초저가 AI 시대, 결제 데이터는 어디까지 보낼 수 있나

핵심 먼저: 싸다고 곧장 쓰면 안 된다

Moonshot AI가 Kimi 신버전을 냈다. 가격이 너무 낮아서 실리콘밸리 일각에선 "AI 공산주의"라는 표현까지 나왔다. 외신에 보도된 수치를 보면, Claude나 GPT 계열 대비 5~7배 싸다는 게 대략적인 컨센서스다. 성능도 top-tier에 근접한다는 벤치마크 결과가 몇 개 나왔고.

결제·정산 파이프라인에서 AI를 쓰거나 쓰려는 팀이라면 귀가 솔깃할 수밖에 없다. 월 수백 달러짜리 AI 비용이 수십 달러로 내려간다는 뜻이니까. 문제는 그다음이다. 정산 데이터에 실제 거래 금액, 주문번호, 부분 카드 정보가 섞여 있다면, 어느 서버에 그걸 보내는지가 비용 계산보다 훨씬 앞에 오는 질문이다.

우리가 AI한테 시키는 일들

HEDVION에서 결제·정산 관련 AI 활용은 크게 세 가지로 나뉜다.

첫째, 정산 대사(reconciliation). 여러 PG사에서 올라오는 거래 데이터와 내부 주문 DB를 맞춰보는 과정인데, 형식이 제각각이고 예외 케이스가 생각보다 많다. AI한테 이상 패턴을 먼저 걸러달라고 하면 수작업 검토 시간이 눈에 띄게 줄어든다. 둘째, 환불·분쟁 요청 분류. 사유가 반복되는 패턴이라 프롬프트 몇 개면 꽤 잘 처리된다. 셋째, 새벽에 튄 거래 로그를 아침에 요약해달라는 식의 이상 거래 보조 탐지.

세 가지 모두 공통점이 하나 있다. 실거래 데이터가 AI 모델에 들어간다. 금액, 주문번호, 경우에 따라 마스킹이 덜 된 카드 정보 일부까지. 그게 어느 나라 서버로 가는지는 이 작업이 합법인지 아닌지를 결정한다.

중국 AI에 금융 데이터를 보내면 생기는 세 가지 문제

Kimi는 중국 기업 Moonshot AI의 모델이다. API를 쓰면 데이터가 중국 서버를 경유한다.

법적 레이어부터. 국내 개인정보보호법과 전자금융감독규정은 금융 거래 데이터의 국외 이전에 엄격한 기준을 요구한다. 정보주체 동의 또는 별도 계약 요건이 붙는데, 현 시점에서 Kimi API 약관이 그 요건을 충족하는지 확인된 바 없다.

데이터 주권 레이어. 중국 기업은 국가정보법(2017)상 당국 요청 시 데이터를 제공해야 하는 의무가 있다. 이게 실제로 발동될 확률을 낮게 보더라도, "우리 고객 거래 데이터가 중국 정부 접근 가능 영역에 있다"는 사실 자체가 기업 고객에게 설명하기 어려운 리스크다.

운영 레이어도 있다. 중국 클라우드 서비스는 한국에서 접속할 때 레이턴시가 튀는 경우가 많다. 정산 배치 처리에서 AI 호출 타임아웃이 늘어나면 전체 파이프라인 SLA가 흔들린다. 비용 절감이 운영 안정성 손실로 상쇄될 수 있다.

수치로 보는 트레이드오프

구체적으로 계산해보자.

Kimi k2 기준 외신 보도 가격은 input 약 $0.15, output 약 $0.60 (1M 토큰당)이다. Claude Haiku 계열과 비교하면 5~~7배 차이. 정산 배치가 한 달에 50만 건, 건당 평균 500토큰을 쓴다고 가정하면 Claude 기준 월 $200 내외, Kimi라면 $30~~35 수준이다. 월 $165 절감.

솔직히 이 숫자는 작다. 그런데 건당 2000토큰짜리 복잡한 검토 로직에 월 200만 건이면 얘기가 달라진다. Claude 기준 $1,600/월 vs Kimi $230/월. 이 규모면 논의할 이유가 생긴다.

그래도 답은 "지금 당장 붙이지 않는다"다. 절감액이 컨플라이언스 리스크의 기대 비용보다 작다. 금융감독 관련 과태료 한 번, 또는 고객 데이터 유출 사고 하나면 절감분의 수백 배가 날아간다. 이건 확률 계산이 아니라 구조의 문제다.

그렇다면 Kimi를 결제·정산 주변에서 어떻게 활용하나

데이터 주권 문제를 피하면서 저가 모델의 이점을 쓰는 방법은 있다.

가장 깔끔한 경우는 비개인정보·비금융 식별 데이터다. 예를 들어 정산 리포트 요약을 만들 때, 개인 식별 정보와 실제 거래 금액을 전부 집계 후 마스킹해서 넣는다면 법적 레이어 문제가 크게 줄어든다. "이번 주 환불율 3.2%, 전주 대비 0.8%p 상승, 주요 사유 배송 지연"이라는 집계 텍스트는 중국 서버에 가도 개인 데이터가 아니다.

직접 해보니 마스킹 파이프라인을 제대로 만드는 게 생각보다 번거로웠다. 주문번호, 카드 앞 6자리, 고객 ID를 치환하면 데이터 형태가 무너지면서 AI가 맥락을 잘 못 잡는 경우가 생긴다. 마스킹 촘촘함과 AI 성능이 반비례하는 구조다. 그래서 "마스킹하면 다 된다"는 가정은 지나치게 낙관적이다.

두 번째 옵션은 온프레미스 배포다. Kimi가 일부 모델 가중치를 공개했다면 자체 서버에 올릴 수 있다. 데이터가 외부로 나가지 않아 주권 문제가 사라진다. 하지만 A100급 GPU 없이는 추론 속도가 나오지 않아 소규모 팀에게는 현실적이지 않다. 우리처럼 결제 팀이 3~5명인 곳에서 GPU 인프라 관리까지 끌어안으면 유지 비용이 API보다 더 나올 수 있다.

그러면 Kimi 출현이 우리에게 실제로 주는 것

Kimi를 직접 안 쓰더라도 이 뉴스는 중요하다.

가격 경쟁이 시장 전체를 끌어내린다. DeepSeek R1이 나온 후 OpenAI가 실제로 가격을 내렸다. Kimi가 비슷한 압박을 Claude와 GPT에 넣으면, 6개월 이내에 기존 모델 가격이 내려오거나 무료 티어가 확장될 가능성이 있다. 중국 AI를 한 줄도 안 써도 Kimi의 존재 자체가 우리에게 할인을 가져다줄 수 있다.

또, 이 사이클이 반복될수록 결제·정산 AI 자동화의 단위 비용이 계속 내려간다. 지금은 ROI가 아슬아슬하게 맞는 태스크도, 1~2년 후엔 압도적으로 유리해질 수 있다. 지금 구조를 잘 만들어두면 그때 빠르게 올라탈 수 있다.

당장 써먹을 시사점

AI 가격 하락을 결제·정산 파이프라인에서 기회로 바꾸려면 순서가 있다.

1단계 (지금): 현재 AI 호출 로그에서 월별 토큰 사용량과 비용을 집계하라. AI를 아직 안 쓰고 있다면, 수작업 정산 검토에 드는 시간을 시급으로 환산해서 수치화하라. 이 숫자가 없으면 어떤 AI도 ROI 판단이 불가능하다.

2단계 (이번 달): 개인정보·금융 식별 정보를 제거한 뒤에도 AI가 유의미한 작업을 할 수 있는 태스크 목록을 만들어라. 집계 데이터 요약, 오류 코드 해석, 카테고리 분류(금액 숨긴 채 패턴만). 이 목록이 있어야 나중에 저렴한 모델로 갈아탈 때 즉시 적용 가능하다.

3단계 (3개월 후): 기존 AI 공급사 가격 변동 이력을 체크하라. Kimi 발표 이후 6개월 내에 Claude·GPT 가격이 내려오면, 내부 파이프라인 비용을 재계산하고 전환 여부를 판단하면 된다. 한 가지만 기억하면 충분하다 — 마스킹 레이어가 먼저, 모델 선택은 그다음이다.

원문: AI News & Artificial Intelligence | TechCrunch