디지털 자산
AI는 암호화폐 백서를 평가할 수 있을까? 한 연구에서 이를 검증하다
Securities.io를 Google의 선호 소스에 추가
최초의 비트코인 (BTC ) 백서가 2008년에 발표된 이후 수많은 새로운 암호화폐가 등장했으며, 이더리움 같은 일부 암호화폐는 (ETH ) 최초의 암호화폐인 비트코인에 맞설 만한 유력한 경쟁자로 부상할 정도로 인기를 얻었습니다. 하지만 그만큼 암호화폐 투자자의 실사도 갈수록 복잡해졌습니다.
물론 이런 문제는 암호화폐 투자에만 국한되지 않습니다. 그러나 암호화폐의 특성상 대부분의 투자자는 더욱 큰 어려움을 겪습니다. 특히 관심 있는 개인 투자자뿐 아니라 많은 기관 투자자도 대부분의 암호화폐 프로젝트의 기반이 되는 암호학과 알고리즘을 완전히 이해하는 데 필요한 수학적·기술적 지식을 갖추지 못했습니다.
또한 디지털 자산에는 전통적인 증권에서 사용하는 표준화된 공시 자료(예: 투자설명서, 10-K 보고서)와 같은 통일된 보고 형식이 없습니다.
따라서 투자자들은 정보 과부하, 체계화되지 않은 공시, 제한적인 규제 보호라는 위험 요인에 한꺼번에 직면합니다.
“초기 코인 공개(ICО) 1차 물결에서 수많은 프로젝트가 붕괴하고, 백서를 바탕으로 투자의 타당성을 평가하지 못한 투자자들이 잇따라 손실을 입었습니다. 이는 혁신 금융에서 실사와 투자자 보호 수단을 강화해야 할 필요성을 보여 줍니다.”
정보 과부하와 위험을 객관적으로 분석해야 하는 상황은 AI를 활용하기에 더없이 적합해 보입니다. 새로운 AI 시스템은 바로 이런 복잡한 작업을 처리하도록 설계됐기 때문입니다.
스위스 금융시장감독청 FINMA와 리히텐슈타인 대학교 연구진이 LLM을 활용해 새로운 암호화폐 프로젝트, 특히 기술 백서를 어떻게 평가할 수 있는지 살펴본 새로운 연구를 발표했습니다.
연구진은 Knowledge and Information Systems1에 연구 결과를 발표했으며, 논문 제목은 “디지털 자산 평가에 LLM 적용: 혼합 방법 연구”입니다.
암호화폐 백서에 LLM 활용하기
기본적으로 ‘암호화폐’는 단순한 투기성 투자 기회가 아니라, “정보의 탈중앙화 저장, 분산 합의 메커니즘, 스마트 계약에 내재된 프로토콜을 기반으로 하는 디지털 자산”입니다.
새로운 암호화폐의 실제 위험과 잠재적 활용 사례는 이러한 기술적 특성에 따라 달라집니다. 따라서 LLM(대규모 언어 모델)과 같은 최신 AI는 자동화된 텍스트 분석, 지식 추출, 프로젝트 간 비교 평가에 도움을 줄 수 있습니다.
하지만 LLM의 신뢰성은 여전히 문제입니다. 제한된 컨텍스트 창, 방대한 문서 모음을 처리하는 데 따르는 어려움, 환각을 일으킬 위험 때문에 활용에 제약이 있습니다.
따라서 투자자는 암호화폐 프로젝트 평가에 이러한 도구를 활용할 때 실제로 얼마나 신뢰할 수 있는지 제대로 파악해야 합니다.
연구진은 이 작업에서 LLM의 역량을 평가하기 위해 프레임워크를 만들었습니다. 먼저 분석에 사용할 수 있도록 백서를 구조화하고 요약하는 데이터 전처리를 거친 뒤, 구체적인 AI 프롬프트를 설계하고 결과를 사람의 평가와 비교했으며, 마지막으로 LLM을 활용해 암호화폐 프로젝트의 잠재력을 판단하는 프로토콜을 개발했습니다.
적합한 도구 구축하기
적합한 데이터 수집하기
연구진은 주요 데이터 출처로 Token Offerings Research Database(TORD)를 활용했습니다. 이 데이터베이스에는 초기 코인 공개(ICO), 증권형 토큰 공개(STO), 거래소 공개(IEO)에 관한 수작업 수집 정보가 담겨 있습니다.
여기에는 프로젝트 공식 웹사이트, 백서, 보관된 웹 자료, 2차 데이터베이스, 거래소 공시 및 규제기관 제출 자료가 포함됩니다.
연구진은 이 데이터를 바탕으로 백서를 계속 확인할 수 있는 토큰 프로젝트 29개를 표본으로 선정했습니다. 이 가운데 27개에는 TORD의 종합 전문가 평점이 있습니다.
주요 모델로 OpenAI GPT−3.5-turbo 구성을 선택하고, 소형 오픈 소스 모델인 Qwen2.5-0.5B와 Qwen2.5-1.5B도 사용했습니다. 이들 모델은 전문가와 LLM의 평가를 총 1,008건 생성했습니다.
다양한 접근법 테스트하기
연구진은 LLM을 암호화폐 프로젝트 연구에 가장 효과적으로 활용할 방법을 알아보기 위해 여러 접근법을 사용했습니다.
- 접근법 1: 부분문서평가: 모델의 한계를 고려해 백서 내용을 가능한 한 많이 LLM에 입력하되, 4,000토큰(약 3,000단어)에서 잘라내는 방식입니다.
- 접근법 2: 요약 기반 평가는 토큰 제약에 대응하기 위해 백서를 먼저 요약한 다음 평가하는 2단계 절차를 사용합니다.
- 접근법 3: 측면별 요약 평가를 통해 투자 의사 결정에 필요한 정보, 특히 경영진의 성향과 경험, 제품 특성, 시장 상황을 추출해 요약 방식을 한층 개선했다.
- 또한 경험 부족, 재무적 참여의 부재, 잘못 설계된 프로젝트 구조 등 잠재적인 위험 신호도 포착했다.
LLM이 작성하는 최종 평가 결론의 분량은 120단어로 제한하는 것이 오류를 방지하고 잠재적 사용자에게 이해하기 쉬운 결론을 제공하는 데 가장 적합한 것으로 나타났다.
LLM의 추론을 유도해 최선의 결과를 얻기 위해 네 가지 프롬프트 전략을 사용했다.
- 제로샷(Zero-Shot, ZS): 프로젝트 수준의 예시를 제공하지 않고 구조화된 지침을 제시
- 퓨샷(Few-Shot, FS): 명시적인 평가 차원과 구체적인 평가 기준을 추가해 ZS를 보강
- 연쇄적 사고(Chain-of-Thought, CoT): 요인을 단계별로 분석하는 추론 방식 사용
- 맥락과 평가 기준을 포함한 사고 연쇄(CoT-CR): 토큰 잠금 메커니즘과 프로젝트의 독창성 등 분야별 고려 사항을 반영함.
LLM 평가 결과
측면별 요약 평가를 제외하면 AI 모델은 대체로 암호화폐 프로젝트에 인간 평가보다 높은 점수를 부여했다.
“접근법 1과 2는 서술형 콘텐츠를 간결하게 요약하는 경우가 많지만, 위험 신호나 거버넌스 관련 징후를 안정적으로 드러내지는 못한다. 그 결과 낙관 편향이 생기고 인간 평가에 비해 체계적으로 점수가 과대평가된다.”
CoT 프롬프트는 전반적으로 가장 낮은 점수를 산출했다. 특히 CoT와 측면별 요약 평가를 결합한 방식만이 인간 평가보다 낮은 점수를 냈다.
이처럼 점수를 높게 매기는 경향에도 불구하고, 가장 우수한 프로젝트의 가치를 다소 낮게 평가하는 반대 경향도 관찰됐다.
또한 Qwen2.5-0.5B 및 Qwen2.5-1.5B AI 모델을 사용했을 때 GPT−3.5-turbo와 비슷한 결과를 얻었다는 점도 주목할 만하다.
LLM 편향의 원인
대부분의 프롬프트 전략에서 LLM이 암호화폐 프로젝트를 과대평가하는 이유는 일반적이고 구조가 느슨한 요약이 백서의 홍보성 어조를 그대로 살리는 경향이 있기 때문이다.
반면 측면별 정보 추출은 대체로 이 문제를 피하지만 다른 한계가 있다. 거버넌스, 경영진 또는 토큰 설계의 약점을 포착하면 평가 점수를 인간의 신중한 판단에 더 가깝게 조정할 수 있다. 그러나 근거가 불충분하거나 일부 부정적인 단서가 평가 논리를 좌우하면 프로젝트에 지나치게 큰 감점을 줄 수도 있다.
이에 연구진은 LLM이 인간의 조사를 지원할 수는 있지만 이를 완전히 대체할 수는 없다고 판단했다.
“이러한 메커니즘을 보면 핵심 설계 과제는 프롬프트 선택에만 있는 것이 아니라, 평가에 앞서 신뢰할 수 있는 중간 근거를 구성하는 데도 있다. 따라서 이 산출물은 최종 투자 점수를 내는 데 쓰기보다 전문가의 검토가 필요한 사례를 가려내는 데 활용해야 한다.”
이 연구에 따르면 적어도 모든 상황에 적용할 수 있는 단 하나의 ‘최선의 접근법’은 없다.
현재의 설계 조합에서 오류가 가장 적은 방식은 구조화된 요약에 연쇄적 사고 프롬프트를 결합한 접근법 2+CoT다.
하지만 측면별 접근법은 잠재적인 위험 신호를 드러내며, 평균 점수도 인간 평가의 평균에 더 가깝다.
AI 암호화폐 분석 도구 구축
이에 연구자는 AI로 암호화폐 프로젝트를 분석하는 최적의 방법에 관해 다음과 같은 제안을 내놓았다.
- 오류를 최대한 줄이려면 모델의 추론을 생성하기 전에 근거를 구조화해야 한다.
- 보정과 출력 수준의 검토 가능성은 별도로 설계하고 평가해야 한다. 구조적 감사 가능성을 높이고 위험 신호를 더 잘 드러내려면 측면별 정보 추출을 활용해야 한다.
- 모델 간 교차 검증: 비교 평가 없이 관찰된 오류 패턴을 특정 모델 계열 하나의 탓으로 돌려서는 안 된다. 이러한 패턴은 일반적인 LLM의 근본적인 작동 방식에서 비롯될 수도 있기 때문이다.
“이 원칙들을 종합하면 LLM을 적용하는 데 그치지 않고, 표준화 수준이 낮은 재무 공시 환경에서 감사 가능한 의사결정 지원 산출물을 구성하기 위한 설계 권고로 기여 범위를 넓힐 수 있다.”
투자자를 위한 시사점
이 연구는 AI와 암호화폐 분야의 투자자 모두에게 유용한 정보를 제공한다.
암호화폐 분야에서는 대규모 언어 모델(LLM)이 (아직은?) 사람이 주도하는 실사를 대체할 해결책이 아니라는 점이 분명합니다. 예를 들어, AI 모델은 암호화폐 백서에 담긴 지나친 열정이나 홍보성 어조에 현혹될 수 있으며, 그 결과 프로젝트의 잠재력을 과대평가할 심각한 위험이 있습니다.
하지만 적절한 프롬프트 방법론을 사용한다면 AI로 위험 신호를 찾아내는 일은 매우 유용할 수 있습니다.
AI 투자자에게 이 연구는 현재 LLM이 아직 인간의 노동을 완전히 대체할 수 없음을 보여 줍니다. 그러나 특히 방대한 기술 데이터를 분류할 때는 유용한 도구가 됩니다.
이 연구는 AI를 최적으로 활용하려면 적절한 프롬프트 작성법을 익히는 것뿐 아니라 올바른 분석 방법론을 설계하는 것도 중요하다는 점을 보여 줍니다. AI 기술에 투자한다는 관점에서 보면, AI를 통한 생산성 향상은 모델의 성능 개선만으로 이뤄지는 것이 아니라 점진적으로 나타날 가능성이 큽니다. 오히려 사용자가 AI 도구에 더 익숙해지고, 분석 설계와 프롬프트를 개선해 결과의 품질을 높이는 방법을 익히는 것이 중요합니다.
암호화폐 시장에 투자하기
Coinbase
COIN 가격 차트
암호화폐가 주류로 자리 잡으면서 암호화폐에 투자하거나 암호화폐 시장에서의 투자 비중을 늘리는 투자자가 증가하고 있습니다. 암호화폐 프로젝트가 늘어나는 상황에서도 마찬가지입니다.
암호화폐 거래, 자산 가격, 수탁 및 기관 투자자의 참여와 밀접하게 연결된 Coinbase 같은 기업에는 이러한 흐름이 유리합니다.
따라서 Coinbase 같은 암호화폐 거래소와 기술 플랫폼에 투자하면 특정 토큰을 임의로 골라야 하는 부담 없이 암호화폐 시장 전반에 투자할 수 있습니다.
그러나 그렇다고 해서 Coinbase의 상장 주식에 투자하는 투자자가 암호화폐에 직접 투자할 때 얻을 수 있는 것과 같은 잠재 수익(및 위험)을 누릴 수 있다는 뜻은 아닙니다. Coinbase 주식 투자는 암호화폐 시장의 기반 시설에 투자하는 것이며, Coinbase는 2026년 6월 30일 기준 자사 플랫폼에 2,460억 달러 규모의 자산이 있다고 보고했습니다.
현재 Coinbase는 주력 앱과 암호화폐 거래소 외에도 다음과 같은 여러 보완 서비스를 제공하고 있습니다.
- Coinbase One: 거래 수수료 면제, 스테이킹 보상 추가 지급, 암호화폐 세금 계산기와 암호화폐 리서치 등의 파트너 혜택을 제공하는 프리미엄 멤버십 서비스입니다.
- Coinbase Advanced: 전문 암호화폐 트레이더를 위한 서비스입니다.
- Coinbase Wallet: 거래소 외부에서 암호화폐와 NFT를 직접 보관할 수 있는 지갑입니다.
- Coinbase Earn: 암호화폐 보유자가 보상을 받기 위해 네트워크에 암호화폐를 예치할 수 있는 스테이킹 서비스입니다. Coinbase 고객은 2023년에 2억 3천만 달러를 벌었습니다.
- Coinbase Card: 암호화폐로 결제할 수 있는 Visa 직불카드입니다. USD로 결제하면 비트코인으로 1%를 돌려받고, ETH로 결제하면 USDC로 1.5%를 돌려받습니다. Visa 직불카드를 받는 곳이라면 어디서나 이 카드를 사용할 수 있습니다.
- USD Coin(USDC)은 미국 달러와 같은 가치를 지닌 디지털 스테이블코인으로, ‘디지털 달러’를 만드는 것을 목표로 합니다.
AI를 비롯한 첨단 도구가 더 많이 개발되면 기존 암호화폐 기반 시설을 보완하게 될 것입니다. 더욱 성숙하고 시장을 주도하는 플랫폼으로 성장한 Coinbase는 비트코인 ETF, 스테이블코인, 주식 토큰화가 확산되며 암호화폐가 점점 더 주류로 자리 잡는 흐름을 활용할 유리한 위치에 있습니다.
(Coinbase의 역사와 서비스, 투자 잠재력에 관한 자세한 내용은 Coinbase 전용 보고서에서 확인할 수 있습니다)
Coinbase(COIN) 주식 관련 최신 뉴스와 동향
참고 연구
1. Yann Thorens 외. 디지털 자산 평가에 LLM 적용: 혼합 방법 연구. Knowledge and Information Systems. 2026년 10월 17일. https://doi.org/10.1007/s10115-026-02910-2
