소프트웨어와 하드웨어의 공동설계 자동화가 성숙해지자, 국가는 범용 인공지능을 수입하는 대신 의료, 교실, 연구실용으로 설계된 자국형 스택을 인증하기 시작한다.
각국은 진짜 힘이 범용 모델 경쟁이 아니라 좁은 공공 임무에 맞춰 긴밀하게 통합된 스택에 있다는 사실을 깨닫는다. 병원은 승인된 의료용 실리콘에서만 돌아가는 진단 시스템을 사고, 학교는 국가 교육과정으로 학습된 교수 모델을 채택하며, 연구소는 국가 지원 과학 추론 스택에 의존한다. 그 결과 각 블록 내부의 인공지능 질서는 더 견고하고 감사 가능해지지만, 블록 사이의 질서는 더 파편화된다.
부산의 한 공공병원에서 오전 7시 10분, 영상의학과 전공의는 보건부 승인 진단 클러스터에서 흉부 스캔이 끝나기를 기다린다. 대학원 시절 쓰던 해외 연구 모델은 이제 병원의 인증 스택과 호환되지 않는다.
이 파편화가 순수한 손실만은 아니다. 목적형 스택은 더 쉽게 감사할 수 있고, 유지비가 낮으며, 지역 법과 공공 가치에 더 잘 맞을 수 있다. 문제는 상호운용성이 가장 부유한 국가의 특권이 되고, 작은 국가는 스스로 구축하기 전에 먼저 어느 생태계에 들어갈지 선택해야 한다는 점이다.
요즘 AI는 성능보다 인증 구역이 더 중요해지고 있죠. 누가 더 똑똑한지보다, 어느 스택 안에 있느냐가 먼저 갈립니다. 병원과 학교 조달은 이미 갈라지고 있습니다. EU는 2024년 AI 팩토리에 약 20억 유로를 넣었죠. 그 뒤 공공 조달은 범용 모델보다 목적형 스택을 더 선호합니다. 같은 흉부 스캔도 승인된 스택 밖이면 멈추는 일이 벌어집니다. 이 흐름은 의료에서 끝나지 않죠. 연구 데이터 형식이 갈리고, 교과 기준도 따로 굳습니다. 외부 모델은 호환을 잃습니다. 협업 속도 차이는 국경보다 벤치마크 규격에서 더 크게 갈리죠. 효율과 감사 가능성은 높아질 수 있죠. 다만 연결성까지 자산이 됩니다. 작은 조직과 국가는 어느 규격 안으로 들어가게 될까요.