KIC AI 에이전트 공모전 / 금융
한국투자공사 의결권 위임장 검토 우선순위
한국투자공사(KIC)가 해외 기업 주총에서 반대할 만한 보수 안건을 먼저 골라 주는 모델을 만들고, KIC의 실제 공개 투표 기록으로 효과를 검증했습니다. 결과를 바탕으로 AI 에이전트 STEWARD를 기획했습니다.
한국투자공사는 1년에 보수 안건 1,279건에 투표하고 그중 80%가 4~6월에 몰려, 이 기간에 위임장을 모두 꼼꼼히 읽기는 어려울 것으로 봤습니다. 반대해야 할 안건을 놓치면 주주로서의 책임과 투자 가치가 함께 흔들리기 때문에, 어떤 안건부터 읽을지가 곧 업무의 질을 정합니다.
미래 정보 없이 2025년으로 학습하고 2026년으로 평가하니, 상위 20%만 검토해도 실제 반대 안건의 56%를 찾았습니다. 무작위(20%)와 "작년 반대 기업부터"라는 단순 규칙(46%)보다 나은 결과입니다. 찬반까지 자동으로 정하는 것은 기준을 미리 고정한 판독에서 "전부 찬성"보다 낫지 않아 하지 않기로 했고, 에이전트는 검토 순서와 근거 정리만 맡도록 했습니다.
01배경: KIC와 의결권
KIC는 정부와 한국은행이 맡긴 외화 자산을 해외 주식과 채권 등에 투자하는 국부펀드입니다. 해외 기업의 주주이기 때문에 그 기업의 주주총회에서 안건마다 찬성이나 반대 투표를 합니다.
미국 기업은 주총 전에 위임장(DEF 14A)이라는 수십~수백 쪽 문서를 공시합니다. 그중 대표적인 안건이 경영진 보수에 대한 찬반 투표(Say-on-Pay)입니다. 예를 들어 "CEO 보수가 162% 올랐는데 주주수익률은 비교 기업보다 20% 낮다, 이 보수안에 찬성하는가"를 묻는 식입니다.
KIC는 외부 자문사 의견에 기대던 방식에서 내부 직원이 직접 분석하는 방식으로 바꾸고 있고, 정부도 의결권 행사와 관여 활동을 강화하라고 주문했습니다.
02문제 정의
| 문제 | 근거 |
|---|---|
| 규모와 집중 | 1년에 1,183개 기업의 보수 안건 1,279건에 투표하고, 그중 80%가 4~6월 석 달에 몰립니다. 미국 보유 종목만 654개입니다. |
| 판단 근거와 일관성 | 보수 구조, 일회성 특별 보상, 작년 주총 찬성률, 성과 대비 보수를 여러 문서에서 찾아야 합니다. 반대율도 2024년 27%에서 2026년 14%로 크게 변했습니다. |
| 외부 의존 | 자문사 의견은 KIC 기준과 다를 수 있고, 자문사의 정확도는 공개되지 않아 비교할 수 없습니다. |
03데이터
모두 SEC EDGAR의 공개 공시로, 직접 수집했습니다. SEC의 공정 접근 정책(연락처 명시, 초당 10회 이하)을 지켰습니다.
| 데이터 | 내용 | 수집 규모 | 용도 |
|---|---|---|---|
| Form N-PX | KIC의 안건별 찬반 투표 기록 | 3개년 3,921건 | 정답 데이터, 과거 투표 이력 |
| Form 13F | KIC 보유 종목과 보유액 | 654개 종목 | 분석 대상 목록 |
| DEF 14A | 위임장 본문 (안건, 보수 설명, 주주 대응) | 1,033건 | 본문 쟁점 신호 |
| XBRL | CEO 보수와 주주수익률 | 1,024건 | 보수 대비 성과 |
| 8-K Item 5.07 | 작년 주총의 안건별 찬성, 반대 표 | 847건 | 작년 주주 반응 |
연결과 정제
- 투표 기록은 ISIN과 기업명으로, 공시는 SEC 기업 코드(CIK)로 되어 있어서 둘을 매핑했습니다. 주총일 바로 전에 나온 위임장과 8-K를 자동으로 골랐습니다.
- 공개 투표 기록에서 경영진 권고 칸이 잘못 적힌 178건을 찾아 뺐습니다. 정답 데이터가 틀리면 평가 전체가 틀리기 때문입니다.
- 보수 변화율과 비교군 대비 주주수익률을 계산하고, 위임장 본문에서 "일회성 특별 보상" 같은 쟁점 신호를 뽑았습니다.
보수 안건부터 시작한 이유는, 2022년 개정된 SEC 규정상 기관투자자는 N-PX에 보수 안건 투표만 공시하기 때문입니다. 정답이 공개된 영역부터 검증했습니다.
04검증 설계: 미래 정보 없이
평가 지표를 AUC 대신 "상위 N% 포착률"로 정한 이유는, 담당자는 "이번 주에 몇 건을 읽을 수 있나"를 기준으로 일하기 때문입니다. 설정값은 조정하지 않고, 정보 묶음(투표 이력, 찬성률, 보수와 성과, 본문 신호)을 한 단계씩 추가하며 비교했습니다.
05결과
가장 강한 단서는 과거 이력
작년에 반대한 기업은 올해도 47%가 다시 반대를 받았습니다. "작년 반대 기업부터 보기"라는 단순 규칙만으로도 잘 맞아서, 모델은 이 규칙보다 나아야 의미가 있었습니다.
검토량별 포착률
| 검토 비율 | 모델 | 단순 규칙 | 무작위 | 검토 목록 중 실제 반대 |
|---|---|---|---|---|
| 상위 10% | 30% | 33% | 10% | 42% |
| 상위 20% | 56% | 46% | 20% | 39% |
| 상위 30% | 69% | 53% | 30% | 33% |
검토 범위가 좁으면 단순 규칙이 조금 낫지만, 20% 이상으로 넓히면 모델이 10~16%p 앞섰습니다. 작년 이력이 없는 기업 중에서도 반대할 만한 안건을 찾아내기 때문입니다.
다만 2026년 반대 안건은 약 166건이라, 포착률 하나의 95% 범위가 약 ±8%p입니다. 상위 20%에서 모델은 48~63%, 단순 규칙은 38~53%로 범위가 겹칩니다. 10%p 차이는 한 해 결과로만 보고, 다른 해에도 유지되는지 확인이 필요합니다.
위임장 본문에도 답이 있었다
위임장에서 "일회성 특별 보상"을 언급한 기업의 KIC 반대율은 13.1%로, 언급하지 않은 기업(6.5%)의 2배였습니다. 반면 보수와 성과 수치만으로 찬반을 맞히는 정확도는 0.55에 그쳤습니다. 숫자만으로는 부족하고 본문을 읽어야 한다는 근거가 됐습니다.
본문을 읽을 때 키워드 방식은 한계가 있었습니다. "세금 보전(gross-up)을 하지 않는다"는 문장을 반대 신호로 잘못 읽었습니다. 부정과 조건을 해석하려면 LLM의 문맥 판독이 필요했습니다.
06자동 판정 실험: 하지 않기로 한 것
모델이 순서를 정하는 데서 더 나아가, 찬반까지 정할 수 있는지 시험했습니다.
- 판정 기준을 미리 고정하고 기록한 뒤, KIC 투표를 가린 채 LLM이 무작위로 뽑은 위임장 30건의 원문을 읽고 판정하게 했습니다. 결과를 보고 기준을 바꾸면 정확도가 부풀려지기 때문입니다. 이 판독은 프로그램으로 자동화하지 않고 대화형으로 진행했습니다.
- 판단한 26건 중 19건이 KIC 투표와 같았습니다. 하지만 모두 "찬성"이라고 찍었을 때(20건)보다 낫지 않았습니다.
- 반대 기준을 넓히자 잘못된 반대가 늘었습니다.
07결과물: AI 에이전트 STEWARD
검증 결과를 바탕으로 6단계 에이전트를 기획하고 프로토타입을 만들었습니다. 위임장 판독, 기준 대조, 의견 작성 단계는 LLM API를 부르도록 구현했고, 아래 실행 예시는 규칙 방식으로 돌린 결과입니다.
실행 예시 (실제 공시, 프로토타입 출력)
| 선별 | 2026년 보수 안건 1,183건 중 위험도 상위 0.4%로 우선 검토 |
| 이력 | KIC는 2025년 이 기업 보수 안건에 반대 |
| 조사 | 2025년 보수 안건 찬성 36%로 부결, CEO 보수 +162%, 주주수익률 비교군 대비 −20% |
| 판독 | CEO 리텐션 보상은 5년, 성과 조건부. 일회성 보상 제한 원칙 신설, 지분 47% 주주와 면담 |
| 판정 | 반대 권고, 확신도 낮음. 담당자가 확정 |
| 실제 | KIC 실제 투표: 반대 |
기대효과
1,279건을 모두 정독하면 약 2,560시간이 듭니다. 상위 20%만 정독하고 나머지는 판독 결과만 확인하면 약 770시간으로 줄어드는 규모입니다. 건당 정독 2시간, 확인 15분이라는 가정에 따른 값이고, 실제 검토 시간을 잰 것은 아니라서 규모를 가늠하는 용도로만 씁니다.
08한계와 다음 과제
- 평가가 2026년 한 해뿐이고, 같은 해 자료로 여러 정보 묶음을 비교해 결과가 다소 낙관적일 수 있습니다.
- 공개 투표 기록에는 보수 안건만 있어서 이사 선임, 주주제안은 검증하지 못했습니다.
- KIC의 세부 행사 기준은 비공개라 공개 원칙으로 만든 가정 기준을 썼습니다.
- 반대 안건이 약 166건뿐이라 포착률의 오차 범위가 넓습니다(약 ±8%p, 정규 근사). 모델과 단순 규칙의 차이를 구간으로 추정하려면 안건별 예측값으로 부트스트랩을 해야 하고, 다음 과제입니다.
- 반대 안건의 44%는 상위 20%에서 잡지 못했습니다. 자문사 의견 같은 비공개 요소 때문일 수 있습니다.
- API 키가 없어 LLM 단계의 실제 성능은 평가하지 못했습니다. 가짜 LLM을 넣어, 검증 단계가 지어낸 인용을 적발하고 다시 쓰게 한 뒤 사람 검토로 넘기는 흐름이 작동하는 것만 확인했습니다.
09기술별로 왜 썼나
| KIC 실제 투표를 정답으로 | 쓸모를 KIC 자신의 판단으로 증명하려고. 자문사의 정확도는 공개되지 않아 비교할 수 없어서 |
| 연도 기준 분할 | 실제로는 작년 정보로 올해 안건을 골라야 해서. 미래 정보가 섞이면 성능이 부풀려짐 |
| 상위 N% 포착률 | 담당자가 일하는 방식("몇 건을 읽을 수 있나")에 맞춘 지표라서 |
| 무작위와 단순 규칙 기준선 | 상식적인 방법보다 나아야 모델을 쓸 이유가 생겨서 |
| 정보 묶음 단계별 추가 | 어떤 정보가 성능을 올리는지 가려내려고 |
| CIK 매핑 | 투표 기록과 공시가 서로 다른 기업 코드를 써서 |
| LLM 문맥 판독 | 키워드 방식이 부정문과 조건문을 잘못 읽어서 |
| 블라인드 판독, 기준 사전 고정 | 결과를 보고 기준을 바꾸면 정확도가 부풀려져서 |
| "전부 찬성" 기준선 | 반대가 14%뿐이라 모두 찬성이라고 찍어도 정확도가 높아서 |
| 사람 검토 이관, 근거 링크 | 투자 결정에는 책임이 따르고, 모든 수치와 인용을 원문으로 확인할 수 있어야 해서 |