AGI 전망과 독점

이 글은 2026년 2월 시점에서 AI 산업을 이끄는 주요 전문가들의 AGI(Artificial General Intelligence, 인공일반지능) 전망을 정리한다.

AGI가 인간 사회에 미칠 영향은 어느 방향이든 지대하다. AI의 발전 속도는 지수함수에 올라탔다. 그 영향에 대비하려면 매일 산업 발전 양상에 관심을 기울이고, 주기적으로 전문가들의 생각을 따라잡아야 한다. 알아야 준비할 수 있다.

2026년 2월, 두 가지 큰 물음을 놓고 글로벌 전문가들의 생각을 짚어 본다.
첫째, AGI는 언제 오며 무엇이 그 속도를 좌우하는가?
둘째, 그 기술을 누가 소유하며 다가올 독점을 어떻게 막을 것인가?

제1부 · AGI는 언제 오는가?

1. 도래 시기: 두 가지 시각

2~3년 안의 급진적 도래를 보는 시각과, 10년 이내(2020년대 말)를 보는 신중한 시각이 공존한다.

앤트로픽의 다리오 아모데이(Dario Amodei)는 공격적으로 본다. 2026년이나 2027년에 인간이 하는 모든 일을 노벨상 수상자 수준으로 해내는 모델이 나온다고 전망한다. 동인은 코딩과 AI 연구의 자동화다. 그는 소프트웨어 엔지니어 업무의 대부분을 모델이 맡는 시점이 6~12개월 앞으로 다가왔다고 본다.^[1]

구글 딥마인드의 데미스 하사비스(Demis Hassabis)는 아모데이보다 신중하다. 인간의 모든 인지 능력을 발휘하는 시스템이 2020년대 말까지 나올 확률을 50%로 본다. 검증 가능한(verifiable) 영역인 코딩·수학은 자동화가 쉽지만, 물리적 실험이 필요한 자연과학은 훨씬 어렵기에 시간이 더 필요하다고 진단한다. 새 가설을 세우거나 과학적 창의성을 발휘하는 최상위 능력은 아직 갖추지 못했다고 본다.^[1] AGI의 완성에는 물리 AI(로봇)와 하드웨어의 발전이 함께 와야 하고, 이 점이 자기 개선의 속도를 제한한다.

AGI와 별개로 특정 분야는 인간 수준에 이미 닿거나 임박했다.

• 영상 제작: AI 스타트업 경영진들은 기술 지식이 없는 사람도 헐리우드 수준의 장편 영화를 만드는 시점을 약 2년 후로 본다.^[2] 광고나 숏폼은 이미 가능하다.
• 소프트웨어 엔지니어링: 코딩에서는 1년 안에 모델이 엔지니어 업무의 대부분을 맡는다.

AGI 도래 시점을 두고 두 리더의 관점은 달라 보여도, 두 사람 모두 향후 5~10년 안에 인류 역사상 가장 강력한 기술 변곡점이 온다는 데는 동의한다.

2. 핵심 동인: 자기 개선 루프

작동 원리 (아모데이). AI가 코딩과 AI 연구 자체를 수행해 다음 세대 모델의 개발을 앞당기는 루프가 생긴다. 지금은 엔지니어가 모델이 쓴 코드를 편집하는 단계다. 인간의 개입이 줄어들수록 루프가 닫히고(close the loop), 기술 발전이 기하급수로 빨라진다.^[1]

영역별 속도 (하사비스). 코딩이나 수학처럼 검증 가능한(verifiable) 영역은 AI 전환이 빠르다. 그러나 자연과학 분야는 가설을 세우고 검증하는 데 시간이 걸려 느리다. 물리 로봇이나 하드웨어와 결합하면 물리 법칙이 속도를 제한한다. 루프가 인간의 개입 없이 완전히 닫힐지는 아직 미지수다. 자기 개선만으로 부족하면 월드 모델(world models)이나 지속적 학습(continual learning) 같은 다른 돌파구가 필요하다.^[1]

확장 효과 (아기온). 아기온(Aghion)은 AI가 재화·서비스뿐 아니라 새로운 아이디어의 생산까지 자동화해 생산성 성장을 이끈다고 분석한다.^[3]

3. 루프가 닫히는 징후

AI가 인간의 개입 없이 더 똑똑한 AI를 만드는 단계에 들어섰음을 알리는 신호는 다음과 같다.

• 소프트웨어·AI 연구의 자동화. 모델이 엔지니어 업무를 end-to-end로 수행하고, 나아가 AI 연구를 맡아 차세대 모델을 만든다. 가장 즉각적인 징후다.
• 검증 가능 영역의 정복. 수학·코딩에서 인간 수준을 완전히 넘어서는 것이 초기 신호다. 자연과학·로봇으로 확장되면 완성 단계다. 하사비스는 물리적 현실의 제약(하드웨어, 실험 시간)을 최후의 장벽으로 본다.
• 인간 개입의 배제(without a human in the loop). 인간이 가설을 세우거나 방향을 잡아 주지 않아도 AI가 스스로 문제를 정의하고 해결책을 찾아 자신을 업그레이드한다면, 이것이 루프가 닫혔다는 가장 확실한 증거다.
• 경제 지표의 폭발. 아모데이는 모델의 인지 능력과 경제적 수익이 지수함수로 연동된다고 본다. 그는 앤트로픽의 수익이 1억 달러에서 10억, 다시 100억 달러로 뛰는 추세를 든다. 수익의 폭발적 성장이 역량의 임계점 통과를 보여 주는 신호일 수 있다.

4. 통제 위험

전문가들은 통제 상실의 위험을 세 축으로 본다. 루프의 완전 자동화, AI의 행위자성(Agency) 획득, 인간의 이해를 넘어서는 복잡성이다.

행위자로서의 AI (하라리). 하라리(Harari)는 AI가 도구가 아니라 스스로 결정하는 행위자라고 강조한다.^[4] 칼은 샐러드를 자를지 사람을 찌를지 정하지 못하지만, AI는 그것을 스스로 정하는 칼이다. 나아가 새로운 무기나 도구를 스스로 발명할 수도 있다. 하라리와 개발자들은 AI가 생존을 위해 거짓말과 조작을 배울 수 있다고 경고한다. 실제로 앤트로픽은 연구에서 모델이 속임수(deception)를 쓰는 행동을 확인했다. 하라리는 AI가 금융·법률·종교 등 인간 사회의 운영 체제인 언어를 익혀 문명을 안에서부터 해킹할 수 있다고 본다.

이해 불가능성(Incomprehensibility). 하라리는 AI가 인간이 이해하지 못하는 복잡한 금융·법률 시스템을 만들 가능성을 제시한다. 이 경우 인간은 마치 말이 인간들의 거래를 이해하지 못한 채 거래되듯이, AI가 주도하는 시스템 속에서 무력해질 수 있다. 하사비스는 검증이 어려운 금융·디지털 영역일수록 제약이 적어 통제를 벗어날 가능성이 크다고 본다.

대응. 아모데이는 기계적 해석 가능성(mechanistic interpretability) 연구로 AI의 내부 작동을 이해하려 한다. 하사비스는 시간이 주어지면 기술적 안전은 풀 수 있는(tractable) 문제로 본다.^[1] 속도를 두고는 입장이 갈린다. 하사비스는 국제 협력과 규제로 속도를 늦추자고 하지만, 아모데이는 미·중 지정학 경쟁 때문에 현실적으로 늦추기 어렵다고 본다. 아모데이는 영화 '콘택트'를 빌려 "어떻게 스스로를 파괴하지 않고 기술적 사춘기(technological adolescence)를 넘겼는가"를 인류의 가장 큰 과제로 든다.

5. 자본·인프라 제약

AGI 개발에는 막대한 자본과 인프라가 든다. 모요(Moyo)는 2030년까지 산업 전반의 자본 투자가 7조 달러를 넘고, 2027년경 단일 대규모 훈련 비용이 10억 달러를 넘는다고 예측한다.^[5] 자금력을 갖춘 소수 기업만이 경쟁에서 살아남는다.

이 자본 장벽이 곧 다음 질문으로 이어진다. 이 기술을 누가 소유하는가.

제2부 · 누가 소유하며, 독점을 어떻게 막는가?

1. 승자 독식 구조

모요는 특정 기업이 자기 개선으로 압도적 우위를 점하거나 AGI를 먼저 개발하면, 시장 지배력을 영구히 확보하는 승자 독식(Winner-takes-all) 구도가 생긴다고 경고한다.^[5]

다만 모요는 반대로 작용하는 힘도 언급한다. AI 시대는 전환 비용(switching costs)이 낮아 사용자가 여러 모델을 쉽게 오간다. 이는 과거 소셜 미디어의 강력한 네트워크 효과와 달라, 한 기업이 시장을 완전히 독점하는 구도를 약화한다.^[5]

2. 정책 대안

독점을 막을 정책을 다섯 갈래로 정리한다.

공공 인프라와 접근성. 본(Born)은 시민 사회가 기술의 혜택을 누리도록 오픈 모델·저렴한 컴퓨팅·공유 데이터베이스를 포함한 공공 AI 인프라를 세워야 한다고 제안한다.^[6] 아기온은 슈퍼스타 기업이 시장을 지배하지 못하도록 중소기업의 데이터·컴퓨팅 접근을 돕는 산업 정책을 강조한다.^[3]

반독점. 아기온은 가치 사슬의 상단을 쥔 거대 기업이 신규 진입자의 혁신을 막지 못하게 경쟁 정책을 써야 한다고 주장한다.^[3] 본은 민주주의가 견디지 못할 수준의 불평등을 막으려면 기존 반독점을 넘어선 새 아이디어나 재분배가 필요하다고 덧붙인다.^[6]

지식재산권과 데이터 비용. 퍼거슨(Ferguson)은 AI가 뉴스·창작물을 거의 공짜로 학습해 비용 우위를 점한다고 지적한다. 그는 판결이나 새 법으로 정당한 대가를 물리게 해야 한다고 주장한다.^[2] 시리만(Sirimanne)은 WTO의 지식재산권 규정(TRIPS)이 핵심 기술 접근을 막는다고 보고, 과거 의약품에 적용한 강제 실시권(compulsory licensing)처럼 특허를 유연하게 적용하자고 제안한다.^[7]

조세와 재분배. 키르히슐래거(Kirchschläger)는 조세 부담을 노동에서 자본으로 옮겨야 한다고 주장한다. 데이터 흐름, 데이터 양, 데이터 기반 시스템(DS)의 사용에 과세하는 글로벌 조세 협력으로 독점 이익을 재분배하자고 제안한다.^[8]

안전 표준. 하사비스는 기업과 국가 사이의 과도한 속도 경쟁이 위험을 부른다고 본다. 그는 배포에 대한 최소한의 안전 표준(minimum safety standards)을 국제적으로 합의하자고 강조한다. 이는 무분별한 경쟁을 제어해 특정 기업의 독주도 견제한다.

3. 격차는 좁혀지는가: 개발과 활용의 구분

오픈 모델과 공공 인프라는 활용(deployment)에서는 격차를 좁히지만, 개발(development)에서는 자본 장벽에 부딪힌다. 이 구분이 핵심이다.

활용(deployment) — 격차를 좁힐 수 있다. 시리만은 AI를 특정 목적에 맞게 배포하는 비용이 모델을 바닥부터 만드는 비용의 일부에 불과하다고 강조한다.^[7] 개발도상국이나 중소기업은 데이터센터를 짓거나 엘리트 엔지니어 팀을 꾸리지 않고도, 챗GPT 같은 도구로 의료·교육·농업에서 즉시 혁신할 수 있다. 본과 아기온은 공공 AI 인프라가 시민 사회와 중소기업의 접근성을 높여 혜택을 분산한다고 본다.^[6]

개발(development) — 벽이 높다. 자체 프론티어 모델을 훈련하고 유지하는 경쟁에서는 거대 기업의 우위가 확고하다. 7조 달러와 10억 달러의 자본 장벽(1부 5절) 앞에서 자금력 있는 소수만 살아남는다.^[5] 시리만은 공공 모델이 있어도 안정적 전력과 광대역 통신망이 없으면 무용지물이라고 본다.^[7] 아기온은 슈퍼스타 기업이 이미 AI 가치 사슬의 상단을 장악해 신규 진입을 막는다고 우려한다. AI를 도입하는 기업은 이미 크고 생산성이 높아 격차가 더 벌어진다.^[3]

4. 개발도상국의 도약

개발도상국은 모델 개발이 아니라 전략적 활용에 집중해 산업화 단계를 건너뛸(leapfrog) 수 있다.^[7] 유선 전화를 건너뛰고 모바일로 직행한 과거의 도약과 같다.

사례.

• 정부 효율과 재정. 앙골라·이라크·방글라데시는 세관 절차를 디지털화해 병목을 없애고 관세 수입을 단기간에 40~120% 늘렸다.^[7] 부족한 재정 공간(fiscal space)을 확보한 것이다.
• 농업과 사회 안전망. 토고(Togo)는 위성 이미지와 머신러닝으로 빈곤 지도를 그렸다. 코로나19 기간에는 '노비시(Novissi)' 프로그램으로 비공식 노동자 92만 명에게 디지털 현금을 지원했다. '모자익스(Mosaiks)' 같은 도구로 작물 수확량을 예측하고 기후 변동성에 대응한다.^[9]
• 의료와 교육. AI는 의료 전문가가 부족한 지역에서 진단을 돕고, 교사가 부족한 환경에서 교육 플랫폼을 제공해 만성적 인력 부족을 덜어 준다.

장벽.
시리만 등은 안정적 전력과 광대역 통신망이 없으면 AI 기반 성장이 수사에 그친다고 경고한다.^[7] 토고의 로슨(Cina Lawson) 장관도 기초 인프라가 필수임을 강조한다.^[9] 많은 개발도상국은 공공 지출의 대부분을 부채 상환과 임금에 써 투자 여력이 없다. TRIPS 등은 과거 동아시아가 활용한 보조금이나 기술 이전 요구 같은 산업 정책 수단의 사용도 제한한다.

5. 협력 모델

단일 국가나 기업이 거대 기업과 맞서기는 어렵다. 그래서 여러 전문가가 협력을 대안으로 든다.

• CERN 모델. 시리만은 물리학의 CERN처럼 여러 나라가 전문 지식을 모으고 비용과 위험을 나누는 공유 플랫폼을 제안한다.^[7] 하사비스도 이런 국제 협력 기구의 필요성을 언급한 바 있다.
• 집단적 혁신. 비슷한 질병이나 기후 문제를 겪는 나라들이 데이터를 공유하고 공동 대응해 규모의 경제를 이룬다.^[7]
• 현지 역량. 외부 기술에만 기대지 않고 자체 데이터 과학 역량을 키운다. 토고는 '토고 데이터 랩(Togo Data Lab)'을 세워 현지 인재를 기르고 현지 데이터로 솔루션을 개발한다.^[9]

종합

제1부. 두 리더의 관점은 달라 보여도 결국 5~10년 안에 가장 강력한 기술 변곡점이 온다는 점에서는 같다. 자기 개선 루프는 검증 가능한 영역에서 시작해 연구 개발 자체를 가속한다. 그러나 인간의 이해를 벗어난 시스템과 통제 상실의 위험이 함께 온다. 루프가 닫히는 시점이 통제 가능 여부를 가르는 분기점이다.

제2부. 같은 자본 장벽이 독점을 부른다. 공공 인프라로 기회를 평등하게 하고, 반독점으로 경쟁을 유도하고, 조세와 기술 공유로 이익을 나누는 다각적 접근이 필요하다. 격차는 활용에서 좁혀지지만 개발에서는 벌어진다. 따라서 단순한 오픈 모델 공개를 넘어, 국제적 비용 분담과 대규모 공공 투자 협력이 관건이다.