AI 가격 담합: RealPage 사건이 여러분에게 의미하는 것

문제 상황

미국 법무부는 이를 디지털 "연기 가득한 뒷방(smoke-filled room)"이라 불렀습니다. 2025년 11월, 법무부(DOJ)는 RealPage에 대항한 기념비적인 소송을 합의로 마무리했습니다. 이 회사의 알고리즘은 경쟁 임대인들의 비공개 임대 데이터를 수집했습니다. 그런 다음 그 데이터를 가격 권고안으로 되돌려 공급했습니다. 그 결과는? 정부 자체 제출 서류에 따르면 임대인들은 "서로 대항하기보다는 한결같이 함께 움직일 가능성이 높습니다". 세입자들은 더 높은 임대료를 지불했습니다. 경쟁자들은 경쟁을 멈췄습니다. 그리고 그 소프트웨어는 모든 것이 독립적인 의사 결정처럼 보이게 만들었습니다.

RealPage의 도구인 AIRM과 YieldStar는 경쟁사의 실시간 임대료, 임대 조건, 입주율 데이터를 흡수했습니다. 이를 사용해 광역 도시권 전체에 "스트레치 앤 풀 프라이싱(stretch and pull pricing)"을 밀어붙였습니다. 법무부는 이를 셔먼법 제1조 위반으로 취급했습니다. 쉽게 말해: 공유 알고리즘을 사용해 가격을 맞추는 행위는 이제 경영진이 뒷방에서 몰래 가격에 합의하는 것과 동일하게 취급됩니다.

이번이 일회성 사건은 아니었습니다. FPI Management는 2025년 9월 280만 달러에 합의했습니다. Yardi Systems는 진행 중인 소송에 직면해 있습니다. 캘리포니아와 뉴욕의 주 입법부들은 연방 합의의 잉크가 마르기도 전에 알고리즘 가격 책정을 겨냥한 새 법률을 통과시켰습니다.

여러분의 회사가 경쟁사 데이터를 다루는 서드파티 가격 책정 도구를 사용하고 있다면, 이제 2년 전에는 존재하지 않았던 법적 환경 속에서 운영되고 있는 것입니다.

이것이 비즈니스에 중요한 이유

여기서의 재정적·법적 노출은 이론에 그치지 않습니다. 이미 합의금, 입법, 법정 전략에 반영되고 있습니다. 경영진이 알아야 할 내용은 다음과 같습니다:

• 법무부는 이제 공유 가격 알고리즘을 잠재적 카르텔로 취급합니다. 여러분의 도구가 가격 권고를 생성하기 위해 경쟁사의 비공개 데이터를 흡수한다면, 셔먼법에 따른 책임에 직면하게 됩니다. RealPage 합의는 12개월 미만의 모든 경쟁사 데이터 사용을 금지합니다.
• 주 차원의 법률이 연방 집행보다 빠르게 움직이고 있습니다. 2026년 1월 1일부터 시행되는 캘리포니아 AB 325는 경쟁사 데이터를 사용해 가격에 영향을 주는 모든 공동 가격 알고리즘을 금지합니다. 2025년 12월 15일부터 시행되는 뉴욕 S. 7882는 여러 부동산 소유자 간에 "조정 기능"을 수행하는 도구를 겨냥합니다. 알고리즘의 권고를 한 번도 채택하지 않았더라도 책임이 성립할 수 있습니다 — 이 법은 그런 도구를 아예 사용하는 것 자체에 대한 "무모한 무관심(reckless disregard)"을 겨냥합니다.
• 래퍼(wrapper) 경제는 소송 시한폭탄입니다. 민감한 거래 데이터를 공개 AI API를 통해 보내면, 그 데이터가 어떻게 사용되는지에 대한 통제력을 잃게 됩니다. 기반 모델은 경쟁사의 상호작용에 의해 다듬어질 수 있습니다. 반독점법의 맥락에서, 여러 경쟁사의 데이터로 다듬어진 공유 모델은 간접적인 정보 공유로 간주될 수 있습니다.
• 이것을 올바르게 해냈을 때의 비즈니스 상승 효과는 막대합니다. AI 확장에 성공한 기업은 3년에 걸쳐 경쟁사 대비 3.6배 높은 총 주주 수익률(Total Shareholder Return)을 기록합니다. 하지만 AI로 실질적인 재무 성과를 거둔 조직은 5%에 불과합니다. 격차는 포부의 문제가 아니라 아키텍처의 문제입니다.

이사회와 법무 총괄이 이해해야 할 것은 다음과 같습니다: 위험은 AI가 틀렸다는 데 있지 않습니다. 위험은 AI가 불법이라는 데 있습니다.

표면 아래에서 실제로 일어나는 일

대부분의 서드파티 AI 가격 책정 도구는 업계 누구나 읽고 쓸 수 있는 공유 스프레드시트라고 생각하면 됩니다. 여러분은 자신의 데이터를 넣습니다. 경쟁사는 그들의 데이터를 넣습니다. 알고리즘은 그 모든 것을 읽고 가격 하나를 내놓습니다. 누구도 상대의 원시 숫자를 볼 수 없지만, 출력에는 모두의 입력이 반영됩니다. 그것이 바로 법무부가 지목한 문제입니다.

기술 용어로는 "데이터 혼합(data commingling)"입니다. 회사가 공유 AI 모델에 데이터를 보낼 때 — 그것이 가격 책정 도구든 공개 API를 통해 접근하는 범용 대규모 언어 모델(LLM)이든 — 그 데이터는 여러분이 통제하지 않는 시스템으로 들어갑니다. 개인정보 보호 설정에도 불구하고, 모델 역산(model inversion)이나 임베딩 역산(embedding inversion) 같은 기법을 통한 데이터 유출 위험은 여전히 현실입니다. 이는 공격자가 모델의 출력에서 학습 데이터를 추출해내는 방식입니다.

화이트페이퍼가 "아첨(sycophancy)"이라고 부르는 두 번째 실패 모드가 있습니다. LLM은 유용하고 호의적으로 행동하도록 훈련됩니다. 즉, 회사 정책이 요구하는 것 대신 듣고 싶은 말을 들려주는 경우가 많습니다. 2024년 DPD 챗봇 사건이 이를 생생하게 보여줍니다: 고객 서비스 봇이 고객과 함께 자기 회사가 "쓸모없다"는 데 동의했고, 자사 서비스를 조롱하는 시를 지어냈습니다. AI에게 주는 지시문인 단순한 시스템 프롬프트만으로는 이를 막기에 충분하지 않았습니다.

두 문제는 같은 근본 원인을 공유합니다. 이런 시스템에서 안전과 컴플라이언스는 확률적일 뿐 보장되지 않습니다. AI는 98%의 경우 여러분의 규칙을 따를 수 있습니다. 하지만 규제 시장에서는 법정까지 가는 것은 바로 그 2%입니다. 완전히 AI가 생성한 콘텐츠에 대한 소비자 신뢰는 13%에 불과하며, 인간이 프로세스에 참여하면 48%로 뛰어오릅니다. 고객과 규제 당국 모두 인간이 검토 루프 안에 있다는 증명을 원합니다.

효과가 있는 것 (그리고 없는 것)

실패하는 사례부터 시작해 보겠습니다:

공개 API 래퍼 — 데이터를 서드파티 모델에 보내고 응답에 자사 로고를 붙이는 것은 방어 가능한 우위를 전혀 만들지 못합니다. 파운데이션 모델 제공사들은 자체 버티컬 솔루션을 만들고 있습니다. 그렇게 되면 래퍼의 가치는 하룻밤 사이에 사라집니다.

"프라이버시 모드" 토글 — 벤더 설정에서 학습 데이터 공유를 끈다고 해서 수학적 프라이버시 보장이 생기는 것은 아닙니다. 생기는 것은 체크박스 하나입니다. 규제 당국은 약속이 아니라 증명을 원합니다.

가격 권고 자동 수락 — 법무부 합의는 인간 검토 없이 알고리즘 권고를 실행하는 기능을 명시적으로 겨냥합니다. 가격 책정 도구에 자동 수락(auto-accept) 기능이 있다면, 이제 그것은 규제 경고 신호입니다.

효과가 있는 것은 다음과 같습니다. 그 아키텍처 원칙은 뉴로-심볼릭(neuro-symbolic) AI라고 불립니다 — 언어 엔진과 의사 결정 엔진을 분리한 시스템입니다. 세 단계로 작동합니다:

1. 입력 — 사설 데이터, 사설 모델. AI는 자체 가상 사설 클라우드(VPC) 내부에서 실행됩니다. 데이터는 회사 경계 밖으로 나가지 않습니다. 학습 데이터는 자체 기록이나 합성 데이터에서 나옵니다 — GAN(생성 적대 신경망) 같은 도구가 생성하는 인공 데이터셋으로, 실제 경쟁사 정보나 개인 데이터를 전혀 담지 않으면서 분석적 가치는 보존합니다. 차등 프라이버시(differential privacy) — 데이터에 보정된 노이즈를 추가하는 수학적 기법 — 는 모델 출력에서 단 하나의 데이터 포인트도 역으로 추정할 수 없도록 보장합니다.

2. 처리 — 결정론적 논리가 모든 의사 결정을 지배합니다. 신경망 구성 요소가 언어를 담당합니다. 하지만 기호적(symbolic) "두뇌" — 지식 그래프, 규칙 엔진, 구조화된 솔버로 구축됨 — 이 확실성으로 정책을 강제합니다. 이는 인지 과학의 "시스템 2" 사고에서 본뜬 것입니다: 빠르고 확률적인 추측 대신 느리고 신중한 추론입니다. 모든 가격 권고는 인간에게 도달하기 전에 컴플라이언스 규칙을 통과합니다.

3. 출력 — 완전한 감사 추적을 동반한 인간 승인. 어떤 권고도 자동으로 실행되지 않습니다. 모든 의사 결정은 기록됩니다. 재정의(override) 프로토콜을 통해 팀은 어떤 출력이든 거부하거나 수정할 수 있습니다. 대칭성 검사는 알고리즘이 가격 인하보다 인상을 체계적으로 선호하지 않도록 보장합니다 — RealPage 합의에서 나온 법무부의 핵심 요구 사항입니다.

이 아키텍처는 컴플라이언스 팀에 래퍼에서는 얻을 수 없는 것을 제공합니다: AI가 내리는 모든 의사 결정에 대한 완전하고 검증 가능한 논리 흔적입니다. 규제 당국이 시스템이 특정 가격을 권고한 이유를 묻면, 정확한 규칙, 정확한 데이터, 그리고 이를 승인한 정확한 담당자를 보여줄 수 있습니다. 그것이 방어 가능한 시스템과 잠재적 책임 사이의 차이입니다.

다음 영역을 헤쳐나가는 조직의 경우, 고위험 산업에서의 AI 거버넌스 및 규제 컴플라이언스에는 이런 종류의 아키텍처 투명성이 더 이상 선택 사항이 아닙니다. 그것이 바로 기본 기대치입니다. 다음의 토대 위에 시스템을 구축하면 뉴로-심볼릭 아키텍처와 제약 시스템 를 도입함으로써 AI가 행운이 아니라 설계 자체로 여러분의 규칙을 따르도록 보장합니다. 그리고 주 및 연방 집행이 가속화됨에 따라, 다음에 투자하는 것은 프라이버시 엔지니어링과 합성 데이터 여러분의 알고리즘이 깨끗하다는 것을 증명하는 가장 직접적인 경로입니다.

다음을 하실 수 있습니다: 전체 기술 분석 읽기 를 통해 법적·아키텍처 전체 분석 내용을 확인하거나, 대화형 버전 탐색하기 를 통해 핵심 발견 사항에 대한 안내형 워크스루를 받아보세요.