[울산=정태석 기자] 6월 19일 울산대공원 장미원 입구. 넓은 진입광장 건너편에 매표소와 출입문이 나란히 놓여 있다. 지도에서는 공원이라는 한 점으로 보이지만 방문은 어느 입구로 들어가고 어디서 표를 사고 어떤 길을 건너는지에서 시작된다.

부동산 가격을 산정하는 모형은 이곳까지의 거리와 주변 시설을 읽을 수 있다. 주택의 면적과 연식, 층수, 과거 실거래가와 유사 매물도 비교할 수 있다. 그러나 입구를 지난 뒤 만나는 그늘의 편안함, 사람들이 걸음을 늦추는 이유, 계절마다 다시 찾아오는 기억은 숫자 밖에 남아 있는 것처럼 보인다.
 

그것이 AI가 계산하지 못하는 부동산의 마지막 10%일까. 사람만이 끝까지 지킬 수 있는 감각의 영역일까.

자동가격산정모형(AVM)은 거래사례와 과거 거래, 물건 특성, 입지와 경제지표를 비교해 부동산의 추정가격을 자동으로 계산하는 도구다. 사람이 물건마다 가격을 일일이 산정하는 대신 많은 자료에서 비슷한 조건의 가격대를 빠르게 찾는다. AVM이 곧 AI라는 뜻은 아니다. 고정된 규칙과 통계식을 쓰는 AVM도 있고, 일부 현대 AVM은 컴퓨터가 과거 자료의 반복 패턴을 찾아 새 가격을 추정하는 기계학습 방식을 활용한다.

AI 추정가격은 실제 거래가격과도 다르다. 추정가격은 과거 자료와 비교 조건을 이용해 계산한 값이고, 실거래가격은 특정 시점과 조건에서 매도자와 매수자가 합의해 계약한 결과다. 추정값이 호가나 협상의 기준으로 쓰일 수는 있지만 그 자체가 계약가격은 아니다.

부동산·건설 분야의 국제 전문기관인 영국 왕립공인측량사협회(RICS)가 공개한 AI 활용 사례에 따르면 AVM은 비교자료가 충분하고 외형과 조건이 비슷한 주택에서 상대적으로 안정적이다. 반면 물건의 실제 상태나 개별 특성은 대규모로 충분히 반영하지 못할 수 있다. 오래되거나 불완전하거나 편향된 자료를 넣으면 결과도 그 한계를 따라간다. 그래서 대출, 법적 분쟁, 투자 판단처럼 위험이 큰 평가에서는 전문가가 입력자료와 적용 가능성, 현장 맥락을 검증해야 한다.

국내에서도 방향은 비슷하다. 국토교통부가 2023년 발표한 부동산 공시제도 개선방안은 거래사례와 매물, 한국부동산원 관리시세, 공시가격 추이와 AI 기반 기계학습 모형의 가격을 접목하는 방향을 제시했다. AVM의 성능을 높이고 일부 지역에 시험 적용하는 방안도 검토했다. 한국부동산원은 AI를 활용한 조사·분석 체계와 부동산데이터 플랫폼 구축을 전략과제로 제시하고 있다.

여기까지만 보면 마지막 10%는 여전히 현장에 남아 있는 듯하다. 같은 ‘공원 인접’이라도 실제로 들어가기 쉬운지, 그늘과 좌석이 이어지는지, 사람들이 반복해서 이용하는지는 거래표와 건축물대장만으로 설명하기 어렵기 때문이다.

그러나 경계는 이미 움직이고 있다.

2019년 스티븐 로, 브룩스 페이지, 크리스 러셀은 런던 주택을 대상으로 연식·크기·접근성 같은 전통적 특성에 거리사진과 위성영상의 시각정보를 결합했다. 동네의 시각적 매력처럼 정량화하기 어려웠던 특성을 모형의 변수로 만들었고, 주택가격 추정을 개선할 수 있음을 보였다.

AI는 사람이 도시를 보는 방식도 학습한다. 도시 거리의 인상을 비교한 ‘Place Pulse 2.0’ 연구는 56개 도시의 거리 이미지 110,988장과 온라인 참여자 81,630명이 제공한 117만 건의 쌍대비교를 사용했다. 쌍대비교는 두 장의 사진을 나란히 보여주고 어느 쪽이 더 안전하거나 활기차고 아름답게 보이는지 고르게 하는 방식이다. AI 모형은 이 비교에서 반복되는 판단 패턴을 학습했다.

시설의 존재와 실제 이용도 구분하기 시작했다. 2024년 ‘네이처 인간행동’에 실린 이른바 ‘15분 도시’ 연구는 생활에 필요한 시설에 집에서 걸어서 15분 안에 접근할 수 있는지, 주민이 실제로 가까운 곳을 이용하는지를 함께 살폈다. 연구진은 미국 모바일기기 약 4천만 대에서 수집된 위치·이동자료를 이용해 시설 접근 조건과 실제 소비 이동을 나눠 측정했다. 지도에 시설이 있다는 사실과 생활 속에서 이용된다는 사실이 같지 않음을 대규모 행동자료로 보여준 셈이다.

2025년 사전공개된 연구는 글과 이미지를 함께 분석하는 AI를 이용해 15개 도시의 거리사진 2,998장에서 수동적·일시적·지속적 사회적 상호작용 유형을 구분할 수 있는지 시험했다. 아직 다른 연구자들의 공식 검토를 마친 확정적 성과가 아니라 가능성을 시험하는 초기 단계다. 다만 지금까지 수치화하기 어려웠던 거리의 사회성도 분석 대상으로 들어오고 있음을 보여준다.
 

이 연구들이 울산대공원 주변의 집값을 설명하거나 장미원의 경제효과를 증명하는 것은 아니다. 연구지역과 자료, 분석 목적이 서로 다르다. 다만 한 가지 방향은 보여준다. 어제까지 현장감이라고 불렀던 경험의 일부가 오늘은 이미지와 이동, 사람의 판단과 행동을 통해 데이터가 되고 있다.

이 기사에서 ‘마지막 10%’는 실제 오차율이나 가격의 미설명 비중을 뜻하지 않는다. 아직 표와 숫자로 정리되지 않은 생활 경험을 가리키는 기사적 은유다. 그리고 그 10%는 고정된 빈칸이 아니다. 사람의 경험이 데이터가 되면서 계속 이동하는 경계다.

그렇다면 AI가 마지막 10%까지 읽기 시작하면 부동산 시장과 주택개발은 어떻게 달라질까.

첫째, 부동산 시장의 가격 설명이 달라질 수 있다. 지금까지의 가격모형이 이미 거래된 주택의 면적과 연식, 실거래가를 중심으로 현재 가격을 설명했다면 다음 단계의 AI는 실제 진입과 이용, 반복 방문, 거리의 인식처럼 아직 가격에 선명하게 나타나지 않은 생활권 선호의 단서까지 비교할 수 있다. 시장은 ‘얼마에 거래됐는가’뿐 아니라 ‘사람들이 앞으로 무엇을 선택할 가능성이 있는가’를 더 일찍 살피는 쪽으로 움직일 수 있다.

둘째, 주택개발의 판단 기준이 달라질 수 있다. 개발자는 공원이나 생활시설이 몇 개 있는지만 세는 데서 벗어나 주민이 어느 입구로 접근하고, 어디에서 머물며, 어떤 동선을 반복하는지까지 설계자료로 활용할 수 있다. 공원과 가까운 단지를 만드는 것에서 실제로 공원을 이용하기 쉬운 단지를 만드는 쪽으로 기준이 이동하는 것이다. AI와 행동자료는 완공 뒤 이용 패턴을 확인하고 다음 설계에 반영하는 도구가 될 수 있다.

셋째, AI는 가격을 예측하는 데서 그치지 않고 가격이 형성되는 조건에 영향을 줄 수 있다. AI가 산출한 생활권 점수와 추정값이 플랫폼의 검색순위와 추천 화면, 금융기관의 담보·위험평가, 개발사업의 입지와 사업성 검토에 들어가면 무엇을 먼저 보게 할지, 어느 거래에 자금이 붙을지, 어느 지역에 공급이 들어갈지가 달라질 수 있기 때문이다.

플랫폼에서 특정 물건이나 생활권이 더 자주 추천되고 상단에 노출되면 조회와 문의, 방문과 제안이 그쪽에 모일 수 있다. AI 추정가격은 매도자와 매수자의 협상 기준점이 될 수 있고, 담보·위험평가는 대출 승인과 한도, 금리를 통해 실질 구매력과 거래 성사 가능성을 바꿀 수 있다. 개발자가 수요예측과 입지점수를 토지 매입과 자금 배분, 공간 설계에 쓰면 중장기적으로 공급의 위치와 품질도 달라질 수 있다.

이런 현상을 이해하는 이론적 단서도 있다. 2020년 국제기계학습대회(ICML)에 발표된 ‘수행적 예측’ 연구는 예측이 의사결정을 지원할 때 예측하려던 결과 자체에 영향을 줄 수 있다고 설명했다. 추천시스템 연구에서도 이용자가 기존 추천에 노출된 뒤 남긴 행동자료가 다시 학습자료가 되면서 피드백이 생길 수 있음이 지적됐다. 두 연구는 부동산 가격에 대한 직접 실증은 아니지만, 모델의 출력이 현실의 의사결정에 쓰이는 순간 단순한 관찰에 머물지 않을 수 있다는 일반적 메커니즘을 보여준다.
 

여기서 반전이 생긴다. AI가 발견하거나 구성한 신호가 추천과 금융, 투자와 개발의 기준이 되는 순간 AI는 가격을 읽는 관찰자에만 머물지 않는다. 관심과 신용, 자본과 공급이 배분되는 선택 환경에 간접적으로 참여한다. 그 결과로 생긴 클릭과 문의, 대출과 거래가 다시 학습자료가 되면 `데이터가 모델을 만들고, 모델이 선택 환경을 바꾸며, 바뀐 선택이 다시 데이터가 되는` 순환이 시작된다.

물론 AI가 집값을 단독으로 결정한다는 뜻은 아니다. 금리와 소득, 공급과 규제, 세제와 정책, 실제 거래 당사자의 협상이 함께 작동한다. 영향의 방향과 크기도 플랫폼의 점유율, 모형의 적용 범위, 이용자의 신뢰와 반응에 따라 달라진다. AI는 미래가격을 정확히 맞혀서 시장을 지배하는 존재가 아니라, 그 출력이 널리 사용될 때 미래가격이 만들어지는 조건에 영향을 줄 수 있는 정보·선택 인프라다.

피드백은 가격 상승만 뜻하지 않는다. 더 많은 노출과 자금이 붙을 수도 있지만 반대로 낮은 점수가 관심과 금융 접근을 줄이고 저평가를 고착할 수도 있다. 기존의 인기와 편향을 학습한 모형이 같은 지역과 집단을 반복해서 우대하면 공간의 획일화와 배제도 커질 수 있다. 추천 뒤 관심이 늘었다고 해도 원래 인기 있던 곳을 모형이 반영한 것인지 추천이 실제 행동을 바꾼 것인지 분리해 검증해야 한다.

데이터 확대에도 조건이 붙는다. 위치·이동자료와 거리사진, 리뷰에는 개인정보와 동의 문제뿐 아니라 특정 연령이나 집단에 치우칠 위험이 따른다. 적법한 처리 근거와 최소 수집, 목적과 보유기간의 제한, 집계 수준과 재식별 위험을 확인해야 한다. 대출·추천·입지 판단에 쓰인다면 집단별 오류와 차별 영향을 점검하고 사람이 다시 검토할 수 있는 절차, 당사자가 이의를 제기하고 잘못된 정보를 고칠 수 있는 경로도 필요하다.

그래서 사람과 AI의 관계는 대결이 아니라 책임의 연결이어야 한다. 사람은 생활하며 경험과 선택을 만든다. AI는 수많은 자료에서 반복되는 패턴을 발견하고 점수와 추정값을 산출한다. 부동산 전문가는 사용한 자료와 비교대상이 적절한지, 특정 집단에 불리한 오류가 없는지, 결과의 불확실성과 적용 한계를 설명할 수 있는지를 현장 맥락과 함께 검증한다. 도시계획가와 개발자는 이용량이 적더라도 보호해야 할 접근성과 안전, 공공의 가치를 계획 기준으로 함께 살펴야 한다.
 

울산대공원 장미원 입구는 이 순환의 출발점을 보여준다. 입구를 찾고, 길을 걷고, 그늘에서 쉬고, 다음 계절에 다시 방문하는 선택이 쌓인다. 그 선택의 일부가 데이터가 되고, 데이터는 모형의 신호가 된다. 그 신호가 매물 노출과 자금 배분, 공간 설계에 쓰이면 다음 선택의 조건과 공간이 달라질 수 있다.

사람은 가치를 경험하고, AI는 그 경험의 패턴을 발견한다. 그러나 그 패턴이 추천과 자금, 개발의 기준이 되는 순간 AI는 가격을 읽는 데서 멈추지 않는다. 가격이 만들어지는 다음 선택에도 영향을 미치기 시작한다.

이제 질문은 ‘AI가 경험을 읽을 수 있는가’에서 ‘AI가 읽어낸 신호가 사람의 선택과 자금의 흐름을 바꿀 때 가격은 어떻게 형성되는가’로 넘어간다.

다음 6편, ‘가격은 데이터가 만들고 가치는 사람이 완성한다’로 이어진다.

시리즈 순서

1편: 장미는 어떻게 온세상 사람들의 사랑을 받게 되었을까 - 가치의 역사

2편: 사람들은 왜 꽃보다 그늘에 머무는가 - 공간과 체류

3편: 반복 가능한 아름다움은 어떻게 산업이 되는가 - 공학과 플랫폼

4편: 장미원의 벤치는 왜 집값을 바꾸는가 - 부동산 입지

5편: AI가 계산하지 못하는 부동산의 마지막 10% - AI와 현장감

6편: 가격은 데이터가 만들고 가치는 사람이 완성한다 - 경제적 결론

자료 및 출처

1. RICS, `Responsible use of AI case study - Valuation`.

- AVM의 자료 활용, 균질한 물건에서의 상대적 안정성, 물건 상태·개별 특성 반영의 한계, 전문가 검증의 필요성을 확인했다.

- https://www.rics.org/profession-standards/rics-standards-and-guidance/conduct-competence/responsible-use-of-ai/ruai-case-studies-02

2. RICS, `Automated Valuation Models`.

- AVM은 완전 자동화부터 다양한 수준의 인간 개입이 결합된 형태까지 존재함을 확인했다.

• -https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models
   

3. 국토교통부, `부동산 공시제도 개선방안`, 2023.

- 공동주택 공시가격에 AVM 적용을 검토하면서 거래사례, 매물, 부동산원 관리시세, 공시가격 추이와 AI 기반 기계학습 모형의 가격을 접목하는 방향을 제시했다.

   -https://www.molit.go.kr/portal/common/download/DownloadMltm2.jsp?FileName=%28%EB%B3%84%EC%B2%A8%29_%EB%B6%80%EB%8F%99%EC%82%B0_%EA%B3%B5%EC%8B%9C%EC%A0%9C%EB%8F%84_%EA%B0%9C%EC%84%A0%EB%B0%A9%EC%95%88.pdf&FilePath=%2Fupload%2Fportal%2FDextUpload%2F202310%2F20231016_112417_452.pdf

4. 한국부동산원, `추진체계`.

- `AI 기반 조사·분석 체계 고도화`, `AI 부동산데이터 플랫폼 조성`, `AI 거버넌스 구축`을 전략과제로 제시하고 있음을 확인했다.

- https://www.reb.or.kr/reb/cm/cntnts/cntntsView.do?cntntsId=1140&mi=9672

경험 데이터 연구

5. Stephen Law, Brooks Paige, Chris Russell, `Take a Look Around: Using Street View and Satellite Images to Estimate House Prices`, ACM Transactions on Intelligent Systems and Technology 10(5), 2019.

   - 전통적 주택 특성과 거리·위성영상의 시각정보를 결합한 런던 주택가격 추정 연구.

   - https://discovery.ucl.ac.uk/id/eprint/10093921/

6. Abhimanyu Dubey et al., `Deep Learning the City: Quantifying Urban Perception at a Global Scale`, ECCV, 2016.

   - 56개 도시, 거리 이미지 110,988장, 온라인 참여자 81,630명, 쌍대비교 117만 건.

   - https://arxiv.org/abs/1608.01769

7. Timur Abbiasov et al., `The 15-minute city quantified using human mobility data`, Nature Human Behaviour 8, 2024, 445~455쪽.

   - 미국 모바일기기 약 4천만 대의 이동자료를 사용해 시설 접근성과 가까운 곳에서의 실제 이용을 구분했다.

   - https://www.nature.com/articles/s41562-023-01770-y

8. Kieran Elrod, Katherine Flanigan, Mario Bergés, `Street View Sociability: Interpretable Analysis of Urban Social Behavior Across 15 Cities`, arXiv, 2025.

   - 15개 도시의 거리사진 2,998장을 분석한 사전공개 개념검증 연구.

   - https://arxiv.org/abs/2508.06342

예측·추천 피드백 연구

9. Juan C. Perdomo, Tijana Zrnic, Celestine Mendler-Dünner, Moritz Hardt, `Performative Prediction`, Proceedings of the 37th International Conference on Machine Learning, PMLR 119, 2020, 7599~7609쪽.

   - 예측이 의사결정에 사용될 때 예측하려는 결과에 영향을 줄 수 있다는 일반 이론.

   - 부동산 가격에 대한 직접 실증으로 사용하지 않았다.

   - https://proceedings.mlr.press/v119/perdomo20a.html

10. Allison J. B. Chaney, Brandon M. Stewart, Barbara E. Engelhardt, `How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility`, Proceedings of the 12th ACM Conference on Recommender Systems, 2018, 224~232쪽.

   - 추천에 노출된 이용자의 행동자료가 다시 추천모형의 자료가 되는 피드백과 동질화 위험을 시뮬레이션으로 분석했다.

   - 부동산 플랫폼이나 주택가격에 대한 직접 실증으로 사용하지 않았다.

   - DOI: https://doi.org/10.1145/3240323.3240370

   - 공개 원문: https://arxiv.org/abs/1710.11214