AI로 만든 가짜 불량 사진은 반품 운영을 어떻게 바꿀까

반품 사기가 생성형 AI를 만나고 있습니다

이커머스의 반품·환불 절차는 오랫동안 고객이 제출한 사진과 설명을 기본 증거로 사용해왔습니다. 상품이 파손됐는지, 오염됐는지, 설명과 다른지를 사진으로 확인하고 환불 여부를 결정하는 방식입니다. 하지만 생성형 AI가 실제와 구분하기 어려운 이미지를 만들면서 이 전제가 흔들리고 있습니다.

2026년 6월 공개된 중국 이커머스 연구에서는 생성형 AI로 신선식품에 곰팡이를 만들거나, 신발과 휴대전화 케이스에 균열을 추가하는 방식의 허위 환불 사례가 관찰됐습니다. 연구진은 중국 이커머스 판매자 17명과 플랫폼 관계자 13명을 인터뷰해 관련 수법과 대응 방식을 분석했습니다. 다만 아직 동료평가 전 연구이며, 제한된 인터뷰 표본을 다뤘다는 점은 감안해야 합니다.

사진 한 장이 더 이상 상품 상태를 증명하지 못합니다

기존 반품 사기는 실제 상품을 훼손하거나 다른 상품으로 바꿔 보내는 방식이 많았습니다. 이제는 상품을 훼손하지 않고도 사진만 조작해 불량처럼 보이게 만들 수 있습니다. 연구에서 확인된 사례에는 식품의 가짜 곰팡이, 신발 가장자리의 균열, 부러진 휴대전화 케이스뿐 아니라 상품의 색상을 바꿔 상세페이지와 다르다고 주장하거나, 같은 조작 사진을 여러 판매자에게 반복 제출하는 방식도 포함됐습니다.

문제는 이미지 생성 비용과 기술 장벽이 빠르게 낮아지고 있다는 점입니다. 한 사람이 시도하던 단순한 악용이 여러 계정과 상품을 이용하는 반복 가능한 구조로 바뀔 수 있습니다. Merchant Risk Council의 2026년 조사에서도 37개국 이커머스·결제 담당자 1,278명 가운데 57%가 최근 1년간 환불 및 정책 악용이 증가했다고 답했습니다.

가장 취약한 구조는 ‘상품 회수 없는 환불’입니다

저가 상품이나 신선식품은 회수 비용이 상품 가격보다 높을 수 있습니다. 그래서 일부 플랫폼은 사진만 확인하고 상품을 돌려받지 않은 채 환불하는 방식을 사용합니다. 고객 경험은 빨라지고 물류비는 줄일 수 있지만, 실제 상품을 확인하지 않기 때문에 조작된 사진에 취약합니다. 최근 연구도 생성형 AI 기반 환불 사기가 특히 이러한 디지털 증거 중심의 ‘환불만 처리’ 구조를 이용한다고 지적했습니다. 실제 상품을 회수하지 않으면 판매자가 허위 주장을 반박할 수 있는 근거도 부족해집니다.

따라서 환불 기준을 단순히 상품 가격만으로 정해서는 부족합니다. 상품 가격이 낮더라도 반복 청구 여부, 고객 행동, 상품 유형, 증거 신뢰도를 함께 판단해야 합니다.

모든 고객의 반품을 어렵게 만드는 것은 답이 아닙니다

반품 사기가 늘어난다고 모든 고객에게 복잡한 검증 절차를 적용하면 정상 고객의 경험까지 나빠집니다. 반대로 검증 없이 즉시 환불을 확대하면 판매자의 손실이 커집니다.

NRF가 2026년 5월 공개한 Happy Returns 인터뷰에 따르면, 해당 기업의 2026년 내부 데이터에서 사기성 주문 약 5건 중 1건이 조직적인 네트워크와 연결된 것으로 나타났습니다. 이는 한 기업의 내부 데이터이므로 전체 시장을 대표한다고 볼 수는 없지만, 반품 사기가 개인의 일회성 행동에서 조직적인 패턴으로 이동하고 있다는 신호로 볼 수 있습니다.

필요한 것은 일괄적으로 반품을 어렵게 만드는 정책이 아니라 위험도에 따라 검증 수준을 다르게 적용하는 구조입니다. 신뢰도가 높은 고객에게는 기존의 빠른 환불을 제공하고, 의심 신호가 있는 요청만 추가 검증으로 보내야 합니다.

기업은 사진보다 ‘증거의 연결’을 관리해야 합니다

AI 생성 이미지를 탐지하는 기술만으로 문제를 해결하기는 어렵습니다. 생성 기술이 발전할수록 탐지 도구도 계속 따라가야 하기 때문입니다. 따라서 한 장의 사진이 아니라 여러 정보가 서로 일치하는지를 확인해야 합니다.

주문 시점과 반품 요청 시점, 과거 환불 빈도, 배송 위치, 상품의 바코드와 일련번호, 포장 상태, 동일 이미지의 반복 사용 여부를 함께 보는 방식입니다. 고가이거나 사기 위험이 높은 상품에는 여러 각도의 영상이나 추가 사진을 요청하고, 실제 상품을 회수해 검수하는 절차를 적용할 수 있습니다. 중국 이커머스 연구에서도 판매자와 플랫폼이 다각도 영상 요청, 물리적으로 가능한 파손인지 확인하는 방식, 추가 증거 요구 등을 활용하고 있는 것으로 나타났습니다.

반품센터의 검수 데이터가 더 중요해집니다

생성형 AI 시대에는 반품센터가 단순히 상품을 받아 분류하는 장소에 머물러서는 안 됩니다. 고객이 제출한 사진과 실제 회수 상품의 상태를 비교하고, 조작이나 상품 교체 여부를 판정할 수 있어야 합니다.

이를 위해서는 검수 과정에서 다음 정보가 표준화되어야 합니다. 반품 사유, 실제 상품 상태, 고객이 제출한 증거와의 일치 여부, 바코드·일련번호, 재판매 가능 여부, 최종 처리 결과입니다. 이 기록이 쌓이면 개별 반품을 처리하는 데서 끝나지 않고, 반복되는 사기 패턴과 위험 상품을 찾는 데이터가 됩니다.

리터놀과 같은 반품 운영 구조의 역할도 여기에서 커집니다. 앞으로는 상품을 빠르게 검수하는 능력뿐 아니라, 고객이 주장한 상태와 실제 상품 상태가 일치하는지를 데이터로 남기는 능력이 중요해집니다.

환불 속도만으로 좋은 반품 경험을 판단하기 어려워집니다

지금까지 반품 서비스는 얼마나 간단하게 신청하고 빠르게 환불받는지가 중요한 기준이었습니다. 하지만 AI 기반 조작이 확대되면 속도만을 우선한 정책은 판매자 손실과 정책 악용을 키울 수 있습니다.

기업은 환불 속도와 함께 다음을 봐야 합니다. 허위 환불을 얼마나 정확하게 걸러냈는지, 정상 고객에게 불필요한 불편을 얼마나 줄였는지, 회수된 상품을 얼마나 빨리 재판매 가능한 상태로 돌렸는지입니다.

결국 좋은 반품 운영은 가장 빠르게 환불하는 시스템이 아닙니다. 신뢰할 수 있는 고객에게는 빠르고, 위험한 요청에는 정확하며, 돌아온 상품은 다시 가치로 연결하는 시스템입니다. 생성형 AI가 반품 사기를 바꾸고 있는 만큼, 기업의 반품 운영도 사진 한 장에 의존하는 방식에서 상품·고객·물류 데이터를 함께 검증하는 구조로 바뀌어야 합니다.

출처

https://arxiv.org/html/2606.03215v1

https://nrf.com/blog/rethinking-return-fraud-in-retail

https://merchantriskcouncil.org/learning/mrc-exclusive-reports/global-payments-and-fraud-report