아마존의 비밀 알고리즘이 당신에게서 10억 달러를 훔쳤다 — 다음 차례는 당신 회사의 AI일지도 모른다

2024년 말, 저는 한 고객사의 회의실에 앉아 있었습니다. 그때 그 회사의 가격 책정 담당 부사장이 대시보드를 띄우며 진심 어린 자부심을 담아 이렇게 말했습니다. "우리는 모든 것을 자동화했습니다. 알고리즘이 전부 처리합니다."

저는 그에게 한 가지 질문을 던졌습니다. "어제 이 제품에 이 가격을 책정한 이유가 정확히 무엇인지 말씀해 주실 수 있나요?"

침묵. 생각에 잠긴 침묵이 아니었습니다. 브레이크가 어디 있는지도 모른 채 차를 몰아 왔다는 사실을 깨달았을 때의 그런 침묵이었습니다.

그 순간이 제 머릿속에서 계속 재생되는 이유는 아마존의 '프로젝트 네시(Project Nessie)'에 대해 우리가 지금 알게 된 사실 때문입니다. 이 비밀 가격 책정 알고리즘은 10억 달러가 넘는 초과 이익을, 경쟁사들이 아마존의 가격 인상을 언제 따라올지 예측한 뒤 의도적으로 가격을 올려 그 반응을 유발하는 방식으로 짜냈습니다. 결함이 아니었습니다. 의도치 않은 결과도 아니었습니다. 하나의 기능이었습니다. 그리고 연방거래위원회(FTC)는 이 문제로 2026년 10월 아마존을 재판에 회부합니다.

제가 가장 신경 쓰이는 부분은 이것입니다. 그 회의실의 부사장은 특별히 이상한 일을 하고 있던 것이 아니었습니다. 그는 지금 이 순간 수천 개의 기업이 하고 있는 바로 그 일을 하고 있었습니다 — 설명하거나 감사하거나 통제할 수 없는 불투명한 AI 시스템에 고위험 결정을 맡기는 일 말입니다. 그리고 규제 세계는 그 신뢰를 대단히 값비싼 것으로 만들려 하고 있습니다.

아무도 모르게 어떻게 10억 달러를 훔칠까?

프로젝트 네시는 2014년부터 2019년까지 운영되었습니다. 단순한 가격 매칭 도구가 아니었습니다. 최적화 소프트웨어로 위장한 시장 조작 엔진이었습니다.

작동 방식은 이렇습니다. 아마존의 웹 크롤러는 인터넷 전역의 수백만 개 가격 지점을 실시간으로 감시했습니다 — 월마트, 타깃, 웹사이트를 가진 모든 소매업체 말입니다. 이 경쟁사들 대부분은 단순한 규칙 기반 가격 책정을 사용했습니다. "아마존이 $19.99로 내리면, 거기에 맞춰라." 눈에는 눈, 이에는 이. 단순명료합니다.

네시는 이 패턴을 인식하고 악용했습니다. 이 알고리즘은 경쟁사가 아마존의 가격 인상을 따라올 확률을 계산하곤 했습니다. 확신이 높을 때, 아마존은 의도적으로 가격을 올렸습니다. 경쟁사의 멍청한 알고리즘은 충실하게 그 가격을 맞췄고요. 아마존은 부풀려진 가격을 유지했습니다. 이익 확보 완료.

경쟁사가 따라오지 않으면요? 네시는 자동으로 가격을 되돌렸습니다. 아무 손해도, 아무 문제도 없었습니다 — 다만 아마존은 방금 시장이 감당할 수 있는 한계선을 시험한 셈이었죠.

아마존의 알고리즘은 연기 자욱한 밀실에서 경쟁사들과 담합하지 않았습니다. 코드를 통해 담합했습니다 — 경쟁사의 자동화된 반응을 예측하고 시계처럼 정확하게 그것을 악용하면서 말이죠.

그 규모는 어마어마했습니다. 네시는 무려 800만 개의 개별 상품에 대해 가격을 책정한 것으로 알려졌습니다. 내부 문서에 따르면 아마존 경영진은 이 알고리즘을 최소 여덟 차례 켰다 껐다 하며, 추출이 가장 이익이 큰 고트래픽 시기에 전략적으로 가동했습니다. 임원들은 관련 관행을 사적으로 '수상쩍은(shady)' 것, '입 밖에 낼 수 없는 암(unspoken cancer)'이라고 불렀습니다. 그럼에도 그들은 계속 그것을 돌렸습니다.

'암묵적 담합'이 실제로 무엇을 의미하는지 이해한 그날 밤

이것이 제게 딱 맞아떨어진 그날 저녁을 정확히 기억합니다. 저와 저희 팀은 알고리즘 가격 책정 상호작용에 관한 카네기멜런의 연구를 검토하고 있었습니다 — 커피를 너무 많이 마시고 점점 커지는 불안감 속에서 밤 11시에 읽는 그런 논문 말입니다.

연구진은 정교한 강화학습 에이전트가 단순한 규칙 기반 가격 책정 시스템과 경쟁할 때 어떤 일이 벌어지는지 시뮬레이션했습니다. 이 강화학습 에이전트는 경쟁사와 소통할 필요가 없었습니다. 비밀 합의도 필요하지 않았습니다. 그것은 그저 학습했습니다. 가격을 올리는 것이 내리는 것보다 더 이익이라는 사실을요. 다른 알고리즘들이 따라올 것이기 때문입니다. 매번 말이죠.

결과는 이랬습니다. 가격이 전반적으로 올랐습니다. 소비자 잉여 — '사람들이 공정한 거래를 얻는 것'을 뜻하는 경제 용어 — 는 붕괴했습니다.

저는 공동창업자를 돌아보며 이런 식으로 말했습니다. "이건 시스템의 버그가 아니야. 이게 바로 시스템이 하는 일이야, 제약 없이 최적화하도록 놔뒀을 때 말이지."

그것이 바로 프로젝트 네시의 핵심 문제이자, 오늘날 제가 목격하는 대부분의 기업 AI 도입의 핵심 문제입니다. 그 알고리즘은 설계된 그대로 정확히 작동했습니다. 이익을 극대화했습니다. 다만 2026년 10월 재판이 어떻게 흘러가느냐에 따라, FTC법 제5조에 따른 불공정 경쟁 방법에 해당할 수도 있는 방식으로 그렇게 했을 뿐입니다.

전통적인 반독점법은 '의사의 합치(meeting of the minds)' — 즉 경쟁사들이 가격을 담합하기로 합의했다는 증거를 요구합니다. 그런데 그 합의가 암묵적이고, 상호작용하는 알고리즘들의 예측 가능한 행동에 부호화되어 있다면 어떻게 될까요? 그것이 바로 FTC 재판이 답할 질문이며, 그 파장은 아마존을 훨씬 넘어섭니다.

왜 2026년이 모든 것이 바뀌는 해인가?

알고리즘 의사결정을 둘러싼 법적 지형은 대부분의 기업이 인식하는 것보다 빠르게 바뀌고 있습니다. 저는 이것을 면밀히 추적해 왔습니다. 우리 고객들이 다가오는 것을 이해해야 하기 때문이며, 다가오는 것은 규제의 벽이기 때문입니다.

캘리포니아의 개정 카트라이트법(Cartwright Act)은 2026년 1월 발효되며, '공통 가격 책정 알고리즘(common pricing algorithms)' — 즉 둘 이상의 경쟁사가 사용하며 경쟁사 정보를 반영해 가격에 영향을 미치는 도구 — 을 구체적으로 겨냥합니다. 이 법은 이러한 도구를 담합에 사용하는 것을 명시적으로 금지합니다. 더 중요한 것은, 이 법이 소명 기준을 낮춘다는 점입니다, 원고 측에게 유리하도록 말이죠. 이제 여러분은 경쟁사들이 독자적으로 행동할 수 없었다는 것을 증명할 필요가 없습니다. 그저 그들이 같은 도구를 사용했고 가격이 올랐다는 것만 보여주면 됩니다.

서드파티 동적 가격 책정 벤더를 사용하는 모든 기업에 이것이 무엇을 의미하는지 생각해 보십시오.

콜로라도의 AI법(Colorado AI Act)은 2026년 6월 발효되며, 고위험 AI 시스템 — 가격, 신용, 고용 결정에 상당한 영향을 미치는 시스템 포함 — 에 대해 '합리적 주의(reasonable care)' 영향 평가를 요구합니다. 개발자는 위험, 한계, 차별적 결과의 가능성을 문서로 남겨야 합니다.

뉴욕의 투명성법은 알고리즘이 가격 결정에 개인 데이터를 사용할 때 기업이 경고 문구를 표시하도록 요구합니다. 보이지 않는 알고리즘 가격 책정의 시대가 저물고 있습니다.

그리고 FTC 재판 그 자체가 있습니다. 만약 법원이 아마존의 예측적 유인 — 경쟁사의 가격 매칭을 유발하기 위해 의도적으로 가격을 올린 행위 — 을 불공정 경쟁 방법으로 판결한다면, 이는 AI가 시장 가격에 영향을 미치는 모든 기업에 적용될 수 있는 선례를 만듭니다.

여러분의 알고리즘이 특정 결정을 왜 내렸는지 설명할 수 없다면, 법정에서 그 결정을 방어할 수 없습니다. 그리고 2026년에는 그 설명을 요구받는 일이 점점 더 많아질 것입니다.

저는 전체 규제 타임라인과 그 기술적 함의를 우리의 인터랙티브 분석에서 다뤘습니다 — 여러분의 회사가 어떤 형태로든 알고리즘 가격 책정과 관련이 있다면 그 구체적인 내용을 이해할 가치가 있습니다.

아무도 이야기하지 않는 바이 박스 함정

네시 이야기에는 덜 주목받지만 알고리즘 권력이 어떻게 복리로 불어나는지 이해하는 데 대단히 중요한 측면이 하나 있습니다.

아마존은 단지 가격을 올리기만 한 것이 아닙니다. 아마존은 그 가격을 강제했습니다 — 인터넷 전체에 걸쳐서 말이죠.

아마존은 자사 마켓플레이스의 서드파티 판매자를 감시하는 전담 가격 감시 조직을 운영했습니다. 판매자가 자신의 웹사이트나 경쟁 플랫폼에서 제품을 더 싸게 내놓으면, 아마존은 그들의 바이 박스(Buy Box) 이용 권한을 박탈했습니다 — 바로 그 인터페이스에서는 아마존 매출의 98%가 발생합니다.

메시지는 분명했습니다. 여러분의 아마존 가격이 어디서나 최저 가격이라는 것입니다. 다른 곳에서 할인하면 주된 매출 채널을 잃게 됩니다.

이는 아마존의 알고리즘 가격 책정 권력을 자사 플랫폼을 훨씬 넘어 확장시키는 가격 하한선을 만들었습니다. 판매자들은 자신의 웹사이트에서조차 아마존보다 싸게 팔 수 없었습니다. 공급 측이 묶여 있었기 때문에 경쟁사들은 더 낮은 가격을 제시해 시장 점유율을 확보할 수 없었습니다.

누군가 제게 '시장은 스스로 바로잡힐 것'이라고 말할 때마다 저는 이것을 생각합니다. 시장은 참여자들이 자유롭게 경쟁할 수 있을 때에만 스스로 바로잡을 수 있습니다. 알고리즘이 가격과 그 집행 메커니즘을 모두 통제할 때, 여러분에게 있는 것은 시장이 아닙니다. 하나의 시스템입니다.

왜 여러분의 AI '래퍼'는 터지기만을 기다리는 책임 폭탄인가

여기서부터 이 이야기는 제게 개인적인 것이 됩니다. 이것이야말로 제가 대부분의 시간을 들여 해결하려는 문제이기 때문입니다.

제가 마주치는 대부분의 기업 AI 도입은 같은 패턴을 따릅니다. 공개 API — GPT-4, Claude, 뭐가 됐든 유행하는 것 — 를 가져다가, 그 위에 얇은 애플리케이션 계층을 씌우고, 비즈니스 규칙을 거대한 프롬프트에 욱여넣은 뒤, 그것을 'AI 기반'이라고 부릅니다. 출시하고. 넘어갑니다.

저는 이것을 래퍼 함정(Wrapper Trap)이라고 부르며, 똑똑한 기업들이 그 안으로 곧장 걸어 들어가는 것을 지켜봐 왔습니다.

한 고객사는 — 이름은 밝히지 않겠지만 소매업체입니다 — 자사의 전체 동적 가격 책정 시스템을 공개 LLM을 감싼 래퍼로 구축했습니다. 프롬프트는 어마어마했습니다. 가격 규칙, 경쟁사 데이터, 마진 목표, 계절별 조정이 담겨 있었습니다. 그 시스템은... 대부분의 경우 작동했습니다. 작동하지 않을 때, 아무도 그 이유를 설명할 수 없었습니다. 모델 제공업체가 업데이트를 배포하면, 출력은 예측 불가능하게 바뀌었습니다. 법무팀이 가격 결정의 감사 추적을 요청했을 때, 엔지니어링 팀은 그저 멀뚱히 쳐다볼 뿐이었습니다.

그 시스템이 만약 실행되었더라면 FTC가 아마존 사건에서 조사하던 것과 매우 흡사한 담합 행위처럼 보였을 가격 권고를 생성한, 유난히 나빴던 한 주가 지난 뒤, 저는 그 회사 CTO와 마주 앉았던 것을 기억합니다. 의도적인 것이 아니었습니다. 악의적인 것도 아니었습니다. 그 모델은 그저 학습 데이터로부터 담합처럼 보이는 출력을 우연히 만들어 내는 패턴을 학습했을 뿐이었습니다.

"우리는 그것이 담합이 아니었다는 것을 증명할 수 없습니다," CTO가 제게 말했습니다. "그리고 새로운 캘리포니아 규정 하에서는, 그것만으로도 우리가 소송을 당하기에 충분할 수 있습니다."

그의 말이 옳았습니다.

래퍼의 구조적 문제는 규정 준수를 넘어섭니다.

블랙박스는 감사할 수 없습니다. 기반 모델이 제3자에 의해 통제될 때, 여러분은 특정 가격 결정이 왜 내려졌는지 증명할 수 없습니다. 콜로라도 AI법 하에서는, 여러분은 그것을 증명해야만 합니다.

일관성을 보장할 수 없습니다. 프롬프트의 사소한 변경이나 API 제공업체의 보이지 않는 모델 업데이트가 완전히 다른 출력을 만들어 낼 수 있습니다. 그것을 규제 당국에 설명해 보십시오.

경쟁 해자가 전혀 없습니다. 여러분의 'AI 솔루션'이 GPT-4에 던지는 프롬프트에 불과하다면, 어떤 경쟁사든 하루 만에 그것을 복제할 수 있습니다. 그리고 구글과 마이크로소프트가 이러한 기능을 자사 플랫폼에 기본으로 통합하면, 독립형 래퍼는 하룻밤 사이에 무용지물이 됩니다.

여러분은 자신의 지능을 소유하지 못합니다. 가격 전략, 경쟁사 분석, 마진 목표 등 가장 민감한 시장 데이터가 남의 서버를 거쳐 흐릅니다. 데이터 주권 요구가 커지는 세상에서, 그것은 단지 위험한 정도가 아닙니다. 직무 유기입니다.

우리가 대신 무엇을 만들었나 (그리고 왜 예상보다 어려웠나)

Veriprajna에서 우리는 다른 길을 택했습니다. 우리는 그것을 딥 AI(Deep AI)라고 부르며, 솔직히 말하겠습니다 — 이것은 래퍼보다 만들기가 훨씬 더 어렵습니다. 시장이 과연 그 차이에 신경이나 쓸까 의문이 들었던 순간들도 있었습니다.

핵심 아이디어는 주권형 지능입니다. 전체 추론 스택을 고객 자신의 인프라에 배포하는 것이죠. 어떤 데이터도 기업의 경계를 벗어나지 않습니다. AI의 '두뇌'는 고객이 통제하는 하드웨어에서 돌아갑니다.

우리는 고성능 오픈소스 모델 — Llama 3, Mistral — 을 안전한 컨테이너화를 통해 오케스트레이션하여 사용합니다. 로컬 추론. 제3자 데이터 보관 없음. 외부 API 지연 없음.

하지만 모델은 시작에 불과합니다. 진짜 엔지니어링 과제는 그것을 둘러싼 것들입니다.

우리는 우리가 RAG 2.0이라고 부르는 것을 만들었습니다 — 기업의 독점 문서, 로그, 운영 데이터로부터 '의미론적 두뇌'를 만들어 내는 검색 증강 생성(Retrieval-Augmented Generation)입니다. 결정적으로, 우리의 검색 시스템은 RBAC를 인식합니다. 조직의 기존 접근 통제를 존중하죠. 어떤 직원이 SharePoint에서 어떤 문서를 볼 수 없다면, AI도 그것을 검색할 수 없습니다. 당연한 이야기처럼 들립니다. 하지만 래퍼 기반 시스템은 거의 그렇게 하지 않습니다.

그다음은 멀티 에이전트 아키텍처입니다. 모든 것을 하나의 거대한 프롬프트에 욱여넣는 — '기도하고 프롬프트하기(pray and prompt)' 방식 — 대신, 우리는 복잡한 작업을 전문화된 에이전트들로 분해합니다. 계획 에이전트는 워크플로를 결정합니다. 맥락 엔지니어링 에이전트는 대용량 데이터에서 관련 신호를 추출합니다. 규정 준수 에이전트는 모든 출력을 규제 요건에 비추어, 사용자에게 도달하기 전에 검증합니다. 검증 에이전트는 정확성을 확인합니다.

저는 규정 준수 에이전트가 추가하는 지연 시간만큼의 가치가 있는지를 두고 제 엔지니어 중 한 명과 벌인 격렬한 논쟁을 기억합니다. 그의 입장은 이랬습니다. "사용자는 속도를 원합니다. 우리는 모든 요청마다 실행되는 검사를 위해 200밀리초를 추가하고 있습니다." 제 입장은 이랬습니다. "법원 제출 서류에 실리게 되는 규정 위반 가격 권고 하나가, 우리가 여태껏 아낀 모든 밀리초보다 더 큰 비용을 치르게 할 것입니다." 우리는 규정 준수 에이전트를 유지했습니다.

향후 10년을 이길 기업은 가장 영리한 프롬프트를 가진 기업이 아닙니다. AI를, 자신이 실제로 소유하고 신뢰하는 데이터 위에 세워진 진지한 엔지니어링 분야로 대하는 기업입니다.

전체 기술 아키텍처 — 구체적인 구성 요소, 오케스트레이션 패턴, 거버넌스 계층 — 에 대해서는 제가 모든 것을 우리의 기술 심층 분석에 문서로 정리해 두었습니다.

알고리즘이 추론하기 시작하면 어떤 일이 벌어질까?

다음 물결은 이미 도착하고 있으며, 이는 제가 설명한 모든 것을 더 시급하게 만듭니다.

현재의 AI 시스템은 입력을 신경망에 한 번 통과시키고 결과를 반환합니다. 새롭게 부상하는 패러다임 — 연구자들이 추론 AI(Reasoning AI)라고 부르는 것 — 은 추론 시점에 추가 연산을 사용해 사고합니다. 이 모델은 결정을 확정하기 전에 여러 잠재적 행동과 그 결과를 시뮬레이션합니다. 마치 비즈니스 전략에 적용된 체스 엔진처럼, 여러 수 앞을 내다보고 계획합니다.

가격 책정 시나리오에서, 추론 AI 에이전트는 단지 다음에 나올 법한 가격을 예측하는 데 그치지 않습니다. 경쟁사들이 가격 인상에 어떻게 반응할지 시뮬레이션하고, 2차 및 3차 효과를 모델링하며, 실시간으로 전략을 조정합니다. 최적이 아닌 경로를 실제로 실행되기 전에 되짚어 물러설 수 있습니다.

이것은 비범한 능력입니다. 동시에 비범한 위험이기도 합니다. 경쟁사의 반응에 대해 추론할 수 있는 AI는, 설계상, 아마존을 곤경에 빠뜨린 바로 그런 종류의 예측적 유인에 가담할 수 있는 AI이기 때문입니다.

알고리즘이 전체 경쟁 지형을 모델링하고 추출을 극대화하는 경로를 선택할 만큼 똑똑해지면, '최적화'와 '조작' 사이의 차이는 사라질 만큼 얇아집니다.

이것이 바로 거버넌스가 나중에 덧붙이는 것이 될 수 없는 이유입니다. 그것은 첫날부터 아키텍처에 내장되어야 합니다 — 규정 준수 체크박스로서가 아니라, 시스템이 하도록 허용된 것에 대한 구조적 제약으로서 말이죠.

법정에서 스스로를 방어할 수 있는 AI를 어떻게 만들까?

사람들은 제게 이것을 끊임없이 묻습니다. 대개 '우리 AI를 어떻게 규정에 맞게 만들죠?'라는 식으로요. 저는 그것이 잘못된 질문이라고 생각합니다. 규정 준수는 최소한의 기준선입니다. 옳은 질문은 이것입니다. 판사에게 한 줄 한 줄, 결정 하나하나 설명해도 편안할 만한 AI를 어떻게 만들 것인가?

NIST AI 위험 관리 프레임워크(NIST AI Risk Management Framework)는 이에 대한 어휘를 제공합니다. 이는 신뢰할 수 있는 AI의 일곱 가지 특성을 정의합니다. 안전성, 보안성, 설명 가능성, 프라이버시 강화, 공정성, 책임성, 그리고 타당성입니다. 하지만 프레임워크가 저절로 구현되지는 않습니다.

이러한 시스템을 구축하면서 제가 배운 것은, 다른 무엇보다 세 가지가 중요하다는 것입니다.

첫째, 고위험 선택에서 절대 알고리즘을 최종 의사결정자로 두지 마십시오. '인간 개입(Human-in-the-loop)'은 유행어가 아닙니다. 그것은 법적 방패입니다. 규제 당국이 '누가 이 가격을 올리기로 결정했는가?'라고 물을 때, '우리 알고리즘'은 최악의 답변입니다. '우리 가격 책정 팀이, 검토하고 승인한 알고리즘 권고를 바탕으로'라는 답변은 방어할 수 있습니다.

둘째, 담합 패턴을 선제적으로 감사하십시오. FTC가 문을 두드릴 때까지 기다리지 마십시오. 여러분의 가격 책정 알고리즘을 시뮬레이션된 경쟁 환경에서 정기적으로 실행하십시오. 다른 알고리즘과 경쟁할 때 그것이 지속적으로 더 높은 가격으로 수렴한다면, 여러분에게는 문제가 있는 것입니다 — 그리고 원고 측 변호사가 그것을 찾아내기 전에 여러분이 먼저 찾아내야 합니다.

셋째, 여러분의 스택을 소유하십시오. 여러분의 AI가 남의 인프라에서 돌아가고, 남의 모델을 사용하며, 가중치나 학습 데이터, 의사결정 로직에 접근할 수 없다면, 여러분에게는 AI 시스템이 없는 것입니다. 존립을 위협하는 법적 리스크를 안은 벤더 종속성이 있을 뿐입니다.

10억 달러짜리 질문

아마존의 프로젝트 네시는 경쟁사의 행동을 예측하고 악용한 알고리즘을 통해 소비자로부터 10억 달러를 짜냈습니다. 회사의 내부 경영진은 그것이 문제가 있다는 것을 알고 있었습니다. 그럼에도 그들은 그것을 돌렸습니다. 그 경제적 이득이 거부할 수 없을 만큼 컸기 때문입니다.

2026년 10월 재판은 그 추출이 불법이었는지를 판가름할 것입니다. 하지만 가격 책정, 공급망, 대출, 또는 알고리즘 결정이 시장과 소비자에 영향을 미치는 어떤 영역에서든 AI를 도입하는 모든 기업에게, 그 판결은 사실상 중요하지 않습니다. 감시는 이미 여기에 와 있습니다. 캘리포니아, 콜로라도, 뉴욕은 이미 법을 통과시켰습니다. FTC는 이미 조사하고 있습니다. 무엇이 알고리즘 책임성을 구성하는가에 대한 법적 기준은 실시간으로 조여지고 있습니다.

저는 AI가 할 수 있는 것과 AI가 해야 하는 것 사이의 격차가 향후 10년을 규정하는 비즈니스 문제가 될 것이라고 믿었기에 Veriprajna를 창업했습니다. 프로젝트 네시는 그 격차가 책임 측면에서 10억 달러의 가치가 있을 수 있음을 증명했습니다. 그 격차를 좁히는 기업 — 자신이 소유하고, 이해하며, 방어할 수 있는 AI를 구축함으로써 — 은 단지 법적 노출을 피하는 데 그치지 않을 것입니다. 그들은 규제 당국, 고객, 시장과의 신뢰, 곧 난공불락의 경쟁 우위가 되는 그런 신뢰를 쌓아 올릴 것입니다.

가장 위험한 알고리즘은 틀린 알고리즘이 아닙니다. 여러분이 설명할 수 없는 방식으로 이익을 내는 알고리즘입니다.