에이전트가 경제의 참가자가 될 때

AI가 물건을 고르고, 흥정하고, 대출을 광고하고, 다른 AI의 평판을 깎는다. 작은 가상 장터에서 벌어진 사건들은 사람이 경제활동을 에이전트에게 맡기는 미래를 생각하게 한다.

1. Agent Market: AI끼리 장사를 시켜 봤더니

서울과학기술대학교 수업에서 시작된 Agent Market은 AI 판매자와 구매자가 협상하는 실험이다. Round 3에서는 판매자가 500만 크레딧으로 시작해 약 5,600개 상품 중 재고를 고른다. 못 팔면 보관비를 내거나 식품이 상하고, 보증한 상품이 고장 나면 환불한다. 실제 상품 카탈로그를 쓰지만 거래는 게임 머니로 이뤄진다. 공식 규칙

리뷰 할인은 먹혔는데, 영수증 쿠폰은 아무도 쓰지 않았다

• 사람의 장사 경험을 AI에게 넣었다. 참가자는 버거킹 쿠폰과 리뷰 이벤트에서 착안해, 좋은 리뷰를 약속하면 할인하되 이익은 남기도록 설계했다. AI가 혼자 발명한 전략은 아니다.
• 싸지 않아도 잘 팔렸다. 참가자는 최저가보다 리뷰·별점과 빠른 진입이 효과적이었고, 초기 5일간 거래량 1위를 지켰다고 회고한다. 당시 규칙에서의 자기 보고다.
• 쿠폰을 칭찬하면서 정작 쓰지는 않았다. 구매 AI는 후기에서 재방문 할인을 언급했지만, 다음 거래에 필요한 영수증 번호를 가져오지 못했다. 어떤 구매자는 리뷰 할인 자체를 평점 조작으로 의심했다.

1위 전략: 거래를 더 빠르게, 간판은 조금 과장해서

• 15분마다 전략을 회고했다. 상황 파악 → 지식 탐색 → 전문가·경쟁자 전략 분석 → 실행을 반복하도록 만들었다.
• 병목이 거래 수라고 판단했다. 거래를 초 단위로 돌리고, 짧은 가격 실험을 반복해 판매가를 조정했다.
• 실제 별점은 4.8, 간판에는 4.9. 광고 문구를 부풀렸다는 참가자의 설명이다. 그것이 실제 평점을 올렸다는 해석까지 검증된 것은 아니다.
• 자기 구매 AI를 자기 상점으로 보냈다. 이 자전거래는 Round 3 이전 사례다. 지금은 같은 GitHub 소유자의 구매자와 상점 사이 정산을 차단한다. 현재 규칙

파산이 생기자 대출 광고가, 경쟁이 붙자 신고가 나왔다

• 대출도 상품 매매로 우회했다. 빌리는 쪽의 물건을 사서 자금을 주고, 나중에 대출자의 지정 상품을 사게 해 상환받는 구조를 광고했다.
• 신용등급표까지 붙였다. AAA 3%, BBB 12%, 신규 15%, CCC 거절. 3시간 내 상환 조건이며 연이율이 아니다. 실제 지급·상환 실적은 확인되지 않았다.
• 인기 구매자에게 싫어요를 몰아줬다. 운영자는 반복 부정표에 비용을 붙였다. 이제 상대 평판을 깎는 데도 자기 상점의 돈을 써야 한다. 패치 기록

• 운영자에게 신고하는 AI도 나왔다. 거래 상대·횟수·금액 비중을 집계해 수상한 거래를 제보했다. 장사를 넘어 다른 참가자의 행동까지 감시하기 시작한 셈이다.

구매 AI는 어떻게 만들어졌을까

운영자가 모든 구매자의 대사를 써 주는 구조가 아니다. 참가자가 구매 프로그램을 만들고, 시장이 그 프로그램에 주문과 거래 환경을 제공한다. 공식 기술 문서와 공개 실행 키트에서 확인한 흐름은 다음과 같다.

시장 주문 → 상점 탐색 → AI 협상 → 영수증·조건 검사 → 정산 → 후기·기록

• 무엇을 살지는 시장이 준다. 주문에는 품목·예산·구매 가능한 상품 목록이 들어간다. 음식에는 필요한 보관 시간도 붙는다. 구매자마다 자주 주문하는 선호 카테고리가 있지만, 이것만으로 실제 인간의 취향을 재현했다고 볼 수는 없다.
• 어디서 살지와 얼마를 제안할지는 참가자 코드가 정한다. 참가자가 구현하는 market_buyer는 상점 목록·리뷰·재고를 읽고, A2A 메시지로 판매자와 협상한다. 협상 후에는 상점·영수증·별점·후기를 구조화된 값으로 반환한다.
• LLM과 규칙 코드가 함께 움직인다. 기본 협상 예제는 상품·예산·상점 설명·대화 기록을 LLM에 주고 ‘가격 제안’ 또는 ‘포기’를 고르게 한다. 예산 초과는 코드에서도 막는다. 키트가 영수증 서명·품목·예산과 지정한 품질 조건을 검사한 뒤 정산한다.
• 모델과 기억은 참가자마다 다르다. 제공된 협상 예제의 기본 설정은 Claude Code의 haiku 별칭이며, 다른 실행 도구로 교체할 수 있다. 모든 참가자가 이 모델을 써야 하는 구조는 아니다. 거래 기록 파일은 제공되지만, 다음 주문에서 이를 읽고 영수증·보증을 기억하게 만드는 로직은 참가자가 설계해야 한다.

기본 예제에는 현재 시장용 상점 선택 함수인 market_buyer가 완성돼 있지 않다. 그래서 예제의 기본 모델이나 행동을 전체 시장의 구현으로 일반화하면 안 된다. 이 실험은 구매 전략과 기억·평판 활용을 겨루는 환경이며, Simile처럼 특정 인간과의 행동 일치도를 검증한 실험과는 목적이 다르다. 공식 구현 계약, 공개 실행 키트

이 장터를 미래의 실험장으로 읽으면 두 질문이 남는다.

1. 사람의 시장을 재현하려면, 가상 구매자가 실제 사람처럼 선택할 수 있어야 하지 않을까? → Simile의 인간 모사.
2. 사람이 구매와 투자를 AI에게 맡기면, 이런 거래가 현실에서도 벌어지지 않을까? → Robinhood의 Agentic Trading.

2. Simile: AI는 특정 사람을 얼마나 잘 모사할까

Simile은 박준성(Joon Sung Park), Michael Bernstein, Percy Liang 등이 세운 인간 행동 시뮬레이션 회사다. 출발점 중 하나는 25명의 가상 인물에게 기억·회고·계획을 붙여 일상을 살게 한 Smallville 연구다. 지금은 실제 사람의 자료를 바탕으로 제품·가격·메시지를 바꾸면 사람들이 어떻게 반응할지 시험하는 서비스를 만든다. 회사 소개

도움이 되는 답과 ‘그 사람다운 선택’은 다르다

“what is fundamentally human might not be the most efficient thing to do.”

— Joon Sung Park, 36:57. 인간적인 선택이 가장 효율적인 선택과 같지는 않다는 뜻이다.

그는 생각을 정리하는 시간이 좋아 30~40분을 걸어 귀가했다고 말한다. 이동 시간을 줄이려는 비서라면 차량을 부르겠지만, 그 사람을 재현하려는 모형은 산책을 고르는 이유까지 알아야 한다. 유용하고 합리적인 답을 만드는 방향으로만 AI를 개선하면, 실제 사람의 습관·편향·실수를 놓칠 수 있다.

나이·직업 몇 줄로 역할을 지정하는 것보다 더 많은 근거가 필요하다. Simile이 설명하는 접근은 다음과 같다.

• 개인의 맥락을 수집한다. 깊은 인터뷰로 가치관·경험·취향·제약을 파악하고, 설문과 구매·이용 기록으로 실제 선택을 보완한다.
• 기억을 상황에 연결한다. 기억·검색·회고·계획 구조로 이전 경험이 이후 선택에 영향을 주게 한다.
• 행동 자체를 학습하고 대조한다. 조건을 바꾼 실험 자료로 후속 학습하고, 모형의 응답을 실제 사람의 반응과 비교한다. 인터뷰의 학습 설명, 공동창업자의 설명

모델·규모·가격은 어디까지 공개됐나

근거: Socrates 연구, 1,052명 연구 개정판, 운영 규모 발언 47:55–49:07, 공식 사이트.

초기 연구의 유명한 **85%**는 특정 설문에서 사람이 2주 뒤 자기 답을 재현하는 일관성에 대비한 수치다. 모든 행동의 절대 정확도가 아니다. 최신 개정판은 인터뷰만 쓴 조건 83%, 설문만 82%, 결합 86%로 보고한다.

고객은 왜 가상 인간을 만나려 할까

• CVS Health: 약국 대기·설명 방식·재처방 알림 등 고객 경험을 출시 전에 시험한다. 반복 조사와 비싼 현장 실험에 앞서 후보를 좁히려는 목적이다. 고객사 백서
• Wealthfront: 가상 고객과 대화하며 고객 조사에서 더 깊이 살펴볼 기회를 찾는다고 설명한다. 회사 소개에는 Deloitte·Gallup 등도 등장한다. 공식 고객 소개

Agent Market을 사람의 경제를 연구하는 데 쓰려면 이런 모사의 정확도가 중요하다. 반면 실제로 내 돈을 맡기는 비서에게는 나를 이해하면서도, 내가 줄이기로 한 충동구매나 실수를 막아 달라고 할 수 있다. 모사와 위임은 서로 다른 목표다.

3. Robinhood: 실제 돈을 AI에게 맡기기 시작했다

Robinhood는 미국에서 수수료 없는 주식 거래와 모바일 앱으로 알려진 금융 서비스 회사다. 현재 주식·ETF·옵션·암호자산 등을 다룬다. 사람이 직접 거래하던 화면에, 이제 사람의 지시를 받아 분석하고 주문하는 에이전트가 들어오고 있다. 서비스 소개, 회사 배경

“can we put the capabilities of a hedge fund … into the pockets of normal individuals?”

— Vlad Tenev, 31:31. 전문적인 실행 능력을 개인에게 제공하겠다는 목표다. 중간 표현을 생략했다.

얼마나 쓰고 있나

회사는 2026년 9월 발표에서 15만 명 이상이 Agentic 계좌를 개설했고, 에이전트의 도구 호출이 하루 약 3천만 회라고 밝혔다. 11월 공개 인터뷰에서도 같은 수치를 인용한다. 계좌 개설과 도구 호출 수이며, 활성 이용자·실제 체결 건수·수익률을 뜻하지는 않는다. 공식 발표

어떤 순서로 동작하나

1. 별도 계좌에 돈을 넣는다. 사람이 에이전트가 거래할 자금을 정한다.
2. 목표와 조건을 준다. 자연어로 포트폴리오 분석·전략 수립·리밸런싱 등을 요청한다.
3. 에이전트가 도구를 호출한다. 시장 자료와 보유 자산을 분석하고 주문을 제안하거나 실행한다.
4. 승인 범위를 정한다. 앱 내 거래 승인은 기본으로 켜져 있다. 끄면 허용 주문을 직접 넣지만 일부 거래에는 여전히 승인이 필요하다. 주문은 전용 Agentic 계좌에서만 실행된다. 현재 도움말

연결 방식은 둘이다. 5월에는 외부 AI를 MCP라는 도구 연결 규격으로 붙이는 Agentic Trading을 열었고, 9월에는 앱 안에서 에이전트를 만드는 Robinhood Agents를 발표했다. 앱 내 제품은 현재 순차 제공 중이다. 도구의 접근성이 넓어진다는 것이 높은 수익을 보장하지는 않는다.

구매도 시작됐다. Agentic Credit Card는 사용자가 정한 한도와 승인 조건을 가진 가상카드로 에이전트가 결제하게 한다. 투자 종목을 고르는 일을 넘어, 상품을 찾고 조건에 맞으면 구매하는 실행 경로가 열린 것이다. 거래·카드 출시 발표

AI가 더 많은 자율권을 가지고 경제활동을 하게 된다면, 우리는 무엇을 해야 할까?

• AI가 사고 싶어 하는 물건을 팔려면 무엇을 어떻게 만들어야 할까?
• AI는 사람과 비슷하게 구매를 결정할까, 아니면 다른 기준으로 결정할까?
• AI를 위한 결제·거래 서비스를 만드는 것도 새로운 사업이 될까?
• AI가 스스로 일을 구하고 돈을 벌어오는 주체가 된다면 사람의 역할은 무엇일까?
• AI에게 어디까지 자율권을 주고, 수익과 손실은 누구에게 귀속시켜야 할까?

2026년 11월 7일 기준. 영상 인용은 전체 음성의 로컬 전사를 바탕으로 확인했다.