AI vs Analysts: 공개 자료만 쓴 AI가 3분기 실적 50건 중 40건을 컨센서스보다 가깝게 맞힌 실험
Fortune이 금융 AI 스타트업 Samaya에 3분기 실적 50건을 발표 하루 전까지 예측하게 하고 Bloomberg 컨센서스와 겨루게 했더니 40건에서 AI가 실제치에 더 가까웠습니다. 사적 리서치가 몰리는 Amazon·Google 같은 초대형주에서는 애널리스트가 더 맞았습니다.
공시·뉴스·인터뷰 녹취 같은 공개 자료만 쓴 AI가 3분기 실적 50건 중 40건에서 애널리스트 컨센서스보다 실제치에 가까웠습니다. 사적 리서치가 몰리는 초대형주에서는 컨센서스가 앞섰습니다. 우리 회사가 써 보려면 예측값을 발표 전에 시각과 함께 고정하고 여러 분기 동안 같은 채점 규칙으로 컨센서스와 겨뤄 봐야 합니다.
요약
Fortune의 금융·크립토 담당 에디터 Jeff John Roberts가 2026년 11월 19일에 쓴 기사입니다. 10월에 금융 AI 스타트업 Samaya가 애널리스트보다 실적을 더 정확히 맞힐 수 있다며 연락해 왔고 Roberts는 직접 증명해 보라고 제안했습니다. Samaya는 Google Brain 초기 팀 출신 Maithra Raghu가 CEO를 맡고 있으며 2025년에 4,300만 달러를 투자받았고 은행과 헤지펀드를 고객으로 둡니다. 두 쪽은 10월 26일부터 11월 5일 사이에 3분기 실적을 발표하는 대기업 50곳을 10개 업종에서 골랐습니다. Coca-Cola부터 Carvana까지입니다. 회사마다 가장 중요한 지표 하나(EPS(주당순이익) 또는 매출)를 정했고 Samaya는 발표 최소 하루 전에 AI 추정치를 냈습니다. 이 값을 Bloomberg가 집계한 애널리스트 컨센서스(여러 애널리스트 추정치를 모은 시장 기준값)와 한 표에 나란히 적고 발표 뒤 실제치에 더 가까운 쪽을 이긴 쪽으로 쳤습니다. Samaya가 쓴 자료는 공시, 뉴스, 인터뷰 녹취 같은 공개 자료였습니다. 애널리스트의 상세한 사적 리서치는 대부분 학습 자료에 들어 있지 않았습니다.
2주 동안 진행한 결과 50곳 중 40곳에서 Samaya가 더 가까웠습니다. 먼저 발표한 네 곳은 Samaya가 이겼습니다. 이어진 S&P Global과 PayPal은 애널리스트가 이겼고 남은 44곳 중 36곳은 다시 Samaya가 가져갔습니다. UPS 조정 EPS는 Samaya가 1.65달러, 컨센서스가 1.62달러로 내다봤고 실제는 1.67달러였습니다. 가장 크게 빗나간 곳은 Yum Brands입니다. Amazon과 Google의 매출이 기대에 얼마나 못 미칠지도 애널리스트가 더 잘 맞혔습니다. Raghu는 컨센서스가 앞선 곳이 주로 사적 리서치가 많이 붙는 초대형 기업이라고 설명했습니다. 기사는 컨센서스가 빗나가는 이유도 짚습니다. Zacks의 리서치 책임자 Sheraz Mian은 남과 다른 전망을 냈다가 틀리면 잃는 평판이 맞혔을 때 얻는 보상보다 크다고 했습니다. 그는 이를 “I think there is safety in numbers”라고 표현했습니다. 아이오와대 회계학 교수 Paul Hribar는 회사가 낙관적인 숫자를 내놓은 뒤 넘을 수 있는 목표로 끌어내린다고 봤습니다. 기사는 이번 실험이 실적 시즌 한 번의 작은 표본이라고 밝히면서도 투자자, 기업, 애널리스트 모두에게 파장이 클 수 있다고 봅니다. 아래에서는 컨센서스가 기우는 구조, 공개 자료 기반 AI 예측, 실험 설계, 정보 격차, 학습 데이터의 함정을 차례로 풀고 우리 회사가 실적 시즌 한 번으로 시험할 때 필요한 디테일을 덧붙입니다.
핵심 메커니즘
Consensus Estimate: 애널리스트 추정치를 모은 기준값이 기우는 구조
무엇인가. 여러 증권사 애널리스트가 낸 분기 추정치를 Bloomberg나 Zacks 같은 곳이 모아 낸 값입니다. 기업은 실적이 이 값을 넘었는지(beat), 못 미쳤는지로 평가받습니다. 기사는 1997년 Fortune 기사가 실적을 가장 냉정한 성적표로 불렀던 일을 꺼내며 그 의식이 이번 3분기 시즌에도 그대로라고 씁니다.
어떻게 기우나. 기사에 나온 힘은 셋입니다. 첫째는 무리 짓기입니다. 튀는 전망은 틀렸을 때 손해가 커서 애널리스트가 공개를 꺼립니다. 둘째는 IR(투자자 관계) 조직의 압력입니다. Mian은 IR 팀이 지나치게 낙관적인 추정을 낸 애널리스트를 압박한다고 말했습니다. 2000년 SEC의 Regulation Fair Disclosure(공정공시 규정) 이후에도 부드러운 압력은 남아 있다는 설명입니다. 셋째는 기대치 끌어내리기입니다(Hribar). 그 결과 공개 컨센서스와 시장이 실제로 믿는 숫자 사이에 틈이 생기고 업계는 그 숫자를 whisper number(공개 전망보다 실제 믿음에 가까운 비공식 기대치)라고 부릅니다.
언제 이 시각이 필요한가. 컨센서스를 “가장 정확한 예측”으로 읽지 않고 “넘어야 할 공개 목표”로 읽어야 할 때입니다. 예측 도구를 평가하는 기준값으로 컨센서스를 쓸 때도 이 기울기를 알고 있어야 결과를 바로 읽을 수 있습니다.
Public-data Forecasting: 공시·뉴스·녹취만으로 핵심 지표 하나를 추정
무엇인가. 사람 애널리스트의 사적 리서치 없이 공개 자료만으로 AI가 회사별 핵심 지표를 추정하는 방식입니다. Samaya는 회사마다 EPS나 매출 가운데 하나를 골라 점 추정 하나를 냈습니다.
어떻게 작동하나. 입력은 공시, 뉴스 보도, 인터뷰 녹취입니다. 처리는 AI 추정이며 기사는 모델 이름이나 계산 방법을 밝히지 않습니다. 출력은 발표 최소 하루 전에 제출한 숫자 하나입니다. 기사가 보는 강점은 사람에게 붙는 평판 걱정이나 IR 압력이 AI의 추정에는 끼어들지 않는다는 점입니다.
언제 쓰고 언제 조심하나. 이번 결과로 보면 공개 자료로도 겨룰 수 있는 다수 기업에서 컨센서스를 자주 이겼습니다. 사적 리서치가 몰리는 초대형 기업에서는 정보량에서 밀렸습니다.
Head-to-head Test: 발표 전에 고정하고 같은 표에서 겨룬다
무엇인가. AI 추정치와 컨센서스를 같은 회사, 같은 지표, 같은 시점에 맞춰 놓고 실제치에 누가 더 가까운지만 보는 비교입니다.
어떻게 작동하나. 추정치는 발표 최소 하루 전에 내므로 결과를 보고 나서 맞출 수 없습니다. 비교값은 Bloomberg 컨센서스 하나로 정했고 회사마다 지표도 하나로 정했습니다. 승패는 실제치와의 거리로만 가립니다. 기사는 오차를 계산한 공식을 따로 밝히지 않고 “실제치에 더 가까웠나”로 판정합니다.
언제 쓰나. 벤더가 “애널리스트보다 정확하다”고 주장할 때, 혹은 사내 예측 모델을 도입하기 전에 가장 짧은 기간으로 검증하고 싶을 때 쓰는 설계입니다.
Information Asymmetry: 초대형주에서 컨센서스가 이긴 이유
무엇인가. 한쪽이 다른 쪽보다 더 많은 자료를 보는 상태입니다. Raghu는 컨센서스가 더 정확했던 곳이 주로 사적 리서치가 많이 붙는 초대형 기업이며 Samaya는 그 리서치를 볼 수 없었다고 설명했습니다.
어떻게 작동하나. 초대형주에는 애널리스트가 많이 붙고 이들이 쓴 상세 리서치가 쌓입니다. 공개 자료만 쓰는 AI는 이 정보를 얻지 못하니 정보량에서 밀립니다. 기사에서 이런 회사로 분명히 나오는 예는 Amazon과 Google 매출입니다.
원문의 예. 애널리스트가 이긴 10곳 가운데 기사가 이름을 밝힌 곳은 S&P Global, PayPal, Yum Brands, Amazon, Google입니다. 나머지는 밝히지 않았습니다.
Herding in Training Data: 애널리스트 노트를 넣으면 AI도 무리에 끌린다
무엇인가. 사람의 판단이 담긴 자료를 학습에 넣으면 AI도 그 판단의 쏠림을 함께 배우는 현상입니다.
어떻게 작동하나. 애널리스트 노트를 넣으면 초대형주에서 부족했던 정보는 채워집니다. 그러나 Raghu는 노트를 넣으면 AI가 컨센서스식 사고 쪽으로 치우칠 수 있다며 걱정했고 AI가 결국 사람의 편향을 흡수할 수도 있다고 말했습니다. 정보를 더하면 정확도가 오를 수 있지만 컨센서스와의 독립성은 줄어듭니다.
언제 신경 쓰나. 예측 AI에 사내 전문가 의견, 영업 담당자 전망, 외부 리포트를 넣을지 정할 때 같은 문제가 생깁니다.
통념과 다른 주장
흔히 이렇게 봅니다여러 애널리스트의 추정을 모은 컨센서스는 정보가 가장 많은 값이라 모델 하나가 꾸준히 이기기 어렵습니다.
저자는 이렇게 봅니다컨센서스는 평판 걱정, IR 압력, 기대치 끌어내리기로 기울어 있고 그 틈을 공개 자료만 쓴 AI가 파고들 수 있습니다.
근거발표 전에 고정한 Samaya 추정치가 50곳 중 40곳에서 Bloomberg 컨센서스보다 실제치에 가까웠습니다. Zacks의 Mian과 아이오와대 Hribar가 컨센서스가 기우는 경로를 설명했습니다.
흔히 이렇게 봅니다AI 예측은 넣는 자료가 많을수록 좋아집니다.
저자는 이렇게 봅니다Samaya CEO Raghu는 애널리스트 노트를 학습에 넣으면 AI가 컨센서스 쪽으로 끌릴 수 있다고 걱정합니다.
근거노트를 쓰지 않은 지금 구성으로 다수 기업에서 이겼고 노트가 많은 초대형주에서만 밀렸습니다. 정보는 늘지만 독립성이 줄어드는 맞교환입니다.
저자가 든 사례
기사에 숫자가 나온 다섯 곳
| 회사·지표 | Samaya | 컨센서스 | 실제 | 더 가까운 쪽 |
|---|---|---|---|---|
| Verizon 매출 | 345.2억 달러 | 347.7억 달러 | 343.1억 달러 | Samaya |
| UPS 조정 EPS | 1.65달러 | 1.62달러 | 1.67달러 | Samaya |
| Palantir 매출 | 23.0억 달러 | 21.8억 달러 | 23.1억 달러 | Samaya |
| Permian Resources EPS | 0.69달러 | 0.625달러 | 0.69달러 | Samaya(정확히 일치) |
| Yum Brands EPS | 1.42달러 | 1.49달러 | 1.56달러 | 컨센서스 |
| 구분 | 내용 |
|---|---|
| 상황 | 기업은 컨센서스를 넘었는지로 평가받고 컨센서스는 사람의 유인으로 기울 수 있음 |
| 한 일 | 공개 자료로 만든 AI 추정치를 발표 최소 하루 전 제출해 컨센서스와 나란히 기록 |
| 결과 | 50곳 중 40곳 Samaya 우세. Permian Resources는 정확히 일치, Yum Brands는 가장 큰 실패 |
| 연결 | Public-data Forecasting, Head-to-head Test |
애널리스트가 이긴 곳: S&P Global, PayPal, Amazon, Google
| 구분 | 내용 |
|---|---|
| 상황 | Samaya가 첫 네 곳을 이긴 뒤 S&P Global과 PayPal에서 연달아 짐 |
| 한 일 | 같은 방식 유지. Amazon·Google은 매출이 기대에 얼마나 못 미칠지를 겨룸 |
| 결과 | 두 곳 모두 애널리스트가 더 정확. 회사별 수치는 원문에서 밝히지 않음 |
| 연결 | Information Asymmetry: 사적 리서치가 몰리는 초대형주에서 컨센서스 우세 |
기술 디테일: 실적 예측 AI를 우리 손으로 검증한다면
아래는 원문에 없는 내용으로, 같은 비교를 사내에서 실제로 돌릴 때 필요한 것을 정리했습니다. 설정값과 기준은 가상 예시입니다.
Head-to-head Test를 재현하려면 제출 시각부터 고정합니다. 예측 한 건을 아래처럼 JSON 한 줄로 남깁니다. 저장할 때는 내용의 해시값과 submitted_at을 함께 기록합니다. 발표 뒤에 값을 고칠 수 없게 하는 것이 Fortune 실험의 핵심 조건이기 때문입니다. metric_basis는 반드시 컨센서스와 같은 기준으로 맞춥니다. UPS 사례처럼 조정 EPS로 겨루는데 회계 기준 EPS를 예측하면 승패가 의미 없어집니다.
{
"ticker": "UPS",
"fiscal_period": "2026Q3",
"metric": "EPS",
"metric_basis": "adjusted",
"estimate": 1.65,
"low": 1.60,
"high": 1.70,
"runs": 5,
"spread_pct": 1.8,
"drivers": ["물동량 추이", "단가", "비용 절감 계획"],
"sources": [
{"type": "filing", "title": "2분기 실적 공시", "as_of": "2026-07-29"},
{"type": "transcript", "title": "2분기 실적 콜 녹취", "as_of": "2026-07-29"}
],
"submitted_at": "2026-10-26T09:00:00-04:00",
"consensus_at_submit": 1.62
}
위 JSON에서 1.65와 1.62는 기사 수치이고 나머지 값은 가상 예시입니다.
Public-data Forecasting을 돌릴 때는 같은 입력을 여러 번 돌려 흔들림을 봅니다. temperature를 0~0.3으로 두고 5회 추정해 중앙값을 estimate로, 최소·최대를 low·high로 씁니다. 5회 값의 폭이 추정치의 3%를 넘으면 그 회사는 사람이 근거를 확인한 뒤 제출합니다. 근거 자료마다 as_of 날짜를 남기고 submitted_at 이후 자료는 검색에서 막습니다. 최근 분기 공시나 실적 콜 녹취를 찾지 못해 근거가 2건 미만이면 숫자를 내지 않고 status: "hold"로 기록합니다. 보류한 회사도 채점에서는 진 것으로 셉니다. 자신 있는 회사만 골라 내는 착시를 막기 위해서입니다.
추정 단계는 검색과 계산을 나눠 짭니다. 1단계에서 검색 도구가 회사별로 최근 분기 공시, 실적 콜 녹취, 뉴스를 날짜 필터(as_of ≤ 제출 시각)로 모읍니다. 2단계에서 LLM이 그 자료만 근거로 지표를 드라이버로 쪼갭니다. 매출이라면 물량과 단가, EPS라면 매출, 이익률, 주식 수로 나눠 각 값과 근거 문장 위치를 JSON 스키마 출력으로 냅니다. 3단계는 LLM이 아니라 코드가 드라이버를 곱하고 더해 estimate를 계산합니다. 모델은 긴 문서를 읽는 범용 LLM 하나로 시작합니다. 검증용으로 다른 회사의 모델 하나로 같은 자료를 한 번 더 돌립니다. 두 모델의 값이 5% 넘게 다르면 needs_review: true로 표시합니다.
과거 분기로 미리 시험할 때는 정답 유출을 조심합니다. 모델이 이미 실제 실적이 나온 뒤의 자료로 학습됐다면 과거 분기 백테스트는 답을 보고 푼 셈이 됩니다. 그래서 과거 분기는 파이프라인 점검용으로만 쓰고 성능 판정은 Fortune처럼 발표 전에 제출한 실전 분기로만 합니다.
채점은 승패와 오차율을 함께 봅니다. 회사마다 |추정-실제|/실제를 계산해 AI와 컨센서스의 오차율을 나란히 두고 승률과 중앙값 오차를 함께 봅니다. 기사에 나온 다섯 곳으로 계산하면 Palantir 매출의 오차율은 Samaya 0.43%, 컨센서스 5.63%이고 Yum Brands EPS는 Samaya 8.97%, 컨센서스 4.49%입니다. 승률만 보면 한 번의 큰 실패가 묻히므로 회사 규모 구간(초대형, 대형)을 나눠 따로 집계해 Information Asymmetry가 어디서 나타나는지 확인합니다. 50곳 중 40곳은 동전 던지기처럼 반반일 때 우연히 나올 확률이 약 0.001%(이항 분포 계산)입니다. 다만 같은 시즌의 회사들은 같은 거시 변수를 함께 타므로 분기를 쌓아 다시 봅니다.
Herding in Training Data는 두 버전을 나란히 돌려 확인합니다. 버전 A는 공개 자료만, 버전 B는 애널리스트 리포트나 사내 전문가 의견을 더해 같은 회사를 추정합니다. 두 버전마다 컨센서스와의 거리와 실제치 오차를 기록합니다. B가 컨센서스에 바짝 붙는데 오차가 줄지 않으면 정보가 아니라 쏠림을 배운 것으로 보고 B를 쓰지 않습니다.
현업 실행 디테일: 누가, 언제, 무엇을
아래도 원문에 없는 내용으로, 실적 시즌 한 번으로 시험할 때의 역할과 일정을 가상 예시로 정리했습니다.
| 역할 | 맡는 일 |
|---|---|
| CFO(스폰서) | 대상 범위와 판정 기준 승인, 경영회의 보고 |
| IR 팀장 | 컨센서스 자료 확보, 발표 일정 관리, 결과를 IR 메시지 점검에 활용 |
| FP&A·경영기획 | 지표 정의(조정·회계 기준), 경쟁사·고객사 목록 선정 |
| 데이터·AI 엔지니어 | 자료 수집, 5회 추정, 제출 고정, 채점 자동화 |
| 공시·준법 담당 | 자사 추정치를 외부로 내보내지 않는 규칙 확인 |
시작 전 준비물. 다음 실적 시즌에 발표하는 경쟁사·주요 고객사·주요 협력사 20곳 안팎의 목록과 발표 일정, 회사별로 겨룰 지표 하나와 그 기준(조정 여부), 컨센서스 데이터 접근 권한, 공시 원문 경로입니다. 국내에서 돌린다면 컨센서스는 FnGuide 같은 국내 제공처, 공시는 DART를 쓰는 식입니다. 두 이름은 원문에 나오지 않으며 실제로 돌릴 때 필요한 것을 보여 주는 예시입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1주차 | 대상 20곳·지표·기준 확정, 판정 기준 합의 | 대상표, 지표 정의서 |
| 2~3주차 | 파이프라인 구축, 지난 분기로 작동 점검 | 예측 JSON 샘플, 점검 기록 |
| 4~7주차 | 실적 시즌 동안 발표 최소 1일 전 제출 | 제출 로그(해시·시각) |
| 8주차 | 오차율·승률 채점, 규모 구간별 분리 | 판정 보고서 |
운영 리듬. 시즌 동안 매주 월요일 30분, IR 팀장과 엔지니어가 그 주 발표 예정 회사의 제출 목록과 needs_review 건을 봅니다. 제출 로그는 엔지니어가 남기고 발표 다음 날 FP&A가 실제치를 입력해 채점합니다.
확인 질문. 우리가 실적을 알고 싶은 회사는 어디이고 그 회사의 실적이 우리 의사결정(가격, 재고, 영업 목표)에 어떻게 들어오나? 겨룰 지표가 컨센서스와 같은 기준인가? 제출 시각을 누가 기록하고 사후 수정을 어떻게 막나? AI 추정이 컨센서스와 크게 다를 때 누가 근거를 읽고 판단하나? 자사 실적 추정을 다룰 때 공시 규정 위반 소지는 없나?
진행 판정 기준(가상 예시). 첫 시즌 승률 60% 이상이고 중앙값 오차율이 컨센서스보다 낮으면 한 시즌 더 돌립니다. 두 시즌 연속 통과하면 경영회의 자료에 정식으로 넣습니다. 초대형 기업 구간(예: 대상 중 시가총액 상위 5곳)에서만 지면 그 구간은 컨센서스를 쓰고 나머지에 AI 추정을 씁니다.
AX 적용 제언. 국내 기업이 이 기사에서 먼저 가져올 것은 투자 전략보다 검증 설계입니다. 경영기획과 IR은 실적 시즌마다 경쟁사와 고객사의 숫자를 컨센서스로만 읽어 왔습니다. 공개 자료 AI 추정치를 옆에 두면 컨센서스가 어느 쪽으로 기울어 있는지 시즌마다 볼 수 있습니다. 시작은 CFO가 스폰서를 맡고 IR과 FP&A가 20곳 한 시즌을 함께 돌리는 규모가 알맞습니다. 벤더가 “애널리스트보다 정확하다”고 제안해 오면 Fortune처럼 발표 전 고정, 같은 비교값, 실제치 거리라는 세 조건으로 한 시즌 시험을 계약 전에 요구합니다. 사내 전문가 의견을 넣을지는 Herding 점검을 거친 뒤 정합니다. 순서는 벤더 검증, 경쟁사·고객사 실적 읽기, 자사 사업계획과 AI 추정의 대조로 잡습니다. 앞 단계가 두 시즌을 통과해야 다음 단계로 넘어갑니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | Fortune, Jeff John Roberts(금융·크립토 담당 에디터), 2026.11.19 |
| 회사 | Samaya, 금융 AI 스타트업. CEO Maithra Raghu(Google Brain 초기 팀 출신), 2025년 4,300만 달러 투자 유치, 고객은 은행·헤지펀드 |
| 대상 | 10개 업종 대기업 50곳(Coca-Cola~Carvana), 10.26~11.5 3분기 실적 발표 |
| 방식 | 회사별 핵심 지표 1개(EPS 또는 매출), 발표 최소 1일 전 제출, Bloomberg 컨센서스와 비교, 2주 진행 |
| 자료 | 공시·뉴스·인터뷰 녹취 등 공개 자료. 상세한 사적 애널리스트 리서치는 대부분 제외 |
| 결과 | 50곳 중 40곳 Samaya 우세. 첫 4곳 승, 다음 2곳(S&P Global, PayPal) 패, 남은 44곳 중 36곳 승 |
| 수치 예 | Verizon 매출 345.2억/347.7억/343.1억 달러, UPS 조정 EPS 1.65/1.62/1.67달러, Palantir 매출 23.0억/21.8억/23.1억 달러, Permian Resources EPS 0.69/0.625/0.69달러, Yum Brands EPS 1.42/1.49/1.56달러(Samaya/컨센서스/실제) |
| 애널리스트 우세 | S&P Global, PayPal, Yum Brands, Amazon·Google 매출(기대 미달 폭) |
| 설명 | Raghu: 초대형주는 사적 리서치 때문에 컨센서스 우세, 애널리스트 노트를 학습하면 컨센서스 쪽으로 치우칠 우려. Mian(Zacks): 무리 짓기, IR 압력. Hribar(아이오와대): 기대치 끌어내리기 |
| 기사 단서 | 실적 시즌 한 번의 작은 표본 |
핵심 개념
- EPS
- 순이익을 발행 주식 수로 나눈 주당순이익으로, 분기 실적을 평가하는 대표 지표입니다.
- Adjusted EPS
- 일회성 비용 같은 항목을 빼고 회사가 따로 계산해 내는 조정 주당순이익입니다. 비교할 때는 같은 기준끼리 맞춰야 합니다.
- Beat
- 발표 실적이 컨센서스를 넘은 경우로, 시장이 기업을 평가하는 첫 잣대입니다.
- Whisper number
- 공개 컨센서스와 별도로 투자자들이 실제로 기대하는 비공식 숫자입니다.
- Regulation Fair Disclosure
- 2000년 미국 SEC가 만든 규정으로, 기업이 중요한 정보를 일부 투자자나 애널리스트에게만 먼저 주지 못하게 합니다.
- Earnings season
- 상장사들이 분기 실적을 몰아서 발표하는 몇 주의 기간입니다. 이번 실험은 3분기 시즌의 10월 26일~11월 5일 발표분을 썼습니다.
내 메모
TODO: 내 생각 추가
원문은 Fortune에 실린 Jeff John Roberts의 기사 「I tested an AI startup that claimed it could beat Wall Street earnings estimates. It won 40 out of 50 times」(2026.11.19)입니다. 요약, 핵심 메커니즘의 원문 예, 사례는 원문이 전한 사실을 AX Partners가 다시 정리했습니다. 핵심 메커니즘의 작동 설명, 오차율 계산과 이항 확률, 기술·현업 디테일, 인포그래픽, 표는 새로 작성했습니다(디테일 절의 설정값·일정·판정 기준은 가상 예시이고 FnGuide·DART는 국내에서 돌릴 때의 예로 덧붙인 것입니다). 직접 인용은 Zacks Sheraz Mian의 발언 한 구절입니다. 전체 내용은 원문에서 볼 수 있습니다.