- 기계는 전력과 물만으로 살아갈 수 없다. AI의 이면에서, 기술의 한계를 보완하기 위해 분투하는 인간 노동이 있다는 사실을 있어선 안 된다. AI는 광범위한 인간 노동에 의존하고 있다. 데이터 주석 작업, 결과 검증, 알고리즘 조정 등 다양한 업무에 노동자들의 손길이 필요하다. AI가 오작동하거나 제대로 작동하지 않을 때마다 인간이 개입하여 알고리즘을 보완해야 한다. 예를 들어, 시리Siri가 음성 명령을 인식하지 못하거나, 얼굴 인식 소프트웨어가 신원을 확인하지 못하는 경우, 이 데이터는 사람이 직접 검토하여 오류를 분석하고 알고리즘을 개선하는 과정을 거친다. 이는 18세기 후반 유럽에서 인기를 모았던 매커니컬 터키Mechanical Turk 사기극과 유사하다.' 이 기계는 실물 크기의 나무 인형으로, 자동으로 체스를 둘 수 있다고 소개됐다. 그러나 기계 속에는 일련의 레버와 거울을 통해 인형을 조작하는 인간 체스 마스터가 숨어 있었다. 오늘날의 AI가 완전히 자율적으로 작동한다는 개념도 이와 유사한 거짓에 기반한다. 정교한 AI 소프트웨어도 수천 시간의 저임금 노동이 투입된 결과물이다
- AI 시대에도 소프트웨어와 알고리즘의 소유권은 중요하지만 기반 하드웨어의 중요성이 더욱 커지고 있다. 초기 플랫품 기업들은 비교적 군살이 없었다. 에어비앤비는 주택을 소유하지 않았고 우버uber는 자동차를 갖고 있지 않았다. 이들은 공유와 구독 모델을 기반으로 사용자의 네트워크를 활용하여 모든 것을 운영했다. 반면 빅 AI 기업들은 인프라 권력이라고 부르는 새로운
형태의 힘을 통해 이익을 공고히 하고 있다
간단하게 설명하자면, 이 기업들은 AI 모델을 훈련시키는 데 필요한 연산 능력과 저장 공간을 제공하는 기반 설비, 즉 거대한 데이터 센터, 해저 광케이블, AI칩을 직접 소유하고 통제함으로써 이익과 권력을 유지한다. 실제로 현재 전 세계에서 가장 큰 데이터 센터의 절반 이상을 단 세 개의 기업이 소유하고 있다. 최첨단 AI 모델을 훈련할 수 있는 하드웨어를 갖춘 기업도 극소수에 불과하다. AI산업의 기반 시설은 인력 확보에도 큰 영향을 미친다. AI분야에서 최고의 인재들은 혁신적 연구가 가능한 선도 기업에서 일하기를 원한다. 이러한 흐름 속에서 풍부한 자금과 강력한 인프라를 갖춘 기업들이 우수한 인력을 계속 끌어들이고 있다. 결국, AI가 혁신과 다양성을 확장할 것이라는 기대와 달리, 현실은 극소수 기업 중심의 독점적 구조로 빠르게 재편되고 있다
- 디지털 노동 플랫폼을 통해 전 세계 개별 작업자들에게 일이 분배되는 데이터 주석 작업과 달리(흔히 긱노동Gig Work이라고 알려진 노동), 애니타가 속한 BPO들은 수천 명의 노동자를 한곳에 모아놓고 철저한 노동 규율을 적용함으로써 생산성과 효율을 극대화한다
이러한 통제 기술은 오랜 역사를 가지고 있는데, 과거의 플랜테이션 농장, 방적 공장, 제조업 현장에서 시행착오를 거치며 점진적으로 발전해 왔다. 실제로 오늘날 데이터 주석 센터에서 사용되는 노동관리 방식은 과거 식민지 시대에 확립된 후, 유럽과 미국으로 확산된 경영 기법을 그대로 이어받았다. 얼핏 보기에 연관성이 없어 보이지만, 식민지 플랜테이션 농장과 애니타가 일하는 사무실 사이에는 희미하지만 분명한 연결고리가 존재한다
이런 관리 시스템이 필요한 이유는 인프라와 달리 노동은 예측하거나 통제하기 어렵기 때문이다.
- 데이터 주석을 필요로 하는 AI 업체는 몇 가지 방법에 기댈 수 있다. 가장 잘 알려진 방법은 아마존 머캐니컬 터크, 클릭워커Clickworker, 앤페 같은 디지털 작업 플랫폼에 업무를 올리는 것이다. 계약을 통해 디지털 작업을 일임하는 이러한 방식은 '각 노동 클릭질' 크라우드 소싱' 등으로 불린다. 주석 업무는 전 세계에 흩어진 수많은 단기 노동자에게 분배되고, 이들은 플랫폼 계정에 로그인하여 업무를 완수한다. 아마존 창업자 제프 베이조스가 '인공적인 인공 지능'이라 부르는 단기 노동자(각 노동자)들에게 AI기업은 과제당 겨우 몇 센트만 지급한다. 이렇게 사람이 검토를 한 데이터 조각이 모여 AI 모델을 훈련하는 데이터세트가 된다.'
각 노동자들은 노동권, 병가 중 급여, 연금 같은 사회안전망과 무관한 독립 계약자로서 시간당 대략 2달러를 번다. 메리 그레이와. 시다스 수리는 단기 단순 업무Micro Work의 실상을 폭로한 책 고스트 워크에서 이런 현실을 지적한 바 있다
이 책에 따르면, 흔히 '요청자'라고 불리는 기업들이 작업 결과에 만족하지 못하면 보수를 지급하지 않고 거절할 수 있기 때문에, 실제로는 작업의 약 30퍼센트가 무보수로 진행된다.
-현재 큰 관심을 받고 있는 중요한 질문 중 하나는 '미래의 LLM을 이전 버전의 모델이 생성한 합성 텍스트로 훈련시킬 수 있는가'이다. '반복의 저주The Cursc of Rccursion'이라는 제목으로 유명한 논문에 따르면, 연구자들은 챗봇이 생산한 데이터로 훈련한 LLM에서 모델 붕괴를 야기하는 '돌이킬 수 없는 결함을 발견했다고 밝힌다. 모델이 스스로 생성한 데이터를 반복적으로 학습할 경우, 특정 표현이나 패턴이 계속 중첩되면서 데이터가 점점 단순화되고, 그 결과 모델의 다양성과 창의성이 저하되는 문제가 발생할 수 있다고 경고하고 있다.
특히 현재 LLM은 인터넷에서 굵어모은 데이터로 훈련되는데 앞으로는 인터넷 자체가 LLM이 생성한 콘텐츠로 가득 채워진다면 이 문제가 더욱 심각해질 수 있다. 기술적으로 이를 해결할 방법이 언젠가는 나올 수도 있다. 하지만 현재 상황이 계속된다면, AI 모델은 합성 데이터의 한계에 같혀버리고 말 것이다. 결국 인간이 만든 진짜 데이터'가 가진 다양성과 깊이를 따라가지 못할 가능성이 높다.
- 챗봇은 방대한 양의 텍스트 데이터를 바탕으로 언어의 패턴을 분석하고, 이를 재현하는 방식으로 훈련된다. 기본적으로 이 모델들은 확률 계산을 통해 문장에서 다음에 올 단어를 예측한다. 하지만 이 과정은 단순한 자동 완성 기능과는 차원이 다르게 정교하다. 모델은 단지 다음 단어를 맞추는 데 그치지 않고, 문맥 속에서 각 단어가 지닌 의미를 파악한다. 또한 문장의 의미를 형성하는 데 문법적 패턴이 어떻게 작용하는지 분석하며, 문장 내의 여러 단어들이 서로 어떻게 연결되는지를 학습한다. 특히 모델은 핵심적인 단어들에 더 큰 가중치를 부여하면서 문장의 의미를 종합적으로 판단하도록 설계돼 있다.
따라서 LLM에는 의식적인 사고도 진정한 의미에서의 이해도 존재하지 않는다. 모델은 언어의 형태만을 처리할 뿐, 그 사회적 의미는 전혀 따지지 않는다. 인간은 질문에 답할 때, 사회가 어떻게 작동하는지에 대한 깊은 맥락적 지식과 이해를 바탕으로 답변을 구성한다. 반면, LLM은 주어진 데이터의 기호간의 통계적 관계만을 분석할 뿐, 그 기호들이 실제 세계에서 무엇을 의미하는지에 대한 참조점을 전혀 갖고 있지 않다.
- 많은 사람들이 LLM은 인터넷의 모든 내용을 '암기'하고 있다고 생각하지만, LLM은 그렇게 작동하지 않는다. 대신, 텍스트 속 단어들 간의 관계를 학습하고, 대량의 데이터를 압축하여 더 작은 형태로 저장하는 방식을 사용한다. 즉, LLM은 인터넷의 모든 데이터를 그대로 기억하는 것이 아니라, 핵심적인 패턴과 구조를 압축하여 저장하여 이를 바탕으로 새로운 결과물을 생성한다.
- LLM은 특히 단 하나의 정답이 존재하는 문제에서 더 낮은 성능을 보이는 경향이 있다. 반면, 대략적인 요약만으로도 충분한 문제에서는 상대적으로 더 좋은 성능을 발휘한다. 현재 겪고있는 한 가지 주요 문제는 반전 저주라고 불리는 현상이다. 연구자들은 GPT-1가 "톰 크루즈의 어머니는 누구인가?"라는 질문에는79퍼센트의 확률로 정답(메리 리 파이퍼)을 맞혔지만, 반대로 "메리리 파이퍼의 아들은 누구인가?"라고 물었을 때는 정답률이 33퍼센트로 급감한다는 사실을 발견했다. 또한, LLM은 때때로 완전히 터무니없는 내용을 생성하는 것으로도 악명이 높다. 존재하지 않는 법률 판례를 만들어 내거나, 존재하지 않는 책을 인용하는 등의 오류가 발생하고 있다. 하지만 앞으로 챗봇이 웹 검색 기능이나 기타 검증 시스템과 통합되면, 이러한 오류는 상당부분 줄어들 것으로 보인다.
- LLM은 종종 사립학교를 졸업한 정치 엘리트층과 비슷한 모습을 보인다. 겉보기에는 유창하고 그럴듯한 정보를 늘어놓지만, 자세히 들여다보면 부정확한 내용이 많으며, 사회의 편향과 권력 불균형을 그대로 반영한다.
- 심리학자이자 신경과학자인 스티븐 피안타도시는 챗봇에 인종과 성별을 기준으로 '좋은 과학자'를 분류하는 프로그램을 작성하라고 지시했다. 그러자 챗봇은 백인이고 남성인 과학자를 '좋다'고 분류하는 결과를 내놓았다. 피안타도시의 연구뿐만 아니라, LLM이 학습 데이터 내 언어적 편향을 반영하여 경멸적인 표현, 잘못된 설명, 고정관념을 지속적으로 재생산한다는 증거는 수없이 많다. 문제는 데이터세트의 편향성에만 국한되지 않는다. 머신러닝 엔지니어들의 관점 또한 모델이 어떻게 조정되는지, 어떤 목표를 최적화하는지, 그리고 공정성과 편향 문제를 어떻게 해결할 것인지에 영향을 미친다.
AI 연구소를 구성하는 구체적인 인구통계학 자료는 없지만 인공지능 분야를 떠받치고 있는 고등교육 통계를 보면 AI 업계는 압도적으로 ' 백인'과 '남성'이 주도하는 분야다.
- 2023년 9월, 버라이즌은 데이터를 런던에서 뉴욕까지 약 5000킬로미터에 이르는 거리를 단 71.089밀리초 만에 전송했다고 발표했다. 이는 눈을 깜빡이는 것보다도 빠른 속도다. 우리가 주고받는 금융 거래, 친구 요청, 사진, 반려동물 영상, 분노의 트윗 같은 모든 온라인 활동이 이 케이블을 따라 빛의 속도로 이동한다. 이러한 해저 케이블은 알루미늄, 강철, 마일라 테이프, 폴리에틸렌 등 여러 겹의 보호층으로 감싸져 있다. 미디어학자 니콜 스타로시엘스키는 "이 시스템이 갑자기 멈춰선다면, 우리가 알고 있는 인터넷은 사라지고 대륙은 서로 단절될 것이다"라고 경고했다. AI 시스템을 하나의 두뇌로 본다면, 해저광섬유 케이블은 혈관이다. 이 혈관들은 지구 곳곳의 데이터 센터가 제공하는 저장 공간, 네트워크, 컴퓨팅 파워를 활용해 데이터를 빛의 속도로 전송한다. 놀랍게도, 이 핵심 인프라는 정원용 호스만금 작은 케이블 속에 압축되어 있다. 그러나 이 작은 케이블 덕분에, AI의 심장부를 이루는 데이터 센터들이 전 세계적으로 연결된다
- 해저 케이블은 바다 밑에 놓인 단순한 통신 장치로 보일 수 있다. 그러나 연결이 있는 곳에는 언제나 통제하려는 욕망이 뒤따른다. 역사적으로 해저 케이블은 유럽 식민주의, 글로벌 자본주의의 확산 도구, 심지어는 전쟁 도구로 활용되어 왔다. 또한 부를 착취하거나 특정 지역을 지배하고 통제하기 위한 수단으로 사용됐다. 해저 케이블 설치는 공학적으로 어려운 작업이기 때문에, 광섬유 케이블들은 주로 과거 전화선이나 전신망이 깔렸던 경로를 따라 설치된다. 예를 들어, 뉴질랜드를 글로벌 네트워크에 연결하는 두 개의 해저 광섬유 케이블은 타카푸나와 무리와이에 상륙하는데, 이는 1912년 전신 케이블이 설치된 곳과 동일한 지점이다. 그런데 이 경로는 식민지 시대 은과 향신료, 노예를 운반하던 해상 항로와도 거의 일치한다. 과거 유럽 식민주의 시절, 해상 무역의 중심지였던 항구들은 해저 케이블을 육상으로 연결하기에 적합한 지리적 조건을 갖추고 있었다. 이를 두고 잉그리드 버링턴은 "운
송망과 통신망은 시간이 지나면서 서로 겹쳐지는 경향이 있다"고 했다. 이는 땅 위에서도 마찬가지다. 광섬유케이블은 종종 기존 철도 노선을 따라 설치됐고, 철도 회사들은 기존 선로 옆에 케이블 네트워크를 구축할 권리를 판매해 추가 수익을 창출하기도 했다
- 2000년대 플랫폼 경제가 부상하던 시절, 가장 중요한 자산은 소프트웨어였다. 당시에는 소프트웨어 기반 플랫폼을 구축해 수십억명의 사용자를 확보하는 기업이 가장 높은 가치를 창출했다. 하지만 이제는 소프트웨어 자체보다, 그 소프트웨어를 구동할 수 있는 데이터 센터와 같은 물리적 인프라가 테크 기업의 핵심 경쟁력으로 부상하고 있다. 현재 많은 기업이 LLM 기반 제품을 개발하고 있지만 실제로 이러한 강력한 AI 모델을 실행하는 연산 하드웨어를 직접 소유한 기업은 극히 일부에 불과하다. 빅 AI 기업들은 '인프라 권력
infrastructural power'을 차지하는 데 주력하고 있다. 지난 10년 동안 AI인프라에 투자해 온 기업들은 이제 경쟁사들보다 유리한 위치를 점하고 있다. AI 모델을 학습하고 운영하는 데 필수적인 데이터 센터 용량은 이미 몇 달 치 예약이 가득 찬 상태이며, AI 열풍이 지속됨에 따라 시장은 더욱 확대될 것으로 전망된다. AI 산업에서 미국 기업들이 여전히 가장 강한 영향력을 행사하는 이유도 이러한 인프라 권력을 가졌기 때문이다.
- 데이터 센터는 따뜻한 지역일수록 더 많은 물을 필요로 한다.
센터마다 차이가 있지만, 하루 최대 1,900만 리터의 물을 소비하는데, 이는 인구 5만 명 규모의 미국 소도시가 하루 동안 사용하는 물의 양과 맞먹는다. 2021년, 미국 오리건 주에 위치한 구글 데이터센터는 1 년간 3억 5,500만 갤런(약13억 4400만 리터)의 물을 사용했으며, 이는 오리건 주 물 소비량의 29퍼센트에 해당하는 수치다.
2023년 1월, 우루과이가 최악의 가뭄을 겪는 동안 우루과이에 있는 구글 데이터센터의 막대한 물 사용이 논란이 되기도 했다.
- AI 기업들은 근본적으로 자신들의 소유가 아닌 것을 팔고 있다. 이미지 생성기의 가치는 방대한 데이터세트에서 몰래 가져온 인간이 창작한 원작들에 기반한다. 하지만 이 도구를 만드는 기업들은 정작 가장 큰 영향을 받는 인간 창작자들에 대해서는 거의 신경쓰지 않는다. 테크 기업의 유명한 모토인 "빨리 움직여서 망가뜨려라"가 이제 "빨리 움직여서 훔쳐라"로 바뀐 셈이다
지금은 누구나 이미지 생성기를 통해 특정 아티스트의 독특한 스타일을 쉽게 흉내낼 수 있다. 그런데 그 과정에서 원작자의 작품이 사용되었음에도 원작자에게는 어떤 보상도 돌아가지 않고, 심지어 이름조차 언급되지 않는다. 이렇게 모방을 넘어 AI가 아티스트의 작품 활동을 대체하게 되면, 아티스트의 생계까지 위협할 수 있다
- AI 혁명이 예술에 가져올 진정한 위험은 인간이 창작한 예술이 사라지는 것이 아니라, 이 기술이 권력자에 의해 남용되어 창작자를 착취하고 기업의 이윤을 극대화하는 수단으로 전락할지 모른다는 것이다. 대형 상업 스튜디오들은 최대한 많은 과정을 자동화해, 인간 창작자를 고용하더라도 가급적 최소한의 비용만 지출하려 할 것이다. 기술이 실제로 어떻게 사용될지는 복잡한 사회적∙경제적 요인에 의해 결정된다. 생성형 AI가 문제로 지적되는 이유는 예술을 값싸게 대체할 수 있는 '지름길'로 여겨지기 때문인데, 이는 창작자들이 정당한 보상을 받을 기회를 박탈할 수 있다.ㅡ"와이어드
- 수요 예측 측면에서 스카우트는 세계에서 가장 큰 규모의 시뮬레이션 플랫폼 중 하나로, 고객들의 클릭과 구매 패턴을 분석해 판매량 변화를 예측한다. 이를 위해 아마존의 엔지니어들은 수백만개의 상품 수요를 정확히 예측할 수 있도록 신경망을 기반으로 한 AI 모델을 구축하고 훈련시켜왔다. 예측 정확성은 곧바로 비용 절감과 수익 증가로 이어지기 때문에 아마존에겐 매우중요하다.
수요 예측이 완료되면, 시스템은 제조업체에서 물품을 발주하고, 아마존의 창고를 사용하는 판매자들에게 공간을 배정한다. 이 발주 결정이 바로 매일 BHX4 창고로 도착하는 물품들의 흐름을 결정한다. 또한 스카우트는 트럭, 창고, 배송 센터 등 네트워크 전반의 자원 배분을 조정하며, 심지어 향후 새로운 창고를 어디에 세울지까지 제안할 수 있다. 이 모든 과정에서 필요한 노동력과 자재 투입량을 계산하고, 이를 바탕으로 전체 주문 처리 계획도 수립한다. 고객이 아마존에서 지금 구매Buy Now 버튼을 클릭하는 순간, 시스템은
실시간 데이터와 최적화 기술을 활용해 어디에서 상품을 출고할지 여러 개의 주문을 어떻게 가장 효율적으로 통합할지 즉각 결정한다. 이 과정에서 웹사이트 페이지 조회 수, 주문량, 창고 바닥의 바코드 스캔 데이터 등 수십억 개의 데이터 포인트를 분석한 후, 최소비용으로 최대 속도로 상품을 이동시킬 방법을 찾아낸다.
이뿐만 아니다. 실시간 데이터 분석을 통해 주문 처리 계획의 실행을 직접 관리한다. 예를 들어, 창고에서 바코드를 스캔하는 순간마다, 시스템은 상품이 네트워크 내 어디에 위치하고 어떤 과정을 거쳤는지 실시간으로 업데이트한다. 이 스캔 데이터는 단순한 재고관리 정보가 아니다. 시간당 스캔 횟수와 작업자별 처리량이 기록되며. 이를 바탕으로 생산성 지표가 생성된다. 2019년, 아마존 내부 문서에 따르면, 자동화 시스템은 목표를 지속적으로 달성하지 못하거나 멈춤 시간이 너무 많은 직원들을 자동으로 해고할 수 있다고 명
시되어 있다.
이러한 개별 생산성 관리 시스템은 순환 근무와도 연결된다. 2020년에 아마존은 머신러닝 알고리즘을 활용해 직원들의 근육 사용량을 분석하고, 이를 바탕으로 업무 스케줄을 자동 조정하는 계획을 발표했다. 노동자들이 동일한 근육을 계속 사용하지 않고 여러 업무를 돌아가며 수행하도록 설계된 이 시스템은, 노동자의 신체 부담을 줄이는 동시에 최대 생산성을 유지하도록 만들어졌다
- 과거 실리콘밸리 스타트업들은 지금과는 다른 방식으로 자금을 조달했다. 닷컴붐 시절에는 기업가들이 엔젤 투자자로 나서거나 창업자의 가족과 친구들이 직접 투자하는 경우가 많았다. 예를 들어 1994년, 제프 베이조스는 부모에게서 30만 달러를, 22명의 지인들에게 각 5만 달러씩을 모아 창업 자금을 마련했다. 마크 저커버그 역시 피터 틸Peter Thic!에게서 50만 달러의 엔젤 투자를 유치하는 조건으로 페이스북 지분 10.2퍼센트를 내주었다
그러나 2020년 이후 AI 스타트업이 '게임에 참여'하고 싶다면 기존의 빅테크 기업과 협력할 수밖에 없는 환경이 됐다. 대형 테크기업들은 수십억 달러를 AI 스타트업에 투자하는 한편, 동시에 이들 스타트업이 자사의 클라우드 플랫폼을 사용하도록 강제해 일정한 금액을 회수하고 있다. 스타트업이 이들 클라우드 서비스를 이용하는 데 드는 비용은 대부분 공개되지 않고 있다
- 과감한 투자와 급속한 기술 발전이 가능했던 것은 상당 부분 정부의 공공 자금 덕분이다. 실리콘밸리는 미국 국가 기구의 지원을 받아 탄생한 곳이다. 국방교육법부터 중소기업투자법까지 오늘날과 같은 캘리포니아 자본의 형성이 가능했던 입법 지원이 결정적인 역할을 했다. 실리콘밸리는 정부의 연
구 자금을 기반으로 성장했고, 세금 감면과 연방 대출의 도움을 받아 확장했다. 흔히 자본은 독립적이라고 하지만, 실상은 그 독립성은 껍질일 뿐이다. 이처럼 과감한 공공 투자가 이뤄졌음에도, VC들은 자신들의 투자 방향을 공익을 위해 조정해야 할 민주적 의무를 지지 않았다. 오히려 그들은 자신들이 벌어들인 막대한 이익을 자본이득세로부터 보호하기 위해 싸있다. 그렇게 공적 투자로 만들어진 경제적 성과의 상당 몫이 사적 영역으로 옮겨졌다
지난 한 세기 동안 기술 발전의 방향을 결정한 것은 대부분 폐쇄적인 공간에서 이루어진 사적 의사결정이었다. 평범한 사람들은 기술 변화의 주체라기보다는 객체에 가까있다. 오늘날 우리가 살아가는 경제 시스템은 철저히 사적 이익과 사적 의사결정에 의해 움직인다. 놈 촘스키의 표현을 빌리자면, 우리 미래를 형성하는 기업들은 '폭정의 섬'이며, 그 기반은 오랜 역사 속에서 이어져온 학살과 차별, 그리고 착취에 뿌리를 두고 있다
- 확률적으로 볼 때, 당신 역시 추출 기계가 착취 가능한 자원으로 여기는 전 세계의 노동자, 소비자, 시민 집단에 속해 있을 가능성이 높다. 그들의 문제는 곧 우리의 문제다. AI 시스템은 당신의 노동, 아이디어, 예술, 물, 에너지, 데이터, 그리고 당신의 국가에서 나오는 필수 광물을 원한다. 이 모든 것은 거대한 기계에 투입되어 생산, 권력, 이윤으로 전환된다. 시스템을 만든 것은 자본주의이며, 자본주의는 경제를 소수가 사적으로 소유하고 통제하는 사회 질서다
실리콘밸리의 벤처 자본가들이 정부의 연구 자금에 의존했다는 사실은 부정할 수 없다.
그러나 기술 개발의 방향은 기본적으로 자본주의 시스템의 논리에 따라 움직였고, 결국 그 결과 또한 자본주의적인 방식으로 귀결되었다. 소수의 투자자와 경영진이 모든 결정을 내렸고, 그 영향은 지금 전 세계 모두가 감당하고 있다. 그러나 이러한 결과는 운명처럼 정해진 것이 아니다. 어떤 기술이 개발되는 과정에서 항상 같은 문제가 발생할 수밖에 없다는 전제는 잘못된 가정이다. 자본주의가 만들어내는 기술은 결코 중립적이지 않으며, 그것을 만든 시스템의 논리와 권력 구조를 그대로 반영한다
AI 추출 기계는 바로 이러한 시스템의 본질을 선명하게 드러낸다. 그것은 권력을 소수에게 집중시키고, 과거 식민주의의 권력 구조를 새로운 형태로 재구성한다. 동시에 노동을 단순화하고 강도를 높여, 이미 과로에 시달리는 전 세계 노동자들로부터 더 많은 이윤을 추출한다. 또, 가장 저렴한 노동력과 자원을 찾아 생산지를 세계 곳곳으로 끊임없이 이동한다. 이 모든 과정에서 우리는 자본의 투자와 이윤이라는 리듬이 반복되는 모습을 끊임없이 마주하게 된다. AI는 글로벌 자본의 도구를 넘어, 이제는 자본주의 체제의 필수적인 일부가 되었다. 그러나 우리는 다른 방향으로 기술의 활용 가능성을 상상할 수 있다. AI가 노동을 자동화하고, 희소한 자원을 보다 효율적으로 배분하며, 과학 연구를 발전시키는 데 기여하는 세상 역시 가능한 시나리오다
'IT' 카테고리의 다른 글
| AI혁명 슈퍼 에이전시 (0) | 2026.02.06 |
|---|---|
| AI 패권전쟁 (1) | 2026.01.30 |
| AX 100배의 법칙 (1) | 2026.01.23 |
| 두 얼굴의 신기술 AI 딜레마 (0) | 2026.01.23 |
| IT트렌드 2025 (2) | 2026.01.10 |











