Coinbase AI 에이전트, 비트코인(BTC) 거래소 결제 사기 30% 감축

온램프에 투입된 Qwen3.5-9B

Coinbase가 AI 리스크 에이전트를 실제 결제 검증 과정에 배치한 결과, 부정 거래가 30% 줄었다. 이 회사가 자사의 암호화폐 결제 솔루션인 Onramp(온램프) 실험에서 발표한 수치다. 투입된 모델은 Qwen3.5-9B로, Coinbase는 외부 업체에서 폐쇄형 모델을 빌려 쓰는 대신 오픈 웨이트 모델을 자사 거래 데이터로 직접 파인튜닝했다. 온라인 실험에서 이 에이전트는 특정 사용자 집단에 추가 검증 단계로 작동했고, 해당 집단의 이상 거래 건수는 30%, 측정된 사기 손실액은 22% 각각 감소했다. CEO Brian Armstrong은 특화 모델이 최첨단 프런티어 모델보다 훨씬 낮은 비용과 빠른 처리 속도로 이상 탐지 업무를 소화해냈다고 평가했다. 그의 논리는 간단하다. 범용 모델은 폭넓은 작업을 잘 처리하지만, 단일 도메인에 맞춰 훈련된 소형 모델이 그 영역 안에서는 더 강하다는 것이다. 이번 배치의 의미는 한 회사의 성과 지표를 넘는다. Onramp는 개인 투자자가 비트코인 보안 경험의 첫 관문이자 비트코인 가격 노출을 시작하는 매수 경로 위에 놓여 있어, 이 결제망의 검사 품질이 곧 사용자가 처음 만나는 보안 계층이 된다. 기존 규칙 엔진과 달리 이 에이전트는 결제 하나를 단독으로 판단하지 않는다. 최근 거래 흐름 전체를 함께 살피고, 고정된 규칙이 놓치기 쉬운 비정상 패턴을 잡아낸다. 이번 배치는 자율 에이전트의 오작동과 감독 공백을 경고한 보안 업체 CertiK의 지적에 이어 금융 보안에서 AI 활용을 둘러싼 업계 논쟁이 커지는 가운데 이뤄졌다. Coinbase는 답을 구조 자체에 넣었다. 에이전트는 리스크 점수만 매기고, 최종 정책 실행은 애플리케이션 코드가 담당한다. 따라서 에이전트는 기존 시스템이 승인한 결제를 막을 수는 있지만, 상류에서 차단된 결제를 풀어줄 수는 없다.

1만 6,140건 벤치마크

헤드라인 수치 아래에는 Coinbase가 최신 상용 폐쇄형 모델들을 상대로 진행한 벤치마크가 있다. 테스트 세트는 7,293명의 사용자 데이터 기반 결제 1만 6,140건으로 구성됐으며, 이 중 813건은 확인된 부정 거래였다. Coinbase는 Opus, Sonnet, GPT 계열의 최신 프런티어 모델들을 이 기준으로 교차 검증했고, 일부 모델은 특정 사기 지표에서 이전 세대보다 낮은 점수를 기록해 기존의 업그레이드 곡선이 뒤집혔다. GPT-5.6이 전형적 사례다. 정밀도는 개선됐지만, 실제 부정 거래 중 모델이 잡아내는 비율인 재현율은 오히려 떨어졌다. 보안 담당팀 입장에서 실시간 사기를 놓치는 모델은 벤치마크 점수가 아무리 좋아도 쓸 수 없는 모델이다. 바로 이 간극이 Coinbase를 오픈 웨이트 쪽으로 밀어냈고, 외부 업체의 API 로드맵에 의존하는 대신 모든 파라미터를 직접 조정할 수 있게 됐다. 거래소 자체에 대한 시장 평가는 여전히 조심스럽다. COINOTAG 데이터에 따르면 Coinbase (COIN)는 182.49달러에 거래되며 24시간 동안 0.37% 하락했고, 합성 지표에서 100/100 점수를 받은 최강 저항선 182.19달러 바로 아래에 묶여 있다. 이 저항선은 EMA 20, EMA 50, EMA 200 묶음과 겹친다. 가까운 강한 지지선은 역시 100/100 점수의 175.89달러다. 일봉 추세는 여전히 하락세로 판독되며 RSI는 47.7, MACD는 약세 신호를 보낸다. 파생상품 포지셔닝은 소박한 수준으로, 무기한 선물 미결제약정은 2,469만 8,582달러, 구간당 자금 조달 비율은 0.0039%다.

프런티어 거성들을 이긴 재현율

COINOTAG의 판단은 이렇다. 진짜 무게를 지는 결과는 헤드라인 퍼센트가 아니라 벤치마크다. 결제 1만 6,140건, 사용자 7,293명, 확인된 사기 813건을 놓고 Coinbase가 모델들을 비교한 지표는 재현율이었고, 이는 사기가 사용자에게 도달하는지를 결정하는 유일한 지표다. 그 자리에서 사내에서 튜닝된 소형 오픈 웨이트 모델이 프런티어 브랜드들을 이겼다. 이 논리는 비트코인 시장 전반으로 이어진다. 변동성 속에서 단순히 HODL하는 개인 계정은 매수 단계의 검사 개선에서 가장 큰 이득을 본다. 현물 ETF 같은 기관 상품도 같은 거래소 보안 스택 위에서 자산을 맡긴다. 여덟 자릿수 달러 규모의 매수를 실행하는 암호화폐 고래 역시 거래 시퀀스 단위의 이상 탐지 혜택에서 예외가 아니다. 방향은 채굴 산업 주변에서 형성되고 있는 AI 수익 흐름과도 맞닿는다. Castle Labs는 비트코인 채굴기의 AI 수익 분배 지분을 22%로 책정한 바 있다. Armstrong의 표현을 빌리면 목표는 프런티어 거성들의 이상 탐지 업무를 더 낮은 비용과 더 빠른 속도로 수행하는 특화 모델이었고, 30%의 사기 감소가 그 증거로 제시된 수치다.