Mediator.ai – Nash 협상 이론과 LLM으로 공정한 합의점 찾기
Show HN: Mediator.ai – Using Nash bargaining and LLMs to systematize fairness
TL;DR Highlight
Nash 균형 이론과 LLM을 결합해 분쟁 당사자 양측이 수용 가능한 합의안을 자동으로 생성해주는 AI 조정 플랫폼으로, 창업자 지분 분쟁이나 계약 분쟁 같은 현실적인 상황에 적용 가능하다.
Who Should Read
공동창업자 지분 분쟁, 계약 분쟁, 공유 생활 비용 배분 등 협상이 필요한 상황을 다루는 개발자나 스타트업 창업자. 또한 LLM을 활용한 게임 이론 기반 의사결정 시스템에 관심 있는 AI 엔지니어.
Core Mechanics
- Mediator.ai는 1950년 경제학자 John Nash가 발표한 협력적 협상 이론(Nash Bargaining Solution)을 기반으로 동작한다. 이 수학적 프레임워크는 새로운 게 아니지만, LLM이 일상 언어로 작성된 당사자 진술을 수학이 처리할 수 있는 형태로 변환해준다는 점이 핵심이다.
- 각 당사자는 상대방이 무엇을 썼는지 모르는 상태에서 자신의 입장을 별도로 입력한다. Mediator는 양측의 진술을 각각 분석해 주요 수치(월 임대료, 실제 근무 시간, 배분 포기액, 매출 성장 등)를 추출한다.
- 시스템은 여러 후보 합의안을 생성한 뒤 유전 알고리즘(Genetic Algorithm) 방식으로 반복적으로 평가하고 개선한다. 각 후보안을 양측의 요구에 대해 점수화하고, 더 나은 초안을 생성하는 과정을 '더 이상 개선이 불가능할 때까지' 반복한다.
- 베이커리 예시에서 Maya(60시간/주 운영 담당)와 Daniel(25시간/주 생산 담당)이 70/30 vs 50/50으로 대립했을 때, 시스템이 제안한 합의안은 62/38 시작 지분 + Daniel의 earn-back 경로(200시간당 1%, 최대 +5%)였다. 단순 절충안이 아니라 각 기여를 항목별로 정산하는 구조다.
- 합의안에는 Maya가 Daniel에게 갚아야 할 임대료 $4,800(24개월 내 상환 시 Daniel 지분 2% 추가), Daniel이 포기한 배분금 $12,000(투자금에서 $6,000, 이익금에서 분기별 지급), Maya의 운영 관리 수당 $1,800/월(이익 배분 전 선지급) 같이 모든 기여를 개별 항목으로 명시한다.
- 사용 대상은 창업자 지분 분쟁, 공유 주거 비용 배분, 계약업체 분쟁 등 '양측 모두 합의를 원하지만 협상이 막힌 상황'으로 설명하고 있다. 중재(Arbitration)나 소송과 달리 강제력이 없는 협력적 협상을 전제로 한다.
- 기술 스택 측면에서는 LLM이 자연어 입력을 구조화된 선호도(Utility Function)로 변환하고, Nash Bargaining Solution 수학이 최적 합의점을 계산하는 역할을 담당하는 구조다.
Evidence
- 전문 조정인(Mediator) 출신 댓글러가 '이 도구는 조정(Mediation)이 아니라 중재(Arbitration)에 가깝다'고 지적했다. 실제 조정은 당사자가 스스로 결론을 내리도록 돕는 것이지 조정인이 공정한 결론을 제시하는 게 아니며, 감정적·인간적 요소(사과 한마디로 $50,000 분쟁이 끝난 사례 등)가 핵심인데 이 도구는 그 부분을 다루지 못한다는 비판이다.
- 베이커리 예시가 한쪽(Maya)에게 유리하게 편향됐다는 지적이 있었다. 댓글러는 '생존을 위한 비용(임대료 대납 등)을 너무 낮게 평가하고 노동 시간 기여를 과도하게 중시했다'며, 이 도구를 의사결정 도구가 아닌 탐색용 프레임워크로만 써야 한다고 주장했다.
- '공정함(Fairness)의 정의 자체가 어렵다'는 근본적인 비판도 있었다. 선호도를 비교 가능한 형태로 수치화하는 순간 이미 많은 가정이 들어가며, 파워 불균형(한쪽이 상대가 아끼는 것에 거부권을 가진 경우) 상황에서 Nash 합의가 '공정'하지 않을 수 있다는 지적이다.
- LLM 기반 조정 연구를 발표한 연구자가 댓글에서 자신의 논문(arXiv 2307.16732, 2410.07053)을 공유했다. 해당 연구에서 LLM은 대화 톤을 긍정적으로 유지하고 중재 개입 메시지를 제안하는 데 탁월한 성능을 보였으며, 사람이 작성한 개입안과 비교해도 우수했다고 밝혔다.
- 실제 분쟁 상황(신뢰가 낮거나 갈등이 심한 경우)에서는 채택이 어려울 것이라는 회의적 의견도 있었다. '분쟁 당사자 대부분은 공정함을 원하는 게 아니라 유리한 위치를 원한다'며, 공정한 합의는 아이러니하게도 모두를 실망시킬 수 있다는 지적이다.
How to Apply
- 공동창업자와 지분 분쟁이 생겼을 때 각자 자신의 기여(시간, 자금, 기회비용)를 별도로 Mediator.ai에 입력하면, 양측이 제시하지 못했던 제3의 합의안 구조(earn-back 조항, 분할 상환 등)를 탐색하는 용도로 활용할 수 있다.
- 계약업체와 미지급/과금 분쟁이 있을 때, 법적 분쟁으로 가기 전에 양측이 각자 입장을 입력해 Nash 기반 합의 초안을 생성해보면 협상 출발점으로 활용할 수 있다. 단, 결과를 구속력 있는 결정이 아닌 탐색적 프레임워크로만 사용해야 한다.
- LLM + 게임 이론 결합 아키텍처를 직접 구현하고 싶다면, 이 사례처럼 LLM이 자연어 입력을 선호도 수치로 변환 → Nash Bargaining 수식으로 최적점 계산 → 유전 알고리즘으로 반복 개선하는 파이프라인을 참고할 수 있다. Shapley Value도 대안 프레임워크로 검토해볼 만하다.
- 공동 생활이나 팀 내 자원 배분처럼 감정적으로 민감하지만 수치화 가능한 상황(집안일 분담, 비용 배분 등)에 먼저 적용해보면 도구의 한계와 강점을 파악하기 좋다. 완전한 합의안을 기대하기보다 '미처 생각 못한 구조'를 발견하는 용도로 활용하는 것이 현실적이다.
Terminology
Nash Bargaining Solution1950년 경제학자 John Nash가 제안한 이론으로, 두 당사자가 협력했을 때 얻는 이득이 협력하지 않았을 때보다 최대한 크도록 하는 합의점을 수학적으로 찾는 방법이다.
Genetic Algorithm생물의 진화 과정을 모방한 최적화 알고리즘으로, 여러 후보 해답을 만들고 좋은 것끼리 조합하거나 변형하면서 반복적으로 더 나은 해답을 찾아가는 방식이다.
Shapley Value게임 이론에서 여러 참여자가 협력해 만든 결과물을 각자의 기여도에 따라 공정하게 배분하는 방법론으로, AI 설명 가능성(XAI) 분야에서도 자주 사용된다.
Utility Function경제학에서 어떤 선택이나 결과가 당사자에게 얼마나 가치 있는지를 수치로 표현한 함수다. Mediator.ai에서는 LLM이 자연어 진술을 이 형태로 변환한다.
Mediation vs Arbitration조정(Mediation)은 중립적 제3자가 당사자들이 스스로 합의에 이르도록 돕는 것이고, 중재(Arbitration)는 제3자가 구속력 있는 결정을 내리는 것이다. Mediator.ai는 이름과 달리 기능적으로는 중재에 가깝다는 비판이 있다.