미국 사회
2026 년 6 월 5 일- 2026 년 6 월 11 일 A-3
▶1면 < 결제 오류 > 에 이어 AI 플랫폼이 발전함에 따라 스마트 계약은 에이전트의 행동을 자율적으로 제어하고 제 약하는 데 중요한 역할을 수 있다.
블록체인과 AI는 효율적이고 안전하며 비 용 효율적인 솔루션을 통해 국경 간 결제 방 식을 혁신할 수 있다. 이를 통해 디지털 통화 또는 스테이블 코인의 실시간 전송이 가능해 져 신속하고 저렴한 거래가 가능해지고, AI 를 활용해 규제 준수를 지원할 수 있다. AI 기 반 웹3 플랫폼은 개인 맞춤형 서비스와 지능 형 자동화를 제공하며, 개인정보 보호 기술은 민감한 정보를 노출하지 않고 검증을 수행해 보안을 강화한다. 이런 혁신 기술들은 금융 서비스에 대한 접근성을 높이고, 불변의 투 명한 기록을 통해 투명성을 제고하며 신뢰를 구축한다. 또한 신원 확인 및 규정 준수 점검 과 같은 프로세스를 자동화해 운영 효율성을 높이고 비용과 거래 시간을 단축한다. 인공지 능과 블록체인의 통합은 AI 기반 챗봇, 가상 비서, 프로그래밍 가능한 디지털 자산과 같은 새로운 비즈니스 모델을 지원해 맞춤형 고객 경험과 탄력적이고 효율적인 금융 서비스를 위한 기회를 확대하는 것이 인공지능을 활용 한 결제 시스템의 이론적 목표다.
밀리초 단위의 결정 카드를 탭하면, 신호가 깜빡이는 시간 내에 은행의 사기 탐지 시스템으로 전달된다. 결제 시 거래 처리는 AI 시스템 내에서 수백만 건 의 결제를 동시에 처리한다. 그 순간에 추출 한 수십 가지 특징을 바탕으로 위험 점수를 산출하는 완전 자동화 시스템으로 처리된다. 이런 특징에는 최근 지출 평균과 비교한 거래 금액, 상인의 유형, 지리적 위치, 시간대, 온 라인 구매에 사용되는 기기, 그리고 이번 구 매가 고객의 과거 패턴과 어떻게 비교되는지 도 알려준다. 이 요소들이 모두 입력되면 알고리즘이 실 시간으로 구매 점수를 부여한다. 수백만 건의 과거 거래를 기반으로 학습된 모델은 각 특징 조합에 이 거래가 사기일 확률을 할당한다. 그 확률이 임계값을 넘으면 거래가 차단되거 나 검토를 위해 경고 표시가 된다. 전체 과정 은 200 밀리초도 채 걸리지 않는다. ' 99 % 정확함 ' 은 여전히 수백만 명에게는 작 동하지 않는다. 이 기술을 차별화하는 점은 속도다. 금융 기관은 매일 수백만 건의 거래 를 처리하는데, 이는 어떤 인간 팀도 효과적 으로 모니터링할 수 있는 것보다 훨씬 많은 수치다. 은행에도 사기 분석가가 있지만, 그 들의 업무는 완전히 다른 차원에서 이뤄진다. 패턴 검토, 사건 조사, 자동화된 시스템이 이 관시키는 분쟁 처리 등이다. 이 새로운 시스 템들은 대개 사기를 정확히 적발하는 데 있 어 칭찬할 만하다. 오늘날 은행들은 카드 사 기로 인한 손실이 머신러닝 이전보다 훨씬 적 다. 머신러닝은 오늘날 AI 시스템을 구동하 는 기본 기술 중 하나로, 표준이 되기 전이다. 그럼에도 불구하고 ' 정확하다 ' 는 단어는 문제 를 숨기고 있다. 숫자를 생각해 보면 연방거 래위원회( FTC) 는 2024 년에 미국인들이 사기 로 인해 125 억 달러 이상을 잃었다고 보고했 다. 이는 전년 대비 25 % 증가한 수치다. 은행 들이 그 어느 때보다 많은 거래를 처리함에 따라, 사기꾼들도 그 속도를 따라가고 있다.
특히 주목할 만한 부분이 있다. 세계 최 대 결제 처리업체 중 하나인 스트라이프( Stripe) 에 따르면, " 거짓 거절 "( 합법적인 거
데이터 학습 과정에서 오류 발생 결제 오류에 대해 대응 방안 숙지 필요
래가 실수로 거부됨) 은 업계 전반에 걸친 구 조적 문제다. 업계 연구는 이런 거래가 실제 사기보다 금융 시스템에 더 큰 비용을 초래한 다고 지속적으로 시사한다. 이 오류들은 무작 위가 아니다. 알고리즘이 제대로 훈련하지 않 은 사람과 상황 주변에 모여 있다. 한 번도 가본 적 없는 도시에서 휘발유를 사 거나 처음으로 큰 임대료를 내는 것은 본질적 으로 의심스럽지 않다. 하지만 과거 패턴으로 훈련된 기계에게는 그렇게 보일 수 있다. 더 걱정스러운 일이 있다. 이 알고리즘들은 거 의 항상 불균형한 과거 데이터를 통해 학습한 다. 거래당 사기 거래가 드물기 때문에, 모델 에서는 모든 유형의 고객에서 사기가 어떻게 나타나는지 비교적 사례가 적다. 연구에 따 르면 저소득 지역과 유색인종 커뮤니티의 고 객들은 잘못된 감소율이 더 높다. 특정 집단 이나 상황에서 충분한 거래를 관찰하지 못한 모델은 정확한 기준선을 구축할 데이터가 적 다. 그래서 약간 이상한 일이 생기면 의도 때 문이 아니라 낯설어서 표시가 된다. 이 모델 은 반드시 누구를 명시적으로 차별하는 것은 아니다. 하지만 그 결과물은 여전히 연구자들 이 불평등한 피해를 불평등하게 분배하는 현 상을 초래할 수 있다.
MIT 연구진이 『공정성과 기계 학습』에 서 설명하듯, 이는 알려진 한계다. 불완전 표 현으로 훈련된 모델은 가장 적게 관찰된 그룹 에 대해 덜 신뢰할 수 있는 성능을 보인다. 해 결책은 알고리즘을 탓하는 것이 아니라, 더 나은 대표성 데이터로 알고리즘을 훈련시키 고, 배포 전에 다양한 고객 그룹에서 오류율 을 테스트하는 것이다.
왜 이유에 대해 설명 받을 권리가 없는지 거래 승인 거부 사건들을 더 악화시키는 것 은 이에 대한 아무런 정보도 제시하지 않는다 는 점이다. 대출 담당자가 주택 모기지 대출 신청을 거부할 경우, 법은 서면 설명을 요구 한다. 하지만 알고리즘이 직불카드를 거절하 면 " 시스템에 의해 플래그됨 " 메시지가 뜬다.
운 좋게도 인간 상담원과 연결된다면, 더 이 상 알려줄 수 있는 것은 없다. 이 공백은 우연 이 아니다. 대부분의 고성능 사기 모델은 블 랙박스에 가깝다. 그들의 내부 논리는 인간 의 해석을 위해 설계된 것이 아니다. 은행은 거래 중단 이유를 명확히 설명하지 못할 수도 있다. 그것은 무언가를 숨기려는 것이 아니 라, 모델 자체가 이유를 제시하지 않기 때문 이고 숫자를 만들어내기 때문이다. 이에 대응 해 일부 금융 기관은 알고리즘을 더 투명하게 만드는 도구로 전환하고 있다. 업계에서는 ' 설명 가능한 AI ' 로 알려져 있 는데, 예를 들어 비정상적인 위치와 비정상 적으로 큰 금액이 결합되어 거래가 차단되었 음을 알리는 등 결정 뒤에 가장 영향력 있는 요인을 드러내도록 설계하고 있다. 책임을 향 한 의미 있는 한 걸음이라 할 수 있다. 하지만 이런 채택은 고르지 못하며, 존재하는 설명 도 고객에게 거의 알려지지 않는다. 한편, 이 런 압박은 카드가 거절될 때 의미 있는 설명 을 요구할 수 있는 일관되고 집행 가능한 권 리로 아직 이어지지 않았다. AI 가 내린 결정 에 도전하는 것은 매우 어려울 수 있고, 대부 분의 사람들은 시도할 권리가 있다는 사실조 차 모른다. 대부분의 사람들에게 가장 쉬운
방법은 단순히 떠나거나, 다른 카드로 바꾸거 나, 다른 곳에서 사업을 옮기거나, 아무 말도 하지 않는 것이다. 연구에 따르면 거짓 거부 를 경험한 소비자의 4 분의 1 은 해당 가맹점에 다시 방문하지 않는다고 한다. 어떤 사람들은 더 나아가 계좌를 완전히 닫 기도 한다. 그 본능은 이해할 만하다. 하지만 숨겨진 대가가 있다. 거절된 거래는 신용 보 고서에 나타나지 않지만, 카드를 해지하면 나 타난다. 계좌를 해지하면 사용 가능한 신용 점수가 줄고 신용 기록이 단축되어 신용 점수 에 직접적인 영향을 줄 수 있다.
지금 당장 할 수 있는 일 사람들이 생각하는 것보다 은행들은 훨씬 더 큰 권력을 갖고 있다. 즉시 은행에 전화한다: 사기 플래그는 확률 적인 것이지 최종 결과는 아니다. 은행 담당 자는 거절된 거래를 실시간으로 무시할 수 있 다. 모델은 추측을 했지만, 인간이 수정할 수 있다. 기다리지 말고 은행에 직접 연락해야 한다. 비정상적인 구매 계획 시 알림을 설정한다: 대부분의 은행은 다가오는 여행, 대규모 구 매, 지출 패턴 변화를 알릴 수 있도록 허용한 다. 이 방법은 모델을 덮어쓰지는 않지만, 새 로운 정보를 제공해 플래그가 처음부터 발동 하는 것을 막을 수 있다. 권리확인하기: 공정신용청구법( Fair Credit Billing Act) 에 따라 잘못된 거래 블록에 대 해 이의를 제기하고 설명을 요청할 수 있다. 체계적이고 부당하게 차단되었다고 생각되 면, 소비자금융보호국( CFPB) 은 소비자 민 원을 접수할 수 있다. 은행에 어떤 이의 제기 절차가 있는지 문의: 점점 더 많은 은행들이 고객 대면 이의 제기 서비스를 구축하고 있다. 비자는 2025 년 전 세계적으로 1 억 600 만 건의 분쟁을 보고했고, 이는 2019 년 대비 35 % 증가한 수치다. 분쟁 관리를 " 전략적 우선순위 " 라고 표현했다. 부 적절한 거부는 결제 회사와 금융기관에게도 고객 서비스 비용, 수익 손실, 신뢰 손실 등 큰 비용을 초래한다. 결제를 차단한 알고리즘은 모든 것을 아는 것이 아니거나 중립적인 것이 아니다. 기계가 아마도 처음부터 완벽하게 공정하지 않았던 데이터를 바탕으로 통계적으로 추측하는 것 이다. AI 가 일상생활 속으로 확산됨에 따라, 누가 이런 결정을 통제하는지, 그리고 사람들 이 이를 이의를 제기할 수 있는지에 대한 질 문이 더욱 시급해지고 있다. 기술은 계속해서 새로운 영역으로 확장되고 있다. 규칙과 개인 의 재정적 유창성도 따라가야 한다.