Enterprise agentic workflows and multi-agent systems for investment strategy: JPMorgan은 실제 배포 가능한 투자 리서치 에이전트에는 제약 없는 자동화가 아니라 통제된 자율성이 필요하다고 주장한다

개요

JPMorgan의 Global Quantitative Strategy는 Google과 함께 진행한 2026년 9월 투자 리서치용 엔터프라이즈 에이전틱 워크플로 구축 워크숍을 요약한다. 보고서는 실무적 목표를 통제되고 검토 가능한 자율성으로 규정한다. 즉, 에이전트는 승인된 도구, 데이터 소스, 수용 기준 및 에스컬레이션 경로 안에서 작동하면서 반복적이고 데이터 집약적인 업무를 자동화해야 한다는 것이다.

핵심 견해

보고서는 Agentic AI를 전통적 자동화, 머신러닝 및 생성형 AI와 구분한다. 고정형 자동화는 사전에 정의된 코드 경로를 따르고, 머신러닝은 패턴을 식별하며, 생성형 AI는 비정형 정보와의 자연어 상호작용을 확대한다. 반면 Agentic AI는 워크플로 자체를 관리한다. 즉, 목표를 분해하고, 도구를 선택하며, 행동을 실행하고, 중간 작업을 검토하고 반복할 수 있다. JPMorgan은 이것이 감독 없는 행동을 뜻하지는 않는다고 강조한다. 투자 워크플로에서는 프로세스를 설명 가능하고 방어 가능하게 유지하기 위해 권한, 검토 지점 및 에스컬레이션 경로로 자율성을 제한해야 한다. 경제적 근거는 보편적 도입이 아니라 선택적 도입이다. 보고서는 AI가 문서 분류, 초안 작성 및 코딩의 일부와 같은 확장 가능하고 반복적인 업무에 강점이 있는 반면, 인간은 고위험 판단, 전략 업무 및 창의적 업무에서 구조적 우위를 유지한다고 본다. 도입의 합리성은 인력 시간 대비 토큰 비용, 완료 시간, 재작업, 오류율, 일관성 및 감독을 고려해 판단된다. 금융 리서치는 다단계이고 도구 의존도가 높아 적합한 사용 사례로 제시되지만, 투자 의사결정과 직접 연결되므로 신뢰성과 추적 가능성이 필수적이다. 워크숍의 첫 번째 전문 에이전트는 실시간 시장 데이터 도구를 이용해 질의 시점에 최신 주가 입력값을 가져오고 계산을 수행했다. 이는 모델의 학습 시점 지식과 변화하는 시장 사이의 간극을 연결하고, 데이터를 별도로 수집해 프롬프트에 붙여 넣는 수작업을 대체한다. 보고서는 속도만이 이점은 아니라고 강조한다. 그럴듯하지만 근거 없는 결과를 막으려면 승인된 데이터 소스에 대한 제한과 누락, 오래되었거나 불일치하는 데이터에 대한 명확한 처리 방식이 필요하다. 프로토타입은 ticker를 찾지 못하면 100을 기본값으로 반환하는 가격 함수 를 사용했으며, 보고서는 데이터가 없을 때의 가드레일이 환각 위험을 줄이는 데 도움이 된다고 별도로 강조한다. 두 번째 전문 에이전트는 비공개 문서를 위한 RAG 분석가다. 문서는 청크로 분할되고 의미론적 임베딩으로 변환되어 벡터 데이터베이스에 저장된다. 사용자 질의도 같은 방식으로 임베딩되며, 유사도 검색이 관련 문구를 가져와 모델의 컨텍스트로 제공한다. 보고서는 이를 통해 응답을 승인된 내부 정책, 시장 전망 또는 기업 문서에 근거하게 하여 에이전트가 하우스 뷰 및 관련 제약과 일관되게 유지될 수 있다고 설명한다. 또한 RAG는 의도적인 테스트가 있어야 신뢰할 수 있다고 강조한다. 팀은 대표적인 답변의 근거가 된 검색 문구를 점검해야 한다. 검색이 올바른 문구를 반환했는데 답변이 부실하면 지시문과 응답 제약을 강화해야 하며, 검색이 적절한 자료를 놓치면 청크화, 임베딩 또는 검색 설정을 조정해야 한다. 예시 RAG 에이전트는 데이터베이스에 없는 정보를 끝없이 검색하지 않도록 30초 타임아웃을 사용한다. 매니저 주도 오케스트레이션이 다음 단계다. 라우팅 매니저는 사용자의 목적을 해석하고, 하위 작업을 계획하며, 전문 에이전트에 위임하고, 결과를 통합한다. JPMorgan은 역할 범위를 좁히면 혼동의 여지가 줄어들고 결과물 품질이 개선될 수 있다고 주장한다. 또한 일상 하위 작업을 더 저렴하고 빠른 모델에 배정하고, 실제로 복잡한 추론이 필요한 경우에만 고성능 모델을 사용하면 비용을 통제할 수 있다. 조직이 소수의 도구에서 수십 또는 수백 개의 전문 에이전트로 확장되면, 사람이 각 에이전트의 역할과 도구 접근 권한을 신뢰성 있게 기억할 수 없으므로 그 가치가 더 커진다. 따라서 모델 선택, 라우팅 규칙, 정확도, 지연 시간 및 비용은 단일 표준 구성이 아니라 각 워크플로에 맞춰 테스트하고 조정해야 한다. 최종 데모는 이 구성 요소들을 명확한 역할과 중단 조건으로 통제되는 자율형 리서치 팀으로 결합한다. 목표 구체화 에이전트는 광범위한 요청을 정밀한 리서치 브리프로 전환한다. 리서치 루프는 RAG 분석가, 컴플라이언스 담당자 및 종료 검사기를 결합하며, 종료 검사기는 결과가 수용 기준을 충족하는지 또는 추가 반복이 필요한지를 결정한다. 제시된 루프는 최대 4회 반복한다. 그 후 보고 에이전트는 리서치 루프의 결과만 사용해 경영진 메모를 작성하며, 외부 지식으로 빈틈을 채우지 않도록 지시받는다. 이 계층 구조는 품질과 토큰 소비를 통제하는 동시에 책임과 증거 흐름을 가시화하는 것을 목적으로 한다. 보고서는 운영 환경 수준의 “harness”가 영리한 프로토타입과 배포 가능한 시스템을 구분한다고 결론짓는다. harness는 계획, 중간 단계, 도구 호출, 하위 에이전트 활동 및 자원 사용량을 노출해 사용자가 문제를 진단하고 개입할 수 있게 한다. JPMorgan은 변동성을 줄이기 위한 temperature 같은 추론 파라미터, 결과를 표준화하기 위한 더 풍부한 시스템 지시문과 few-shot 예시, 그리고 기능을 도구로 유지할지 하위 에이전트에 위임할지를 결정하기 위한 테스트라는 세 가지 실무적 조정 수단을 제시한다. 거버넌스는 사후 고려 사항이 아니라 엔지니어링 요건으로 규정되며, 시스템에는 명확한 권한, 검토 및 에스컬레이션 관문, 반복 및 실행시간 한도, 그리고 규모가 커져도 점검 가능한 증거 흔적이 필요하다.

분석 프레임워크

보고서는 Agentic AI의 정의와 경제성에서 시작해 실시간 데이터 전문 에이전트, RAG 전문 에이전트, 매니저 주도 라우팅, 완전한 리서치 팀 아키텍처로 단계적으로 전개된다. 워크숍 프로토타입을 통해 승인된 데이터 접근, 검색 기반 근거화, 테스트, 역할 분리, 컴플라이언스 검토 및 루프 제한이 자동화된 리서치 워크플로를 검토 가능하고 통제 가능하게 만드는 방식을 설명한다.

방법론 메모

• 기타기타

  검색 증강 생성(RAG)

  이 워크플로는 승인되고 벡터화된 문서 집합에서 관련 문구를 검색해 컨텍스트로 제공하며, 근거 없는 모델 지식이 아니라 원문 증거에 답변을 기반하게 하는 것을 목표로 한다.

• 기타기타

  매니저 주도 멀티에이전트 오케스트레이션

  매니저 에이전트가 요청을 분해하고, 하위 작업을 전문 에이전트에 배정하며, 결과를 통합하고, 명확한 품질·비용·종료 통제를 적용한다.

핵심 데이터

• RAG 에이전트 연결 타임아웃30 seconds에이전트가 데이터베이스에 없는 정보를 끝없이 검색하지 않도록 설계됐다.
• 자율형 리서치 루프의 최대 반복 횟수4루프는 수용 기준을 충족하거나 반복 한도에 도달하면 종료된다.
• 자율형 리서치 팀의 단계 수3목표 구체화 에이전트, 반복형 리서치 루프 및 보고 에이전트.

영향과 시사점

보고서는 통제된 에이전트 시스템을 증거 추적 가능성과 인간 감독을 유지하면서 반복적인 리서치 단계를 자동화하는 수단으로 제시한다. 조직은 범용 자율 에이전트를 배포하기보다 각 워크플로에 맞게 도구, 모델, 프롬프트, 라우팅 및 통제를 조정해야 한다고 본다.

위험

• 초기 오류가 감지되지 않으면 환각이 엔드투엔드 자동화 워크플로의 후속 단계로 전파될 수 있다.
• 기초 데이터가 검색되지 않았거나 누락, 노후화 또는 불일치 상태여도 결과물은 자신 있어 보일 수 있다.
• 제한 없는 루프, 과도한 도구 호출 및 부적절하게 정의된 에이전트 권한은 통제되지 않는 비용, 안전성 및 신뢰성 문제를 초래할 수 있다.
• 검색 품질, 청크화, 임베딩, 검색 설정 및 출처 기반 근거화가 테스트되지 않으면 RAG 결과물은 신뢰할 수 없을 수 있다.

주시할 점

• 기업이 시간 및 금전적 비용을 측정 가능한 이익으로 정당화할 수 있는 워크플로 사용 사례를 선택하는지 여부.
• 모델 선택, 추론 설정, 지시문, 도구 구성, 정확도, 지연 시간 및 비용에 대한 테스트 결과.
• 운영 시스템이 검토를 위해 도구 호출, 중간 결과, 증거 출처 및 자원 사용량을 공개하는지 여부.
• 에이전트 워크플로에 명확한 권한, 수용 기준, 에스컬레이션 경로 및 반복 한도가 있는지 여부.