---
title: "질로우는 왜 자기 AI 가격 모델을 믿다가 수억 달러를 잃었나"
url: https://blog.tyrano.dev/zillow-offers-ai-pricing-model-governance
lang: ko
site: Tech AI News - 테카이
category: "AI 도입 사례"
tags: ["AI","인공지능","AI 도입 사례","Zillow","Opendoor","모델 거버넌스","알고리즘 리스크"]
published: 2026-11-18T06:00:56.551Z
updated: 2026-11-18T06:00:56.551Z
sources:
  - https://www.wsj.com/articles/zillow-offers-real-estate-algorithm-homes-ibuyer-11637159261
  - https://www.bisnow.com/national/news/other/zillow-ditches-its-tech-enabled-home-flipping-operation-saying-prices-too-unpredictable-110761
  - https://insidehpc.com/2021/12/the-500mm-debacle-at-zillow-offers-what-went-wrong-with-the-ai-models/
  - https://www.mikedp.com/articles/2021/12/16/opendoor-vs-zillow-a-tale-of-two-pricing-models-kl4gj
---

# 질로우는 왜 자기 AI 가격 모델을 믿다가 수억 달러를 잃었나

> 2021년 질로우(Zillow)는 스스로 만든 AI 주택가격 모델을 믿고 사업을 키우다가 수억 달러를 잃고 사업 자체를 접었다. 문제는 모델의 정확도만이 아니라, 현장에서 "가격이 이상하다"고 느낀 직원이 그 신호를 위로 전달할 공식 경로가 없었다는 데 있었다.

---

## 한눈에 보기

| 항목 | 내용 |
|---|---|
| 기업/기관 | Zillow Group |
| 산업군 | 부동산 테크 — 아이바잉(iBuying, 알고리즘으로 주택을 매입해 수리 후 재판매하는 모델) |
| 도입 AI 기술 | 머신러닝 기반 자동 주택가격 산정 모델(Zestimate 엔진을 확장한 Zillow Offers 가격 알고리즘) |
| 도입 시점 | 2018년 Zillow Offers 출시 → 2021년 11월 사업 종료 |
| 핵심 성과 | 2021년 3분기 재고 손실 약 3.04억 달러, 인력 약 25% 감축, 사업 전면 철수 |

## 배경 — 어떤 문제가 있었나

질로우는 온라인 주택 추정가 서비스 '제스티메이트(Zestimate)'로 쌓은 가격 데이터와 모델을 발판 삼아, 2018년부터 알고리즘이 직접 주택을 사고파는 '아이바잉' 사업 Zillow Offers를 키웠다. 매도자가 집을 올리면 모델이 매입가를 제시하고, 질로우가 수리 후 되팔아 차익을 남기는 구조였다.

문제는 이 모델이 과거 거래 패턴 — 위치, 평형, 연식 같은 변수와 가격의 관계 — 을 학습한 것이었다는 점이다. 2021년 코로나19 이후 주택시장은 재택근무 확산, 공급 부족, 금리 변동이 겹치며 전례 없이 빠르게 움직였다. 모델이 학습한 과거의 가격 관계가 더는 현재를 설명하지 못하는 상황, 즉 '모델 드리프트(model drift)'가 일어난 것이다.

## 어떻게 도입했나

질로우는 알고리즘의 산출값을 그냥 쓰지 않았다. 100명이 넘는 가격 분석가를 따로 두어 비교 거래(comparable sales)를 대조하며 모델 결과를 재검토하게 했다([WSJ](https://www.wsj.com/articles/zillow-offers-real-estate-algorithm-homes-ibuyer-11637159261), 2021.11.17). 사람이 들어간 검증 장치가 있었다는 뜻이다.

그런데 2021년 들어 회사는 매입 속도를 더 끌어올리는 쪽으로 방향을 틀었다. 질로우 CFO는 실적 발표에서 "매입 속도를 높이기로 결정했다"고 말했고, 이는 모델이 보수적으로 산출한 가격보다 더 높은 값을 제시하며 공급을 늘리는 쪽으로 작동했다. 같은 시기 일부 직원은 사내 Slack과 회의에서 가격이 이상하다는 우려를 제기했지만, 그 우려는 대체로 다뤄지지 않거나 "모델이 의도대로 작동하고 있다"는 답을 들었다([WSJ](https://www.wsj.com/articles/zillow-offers-real-estate-algorithm-homes-ibuyer-11637159261), 2021.11.17). 가격 분석가라는 검증 장치는 있었지만, 그 검증에서 나온 이상 신호가 사업 확장이라는 경영 목표를 거스를 수 있는 공식적인 이의제기 경로는 없었던 셈이다.

## 성과 & 결과

- **3분기 재고 손실:** 약 3.04억 달러 (질로우 발표, 2021년 11월 2일)
- **인력 감축:** 전체 인력의 약 25% (약 6,400명 중 상당수)
- **사업 종료:** Zillow Offers 신규 매입 전면 중단, 보유 재고 매각 작업으로 전환

CEO 리치 바턴(Rich Barton)은 종료를 발표하며 "주택가격 예측의 불확실성이 우리가 예상한 수준을 훨씬 뛰어넘었다(the unpredictability in forecasting home prices far exceeds what we anticipated)"고 밝혔다([Bisnow](https://www.bisnow.com/national/news/other/zillow-ditches-its-tech-enabled-home-flipping-operation-saying-prices-too-unpredictable-110761), 2021.11.02).

> 해석: 이 발표는 모델의 '정확도'를 문제로 짚지만, 앞서 WSJ 보도가 전한 내부 상황을 보면 실패의 더 큰 축은 '부정확한 모델을 어떻게 다룰 것인가'를 정한 거버넌스 쪽에 있었다. 모델이 보수적인 신호를 냈을 때도 회사는 매입을 늘리는 방향으로 그 신호를 눌렀다.

## Opendoor는 왜 같은 자리에서 버텼나

같은 시기 경쟁사 Opendoor도 똑같이 알고리즘으로 주택을 매입하는 사업을 했지만 사업 자체를 접지는 않았다. 두 회사의 매입가 대 호가 비율(buy-to-list premium)을 비교한 분석에 따르면, 질로우는 이 비율이 음(-)의 값으로 나타날 정도로 집을 비싸게 사들여 손실을 보는 구조였던 반면 Opendoor는 상대적으로 낮은 매입가를 유지했다([mikedp.com](https://www.mikedp.com/articles/2021/12/16/opendoor-vs-zillow-a-tale-of-two-pricing-models-kl4gj), 2021.12.16).

해당 분석은 가격을 다루는 사업이 성립하려면 "알고리즘뿐 아니라 사람이 필요하다"고 지적한다. 구체적인 조직 구조까지 공개되지는 않았지만, 두 회사의 차이를 가장 단순하게 요약하면 이렇다 — Opendoor는 모델이 제시한 가격을 넘어서는 확장 압박을 상대적으로 덜 받았고, 질로우는 성장 목표가 모델의 경고 신호보다 우선했다.

> 분석: '같은 종류의 모델'을 쓰고도 결과가 갈린 지점은 모델 성능이 아니라 그 모델의 산출값을 조직이 어떻게 취급했는가였다. 모델이 틀릴 수 있다는 전제를 운영 절차에 넣어 뒀는지가 갈랐다.

## 핵심 실패 요인

1. **과거 패턴 의존 모델을 급변 시장에서도 그대로 신뢰** — 모델 드리프트를 감지·보정하는 지속적인 모니터링 체계가 없었다([insidehpc.com](https://insidehpc.com/2021/12/the-500mm-debacle-at-zillow-offers-what-went-wrong-with-the-ai-models/), 2021.12).
2. **현장의 이상 신호가 올라갈 공식 경로 부재** — 가격 분석가와 직원들이 느낀 위화감이 의사결정 라인에 공식적으로 반영될 창구가 없었다.
3. **성장 목표가 모델의 보수적 신호를 덮어씀** — 매입 속도를 높이기로 한 경영 결정이 모델의 경고보다 앞섰다.

## 한계 & 과제

이 사례를 깔끔한 '알고리즘 실패'로 단정하기는 어렵다. 보도마다 손실 액수와 책임 소재의 비중이 다르게 서술되고, 질로우 측 공식 설명은 "예측 불확실성"이라는 모델 성능 문제를 앞세운다. 반면 WSJ 보도가 전한 내부 증언은 조직의 의사결정 구조 문제를 더 부각한다. 두 설명은 상충하지 않는다 — 모델의 한계와, 그 한계를 다루는 절차의 부재가 함께 작용한 결과로 보는 편이 사실에 가깝다.

## 우리 조직에 적용한다면

- **대기업:** 자동화된 의사결정에 "모델이 틀렸을 때 누가 멈출 권한을 갖는가"를 조직도 상에 명시해 둔다. 검증 인력을 두는 것만으로는 부족하고, 그 검증 결과가 사업 목표보다 우선할 수 있는 절차가 필요하다.
- **중소기업:** 전담 리스크 조직을 두기 어렵다면, 가격·배정·심사처럼 돈이 걸린 자동화 의사결정만큼은 담당자가 모델 결과에 이의를 제기하면 자동으로 보류되는 최소한의 규칙을 둔다.
- **스타트업:** 성장 속도를 모델 신뢰도보다 우선하는 순간이 가장 위험하다. 모델이 보수적인 값을 내는 데는 이유가 있다고 가정하고, 그 값을 무시하고 싶은 압박이 커질 때일수록 외부 검증을 늘린다.

## 코멘트
