X (트위터) 에 의견을 게시할 때, 틀려도 비용은 들지 않습니다. 하지만 예측 시장에 10,000 달러를 베팅했다면, 틀리는 대가는 10,000 달러입니다. 이 단 한 가지 차이 — 즉, 오류의 비용 — 이 현재 인류가 진실에 가격을 매기는 방식을 조용히 재편하고 있는 3억 8,100만 달러 규모의 신흥 섹터 뒤에 숨겨진 기초적인 프리미티브입니다.

정보 금융 (InfoFi) 은 비탈릭 부테린 (Vitalik Buterin) 이 제안한 용어로, "알고 싶은 사실에서 시작하여, 시장 참여자들로부터 해당 정보를 최적으로 끌어내기 위해 의도적으로 시장을 설계하는 학문" 을 의미합니다. 자산의 가격을 매기는 전통 금융과 달리, InfoFi 는 기대치 (expectations) 에 가격을 매겨 인식론적 불확실성을 거래 가능한 신호로 변환합니다. 이 섹터는 현재 연간 400억 달러를 처리하는 예측 시장, 콘텐츠 크리에이터에게 1억 1,600만 달러를 분배하는 어텐션 시장, 그리고 3,300만 명의 검증된 사용자를 확보한 신뢰성 네트워크에 걸쳐 있습니다.
하지만 마케팅 내러티브 이면을 들여다보면, 모든 InfoFi 시스템은 정보에 정확하게 가격이 책정될지 아니면 소음에 묻힐지를 결정하는 다섯 가지 기술적 프리미티브 위에서 작동합니다. 이러한 프리미티브를 이해하는 것은 견고한 정보 시장을 구축하느냐, 아니면 값비싼 스팸 기계를 만드느냐의 차이를 만듭니다.
프리미티브 1: 비용 부담 신호 제출 (Cost-Bearing Signal Submission)
InfoFi 의 핵심 통찰은 놀라울 정도로 단순합니다. 의견은 저렴하고, 약속 (commitments) 은 비쌉니다. 잘 설계된 모든 InfoFi 시스템은 참여자가 정보를 제출할 때 실제 비용을 부담하도록 강제하며, 이를 통해 신호와 소음을 구분하는 마찰력을 생성합니다.
예측 시장에서 이는 신념에 걸린 자본의 형태로 나타납니다. 폴리마켓 (Polymarket) 은 2025년에 9,500만 건의 거래를 처리하며 연간 거래량 215억 달러에 도달했습니다. 이 플랫폼은 자동화된 마켓 메이커 (AMM) 에서 오프체인 주문 매칭과 폴리곤 (Polygon) 상의 스마트 컨트랙트를 통한 온체인 정산 기능을 갖춘 중앙 지정가 주문창 (CLOB) — 기관 거래소에서 사용하는 것과 동일한 메커니즘 — 으로 이전했습니다. 각 거래는 비용을 수반하는 약속입니다. 참여자들은 틀렸을 때 돈을 잃게 되며, 이는 정확한 확률 평가를 향한 끊임없는 인센티브 압박을 만들어냅니다.
2025년 1월 베이스 (Base) 에서 출시된 에토스 네트워크 (Ethos Network) 는 이 프리미티브를 소셜 평판에 적용합니다. 다른 사용자의 신뢰성을 보증할 때 사용자는 ETH 를 스테이킹합니다. 보증을 받은 사람이 부적절하게 행동하 면 해당 ETH 는 위험에 처하게 됩니다. 그 결과, 평판 보증은 제공하는 데 실제 비용이 들기 때문에 진정한 정보를 담게 됩니다.
인투이션 프로토콜 (Intuition Protocol) 은 가장 명시적인 접근 방식을 취하며, 2025년 10월 Superscrypt, Shima, F-Prime (피델리티의 벤처 부문), ConsenSys 및 Polygon 으로부터 850만 달러의 지원을 받아 메인넷을 출시했습니다. 이들의 아키텍처는 정보를 하나의 자산 클래스로 취급합니다:
- 아톰 (Atoms): 모든 개별 주장 (신원, 개념 또는 정보 조각) 에 대한 정식 식별자
- 트리플 (Triples): 주어-술어-목적어 문장 — 예: "프로토콜 X 에 취약점 Y 가 있다" 또는 "앨리스는 신뢰할 수 있다"
두 가지 모두 본딩 커브 (bonding curves) 를 통해 스테이킹할 수 있습니다. 저품질의 아톰을 생성하면 토큰 비용이 발생하고, 고품질의 아톰을 큐레이팅하면 수수료를 받습니다.
공통된 흐름은 이렇습니다. 오류의 비용이 소음 필터를 만듭니다. 가볍고 확신이 낮은 주장은 약속의 마찰에 의해 억제됩니다.
프리미티브 2: 적정 점수법 및 유인 부합성 (Proper Scoring Rules and Incentive Compatibility)
단순히 비용을 부담 하는 것만으로는 충분하지 않습니다. 보상 체계의 구조가 정직한 보고가 최적의 전략이 되도록 보장해야 합니다. 이것이 바로 적정 점수법 (proper scoring rules) 의 수학적 영역입니다. 이는 참여자가 자신의 진실된 신념을 보고함으로써 기대 보상을 극대화하는 메커니즘입니다.
경제학자 로빈 핸슨 (Robin Hanson) 이 발명한 로그 시장 점수법 (LMSR) 은 초기 예측 시장의 기초적인 메커니즘이었습니다. 이의 비용 함수인 C(q) = b × ln(Σ exp(qᵢ/b)) 는 거래자가 도착하기 전에도 자동화된 마켓 메이커가 항상 유동성을 갖도록 보장함으로써 부트스트래핑 문제를 해결합니다. 매개변수 b 는 유동성의 깊이와 마켓 메이커의 최대 잠재적 손실 사이의 절충을 제어합니다. 과거의 거래는 현재 가격에 내재되어 소음 거래자에 대한 자연스러운 완충 작용을 제공합니다.
LMSR 의 한계는 자본 효율성입니다. 가격 위치에 관계없이 동일한 유동성 깊이를 제공하므로, 극단적인 확률 값 (예: 95% 확신의 시장) 근처에서 자본을 낭비합니다. 패러다임 (Paradigm) 의 2024년 11월 논문은 블랙-숄즈 옵션 가격 결정 모델의 기초가 되는 수학적 프레임워크인 브라운 운동 (Brownian motion) 을 따르는 결과 가격을 처리하는 예측 시장 전용 AMM (pm-AMM) 을 소개했습니다. 이는 유동성 공급자를 위해 일정한 손실 대비 재조정 (loss-versus-rebalancing) 비율을 유지하도록 시간에 따라 유동성 깊이를 동적으로 조정합니다.
동일한 수학적 특성인 유인 부합성 (incentive compatibility) 은 비금융 시스템에서도 나타납니다. 에토스 네트워크의 보증 메커니즘은 유인 부합적입니다. 만약 나중에 사용자를 속이는 사람을 보증하기 위해 ETH 를 스테이킹했다면, 당 신의 ETH 는 위험에 처합니다. 최적의 전략은 진정으로 신뢰할 수 있다고 믿는 사람만을 보증하는 것입니다. 인투이션의 토큰 큐레이팅 레지스트리도 유사하게 작동합니다. 스테이커는 자신이 큐레이팅한 정보가 고품질로 판단될 때 수익을 얻고, 저품질일 때 토큰을 잃습니다.
프리미티브 3: 그래프 기반 신뢰 전파
정적인 평판 점수는 조작하기 쉽습니다. 점수가 단순히 수치(팔로워 수, 리뷰, 트랜잭션 등)를 기반으로 계산된다면, 자금력이 있는 공격자는 단순히 해당 지표를 구매하여 점수를 높일 수 있습니다. 그래프 기반 신뢰 전파(Graph-based trust propagation)는 이에 대한 해결책입니다. 신뢰는 절대적으로 할당되는 것이 아니라 소셜 그래프를 통해 전파되며, 점수 계산의 핵심에 컨텍스트와 관계를 둡니다.
EigenTrust는 원래 피어 투 피어(P2P) 네트워크에서 악의적인 노드를 식별하기 위해 설계되었으며, 이 목적을 위한 선도적인 알고리즘입니다. OpenRank(Galaxy 및 IDEO CoLab의 지원을 받는 Karma3 Labs 개발)는 Farcaster 및 Lens Protocol 소셜 그래프 데이터에 EigenTrust를 적용합니다. 신규 계정의 '팔로우'와 높은 신뢰를 받는 계정의 '팔로우'를 동일하게 처리하는 대신, EigenTrust는 참여자의 평판에 따라 상호작용에 가중치를 부여합니다. 이 알고리즘은 사용자의 평판이 '누가 나를 신뢰하는지'와 '그들이 얼마나 스스로 신 뢰받는지'에 따라 결정되는 안정적인 신뢰 할당 방식으로 수렴합니다.
그 결과는 개인화된 신뢰 그래프로 나타납니다. 특정 커뮤니티 내에서의 평판은 해당 커뮤니티 내의 구체적인 소셜 연결을 반영합니다. OpenRank는 이를 사용하여 Farcaster의 "For You" 피드, 채널 순위 및 프레임(frame) 개인화를 지원합니다. DeFi 커뮤니티에 깊이 관여한 사용자는 NFT 아트 커뮤니티에 관여한 사용자와 다른 컨텍스트에서 서로 다른 평판 점수를 갖게 됩니다.
Kaito의 YAP 점수 시스템은 동일한 논리를 어텐션 마켓(attention markets)에 적용합니다. 높은 YAP(높은 평판) 계정의 인게이지먼트는 낮은 YAP 계정의 인게이지먼트보다 기하급수적으로 더 큰 가치를 지닙니다. 이것은 소셜 자본에 적용된 페이지랭크(PageRank) 입니다. 권위가 높은 노드로부터의 링크는 낮은 권위의 노드로부터의 링크보다 더 많은 권위를 전달합니다. Kaito는 매월 약 200,000명의 활성 크리에이터를 대상으로 이를 처리하며, 가중치 기반 소셜 그래프 탐색을 통해 특정 프로젝트가 차지하는 전체 크립토 트위터 관심도의 비율인 '마인드셰어(mindshare)'를 계산합니다.
Ethos는 초대 전용 시스템을 통해 그래프 전파를 한 단계 더 발전시킵니다. 사용 계정의 가치는 단순히 누가 나를 보증했느냐뿐만 아니라, 누가 누구를 초대했는지에 대한 전체 체인에 따라 달라집니다. 신뢰할 수 있는 Ethos 회원으로부터 초대받은 신규 계정은 해당 회원의 신뢰성 일부를 상속받게 되는데, 이는 "신뢰받는 사람에 의해 신뢰받음" 원칙을 구조적으로 강제한 것입니다.
프리미티브 4: 다층 시빌 저항(Multi-Layer Sybil Resistance)
점수를 조작하거나 보상을 가로채고 시장을 왜곡하기 위해 가짜 ID를 시스템에 대량으로 투입하는 시빌 공격(Sybil attacks)은 모든 InfoFi 프리미티브에 대한 실존적 위협입니다. 가짜 ID 생성이 저렴하다면, 비용이 수반되는 신호도 조직적인 봇을 통해 조작될 수 있고, 평판 그래프는 인위적으로 부풀려질 수 있으며, 예측 시장의 결과 또한 조작될 수 있습니다.
InfoFi 섹터는 다음과 같은 다층 방어 스택으로 수렴되었습니다.
레이어 0 — 생체 인식 검증: World(구 Worldcoin)는 홍채 스캔 장치인 Orb를 사용하여 Worldchain에서 World ID를 발급합니다. 영지식 증명(Zero-knowledge proofs)을 통해 사용자는 어떤 홍채가 스캔되었는지 밝히지 않고도 인간임을 증명할 수 있어, 앱 간 추적을 방지합니다. 2025년까지 미국 전역에 7,500대의 Orb를 배치하여 2억 건의 인간 증명(Proof-of-humanity) 검증을 목표로 하고 있습니다.
레이어 1 — 초대 및 소셜 그래프 제약: Ethos(초대 전용), Farcaster(전화번호 인증), Lens Protocol(지갑 기반 프로필 생성)은 신원 생성에 구조적인 마찰을 부여합니다. 가짜 신원이 자리를 잡으려면 실제 소셜 연결이 필요하도록 만듭니다.
레이어 2 — 스테이크 가중 신뢰: EigenTrust 기반 시스템은 스테이크(지분)나 이미 확립된 평판에 따라 신뢰에 가중치를 부여합니다. 공모 공격을 하려면 기존 회원들로부터 실제 신뢰를 쌓아야 하므로 조작 비용이 매우 높습니다.
레이어 3 — 행동 분석: Kaito의 알고리즘은 진정한 분석보다 KOL(Key Opinion Leader)의 콘텐츠 파밍에 보상을 준다는 비판을 받은 후 2025년에 업데이트되었습니다. 이 업데이트에서는 유료 팔로워, 봇과 같은 포스팅 패턴, 통찰력 없이 순위만 언급하는 콘텐츠를 감지하는 AI 필터가 도입되었습니다. 이제 답글은 리더보드 순위에 반영되지 않으며, 정보 제공 없이 보상에 대해서만 논의하는 포스트는 마인드셰어 계산에서 제외됩니다.
레이어 4 — ZK 크리덴셜 통합: Human Passport(구 Gitcoin Passport, 2025년 Holonym Foundation이 인수)는 소셜 검증, 온체인 이력, 생체 인식 등 다양한 소스의 크리덴셜을 영지식 증명을 사용하여 단일 시빌 저항 점수로 통합합니다. 200만 명의 사용자와 3,400만 건의 크리덴셜 발행 실적을 바탕으로, 애플리케이션은 사용자가 보유한 구체적인 검증 내용을 알지 못해도 최소 시빌 저항 점수를 요구할 수 있습니다.
Galxe는 이러한 레이어를 대규모로 결합합니다. 7,000개 이상의 브랜드에 걸친 3,300만 명의 사용자가 ZK 증명을 통해 검증된 크리덴셜을 보유하고 있으며, Galxe Score는 Ethereum, Solana, TON, Sui 및 기타 체인의 온체인 활동을 다차원 평판 지표로 통합합니다.
프리미티브 5: 본딩 커브를 통한 연속적 가격 책정