헤지펀드 400명이 100% Claude Code를 씁니다 — Anthropic 5/5 발표가 산업 단위 AI 도입의 시작점인 이유
2026.05.07

2026년 5월 5일, Anthropic이 금융 서비스용 에이전트 템플릿 10개를 한꺼번에 공개했습니다.
같은 날 발표문에 함께 실린 고객사 인용 한 줄이 시선을 끌었습니다.
"Walleye Capital 직원 400명 전원이 Claude Code를 사용 중입니다."
— Will England, Walleye Capital CEO
400명 규모 헤지펀드. 100%. 일부 부서가 아니라 전사가 코드 기반 AI 도구를 일상 업무에 씁니다.
처음 이 수치를 봤을 때 마케팅 수치일 가능성을 먼저 의심했습니다.
그런데 발표문 전체를 다시 읽어보면 100% 도입 자체보다 의미가 큰 부분이 따로 있습니다.
이번 발표는 개별 회사 사례 보고가 아니라, 한 산업의 워크플로우를 통째로 표준화하기 시작한 첫 시도입니다.
이 글에서는 5월 5일 발표가 표면적으로 보여주는 것 너머의 함의를 정리합니다. (1) 왜 금융업이 첫 산업이 됐는지, (2) Vals AI 64.37% 수치가 실제로 알려주는 것, (3) Walleye 100%가 가능했던 구조적 조건. 마지막에는 한국 직장인·창업자가 자기 위치를 진단할 수 있는 4단계 모델을 제안합니다.
1. 발표의 표면과 그 너머
표면적으로 Anthropic이 발표한 내용은 셋입니다.
(1) 직무 단위 에이전트 템플릿 10개
분류 | 템플릿 | 하는 일 |
|---|---|---|
리서치/고객 | Pitch builder | 타겟 리스트, 비교 분석, 피치북 초안 |
Meeting preparer | 미팅 브리핑 자동 생성 | |
Earnings reviewer | 실적 발표 분석, 모델 업데이트, 변화 플래그 | |
Model builder | 공시 기반 재무 모델 생성 | |
Market researcher | 섹터 동향 추적, 리서치 종합 | |
재무/운영 | Valuation reviewer | 밸류에이션 검증 |
General ledger reconciler | 회계 계정 조정, NAV 계산 | |
Month-end closer | 월말 마감, 분개 작성 | |
Statement auditor | 재무제표 일관성·감사 준비도 검토 | |
KYC screener | KYC 파일 조립, 컴플라이언스 에스컬레이션 |
(2) Microsoft 365 전 영역 통합 — Excel, PowerPoint, Word, Outlook(예정). 앱 간 컨텍스트 자동 연동.
(3) 데이터 파트너 8곳 + Moody's MCP — Dun & Bradstreet, Guidepoint(전문가 인터뷰 10만+건), IBISWorld, Verisk, SS&C IntraLinks 등. Moody's는 6억+ 기업 신용등급.
발표를 항목별로 읽으면 "AI 회사가 금융업용 도구 모음을 출시했다"는 흔한 B2B 발표문에 가깝습니다. 의미가 달라지는 지점은 세 항목을 한 축으로 묶을 때입니다.
직무 워크플로우(템플릿 10개) + 사용 환경(MS365) + 데이터 인프라(파트너 8곳 + Moody's) — 산업 종사자가 매일 일하기 위해 필요한 세 층이 동시에 채워졌습니다.
지금까지의 AI 도구는 단일 기능에 머물렀습니다. ChatGPT는 채팅, Cursor는 코딩, Notion AI는 글쓰기. 각자 유용했지만 산업 워크플로우 전체를 덮지는 못했습니다.
5월 5일 발표는 범위가 다릅니다. 금융업 애널리스트가 출근해서 퇴근할 때까지 거치는 단계 — 데이터 조회(Moody's MCP), 모델 빌드(Excel + Model builder), 슬라이드 작성(PowerPoint + Pitch builder), 미팅 준비(Meeting preparer), 컴플라이언스 체크(KYC screener) — 가 한 번에 묶였습니다.
개별 도구가 아니라 산업 인프라 단위로 패키징된 첫 사례라는 점이 이번 발표의 핵심입니다.
이 관찰에서 다음 질문이 따라옵니다. 왜 금융업이 첫 산업이 됐을까요?

2. 왜 금융업이 첫 산업이 됐는가
가장 손쉬운 설명은 "Anthropic의 영업 전략"입니다. 그러나 이 설명은 약합니다. 금융업은 산업 구조 자체가 AI 인프라화에 가장 먼저 적합한 조건을 갖추고 있습니다. 세 가지 구조적 특성이 그 이유입니다.
(1) 워크플로우 표준화 수준이 높습니다
피치북, KYC, 월말 마감, 실적 분석 같은 작업은 골드만삭스, 모건스탠리, 한국 증권사 사이에서 본질적으로 같은 구조를 갖습니다. 회사별 디테일 차이는 있어도 "정해진 데이터로 정해진 산출물을 만든다"는 골격이 동일합니다. 산업 전반의 표준화 수준이 높을수록 템플릿이 작동합니다.
(2) 데이터가 정형화돼 있습니다
Bloomberg, S&P, Moody's, FactSet 등 금융 데이터는 30년 이상 정형 인프라가 축적된 영역입니다. AI 에이전트가 데이터를 인용·계산·요약하기 가장 적합한 환경입니다. Anthropic이 공개한 데이터 파트너 8곳이 모두 정형 데이터 공급자라는 사실이 이 조건과 맞물립니다.
(3) ROI 측정이 단순합니다
미국 주니어 애널리스트 연봉은 $150-200K 수준입니다. 한 명의 작업 시간을 30% 단축하면 연 $50K 규모 절감이 잡힙니다. 도입 의사결정에 필요한 ROI 계산이 단순한 환경입니다.
이 세 조건이 동시에 성립하는 다른 산업을 살펴보면 다음과 같습니다.
법률: 워크플로우 표준화 ✓ / 데이터 정형화 △ / ROI 측정 ✓ → 다음 후보
회계: 셋 다 ✓ → 매우 유망
컨설팅: ✓ / △ / ✓ → 후보
의료: ✓ / ✗(개인정보 사일로) / △(오류 비용 큼) → 늦어짐
마케팅: △ / △ / ✓ → 분야별 차이 큼
이 분석은 한국 금융권 적용 가능성에 대해 한 가지 분명한 결론을 줍니다.
5월 5일 발표는 한국 금융권에 그대로 이식되기 어렵습니다. 세 가지 환경 차이 때문입니다.
망분리 규제: 한국 금융사는 인터넷망과 업무망이 분리돼 있어 Claude API를 그대로 사용하기 어렵습니다.
사용 환경 차이: 한국 기업 다수는 Naver Works, Kakao Workspace, 또는 자체 그룹웨어를 사용합니다. Anthropic이 통합한 Microsoft 365 기반과 환경 자체가 다릅니다.
데이터 인프라 격차: Moody's MCP에 해당하는 한국 신용평가·기업정보 데이터가 아직 같은 형태의 API/MCP로 공급되지 않습니다.
따라서 한국 금융사가 미국 발표를 그대로 모방하기는 어렵고, 다른 경로가 필요합니다.
이 부분은 5번 섹션에서 4단계 모델로 정리합니다.
3. Vals AI 64.37% 수치를 다시 읽기
발표문에서 가장 많이 인용된 숫자는 "Vals AI Finance Agent 벤치마크 1위 64.37%"입니다.
이 수치를 표면적으로 읽으면 "AI가 애널리스트 작업을 64% 정확도로 수행한다"가 됩니다.
그러나 벤치마크 자체의 구조를 들여다보면 함의가 더 정교해집니다.
Vals AI Finance Agent v1.1: Stanford 연구진 + 글로벌 시스템적 중요 은행(G-SIB) + 업계 전문가가 공동 제작. 537개 질문. 비공개 데이터셋.
Top 5 모델 (2026-05-07 기준):
순위 | 모델 | 정확도 |
|---|---|---|
1 | Claude Opus 4.7 | 64.37% |
2 | Claude Sonnet 4.6 | 63.33% |
3 | Muse Spark | 60.59% |
4 | DeepSeek V4 | 60.39% |
5 | Claude Opus 4.6 (Thinking) | 60.05% |
여기서 세 가지 사실이 드러납니다.
(1) Top 5 중 3개가 Claude 계열입니다.
이는 Anthropic이 금융 영역을 단발성 마케팅이 아니라 일정 기간 모델·평가·튜닝을 집중한 영역으로 다뤄왔음을 시사합니다. 5월 5일 발표는 단일 이벤트가 아니라 누적된 작업의 정산에 가깝습니다.
(2) 1위와 2위 격차는 1.04%p입니다.
가장 비싸고 강력한 모델인 Opus 4.7과 Sonnet 4.6의 점수 차이가 1%p 수준입니다. 이 격차는 두 가지 함의를 줍니다.
첫째, 60%대 정확도 진입이 단일 회사·단일 모델의 독점 영역이 아니라 산업 일반의 도달 가능 수준이 됐습니다. 둘째, 차별화 지점이 모델 자체의 1%p가 아니라 워크플로우 통합, 데이터 연결, 사용 환경 같은 모델 외부 영역으로 이동했습니다. Anthropic이 단일 모델이 아닌 "템플릿 10개 + 데이터 파트너 8곳 + MS365 통합" 패키지로 발표한 이유와 맞물립니다.
(3) 64.37% 정확도는 36% 오답을 의미합니다.
537문제 기준으로 약 191문제는 잘못된 답이 나옵니다. 이 수치만 보면 100% 전사 도입은 비합리적으로 보입니다. 그러나 Walleye 사례가 작동하는 이유는 워크플로우 구조 자체에서 찾아야 합니다.
기존 방식: 애널리스트가 6시간 작업 → 정확도 약 95%
신규 방식: AI가 30분 초안 → 애널리스트가 1시간 검증·보완 → 최종 정확도 95% 이상
작업 총 시간은 6시간에서 1.5시간으로 줄고, 최종 정확도는 유지됩니다. 즉 64% 모델의 36% 오답은 후단의 인간 검증 단계에서 흡수됩니다.
이 구조는 산업별 도입 속도 차이를 예측하는 기준이 됩니다. 오류 비용이 클수록 후단 검증이 어렵고, 도입이 늦어집니다. 의료(오진), 법률(소송), 항공(사고) 영역은 36% 오답을 후단에서 거를 비용이 너무 큽니다. 반면 금융 애널리스트 작업은 매니저-트레이더-리스크팀으로 이어지는 다층 검증이 본래 존재해서 모델 오답이 자연스럽게 걸러집니다.
따라서 산업별 도입 순서는 이 구조에서 결정됩니다. 금융업이 첫 산업이 된 것은 마케팅 우연이 아니라 검증 구조가 이미 다층화돼 있었기 때문입니다.
4. Walleye Capital 100%의 구조적 조건

처음의 질문으로 돌아갑니다. 헤지펀드 400명이 어떻게 100% 도입에 도달했을까요?
Walleye Capital은 multi-strategy 헤지펀드로, equities, quant, volatility, tactical 전략을 병행 운영합니다. 펀더멘털 리서치와 정량 분석을 결합하는 회사입니다. 이 회사의 100% 도입은 우연이 아니라 세 가지 구조적 조건이 동시에 성립한 결과입니다.
(1) 회사 규모와 인센티브 구조
400명은 헤지펀드 기준 중규모로, 대형 IB(골드만삭스 약 4만 명)와는 다른 의사결정 속도를 갖습니다. 임원과 실무자 사이 거리가 짧습니다. 더 중요한 조건은 인센티브 구조입니다. 헤지펀드 직원의 보너스는 회사 수익률에 직접 연동됩니다. 효율을 끌어올리는 도구가 도입되면 거부할 동기가 없고, 오히려 빠르게 받아들일 동기가 강합니다.
(2) 알파 경쟁의 외부 압력
헤지펀드는 시장 평균을 초과하는 수익(알파)을 내지 못하면 자본 유출이 일어납니다. 알파의 원천은 정보의 질과 분석 속도 두 축입니다. AI는 후자를 가파르게 끌어올립니다. 경쟁사가 도입하면 안 쓰는 회사가 곧바로 불리해지는 구조라, 도입 속도가 산업 평균보다 빠르게 작동합니다.
(3) 코드 기반 작업 문화
Walleye가 도입한 도구는 Claude Chat이 아니라 Claude Code입니다. quant 전략을 운영하는 회사 특성상 직원 상당수가 Python·SQL을 일상적으로 다룹니다. 코드 기반 AI 도구를 받아들일 기술적 토양이 이미 갖춰진 환경이었습니다.
이 세 조건이 동시에 성립하는 회사는 많지 않습니다. 한국에서도 동일한 100% 도입을 일반화하기는 어렵습니다.
한국 대기업의 도입 제약
한국 대기업의 전사 도입은 다음 세 가지 이유로 더 느립니다.
조직 관성: 도입 의사결정 6개월, 시범 운영 3개월, 전사 확대 6개월 단위의 선형 프로세스가 일반적
컴플라이언스 사일로: 정보보안·법무·컴플라이언스 각 부서가 별도 기준을 적용해 도입 경로 예측이 어려움
데이터 사일로: 부서별 데이터가 각기 다른 시스템에 분산돼 에이전트가 단일 컨텍스트로 활용하기 어려움
한국 중소기업의 잠재적 우위
반대로 50명 이하 한국 중소기업·스타트업은 다른 조건을 갖습니다.
의사결정 단계가 짧음
컴플라이언스 요구가 단순
데이터 다수가 동일 도구군(Slack, Notion, Google Workspace)에 모여 있음
이 조건이 성립할 경우, 한국 SMB는 미국 대기업보다 먼저 전사 단위 AI 도입에 도달할 수 있습니다. Walleye 사례는 100%라는 숫자 자체보다 이 구조적 조건이 어떤 회사에서 성립 가능한지를 보여줍니다.
5. 프레임워크: Agent Adoption Stack (4단계 모델)
지금까지의 분석을 자기 조직·자기 위치에 대입할 수 있는 모델로 정리합니다.
Agent Adoption Stack (4단계):
레벨 | 단계 | 사용자 | 주체 | 예시 |
|---|---|---|---|---|
L1 | 도구로 사용 | 개인 | 본인 | ChatGPT로 글 초안, Claude에 코드 질문 |
L2 | 워크플로우 자동화 | 팀 | 팀장/리더 | Zapier+Claude로 리드 응대, Slack 봇으로 미팅 요약 |
L3 | 직무 템플릿 | 부서 | 부서장 | 마케팅팀 전체가 같은 광고 카피 에이전트 사용, 디자인팀이 같은 카드뉴스 에이전트 |
L4 | 전사 인프라 | 회사 | C레벨 | Walleye Capital(400명 100%), FIS(AML 자동화) |
현재 위치:
Walleye Capital → L4
FIS, BNY, Citadel → L3 → L4 전환 중
한국 대기업 평균 → L1, 일부 L2
한국 SMB 적극 도입 회사 → L2-L3 (점프 가능)
한국 일반 직장인 → L1
이 모델의 함의:
(1) 중소기업은 L1·L2를 건너뛰고 L3로 직접 진입할 수 있습니다.
대기업은 L1(개인) → L2(팀) → L3(부서) → L4(전사) 순으로 단계적으로 상승하며, 각 단계 사이 6개월 이상 소요됩니다. 한 부서가 곧 회사 전체인 SMB는 처음부터 직무 템플릿 단위로 도입할 수 있어 단계 점프가 가능합니다.
(2) 개인 차원의 도입은 조직 도입 속도와 분리됩니다.
조직이 L1에 머물러 있어도 개인은 L2를 자기 책상에서 시작할 수 있습니다. Slack, Notion, Google Workspace 위에 Claude·Codex·Gemini 에이전트를 직접 연결해 반복 작업의 30% 정도를 자동화하는 것이 일반적인 시작점입니다.
7. Takeaways
위의 4단계 모델에서 자기 위치를 먼저 확인한 뒤, 한 단계 위 행동을 시작하는 것이 가장 단순한 적용입니다.
위치 | 다음 행동 |
|---|---|
개인 (L1 → L2) | 매일 반복하는 작업 3개를 적고, 그중 하나를 Claude·Codex 워크플로우로 자동화. Slack 봇, Notion 자동화, Google Sheets 자동화 모두 적합한 출발점. |
팀 리더 (L2 → L3) | 팀이 공유하는 반복 작업(광고 카피, 시안 제작, 보고서 작성) 중 하나를 직무 템플릿으로 표준화. 한 명의 자동화가 아니라 팀 전체가 같은 에이전트를 사용하는 구조가 L3. |
대표·임원 (L3 → L4) | 전사가 매일 사용할 단일 AI 인프라를 결정. Walleye는 Claude Code, FIS는 자체 AML 에이전트, BNY는 Eliza+Claude 결합. 도입 도구 1순위 선정이 핵심. |
한국 SMB (L1·L2 → L3 점프) | 부서가 곧 회사 전부인 구조 활용. 직무 템플릿 단위에서 바로 시작해 단계 점프. |
핵심 정리는 다음과 같습니다.
5월 5일 발표는 단일 도구가 아니라 워크플로우·환경·데이터 세 층이 묶인 산업 인프라다.
금융업이 첫 산업이 된 것은 마케팅이 아니라 표준화·정형 데이터·다층 검증이라는 구조적 조건의 결과다.
Vals AI 64.37% 수치의 함의는 모델 성능이 아니라 모델 외부 통합이 차별점이 됐다는 데 있다.
Walleye 100%는 회사 규모·인센티브·코드 문화 세 조건의 산물이며, 한국 SMB는 동일 조건을 충족할 가능성이 있다.
이 글은 Anthropic 공식 발표(2026-05-05)와 Vals AI Finance Agent v1.1 벤치마크 결과를 참고했습니다. 인용한 고객사 발언은 모두 Anthropic 발표문 원문 기준이며, 한국 금융권 적용에 대한 분석은 일반 공개 정보 기반의 추정입니다.
우리 회사에도 이런 자동화를 도입하고 싶다면
회사 업무에 맞춘 AI 교육을 함께 설계해요.


