벤처·사모투자 심사를 지원하는 AXE 파트너스
: AI 에이전트로 투자 검토의 속도와 신뢰성을 높이다
한눈에 보는 AXE 파트너스 AI 투자심사 혁신
- 비정형 실사자료 통합: PDF, Excel, Word, PowerPoint를 표준화해 하나의 검색 가능한 지식 기반으로 구성했습니다.
- 멀티에이전트 기반 교차 검증: 수집·저장·검색·분석·보고서 작성 역할을 분리한 AI 에이전트가 협업해 문서 간 수치 불일치와 근거를 확인합니다.
- 출처와 권한 중심의 신뢰 설계: 모든 답변에 원문 출처를 연결하고 역할 기반 접근 제어를 적용해 투자자료의 추적성과 보안을 강화했습니다.
- 실측 기반 생산성 향상: 건당 심사 시간은 40시간에서 8시간으로 80% 단축됐고, 월간 처리 가능 보고서 수는 8건에서 36건으로 350% 증가했습니다.
- AXE 파트너스는 삼성SDS와 함께 이러한 투자심사 업무를 AI로 보조하되, 최종 판단은 심사역이 수행하는 구조를 마련했습니다.
오늘날 투자심사 조직은 더 많은 데이터를 더 빠르게 검토해야 합니다. 그러나 투자 판단의 근거가 되는 자료는 재무제표, 실사 보고서, IR 덱, 시장 분석, 회의록 등 서로 다른 형식과 출처에 흩어져 있습니다.
이처럼 자료가 분산된 환경에서는 단순 검색만으로 충분하지 않습니다. 동일한 재무 지표가 문서마다 다르게 기록된 경우를 발견하고, 어떤 수치가 어느 문서에서 나왔는지 추적하며, 최종 보고서를 일관된 형식으로 작성하는 전 과정이 연결돼야 합니다.
형태도 출처도 다른 투자자료, 사람이 직접 맞춰보던 한계
AXE 파트너스는 벤처·사모투자(VC·PE) 영역에서 투자 대상 기업을 검토하고 투자 의사결정을 지원합니다. 하나의 투자 검토를 위해 재무제표, 실사(Due Diligence) 자료, IR 덱, 시장·경쟁사 분석 리포트, 회의록을 함께 살펴봐야 했습니다.
자료의 양이 많다는 것보다 더 큰 문제는 같은 재무 지표가 서로 다른 문서에서 다르게 기재되거나, 최신 버전과 이전 버전이 함께 유통되는 상황이었습니다. 수치 불일치는 단순한 오탈자를 넘어 투자 판단의 근거를 훼손할 수 있어, 심사역은 자료를 반복적으로 대조하고 원문을 다시 확인해야 했습니다.
- 자료 취합의 비효율: PDF, Excel, Word, PowerPoint 파일이 혼재돼 있어 문서별 핵심 내용을 사람이 직접 정리해야 했습니다.
- 정합성 확인의 어려움: 동일한 지표가 문서마다 다르게 기록된 경우를 놓치기 쉬웠고, 어떤 값이 최신인지 판단하기 위해 원문을 반복 확인해야 했습니다.
- 보고서 작성 부담: 투자 메모, DDQ, 재무 요약, 이사회 보고자료, LP 보고서 등 목적별 문서를 매번 처음부터 작성해야 했습니다.
- 민감정보 접근 통제: 여러 포트폴리오사와 투자 검토 대상 기업의 자료를 한 시스템에서 다루면서도 회사와 사용자별 접근 범위를 엄격히 분리해야 했습니다.
역할별 AI 에이전트가 협업하는 RAG 투자심사역
삼성SDS는 AWS 기반의 Agentic RAG(검색증강생성) 멀티에이전트 시스템인 "RAG 투자심사역"을 구축했습니다. 하나의 대규모 모델이 모든 업무를 처리하는 대신, 데이터 수집·저장·검색·분석·보고서 작성 역할을 전문 에이전트로 분리해 각 단계의 책임과 검증 지점을 명확히 했습니다.
자료를 검색 가능한 투자 지식으로 전환
Ingestion 에이전트는 PDF, Excel, Word, PowerPoint 문서를 수집하고 표준 형식으로 변환합니다. Embedding & Storage 에이전트는 문서를 의미 단위로 나누고 재무, 재무실사(FDD), 법률실사(LDD), 시장 분석, 회의록 등 문서 유형별로 태깅한 뒤 벡터 데이터베이스에 저장합니다.
복합 질의를 분해하고 근거를 다시 찾는 순환 구조
심사역이 복합 질의를 입력하면 Supervisor 에이전트가 질문을 하위 작업으로 분해해 각 전문 에이전트에 배분합니다. Retrieval 에이전트는 벡터 검색, 키워드 검색, 메타데이터 기반 SQL 조회를 결합해 근거를 찾고, 결과가 모호하면 질의를 재작성해 다시 검색합니다.
Analyst 에이전트는 필요한 경우 Python 코드를 작성·실행해 재무 지표를 계산하고 비교합니다. Writer 에이전트는 검색 결과와 분석 내용을 바탕으로 출처가 표시된 보고서를 작성하며, 근거가 부족하면 Retrieval 에이전트에 추가 검색을 요청합니다. 이 순환 구조를 통해 답변 생성과 근거 확인이 한 번의 호출로 끝나지 않도록 설계했습니다.
RAG 투자심사역의 멀티에이전트 구성 출처: 삼성SDS
- 질문 분해 및 전문 에이전트 배분 : 사용자의 복합 질문을 하위 작업으로 분해하여 5개의 에이전트에게 배분합니다.
- Supervisor 에이전트 (총괄 및 검수): 시스템의 브레인 역할
- 최종 결과물의 정합성 검수 : 에이전트틀이 도출한 최종 결과틀의 논리적 정합성을 최종적으로 확인합니다.
- (1) Ingestion 데이터 수집 및 변환 : PDF, Excel, Word, PPT 등을 마크다운 형식으로 정형화합니다.
- (2) Embedding & Storage 지식화 및 저장 : 문서를 유형별(재무·시장·미팅)로 태깅하여 벡터화한 뒤 Vector DB와 S3에 저장합니다.
- (3) Retrieval 지능형 검색 : 하이브리드 검색 및 쿼리 재작성을 통해 최적의 투자 판단 근거를 탐색합니다.
- (4) Analyst 심층 분석 : Python 코드를 실행하여 재무 자료를 검증하고 문서 간 수치 불일치를 탐지합니다.
- (5) Writer 보고서 자동 생성 : 출처를 명시하여 투자 메모, LP 보고서 등 3종의 표준 템플릿 초안을 작성합니다.
정합성 이슈부터 출처와 권한까지, 신뢰를 설계하다
투자심사에 AI를 적용할 때 핵심은 빠른 답변보다 검증 가능한 답변입니다. RAG 투자심사역은 서로 다른 문서에 동일한 재무 수치가 다르게 기록된 경우 이를 자동으로 탐지하고, 심각도와 함께 정합성 이슈(Consistency Issue)로 구조화해 기록합니다.
모든 답변에는 원본 문서의 출처를 연결해 심사역이 근거를 직접 확인할 수 있도록 했습니다. 또한 역할 기반 접근 제어(RBAC)를 적용해 관리자, 심사역, LP, 포트폴리오사 사용자별 권한을 분리하고, 각 사용자가 허용된 범위의 데이터에만 접근하도록 설계했습니다.
문서 버전과 검색 품질을 함께 관리
문서 관리에는 체크섬 기반 중복 방지와 버전 관리를 적용했습니다. 새 버전의 색인이 완전히 준비된 뒤 기존 버전을 교체하는 방식으로 검색 중단을 최소화했습니다. 검색 단계에서는 벡터 기반 의미 검색과 키워드 검색을 결합하고 재순위화(Rerank)를 적용해 고유명사와 재무 수치처럼 정확한 일치가 중요한 항목의 검색 품질을 보완했습니다.
표준 보고서에서 시작하는 투자심사
Writer 에이전트는 투자 메모, DDQ, 재무 요약, 이사회 보고자료, LP 보고서 등 다섯 종류의 표준 보고서 템플릿을 지원합니다. 심사역은 빈 문서에서 시작하는 대신 근거와 구조가 갖춰진 초안을 검토하고, 투자 판단과 추가 분석에 집중할 수 있습니다.
실측으로 확인한 투자심사 생산성 향상
프로젝트의 성과는 실제 투자심사 업무를 기준으로 측정했습니다. 자료 수집부터 검토·분석, 보고서 작성까지 건당 소요 시간과 비용, 동일 인력으로 처리할 수 있는 월간 보고서 수를 비교했습니다.
| 성과지표 | 실측결과 | 비즈니스 의미 |
|---|---|---|
| 건당 심사 시간 | 40시간 → 8시간 (80% 단축) |
반복적인 자료 취합과 교차 검증 시간을 줄여 심사역이 판단과 분석에 더 많은 시간을 사용할 수 있게 됐습니다. |
| 건당 소요 비용 | 875,000원 → 266,812원 (69.5% 절감) |
인건비와 시스템 운영 비용을 함께 고려한 기준에서 건당 처리 비용이 감소했습니다. |
| 월간 처리 가능 보고서 | 8건 → 36건 (350% 증가) |
동일 인력으로 더 많은 투자 검토를 수행할 수 있는 처리 기반을 확보했습니다. |
| 답변·보고서 품질 | Chat 정확도 95.2% 보고서 정확도 100% |
구조 완전성과 정확도 평가를 통해 시스템 결과의 일관성과 활용 가능성을 확인했습니다. |
Chat 답변 평가는 구조 완전성 100%, 답변 정확도 95.2%를 기록했습니다. 투자심사 보고서 평가는 구조 완전성과 답변 정확도 모두 100%, 사용자 만족도 95점을 달성해 보고서 초안으로 활용할 수 있는 품질을 확인했습니다.
AI는 검증과 분석을 지원하고, 최종 판단은 심사역이 수행
이번 프로젝트는 AI가 투자 판단을 대체하는 것이 아니라, 사람이 반복적으로 수행하던 자료 정리와 근거 탐색, 수치 계산, 보고서 초안 작성을 지원하는 데 초점을 맞췄습니다. 시스템이 탐지한 정합성 이슈와 출처가 연결된 분석 결과는 심사역의 검토를 거쳐 최종 판단에 활용됩니다.
이 구조는 속도와 자동화만을 목표로 하지 않습니다. 투자 근거가 어디에서 왔는지 확인할 수 있고, 접근 권한이 분리되며, 최종 결정의 책임 주체가 명확한 환경을 만드는 것이 핵심입니다.
AXE 파트너스의 다음 단계: 축적된 근거를 조직의 투자 자산으로
AXE 파트너스는 앞으로 시스템에 축적되는 정합성 이슈 기록과 표준 보고서, 질의·분석 이력을 활용해 투자심사 조직의 지식 자산을 체계화할 수 있습니다. 개별 심사역의 경험에 머물던 검토 기준을 조직 차원의 재사용 가능한 자산으로 전환하면, 새로운 투자 검토에서도 동일한 품질 기준을 빠르게 적용할 수 있습니다.
이번 사례가 보여주는 핵심은 생성형 AI를 투자 판단의 대체재로 사용하는 것이 아니라, 분산된 근거를 연결하고 검증 가능한 형태로 제시하는 조력자로 활용하는 데 있습니다. 사람이 반드시 해야 하는 판단과 시스템이 효율적으로 지원할 수 있는 반복 업무를 분리할 때, AI는 투자심사의 속도와 신뢰성을 함께 높이는 기반이 될 수 있습니다.