ChatGPT와 DeepSeek에게 중국 주식 5,000개를 분석하게 했더니, ChatGPT가 체계적으로 더 낙관적인 예측을 내놓았습니다.
원인은 성능 차이가 아니라 학습 데이터에 중국 현지 뉴스가 부족했기 때문입니다.
AI를 글로벌 의사결정에 쓰려면 모델 간 교차 검증과 현지 데이터 보강이 필수입니다.
AI에게 주식 추천을 받겠다고?
그 AI가 어느 나라 뉴스를 읽고 자랐는지부터 확인했습니까?
AI에게 같은 회사를 분석시켰는데, 미국 AI는 "사라"고 하고 중국 AI는 "팔라"고 합니다. 하버드 비즈니스 스쿨 연구팀이 5,000개 중국 상장사를 두 모델에 분석시킨 결과, AI의 판단은 성능이 아니라 정보 환경에 좌우되었습니다.
기관 투자자의 40%가 이미 AI를 시장 분석에 활용하고 있습니다. (출처: Bloomberg Intelligence) AI 기반 의사결정이 금융을 넘어 경영 전반으로 확산되고 있습니다. 하버드 비즈니스 스쿨 Charles C.Y. Wang 교수 연구팀이 ChatGPT 4.1과 DeepSeek R1에게 동일한 재무 데이터를 주고 중국 상장사 4,978곳의 주가를 예측하게 했습니다. 같은 데이터를 받았는데도 판단이 갈렸습니다. (출처: HBR, Wang et al., 2026년 3월)
이 연구에서 경영 리더가 주목할 포인트는 3가지입니다.
첫째, 같은 데이터를 줘도 AI 모델의 판단은 갈립니다. ChatGPT는 DeepSeek보다 주가를 12.5% 높게 예측했습니다. 매수 추천도 1.3%p 더 자주 내렸습니다. 동일한 재무 지표(총자산, ROA, 레버리지)를 입력받았는데도 결론이 달랐습니다. 모델이 학습한 뉴스와 맥락 정보가 판단을 좌우한 것입니다.
둘째, 낙관적 AI의 예측은 더 틀렸습니다. ChatGPT의 절대 예측 오류는 DeepSeek보다 13% 컸습니다. 실제 주가와 대조했을 때, ChatGPT의 매수 추천 적중률도 낮았습니다. 2024년 12월 31일 기준 실제 주가로 검증한 결과입니다.
셋째, 편향의 원인은 '부정적 현지 뉴스'의 부재입니다. 연구팀이 ChatGPT에 중국 현지 뉴스를 추가 제공하자, 과도한 낙관이 사라졌습니다. 중국 매체가 부정적 뉴스를 보도하고 있었지만, 미국 매체에는 해당 기업에 대한 보도 자체가 없었습니다. ChatGPT는 정보가 없는 곳을 낙관으로 채운 것입니다.
AI 모델의 정보 편향을 무시하면 실질적 비용이 발생합니다.
예측 오류가 13% 확대됩니다. ChatGPT의 낙관 편향은 단순한 방향 차이가 아니라 오류 크기의 차이로 이어졌습니다. 이 오류에 따라 투자하면 포트폴리오 손실이 발생합니다.
현지 맥락 없는 AI 분석은 의사결정 품질을 떨어뜨립니다. 해외 시장 진출, 공급망 파트너 평가, M&A 대상 스크리닝 등에서 AI를 활용할 때, 현지 데이터가 빠진 분석을 그대로 믿으면 잘못된 의사결정으로 이어집니다. Bloomberg Intelligence에 따르면, 기관 투자자 40%가 AI 분석에 의존하고 있어 편향의 파급 범위가 넓습니다.
ChatGPT와 Claude, 또는 DeepSeek 등 학습 데이터 기반이 다른 모델을 조합합니다. 결론이 크게 다르면 정보 격차를 의심합니다. (예상 15분)
해외 시장을 분석할 때, 현지 언어 뉴스, 규제 공시, 업계 보고서를 AI에게 함께 제공합니다. (예상 30분)
아래 한국어 뉴스 기사 3건을 참고하여 해당 기업의 리스크 요인을 재평가해 주세요. [기사 1] (제목과 본문 붙여넣기) [기사 2] (제목과 본문 붙여넣기) [기사 3] (제목과 본문 붙여넣기) 기존 분석과 달라진 점이 있다면, 무엇이 왜 바뀌었는지 설명해 주세요.
어떤 모델을 썼는지, 현지 데이터를 포함했는지, 분석 시점이 언제인지를 기록합니다. 의사결정자가 분석의 한계를 인지할 수 있게 합니다. (예상 10분)
AI 모델 간 교차 검증이 만능은 아닙니다. 두 모델이 같은 편향을 공유할 수 있습니다. 미국 기업 분석에서는 ChatGPT와 DeepSeek의 차이가 크지 않았습니다. 미국 기업 정보가 글로벌 공공재처럼 양쪽 모두에 풍부하기 때문입니다. 교차 검증은 정보 비대칭이 큰 시장에서 더 유효합니다.
이 연구는 금융 예측에 한정됩니다. 주가 예측이라는 특수한 과업에서의 편향이므로, 다른 비즈니스 분석에 동일한 크기로 적용되는지는 추가 검증이 필요합니다. 다만 "학습 데이터의 편향이 결론에 반영된다"는 원리 자체는 보편적입니다.
최신 모델도 같은 문제를 보입니다. 연구팀이 ChatGPT 5로 동일한 실험을 수행한 결과, 같은 유형의 편향이 확인되었습니다. 모델 업그레이드가 정보 편향을 자동으로 해결하지 않습니다.
AI의 판단은 성능이 아니라 학습 데이터가 결정합니다. AI를 전략적 의사결정에 쓰려면, 그 AI가 무엇을 모르는지를 먼저 파악해야 합니다.
- Cao, S., Wang, C. C. Y., & Xiang, Y. (2026). When LLMs Go Abroad: Foreign Bias in AI Financial Predictions [Working paper]. Harvard Business School.
- Rand, B. (2026, March). Competing LLMs Were Asked to Pick Stocks. Their Choices Revealed AI's Limitations [Article]. Harvard Business Review. (원문 보기 ↗)