Binary Decisions in DAOs: Accountability and Belief Aggregation via Linear Opinion Pools

이 논문은 DAO 의 거버넌스 위원회 구성원들이 사적 선호와 주관적 믿음을 가지고 있을 때, 이진 결정을 내리기 위해 선형 의견 풀을 활용하는 메커니즘을 제안하고, 이를 통해 설계자의 최적 결정과 일치하는 집단적 믿음을 도출할 수 있음을 증명합니다.

핵심

🏛️ 배경: DAO 와 '전문가 위원회'의 딜레마

DAO 는 블록체인 위에서 운영되는 조직으로, 모든 사람이 투표할 수 있지만, 실제로는 소수의 '전문가 위원회'가 중요한 결정을 내리는 경우가 많습니다. (예: 비트코인이나 이더리움의 유지보수 팀, 폴카닷의 의회 등)

하지만 여기서 큰 문제가 발생합니다.

• 전문가들의 사적인 이익: 위원회 멤버들이 "내가 가진 코인을 더 비싸게 만들 수 있는 위험한 프로젝트를 승인하자"라고 생각할 수 있습니다. (개인적인 이익 vs 조직의 이익)
• 책임 소재 불분명: 만약 그 위험한 프로젝트가 실패해서 조직이 망한다면, "다수결로 결정했으니 내가 잘못한 게 아니다"라고 변명하기 쉽습니다.

이 논문은 **"전문가들이 자신의 사적인 이익을 내려놓고, 조직에 가장 좋은 선택 **(성공 확률이 높은 것)를 제안합니다.

---

🎮 핵심 아이디어: "예측과 책임의 게임"

이 시스템은 전문가들에게 두 가지 정보를 묻습니다.

1. **내 마음 **(선호도) "나는 A 가 더 좋아. (왜냐하면 내 주머니에 돈이 들어오니까)"
2. **내 생각 **(믿음) "나는 B 가 조직에 더 잘 될 것 같아. (데이터를 보니 그렇더라)"

이 시스템은 이 두 가지를 분리해서 처리합니다.

1. 비유: "예측 경마와 베팅"

이 시스템을 경마장에 비유해 볼까요?

• **기존 방식 **(단순 투표) 말주변이 좋은 사람 (전문가) 이 "내 말 (A) 이 이길 거야!"라고 외치면, 그 말이 이깁니다. 하지만 그 사람이 내 말에 돈을 걸고 있어서 이기기를 바라는 건지, 진짜로 이길 것 같아서인지 알 수 없습니다.
• **이 논문의 방식 **(책임 있는 예측)
  • 전문가들은 "내 말 (A) 이 이길 확률이 80% 야"라고 예측을 해야 합니다.
  • 그리고 **결과가 나오면 **(경주가 끝나면)
    • 성공했다면: "내가 맞췄네!"라며 보너스를 받습니다.
    • 실패했다면: "내가 틀렸구나"라며 벌금을 내야 합니다.
  • 핵심: 만약 전문가가 "내 말 (A) 이 이길 것 같아"라고 말했지만, 실제로는 "내 말 (B) 이 더 잘될 것 같아"라고 생각했는데 A 를 선택하게 했다면? 결과가 나쁘면 그 전문가가 가장 큰 벌금을 물게 됩니다.

이렇게 하면, 전문가들은 자신이 진심으로 조직에 도움이 될 것이라 믿는 방향으로 투표하게 됩니다. 사적인 이익 (내 말이 이기길 바라는 마음) 은 '벌금'이라는 위험 때문에 억제되기 때문입니다.

---

⚙️ 시스템이 작동하는 3 단계

이론적인 내용을 실제 흐름으로 정리하면 다음과 같습니다.

1 단계: 투표와 세금 (VCG 메커니즘)

전문가들은 "A 를 지지한다" 혹은 "B 를 지지한다"는 점수를 냅니다. 이때, 자신의 의견이 **결정적인 영향 **(Pivotal)을 미쳐서 결과가 바뀐다면, 다른 사람들에게 끼친 '영향'에 비례해 **세금 **(VCG)을 내야 합니다.

• 비유: "네가 투표해서 내 말이 졌다면, 너는 내 손해를 배상해야 해."

2 단계: 결과 확인 (스마트 계약)

결정이 내려진 후, 일정 시간이 지나 **실제 결과 **(성공/실패)가 확인됩니다. DAO 의 스마트 계약이 자동으로 "성공 (O)"인지 "실패 (X)"인지 판단합니다.

3 단계: 보상과 벌금 (책임의 원칙)

• **성공 **(O) 세금이 환불되고, 성공 보너스를 받습니다. (결정을 잘 내린 전문가에게 보상)
• **실패 **(X) 세금이 두 배로 부과되거나, 벌금을 더 내야 합니다. (결정을 잘못 내린 전문가에게 책임)

이 과정에서 **결정을 바꾼 사람 **(중요한 역할을 한 사람)이 결과에 따라 가장 큰 보상을 받거나 가장 큰 벌금을 맞게 됩니다. 이것이 바로 **'책임 **(Accountability)입니다.

---

🧠 이 시스템의 마법 같은 점

이 논문이 제시한 가장 놀라운 결과는 **"전문가들의 사적인 이익 **(노이즈)는 것입니다.

• 상황: 어떤 전문가가 "내 주머니를 위해 A 를 원하지만, 사실 B 가 더 잘될 것 같아"라고 생각한다고 가정해 봅시다.
• 기존 시스템: 그는 A 를 선택하라고 투표할 것입니다. (사적인 이익 때문)
• 이 시스템: 그는 "B 가 더 잘될 것 같아"라고 투표하게 됩니다. 왜냐하면, 만약 A 를 선택해서 실패하면 자신이 가장 큰 벌금을 물기 때문입니다.
• 결과: 모든 전문가가 자신의 '사적인 이익'을 숨기고, '진짜 믿는 바'를 솔직하게 말하게 됩니다. 시스템은 이 진실된 믿음들을 합쳐서 조직에 가장 좋은 결정을 내립니다.

---

💡 요약: 왜 이것이 중요한가?

1. 책임감: "다수결이니까 내가 잘못한 게 아니다"라는 변명이 통하지 않습니다. 결정에 큰 영향을 준 사람은 그 결과에 대해 직접적인 금전적 책임 (보상 또는 벌금) 을집니다.
2. 진실된 정보: 전문가들이 "내 이익"이 아니라 "조직의 성공"을 위해 솔직한 의견을 내도록 유도합니다.
3. 자동화: 블록체인과 스마트 계약을 통해 이 모든 계산과 보상/벌금이 자동으로 이루어집니다.

한 줄 요약:

"이 시스템은 전문가들에게 **'네가 내린 결정이 실패하면 네 주머니가 터진다'**는 규칙을 적용함으로써, 그들이 진심으로 조직을 위해 최선의 선택을 하도록 만드는 '책임 있는 예측 게임'입니다."

이처럼 DAO 는 단순히 투표를 하는 곳이 아니라, 전문가들이 자신의 판단에 대해 책임지고, 조직의 미래를 위해 지혜를 모을 수 있는 정교한 게임으로 변모할 수 있다는 희망을 제시합니다.

기술 요약

이 논문은 탈중앙화 자율 조직 (DAO) 의 거버넌스 위원회에서 이루어지는 **이진 결정 (Binary Decisions)**을 위한 새로운 의사결정 메커니즘을 제안합니다. 저자들은 DAO 위원회 구성원들이 조직의 목표와 일치하지 않는 개인적 선호 (idiosyncratic preferences) 를 가질 수 있으며, 이로 인해 집단적 의사결정이 왜곡될 수 있다는 문제를 지적하고, 이를 해결하기 위해 **책임성 (Accountability)**과 **신뢰 집계 (Belief Aggregation)**를 동시에 달성하는 메커니즘을 설계했습니다.

다음은 논문의 상세한 기술적 요약입니다.

---

1. 문제 정의 (Problem Statement)

• 배경: DAO 는 스마트 계약을 통해 운영되지만, 대규모 조직의 의사결정은 비효율적이므로 소수의 전문가로 구성된 '거버넌스 위원회'에 권한을 위임하는 경우가 많습니다.
• 핵심 문제:
  1. 개인적 선호와 조직 목표의 불일치: 위원회 구성원 (전문가) 은 조직의 성공 (KPI 개선) 에 대한 주관적 신념 (Beliefs) 과 개인적 이익 (Preferences) 을 모두 가지고 있습니다. 개인적 이익이 조직의 이익과 충돌할 때 (예: 자신이 보유한 토큰의 가치를 높이기 위해 위험한 프로젝트를 승인하는 경우), 기존 다수결 투표나 VCG(비크리 - 클라크 - 그로브스) 메커니즘만으로는 조직에 최적인 결정을 내리기 어렵습니다.
  2. 책임성 부재: 기존 DAO 거버넌스 (예: 폴카닷의 다수결) 는 결정의 결과에 대해 위원회 구성원을 개인적으로 책임지게 하지 못합니다. 결과가 나쁠 때에도 결정에 관여한 전문가에게 적절한 페널티가 부과되지 않습니다.
  3. 정보 집계 실패: 단순한 투표는 전문가들의 분산된 정보 (신념) 를 효과적으로 집계하지 못하며, 개인적 편향 (Noise) 이 의사결정을 왜곡시킵니다.

2. 방법론 및 모델 (Methodology & Model)

저자는 의사결정을 **사회 후생 극대화 (Welfare Maximization)**가 아닌 **분류 문제 (Classification Problem)**로 재정의했습니다. 즉, 설계자의 목표는 개인적 효용의 합을 최대화하는 것이 아니라, 전문가들의 **집단적 신념 (Aggregate Beliefs)**을 기반으로 조직에 더 유리한 대안 (A 또는 B) 을 선택하는 것입니다.

2.1 정보 구조

각 전문가 $i$는 두 가지 사적 정보를 가집니다:

• 개인적 선호 ($\theta_i$): 대안 A 와 B 에 대한 개인적 효용 차이.
• 주관적 신념 ($p_i$): 대안 A 와 B 가 조직의 KPI 를 성공시킬 확률에 대한 평가.

2.2 메커니즘 설계 (3 단계 구성)

기존의 VCG 메커니즘을 확장하여 세 가지 구성 요소를 갖는 메커니즘 $M = (x, t, r)$을 제안합니다:

1. 할당 규칙 (Allocation Rule, $x$): 전문가들이 제출한 메시지 $m_i$의 합을 기반으로 대안을 선택합니다. (VCG 기반)
2. 이전 규칙 (Transfer Rule, $t$): 전문가가 다른 참여자들에게 부과하는 외부성 (Externality) 을 기반으로 사전에 지불금을 부과합니다. (VCG 세금)
3. 사후 보상 규칙 (Ex-post Reward Rule, $r$): 핵심 혁신. 결정이 실행된 후, 실제 결과 ($\Delta \in \{1, -1\}$, 성공/실패) 가 관찰되면 이를 기반으로 추가 보상 또는 페널티를 부과합니다.
   • 결과가 긍정적 ($\Delta=1$) 이면: VCG 세금을 환불하고 예산의 일부를 보상합니다.
   • 결과가 부정적 ($\Delta=-1$) 이면: VCG 세금을 두 배로 부과하고 예산 일부를 차감합니다.

이 구조는 스마트 계약을 통해 구현 가능하며, 결과에 따른 조건부 지급 (Contingent Transfers) 을 가능하게 합니다.

3. 주요 기여 (Key Contributions)

1. 공식적 정의: DAO 거버넌스의 핵심 속성인 **책임성 (Accountability)**과 **지속 가능한 참여 (Sustainable Participation)**를 메커니즘 설계 이론 (Mechanism Design) 의 관점에서 공식화했습니다.
   • 책임성: 결정에 결정적 영향을 미친 (Pivotal) 전문가가 결과가 나쁠 때 더 큰 페널티를 받고, 좋을 때 더 큰 보상을 받아야 함을 정의했습니다.
2. 새로운 메커니즘 제안: VCG 이전 규칙과 결과 조건부 보상 규칙을 결합한 메커니즘을 제안했습니다. 이는 전문가의 개인적 선호를 필터링하고 신념 신호를 증폭시킵니다.
3. 인센티브 호환성 증명:
   • 정렬된 전문가 (Aligned Experts): 선호와 신념이 일치하는 경우, **우세 전략 인센티브 호환성 (DSIC)**을 만족합니다. (진실한 보고가 최선)
   • 비정렬된 전문가 (Unaligned Experts): 선호와 신념이 충돌하는 경우, 안전한 이탈 (Safe Deviation) 속성을 증명했습니다. 즉, 전문가가 자신이 성공 확률이 낮다고 믿는 대안 쪽으로 전략을 이탈할 경우, 그 이탈은 이득이 되지 않습니다. (단, 자신이 믿는 대로 보고 개인적 선호를 희생하는 이탈은 가능할 수 있음)
4. 정보 집계 정리 (Theorem 17): 메커니즘이 생성하는 총합 신호를 **개인적 노이즈 ($N$)**와 **선형 집계된 신념 신호 ($B$)**로 분해했습니다.
   • 총합 신호: $\sum m_i = N(\tau) + \frac{c}{n} B(\tau)$
   • 여기서 $c$는 예산, $n$은 전문가 수입니다.
   • 결론: 예산 ($c$) 이 특정 임계값을 초과하면, 개인적 노이즈를 상쇄하고 조직에 유리한 대안 (신념 신호의 부호) 을 선택할 수 있습니다.

4. 결과 및 분석 (Results & Analysis)

• 정확한 분류 (Correct Classification): 전문가들의 신념이 수렴할수록 (Deliberation 과정을 통해), 개인적 노이즈가 줄어들어 예산 임계값이 낮아집니다. 즉, DAO 내의 토론과 합의 과정이 메커니즘의 효율성을 높입니다.
• 예산의 역할: 예산 $c$는 신념 신호의 가중치를 조절합니다. 예산이 충분하면 개인적 편향 (노이즈) 을 이겨내고 집단적 지능 (신념) 에 기반한 결정을 내릴 수 있습니다.
• 계산 복잡도: 메커니즘은 $O(n)$ 시간 복잡도로 매우 가볍습니다. 스마트 계약에서 가스 비용 (Gas Cost) 을 효율적으로 사용할 수 있어 온체인 (On-chain) 실행에 적합합니다.
• 사례 연구: 3 명의 전문가가 있는 시나리오에서, 한 전문가가 개인적으로는 A 를 선호하지만 조직에는 B 가 더 좋다고 믿는 경우 (비정렬), 메커니즘은 그의 신념을 반영하여 B 를 선택하도록 유도했습니다. 예산이 부족할 경우 개인적 선호가 우세해져 잘못된 결정 (A 선택) 을 내리지만, 예산이 충분하면 올바른 결정 (B 선택) 을 내립니다.

5. 의의 및 의의 (Significance)

• DAO 거버넌스 진화: 단순한 토큰 기반 투표나 다수결을 넘어, 전문가의 **예측 능력 (신념)**과 책임을 결합한 새로운 거버넌스 패러다임을 제시합니다.
• 실용성: 이 메커니즘은 스마트 계약으로 구현 가능하며, DAO 의 KPI(예: TVL, 토큰 가격 등) 를 기반으로 자동화된 보상/페널티 시스템을 구축할 수 있습니다.
• 이론적 기여: 메커니즘 설계 이론을 DAO 의 특수한 환경 (사적 선호와 사적 신념의 공존, 결과 관찰 가능성) 에 적용하여, 기존 이론이 다루지 못했던 '책임성' 문제를 해결했습니다.
• 한계 및 향후 과제: 현재는 이진 결정 (A 또는 B) 에만 적용 가능하며, 3 개 이상의 대안이 있는 경우 (Roberts 의 정리로 인한 한계) 에는 확장성이 제한적입니다. 또한, 결과 평가 도구 (Evaluation Tool) 의 존재가 필수적입니다.

요약하자면, 이 논문은 DAO 위원회 구성원들이 자신의 이익보다 조직의 성공을 우선시하도록 인센티브를 설계하고, 이를 통해 집단적 지능을 효과적으로 집계하여 최적의 이진 결정을 내릴 수 있는 수학적·기술적 프레임워크를 제시했습니다.