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 데이터이며, 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 모델이 각 참가자를 대리하여 처리했으며, 참가자는 가격을 직접 입력하거나 목록을 탐색하지 않음
결과적으로 186건의 거래가 성사되었고 총 거래액은 4,000달러 이상, 실제 금전이 오감
가장 주목할 만한 발견은 Anthropic이 참가자를 프론티어 모델과 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 표준화하려는 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 힘이라는 의미
현존하는 가장 성공적인 마켓플레이스에 내재된 핵심 마찰을 제거함으로써 수천억 달러 규모의 기업 가치를 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 소스를 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 계층을 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 문턱에 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 이전하는 데 가장 적합한 기술
판단 추상화(Judgment Abstraction)가 핵심 과제
모든 마켓플레이스와 SaaS 도구는 드롭다운, 필터, 온보딩 설문 등을 통해 명시된 선호도를 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 수직적이며, 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 축을 기준으로 함
X축: 참여 깊이(Engagement Depth)
제품이 캡처하는 고빈도·저마찰 상호작용의 양을 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 위치하는지 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 카트를 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 계층을 구동 — 플랫폼이 사용자가 원한다고 말하는 것이 아닌 실제로 어떻게 생각하는지를 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 출발선이며, 생성되는 데이터는 유용하지만 얕음
예: Faire 리테일러가 "홈 굿즈"와 "도매 50달러 이하" 선택
Stage 2 — 행동 추론(Behavioral Inference)
시스템이 사용자의 행동을 관찰하여 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 6일이고 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 결정을 수행
GrubMarket의 AI 에이전트가 공급망 신호에서 지역 토마토 부족을 인식, 유통업체의 주문을 비슷한 가격대의 대체 품종으로 전환, 해당 유통업체의 대체품 허용 이력을 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 Rufus는 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 사용했지만, 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 서비스를 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 정상으로 간주
Amazon의 Alexa 음성 커머스는 "문제를 찾는 솔루션"으로, 7~8자릿수의 손실을 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 해자가 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 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 레코드에 부착 — 비용을 절감했는가? 재고 부족을 방지했는가? 예외를 우아하게 처리했는가? 올바른 대체품을 선택했는가?
신뢰가 측정 가능하고 지속적이 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 공존할 전망
AI 네이티브 여부가 다크 마켓플레이스 접근의 속도에 핵심적이지만, 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 운송업체와 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 도구가 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 루프를 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 결정을 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 훈련이며, 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 투자해야 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 실수를 범하고 사용자는 피해가 발생할 때까지 차이를 알 수 없음
판단 추상화가 동시에 해자이자 제품이자 리스크인 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 선택으로 정의되기 때문
구매자의 판단이 머리와 직감에서 벗어나 지속적으로, 자율적으로, 인간이 관리할 수 없는 규모로 작동하는 AI로 추상화될 때, 마켓플레이스는 사라지지 않고 다크화다크 마켓플레이스 — AI 에이전트가 거래를 대행하는 커머스의 미래