다. 논거는 먼저 펀드의 투자 목적에 대해 검증되고, 그다음 최근 딜들에 대해 검증됩니다. 불확실한 판정은 재실행되며, 에이전트는 보고 전에 결과를 조율합니다.
이러한 심층 리뷰는 유사 모델에서의 단일 패스에서 그냥 통과시켰던 딜들을 표시했습니다. GPT‑6.1 Sol은 또한 차선 모델 대비 쿼리당 약 30% 낮은 비용으로, 비슷한 속도로 동일한 워크플로를 실행했습니다.
모든 투자자를 위한 Memory를 향해 나아가다
GPT‑6.1 Sol과 GPT‑6 Luna를 사용하여, Terminal X는 1,700개의 회사 Memory를 구축했고, 1 million 건 이상의 커스텀 워크플로를 실행했으며, 주간 활성 사용자 수가 월간 활성 사용자의 81%에 달했습니다.
Terminal X의 다음 단계는 회사 차원의 Memories를 책상에서 개인으로 확장하여, 각 투자 전문가의 표준이 말로만 설명되는 것이 아니라 실제 수행되는 그대로 기록되도록 하는 것입니다.
Terminal X의 공동창업자이자 CEO인 Hyun에게 이것이 바로 핵심입니다. "다음 10년의 승자는 자신의 판단을 데이터로 소유하는 회사들일 것입니다. 우리의 일은 그 판단을 측정 가능하게 만들어, 보존하고, 개선하고, 재사용할 수 있도록 하는 것입니다."