소버린 AI, 이제 ‘국산’보다 ‘통제권’ 기준을 따질 때

• 한국의 소버린 AI 논쟁이 다시 뜨거워진 배경은 미국 정부가 자국 AI 기업 앤트로픽의 ‘미토스5’와 ‘페이블5’ 모델에 외국인 접근 제한을 걸었다는 점임

  • 특정 국가나 기업의 정책 변화로 AI 모델 접근권이 흔들릴 수 있다는 우려가 커진 셈
  • 그래서 “국가 차원에서 외부 변수에 덜 흔들리는 AI 운영 권한이 필요하다”는 주장이 힘을 얻고 있음

• 한국에서 가장 큰 논쟁거리는 과기정통부의 독자 AI 파운데이션 모델 프로젝트, 이른바 ‘독파모’임

  • 목표는 외국 기술 의존도를 낮추고 한국 자체 AI 역량과 생태계를 키우는 것
  • 국내 주요 AI 기업들이 컨소시엄으로 참여했고, 대국민 평가까지 붙으면서 관심이 꽤 컸음

• 그런데 1차 평가에서 네이버클라우드가 탈락하면서 논쟁이 확 튀었음

  • 네이버클라우드의 ‘하이퍼클로바X 시드 32B 싱크’가 중국 알리바바의 ‘큐웬’ 모델 인코더를 활용했다는 점이 문제가 됨
  • 결과적으로 “독자성 취지에 맞지 않는다”는 이유로 2차 평가에 못 올라감
  • 여기서 질문이 생김: 외부 기술을 어디까지 쓰면 독자 AI가 아닌 걸까?

독자성 논쟁이 ‘중국산’ 프레임에 갇힘

• 전문가들은 독자성의 기준을 원산지 증명처럼 보면 안 된다고 봄

  • 국산 기업이 만들었는지, 외국 기술을 참고했는지, 오픈소스를 썼는지만으로 판단하기 어렵다는 얘기
  • 더 중요한 건 모델 가중치, 학습 과정, 데이터, 라이선스, 배포·운영 통제권을 누가 쥐고 있느냐임

• 독파모 논란에서 아쉬운 지점은 공통 기준을 만들 기회를 놓쳤다는 점임

  • 어떤 외부 기술은 허용 가능한 참고인지
  • 어떤 요소부터는 독자성을 훼손하는 의존인지
  • 이런 기준 논의보다 ‘중국 기술을 썼다’는 프레임과 기업별 탈락 결과에 관심이 쏠림

• KAIST 김숙경 교수는 독자성을 글로벌 오픈소스와의 단절이 아니라 핵심 통제권 문제로 봐야 한다고 말함

  • 오픈소스를 쓰더라도 라이선스 제약이나 외부 통제로부터 자유로운지 봐야 함
  • 국내 주체가 모델 구조와 학습 전략을 이해하고 수정할 수 있는지도 중요함
  • 자체 데이터로 고도화하고, 보안·배포·운영을 통제할 수 있어야 진짜 의미가 있음

오픈소스 없이 AI 개발? 현실적으로 빡셈

• 업계 전문가들은 오픈소스 없이 AI 모델을 개발하는 건 현실성이 낮다고 봄

  • 모델 구조, 학습 프레임워크, 토크나이저, 데이터 처리 파이프라인, 추론 최적화 도구, 평가 도구까지 전부 글로벌 오픈소스 생태계와 연결돼 있음
  • 모든 소프트웨어 구성요소와 알고리즘, 도구를 자체 개발하는 방식은 비용과 속도 양쪽에서 불리함

• 오픈소스는 ‘공짜라서 쓰는 것’만도 아님

  • 오픈로직의 ‘2026 오픈소스 현황 보고서’에 따르면 조직의 98%가 최근 1년간 오픈소스 사용을 유지하거나 확대함
  • 오픈소스 선택 이유 중 ‘벤더 종속 회피’가 55.35%에 달함
  • 즉 오픈소스는 비용 절감 도구이면서 동시에 기술 선택권과 디지털 자율성을 확보하는 수단임

• 그래서 소버린 AI를 외부와의 단절로 해석하면 오히려 뒤처질 수 있음

  • 오픈소스를 전략적으로 활용하되 라이선스, 보안, 데이터, 운영권을 관리하는 쪽이 현실적임
  • 잘 쓰면 오픈소스는 주권을 해치는 요소가 아니라 통제권을 넓히는 도구가 될 수 있음

‘독자냐 아니냐’ 말고 단계별로 봐야 함

• 첫 번째 방식은 아키텍처 설계부터 사전학습까지 전부 독자적으로 하는 것임

  • 모델 구조와 핵심 알고리즘을 자체 설계하고 초기 가중치부터 자체 데이터로 학습함
  • 통제권은 가장 강하지만 비용과 시간이 엄청남
  • 국방, 안보, 금융 같은 핵심 공공 인프라에는 이상적일 수 있지만, 개발이 끝날 때쯤 글로벌 빅테크와 격차가 더 벌어질 위험도 있음

• 두 번째 방식은 공개 논문이나 검증된 구현을 참고하되 가중치는 초기화하고 자체 데이터로 처음부터 학습하는 것임

  • 글로벌 생태계와 호환성을 유지하면서도 핵심 학습 경험과 가중치 형성 과정은 국내 주체가 확보할 수 있음
  • 다만 아키텍처 독창성은 제한될 수 있어서, 어떤 구조를 참고했고 어떤 데이터로 학습했는지 투명하게 검증해야 함

• 세 번째 방식은 이미 학습된 모델 위에 추가 학습이나 미세조정을 얹는 것임

  • 산업 특화 AI, 버티컬 AI, 사내 자동화, 고객 서비스형 AI에는 가장 빠르고 현실적인 방식일 수 있음
  • 비용이 낮고 서비스 적용도 쉬움
  • 하지만 국가대표급 독자 파운데이션 모델이라고 부르기엔 한계가 있음. 원 모델의 라이선스, 업데이트 정책, 배포 조건, 접근권 변화에 계속 영향을 받기 때문임

• 결론은 소버린 AI가 ‘모든 걸 국산화하자’는 구호가 아니라는 것임

  • 빼앗기면 안 되는 데이터가 있는 영역
  • 외부에 판단권을 맡기기 어려운 영역
  • 외부 지원이나 공개가 끊겨도 계속 고도화해야 하는 영역
  • 이런 곳에서 어느 수준의 통제권이 필요한지 산업별로 다르게 정해야 함

---

기술 맥락

• 이번 논쟁의 핵심 선택지는 ‘모델을 직접 만들 것인가, 오픈소스를 활용할 것인가’가 아니라 ‘어느 단계까지 우리가 통제할 것인가’예요. 왜냐하면 AI 모델은 아키텍처, 데이터, 가중치, 학습 파이프라인, 배포 환경이 모두 얽혀 있어서 한 군데만 국산이라고 전체가 독립되는 구조가 아니거든요.

• 설계부터 사전학습까지 전부 직접 하면 통제권은 가장 강해요. 대신 비용과 시간이 너무 커서, 글로벌 모델 성능이 계속 올라가는 상황에서는 완성 시점에 이미 뒤처질 수 있어요. 그래서 국방·금융처럼 외부 의존 리스크가 치명적인 영역에 더 어울리는 선택이에요.

• 공개 아키텍처를 참고하되 가중치를 초기화하고 자체 데이터로 학습하는 방식은 중간 지점이에요. 왜냐하면 검증된 구조를 쓰면서도 실제 모델이 배운 내용과 가중치 형성 과정은 국내 주체가 가져갈 수 있기 때문이에요. 이 경우에는 어떤 구조와 데이터를 썼는지 검증 체계가 같이 따라와야 해요.

• 이미 학습된 모델을 가져와 미세조정하는 방식은 서비스 개발에는 제일 현실적이에요. 다만 원 모델의 라이선스나 배포 정책이 바뀌면 영향을 받을 수 있어서, 국가 차원의 독자 파운데이션 모델이라고 부르기에는 조심해야 해요.