How Kepler Built Verifiable AI for Financial Services — Vinoo Ganesh

한 줄 핵심

이 영상은 금융 서비스에서 AI의 핵심 과제가 더 많이 생성하는 것이 아니라, 숫자와 근거를 결정적으로 검증할 수 있게 만드는 것이라고 주장하며, 이를 위해 모델 아래에 결정적 계산·출처 추적·업무 규칙을 결합해야 한다고 설명한다.

시간별 요약

1. 0:01
   금융 업계에서 AI의 진짜 병목은 생산량이 아니라 신뢰성이다. LLM은 빠르게 문서와 숫자를 만들어내지만, 그 결과를 회계·투자 판단에 쓸 만큼 검증 가능하게 만들지 못하면 실무에 들어갈 수 없다.
2. 2:00
   기존의 citation은 출처를 보여주는 수준일 뿐이고, verifiable work product를 보장하지 못한다. 금융에서는 같은 정보로도 서로 다른 판단이 가능하므로, 정답 자체보다 조직의 규칙과 전제에 맞게 산출됐는지를 증명하는 구조가 필요하다.
3. 9:00
   해결책은 AI를 계산 주체가 아니라 판단과 조율 주체로 두고, 숫자 추출과 계산은 deterministic substrate가 맡게 하는 것이다. atomic provenance, scope determinism, derivation chains를 통해 모델은 무엇을 어디서 가져올지 결정하고, 실제 숫자 쓰기와 검증은 별도 시스템이 처리한다.
4. 13:01
   이 구조를 쓰면 10-K, 10-Q, 8-K, earnings call transcript 같은 자료에서 숫자를 뽑아 재무제표를 빠르게 통합하고 DCF를 만들 수 있다. 중요한 점은 모델이 존재하지 않는 행이나 잘못된 비율을 환각하지 않도록, 허용된 데이터 소스와 금지된 추출 범위를 명확히 고정하는 것이다.
5. 16:01
   이 접근은 금융을 넘어 법률, 의학, 과학 등 근거와 재현성이 중요한 산업으로 일반화된다. 앞으로의 경쟁 포인트는 token maxing이 아니라, 적은 비용으로 올바른 도구를 쓰고 조직별 투자 철학까지 반영한 verifiable ontology를 만드는 데 있다.

실무 인사이트

• 금융용 AI는 먼저 ‘더 잘 쓰는 모델’보다 ‘틀리면 걸러지는 시스템’부터 설계해야 하며, 숫자 산출 경로를 결정적으로 남기는 provenance ledger가 핵심이다.
• LLM에게 계산을 맡기기보다 계산 규칙과 데이터 추출을 분리하면 정확도와 비용을 동시에 개선할 수 있다.
• 실제 고객 가치는 AI 포트폴리오 매니저가 아니라, 애널리스트의 반복 작업을 줄여 검증 가능한 초안과 재무 모델을 빠르게 만드는 데 있다.