AI는 접근성과 불평등을 함께 확대하고 있다

IEEE Spectrum은 AI 격차를 더 첨예한 갈등의 관점에서 재구성했다. 세계적 도입은 가속화되고 있지만, 통제권은 여전히 소수 국가와 기업에 집중되어 있다. 우려의 범위는 이제 사람들이 AI 애플리케이션을 열 수 있는지에만 그치지 않는다. 누가 컴퓨팅 인프라를 소유하고, 모델을 구축하며, 지역 언어를 반영하고, 규칙을 정하는지도 포함한다.

이 구분이 중요한 이유는 AI가 기회와 공공 서비스를 배분하는 시스템에 들어가고 있기 때문이다. AI는 구직자를 선별하고, 교육 자료를 추천하며, 의료 판단을 지원하고, 정부 요청을 처리하는 데 활용된다. 디지털 역량이 높은 사람들은 이러한 시스템을 활용해 자신의 능력을 확장할 수 있다. 반면 다른 이들은 AI를 살펴보거나 이의를 제기할 수 없는 불투명한 의사결정자로 마주할 가능성이 더 크다.

IEEE Spectrum 분석은 이러한 불균형을 디지털 격차의 새로운 단계로 제시한다. 핵심 쟁점은 널리 이용 가능한 AI라는 약속과 제한된 주체가 쥔 생산 역량이라는 현실 사이의 대립이다. 챗봇 접근성은 빠르게 확산될 수 있지만, 의미 있는 참여를 위해서는 인프라, 역량, 관련성 있는 데이터, 그리고 외부에서 도입한 시스템을 관리할 수 있는 제도가 필요하다.

이는 클라우드 플랫폼을 포기하거나 모든 AI 도입을 늦추자는 주장이 아니다. 도입과 주체성은 서로 다른 결과라는 경고다. 한 국가에 수백만 명의 AI 사용자가 있더라도, 해외 컴퓨팅 역량과 외부 모델 제공업체, 다른 곳에서 마련된 표준에 의존하는 상태일 수 있다.

따라서 AI 불평등의 다음 단계는 단순한 사용자 수 이상의 기준으로 측정될 것이다. 더 많은 것을 보여주는 질문은 누가 유용한 시스템을 구축할 수 있는지, 누가 이를 안전하게 조정할 수 있는지, 그리고 무엇을 최적화할지 결정할 권한이 누구에게 있는지다.

IEEE Spectrum은 디지털 격차를 접근성 너머로 확장한다

중요한 변화는 개념적이다. AI를 사용한다고 해서 개인이나 국가가 반드시 AI에 대한 영향력을 갖게 되는 것은 아니다.

과거 디지털 격차 논의는 흔히 물리적 접근성에 초점을 맞췄다. 정책 입안자들은 인터넷 연결, 가정용 컴퓨터, 모바일 가입자 수, 광대역망 보급률을 집계했다. 불안정한 연결은 AI에 관한 논의가 시작되기도 전에 참여를 막기 때문에, 이러한 지표는 여전히 중요하다.

AI는 기본 연결성 위에 여러 층위를 더한다. 현대 시스템은 컴퓨팅 역량, 특수 칩, 클라우드 서비스, 학습 데이터, 기술 전문성, 지속적인 제도적 감독에 의존한다. 어느 한 층위라도 취약하면 겉보기의 도입은 장기적 의존으로 이어질 수 있다.

예를 들어 학교가 학생들에게 생성형 AI 비서 이용 권한을 제공할 수는 있다. 그렇다고 교사들이 그 한계를 이해하거나, 관리자가 학생 데이터 처리 방식을 감사하거나, 지역 연구자들이 그 행동을 평가하는 데 참여했다는 뜻은 아니다. 해당 기관에는 접근성은 있지만, 도구를 관리할 역량이 부족할 수 있다.

같은 구분은 의료에도 적용된다. 진료소는 현지에서 시험하는 데 필요한 데이터 인프라나 기술 인력을 갖추지 않은 채 AI 지원 서비스를 구독할 수 있다. 시스템이 지역 언어나 의료 상태 전반에서 성능이 떨어진다면, 임상의들은 문제의 원인을 파악하기 어려울 수 있다.

세계은행은 포용적 AI 개발의 기반을 연결성, 컴퓨팅, 맥락, 역량의 네 가지로 설명한다. 연결성은 에너지와 디지털 네트워크를 포괄한다. 컴퓨팅에는 칩, 데이터 센터, 클라우드 서비스가 포함된다. 맥락은 관련성 있는 데이터를 뜻하며, 역량은 시스템을 효과적으로 개발하고 사용하는 데 필요한 기술을 가리킨다.

AI 기반 보고서는 저소득·중소득 국가들이 AI를 대규모로 도입하는 데 가파른 장벽에 직면한다고 밝힌다. 또한 일반 기기에서 구동되는 더 작고 과업 중심적인 시스템을 실용적 대안으로 제시한다. 이 접근법이 격차를 없애지는 못하지만, 선택 가능한 전략의 폭을 넓힌다.

이 프레임워크는 소비자 계정을 배포하는 것만으로는 문제 전체를 해결할 수 없는 이유를 설명한다. 무료 인터페이스는 실험의 즉각적인 비용을 낮출 수 있다. 그러나 안정적인 전력, 지역 언어 평가 데이터, 기술 교육, 조달 전문성, 효과적인 이의 제기 절차를 제공할 수는 없다.

격차는 부유한 국가 내부에서도 나타난다. 두 직원이 같은 AI 비서를 사용해도 얻는 혜택은 크게 다를 수 있다. 한 사람은 분야 전문성, 실험할 시간, 교육을 제공하는 고용주를 갖고 있다. 다른 사람은 자동화된 감시, 불명확한 정책, 그리고 도구가 성과 평가에 미치는 영향에 대한 제한적인 통제권에 놓인다.

이러한 차이는 AI 리터러시를 프롬프트 작성 능력 이상의 문제로 만든다. 실질적인 리터러시에는 불확실성을 인식하고, 출처를 확인하며, 민감한 정보를 보호하고, 언제 인간의 검토가 필요한지 아는 능력이 포함된다. 또한 AI 시스템이 의사결정의 어느 지점에 개입하는지, 그리고 누군가 그 결과에 어떻게 이의를 제기할 수 있는지 이해하는 일도 포함된다.

지식 노동자들은 이미 AI 도구가 자신감 있어 보이지만 근거 없는 진술을 생성할 때 이 문제를 겪고 있다. 개인 지식 관리 습관은 개인이 출처와 맥락을 보존하는 데 도움이 될 수 있다. 그러나 AI가 고용, 신용, 의료, 공공 급여에 영향을 미칠 때 개인의 정리 방식이 제도적 책임성을 대신할 수는 없다.

따라서 당면한 소식은 포용의 기준이 바뀌고 있다는 점이다. 도입 지표는 누가 기술을 접했는지를 보여준다. 하지만 누가 지속적인 경제적 가치를 얻었는지, 누가 시스템을 형성했는지, 누가 그 오류의 영향을 감당했는지는 보여주지 않는다.

컴퓨팅 자원의 집중은 도입을 의존으로 바꾼다

AI 인프라는 AI 인터페이스보다 훨씬 느리게 확산되고 있으며, 이는 이미 클라우드와 칩 역량을 통제하는 지역에 구조적 우위를 제공한다.

스탠퍼드대학교의 2026 AI Index에 따르면, 미국에는 5,427개의 데이터 센터가 있으며 이는 다른 어떤 국가의 총합보다도 10배 이상 많다. 같은 보고서는 TSMC 한 기업이 사실상 모든 선도 AI 칩을 제조한다고 설명한다. 이러한 집중은 전 세계 AI 개발을 제한된 물리적·상업적 기반과 연결한다.

2026 AI Index는 최첨단 개발이 얼마나 집중되어 있는지도 보여준다. 2025년 업계는 주목할 만한 최첨단 모델의 90% 이상을 만들어냈다. 미국의 민간 AI 투자는 중국보다 훨씬 많았지만, 스탠퍼드는 민간 투자 수치가 중국 정부 지원 활동을 과소평가한다고 주의를 덧붙인다.

이 수치가 모든 국가에 최첨단 규모의 모델이나 자국 반도체 산업이 필요하다는 뜻은 아니다. 가장 큰 범용 시스템을 학습시키는 일은 참여 방식 중 하나일 뿐이다. 각국은 특화 모델, 지역 데이터세트, 평가 방법, 공익 애플리케이션, 공동체에 맞는 규칙을 만들 수 있다.

하지만 인프라 집중은 이러한 대안이 발전하는 조건을 바꾼다. 해외 클라우드 역량을 임대하는 조직은 제공업체 정책, 환율 변동, 네트워크 신뢰성, 데이터 이전 규칙, 지정학적 제한에 계속 노출된다. 협상력은 시장 규모와 기술적 선택지에 크게 좌우된다.

그 영향은 서비스 이용 가능성을 넘어선다. 클라우드 제공업체는 어떤 모델 아키텍처를 쉽게 배포할 수 있는지, 어떤 도구가 원활하게 통합되는지, 어떤 모니터링 시스템이 표준이 되는지에 영향을 미친다. 이러한 선택은 정부가 공식 AI 정책을 마련하기 전부터 지역 개발의 방향을 형성한다.

집중된 컴퓨팅 자원은 연구의 관심도 이끈다. 가속기를 풍부하게 확보한 대학은 자원이 제한된 기관이 검토할 수 없는 시스템을 학습시키고, 시험하며, 재현할 수 있다. 주요 컴퓨팅 거점 밖의 연구자들은 영향력 있는 모델 설계의 저자보다는 평가자나 하위 단계의 조정자로 머물 수 있다.

이러한 불균형은 자기 강화적으로 작용할 수 있다. 강력한 연구 기관은 엔지니어와 투자를 끌어들인다. 투자는 더 많은 인프라를 마련하고, 인프라는 더 많은 실험을 뒷받침한다. 뒤늦게 진입한 지역은 핵심 역량을 위해 외부 제공업체에 비용을 지불하면서 인재 확보 경쟁도 벌여야 한다.

그 결과 발생하는 의존은 이전의 클라우드와 플랫폼 집중을 닮았지만, AI는 이해관계를 더 크게 만든다. 일반적인 소프트웨어 서비스는 보통 개발자가 명시적으로 작성한 규칙을 실행한다. 반면 머신러닝 모델은 데이터에서 패턴을 학습하므로, 언어·제도·사회적 조건이 다를 때 현지 평가는 매우 중요하다.

데이터 센터 수만으로는 품질, 이용 가능한 가속기, 에너지 제약, 실제 접근성을 포착할 수 없다. 저장용이나 일반 웹 호스팅용으로 설계된 시설이 까다로운 AI 워크로드를 자동으로 지원하는 것은 아니다. 따라서 스탠퍼드의 수치는 사용 가능한 AI 역량의 완전한 목록이 아니라 지리적 집중을 나타내는 지표로 해석해야 한다.

이러한 단서를 고려해도 방향은 분명하다. 소비자 대상 AI는 웹사이트나 모바일 애플리케이션을 통해 새로운 시장에 진입할 수 있다. 국내 기술 역량을 구축하려면 전력, 네트워크, 교육, 조달, 연구 기관에 수년간 투자해야 한다.

이는 “모두를 위한 AI”라는 약속 뒤에 있는 핵심적 역전이다. 글로벌 플랫폼이 어려운 인프라를 처리하기 때문에 배포는 쉬워진다. 사용자는 그 아래에 집중된 기술 스택 대신 즉각적인 서비스를 경험하므로, 같은 편의성은 의존을 더 알아차리기 어렵게 만든다.

가장 현실적인 대응은 완전한 기술 자립이 아니다. AI 공급망의 모든 층위를 경제적으로 재현할 수 있는 국가는 드물다. 실용적인 목표는 전략적 주체성이다. 즉, 제공업체를 선택하고, 시스템을 감사하며, 이해관계가 큰 분야에서 지역 대안을 구축하기에 충분한 역량, 인프라, 제도적 지식을 갖추는 것이다.

AI 역량 격차가 누가 영향력을 확보하는지 결정한다

접근성은 기회를 만들지만, AI가 개인의 주체성을 확장할지 아니면 외부에서 내려진 결정에 대한 노출을 늘릴지는 역량이 결정한다.

OECD는 교육 수준에 따라 AI 관련 교육 참여에 상당한 차이가 있다고 보고한다. IEEE Spectrum이 강조한 설문 데이터에서 고등교육을 받은 응답자의 36%는 지난 1년 동안 AI 교육에 참여했다고 답했다. 고등학교 교육을 받은 사람들 가운데 그 비율은 18%였다.

이 패턴은 AI가 기존 전문성을 보상하기 때문에 중요하다. 훈련된 프로그래머는 코딩 비서를 활용해 익숙하지 않은 라이브러리를 탐색하고, 테스트를 생성하며, 반복적인 변경 사항을 검토할 수 있다. 반면 기초 프로그래밍 지식이 없는 사람은 숨겨진 오류를 식별할 수 없기 때문에 잘못된 결과물을 받아들일 수 있다.

같은 효과는 엔지니어링 밖에서도 나타난다. 변호사는 조작된 인용을 감지하기 위해 법률 지식이 필요하다. 임상의는 안전하지 않은 제안에 이의를 제기하기 위해 의학 전문성이 필요하다. 교사는 도움과 그럴듯한 허위 정보를 구분하기 위해 과목 지식과 평가 역량이 필요하다.

AI 리터러시 프로그램은 시연하기 쉽기 때문에 인터페이스 사용을 자주 강조한다. 참가자들은 프롬프트를 입력하고, 요청을 수정하거나, 문서를 요약하는 방법을 배운다. 이러한 능력은 유용하지만 더 큰 역량 격차의 눈에 보이는 가장자리일 뿐이다.

효과적인 활용에는 출처 평가, 개인정보 판단, 통계적 추론, 자동화 편향에 대한 인식도 필요하다. 자동화 편향은 기계가 생성한 권고가 체계적으로 보인다는 이유로 신뢰하는 경향을 말한다. 인터페이스가 매끄러운 언어 뒤에 불확실성을 감출 때 이러한 경향은 특히 위험해진다.

OECD의 AI 기술 연구는 이 문제를 전문 엔지니어 부족보다 더 넓은 범위에서 다룬다. 노동력에는 일반적인 AI 지식, 보완적 역량, 고급 기술 전문성이 필요하다. 따라서 교육 시스템은 서로 다른 교육 수준과 직업군에 속한 사람들을 지원해야 한다.

고용주 역시 이러한 혜택이 얼마나 고르게 퍼지는지에 영향을 미친다. 기업은 모든 직원에게 같은 보조 도구를 제공하면서도 교육과 실험에 쓸 시간은 관리자나 전문 팀에만 배정할 수 있다. 일정이 더 빡빡한 직원들은 결과물을 검증할 시간을 받지 못한 채 AI를 도입하라는 요구를 받을 수 있다.

이러한 도입 방식은 직장 내 불평등을 심화시킬 수 있다. 자율성이 높은 근로자는 일상 업무를 위임하고 판단에 더 많은 시간을 쓸 수 있다. 반면 면밀한 감독을 받는 근로자는 경영진이 AI가 모든 병목을 없앴다고 가정하기 때문에 더 높은 산출 기대에 직면할 수 있다.

공공 부문 도입에는 또 다른 비대칭성이 따른다. 복지 지원을 신청하는 사람은 어떤 데이터가 결과에 영향을 미쳤는지 알지 못한 채 자동화 시스템의 평가를 받을 수 있다. 해당 기관에는 결정을 설명하거나 시스템적 오류를 바로잡을 충분한 기술 인력이 없을 수도 있다.

네덜란드 아동수당 스캔들은 생성형 AI로만 환원할 수는 없지만, 자동화된 위험 평가에 대한 경고로 남아 있다. 여러 가정이 부당하게 사기 혐의를 받았고, 심각한 재정적·개인적 피해를 입었다. 이 사례는 실질적인 검토가 취약할 때 데이터 기반 행정이 제도적 실패를 어떻게 증폭시킬 수 있는지 보여준다.

Amazon이 중단한 실험적 채용 시스템도 또 하나의 역사적 사례다. Reuters는 이 시스템이 여성과 연관된 이력서에 불리하게 작용하는 패턴을 학습했다고 보도했다. 회사는 이를 독립적인 채용 결정 권한으로 배치하지는 않았지만, 이 사례는 과거 데이터가 기존 불평등을 재현할 수 있음을 보여줬다.

이러한 선례가 중요한 이유는 AI 시스템이 점점 일상적인 조달 과정을 통해 유입되기 때문이다. 교육청, 병원 또는 지방자치단체는 이미 사용 중인 소프트웨어 안의 “지능형” 기능을 구매할 수 있다. 직원들은 그 도입을 둘러싼 별도의 공개 논의 없이 알고리즘의 결정을 물려받을 수 있다.

UNESCO는 윤리, 교사 준비, 포용성을 함께 다루면서 정부가 AI 리터러시를 통합할 것을 권고해 왔다. UNESCO의 교육 지침은 과학적·교육적 역량이 사회가 완성된 시스템을 소비하는 데 그치지 않고 AI 거버넌스에 참여할 수 있는지에 영향을 미친다고 강조한다.

그럼에도 교육이 모든 부담을 떠안을 수는 없다. 조직에 이의 제기 절차가 없다면, 사람들에게 자동화된 결정에 의문을 제기하도록 가르치는 것만으로는 충분하지 않다. 근로자에게 데이터를 보호하도록 교육해도 민감한 기록을 업로드해야 하는 시스템 자체의 문제는 해결할 수 없다.

기술과 제도 설계는 함께 발전해야 한다. 개인에게는 위험을 인식할 능력이 필요하고, 조직에는 책임 있는 행동을 가능하게 하는 절차가 필요하다. 그렇지 않으면 “AI 리터러시”는 시스템 소유자의 책임을 권한이 더 적은 사용자에게 전가하는 수단이 된다.

이 지점에서 IEEE Spectrum의 주장이 기업에 가장 중요한 의미를 갖는다. 기업 리더들은 흔히 활성화된 계정 수나 생성된 프롬프트 수로 도입 성과를 측정한다. 이러한 지표는 활동량을 보여주지만, 직원들이 더 나은 결정을 내렸는지, 오류를 줄였는지, 업무에 대한 통제력을 얻었는지는 보여주지 않는다.

더 강력한 측정 방식은 직무 전반에서 검증된 결과를 살펴보는 것이다. 누가 교육을 받는지, 누가 AI의 권고를 거부할 수 있는지, 시스템이 실패했을 때 누가 책임을 지는지를 비교해야 한다. 이러한 근거가 없다면 사용량 증가는 불평등 심화와 공존할 수 있다.

로컬 모델만으로는 취약한 제도를 고칠 수 없다

현지 언어 데이터와 소형 모델은 기술 참여를 분산할 수 있지만, 취약한 감독이나 부주의한 정책 설계를 보완할 수는 없다.

인도네시아는 최첨단 모델 경쟁에 직접 뛰어드는 것과는 다른, 시사점 있는 대안을 제시한다. 인도네시아의 공공 연구기관들은 다국어 모델과 소외된 공동체를 위한 도구를 포함해 지역 수요에 맞춘 실용적 시스템을 추진해 왔다. 한 응용 사례는 위성 데이터와 머신러닝을 결합해 영세 어민이 어군을 찾도록 돕는다.

이 사례가 중요한 이유는 명성 경쟁을 위한 벤치마크가 아니라 명확히 정의된 문제에서 출발하기 때문이다. 지역의 지리, 직업, 언어를 중심으로 설계된 소형 시스템은 최대 상용 모델의 범용 역량에 맞서지 않고도 가치를 만들 수 있다.

현지 언어 개발은 누가 참여할 수 있는지에도 영향을 준다. 많은 글로벌 시스템은 온라인과 학습 데이터셋에 충분히 반영된 언어에서 가장 좋은 성능을 낸다. 덜 대표되는 언어의 화자는 낮은 품질의 답변, 신뢰하기 어려운 콘텐츠 검토, 또는 문화적 맥락을 무시하는 인터페이스를 경험할 수 있다.

로컬 모델을 구축한다고 공정한 대표성이 보장되지는 않는다. 개발자들은 여전히 방언, 데이터 출처, 평가 집단, 허용 가능한 오류에 관한 결정을 내린다. 특히 언어 데이터가 문화적 또는 정치적 민감성을 지닐 때, 공동체는 이러한 선택에 영향력을 행사할 필요가 있다.

오픈소스 소프트웨어는 연구자가 코드를 검토하고, 모델을 조정하며, 개선 사항을 공유할 수 있게 함으로써 일부 장벽을 낮출 수 있다. Stanford의 AI Index는 미국, 중국, 유럽 이외 국가들의 기여가 더욱 두드러지고 있다고 말한다. 컴퓨팅 자원이 여전히 불평등하더라도 이는 참여의 폭을 넓힌다.

그러나 사용할 수 있는 모델이 곧 완전한 공공 역량을 뜻하지는 않는다. 기관에는 안전한 호스팅, 평가 데이터, 엔지니어, 조달 기준, 장기 유지보수가 필요하다. 시범 사업은 관심을 끌 수 있지만, 인력 교체나 정부 우선순위 변화 이후 살아남지 못할 수 있다.

남아프리카공화국의 2026년 AI 정책 초안은 이 문제의 거버넌스 측면을 드러냈다. 정부는 존재하지 않는 학술 인용이 발견되자 공개 직후 해당 문서를 철회했다. 통신부 장관은 이 사건을 용납할 수 없는 실수라고 표현했다.

이 사건이 개발도상국 정부는 AI를 통치할 수 없다는 단순한 논거로 이어져서는 안 된다. 부유한 기관들도 근거 없는 주장을 발표하고 충분히 검증되지 않은 시스템을 도입한다. 더 유용한 교훈은 정책적 야심과 검증 역량 사이의 불일치에 관한 것이다.

국가 전략은 주권적 컴퓨팅, 책임 있는 혁신, 포용적 데이터, 인력 개발을 약속할 수 있다. 이러한 목표를 실현하려면 근거를 검토하고, 기관 간 조정을 수행하며, 공급업체와 협상하고, 독립적 감독을 유지할 수 있는 전문 인력이 필요하다.

같은 기관들은 이미 사이버 보안, 조달, 통계, 기본 디지털 서비스 제공에서 인력 부족을 겪고 있을 수 있다. 운영 역량을 확장하지 않은 채 AI 책임을 추가하면, 집행 능력은 거의 없는 인상적인 정책 문구만 만들어질 수 있다.

이 위험은 민간 조직에도 적용된다. 기업은 AI 원칙을 수립하면서도 개별 팀에 모델 선택, 데이터 업로드, 정확성 판단을 맡길 수 있다. 거버넌스는 문서상 존재하지만, 실제 배치와 가장 가까운 사람들에게는 실질적인 검토 절차가 부족하다.

로컬 모델 역시 비슷한 긴장을 안고 있다. 이들은 언어적 관련성을 높이고 단일 공급자에 대한 의존도를 낮출 수 있다. 그러나 취약한 개인정보 보호 통제 아래 학습된 모델은 개발자가 현지에서 활동하더라도 공동체를 착취할 수 있다.

따라서 소유권은 포용성의 한 차원일 뿐이다. 결정적인 질문은 누가 데이터를 승인했는지, 누가 성능을 검토할 수 있는지, 피해가 발생한 뒤 누가 구제받는지에 있다. 국내에 호스팅된 시스템도 책임을 지지 않는 기관 내부에 권한을 집중시킬 수 있다.

World Bank가 “Small AI”를 강조하는 것은 유용한 방향을 제시한다. 과업별 시스템은 더 적은 컴퓨팅 자원을 필요로 할 수 있고, 더 명확한 평가 목표를 제공할 수 있기 때문이다. 작물 질병 탐지기, 번역 모델, 행정 보조 도구는 정의된 지역 수요를 기준으로 시험할 수 있다.

범위가 작으면 실패도 더 쉽게 관찰할 수 있다. 평가자는 결과를 전문가 판단과 비교하고, 언어 또는 지역별 성능을 측정할 수 있다. 범용 보조 도구는 훨씬 더 광범위한 답변을 생성하므로 전반적 신뢰성에 관한 주장도 복잡해진다.

그렇더라도 소형 시스템이 적은 검토를 받아서는 안 된다. 복지 행정이나 임상 분류에 쓰이는 협소한 모델은 필수 서비스에 직접 영향을 미칠 수 있다. 제한된 기술적 범위는 책임성을 높일 수 있지만, 이는 기관이 근거를 수집하고 민원에 대응할 때에만 가능하다.

따라서 이 논의는 글로벌 플랫폼과 완전한 국가 자립 사이의 잘못된 양자택일을 피해야 한다. 각국은 수입 인프라, 오픈 모델, 현지 데이터셋, 지역 파트너십, 목표형 공공 투자를 결합할 수 있다.

중요한 것은 협상력이다. 기술 전문성과 신뢰할 수 있는 대안을 갖춘 기관은 더 명확한 계약, 데이터 보호, 성능 근거를 요구할 수 있다. 이러한 역량이 없는 기관은 대체로 공급자의 설계와 가정을 받아들일 수밖에 없다.

격차가 줄어드는지 보여줄 세 가지 신호

다음 시험대는 AI 도입이 계속 증가하는지가 아니라, 인프라·교육·책임 있는 로컬 배치가 함께 늘어나는지다.

첫 번째 신호는 사용 가능한 컴퓨팅 자원의 분포다. 주권 AI 시설에 관한 발표는 운영 역량, 접근 규칙, 연구 활용 가능성을 기준으로 평가해야 한다. 데이터 센터의 가속기가 대학, 스타트업, 공익 팀에 제공되지 않는다면 그것이 포용성에 기여하는 바는 거의 없다.

지역 역량은 특히 주목할 필요가 있다. 공동 시설과 조달 협약은 고립된 국가 프로젝트보다 소규모 경제권에 더 큰 협상력을 제공할 수 있다. 또한 국가 경계를 넘는 언어 전반에 걸친 공동 평가 작업을 지원할 수 있다.

글로벌 사용량이 증가하는 동안 컴퓨팅 자원이 계속 집중된다면, 이 신호는 불평등에 대한 경고를 강화할 것이다. 더 많은 지역이 고급 하드웨어에 안정적으로 접근하고 이를 지역 주도 개발에 활용한다면, 그 경고는 약화될 것이다.

두 번째 신호는 누가 AI 교육을 받고 그 교육이 무엇을 다루는지다. 정부와 고용주는 교육 수준, 직업, 지역, 연령, 소득 집단별 참여 데이터를 공개해야 한다. 수료 인원만으로는 사람들이 실질적인 판단력을 얻었는지 알 수 없다.

유용한 프로그램은 인터페이스 활용 능력과 함께 검증, 개인정보 보호, 불확실성, 이의 제기 가능성을 다뤄야 한다. 이의 제기 가능성이란 개인이 결정을 문제 삼고, 그 근거를 이해하며, 실질적인 검토를 요청할 수 있음을 뜻한다. 이 개념은 개인의 리터러시를 제도적 책임과 연결한다.

현재 기술 개발에서 배제된 근로자와 공동체에까지 도달한다면 교육은 격차를 줄일 것이다. 반대로 고급 교육이 이미 혜택을 받는 전문가에게만 집중되고, 다른 사람들은 기본적인 제품 시연만 받는다면 불평등은 더 강화될 것이다.

세 번째 신호는 지역 거버넌스 아래 배치된 시스템의 근거다. 인도네시아의 공익 도구, 아프리카 지역 이니셔티브, 기타 언어 중심 프로젝트에는 이제 투명한 평가가 필요하다. 정책 입안자들은 측정된 결과, 문서화된 한계, 공동체 참여, 안정적인 재원을 살펴봐야 한다.

성공은 애플리케이션을 출시하거나 국가 전략을 발표하는 것으로 정의되어서는 안 된다. 신뢰할 수 있는 배치는 실제 문제를 해결하고, 의도한 인구 집단 전반에서 작동하며, 해로운 오류를 수정하는 절차를 제공해야 한다.

지역 기관이 자신들의 우선순위에 맞춰 설계된 시스템을 반복적으로 구축하고 유지한다면, 이 신호는 기사의 핵심 우려를 약화할 것이다. 시범 사업이 외부 공급업체에 무기한 의존하거나, 보조금이 끝난 뒤 사라지거나, 공개 평가가 부족하다면 우려는 더 커질 것이다.

IEEE Spectrum이 AI 격차를 영향력을 둘러싼 경쟁으로 보는 것은 옳다. 쟁점은 학생, 근로자, 정부 직원이 텍스트를 생성할 수 있는지에 그치지 않는다. 그 사람이 시스템을 이해하고, 사용 방식을 형성하며, 필요할 때 이의를 제기할 수 있는지에 관한 문제다.

개발자에게 이는 책임 있는 제품 개발에 필요한 조건을 바꿉니다. 시스템에 관련 평가 데이터가 없다면 번역만으로는 충분하지 않습니다. 사용자가 자동화된 결과에 이의를 제기할 수 없다면 낮은 지연 시간만으로는 충분하지 않습니다. 현지 팀이 운영하거나 감사할 여력이 없다면 오픈 모델만으로는 충분하지 않습니다.

엔터프라이즈 구매자도 마찬가지로 구체적인 질문을 던져야 합니다. 어떤 직원이 교육을 받는지, 어떤 데이터가 국경을 넘는지, 어떤 공급업체의 주장이 독립적인 근거로 뒷받침되는지를 알아야 합니다. 또한 그룹별 성능 차이가 나타날 때 누가 배포를 중단할 수 있는지도 파악해야 합니다.

지식 근로자는 원본 자료를 보관하고, 생성된 주장을 확인하며, 중요한 의사결정에 AI가 어떤 방식으로 기여했는지 기록함으로써 더 작은 규모에서 행동할 수 있습니다. 검색 가능한 AI 지식 베이스는 맥락을 보존하는 데 도움이 될 수 있지만, 사람의 검토는 여전히 필수적입니다.

정책 입안자들은 취약한 의존성에 기관이 묶이지 않도록 하면서 접근성을 확대해야 하기에 가장 어려운 과제에 직면합니다. 이는 눈에 띄는 AI 프로젝트와 함께 교육, 조달, 통계, 사이버보안, 행정 심사 같은 일상적 역량에도 자금을 지원해야 한다는 뜻입니다.

향후 몇 달간의 핵심 질문은 간단합니다. 투자가 주도권을 분산시키는 기술 스택의 영역을 따라갈 것인가? 더 많은 사용자는 어쨌든 유입될 것입니다. 더 많은 공동체가 자신의 조건에 따라 AI 시스템을 구축하고, 평가하고, 관리하고, 거부할 수 있게 될 때 의미 있는 진전이 나타날 것입니다.

이것이 독자들이 다음 국가 전략, 기업 도입, 또는 교육 이니셔티브에 적용해야 할 기준입니다. 누가 인프라를 통제하는지, 누가 고급 교육을 받는지, 누가 오류에 이의를 제기할 수 있는지를 물어보십시오. 그 답이 계속 소수에게 집중된다면, 더 넓은 접근성은 디지털 격차를 해소하지 못할 것입니다. 대신 새로운 인터페이스를 통해 그 격차를 확장할 것입니다.