AI는
권력이다

[사실] AI는 이미 권리와 기회에 영향을 주는 판단 과정에 들어와 있다. 미국 고용평등기회위원회와 법무부는 기업이 채용 소프트웨어와 AI를 써서 장애인을 부당하게 탈락시키면 장애인법을 위반할 수 있다고 경고했다. AI의 오류가 어색한 답변으로 끝나지 않고 누군가의 일자리를 바꿀 수 있다는 뜻이다. EEOC·법무부 자료

여기서 AI를 사람처럼 상상할 필요는 없다. AI가 욕망을 품고 권력을 탐한다는 말이 아니다.

이 시리즈에서 AI 권력은 이렇게 정의한다. 권리와 기회를 좌우하는 판단을 대규모로 수행하면서, 판단 기준과 이의제기 경로는 소수 조직이 비대칭적으로 통제하는 능력이다. 규모, 속도, 불투명성, 이의제기의 어려움이 한데 모일 때 도구는 권력의 장치가 된다.

[사실] 앰네스티 인터내셔널은 2026년 5월 보고서에서 비동의 웹 스크래핑에 의존하는 독립형 생성형 AI가 프라이버시와 차별금지, 표현과 사상의 자유를 침해할 위험이 있다고 분석했다. 보고서는 이를 “unlawful by design”이라고 불렀다. “설계부터 불법”이라는 뜻이다. 다만 이는 법원의 확정판결이 아니라 국제인권단체의 법적 평가다. 앰네스티 보고서

그렇다면 AI는 중립적인 도구이고, 쓰는 사람만 잘 통제하면 되지 않을까?

이용자만 보아서는 부족하다. 채용 AI에는 개발자가 고른 데이터와 평가 기준이 이미 들어가 있다. 결과에는 데이터를 모은 사람, 모델을 만든 기업, 시스템을 산 기관의 선택이 함께 작용한다. 책임도 그 경로를 따라 나눠야 한다.

[사실] 그렇다고 AI가 인권에 해만 끼치는 것은 아니다. OECD는 AI가 교육과 건강에 관한 권리를 넓힐 수 있다고 본다. 장애인의 노동시장 참여를 돕는 접근성 기술도 가능하다. OECD 디지털 시대의 인권 OECD 장애인 노동시장 보고서

바로 그 효익 때문에 통제가 더 중요하다. 유용한 기술일수록 더 넓게 쓰이고, 잘못된 판단의 영향도 커지기 때문이다. 효익을 인정하는 것과 권력을 통제하는 것은 반대말이 아니다.

이 시리즈는 다섯 가지를 계속 묻는다. 당사자에게 AI 사용을 알렸는가. 판단 기준을 설명했는가. 사람이 재검토할 수 있는가. 잘못됐을 때 이의를 제기하고 구제받을 수 있는가. 독립적인 감사와 시민 참여가 가능한가.

AI 시대의 인권은 기술을 거부하자는 구호가 아니다. 누가 판단 기준을 만들고, 누가 이익을 얻으며, 오류의 비용을 누가 지불하는지 묻는 절차다. 이 글에서는 그 권력의 첫 번째 연료인 데이터를 따라간다.

권력은 결과보다 앞에서 만들어진다

알고리즘의 판단은 화면에 점수가 뜨는 순간 갑자기 생기지 않는다. 먼저 어떤 문제를 자동화할지 정하고, 성공을 무엇으로 측정할지 고르고, 누구의 기록을 학습 데이터로 쓸지 결정한다. 그 뒤에야 모델이 만들어지고 현장에 배치된다. 따라서 권력을 살피려면 마지막 결과만이 아니라 목표 설정에서 구매, 운영, 사후 대응까지 이어지는 전체 경로를 보아야 한다.

예컨대 채용에서 ‘좋은 지원자’를 과거 우수 직원과 비슷한 사람으로 정의하면 과거 조직의 편향도 성공의 기준에 섞일 수 있다. 반대로 접근성 도구가 장애인의 의사소통과 업무 수행을 돕도록 설계된다면 같은 AI도 기회의 문을 넓힌다. 기술의 이름이 결과를 정하는 것이 아니다. 무엇을 최적화했고 그 과정에서 누구의 경험을 중요하게 취급했는지가 결과를 만든다.

규모도 중요하다. 한 관리자의 편견은 심각하지만 적용 범위가 제한될 수 있다. 자동화된 판단은 같은 기준을 수천 명에게 동시에 적용하고 서로 다른 기관으로 빠르게 복제한다. 작은 오류율도 적용 인원이 커지면 많은 사람의 불이익으로 바뀐다. 효율성은 좋은 결과뿐 아니라 잘못된 기준까지 확장하는 힘이다.

정확도가 높으면 권력 문제도 사라질까?

그렇지 않다. 정확도는 중요한 기술적 기준이지만 정당성 전체를 대신하지 못한다. 어떤 판단은 틀릴 확률이 낮아도 애초에 해서는 안 될 수 있다. 또 전체 평균이 좋아도 특정 집단에 오류가 집중될 수 있다. 무엇보다 당사자가 AI가 쓰였다는 사실조차 모르고 결과를 이해하거나 다툴 길이 없다면 높은 정확도만으로 절차가 공정하다고 말하기 어렵다.

그래서 인권의 언어는 “얼마나 잘 맞혔는가” 다음의 질문을 요구한다. 이 판단이 꼭 필요한가. 덜 침해적인 다른 방법은 없는가. 어떤 집단이 더 큰 위험을 떠안는가. 사람의 검토는 이름뿐인 절차인가, 실제로 결과를 바꿀 권한이 있는가. 피해가 생겼을 때 누가 조사하고 보상하는가.

이 질문들은 혁신을 늦추는 장벽이 아니다. 오류를 숨긴 채 빠르게 확장한 시스템은 결국 더 큰 비용으로 중단되거나 교체된다. 처음부터 통지와 기록, 이의제기와 감사를 설계한 시스템은 문제가 생겼을 때 원인을 찾고 고칠 수 있다.

책임을 “AI가 그랬다”는 문장 뒤에 숨겨서도 안 된다. 모델은 정책 목표를 선택하지 않고 피해자에게 배상하지 않는다. 책임의 주체는 데이터를 수집한 조직, 모델을 만든 기업, 도입을 결정한 기관, 결과를 사용한 사람이다. 이들이 각자의 결정과 통제 범위에 맞게 책임을 나눌 때만 자동화가 책임의 공백으로 변하지 않는다.

결국 AI가 권력이 되는 경계는 지능의 높이가 아니라 인간의 통제 가능성에 있다. 영향을 받는 사람이 알 수 없고 설명을 들을 수 없으며 판단을 바꿀 수도 없다면 그 시스템은 이미 권력을 행사한다. 반대로 중요한 결정에 사람이 개입하고 당사자가 다툴 수 있으며 독립적인 감시가 작동한다면 AI는 다시 통제 가능한 도구에 가까워진다.

이용자는 질문을 입력하고 몇 초 뒤 자연스러운 답을 받는다. 화면에는 모델을 만든 회사 이름만 보인다. 데이터를 분류하고 답변의 품질을 비교하며 폭력적인 콘텐츠를 먼저 본 노동자는 인터페이스 밖으로 밀려난다.

[사실] 2026년 ILO 연구는 AI가 두 종류의 인간 노동에 의존한다고 설명한다. 모델을 개발하고 조정하는 알고리즘 노동자와 데이터를 분류·정제·확장하는 데이터 노동자다. 인도와 케냐의 조사에서는 데이터 노동이 최종 이용자에게 거의 보이지 않았고, 노동자들은 적정 노동조건의 부족에 노출됐다. ILO 연구

메리 그레이와 시다스 수리는 『Ghost Work』에서 이렇게 썼다. “These people doing ‘ghost work’ make the internet seem smart.” Microsoft Research

이를 “고스트 워크를 하는 사람들이 인터넷을 똑똑해 보이게 만든다”로 번역하겠다. 지금의 생성형 AI에 적용하면, 자동화가 노동을 모두 없앤 것이 아니라 노동의 위치와 계약 형태를 바꿨다는 뜻이다. 누군가는 오류를 표시하고, 혐오 표현을 읽고, 답변의 순서를 매긴다.

그래도 AI가 생산성을 높이고 새 일자리를 만들 수 있지 않을까?

[사실] 그럴 수 있다. ILO와 폴란드 NASK가 2025년 발표한 지수에 따르면 전 세계 고용의 약 25%가 생성형 AI에 잠재적으로 노출된다. 연구진은 즉각적인 대체보다 업무의 변환이 더 유력하다고 강조했다. 고소득국의 노출 비중은 34%, 저소득국은 11%였다. ILO–NASK 보고서

[사실] 고소득국에서 최고 노출군은 여성 고용의 9.6%, 남성 고용의 3.5%다. 기존 노동시장에서 여성이 사무·행정 직군에 많이 분포한 구조가 AI 노출에도 반영됐다.

“변환”이라는 말만으로 비용의 주체를 감추면 안 된다. 기업이 생산성 이익을 얻는 동안 노동자가 재교육과 실직 위험을 홀로 감당한다면 공평한 변환이 아니다.

AI 노동정책은 일자리 수만 세어서는 안 된다. 데이터 노동자가 AI 공급망에 참여한다는 사실을 알려야 한다. 업무 기준과 임금을 설명하고, 유해 콘텐츠 업무를 거부하거나 사람이 재검토할 길을 열어야 한다. 계약상 지위와 상관없이 이의제기와 구제, 독립적인 노동조건 감사를 받을 수 있어야 한다.

이 글에서는 자동화된 판단이 감시와 만날 때 누가 더 자주 의심받는지 살핀다.

자동화의 마지막 1미터

우리가 자동화라고 부르는 장면의 뒤에는 사람이 판단해야 하는 마지막 구간이 남는다. 사진 속 물체의 경계를 그리고 혐오 표현을 분류하며 챗봇의 답변 가운데 더 나은 것을 고르는 일이다. 모델이 배포된 뒤에도 신고를 검토하고 오류를 바로잡는 사람이 필요하다. AI가 사람을 완전히 제거했다기보다 보이지 않는 곳으로 노동을 재배치한 경우가 많다.

이 재배치는 책임의 거리도 늘린다. 서비스를 쓰는 기업은 플랫폼과 계약하고 플랫폼은 다시 공급업체와 하청업체에 작업을 나눌 수 있다. 노동자는 세계 곳곳에 흩어져 짧은 단위의 과업을 수행한다. 공급망이 길어질수록 가격과 속도는 위에서 정해지고 불규칙한 소득과 유해 콘텐츠 노출, 계정 정지의 위험은 아래로 내려가기 쉽다.

일자리가 생겼다면 좋은 일 아닌가?

일자리의 존재와 일자리의 질은 따로 살펴야 한다. 새로운 소득 기회가 생기는 것은 가치가 있다. 하지만 노동자가 임금 산정 방식을 알 수 없고 작업 거절이 평점 하락으로 이어지며 자동화된 계정 정지에 이의를 제기할 수 없다면 그 기회는 취약하다. AI 산업의 고용 효과를 평가하려면 일자리 수뿐 아니라 소득의 안정성, 안전, 협상력, 경력의 지속 가능성을 함께 봐야 한다.

폭력적 이미지와 혐오 표현을 반복해서 보는 검수 노동은 모델 안전에 필수지만 그 비용은 노동자의 몸과 마음에 남는다. 보호 장비가 필요한 공장처럼 디지털 작업에도 노출 시간 제한, 상담과 휴식, 업무 전환, 적절한 보상이 필요하다. 안전한 AI는 안전하지 않은 노동 위에 세워질 수 없다.

참여 없는 보호는 오래가기 어렵다

노동자를 보호 대상으로만 보아서는 충분하지 않다. 어떤 작업이 위험한지, 할당 방식이 공정한지, 품질 평가가 현실적인지는 현장에서 일하는 사람이 가장 잘 안다. 계약 조건과 평가 알고리즘을 바꿀 때 노동자의 의견을 듣고 집단적으로 문제를 제기할 통로를 열어야 한다.

기업은 데이터와 모델 공급망에 어떤 노동이 들어가는지 공개하고 하청 단계가 늘어나도 최소한의 임금과 안전 기준이 유지되는지 점검해야 한다. 자동화된 성과 평가나 계정 정지가 생계를 끊을 수 있다면 사람이 재검토해야 한다. 발주 가격과 마감이 안전 기준을 사실상 무력화하지 않는지도 감사해야 한다.

모델의 성능을 연구자와 컴퓨팅 자원의 성과로만 설명하면 분류하고 교정하고 위험한 내용을 걸러낸 사람들의 기여는 사라진다. 기여를 기록해야 보상과 책임도 나눌 수 있다. AI가 집단적 생산물이라는 사실을 인정하는 것이 기술의 가치를 낮추는 것은 아니다. 오히려 그 가치가 어디에서 왔는지를 정확하게 말하는 일이다.

“AI가 스스로 배웠다”는 표현은 편리하지만 불완전하다. 그 문장에는 데이터를 만든 사람, 지시문을 설계한 사람, 답변을 평가한 사람, 배포 뒤 문제를 처리한 사람이 빠져 있다. 자동화의 진짜 질문은 인간이 사라졌는지가 아니라 어떤 인간이 보이지 않게 되었는가이다.

2024년 미국 뉴햄프셔 예비선거를 이틀 앞두고 유권자들은 조 바이든의 목소리로 된 전화를 받았다. 전화 속 바이든은 이번 투표에 참여하지 말라고 말했다. 실제 바이든이 아니라 생성형 AI가 복제한 목소리였다.

[사실] 미국 연방통신위원회는 2024년 정치 컨설턴트 스티브 크레이머에게 600만 달러의 벌금을 제안했다. 2026년에는 벌금을 실제로 부과하고 법무부에 징수를 의뢰했다. FCC 2024년 자료 FCC 2026년 자료 미국 법무부는 허위 투표정보를 전달한 AI 로보콜이 투표권법상 협박·위협·강요에 해당할 수 있다는 의견을 법원에 냈다. 미 법무부

[미확인] 이 로보콜이 선거 결과를 바꿨다는 직접적인 인과관계는 확인되지 않았다. 최종 득표에는 정당 지지, 후보 경쟁력, 언론 보도와 투표율 등 수많은 변수가 작용한다.

결과를 바꿨다는 증거가 없다면 민주주의의 위협이라고 부를 수 있을까?

부를 수 있다. 생성형 AI는 짧은 시간에 거짓의 여러 변형을 만들고 집단별로 다른 메시지를 보낼 수 있다. 반대로 진짜 기록이 나와도 당사자는 “AI가 만든 것”이라고 부인할 수 있다. AI는 거짓의 양만 늘리는 것이 아니라 진실을 입증하는 부담도 키운다.

[사실] 한나 아렌트는 「Truth and Politics」에서 사실적 진리가 정치적 공동체에 얼마나 취약하면서도 필요한지를 논했다. Stanford Encyclopedia of Philosophy 이를 AI 시대의 선거에 적용하면, 딥페이크 한 편보다 더 큰 위험은 시민이 어떤 기록도 믿을 수 없다고 느끼는 상태다.

[사실] EU는 AI Act 하나만으로 선거 문제를 다루지 않는다. Digital Services Act, 정치광고 투명성 규정, 허위정보 행동강령을 결합해 대형 플랫폼에 선거 위험 관리 책임을 묻는다. EU 집행위원회

개인에게 미디어 리터러시만 요구해서는 부족하다. 합성 콘텐츠와 정치광고임을 알려야 한다. 플랫폼은 추천과 확산의 기준을 설명하고, 이의제기된 콘텐츠를 사람이 재검토해야 한다. 피해자는 신속한 정정과 구제를 받을 수 있어야 한다. 선거기관과 독립 연구자도 확산 경로를 조사할 수 있어야 한다.

이 글에서는 이런 책임을 법이 실제로 부과하고 있는지 EU와 한국을 비교한다.

거짓말의 속도와 변형 능력

생성형 AI가 선거에 더하는 힘은 완전히 새로운 거짓말의 발명보다 생산 비용의 급격한 하락에 있다. 한 사람이 짧은 시간에 여러 언어와 지역 정서에 맞춘 이미지, 음성, 영상을 만들 수 있다. 반응이 낮은 버전은 버리고 더 잘 퍼지는 버전을 반복해서 내보낼 수도 있다. 허위정보는 하나의 완성품이 아니라 실시간으로 최적화되는 캠페인이 된다.

정정은 같은 속도로 움직이기 어렵다. 사실 확인에는 원본과 발언 맥락, 계정의 유통 경로를 살피는 시간이 필요하다. 반면 감정적인 조작물은 확인보다 공유가 앞선다. 선거처럼 시간이 제한된 사건에서는 투표 뒤 나온 정확한 정정이 피해를 완전히 되돌리지 못한다. 그래서 사후 삭제만이 아니라 초기 확산을 늦추고 출처를 확인하게 하는 장치가 중요하다.

진짜도 가짜라고 말할 수 있는 시대

딥페이크의 피해는 가짜를 진짜처럼 믿게 하는 데서 끝나지 않는다. 합성물이 흔해질수록 실제 녹음과 영상의 당사자도 자신에게 불리한 증거를 “AI가 만든 것”이라고 부인할 수 있다. 무엇이든 조작될 수 있다는 의심은 거짓말쟁이에게 새로운 방패를 준다. 공동의 사실 기반이 무너지면 시민은 잘못된 정보를 믿는 데 그치지 않고 모든 정보를 포기하게 된다.

그렇다고 합성 콘텐츠를 모두 금지해야 할까?

그럴 수 없다. 풍자와 예술, 교육, 개인정보를 보호하는 재연에도 합성 기술이 쓰인다. 문제는 형식 자체가 아니라 기만의 목적과 맥락, 예상되는 피해다. 후보자가 하지 않은 말을 한 것처럼 꾸며 투표 판단을 바꾸려는 콘텐츠와 명확히 표시된 패러디는 구분해야 한다.

표시는 필요하지만 만능은 아니다. 제작 단계의 워터마크와 출처 정보가 유통 과정에서 제거될 수 있고 이용자가 표시의 의미를 알지 못할 수도 있다. 기술적 출처 표시, 플랫폼의 눈에 띄는 안내, 신속한 신고와 이의제기, 선거기관과 언론의 검증이 함께 작동해야 한다.

플랫폼은 중립적인 통로인가

추천 시스템은 무엇을 더 많은 사람에게 보여줄지 결정한다. 분노와 놀라움을 일으키는 조작물이 참여를 끌어낸다면 플랫폼의 설계가 확산을 가속할 수 있다. 플랫폼 책임은 콘텐츠를 만들었는지에만 달려 있지 않다. 반복 유포 계정, 정치 광고의 구매자와 타기팅 기준, 검증 전 콘텐츠의 확산을 어떻게 다루는지도 살펴야 한다.

동시에 삭제 결정에도 투명성과 이의제기가 필요하다. 자동 탐지가 풍자나 보도를 잘못 막을 수 있고 집권 세력이 “허위정보 대응”을 비판 억압에 이용할 위험도 있다. 어떤 규칙으로 제한했는지 알리고 독립적인 재검토와 복구 절차를 제공해야 한다.

시민에게 필요한 능력도 단순한 진위 판별을 넘어선다. 출처가 불분명한 충격적 콘텐츠 앞에서 공유를 멈추고 원문과 복수 보도를 확인하며 자신의 감정을 겨냥한 메시지인지 돌아보는 습관이 필요하다. 그러나 모든 책임을 개인에게 넘길 수는 없다. 산업과 플랫폼, 선거기관이 정보 환경을 안전하게 설계할 의무가 먼저다.

민주주의는 모든 시민이 같은 의견을 갖는 체제가 아니다. 서로 다른 의견을 두고도 무엇이 실제로 일어났는지 확인할 공동의 절차를 유지하는 체제다. AI 시대의 과제는 완벽한 진실 기계를 만드는 것이 아니라 그 절차를 속도와 조작의 압력 속에서도 지키는 일이다.

기업이 생성형 AI를 쓰면 한 사람이 더 많은 문서와 코드, 이미지를 만들 수 있다. 생산성이 오르면 사회가 더 풍요로워질 수 있다. 그러나 생산성 증가가 임금과 고용 안정으로 저절로 이어지지는 않는다.

[사실] IMF 연구진의 2025년 작업논문 모형은 AI가 서로 반대되는 두 효과를 만들 수 있다고 분석했다. 고소득 노동자의 업무를 대체하면 임금 격차가 줄 수 있다. 반면 AI 자본의 수익이 자산 보유자에게 집중되면 부의 격차는 커질 수 있다. 이는 IMF 전체의 확정 전망이 아니라 연구진의 모형 결과다. IMF 작업논문

IMF는 AI가 “higher capital returns”를 만들 수 있다고 썼다. “더 높은 자본수익”으로 번역하겠다. 이를 분배 문제에 적용하면, 같은 노동 충격을 받아도 자산이 있는 사람과 없는 사람의 결과는 달라질 수 있다.

AI가 새 일자리를 만들면 분배 문제도 풀리지 않을까?

[사실] 새 일자리는 생길 수 있다. 그러나 사라지는 일과 새로 생기는 일이 같은 지역, 같은 시점, 같은 노동자에게 돌아간다는 보장은 없다. 2026년 ILO의 실증연구 검토는 생산성 향상 가능성과 함께 청년층의 진입 일자리 감소, 노동자 자율성 약화, 일의 질 악화와 불평등 심화를 주요 위험으로 제시했다. ILO 검토

기본소득은 가능한 대안 가운데 하나지만 유일한 답은 아니다. 실업·고용보험 확대, 전환기 소득보장, 노동시간 단축, 기업의 재교육 비용 분담, 노동자의 AI 도입 협의권, AI 초과이익 과세와 사회배당을 함께 비교해야 한다.

비교 기준도 필요하다. 얼마나 많은 사람을 빠르게 보호하는가. 재원은 지속 가능한가. 노동자의 협상력을 높이는가. AI 자산의 집중을 줄이는가. 지역과 성별에 따라 다른 충격을 반영하는가. 기본소득 실험 몇 건만으로 국가 전체의 고용과 물가 효과를 증명했다고 말해서는 안 된다.

분배에도 앞선 다섯 기준을 적용할 수 있다. 기업은 AI가 일과 임금을 어떻게 바꾸는지 알려야 한다. 생산성 측정과 인력 결정의 기준을 설명해야 한다. 노동자는 자동화 결정을 함께 검토하고 이의를 제기할 수 있어야 한다. 전환 피해에는 소득과 교육, 고용의 구제가 따라야 한다. 세금과 사회보험, 기업 의사결정에는 독립적인 감사와 시민·노동자 참여가 필요하다.

“AI는 권력이다”라는 말은 AI를 악마로 만들기 위한 수사가 아니다. 데이터 수집을 허용하는 권력, 노동을 보이지 않게 만드는 권력, 사람을 분류하고 감시하는 권력, 진실을 입증하기 어렵게 만드는 권력, 생산성 이익을 배분하는 권력을 한 문장으로 묶은 것이다.

권력에는 책임이 따라야 한다. 개발자는 데이터와 설계를 설명해야 한다. AI를 배치한 기관은 결과에 책임져야 한다. 국가는 금지선과 피해구제 절차를 만들어야 한다. 시민과 노동자는 그 규칙을 만드는 자리에 참여해야 한다.

AI가 사람을 대신해 더 많은 판단을 내릴수록 우리는 더 적게 물어야 할까, 더 많이 물어야 할까?

답은 분명하다. 판단을 넘긴 만큼 책임을 더 구체적으로 물어야 한다. 어떤 법과 제도, 어떤 분배 방식으로 그 책임을 구현할지는 아직 우리가 결정할 수 있다.

생산성은 누구의 기여로 만들어지는가

AI의 생산성은 모델 기업 한 곳의 발명만으로 생기지 않는다. 연구자와 개발자, 반도체와 데이터센터 노동자, 데이터를 만든 시민과 창작자, 답변을 평가한 플랫폼 노동자, 공공 연구와 교육에 투자한 사회가 함께 기반을 만든다. 그럼에도 성과가 자본과 지식재산권의 소유자에게만 집중된다면 생산 과정의 집단성과 분배 구조 사이에 간극이 생긴다.

기업의 위험 부담과 혁신 보상은 존중해야 한다. 하지만 독점적 지위에서 생기는 수익과 새로운 가치를 만든 정당한 보상을 구분할 필요가 있다. 데이터와 컴퓨팅, 유통망을 가진 소수 기업이 시장 진입과 가격, 노동 조건까지 좌우한다면 AI의 이익은 기술 성능보다 소유 구조에 의해 결정된다.

임금 격차와 자산 격차는 다르게 움직인다

AI가 일부 노동자의 업무를 보완해 임금을 높일 수 있다. 동시에 자동화 설비와 모델을 소유한 사람의 자산 가치는 더 빠르게 커질 수 있다. 그래서 평균 임금이나 전체 고용만 보면 분배의 한 축을 놓친다. 누가 생산 도구를 소유하고 수익에 대한 권리를 갖는지까지 보아야 AI가 불평등에 미치는 영향을 이해할 수 있다.

교육만 늘리면 해결될까?

새로운 기술을 사용할 능력을 키우는 교육은 반드시 필요하다. 그러나 모든 사람이 같은 속도로 전환할 수 없고 좋은 일자리의 수가 훈련받은 사람만큼 늘어난다는 보장도 없다. 돌봄 책임과 지역 격차, 장애와 연령, 기존 자산의 차이도 전환 기회에 영향을 준다. 재교육을 유일한 해법으로 제시하면 산업 변화의 위험을 개인에게 돌릴 수 있다.

기본소득 역시 중요한 선택지지만 단독 해답은 아니다. 현금 이전은 소득의 바닥을 지지할 수 있어도 일터의 발언권, 데이터 통제, 시장 독점, 공공서비스의 질을 자동으로 해결하지 않는다. 분배 정책은 소득 보장과 노동권, 경쟁 정책, 조세, 공공 서비스, 소유와 참여의 제도를 함께 다뤄야 한다.

분배를 위한 다섯 가지 질문

첫째, AI 도입으로 생긴 시간과 비용 절감이 임금, 노동시간 단축, 가격 인하, 공공 서비스 개선 가운데 어떻게 나뉘는가. 둘째, 영향을 받는 노동자가 도입 과정에 참여하는가. 셋째, 데이터와 창작물의 제공자가 사용을 선택하고 보상 조건을 협상할 수 있는가. 넷째, 독점으로 생긴 초과이익을 사회가 어떻게 환수하는가. 다섯째, 전환의 손실을 가장 취약한 사람이 먼저 떠안지 않도록 어떤 안전망을 두는가.

정책 수단은 하나일 필요가 없다. 이익 공유와 노동시간 단축, 전환기 소득 보장, 평생교육, 공공 AI 인프라, 협동조합형 데이터 관리, 경쟁 촉진과 누진적 조세를 맥락에 맞게 조합할 수 있다. 중요한 것은 기술의 효과를 운명으로 받아들이지 않고 선택 가능한 제도의 문제로 바꾸는 일이다.

기업의 이사회와 정부의 위원회에 영향을 받는 집단이 참여하는 것도 분배다. 돈을 나눈 뒤 의견을 듣는 것이 아니라 어떤 기술을 어디에 도입하고 어떤 목표를 최적화할지 함께 정하는 권한을 나누는 것이다. 결정권의 분배가 빠진 경제적 보상은 불평등의 원인을 그대로 둘 수 있다.

AI가 모두의 일을 덜어 주는 기술이라면 그 혜택은 더 짧은 노동시간과 안정된 삶으로 나타나야 한다. 생산량은 늘었는데 불안정 노동과 부의 집중만 커진다면 기술의 성공을 다시 정의해야 한다. 진보는 더 강한 모델을 만드는 속도가 아니라 그 힘이 더 많은 사람의 자유와 안전으로 전환되는 정도로 측정되어야 한다.