90% 할인 클로드의 정체 — 모델 신뢰성을 수학이 아니라 경제학으로 따져야 하는 이유

Thu, 14 May 2026 00:00:00 +0900

개요

Claude API를 정가의 10% 가격에 판다는 중국발 프록시 시장이 드러났다. 표면은 단순한 가격 차익 거래처럼 보이지만, 한 꺼풀 벗기면 성능 저하와 프롬프트 데이터 탈취가 묶인 파이프라인이다. 이 사건이 흥미로운 이유는 따로 있다 — “모델 성능을 보장하라"는 요구에 답하려면 대화의 단위를 수학에서 경제학으로 옮겨야 한다는 점을 가장 선명하게 보여주는 사례이기 때문이다.

graph TD
 Price["표면 신호: <br/> 90% 할인 가격표"]
 Price --> Q1["품질 저하 <br/> (모델 바꿔치기)"]
 Price --> Q2["데이터 탈취 <br/> (프롬프트/추론체인 수집)"]
 Price --> Q3["IP 노출 <br/> (소스코드/인증정보 유출)"]
 Q1 --> Econ["진짜 회계 단위: <br/> 수학적 보증이 아니라 경제적 기대값"]
 Q2 --> Econ
 Q3 --> Econ
 Econ --> SLA["대응: 신뢰성을 <br/> 계약/SLA로 가격화"]

사건의 구조 — “싸다"는 신호 아래 무엇이 있었나

코리아매니지먼트저널의 보도에 따르면, GitHub·Telegram·Taobao 같은 채널에서 Claude API가 정가 대비 약 90% 할인된 가격에 재판매되고 있었다. 할인의 출처는 정상적인 공급망이 아니다. 무료 체험 계정의 대량 생성, 도난당한 신용카드로 만든 구독, Max 등급 계정 하나($200/월)를 여러 명이 쪼개 쓰는 방식, 그리고 가장 교묘한 모델 바꿔치기 — 사용자는 Claude Opus를 호출했다고 믿지만 실제로는 더 싼 Haiku나 오픈웨이트 모델의 응답을 받는다.

핵심 수치는 CISPA 헬름홀츠 정보보안센터가 17개 프록시 서비스를 분석한 결과에서 나온다. 공식 API가 의료 벤치마크에서 약 84% 정확도를 낸 반면, 프록시를 거치면 약 37%로 떨어졌다. 같은 가격표, 같은 API 형태, 절반 이하의 실질 성능.

그리고 더 깊은 층 — 데이터 탈취. 프록시 운영자는 사용자의 프롬프트, 모델 응답, 그리고 chain-of-thought 추론 체인을 수집해 학습 데이터셋으로 재포장한다. 옥스퍼드 중국정책연구소의 Zhilan Chen 연구원은 이를 “API 프록시 경제(API Proxy Economy)“라 부른다. Anthropic은 2026년 2월 약 24,000개의 부정 계정이 1,600만 건 이상의 쿼리를 생성한 것을 탐지했다고 보고했고, DeepSeek이 수천 개의 부정 계정으로 Claude와 수백만 건의 대화를 만들어 자사 모델 학습에 썼다고 지목한 바 있다.

왜 수학적 보장은 처음부터 불가능했나

“모델 성능을 100% 보장하라"는 요구는 직관적으로 합당해 보인다. 하지만 LLM의 출력은 본질적으로 확률적이다. temperature 샘플링, 컨텍스트 의존성, 할루시네이션의 잔존 확률 — 어떤 단일 모델도 임의의 입력에 대해 정답률 1.0을 수학적으로 증명할 수 없다. 벤치마크 점수는 분포에 대한 추정치이지 보증서가 아니다. MMLU에서 90%라는 숫자는 “이 데이터셋 분포에서 10번 중 1번은 틀린다"는 뜻이지, “당신의 다음 질문은 맞다"는 약속이 아니다.

이 사건은 그 한계를 악용한다. 프록시 사용자는 84%짜리 모델을 샀다고 믿었지만 37%짜리를 받았고, 그 차이를 스스로 측정할 방법이 없었다. 수학적으로 “성능"을 정의해 보장받으려는 시도는 두 군데서 무너진다. 첫째, 보장의 대상(분포 전체)과 사용자가 신경 쓰는 것(내 다음 쿼리)이 다르다. 둘째, 공급망 중간에서 모델이 바꿔치기되면 사용자가 측정하는 숫자 자체가 신뢰할 수 없게 된다. 수학은 모델 카드 위에서는 작동하지만, 모델 카드와 사용자 사이의 공급망 위에서는 작동하지 않는다.

대화의 단위를 경제학으로 옮기면

수학이 “이 모델은 얼마나 정확한가"를 묻는다면, 경제학은 “이 모델을 신뢰했다가 틀렸을 때 누가 얼마를 잃는가, 그리고 그 위험을 어떻게 가격화하는가"를 묻는다. 이 질문이 90% 할인 사건에 훨씬 잘 들어맞는다.

기대값으로 본 할인. 정가의 10%라는 가격은 공짜 점심이 아니라 기대값 계산의 한 변수다. 절약한 90%의 비용에 맞서, 절반으로 떨어진 정확도로 인한 의사결정 오류 비용, 프롬프트가 경쟁 모델 학습에 흘러 들어가는 전략적 손실, 소스코드·API 키·인증 정보가 검증되지 않은 서버에 노출되는 기업 스파이 리스크가 반대편에 놓인다. 경제학의 언어로 보면 “90% 할인"은 가격이 아니라 숨겨진 비용을 미래로 이연시킨 부채다.

정보 비대칭과 레몬 시장. 프록시 시장은 조지 애컬로프의 레몬 시장의 교과서적 재현이다. 판매자는 자기가 파는 게 Opus인지 Haiku인지 알지만 구매자는 모른다. 품질을 검증할 수 없으면 시장은 가격으로만 경쟁하고, 좋은 품질은 시장에서 밀려난다. 해법도 애컬로프가 제시한 것과 같다 — 신호(signaling)와 검증. 즉 공식 API의 SOC 2 같은 인증, 감사 가능한 로그, 그리고 계약.

SLA라는 번역기. 서비스 수준 협약은 정확히 이 번역을 하는 도구다. SLA는 “100% 정확"을 약속하지 않는다. 대신 가용성·응답시간·품질 지표를 측정 가능한 목표로 정의하고, 위반 시 환불·계약 해지 같은 금전적 결과를 명시한다. 추상적인 “성능 보장"을 구체적이고 강제 가능한 경제적 약속으로 바꾸는 것이다. 모델이 확률적으로 틀릴 수 있다는 사실은 그대로 두되, 그 위험을 누가 떠안고 어떻게 보상하는지를 계약으로 정한다.

프로덕션 AI에 주는 함의

이 사건은 단순한 사기 사례 이상이다. 프로덕션 AI를 운영하는 모든 팀에게 세 가지를 강제한다.

첫째, 공급망 출처(provenance)가 모델 카드보다 먼저다. 어떤 벤치마크 점수도 그 모델이 실제로 그 모델이라는 보장 없이는 의미가 없다. 모델 추출 공격과 바꿔치기가 가능한 세계에서, “어떤 모델인가"보다 “이 응답이 내가 계약한 그 경로에서 왔는가"가 먼저 검증돼야 한다.

둘째, 신뢰성 예산을 돈으로 환산하라. 내부적으로 “이 워크플로우가 5% 틀리면 우리는 얼마를 잃는가"를 계산해 두면, 어떤 모델·어떤 가격·어떤 SLA를 살지가 신앙이 아니라 산수 문제가 된다. Anthropic·OpenAI·Google 같은 1차 공급자의 정가가 비싸 보일 때, 그 가격에 포함된 것은 토큰만이 아니라 출처 보증과 데이터 비유출 약속이다.

셋째, 데이터 유출은 일회성 비용이 아니라 전략적 자산 이전이다. 프롬프트와 추론 체인이 경쟁 모델 학습에 쓰이면, 그것은 한 번의 정보 유출이 아니라 지식 증류를 통한 능력의 영구적 이전이다. 경제학의 언어로는 일회성 손실이 아니라 자본 유출에 가깝다.

인사이트

90% 할인 클로드 사건의 진짜 교훈은 “싼 데는 이유가 있다"는 상식이 아니다. 모델 신뢰성이라는 문제가 수학적 보증의 영역에 머무는 한 답이 나오지 않는다는 것이다. LLM은 확률적이고, 벤치마크는 분포의 추정치이며, 공급망은 모델 카드가 보증하지 않는 영역이다. “100% 보장하라"는 요구는 수학적으로는 영원히 충족 불가능하다. 그래서 성숙한 답은 보장의 단위를 바꾸는 것이다 — 정답률이라는 수학적 양에서, 기대값·정보 비대칭·계약 가능한 위험이라는 경제적 양으로.

이 전환은 패배 선언이 아니라 도구의 교체다. 경제학은 불확실성을 다루는 데 수학적 증명보다 훨씬 오래된 도구를 갖고 있다 — 보험, 계약, 신호, 평판, 감사. SLA가 가용성을 다루는 방식 그대로 품질과 출처를 다루면, “모델이 틀릴 수 있다"는 사실은 받아들이되 “그 위험을 누가 얼마에 떠안는가"는 명시할 수 있다. 90% 할인이라는 가격표가 위험한 이유도 바로 여기 있다 — 그것은 수학적으로는 매력적인 숫자처럼 보이지만, 경제학적으로는 측정되지 않은 부채를 미래로 떠넘기는 계약이기 때문이다. 프로덕션 AI를 운영하는 팀이 다음 분기에 던져야 할 질문은 “어떤 모델이 가장 정확한가"가 아니라 “우리의 신뢰성 예산은 얼마이고, 그것을 누구와 어떤 계약으로 사고 있는가"다.

참고

원 사건 보도

코리아매니지먼트저널 — Claude 90% 할인 프록시의 정체 — 이 글이 다룬 1차 보도
CISPA Helmholtz Center for Information Security — 17개 프록시 서비스의 성능 저하를 분석한 독일 정보보안 연구기관
Anthropic — Claude 공급자, 부정 계정 탐지 보고의 출처
DeepSeek (Wikipedia) — Anthropic이 Claude 대화 데이터 무단 사용을 지목한 중국 AI 기업

배경 개념 — 평가와 신뢰성

배경 개념 — 위험의 경제학

Expected value — 할인을 기대값의 한 변수로 보는 틀
The Market for Lemons · Information asymmetry — 검증 불가능한 품질이 시장을 무너뜨리는 메커니즘
Service-level agreement — 추상적 성능 보장을 경제적 계약으로 번역하는 도구
Industrial espionage · Capital flight — 데이터 유출을 전략적 자산 이전으로 보는 관점
MLOps · SOC 2 — 공급망 출처 검증의 실무 도구

1차 공급자 가격 정보

Anthropic API pricing · OpenAI API · Google AI for Developers

Llm Evaluation on ICE-ICE-BEAR-BLOG