지금까지는 사람이 앱과 웹사이트를 직접 찾아다녔다면, 앞으로는 AI가 사용자를 대신해 여러 서비스를 찾아보고 비교하고 선택하는 일이 늘어날 수 있다.

사용자 → 앱과 웹사이트

였던 구조 사이에 AI가 들어온다.

사용자 → AI → 앱과 웹사이트

그런데 이 변화가 현실이 된다면 웹을 만드는 방식도 달라져야 하지 않을까.

지금까지 웹사이트는 철저하게 인간을 위해 만들어졌다. 보기 좋은 디자인, 편리한 메뉴, 눈에 띄는 버튼, 적절한 이미지와 문구를 고민했다. 검색엔진에서 사람의 눈에 띄기 위해 SEO에도 많은 비용을 들였다.

하지만 앞으로 내 웹사이트를 찾아오는 존재가 사람이 아니라 AI라면 이야기가 달라진다.

새로운 방문자는 인간이 아닐 수도 있다​

예를 들어 노트북을 하나 산다고 해보자.

지금까지는 검색엔진에서 제품을 검색하고 여러 쇼핑몰에 들어가 가격과 사양을 비교한 뒤 구매했다.

하지만 AI 에이전트에게 이렇게 말할 수 있다.

“150만 원 정도에서 강의용으로 들고 다닐 가벼운 노트북을 하나 찾아줘. 배터리가 오래가고 HDMI가 있었으면 좋겠어.”

이제 수십 개의 쇼핑몰을 돌아다니는 것은 내가 아니다.

AI다.

실제로 ChatGPT의 쇼핑 기능은 이미 사용자의 요구를 바탕으로 제품을 탐색하고 비교한다. OpenAI는 판매자가 제품의 설명, 가격, 재고, 이미지, 배송 정보 등을 구조화된 상품 피드로 제공할 수 있도록 Agentic Commerce Protocol을 운영하고 있다. OpenAI 문서에서도 이런 구조화된 데이터가 ChatGPT가 상품을 정확하게 이해하고 적절한 검색 결과에 노출하는 데 사용된다고 설명한다.

이건 꽤 중요한 변화다.

기업이 고민해야 할 질문이 하나 더 생기기 때문이다.

“어떻게 하면 사람이 우리 사이트를 방문하게 할 것인가?”

뿐만 아니라,

“어떻게 하면 AI가 우리 상품과 서비스를 이해하고 선택하게 할 것인가?”

를 고민해야 한다.

SEO 다음에는 무엇이 올까​

검색엔진이 웹의 관문이 되면서 SEO라는 거대한 산업이 만들어졌다.

검색엔진이 내 페이지의 내용을 정확하게 이해하도록 제목과 본문을 구성하고, 메타데이터를 작성하고, 구조화된 데이터를 제공한다. 그리고 검색 결과의 상위에 노출되기 위해 수많은 최적화가 이루어진다.

생성형 AI에서도 이미 비슷한 움직임이 나타나고 있다.

Google은 2026년 생성형 AI 검색 환경에 맞춰 웹사이트 운영자가 콘텐츠를 어떻게 구성해야 하는지를 설명하는 별도의 가이드를 공개했다. 다만 Google은 기존 SEO 원칙이 여전히 기반이며, 이른바 AEO나 GEO를 완전히 별개의 마법 같은 최적화 기법으로 보는 데에는 선을 긋고 있다.

하지만 에이전트는 여기서 한 단계 더 나간다.

검색 결과에 노출되는 것과 에이전트에게 선택되는 것은 같은 문제가 아니기 때문이다.

에이전트는 정보를 읽는 데서 끝나지 않는다. 가격을 비교하고, 재고를 확인하고, 조건을 판단하고, 사용자를 대신해 다음 행동까지 할 수 있다.

그렇다면 웹사이트도 단순히 검색하기 좋은 문서가 아니라 AI가 의미를 정확하게 파악하고 행동할 수 있는 데이터 구조를 갖추는 방향으로 변할 가능성이 있다.

실제로 최근에는 이런 웹사이트를 ‘Agent-Ready Website’라는 개념으로 설명하는 연구도 등장했다. 여기서는 기계가 읽을 수 있는가뿐 아니라 AI가 의미를 해석할 수 있는가, 행동할 수 있는가, 의사결정에 필요한 정보를 신뢰할 수 있는가까지 웹 설계의 새로운 요소로 제안한다.

웹사이트의 새로운 고객은 인간뿐만이 아닐 수 있는 것이다.

그렇다면 모두가 AI에게 선택받으려고 할 것이다

여기까지 생각하면 한 가지 불편한 문제가 따라온다.

AI의 선택이 매출을 결정하기 시작하면 기업들은 당연히 AI에게 선택받기 위해 경쟁할 것이다.

우리는 이미 검색엔진에서 비슷한 과정을 경험했다.

검색 순위가 경제적 가치를 가지자 검색엔진이 좋아하는 방식으로 콘텐츠를 만드는 산업이 생겼고, 동시에 검색 알고리즘을 공략하려는 수많은 시도도 등장했다.

AI라고 다를 이유가 있을까.

오히려 더 직접적일 수도 있다.

AI가 가격, 상품 설명, 리뷰, 배송 조건, 재고 같은 정보를 바탕으로 상품을 판단한다면 기업은 자연스럽게 그 판단 기준에서 유리하게 보이도록 정보를 구성하려 할 것이다.

이 자체가 잘못된 것은 아니다.

문제는 최적화와 조작의 경계다.

AI의 판단 기준을 공략하기 시작한다면​

상품의 장점을 명확하게 구조화해서 제공하는 것과 AI가 실제보다 좋은 상품이라고 판단하도록 정보를 설계하는 것은 다르다.

하지만 그 경계가 언제나 명확하지는 않을 것이다.

사람에게 상품을 더 매력적으로 보이게 만드는 광고와 마케팅이 존재했던 것처럼 앞으로는 AI에게 상품을 더 매력적으로 해석하게 만드는 마케팅이 등장할 가능성도 있다.

가짜 리뷰를 대량으로 만들어낼 수도 있고, 특정 문맥에서 AI가 긍정적으로 해석할 표현을 의도적으로 반복할 수도 있다. 서로 다른 여러 사이트에서 동일한 주장을 반복해 AI가 그것을 다수의 독립적인 정보처럼 받아들이도록 만드는 시도도 생각해볼 수 있다.

AI가 사용자를 대신해 정보를 읽는다면, 사람을 설득하는 것만큼이나 AI를 설득하는 것의 경제적 가치가 커진다.

그리고 여기에는 기존 검색보다 더 큰 문제가 하나 있다.

우리는 AI가 무엇을 보았는지 모른다​

검색엔진에서 “노트북 추천”을 검색하면 적어도 여러 검색 결과가 화면에 나타난다.

나는 첫 번째 사이트를 선택할 수도 있고, 다섯 번째 사이트를 선택할 수도 있다. 여러 리뷰를 비교해볼 수도 있다.

하지만 에이전트에게

“내 조건에 가장 적합한 노트북 하나 골라서 주문해줘.”

라고 말했다면 상황이 다르다.

AI가 100개의 제품을 검토했는지, 10개만 검토했는지 나는 모를 수 있다.

어떤 사이트를 제외했는지도 모른다.

어떤 리뷰를 신뢰했는지도 모른다.

어떤 조건을 중요하게 판단했는지도 알기 어렵다.

실제로 OpenAI도 현재의 쇼핑 기능에서 가격이나 재고 등의 정보에 오류가 있을 수 있으며 최종 정보는 판매자 사이트에서 확인할 것을 안내하고 있다. ChatGPT가 표시하는 일부 설명이나 라벨 역시 이용 가능한 정보를 바탕으로 모델이 생성한 것이며 검증된 사실을 보장하는 것은 아니라고 명시한다.

에이전트가 강력해질수록 이 문제는 더 중요해진다.

정보를 찾는 과정뿐 아니라 정보를 선택하는 과정까지 AI에게 위임하기 때문이다.

AI가 읽기 좋은 웹만으로는 부족하다

그래서 나는 앞으로 웹이 두 방향으로 동시에 발전해야 한다고 생각한다.

하나는 AI가 읽기 좋은 웹이다.

정보가 구조화되어 있고, 의미가 명확하며, 가격이나 재고처럼 변하는 정보가 최신 상태로 제공되고, AI가 필요한 행동을 수행할 수 있어야 한다.

실제로 OpenAI의 상품 피드 규격에서도 상품 ID, 제목, 설명, 가격, 재고 상태, 브랜드 같은 필드를 구조화해 제공하도록 요구하고 있으며 가격과 재고가 바뀌면 이를 갱신하도록 하고 있다.

하지만 다른 하나가 더 중요해질 수도 있다.

AI가 검증하기 좋은 웹이다.

이 정보는 누가 만들었는가.

언제 만들어졌는가.

마지막으로 언제 수정되었는가.

원본은 어디에 있는가.

다른 독립적인 출처에서도 확인되는가.

상품 정보가 바뀌었다면 무엇이 바뀌었는가.

AI가 단순히 정보를 잘 읽는 것을 넘어 그 정보의 신뢰성을 판단할 수 있도록 만드는 구조가 필요해질 수 있다.

웹의 다음 경쟁은 ‘클릭’이 아니라 ‘선택’일지도 모른다​

웹의 역사를 보면 인간의 행동을 중심으로 최적화가 이루어졌다.

사람이 검색하고, 클릭하고, 읽고, 비교하고, 구매했다.

그래서 우리는 검색 순위를 고민했고 클릭률을 측정했으며 UI와 UX를 개선했다.

하지만 에이전트가 그 과정의 상당 부분을 대신한다면 경쟁의 대상도 달라진다.

사람에게 발견되는 것에서 AI에게 발견되는 것으로, 사람에게 클릭되는 것에서 AI에게 선택되는 것으로.

웹사이트가 아름답고 사용하기 편해야 한다는 사실이 사라지는 것은 아니다. 사람이 직접 방문하는 웹 역시 계속 존재할 것이다.

하지만 그 뒤에 또 하나의 웹이 만들어질 수 있다.

사람의 눈에는 보이지 않지만 AI가 읽고, 비교하고, 판단하고, 행동하기 위한 기계의 웹이다.

그리고 AI가 우리를 대신해 웹을 보기 시작한다면 새로운 질문이 남는다.

AI에게 선택받기 위해 만들어진 정보들 사이에서, AI는 무엇을 믿어야 할까.

더 중요한 질문은 어쩌면 이것일지도 모른다.

우리는 그 AI의 선택을 무엇을 근거로 믿을 수 있을까.

강의자료를 만드는 PC의 문제​

• 강사가 사용하는 PC에는 이미 여러 프로그램과 개발환경이 설치되어 있을 가능성이 높음
  • Python, Node.js
  • Git, VS Code
  • 각종 Python 패키지, Visual C++ Runtime
  • 환경변수 PATH, 여러 버전의 개발도구
• 이러한 환경에서는 강의노트에 설치 과정이 일부 빠져 있어도 정상적으로 실행될 수 있음

예를 들어 다음과 같은 상황이 발생할 수 있음

강의노트

1. Python 설치
2. 예제 프로그램 다운로드
3. 프로그램 실행

• 실제로는 프로그램 실행에 pandas, openpyxl이 필요하지만 설치 과정에서 이를 누락했다고 가정함
• 강사의 기존 PC에는 이미 pandas, openpyxl이 설치되어 있음
• 강사 PC에서는 정상 실행됨
• 처음 수업을 듣는 참가자의 PC에서는 실행되지 않음

즉,

내 PC에서 실행되는가?

보다

아무것도 준비되지 않은 PC에서 강의노트만 보고 실행할 수 있는가?

를 검증하는 것이 중요함

Python 가상환경만으로 해결할 수 없는 이유​

• Python에서는 venv, Conda 등의 가상환경을 이용하여 Python 패키지를 분리할 수 있음
• 하지만 실제 강의에서는 Python 패키지만 사용하는 것이 아님

예:

Windows
 ├─ Python
 ├─ Claude Desktop
 ├─ VS Code
 ├─ Node.js
 ├─ MCP
 ├─ Streamlit
 ├─ 환경변수
 ├─ 브라우저
 └─ 기타 프로그램

• Python 가상환경은 Python 패키지는 분리할 수 있음
• Windows에 설치된 프로그램이나 PATH, 사용자 설정 등은 그대로 영향을 받음
• 따라서 PC 전체가 깨끗한 상태인 환경이 필요함

Windows Sandbox란?​

• Windows 안에 일시적으로 별도의 깨끗한 Windows 환경을 실행하는 기능임
• Microsoft의 하이퍼바이저 기반 가상화를 사용하여 기존 Windows와 격리된 환경을 제공함
• Sandbox에서 설치한 프로그램은 기존 Windows에 설치되지 않음
• 기존 Windows에 설치된 프로그램도 Sandbox에서는 자동으로 사용할 수 없음
• Sandbox 창을 닫으면 내부에 설치한 프로그램, 파일, 설정이 삭제됨
• 다시 실행하면 새로운 깨끗한 Windows 환경에서 시작함

Windows Sandbox 용도​

• 프로그램 설치 과정 검증
• 필수 프로그램 누락 확인
• Python 패키지 누락 확인
• PATH 등 환경변수 설정 누락 확인
• 강의자료에 기록된 설치 순서 검증
• 처음 사용하는 사람의 환경을 최대한 재현
• 프로그램 삭제 후 남아 있는 설정의 영향을 받지 않는 테스트
• 강의노트만으로 실습을 재현할 수 있는지 확인

가장 중요한 검증 원칙은 다음과 같음

Sandbox 안에서는 강의노트에 적혀 있지 않은 작업을 임의로 하지 않음

• 오류가 발생했을 때 강사의 경험으로 바로 해결하지 않음
• 오류가 발생한 원인을 먼저 강의노트에서 찾음
• 필요한 과정이 빠졌다면 강의노트를 수정함
• 수정된 강의노트를 다시 깨끗한 Sandbox에서 검증함

Windows Sandbox 사용 가능 여부 확인​

지원 Windows 확인​

Windows Sandbox는 다음 Windows 에디션에서 사용할 수 있음

• Windows Pro
• Windows Enterprise
• Windows Pro Education
• Windows Education

Windows Home에서는 기본적으로 지원되지 않음

Windows 에디션 확인​

1. 키보드에서 Windows 키 + R 누름
2. 실행 창이 나타남
3. 다음 내용 입력

winver

4. 확인 클릭
5. 현재 Windows 버전 확인

추가로 다음 위치에서도 확인 가능함

설정
→ 시스템
→ 정보
→ Windows 사양

확인할 항목

• 에디션
• 버전

예:

에디션 : Windows 11 Pro
버전   : 25H2

하드웨어 요구사항 확인​

Microsoft가 안내하는 Windows Sandbox의 기본 요구사항은 다음과 같음

• AMD64 기반 PC에서 사용 가능함
• Windows 11 22H2 이상에서는 Arm64도 지원함

CPU 가상화 활성화 확인​

Windows Sandbox는 CPU의 하드웨어 가상화 기능을 사용함

확인 방법

1. Ctrl + Shift + Esc 누름
2. 작업 관리자 실행
3. 왼쪽의 성능 선택
4. CPU 선택
5. 화면 아래쪽의 가상화 항목 확인

정상적인 경우

가상화: 사용

또는 영어 Windows의 경우

Virtualization: Enabled

• 사용으로 표시되면 다음 단계 진행 가능함
• 사용 안 함으로 표시되면 BIOS/UEFI에서 가상화 기능을 활성화해야 함

CPU 제조사에 따라 다음과 같은 이름을 사용할 수 있음

• Intel
  • Intel Virtualization Technology
  • VT-x
• AMD
  • SVM Mode
  • AMD-V

[!note] BIOS/UEFI 설정 화면과 메뉴 이름은 PC 또는 메인보드 제조사마다 다름
따라서 실제 강의에서는 BIOS 설정 변경을 공통 실습으로 진행하기보다 사전 확인 항목으로 두는 것이 적절함

0-3. Windows Sandbox 설치하기​

Windows 기능에서 활성화​

Windows Sandbox는 일반 프로그램처럼 별도의 설치 파일을 내려받는 방식이 아님

• Windows에 포함되어 있는 기능을 활성화하는 방식임
• 따라서 별도의 Windows Sandbox 설치 프로그램을 다운로드할 필요 없음

실습 순서

1. Windows 시작 버튼 클릭
2. 검색창에 다음 내용 입력

Windows 기능

3. 검색 결과에서 Windows 기능 켜기/끄기 선택

다음과 같은 Windows 기능 목록이 나타남

4. 아래쪽으로 이동
5. Windows 샌드박스 찾음
6. 왼쪽 체크박스 선택
7. 확인 클릭

Windows가 필요한 파일과 기능을 적용함

8. 작업이 완료되면 Windows 재부팅 진행

[!warning] Windows 샌드박스 항목 자체가 보이지 않는 경우

• Windows Home을 사용하고 있지 않은지 확인함
• Windows 버전을 확인함
• 회사·학교에서 관리하는 PC라면 조직 정책으로 제한되어 있지 않은지 확인함
• CPU 가상화가 활성화되어 있는지 확인함

0-4. Windows Sandbox 처음 실행하기​

Sandbox 실행​

Windows 재부팅 후 다음 과정 진행

1. Windows 시작 버튼 클릭
2. 검색창에 다음 내용 입력

Windows Sandbox

또는

Windows 샌드박스

3. 검색된 Windows Sandbox 실행

잠시 기다리면 새로운 Windows 화면이 별도의 창으로 나타남

기존 PC와 비교해보기​

Sandbox 안의 시작 메뉴 또는 설치된 프로그램을 확인함

기존 Host Windows에는 다음 프로그램이 설치되어 있다고 가정함

Claude Desktop
Visual Studio Code
Python
Git
Node.js
한글
...

Sandbox에서는 이러한 프로그램이 대부분 존재하지 않음

이것이 정상임

• Host에 설치된 응용프로그램을 Sandbox가 그대로 사용하는 구조가 아님
• Sandbox에서 필요한 프로그램은 Sandbox 내부에 다시 설치해야 함

인터넷 연결 확인​

Windows Sandbox는 기본 설정에서 네트워크 연결이 활성화되어 있음

확인 방법

1. Sandbox 안에서 웹브라우저 실행
2. 웹사이트 접속
3. 정상적으로 접속되는지 확인

인터넷이 연결되어 있어야 이후 다음 작업을 검증할 수 있음

• Python 다운로드
• Claude Desktop 다운로드
• VS Code 다운로드
• Python 패키지 설치
• 기타 강의용 프로그램 설치

클립보드 확인​

기본 Windows Sandbox에서는 Host와 Sandbox 사이의 클립보드 공유가 활성화되어 있음

확인 방법

1. Host Windows에서 짧은 문장 복사
2. Sandbox 안의 입력 가능한 영역에 붙여넣기
3. 정상적으로 붙여넣어지는지 확인

이 기능을 이용하면 강의노트에 있는 명령어나 URL 등을 Sandbox에 쉽게 전달할 수 있음

Windows 11 24H2 이후 확인 사항​

Microsoft 공식 문서 기준으로 Windows 11 24H2부터 Sandbox 내부에서 일부 기본 Store 앱이 제공되지 않을 수 있음

예:

• 계산기
• 사진
• 메모장
• Windows Terminal

따라서 Sandbox 안에서 이러한 프로그램이 보이지 않는다고 해서 설치에 실패한 것으로 판단하지 않음

[!note] 강의 실습환경을 검증할 때는 Windows Terminal 대신 명령 프롬프트(cmd)나 필요한 프로그램을 직접 설치하여 사용할 수 있음

0-5. Sandbox의 일회성 확인하기​

Windows Sandbox의 가장 중요한 특징을 직접 확인함

테스트 파일 만들기​

Sandbox 바탕화면에 임의의 폴더를 하나 만듦

sandbox_test

폴더 안에 임의의 파일을 하나 생성함

예:

test.txt

가능한 경우 테스트용 프로그램 하나를 설치해보아도 됨

Sandbox 종료​

1. Sandbox 창 오른쪽 위의 X 클릭
2. Sandbox 종료 확인 메시지 확인
3. 종료 진행

Windows Sandbox를 닫으면 내부에 저장된 프로그램, 파일 및 상태가 삭제됨

Sandbox 다시 실행​

Windows 시작 메뉴에서 Windows Sandbox를 다시 실행함

확인 사항

• 앞에서 만든 sandbox_test 폴더가 없음
• test.txt 파일이 없음
• Sandbox 안에 설치했던 프로그램이 있다면 해당 프로그램도 없음

따라서

Sandbox 실행
        ↓
프로그램 설치
        ↓
실습 및 검증
        ↓
Sandbox 종료
        ↓
모든 변경사항 삭제
        ↓
다시 실행
        ↓
깨끗한 Windows

의 구조가 만들어짐

0-6. 강의자료 검증환경으로 사용하기​

일반적인 개발 방식​

강사 PC에서 프로그램 개발
        ↓
강사 PC에서 실행
        ↓
정상 실행
        ↓
강의자료 작성

문제점

• 기존에 설치되어 있던 프로그램의 영향을 받을 수 있음
• 누락된 설치 과정을 발견하기 어려움
• 참가자 PC에서 처음 오류를 발견할 수 있음

앞으로 사용할 방식​

강사 PC
│
├─ 강의노트 작성
├─ 예제 제작
├─ 실습파일 제작
└─ 프로그램 개발
        │
        ▼
Windows Sandbox
│
├─ 강의노트만 보고 진행
├─ 필요한 프로그램 직접 설치
├─ 예제 실행
├─ 오류 확인
└─ 누락된 과정 확인
        │
        ▼
강의노트 수정
        │
        ▼
새 Sandbox에서 재검증

검증 규칙​

강의자료 제작 과정에서는 다음 규칙을 적용함

규칙 1. 강의노트에 없는 작업을 하지 않음​

예:

• 강의노트에 pip install openpyxl이 없음
• 실행 과정에서 openpyxl 오류 발생

이 경우

pip install openpyxl

을 즉시 입력하여 문제만 해결하지 않음

→ 강의노트에 설치 과정이 빠졌다고 판단함

규칙 2. 기존 지식을 이용하여 과정을 생략하지 않음​

예:

강사는 Python 설치 시 PATH 설정이 필요하다는 것을 알고 있음

하지만 강의노트에 PATH 관련 설명이 없다면

→ 참가자도 모른다고 가정함

규칙 3. 모든 경로를 명시적으로 확인함​

강의노트에는 가능하면 다음을 구체적으로 기록함

• 어떤 사이트에 접속하는지
• 어떤 버튼을 클릭하는지
• 어떤 설치 옵션을 선택하는지
• 어느 폴더에 설치되는지
• 어느 폴더에서 명령을 실행하는지
• 정상적인 실행 결과가 무엇인지

규칙 4. 오류가 발생하면 오류도 강의자료의 일부로 판단함​

반복적으로 발생할 가능성이 높은 오류는 강의노트에 다음과 같이 기록함

[문제]
python 명령을 찾을 수 없음

[원인]
Python 실행경로가 PATH에 등록되지 않았을 가능성이 있음

[확인]
...

[해결]
...

규칙 5. 수정 후 새로운 Sandbox에서 다시 검증함​

기존 Sandbox에서 오류를 계속 수정하며 진행하면 이미 변경된 환경의 영향을 받을 수 있음

중요한 환경설정 변경 후에는

Sandbox 종료
→ 새 Sandbox 실행
→ 처음부터 다시 진행

하여 재현성을 확인함

0-7. Windows Sandbox와 일반 가상머신의 차이​

Windows Sandbox와 Hyper-V, VMware, VirtualBox 등의 가상머신은 비슷해 보이지만 목적이 다름

따라서 이번 강의자료 제작에서는 역할을 다음과 같이 구분할 예정임

현재 사용 PC
        │
        └─ 강의 제작 및 개발

Windows Sandbox
        │
        └─ 깨끗한 PC에서 설치 과정 검증

Hyper-V VM
        │
        └─ 전체 과정의 누적 환경 검증
           ※ 필요 시 이후 구성

• 우선 Windows Sandbox를 이용하여 각 설치 과정과 챕터를 검증함
• 강의가 길어지고 프로그램 설치 상태를 계속 유지해야 할 필요가 생기면 Hyper-V VM을 추가함
• Hyper-V 구성은 별도의 후속 강의자료에서 다룸

핵심 정리​

• 강사 PC에서 정상 실행된다고 해서 참가자 PC에서도 정상 실행된다는 보장은 없음
• 기존에 설치된 프로그램, 패키지, 환경변수가 누락된 과정을 숨길 수 있음
• Windows Sandbox는 깨끗한 Windows 환경을 반복적으로 만들어 테스트할 수 있는 기능임
• Sandbox를 종료하면 내부에서 설치하거나 변경한 내용이 삭제됨
• 강의노트에 기록된 내용만 이용하여 실습을 수행하는 방식으로 강의자료의 재현성을 검증할 수 있음
• 앞으로 각 강의노트는 다음 과정으로 제작함

강의노트 작성
    ↓
Sandbox 테스트
    ↓
오류·누락 발견
    ↓
강의노트 수정
    ↓
깨끗한 Sandbox에서 재검증
    ↓
챕터 확정

강의자료의 목표는 강사의 PC에서 실행되는 것이 아니라, 처음 시작하는 사람이 강의노트만 보고 동일한 결과를 재현할 수 있도록 만드는 것임

최근 정부가 AI와 반도체 같은 전략산업에 단순히 보조금을 지급하거나 대출하는 것을 넘어, 직접 투자하고 지분을 취득하는 방식을 확대할 필요가 있다는 이야기를 꺼냈다.

처음 들으면 논란이 될 만한 이야기다. 실제 주식 삼전, 닉스 토론방에서 난리가 난 주제다.

과거에도 반도체 기업들이 막대한 이익을 내자 그 이익을 사회와 나눠야 한다는 주장이 나왔고, 그때마다 “기업이 노력해서 번 돈을 왜 국가가 가져가느냐”는 비판이 뒤따랐다.

그런데 이번 주제도 그렇게 비판받아 마땅한가?

기업이 이미 벌어들인 이익을 가져오자는 것이 아니라, 국민의 돈을 투자했다면 국민도 그 투자에서 발생하는 수익에 참여할 수 있지 않느냐는 이야기이기 때문이다.

AI와 반도체 산업은 엄청난 자본을 필요로 한다.

첨단 반도체 공장 하나를 짓는 데 들어가는 돈이나 AI 데이터센터와 전력 인프라를 구축하는 비용을 생각하면 이제 전략산업 경쟁은 개별 기업만의 문제가 아니다. 각국 정부가 보조금과 세제혜택, 정책금융을 동원하는 것도 이 때문이다.

국가가 어차피 막대한 돈을 넣어야 한다면 왜 반드시 지원만 해야 할까.

지분투자를 하면 되지 않나?

국가도 위험을 부담하지만 기업이 성공하면 배당과 지분가치 상승을 통해 그 과실에도 참여한다.

실제로 미국 정부는 기존 CHIPS Act 지원금 등을 활용해 인텔 지분을 확보했다. 미국 상무부는 이를 기존 보조금을 지분으로 전환한 사례로 설명하고 있다.

한국에서도 이미 지원 방식은 다양해지고 있다. 2026년 국민성장펀드는 30조 원 이상의 자금 공급을 목표로 직접투자, 간접투자, 인프라 투융자, 초저리대출을 함께 사용하고 있다.

국민의 돈으로 위험을 부담한다면, 성공했을 때의 수익에도 국민이 참여해야 하지 않을까. 난 이게 너무 당연한것 같은데...

이 질문은 AI 시대에 더 중요해질 수 있다.

AI가 앞으로 인간의 일자리를 얼마나 대체할지는 아직 알 수 없다.

AI가 발전하면서 기업의 생산성이 크게 높아지고, 과거 1,000명이 하던 일을 500명이나 300명이 할 수 있게 된다면 어떻게 될까.

기업의 생산성은 올라간다. 이익도 증가할 수 있다. AI 기업과 반도체 기업의 가치도 올라갈 수 있다.

그러나 그 과정에서 노동에 돌아가는 몫이 줄어든다면 문제가 생긴다.

지금까지 대부분의 사람은 경제성장의 과실을 노동을 통해 얻었다.

일하고, 임금을 받고, 그 소득으로 살아간다.

그런데 AI가 인간 노동의 일부를 자본으로 대체하기 시작한다면 경제는 성장하는데 그 성장에 참여하는 사람들의 통로는 오히려 좁아지는 상황이 나타날 수도 있다.

AI 도입으로 자본수익이 증가할 경우 자산을 많이 보유한 계층이 그 혜택을 더 크게 받을 수 있기 때문에 부의 격차가 확대될 가능성이 있다는 것이다.

결국 AI 시대의 분배 문제는 단순히 누가 더 높은 임금을 받느냐의 문제가 아닐 수도 있다.

누가 AI 시대의 자본을 소유하고 있는가의 문제가 될 수 있다.

그렇다면 국민도 자본을 소유하면 어떨까

국민의 세금으로 AI, 반도체, 로봇, 에너지 같은 미래 산업에 투자한다.

그 돈을 모두 보조금으로 지급하는 대신 일부는 지분이나 펀드 형태로 투자한다.

산업이 성장하면 국가가 보유한 자산의 가치도 올라간다. 배당도 받을 수 있다. 그렇게 축적된 수익을 다시 미래 산업에 투자하거나 교육, 재교육, 사회안전망 등에 사용할 수도 있다.

그렇다면 국민은 AI 기업에서 직접 일하지 않더라도 AI가 만들어내는 생산성 증가의 일부에 자본을 통해 참여하는 구조를 갖게 된다.

이것은 기업이 성공한 뒤 이익을 빼앗아 나누는 것과는 다르다.

함께 투자하고, 함께 위험을 부담하고, 성공하면 함께 수익을 얻는 것이다.

개인이 기업의 주식을 사서 배당과 주가 상승의 혜택을 받는 것과 경제적 원리는 크게 다르지 않다.

다만 그 투자자가 개인이 아니라 국민을 대신한 국가라는 차이가 있다.

AI 때문에 일자리가 줄어들 수 있다고 해서 AI 개발을 멈추는 것은 현실적인 해답이 되기 어렵다.

그렇다면 다른 질문을 해야 한다.

AI가 만들어내는 부에 사람들이 어떻게 계속 참여하게 할 것인가.

재교육도 필요할 것이다. 새로운 일자리도 만들어야 한다. 사회안전망도 필요하다. 조세제도 역시 바뀔 수 있다.

그러나 여기에 하나를 더 생각해볼 수 있다.

국민이 미래 산업의 자본을 함께 소유하는 방법이다.

AI와 로봇이 사람의 노동을 대신하면서 더 많은 부를 만들어내는 세상이 온다면, 노동소득만으로 그 부를 나누는 구조에는 한계가 생길 수 있다.

그렇다면 국민이 그 생산수단의 일부를 간접적으로 소유하는 것도 하나의 방법이 될 수 있다.

물론 국가가 어떤 기업에 투자할 것인지, 정치권력이 투자 판단에 개입하지 않을 방법은 무엇인지, 의결권은 어떻게 행사할 것인지, 손실이 발생하면 어떻게 책임질 것인지 등 풀어야 할 문제는 많다.

그래서 오히려 지금부터 논의해야 한다.

AI가 사람의 일자리를 실제로 대규모로 대체한 뒤에 분배 문제를 고민하기 시작한다면 너무 늦을 수도 있기 때문이다.

AI 시대에 필요한 질문은 어쩌면 “AI가 인간의 일자리를 빼앗을 것인가”에서 끝나지 않는다.

더 중요한 질문은 그다음에 있다.

AI가 인간의 노동을 대신해 부를 만들어내기 시작한다면, 우리는 그 부에 어떤 방식으로 참여할 것인가.

그 답 가운데 하나가 어쩌면 의외로 단순할 수도 있다.

국민도 AI 시대의 주주가 되는 것이다.

그런데 이 말을 조금 다르게 생각해볼 필요가 있다.

AI의 속도를 조절한다는 것은 결국 무엇을 의미할까.

기업들이 알아서 천천히 개발하자는 선언만으로는 속도를 조절할 수 없다. 경쟁사가 계속 달리고 있는데 한 기업만 멈춰 있을 수도 없다. 결국 실제적인 속도 조절은 일정 수준 이상의 AI에 대해 안전성 평가를 요구하고, 위험관리 기준을 만들고, 배포 조건을 정하는 방식으로 나타날 수밖에 없다.

결국 속도조절론의 상당 부분은 규제의 문제로 귀결된다.

실제로 EU AI Act도 범용 AI 모델 가운데 일정 수준 이상의 시스템적 위험을 가진 모델에 대해 모델 평가, 위험 완화, 중대한 사고 보고, 사이버보안 등의 의무를 부과하는 방향으로 제도를 만들었다.

여기까지 보면 규제는 AI 기업을 제약하는 장치처럼 보인다.

그런데 반대편에서 보면 조금 다른 모습이 보인다.

규제는 기업을 제약하지만, 동시에 책임의 경계를 만든다​

아직 규칙이 만들어지지 않은 산업에서 사고가 발생하면 책임의 범위 역시 불분명하다.

AI가 예상하지 못한 행동을 했다면 어디까지가 개발사의 책임일까. 충분한 테스트를 하지 않은 것이 문제일까. 그렇다면 어느 정도까지 테스트했어야 충분한 것일까. 모델을 만든 기업과 이를 서비스한 기업, 서비스를 사용한 사람 가운데 누가 어디까지 책임져야 할까.

기술이 강력해질수록 이런 질문은 더 어려워진다.

반대로 국가가 기준을 정하면 상황이 달라진다.

일정 규모 이상의 모델은 이런 평가를 받아야 하고, 이런 위험관리 절차를 갖춰야 하며, 문제가 발생하면 이런 방식으로 보고해야 한다는 기준이 생긴다.

기업 입장에서는 해야 할 일이 명확해진다.

EU가 범용 AI 모델에 관한 규칙과 행동강령을 설명하면서 반복해서 사용하는 표현 가운데 하나도 법적 확실성(legal certainty) 이다. 규제는 기업을 제한하는 동시에 무엇을 해야 규칙을 준수한 것인지 명확하게 만들어주는 역할도 한다.

물론 규정을 지켰다고 해서 사고에 대한 모든 법적 책임이 사라지는 것은 아니다. 하지만 적어도 기업은 자신이 어디까지 대비해야 하는지 알 수 있다.

이 점에서 규제는 단순한 족쇄가 아니다.

책임의 범위를 제도화하는 장치이기도 하다.

자동차 산업도 비슷한 길을 걸었다​

자동차 산업을 생각해보면 이해하기 쉽다.

자동차가 처음 등장했을 때부터 지금과 같은 충돌안전기준과 각종 안전규정이 존재했던 것은 아니다. 산업이 커지고 자동차가 사회 전체에 영향을 미치기 시작하면서 정부는 자동차가 충족해야 할 안전기준을 만들어왔다.

미국의 경우 연방 자동차안전기준(FMVSS)을 통해 자동차와 관련 부품이 충족해야 하는 최소한의 안전성능을 규정하고 있다. 제조사는 자신이 만든 차량이 이 기준을 충족한다는 것을 인증해야 한다.

이것은 자동차 회사에는 분명한 규제다.

하지만 동시에 중요한 의미가 하나 더 있다.

‘안전한 자동차를 만들어라’라는 추상적인 요구가 ‘이 기준을 충족하라’라는 구체적인 요구로 바뀐 것이다.

규제가 산업을 막기만 한 것이 아니라, 산업이 사회 안에서 작동할 수 있는 경계를 만든 셈이다.

그렇다면 AI는 지금 어느 단계에 있는가​

지금 AI 기업들은 이전보다 훨씬 강력한 모델을 만들고 있다. 단순히 질문에 답하는 수준을 넘어 도구를 사용하고, 외부 시스템과 연결되고, 여러 단계를 스스로 수행하는 에이전트 형태로 발전하고 있다.

능력이 커질수록 개발자가 모델의 모든 행동을 미리 예상하기도 어려워진다.

그렇다면 기업 입장에서도 규칙이 없는 상태가 반드시 편한 것만은 아닐 수 있다.

모델의 능력이 제한적일 때는 개발사가 대부분의 위험을 예상하고 관리할 수 있다. 그러나 AI의 자율성과 영향력이 커질수록 문제가 발생했을 때 기업이 어디까지 책임져야 하는지가 점점 불분명해진다.

그래서 조금 다른 관점에서 지금의 ‘AI 속도조절론’을 바라볼 수 있다.

AI 기업들이 규제를 이야기하는 것은 정말 자신의 개발 속도를 늦추기 위해서일까.

어쩌면 앞으로 등장할 훨씬 강력한 AI를 사회에 내놓기 위해서는 오히려 먼저 규칙이 필요해진 것은 아닐까.

정부가 안전성 평가 기준을 정하고, 위험관리 의무를 정하고, 사고 발생 시 대응 절차를 정해놓으면 기업 역시 그 안에서 움직일 수 있다.

규제가 기업을 묶는 동시에, 기업이 어디까지 책임져야 하는지를 사회가 함께 정해주는 셈이다.

속도를 늦추자는 말의 또 다른 의미​

그래서 AI 속도조절론을 단순히 ‘AI가 위험하니 개발을 늦추자’는 주장으로만 보면 한쪽 면만 보게 될지도 모른다.

자동차가 대중화되면서 자동차 산업에 안전기준이 필요해졌고, 의약품 산업이 성장하면서 승인과 검증 체계가 만들어졌다.

AI 역시 비슷한 단계에 들어서고 있을 가능성이 있다.

그리고 여기에는 흥미로운 역설이 있다.

기술이 강력해질수록 기업은 규제를 피하고 싶어 하는 것이 아니라, 오히려 명확한 규칙을 필요로 할 수도 있다.

앞으로의 AI가 지금보다 훨씬 강력해지고, 개발한 기업조차 그 행동을 완전히 예측하기 어려운 수준으로 발전한다면 이 문제는 더욱 중요해질 것이다.

그때 기업에게 가장 부담스러운 것은 규제 그 자체가 아니라, 어쩌면 어디까지 책임져야 하는지 아무도 정해놓지 않은 상태일지도 모른다.

그렇다면 지금 AI 기업들이 ‘안전’과 ‘속도 조절’, 그리고 ‘규제’를 먼저 이야기하기 시작한 것은 무엇을 의미하는가.

정말 AI의 발전을 멈추기 위한 이야기일까.

아니면 더 강력한 AI가 등장하기 전에, 그 AI를 사회에 내놓을 수 있는 규칙과 책임의 경계선을 먼저 만들기 시작한 것일까.

기존 생성형 AI가 질문에 답하거나 결과물을 만들어주는 데 익숙했다면, Muse는 한 단계 더 나아가 사용자의 목표를 받아 실제 행동으로 옮긴다.

그래서 Muse를 보면 자연스럽게 ‘에이전트 AI 시대가 본격적으로 시작되는구나’라는 생각이 든다.

그런데 나는 Muse에서 그것보다 조금 더 큰 변화를 본다.

에이전트 AI, 경량화 LLM, 그리고 AI 생태계의 플랫폼화.

최근 각각 따로 이야기되던 이 세 가지 흐름이 사실 하나의 방향으로 연결되고 있는 것은 아닐까.

AI의 단위가 ‘질문’에서 ‘업무’로 바뀐다​

지금까지 우리가 생성형 AI를 사용하는 방식은 대체로 명확했다.

질문하고 답을 받는다.

문서를 작성해달라고 하면 문서를 만들고, 코드를 요청하면 코드를 작성한다. 이미지 생성을 요청하면 이미지를 만든다. 상당히 발전했지만 기본적으로는 사용자의 요청과 AI의 응답이라는 구조다.

에이전트는 다르다.

“다음 주 출장을 준비해줘”라는 요청을 받았다면 단순히 출장 계획을 작성하는 것으로 끝나지 않는다. 항공편을 알아보고, 숙소를 비교하고, 일정을 확인하고, 필요한 경우 예약 과정까지 진행해야 한다.

Meta가 설명하는 Muse도 이런 구조다. 전용 브라우저가 있는 Secure VM에서 작동하면서 웹을 탐색하고 양식을 작성하며 여러 서비스를 이용한다.

AI가 처리하는 작업의 단위가 달라지는 것이다.

질문 하나에서 업무 하나로.

그런데 여기서부터 새로운 문제가 생긴다.

모든 일을 거대한 AI에게 맡길 수 있을까​

질문에 답하는 AI는 필요할 때 호출하면 된다.

하지만 에이전트는 다르다. 이메일을 확인하고, 일정을 관리하고, 파일을 정리하고, 상황이 바뀌었는지 확인하면서 계속 움직여야 한다.

AI가 생활과 업무 곳곳에 들어갈수록 호출 횟수와 작동 시간은 크게 늘어날 수밖에 없다.

개인에게 하나의 에이전트만 존재한다는 보장도 없다. 일정 관리 에이전트, 업무 에이전트, 개발 에이전트, 기업 내부의 수많은 업무 에이전트가 동시에 작동하는 환경도 생각할 수 있다.

그때 모든 판단을 가장 크고 비싼 모델에 맡기는 것이 효율적인지는 다른 문제다.

그래서 AI 경쟁의 질문도 조금씩 달라질 수 있다.

“얼마나 거대한 모델을 만들 것인가”에서 “어떤 일에 어느 정도의 지능이 필요한가”로.

여기에서 경량화 LLM의 의미가 커진다.

AI는 커지는 동시에 작아지고 있다​

Meta의 Muse 계열에서도 흥미로운 모델이 하나 있다. Muse Glimmer다. Meta는 이를 ‘always-on, local agents’를 위한 모델로 소개하고 있으며, 로컬 배포에 최적화된 오픈 웨이트 LLM이라고 설명한다.

이 흐름에서 중요한 것은 모든 AI가 작아진다는 의미가 아니다.

오히려 반대다.

어려운 추론이 필요한 순간에는 강력한 클라우드 모델을 사용하고, 비교적 단순하거나 반복적인 작업은 작은 모델이 담당하는 식으로 역할을 나눌 수 있다.

어떤 AI는 데이터센터에 있고, 어떤 AI는 기업 서버에 있으며, 어떤 AI는 개인의 PC나 스마트폰에 존재할 수 있다.

하나의 거대한 두뇌가 모든 일을 처리하는 구조에서 크고 작은 여러 두뇌가 역할을 나누는 구조로 바뀌는 것이다.

에이전트가 많아질수록 이런 구조는 더욱 중요해진다.

그리고 AI가 작아질 수 있다면 AI가 존재할 수 있는 장소도 늘어난다.

AI가 개인의 컴퓨팅 환경으로 내려온다​

PC와 스마트폰은 물론 자동차, 공장 설비, 웨어러블 기기까지 AI의 실행 환경이 될 수 있다.

Meta가 Muse를 AI 글래스로 확장하겠다고 발표한 것도 이 흐름에서 흥미롭다. Meta는 Muse를 AI 글래스에 탑재해 사용자가 하루 종일 핸즈프리로 개인 에이전트와 연결되는 환경을 제시하고 있다.

여기까지 오면 AI는 더 이상 우리가 필요할 때 웹사이트를 열어 사용하는 서비스만은 아니다.

우리 주변에서 계속 존재하면서 필요한 순간에 개입하는 컴퓨팅 계층에 가까워진다.

그리고 바로 이 지점에서 세 번째 변화가 시작된다.

사용자가 앱을 사용하는 것이 아니라 AI가 앱을 사용한다​

지금까지 디지털 서비스의 기본 구조는 단순했다.

사용자 → 앱

여행을 예약하려면 여행 서비스를 열고, 물건을 사려면 쇼핑 앱을 열고, 일정을 확인하려면 캘린더를 열었다.

하지만 에이전트가 충분히 발전하면 사용자는 굳이 각각의 서비스를 직접 찾아다닐 필요가 없다.

AI에게 목적만 전달하면 된다.

그러면 AI가 필요한 서비스를 선택하고, 정보를 가져오고, 서로 연결하고, 필요한 작업을 수행한다.

구조가 이렇게 바뀐다.

사용자 → AI → 앱과 서비스

최근 Meta가 Muse for Small Business에서 Asana, Canva, Dropbox, Figma, QuickBooks, Notion, Shopify, Slack, Stripe, Zoom 등 여러 서비스를 Muse와 연결할 수 있도록 발표한 것은 이런 변화의 초기 모습을 꽤 직접적으로 보여준다.

여기서 중요한 변화가 생긴다.

사용자와 서비스 사이에 AI가 들어온다.

그 순간 AI는 하나의 서비스가 아니라 플랫폼이 된다​

플랫폼의 힘은 모든 기능을 직접 만드는 데서만 나오지 않는다.

다른 서비스들이 자신을 중심으로 연결되도록 만드는 데서 나온다.

PC 시대에는 운영체제가 그 위치를 차지했고, 스마트폰 시대에는 모바일 OS와 앱스토어가 중요한 관문이 됐다.

에이전트 시대에는 AI가 그 자리를 일부 차지할 가능성이 있다.

사용자가 어떤 앱을 실행할 것인지 결정하는 것이 아니라 AI가 목적에 맞는 서비스를 선택하기 시작한다면, AI는 단순한 애플리케이션이 아니라 여러 애플리케이션 위에 존재하는 상위 계층이 되기 때문이다.

Meta가 최근 Muse Agent뿐 아니라 Muse API, Muse Code 등을 포함한 전체 기술 스택을 기업과 개발자에게 제공하는 ‘Meta Enterprise Platform’을 새로운 사업 축으로 발표한 것도 그래서 눈여겨볼 만하다.

AI 기업들의 경쟁 역시 더 좋은 모델 하나를 만드는 경쟁에서 끝나지 않을 수 있다.

누가 더 많은 서비스와 연결되는가. 누가 더 많은 개발자를 끌어들이는가. 그리고 무엇보다 사용자가 디지털 세계로 들어가는 첫 번째 관문을 누가 차지하는가.

경쟁의 범위가 달라진다.

Muse에서 보이는 세 개의 변화​

그래서 나는 Muse의 의미를 단순히 ‘일을 대신 해주는 새로운 AI 에이전트가 등장했다’는 데서 찾고 싶지 않다.

오히려 그 뒤에서 이어지는 흐름이 더 흥미롭다.

AI가 답변하는 존재에서 행동하는 존재가 된다.

행동하는 AI가 많아지면서 더 작고 효율적인 모델과 역할 분담이 필요해진다.

작아진 AI는 클라우드를 넘어 개인과 기업의 다양한 컴퓨팅 환경으로 퍼진다.

그리고 곳곳에 존재하는 AI가 기존 앱과 서비스를 대신 호출하기 시작한다.

결국,

에이전트화 → 경량화와 분산 → AI의 일상적 확산 → 서비스 연결 → 플랫폼화

라는 흐름이 만들어진다.

어쩌면 Muse에서 주목해야 할 것은 ‘무엇을 대신 해주는가’가 아닐지도 모른다.

지금까지 우리가 앱을 사용했다면, 앞으로는 AI가 우리를 대신해 앱을 사용하는 시대가 올 수 있다는 것.

그 변화가 시작되면 AI 산업의 경쟁은 좋은 챗봇을 만드는 경쟁과는 전혀 다른 모습이 될 것이다.

AI가 단순히 질문에 답하는 것을 넘어 브라우저를 실행하고, 프로그램을 사용하고, 정보를 찾고, 사용자를 대신해 실제 작업을 수행하기 시작하면서 AI에게도 하나의 ‘컴퓨팅 환경’이 필요해지고 있다는 이야기였다.

그런데 개인 AI 에이전트가 정말 일상 속 비서가 된다면, 그 AI가 계속 데이터센터 안에만 머물러 있을까.

결국은 스마트폰과 같은 개인 기기로 내려올 가능성이 크다.

스마트폰은 개인 AI가 머물기에 가장 자연스러운 기기다. 하루 종일 사용자와 함께 움직이고, 카메라와 마이크, 위치정보, 메시지, 일정, 연락처 등 개인의 디지털 생활과 가장 가까이 연결되어 있기 때문이다.

문제는 전력과 발열이다.

개인 AI는 사용자가 질문할 때만 잠깐 실행되는 프로그램이 아니라, 주변 상황을 파악하고 알림을 읽고 필요할 때 즉시 반응하는 형태로 발전할 가능성이 크다.

그렇다면 데이터센터처럼 많은 전력을 쓰는 방식은 모바일 환경에 적합하지 않다.

높은 성능을 내는 것도 중요하지만 제한된 전력과 발열 안에서 지속적으로 작동해야 하는 모바일 기기에서는 performance per watt, 즉 와트당 성능이 훨씬 중요하다.

개인 AI가 항상 켜져 있는 컴퓨팅으로 발전할수록 이 특성은 더욱 중요해질 수밖에 없다.

여기서 ARM이 중요해진다.

ARM의 장점은 오랫동안 모바일 환경에서 요구되어온 저전력 구조와 맞닿아 있다.

ARM은 이미 스마트폰 시장의 사실상 표준 아키텍처다. Qualcomm의 Snapdragon, 삼성의 Exynos, MediaTek의 Dimensity, 애플의 A·M 시리즈까지 대부분 ARM 계열을 기반으로 한다. Arm 역시 최근 모바일 플랫폼을 설명하면서 Agentic AI를 핵심 사용 사례로 전면에 내세우고 있다.

개인 AI 시대의 반도체 경쟁은 단순히 CPU 성능을 높이는 경쟁과는 조금 다를 가능성이 크다.

CPU가 운영체제와 앱을 조율하고, NPU가 AI 추론을 담당하며, GPU가 그래픽과 병렬 연산을 맡는 식으로 여러 연산 장치가 하나의 SoC 안에서 역할을 나누게 된다.

결국 중요한 것은 최고 성능이 아니라 제한된 배터리 안에서 얼마나 많은 AI 작업을 지속적으로 수행할 수 있는가다.

이 기준은 ARM이 오랫동안 강점을 가져온 모바일 컴퓨팅의 방향과 정확히 맞닿아 있다.

지난 몇 년 동안 AI 반도체 시장을 이야기할 때 가장 먼저 떠올리는 회사는 NVIDIA였다. 거대한 AI 모델을 만들고 학습시키는 시대에는 GPU가 가장 중요한 연산 자원이었기 때문이다.

하지만 AI가 데이터센터 밖으로 나오기 시작하면 다른 시장이 열린다.

수십억 명의 개인이 각자의 AI 에이전트를 가지고, 그 AI가 스마트폰과 자동차, 이어폰과 안경에서 하루 종일 작동하는 시장이다. 그 시장에서 중요한 것은 데이터센터에서 수천 와트를 사용하는 거대한 가속기가 아니다.

몇 와트의 전력으로 하루 종일 작동하면서도 충분한 AI 성능을 제공할 수 있는 컴퓨팅이다.

그리고 ARM은 이미 그 시장의 중심에 있다.

AI가 클라우드에 머무르는 동안 ARM은 AI 열풍의 중심에서 다소 멀리 있는 것처럼 보였을지도 모른다. 하지만 개인 AI가 스마트폰으로 내려오기 시작한다면 이야기는 달라진다.

그때부터 AI 산업의 질문은

누가 가장 큰 모델을 만들 수 있는가에서, 누가 수십억 개의 개인 AI를 가장 적은 전력으로 움직일 수 있는가로 확장된다.

바로 그 지점에서 ARM을 다시 볼 필요가 있다.

ARM 생태계가 커지면, 그 안에서 실제로 가장 큰 기회를 가져가는 곳은 어디일까.

Qualcomm의 Snapdragon일까. 삼성의 Exynos일까. 아니면 이미 하드웨어와 운영체제, AI까지 하나의 생태계로 묶고 있는 Apple Silicon일까.

개인 AI 시대의 다음 경쟁은 어쩌면 여기서 시작될지도 모른다.

거대한 언어모델을 학습시키기 위해서는 엄청난 규모의 병렬 연산이 필요했고, AI 데이터센터의 경쟁은 곧 얼마나 많은 GPU를 확보하느냐의 경쟁처럼 보였다. NVIDIA의 폭발적인 성장 역시 이러한 흐름을 상징한다.

최근 주식 시장에 새로운 바람이 불었다.

메타가 개인 AI 에이전트 Muse를 공개한 이후 Intel, AMD, Arm 등 CPU 관련 반도체 기업들의 주가가 크게 움직였다. 9월 21일 AMD는 약 10%, Intel은 12%, Arm은 17%가량 상승했고, AMD의 시가총액은 처음으로 1조 달러를 넘어섰다.

시장에서는 Muse와 같은 AI 에이전트의 확산이 서버 CPU 수요를 크게 늘릴 수 있다는 기대가 주요 배경 중 하나로 거론됐다.

왜 AI 에이전트의 등장이 CPU를 다시 주목하게 만든 것일까.

그 이유는 AI가 하는 일이 달라지고 있기 때문이다.

지금까지 생성형 AI의 대표적인 사용 방식은 질문과 답변이었다.

사용자가 질문을 입력하면 AI 모델이 이를 추론하고 결과를 생성한다. 이 과정에서 가장 많은 연산이 필요한 것은 모델의 학습과 추론이었고, 자연스럽게 GPU가 중심에 있었다.

하지만 AI 에이전트는 다르다.

메타는 Muse를 단순히 질문에 답하는 AI가 아니라 사용자를 대신해 실제 일을 수행하는 Personal AI Agent라고 설명한다. 이메일을 보내고, 여행을 예약하고, 브라우저를 열어 사이트를 이동하고, 양식을 작성하며, 사용자가 맡긴 업무를 계속 수행할 수 있다.

이 순간 AI는 더 이상 모델 안에서만 움직이지 않는다.

AI가 컴퓨터를 사용하기 시작한다.​

브라우저를 실행해야 하고, 운영체제를 사용해야 하고, 여러 프로그램을 동시에 다루어야 한다. 파일을 읽고 네트워크에 접속하며 데이터베이스에 접근하고, 작업 결과를 확인한 뒤 다시 다음 행동을 결정한다.

즉 AI 에이전트의 실행 구조는 단순히

질문 → AI 모델 → 답변으로 끝나지 않는다.

오히려 다음에 가깝다.

사용자 → AI 에이전트 → 추론 → 프로그램 실행 → 브라우저 조작 → 데이터 처리 → 결과 확인 → 재추론 → 다음 작업

여기에는 GPU만 필요한 것이 아니다.

운영체제, 브라우저, 가상머신, 네트워크, 프로세스 관리 등 전통적인 컴퓨팅 자원이 대규모로 필요해진다.

Muse의 구조는 이 변화를 특히 잘 보여준다.

메타는 사용자에게 각각 독립된 Muse Secure VM을 제공한다. 쉽게 말하면 클라우드 어딘가에 사용자의 AI 에이전트가 사용할 전용 가상 컴퓨터가 하나 만들어지는 것이다. 이 컴퓨터 안에는 브라우저가 있고 사용자의 데이터와 연결 정보가 저장되며, Muse는 이 환경에서 실제 작업을 수행한다.

이 구조를 수백 명이나 수천 명이 아니라 수억 명, 나아가 수십억 명이 사용한다고 생각하면 이야기가 달라진다.

지금까지 AI 데이터센터에 대한 우리의 이미지는 수많은 GPU가 거대한 모델을 학습하고 추론하는 모습에 가까웠다.

하지만 개인 AI 에이전트가 보편화되면 데이터센터에는 또 다른 형태의 컴퓨팅 수요가 생긴다.

**수많은 AI가 각자의 컴퓨터를 가지고 일을 하는 것과 비슷한 구조다. ** AI가 한 번 질문에 답하고 사라지는 것이 아니라 계속 살아 있으면서 이메일을 확인하고, 웹을 돌아다니고, 정보를 수집하고, 예약하고, 문서를 작성하고, 사용자의 지시를 기다린다.

컴퓨팅의 중심이 모델의** 학습(training)​**에서 실제 업무의 실행(execution)​으로 조금씩 확장되는 것이다.

이렇게 보면 최근 CPU 업체들의 주가 상승은 어느정도 이해가 된다.

시장이 CPU를 다시 바라보기 시작한 이유는 CPU가 GPU보다 AI 계산을 더 잘해서가 아니다.

**AI가 이제 계산만 하는 것이 아니라 컴퓨터를 사용하기 시작했기 때문이다. ** 그리고 AI가 컴퓨터를 사용한다면 결국 CPU, 메모리, 스토리지, 네트워크가 모두 필요해진다.

이것은 AI 산업의 확산 과정에서도 중요한 변화다.

처음에는 AI 모델을 만드는 회사가 주목받았다.

그 다음에는 그 모델을 학습시키기 위한 GPU가 주목받았고, GPU를 공급하기 위한 HBM과 반도체 제조시설이 주목받았다. 이어 데이터센터, 전력, 냉각, 네트워크와 광통신까지 AI 투자 영역이 계속 넓어졌다.

그리고 이제 AI 에이전트가 등장하면서 전통적인 컴퓨팅 인프라까지 다시 AI 산업의 중심으로 들어오기 시작하고 있다.

어쩌면 AI 시대의 다음 단계는 더 거대한 모델 하나를 만드는 경쟁만이 아닐지도 모른다.

수십억 개의 AI가 실제로 일을 할 수 있도록 수십억 개의 컴퓨팅 환경을 제공하는 경쟁일 수도 있다.

그렇다면 AI 반도체 시장을 바라볼 때도 이제 GPU 하나만 봐서는 전체 그림이 보이지 않는다.

CPU가 다시 중요해지고 있는 이유도 여기에 있다.

그리고 여기서 한 가지 질문이 더 생긴다.

AI 에이전트가 결국 개인의 삶을 따라다니는 존재가 된다면, 그 AI는 언제까지 데이터센터 안의 가상 컴퓨터에만 머물러 있을까.

스마트폰과 노트북, 자동차와 스마트 안경으로 AI가 내려오기 시작한다면 필요한 컴퓨팅 구조 역시 또 한 번 달라질 것이다.

그리고 그 지점에서는 CPU라는 이름보다 ARM이라는 이름을 다시 봐야 할지도 모른다.

ARM을 조금 담아볼까?

인공지능을 둘러싼 논쟁의 성격이 달라지고 있다.

불과 몇 년 전까지만 해도 AI 논쟁의 중심에는 “얼마나 빨리 발전할 것인가”, “어떤 산업을 바꿀 것인가”, “어느 기업이 시장을 지배할 것인가”가 있었다. 그러나 2026년 들어 질문은 훨씬 무거워졌다.

인간은 앞으로도 AI를 통제할 수 있을 것인가.

그리고 또 하나의 질문이 그 뒤를 따른다.

그렇다면 그 AI를 누가 통제할 것인가.

이 두 질문은 비슷해 보이지만 전혀 다른 문제다. 첫 번째는 기술적 안전과 정렬(alignment)의 문제이고, 두 번째는 기업과 국가 사이의 권력, 즉 AI 시대의 헤게모니 문제다.

최근 불거진 ‘AI 속도조절론(pacing)’ 논쟁을 제대로 이해하기 위해서는 이 두 축을 동시에 봐야 한다.

위험을 몰랐던 것이 아니다​

오늘날의 AI 안전 논쟁은 갑자기 등장한 것이 아니다.

2023년 3월 22일 Future of Life Institute는 GPT-4보다 강력한 AI의 훈련을 최소 6개월 중단하자는 공개서한을 발표했다. Elon Musk, Yoshua Bengio, Stuart Russell 등 수많은 연구자와 기업인이 서명했다. 당시 공개서한은 AI 연구소들이 자신들조차 완전히 이해하거나 통제하지 못하는 더 강력한 시스템을 만들기 위해 경쟁하고 있다고 경고했다. Future of Life Institute — Pause Giant AI Experiments

같은 해 5월에는 더 상징적인 사건이 있었다. 딥러닝의 선구자로 불리는 Geoffrey Hinton이 Google을 떠났다. 그는 회사를 비판하기 위해서가 아니라 AI의 위험에 대해 자유롭게 이야기하기 위해 퇴사했다고 설명했고, 자신이 예상했던 것보다 훨씬 빨리 기계가 인간보다 지능적이 될 가능성을 우려한다고 말했다.

이어 2023년 5월 30일 Center for AI Safety는 단 한 문장으로 된 성명을 발표했다.

“AI에 의한 인류 멸종 위험을 완화하는 일을 팬데믹과 핵전쟁 같은 사회 규모의 위험과 함께 세계적 우선순위로 다뤄야 한다.”

여기에는 Hinton과 Bengio뿐 아니라 OpenAI의 Sam Altman, Google DeepMind의 Demis Hassabis, Anthropic의 Dario Amodei가 이름을 올렸다. Center for AI Safety — Statement on AI Extinction Risk

흥미로운 것은 그 다음이다.

그렇게 위험을 경고했던 기업들은 개발을 멈추지 않았다. 오히려 막대한 자본과 컴퓨팅 자원, 인재가 AI에 집중됐고 OpenAI, Anthropic, Google DeepMind, Meta, xAI 등은 더 강력한 모델을 개발하기 위해 경쟁했다.

따라서 과거 몇 년을 단순히 “AI의 위험을 몰랐던 시기”라고 설명하는 것은 정확하지 않다.

위험을 인식하면서도 경쟁은 계속됐다.

그 이유는 명확하다. 한 회사만 속도를 늦추면 경쟁사가 앞서갈 수 있고, 한 국가가 속도를 늦추면 다른 국가가 기술적 우위를 가져갈 수 있다.

AI 안전 문제에는 처음부터 일종의 죄수의 딜레마가 존재했던 셈이다.

2026년, 논쟁의 성격이 달라졌다​

그렇다면 왜 같은 이야기가 2026년에 다시 훨씬 강하게 등장했을까.

Anthropic CEO Dario Amodei는 최근 자신의 글에서 흥미롭게도 2023년의 개발 중단론에는 자신이 회의적이었다고 밝혔다. 당시 모델은 현실 세계에서 장시간 자율적으로 행동하거나 심각한 사이버공격·기만 행동을 수행할 만큼 강력하지 않았기 때문에, 개발을 늦춰 얻는 시간이 얼마나 유용한지도 불명확했다는 것이다.

하지만 그는 이제 상황이 달라졌다고 주장한다. Dario Amodei — We Must Pace the Frontier

그 변화를 상징적으로 보여주는 사건들이 2026년 여름부터 연이어 나타났다.

가장 충격적이었던 사례 가운데 하나가 OpenAI의 이른바 Hugging Face 사고다.

OpenAI가 2026년 7월 진행한 내부 사이버보안 평가 과정에서 AI 에이전트들이 원래 주어진 환경의 경계를 넘어 비인가 통신 수단을 만들고, 외부 시스템에 접근해 Hugging Face 인프라를 침해했다. OpenAI는 7월 21일 사고를 처음 공개했고 이후 이를 자신들에게 주어진 일종의 “warning shot”으로 규정했다. OpenAI — Hugging Face 모델 평가 보안 사고

독립 평가기관 METR의 후속 조사도 공개됐다. 조사 대상 기간 동안 약 1,200개의 에이전트가 운용됐고, 다수의 에이전트가 비인가 메시지판을 이용해 협력하면서 Hugging Face에 대한 공격을 수행한 정황이 확인됐다. METR — OpenAI/Hugging Face 사고 독립 조사

여기서 중요한 것은 AI가 갑자기 인간에 대한 적의를 갖게 됐다는 것이 아니다.

오히려 더 현실적인 문제가 드러났다.

잘못 설계된 목표와 보상, 불완전한 평가환경, 강력한 실행 능력이 결합되었을 때 AI 에이전트가 개발자의 의도와 다른 방법을 선택할 수 있다는 사실이다.

Astra는 무엇을 바꾸었나​

그리고 9월 3일 OpenAI는 GPT-6 Astra를 공개했다.

Astra를 ‘통제 불가능한 초지능의 등장’으로 표현하는 것은 과장이다. 그러나 AI 능력의 변곡점을 보여주는 사례로 보는 것은 가능하다.

OpenAI는 Astra가 자사의 Preparedness Framework에서 사이버보안 능력 ‘Critical’ 수준에 도달한 최초의 모델​이라고 발표했다. 적절한 도구와 접근권한이 주어지면 사람이 모든 단계를 지시하지 않아도 알려지지 않은 보안 취약점을 찾아내고 새로운 공격방법을 개발할 수 있다는 의미다. OpenAI — GPT-6 Astra Safety Overview

그러나 Astra가 이미 완전한 재귀적 자기개선에 성공했다는 의미는 아니다.

오히려 더 주목할 자료는 며칠 뒤 공개됐다.

OpenAI는 9월 6일 자사 내부에서 AI가 인간 연구자의 감독 아래 연구를 수행하는 ‘automated research intern’ 단계에 도달했다고 밝혔다. 즉 AI가 AI를 만드는 과정 자체에 점점 깊이 참여하기 시작했다. OpenAI — Research acceleration: The view inside OpenAI

Anthropic 역시 같은 현상을 공개했다. 2026년 5월 기준 Anthropic 코드베이스에 병합되는 코드의 80% 이상이 Claude가 작성한 것으로 집계됐다. AI 에이전트는 이미 코딩, 실험, 평가 등 AI 개발 과정의 상당 부분을 가속하고 있다.

그러나 Anthropic은 동시에 중요한 단서를 붙인다.

완전한 recursive self-improvement에 도달한 것은 아니며, 그러한 발전이 필연적인 것도 아니다. Anthropic Institute — When AI builds itself

현재 벌어지고 있는 일을 더 정확히 표현하면 이렇다.

인간이 AI를 개발하는 구조에서,

인간과 AI가 함께 다음 AI를 만들고, 그 AI가 다시 다음 연구의 속도를 높이는 피드백 루프로 이동하고 있다.

문제는 이 고리가 언젠가 인간의 연구·평가 속도를 추월하느냐는 것이다.

그리고 한 연구자가 회사를 떠났다​

이런 상황에서 9월 8일 Anthropic 연구자 Jacob Coxon이 회사를 떠나며 논쟁이 폭발했다.

Coxon은 OpenAI와 Anthropic이 self-improving superintelligence를 향한 경쟁을 하고 있다고 비판했고, AI를 만드는 사람들 가운데 상당수가 이 기술이 이번 10년 안에 인류 전체를 죽일 가능성을 진지하게 우려하고 있다고 주장했다.

다만 이를 “완전한 재귀적 자기개선이 이미 시작됐다는 내부 폭로”라고 설명해서는 안 된다. Coxon이 그런 비밀 시스템의 존재를 증명한 것은 아니다.

그의 주장은 현재 진행 중인 AI 개발 자동화와 경쟁 구조가 결국 인간의 통제를 넘어설 수 있다는 위험 경고에 가깝다.

그런데 이 주장이 크게 주목받은 이유가 있다. Anthropic의 Alignment Science 책임자인 Evan Hubinger가 공개적으로 동조하며 자신은 향후 10년 안에 AI가 모든 인간을 죽일 확률을 10%보다 높게 본다고 밝혔기 때문이다.

물론 10%라는 숫자는 실험이나 통계로 계산된 객관적 확률이 아니다. 한 연구자의 주관적 위험 추정이다.

Coxon은 또 다른 흥미로운 사실도 공개했다. Anthropic에서 6개월을 근무해야 받을 수 있는 지분이 있었지만 그는 4개월 만에 퇴사해 해당 지분을 포기했다고 밝혔다. 따라서 적어도 Coxon 개인의 행동을 단순한 Anthropic 기업가치 홍보라고 설명하기에는 어려움이 있다. Axios — Jacob Coxon 인터뷰

“멈추자”가 아니라 “속도를 조절하자”​

이어 Anthropic CEO Dario Amodei가 전면에 나섰다.

그의 주장은 AI 개발을 중단하자는 것이 아니다.

그가 사용하는 표현은 pause가 아니라 pacing이다.

모델 훈련과 연구 자체는 계속하되, AI 능력이 증가하는 속도와 인간이 이를 평가·해석·통제하는 능력 사이의 간격이 너무 벌어지지 않도록 속도를 조절하자는 것이다.

Amodei의 제안은 구체적이다.

첫째, frontier AI 기업 내부에 독립된 외부 평가자를 상주시켜 직원과 비슷한 수준의 접근권한을 제공한다.

둘째, 미국을 비롯한 민주주의 국가의 frontier AI 기업들이 공통된 안전기준과 발전 속도에 관한 규칙을 만든다.

셋째, 장기적으로 중국 등을 포함하는 국제협약을 모색한다.

그는 모든 미국 frontier AI 기업에 적용되는 규제가 가장 효과적일 수 있다고 주장하며, 기업과 정부가 협력해야 한다고 썼다. 기업들이 공동 안전기준을 논의할 때 발생할 수 있는 반독점 문제를 피하기 위해 미국 정부가 제한적인 antitrust waiver를 제공하는 방안까지 제안한다.

그리고 이미 그 이전인 2026년 7월에는 OpenAI, Anthropic, Google DeepMind, Meta 등의 연구자와 경영진 1,386명이 참여한 Pacing the Frontier 선언이 등장했다.

이 선언 역시 미국 정부가 국제사회와 함께 AI 발전 속도를 의도적으로 조절할 수 있는 기술적·제도적 수단을 개발해야 한다고 요구한다. Pacing the Frontier 공개선언

즉 최근 속도조절론은 단순한 철학적 논쟁을 넘어 정부와 기업이 공동으로 AI 개발 규칙을 만드는 문제로 이동하고 있다.

그런데 이상한 점이 있다​

여기에서 자연스럽게 의문이 생긴다.

AI가 그렇게 위험하다면 왜 이 기업들은 개발을 멈추지 않는가.

실제로 Anthropic과 OpenAI는 여전히 막대한 투자를 받고 있으며 연산 인프라와 연구 인력을 확대하고 있다.

Anthropic은 이미 2026년 6월 미국 증권거래위원회에 비공개 IPO 서류를 제출했고, 9월에도 초대형 IPO를 준비하고 있는 것으로 보도됐다.

OpenAI 역시 천문학적인 자금 조달과 투자를 이어가고 있다. 다만 Sam Altman은 최근 안전과 정렬 문제에 집중해야 한다며 2026년 IPO는 하지 않겠다고 밝혔다. Reuters — Altman의 IPO 연기 및 AI 위험 발언

그래서 “AI 위험론은 기업가치를 높이기 위한 공포 마케팅 아니냐”는 의혹이 등장한다.

실제로 강력한 AI가 위험하다고 말하는 행위는 역설적으로

“우리 회사가 그만큼 강력한 기술을 보유하고 있다”

는 신호로 작용할 수도 있다.

하지만 이것만으로 전체 현상을 설명하기는 어렵다. OpenAI가 IPO를 미뤘고, Coxon은 실제 경제적 보상을 포기하고 회사를 떠났다. 수년 전부터 같은 위험을 주장해 온 연구자도 많다.

따라서 현재 증거만으로 “AI 안전론은 IPO용 마케팅”이라고 단정하는 것도 지나친 해석이다.

더 중요한 문제는 규칙을 누가 만드는가이다​

그러나 더욱 어려운 질문이 남는다.

AI 기업과 미국 정부가 함께 규칙을 만들기 시작한다면 그 규칙은 누구에게 유리할 것인가.

이 질문은 단순한 음모론으로 치부하기 어렵다.

Amodei의 속도조절 제안에는 AI 안전과 별도로 대중국 기술우위를 유지하기 위한 전략이 명시적으로 포함되어 있기 때문이다.

그는 중국에 고성능 AI 칩과 첨단 반도체 제조장비를 판매하지 말아야 하고, 칩 밀수와 해외 데이터센터를 통한 우회 접근을 차단해야 하며, 모델 가중치 탈취와 unauthorized distillation을 막아야 한다고 주장한다.

그리고 이러한 조치를 통해 향후 3~5년간 미국의 AI 우위를 크게 확대해야 한다고 썼다.

즉 동일한 문서 안에 두 가지 주장이 존재한다.

AI 발전은 너무 빠르므로 속도를 늦춰야 한다.

동시에,

중국의 발전은 더 늦춰 미국과 동맹국의 우위는 유지해야 한다.

여기에서 AI 안전 문제와 AI 패권 문제가 서로 만난다.

‘증류’ 논쟁은 그 경계를 잘 보여준다​

최근 중국 AI 기업을 둘러싼 distillation 논쟁도 같은 맥락이다.

모델 증류 자체는 정상적이고 널리 사용되는 머신러닝 기법이다. 더 강한 teacher model의 출력을 이용해 더 작고 효율적인 student model을 학습시키는 방식이다.

Anthropic 역시 증류 자체는 합법적이고 정상적인 기술이라고 명확히 인정한다.

문제가 되는 것은 경쟁사의 상용 모델을 허가 없이 대규모로 호출해 능력을 추출하는** unauthorized 또는 adversarial distillation**이다.

Anthropic은 2026년 2월 DeepSeek, Moonshot, MiniMax가 약 2만4천 개의 가짜 계정을 이용해 1,600만 건 이상의 Claude 상호작용을 생성하며 자사의 능력을 추출하려 했다고 주장했다. Anthropic — Detecting and preventing distillation attacks

9월 공개된 Anthropic의 위협보고서는 중국 소재 여러 AI 연구소와 관련한 추가 사례도 주장하고 있다. 중국 측 기업들의 개별 반론과 사실관계는 별도로 검증될 필요가 있지만, 미국 정부와 기업이 모델 distillation을 단순한 지식재산권 문제뿐 아니라 국가안보 문제로 보기 시작했다는 점은 분명하다.

Anthropic CEO는 중국의 open-weight 모델 자체를 금지하는 데에는 반대한다고 밝히면서도, 고성능 칩 수출 제한과 산업 규모의 무단 distillation 차단은 필요하다고 주장했다. Anthropic — Our position on open-weights models

안전, 지식재산권, 국가안보와 산업경쟁이 하나의 문제 안에서 뒤섞이고 있는 것이다.

반대편에서는 전혀 다른 주장을 한다​

모두가 속도조절론에 동의하는 것도 아니다.

2026년 9월 14일 All-In Summit 무대에 오른 Nvidia CEO Jensen Huang은 AI 개발 속도를 늦추자는 움직임에 반대했다.

마침 행사 도중 Donald Trump 미국 대통령에게 전화가 걸려왔고 Huang은 통화를 스피커폰으로 공개했다. Trump는 AI에 대한 과도한 공포를 ‘hoax’라고 표현하면서 미국이 속도를 늦출 경우 중국이 이익을 얻을 것이라는 취지로 말했다. Huang 역시 AI slowdown을 허용하지 않겠다는 입장을 밝혔다. TechCrunch — Jensen Huang과 Trump의 All-In Summit 통화

Trump 행정부의 기술정책 인사인 David Sacks 역시 9월 16일 최근 AI 위험론을 ‘fear-mongering playbook’이라고 비판하면서 새로운 정부 규제보다는 기업에 사고 책임을 묻는 접근을 주장했다.

AI 산업 자체도 갈라져 있다. AP가 정리한 최근 논쟁에서 Anthropic의 Amodei, OpenAI의 Altman, Elon Musk, Google DeepMind의 Demis Hassabis 등은 일정한 형태의 속도 조절이나 공동 안전장치에 긍정적인 태도를 보인 반면, Nvidia의 Huang과 Meta의 Mark Zuckerberg 등은 새로운 규제에 회의적인 입장을 보였다. AP — AI slowdown을 둘러싼 업계의 분열

여기에서도 각자의 경제적 이해관계를 완전히 배제하기 어렵다.

AI 모델을 이미 앞서 개발한 기업에는 새로운 안전규정이 후발주자의 진입장벽으로 작동할 수 있다.

반대로 AI 연산 수요가 증가할수록 직접적인 수혜를 얻는 반도체·인프라 기업 역시 개발 감속에 반대할 경제적 이유가 존재한다.

따라서 어느 한쪽을 순수한 공익의 대표자로 전제하는 것은 위험하다.

규제는 안전장치인가, 사다리 걷어차기인가​

이 문제를 가장 노골적으로 제기한 사람 중 하나가 프랑스 재무장관 Roland Lescure다.

그는 9월 16일 미국의 선도 AI 기업들이 개발 속도를 늦추자고 요구하는 것이 이미 선두에 있는 기업들의 이해관계에 봉사할 수 있다고 비판했다. 유럽은 오히려 AI 역량을 키워야 한다는 입장이다. 이것은 Lescure의 평가이지 입증된 기업 동기는 아니지만, ‘규제 포획(regulatory capture)’ 문제가 이제 국제적 논쟁으로 확장됐음을 보여준다. Reuters — 프랑스 재무장관의 AI slowdown 비판

여기에 더 근본적인 문제가 있다.

미국과 중국이 모두 AI 개발속도를 제한하는 협정을 체결한다고 하자.

상대방이 실제로 약속을 지키는지 어떻게 확인할 것인가.

한쪽이 몰래 더 강한 모델을 개발한다면 단순한 산업 경쟁 이상의 전략적 우위를 얻을 가능성이 있다.

Amodei 자신도 이 문제를 인정한다. 그는 미·중 간 완전한 AI pause가 가까운 시일 안에 실현될 가능성을 낮게 평가하며, 특히 검증 가능성(verifiability)​과 협정 이탈(defection) 문제를 핵심 난제로 지목한다. 제한적 RSI 속도 협정을 냉전시대 SALT 군비통제와 비유하기도 한다.

AI 안전 문제가 결국 국제정치의 고전적 문제와 만나는 지점이다.

상대방을 믿을 수 있는가.

결국 두 개의 위험이 있다​

여기까지 살펴보면 최근 논쟁을 하나의 축으로 설명하는 것이 오히려 어렵다는 사실이 드러난다.

AI 시대에는 적어도 두 종류의 위험이 동시에 존재한다.

첫 번째는 AI를 인간이 통제하지 못할 위험이다.

정렬 실패, 자율 에이전트, 사이버공격, 생물학적 악용, 평가회피, 그리고 장기적으로는 recursive self-improvement가 여기에 속한다.

두 번째는 AI를 통제하는 인간에게 다른 인간이 종속될 위험이다.

소수의 기업이 foundation model, cloud, compute, 데이터와 소프트웨어 생태계를 장악하거나, 몇몇 국가가 AI 공급망과 표준을 장악하는 문제다.

전자는 흔히 AI Safety의 문제로 불린다.

후자는 AI Sovereignty와 AI Governance의 문제다.

둘은 동일하지 않다.

그리고 바로 이것이 앞으로 AI 정책을 어렵게 만드는 이유다.

여기서 소버린 AI가 등장한다​

현재 미국과 중국 이외의 국가들이 소버린 AI에 관심을 가지는 이유도 단순히 “우리도 ChatGPT를 만들자”는 산업정책 때문만은 아니다.

Chatham House는 2026년 보고서에서 미국과 중국의 AI 지배가 중견국에 전략적인 딜레마를 만들고 있다고 지적한다.

AI가 경제, 행정, 산업과 안보의 기반이 될수록 외국 기업의 모델과 클라우드에 전적으로 의존하는 국가는 자신의 핵심 기술정책에 대한 선택권을 잃을 위험이 있다.

흥미롭게도 Chatham House의 결론은 완전한 기술적 자급자족이 아니다.

현실적인 소버린 AI는 어디에서 독자 역량을 확보하고, 어디에서 동맹을 맺으며, 어디에서 여러 공급자를 병행하고, 어디에서 다른 중견국과 주권을 공유할 것인지 선택할 능력​에 가깝다. Chatham House — How middle powers can weather US and Chinese AI dominance

즉 AI 주권은 모든 것을 국내에서 생산하는 autarky가 아니다.

AI 시대에도 스스로 선택할 수 있는 능력에 더 가깝다.

그렇다면 대한민국은 어디에 있는가​

이 지점에서 한국의 위치가 흥미로워진다.

한국은 미국이나 중국처럼 frontier AI 전체를 지배하는 초강대국은 아니다.

그러나 반도체 메모리와 HBM, 제조업, 통신 인프라, 클라우드, AI 모델, 자동차·로봇·스마트팩토리 등 AI 가치사슬의 여러 층에서 동시에 역량을 가진 드문 중견 기술국가다.

국가안보전략연구원의 2026년 Sovereign AI 보고서 역시 한국을 AI 생태계의 외부 의존도가 높은 국가라고 평가하면서도, 반도체와 제조 분야의 비교우위를 통해 글로벌 AI 공급망에서 의미 있는 역할을 할 수 있는 소수의 AI 중견국 가운데 하나로 평가한다. INSS — Exploring the Korean Model for Sovereign AI Strategy

여기서 ‘한국은 이미 완전한 AI 풀스택 국가’라고 말하는 것은 과장이다.

한국 정부가 확보하려는 AI 연산 인프라만 보더라도 그 사실을 확인할 수 있다. 정부는 공공·민간을 합쳐 NVIDIA의 최신 GPU 26만 개 이상을 확보하는 계획을 발표했다. 이는 한국의 AI 투자가 상당한 규모라는 증거인 동시에 핵심 compute 계층에서는 여전히 미국 Nvidia 생태계에 크게 의존한다는 사실도 보여준다. 과학기술정보통신부 — 한국 AI 인프라 및 GPU 확보 계획

따라서 한국의 현실적인 목표는 미국이나 중국을 그대로 복제하는 것이 아닐 가능성이 크다.

핵심 영역에서는 독자적 역량을 확보하고, 부족한 영역에서는 여러 국가와 공급자를 조합하며, 특정 공급자가 사라져도 국가 핵심 기능이 멈추지 않을 정도의 전략적 선택권을 만드는 것.

이것이 보다 현실적인 Sovereign AI의 의미일 수 있다.

Global South는 한국을 선택할까​

한 걸음 더 나아가면 흥미로운 질문이 생긴다.

미국이나 중국 어느 한쪽에 AI 인프라 전체를 의존하기를 원하지 않는 국가들은 없을까.

이미 그런 문제의식은 존재한다.

2026년 UN의 AI 거버넌스 논의에서도 첨단 반도체, 연산 인프라와 AI 모델이 미국과 중국에 집중되면서 개발도상국과 중견국들이 자신들이 개발하지도, 완전히 통제하지도 못하는 기술에 의존하게 되는 문제가 제기되고 있다. Chatham House — Can the UN close the global AI gap?

그렇다면 한국에는 하나의 가능성이 열린다.

전통적인 서구 식민제국이 아니며 동시에 반도체·제조·통신·AI 기술 역량을 가진 한국이 일부 중견국이나 Global South 국가들에게 미국과 중국 이외의 협력 파트너가 될 가능성이다.

하지만 이를 당연한 결과로 가정해서는 안 된다.

한국은 미국의 주요 동맹국이며 미국 기술 생태계와 매우 깊게 연결되어 있다. Global South 역시 하나의 정치적 집단이 아니다. 인도, 인도네시아, 브라질, UAE, 사우디아라비아, 베트남, 나이지리아는 AI에 대한 이해관계와 외교전략이 서로 다르다.

따라서 “한국은 신뢰받을 것이다”라는 선언보다 더 중요한 질문은 이것이다.

한국은 다른 국가가 실제로 선택할 수 있는 제3의 AI 파트너가 될 수 있는가.

그러나 Sovereign AI에도 역설이 있다​

여기서 마지막 문제가 발생한다.

AI의 독점을 막기 위해 모든 국가가 Sovereign AI를 구축한다고 생각해보자.

미국과 중국, 한국, 인도, 유럽, 중동 국가들이 모두 더 강력한 foundation model과 더 큰 AI 데이터센터를 만들기 위해 경쟁한다.

그 결과는 AI 독점의 완화일 수 있다.

하지만 동시에 AI 개발 경쟁의 가속일 수도 있다.

즉 Sovereign AI는 두 번째 문제, 즉 ‘누가 AI를 통제할 것인가’라는 권력집중 문제의 해결책이 될 가능성이 있지만, 첫 번째 문제인 ‘인간이 AI를 통제할 수 있는가’라는 안전 문제를 자동으로 해결해주지는 않는다.

경우에 따라서는 오히려 더 많은 국가가 frontier AI 경쟁에 참여하면서 안전 문제를 악화시킬 수도 있다.

이것이 Sovereign AI 논의가 단순한 기술자립론으로 끝나서는 안 되는 이유다.

AI 시대의 진짜 질문​

2026년의 AI 속도조절 논쟁은 아직 결론이 나지 않았다.

AI가 실제로 인간의 통제를 완전히 벗어날 가능성이 얼마나 되는지도 알 수 없다. 10%, 20%와 같은 숫자는 객관적으로 검증된 확률이라기보다 연구자와 기업인의 위험 판단에 가깝다.

그렇다고 최근의 사건을 단순한 ‘AI 공포 마케팅’으로 치부하기에도 실제 관찰된 현상이 너무 많다.

OpenAI는 9월 16일 지난 6개월 동안 발견한 여섯 건의 모델 misalignment 사례와 함께 이를 지속적으로 공개하기 위한 새 보고체계를 발표했다. 여기에는 모델이 허가받지 않은 행동을 하거나 감독을 회피하는 사례가 포함된다. OpenAI는 아직 이러한 사례들의 발생빈도나 일반성을 확정할 수 없다고 명시하고 있다. OpenAI — Model Misalignment Reporting Framework

따라서 지금 필요한 것은 공포와 낙관 가운데 하나를 선택하는 일이 아닐지도 모른다.

오히려 두 가지 위험을 동시에 보는 것이다.

AI가 인간의 통제를 벗어나는 위험.

그리고

AI를 통제하는 소수의 국가와 기업에게 나머지 세계가 종속되는 위험.

첫 번째 위험 때문에 우리는 안전장치와 국제적 협력이 필요하다.

그러나 두 번째 위험 때문에 그 안전규칙을 몇몇 frontier AI 기업과 패권국가만이 설계하도록 맡기는 것 역시 경계할 필요가 있다.

결국 AI 시대의 가장 중요한 질문은 단순히

“누가 가장 강한 AI를 만들 것인가?”

가 아닐 것이다.

더 본질적인 질문은 이것이다.

누가 AI의 규칙을 만들 것인가.

그리고 그보다 더 중요한 질문은,

그 규칙을 만들 힘이 없는 국가와 시민에게도 선택권은 남아 있을 것인가.

그 질문까지 생각한다면 Sovereign AI는 더 이상 단순한 국산 LLM 개발 경쟁이 아니다.

AI 시대에도 한 국가와 사회가 자신의 데이터, 산업, 문화, 안보와 미래에 대해 스스로 선택할 수 있는 능력을 얼마나 보유할 것인가라는 문제가 된다.

그러나 동시에 우리는 또 하나를 잊어서는 안 된다.

AI 주권을 지키기 위한 경쟁이 인간이 AI를 통제하기 위한 협력을 무너뜨린다면, 그것 역시 답이 될 수 없다.

결국 우리가 풀어야 할 문제는 하나가 아니라 두 개다.

AI를 인간의 통제 아래 두면서도, AI에 대한 통제권을 소수에게 독점시키지 않는 것.

아마 앞으로의 AI 질서를 결정할 가장 어려운 문제는 바로 이 두 목표를 동시에 달성하는 일일 것이다.

인공지능 소프트웨어 개발 회사에 관심이 있는데, 자신이 그런 회사에 가서 제대로 일을 할 수 있을지 걱정된다고 했다. 그래서 수업 시간에 나오는 소스코드를 어느 정도 이해하느냐고 물었다.

“전부 이해하는 건 아닌데, 바이브코딩으로 만들 수는 있습니다.”

그 말을 듣는 순간 예전부터 갖고 있던 생각이 다시 떠올랐다.

요즘 학생들은 생성형 AI를 이용해 정말 빠르게 프로그램을 만든다. 화면을 만들고, 데이터베이스를 연결하고, API를 붙이는 일도 예전보다 훨씬 쉬워졌다.

문제는 프로젝트 후반이다.

기능이 많아지고 코드가 서로 얽히기 시작하면, 처음에는 잘 돌아가던 프로그램이 어느 순간부터 꼬인다. 하나를 수정했더니 다른 곳이 깨지고, 에러를 AI에게 맡겨 고쳤더니 또 다른 문제가 생긴다. 결국 전체 코드를 다시 만들어달라고 요청하는 경우도 적지 않다.

나는 이 문제를 단순히 “기본기가 부족하다”고 말하고 싶지는 않다.

오히려 개발자에게 필요한 능력의 중심이 바뀌고 있다고 생각한다.

예전에는 코드를 직접 작성하는 능력이 매우 중요했다. 문법과 함수, 라이브러리를 익히고 직접 구현해야 했다.

이제는 AI가 그 일을 상당 부분 대신한다.

그래서 앞으로는 모든 문법을 외워서 코드를 처음부터 끝까지 직접 작성하는 능력의 중요성은 줄어들 수 있다.

하지만 코드를 이해하는 능력까지 줄어드는 것은 아니다.

AI가 만든 코드를 보고 무엇을 하는 코드인지 이해하고, 데이터가 어디에서 들어와 어디로 가는지 추적하고, 문제가 생겼을 때 어느 부분을 의심해야 하는지는 알아야 한다.

그보다 더 중요한 것은 시스템을 설계하는 능력이다.

어떤 서비스를 만들 때 어떤 데이터를 사용할지, 데이터베이스는 어떻게 구성할지, 어떤 기능은 SQL로 처리하고 어떤 기능은 머신러닝이나 LLM에 맡길지, 각각의 기능을 어떻게 나눌지 결정하는 일이다.

AI는 코드를 빠르게 만들어주지만, 이런 구조를 먼저 생각하지 않으면 개발은 쉽게 이런 식이 된다.

“이 기능 만들어줘.” “에러가 났어.” “고쳐줘.” “또 에러가 났어.” "뭐하냐? 바보냐?" "fjdskla32819032102193012jfld1232213#@!#@!"

이 과정에서도 프로그램은 만들어질 수 있다. 그러나 자신이 만든 프로그램의 구조를 설명하지 못한다면, 그것을 개발 역량이라고 부르기는 애매하다.

신입 개발자에게도 이 문제는 중요하다.

단순히 “저도 AI로 코드를 만들 수 있습니다”만으로는 경쟁력이 되기 어렵다.

회사 입장에서는 이미 시스템을 이해하고 있는 경력 개발자에게 AI 도구를 주는 편이 더 효율적일 수 있기 때문이다.

그래서 앞으로 신입에게 더 중요한 것은 코드를 얼마나 빨리 작성하느냐보다, 요구사항을 나누고 시스템 구조를 설계하고 AI가 만든 결과를 검토할 수 있는 능력이 될 가능성이 크다.

그렇다고 학생들에게 AI를 쓰지 말라고 할 필요는 없다.

오히려 적극적으로 써야 한다.

다만 순서는 중요하다.

먼저 무엇을 만들지 생각하고, 그다음 어떻게 나눌지 설계하고, 마지막에 AI에게 코드를 맡겨야 한다.

바이브코딩 시대의 프로그래밍 교육에서 중요한 질문은 아마 이것일 것이다.

얼마나 많은 코드를 직접 작성했는가가 아니라, 자신이 만든 시스템을 얼마나 이해하고 있는가.

앞으로 좋은 개발자는 코드를 가장 많이 작성하는 사람이 아니라,

AI가 만든 코드를 이해하고, 판단하고, 하나의 시스템으로 묶을 수 있는 사람일 가능성이 크다.

그래서 앞으로는 코딩 역량을 가늠하는 방식도 달라질지 모른다. “직접 코드를 짜보라”보다,

이미 작성된 코드를 보여주고 “이 코드가 어떤 흐름으로 동작하는지 설명해보라”​고 묻는 것이 더 중요해질 수 있다.

다음 시험부터 한번 그렇게 내봐야 하나...

이전 글에서 인공지능이 클라우드에 머물러 있고 데이터를 그곳으로 보내는 구조에서, AI 자체가 데이터가 생성되는 곳으로 이동하는 Edge AI와 AIoT의 흐름을 살펴봤다.

모든 데이터를 멀리 있는 클라우드로 보내는 대신, AI 모델을 공장이나 자동차, 스마트폰과 같은 현장 가까이 배치하면 지연시간을 줄이고 네트워크가 끊긴 상황에서도 서비스를 계속할 수 있으며 민감한 원시 데이터를 외부로 보내지 않는 시스템도 설계할 수 있다.

그런데 AI가 데이터 가까이로 이동하기 시작하면 한 단계 더 근본적인 질문이 생긴다.

그 데이터와 AI를 누가 통제해야 하는가.

이 질문이 가장 선명하게 드러나는 분야 가운데 하나가 의료다.

의료 AI는 인간의 건강과 생명을 다룬다. 그리고 좋은 의료 AI를 만들기 위해서는 진료기록, 검사결과, 의료영상, 처방기록, 유전체 정보와 같은 막대한 의료 데이터가 필요하다.

WHO 역시 AI와 머신러닝을 의료에 적용하기 위해서는 대규모의 고품질 데이터가 필요하며, 그 데이터가 윤리적으로 수집되고 대상 인구를 충분히 대표하도록 관리하는 데이터 거버넌스가 중요하다고 강조한다.

바로 여기에서 Health AI와 Sovereign AI가 만난다.

의료 AI는 결국 데이터의 문제다​

AI의 성능을 높이는 데 좋은 알고리즘만큼 중요한 것이 데이터다.

흉부 X-ray에서 질병을 판별하는 AI를 만든다면 수많은 의료영상과 진단 결과가 필요하고, 환자의 향후 위험을 예측하려면 오랜 기간 축적된 진료기록과 검사결과가 필요하다.

최근에는 텍스트뿐 아니라 영상, 검사결과 등 여러 종류의 정보를 함께 처리하는 대규모 멀티모달 모델까지 의료에 활용하려는 움직임이 나타나고 있다.

그러나 의료 데이터는 일반적인 인터넷 데이터와 성격이 다르다.

내가 어떤 질병을 앓았는지, 어떤 약을 복용하는지, 어떤 유전적 특징을 가지고 있는지는 극도로 민감한 개인정보다. 한번 유출된 의료정보는 비밀번호처럼 바꿀 수도 없다.

동시에 의료 데이터는 지역성도 강하다.

언어가 다르고, 의료기록을 작성하는 방식이 다르며, 국가마다 의료제도와 진료과정, 사용되는 의약품과 임상환경도 다르다.

따라서 한 환경에서 좋은 성능을 보인 AI라고 해서 다른 의료환경에서도 동일한 성능을 보장할 수 있는 것은 아니다.

WHO가 의료 AI 데이터에 대해 단순히 ‘많은 데이터’가 아니라 품질과 대표성, 편향 관리​를 강조하는 이유도 여기에 있다.

따라서 의료 AI에서 데이터는 단순한 원료가 아니다.

누가 데이터를 보유하고, 누가 접근할 수 있으며, 어떤 목적으로 AI 학습에 사용할 수 있고, 개발된 AI를 누가 검증할 것인가​라는 문제가 함께 따라온다.

이 질문은 곧 AI 주권의 문제다.

소버린 AI는 ‘국산 AI’만을 의미하지 않는다​

소버린 AI라는 표현을 들으면 흔히 자국 기업이 자체적으로 개발한 거대언어모델을 떠올린다.

그러나 주권이라는 개념을 그렇게 좁게 보면 의료 AI와의 관계를 충분히 설명하기 어렵다.

유럽연합이 최근 강조하고 있는 기술 주권(Technology Sovereignty) 역시 핵심 기술과 데이터, 디지털 인프라를 스스로 개발하고 통제할 수 있는 능력과 외부 사업자에 대한 과도한 의존을 줄이는 문제로 설명된다.

이를 의료 AI에 적용하면 소버린 AI는 네 가지 층위에서 생각해볼 수 있다.

첫 번째는 데이터 주권이다.

국민의 진료기록과 의료영상, 유전체 데이터가 어디에 저장되고 누가 접근하며 어떤 목적으로 사용되는지를 통제할 수 있어야 한다.

두 번째는 모델 주권이다.

어떤 데이터로 학습됐는지도 알 수 없는 외부 AI를 그대로 의료현장에 사용하는 것보다는 우리 의료환경에서 성능을 검증하고, 필요하다면 국내 의료 데이터와 임상지식을 이용해 조정할 수 있는 능력이 필요하다.

세 번째는 인프라 주권이다.

의료 AI 서비스가 특정 해외 기업의 API나 클라우드 서비스에 전적으로 의존한다면 서비스 정책이나 가격의 변화, 장애, 접근 제한 등이 의료시스템에도 영향을 줄 수 있다. 모든 인프라를 반드시 국내 기술로 만들어야 한다는 의미는 아니지만 적어도 중요한 시스템을 어떻게 운영하고 대체할 것인지에 대한 선택권은 필요하다.

마지막은 거버넌스 주권이다.

AI가 내린 판단을 의료현장에서 어디까지 사용할 것인지, 어떤 성능 기준을 통과해야 하는지, 문제가 발생했을 때 누가 책임을 질 것인지는 각 사회의 법률과 의료체계 안에서 결정되어야 한다. WHO의 최근 의료 AI 논의에서도 기술 자체뿐 아니라 데이터 거버넌스, 법적·윤리적 체계, 책임성과 인간의 감독이 중요한 문제로 다뤄지고 있다.

따라서 소버린 AI의 핵심을 반드시

“우리나라가 모든 AI를 직접 만들어야 한다.”

라고 볼 필요는 없다.

오히려 중요한 것은

“우리가 사용하는 AI와 데이터를 이해하고, 선택하고, 검증하고, 통제할 수 있는가.”

라는 질문이다.

의료 데이터는 보호해야 하지만, 동시에 사용해야 한다​

그런데 여기에는 또 하나의 역설이 존재한다.

의료 데이터가 민감하다는 이유로 데이터를 철저하게 막아버리면 개인정보는 보호할 수 있을지 몰라도 의료 AI의 발전은 어려워진다.

AI가 질병을 더 정확하게 예측하려면 다양한 환자의 데이터가 필요하다. 희귀질환처럼 한 병원이나 한 국가만으로 충분한 데이터를 확보하기 어려운 분야에서는 여러 기관과 국가의 협력이 더욱 중요하다.

따라서 의료 분야의 데이터 주권은 데이터를 국경 안에 가두는 것과 동일하지 않다.

오히려

통제권을 유지하면서 안전하게 사용할 수 있는 구조를 만드는 것

이 핵심이다.

데이터를 보호하기 때문에 사용하지 않는 것이 아니라, 데이터를 안전하게 사용하기 위해 통제체계를 만드는 것이다.

소버린 AI도 같은 관점에서 이해할 필요가 있다.

주권은 고립이 아니다.

한국에서도 의료 데이터와 AI가 함께 움직이고 있다​

한국에서도 의료 AI 정책은 점차 AI 모델 자체보다 데이터와 실증 인프라를 함께 구축하는 방향으로 확대되고 있다.

보건복지부는 의료데이터 중심병원과 공공 보건의료 데이터의 활용을 확대하고 있으며, 2025년 보건의료데이터 정책 논의에서는 국립대병원의 임상데이터를 공공 데이터 인프라와 연계하고, 국가통합바이오빅데이터를 2028년까지 77만 명 규모로 구축하는 계획을 제시했다. 또한 의료 AI 기업의 데이터 활용을 지원하고, 2026년에는 의료 AI 솔루션의 성능과 효과를 실제 환경에서 검증하기 위한 실증 과제를 신설하는 계획도 밝혔다.

이러한 움직임을 곧바로 ‘소버린 AI 정책’이라고 부를 필요는 없다.

하지만 방향은 주목할 만하다.

AI 경쟁력이 단순히 더 좋은 알고리즘 하나를 만드는 것만으로 결정되지 않고,

어떤 데이터를 확보할 수 있는가, 그 데이터를 얼마나 안전하게 사용할 수 있는가, 그리고 만들어진 AI를 실제 의료현장에서 검증할 수 있는가

라는 국가적 인프라의 문제로 이동하고 있기 때문이다.

의료 AI가 발전할수록 의료 데이터 인프라의 중요성도 함께 커질 수밖에 없다.

가장 좋은 AI가 반드시 가장 큰 AI는 아니다​

이 지점에서는 앞서 살펴본 Edge AI와도 다시 연결된다.

의료 AI의 모든 데이터를 거대한 중앙 클라우드로 모아야 하는 것은 아니다.

병원 내부 서버나 의료기기에서 AI를 실행하거나, 여러 의료기관의 데이터를 중앙으로 옮기지 않고 각 기관에서 학습하는 연합학습(Federated Learning)과 같은 접근도 연구되고 있다.

중요한 것은 기술 구조 자체가 아니라 데이터를 필요한 수준 이상으로 이동시키지 않으면서 AI의 성능을 확보하는 방법을 찾는 것이다.

따라서 앞으로의 의료 AI 경쟁에서는 가장 거대한 범용 모델 하나만 중요한 것이 아닐 수 있다.

범용적인 의료 지식을 다루는 대규모 모델, 특정 질환을 전문적으로 분석하는 의료 AI, 병원 내부에서 작동하는 모델, 의료기기 안에서 실시간으로 추론하는 경량 모델이 서로 다른 위치에서 역할을 담당할 수 있다.

결국 Health AI는** Cloud AI, Edge AI, 데이터 거버넌스, 의료제도와 Sovereign AI가 만나는 지점**​이 된다.

의료 AI는 소버린 AI의 시험대가 될 수 있다​

소버린 AI라는 단어는 자칫 국가 간 AI 패권 경쟁이나 거대언어모델 개발 경쟁처럼 들린다.

그러나 의료를 생각하면 이 개념은 훨씬 현실적인 문제가 된다.

내 진료기록은 어디에 저장되는가. 내 의료영상을 어떤 기업의 AI가 분석하는가. 그 AI는 어떤 환자들의 데이터로 학습되었는가. 우리나라 환자에게도 충분히 검증되었는가. AI가 잘못된 판단을 내렸을 때 누가 그것을 확인하고 책임지는가. 그리고 특정 해외 서비스에 접근하지 못하게 되었을 때 우리의 의료 AI 시스템은 계속 작동할 수 있는가.

이 질문들을 하나씩 따라가면 결국 데이터, 모델, 인프라, 규제와 운영 능력에 대한 통제권이라는 문제에 도달한다.

그래서 의료는 소버린 AI가 왜 필요한지를 설명하기에 가장 적합한 분야 중 하나다.

하지만 소버린 AI의 목표를 모든 기술을 국산화하고 외부와 단절하는 것으로 이해해서는 곤란하다. 의료 연구에는 국제협력이 필요하고, 좋은 해외 모델과 오픈소스 기술도 적극적으로 활용할 수 있어야 한다.

핵심은 의존하지 않는 것이 아니라 의존을 선택할 수 있는 능력이다.

필요하면 외부 기술을 사용할 수 있고, 필요하면 다른 기술로 전환할 수 있으며, 우리 국민의 데이터가 어떻게 사용되는지를 통제하고, 우리 의료환경에서 AI의 성능과 안전성을 스스로 검증할 수 있어야 한다.

결국 의료 AI 시대의 주권은 모든 것을 스스로 만드는 능력이 아니다.

우리의 건강과 의료체계에 영향을 미치는 AI를 우리가 이해하고, 선택하고, 검증하고, 통제할 수 있는 능력이다.

이전 글에서 AI가 데이터가 있는 곳으로 이동하고 있다고 이야기했다.

이제 다음 질문이 남는다.

AI가 우리 곁으로 왔을 때, 그 AI의 통제권 역시 우리 곁에 있는가.

Health AI는 앞으로 그 질문에 가장 먼저 답해야 하는 분야가 될 것 같다.

2022년 11월 30일 OpenAI가 ChatGPT를 공개했을 때, 많은 사람은 그것을 ‘말을 잘하는 새로운 챗봇’ 정도로 받아들였다. 그러나 불과 몇 년 사이 ChatGPT가 촉발한 변화는 소프트웨어 시장의 범위를 훨씬 넘어섰다.

반도체에서 시작된 투자 경쟁은 메모리와 패키징, 네트워크, 데이터센터를 지나 전력과 제조업으로 번지고 있으며, 이제는 국가가 직접 AI 컴퓨팅 인프라를 확보하려는 단계까지 확장되고 있다. ChatGPT는 AI의 시작은 아니었지만, AI의 경제적 가치가 대중과 기업, 자본시장에 동시에 가시화된 결정적 계기 가운데 하나였다.

이 변화의 규모를 가장 단순하게 보여주는 것은 돈이다.

Stanford의 AI Index Report 2026에 따르면 전 세계 기업의 AI 관련 투자는 2025년 5,816억9천만 달러로 전년보다 약 130% 증가했다. 이 가운데 민간투자만 3,446억6천만 달러였다. 조사 대상 조직 가운데 AI를 사용한다고 응답한 비율도 2025년 88%까지 높아졌고, 70%는 적어도 하나의 업무 기능에서 생성형 AI를 사용하고 있었다.

AI는 더 이상 몇몇 연구소와 빅테크 기업의 기술 실험이 아니다. 자본과 실제 사용 모두에서 이미 기업 경제의 중요한 축으로 이동하고 있다.

그렇다면 이 거대한 돈은 어디로 흘러가고 있을까. 이 질문을 따라가면 지난 몇 년 동안 AI 산업이 확장돼 온 구조가 보인다.

AI가 똑똑해질수록 먼저 필요한 것은 ‘연산’이었다​

오늘날 생성형 AI가 갑자기 등장한 것처럼 보이지만, 그 기반에는 오랜 시간 축적된 가속 컴퓨팅 기술이 있다.

NVIDIA는 2006년 CUDA를 공개하면서 GPU를 그래픽 처리뿐 아니라 범용 병렬 연산에 사용할 수 있는 환경을 제공했다. 이후 CUDA를 중심으로 라이브러리와 개발도구, 개발자 생태계가 축적되면서 NVIDIA는 단순한 GPU 공급업체를 넘어 AI 컴퓨팅 플랫폼 기업으로 발전했다. CUDA 생태계가 강력한 개발자 기반과 높은 전환비용을 형성했다.

2012년 AlexNet은 이러한 변화가 실제 AI 성능으로 이어질 수 있다는 사실을 상징적으로 보여줬다. Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton의 연구팀은 두 대의 NVIDIA GTX 580 GPU를 사용해 신경망을 약 5~6일간 학습했고, ImageNet 이미지 인식 성능을 크게 끌어올렸다. 논문에서 연구진은 당시 네트워크 크기가 GPU 메모리와 학습 시간에 의해 크게 제약된다고 직접 설명했다. 이후 AI 모델이 커질수록 더 많은 연산 능력이 필요해졌고 GPU와 AI 가속기는 AI 경쟁의 첫 번째 병목으로 부상했다.

그러나 GPU만 많이 만든다고 AI 시스템이 빨라지는 것은 아니다.

GPU 다음에는 메모리가 기다리고 있었다​

AI 가속기가 아무리 빠르게 계산할 수 있어도 필요한 데이터를 제때 전달받지 못하면 GPU는 기다려야 한다.

이른바 ‘Memory Wall’이다.

이 때문에 AI 시대에는 단순한 메모리 용량뿐 아니라 GPU와 데이터를 얼마나 빠르게 주고받을 수 있는지가 중요해졌고, HBM(High Bandwidth Memory)이 핵심 부품으로 부상했다.

2026년에도 이러한 흐름은 이어지고 있다. Micron은 HBM4를 고용량 생산 단계에 올렸으며 자사 HBM4가 HBM3E보다 2배 이상 높은 대역폭을 제공한다고 밝히고 있다.

흥미로운 것은 병목이 HBM에서 끝나지 않는다는 점이다. 긴 컨텍스트, RAG, 멀티모달 데이터, 지속적으로 동작하는 AI 에이전트가 확산되면 AI 시스템은 빠른 메모리뿐 아니라 막대한 양의 데이터를 가까운 곳에 저장할 수 있는 새로운 메모리 계층을 필요로 한다.

2026년 8월 Sandisk와 SK hynix가 Open Compute Project를 통해 HBF(High Bandwidth Flash)의 첫 기술 사양을 공개한 것도 이런 배경이다.

HBF는 아직 HBM처럼 광범위하게 상용화된 기술이 아니라 AI 추론 시대를 겨냥해 표준화와 상용화가 진행되는 차세대 메모리 후보로 보는 것이 정확하다.

메모리 시장 전체가 커지는 이유도 여기에 있다. AI가 GPU뿐 아니라 DRAM·HBM·스토리지 전반의 수요 구조를 바꾸고 있다는 방향성은 분명하다.

칩이 커지자 ‘칩을 연결하는 산업’이 커졌다​

다음 병목은 패키징이다.

AI 반도체는 이제 하나의 거대한 칩만으로 성능을 높이는 방식에서 벗어나 GPU, HBM, I/O 칩 등 여러 반도체를 하나의 시스템처럼 연결하는 방향으로 발전하고 있다.

이 과정에서 첨단 패키징, 인터포저, 기판, 본딩 장비 같은 과거에는 상대적으로 덜 주목받던 영역의 중요성이 커졌다.

세계 최대 파운드리인 TSMC는 2025년 연차보고서에서 AI 수요 급증으로 2023년 이후 CoWoS 첨단 패키징 사업이 강한 성장세를 보이고 있다고 설명했다. 또한 더 큰 크기의 CoWoS와 3D 적층 기술을 지속적으로 확대하고 있다.

이것은 AI 경쟁이 단순히 “누가 가장 좋은 GPU를 만드는가”에서 “어떻게 여러 칩을 하나의 거대한 계산 시스템으로 구성하는가”라는 문제로 이동하고 있음을 보여준다.

그리고 칩을 수천 개, 수만 개 연결하기 시작하면 또 다른 문제가 나타난다. 네트워크다.

대규모 AI 클러스터는 더 이상 서버 여러 대의 집합이라고만 보기 어렵다. 수많은 GPU가 동시에 데이터를 교환하는 하나의 거대한 병렬 컴퓨터에 가깝다. GPU 사이의 통신 속도가 충분하지 않으면 비싼 GPU가 계산을 하지 못한 채 통신을 기다리는 시간이 늘어난다. 그 결과 스위치, 고속 인터커넥트, 광통신, 네트워크 반도체가 AI 인프라의 중요한 부분으로 편입됐다.

GPU가 성장하면 GPU 산업만 커지는 것이 아니다. GPU가 많아질수록 GPU가 필요로 하는 주변 산업의 규모가 함께 커진다.

바로 이 점이 AI 산업을 이해하는 데 중요하다.

그리고 결국 누군가는 이 모든 장비를 사야 한다​

GPU, HBM, 패키징, 네트워크 장비를 모두 합치면 막대한 자본이 필요하다. 그 돈을 실제로 지출하고 있는 곳이 Microsoft, Amazon, Google, Meta, Oracle과 같은 하이퍼스케일러다.

그 규모는 이전의 일반적인 IT 설비투자와 비교하기 어려울 정도다. Microsoft는 2026회계연도 4분기에만 410억 달러의 자본적 지출을 기록했고, 2026년 달력연도 기준으로 약 1,750억 달러의 CapEx를 예상한다고 밝혔다. Microsoft는 이 가운데 상당 부분이 CPU·GPU와 대규모 데이터센터에 투입되고 있다고 설명한다.

Meta 역시 2026년 자본적 지출 전망치를 1,250억~1,450억 달러로 제시하면서 AI 연구와 향후 데이터센터 용량 확보를 주요 이유로 들었다. Oracle은 FY2026 클라우드 인프라 매출이 전년보다 77% 증가했다고 발표했고, 대규모 AI 계약 확대에 따라 AI 데이터센터 투자를 계속 확대하고 있다.

한편 기존 하이퍼스케일러와 다른 형태의 기업도 등장했다. CoreWeave 같은 Neo Cloud 업체들이다.

종합적인 클라우드 서비스를 제공하는 AWS나 Azure와 달리 Neo Cloud는 GPU와 AI 연산 인프라 공급에 보다 집중한다. Reuters는 최근 이러한 기업들의 등장을 1990년대 후반 통신망 인프라 투자 붐과 비교하면서, AI 컴퓨팅 수요가 독립적인 GPU 클라우드 사업자까지 만들어내고 있다고 분석했다. 동시에 막대한 부채와 설비투자가 요구되는 만큼 과잉투자 위험 역시 존재한다고 지적한다.

이 대목이 중요하다.

AI 산업의 확장은 모든 기업이 반드시 성공한다는 의미가 아니다. 산업의 성장과 개별 기업의 투자수익률은 전혀 다른 문제다.

인프라 구축 이후에는 AI가 ‘업무’로 내려온다​

이제 방향이 바뀐다.

GPU와 데이터센터를 구축하는 것은 AI를 만드는 과정이다. 그러나 결국 그 막대한 투자를 회수하려면 AI가 기업의 실제 업무에 사용되어야 한다.

그래서 다음 확장은 Enterprise AI와 자동화다.

대기업에서는 Palantir와 같은 데이터·의사결정 플랫폼, ServiceNow와 같은 업무 워크플로 플랫폼이 AI를 기존 기업 시스템에 연결하려 하고 있다.

다른 한편에서는 n8n, Make, Zapier 같은 도구를 이용해 개인이나 작은 조직도 여러 SaaS와 AI 모델을 연결하여 업무를 자동화하기 시작했다.

이 두 흐름은 ‘AI Application 전체의 두 종류’라기보다, 기업의 상층에서 진행되는 플랫폼형 AI 전환과 현업에서 아래로부터 진행되는 경량 자동화라는 두 가지 도입 경로로 보는 편이 적절하다.

실제 기업 도입도 빠르게 늘고 있다. Stanford AI Index에 따르면 2025년 조사 대상 조직의 88%가 AI를 사용한다고 답했고, 70%는 생성형 AI를 최소 하나의 업무 기능에 사용하고 있었다. 다만 AI Agent의 실제 업무 배치는 아직 대부분의 기능에서 한 자릿수 비율에 머물러 있었다. 즉 현재는 “AI가 기업에 들어가기 시작한 단계”인 동시에, Agentic AI가 실제 업무 프로세스로 확산될 여지가 여전히 큰 단계다.

화면 속 AI가 현실 세계로 나오기 시작한다​

그다음 확장은 더 근본적이다.

지금까지 우리가 경험한 AI의 대부분은 화면 속에 있었다. 문장을 쓰고, 이미지를 만들고, 코드를 생성하고, 데이터를 분석했다.

그러나 AI가 카메라와 센서로 현실을 인식하고 로봇이나 기계를 통해 행동하기 시작하면 적용 대상은 컴퓨터 화면을 넘어 공장, 물류창고, 자동차, 건설현장, 의료기기로 확장된다.

NVIDIA가 ‘Physical AI’라고 부르는 영역이다.

2026년 NVIDIA는 ABB, FANUC, KUKA, Yaskawa, Figure 등 로봇·산업자동화 기업들과 Physical AI 생태계를 확대하고 있다고 발표했다. 기업 발표라는 점은 감안해야 하지만, AI 업계의 경쟁이 실제 기계 제어와 로봇으로 이동하고 있음을 보여주는 사례다.

AI가 결합되면 기존 산업자동화는 미리 프로그래밍한 작업을 반복하는 자동화에서, 주변 상황을 인식하고 판단하는 자동화로 이동할 가능성이 있다.

즉 AI는 IT기업만의 산업에서 벗어나 제조업의 생산방식 그 자체를 바꾸는 기술로 이동하고 있다.

그리고 마지막에는 전기가 남는다​

여기서 매우 역설적인 장면이 나타난다.

인류가 가장 첨단이라고 생각하는 AI 기술이 성장할수록 결국 가장 오래된 산업 가운데 하나인 전력 산업의 중요성이 커진다.

IEA에 따르면 세계 데이터센터 투자는 2022년 이후 거의 두 배로 증가해 2024년 약 5,000억 달러에 달했다. 데이터센터는 같은 해 전 세계 전력 소비의 약 1.5%, 415TWh를 사용했다. IEA의 기본 시나리오에서는 데이터센터 전력 소비가 2030년 약 945TWh까지 증가할 것으로 전망되며, AI가 증가분의 가장 중요한 원인으로 지목된다.

이 순간 AI 산업의 범위는 다시 넓어진다.

데이터센터를 짓기 위해서는 전력망이 필요하고, 송배전 설비와 변압기가 필요하며, 서버에서 발생하는 막대한 열을 제거하기 위한 냉각 시스템도 필요하다.

전력 공급을 안정화하기 위해 천연가스 발전, 재생에너지, ESS, 원자력과 SMR까지 논의된다.

AI가 발전했는데 변압기와 냉각장치가 중요한 산업이 되는 이유가 바로 이것이다.

산업의 병목이 이동하기 때문이다.

그리고 경쟁의 단위는 기업에서 국가로 커진다​

마지막 확장은 기술적 병목과는 성격이 조금 다르다.

Sovereign AI다.

AI가 행정, 국방, 의료, 산업기밀, 언어, 국가 데이터와 연결될수록 모든 국가가 핵심 AI 인프라를 해외 기업에만 의존하기 어렵다는 문제가 등장한다.

NAVER·NVIDIA·Brookfield는 2026년 7월 세종의 AI 팩토리 구축 규모를 기존 55MW 계획에서 200MW로 확대한다고 발표했다. NAVER는 이 시설을 약 10만 개의 NVIDIA GPU 규모로 설명하고 있으며 향후 더 큰 규모의 AI 인프라 확장 계획도 제시하고 있다.

여기에서는 더 이상 어느 회사가 더 좋은 모델을 만드는지만이 문제가 아니다.

누가 컴퓨팅 자원을 가지고 있는가. 누가 데이터와 전력을 통제하는가. 누가 자국 기업과 산업에 AI를 공급할 수 있는가.

AI 경쟁의 단위가 기업에서 국가로 확장되는 것이다.

주식시장은 이 흐름을 먼저 보여주는 ‘그림자’다​

이런 산업 변화를 설명할 때 주식시장을 살펴보는 이유는 특정 종목을 추천하기 위해서가 아니다.

주식시장은 미래의 매출과 이익에 대한 기대를 현재 가격에 반영한다. 그래서 실제 산업의 자본투자가 어디로 이동하고 있는지를 비교적 빠르게 보여준다.

초기에는 NVIDIA와 같은 AI 가속기 기업이 가장 강하게 반응했다.

이후 HBM 수요가 증가하자 메모리 기업이 주목받았고, 다시 패키징 장비와 기판, 네트워크, 데이터센터와 전력기기 기업으로 시장의 관심이 확산됐다.

최근에는 AI 클라우드, 기업용 AI, 자동화, 로봇과 전력 인프라까지 AI라는 이름 아래 연결되고 있다.

그러나 이것을 “AI 때문에 그 주식이 올랐다”는 식의 단순한 인과관계로 해석해서는 안 된다. 주가는 금리, 경기, 산업 사이클, 공급 부족, 경쟁구도와 기업 실적 등 수많은 변수의 영향을 받는다. 또한 산업이 성장한다고 그 산업에 속한 모든 기업의 주가가 상승하는 것도 아니다.

따라서 주가 차트는 AI 산업 확산의 원인을 증명하는 자료라기보다 자본시장이 어느 산업의 미래 이익 증가를 먼저 기대했는지를 보여주는 보조지표로 보는 것이 적절하다.

AI는 하나의 산업이 아니다​

이제 처음의 질문으로 돌아가 보자.

“ChatGPT 하나가 세계 산업을 어떻게 바꿨을까?”

정확히 말하면 ChatGPT 하나가 이 모든 산업을 만든 것은 아니다. 반도체도, 데이터센터도, 로봇도, 전력산업도 이미 존재했다.

AI가 한 일은 기존 산업들의 수요 구조와 중요도의 순서를 바꾼 것에 가깝다.

더 좋은 모델을 만들기 위해 더 많은 연산이 필요했다.

연산이 늘자 더 빠른 메모리가 필요했다.

GPU와 메모리가 커지자 이를 연결하는 패키징과 네트워크가 필요했다.

이 장비들을 설치하기 위해 초대형 데이터센터가 필요했고, 데이터센터가 커지자 막대한 전력과 냉각이 필요해졌다.

인프라가 구축되자 AI는 기업의 업무로 내려갔고, 다시 공장과 로봇, 자동차라는 물리 세계로 나오기 시작했다.

그리고 AI가 사회의 핵심 인프라가 되면서 이제 국가는 자체 AI 컴퓨팅 능력까지 확보하려 하고 있다.

따라서 이 변화는

Model → GPU → Memory → Packaging → Network → Data Center → Enterprise AI → Physical AI → Energy → Sovereign AI a
라는 단순한 시간순서라기보다, AI의 사용량이 증가하면서 병목과 투자처가 바깥으로 계속 확장되는 과정이라고 보는 것이 더 정확하다.

앞 단계가 끝나야 다음 단계가 시작되는 것이 아니다. 여러 산업이 동시에 성장하며 서로의 수요를 증폭시킨다.

그리고 이 흐름에서 가장 중요한 사실은 특정 GPU나 특정 AI 모델의 성공이 아니다.

AI는 더 이상 하나의 소프트웨어 산업이 아니다.

PC가 반도체 산업만 성장시킨 것이 아니고, 인터넷이 통신회사만 성장시킨 것이 아니었던 것처럼, AI 역시 AI 회사들만의 산업으로 남지 않을 가능성이 높다.

AI는 계산을 필요로 하고, 계산은 반도체를 필요로 한다.

반도체는 메모리와 네트워크를 필요로 하고, 그것은 데이터센터와 전력을 필요로 한다.

그리고 그 위에 기업의 업무와 제조업, 로봇, 국가 인프라가 올라간다.

그래서 앞으로 AI 산업을 이해하기 위해서는 AI 모델의 성능만 바라봐서는 충분하지 않다.

AI가 지금 무엇을 필요로 하는가.

기업들은 어디에 실제 돈을 쓰고 있는가.

그 투자 때문에 다음으로 부족해지는 것은 무엇인가.

돈의 흐름을 따라가면 기술의 흐름이 보이고, 병목이 이동하는 방향을 따라가면 AI가 다음에 어떤 산업을 바꾸게 될지 보인다.

지난 몇 년 동안 우리가 목격한 것은 ‘AI 산업의 성장’만이 아니다.

AI가 산업이 되는 과정에서, 점점 더 많은 산업이 AI 산업의 일부가 되어가는 과정이다.

그렇다면 다음 질문은 자연스럽다.

플랫폼에 흡수되지 않는 AI 서비스를 만들려면 어떻게 해야 할까.

그런데 이 질문부터 조금 바꿔야 할 것 같다. 플랫폼에 포함되지 않을 ‘기능’을 찾는 것은 별 의미가 없을지도 모른다. 지금의 발전 속도를 보면 우리가 생각할 수 있는 상당수의 기능은 언젠가 범용 LLM 서비스에 포함될 가능성이 있기 때문이다.

중요한 것은 그 기능이 플랫폼에 포함되더라도 서비스의 가치가 사라지지 않는가이다.

여기에는 몇 가지 조건이 있을 수 있다.

첫 번째는 데이터다.

기업 내부 데이터, 오랫동안 축적한 고객 데이터, 생산설비 데이터처럼 외부에서 쉽게 얻을 수 없는 데이터가 있다. 모델의 성능이 아무리 좋아져도 가지고 있지 않은 데이터까지 저절로 알 수는 없다. 결국 모델 자체가 아니라 어떤 데이터를 가지고 있고, 그것을 어떻게 활용하느냐가 서비스의 가치가 될 수 있다.

두 번째는 현실의 업무 프로세스와 얼마나 깊게 연결되어 있는가이다.

단순히 질문을 받고 답을 생성하는 것에서 끝나는 것이 아니라 ERP, MES, CRM, 그룹웨어, 결재 시스템 등과 연결되어 실제 업무를 처리하는 서비스라면 이야기가 달라진다. 기업마다 시스템도 다르고 업무 절차도 다르다. 범용 서비스 하나가 모든 조직의 업무 방식을 그대로 흡수하기는 쉽지 않다.

세 번째는 도메인에 대한 이해다.

제조, 의료, 법률, 금융처럼 전문성이 필요한 분야에서는 말을 잘 만들어내는 것만으로 업무를 해결할 수 없다. 어떤 데이터를 봐야 하는지, 무엇을 확인해야 하는지, 나온 결과가 정상적인지를 판단하는 것 자체가 전문성이다.

마지막은 AI가 아니라 결과가 상품이어야 한다는 것이다.

‘AI가 회의록을 요약해준다’면 핵심 상품은 AI의 기능에 가깝다. 반면 회의가 끝난 뒤 결정사항을 업무 시스템에 등록하고, 담당자를 지정하고, 일정을 변경하고, 이후 진행 상황까지 관리한다면 사용자가 구매하는 것은 더 이상 ‘AI 요약’이 아니다. 사용자는 업무가 처리되는 결과를 구매한다.

결국 여기에는 하나의 연속선이 존재하는 것 같다.

LLM 기능 → AI 응용 기능 → 특정 업무 해결 → 업무 시스템

왼쪽으로 갈수록 모델의 능력과 가깝다. 따라서 모델을 직접 만드는 기업이 그 기능을 흡수하기 쉽다.

오른쪽으로 갈수록 이야기가 달라진다.

회사마다 다른 데이터를 이해해야 하고, 기존 시스템과 연결해야 하며, 업무 규칙을 파악해야 한다. 현장 담당자를 만나 요구사항을 듣고 때로는 예외적인 업무 방식까지 맞춰야 한다.

물론 거대 AI 기업이 기술적으로 이런 시스템을 만들 수 없는 것은 아니다.

문제는 그들이 모든 현실에 들어갈 수 있느냐이다.

수천 개의 제조기업마다 다른 MES와 연결하고, 병원마다 다른 업무 절차에 맞추고, 기업마다 제각각인 내부 데이터를 정리하며, 현장에서 담당자와 요구사항을 협의하는 것은 범용 AI 플랫폼을 만드는 것과는 전혀 다른 종류의 일이다.

어쩌면 바로 이 지점에 기회가 있을지도 모른다.

지금까지 AI 서비스를 만든다고 하면 자연스럽게 AI에 가까이 가려고 했다. 더 좋은 모델을 사용하고, 새로운 기능을 붙이고, 더 뛰어난 AI 기술을 적용하는 것이 경쟁력이라고 생각했다.

그런데 역설적으로 모델에 가까운 영역일수록 모델을 직접 만드는 기업과 경쟁해야 한다.

반대로 현실로 깊숙이 들어갈수록 경쟁의 기준이 달라진다. 그때부터 중요한 것은 모델의 성능만이 아니라 데이터이고, 업무이고, 시스템이고, 그 산업을 이해하는 경험이다.

결국 AI 시대에 쉽게 대체되지 않는 서비스를 만드는 방법은 AI와 가장 가까운 곳에서 찾는 것이 아닐지도 모른다.

AI 시대의 경쟁력은 AI에 얼마나 가까이 있느냐가 아니라, AI가 모르는 현실에 얼마나 가까이 있느냐에서 생길지도 모른다.

이런 수업을 하면서 예전부터 한 가지 의문이 있었다.

아무리 좋은 아이디어를 만들어도 ChatGPT나 Claude가 그 기능을 직접 제공하기 시작하면 어떻게 되는 걸까?

초기의 채팅형 LLM은 비교적 단순했다. 사용자가 텍스트를 입력하면 텍스트로 답하는 것이 중심이었다. 그렇다 보니 그 주변에는 수많은 서비스 아이디어가 존재할 수 있었다.

텍스트로 대화하는 것이 불편하니 STT와 TTS를 연결해 음성으로 대화하게 만들 수 있다. 그런데 이제 ChatGPT나 Claude 자체가 자연스러운 음성 대화를 제공한다.

LLM이 코드를 만들어줄 수 있다면 그 코드를 실제 환경에서 실행하게 만들 수도 있겠다는 생각을 할 수 있다. 하지만 LLM 서비스 자체가 코드 실행과 컴퓨터 조작, 도구 연결의 영역으로 계속 확장되고 있다.

문서를 읽고 요약하는 것에서 한 단계 더 나아가, 문서의 내용을 두 사람이 이야기하는 팟캐스트처럼 만들어주는 서비스를 생각할 수도 있다. 그런데 Google의 NotebookLM은 이미 Audio Overviews라는 형태로 이런 경험을 제공하고 있다.

파일 분석, 이미지 이해, 웹 검색, 기억, 외부 서비스 연결 역시 비슷하다.

한때는 각각이 하나의 독립적인 AI 서비스 아이디어가 될 수 있었지만, 시간이 지나면서 점차 범용 LLM 서비스의 기능 안으로 들어오고 있다.

생각해 보면 이상한 일도 아니다.

LLM을 활용한 서비스를 만드는 사람과 LLM 자체를 개발한 회사가 같은 아이디어를 떠올렸다면, 적어도 모델과 가까운 기능에서는 모델을 직접 개발하고 운영하는 회사가 유리할 수밖에 없다. 모델에 새로운 기능을 붙일 수 있고, 이미 확보한 사용자에게 곧바로 제공할 수도 있다.

물론 현실에는 여전히 수많은 LLM 기반 기업이 존재하고 있고, 특정 산업과 업무에 특화된 서비스가 범용 AI와 다른 가치를 가질 수도 있다. 따라서 모든 AI 서비스가 결국 ChatGPT나 Claude에 흡수될 것이라고 단정하는 것은 지나치다.

다만 LLM을 활용한 서비스를 설계하고 가르치는 입장에서는 이 질문을 한번쯤 해볼 필요가 있다고 생각한다.

우리가 지금 ‘새로운 AI 서비스’라고 생각하고 만드는 것은 정말 하나의 독립적인 서비스일까. 아니면 아직 ChatGPT와 Claude에 들어가지 않은 기능 하나를 먼저 만들어보고 있는 것일까.

오늘 꽤 그럴듯해 보이는 AI 서비스가 내일 ChatGPT의 업데이트 목록 한 줄로 등장할 수도 있다. 그리고 그 순간, 며칠 전까지 하나의 서비스라고 생각했던 것이 사실은 범용 AI가 아직 갖추지 못했던 기능 하나였다는 사실을 뒤늦게 알게 될지도 모른다.

그래서 요즘 학생들에게 AI 서비스를 만들어보라고 이야기하면서도 가끔 나 자신에게 되묻게 된다.

우리는 지금 새로운 AI 서비스를 만들고 있는 걸까. 아니면 거대 LLM 기업의 다음 업데이트를 조금 먼저 만들어보고 있는 걸까.

첫날에는 학생들을 대상으로 AI를 활용해 서비스를 개발하는 방법에 대해 특강을 했고, 이후에는 팀별로 아이디어를 구체화하고 실제 서비스를 구현하는 과정을 함께 지켜보며 지도했다.

참가 학생 대부분은 컴퓨터공학이나 AI·소프트웨어 관련 학과 학생들이었다.

학생들은 저마다 아이디어를 가지고 있었다. 팀원들과 기능을 논의하고, 필요한 기술을 찾아보고, 생각했던 서비스를 실제로 구현하기 위해 열심히 작업했다. 짧은 시간 안에 아이디어가 조금씩 실제 서비스의 모습을 갖춰가는 과정은 꽤 흥미로웠다.

그런데 여러 팀의 아이디어와 구현 과정을 보다 보니 문득 한 가지 생각이 들었다.

그런데, 이 서비스는 왜 AI여야 하지?

AI를 사용한 서비스와 AI이기 때문에 가능한 서비스​

AI를 서비스에 활용하는 것이 잘못되었다는 이야기는 아니다.

AI를 이용해 기존 서비스를 더 편리하게 만들 수도 있고, 업무 시간을 줄일 수도 있다.

검색 결과를 요약해줄 수도 있고, 사용자와 자연어로 대화할 수도 있으며, 기존에는 복잡했던 기능을 훨씬 쉽게 사용할 수 있게 만들 수도 있다.

그것만으로도 충분히 가치가 있다.

내가 궁금했던 것은 조금 다른 것이었다.

AI가 있어서 처음으로 가능해진 것은 무엇일까?

기존 서비스에 AI 기능 하나를 추가하는 것과 AI라는 기술이 등장했기 때문에 비로소 가능해진 서비스를 만드는 것은 비슷해 보이지만 조금 다른 문제다.

하나는 AI를 어떻게 활용할 것인가에 대한 질문이고,

다른 하나는 AI가 무엇을 가능하게 만들었는가에 대한 질문이다.

해커톤 현장에서 학생들의 아이디어를 보면서 나는 오히려 두 번째 질문에 관심이 갔다.

우리는 계속 반대쪽 질문을 해왔다​

AI 이야기를 할 때 빠지지 않고 등장하는 질문이 있다.

"AI가 인간의 일자리를 대체하면 어떻게 할 것인가?"

그리고 거의 항상 그다음 질문이 따라온다.

"그렇다면 AI가 대체할 수 없는 일은 무엇인가?"

창의력이 필요한 일, 공감이 필요한 일, 사람과 사람 사이의 관계가 중요한 일, 현실 세계에서 복잡한 판단과 행동이 필요한 일.

AI가 빠르게 발전할수록 우리는 AI가 넘어오지 못할 인간의 영역을 찾으려 한다.

AI 시대를 살아가는 개인의 입장에서는 당연한 고민이다.

AI가 무엇을 할 수 있는지 살펴보고 그 반대편에서 인간에게 남을 영역을 찾는 것이다.

그런데 해커톤 현장에서 학생들을 보고 있다가 문득 질문을 반대로 해보고 싶어졌다.

컴퓨터공학을 공부하고 AI와 소프트웨어를 공부하면서 앞으로 AI를 이용해 무언가를 만들 사람들에게도 같은 질문을 던져야 할까.

이들에게는 오히려 정반대의 질문이 필요한 것 아닐까.

"AI가 할 수 없는 일은 무엇인가?"가 아니라 "AI이기 때문에 할 수 있는 일은 무엇인가?"

AI가 대체할 수 없는 영역을 찾는 것이 AI 시대를 살아가는 사람에게 중요한 질문이라면, AI를 이용해 새로운 것을 만들 사람에게는 다른 질문이 필요할지도 모른다.

AI가 없었다면 만들 수 없었던 것은 무엇인가.

'AI만이 할 수 있다'는 말의 의미​

물론 엄밀하게 말하면 'AI만이 할 수 있는 일'이라는 표현에는 문제가 있다.

AI가 하는 일 가운데 상당수는 인간도 할 수 있기 때문이다.

요약도 사람이 할 수 있고, 번역도 사람이 할 수 있다. 상담도 사람이 하고 그림도 사람이 그린다. 문서도 사람이 작성하고 데이터도 사람이 분석한다.

그렇다면 AI만이 할 수 있는 일은 생각보다 많지 않은 것처럼 보인다.

하지만 여기서 '할 수 있다'의 의미를 조금 바꿔볼 필요가 있다.

이론적으로 가능한가가 아니라 현실적으로 가능한가.

학생 1만 명에게 개인 교사를 한 명씩 붙이는 것은 이론적으로 가능하다.

하지만 현실적으로는 어렵다.

그런데 AI가 학생 1만 명의 학습 기록을 각각 분석하고, 틀린 문제를 파악하고, 학생마다 다른 방식으로 설명하고, 이해하지 못하면 다시 설명하고, 다음 문제까지 개별적으로 만들어준다면 이야기가 달라진다.

인간에게 원리적으로 불가능했던 일이 아니다.

규모 때문에 불가능했던 일이 가능해지는 것이다.

고객 상담도 마찬가지다.

상담원 한 명이 고객 한 명의 구매 기록과 과거 문의 내역, 현재 사용하고 있는 제품의 설명서를 모두 읽고 충분한 시간을 들여 답변한다면 훌륭한 상담을 할 수 있다.

그러나 수십만 명에게 동시에 그렇게 하는 것은 현실적으로 어렵다.

AI라면 가능성이 생긴다.

그러고 보면 AI가 만드는 변화는 반드시 '인간이 절대로 할 수 없는 것'에서만 나오는 것은 아니다.

인간에게는 너무 느렸던 것. 너무 비쌌던 것. 너무 많은 사람이 필요했던 것. 너무 많은 정보를 동시에 살펴봐야 했던 것. 사람마다 다르게 제공하기에는 비용이 너무 컸던 것.

이런 제약 때문에 아이디어로만 존재하던 것이 AI를 만나 현실적인 서비스가 될 수 있다.

그것도 충분히 AI이기 때문에 가능해진 것이라고 생각한다.

서비스를 기획할 때 AI를 한번 지워본다면​

그날 이후 AI 서비스를 볼 때 나름대로 하나의 질문을 해보게 되었다.

아주 단순하다.

'여기서 AI를 지워보면 어떻게 될까?'

서비스 기획서에서 AI라는 단어를 지워본다.

LLM을 지우고, 추천 모델을 지우고, 생성형 AI를 지운다.

그런데도 서비스가 제공하려는 핵심 가치가 거의 그대로 남아 있다면 어떨까.

물론 나쁜 서비스라는 뜻은 아니다.

AI를 이용해 기존 서비스를 더 편리하게 만드는 것도 충분히 가치 있는 일이다. 기존 업무의 비용을 낮추거나 속도를 높이고 사용성을 개선하는 것 역시 중요한 변화다.

다만 그것과 AI가 등장했기 때문에 비로소 가능해진 서비스는 조금 다른 종류의 아이디어라고 생각한다.

반대로 AI를 제거하는 순간 서비스의 핵심 아이디어 자체가 무너진다면 어떨까.

그 서비스는 적어도 기존 서비스에 AI를 붙이는 것에서 출발한 것이 아니라, AI가 새롭게 가능하게 만든 능력에서 출발했다고 볼 수 있을 것이다.

나는 이것을 혼자서 '==AI 삭제 테스트=='​라고 생각해보게 됐다.

아주 단순하지만 AI 서비스를 바라보는 꽤 괜찮은 질문일지도 모른다.

AI를 붙이는 것과 AI에서 출발하는 것​

앞으로 수많은 서비스에 AI가 들어갈 것이다.

문서 작성 도구에도 들어가고, 검색에도 들어가고, 자동차에도 들어가고, 가전제품에도 들어갈 것이다.

그렇다면 언젠가는 'AI 서비스'라는 말 자체가 지금만큼 특별하게 들리지 않을지도 모른다.

한때 인터넷을 이용한다는 사실 자체가 서비스의 특징이었던 시기가 있었지만 지금은 대부분의 서비스가 인터넷을 사용하는 것처럼 말이다.

그때 중요한 차이는 AI를 붙였느냐가 아니라 AI에서 출발했느냐가 될지도 모른다.

기존 서비스가 있고 그 위에 AI 기능을 추가할 수도 있다.

반대로 AI가 새롭게 가능하게 만든 능력에서 출발해 이전에는 존재하기 어려웠던 서비스를 생각할 수도 있다.

둘 다 필요하다.

하지만 AI와 소프트웨어를 공부하고 앞으로 새로운 서비스를 만들 사람이라면 적어도 두 번째 질문을 한번쯤 해보았으면 한다.

AI가 무엇을 대신할 것인가가 아니라, AI가 무엇을 처음 가능하게 만들 것인가.

그날 학생들을 보며 든 생각​

해커톤이 진행되는 동안 학생들은 자신들의 아이디어를 실제 서비스로 만들기 위해 계속 고민하고 있었다.

어떤 기능을 넣을 것인지, 사용자가 어떻게 이용하게 할 것인지, AI를 어디에 적용할 것인지 팀마다 다른 답을 찾고 있었다.

그 모습을 보면서 한편으로는 재미있었고, 한편으로는 조금 다른 생각이 들었다.

우리는 AI 시대를 이야기하면서 사람들에게 끊임없이 AI가 할 수 없는 일을 찾으라고 말한다.

그것은 여전히 중요한 질문이다.

AI가 인간의 일을 어디까지 대신하게 될지 알 수 없는 시대를 살아가는 사람에게는 자신의 역할을 고민하기 위해 필요한 질문이다.

하지만 AI를 공부하고, AI를 이용해 새로운 서비스를 만들 사람들에게만큼은 질문을 한번 뒤집어도 좋지 않을까.

AI가 하지 못하는 영역으로 물러나는 것이 아니라 오히려 AI가 가장 잘할 수 있는 영역으로 들어가 보는 것이다.

그리고 묻는 것이다.

AI가 있기 전에는 비용 때문에 하지 못했던 것은 무엇인가. 시간 때문에 하지 못했던 것은 무엇인가. 규모 때문에 하지 못했던 것은 무엇인가. 그리고 이제 AI 때문에 처음으로 현실적인 서비스가 될 수 있는 것은 무엇인가.

어쩌면 AI를 공부하는 사람에게 필요한 것은 AI와 경쟁하는 방법을 찾는 것이 아니라, AI가 열어놓은 새로운 가능성을 가장 먼저 발견하는 일인지도 모른다.

그래서 다음에 또 학생들의 AI 서비스 아이디어를 만나게 된다면, 나는 아마 가장 먼저 이것부터 묻게 될 것 같다.

"그런데, 이 서비스는 왜 AI여야 하는가?"

우리는 하루에도 수많은 영상을 본다. 유튜브에서 강의를 듣고, 제품 리뷰를 보고, 여행지를 찾고, 요리를 배우고, 새로운 기술을 공부한다. 그런데 어느 날 문득 이상한 생각이 들었다.

왜 영상은 아직도 ‘보기만’ 해야 할까?

가령 패션 영상을 보고 있다고 생각해 보자. 화면 속 사람이 마음에 드는 재킷을 입고 있다. 자연스러운 행동은 그 재킷을 손가락으로 누르는 것이다. 그러면 브랜드와 모델명, 가격, 판매처가 나타나면 된다.

강의 영상도 마찬가지다. 교수가 화면에 논문을 띄워 설명하고 있다면 그 논문을 누르는 순간 원문이나 PDF가 열리면 된다. 그래프를 클릭하면 원본 데이터가 나오고, 소스코드를 클릭하면 GitHub나 실행 환경으로 이동할 수도 있다. 여행 영상에서 식당을 누르면 지도와 예약 정보가 나타나고, 요리 영상에서 재료를 누르면 레시피와 구매 정보가 나타날 수도 있다.

기술적으로 생각하면 그다지 이상한 상상도 아니다.

그런데 세계 최대의 동영상 플랫폼인 YouTube조차 여전히 대부분의 영상을 ‘재생되는 화면’​으로 다룬다.

물론 유튜브에 인터랙션이 전혀 없는 것은 아니다.

댓글, 카드, 최종 화면, 링크가 있고, YouTube Shopping을 이용하면 영상이나 Shorts, 라이브 콘텐츠에 상품을 태그할 수도 있다. 유튜브는 상품이 등장하는 시점을 지정하는 기능을 제공하며, 최근에는 AI를 활용해 영상에 등장하는 제품을 자동으로 식별하고 적절한 시점에 상품을 표시하는 기능도 발전시키고 있다.

그러나 이것은 내가 생각하는 인터랙티브 비디오와는 조금 다르다.

현재의 접근이 대체로 ‘영상에 몇 가지 기능을 추가하는 것’​이라면, 내가 상상하는 것은 ‘영상 자체가 하나의 인터페이스가 되는 것’​에 가깝다.

영상은 왜 아직도 평면적인가​

생각해 보면 조금 묘하다.

웹페이지에서 우리는 너무나 자연스럽게 글자를 누르고, 이미지를 누르고, 메뉴를 열고, 파일을 내려받는다. 스마트폰에서도 화면에 보이는 거의 모든 요소가 인터랙션의 대상이다.

그런데 영상이 재생되는 순간 화면은 갑자기 하나의 거대한 직사각형이 된다.

그 안에는 자동차도 있고, 옷도 있고, 사람도 있고, 건물도 있고, 책도 있지만 컴퓨터의 관점에서는 대부분 하나의 영상 프레임일 뿐이다.

그래서 우리가 할 수 있는 가장 기본적인 조작은 여전히 재생, 정지, 앞으로 가기, 뒤로 가기 정도다.

어쩌면 이것은 영상이라는 매체의 근본적인 특성 때문이 아니라 영상이 만들어지고 유통되어 온 기술적 역사 때문일지도 모른다.

영상은 오랫동안 일련의 프레임을 시간순으로 재생하는 데이터였다. 영상 속에 무엇이 존재하는지를 컴퓨터가 이해할 필요는 없었다.

사람은 화면을 보면서

“저건 자동차다.” “저 사람이 입은 옷이 마음에 든다.” “저기 보이는 곳은 어디일까?”

라고 생각하지만, 전통적인 동영상 플레이어는 그런 의미를 알지 못했다.

따라서 영상 속 사물에 기능을 연결하려면 사람이 직접 작업해야 했다.

영상의 1분 32초부터 1분 47초까지 화면 오른쪽에 나타나는 물체가 특정 상품이라는 것을 지정하고, 그 물체가 움직일 때마다 위치를 추적하고, 상품 데이터베이스와 연결해야 한다.

한두 개라면 가능하지만 수십억 개의 영상에 이런 작업을 적용하는 것은 현실적으로 어려웠다.

그래서 영상 플랫폼은 가장 단순한 방법을 선택했다.

영상은 재생하고, 정보는 영상 바깥에 둔다.

제목, 설명, 댓글, 링크, 상품 목록이 영상 주변에 배치된 이유다.

그런데 AI가 이 전제를 흔들기 시작했다​

멀티모달 AI의 발전은 이 오래된 전제를 바꿀 가능성이 있다.

이제 AI는 영상을 단순히 픽셀의 연속으로만 처리하지 않는다.

화면 속에 사람이 있고, 사람이 어떤 옷을 입고 있으며, 테이블 위에 노트북이 있고, 뒤편에는 특정 건물이 있다는 것을 인식할 수 있다. 음성을 텍스트로 변환하고, 장면의 맥락을 이해하고, 시간에 따라 객체를 추적하는 것도 가능해지고 있다.

그렇다면 영상 제작자가 모든 인터랙션을 직접 만드는 대신 AI가 영상의 의미 구조를 자동으로 만들어 줄 수 있지 않을까?

예를 들어 30분짜리 여행 영상을 업로드한다.

AI는 영상을 분석해 자동으로 다음과 같은 정보를 만들어낸다.

03:21 ~ 05:14 → 경복궁 07:42 ~ 09:10 → 특정 카페 12:15 ~ 12:48 → 카메라 모델 A

그리고 각각에 지도, 장소 정보, 상품 정보 등을 연결한다.

조금 더 발전하면 시간뿐 아니라 화면의 위치까지 연결할 수 있다.

영상 속 사람이 들고 있는 카메라를 누르면 카메라 정보가 나타나고, 뒤에 보이는 건물을 누르면 장소 정보가 나타나는 것이다.

결국 영상은 두 개의 층으로 나뉜다.

Video Layer 그 위에 Interaction Layer 가 올라간다.

그리고 AI가 두 층을 연결한다.

핵심은 상품이 아니다​

이 아이디어를 단순히 ‘동영상 쇼핑’으로 생각하면 가능성이 크게 축소된다.

물론 가장 먼저 돈이 되는 분야는 쇼핑일 가능성이 높다.

패션 영상에서 옷을 누르면 구매할 수 있고, 자동차 리뷰에서 차량을 누르면 가격과 제원을 확인할 수 있으며, 요리 영상에서 재료를 누르면 주문할 수 있다.

하지만 같은 구조를 교육에 적용하면 전혀 다른 서비스가 된다.

프로그래밍 강의를 보고 있다고 생각해 보자.

교수가 화면에 코드를 보여준다. 코드를 누르면 소스 파일이 열린다. 그래프를 누르면 원본 데이터가 나온다. 논문 제목을 누르면 논문으로 이동한다.

교수가 “여기까지 이해했는지 확인해 봅시다”라고 말하면 화면 위에 간단한 퀴즈가 나타난다.

학생은 영상을 나가지 않고 문제를 풀 수 있다.

영상에 사용된 PPT, PDF, CSV, 소스코드 같은 자료 역시 특정 시점과 연결할 수 있다.

이렇게 되면 동영상 강의는 더 이상 단순한 녹화물이 아니다.

영상 자체가 학습 환경이 된다.

Video → Object → Action​

이 구조는 의외로 단순하게 정의할 수도 있다.

Video → Object → Action

영상 속 어떤 객체(Object)에 어떤 행동(Action)을 연결하는 것이다.

옷 → 상품 정보 책 → 도서 정보 논문 → 원문 그래프 → 데이터 장소 → 지도 코드 → 실행 환경 강의자료 → 파일 문제 → 퀴즈 제품 → 구매 사람 → 프로필

지금의 웹페이지를 생각해 보면 이것은 그다지 낯선 개념이 아니다.

웹페이지에서는 이미 수십 년 동안 이런 방식으로 정보를 연결해 왔다.

차이가 있다면 웹페이지에서는 제작자가 HTML을 통해 객체와 링크를 미리 정의한다는 것이다.

영상에서는 그것이 어려웠다.

그러나 AI가 영상 속 객체와 의미를 자동으로 찾아낼 수 있다면 이야기가 달라진다.

AI가 영상의 HTML을 만들어 주는 셈이다.

나는 이 지점이 중요하다고 생각한다.

왜 유튜브는 아직 여기까지 가지 않았을까​

그렇다고 이것을 단순히 “유튜브가 생각하지 못했다”고 설명하는 것은 무리가 있다.

오히려 플랫폼 입장에서는 지금의 구조가 매우 효율적이었다.

사용자가 영상을 클릭하고, 보고, 다음 영상을 보고, 광고를 보는 구조는 단순하다.

반대로 영상 안에 수많은 인터랙션을 허용하면 문제가 복잡해진다.

누구나 파일을 첨부할 수 있다면 악성 파일을 어떻게 막을 것인가. 외부 사이트로 이동시키는 버튼은 어디까지 허용할 것인가. 영상 속 상품을 AI가 잘못 인식하면 누가 책임질 것인가. 다른 사람의 영상에 등장한 상품이나 사람을 마음대로 연결할 수 있는가. 광고와 일반 정보는 어떻게 구별할 것인가.

저작권, 보안, 광고, 개인정보, 플랫폼 정책이 한꺼번에 얽힌다.

따라서 기술적으로 가능하다는 것과 세계 최대 규모의 플랫폼에서 운영할 수 있다는 것은 전혀 다른 문제다.

유튜브가 Shopping처럼 통제하기 쉬운 영역에서부터 제한적으로 인터랙션을 확대하는 것도 이런 관점에서 이해할 수 있다.

그래도 영상은 결국 변하지 않을까​

웹의 역사를 돌아보면 초창기의 웹페이지 역시 대부분 읽기 위한 문서였다.

그러다 링크가 연결되고, 입력창과 버튼이 생기고, 사용자가 글을 쓰고, 결제하고, 프로그램을 실행하면서 웹페이지는 하나의 애플리케이션으로 변했다.

영상에서도 비슷한 변화가 일어날 수 있다.

지금 우리는 영상을 ‘본다’​고 표현한다.

하지만 앞으로는 영상을 보다가 필요한 것을 누르고, 질문하고, 파일을 열고, 데이터를 확인하고, 구매하고, 실행하고, 다시 영상으로 돌아오는 것이 자연스러워질지도 모른다.

특히 AI가 영상의 내용을 이해하기 시작하면서 그동안 영상 속에 갇혀 있던 정보가 처음으로 구조화될 가능성이 생겼다.

그렇다면 미래의 동영상 플랫폼에서 중요한 것은 영상 파일 자체가 아닐 수도 있다.

영상 위에 어떤 객체가 존재하고, 그 객체가 무엇을 의미하며, 그 객체를 눌렀을 때 무엇이 일어나는가.

즉 영상 위에 올라가는 의미와 행동의 레이어가 새로운 플랫폼이 될 수도 있다.

우리는 이미 웹페이지에서 모든 것을 클릭한다. 사진에서도 객체를 인식하고 검색한다. AI에게 이미지를 보여주며 질문하는 것도 자연스러워졌다.

그런데 이상하게도 영상이 시작되는 순간 우리는 다시 수십 년 전의 사용자 인터페이스로 돌아간다.

재생하고, 멈추고, 앞뒤로 이동한다.

어쩌면 다음 세대의 동영상 서비스가 바꾸어야 할 것은 화질이나 추천 알고리즘이 아닐지도 모른다.

얼마 전 스타링크에 관한 글을 썼다.

2004년 필리핀 보라카이에서 두 달 정도 생활하면서 한국에 있는 친구들과 스타크래프트 한 판을 제대로 하기 어려웠던 기억에서 시작한 글이었다.

인터넷 연결이 끊겨 게임에서 '드랍'되던 시절을 지나, 사람들이 자신의 Wi-Fi를 조금씩 공유해 세계적인 인터넷망을 만들어보자던 FON의 실험이 있었고, 이제는 수많은 위성을 지구 저궤도에 띄워 전 세계를 인터넷으로 연결하려는 스타링크의 시대까지 왔다.

그 글을 쓰면서 처음에는 그저 기술의 발전이 놀랍다고 생각했다.

그런데 글을 마무리하면서 조금 다른 질문이 남았다.

저렇게 많은 위성을 지구 주변에 띄우는 일은 누가 결정할 수 있는 것일까.

기업의 위성이지만, 기업의 우주는 아니다​

물론 스타링크라고 해서 한 기업이 아무런 허가 없이 마음대로 위성을 쏘아 올리는 것은 아니다.

위성을 발사하고 통신 서비스를 운영하려면 국가의 허가와 규제를 받아야 하고, 국제적으로도 우주 활동에 관한 여러 원칙이 존재한다. 그러니 일론 머스크라는 한 개인이 자기 마음대로 지구 주변을 위성으로 채우고 있다고 표현하는 것은 사실과 다르다.

그런데도 묘한 느낌은 남는다.

위성을 만든 것은 기업이고, 발사를 허가한 것은 특정 국가다.

하지만 그 위성이 돌아다니는 곳은 그 기업이나 국가만의 공간이 아니다.

미국에서 허가받은 위성이라고 미국 상공에만 머무는 것도 아니다. 위성은 지구를 돌고, 그 위성이 반사하는 빛은 다른 나라의 천문대에서도 관측된다. 실제로 대규모 저궤도 위성군이 천문관측에 미치는 영향은 이미 천문학계에서 중요한 문제가 되었다.

그리고 위성이 많아질수록 우주쓰레기와 충돌 가능성이라는 문제도 함께 커진다.

물론 스타링크 위성 하나가 충돌한다고 곧바로 지구 주변의 모든 위성이 도미노처럼 파괴되는 것은 아니다. 하지만 궤도상의 물체가 지나치게 많아지고 충돌로 발생한 파편이 다시 다른 물체와 충돌하면서 우주쓰레기가 계속 증가할 수 있다는 '케슬러 신드롬'은 오래전부터 연구되어 온 문제다.

그래서 지난 글의 마지막에서 이런 생각을 했다.

기업이 비용을 부담하고 기술을 개발했다고 해서, 그 기술이 영향을 미치는 공공의 영역까지 기업의 판단에 맡겨도 되는 것일까.

그렇다고 반대로 새로운 위성 하나를 띄울 때마다 세계 모든 나라의 동의를 받아야 한다고 한다면 그것도 현실적인 방법은 아닐 것이다.

생각보다 답하기 어려운 문제다.

그러고 보니 비슷한 기억이 하나 더 있다​

이런 생각을 하다가 예전에 뉴스를 통해 보았던 거대한 과학실험이 떠올랐다.

스위스 제네바 인근 CERN에 만들어진 대형 강입자 충돌기(Large Hadron Collider, LHC) ​다.

둘레가 약 27km에 이르는 거대한 원형 가속기에서 양성자를 거의 빛의 속도까지 가속한 뒤 서로 충돌시킨다. 그렇게 물질을 극한의 상태로 만들어 우리가 평상시에는 볼 수 없는 아주 작은 세계를 들여다보는 장치다.

그리고 2012년, 이곳에서 굉장한 발견이 이루어졌다.

오랫동안 이론으로 존재했던 힉스 보손(Higgs boson)​으로 볼 수 있는 새로운 입자가 발견된 것이다. 이후 이것이 힉스 보손이라는 사실이 확인됐고, 관련 이론을 제시했던 프랑수아 앙글레르와 피터 힉스는 이듬해 노벨물리학상을 받았다.

당시 뉴스를 보면서 꽤 신기했던 기억이 있다.

그런데 내 기억에 더 강하게 남아 있는 것은 다른 이야기였다.

“저런 실험을 해도 정말 괜찮은 것인가?”

LHC가 처음 가동되던 2008년을 전후해 일부에서는 고에너지 입자 충돌 과정에서 미세한 블랙홀이 만들어질 가능성을 이야기했다. 스트레인지렛이라는 가상의 물질이 생성될 가능성을 걱정하는 목소리도 있었다.

조금 과장되면서 이야기는 훨씬 자극적으로 변했다.

“입자가속기 실험을 잘못하면 지구가 블랙홀에 빨려 들어가는 것 아니냐.”

결국 그런 일은 일어나지 않았다.

LHC는 계속 운영됐고 2012년에는 힉스 보손을 발견했으며, 2015년에는 이전보다 훨씬 높은 충돌에너지로 다시 가동됐다. 이후에도 여러 차례 업그레이드를 거치며 실험은 계속되고 있다.

과학자들도 당시 제기된 위험을 그냥 무시했던 것은 아니다. 여러 안전성 검토가 이루어졌고, 자연 상태에서도 LHC보다 훨씬 높은 에너지의 우주선 충돌이 오랜 세월 일어나 왔다는 점 등을 근거로 그러한 재앙적 시나리오는 현실적인 위험이 아니라고 판단했다.

나 역시 LHC가 위험한 실험이었다고 주장하려는 것은 아니다.

오히려 내가 흥미롭게 느끼는 것은 그때 제기됐던 질문 자체다.

만약 확률은 아주 낮지만 결과가 너무 크다면​

가정을 하나 해보자.

어떤 새로운 실험이 있다. 실패할 확률은 100만 분의 1밖에 되지 않는다. 실패하더라도 연구시설 하나가 파괴되는 정도라면 판단은 상대적으로 간단할 것이다. 실험을 수행하는 기관과 국가가 위험을 평가하고, 충분한 안전장치를 마련하고, 그 위험을 감수할지 결정하면 된다.

그런데 조건 하나를 바꿔보자.

확률은 여전히 100만 분의 1이다. 하지만 만약 사고가 발생하면 한 도시나 한 국가가 아니라 지구 전체가 영향을 받는다.

그렇다면 이야기가 조금 달라진다.

누가 그 100만 분의 1을 감수해도 된다고 결정할 수 있을까.

연구를 수행하는 과학자들이 결정하면 될까. 연구시설이 있는 국가의 정부가 허가하면 되는 것일까. 세계적인 과학자들이 검증해서 “문제없다”고 하면 충분한 것일까. 아니면 위험의 결과를 함께 부담해야 하는 다른 나라 사람들에게도 어떤 형태로든 결정권이 있어야 할까.

물론 여기서 100만 분의 1이라는 숫자는 LHC의 실제 위험 확률이 아니다. 단지 생각을 해보기 위한 가상의 숫자다.

중요한 것은 숫자가 아니다.

결정을 내리는 사람과 그 결정의 결과를 감수하는 사람이 다를 때 우리는 어떻게 해야 하는가.

나는 이 질문이 더 흥미롭다.

스타링크와 입자가속기는 전혀 다른 이야기인데​

생각해 보면 스타링크와 LHC는 전혀 다른 기술이다.

하나는 인터넷을 제공하는 민간기업의 통신 서비스이고, 다른 하나는 우주의 기본 법칙을 연구하기 위한 국제적인 과학시설이다. 위험의 종류도, 가능성도, 관리 방식도 모두 다르다.

그런데 내가 두 사례를 보면서 느끼는 불편함의 근원은 묘하게 비슷하다.

기술을 실행하는 주체보다 그 기술이 영향을 미치는 범위가 훨씬 커지고 있다는 것.

스타링크 위성은 기업이 만들었지만 밤하늘은 기업의 것이 아니다.

지구 저궤도 역시 어느 한 국가의 영토가 아니다.

마찬가지로 어떤 과학실험이 정말 인류 전체에 영향을 미칠 가능성이 있다면 그 실험을 수행하는 연구기관과 과학자들만이 위험을 부담하는 것도 아니다.

예전에는 기술의 규모가 상대적으로 작았다.

공장에서 사고가 발생하면 공장 주변이 영향을 받았다. 댐에 문제가 생기면 그 지역이 위험했다. 발전소 사고라면 영향 범위가 더 넓어졌지만 그래도 어느 정도 지리적인 범위를 생각할 수 있었다.

그런데 현대 기술 가운데 일부는 점점 그 경계를 벗어나고 있다.

우주 공간을 이용하고, 지구 환경을 바꾸고, 생명 자체를 조작하고, 세계의 정보망을 움직인다.

기술을 개발하는 주체는 여전히 기업 하나, 연구소 하나, 혹은 몇 개 국가일 수 있는데 그 기술이 영향을 미칠 수 있는 범위는 어느 순간 인류 전체가 되어버릴 수 있다.

그렇다고 하지 말자는 이야기도 아니다​

여기서 또 어려워진다.

위험할 가능성이 조금이라도 있다면 새로운 연구를 하지 말아야 할까.

그것도 이상하다.

새로운 기술에는 언제나 우리가 알지 못하는 위험이 존재한다. 모든 사람이 완벽하게 안전하다고 동의할 때까지 기다려야 한다면 상당수의 과학적 발견과 기술혁신은 시작조차 하기 어려울 것이다.

반대로 과학자들이 괜찮다고 했으니 과학자들에게 맡기면 된다고 말하기에도 무언가 부족하다.

기업이 자기 돈을 투자해서 개발했으니 기업이 결정하면 된다는 것도 마찬가지다.

결국 문제는 기술 자체보다 결정의 구조에 있는 것인지도 모르겠다.

기술의 영향력이 한 기업이나 한 국가의 경계를 넘어서기 시작했는데도, 그것을 허가하고 관리하는 우리의 방식은 여전히 기업과 국가라는 기존의 틀에 머물러 있는 것은 아닌가.

그렇다면 기술이 발전할수록 안전기술만 발전해서는 충분하지 않을지도 모른다.

그 기술에 관한 결정을 내리는 방법 역시 함께 발전해야 한다.

얼마 전 스타링크에 관한 글을 쓰면서 마지막에 “이 거대한 시스템은 누가 관리해야 할까”라는 질문을 남겼다.

조금 더 생각해보니 질문은 스타링크보다 훨씬 컸다.

한 기업이나 연구기관이 인류 전체에 영향을 미칠 수도 있는 기술을 갖게 되었을 때, 우리는 어디까지 그들의 판단에 맡길 것인가.

그리고 반대로,

사회는 어디부터 개입해야 하는가.

아직 내게도 명확한 답은 없다.

그런데 이 글을 쓰다 보니 또 하나의 기술이 자꾸 머릿속에 걸린다.

인공지능이다.

지금 세계의 몇몇 기업과 연구기관은 이전에는 상상하기 어려웠던 수준의 인공지능을 경쟁적으로 개발하고 있다.

만약 언젠가 그 기술의 영향 범위가 개발한 기업이나 국가를 넘어 인류 전체에 미칠 정도가 된다면, 결국 똑같은 질문을 하게 되는 것은 아닐까.

그 연구를 어디까지 진행해도 되는지는, 과연 누가 결정해야 할까.

2004년, 필리핀 보라카이에서 두 달 정도 생활한 적이 있다. 지금 생각하면 그때의 보라카이는 인터넷 환경까지 포함해서 꽤 다른 세상이었다.

한국에 있는 친구들과 스타크래프트라도 한 판 하려고 하면 여간 어려운 일이 아니었다. 게임을 하다가 연결이 불안정해지고, 결국 게임에서 빠져버리곤 했다. 당시 흔히 말하던 표현으로는 '드랍됐다'고 했다. 요즘처럼 어디를 가든 안정적인 인터넷 연결을 당연하게 생각하는 세대에게는 조금 낯선 이야기일지도 모르겠다.

당시 나는 그 이유를 단순하게 생각했다. 필리핀은 수많은 섬으로 이루어진 나라이고, 그래서 위성통신을 많이 이용하니 인터넷이 느린 것 아닐까.

그런데 지금 다시 확인해 보면 이 기억에는 약간의 수정이 필요하다. 필리핀의 국제 인터넷망 역시 해저 광케이블에 크게 의존해 왔다. 따라서 당시 보라카이의 인터넷이 느렸던 이유를 단순히 '위성 인터넷을 사용했기 때문'이라고 설명하기는 어렵다.

다만 7천 개가 넘는 섬으로 이루어진 국가에서 전국 각지와 작은 섬까지 안정적인 통신망을 연결하는 것이 어려웠다는 설명은 충분히 가능하다. 국제망이 연결되어 있다고 해도 그 연결을 지역과 가정, 호텔과 상점까지 전달하는 국내 백본과 마지막 구간의 품질은 또 다른 문제이기 때문이다.

돌이켜 보면 중요한 것은 정확히 어떤 망을 이용했느냐보다 당시 인터넷을 사용하던 우리의 감각이었던 것 같다. 인터넷은 연결되어 있는 것이 아니라, 연결하기 위해 노력해야 하는 것이었다.

인터넷을 서로 나눠 쓰면 되지 않을까​

몇 년 뒤에는 재미있는 시도가 등장했다.

FON이었다.

FON의 발상은 지금 보아도 상당히 재미있다. 사람들이 자신의 인터넷 회선과 Wi-Fi를 다른 사람에게 조금씩 개방한다. 대신 자신도 여행을 갔을 때 다른 사람이 개방한 FON Wi-Fi를 이용한다.

내 인터넷을 나누어 주고, 다른 사람의 인터넷도 나누어 쓴다.

이런 방식으로 세계 곳곳에 Wi-Fi 접속점을 만들자는 것이었다.

2006~2007년 무렵 FON은 이 네트워크를 빠르게 확대하기 위해 'La Fonera'라는 전용 공유기를 적극적으로 보급했다. 당시에는 무료 공유기 배포 프로모션도 있었다. 공유기를 받아 자신의 인터넷 연결 일부를 FON 커뮤니티에 제공하는 방식이었다.

당시에는 상당히 신선한 생각이었다.

전 세계에 인터넷망을 새로 만드는 것은 불가능하지만, 이미 각 가정에 인터넷이 들어가고 있으니 그 집의 공유기들을 서로 연결하면 사실상 거대한 무선 인터넷망을 만들 수 있지 않겠느냐는 생각이었다.

물론 이후 이동통신망이 급속히 발전했고 스마트폰의 3G, 4G, 5G와 공공 Wi-Fi가 확산되면서 우리가 인터넷에 접속하는 방식은 또 달라졌다.

그렇게 FON에 대한 기억도 잊고 살았다.

그러다 요즘 스타링크를 보면 가끔 그 시절이 생각난다.

이번에는 공유기가 아니라 위성을 깔았다​

FON의 아이디어를 아주 단순하게 표현하면 이렇다.

"인터넷이 있는 곳을 세계 곳곳에 많이 만들자."

그런데 스타링크는 이 문제를 전혀 다른 방법으로 풀고 있다.

지상에 접속점을 촘촘하게 만드는 대신 지구 저궤도에 수많은 통신위성을 배치하는 것이다.

기존의 정지궤도 통신위성은 지상에서 약 3만6000km 떨어진 곳에 있다. 거리가 워낙 멀다 보니 신호가 왕복하는 데 시간이 걸리고 지연시간이 커질 수밖에 없다. 반면 스타링크는 훨씬 낮은 지구 저궤도(LEO)에 많은 위성을 배치한다.

하나의 위성이 넓은 지역을 담당하게 하는 대신, 낮게 떠 있는 많은 위성이 계속 자리를 바꾸며 지구를 덮는 방식이다.

이 아이디어를 처음 접했을 때 개인적으로는 기술적인 설명보다 먼저 이런 생각이 들었다.

'이 문제를 이런 식으로 해결할 생각을 했구나.'

2004년에는 작은 섬에서 인터넷 하나 제대로 연결하는 것도 쉽지 않았다. 몇 년 뒤에는 사람들이 각자의 공유기를 조금씩 개방해서 세계적인 Wi-Fi망을 만들어 보자고 했다.

그런데 불과 20여 년이 지난 지금은 아예 수많은 위성을 지구 주변에 배치해 인터넷망을 만들고 있다.

그 시간의 간격을 직접 경험해서인지 스타링크를 보면 단순히 '빠른 위성 인터넷' 이상의 묘한 느낌이 든다.

기술이 발전했다기보다, 인간이 문제를 해결하기 위해 생각할 수 있는 규모 자체가 커졌다는 느낌이다.

그런데 밤하늘의 저 불빛을 보니 다른 생각도 든다​

스타링크 위성이 발사된 직후 밤하늘을 줄지어 이동하는 모습을 찍은 사진들이 있다.

처음 보면 꽤 아름답다.

그런데 천문학자의 입장에서 보면 이야기가 달라진다.

국제천문연맹(IAU)은 저궤도 대규모 위성군이 지상 광학 및 전파천문 관측에 영향을 미칠 수 있다는 문제를 지속적으로 제기하고 있다. IAU는 특히 태양빛을 반사하는 위성과 위성이 사용하는 전파가 천문관측에 영향을 줄 수 있다고 설명한다.

이 문제를 단순히 '천문학자들이 별을 보기 불편해졌다' 정도로 이해해서도 곤란하다. 망원경은 사람의 눈으로 밤하늘을 보는 것과 달리 희미한 빛을 오랫동안 노출해 관측하는 경우가 있기 때문이다. 그 사이 밝은 인공위성이 시야를 통과하면 관측 자료에 흔적이 남을 수 있다.

물론 사업자와 천문학계도 손을 놓고 있는 것은 아니다. 위성의 밝기를 줄이고, 위성의 궤도를 예측해 관측을 피하고, 관측 데이터에서 흔적을 처리하는 여러 방법이 연구되고 있다. IAU 역시 산업계와 천문학계가 함께 완화 방법을 개발하고 있다고 설명한다.

우리는 지금까지 밤하늘을 너무나 당연하게 생각해 왔다.

그런데 이제 밤하늘도 인간이 만들어낸 물체들과 함께 보아야 하는 공간이 되고 있다.

혹시 위성끼리 부딪치기 시작하면?​

또 하나 떠오르는 걱정이 있다.

이렇게 많은 위성을 올려놓았다가 사고라도 나면 어떻게 될까.

위성 하나가 다른 위성과 충돌해 파편이 생기고, 그 파편이 또 다른 위성을 파괴하고, 거기서 생긴 파편이 다시 다른 위성과 충돌한다면?

흥미롭게도 이런 생각에는 이미 이름이 있다.

케슬러 신드롬(Kessler Syndrome) 이다.

NASA는 궤도상의 물체가 많아질수록 충돌 가능성이 높아지고, 충돌에서 만들어진 파편이 다시 다른 물체와 충돌하면서 더 많은 파편을 만들어내는 연쇄적인 현상을 설명하고 있다. 이를 'collision cascade', 즉 충돌 연쇄라고도 부른다.

그렇다고 "스타링크 위성 하나가 충돌하면 모든 위성이 연쇄적으로 파괴된다"고 이해해서는 안 된다.

케슬러 신드롬은 그렇게 단순한 도미노 현상을 뜻하지 않는다. 특정 궤도에서 물체와 파편의 밀도가 계속 증가하면 장기간에 걸쳐 충돌이 새로운 파편을 만들고, 그 파편이 다시 충돌 가능성을 높이는 자기증폭적인 환경이 만들어질 수 있다는 개념에 가깝다.

더구나 우주쓰레기 문제는 스타링크가 등장하면서 갑자기 생긴 것도 아니다. NASA는 오래전부터 로켓 잔해, 수명을 다한 위성, 충돌 파편 등이 저궤도 환경에 축적되는 문제를 연구해 왔다.

그러니 스타링크를 곧바로 '우주 재앙을 일으킬 기술'이라고 말하는 것은 지나치다.

다만 이미 존재하던 우주 교통과 우주쓰레기 문제의 규모를 대규모 위성군 시대에 어떻게 관리할 것인가라는 질문은 분명히 남는다.

그러고 보니 이런 영화도 있었다​

이런 생각을 하다 보니 한 영화가 떠올랐다.

《Don't Look Up》

지구를 향해 거대한 혜성이 다가오자 처음에는 이를 막으려 하지만, 극 중 거대 기술기업 BASH가 혜성에 막대한 경제적 가치가 있는 자원이 들어 있다는 이유로 계획에 개입한다. 결국 BASH의 기술을 이용해 혜성을 처리하려는 계획이 추진되지만 실패하고, 지구는 파국을 맞는다. 일부 권력자와 부유층은 미리 준비된 우주선으로 탈출한다.

물론 이것을 스타링크에 그대로 대입할 이유는 없다.

영화는 풍자이고 스타링크는 실제 통신 인프라다.

그런데 두 이야기를 연결해서 생각하게 만드는 지점 하나는 있다.

기술이 점점 거대해지면서 한 기업이 내리는 기술적 결정의 영향 범위도 함께 커지고 있다는 것.

공유기 하나를 나누던 시대에는 하지 않았던 질문​

FON 공유기 하나를 설치한다고 해서 밤하늘이 달라지지는 않았다.

한 사람이 공유기를 끈다고 다른 나라의 천문대가 영향을 받지도 않았다.

하지만 이제 우리가 만드는 통신망은 지구 저궤도라는 공간까지 사용한다. 그 과정에서 천문학, 우주교통, 우주쓰레기 같은 이전에는 생각하지 않았던 이해관계가 생겨난다.

그렇다고 스타링크를 부정적으로만 볼 필요도 없을 것이다.

오히려 내가 처음 느낀 감정은 경이로움에 가깝다.

2004년 보라카이에서 한국 친구들과 스타크래프트 한 판 제대로 하기 어려웠던 사람이 불과 20여 년 뒤 지구 저궤도에 수많은 위성을 띄워 인터넷을 연결하는 시대를 보고 있다.

참 많이 변했다.

다만 기술의 규모가 이렇게 커지고 나면 자연스럽게 다음 질문이 따라온다.

이 거대한 시스템은 누가 관리해야 할까.

한 기업이 만든 위성이라도 그것이 사용하는 궤도는 다른 위성도 지나가는 공간이고, 그 위성이 지나가는 밤하늘은 어느 한 기업의 하늘이 아니다.

지금 당장 이 질문에 거창한 답을 내릴 필요는 없을 것 같다.

오히려 이번에는 여기까지만 생각해 보고 싶다.

2004년에는 인터넷에 연결되는 것이 문제였다. 2007년 무렵에는 인터넷을 어떻게 나누어 쓸 것인가를 고민했다. 그리고 이제는 지구를 둘러싼 우주 공간을 이용해 인터넷을 연결하고 있다.

연결의 문제가 하나씩 해결될 때마다, 이전에는 존재하지 않았던 새로운 질문이 생겼다.

어쩌면 기술의 발전이라는 것은 그런 것인지도 모르겠다.

우리가 해결할 수 있는 문제의 크기가 커지는 만큼, 우리가 함께 결정해야 할 문제의 크기도 커지는 것.

'누가 지구 저궤도를 관리하고, 어느 정도까지 사용할 수 있게 할 것인가'라는 질문은 별도의 글에서 조금 더 깊게 들여다볼 만한 주제다. 지금은 그저, 보라카이에서 스타크래프트 한 판

위에는 날짜, 품목, 설비, 공정 같은 조회조건이 있고, 조회 버튼을 누르면 아래 테이블에 생산실적이 나타난다.

고객이 “일별·월별로 조회하고 싶다”고 하면 그에 맞는 조건을 만들고, “평균도 필요하다”고 하면 계산 기능을 추가한다.

어떤 컬럼을 보여줄지도 사전에 협의한다.

문제는 그렇게 몇 번을 협의하고 확인을 받아도 실제 사용이 시작되면 새로운 요구가 나온다는 것이다.

“설비별로도 볼 수 있나요?” “지난달과 이번 달을 비교하고 싶은데요.” “불량률도 같이 보여주세요.”

사용자 입장에서는 간단한 요구지만 개발자에게는 쿼리와 프로그램, 화면을 다시 수정해야 하는 일이 된다.

납품 이후라면 이것이 유지보수인지 추가 개발인지에 대한 이야기도 시작된다.

사용자가 앞으로 무엇을 보고 싶어 할지를 왜 개발자가 모두 미리 결정해야 할까?

차라리 MES에 채팅창 하나를 만들어 놓으면 어떨까.

사용자가

“이번 달 생산실적을 일별로 보여줘.” 라고 입력하면 필요한 데이터를 조회해서 표로 보여준다.

“지난달과 이번 달 생산량을 품목별로 비교하고 증감률도 같이 보여줘.” 라고 하면 두 기간의 데이터를 가져와 계산해서 보여준다.

LLM이 사용자의 의도를 이해하고, MES가 안전하게 데이터베이스를 조회하고 집계할 수 있는 도구를 제공한다면 충분히 생각해볼 수 있는 방식이다.

물론 매일 같은 질문을 다시 입력한다면 오히려 불편하다.

그래서 여기에 즐겨찾기와 개인 대시보드를 붙이면 어떨까.

“오늘 생산량, 목표 달성률, 불량률을 보여줘.”

결과가 마음에 들면 ‘내 대시보드에 추가’​를 누른다. 다음부터는 MES에 접속할 때 그 질문이 자동으로 실행되고 결과가 표나 카드, 그래프로 나타난다.

생산관리자는 생산량과 계획 대비 실적을, 품질관리자는 불량률과 불량 추이를, 설비 담당자는 가동률과 정지 이력을 자신의 화면에 올려놓을 수 있다.

같은 MES를 사용하지만 사람마다 자신의 업무에 맞는 화면이 만들어지는 것이다.

기존 MES 화면을 모두 없애자는 이야기는 아니다.

작업지시 등록이나 실적 입력처럼 반복적이고 정형화된 업무는 기존 UI가 훨씬 편하고 안전하다. AI가 특히 유용한 영역은 조회, 집계, 비교, 분석처럼 요구사항을 사전에 모두 예상하기 어려운 부분​일 것이다.

결국 이런 흐름이다.

질문한다 → 결과를 확인한다 → 저장한다 → 다음부터 자동으로 본다.

실제 구현에서는 권한 관리, 데이터의 의미 정의, 잘못된 조회나 계산을 막는 장치가 필요하다. LLM에게 데이터베이스 전체를 마음대로 조작하게 할 수도 없다. 오히려 허용된 조회와 계산 기능만 도구로 제공하는 편이 현실적일 것이다.

하지만 그런 기술적인 문제를 잠시 내려놓고 보면 이 아이디어에서 내가 흥미롭게 느끼는 지점은 따로 있다.

지금까지 MES 개발자는 사용자가 앞으로 필요로 할 기능을 미리 예상해서 만들어야 했다.

앞으로는 그중 일부를 사용자가 필요하다고 말하는 순간 만들어지는 기능으로 바꿀 수 있지 않을까.

다음 MES를 만든다면 수많은 조회 화면을 처음부터 모두 만들어 놓는 대신, 기본적인 업무 화면 옆에 채팅창 하나를 놓아보는 것이다.

그리고 그 아래에 버튼 두 개를 붙인다.

‘즐겨찾기에 추가’

‘내 대시보드에 추가’

어쩌면 그것만으로도 MES를 만드는 방식이 꽤 달라질 수 있다.

하지만 더 까다로운 문제는 사실 자체가 틀리지 않았을 때 발생한다.

각각의 정보는 모두 사실일 수 있다. 사건도 실제로 있었고, 논문도 존재하며, 인물의 발언도 실제일 수 있다. 그런데 그 사실들을 연결하는 방식이 잘못되면 전혀 다른 이야기가 만들어진다.

거짓은 반드시 거짓으로 만들어질 필요가 없다.

사실만 골라내고, 그 순서를 바꾸고, 관계를 새로 부여해도 하나의 거짓 서사를 만들 수 있다.

이 점에서 움베르토 에코의 『푸코의 진자』는 흥미롭다.

소설 속 인물들은 기사단, 카발라, 비밀결사, 역사적 사건과 문헌을 끌어모아 하나의 거대한 ‘계획’을 만들어낸다. 중요한 것은 그 계획을 구성하는 모든 재료가 순전히 허구라서 문제가 되는 것이 아니라는 점이다.

오히려 진짜 역사와 진짜 문헌, 실제로 존재했던 사건들이 섞여 있기 때문에 이야기는 더 그럴듯해진다.

그리고 그 자료를 조합하는 컴퓨터의 이름이 ‘아불라피아’다.

13세기의 아브라함 아불라피아는 문자의 배열과 치환을 통해 그 안에 숨겨진 의미에 접근하려 했다. 에코는 그 이름을 컴퓨터에 붙였다. 문자를 조합하던 아불라피아가 정보와 역사를 조합하는 기계로 다시 등장한 셈이다.

문제는 조합이 늘어날수록 의미도 함께 만들어진다는 데 있다.

서로 무관한 사건도 충분히 많은 연결고리를 붙이면 하나의 흐름처럼 보일 수 있다. 우연은 징후가 되고, 반복은 패턴이 되며, 패턴은 결국 하나의 서사로 굳어진다.

오늘날의 LLM도 이와 비슷한 일을 매우 잘한다.

서로 다른 논문과 사건, 산업의 변화와 인물의 발언을 한데 놓고 공통점을 찾으라고 하면 AI는 자연스럽게 하나의 설명을 만들어낸다. 각각의 자료는 실제일 수 있다. 문제는 그 사이에 AI가 제시한 관계까지 실제라는 보장은 없다는 점이다.

존재하지 않는 논문을 만들어내는 환각은 오히려 확인하기 쉽다. 검색해보면 없기 때문이다.

더 어려운 것은 자료가 모두 진짜일 때다.

논문도 존재하고, 사건도 있었고, 인용도 정확하다. 그런데 그 사실들을 묶어 만든 인과관계와 해석만 틀릴 수 있다.

이런 오류는 훨씬 발견하기 어렵다.

설명이 매끄럽기 때문이다. 근거도 충분해 보이고, 이야기의 앞뒤도 맞는다. 오히려 사실이 많이 포함될수록 전체 서사는 더 신뢰할 만하게 느껴질 수 있다.

『푸코의 진자』가 보여준 것도 결국 이런 문제였다.

허구는 반드시 거짓 정보에서 시작되지 않는다.

사실 사이에 존재하지 않는 관계를 만들어내는 것만으로도 거대한 허구는 완성될 수 있다.

그리고 지금 우리는 그 일을 인간보다 훨씬 빠르게 수행하는 도구를 가지고 있다.

AI가 사실을 틀리지 않았다고 해서, 그 설명까지 사실인 것은 아니다.

앞으로 우리가 더 자주 확인해야 할 것은 개별 정보의 진위만이 아닐지도 모른다.

그 정보들이 정말 서로 연결되어 있는가.

어쩌면 AI 시대에 가장 그럴듯한 거짓은, 거짓말로 만들어진 이야기가 아니라 사실만으로 만들어진 이야기일지도 모른다.