공공데이터에 경매 API는 38개다
이날은 법원경매 AI 분석 서비스를 처음부터 끝까지 기획한 날이다.
시장 조사, 데이터 수집 가능성, 법적 리스크, LLM 비용까지 전부 검토했다.
가장 인상적인 발견은 공공데이터에 부동산 경매 API가 단 하나도 없다는 거였다.
공공데이터포털에서 “경매”를 검색했다.
38개 API가 나왔다.
“이 정도면 데이터를 가져올 수 있겠다”고 생각했다.
근데 전부 농수산물 경매랑 경마용 말 경매였다.
부동산 경매 API는 단 하나도 없었다.
전국에 진행 중인 경매 물건이 12만 건이 넘는데, 공공 API로는 접근할 수가 없다.
대법원 경매 사이트를 확인했다.
공식 API가 없다.
SPA 기반이라 정적 HTTP로는 안 된다.
Playwright로 브라우저를 띄워서 크롤링하는 게 유일한 방법이었다.
실거래가 API는 있다
근데 실거래가 API는 있었다.
국토교통부에서 제공하는 무료 API다.
상업 이용도 명시적으로 허용되어 있다.
경매 물건의 시세를 비교하는 보조 데이터로 쓸 수 있었다.
“공공데이터에 경매 API는 없지만, 시세 비교용 데이터는 있다.” 이 조합으로 서비스를 만들 수 있었다.
판단을 준다, 정보만 주는 게 아니라
기존 경매 서비스의 한계는 명확했다.
데이터를 줄 뿐, 판단을 안 해준다.
등기부등본, 임차인 대항력, 선순위 채권을 전부 보여주지만 “이 물건 사도 되나?”라는 질문에는 답을 안 해준다.
그래서 차별화를 “판단”에 뒀다.
LLM으로 권리분석을 자동화한다.
“이 물건 낙찰 시 추가 비용 0원, 선순위 임차인 없음, 리스크 등급 A.” 10초 안에 이런 판단을 내놓는다.
LLM 비용이 200배 차이가 난다
일일 340건을 분석하려면 하루에 170만 토큰이 필요하다.
모델에 따라 비용이 어마어마하게 달라진다.
GPT-4o로 하면 월 8,700만 원이 든다.
DeepSeek로 하면 485만 원이다.
GLM이나 Qwen으로 하면 36만 원이다.
200배 차이다.
GLM은 MIT 오픈웨이트다.
환각률이 낮고 에이전트 작업에 강하다.
가성비가 압도적이다.
법원경매 권리분석은 정확성이 중요하니까, 저렴하면서 정확한 모델이 필요했다.
GLM이 그 조건을 만족했다.
비용 구조가 사업 모델을 결정한다
LLM 비용이 월 8,700만 원이면 구독료를 월 3~5만 원으로는 못 한다.
근데 36만 원이면 가능하다.
손익분기가 구독자 600명이다.
월 5만 원으로 600명이면 월 3,000만 원 매출이다.
LLM 36만 원 빼면 2,964만 원이 남는다.
모델 선택이 사업 가능성을 결정한다.
“GPT-4o로 하면 안 된다”가 아니라, “이 비즈니스에서 GPT-4o는 비용 구조가 안 맞다”다.
용도에 맞는 모델을 선택해야 한다.
법적 리스크는 관리 가능하다
크롤링의 법적 리스크도 검토했다.
핵심은 “관리 가능, 실행 방식이 중요”였다.
저작권은 팩트가 보호 안 되니까 낮다.
개인정보는 소유자명을 비식별화하면 된다.
업무방해는 서버 부하가 미미하면 성립 안 한다.
대법원 판례가 있다.
그리고 대법원 경매 사이트에 robots.txt가 없다.
명시적 크롤링 금지 의사가 없다는 거다.
2~3초 딜레이를 주고 서버 부하를 최소화하면, 법적 리스크는 관리 가능하다.
마무리
이날의 핵심은 “데이터가 없으면 만들면 되고, 비용이 높으면 모델을 바꾸면 된다”였다.
부동산 경매 공공 API는 없었다.
근데 크롤링으로 데이터를 가져올 수 있었다.
“공공 API가 없다”고 해서 “불가능하다”가 아니다.
다른 방법이 있을 뿐이다.
LLM 비용은 200배 차이가 났다.
근데 용도에 맞는 모델을 선택하면 비용 구조가 바뀐다.
“비싼 모델이 무조건 좋다”가 아니라, “이 용도에 맞는 모델이 뭐냐”를 물어야 한다.
그리고 “판단을 준다”는 차별화가 핵심이었다.
기존 서비스가 정보를 주는 데 그친다면, 우리는 판단을 준다.
“이 물건 사도 되나?”에 답하는 거다.
정보 제공을 넘어 판단 제공으로 넘어가는 게 가치 창출의 핵심이었다.