우리는 2023년부터 한 가지 결론에 가까워지고 있었다.
앞으로 투자자로서 오래 살아남고, 지속 가능한 수익률을 만들기 위해서는 결국 해외로 나아가야 한다는 결론이었다. 당장은 익숙한 국내 산업과 종목을 보는 것이 편할 수 있다. 그러나 돌이켜보면 투자에서 익숙함은 때로 가장 위험한 덫이 되어왔다. 편안한 영역에만 계속 머무르는 순간, 변화의 출발점을 놓치고 뒤늦은 해석만 반복하게 될 뿐이라는건 지난 경험들을 통해 충분히 알 수 있었다.
지금도 우리는 아침에 눈을 뜬 순간부터 잠들기 전까지 리서치 할당량을 조금씩 바꾸고 있다. 국내 산업 리서치 비중을 점진적으로 줄이고, 해외 산업 리서치 비중을 높이는 방식이다.
단순히 해외 주식을 더 보겠다는 의미가 아니다. 산업 변화의 출발점이 어디에서 시작되는지, 자본과 기술의 중심이 어디로 이동하는지를 직접 따라가겠다는 의미다.
한국은 운 좋게도 메모리라는 AI 핵심 인프라 자원을 가진 국가가 되었다. 이 점은 부인하기 어렵다. HBM, DRAM, NAND는 AI 인프라 확장 과정에서 필수적인 자원이 되었고, 한국 기업들은 이 흐름의 중요한 수혜자가 되었다.
하지만 냉정하게 보면 이것은 우리가 AI 산업의 변화를 주도했기 때문이라기보다, 거인의 어깨 위에 올라탄 결과에 가깝다. 한국 메모리 산업은 AI 시대의 핵심 공급망에 올라섰지만, AI라는 거대한 산업 구조의 방향을 정하는 쪽은 여전히 미국의 프론티어 LLM 기업들, Nvidia와 같은 칩 설계 기업들, 그리고 AWS·Azure·Google Cloud·Meta와 같은 CSP와 빅테크 기업들이다.
따라서 국내 메모리 산업을 제대로 이해하려면 국내만 봐서는 안 된다. 메모리 수요의 출발점은 결국 전방 AI 투자, LLM 사용량, AI SaaS 확산, 클라우드 Capex, 데이터센터 전력 수요, 추론 비용 구조 변화에서 나오기 때문이다.
최선단의 미국 AI 산업 변화를 따라가지 못하면, 우리는 계속 백미러를 보며 운전하는 투자자가 될 수밖에 없다. 이미 벌어진 일을 사후적으로 해석하고, 지나간 실적을 근거로 뒤늦게 확신하는 후견지명의 반복에 머물 가능성이 높다는 뜻이다.
그런 방식으로는 시장수익률을 지속적으로 넘어서기 어렵다.
결국 국내 투자를 더 잘하기 위해서라도 해외 산업으로 시야를 확장해야 한다. 특히 메모리 산업을 이해하려면 AI 수요처의 다변화, LLM 업체들의 수익화, AI SaaS의 확산, CSP들의 컴퓨팅 선점 경쟁, 그리고 Physical AI로 이어지는 산업 확장을 함께 봐야 한다.
이번 글에서는 최근 프론티어 LLM, AI SaaS, Cloud CSP들의 변화하는 움직임을 살펴보고자 한다. 그리고 이 변화가 단순히 미국 기술주의 문제가 아니라, 한국 메모리·모빌리티·제조업·소프트웨어 산업에 어떤 시사점을 주는지 정리해보려 한다.
AI 경쟁은 왜 데이터 주권의 문제가 되었나
1. LLM은 단순한 챗봇이 아니라 새로운 업무 포털이 되고 있다
최근 AI 경쟁을 보면 LLM은 더 이상 단순히 질문에 답하는 챗봇이 아니다.
이제 LLM은 사용자가 업무를 시작하는 첫 화면이 되고 있다.
과거에는 사용자가 직접 Figma를 열고 디자인을 했다.
직접 Cursor를 열고 코드를 작성했다.
직접 Notion, Salesforce, Canva, Asana 같은 SaaS 앱에 들어가 업무를 처리했다.
그런데 지금은 흐름이 바뀌고 있다.
사용자는 먼저 ChatGPT, Claude, Gemini, Grok 같은 LLM을 연다.
그리고 자연어로 업무를 지시한다.
이 화면을 디자인해줘.
이 코드를 고쳐줘.
이 자료를 요약해서 보고서로 만들어줘.
이 고객 데이터를 보고 다음 액션을 추천해줘.
이 순간부터 SaaS 앱은 사용자의 첫 진입점이 아니라, LLM이 뒤에서 호출하는 도구로 밀려날 수 있다. OpenAI는 ChatGPT 안에서 외부 앱과 데이터를 연결하는 Apps SDK를 공개했고, Anthropic도 Claude 안에서 Slack, Figma, Canva, Asana 같은 업무 도구를 직접 조작하는 MCP Apps 구조를 확장하고 있다. (OpenAI)
참고 링크
OpenAI, Apps in ChatGPT / Apps SDK 발표 (OpenAI)
Anthropic Claude MCP Apps, Slack·Figma·Canva·Asana 연동 보도 (The Verge)
2. SaaS 회사들이 느끼는 진짜 위협
문제는 LLM 업체들이 SaaS 앱과 연동하면서 고객의 실제 업무 흐름을 빠르게 파악할 수 있다는 점이다.
(*CSP사들도 고객들의 사용자층의 모든 로그기록들을 원한다면 훤히 다 들여다 볼 수 있다고 함..)
물론 이를 법적으로 “훔쳤다”고 단정하기는 어렵다.
OpenAI와 Anthropic은 기업용·상업용 제품에서 고객 입력과 출력을 기본적으로 모델 학습에 사용하지 않는다고 설명하고 있다. (OpenAI)
하지만 더 중요한 문제는 따로 있다.
모델 학습 여부와 별개로, LLM 업체는 연동 과정에서 다음과 같은 제품적 인사이트를 축적할 수 있다.
사용자가 어떤 기능을 자주 쓰는지
어떤 작업을 반복적으로 자동화하려는지
어느 지점에서 기존 SaaS 사용성이 불편한지
어떤 기능이 실제로 돈이 되는지
어떤 업무가 LLM 안으로 흡수될 수 있는지
이것은 단순한 데이터가 아니다.
사용자의 업무 습관, 기업의 운영 방식, 소프트웨어의 핵심 노하우에 가깝다.
실제로 LLM 앱 생태계의 데이터 노출 위험을 다룬 연구도 있다. OpenAI GPTs 생태계를 분석한 논문은 외부 Actions가 여러 종류의 사용자 데이터를 수집할 수 있고, 일부 Actions는 여러 GPT에 걸쳐 사용자 활동을 추적할 가능성이 있다고 지적했다. (arXiv)
참고 링크
OpenAI Enterprise Privacy: 기업용·API 데이터 기본적으로 학습 미사용 (OpenAI)
Anthropic Privacy Center: Claude for Work·API·Gov 데이터 기본적으로 학습 미사용 (안드로픽 개인정보 센터)
LLM 앱 생태계 데이터 노출 관련 논문 (arXiv)
3. Figma와 Cursor 사례가 보여주는 변화
Figma와 Cursor 사례를 보면 이 변화가 더 선명하게 보인다.
Anthropic은 Claude와 Figma의 연결을 강화하고 있다. Figma는 Claude Code에서 생성한 UI를 Figma 캔버스의 편집 가능한 디자인 요소로 변환하는 Code to Canvas 기능을 소개했다. 이는 AI로 만든 코드와 디자인 협업 툴 사이의 경계를 낮추는 변화다. (Figma)
동시에 Claude는 Figma Connector와 Plugin을 통해 디자인 파일, 컴포넌트, 디자인 토큰, 코드 변환 작업에 접근할 수 있는 구조를 제공하고 있다. (Claude)
OpenAI도 Codex를 통해 코드 수정, 기능 구현, 코드베이스 분석, PR 생성 같은 기능을 ChatGPT와 클라우드 에이전트 구조 안으로 끌어들이고 있다. OpenAI는 Codex를 “클라우드 기반 소프트웨어 엔지니어링 에이전트”로 설명하며, 여러 작업을 병렬로 수행할 수 있다고 밝히고 있다. (OpenAI)
Cursor는 여전히 강력한 AI 코드 에디터이지만, OpenAI·Anthropic·Google 등 프론티어 모델을 사용하는 구조 위에서 성장해왔다. Cursor 공식 문서도 여러 프론티어 코딩 모델과 모델별 사용량·가격 체계를 제공한다. (Cursor)
중요한 변화는 이것이다.
사용자의 첫 작업 지점이 SaaS 앱에서 LLM으로 옮겨가고 있다.
Figma와 Cursor가 당장 사라진다는 뜻은 아니다.
다만 가장 수익성이 좋고, 반복 빈도가 높고, 대중화되기 쉬운 작업부터 LLM 안으로 흡수되고 있다.
참고 링크
Figma, Claude Code to Figma / Code to Canvas 공식 블로그 (Figma)
Figma × Anthropic Code to Canvas 보도 (The Economic Times)
Claude Figma Connector / Plugin (Claude)
OpenAI Codex 공식 소개 (OpenAI)
Cursor 공식 문서 / 모델 가격 문서 (Cursor)
4. Alex Karp가 지적한 문제의식
Palantir의 Alex Karp가 지적하는 문제도 이와 맞닿아 있다.
Karp의 문제의식은 단순한 데이터 보안 문제가 아니다.
기업이 LLM을 쓰는 과정에서 자사의 운영 노하우, 업무 프로세스, 의사결정 로직, 고객 데이터, 권한 체계가 외부 모델 업체의 토큰 소비 구조 안으로 흘러 들어갈 수 있다는 점이다.
Axios는 Karp가 CNBC 인터뷰에서 미국 프론티어 AI 랩들이 강한 모델 개발에 집중하지만, 기업 고객에게 충분한 가치를 주지 못하고 있다고 비판했다고 보도했다. 또한 기업 IP 보호 문제에 대한 불확실성도 함께 지적했다고 전했다. (Axios)
 |
| https://www.youtube.com/watch?v=7bxa685cUao |
Tom’s Hardware와 Forbes도 Karp가 OpenAI·Anthropic 같은 프론티어 AI 업체의 토큰 판매 모델과 기업 데이터 흡수 문제를 비판했다고 보도했다. 다만 이는 Karp의 주장이지, OpenAI와 Anthropic이 고객 데이터를 실제로 부당하게 사용했다는 독립 검증 사실은 아니다. (Tom's Hardware)
Palantir가 강조하는 “Sovereign AI”도 같은 맥락이다. Palantir는 AI를 도입하더라도 데이터, 인터페이스, 배포, 보안 운영에 대한 통제권을 고객이 가져야 한다고 주장한다. (The Times of India)
즉, 기업이 AI를 쓰지 말자는 이야기가 아니다.
문제는 AI를 쓰는 과정에서 자사의 운영 노하우와 업무 로직을 외부 모델 플랫폼에 넘겨도 되는가이다.
참고 링크
Axios, Alex Karp의 프론티어 AI 랩 비판 보도 (Axios)
Tom’s Hardware, Karp의 데이터·토큰 모델 비판 보도 (Tom's Hardware)
Forbes, Karp의 “enterprise value” 흡수 비판 보도 (포브스)
Palantir AI Sovereignty 관련 보도 (The Times of India)
5. AI 경쟁은 All or Nothing 구조로 가고 있다
이 흐름은 AI 경쟁 전체를 더 극단적인 구조로 몰고 간다.
여기서 말하는 All or Nothing은 단순히 “모델 성능 1등만 살아남는다”는 뜻이 아니다.
정확히는 다음 네 가지를 동시에 장악한 회사가 장기적으로 유리해진다는 의미다.
프론티어 모델
컴퓨팅 자원
데이터와 워크플로우
유통 채널
AI 모델 회사는 더 좋은 모델을 만들기 위해 더 많은 컴퓨팅이 필요하다.
더 많은 컴퓨팅을 확보하려면 더 많은 자본이 필요하다.
더 많은 자본을 만들려면 더 많은 고객 사용량과 매출이 필요하다.
이 구조는 플라이휠처럼 돌아간다.
좋은 모델 → 더 많은 사용자 → 더 많은 매출 → 더 많은 GPU와 데이터센터 → 더 좋은 모델
반대로 이 플라이휠에 올라타지 못한 회사는 빠르게 밀려날 수 있다.
이런 관점에서 AI 경쟁은 단순한 소프트웨어 경쟁이 아니다.
전력, GPU, 데이터센터, 네트워크, HBM, 냉각, 클라우드 유통망까지 모두 묶인 산업 경쟁이다.
참고 링크
Stanford AI Index 2026, AI 경쟁·인프라·거버넌스 관련 종합 보고서 (arXiv)
SemiAnalysis, AI 데이터센터·컴퓨팅 수요 모델 관련 소개 (SemiAnalysis)
AI 에이전트가 실제 소프트웨어 개발에 미치는 영향 관련 연구 (arXiv)
6. Anthropic의 성장은 AI 수익화가 시작됐다는 신호다
Anthropic 사례는 이 흐름을 잘 보여준다.
Anthropic은 Claude Code가 공개 출시 6개월 만에 10억 달러 run-rate revenue에 도달했다고 공식적으로 밝혔다. 이는 AI 코딩 에이전트가 단순한 실험용 도구가 아니라 실제 매출을 만드는 제품으로 진입했음을 보여준다. (안트로픽)
SemiAnalysis는 Anthropic이 Claude Code와 B2B API 중심 사업 모델을 통해 OpenAI보다 더 수익성 높은 상업화 구조를 만들고 있다고 분석한 바 있다. 다만 Anthropic의 2026년 3분기 10억 달러 EBIT 전망, ARR 600억 달러 이상, 2027년 ARR 3,000억 달러 전망 등은 SemiAnalysis의 추정값이며, 확정 실적은 아니다. 공개적으로 확인 가능한 범위에서는 SemiAnalysis 아카이브와 이를 인용한 2차 기사, 그리고 Anthropic의 공식 Claude Code 매출 마일스톤을 함께 참고할 필요가 있다. (SemiAnalysis)
 |
| (SemiAnalysis) |
중요한 점은 이것이다.
AI 모델 회사가 실제로 돈을 벌기 시작하면, 빅테크의 AI Capex 정당성은 더 길게 유지될 수 있다.
과거에는 AI 데이터센터 투자가 단순 비용처럼 보였다.
하지만 이제는 다르게 봐야 한다.
컴퓨팅은 비용 항목이 아니라 미래 AI 경제권을 선점하기 위한 생산설비다.
모델 경쟁에서 이기면 자기 서비스에 쓰면 된다.
모델 경쟁에서 일부 밀리더라도, 확보한 GPU와 데이터센터 용량을 다른 기업에 팔 수 있다.
그래서 컴퓨팅은 일종의 콜옵션 자산이 되고 있다.
AI 수요가 더 커질수록, 먼저 확보한 전력·부지·GPU·네트워크·냉각 인프라의 가치는 더 커질 수 있다.
참고 링크
Anthropic, Claude Code 10억 달러 run-rate revenue 공식 발표 (안트로픽)
SemiAnalysis 아카이브 / Anthropic 수익화 관련 2차 인용 자료 (SemiAnalysis)
Anthropic Q2 2026 흑자 전망 관련 WSJ 인용 보도 (Let's Data Science)
7. Meta의 캐나다 데이터센터는 컴퓨팅 선점 경쟁의 상징이다
Meta의 캐나다 앨버타 데이터센터 계획은 이 흐름을 상징적으로 보여준다.
AP에 따르면 Meta는 캐나다 앨버타주 Sturgeon County에 91억 달러 이상을 투자해 첫 캐나다 AI 데이터센터를 건설할 계획이다. 이 시설은 Pembina Pipeline 등이 개발하는 932MW 천연가스 발전소로 전력을 공급받을 예정이다. AP는 앨버타 전력망이 여러 대형 AI 데이터센터를 감당하기 어렵기 때문에, 자체 전력 확보 프로젝트가 우선되고 있다고 설명했다. (AP News)
또한 Meta가 남는 AI 컴퓨팅 자원을 외부에 판매하는 “Meta Compute” 가능성을 검토하고 있다는 보도도 나왔다. 이는 빅테크의 AI Capex가 단순 내부 비용이 아니라 외부 매출화 가능한 컴퓨팅 자산으로 바뀔 수 있음을 보여준다. (Tom's Hardware)
이것은 단순한 서버 투자 문제가 아니다.
AI 경쟁에서는 GPU만 중요한 것이 아니다.
전력, 부지, 송전망, 냉각, 네트워크, HBM 공급망까지 모두 경쟁력의 일부가 되고 있다.
결국 빅테크 AI Capex는 단순 과잉투자라기보다, 미래 AI 생산설비를 선점하기 위한 전면전에 가깝다.
참고 링크
AP, Meta 캐나다 앨버타 AI 데이터센터 투자 보도 (AP News)
Meta Compute / AI 컴퓨팅 외부 판매 가능성 보도 (Tom's Hardware)
SemiAnalysis 인용, Meta 2026년 상반기 5GW 이상 데이터센터 용량 계약 보도 (야후 금융)
8. 한국의 고정밀 지도 문제도 같은 관점에서 봐야 한다
이 관점은 한국에도 중요한 시사점을 준다.
미국 빅테크의 한국 고정밀 지도 접근 문제도 단순히 “구글맵이 한국에서 잘 작동하느냐”의 문제가 아니다.
 |
| Export Nation or Ecosystem Power: South Korea’s Choice in the AI Industrial Age |
 |
| Export Nation or Ecosystem Power: South Korea’s Choice in the AI Industrial Age 미국에서 계속 한국의 정밀지도를 원하는건 그만한 미래의 경제적 가치가 크기 때문이며, 이를 기반으로 추가로 나아갈 수 있는 영역이 무한히(?) 크기 때문임. 제대로 조사도 안하고 이를 그대로 갖다바치면 진짜 돌이킬 수 없음.. |
자율주행, 로보택시, 배달 플랫폼, 모빌리티 데이터 주권과 연결된 문제다.
한국은 오랫동안 국가 안보를 이유로 고정밀 지도 데이터의 국외 반출을 제한해왔다. ITIF는 한국이 공간정보법 체계 아래 1:25,000보다 정밀한 디지털 지도 데이터의 국외 이전을 정부 승인 없이 제한해왔고, Google과 Apple은 1:5,000 축척 지도 데이터 반출을 신청해왔다고 설명했다. (ITIF)
다만 2026년 한국 정부는 Google의 고정밀 지도 데이터 국외 반출을 조건부로 승인했다. AP는 한국 정부가 1:5,000 축척 지도 데이터의 해외 서버 반출을 허용하되, 국내 서버에서 먼저 처리하고, 군사·핵심 인프라 이미지를 흐리게 처리하며, 등고선 등 민감 정보를 제외하는 조건을 붙였다고 보도했다. (AP News)
이 변화는 지도 앱 시장뿐 아니라 자율주행과 모빌리티 플랫폼 경쟁에도 영향을 줄 수 있다.
참고 링크
ITIF, 한국 고정밀 공간정보 국외 반출 제한 분석 보고서 (ITIF)
AP, 한국 정부의 Google 고정밀 지도 반출 조건부 승인 보도 (AP News)
Korea Times, Google 지도 반출 승인 조건 및 국내 지도 생태계 영향 보도 (코리아 타임스)
9. Tesla FSD의 무서운 점은 데이터 플라이휠이다
Tesla FSD를 생각해보면 더 분명해진다.
FSD의 무서운 점은 단순히 현재 기술력이 높다는 데 있지 않다.
차량이 많이 주행할수록 데이터가 계속 쌓이고, 그 데이터가 다시 FSD 품질을 높이는 구조에 있다.
Tesla는 FSD Supervised 안전 페이지에서 누적 주행거리와 도시 주행거리를 공개하고 있다. 2026년 7월 기준 Tesla FSD Supervised 페이지에는 누적 주행거리 117억 마일 이상, 도시 주행거리 44억 마일 이상이 표시되어 있다. (Tesla)
Tesla AI 페이지도 전체 차량 fleet 규모에서 알고리즘을 평가하고, 차량 센서 데이터를 시공간적으로 결합해 대규모 ground truth 데이터를 만든다고 설명한다. (Tesla)
즉, FSD에도 플라이휠이 있다.
더 많은 차량 → 더 많은 주행 데이터 → 더 좋은 FSD → 더 많은 사용자 → 더 많은 데이터
이 구조가 한 번 작동하기 시작하면 후발주자가 따라잡기 어려워진다.
참고 링크
Tesla FSD Supervised Safety Report (Tesla)
Tesla AI & Robotics 공식 페이지 (Tesla)
Tesla FSD 공식 제품 페이지, fleet 학습 설명 (Tesla)
10. 지도 데이터 개방은 현대차·기아만의 문제가 아니다
한국의 고정밀 지도와 위치 데이터가 해외 플랫폼에 넓게 열리고, Tesla FSD나 글로벌 로보택시 플랫폼이 국내에서 빠르게 확산된다면 국내 완성차와 모빌리티 생태계는 강한 압박을 받을 수 있다.
다만 “Tesla가 현대차·기아차 시장을 단숨에 잠식한다”고 단정하기보다는, 고정밀 위치 데이터가 개방될수록 글로벌 모빌리티 플랫폼의 국내 진입 장벽이 낮아질 수 있다고 보는 편이 더 정확하다.
문제는 자동차 판매에만 그치지 않는다.
차량 판매
자율주행 데이터
보험
정비
로보택시
배달
주차
도심 물류
도시 동선 데이터
이 모든 산업이 연결될 수 있다.
한국 지도 데이터 개방 문제는 단순히 Google Maps 편의성 문제가 아니다.
한국의 도로 데이터, 도시 동선 데이터, 배달 동선 데이터, 자율주행 학습 데이터가 누구의 손에 들어가느냐의 문제다.
참고 링크
한국 고정밀 지도 데이터 승인 이후 국내 지도·자율주행 생태계 영향 보도 (조선일보)
AP, Google 지도 반출 승인 조건과 국가안보 이슈 (AP News)
ITIF, 지도 데이터 규제가 Google·Apple 등 미국 기술기업에 미치는 영향 분석 (ITIF)
11. FSD와 배달 플랫폼의 승부처는 마지막 1m~100m다
자율주행과 배달 플랫폼의 서비스 품질은 단순히 “목적지 근처까지 잘 간다”로 결정되지 않는다.
진짜 차이는 마지막 구간에서 갈린다.
아파트 단지의 어느 입구로 들어가야 하는지
지하주차장 진입로가 어디인지
어느 동 앞에 정차해야 하는지
상가 후문과 정문 중 어디가 실제 배송지인지
골목길에서 어디에 잠시 정차할 수 있는지
보행자가 실제로 이동하는 동선은 어디인지
일방통행, 차단기, 경사로, 임시 주정차 공간을 어떻게 인식하는지
TomTom은 라스트마일 배송에서 “final 100 meters”가 중요하다고 설명하며, 일반적인 지오코딩 서비스는 다층·다세대 건물의 정문, 주차 지점, 층수, 출입구 같은 정보를 충분히 제공하지 못한다고 지적한다. (TomTom)
Mapbox도 라스트미터 배송 지연을 줄이기 위해 운전자가 올바른 출입구를 찾도록 entrance data를 지오코딩 API에 포함한다고 설명한다. (Mapbox)
특히 한국은 이 문제가 더 중요하다.
한국은 아파트 단지 구조가 복잡하다.
지하주차장이 많다.
상가 후문, 골목길, 단지 내부 도로, 임시 정차 공간이 복잡하게 얽혀 있다.
그래서 FSD, 로보택시, 배달 플랫폼의 품질은 결국 마지막 1m~100m의 위치 정확성에서 갈릴 가능성이 높다.
정밀지도와 고정밀 위치 데이터는 단순 편의 기능이 아니다.
미래 모빌리티 플랫폼의 핵심 인프라다.
참고 링크
TomTom, final 100 meters와 last-mile geocoding 중요성 (TomTom)
Mapbox, entrance data와 last-meter delivery delay 감소 (Mapbox)
Last-mile delivery 데이터셋 및 로봇 배송 연구 (arXiv)
12. 자율주행에서 정밀지도는 핵심 인프라다
자율주행에서 정밀지도는 단순한 내비게이션 보조 도구가 아니다.
차량이 자기 위치를 정확히 추정하고, 차선, 표지판, 신호, 도로 구조, 진입 가능 경로를 이해하는 데 중요한 역할을 한다.
HD Map 관련 연구들은 고정밀 지도와 의미론적 지도 데이터가 자율주행 차량의 위치 추정과 경로 계획에서 중요한 구성요소라고 설명한다. (arXiv)
물론 Tesla는 LiDAR 기반 HD Map 의존도를 낮추고 fleet learning과 vision 기반 접근을 강조한다.
하지만 그렇다고 해서 위치 데이터와 지도 데이터의 중요성이 사라지는 것은 아니다.
오히려 한국처럼 도로 구조, 아파트 단지, 지하주차장, 골목길, 상가 출입구가 복잡한 시장에서는 실제 주행 데이터와 정밀 위치 데이터의 결합이 더 중요해질 수 있다.
참고 링크
High-Definition Map Generation Technologies for Autonomous Driving 논문 (arXiv)
Sparse Semantic HD Maps for Self-Driving Vehicle Localization 논문 (arXiv)
Tesla AI 공식 페이지, fleet-scale 평가와 ground truth 데이터 생성 설명 (Tesla)
13. 이 문제는 자동차 산업에만 국한되지 않는다
FSD는 자동차 산업만의 문제가 아니다.
FSD와 로보택시가 확산되면 차량 판매, 보험, 정비, 택시, 렌터카, 물류, 배달, 주차, 도시 교통, 부동산 입지 데이터까지 영향을 받을 수 있다.
배달 플랫폼도 마찬가지다.
음식 배달, 퀵커머스, 라스트마일 물류, 로봇 배송, 무인 편의점, 도심 창고 운영은 모두 위치 데이터와 연결된다.
결국 정밀지도는 미래 서비스 산업의 기반 데이터가 된다.
따라서 지도 데이터 개방 문제는 단순히 “외국 기업도 한국 지도를 쓰게 해줄 것인가”의 문제가 아니다.
한국의 도시 운영 데이터와 모빌리티 인프라를 누가 장악할 것인가의 문제다.
참고 링크
McKinsey, last-mile delivery 생태계 변화 보고서 (McKinsey & Company)
Last-mile delivery dataset 연구 (arXiv)
자율 배송 로봇과 라스트마일 자동화 연구 (arXiv)
14. Physical AI 시대에는 제조 데이터 주권이 더 중요해진다
이 문제는 지도와 모빌리티에서 Physical AI 시대의 데이터주권 문제로까지 의도적으로 확장해 해석 볼 수도 있다.
앞으로 AI는 소프트웨어를 넘어 제조 현장, 로봇, 물류창고, 조선소, 반도체 팹, 배터리 공장, 자동차 공장으로 들어간다.
이른바 Physical AI 시대다.
NVIDIA는 Physical AI를 생산 규모의 로봇·산업 자동화로 확장하기 위해 Isaac, Cosmos, GR00T 같은 시뮬레이션·로봇 모델 생태계를 공개하고, 글로벌 로봇 기업들과 협력하고 있다. (NVIDIA)
Physical AI는 단순히 로봇이 움직이는 기술이 아니다.
현장의 센서 데이터, 작업자 동선, 장비 이상 패턴, 공정 조건, 품질 데이터, 수율 개선 노하우, 부품 조립 순서, 유지보수 기록이 모두 AI의 학습 재료가 된다.
스마트 제조 AI 로드맵 관련 연구도 산업 현장에서 AI·ML이 효율성, 자율성, 디지털 트윈, 로봇, 물류 최적화, 공정 관리에 깊게 들어가고 있다고 설명한다. 동시에 산업 데이터 관리, 신뢰성, 설명가능성, 이종 시스템 통합이 핵심 과제라고 지적한다. (arXiv)
이것은 한국 제조업의 핵심 경쟁력과 직접 연결된다.
참고 링크
NVIDIA, Physical AI / Robotics 공식 발표 (NVIDIA)
2026 Roadmap on AI and ML for Smart Manufacturing (arXiv)
WEF, AI in Action: 산업 AI 전환 보고서 (World Economic Forum)
15. 한국 제조업의 진짜 자산은 데이터보다 운영 노하우다
한국 기업이 미국 프론티어 LLM 업체와 협업할 때 가장 조심해야 하는 부분도 여기에 있다.
AI를 쓰는 것은 필요하다.
글로벌 프론티어 모델과 협업하는 것도 피하기 어렵다.
하지만 그 과정에서 자사의 제조 노하우, 공정 데이터, 장비 운용 데이터, 현장 의사결정 로직이 통째로 외부 모델 업체에 넘어가면 문제가 달라진다.
서울대 국가미래전략원 이슈브리프는 한국 제조업이 반도체, 조선, 방산 등 핵심 산업에서 경쟁력을 보유하고 있음에도, 운영 소프트웨어와 데이터 관리 역량 부족으로 해외 플랫폼 의존이 심화될 수 있다고 지적했다. 특히 제조 AI 도입 과정에서 생산 현장의 암묵지가 데이터화되어 해외 서버에 전송·축적·통제될 위험을 언급했다. (서울대학교 국가미래전략원)
많은 기업은 데이터 보안을 단순히 파일이나 문서 유출 문제로 생각한다.
하지만 AI 시대의 데이터 주권은 그보다 넓다.
진짜 중요한 것은 다음이다.
어떤 업무가 반복되는지
어떤 공정에서 병목이 생기는지
어떤 장비 조건에서 불량률이 올라가는지
어떤 작업자가 어떤 순서로 문제를 해결하는지
어떤 고객 요청이 실제 매출로 연결되는지
어떤 현장 판단이 기업의 수익성을 좌우하는지
이것은 단순한 데이터가 아니다.
기업의 운영 노하우다.
한 번 넘어간 데이터와 업무 흐름은 되찾기 어렵다.
참고 링크
서울대 국가미래전략원, 한국 제조업 AI 전환과 데이터 주권 이슈브리프 (서울대학교 국가미래전략원)
GenAI와 Industry 5.0, 데이터 주권·산업 경쟁력 관련 연구 (arXiv)
Sovereign AI 관련 연구 (arXiv)
16. 한국 소프트웨어·제조 기업에게 주는 시사점
한국 기업은 AI를 피할 수 없다.
AI를 쓰지 않는 선택지는 점점 사라지고 있다.
하지만 AI를 쓴다는 것과 데이터 주권을 포기한다는 것은 전혀 다른 문제다.
국내 SaaS 회사, 플랫폼 회사, 모빌리티 회사, 제조 기반 Physical AI 회사들은 다음 질문을 반드시 해야 한다.
우리의 핵심 데이터는 어디에 저장되는가
외부 LLM, 외부 cloud사들이 어떤 로그와 호출 기록을 볼 수 있는가
반복 업무 패턴이 외부 플랫폼에 노출되는가
고객의 실제 사용 흐름이 누구에게 축적되는가
외부 모델 업체가 나중에 같은 기능을 직접 만들 수 있는가
우리는 LLM이 대체할 앱인가, 아니면 LLM이 반드시 호출해야 하는 시스템인가
이 질문에 답하지 못하면 위험하다.
AI를 도입했는데, 장기적으로는 자기 사업의 핵심 기반을 외부 플랫폼에 넘기는 결과가 될 수 있다.
Palantir의 Alex Karp가 말하는 문제의식도 이 지점과 맞닿아 있다. 기업은 AI를 써야 하지만, 자사의 데이터와 운영 로직을 외부 모델 업체에 무방비로 넘겨서는 안 된다는 것이다. (Axios)
참고 링크
Alex Karp의 프론티어 AI 랩 비판 보도 (Axios)
Palantir AI Sovereignty 관련 보도 (The Times of India)
LLM 앱 생태계 데이터 노출 연구 (arXiv)
17. 결론: AI 경쟁의 본질은 데이터 주권 전쟁이다
지금 AI 경쟁은 단순한 모델 성능 경쟁이 아니다.
전력, GPU, 데이터센터, LLM, SaaS, 지도, 모빌리티, 제조 현장 데이터가 모두 연결되고 있다.
이 구도에서는 중간층이 가장 위험하다.
얇은 SaaS는 LLM에 흡수될 수 있다.
컴퓨팅을 확보하지 못한 모델 회사는 밀려날 수 있다.
정밀지도와 위치 데이터를 내준 국가는 모빌리티 플랫폼 주도권을 잃을 수 있다.
제조 데이터를 무심코 넘긴 기업은 미래 Physical AI 시대의 핵심 노하우를 잃을 수 있다.
반대로 살아남는 쪽은 명확하다.
프론티어 모델을 갖고 있거나,
컴퓨팅을 갖고 있거나,
원천 데이터와 운영 로직을 장악하고 있거나,
이 세 가지를 동시에 묶을 수 있는 회사다.
그래서 AI Capex는 단순 과잉투자라기보다 미래 AI 경제권의 생산설비를 선점하기 위한 전면전에 가깝다.
한국 입장에서 이 전면전의 핵심은 더 분명하다.
AI를 도입하되, 데이터 주권과 제조 노하우는 반드시 지켜야 한다.
정밀지도, 모빌리티 데이터, 제조 현장 데이터, Physical AI 학습 데이터는 단순한 정보가 아니다.
미래 산업 주도권을 결정할 전략자산이다.
한 번 내준 뒤에는 다시 되찾기 어렵다.
생각정리279 (* Sovereign AI, *Hitachi)
참고 링크
Stanford AI Index 2026 (arXiv)
한국 제조업 AI 전환과 데이터 주권 이슈브리프 (서울대학교 국가미래전략원)
한국 고정밀 지도 데이터 국외 반출 관련 AP 보도 (AP News)
NVIDIA Physical AI 공식 발표 (NVIDIA)
=끝
댓글 없음:
댓글 쓰기