케냐 신용점수의 위험·데이터·정렬: 현장 실천과 정책 함의

초록

이 논문은 나이로비에서 9개월간 수행한 현장 민족지 연구를 통해, 케냐 디지털 대출 시장에서 신용점수 모델이 어떻게 ‘정렬(alignment)’ 작업을 통해 위험을 안정화하고, 대체 데이터와 법·기술적 우회책을 활용해 구축되는지를 분석한다. 위험과 불확실성이 얽힌 상황에서 모델과 사회 세계가 서로를 ‘안전하게’ 만드는 양방향 번역 과정을 제시한다.

상세 분석

본 연구는 케냐의 디지털 대출 생태계를 세 차원—기술·조직·문화—에서 조명한다. 첫째, 기존 통신사와 은행이 보유한 모바일 머니, 통화 사용 기록 등 ‘전통적’ 대체 데이터를 활용해 자체 신용점수 모델을 구축하는 과정에서, 데이터 접근 권한과 개인정보 보호법 사이의 모호성을 법적·기술적 우회책(예: 데이터 익명화, ‘가짜’ 사용자 프로필 생성)으로 메우는 전략을 발견했다. 둘째, 위험(risk)의 정의가 단일 통계적 지표가 아니라, 현지 신용 문화, 사회적 신뢰 네트워크, 그리고 차용자의 행동 패턴을 포괄하는 다층적 의미망으로 재구성된다. 연구팀은 신용점수 모델이 ‘위험’이라는 추상적 개념을 구체화하기 위해, 데이터 과학자와 현장 운영자, 규제기관이 지속적으로 의미를 재협상하는 ‘위험 구성 작업(risk construction work)’을 수행한다는 점을 강조한다. 셋째, 모델 성능 협상 과정에서는 단순한 정확도 지표를 넘어, ‘디폴트율 감소’, ‘규제 준수’, ‘시장 점유율 확대’ 등 다중 목표가 충돌한다. 이를 해결하기 위해 기술적 튜닝(특성 선택, 앙상블 기법)과 정치적 협상(규제 해석, 파트너십 형성)이 동시에 이루어지며, 이는 ‘정렬(alignment)’이라는 개념으로 통합된다.

‘정렬’은 기존 AI 안전 연구에서 제시된 일방향적 모델-세계 맞춤과 달리, 모델이 현지 사회에 ‘안전하게’ 작동하도록 설계되는 동시에, 사회 구조와 규제 프레임이 모델에 맞게 재구성되는 양방향 번역으로 정의된다. 이 과정은 ‘인식적(epistemic) 정렬’(어떤 데이터가 위험을 설명할 수 있는가), ‘모델링 정렬’(알고리즘 설계와 검증 절차), ‘맥락적 정렬’(법·정책·문화적 환경) 세 축으로 구분된다. 연구는 특히, 정렬 작업이 불확실성(데이터 부족, 규제 변동, 차용자 행동 변동)과 위험(높은 이자율, 부채 추적) 사이의 긴장을 완화하는 핵심 메커니즘임을 실증한다.

마지막으로, 정렬이 특정 기업(대형 통신사)에게는 경쟁 우위와 데이터 독점을 강화하는 도구가 될 수 있음을 지적한다. 이는 데이터 주권, 소비자 프라이버시, 그리고 금융 포용성 사이의 윤리적·정책적 딜레마를 야기한다. 따라서 논문은 규제기관이 ‘정렬’ 과정에 대한 투명성을 확보하고, 대체 데이터 사용에 대한 명확한 가이드라인을 제공함으로써, 위험 관리와 사회적 정의가 동시에 달성될 수 있는 제도적 틀을 제안한다.