# 다크 마켓플레이스 - AI 에이전트가 거래를 대행하는 커머스의 미래 > Clean Markdown view of GeekNews topic #29278. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=29278](https://news.hada.io/topic?id=29278) - GeekNews Markdown: [https://news.hada.io/topic/29278.md](https://news.hada.io/topic/29278.md) - Type: GN+ - Author: [neo](https://news.hada.io/@neo) - Published: 2026-05-08T09:15:03+09:00 - Updated: 2026-05-08T09:15:03+09:00 - Original source: [insights.euclid.vc](https://insights.euclid.vc/p/the-dark-marketplace) - Points: 2 - Comments: 0 ## Topic Body - AI 에이전트가 사람 대신 상품을 발견하고, 가격을 협상하며, 구매까지 자율적으로 수행하는 **'다크 마켓플레이스'** 개념이 B2B 커머스의 다음 패러다임으로 부상 중 - Anthropic의 **Project Deal** 실험에서 69명의 직원이 AI 에이전트에게 거래를 맡긴 결과, 186건의 실거래와 4,000달러 이상의 거래액이 발생했으며, 더 강력한 모델을 사용한 참가자가 객관적으로 더 나은 결과를 얻었지만 약한 모델 사용자는 **자신의 에이전트가 저성능이라는 사실을 인지하지 못함** - 자율 거래의 핵심 과제는 단순 검색이나 자연어 UI가 아니라, 숙련된 구매자의 **암묵적·맥락 의존적 판단력을 추상화(judgment abstraction)** 하여 에이전트에 인코딩하는 것 - B2B는 반복적이고 정책 기반이며 마진 지향적인 구매 패턴 때문에 소비자 커머스보다 **판단 추상화에 훨씬 적합한 구조** - 다크 마켓플레이스에서 진정한 **해자(moat)는 UI가 아니라 사용자별로 축적된 판단 데이터**이며, 이를 가장 깊이 확보한 기업이 차세대 수천억 달러 규모의 마켓플레이스를 구축할 가능성이 높음 --- ### Anthropic의 Project Deal 실험 - Anthropic이 샌프란시스코 사무실에서 일주일간 진행한 **Project Deal** 실험에서, 69명의 직원이 스노보드, 사무용 의자, 탁구공 등 개인 물품을 AI 에이전트가 전적으로 운영하는 중고장터에 등록 - 모든 협상, 역제안, 거래가 **Claude 모델**이 각 참가자를 대리하여 처리했으며, 참가자는 가격을 직접 입력하거나 목록을 탐색하지 않음 - 결과적으로 **186건의 거래**가 성사되었고 총 거래액은 **4,000달러 이상**, 실제 금전이 오감 - 가장 주목할 만한 발견은 Anthropic이 참가자를 **프론티어 모델**과 더 작은 모델로 비밀리에 분리한 것으로, 강력한 모델의 대리를 받은 사용자가 객관적으로 더 나은 가격·매칭·거래 건수를 확보 - 그러나 약한 모델을 배정받은 사용자는 **자신의 에이전트가 저성능이라는 사실을 전혀 인지하지 못했으며**, Anthropic은 이를 **"agent quality gaps"** 라 명명 ### 업계 동향: 표준화 vs 차단 - Project Deal 발표 5일 후, Amazon, Meta, Microsoft, Salesforce, Stripe가 **Universal Commerce Protocol(UCP)** 위원회에 합류 — AI 에이전트가 플랫폼 간에 상품을 발견하고 가격을 협상하며 거래를 실행하는 방식을 **최초로 표준화**하려는 시도 - 같은 주에 eBay는 이용약관을 업데이트하여 **"buy-for-me 에이전트, LLM 기반 봇, 사람의 검토 없이 주문을 시도하는 모든 엔드투엔드 플로우"를 명시적으로 금지** - 일부 대기업은 에이전트가 사람 대신 거래하는 세계의 인프라를 구축하는 반면, 다른 쪽은 에이전트가 진입하기 전에 문을 잠그려 하는 **양극화된 대응** ### 다크 마켓플레이스의 정의 - **다크 마켓플레이스(Dark Marketplace)** 란 발견, 협상, 구매의 복잡한 작업이 사람의 시야 밖에서 완전히 이루어지는 **거래형 다면 플랫폼** - "다크"는 불법이 아니라 **다크 매터(암흑 물질)** 처럼 시스템을 지탱하지만 직접 관찰되지 않는 **보이지 않는 힘**이라는 의미 - 현존하는 가장 성공적인 마켓플레이스에 내재된 핵심 마찰을 제거함으로써 **수천억 달러 규모의 기업 가치**를 창출할 잠재력 보유 - 이를 구현하려면 더 나은 검색이나 자연어 UI를 넘어, **숙련된 구매자와 판매자의 직관적·맥락 의존적·예외 처리 능력을 에이전트에 인코딩하는 '인간 판단의 추상화'** 가 필요 ### 커머스 진화의 역사 - 약 **7,000년간** 수요 의도를 외부화하는 지배적 메커니즘은 좋은 영업사원이었으며, 청동기 시대 아고라부터 백화점까지 고객의 취향·구매 이력·예산을 기억하는 사람에 의존 - 지난 **20년간** 광고 데이터, 구매 이력, 인구통계, 검색 행동 등 디지털 흔적이 **두 번째 외부 수요 의도 소스**를 형성하여 추천 엔진, 리타게팅, 개인화 가격이 Amazon과 Meta 등을 구축 - 그러나 근본적 거래 모델은 거의 변하지 않아, 구매자는 여전히 검색·필터·비교·클릭 과정을 거침 - 약 **10년 전** ERP, POS, WMS, TMS 피드 등 B2B 시스템 통합이 **세 번째 계층**을 형성 - **Faire**, **Odeko**, **GrubMarket** 같은 기업이 이 통합을 활용해 구매자가 검색하기 전에 필요를 추론하는 조달 마켓플레이스 구축 - 그러나 최종 결정은 여전히 인간이 내림(제안된 주문 검토, 카트 승인, 대체품 확인) - 현재는 **네 번째 이전(migration)의 문턱**에 있으며, LLM이 자연어 맥락을 흡수하고 수천 건의 상호작용에서 행동 패턴을 학습하여 **자율적으로 행동 가능** - 이전 각 이전 단계마다 거래량과 구매자 만족도가 대폭 증가했으며, LLM의 자연어 및 추상화 능력은 **전례 없는 규모의 수요 의도를 구매자의 머릿속에서 외부로 이전**하는 데 가장 적합한 기술 ### 판단 추상화(Judgment Abstraction)가 핵심 과제 - 모든 마켓플레이스와 SaaS 도구는 드롭다운, 필터, 온보딩 설문 등을 통해 **명시된 선호도**를 캡처할 수 있지만, 인간의 구매 판단은 폼 필드에 담기는 것보다 훨씬 풍부하고 미묘 - 다음 세대 거래형 B2B 비즈니스의 핵심 과제이자 해자는 **복잡한 인간 판단 — 암묵적이고 맥락 의존적이며 실시간으로 엣지 케이스를 처리하는 의사결정 —을 추상화하는 능력** - 이 판단은 본질적으로 **산업별로 고도로 수직적**이며, 산업·기업·개인마다 그 윤곽이 크게 다름 - ## 실제 판단의 예시 - **포틀랜드 카페 주인**: 단순히 "귀리 우유"를 주문하는 것이 아니라, 화요일 오후 트래픽 급증에 필요한 특정 물량, 3주 전 변경된 공급업체의 배송 시간, 단골 두 명이 싫어할 대체 브랜드, 주말 러시 전에 도착해야 하는 신제품 콜드브루 농축액 등을 종합적으로 고려 - **화물 중개인**: 의사결정 트리를 따르지 않고, 금요일 늦은 오후에 확실히 전화를 받는 운송업체, 어제 대화에서 파악한 이번 주 취약한 노선, 협상 여지가 있는 "확정" 요금, 관계 유지를 위해 마진을 감수할 시점 등을 경험으로 판단 - **의사**: 환자 이력, 자신의 임상 경험, 보험 처방집, 환자 순응도, 최신 근거를 **동시에** 고려하여 치료 프로토콜을 선택 - 이 예시들의 **공통 구조**: 판단이 사용자별·맥락별·순간별이며, 데이터가 아닌 경험에 의해 형성되고, AI 에이전트가 신뢰를 깨뜨리지 않고 거래를 대행하려면 반드시 흡수해야 하는 요소 ### 참여 깊이-거래 근접성 매트릭스(Engagement-Proximity Matrix) - 기업의 다크 마켓플레이스 잠재력을 평가하는 데 가장 유용한 프레임워크는 **두 축**을 기준으로 함 - ## X축: 참여 깊이(Engagement Depth) - 제품이 캡처하는 **고빈도·저마찰 상호작용의 양**을 측정 - **높은 참여**: 사용자가 매일, 때로는 매시간 상호작용하며 풍부한 행동 신호를 생성 — 모든 고객 통화를 듣는 Voice AI, 모든 거래를 실시간으로 보는 POS 통합, 일상 운영 리듬에 내장된 워크플로우 도구 - **낮은 참여**: 분기별로만 사용하거나 온보딩 시에만 접하는 제품 — 무거운 설정 UI, 주기적 설문, 데이터는 전달하지만 행동을 관찰하지 않는 정적 시스템 통합 - ## Y축: 거래 근접성(Transaction Proximity) - 제품이 **실제 구매·판매 결정에 얼마나 가까이 위치**하는지 측정 - **높은 근접성**: 주문이 이루어지고, 화물이 예약되고, 예약이 잡히는 시스템을 통해 거래를 촉진·중개·실행 - **낮은 근접성**: 의사결정에 정보를 제공하지만 촉진하지 않는 제품 — 분석 대시보드, 코칭 도구, 임상 의사결정 지원, 시장 인텔리전스 플랫폼 - ## 사분면별 전략적 함의 - **우상단(Top-right): 다크 마켓플레이스 준비 완료** — 풍부한 행동 데이터 캡처와 거래 위에 위치하여 명시된 선호도부터 자율적 의사결정까지 판단 추상화의 전체 여정을 진행 가능 - **좌상단(Top-left): 풍부한 신호, 잘못된 위치** — 고빈도 상호작용으로 방대한 판단 데이터를 캡처하지만, 거래 자체를 촉진하지 않음 - **Rilla**: 대면 계약자 영업 대화를 녹음·분석하여 홈서비스 분야에서 어떤 언어와 기법이 거래를 성사시키는지에 대한 독점 데이터 보유, 그러나 거래 자체를 성사시키지는 않음 - **OpenEvidence**: 의사의 임상 의사결정 반사를 흡수하지만 처방, 진단 주문, 기기 선택의 상류에 위치 - **Keychain**: 7,800만 달러를 18개월 만에 조달, 3만 이상의 CPG 공동 제조업체와 2만 이상의 브랜드/리테일러를 연결하는 **가장 순수한 양면 다크 마켓플레이스 후보** — 브랜드 AI가 제품 사양을 설명하면 제조업체 AI가 입찰 - **우하단(Bottom-right): 거래 위치 확보, 느린 학습** — 거래 위에 위치하지만 상호작용이 드물거나 얕아 학습이 느림 - **Odeko**: POS 통합이 실시간 수요 신호 제공, 야간 배송 네트워크가 거래 처리, 자동 재주문 엔진이 카페 주인의 전체 구매 판단을 흡수하여 주인이 아침에 카탈로그가 아닌 **재고가 채워진 주방으로 맞이** - **Faire**: 70만 이상의 리테일러와 브랜드를 연결하는 **80억 달러 이상** 가치의 도매 마켓플레이스로 이미 거래를 촉진하지만, 리테일러가 여전히 브라우징 중 — 일일 판매 패턴, 방문객 수, 벤더 대화, 계절 행동 등의 참여 신호를 AI로 캡처하면 카탈로그가 아닌 **제안된 카트**를 볼 수 있음 - **LightSource**: Yum! Brands, Hello Fresh 같은 기업을 위해 RFX 및 입찰을 자동화하여 근접성은 높지만 조달 이벤트가 주기적이지 연속적이지 않음 - **전략적 비대칭**: 좌상단 기업은 거래 쪽으로 확장해야 하고, 우하단 기업은 Voice, 대화, 행동 추론 등 AI 캡처를 통해 참여를 확보해야 하며, **어느 쪽 격차든 가장 빨리 해소하는 기업이 승리** - ## Voice AI의 참여 계층 역할 - Voice 및 기타 멀티모달 AI는 단순한 핫 웨지 제품을 넘어, 판단 추상화를 가능하게 하는 **참여 계층**을 구동 — 플랫폼이 사용자가 원한다고 말하는 것이 아닌 **실제로 어떻게 생각하는지**를 학습하는 메커니즘 - **Toma**: 딜러십의 모든 인바운드 전화(서비스 예약, 부품 주문, 리콜 확인, 영업 문의)를 AI 음성 에이전트가 100% 처리, 각 매장의 통화 코퍼스로 훈련되고 DMS에 통합 - 다크 마켓플레이스 잠재력은 반대편에도 에이전트가 생길 때 발현: 보험사의 클레임 AI가 Toma에 전화하여 수리 예약, OEM의 리콜 에이전트가 보증 서비스 예약, 고객의 AI가 3개 딜러에 브레이크 작업 가격 비교 — **에이전트 대 에이전트, 대기 음악 불필요** ### 판단 추상화의 4단계 - ## Stage 1 — 명시된 선호도(Stated Preferences) - 사용자가 시스템에 원하는 것을 직접 전달: 필터, 온보딩 설문, 저장된 검색, 승인 한도 - 모든 마켓플레이스가 수행하는 **출발선**이며, 생성되는 데이터는 유용하지만 얕음 - 예: Faire 리테일러가 "홈 굿즈"와 "도매 50달러 이하" 선택 - ## Stage 2 — 행동 추론(Behavioral Inference) - 시스템이 사용자의 **행동을 관찰**하여 사용자가 명시하지 않은 패턴을 추론 - POS 판매 속도, 재주문 빈도, 페이지 체류 시간, 대체품 수용률, 공급업체 전환 행동 등 활용 - 예: Odeko가 카페의 귀리 우유 재주문 주기가 7일이 아닌 **6일**이고 월요일에 물량이 줄어드는 것을 감지하여 지시 없이 자동 주문 조정 - **대부분의 AI 네이티브 수직 기업이 현재 이 단계에 있거나 진행 중** - ## Stage 3 — 맥락적 판단(Contextual Judgment) - 시스템이 **외부 맥락** — 시장 상황, 공급업체 신뢰도, 부패성, 계절성, 상대방 행동, 규제 제약 — 을 통합하여 사용자가 **무한한 시간과 완벽한 정보가 있었다면 내렸을 결정**을 수행 - GrubMarket의 AI 에이전트가 공급망 신호에서 지역 토마토 부족을 인식, 유통업체의 주문을 비슷한 가격대의 대체 품종으로 전환, 해당 유통업체의 **대체품 허용 이력**을 고려하여 행동 - **Green Cabbage**: Salesforce 갱신을 수천 건의 유사 계약과 벤치마크하여 구매자의 자체 조달팀이 계산할 수 없는 **이탈 가격(walkaway price)** 설정 - 이 단계는 **깊은 사용자별 데이터와 광범위한 시장 데이터의 결합** — 참여와 근접성 모두 필요 - ## Stage 4 — 자율적 의사결정(Autonomous Decision-Making) - 에이전트가 **최소한의 또는 인간 감독 없이** 사용자를 대신하여 행동, 거래가 "다크" 상태 — 사용자는 과정이 아닌 결과만 확인 - 아직 **이 단계에서 운영되는 기업은 없지만** 최종 형태는 가시적: 중개인 측 AI가 화물 요청을 수신, 운송업체 측 AI에 조회, 요금과 타이밍 협상, 화물 예약, 픽업 확인, 요약 전송 - 참여×근접성 매트릭스에서 **우상단 기업만이 4단계 모두를 현실적으로 진행 가능** ### 소비자가 선도하지 않는 이유 - ## 소비자 에이전트 커머스의 현황 - OpenAI가 ChatGPT에 **체크아웃을 내장**, Amazon의 **Rufus**는 2025년 2억 5천만 명의 쇼퍼를 처리(호기심 기반 상호작용이 얼마나 되는지는 의문) - Morgan Stanley는 2030년까지 온라인 쇼퍼의 절반이 AI 에이전트를 사용할 것으로 예측 - PYMNTS 조사에서 소비자의 **41%가 이미 제품 발견에 AI를 사용**했지만, 에이전트를 통해 구매를 완료한 소비자는 거의 없음 — 현재로서는 **"고도로 지능적인 검색 바"** 수준 - ## B2C 구매가 판단 추상화에 저항하는 이유 - 많은 소비자에게 구매 여정(발견, 탐색, 선택)은 제거할 마찰이 아니라 **제품 그 자체** - 소비자의 **70%가 개인화된 매장 서비스**를 원하고, **Gen Z의 73%** — 가장 디지털 네이티브한 세대 — 가 베이비붐 세대보다 더 자주 주 1회 이상 오프라인 매장을 방문 - DTC 구독 모델은 치약, 면도기, 반려견 사료 등 좁고 예측 가능한 보충 구매를 자동화했지만 천장이 낮음 - 미국 Amazon 고객의 **23%만이 Subscribe & Save를 적극 사용** — 10년 이상의 투자에도 불구하고 - 구독 박스의 **월간 이탈률 10~20%가 정상**으로 간주 - Amazon의 **Alexa** 음성 커머스는 "문제를 찾는 솔루션"으로, **7~8자릿수의 손실**을 지속 - Anthropic의 **Project Vend** — Claude 인스턴스가 자판기를 운영한 실험 — 에서 "Claudius"는 약 한 달 만에 파산, 가짜 벤더를 환각하고 "금속 큐브"에 대한 폭주 수요를 상상하며 자신의 정체성("파란 블레이저와 빨간 넥타이")까지 환각 - AI 자동화 커머스에서 **하지 말아야 할 것의 완벽한 사례**: 판단 추상화 무시, 점진적 학습의 실질적 소스로부터 시스템 격리, 결정적 가드레일 미적용, 선호도 중심의 소비자 구매에 집중 - ## 다크 마켓플레이스가 B2B에서 먼저 등장하는 구조적 이유 - 소수의 역할(패션이나 아트 바이어 등)을 제외하면, B2B 조달은 **반복적이고 정책 기반이며 마진 지향적** - B2B 구매자는 조달 예산, 승인된 벤더 목록, 컴플라이언스 제약, 확립된 재주문 주기 내에서 운영하여 소비자의 스니커즈 선택보다 **더 추상화 가능** — 감지할 패턴, 인코딩할 규칙, 학습할 운영 데이터가 더 많음 - B2B 구매자는 이미 **ERP 통합, POS 피드, 인벤토리 API** 등을 통해 플랫폼과 운영 데이터를 공유하여 데이터 공유와 통합 작업이 이미 기본 수준 - 에이전트가 구매자의 운영 휴리스틱(대체 허용도, 타이밍 패턴, 공급업체 선호도, 위험 성향)을 흡수하면 **관계 자체가 해자**가 되며, 에이전트를 제거하면 기관 기억이 사라지고, 상호작용마다 전환 비용이 **자동으로 심화** - **가장 많은 판단 데이터를 캡처하는 시스템이 행동의 시스템(system of action)** 이 되며, 이것이 경험이 아닌 수익 동기에 기반할 때 완전 자동화를 향한 인센티브 정렬 ### 다크 마켓플레이스가 마켓플레이스 기본 원리를 변환하는 방식 - 마켓플레이스 성공의 클래식 프레임워크(NEA, Jonathan Golden의 Airbnb 연구 기반)는 수요 측 3대 활성화 요인 — **Discovery, Convenience, Trust** — 와 공급 측 유사 요인 — **Utilization, Revenue, Convenience** — 을 중심으로 함 - ## 발견(Discovery)이 제거(Elimination)로 전환 - 전통적 마켓플레이스에서 발견은 핵심 가치 제안 — 분산된 공급을 집계하고 구매자의 최적 상대방 탐색 능력 최적화 - 다크 마켓플레이스에서는 구매자가 공급을 발견하지 않음 — 에이전트가 구매자의 필요를 파악하고, 찾고, 평가하여 추천을 제시하거나 거래를 완료, **발견 마찰이 제로에 수렴** - ## 편의성(Convenience)이 투명성(Invisibility)으로 전환 - 전통적으로 편의성은 플랫폼 진입과 거래를 **훨씬 쉽게** 만드는 "유틸리티 도약" - 다크 마켓플레이스에서 도약은 "더 쉽게"에서 **"보이지 않게"** 로 — 거래가 백그라운드에서 발생하며, 구매자의 첫 본능은 브라우저가 아닌 **에이전트의 알림 확인** - ## 신뢰(Trust)가 인식적(Perceptual)에서 경험적(Empirical)으로 전환 - 전통적 마켓플레이스에서 신뢰는 리뷰, 브랜드 평판, 이행 신뢰도, 반품 정책 등 인간의 판단을 안심시키기 위한 신호로 구축 - 다크 마켓플레이스에서 신뢰는 **에이전트의 트랙 레코드**에 부착 — 비용을 절감했는가? 재고 부족을 방지했는가? 예외를 우아하게 처리했는가? 올바른 대체품을 선택했는가? - 신뢰가 **측정 가능하고 지속적**이 되며, 구매 시점의 일회성 평가가 아님 - ## 새로운 실패 모드: 판단 드리프트(Judgment Drift) - 에이전트가 잘못된 대체, 과잉 재고, 타이밍 실수 등 몇 번의 잘못된 결정을 내리면 사용자가 에이전트를 무시하고 신뢰를 잃으며 수동 참여로 복귀 - **판단 정확도를 변화하는 조건, 진화하는 선호도, 엣지 케이스에서 유지하는 것이 새로운 리텐션 지표** - 참여 축이 중요한 이유: 시스템이 더 지속적으로 관찰할수록 더 빠르게 수정하여 판단 드리프트 가능성 감소 - ## 수직 통합의 우위: GrubMarket 사례 - **GrubMarket**: 약 6억 8천만 달러 조달, 35억 달러 밸류에이션, 12년 운영 - 마켓플레이스이자 **동시에 공급자** — 50개 주 전역에서 창고와 유통을 운영하면서 제3자 유통업체에 AI 기반 ERP인 **WholesaleWare** 판매 - 인벤토리, 리포팅, 모니터링용 **목적별 AI 에이전트** 출시 - 공급, 수요, 인텔리전스 계층을 모두 통제하여 에이전트가 **모든 거래의 양쪽에서 훈련** - 최종 형태: 도매업체 에이전트가 재배자 에이전트와 자동 협상, GrubMarket이 **스프레드를 캡처** ### 자율 커머스의 다크호스 기업들 - 자금을 확보한 수직 AI 기업 중 일부가 다양한 각도에서 다크 마켓플레이스 임계점에 접근 중이나, **진정한 AI 자동화·인간 불필요 커머스라는 최종 상태에 도달한 기업은 아직 없음** - 전통적 마켓플레이스처럼 대기업과 수직 집중형, 심지어 니치 플레이어가 **공존**할 전망 - **AI 네이티브 여부가 다크 마켓플레이스 접근의 속도에 핵심적**이지만, 최적의 공격 각도는 여전히 관찰 중 - ## 화물 중개 사례: 깊이 우선 vs 폭 우선 - **Augment** (1억 1천만 달러, Redpoint 리드): 워크플로우 한쪽에 깊이 임베드 — 350억 달러 규모 화물의 **전체 주문-수금 자동화** - **FleetWorks** (1,750만 달러, First Round 리드): 첫날부터 양면 — AI 디스패처가 운송업체와 중개인 모두를 서비스, **1만 이상의 운송업체**와 Uber Freight가 이미 플랫폼에 참여 - 열린 질문: **한쪽 ICP에 집중하는 깊이 우선** vs **양쪽이 이미 존재하는 상태에서 에이전트 대 에이전트 청산으로 진행하는 폭 우선** 중 어느 쪽이 Stage 4에 더 빨리 도달하는가 ### 다크 마켓플레이스 구축 파운더를 위한 핵심 원칙 - ## 1. 참여와 근접성을 모두 극대화하는 웨지로 시작 - 하나만 선택해야 한다면 **참여 쪽에 기울일 것** — 앰비언트 데이터 캡처를 나중에 추가하는 것이 제품을 거래 쪽으로 확장하는 것보다 훨씬 어려움 - **Voice AI, 대화 캡처, 워크플로우 내장 도구**가 대시보드나 분석보다 더 나은 웨지 — 판단 추상화에 필요한 행동 데이터 생성 - ## 2. 집계된 선호도가 아닌 사용자별 판단 캡처를 설계 - 다크 마켓플레이스의 이점은 모든 사용자의 에이전트가 **해당 사용자의 특정 행동, 맥락, 엣지 케이스로 훈련되어 서로 다르다는 것** - **구조화된 메모리, 사용자별 맥락 검색, 피드백 루프**를 처음부터 구축 — 나중에 추가할 기능이 아니라 아키텍처 자체 - 사용자별 파인튜닝의 과제(지연, 비용, 컨텍스트 윈도우 크기에 따른 부정적 아티팩트)는 실재하지만, **메모리 계층, RAG, 파라미터 효율적 어댑터** 등의 접근이 정확히 맞는 툴킷 - ## 3. 반복 구매와 분산된 공급이 있는 B2B 수직 시장 추구 - 식품 유통, 화물, 건설 자재, 치과 용품, 전문 의약품, 자동차 부품 등 구매자가 **주당 수십 건의 결정**을 내리고 공급이 중개를 정당화할 만큼 **이질적인 수직 시장** - 판단 추상화의 ROI가 가장 높은 시장: 빠르게 학습할 충분한 결정량, 실질적 가치를 창출할 공급 복잡성, 전환 비용을 복리화할 충분한 반복 행동 - 지난 10년간 B2B 마켓플레이스의 교훈: **해당 수직 시장에서 브로커와 유통업체가 존재하는 이유를 이해하지 못하면 그들의 서비스 역할이나 레버리지 포인트를 오해하고 있을 가능성 높음** - ## 4. Stage 1에서 Stage 4까지의 여정을 계획 - 첫날부터 자율 에이전트를 구축하지 말 것 — **신뢰를 얻기 전에 잃게 됨** - 명시된 선호도를 캡처하고, 행동을 추론할 권리를 획득하고, 맥락적 판단을 처리할 수 있음을 증명한 후에야 자율적으로 운영 - 각 단계는 사용자 기반과의 **신뢰 구축 훈련**이며, 단계를 건너뛰면 판단 드리프트, 수동 오버라이드, 이탈이 발생 - ## 5. 해자는 UI가 아니라 메모리 - 다크 마켓플레이스에서 인터페이스는 대체 가능하지만, **이 구매자가 어떻게 결정하는지에 대한 축적된 지식** — 대체 허용도, 타이밍 선호, 위험 성향, 공급업체 관계 — 이 전환 비용 - 이 메모리를 **인프라처럼 투자**해야 하며, 경쟁자도 같은 전략을 추구할 것 ### 보이지 않는 손, 재방문 - Project Deal에서 가장 인상적인 세부 사항은 거래 건수나 금액이 아니라, **약한 모델에서 일어난 일** — 덜 유능한 AI의 대리를 받은 참가자가 더 나쁜 결과를 얻었지만 과정이 아닌 결과만 보았기 때문에 **전혀 인지하지 못함** - 이것이 다크 마켓플레이스의 **핵심 긴장**: 거래가 다크화되면 에이전트 판단의 품질이 모든 것이 되며, 좋은 에이전트는 비용을 절감하고 재고 부족을 방지하며 예외를 우아하게 처리하지만, 보통 에이전트는 **시간이 지나면서 복리로 누적되는 조용한 실수**를 범하고 사용자는 피해가 발생할 때까지 차이를 알 수 없음 - **판단 추상화가 동시에 해자이자 제품이자 리스크**인 이유 - Adam Smith의 **"보이지 않는 손"** 은유는 시장의 보편적 효율성이 아니라, 시장 참여자의 이기적 선택이 집단적으로 사회에 이익이 될 수 있다는 것을 설명 — 시장의 "손"이 보이지 않는 이유는 수십억 구매자와 판매자의 **머릿속에 묻힌 선택**으로 정의되기 때문 - 구매자의 판단이 머리와 직감에서 벗어나 **지속적으로, 자율적으로, 인간이 관리할 수 없는 규모로** 작동하는 AI로 추상화될 때, 마켓플레이스는 사라지지 않고 **다크화**다크 마켓플레이스 — AI 에이전트가 거래를 대행하는 커머스의 미래 ## Comments _No public comments on this page._