한국의 AI 수준이 세계 3위라는 평가가 나왔습니다. 그러나 1·2위와의 격차는 약 6개월로 추정되며, 이는 여러 지표를 종합한 결과입니다(출처: 국가인공지능 전략위원회 공공 분과). 저는 이 소식을 접하고 단순히 순위에 안도하기보다, 그 3등이 어떤 토대 위에 서 있고 어디가 비어 있는지를 먼저 따져봐야겠다고 느꼈습니다. 현장에서 AI를 활용하면서 체감한 건 명확합니다. 아이디어와 기획은 차고 넘치지만, GPU·데이터·인력·시간 중 단 하나만 막혀도 전체 프로젝트가 멈춥니다. 그래서 이번 글에서는 한국 AI의 현주소를 세 가지 측면—하드웨어 격차, 제조업 기반의 피지컬 AI 가능성, 그리고 일자리 구조 변화—으로 나눠 짚어보려 합니다.
GPU 격차와 인프라: 26만 장의 의미
한국이 확보한 GPU는 약 26만 장이며, 이 중 상당수가 엔비디아의 블랙웰(Blackwell) 아키텍처 기반입니다. 블랙웰은 이전 세대인 A100 대비 전성비(전력당 성능)가 3~10배 향상된 칩으로, 같은 전력으로 더 많은 연산을 처리할 수 있습니다(출처: 엔비디아 공식 자료). 여기서 전성비란 1와트의 전력으로 얼마나 많은 부동소수점 연산(FLOPS)을 수행하는지를 나타내는 지표입니다. 쉽게 말해, 같은 전기요금으로 더 많은 AI 학습을 돌릴 수 있다는 뜻입니다.
26만 장이라는 숫자를 A100 기준으로 환산하면 약 78만~260만 장 수준의 연산력을 확보한 셈입니다. 저는 처음 이 수치를 접했을 때 "물량만으로 미국을 따라잡을 수 있을까?"라는 의문이 들었습니다. 하지만 중국의 딥시크(DeepSeek)가 한때 보유했던 GPU 수량과 비교하면, 한국의 26만 장은 절대적으로 적은 양이 아닙니다. 다만 GPU를 많이 갖추는 것과 그것을 실제 경쟁력으로 전환하는 것은 별개입니다. 네트워크 인프라(인피니밴드 등), 전력 공급, 냉각 시스템, 운영 인력까지 갖춰져야 비로소 '보유'가 '활용'으로 이어집니다.
한국은 과거 2~3년간 GPU 부족으로 개발이 정체된 시기가 있었습니다. 제가 참여했던 프로젝트에서도 학습 일정을 몇 달씩 미루거나, 클라우드 GPU 대여 비용이 예산을 초과해 기획 자체를 축소한 적이 있습니다. 이제 물량 확보가 어느 정도 이뤄졌으니, 이를 학습용 데이터 센터와 추론용 데이터 센터로 효율적으로 나눠 운영하는 것이 다음 과제입니다. 5만 장 이상 규모의 학습용 클러스터를 제대로 구축하면, 국산 파운데이션 모델(Foundation Model)의 성능이 예상보다 빠르게 올라올 가능성이 있습니다. 파운데이션 모델이란 대규모 데이터로 사전 학습된 범용 AI 모델로, GPT나 클로드처럼 다양한 작업에 활용할 수 있는 기반 모델을 뜻합니다.
피지컬 AI와 제조업: 한국의 숨은 강점
피지컬 AI(Physical AI)란 실제 세계와 상호작용하며 작동하는 AI를 말합니다. 로봇, 자율주행차, 스마트 공장 장비처럼 몸을 가진 AI가 여기 속합니다. 한국은 서방 진영에서 가장 강력한 제조업 기반을 보유한 국가 중 하나이며, 공장에서의 로봇 밀도는 세계 1위입니다. 로봇 밀도란 제조업 근로자 1만 명당 설치된 산업용 로봇 대수를 의미하며, 한국은 이 수치가 압도적으로 높습니다(출처: 국제로봇연맹(IFR)).
미국과 중국의 갈등으로 글로벌 밸류체인(가치사슬)이 양분되면서, 중국 제조업이 서방 진영에서 분리되고 있습니다. 이 과정에서 한국은 "자유 진영 내 최대 제조 허브"라는 위치를 차지하게 됐습니다. 오픈AI나 엔비디아가 피지컬 AI를 개발하려 할 때, "D램은 어디서 살 건가?", "HBM(고대역폭 메모리)은 누구와 협력할 건가?", "실증 테스트할 공장은 어디 있는가?"라는 세 가지 질문에 답하려면 한국과의 협력이 거의 필수적입니다.
저는 최근 스마트 공장 데이터 분석 프로젝트에 참여하면서, 제조 현장의 센서 데이터가 얼마나 방대하고 정교한지를 직접 확인했습니다. 그러나 이 데이터를 AI 학습에 바로 활용하려면 표준화·보안·소유권 문제를 먼저 풀어야 합니다. 데이터가 있다고 해서 자동으로 경쟁력이 생기는 것은 아닙니다. 현대자동차가 보스턴 다이나믹스를 인수하고 휴머노이드의 파운드리(위탁 생산)를 선언한 것은 이런 맥락에서 전략적으로 매우 영리합니다. 보스턴 다이나믹스는 세계 최고 수준의 휴머노이드 하드웨어 설계 역량을 보유하고 있으며, 현대차는 대량 양산 노하우를 갖췄습니다. 이 둘의 결합은 "설계 + 양산"이라는 완결된 밸류체인을 만들어냅니다.
피지컬 AI의 핵심 강점은 즉각적인 경제 효과입니다. 공장에 투입되면 바로 생산성이 측정되고, ROI(투자 대비 수익률)가 명확하게 드러납니다. 일반 AI 챗봇이나 언어 모델은 효과를 정량화하기 어렵지만, 로봇이 조립 라인에서 불량률을 줄이거나 작업 속도를 높이면 그 가치는 즉시 입증됩니다. 한국이 AI 경쟁에서 미국·중국과 정면 승부를 피하고, 피지컬 AI라는 틈새 시장에서 주도권을 잡는다면 충분히 승산이 있다고 봅니다.
일자리 변화: 신입이 사라지는 사회
AI가 일자리에 미치는 영향은 과거 증기기관이나 전기의 등장과 비교됩니다. 그러나 결정적인 차이가 있습니다. 과거 기술 혁신은 주로 육체 노동을 대체했고, 그 결과 사무직·서비스직이 새로 생겨났습니다. 반면 AI는 지적 노동을 대체합니다. 자료 정리, 문서 작성, 요약, 초안 작성처럼 신입 사원이 주로 맡던 업무가 지금 가장 빠르게 자동화되고 있습니다. 하버드 대학이 28만 개 기업을 조사한 결과, 청년 일자리는 급감하고 시니어 일자리는 오히려 증가하는 경향이 나타났습니다(출처: 하버드 비즈니스 리뷰).
이유는 간단합니다. 고참 한 명이 AI를 활용하면, 과거 신입 2~3명이 하던 일을 혼자 처리할 수 있습니다. 회사 입장에서는 고참에게 연봉을 10% 더 주더라도, 신입을 여러 명 채용하는 것보다 비용 효율이 높습니다. 저 역시 팀에서 GPT와 클로드를 활용하면서, 보고서 초안 작성과 데이터 정리에 들이던 시간이 절반 이하로 줄었습니다. 편해지긴 했지만, 동시에 불안했습니다. 이 방식이 계속되면 주니어가 성장할 사다리 자체가 사라지고, 몇 년 뒤 조직은 인력을 스스로 재생산하지 못하게 됩니다.
개별 회사로 보면 "고참+AI" 구조가 최적입니다. 하지만 사회 전체로 보면 이는 비극입니다. 신입을 아무도 뽑지 않으면 그 사회는 지속 가능하지 않기 때문입니다. 이것이 바로 "부분 최적화의 합이 전체 최적화가 아니다"라는 명제의 현실적 사례입니다. 이 문제는 개인이나 회사가 풀 수 없고, 사회가 제도적으로 풀어야 합니다. 주니어 채용 인센티브, 재교육 프로그램, 전환 지원금, AI 생산성 이익의 재분배 구조 등이 구체적으로 설계되어야 합니다.
노동 시간 단축도 대안 중 하나입니다. 주 4일제, 주 3일제까지 논의해야 할 수 있습니다. 역사적으로 인류는 노동 시간을 계속 줄여왔습니다. 산업혁명 이후 주 6일에서 5일로, 하루 12시간에서 8시간으로 줄였듯이, AI 시대에는 더 근본적인 단축이 필요할 수 있습니다. 다만 이것만으로는 부족합니다. 생산성 향상으로 발생한 이익을 어떻게 사회 안전판 구축에 쓸 것인지, 청년 일자리 지원에 어떻게 배분할 것인지에 대한 사회적 합의가 선행되어야 합니다.
AI가 만드는 미래는 천재지변이 아니라, 우리가 선택하고 설계할 수 있는 세상입니다. AI를 "내 일을 빼앗는 존재"로 볼 수도 있고, "내가 할 일을 대신해 주는 도구"로 볼 수도 있습니다. 어느 쪽을 바라보며 사회를 설계할 것인지는 결국 우리의 선택입니다. 저는 개인의 선의를 믿지 않습니다. 하지만 제도와 구조는 믿습니다. 신안군의 태양광 연금처럼, 공동체가 함께 지분을 갖고 이익을 나누는 모델을 AI 시대에도 설계할 수 있다면, 유토피아는 불가능하지 않습니다.
한국 AI의 3등이라는 위치는 희망적이지만, 그 희망을 현실로 만드는 것은 기술만으로 되지 않습니다. GPU와 로봇, 데이터와 알고리즘 못지않게 중요한 것은 "이 기술로 어떤 사회를 만들 것인가"라는 질문에 답하는 일입니다. 지금 우리가 내리는 선택이, 10년 뒤 한국 사회의 모습을 결정할 것입니다.