거래소 인텔리전스는 어떻게 구축되어야 하는가: 서프(Surf)와 빗썸의 사례를 바라보며

Key Takeaways

• 암호화폐 거래소(CEX)의 인공지능 활용은 이용자의 의도를 주문으로 바꾸는 실행 계층과, 무엇을 사고팔지 판단하는 데 필요한 정보와 해석을 만드는 판단 계층으로 나눌 수 있다. 판단 계층은 다시 모델의 답을 그대로 돌려주는 대화형과, 거래소가 근거와 검증을 정해 자기 이름으로 내보내는 발행형으로 나뉜다. 실행을 외부 에이전트에 개방할수록 이용자의 판단과 신뢰는 거래소 밖에서 만들어지며, 거래소가 발행형 판단 계층을 직접 세울 유인은 여기에서 나온다.
• 기성 금융이 언어모델을 컴플라이언스 안에서 배포할 수 있었던 것은 모델을 신뢰해서가 아니라 모델을 신뢰하지 않아도 되는 체계를 만들었기 때문이다. 언어 모델이 컴플라이언스를 준수하며 금융에 활용되기 위해서는 참조할 자료를 고르고, 모델이 하지 않을 일을 정하고, 결과를 전문가 기준으로 평가하고, 송출 전에 마지막 관문을 두는 네 가지의 조치를 필요로 한다.
• 빗썸과 서프(Surf)가 공동 개발한 빗썸 AI는 이 네 가지를 시점 고정 스냅샷, 계산과 설명의 분리, 검수자 라벨로 학습한 평가기, 발행 보류를 통해 구현했다. 빗썸 AI의 사례는 거래소 인텔리전스의 경쟁력이 분석의 유형이 아니라 자료 선별에서 발행까지를 관리하는 기준에 있음을 보여준다.

1. 거래소 앱 안팎으로 확장되는 AI

거래소는 상장 자산과 수수료, 유동성, 파생상품, 규제 라이선스 등 여러 요소를 놓고 경쟁해 왔다. 여기에 인공지능이 새로운 경쟁 요소로 더해지고 있다. 거래소 앱 안의 분석 기능뿐 아니라 외부 AI 에이전트와의 연동까지, 경쟁의 범위도 넓어지고 있다.

인공지능이 거래소 앱에 들어온 것 자체가 새로운 일은 아니다. 대표적인 예시로, 바이비트(Bybit)는 2023년 챗GPT 기반의 트레이드지피티(TradeGPT)를 출시해 앱 안에서 시장 분석과 질의응답을 제공했다. 이러한 종류의 기능은 이용자가 정보를 찾고 해석하는 과정을 지원했으나, 차트와 뉴스 옆에 붙은 챗봇 정도로 기능했으며 사용자의 결정에 직접적으로 관여할만한 수준의 정보는 제공하지 못했다.

올해 들어서는 모델 성능 향상과 활용 방식의 확장에 힘입어 거래소 밖의 AI 에이전트가 거래소 기능에 접근하는 방식도 확대됐다. 3월 OKX는 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)을 활용하는 에이전트 트레이드 키트(Agent Trade Kit)를 공개했다. 클로드 같은 외부 모델을 사용하는 에이전트가 시세를 조회하고 주문을 실행할 수 있게 하는 도구다. 같은 달 바이비트와 바이낸스도 외부 에이전트의 거래소 접근을 지원하는 도구를 공개했다. 6월에는 코인베이스(Coinbase)가 코인베이스 포 에이전츠(Coinbase for Agents)를 통해 에이전트가 주문과 결제 기능을 이용할 수 있도록 했다. 국내에서도 업비트가 5월 AI 코딩 에이전트에 API 사용법을 알려주는 ‘업비트 스킬’을 공개했으며, 빗썸은 6월 챗GPT나 클로드와의 대화로 주문을 내는 AI 트레이드 킷을 내놓았다.

이번 경쟁이 이전과 다른 점은 여기에 있다. 상장과 수수료, 유동성은 모두 거래소가 임의로 조정이 가능한 변수이기에 더 빨리 상장하고 수수료를 내리고 유동성을 끌어오면 그만큼 앞설 수 있었다. 반면 인공지능이라는 축에서 이용자가 얻는 가치는 시장을 읽고 무엇을 사고팔지 판단하는 능력에서 나온다. 다만 현재 구조에서 그 능력은 챗GPT나 클로드 같은 외부 모델의 것이며, 거래소는 그 모델이 주문을 낼 수 있도록 계좌를 열어줄 뿐이다. 거래소들이 앞다투어 뛰어든 경쟁의 핵심이 정작 거래소가 만들 수도 고칠 수도 없는 곳에 놓인 셈이다.

이러한 흐름 하에서, 거래소에서 인공지능이 할 수 있는 일은 크게 두 계층으로 정리된다.

• 실행 계층: 이용자의 의도를 주문으로 바꾸는 것
• 판단 계층: 무엇을 사고팔지 결정하는 데 필요한 정보와 해석을 만드는 것

여기서 판단 계층은 책임의 위치에 따라 다시 둘로 나뉜다. 하나는 대화형으로, 이용자가 질문을 만들고, 모델의 답이 거래소의 별도 검증 없이 돌아오는 형태다. 챗봇 형태의 툴이 여기에 속한다.

다른 하나는 발행형으로, 거래소가 형식과 갱신 주기, 근거와 검증 절차를 정하고 그 결과를 자기 이름으로 내보내는 형태의 기능이 여기에 속한다. 뉴스 요약 수준의 발행은 업비트의 AI 뉴스 브리핑처럼 이미 있었지만, 시장 요약을 넘어 개별 종목이나 이용자의 포트폴리오에 대한 판단까지 거래소 이름으로 내보내는 시도는 최근에야 나왔다. 코인베이스가 6월 출시한 코인베이스 어드바이저와 빗썸이 9월 서프와 공동 개발해 출시한 빗썸 AI가 그 예다.

필자는 본 글을 통해 실행 계층과 발행 계층의 기능들이 거래소에 어떻게 다른 책임을 지우는지 먼저 살펴본다. 그 뒤 판단 계층을 세우는 일이 왜 어려운지와 기성 금융이 그 문제를 어떻게 풀어 왔는지를 짚고, 빗썸과 서프의 사례에서 암호화폐 거래소가 판단 계층을 구축하는 방식과 남는 질문을 논하고자 한다.

2. 거래소와 인공지능: 실행 계층과 판단 계층

두 계층의 가장 큰 차이는 기능보다는 거래소가 지는 책임에 있다. 실행 계층에서 거래소가 답해야 할 질문은 두 가지다. 외부 모델에 무엇을 어디까지 열어줄 것인가, 그리고 들어온 주문을 정확히 처리했는가. 판단 계층에서는 이용자에게 내보낸 설명이 맞는가, 어느 정도의 확신으로 말했는가, 틀린 것을 걸러냈는가의 영역에 중점을 둬야한다. 실행 계층에서의 질문은 모델 바깥의 설계로 답할 수 있지만, 판단 계층의 경우 모델이 생성한 결과물 자체를 다뤄야 한다.

2.1 두 계층으로 본 거래소의 인공지능 기능

1절의 사례들을 실행과 판단으로 나누어 정리하면 다음과 같다. 외부 모델을 계정에 연동시키는 방식은 대체로 비슷하지만, 어디까지 열어주고 무엇으로 막는지는 거래소마다 다르게 구현되어 있다.

실행 계층에서 거래소가 실제로 경쟁하는 지점은 권한 설계다. 바이낸스는 본계정과 분리된 가상 서브계정에 출금과 이체 권한이 없는 API 키를 묶고, OKX는 키를 이용자의 기기에만 두어 모델이 보지 못하게 하면서 읽기 전용 모드와 모의 거래 모드를 따로 제공한다. 코인베이스는 에이전트가 사용자 자본을 격리된 포트폴리오 안에서만 운용하도록 하고, 지출 한도와 거래 규모 제한을 설정할 수 있도록 할 예정이라고 밝혔다.

2.2 실행을 개방할수록 사용자는 외부로 이동한다

실행, 즉 주문 기능을 다양한 도구에 대해 개방하는 것은 거래소에 양면적으로 작용한다. 접근 경로가 늘어나는 만큼 주문은 늘 수 있지만, 그 주문이 어떤 판단에서 나왔는지는 거래소가 알 수 없게 된다. 시장을 비교하고, 무엇을 얼마나 살지 정하는 과정이 모두 외부 모델 안에서 끝나고, 거래소에는 그 결론만 도착하기 때문이다. 이용자가 시장을 만나는 장소가 거래소 앱에서 인공지능 앱으로 옮겨가는 셈이다.

이 이동이 중요한 이유는 신뢰가 만들어지는 위치 또한 이동하기 때문이다. 이용자는 정보를 찾고 근거를 확인하는 과정에서 서비스에 대한 신뢰를 쌓는다. 그 과정이 외부에서 이루어지면 거래소는 이용자가 이미 결정을 마친 뒤에야 등장하고, 거래소에 대한 평가는 체결이 빨랐는지, 수수료가 얼마였는지로 좁아진다. 이용자에게 거래소는 판단을 돕는 곳이 아니라 판단의 결과를 처리하는 곳이 된다.

물론 유동성과 체결 품질, 비용, 자산 관리의 신뢰성은 여전히 거래소를 가르는 요소이고, 언젠가 외부 모델이 여러 거래소 가운데 주문을 낼 곳을 고르게 된다면 그때의 기준도 이 요소들일 것이다. 다만 이 기준은 모두 이용자가 결정을 내린 뒤에 작동한다. 결정 이전의 단계에서 거래소가 이용자와 관계를 맺을 방법은 실행을 여는 것만으로는 생기지 않는다.

거래소가 판단 계층을 직접 제공할 유인은 여기에 있다. 주문을 받는 데 그치지 않고, 주문에 앞선 탐색 과정에서도 이용자가 거래소 안에 머물 이유를 만드는 것이다.

발행형 판단 계층은 대화형 챗봇과 형태부터 다르다. 챗봇이 이용자의 질문에 모델의 답을 돌려주는 데 그쳤다면, 발행형은 정해진 형식과 갱신 주기를 갖추고, 거래소가 정한 근거와 검증을 거쳐, 거래소의 이름으로 나간다. 판단을 거래소가 손댈 수 있는 곳으로 가져오는 대신 책임도 함께 가져오는 것이다. 어떤 자료를 근거로 삼고, 어느 정도의 확신으로 말하며, 문제가 있는 결과를 어떻게 걸러낼지가 거래소의 몫이 된다.

거래 도구를 연결할 때 거래소가 책임지는 것은 권한과 실행의 정확성에서 그친다. 잘못된 요청이 들어와도 닿을 수 있는 범위를 미리 잘라두면 된다. 분석을 자기 이름으로 내보낼 때는 경계를 그렇게 깔끔하게 자르기 어렵다. 무엇이 틀린 설명인지는 권한처럼 한 줄로 정의되지 않고, 상당 부분은 문장이 이용자에게 도착한 뒤에야 드러난다. 그리고 틀린 문장은 손실과 규제 위험, 신뢰의 손상으로 이어진다. 그렇다면 도착하기 전에 걸러낼 수 있는 부분은 어디까지일까? 필자는 이 문제를 먼저 겪은 기성 금융의 사례를 통해 이를 파악해보고자 한다.

3. 판단 계층 구축의 어려움과 기성 금융의 사례

3.1 판단 계층 구축의 어려움

기성 금융의 인공지능은 내부 효율화, 컴플라이언스, 고객 대면의 순서로 도입되었다. 암호화폐 거래소들도 앞의 두 단계는 빠르게 따라갔고, 고객 대면에서도 판단이 아닌 응대는 이미 자동화했다. 코인베이스의 고객센터는 클로드 기반 챗봇이 컴플라이언스 가드레일과 함께 문의를 처리하고, 업비트와 빗썸은 이상거래탐지와 보안위협 탐지에 인공지능을 쓴다. 비어 있던 것은 세 번째 단계, 즉 거래소가 자기 이름을 걸고 이용자에게 직접 내보내는 판단 영역의 정보였다.

이 단계를 구현하는 것이 어려운 이유는 실패의 비용 구조가 다르기 때문이다. 내부 도구의 오류는 직원이 필터링할 수 있으며, 컴플라이언스 인공지능의 오탐은 사람의 심사가 보정할 수 있다. 하지만 리테일 이용자에게 직접 전달되는 잘못된 분석은 그런 완충장치 없이 이용자의 계좌에 영향을 미칠 수 있다. 그렇기에 판단형 정보는 아래의 네 가지 조건을 충족한 상태로 제공되어야 한다.

1. 자문의 경계: 생성형 인공지능이 "이 자산을 사라"고 말하는 순간 규제상 전혀 다른 영역으로 넘어간다. 거래소의 인공지능은 정보를 제공하되 자문이 되지 않는 좁은 길을 걸어야 한다.
2. 실시간성: 은행의 리서치는 하루 단위로 움직이지만 암호화폐 시장은 24시간, 분 단위로 움직인다. 어제의 데이터로 만든 분석은 이미 틀린 분석일 수 있다.
3. 오류의 비대칭성: 100번 중 99번 맞는 답도, 한 번의 그럴듯한 거짓이 손실로 이어지는 환경에서는 상품이 되기 어렵다.
4. 언어: 프론티어 모델의 학습은 대부분 영어로 이루어지므로, 금융 문장의 정밀함을 한국어로 유지하는 일은 생각보다 어렵다.

이 가운데 자문의 경계와 오류의 비대칭성은 기성 금융이 규제 아래에서 마주한 조건이며, 실시간성과 언어는 암호화폐 거래소, 그중에서도 국내 거래소가 그 위에 얹어야 할 몫이다. 기성 금융이 앞의 두 조건을 어떻게 다뤘는지부터 살펴보자.

3.2 기성 금융의 컴플라이언스 준수 LLM 서비스 구축 사례

2023년, JP모건, 씨티, 골드만삭스, 도이체방크, 웰스파고는 컴플라이언스 준수를 이유로 직원들의 챗GPT 사용을 통제했다. 그러나 3년이 지난 지금 JP모건은 직원 14만 명 이상에게 사내 언어모델 포털을 열어두었으며, 모건스탠리에서는 자산관리 어드바이저 팀의 98% 이상이 인공지능 도우미를 쓴다.

이것이 가능하게 된 것은 모델의 신뢰성이 향상되어서가 아니라, 모델을 신뢰하지 않아도 되는 체계를 만들었기 때문이다. 2026년 현재 기성 금융권은 모델의 배포를 컴플라이언스 내에 들여왔으며, 다음과 같은 사례들이 존재한다.

1. 모건스탠리: 모건스탠리는 GPT-4를 기반으로 자체 어시스턴트 에이전트를 구축했다. 그러나 이 에이전트는 열린 답변이 아닌 회사가 골라 둔 약 10만 건의 리서치 문서에 대해서만 답하도록 강제되어 있으며, 배포 전후로 어드바이저들의 실제 질문에서 뽑은 시험 문항을 어드바이저들이 직접 채점하는 평가를 반복했다. 기관투자자용 AskResearchGPT도 같은 구조로, 여러 보고서를 종합한 답에 원본으로 향하는 출처를 첨부하도록 설계되었다. 상담 도구 디브리프(Debrief)는 고객 동의를 받아 상담을 요약하고 후속 이메일 초안을 쓰지만, 발송은 어드바이저가 검토하고 고친 뒤 결정하게 되어있다.
2. JP모건: LLM 스위트(LLM Suite)를 통해 외부 프론티어 모델을 은행의 통제 계층 뒤에서 제공한다. 더 시사적인 것은 2024년 5월의 인덱스GPT(IndexGPT)다. 인덱스GPT는 투자 테마의 키워드만을 생성하며, 실제 종목 선정은 별도의 절차로 분리했다. 종목 선정까지 모델이 수행할 경우 자문의 영역에 진입하게 되기 때문이다.
3. 골드만삭스: 2025년 6월 전 직원에게 GS AI 어시스턴트를 배포했다. 해당 어시스턴트는 문서 요약, 초안 작성, 데이터 분석과 같은 내부 업무에 사용되며, 투자은행과 개발, 리서치, 자산관리 등 직무별로 다른 구성을 갖도록 설계되었다. 어시스턴트 뒤에는 OpenAI와 구글, 앤스로픽의 모델과 오픈소스 모델이 함께 연결되어 있어 이용자가 작업에 맞는 모델을 고를 수 있도록 했다. 골드만삭스는 사용자로 하여금 모델은 선택할 수 있도록 했지만, 자료 접근과 용도는 통제하는 설계를 선택했다.

정리하면, 기성 금융이 모델을 컴플라이언스 안에서 배포하기 위해 만든 것은 아래의 네 가지라고 할 수 있다.

• 참조할 자료를 고르는 것
• 모델이 하지 않을 일을 정하는 것
• 결과를 전문가의 기준으로 평가하는 것
• 결과 송출 이전에 마지막 관문을 두는 것

4. 빗썸과 서프의 사례로 보는 판단 계층의 구축

빗썸은 2026년 9월 2일 서프와 공동 개발한 '빗썸 AI'를 출시했다. 서프는 금융기관을 위한 디지털 자산 인텔리전스를 제공하는 AI 파트너사로, 이번 협업에서는 데이터 수집부터 검증과 발행까지의 파이프라인을 맡았다. 이 절에서는 먼저 이용자가 보는 네 기능을 살펴보고, 컴플라이언스 준수를 위해 빗썸 AI가 어떤 형태로 구현됐는지, 그리고 이 구성이 다른 거래소의 분석 기능과 어디에서 갈라지는지를 본다.

4.1 빗썸 AI의 네 가지 기능

빗썸 AI는 네 기능으로 구성되며, 종목 단위의 두 기능은 450개 이상의 원화마켓 자산을 대상으로 한다.

4.1.1 AI 종목시그널

기술 지표와 소셜 지표 여섯 가지를 5분마다 종합해 단기 상승 또는 하락 신호와 AI 종합 점수를 제시한다. 이용자가 여러 지표와 차트를 직접 비교하지 않아도 흐름의 방향과 변화를 한 화면에서 보게 하는 것이 목적이다. 빗썸은 서프 도입 이전에는 실시간 시장 심리를 재현하기 어려워 과거 검증에서는 소셜 지표를 제외했으나, 서프와의 협업 이후 시장 심리를 반영, 변동하는 지표별 가중치에 따라 다른 시그널의 빈도와 종합 점수를 제공한다고 명시했다.

4.1.2 AI 종목분석

가격과 거래량, 온체인 데이터, 커뮤니티 반응을 종합해 종목별 심층 보고서를 생성한다. 종목시그널이 점수 하나로 요약한 것을 보고서가 근거와 함께 풀어 쓰는 관계다.

4.1.3 AI 데일리시황

매일 오전 8시 주요 시장 이슈를 분석해 요약하고, 그날의 경제 일정을 함께 알린다.

4.1.4 AI 추천질문

30분마다 이용자 관심이 높은 시장 이슈를 질문과 답변의 형태로 제시한다. 이용자가 질문을 만들지 않아도 되도록 질문 자체를 서비스가 고른다.

4.2. 모델을 통제하기 위한 서프의 네 가지 설계

서프는 이 시스템의 설계를 기술 블로그에 공개하면서, 핵심은 더 나은 프롬프트나 더 큰 모델이 아닌 모델을 둘러싼 피드백 루프 전체를 소유하는 것, 즉 '하네스(harness)'에 있었다고 설명했다. 3.2에서 언급한 네 개의 원칙에 비추어 보면, 이 하네스의 각 부분이 어느 원칙을 맡고 있는지를 알 수 있다.

첫번째는 참조할 자료를 고르는 것이다. 서프는 시장, 온체인, 뉴스, 소셜 데이터를 5분마다 하나의 스냅샷으로 동결하고, 100개 이상의 품질 검사를 거쳐 몇 개의 설명 가능한 신호로 정리한 뒤 모델에 넘긴다. 모델이 스스로 근거를 찾게 두면 처리 속도가 떨어지고 환각이 늘기 때문이다. 모건스탠리가 10만 건의 리서치 문서로 답변 범위를 묶었다면, 여기서는 사람이 고른 문서 대신 시점을 고정한 데이터 묶음이 그 역할을 수행한다. 시점을 고정하는 이유는 금융 정보 특유의 오류 때문이다. 오전의 가격 움직임과 오후에 나온 뉴스를 한 문맥에 넣으면 나중 뉴스가 앞선 변동의 원인처럼 서술될 수 있고, 두 자료가 각각 사실이라는 것만 확인해서는 이 오류를 걸러낼 수 없다. 다만 같은 묶음에 들어갔다고 원천 자료의 관측 시각까지 같아지는 것은 아니므로, 수집 시각과 원천의 기준 시각, 자료별 지연은 따로 관리해야 한다.

두번째는 모델이 해서는 안되는 일을 정하는 것이다. 가격 흐름과 거래량 같은 정량 지표는 정해진 방식으로 계산해 점수로 구성하고, 언어모델은 그 수치를 설명하는 역할만 맡는다. 생성 이후에는 평가 계층이 투자자문에 해당하는 표현이나 경쟁사 언급을 담은 출력을 결정론적으로 차단하고, 모든 수치를 원천 데이터와 대조한다. 서프는 이를 통해 보고서가 트레이딩에 대한 시사점을 담으면서도 투자자문으로 해석될 수 있는 방향으로 흐르지 않도록 하고자 했다.

세번째는 전문가의 기준으로 결과를 평가하는 것이다. 빗썸 AI의 컨텐츠는 영어로 먼저 생성한 뒤 한국어로 번역되며, 빗썸과 서프의 한국어 검수자가 매긴 라벨로 학습한 평가 에이전트가 번역된 문장을 채점하도록 설계되었다. 금융 문장에서 이 평가가 중요한 이유는 확신의 강도 때문이다. '상승할 수 있다'와 '상승할 것으로 예상된다', '상승한다'는 다른 정보이며, 번역이 매끄러워도 가능성이 전망으로 바뀌면 동일한 뜻을 가진 문장이 아니게 된다. 서프는 한국어 품질이 1차 승인률 95%, 2차 승인률 99%에 이르렀다고 밝히고 있다.

마지막은 결과 송출 이전의 검수 과정이다. 생성물에 품질 문제가 발견되면 그 오류를 다음 프롬프트에 명시해 다시 생성하고, 모델 제공업체에 장애가 생기면 다른 벤더의 모델로 전환해 중단된 지점부터 이어가며, 그래도 고칠 수 없는 것은 송출하지 않도록 설계했다. 걸러진 실패 결과물은 기록으로 남아 빗썸의 엔지니어링 팀과 공유하도록 되어있는데, 이것은 기성 금융의 시스템들과의 차별점이기도 하다. 기성 금융 시스템의 AI 서비스에서 마지막 관문은 줄곧 사람이 담당하도록 되어 있으나, 분 단위로 갱신되는 리테일 대상 시장 분석에는 수동 검토가 어렵기에 빗썸과 서프는 그 관문을 사전적이고 결정론적인 검증으로 옮겼다.

4.3. 빗썸 AI의 차별점

빗썸 AI의 차별점은 세 개의 층위로 나눌 수 있다.

첫째는 이용자가 질문을 설계하지 않아도 된다는 점이다. 2023년의 TradeGPT 등 흔히 거래소에서 찾아볼 수 있었던 대화형 분석 도구는 "무엇을 물어야 할지 아는" 이용자에게 유리한 설계라고 할 수 있다. 외부 에이전트를 직접 연결하는 이용자 또한 어떤 데이터를 부르고 무엇을 물을지 스스로 정해야 한다. 빗썸 AI는 정해진 형식의 점수와 보고서, 그리고 서비스가 고른 추천질문의 형태를 통해 이러한 부담을 제공자 쪽으로 옮겼으며, 분석의 생성 비용 뿐만 아니라 분석의 요청과 해석에 드는 이용자의 부담 또한 줄여주는 설계를 선택했다.

둘째는 분석과 주문을 하나의 앱 내로 통합한 점이다. 앞서 설명했듯, MCP의 형태로 분석을 외부 에이전트에 위임하는 경우 사용자는 앱 외부에서 시장과 접하게 되고, 거래소와의 접점은 최소화된다. 빗썸 AI는 앱 내에서의 경험을 통해 사용자가 앱 안에서 판단할 이유를 의도적으로 만들어내게 된다.

셋째는 자료 선별에서 발행까지를 하나의 체계로 설계했다는 점이다. 종목 단위의 점수와 보고서를 거래소가 정기 발행하는 것은 국내 거래소 가운데 처음이지만, 뉴스 요약형 분석은 로빈후드의 코텍스 다이제스트나 업비트의 AI 뉴스 브리핑에도 존재한다. 빗썸 AI분석의 유형만으로는 차별점이 되지 않는다는 뜻이고, 다른 것은 그 뒤에 있는 체계다. 챗봇이 모델의 출력을 그대로 이용자에게 전달했다면, 서프는 앞서 설명한 검증 체계를 통해 250만 회의 생성과 검증 시도 가운데 실패 사례 30만 건을 필터링했다고 밝혔다. 이는 판단 계층의 거래소 AI 서비스 구축을 위해 이러한 필터링 과정이 실제로 필요하다는 사실을 뒷받침한다.

5. 거래소 인텔리전스는 모델 밖에서 완성된다

거래소의 인공지능은 앱 안의 챗봇에서 출발해 실행을 밖으로 여는 흐름으로 넘어왔고, 이제 판단을 거래소 이름으로 내보내는 시도가 진행되고 있다. 빗썸은 AI 트레이드 킷으로 실행 계층을, 서프와 함께 만든 빗썸 AI로 판단 계층을 세우는 선택을 했다. 이 글이 빗썸의 사례를 깊게 살펴본 이유는 서프가 설계를 공개해, 판단 계층을 세우는 일에 따르는 책임과 운영 문제가 가장 구체적으로 드러났기 때문이다.

기성 금융이 먼저 보여준 것은 배포의 조건이 모델에 대한 신뢰가 아니라 모델을 신뢰하지 않아도 되는 체계였다는 사실이다. 참조할 자료를 고르고, 모델이 하지 않을 일을 정하고, 결과를 전문가 기준으로 평가하고, 밖으로 나가기 전에 마지막 관문을 두는 것. 빗썸과 서프의 구조는 이 네 가지를 시점 고정 스냅샷, 계산과 설명의 분리, 검수자 라벨로 학습한 평가기, 발행 보류라는 형태로 옮겼다.

거래소가 어디까지 판단해야 하는지에 대한 답은 하나가 아니다. 빗썸은 자문의 경계 밖에 머무는 쪽을 택했다. 정량 지표는 규칙으로 계산하고, 모델은 설명만 하며, 자문으로 읽힐 표현은 발행 전에 지웠다. 코인베이스 어드바이저는 반대로 등록 자문업자의 이름으로 경계 안에 들어가는 쪽을 택했다. 전자는 판단의 범위를 좁혀 책임을 관리하고, 후자는 자문의 책임을 제도 안에서 지는 것을 택했다. 어느 쪽이 이용자에게 더 유용한지는 아직 알 수 없지만, 두 답이 같은 질문에서 나왔다는 점은 분명하다.

자체 분석 체계를 갖춘다는 것은 결국 어떤 자료를 믿을지, 어느 정도의 확신으로 설명할지, 언제 결과를 내보내지 않을지를 기관이 정하고 검증할 수 있어야 한다는 뜻이다. 실행 계층에서 무엇을 실행하도록 허용할지를 정하는 것과 같은 종류의 일이, 판단 계층에서는 모델의 출력 하나하나에 대해 이루어져야 한다. 거래소가 판단에 필요한 정보를 더 많이 제공할수록, 경쟁력은 설명의 양보다 그 설명을 관리하는 기준에 달리게 된다. 빗썸과 서프의 이번 시도에서 주목할 부분은 바로 그 기준을 거래 서비스 안에 구축하려 한다는 점이라고 할 수 있다.