2016년 컴퓨터 업계의 논리는 단순했다. 대부분의 성능 향상은 CPU를 더 빠르게 만드는 것에서 나온다고 믿었다. 더 빠른 CPU, 더 많은 메모리, 더 효율적인 운영체제만 있으면 충분했다. 인텔이 무어의 법칙을 지키는 한 세상은 계속 빨라질 것이라는 믿음이 지배적이었다. 데이터센터는 인텔 칩으로 가득 찼고, 그 구조는 수십 년째 크게 바뀌지 않았다.
그러나 젠슨 황은 달리 봤다. 딥러닝은 데이터에서 패턴을 찾아내는 AI 학습 방식으로, 수억 개의 단순 연산을 동시에 처리해야 한다. CPU는 하나의 연산을 아주 빠르게 처리하는 구조지만, 이런 병렬 연산에는 적합하지 않았다. 비유하자면 CPU가 복잡한 행정 업무를 처리하는 소수의 고위 관료라면, GPU는 단순한 작업을 동시에 수행하는 수만 명의 숙련공에 가깝다. 그는 CPU 중심 구조로는 AI 연산을 확장하는 데 근본적인 한계가 있다고 봤고, 연산의 주권이 GPU로 이동할 수밖에 없다고 예측했다. 게임 그래픽을 위해 설계된 GPU가 이 구조에 더 잘 맞았다. 수천 개의 작은 코어가 동시에 작동하는 방식이 AI 훈련의 특성과 맞닿아 있었기 때문이다.
그 확신은 곧 하나의 기계로 만들어졌다. DGX-1이다. 70파운드에 달하는 이 장치는 3만 5천 개의 부품으로 구성된 AI 전용 컴퓨터였다. 하지만 출시 당일, 구매 주문은 단 한 건도 들어오지 않았다. 업계는 무관심했다. 누군가는 “윈도우가 돌아가냐”고 물었다. 컴퓨터라면 당연히 사무용 운영체제가 깔려야 한다는 고정관념이 ‘지능을 연산하는 기계’라는 이 장치의 본질을 가리고 있었던 셈이다. 당시 OpenAI를 이끌던 일론 머스크는 이 무관심 속에서 유일하게 가능성을 알아본 인물이었다. 젠슨 황은 직접 샌프란시스코로 차를 몰아 제1호 DGX-1을 전달했다. 그 기계 위에서 OpenAI의 초기 언어 모델 연구가 시작되었고, 이는 훗날 생성형 AI로 이어지는 흐름의 출발점이 되었다.
시장의 지표는 이 변화를 명확히 보여준다. 2016년 이후 AI 워크로드가 폭증하면서 GPU 인프라 수요도 함께 비대해졌다. 주요 빅테크 기업들은 이제 대규모 GPU 클러스터 구축에 막대한 투자를 이어가고 있다. 과거에는 데이터센터의 가치가 서버의 대수였다면, 이제는 ‘얼마나 많은 GPU가 초고속으로 연결되어 있느냐’가 핵심 경쟁력이 되었다. 10년이 채 되지 않는 시간 동안 AI 시대의 핵심 연산은 완전히 GPU 위로 옮겨왔다. CPU가 사라진 것은 아니지만, 더 이상 성장의 주인공은 아니다.
2025년 10월, 젠슨 황은 텍사스에서 열린 행사에서 다시 일론 머스크에게 기계를 전달했다. 기계는 DGX Spark로, 책 한 권 크기의 개인용 AI 시스템이었다. 처음에는 아무도 원하지 않았던 기계가 이제는 개인의 책상 위를 넘보고 있다. “연산 구조 자체가 바뀔 것”이라는 그의 예측이 실제 인프라의 세대교체로 이어지는 데는 10년이 걸렸다.
AI가 코드를 짜는 순간 개발자의 역할이 바뀐다
과거의 소프트웨어 개발은 기계의 언어인 코딩 숙련도에 절대적으로 의존해왔다. 개발자는 Python이나 Java 같은 문법을 익혀 기계가 이해할 수 있도록 명령어를 한 줄씩 입력해야 했고, 수만 줄의 코드를 관리하기 위해 여러 엔지니어가 장기간 협업하는 방식이 일반적이었다.
젠슨 황은 이러한 흐름이 근본적으로 바뀔 것이라고 예견했다. 인공지능이 인간의 언어를 이해하기 시작하면서, 소프트웨어 공정의 본질이 사람이 직접 만드는 ‘제조’에서 AI가 스스로 빚어내는 ‘생성’의 시대로 진화할 것이라는 관점이다. 2024년 그가 “아이들에게 코딩을 가르칠 필요가 없다”고 발언한 것도 같은 맥락이다. 당시 이 발언은 기술적 한계 때문에 과장으로 받아들여지기도 했다. AI가 생성하는 코드는 오류가 잦았고, 실제 서비스에 적용하기 위해서는 여전히 사람이 직접 수정하고 검증해야 하는 단계가 많았기 때문이다. 코드 작성 자체를 완전히 대체하기에는 정확도 면에서 분명한 제약이 있었다.
그러나 기술의 발전은 코드 작성의 일부 단계를 자동화하며 개발 과정 전체에서 사람이 개입하는 방식을 바꾸어 놓았다. 인간은 복잡한 프로그래밍 문법 대신 일상의 언어로 원하는 기능을 설명하기만 하면 된다. AI가 이를 실행 가능한 코드로 즉시 번역하며 개발 과정의 주도권을 가져오고 있다. 이러한 변화는 개발 속도에도 직접적인 영향을 준다. 동일한 기능을 구현하는 데 걸리는 시간이 단축되고, 수일이 걸리던 구현 작업이 몇 시간 안에 완료되는 사례도 보고되고 있다. 이는 개발의 중심이 ‘구현’이라는 물리적 노동에서 ‘설계’라는 사고의 영역으로 이동하고 있음을 의미한다.
이에 따라 개발자의 역할은 ‘코드를 쓰는 사람’에서 ‘문제를 정의하고 AI의 결과물을 검증하는 사람’으로 확장된다. 기계에게 명령어를 입력하던 역할에서 벗어나, AI를 지휘하고 감독하는 역할로 이동하고 있다. 실제로 채용 시장과 기술 면접의 기준도 달라지고 있다. 특정 언어의 암기나 구현 능력보다 AI 도구를 얼마나 능숙하게 활용하는지, 그리고 주어진 문제를 어떻게 논리적으로 구조화해 AI와 협업하는지를 평가하는 비중이 커졌다. 복잡한 알고리즘 구현 능력보다 최적의 해답을 찾아내는 과정이 더 중요해진 셈이다.
수십 년간 개발자의 자격증과도 같았던 코딩 능력은 이제 하나의 도구적 수단으로 대체되고 있다. 과거에 코딩 학습에 쏟던 에너지는 이제 인공지능에게 정확한 의도를 전달하고 최적의 해답을 이끌어내는 전략적 사고로 옮겨가야 한다. 개발의 중심축이 코딩 언어에서 AI와의 협업 능력으로 이동한 결과다. 미래의 기술 경쟁력은 특정 코딩 언어를 얼마나 깊이 아느냐에 달려 있지 않다. AI를 통해 ‘무엇을 탄생시킬 것인가’라는 질문에 답을 내놓고, 기술을 활용해 실질적인 가치를 창출하는 설계 능력이 승패를 가르는 핵심이 된다.
2장 전 세계의 데이터센터는 지능을 찍어내는 공장이 된다
정보의 저장소였던 데이터센터가 지능 제조 공장이 된다
기존에 우리가 알던 데이터센터는 거대한 도서관이나 창고에 가까웠다. 이메일을 저장하고, 사진을 보관하고, 웹사이트를 구동시키는 서버들이 들어찬 공간이었다. 그 가치는 얼마나 많은 데이터를 안전하게 쌓아둘 수 있느냐에 달려 있었다. IT업계는 수십 년간 데이터센터를 정보를 보관하는 비용 센터로 여겼고, 그곳에서 무언인가 생산될 것이라고는 상상하지 않았다. 데이터는 처리하는 것이 아니라 보존하는 대상이었다. 이 인식이 유지되는 한, 데이터센터는 관리 비용만 들어가는 부수적인 시설에 머물 수밖에 없었다.
그러나 젠슨 황은 다른 결론에 도달했다. 데이터센터가 데이터를 쌓아두는 공간이 아니라 데이터를 원재료로 지능을 생산하는 공장으로 바뀔 것이라고 봤다. 원재료가 들어가고 결과물이 나오는 공간은 창고가 아니라 공장이다. 그가 본 변화는 단순한 용도 변경이 아니라 지능을 대량으로 생산하는 구조로 전환된다는 예측이었다. 이제 데이터센터의 성능은 서버 대수가 아닌 토큰 생산량으로 측정된다. 토큰이란 AI가 생성하는 텍스트의 최소 단위로, 초당 얼마나 많은 토큰을 저렴하고 빠르게 생산하느냐가 데이터센터의 수익성을 결정하는 핵심 지표가 되었다.
물리적 설계도 이 변화를 그대로 반영한다. 창고에는 선반이 필요하지만, 쉼 없이 돌아가는 공장에는 원료를 이동시키는 통로와 막대한 열을 처리하는 설비가 필수적이다. 2026년 현재의 데이터센터는 수천 킬로미터의 광케이블과 거대한 액체 냉각 시스템으로 채워지고 있다. 공기보다 열 흡수가 빠른 액체를 칩에 직접 흘려보내 연산 효율을 극대화하는 방식은, 과거의 데이터센터에서는 볼 수 없었던 중공업적 공장의 풍경을 닮아 있다.
구글, 아마존, 메타의 데이터센터는 더 이상 단순한 저장 시설이 아니다. 실시간으로 답변과 콘텐츠, 논리적 추론을 만들어내는 생산 기지다. 마이크로소프트는 이를 공식적으로 ‘AI 팩토리’라고 부르기 시작했고, 전 세계 하이퍼스케일러들은 이 정의에 맞춰 인프라를 재설계하고 있다.
자본의 흐름도 이 정의를 따라 움직이고 있다. 아마존은 AI 인프라 확장을 위해 2026년 한 해에만 1천억 달러 이상의 투자를 계획했고, 전체 설비 투자 규모는 전례 없는 수준으로 크게 치솟았다. 데이터센터가 창고가 아니라 공장으로 재정의되면서, 그 공간은 비용을 쓰는 곳이 아니라 수익을 창출하는 생산 수단으로 취급되기 시작했다.
이제 기업의 가치는 그들이 얼마나 많은 데이터를 가졌느냐가 아니라 얼마나 강력한 지능 생산 공장을 보유했느냐에 따라 결정되고 있다. 이 공장에서 생산되는 지능은 데이터센터 외부로 공급되어 산업 전반의 효율을 높이는 핵심 동력이 된다. 이제 데이터센터의 경쟁력은 보관된 데이터의 양이 아니라 실시간으로 투입되는 전력 에너지를 얼마나 높은 밀도의 연산 결과물로 전환하느냐에 달려 있다.
구리의 전송 한계를 넘어 빛의 통신이 세상을 잇는다
데이터센터는 오랫동안 구리선의 제국이었다. 서버와 스위치를 잇는 구리 케이블은 저렴하고 신뢰할 수 있는 인프라의 상징이었다. 전기 신호로 데이터를 보내는 방식은 수십 년간 표준으로 통했고, 누구도 이 익숙한 연결선이 시스템 확장을 제한하는 요소가 될 것이라 보지 않았다. 빛을 이용한 광통신은 해저 케이블처럼 원거리에서나 쓰는 특수한 기술로 여겨졌다. 전기가 흐르는 구리선은 가장 익숙하고 안정적인 통로였고, 데이터센터 내부에서 이를 대체할 필요성은 거의 논의되지 않았다. 구리를 광섬유로 바꿔야 한다는 주장은 불필요한 비용 낭비로 취급되었다.
그러나 젠슨 황은 이 전제가 유지되지 않을 것이라고 봤다. AI 모델이 커지고 GPU 수가 늘어날수록, 구리선에서 발생하는 저항과 발열이 전체 시스템의 성능을 제한하게 된다. 구리선 위의 전기는 저항과 발열을 일으키며, 데이터가 많아질수록 속도가 떨어진다. 반면 빛은 전기 신호보다 손실이 훨씬 적고, 구리보다 훨씬 많은 데이터를 빠르게 전달할 수 있다. 이 문제는 물리적 제약에서 나온다. 일정 수준을 넘어서면 성능을 높일수록 오히려 비효율이 커지는 구간에 진입한다. 이 구간에서는 연산 능력이 아니라 데이터 전달 방식이 시스템 성능을 결정하게 된다. 젠슨 황은 구리를 완전히 버리는 대신 역할을 재정의했다. 아주 짧은 거리에서는 구리를 사용하고, 칩과 칩 사이의 방대한 데이터가 오가는 구간은 빛(광)으로 대체하는 이원화 구조를 설계한 것이다.
최신 AI 데이터센터 내부에는 광케이블이 촘촘하게 배치된다. 빛은 발열 없이 대량의 데이터를 전달할 수 있고, 거리 증가에 따른 성능 저하도 상대적으로 작다. 구리가 담당하던 영역 중 상당 부분이 광으로 이동하면서, 데이터센터의 연결 구조 자체가 바뀌기 시작했다. 이 변화는 단순한 기술 선택의 문제가 아니다. 광학 연결을 전제로 설계되지 않은 시스템은 일정 규모 이상으로 확장할 수 없다. 구리 기반 구조에 머무른 인프라는 GPU 수가 늘어날수록 효율이 급격히 떨어지게 된다. 연결 구조를 바꾸지 않으면 아무리 연산 자원을 추가해도 성능이 선형적으로 증가하지 않는다. 결국 데이터센터 설계는 ‘칩을 얼마나 넣느냐’가 아니라 ‘그 칩들을 어떤 방식으로 연결하느냐’에 의해 결정된다.
시장에서도 이 변화는 뚜렷하다. 광통신 부품과 인터커넥트 시장이 빠르게 성장하고 있으며, 관련 기업들의 수주는 연일 늘고 있다. 연결은 이제 단순한 부품 선택이 아니라 시스템 전체의 성능을 결정하는 핵심 변수가 되었다. 구리를 고수하는 방식은 전력과 냉각 비용이 누적되면서 연산 성능 향상의 효과를 희석시킨다. 그 한계를 돌파하기 위해 전기를 빛으로 바꾸는 전환이 시작되었다. 구리선이 지능의 속도를 따라가지 못하는 날이 왔다. 그 자리를 빛이 채우고 있다.
3장 AI가 소프트웨어를 삼키고 세상을 재편한다
에이전트 AI가 도구 사용 시대를 활짝 연다
업무용 소프트웨어는 오랫동안 인간의 입력을 전제로 설계되었다. 메일 작성, 데이터 입력, 승인 요청까지 모든 작업은 사람이 시작하고 사람이 끝냈다. 소프트웨어는 어디까지나 수동적인 도구였고, 실행의 주체는 인간이었다. 이 구조에서는 시스템이 복잡해질수록 인간의 인지적 부담이 증가했다. 도구의 확장은 곧 관리해야 할 노동의 확장으로 이어졌고, 효율 개선에는 명확한 한계가 존재했다.
젠슨 황은 이 고착화된 구조가 무너질 것이라고 봤다. AI가 단순히 결과를 생성하는 수준을 넘어, 직접 도구를 조작하고 작업을 완수하는 주체로 이동할 것이라는 예측이었다. 이는 AI가 외부 프로그램이나 데이터베이스를 직접 호출해 작업을 수행하는 능력을 갖추면서 가능해졌다. 이 전환의 핵심은 인터페이스의 변화가 아니라 행동 주체의 이동이다. 작업을 시작하고 진행하고 완료하는 주체가 인간에서 AI로 바뀌는 순간 시스템의 성격 자체가 달라진다. 일정 조정, 데이터 입력, 승인 요청과 같은 반복 업무가 에이전트 간의 통신을 통해 자동으로 처리된다.
이 구조에서는 인간의 역할도 근본적으로 바뀐다. 인간이 직접 수행하는 비중은 줄어들고, 목표를 정의하고 결과를 검증하는 감독자로서의 역할이 중심이 된다. 개인의 생산성은 수동적인 작업 속도가 아니라 얼마나 많은 에이전트를 효과적으로 지휘하느냐에 따라 결정된다. 이 변화는 조직 구조와 경제성에도 큰 영향을 준다. 기존에는 투입된 인력의 수가 곧 생산 규모를 결정했지만, 이제는 에이전트의 수와 활용 방식이 핵심 변수로 작동한다. 에이전트는 단순한 자동화 스크립트가 아니라 상황에 따라 판단을 수정하고 목표를 추적하는 자율 시스템이다.
이 흐름은 다양한 지표에서 확인되고 있다. 주요 플랫폼들은 에이전트 기반 자동화 비중이 빠르게 증가하고 있으며, 실제 업무를 수행하는 에이전트 수 역시 급격히 늘어나는 추세다. 에이전트 하나가 처리하는 업무량이 사람의 반복 업무 일부를 대체하는 수준에 점차 근접하고 있다. 기업이 채용하는 인원보다 배치하는 에이전트의 수가 더 빠르게 늘어나는 시대가 시작되었다. 인프라 요구 사항 역시 이 흐름에 맞춰 재설계된다. 에이전트는 사용자가 접속할 때만 작동하는 것이 아니라 백그라운드에서 지속적으로 과업을 수행하며 실시간으로 연산 자원을 소비한다. 필요할 때만 작동하는 구조가 24시간 상시 가동 구조로 바뀌면서 데이터센터의 부하와 운영 방식도 재편된다.
소프트웨어는 더 이상 사람이 사용하는 도구에 머물지 않는다. 사람을 대신해 일을 수행하고 책임을 분담하는 파트너로 전환되고 있다. 기업 IT는 인간의 명령을 기다리는 대기 상태가 아닌 끊임없이 지능을 생산하고 소비하는 상시 연산 환경으로 진화하고 있다. 사람이 도구를 부리던 자리에, 이제 에이전트가 자리 잡기 시작했다. 젠슨 황은 그 자리가 바뀔 것이라고 누구보다 먼저 말했다.
기업은 직원에게 연봉에 준하는 토큰을 보너스로 지급한다
전통적인 기업 경영에서 비용은 엄격한 통제의 대상이었다. 종이, 전기, 출장비와 같은 자원은 가능한 한 줄여야 하는 소모적 항목으로 관리되었다. 지적 노동에서도 이 보수적인 기준은 유지되었다. 정보는 검색을 통해 얻는 무료에 가까운 자원이었고, 이를 얻기 위해 개인별로 거액의 예산을 할당하는 경우는 드물었다. 더 많은 시간을 책상 앞에서 보내는 것이 곧 더 많은 성과로 이어진다는 전제가 산업계의 상식이었다.
젠슨 황은 이 전제가 바뀔 것이라고 보았다. AI가 지적 노동의 핵심 도구가 되면, 지능을 생성하기 위한 연산 자원 자체가 기업의 직접비 구조에 편입된다. 토큰은 단순한 데이터 조각이 아니라 추론과 판단을 실행하기 위해 소모되는 지능의 에너지 단위로 정의된다. 지능은 명확한 단가를 가진 유료 자원이 된 것이다. 이 구조에서는 비용의 의미가 달라진다. 자원을 아끼는 것이 미덕이 아니라 어떤 자원을 얼마나 과감하게 투입해야 더 압도적인 결과를 만들 수 있는지가 핵심 판단 기준이 된다. 토큰 사용은 절감해야 할 지출이 아니라 인간의 인지적 한계를 돌파하기 위한 전략적 투자로 해석된다.
같은 기획안이라도 수천만 개의 토큰을 태워 수만 번의 시뮬레이션을 거친 결과물은 인간 단독의 결과물과 차원이 다른 품질을 보장한다. 이미 일부 기업에서는 직원에게 일정 수준의 AI 사용 예산을 할당하고, 이를 업무에 적극적으로 활용하도록 유도한다. 연산 자원이 개인의 생산성을 확장하는 도구로 사용되기 시작한 것이다. 이 과정에서 개인의 성과 편차도 달라지기 시작했다. 단순히 머리가 좋고 나쁨이 아니라 ‘할당된 지능 자원을 얼마나 영리하게 활용하느냐’에 따라 결과가 극단적으로 벌어진다.
같은 직책, 같은 연봉을 받아도 토큰을 어떻게 쓰느냐가 성과의 크기를 좌우하는 단계로 진입하고 있다. 토큰 사용액이 연봉의 상당 부분을 차지하게 되는 시대에는 비용을 줄이는 조직보다, 지능을 더 과감하게 투입하는 조직이 시장의 승기를 잡을 가능성이 크다. 평가 기준도 이에 맞춰 달라진다. 단순히 시간을 투입하는 근면함이 아니라 제한된 지능 예산을 최적으로 배분해 최대의 아웃풋을 뽑아내는 능력이 핵심 역량이 된다.
젠슨 황은 토큰 예산을 통해 10배의 효율 향상을 이끌어낼 수 있다고 단언했다. 그리고 지금, 기업의 예산 항목에는 지능 구매비라는 새로운 계정이 빠르게 자리 잡아가고 있다. 연봉에 준하는 지능 예산을 받아 일하는 시대가 열릴 가능성이 커지고 있다. 지능 예산을 잘 쓰는 직원이 조직에서 가장 비싼 인재가 되는 구조가 형성되고 있다. 과거에는 경험과 연차가 몸값을 결정했다면, 앞으로는 얼마나 많은 지능을 얼마나 정확하게 운용하느냐가 몸값을 결정할 것이다. 젠슨 황의 예고대로, 기업의 채용 공고에 토큰 할당액이 연봉 옆에 함께 표기되는 흐름도 점차 현실적인 시나리오로 논의되고 있다.
4장 AI는 화면을 떠나 현실 세계로 걸어 들어간다
바퀴 달린 모든 것은 지능을 가진 자율 기계가 된다
자동차 산업은 지난 100년간 하나의 축 위에서 움직였다. 엔진의 출력이 성능을 결정하고, 인간의 판단이 차량을 제어하는 구조였다. 기계는 힘을 만들고 인간은 상황을 해석하는 역할 분담이 명확하게 나뉘어 있었다. 도로 위의 수많은 변수는 오직 인간의 직관으로 처리해야 했고, 기계는 그 판단을 충실히 따르는 수동적 도구에 머물렀다. ‘자동차가 아무리 발전해도 운전대를 잡는 것은 인간이어야 한다’는 전제는 산업의 설계 원칙이자, 법률과 규제의 기반이었다.
젠슨 황은 이 고착화된 구조를 ‘감지·판단·실행’의 세 계층으로 다시 정의했다. 입력된 영상 데이터를 즉시 주행 명령으로 치환하는 AI가 판단 계층의 핵심으로 자리 잡았다. 인간의 신경망을 모사한 이 기술적 도약은 기계가 도로의 맥락을 인간보다 더 정교하게 이해하도록 만들었다. 이 구조에서는 성능의 기준 자체가 달라진다. 엔진 출력이 아니라 얼마나 방대한 데이터를 실시간으로 처리해 최적의 판단을 내릴 수 있는지가 핵심이다. 동일한 도로를 주행하더라도 초당 수조 번의 연산을 수행하는 시스템은 인간이 인지하지 못하는 사각지대의 위험까지 계산해낸다.
데이터가 구조의 중심으로 들어오면서 학습 방식도 혁명적으로 변했다. 인간은 개인의 경험이라는 좁은 틀 안에서만 학습하지만, AI는 수억 마일의 주행 데이터를 전 세계의 차량으로부터 실시간으로 수집해 반복 학습한다. 특정 차량이 겪은 단 한 번의 위험 상황은 즉시 클라우드망을 통해 전체 시스템의 공통 지능으로 업데이트된다. 인간 한 명이 평생 주행하며 쌓을 수 있는 경험치를, AI는 단 며칠 만에 흡수한다. 이 구조 전환은 실제 안전 지표에서 의미 있는 차이를 드러내기 시작했다. 웨이모의 자율주행 차량은 특정 조건에서 인간 운전자 대비 낮은 사고율을 기록하며 기계가 인간보다 더 안전할 가능성을 보여주고 있다. 주행이 곧 학습 데이터가 되고, 그 데이터가 다시 성능을 끌어올리는 선순환 구조가 도로 위의 풍경을 바꾸고 있다.
자동차의 역할도 이제는 단일 이동 수단을 넘어 네트워크에 연결된 하나의 노드(연결된 시스템 안에서 데이터를 주고받는 개별 단위)로 확장된다. 개별 차량의 하드웨어 사양보다 전체 시스템의 학습 속도와 연결성이 경쟁력을 결정하는 핵심 변수가 된다. 자동차 산업은 기계 중심에서 연산 중심 구조로 이동했다. 완전한 전환은 여전히 진행 중이지만, 감지·판단·실행으로 재구성된 이 구조 위에서 자동차 산업은 더 이상 단순 기계 산업으로 정의되지 않는다. 도로는 이제 개별 운전자들의 파편화된 공간이 아니라 거대한 지능 시스템이 유기적으로 연결된 최적화된 회로로 재편되고 있다.
AI가 노동을 대신하면 인류는 더 바빠진다
인터넷이 등장했을 때 많은 사람들이 장밋빛 예측을 내놓았다. 기술이 일을 자동화하면 인류는 비로소 노동에서 해방되어 여유로운 삶을 누릴 것이라고 믿었다. 하지만 기술이 도달한 곳에는 여유 대신 더 높은 수준의 경쟁과 밀도 높은 과업이 자리 잡았다. 인류는 도구로 얻은 시간을 휴식이 아니라 더 높은 생산 목표에 다시 투입해왔다. 자동화는 노동의 총량을 줄이는 대신, 사회가 요구하는 완성의 기준을 끝없이 끌어올렸다. 이메일은 소통을 간결하게 만들지 않았고, 오히려 처리해야 할 정보의 양을 폭발시켰다. 기술의 발전은 일의 단위를 가볍게 만들었을 뿐, 그 가벼워진 틈을 수만 개의 새로운 업무로 촘촘히 채워 넣는 결과를 초래했다.
젠슨 황은 AI 역시 이 역사적 경로를 반복할 것으로 예측했다. AI가 특정 작업을 대신 수행하면 인간의 역할이 사라지는 것이 아니라 인간이 다루어야 할 영역이 무한히 확장된다. 단순 작업에서 해방된 인간은 이제 더 많은 프로젝트를 동시에 지배하고, 과거에는 감히 시도조차 못 했던 복잡한 난제를 해결하는 데 동원된다. 효율이 높아질수록 자원 소비가 오히려 늘어나는 제번스의 역설(효율이 증가할수록 소비가 증가하는 현상)이 지능 노동의 영역에서도 재현되는 셈이다.
현재 이 패턴은 일부 산업과 직무에서 관측되기 시작했다. AI 도구를 사용하는 숙련자들은 이전보다 더 많은 결과물을 만들어내지만, 동시에 더 높은 기대치와 추가 업무를 감당하고 있다. 도구가 일을 줄여주는 것이 아니라 우리가 감당해야 할 업무의 임계치를 높이고 있는 양상이다. 효율이 높아질수록 경쟁은 더 치열해지며, 조직은 동일한 인력으로 과거보다 수십 배 많은 프로젝트를 동시에 밀어붙인다.
AI는 노동을 제거하지 않는다. 대신 더 높은 차원의 판단과 조율을 인간에게 요구한다. 단순 반복 작업이 기계의 몫이 된 만큼, 인간은 수많은 AI 에이전트의 결과물을 검증하고 전체 맥락을 설계하는 고난도의 사유에 집중해야 한다. 이제 노동의 정의는 시간을 투입하는 것에서 지능 자산을 얼마나 효과적으로 지휘하느냐로 빠르게 재정의되고 있다. AI가 노동을 줄일 것이라는 기대는 아직 현실과 거리가 멀며, 오히려 그 반대에 가깝다. 생산성이 높아질수록 우리가 풀어야 할 문제의 범위는 급격히 확장되고 있다. 기술은 인간을 덜 일하게 만드는 방향으로 작동한 적이 없으며, 오직 더 많은 가능성을 현실로 만드는 데 기여해왔다.
경쟁의 기준은 이제 단일 작업의 숙련도에서 동시 처리 능력으로 이동했다. 한 가지 일을 잘하는 숙련공보다 여러 작업을 동시에 통제하고 판단하는 시스템 사령관의 역량이 중요해진 시대다. 개인과 기업 모두 생산성 확장을 통해 성장을 꾀하고 있으며, 이 흐름 속에서 노동의 총량은 가파른 속도로 증가할 가능성이 크다. 젠슨 황은 AI가 인류를 더 바쁘게 만들 것이라는 예측을 통해 기술의 역설적 본질을 꿰뚫었다.
5장 국가와 산업의 운명을 AI가 결정한다
모든 국가는 자국의 지능을 스스로 생산해야 한다
2023년 가을, 젠슨 황은 실적 발표 자리에서 ‘소버린 AI’라는 낯선 단어를 꺼냈다. 자국의 언어와 문화를 담은 AI를 국가가 직접 소유해야 한다는 이 개념을 두고, 당시 시장 분석가들은 단순히 정부 기관을 고객으로 포섭하려는 마케팅 수사로 치부했다. 하지만 그것은 단순한 판촉을 넘어 지능이 곧 국력의 척도가 되는 새로운 국제 질서에 대한 예고였으며, 디지털 자산이 물리적 영토만큼이나 중요해지는 시대를 겨냥한 통찰이었다.
젠슨 황의 논리는 명확했다. AI 시대에 데이터는 석유나 광물처럼 한 국가에 고유하게 축적된 천연자원이며, 이를 기반으로 생성된 지능을 타국에 의존하는 것은 국가의 핵심 에너지원을 외부에 맡기는 것과 다름없다. 데이터라는 원재료를 해외로 보내 정제된 지능을 비싼 값에 다시 사 오는 구조는 국가 부의 유출이자 지식의 종속을 야기한다는 경고였다. 이 논리는 에너지 안보의 언어를 지능의 영역으로 번역한 것이었다. 석유를 수입에 의존하는 국가가 에너지 위기에 취약하듯, 지능을 외부에 의존하는 국가는 지식과 판단의 위기에 노출된다.
2024년 두바이 세계정부정상회의에서 그는 소버린 AI는 한 국가의 언어와 역사, 사회적 맥락을 코드로 구현하는 과정이라고 구체화했다. 범용 AI가 제공하는 평균적인 답변은 특정 국가의 미묘한 정서와 고유한 가치관을 충분히 반영하지 못할 위험이 크기 때문이다. 자국만의 인공 신경망을 소유하는 것이 곧 문화적 정체성을 지키는 방어막이 됨을 의미한다.
변화는 전 세계적인 정책 흐름으로 확산되었다. 프랑스와 일본은 자국 특화 AI 인프라에 총력을 기울이고 있으며, 중동 국가들은 오일 머니를 투입해 대규모 데이터센터 구축에 착수했다. 지능의 공급망을 장악한 국가가 전 세계의 표준 사고방식을 지배하는 구조가 형성되고 있는 셈이다. 마침내 지능은 전기나 석유와 동일한 전략 자원의 지위를 가지게 되었다. 이를 자체 생산하지 못하는 국가는 외부 플랫폼에 이용료를 지불하는 수준을 넘어, 자국의 중요 의사결정 시 외부 인프라의 눈치를 봐야 하는 구조적 종속에 놓인다.
선도 국가는 지능 생산을 통해 산업 전체의 효율을 비선형적으로 끌어올리는 반면, 후발 국가는 그 결과물을 소비하며 기술적 임료를 지불하는 위치에 고착된다. 시장 구조 역시 이 거대한 인프라를 중심으로 재편되고 있다. 글로벌 기업들은 이제 각국의 소버린 AI 인프라 위에서 운영되는 로컬 생태계에 편입되기 시작했다. 소버린 AI를 먼저 구축한 쪽이 미래 산업의 표준과 규칙을 장악하고, 나머지는 그 질서 위에서 기술적 세입자로 살아가는 구도가 명확해지고 있다. 젠슨 황은 지능의 자급자족이야말로 진정한 독립의 완성임을 역설했다. 데이터를 가진 것만으로는 부족하다. 그것을 지능으로 전환하는 연산력이 국가의 진짜 실력이다.
역사상 가장 위대한 인프라의 전환이 펼쳐진다
인류는 몇 차례의 거대한 인프라 구축을 경험하며 진화해왔다. 19세기 철도망이 대륙의 거리를 좁혔고, 20세기 전력망이 산업의 동력을 공급했으며, 21세기 초 인터넷은 전 세계를 하나의 정보망으로 묶었다. 이 모든 구축은 초기에는 과도한 중복 투자라는 비판을 받았으나, 결국 그 토대 위에서 완전히 새로운 경제 질서가 탄생했다. 한 번 구축된 인프라는 단순한 물리적 설비를 넘어 문명 전체의 작동 방식을 규정하는 근본 기반으로 작동한다.
지금 우리가 목격하는 AI 인프라는 과거의 물자나 에너지를 이동시키던 구조와는 성격이 근본적으로 다르다. 과거의 인프라는 시간이 흐를수록 노후화되어 가치가 감소하는 소모적 자산이었으나, AI 인프라는 데이터가 흐를수록 지능이 고도화되는 자기 증식적 가치를 지닌다. 이는 인프라 자체가 스스로 학습하며 성능을 개선하는 인류 최초의 지능적 기반 시설이 등장했음을 의미한다.
젠슨 황은 이 구축의 규모가 과거 모든 인프라의 총합을 넘어설 것이라고 예측했다. 2026년 현재 주요 빅테크 기업들의 연간 투자액이 수천억 달러 규모로 확대되고 있다는 점은 이러한 규모의 경제가 현실화되고 있음을 보여준다. 단일 국가의 예산을 상회하는 거대 자본이 매년 지능 생산 기지로 흘러 들어가며 인프라의 개념을 재정의하고 있다. 기업과 국가가 동시에 투자 주체로 참여하는 이 전례 없는 속도전은 글로벌 경제 지도를 다시 그리고 있다. 하지만 100조 달러라는 천문학적 숫자는 여전히 현재진행형인 목표다. 지금은 거대한 확장의 초기 국면에 불과하며 전체 구조가 완성되기까지는 더 많은 시간과 에너지가 요구된다.
이 과정에서 인프라를 먼저 선점한 진영과 그렇지 못한 진영 사이의 격차는 빠르게 벌어진다. 먼저 연결된 쪽이 더 많은 데이터를 축적하고 그 데이터가 다시 지능의 우위로 이어지는 가속의 메커니즘이 작동하기 때문이다. AI 인프라의 핵심 동력은 사용자가 많아질수록 시스템 전체의 가치가 기하급수적으로 증가하는 네트워크 효과에 있다. 결국 이 인프라는 구축이 완료된 시점보다 그 과정에서 이미 승자와 패자를 가른다. 초기 몇 년간의 투자 격차는 단순한 비용 차이가 아니라 미래 산업의 표준을 누가 장악하느냐는 주도권의 격차로 고착화된다. 이 시점의 선택은 되돌리기 어려운 전략적 경로를 형성하며, 한 번 뒤처진 쪽이 지불해야 할 추격 비용은 시간이 갈수록 비선형적으로 증가한다.
AI 인프라 구축은 단발적인 이벤트가 아니라 인류 문명의 기초를 재건하는 지속적인 투쟁이다. 모든 국가와 기업은 이 지능 네트워크에 편입되어 생존할 것인지, 아니면 연결되지 못한 채 경쟁 밖으로 밀려날 것인지의 갈림길에 서 있다. AI 버블이 아니라는 젠슨 황의 말은, 지금 매년 갱신되는 투자 기록이 증명하고 있다.