**디지털 결제에서의 AI (AI in digital payments)**는 앞으로 많은 관심을 받게 될 것이며, 저는 콜롬보의 누군가가 잘못된 교훈을 복제하기 전에 헤드라인 너머의 내용을 읽어보고자 합니다. India의 NPCI ( UPI를 운영하는 기관)의 MD이자 CEO인 Dilip Asbe는 TechCrunch와의 인터뷰에서 AI가 다음 세대의 결제 성장 단계에 깊이 관여할 것이라고 말했습니다. 원문 보고서는 여기에서 읽을 수 있습니다: TechCrunch — Indian payments chief on AI and UPI.

제 견해는 이렇습니다. 흥미로운 점은 결제 업계의 수장이 AI를 좋아한다는 사실이 아닙니다. 그건 누구나 하는 말입니다. 진짜 흥미로운 점은 그가 AI를 어디에 투입하려 하는지, 그리고 경쟁을 실제로 가로막고 있는 것이 모델 체크포인트 (model checkpoint)가 아니라 비즈니스 모델이라는 조용한 인정입니다.

📊 전체 이야기를 구성하는 수치들

AI에 대한 이야기를 하기 전에, Asbe가 다루고 있는 규모를 살펴보십시오. 보고서에 명시된 수치는 다음과 같습니다:

지표	수치
현재 UPI 거래량	일일 약 7억 5천만 건의 트랜잭션
...

두 개의 앱이 시장의 5분의 4를 점유하고 있습니다. 정부 지원 앱은 약 1%를 차지하고 있습니다. 규제 상한선은 2026년 말까지 이러한 집중도를 낮추도록 강제할 예정이지만, 지금까지 시장은 스스로 크게 움직이지 않았습니다.

핵심 요점: UPI의 문제는 기술이 아닙니다. 두 플레이어가 시장을 지배하고 있으며, 아무도 경쟁 앱이 스스로 수익을 낼 수 있는 방법을 찾지 못했다는 점입니다. AI는 비즈니스 문제를 해결하기 위해 투입되고 있습니다.

🔍 Asbe가 실제로 AI를 투입하고자 하는 분야

겉치레 용어들을 걷어내면, 그가 언급한 AI 활용 사례들은 구체적이며 솔직히 합리적입니다:

• 사기 및 머니러더 탐지 (Fraud and mule detection) — 사기 자금을 세탁하는 계좌를 찾아내는 것.
• 신용 배분 (Credit distribution) — 디지털 결제 발자국은 있지만 공식적인 신용 기록이 없는 사용자들에게 소액 대출을 제공하는 것.
• 사용자 확보 (User acquisition) — 더 많은 사람을 시스템으로 유입시키는 것.
• 음성 및 다국어 온보딩 (Voice and multilingual onboarding) — 영어를 타이핑할 수 없는 사람들이 말하기를 통해 결제 흐름을 탐색할 수 있도록 하는 것.

이 모든 것은 공상 과학 소설이 아닙니다. NPCI는 이미 사용자 분쟁 해결을 위해 FIMI라는 모델을 운영하고 있으며, 보고서에 따르면 이 모델은 정기 결제 승인(recurring-payment mandates) 취소와 같은 업무를 위해 100만 명 이상의 사용자에게 서비스를 제공하고 있습니다. 이것이 바로 AI가 지루하고 대량의 고객 지원 업무를 수행하며 제 역할을 다하는 방식입니다.

음성 인터페이스(voice angle) 관점은 솔직한 편입니다. NPCI는 2023년에 음성 비서를 출시했지만, Asbe의 설명에 따르면 아직 본격적인 채택은 이루어지지 않았습니다. 기능을 출시하는 것과 사람들이 그것을 사용하게 만드는 것은 서로 다른 두 개의 싸움입니다.

💡 모든 스리랑카 개발자가 밑줄 쳐야 할 문장

AI에 관한 이야기 속에, 이곳에서 무언가를 구축하는 모든 이들에게 가장 중요하다고 생각되는 코멘트가 숨겨져 있습니다. Asbe는 인도 기업들이 거대한 범용 모델(general-purpose model)을 찾는 대신, 인도의 풍부한 결제 데이터셋을 학습한 **작고 특화된 언어 모델(small, specialised language models)**을 구축할 수 있다고 제안했습니다.

이는 "우리는 AI 경쟁에서 이길 수 없다"라는 걱정의 틀을 완전히 바꿉니다:

가정	Asbe가 지적하는 현실
승리하려면 가장 큰 모델이 필요하다	적절한 데이터로 튜닝된 작은 모델이 좁은 범위의 작업(narrow task)에서 종종 승리한다
...

규모가 작은 스리랑카 팀에게 이것은 게임의 전부입니다. 여러분은 프론티어 연구소(frontier lab)의 학습량을 결코 따라잡을 수 없을 것입니다. 하지만 현지 거래 패턴을 이해하는 사기 탐지 모델이나, 싱할라어와 타밀어 결제 문의를 처리하는 지원 봇은 외국 거대 기업이 잘 만들 유인이 전혀 없는 영역입니다. 데이터가 자산입니다. 모델은 단지 빌려 쓸 수 있는 부분일 뿐입니다.

🌐 상업적 모델의 함정, 그리고 그것이 왜 로컬 문제인가

보고서의 또 다른 인정 사항은 다음과 같습니다. 낮은 전환 비용(switching costs)은 사용자들이 앱 사이를 쉽게 이동할 수 있음을 의미하지만, 새로운 진입자들이 수익을 낼 명확한 방법이 없기 때문에 투자를 하지 않는다는 점입니다. Asbe의 프레임워크에 따르면, 생태계를 위한 실행 가능한 상업적 모델이 등장하는 순간, 새로운 플레이어들이 자금을 쏟아부을 것입니다.

스리랑카의 자체 QR 및 즉시 결제(instant-payment) 추진 과정에서도 동일한 패턴이 보입니다. 기반 인프라(rails)는 이미 존재합니다. 사람들이 이를 사용하게 만드는 것이 하나의 문제라면, 그 위에 실제로 자생할 수 있는 앱을 구축하는 것은 더 어려운 문제입니다. 명확한 수익 모델 없이 잘 만들어진 무료 결제 경험은 비즈니스가 아니라 자선 활동이며, 자선 단체는 운영 자금(runway)이 바닥나기 마련입니다.

이곳의 빌더(builder)라면, 첫날부터 수익 모델(money question)을 설계에 반영해야 한다는 점을 명심하십시오:

1. 좁고 고통스러운 작업(job)을 선택하십시오 — 소규모 상점의 대조(reconciliation), 프리랜서 송장 발행(invoicing), 학교 수업료 수납 등.
2. 그 작업을 잘 수행함으로써 오직 당신만이 수집할 수 있는 데이터를 찾으십시오.
3. 그다음, AI가 실제 비용(고객 지원, 사기 탐지(fraud checks), 카테고리 분류(categorisation))을 어떻게 절감할 수 있을지 결정하십시오.
4. AI 기술이 아닌, 그 결과물(outcome)에 대해 비용을 청구하십시오.

이미 수익 측면을 고민하고 있다면, 당사의 USD–LKR 프리랜서 수익 계산기와 환율 변환기는 규모(scale) 대신 관련성(relevance)으로 승부하는 작고 날카로우며 현지에서 유용한 도구들의 예시입니다. 이는 규모는 작지만 동일한 베팅입니다.

🚀 이것이 당신에게 의미하는 바

Asbe의 의견에서 단 한 가지만 얻어간다면, 그것이 "모든 것에 AI를 추가하라"가 되지 않게 하십시오. 대신 이것을 가져가십시오:

• 결제 분야의 AI는 대부분 배관(plumbing) 작업입니다 — 사기 탐지(fraud detection), 분쟁 해결(dispute resolution), 다국어 온보딩(multilingual onboarding). 매력적이지는 않지만, 거래량이 많고 실질적인 영역입니다.
• 경쟁 우위는 모델이 아니라 데이터에 있습니다. 적절한 현지 데이터셋을 가진 작은 모델이 일반적인 데이터를 가진 거대 모델을 이깁니다.
• 비즈니스 모델이 없는 기능은 취미에 불과합니다. 하루 7억 5천만 건의 거래를 처리하는 인도의 UPI조차 이 문제에 직면해 있습니다.
• 좁은 범위의 작업에서는 규모가 큰 곳보다 현지화된 곳이 승리합니다. 싱할라어 및 타밀어 지원, 스리랑카의 사기 패턴, 현지 수수료 흐름 등은 외국 거대 기업이 당신을 위해 만들어주지 않을 것입니다.

결론: 헤드라인은 AI가 디지털 결제의 다음 시대를 주도할 것이라고 말합니다. 하지만 그 이면의 이야기는 데이터와 작동하는 비즈니스 모델이 이를 주도할 것이라고 말합니다. 후자를 위해 구축하십시오. 그러면 전자는 당신이 기대하는 전략이 아니라, 당신이 필요할 때 꺼내 쓰는 도구가 될 것입니다.