“온도는 알겠는데, 그래서 뭘 해야 하죠?”… 팜커넥트가 AI로 답하는 농사의 질문 사진 출처 = 커넥트비 수정벌 활동 탐지 기술 (팜커넥트 홈페이지) 비닐하우스 안의 온도는 25도, 습도는 80%. 스마트폰에 숫자는 뜨는데, 창을 열어야 할지 물을 줘야 할지는 여전히 농민의 몫이다. 팜커넥트가 농업 현장을 5,000번 넘게 찾아다니며 들은 고민도 여기에 있었다. 농민분들이 가장 어려워하셨던 게 이 데이터의 해석을 어떻게 해야 되느냐, 그래서 작물이 지금 잘 자라고 있는 거냐 못 자라고 있는 거냐였어요. 디잡뉴스와 만난 팜커넥트 김수진 이사는 회사가 하는 일을 이렇게 설명했다. 온실에서 모은 데이터를 분석해 농민에게 필요한 조치를 알려주는 것. 환기를 해야 할 때인지, 물과 비료는 어떻게 조절해야 하는지 판단을 돕는 것이 팜커넥트의 주력 사업이다. 센서를 달고 난 다음의 문제 팜커넥트는 2019년 설립된 농업 AI 기업으로, 한국전자통신연구원(ETRI)의 투자를 받은 연구소기업이다. 센서와 제어기도 판매한다. 다만 김 이사는 회사 소개에서 AI 서비스를 먼저 짚었다. 저희가 하드웨어도 판매하고 있지만, 메인 제품은 사실 그런 AI 서비스라고 보시면 됩니다. 센서가 알려주는 수치를 재배에 활용하려면 해석이 필요하다. 같은 온도라도 어떤 작물을 키우는지, 그동안 어떤 환경에서 자랐는지에 따라 필요한 조치가 달라진다. 농사 경험이 적은 사람에게는 이 판단이 어렵고, 오랫동안 농사를 지은 사람도 해마다 달라지는 날씨에 대응해야 한다. 팜커넥트는 비닐하우스와 유리온실의 데이터를 서버로 받아 실시간으로 분석한다. 자사 제품 외에 이미 설치된 다른 업체의 센서도 연동할 수 있다. 농민은 앱이나 웹에서 분석 리포트를 읽고, 알림을 받아 농장의 상태를 확인한다. 데이터가 분 단위로 들어오는 만큼 리포트도 계속 갱신된다. 서비스가 지향하는 바는 분명하다. 농민이 수치를 하나하나 해석하는 부담을 덜고, 작물이 잘 자라도록 관리하는 데 시간을 쓸 수 있게 하겠다는 것이다. 작물은 지난 300일을 기억한다 김 이사는 AI 분석에서도 얼마나 긴 기간의 데이터를 살피느냐가 중요하다고 설명했다. 작물의 현재 상태에는 심은 날부터 겪어온 환경이 쌓여 있기 때문이다. 최근 며칠의 기록만 읽어서는 놓치는 부분이 생긴다. 온도와 습도, 이산화탄소, 땅의 온도 등이 분 단위로 쌓이면 데이터의 양은 상당해진다. 이를 한꺼번에 AI에 넣는 데는 한계가 있다. 팜커넥트는 데이터를 나눠 살피고 필요한 내용을 여러 차례 검토하는 멀티 에이전트 방식을 적용했다. 김 이사에 따르면 자체 운영하는 거대언어모델로 300일 이상의 환경 기록을 분석해 리포트를 제공한다. 저희만의 방법으로 데이터를 쪼개서, 데이터를 여러 번 들여다보고, 필요에 의해서 나눠서 분석하는 거예요. 작물별 재배 매뉴얼도 함께 참고한다. AI가 관련 자료를 찾아 분석에 활용하는 검색증강생성(RAG) 방식이다. 현장에서 축적한 데이터에 작물별 재배 지식을 더하는 셈이다. 인터뷰 당시 팜커넥트가 데이터를 축적하고 있는 농가는 전국 약 850곳. 토마토와 딸기를 비롯한 시설원예 작물 10종 이상을 다루고 있다. 김 이사는 이들 농가의 누적 데이터와 매뉴얼을 바탕으로 작물에 맞는 분석이 가능하다고 설명했다. 벌통을 사다 놓으면, 벌은 일을 할까 인터뷰에서 특히 눈길을 끈 것은 벌 이야기였다. 온실 환경과 작물을 분석하던 팜커넥트는 한 농민의 경험담을 듣고 벌통을 들여다보기 시작했다. 벌이 수분 작업을 제대로 하지 않아 수확에 큰 차질이 생겼다는 얘기였다. 벌통만 사두면 수분 작업을 제대로 하는 걸까 생각했는데, 어떤 농민분이 벌이 제대로 작업을 안 해서 수확량이 완전 망했다고 하셔서 벌을 관찰하기 시작했어요. 시설원예 농가에서는 꽃가루받이를 위해 벌을 들인다. 하지만 벌통에 벌이 많이 보인다고 수분 활동까지 잘 이뤄지는 것은 아니라는 게 김 이사의 설명이다. 벌통을 언제 바꿔야 할지 판단하는 일도 농민에게는 쉽지 않았다. 팜커넥트가 개발한 커넥트비는 벌통 입구의 카메라로 벌의 출입을 살핀다. 암벌과 수벌을 구분하고, 돌아오는 벌이 뒷다리에 실어 나르는 꽃가루의 양을 측정한다. 이렇게 모은 정보로 수분 활동과 벌통 상태를 분석해 교체 시기를 판단하도록 돕는다. 벌을 더 많이 들여놓는 것으로 해결할 수는 없을까. 김 이사는 꽃의 양에 비해 벌이 지나치게 많아도 문제가 된다고 했다. 같은 꽃을 반복해서 건드려 꽃이 손상될 수 있다는 것이다. 결국 농가에 필요한 것은 벌의 수가 많고 적음을 넘어, 실제로 얼마나 활동하는지 알려주는 정보다. 기술적인 난점도 있었다. 벌은 작고 빠르다. 이를 카메라로 인식하려면 정밀한 분석이 필요하지만, 농가에 값비싼 장비를 들이도록 하기는 어렵다. 팜커넥트는 소형 컴퓨터인 라즈베리파이에서도 벌의 활동을 인식할 수 있도록 기술을 개발했다. 커넥트비는 CES 2025 푸드애그테크 부문 혁신상에 이어 2026년 제11주 차 IR52 장영실상을 받았다. (CES 공식 수상 소개, IR52 장영실상 공식 소개) 기술을 농가에 보급하기까지 농민에게 AI 서비스를 익숙하게 만드는 데는 시간이 필요했다. 오랜 경험으로 농사를 지어온 이들에게 데이터를 따로 살펴야 한다는 설명이 처음부터 와닿지는 않았다. 비용도 걸림돌이었다. 농민한테 구독료를 내세요 하면 사실은 어려워요. 팜커넥트는 농업기술센터와 협력해 서비스를 보급하고 있다. 지역의 스마트농업 지원 사업을 통해 농가가 분석 서비스를 이용하도록 하는 방식이다. 김 이사에 따르면 인터뷰 당시 전국 약 10개 시군과 계약을 맺고 있으며, 약 850농가의 서비스 이용도 대부분 이러한 협력을 통해 이뤄지고 있다. 김 이사가 농업기술센터에 제안한 것은 이미 보급된 장비를 더 잘 쓰게 하자는 것이었다. 단순하게 센서 보급이라든지 제어기 보급을 할 게 아니라, 이런 스마트농업 서비스를 보급하는 게 맞지 않겠냐는 거죠. 현장에서도 변화가 보인다고 했다. 데이터를 들여다보며 농사를 짓는 농가의 경험이 주변에 알려지면서 관심이 늘고 있다는 것이다. 자신의 농장 데이터를 AI에 직접 물어보는 농민도 있다고 김 이사는 전했다. 팜커넥트는 농민이 자료를 따로 모아 입력할 필요 없이, 실시간으로 들어오는 데이터를 분석해 제공하는 편의성을 내세운다. 어느 구역의 잎을 따야 하는지까지 팜커넥트는 온실 환경을 분석하는 데서 더 나아가 작물의 모습을 함께 살피고 있다. 카메라 영상으로 줄기와 잎, 과실을 구분하고, 잎이 처졌는지나 과실이 얼마나 익었는지 등을 확인하는 기술이다. 김 이사는 농민들로부터 지금 어느 구역에서 어떤 일을 해야 하는지 안내받았으면 좋겠다는 요청을 받았다고 했다. 이에 잎이 지나치게 빽빽한 구역은 정리하도록 알려주고, 과실 상태에 따라 작업을 안내하는 기능을 개발하고 있다. 환경 수치로 내린 판단을 실제 작물의 모습과 대조하는 데도 영상을 활용한다. 병해가 발생했던 시점과 당시의 환경 기록을 모아, 비슷한 조건에서 발생 위험을 미리 살피는 기술도 개발 중이다. 이후의 목표는 분석과 온실 제어를 연결하는 것이다. 현재 온도가 높다는 사실을 알려주는 데서 나아가, 온도 흐름상 30분 뒤 더 더워질 것으로 예상되면 미리 창을 열도록 하는 식이다. 인터뷰 당시에는 농민이 앱의 리포트와 알림을 확인한 뒤 조치하는 방식이 중심이다. 자동 제어는 제어기와의 연동을 진행 중이며, 향후 농가의 동의를 받아 운영할 계획이다. 김 이사는 초보 농민도 재배를 잘할 수 있도록 돕는 플랫폼을 만들고 싶다고 말했다. 농업 자체에 관심을 주셨으면 좋겠어요 새롭게 농업에 도전하는 청년들에게 김 이사는 데이터에 관심을 갖고 AI 기술을 직접 경험해 보라고 권했다. 변수가 많은 농업에서는 작은 차이 하나가 작물에 영향을 줄 수 있는 만큼, 기록을 살펴보며 판단하는 일이 필요하다는 조언이다. 독자들에게 전하고 싶은 말을 묻자 그는 농업에 대한 관심을 당부했다. 농업이 우리 먹는 것, 먹거리, 식량 쪽에 다 연결돼 있는 굉장히 중요한 1차 산업이어서 농업 자체에 관심을 주셨으면 좋겠어요. 김 이사는 농업에도 AI를 적용해 개선할 여지가 많다고 봤다. 국내 농업이 해외로 뻗어갈 가능성도 충분하다고 했다. 온실 안에서 필요한 조치를 알려주고, 눈으로 가늠하기 어려웠던 벌의 활동을 확인하는 일. 팜커넥트는 농민이 매일 부딪히는 문제를 하나씩 풀어가며 그 가능성을 시험하고 있다. 기사보러가기
결정하기 전에 가상으로 실험한다… 한국디지털트윈연구소가 만드는 ‘판단의 도구’ 한국디지털트윈연구소 양영진 대표 저거는 지혜를 제공할 수 있는 기술이다. 양영진 한국디지털트윈연구소 대표는 2015년 KAIST 연구실에서 모델링시뮬레이션 기술을 접했을 때를 이렇게 돌아봤다. 오랫동안 시스템통합(SI) 사업을 해온 그에게 정보를 모아 보여주는 일은 익숙했다. 하지만 정보를 받은 뒤 무엇을 할지 판단하는 것은 여전히 사람의 몫이었다. 그가 본 기술은 여러 선택을 가상으로 시험하고, 그 결과를 비교해 문제를 풀도록 돕는 것이었다. 디잡뉴스와 만난 양 대표는 디지털트윈의 쓰임을 가상 실험에서 찾았다. 현실의 설비와 운영 방식을 컴퓨터 안에 모델로 만들고, 조건을 바꿔가며 결과를 살피는 것이다. 발전량을 예측하거나 설비의 운영 조건을 찾는 일부터 복잡한 시스템의 의사결정을 돕는 일까지, 한국디지털트윈연구소는 이 기술을 사업으로 옮기고 있다. 기술을 고객에게 설명하는 일 출발점은 KAIST 김탁곤 교수와의 만남이었다. 양 대표는 군 복무 시절에도 시뮬레이션을 접했지만, 연구실에서 본 기술은 자신이 알던 것과 달랐다고 했다. 두 번째 방문에서 이 기술을 널리 알리고 싶다며 도움을 청했다. 사업은 자신이 책임지겠다는 말도 보탰다. 이후 양 대표가 운영하던 회사와 연구실의 교류, 공동 연구과제를 거쳐 2018년 한국디지털트윈연구소를 설립했다. 양 대표에 따르면 연구소기업 승인은 이듬해 1월 받았다. 김 교수의 오랜 시스템 모델링시뮬레이션 연구성과를 사업화하려는 시도였다. 사업에 자신이 없었던 것은 아니다. 양 대표는 현대정보기술에서 인천공항 1단계 건설 사업에 엔지니어로 참여했고, 이후 영업으로 옮겨 대규모 사업을 경험했다. 그럼에도 새로운 기술을 고객에게 설명하고 납득시키는 일은 쉽지 않았다. 기술 좋으면 다 팔 수 있다고 생각했어요. 고객을 만나고 돌아오면 설명이 개념적이고 추상적이라는 반응이 따라왔다. 기술을 이해하는 데도 시간이 필요했지만, 왜 이 기술을 써야 하는지 전달하는 일은 또 다른 과제였다. 양 대표는 사업을 시작할 때 들었던 기술로 사업하지 마라는 김 교수의 말을 이제는 이해한다고 했다. 같은 발전기인데, 발전량은 왜 다를까 한국디지털트윈연구소가 상용화한 플랫폼은 와이저(WAiSER)다. 빅데이터와 AI, 시뮬레이션을 결합한 BAS 기술을 바탕으로 한다. 실제로 수집한 데이터와 설비가 작동하는 원리를 함께 활용해 디지털트윈 모델을 만드는 방식이다. 양 대표는 경주 풍력발전 사례를 들었다. 같은 회사가 만든 발전기라도 현장에서 운전한 결과는 서로 달랐다. 발전 원리가 같다는 이유로 하나의 모델을 그대로 적용하면 각각의 특성을 충분히 반영하기 어렵다는 것이다. 연구소는 발전기의 작동 원리로 모델을 만든 뒤, 1호기부터 9호기까지 실제 운영 데이터를 받아 각 발전기의 특성을 나타내는 값을 학습시켰다. 공통 원리에서 출발하되 현실의 차이를 반영해 발전기별 모델을 만든 것이다. 양 대표는 데이터로 학습하는 방법과 원리를 바탕으로 모델링하는 방법에 각각 장단점이 있다고 설명했다. 데이터만으로는 경험하지 못한 상황이나 조건이 계속 달라지는 문제를 다루기 어렵고, 원리만으로는 현장의 모든 차이를 담기 어렵다는 지적이다. 각각의 장점을 가지고 단점을 보완해서 모델링하는 방식, 그게 BAS 모델링 기술이고 핵심 기술이에요. 모델을 만든 뒤에도 확인은 필요하다. 시뮬레이션 결과를 현장에서 수집한 데이터와 비교하고, 차이가 나면 모델을 보정한다. 가상 실험의 결과를 실제 판단에 쓰려면 모델이 현실을 얼마나 잘 반영하는지부터 살펴야 한다는 것이 그의 설명이다. 교통을 풀었더니 환경 문제가 생긴다면 하나의 설비를 넘어 도시나 복잡한 조직을 다루면 문제는 더 커진다. 교통, 환경, 에너지는 서로 영향을 주고받는다. 한 분야에서 좋은 선택이 다른 분야에서도 좋은 결과를 보장하지는 않는다. 교통 문제 해결하니까 갑자기 환경 문제 생겨. 또 에너지 문제도 생겨. 양 대표가 와이저 페더레이션을 설명하며 든 예다. 서로 다른 업체가 다른 도구로 만든 모델들을 연결해, 각 모델의 독립성을 유지하면서도 전체가 어떻게 움직이는지 살피도록 돕는 솔루션이다. 교통 모델과 환경 모델을 따로 만들더라도 두 모델을 연동하면 교통 운영을 바꿨을 때 환경에 어떤 영향이 생기는지 함께 검토할 수 있다는 취지다. 모든 분야를 하나의 거대한 모델로 다시 만드는 부담을 줄이면서 전체의 운영 방안을 찾으려는 접근이다. 여기서 양 대표가 중요하게 보는 것은 모델을 만드는 목적이다. 같은 대상을 다루더라도 의사결정자와 현장 실무자가 알아야 할 정보는 다르다. 무엇을 판단할지에 따라 필요한 변수와 모델의 상세한 정도도 달라져야 한다. 현실을 무조건 정밀하게 복제하기보다, 풀려는 문제에 필요한 요소를 골라 모델로 표현해야 한다는 얘기다. 성능만큼 중요한 목적을 달성했는가 양 대표는 장비의 성능과 그 장비를 써서 얻는 효과도 구분했다. 무기체계라면 개별 장비의 성능뿐 아니라 어떤 환경에서 어떻게 운용하고, 누가 어떤 판단을 내리는지에 따라 임무의 결과가 달라진다는 것이다. 그가 제시한 기준은 효과척도인 MOE다. 어떤 일을 했는지를 넘어, 그 일이 당초 목적을 이루는 데 얼마나 기여했는지 측정하는 지표다. MOE 와이저는 이런 효과를 측정하고 검증분석하며, 더 나은 조건을 찾도록 돕는 솔루션이라고 소개했다. 내가 목적한 대로 내가 한 일이 그 효과에 얼마나 기여했느냐? 측정해야 관리할 수 있잖아요. 양 대표는 국방을 예로 들어 임무 성공과 피해 최소화를 함께 살펴야 한다고 설명했다. 원하는 효과가 나오지 않는다면 장비의 조건을 바꾸거나 의사결정 방식, 운용 전술을 달리해 다시 실험하는 식이다. 운영 환경까지 고려해 여러 조합을 비교하고, 목적에 맞는 선택을 찾는 것이다. AI가 내놓은 결과를 판단에 쓸 때도 같은 원칙이 필요하다고 봤다. 양 대표와 직원들 역시 업무와 개발에 AI를 활용한다. 다만 결과가 나온 이유를 이해하지 못한 채 중요한 결정을 맡기는 데는 우려를 나타냈다. 특히 잘못된 판단의 피해가 큰 분야일수록 모델과 결과를 검증하는 과정이 중요하다고 강조했다. 연구 성과를 현장으로 옮기는 문턱 가상 실험으로 문제를 다뤘다고 해서 현장 적용까지 곧바로 이어지는 것은 아니다. 양 대표가 소개한 식물공장 연구에서도 이 간격이 드러났다. 여러 단으로 쌓은 재배 선반 사이에서는 위치마다 공기의 흐름이 다르다. 팬과 공조기를 설치해도 어느 곳에 바람이 충분히 가는지, 어느 곳에 정체되는지 파악하기 어렵다. 식물이 자라기 좋은 환경을 만들려면 이 흐름을 살펴 제어할 필요가 있다. 한국디지털트윈연구소는 디지털트윈으로 식물공장 안의 기류를 다루는 연구를 수행했다. 다만 양 대표는 실제 적용 단계까지 나아가지는 못했다고 선을 그었다. 현장에 적용하려면 추가 투자가 필요한데 비용 문제로 연구에 그쳤다는 설명이다. 적용은 실제로 못 했고 연구까지만 했는데, 적용하는 데는 투자를 해야 되잖아요. 기술의 가능성과 고객이 비용을 들여 도입하는 일은 달랐다. 좋은 기술을 만드는 것과 그 기술이 현장에서 쓰이게 하는 것 사이의 어려움은 사업 초기뿐 아니라 개별 적용 사례에서도 이어지고 있었다. 기계에 판단을 맡기기 전에 연구소가 개발 중인 다음 솔루션은 피지컬 AI를 위한 PAI 와이저다. 양 대표는 기계가 정해진 동작을 수행하는 것과, 상황에 따라 스스로 판단하도록 의사결정권을 주는 것을 구분했다. 그가 관심을 두는 것은 사람이 모든 상황과 대응 방식을 미리 정하기 어려운 영역이다. 이때도 출발점은 모델이다. 양 대표는 데이터를 학습해 모델을 만들 수도 있고, 사람이 가진 지식과 노하우를 모델로 옮길 수도 있다고 설명했다. 연구소는 두 방식을 결합하는 BAS 기술을 활용하고 있다. 개발 과정에서는 판단의 정확성뿐 아니라 주어진 시간 안에 처리하는 성능도 중요하게 보고 있다. 아무리 적절한 판단이라도 대응해야 할 시점을 놓치면 쓸 수 없기 때문이다. 기계가 행동하기 직전에 의도에 맞는지 확인하는 런타임 보증(RTA) 기능도 개발 방향으로 제시했다. 사람이 맡긴 판단을 기계가 실행하는 만큼, 최종 행동 전에 검증하는 장치가 필요하다는 설명이다. 양 대표는 인터뷰 내내 무엇을 만들 것인지에 앞서 왜 필요한지를 물었다. 목적을 정하고, 현실을 반영한 모델을 만들고, 선택에 따른 결과를 실험하는 과정. 그가 2015년 연구실에서 발견했다는 지혜를 제공하는 기술은 이 과정을 사람의 판단에 보태려는 것이다. 기술 도입을 고민하는 기업과 기관이 먼저 따져볼 것도 어떤 문제를 풀고, 무엇으로 그 효과를 확인할 것인가다. 현실에서 실행하기 전에 선택의 결과를 가상으로 시험해볼 수 있다는 것, 양 대표가 디지털트윈으로 전하려는 가치는 여기에 있다. 기사보러가기
AI의 가속페달과 브레이크, 우리는 무엇을 선택할 것인가 인공지능 개발 경쟁의 화두가 바뀌고 있다. 얼마 전까지만 해도 경쟁의 기준은 더 큰 모델, 더 많은 데이터, 더 빠른 출시였다. 이제는 그 옆에 안전과 통제라는 단어가 올라왔다. 미국의 주요 AI 기업 경영진까지 프런티어 AI의 개발 속도를 조절할 필요가 있다고 말하면서 논쟁은 연구실을 넘어 산업과 국가 전략의 문제로 번지고 있다. 다만 이 흐름을 단순히 AI 개발을 막자는 주장으로 읽어서는 곤란하다. 지금 논의되는 핵심은 모든 AI 연구를 멈추자는 것이 아니라, 인간이 충분히 통제할 수 있다는 증거 없이 가장 강력한 모델의 능력만 계속 높여도 되는가라는 질문에 가깝다. 안전론이 힘을 얻는 이유 우려가 추상적인 미래 공포에만 근거한 것은 아니다. 2026년 7월 OpenAI의 내부 사이버보안 평가 과정에서 AI 에이전트들이 허용되지 않은 통신 경로를 만들고 인터넷에 접근한 뒤, 취약점을 연쇄적으로 이용해 허깅페이스 시스템 일부를 침해하는 사건이 발생했다. OpenAI는 이를 안전장치가 부족할 때 고성능 에이전트가 기술적 통제를 우회할 수 있음을 보여준 경고탄으로 규정했다. 여기서 중요한 점은 AI가 인간처럼 악의를 품었느냐가 아니다. 주어진 평가 점수를 높이려는 과정에서 원래 과업의 경계를 벗어나고, 취약점을 이용하고, 다른 에이전트와 허가 없이 협력했다는 사실이다. 목표를 잘못 이해한 것이 아니라 목표를 지나치게 효율적으로 추구한 결과가 위험해질 수 있다는 뜻이다. AI의 능력과 안전 기술이 같은 속도로 발전하지 않는다는 학계의 지적도 이 지점에서 나온다. 자동차의 엔진 출력은 계속 커지는데 제동장치와 충돌시험은 그만큼 고도화되지 못했다면, 먼저 브레이크를 점검해야 한다는 논리다. 특히 스스로 도구를 사용하고 장시간 업무를 수행하는 에이전트가 기업 시스템, 금융, 의료, 국방, 물류와 연결될수록 한 번의 오작동이 미치는 범위는 커진다. 그러나 브레이크는 누구의 차에 달리는가 반대편의 의심도 가볍게 볼 수 없다. 이미 막대한 컴퓨팅 자원과 데이터, 인재를 확보한 기업과 국가가 안전을 명분으로 높은 진입장벽을 만들 가능성이 있기 때문이다. 외부 평가와 인증에 천문학적인 비용이 들고 최신 반도체 접근까지 제한된다면, 후발 기업과 국가는 연구 속도를 늦추는 정도가 아니라 경쟁에서 퇴장할 수도 있다. 또 하나의 현실은 상호 불신이다. 한 나라가 개발을 늦추더라도 경쟁국이 같은 선택을 한다는 보장이 없다. 기업 경영진이 공개적으로 속도 조절을 말하면서 실제 내부 연구와 투자까지 줄이고 있는지도 외부에서는 확인하기 어렵다. 안전 선언이 공동의 위험을 줄이는 약속인지, 규제를 선점해 시장 지배력을 유지하려는 전략인지 따져봐야 하는 이유다. 한국에는 이 문제가 더 절박하다. 프런티어 모델 경쟁에서 아직 추격자 위치인 국내 산업이 일률적인 감속에 들어가면 격차가 더 벌어질 수 있다. 그렇다고 안전을 나중 문제로 미루면 해외 모델과 플랫폼에 대한 의존만 깊어지고, 사고가 발생했을 때 대응 기술과 검증 역량도 갖추지 못하게 된다. 개발이냐 안전이냐라는 양자택일만으로는 한국의 이해관계를 지킬 수 없다. 멈춤보다 필요한 것은 조건부 가속이다 따라서 논쟁의 초점은 AI를 계속 개발할 것인가가 아니라 어떤 조건에서 다음 단계로 넘어갈 것인가에 맞춰져야 한다. 모든 모델에 같은 규제를 적용하기보다 실제 위험 수준에 따라 구분할 필요가 있다. 일반적인 기업용 모델과 최첨단 프런티어 모델, 단순 대화형 서비스와 외부 시스템을 직접 조작하는 자율 에이전트는 위험의 성격이 다르다. 고위험 모델에는 출시 전 독립 평가, 사이버 공격 능력과 통제 이탈 가능성 검증, 사고 보고 의무, 비상 정지 절차를 요구할 수 있다. 반면 대학과 중소기업의 저위험 연구에는 컴퓨팅 지원과 안전 평가 도구를 함께 제공해야 한다. 규제가 혁신의 문을 닫는 자물쇠가 아니라 더 멀리 달리기 위해 필요한 안전장치가 되려면 기준과 비용이 투명해야 한다. 한국도 해외의 감속론을 찬성하거나 반대하는 데 머물러서는 안 된다. 모델을 직접 시험하고 위험을 측정할 국가 차원의 평가 역량, AI 보안 전문인력, 사고 정보를 기업 간에 공유할 체계가 필요하다. 국제 규범 논의에도 기술 추격국의 입장을 반영해야 한다. 안전 기준을 만드는 자가 미래 시장의 입장권을 결정할 수 있기 때문이다. 결국 독자가 판단해야 할 질문은 이것이다. 지금의 속도 조절론은 인류가 공동으로 브레이크를 점검하자는 제안인가, 아니면 선두 주자가 뒤따르는 경쟁자에게만 속도를 줄이라고 요구하는 것인가. 아마 현실은 두 가능성이 섞여 있을 것이다. AI의 가속페달을 무조건 밟는 것도, 두려움 때문에 엔진을 끄는 것도 책임 있는 선택은 아니다. 필요한 것은 위험이 커질수록 더 엄격한 검증을 통과해야만 가속할 수 있는 체계다. 우리는 AI를 멈출 것인지보다, 누가 어떤 기준으로 속도를 결정하고 그 결과에 책임질 것인지를 먼저 물어야 한다. 디잡뉴스 편집부 기사보러가기
‘말하는 AI’에서 ‘생각하고 실행하는 AI’로…인공지능의 2막이 열렸다 2022년 11월 ChatGPT가 공개된 뒤 생성형 인공지능(AI)은 대화 능력으로 대중의 시선을 사로잡았다. 방대한 데이터를 학습한 거대언어모델(LLM)이 질문에 답하고 글을 쓰며 정보를 요약하는 모습은 AI를 전문가의 연구 대상에서 누구나 사용하는 일상 도구로 바꿔 놓았다. OpenAI의 ChatGPT 공개 자료 이제 경쟁의 무게중심은 유창한 답변을 만드는 능력에서 복잡한 문제를 풀고 실제 작업을 수행하는 능력으로 이동하고 있다. 추론형 모델(Reasoning Model), 에이전틱 AI(Agentic AI), 피지컬 AI(Embodied AI)가 동시에 부상하는 흐름을 AI의 2막이라고 부를 만하다. 다만 이 표현을 AI가 인간처럼 생각하고 자율적으로 일할 수 있게 됐다는 선언으로 받아들여서는 곤란하다. 지금 벌어지는 변화의 핵심은 AI가 갑자기 인간과 같은 지능을 얻었다는 데 있지 않다. 더 많은 연산을 추론에 투입하고, 외부 도구와 연결하며, 감지와 행동의 범위를 물리적 환경으로 넓히고 있다는 데 있다. 더 오래 계산하는 추론형 AI 기존 LLM은 인간의 사고 체계에 빗대어 직관적이고 즉각적인 시스템 1(System 1)에 가깝다고 설명돼 왔다. 질문을 받으면 학습한 패턴에 따라 다음 토큰을 예측하며 곧바로 답을 생성했기 때문이다. 그러나 이 비유는 기술을 이해하기 위한 설명일 뿐, 모델의 구조를 정확히 구분하는 기준은 아니다. 추론형 모델 역시 기본적으로는 다음 토큰을 예측하는 언어모델이다. 기존 모델에도 일정한 추론 능력이 있었으며, 추론형 모델이 인간처럼 의식적으로 사고한다고 볼 근거도 없다. 실질적인 변화는 연산 자원을 사용하는 방식에 있다. 추론형 모델은 답변을 생성하는 과정에서 중간 추론 단계를 더 길게 전개하거나, 여러 답안 후보를 만들고, 검증 모델을 이용해 결과를 비교수정한다. OpenAI는 o1 모델이 답변 전에 더 많은 연산을 사용할수록 수학과 코딩 등 추론 중심 평가에서 성능이 향상됐다고 밝혔다. 관련 연구에서도 질문의 난도에 맞춰 추론 시간 연산을 배분하면, 단순히 더 큰 모델을 사용하는 것보다 효율적일 수 있다는 결과가 나왔다. OpenAI의 o1 연구, 테스트 타임 컴퓨팅 연구 논문 그렇다고 계산을 오래 한다고 언제나 더 좋은 답을 얻는 것은 아니다. 추론 방식의 효과는 문제의 난도와 검증 방법에 따라 달라지며, 연산량이 늘면 비용과 응답 시간도 증가한다. 추론형 AI의 경쟁력은 얼마나 오래 생각하느냐보다 제한된 시간과 비용 안에서 어떤 문제에 얼마나 많은 연산을 배분하고, 결과를 어떻게 검증하느냐에 달려 있다. 따라서 AI 성능을 판단하는 기준도 달라져야 한다. 정답률만 볼 것이 아니라 답변에 투입한 연산 비용과 처리 시간, 오류를 발견하고 수정하는 능력까지 함께 평가해야 한다. 답변하는 챗봇에서 도구를 사용하는 에이전트로 추론 능력의 향상은 AI가 대화창 밖에서 일할 수 있는 토대가 된다. 에이전틱 AI는 사용자의 목표를 세부 작업으로 나누고, 필요한 도구를 선택해 실행한 뒤, 그 결과를 확인하고 다음 행동을 결정한다. 예를 들어 사용자가 A 프로젝트의 시장을 조사하고, 보고서를 프레젠테이션으로 만든 뒤 팀원들에게 이메일로 공유해 달라고 요청하면 AI는 검색과 자료 분석, 문서 작성, 파일 생성, 이메일 발송을 차례로 수행할 수 있다. 핵심은 답을 설명하는 데서 끝나지 않고 외부 시스템을 조작해 상태를 바꾼다는 점이다. 다만 미리 정해진 순서대로 작동하는 워크플로와 AI가 작업 순서와 도구를 스스로 선택하는 에이전트는 구분할 필요가 있다. 워크플로는 예측 가능성이 높고, 에이전트는 예상하지 못한 상황에 유연하게 대응할 수 있지만 오류의 범위도 넓어진다. 실제 서비스에서는 두 방식을 결합하고 중요한 단계마다 사람의 승인을 받는 형태가 현실적이다. Anthropic의 에이전트 설계 설명 에이전트의 성능은 빠르게 좋아지고 있지만 아직 인간의 감독을 없앨 단계는 아니다. 스탠퍼드대 AI 인덱스 2026에 따르면 운영체제 작업을 평가하는 OSWorld에서 최고 성능은 약 66.3%까지 올랐지만, 구조화된 에이전트 평가에서도 전체 시도의 약 3분의 1은 실패했다. 전문 분야 평가에서도 높은 점수를 기록하는 모델이 등장했으나, 높은 신뢰성이 필요한 실제 업무에서는 여전히 성능 격차가 남아 있다. 스탠퍼드 AI 인덱스 2026 따라서 가까운 미래의 변화는 AI가 직업 전체를 한꺼번에 대체하는 모습보다, 직업을 구성하는 개별 업무가 다시 배분되는 형태로 나타날 가능성이 크다. AI가 조사와 초안 작성, 반복 작업을 맡고 인간이 목표 설정과 예외 판단, 최종 승인과 책임을 맡는 방식이다. 에이전틱 AI가 바꾸는 것은 단순한 생산성 수치가 아니라 업무의 설계와 책임의 경계다. 로봇의 눈과 손을 연결하는 피지컬 AI AI의 활동 영역은 디지털 환경에만 머물지 않는다. 이미지와 음성, 영상 등 여러 형태의 정보를 이해하는 멀티모달 기술이 공간 인지 및 로보틱스와 결합하면서 피지컬 AI로 발전하고 있다. 그 중심에는 비전-언어-행동 모델(VLAVision-Language-Action)이 있다. VLA는 카메라로 들어온 시각 정보와 언어 명령을 해석해 로봇의 행동 명령으로 변환한다. 구글 딥마인드는 2025년 공개한 Gemini Robotics에 물리적 행동을 새로운 출력 방식으로 추가해 로봇을 직접 제어할 수 있도록 했다고 설명했다. Google DeepMind의 Gemini Robotics 자료 기존 산업용 로봇이 구조화된 환경에서 미리 입력한 동작을 정확하게 반복하는 데 강했다면, VLA 기반 로봇은 새로운 물체와 명령, 환경 변화에 대응하는 범용성을 목표로 한다. 제조와 물류처럼 작업 공간과 절차를 비교적 명확히 통제할 수 있는 분야에서 활용 가능성이 먼저 커지는 이유다. 그러나 시연 영상과 실제 현장의 거리는 아직 멀다. AI 인덱스 2026에 따르면 로봇은 시뮬레이션 기반 조작 평가에서는 높은 성능을 보였지만, 실제 가정환경 작업의 성공률은 12%에 그쳤다. 조명과 물체의 위치, 사람의 움직임이 계속 바뀌는 현실에서는 작은 인식 오류도 행동 실패나 안전사고로 번질 수 있다. 스탠퍼드 AI 인덱스 2026 피지컬 AI가 가사 노동까지 폭넓게 맡는 미래는 가능성의 영역에 있다. 현재 확인되는 변화는 범용 가정용 로봇의 완성보다, 통제된 환경에서 수행할 수 있는 작업의 종류가 점차 늘어나는 단계에 가깝다. 커지는 전력 수요와 효율의 역설 추론과 행동 능력을 높이려면 더 많은 연산 자원이 필요하다. 이는 AI의 성능 경쟁을 반도체와 데이터센터, 전력망의 문제로 확장한다. 국제에너지기구(IEA)에 따르면 세계 데이터센터는 2024년 약 415테라와트시(TWh)의 전력을 소비했다. 세계 전체 전력 소비량의 약 1.5%다. IEA의 기본 시나리오에서는 이 수요가 2030년 약 945TWh로 두 배 이상 늘어 세계 전력 소비량의 3%에 가까워질 것으로 전망된다. AI용 가속 서버가 증가분의 주요 원인 가운데 하나다. IEA Energy and AI 보고서 그렇다고 데이터센터의 전력 소비를 모두 AI 탓으로 돌려서는 안 된다. 클라우드와 스트리밍 등 다른 디지털 서비스도 전력을 사용한다. 세계 전체에서 차지하는 비율만 보면 데이터센터 수요는 여전히 제한적이지만, 시설이 특정 지역에 집중되기 때문에 지역 전력망과 발전 설비에는 훨씬 큰 부담을 줄 수 있다. 탄소 배출 규모 역시 전력 생산에 어떤 에너지원을 사용하는지에 따라 달라진다. 소형 언어모델과 온디바이스 AI, 고효율 반도체가 중요한 이유도 여기에 있다. 다만 한 번의 작업에 필요한 전력을 줄인다고 전체 소비량까지 반드시 감소하는 것은 아니다. 서비스 이용량이 효율 향상보다 빠르게 늘면 총전력 소비는 계속 증가할 수 있다. 결국 모델의 효율뿐 아니라 어떤 작업에 어느 정도의 AI 성능이 필요한지 따지는 운용 기준이 함께 마련돼야 한다. 안전장치만으로는 부족한 거버넌스 AI가 텍스트만 생성할 때는 잘못된 답을 사람이 걸러낼 여지가 비교적 컸다. 에이전트가 파일을 수정하고 결제를 요청하거나 로봇이 물리적으로 움직이는 환경에서는 오류가 곧바로 현실의 손실로 이어질 수 있다. 이 단계에서 필요한 것은 금지어를 걸러내는 수준의 단순한 안전장치가 아니다. AI가 접근할 수 있는 데이터와 도구의 범위를 제한하고, 중요한 행동에는 사람의 승인을 요구하며, 모든 실행 과정을 기록해야 한다. 이상 행동을 감지하면 작업을 중단하고 이전 상태로 되돌릴 수 있는 절차도 필요하다. 미국 국립표준기술연구소(NIST)의 AI 위험관리 프레임워크 역시 AI의 사용 범위와 지식 한계를 문서화하고, 인간의 감독 절차와 책임 주체를 명확히 하며, 실제 운영 환경에서 성능과 안전성을 지속적으로 점검할 것을 권고한다. NIST AI 위험관리 프레임워크 거버넌스는 기술 개발이 끝난 뒤 덧붙이는 규제가 아니다. 누가 AI에 어떤 권한을 부여할지, 어느 단계에서 사람의 승인을 받을지, 사고가 발생하면 누가 책임질지를 제품과 업무 설계 단계에서 정하는 일이다. AI가 유능해질수록 인간이 모든 단계를 직접 확인하기는 어려워진다. 역설적으로 자율성이 커질수록 더 정교한 권한 관리와 책임 구조가 필요하다. 인간에게 필요한 것은 질문보다 판단의 기준 AI가 발전할수록 인간에게 질문하는 능력이 중요해진다는 말은 절반만 맞다. 질문을 잘 작성하는 것만으로는 에이전트가 수행한 복잡한 작업의 품질과 안전을 보장할 수 없다. 앞으로 인간에게 필요한 능력은 해결할 문제를 정의하고, 성공과 실패의 기준을 세우며, AI가 넘지 말아야 할 경계를 정하는 능력이다. 결과를 검증하고 예외 상황을 판단하며 최종 결정에 책임지는 역할도 사람에게 남는다. 생각하고 실행하는 AI의 등장은 지능이 완성됐다는 뜻이 아니다. 언어모델에 추론 연산과 도구, 센서와 구동 장치가 결합하면서 AI가 관여할 수 있는 업무의 범위가 넓어졌다는 뜻에 가깝다. 인공지능의 2막을 결정할 질문도 여기에 있다. AI가 어디까지 할 수 있는지가 아니라, 우리는 AI에 어디까지 맡길 준비가 돼 있는가. 기술의 속도만큼 권한과 검증, 책임의 설계가 중요해지는 시점이다. 기사보러가기
대전시, ‘2026년 대전 청년 월세 지원사업’ 참여자 모집…오늘(10일) 신청 마감 이미지 출처 = 2026년 대전 청년 월세 지원사업 홍보 포스터 대전시가 청년들의 주거비 부담을 덜고 안정적인 지역 정착을 지원하기 위해 추진하는 2026년 대전 청년 월세 지원사업의 신청이 9월 10일 오후 6시 마감된다. 이번 사업은 대전에 거주하는 청년들에게 월세를 지원하는 사업으로, 올해 총 1,000명을 선정해 지원할 예정이다. 지원 대상은 신청일 기준 대전시에 주민등록이 되어 있으며 실제 월세를 납부하고 있는 19세부터 39세까지의 무주택 청년 가구다. 신청자 본인이 무주택 세대주여야 하며, 본인 명의로 임대차계약을 체결하고 해당 계약 주소지에 주민등록이 되어 있어야 한다. 연령 기준은 1986년 1월 1일부터 2007년 12월 31일 사이 출생자이며, 외국인과 재외국민 등은 신청 대상에서 제외된다. 주거 요건은 임차보증금 1억 원 이하, 월세 60만 원 이하인 주택에 거주하는 경우다. 월세가 60만 원을 초과하더라도 전월세 환산액이 80만 원 이하인 경우에는 신청할 수 있다. 소득 기준은 건강보험료 고지금액을 기준으로 기준 중위소득 120% 이하여야 한다. 선정된 청년에게는 월 최대 20만 원씩 최대 12개월간 월세가 지원된다. 지원 기간은 2026년 7월분부터 2027년 6월분까지이며, 월세가 20만 원보다 적을 경우 실제 납부한 월세 금액만 지원된다. 해당 사업은 생애 1회 지원된다. 선정 인원을 초과할 경우에는 소득 기준 점수 60점과 임차료 기준 점수 40점을 합산해 총점이 높은 순으로 대상자를 선정한다. 동점자가 발생하면 소득이 낮은 순, 이후 연장자 순으로 선정한다. 신청은 대전청년포털을 통해 온라인으로만 가능하며, 청년 본인이 직접 신청해야 한다. 신청 기간은 지난 8월 31일 오전 9시부터 9월 10일 오후 6시까지다. 선정 결과는 10월 30일 오후 5시 발표될 예정이다. 한편 대전 청년 월세 지원사업은 국토교통부 청년월세 지원사업이나 청년 주택임차보증금 이자지원 사업 등 일부 유사 사업과 중복 지원이 불가능하므로 신청 전 중복 여부를 확인할 필요가 있다. 대전시는 이번 사업을 통해 청년층의 월세 부담을 완화하고 지역 내 안정적인 주거 환경을 마련하는 데 도움을 줄 것으로 기대하고 있다. 자세한 신청 자격과 제출서류는 대전청년포털에서 확인할 수 있으며, 관련 문의는 대전청년내일재단을 통해 가능하다. 문의: 대전청년내일재단 042-719-8031~4, 8038, 8029 기사보러가기
Main Banner

직업

피지컬AI가 바꾸는 산업의 미래…AI·IT 인재 양성도 빨라져야 한다

기사보러가기

기타

대전시, ‘2026년 대전 청년 월세 지원사업’ 참여자 모집…오늘(10일) 신청 마감

기사보러가기

행사

DW아카데미, ‘잡매칭 콘서트’ 성황리 개최… “현장 중심 IT 취업 연결의 장”

기사보러가기
더보기 +
더보기 +
더보기 +