AI 주권은 국산 모델만으로 완성되지 않는다: 데이터·컴퓨팅·인재·평가의 조건

“우리나라 AI가 있다”는 말은 반가운 소식입니다. 한국어를 자연스럽게 이해하고, 우리 법·행정·산업의 맥락을 아는 모델은 분명 중요합니다. 하지만 여기서 한 번 더 물어야 합니다. 국산 모델을 만들었다는 사실만으로, 우리가 필요한 때에 믿고 쓸 수 있는 AI가 갖춰졌다고 말할 수 있을까요?

이 글에서 말하는 AI 주권은 외국 기술을 전부 끊어 내자는 뜻이 아닙니다. 중요한 공공서비스와 산업에서 필요한 AI를 고르고, 고치고, 검증하고, 문제가 생기면 다른 길로 바꿀 수 있는 선택권과 통제력을 뜻합니다. 스마트폰에 앱 하나만 설치했다고 스마트폰 생활이 완성되지 않는 것과 같습니다. 전기와 통신망, 저장공간, 업데이트, 사용법을 아는 사람이 함께 있어야 앱도 제 역할을 합니다.

정부도 모델 개발만을 목표로 두지 않습니다. 과학기술정보통신부의 국가 AI 전략 정책방향은 컴퓨팅 인프라, 창업·인재, 포용성과 공정성, 국제 리더십을 함께 AI 생태계의 축으로 제시했습니다. 이 글은 그중에서도 컴퓨팅·데이터·인재·평가라는 네 조건을 차례로 살펴봅니다.

국산 모델은 출발선이다

국산 모델이 필요한 이유는 단순히 ‘국산이라서’가 아닙니다. 한국어의 말투와 문서 형식, 국내 제도, 공공기관이 다루는 업무 흐름처럼 현지 맥락이 중요한 곳에서는 모델을 직접 조정하고 개선할 수 있는 역량이 큰 장점이 될 수 있습니다. 예를 들어 복지 안내 챗봇이 지역마다 다른 서류 이름이나 제도 변경을 제대로 설명하려면, 단어만 한국어인 모델보다 최신의 믿을 만한 자료와 검증 절차가 더 중요합니다.

그러나 모델은 완성품이라기보다 계속 관리해야 하는 엔진에 가깝습니다. 새 자료로 학습하거나 연결해야 하고, 오류·편향·정보 유출 가능성을 확인해야 하며, 실제 이용자가 불편을 겪을 때 고쳐야 합니다. 그래서 ‘모델을 만들 수 있는가’와 ‘국가가 중요한 분야에서 안정적으로 운용할 수 있는가’는 같은 질문이 아닙니다.

이 차이를 먼저 이해하면, 국산 모델 경쟁을 둘러싼 뉴스를 조금 더 차분하게 읽을 수 있습니다. 모델의 이름이나 순위만 보는 대신, 그 모델을 누가 어떤 컴퓨팅 자원으로 개선하는지, 어떤 데이터를 합법적으로 쓰는지, 누가 성능과 위험을 검사하는지까지 함께 확인하게 됩니다.

첫 번째 조건: 필요할 때 쓸 수 있는 컴퓨팅

컴퓨팅은 AI가 계산하는 힘입니다. 큰 모델을 학습하고, 많은 사람이 동시에 질문해도 답하게 하려면 매우 많은 연산 장치와 전력이 필요합니다. 학교에 훌륭한 교과서가 있어도 교실과 책상, 전기가 부족하면 수업을 열기 어려운 것과 비슷합니다.

과기정통부의 국가 AI 전략은 2030년까지 GPU 성능을 당시 수준의 15배 이상, 2엑사플롭 이상으로 확대하고 국가 AI 컴퓨팅센터를 추진한다는 목표를 제시했습니다. 이것은 정책 목표이지 이미 달성된 실적은 아닙니다. 이어 2025년 과기정통부 업무계획도 국가 AI 컴퓨팅센터, 데이터센터 관련 규제 개선, AI 컴퓨팅 인프라 마스터플랜을 함께 언급했습니다.

핵심은 장비 숫자만 많아지는 데 있지 않습니다. 대학 연구실, 스타트업, 중소기업, 공공기관이 필요한 때에 합리적인 비용으로 접근할 수 있어야 합니다. 자원이 몇 곳에만 묶이면 연구와 서비스 실험의 기회도 좁아질 수 있기 때문입니다. NVIDIA의 2025년 공식 발표도 한국의 국가 AI 컴퓨팅센터와 주권 클라우드, 기업·연구자·스타트업의 모델 개발 접근을 한 흐름에서 다룹니다. 다만 기업 보도자료의 수치와 계획은 미래 전망을 포함한 발표이므로, 확정된 국가 성과로 읽어서는 안 됩니다.

두 번째 조건: 많이 모은 데이터가 아니라, 쓸 수 있는 데이터

AI는 문제를 많이 풀어 본 학생처럼 답합니다. 그래서 데이터는 ‘AI의 교과서’에 비유할 수 있습니다. 하지만 책을 많이 쌓아 둔다고 좋은 수업이 되지 않는 것처럼, 데이터도 양만 많아서는 부족합니다. 출처가 분명한지, 최신인지, 오류가 없는지, 개인정보·저작권·영업비밀을 침해하지 않는지 확인해야 합니다.

과기정통부는 같은 정책방향에서 개인정보 규제 개선과 고품질 콘텐츠 활용을 촉진하는 제도 개선을 통해 생성형 AI용 데이터 활용 기반을 만들겠다고 밝혔습니다. 즉, 데이터 문제는 ‘모을 수 있느냐’만이 아니라 적법하게, 믿을 수 있게, 필요한 사람이 활용할 수 있게 관리하느냐의 문제입니다.

유럽연합의 사례가 이 점을 선명하게 보여 줍니다. 유럽연합 집행위원회의 AI Continent Action Plan은 대규모 컴퓨팅 인프라와 함께 고품질 데이터 접근을 별도의 핵심 축으로 두고, AI 팩토리 안의 데이터 랩을 통해 여러 출처의 데이터를 모으고 정리하겠다고 제시합니다. 좋은 모델을 만들려면 계산 장비 옆에 ‘자료를 고르고 정리하는 도서관’도 있어야 한다는 뜻입니다.

그렇다면 데이터는 왜 주권과 연결될까요? 중요한 공공·산업 분야에서 무엇을 학습 자료로 썼는지 알 수 없거나, 갱신할 권한이 없거나, 문제가 생겼을 때 원인을 추적할 수 없다면 모델의 겉모습이 국산이어도 실제 통제력은 약해질 수 있습니다. 데이터의 출처 기록, 갱신 책임, 접근 권한은 기술 문제이면서 동시에 신뢰의 문제입니다.

세 번째 조건: 모델을 쓰고 고칠 사람

AI 인재는 유명한 개발자 몇 명만을 말하지 않습니다. 모델을 연구하는 사람, 현장 업무에 맞게 연결하는 사람, 보안을 점검하는 사람, 데이터 품질을 관리하는 사람, 이용자에게 설명하고 책임지는 사람이 모두 필요합니다. 병원에 최신 장비가 들어와도 의사·간호사·검사실·안전관리자가 함께 준비되지 않으면 장비만으로 진료가 되지 않는 것과 같습니다.

과기정통부 국가 AI 전략은 2030년까지 AI 전문인력 20만 명 양성을 목표로 제시했습니다. 이 역시 장래의 목표입니다. 2025년 업무계획은 초기 AI 연구자 지원, 전략기술 분야 석·박사 지원, 재교육과 일자리 연계를 함께 담았습니다.

인재 조건은 숫자 하나로 끝나지 않습니다. 좋은 사람이 오래 연구하고 일할 수 있는 환경, 서로 다른 전공이 협력하는 구조, 현장 담당자가 AI의 한계를 이해하고 질문할 수 있는 교육이 필요합니다. 유럽연합도 AI 전략의 한 축으로 차세대 전문가 교육, 유럽 내 인재의 잔류·복귀, 해외 인재 유치와 정착을 함께 제시합니다. 컴퓨팅과 데이터가 엔진과 연료라면, 인재는 운전·정비·교통규칙을 모두 아는 팀입니다.

네 번째 조건: 잘 작동하는지, 안전한지 평가하는 힘

마지막 조건은 평가입니다. 시험을 보지 않으면 학생이 어느 부분을 더 공부해야 하는지 알기 어렵듯, AI도 ‘국산인가’라는 질문만으로는 품질을 판단할 수 없습니다. 한국어 질문에 정확히 답하는지, 특정 집단에 불리하게 작동하지 않는지, 개인정보나 기밀 정보를 함부로 드러내지 않는지, 거짓 정보를 그럴듯하게 만들어 내지는 않는지, 문제가 생겼을 때 멈추고 고칠 수 있는지를 따로 확인해야 합니다.

미국 NIST의 AI 위험관리 프레임워크(AI RMF)는 AI 제품·서비스·시스템의 설계·개발·사용·평가에 신뢰성 요소를 넣도록 돕는 자발적 틀입니다. 이 틀은 거버넌스(Govern), 위험 파악(Map), 측정(Measure), 관리(Manage)를 함께 제시합니다. 한국에 그대로 적용해야 한다는 뜻은 아니지만, 평가가 단순한 성능 순위표를 넘어 책임 구조와 사고 대응까지 다뤄야 한다는 점을 이해하는 데 도움이 됩니다.

특히 공공서비스나 금융·의료·안전처럼 시민에게 큰 영향을 주는 분야에서는 ‘평균 점수가 높다’는 말만으로 충분하지 않습니다. 실제 이용자의 질문으로 시험하고, 오류 사례를 공개 가능한 범위에서 기록하며, 사람의 최종 확인이 필요한 업무를 정하고, 외부의 독립적인 점검도 받을 수 있어야 합니다. 이것이 갖춰져야 국산 모델은 자랑거리를 넘어 책임 있게 쓰는 공공 기반이 됩니다.

네 조건을 한 장으로 정리하면

아래 표는 AI 주권을 판단할 때 모델 이름 외에 어떤 질문을 함께 던져야 하는지 정리한 것입니다. 한 칸이라도 비어 있으면 다른 조건이 아무리 좋아도 실제 활용은 흔들릴 수 있습니다.

독자가 확인해 볼 세 가지

정책 발표나 기업 발표를 볼 때는 먼저 ‘계획’과 ‘완료된 성과’를 구분해 보세요. 예를 들어 GPU 확충이나 인재 양성의 숫자가 나오면 목표 연도, 실제로 누구에게 얼마나 열려 있는지, 이후 점검 결과가 공개됐는지를 이어서 확인하는 것이 좋습니다.

다음으로 모델의 국적만 보지 말고 데이터 질문을 덧붙여 보세요. 어떤 업무에 쓰는지, 최신 자료로 고칠 수 있는지, 개인정보와 저작권을 어떻게 다루는지, 오류가 나면 어디에 알려야 하는지가 더 직접적인 생활 문제일 수 있습니다.

마지막으로 평가 기준을 보세요. 순위나 시연 영상은 출발점일 뿐입니다. 실제 이용자 환경에서의 정확성, 비용, 보안, 차별 위험, 사고 대응까지 공개적으로 확인하는 구조가 있는지를 보면 ‘AI 주권’이라는 큰 말을 조금 더 구체적으로 판단할 수 있습니다.

앞서 AI 투자 3.5조 달러 시대를 다룬 글에서 보았듯, 큰 투자액이 곧바로 모두의 이익이나 기술 자립을 보장하지는 않습니다. 돈이 어디에 쓰이고 누구에게 접근 기회가 주어지는지가 중요합니다. 또 AI 생성 글에 표시가 필요한 이유를 살핀 글과도 연결됩니다. AI를 믿고 쓰려면 무엇이 AI의 결과인지, 누가 검토하고 책임지는지를 알 수 있어야 하기 때문입니다.

참고자료

1. 과학기술정보통신부, National AI Strategy Policy Directions
2. 과학기술정보통신부, 2025년 업무계획
3. European Commission, AI Continent Action Plan
4. NIST, AI Risk Management Framework
5. NVIDIA, Korea Government and Industrial Leaders Build AI Infrastructure and Ecosystem