"당신에게는 비싸고, 옆 사람에게는 싸게" — 가격 알고리즘은 정말로 '악'인가?: "좋은 데이터"와 "나쁜 데이터"를 구별하는 경제학

「어제 봤을 때보다 비싸다」——그런 경험이 기분 탓이 아니라 '설계'일지도 모르는 시대가 되었다. 온라인 소매, 차량 공유, 여행, 구독 서비스. 우리는 같은 상품・같은 서비스를 구매하는 것 같지만, 사실 '같은 가격'을 보고 있지 않을 가능성이 있다. 기업은 위치 정보, 검색 기록, 기기 정보, 과거 구매, 체류 시간 등을 단서로 우리가 얼마를 지불할 의사가 있는지를 추정하고, 가격을 미세 조정한다. 이른바 '가격 차별(price discrimination)', 또는 '개인화된 가격 책정'이다.

이 관행은 직관적으로는 불안하게 느껴진다. 정보를 쥐고 있는 쪽이 우리의 지갑 사정이나 '구매 의욕'을 간파하여 가능한 한 높게 팔려고 한다——그렇게 상상하게 된다. 실제로 소비자 보호나 공정 거래의 관점에서 문제시되는 경우도 많다. 하지만 경제학 세계에서는 오래전부터 '가격 차별이 항상 나쁜 것은 아니다'라는 논의가 있다. 가격 인하로 새로운 구매층이 늘어나고, 결과적으로 공급이 확대되거나 서비스 유지가 가능해지는 경우도 있기 때문이다.

그렇다면, 데이터와 알고리즘이 전제가 된 현대에 있어서, 가격 차별은 '결국' 사회에 이득이 되는가 손해가 되는가. 여기에 정면으로 도전한 것이 NBER의 워킹 페이퍼 「Good Data and Bad Data: The Welfare Effects of Price Discrimination」이다. Phys.org가 2026년 3월 4일에 보도한 이 기사는 연구의 골자를 일반에게 소개하면서, 규제 당국이 직면하는 '복잡한 알고리즘의 가격 책정을 어떻게 감독할 것인가'라는 현실적인 질문으로 연결하고 있다.

「빅데이터로도 '완전히 맞출 수 없다'」를 전제로 한다

이 연구의 중요한 출발점은, 기업이 대량의 데이터를 가지고 있어도, 개별 소비자의 지불 의사를 완전히 맞출 수 있는 것은 아니라는 현실을 모델에 포함시킨 점이다. 데이터는 만능이 아니며, 반드시 '남는 불확실성'이 있다. 그래서 기업은 개인을 핀포인트로 가격 책정하기보다는 비슷한 특징의 사람들을 묶어 '세그먼트'를 만들고, 세그먼트별로 최적 가격을 붙인다.

다시 말해, 문제는 '완전한 개별 가격'이 아니라, '정보에 의해 시장의 구분 방식이 변할 때, 가격과 후생(사회 전체의 이득)이 어떻게 움직이는가'이다. NBER의 요약도, 바로 '시장 세분화'와 '잔여 불확실성'을 축으로, 데이터 이용이 후생을 단조롭게 올리는 경우・내리는 경우・어느 쪽도 아닌 경우를 정리한다고 말하고 있다.

후생을 움직이는 '3가지 경로': 왜 직관이 빗나가는가

Phys.org（및 CMU Tepper의 동일 내용 기사）는, 정보가 소비자 후생에 영향을 미치는 경로를 3가지로 나누어 소개하고 있다.
여기서 이 연구가 '가격 차별＝악'과 '가격 차별＝효율적'을 단순히 이분하지 않는 이유가 있다.

① 동일 타입 내에서의 가격의 분산（within-type price change）

같은 타입（비슷한 수요의 사람들） 내에서도, 정보가 늘어나면 가격이 '분산'된다. 어떤 사람은 싸게 되지만, 다른 사람은 비싸게 된다. 개인화된 가격의 불쾌함은 우선 이 효과에서 온다.

하지만 사회 전체에서 보면, 싸게 되는 사람이 늘어나면 거래량이 증가하고, 총 잉여가 늘어날 가능성도 있다. 반대로, 가격 인상 쪽이 강하게 나오면 소비자 잉여가 줄어든다.

② 타입 간의 비대칭적인 가격 인하（cross-types price change）

정보가 늘어남에 따라, 가격 인하가 '어떤 층에 편중되어' 일어나는 경우가 있다. 예를 들어, 구매를 꺼리기 쉬운 층（가격 탄력성이 높은 층）에게는 크게 가격을 내려 수량을 확보하고, 이탈하기 어려운 층에게는 가격을 올리는 등의 움직임이다.

이때, 사회 전체의 손익은 '누구의 가격 인하가 얼마나 늘어나는가'에 의해 뒤집힌다.

③ 가격 인하와 가격 인상의 크기가 일치하지 않음（price curvature）

직관적으로는 '오르는 사람과 내리는 사람이 있어서, 비슷하지 않나?'라고 생각하기 쉽지만, 현실은 그렇게 단순하지 않다. 가격이 오르는 폭과 내리는 폭이 같지 않을 수 있으며, 수요 곡선이나 수익 곡선의 '곡률'에 따라, 같은 정보 추가라도 영향의 강도가 달라질 수 있다.

연구는 바로 이 '곡률'의 요소가 결론을 어렵게 하고, 동시에 '그래서 정량적인 척도가 필요하다'고 시사한다.

「데이터가 항상 좋다／나쁘다」는 경우도 있다——열쇠는 '수요의 형태'

NBER의 페이지는, 데이터 이용이 후생을 '단조롭게 증가시키는（monotonically good）' '단조롭게 감소시키는（monotonically bad）' 조건이 있으며, 그렇지 않은 '비단조' 케이스도 있다고 요약한다. 더 나아가, 비단조 케이스에서는 후생에 대한 영향에 '타이트한 상한・하한（bounds）'을 주고, 추가 정보를 어느 방향으로 주는 것이 최선인지（best local direction）까지 논의한다고 한다.

여기서 흥미로운 점은, '기업이 데이터를 수집하고 있다'는 '사실'만으로, 좋고 나쁨이 결정되는 시장 조건도 있다고 제시된 점이다（Phys.org 기사에서도 인용되고 있다）. 즉, 경우에 따라서는 '어떤 데이터인가'까지 들어가지 않더라도, 수요 구조에서 '위험한 시장'을 특정할 가능성이 있다.

규제의 이야기가 한층 더 현실적으로: 「합병 심사 같은 선 긋기」를 가격 알고리즘에

데이터 활용에 대한 정책 논의는 종종 극단으로 치우치기 쉽다.

「프라이버시 침해이므로 전면 규제」인가, 「혁신을 저해하므로 방임」인가.

그러나 현실의 규제 당국은 그 중간에서 고심하고 있다. 왜냐하면, 알고리즘은 복잡하고 외부에서 보기 어렵다. 게다가 기업 측은 '가격 최적화'라고 하고, 소비자 측은 '착취'라고 느끼며, 가치 판단이 갈리기 쉽다. Phys.org 기사는, 연구가 이 대립을 '이론의 승패'가 아니라, '임계값을 둘 수 있는 정량적 틀'에 의해 다리를 놓으려 하고 있는 점을 강조한다. 합병 심사의 가이드라인처럼, 잠재적인 해와 이익을 측정하고, 위험도가 높은 방법에 엄격한 심사나 금지를 적용하고, 이익이 크고 해가 작은 것은 허용하는——라는 발상이다.

이 '선 긋기' 발상은 기술 정책으로서도 중요하다. 전면 금지는 이해하기 쉽지만, 회피나 빠져나갈 구멍을 만들기 쉽다. 반면에, 무엇이든 허용하면 피해가 발생한 후에만 움직일 수 있다. 정량적인 '경계선'이 있으면, 기업은 설계 단계에서부터 위험을 줄이고, 당국도 감시 대상을 좁힐 수 있다.

구체적인 예로 생각해보기: 같은 '차별'이라도 결과가 다르다

여기서, 생활자의 직관에 맞추어, 몇 가지 전형적인 시나리오를 생각해보자（이하는 연구의 틀을 바탕으로 한 설명이며, 개별 기업의 실제 사례를 단정하는 것은 아니다）.

시나리오 A: 가격 인하가 '구매할 수 없었던 층'에 도달

학생 할인처럼, 지불 능력이 낮은 층에 싸게 제공하여 거래량이 증가한다. 총 잉여가 증가하기 쉽고, 사회적으로 긍정되기 쉽다. 데이터가 '접근 확대'에 사용된다면, 규제상으로도 비교적 허용되기 쉬울 것이다.

시나리오 B: 이탈하기 어려운 사람일수록 비싸진다

필요성이 높고, 대체가 적고, 해약이 번거로운——그런 사람일수록 높은 가격을 제시받으면, 소비자의 반감이 급격히 강해진다. 후생적으로도, 가격 인상 쪽의 손실이 크다면 마이너스로 돌아서기 쉽다. 여기는 당국이 가장 경계하는 영역이 된다.

시나리오 C: 오르는 폭이 크고, 내리는 폭이 작다

표면적으로는 '오르는 사람도 내리는 사람도 있다'지만, 곡률 효과로 전체적으로 손해가 되는 경우가 있다. 바로 '보이지 않는 손해'가 발생하므로, 정량 평가가 효과를 발휘한다.

SNS의 반응: 확산은 작지만, 논점은 강렬

이번 Phys.org 기사 자체는, 공개 페이지 상의 표시에서는 공유 수가 '0'으로 되어 있어, 큰 화제는 되지 않은 것처럼 보인다.

 
하지만, 테마 자체（개인 데이터에 의한 가격 차별）는, SNS에서 반복적으로 불붙기 쉬운 '불씨'이기도 하다.

실제로, SNS 상에서는（이 기사의 고유한 것이라기보다는）동종의 화제가 나올 때마다, 대개 다음의 3가지 패턴으로 논의가 갈린다.

1. 「그게 착취 아닌가?」파
   개인에 맞춘 가격 책정은, 약한 입장일수록 불리해진다는 직관적인 반발. 기기나 지역에 따라 가격이 변하는 화제와 결합되면, 분노가 증폭되기 쉽다.

2. 「오히려 할인 혜택이 늘어난다면 이득」파
   쿠폰이나 동적 가격의 연장선으로 받아들이고, '구매하지 않으면 된다' '비교하면 된다'고 단정하는 입장. 가격 인하의 혜택을 강조한다.

3. 「투명성이 없는 것이 문제」파
   가격 책정의 메커니즘이 블랙박스이며, 설명 책임이 없는 것에 대한 우려. 여기는 찬반을 넘어 합류하기 쉽고, '적어도 통지' '적어도 감사'를 요구하는 목소리로 이어진다.

이 연구가 흥미로운 점은, 이러한 '감정으로 갈리는 논점'을 정면으로 '상황에 따라 좋을 수도 나쁠 수도 있다'고 인정한 후, 논의를 앞으로 나아가게 하는 도구（해와 이익의 추정, 위험 라인의 설정）를 제시하고 있다는 것이다.

 
SNS적으로 말하자면, '완전 부정'도 '완전 옹호'도 아닌, '그러면 어디서부터 아웃인가?'로 의제를 옮길 수 있다.

일본의 문맥에서 생각하기: 포인트는 '규제'보다 '운용'

일본에서도, 다이내믹 프라이싱이나 추천 최적화는 급속히 일반화되고 있다. 여기서 정말 중요한 것은, 이념으로서의 '찬성／반대'보다, 운용의 설계일 것이다.

• 기업 측: 단기 이익 최대화만으로 알고리즘을 돌리면, 논란이나 규제 강화로 장기적으로 손해를 볼 가능성이 있다. 그래서 설계 단계에서 '소비자에게 불리함이 집중되지 않도록' 하는 가드레일이 필요하다.

• 행정 측: 인력으로 모든 알고리즘을 감사하는 것은 불가능하다. 그렇다면, 위험도가 높은 영역（생활 필수, 대체가 적은 시장, 해약 비용이 높은 시장 등）을 우선하고, 임계값을 사용하여 감시를 좁히는 생각이 현실적이다.

결국, 데이터 가격 차별을 둘러싼 사회의 불신은, '손해인가 이득인가'뿐만 아니라, '자신이 어느 쪽인지 모른다'는 불안에서 비롯된다. 연구가 제시하는 '측정 틀'은, 그 불안에 대해, 적어도 논의의 공통 언어를 제공한다.