[경신스] 소버린 AI

기사 요약

'챗GPT의 95%' 기술론 경쟁력 없어…유연한 '소버린 AI' 전략 짜야

 

한국 정부는 "소버린 AI(Sovereign AI, 자주적 인공지능)" 개발을 추진 중이나, 글로벌 빅테크 대비 95% 성능 목표에 대해 “경쟁력 없다”는 우려가 업계 전반에 확산되고 있음. 전문가들은 100% 이상의 초과 성능이 아니라면 독자 개발은 낭비라고 지적하는 한편, 데이터 통제권과 보안 확보의 관점에서 국산 모델의 필요성을 강조함.

또한 "토종"을 외치기보다는 글로벌 기술을 유연하게 융합해 실용성 있는 소버린 전략을 짜야 한다는 주장이 확산되고 있음. 특히 LLM(대규모 언어모델) 자체 개발보다, AI 응용 서비스 분야에서의 비교우위 전략이 현실적인 대안으로 부상.

 

---

추가 정보

지표	수치	맥락
한국형 LLM 성능 목표	챗GPT 대비 95%	과기정통부 ‘국가 LLM’ 목표 수치
국내 토종 LLM 수	14개	네이버·LG 등 6개 기업이 개발
미국 LLM 수	128개	글로벌 경쟁 상황
중국 LLM 수	95개	글로벌 경쟁 상황
a16z 발표 AI 서비스 Top 50 내 한국 모델 수	0건	글로벌 경쟁력 부재 사례

 

• 소버린 AI : 외국 기술에 의존하지 않고, 자국 내에서 데이터/모델/인프라를 독립적으로 통제 및 운영할 수 있는 AI 체
• LLM(Large Language Model) : 대규모 텍스트 데이터를 학습해 자연어를 이해하고 생성할 수 있는 AI 모델 (GPT-4, 하이퍼클로바X 등
• 육수론 : 파운데이션 모델을 국가가 개발해, 기업이 응용 서비스에 활용하도록 하자는 전략 (국가 AI 수석 주장
• AI 갈라파고스 : 국제 표준과 동떨어진 기술 생태계가 고립되는 현상, 자국만의 생태계 구축이 시장성과 연결되지 않으면 발생

 

A16Z TOP 50 AI 서비스?

정식 명칭은 a16z "Top 100 Gen AI Consumer Apps – 4th Edition"으로, a16z (Andreessen Horowitz, 실리콘밸리 대표 VC)에서 발간된다. 이번에 발표된 버전은 2025년 3월에 발표된 4판으로, 생성형 AI앱의 시장 트렌드, 성장성, 사용자 기반 등을 종합 분석했다.

목표:

• 소비자 대상 Gen AI 앱의 실사용 지표 기반 순위화
• 산업 내 성공 가능성 있는 스타트업 및 트렌드 파악
• Big Tech 외 스타트업 생태계 확장 여부 추적

 

🌍 2025년 3월 Top 50 대표 사례

1. ChatGPT
   • 웹 순위 1위, 400 M+ 주간 사용자 → 전체 AI 서비스 중 절대 강자
2. DeepSeek
   • 웹 순위 2위로 급등, 출시 첫 달에 10 M 사용자 돌파. 특히 중국, 미국, 인도에서 빠르게 성장 중
3. Character.AI
   • 웹 순위 상위권, 사용자 생성 캐릭터와의 몰입형 대화 제공. “web 기준 2위”
4. Perplexity
   • 웹 순위 3위, 실시간 인용 기반 검색-대화 서비스. 평균 체류 시간 7분 이상
5. Claude (by Anthropic)
   • 웹 순위 4위로 빠르게 부상, Anthropic의 LLM 서비스 대표 격

* Anthropic : 구글이 전략적으로 투자하고 협력하는 생성형 AI 스타트업

 

---

나의 의견

[한국형 AI는 모델 개발보다 "문제 해결"에 집중해야 한다]

 

최근 정부와 기업들이 ‘소버린 AI’라는 이름 아래, 한국형 대규모 언어모델(LLM) 개발에 집중하고 있다. 하지만 나는 이 흐름에 조금 다른 생각이 든다. 단순히 자체 LLM을 개발하는 것보다는, 한국만의 문제에 특화된 AI 응용 서비스를 개발해 비교우위를 확보하는 것이 훨씬 더 전략적이라고 생각한다.

물론 독자적인 AI 인프라와 기술력을 갖추는 것은 중요하다. 특히 데이터 주권이나 보안 이슈, 공급망 불확실성 등을 고려할 때 자체 모델의 필요성은 부정할 수 없다. 하지만 이미 글로벌 빅테크 기업들은 고성능 AI 모델을 범용 플랫폼으로 제공하고 있으며, 이들과의 성능 격차는 점점 더 벌어지고 있다. 이런 상황에서 95% 수준의 성능을 목표로 모델을 새로 만드는 것이 과연 효율적인지 의문이다. 오히려 제한된 자원을 "정확히 필요한 곳"에 집중하는 것이 더 실용적인 전략이 아닐까?

과거 경제 지식그래프를 구축하는 프로젝트를 진행하며, 한국어 문법의 복잡성과 형태소 분석의 어려움을 경험했다. 예를 들어, NNG(일반 명사)와 NP(대명사) 조합 같은 문법 구조는 영어보다 훨씬 해석이 까다롭다. 게다가 한국어 관련 학습 데이터나 레퍼런스 자료도 해외 언어에 비해 비교적 부족한 편이다. 이처럼 언어적 특수성이 존재하는 상황에서, 이미 많은 연구가 진행된 범용 모델을 무작정 따라가는 것은 기술적·경제적으로 모두 비효율적일 수 있다.

그렇다면 한국형 AI는 어떤 방향을 추구해야 할까? "문제 중심의 AI"가 해답이라고 본다. 예를 들어, 작년 말 기사에 따르면 정부가 12억 원을 들여 도입한 포트홀 탐지 AI 시스템의 오작동률이 무려 85%에 달했다고 한다. 기술은 도입됐지만, 정작 현장에서 문제 해결에는 큰 도움이 되지 못한 사례다. 이런 경우, 단순히 외산 모델을 적용하는 것이 아니라 국내 도로 환경과 인프라 특성에 맞춘 특화 AI 모델을 개발하는 것이 진정한 경쟁력이다. 나아가 이러한 현장 특화 AI가 글로벌에서도 통용될 수 있는 "공통의 문제"를 다룬다면, 한국형 AI는 단순한 독립성을 넘어서 수출 가능한 전략 산업이 될 수도 있다.

 

정리하자면, 기술 중심이 아니라 문제 중심의 전략이 필요하다. 그리고 그 문제는 한국의 언어, 사회, 산업 구조에서 출발해야 한다. 단순히 LLM을 만드는 것에 집착하기보다는, 어떤 문제를 어떻게 해결할 수 있는가에 더 집중해야 한다. 그것이야말로 한국이 AI 분야에서 후발대임에도 독창성과 실용성을 동시에 잡을 수 있는 길이라고 생각한다.