PaperlayerView exact revision on arXiv

AI 요약 · 영어에서 AI 번역

Artificial Intelligence Index Report 2026

Sha Sajadieh, Loredana Fattorini, Raymond Perrault, Yolanda Gil, Vanessa Parli, Lapo Santarlasci, Juan Pava, Nestor Maslej, Russ Altman, Erik Brynjolfsson, Carla Brodley, Jack Clark, Virginia Dignum, Vipin Kumar, James Landay, Terah Lyons, James Manyika, Juan Carlos Niebles, Yoav Shoham, Elham Tabassi, Russell Wald, Toby Walsh, Dan Weld

arXiv:2606.15708v3cs.AI

TL;DR

AI의 급속한 발전에 거버넌스, 평가, 교육, 영향 추적 체계가 보조를 맞출 수 있는지가 쟁점이다. 보고서는 AI 평가, 경제적 가치, 노동시장 관련 근거를 추적한다. 3년 이내에 인구 대비 생성형 AI 도입률이 53%에 육박했으며, 최첨단 모델 간 수렴과 국가별 AI 정책의 분화가 나타났다고 보고한다.

  • 문제

    거버넌스, 평가, 교육, 영향 추적 체계가 급속히 발전하는 AI에 보조를 맞출 수 있는지가 보고서의 핵심 질문이다.

    출처: Introduction · p. 3

  • 방법

    보고서는 추론, 안전성, 실제 환경에서의 과제 수행에 걸친 AI 평가와 함께 생성형 AI의 경제적 가치 추정치와 노동시장 영향에 관한 근거를 추적한다.

    출처: Introduction · p. 3

  • 결과

    3년 이내에 인구 대비 도입률이 53%에 육박한 것은 생성형 AI의 빠른 확산을 보여주며, 최첨단 모델 간 수렴과 국가별 AI 정책의 분화도 나타난다.

    출처: Introduction · p. 4

  • 시사점과 한계

    AI 역량 평가는 포화 상태에 이른 벤치마크, 최첨단 AI 연구소의 정보 공개 축소, 개발사의 보고를 항상 뒷받침하지는 않는 독립적 평가라는 문제에 직면해 있다.

    출처: Introduction · p. 4

    정부 AI 지출 분석은 지역별 자료 포괄 범위의 불균형으로 제약을 받으며, 개별 보조금 단위의 지출은 미국에 대해서만 포함한다.

    출처: Public Investment in AI · p. 422

Abstract

from arXiv · show

Welcome to the ninth edition of the AI Index report. As AI continues to advance rapidly, the question becomes whether the systems built around it can keep up. Governance frameworks, evaluation methods, education systems, and the data infrastructure needed to track AI's impact are struggling to match the pace of the technology itself. That gap between what AI can do and how prepared we are to manage it runs through every chapter of this year's report. New in this edition, the report tracks how AI is being tested more ambitiously across reasoning, safety, and real-world task execution, and why those measurements are increasingly difficult to rely on. It also features new estimates of generative AI's economic value alongside emerging evidence of its labor market effects, an analytical framework on AI sovereignty, and a science chapter developed in collaboration with Schmidt Sciences. For the first time, the report features standalone chapters on AI in science and AI in medicine, reflecting AI's growing impact across these two domains.

1 연구개발 … 사전학습의 합성 데이터

이 절은 AI 개발과 도입의 확대, 연구와 인프라의 집중, 오픈소스 참여 증가를 개괄한다. 학습 연산량과 모델 접근성의 추세와 함께 투명성, 평가, 거버넌스, 실제 환경에서의 신뢰성에 남은 공백을 살펴본다. 특히 불완전한 정보 공개가 규모 확장 비교를 어떻게 제약하는지, 합성 데이터가 사전학습용 실제 데이터의 고갈을 상쇄할 수 있을지는 왜 불확실한지 다룬다.

서론

  • 이 보고서는 독립적인 전 세계 근거 자료를 제공하며, 측정의 공백을 강조하고 평가, 경제적 가치, 주권, 과학, 의학으로 분석 범위를 넓힌다.아홉 번째 판에서는 과학과 의학을 독립된 장으로 신설하고, 점점 더 도전적인 AI 평가를 신뢰하기 어려운 이유를 살펴본다. 공개 자료에는 원자료, 고해상도 도표, 36개국을 비교하는 Global AI Vibrancy Tool이 포함되며, 이 도구는 2026년 말까지 갱신될 예정이다.출처: Introduction · p. 3, Public Data and Tools · p. 6

주요 시사점

  • SWE-bench Verified 성능은 1년 만에 인간 기준 성능의 60%에서 100%에 가까운 수준으로 상승했지만, 신뢰성과 책임 있는 AI 평가에는 여전히 공백이 남았다.OSWorld 과제 성공률은 12%에서 약 66%로 상승했지만, 최상위 모델의 아날로그 시계 판독 정확도는 50.1%에 그쳤다. 로봇의 가사 과제 성공률은 12%로, 시뮬레이션 환경의 RLBench 조작 과제 성공률 89.4%와 대비됐다. 벤치마크는 포화 상태에 접어들었고 독립 검증이 개발사의 보고를 항상 뒷받침하지는 않았다. 책임 있는 AI 관련 보고도 불균등했으며, 기록된 사고는 2024년 233건에서 362건으로 늘었고 안전성 개선이 정확도를 떨어뜨리기도 했다.출처: Introduction · p. 4, Top Takeaways · p. 10, but cannot reliably tell time—an… · p. 10
  • 생성형 AI는 3년 만에 인구의 53%가 사용하고 조직의 88%가 도입했으며, 투자도 빠르게 늘고 상당한 소비자 가치가 창출됐다.연간 미국 소비자 가치 추정치는 2026년 초 $172십억에 달했다. 전 세계 기업 투자는 2025년에 두 배 넘게 늘었으며, 미국의 민간 투자는 $285.9십억으로 중국의 $12.4십억을 웃돌았다. 다만 민간 투자 수치는 중국의 정부 지원 지출을 과소 반영한다. 고객 지원과 소프트웨어 개발에서는 14%에서 26%의 생산성 향상이 나타났지만, 판단이 많이 필요한 과업에서는 효과가 더 작거나 부정적이었다. 에이전트 도입률은 대체로 한 자릿수에 머물렀으며, 미국의 22–25세 개발자 고용은 2024년 대비 20% 가까이 감소했다.출처: Introduction · p. 4, §8 · p. 11, §7 · p. 11
  • 임상 AI 도구를 사용하는 의사들은 진료기록 작성 시간이 83% 줄었다고 보고했지만, 엄밀한 임상 근거는 여전히 부족했고 과학 분야의 성능도 크게 엇갈렸다.500편 이상의 임상 AI 연구를 검토한 결과, 거의 절반이 시험형 문항을 사용했고 실제 임상 데이터를 사용한 연구는 5%에 불과했다. 그사이 임상 도입은 확대됐고 과학 분야 AI는 전체 작업 과정을 수행하려는 단계로 나아갔다. 최첨단 모델은 ChemBench에서 평균적으로 인간 화학자보다 우수했지만, 천체물리학 재현 과제에서는 20% 미만, 지구 관측에서는 33%를 기록했다. 규모가 더 작은 MSAPairformer와 GPN-Star도 기존 최고 성능 모델이나 훨씬 큰 모델을 능가했다.출처: Introduction · p. 4, §11 · p. 11
  • 미국 고등학생과 대학생의 80% 초과가 학업에 AI를 사용했지만, AI 관련 방침을 마련한 중·고등학교는 절반에 그쳤다.해당 방침이 명확하다고 본 교사는 6%에 불과했다. 미국과 캐나다의 신규 AI 박사학위 취득자는 2022년부터 2024년까지 22% 늘었으며, 증가분은 산업계가 아닌 학계로 유입됐다. AI 주권 확보 의지와 개발도상국의 참여가 확대되는 가운데 국가별 정책은 서로 다른 방향으로 전개됐다. 전 세계적으로 낙관과 불안이 모두 커졌으며, 고용에 긍정적인 영향을 예상한 비율은 전문가 73%, 일반 대중 23%였다. 미국에서 자국 정부의 AI 규제를 신뢰하는 비율은 31%였다.출처: Introduction · p. 4, Formal education is lagging behind AI,… · p. 12

1.8 AI 저자와 발명자

  • 2025년 주목할 만한 AI 모델의 90% 초과가 산업계에서 나왔지만, 최첨단 모델의 정보 공개는 줄었고 합성 데이터는 여전히 실제 사전학습 데이터를 대체하지 못했다.최첨단 모델의 정보 공개가 중단되면서 보고된 매개변수 수는 3년간 1조 개 안팎에 머물렀지만, 독립적으로 추정 가능한 학습 연산량은 계속 증가했다. 데이터 품질 개선과 사후학습은 가능성을 보였다. OLMo 3.1 Think 32B는 가지치기, 중복 제거, 데이터 선별만으로 매개변수 수가 거의 90배 많은 Grok 4와 여러 벤치마크에서 대등한 성능을 냈다.출처: §1.8 · p. 15
  • 2025년 주목할 만한 모델은 미국에서 59개, 중국에서 35개 나왔지만, 논문 수와 인용 수, 특허 등록 건수에서는 중국이 앞섰다.미국은 특허 영향력에서 우위를 유지했고, 한국은 인구당 AI 특허 수에서 선두를 차지했다. Anthropic의 최상위 모델과 중국 경쟁 모델의 격차는 March 2026 기준 2.7%에 불과했다. 오픈소스 개발은 GitHub 프로젝트 5.6백만 개 규모에 이르렀으며, Hugging Face 업로드는 2023년 이후 세 배로 늘었다. 미국으로 유입되는 연구자와 개발자는 2017년 이후 89%, 최근 한 해 동안 80% 감소했다. 인구당 인재 수에서는 스위스와 싱가포르가 앞섰으나, 성비 균형에 근접한 국가는 없었다.출처: Top Takeaways · p. 10, §1.8 · pp. 15–16
  • 전 세계 AI 연산 용량은 H100 환산 17.1백만 개로, 2022년 이후 연간 3.3배 증가했다. 하드웨어 공급은 집중됐고 환경 영향은 확대됐다.Nvidia는 연산 용량의 60% 초과를 공급했고, 미국에는 데이터센터 5,427곳이 있었으며, 최첨단 AI 칩은 거의 모두 TSMC가 생산했다. 다만 TSMC의 미국 증설 시설은 2025년 가동을 시작했다. AI 데이터센터의 전력 용량은 29.6 GW에 달했고, Grok 4의 학습 배출량 추정치는 CO2 환산 72,816톤이었다. GPT-4o의 연간 추론용 물 사용량은 1.2백만 명의 식수 수요를 초과할 수 있다.출처: §1.8 · p. 15

소속 국가별2

  • 2025년 주목할 만한 AI 모델은 미국에서 59개, 중국에서 35개, 한국에서 8개 나왔다.모든 주요 지역에서 신규 모델 출시가 전년 대비 감소했다. 집계는 April 22, 2026 시점의 자료를 사용하며, 저자 소속을 기준으로 국가를 분류하므로 다국적 모델은 중복 집계될 수 있다.출처: By National Affiliation2 · p. 17

부문 및 기관별

  • 2025년 주목할 만한 모델의 91.2%는 산업계에서 나왔으며, 산업계 모델은 93개, 학계 모델은 2개였다.2025년 출시 모델 수는 OpenAI(20), Google(14), Alibaba(11) 순으로 많았다. 2014년 이후 누적 출시 수에서는 Google이 선두였고 Meta와 OpenAI가 뒤를 이었다. 지난 십 년간 학계에서는 칭화대학교(26), 스탠퍼드대학교(26), 카네기멜런대학교(25)가 앞섰다.출처: By Sector and Organization · p. 19

모델 공개

  • 2025년 주목할 만한 모델 102개 중 47개가 API 접근 방식으로 제공돼 가장 흔한 공개 유형이 됐으며, 접근 방식은 통제를 강화하는 방향으로 이동했다.API로만 제공하는 모델은 2020년 이후 증가했다. 사용·수정·재배포를 허용하는 무제한 공개 가중치 방식이 두 번째로 흔했다. 접근 방식 분류가 완전하지 않아 이 합계는 장 내 다른 집계와 다를 수 있다.출처: Model Release · pp. 21–22
  • 2025년 주목할 만한 모델 102개 중 81개는 학습 코드를 공개하지 않았고, 학습 코드가 오픈소스인 모델은 4개였다.2020년에는 학습 코드가 오픈소스인 모델과 비공개인 모델의 수가 비슷했지만, 2023년에는 비공개 모델이 과반이 됐고 이후 격차가 확대됐다. 이러한 불투명성은 재현성, 개발 과정 감사, 안전성 주장 검증을 제약한다.출처: Model Release · p. 21

매개변수와 연산량 추세

  • 보고된 매개변수 수의 증가는 2022년 이후 정체됐지만, 정보 공개 누락으로 실제 증가세가 과소평가됐을 가능성이 크다.주요 모델은 수십조 토큰으로 100일 넘게 학습했다. OpenAI, Anthropic, Google의 최근 자원 집약적 모델 중 여러 모델은 매개변수 수, 학습 데이터셋 크기, 학습 기간을 공개하지 않았다.출처: Parameter and Compute Trends · p. 23
  • 학습 연산량은 여러 자릿수 규모로 증가했으며, 가장 높은 수치는 산업계 모델에서 나타났다.미국 모델은 중국 모델보다 연산 집약적인 것으로 보이지만, 미국 모델의 학습 연산량이 직접 보고되지 않아 최근 비교를 충분히 입증하기는 어렵다. Epoch는 하드웨어 사용량, 모델 구조의 연산과 학습 데이터, 또는 벤치마크 성능을 대리 지표로 사용해 누락된 연산량을 추정한다.출처: Parameter and Compute Trends · pp. 24–25

모델의 학습 데이터는 고갈될 것인가?

  • 데이터셋에 의존하는 규모 확장의 지속 가능성이 우려되는 가운데, Epoch AI는 특정 가정 아래 가용 학습 데이터가 고갈될 시기를 2026–2032년으로 전망했다.주요 연구자들은 고품질 인간 작성 텍스트와 웹 데이터가 이미 고갈됐다고 주장하며, 이를 ‘데이터 정점’으로 표현했다. 예상 고갈 시기는 조건부 전망이지, 확정된 고갈 시점이 아니다.출처: Will Models Run Out of Data? · p. 26

사전학습의 합성 데이터

  • 합성 데이터만으로 학습한 SYNTHLLM 모델은 주요 벤치마크에서 여전히 선도 모델에 뒤처지며, 합성 데이터가 사전학습 데이터 고갈을 상쇄할 수 있다는 결정적 근거도 아직 없다.실제 데이터와 합성 데이터를 혼합하면 대규모 학습 속도를 다섯 배에서 10배까지 높일 수 있지만, 실제 데이터만 사용했을 때의 최종 성능을 넘지는 못한다. 합성 데이터만 사용한 성공 사례는 여전히 소형 모델이나 제한된 과제에 국한된다. 기존 연구에 따르면 실제 데이터를 대체하면 모델 붕괴가 발생할 수 있고, 실제 데이터를 유지하면 붕괴를 막을 수 있지만 성능 향상까지 보장되지는 않는다.출처: Figure 1.1.15 · p. 26, Synthetic Data in Pre-training · p. 26

데이터 중심 방법 … 소속 국가별

이 절에서는 AI 개발을 뒷받침하는 데이터 활용 방식, 컴퓨팅 인프라, 논문 출판 및 오픈소스 활동을 살펴본다. 학습 데이터 확보 방식의 변화, 연산 용량 확대와 참여 지역의 다변화, 연구 및 인프라 공급망의 지속적인 집중 현상과 함께 에너지·물 소비와 배출 부담의 증가를 추적한다.

데이터 중심 방법 / 사후 학습의 합성 데이터 / 합성 콘텐츠의 확산

  • 매개변수가 약 32십억 개인 Olmo 3.1 Think 32B는 AIME 2025를 비롯한 여러 벤치마크에서 매개변수 3조 개의 Grok 4와 대등한 성능을 보인다.중복 제거, 품질을 고려한 선별, 단계별 학습 과정, 데이터 혼합의 반복적 개선을 통해 훨씬 적은 학습 토큰으로도 경쟁력 있는 성능을 확보했다. 합성 사후 학습 데이터는 few-shot 생성, 긴 문맥 처리 능력, 강화학습 작업 흐름, 추론 능력도 개선한다. Graphite는 January 2025부터 새로 게시된 온라인 콘텐츠의 50% 이상이 AI로 생성되었다고 추정한다. 공개 학습 데이터가 줄어드는 가운데 기업들이 독점적 이용 계약을 통한 데이터 확보에 점점 더 나서면서 학습 데이터에 대한 우려가 커지고 있다.출처: Figure 1.1.16 · p. 27, Data-centric Methods · p. 27, Synthetic Data in Post-training · p. 27

성능과 효율 / 주요 모델의 하드웨어

  • 2008–2025년에 출시된 머신러닝 하드웨어의 최고 성능은 기하급수적으로 증가했으며, 저정밀도 형식인 FP16과 Tensor-FP16/BF16이 가장 높은 성능을 기록했다.이러한 저정밀도 형식은 여러 학습·추론 환경에서 표준으로 자리 잡았다. 2025년 주요 모델 중 84개가 A100급 하드웨어를, 69개가 V100을, 28개가 H100을 사용했으며, TPU v3와 TPU v4의 도입 추이는 안정적으로 유지됐다.출처: Figure 1.2.1 · p. 29, Performance and Efficiency · p. 29, Figure 1.2.2 · p. 30

전 세계 연산 용량 / 데이터 센터 전력 용량

  • 2022년 이후 연간 3.3x 성장으로 전 세계 AI 연산 용량 추정치는 H100 환산 약 17.1백만 대에 도달했으며, Nvidia의 공급 비중은 60%를 넘었다.연산 용량 증가는 인프라 투자 확대와 궤를 같이하지만, 추정치는 정확한 칩 수가 아니라 매출, 공시, 분석가 보고서에 근거하며 제조사별 집계 시작 연도도 다르다. AI 데이터 센터의 정격 전력 용량은 Q4 2025까지 약 29.6 GW에 도달했다. 여기에는 칩의 열설계전력 11.8 GW와 지원 인프라를 반영하는 약 2.5의 배수가 포함된다.출처: Global Computing Capacity · p. 30, Figure 1.2.3 · p. 31, Data Center Power Capacity · p. 31

지리적 분포 / AI 인프라: GPU를 넘어서

  • 2025년 미국의 데이터 센터는 5,427개로 다른 모든 국가보다 열 배 이상 많았지만, 시설 수가 연산 용량을 나타내지는 않는다.독일은 529개, 영국은 523개, 중국은 449개 시설을 보유했다. 시설 수 집계에는 시설 규모와 가동률의 차이도 반영되지 않는다. AI 인프라는 가속기 외에도 고대역폭 메모리, 고속 네트워크, 파운드리, 패키징 기업에 의존한다. TSMC는 사실상 모든 주요 AI 칩을 제조하므로, 높은 수준의 전문성·장비·자본 진입장벽으로 보호되는 공급망 안에서도 의존이 한곳에 집중된다.출처: AI Infrastructure: Beyond GPUs · p. 32, Figure 1.3.1 · p. 33, Geographic Distribution · p. 33

학습

  • 2025년 Grok 4 학습의 배출량은 CO2 환산 72,816톤으로 추정되며, 2012년 AlexNet은 0.01톤이었다.최신 고성능 칩의 와트당 연산량은 십 년 전보다 약 열 배 많지만, 모델 규모 확대 속도는 효율 향상을 앞질렀다. Grok 3와 Llama 4 Behemoth는 학습 중 100백만 와트 이상을 필요로 했으며, 정보 공개의 공백으로 다수의 최신 모델은 실태를 파악하기 어렵다. 배출량은 하드웨어 효율, 학습 시간, 전력의 탄소 집약도에도 좌우된다. DeepSeek v3의 배출량은 약 597톤으로, 비슷한 규모의 모델보다 훨씬 적었다.출처: Training · p. 34, Figure 1.4.1 · p. 35, Figure 1.4.3 · p. 36

추론

  • 2025년 비교에서 에너지 소비가 가장 큰 15개 모델 중 DeepSeek V3.2 Exp와 DeepSeek V3.2가 중간 길이 질의당 23 Wh로 가장 많은 에너지를 소비했다.Jegham et al. (2025)은 중간 길이 프롬프트를 입력 약 1,000토큰과 출력 약 1,000토큰으로 정의한다. GPT-5 (high)는 21.9 Wh를, Claude 4 Opus와 GPT-5 min (medium)은 5–6 Wh를 소비했다. CO2 환산 배출량은 두 DeepSeek 모델 각각 약 14그램, Claude 4 Opus 1.6그램, Mistral Medium 3 1.5그램으로, 성능이 반드시 환경 비용에 비례하지는 않음을 보여준다. 짧은 GPT-4o 질의는 약 0.42 Wh를 소비한 반면 Google 검색은 0.3 Wh를 소비했다. GPT-4o 추론의 연간 물 소비량 추정치는 1.3–1.6백만 킬로리터에 달했으며, 상한은 1.2백만 명의 연간 식수 수요를 초과했다.출처: Figure 1.4.513 · p. 37, Inference · pp. 37–38, Figure 1.4.614 · p. 38

데이터센터 사용 / 추론

  • 2024년까지 전체 AI 시스템의 누적 전력 수요 추정치는 9,400 MW였으며, 가속기 모듈만 집계하면 5,200 MW였다.De Vries and Gao (2025)는 가속기에서 Nvidia의 비중이 가장 크다고 보며, 가동률과 시설 효율에 따른 추정의 한계를 명시한다. 전체 AI 시스템의 전력 수요는 스위스나 오스트리아의 전력 소비에 근접하고 비트코인 채굴 수요의 약 절반에 해당한다. 암호화폐를 제외한 전 세계 데이터센터의 전력 수요는 약 47,000 MW였다. 추론은 배포 후 수개월 만에 학습의 에너지 비용을 넘어설 수 있다. 한편 GPU 연산 비용은 2006년 이후 99% 넘게 하락했으며, 지역별 데이터센터 전력 소비는 미국을 중심으로 2030년까지 증가할 전망이다.출처: Inference · p. 37, Data Center Usage · pp. 40–41, Figure 1.4.12 · p. 41

프로젝트

  • 2025년 GitHub의 AI 관련 프로젝트는 약 5.6백만 개로 집계되어 2024년보다 23.7% 증가했으며, 2011년의 1,549개에서도 크게 늘었다.커뮤니티 참여도를 대략적으로 나타내는 지표인 스타를 열 개 이상 받은 프로젝트는 206,880개에 불과했다. 두 지표의 증가 추세는 유사하지만, 대부분의 저장소는 관심을 거의 받지 못한다는 뜻이다. 이 데이터셋은 중국의 대체 코드 공유 플랫폼인 Gitee와 GitCode를 제외한다.출처: Figure 1.5.1 · p. 42, Projects · p. 42

프로젝트 / 스타

  • 2025년 스타가 10개 이상인 GitHub AI 프로젝트 중 미국 기반 프로젝트는 31.7%로, 2011년의 약 80%에서 하락했지만 여전히 가장 큰 비중을 차지했다.연간 신규 스타는 2023년 14백만 개에서 2025년 18.2백만 개로 증가했고, 모든 주요 지역에서 전년 대비 증가했다. 미국 프로젝트는 누적 스타 30백만 개로 참여도에서 선두를 차지했다. 유럽과 나머지 지역의 비중은 확대되었고, 인도는 집계 기준을 충족하는 프로젝트의 5.2%에 도달했으며, 중국의 비중은 2019년 이후 정체되었다. 중국의 위치 정보가 자기 보고에 의존하고 자국 플랫폼이 제외되어 중국의 활동이 과소 집계되었을 가능성이 크다.출처: Projects · p. 43, Figure 1.5.317 · p. 44, Figure 1.5.4 · p. 44

모델 및 데이터셋 생태계

  • 2023년부터 2025년까지 Hugging Face의 모델 업로드는 세 배 이상으로, 데이터셋 업로드는 네 배로 늘었으며 모델 개발 참여도 확대되었다.업로드 활동은 Q2 2024 이후 가속화되었다. 미국에서 개발된 모델의 다운로드 비중은 소속이 없는 사용자들이 개발한 모델에 밀려 하락했고, Google과 Meta의 존재감은 커뮤니티에 비해 줄었다. ‘기타’ 범주가 큰 비중을 차지하는 동시에 상위 출처로의 집중도 나타났다. 다운로드 분석은 Longpre et al. (2025)의 March 2020–August 2025 기간을 다룬 정제된 주간 패널을 사용한다. 주별 상위 200개 모델이 정규화와 필터링을 거친 다운로드의 49.6%를 차지하므로, 롱테일에 대한 분석 범위는 제한적이다.출처: Model and Dataset Ecosystem · p. 45, Figure 1.5.620 · p. 46, Figure 1.5.721 · p. 46
  • 2025년 모델 다운로드의 42% 이상이 텍스트 생성용이었으며, 여전히 약 80%가 상위 3개 범주에 집중됐다.텍스트 임베딩 모델, 분류 모델, 오디오 모델의 다운로드 합계 비중은 2022년 약 70%에서 2025년 6% 미만으로 하락했다. 멀티모달 및 동영상 생성은 성장했으며, 이미지 생성은 꾸준히 증가해 다운로드가 두 번째로 많은 범주를 유지했다.출처: Figure 1.5.923 · p. 47, Model and Dataset Ecosystem · p. 47

AI 논문 총수 / 발표 지면별

  • AI 논문은 2013년 약 102,000편에서 2024년 약 258,000편으로 늘었으며, 연간 증가율은 6.3%, OpenAlex 컴퓨터과학 논문에서 차지하는 비중은 40.9%였다.학술지가 47%, 학회가 23.5%를 차지했다. 학회 비중은 2013년 36.6%에서 하락했지만, 최근 수치는 발표 지면 정보의 등록 지연을 반영할 수 있다. 분석 대상은 영어 연구이며, 논문 수가 연구의 질을 나타내지는 않는다.출처: Figure 1.6.1 · p. 48, Total Number of AI Publications · p. 48, §1.6 · p. 48

학회 참석

  • 2024년 추적 대상 AI 학회 16곳의 참석자가 증가했으며, NeurIPS, CVPR, ICML의 참석자가 가장 많았다.ICAPS, KR, UAI 등 소규모 학회의 참여 규모는 안정적으로 유지됐다. 집계에는 온라인·혼합·대면 참석이 함께 포함돼 측정과 비교가 어렵다. ICML의 2021년 급증은 온라인 개최와 관련됐을 가능성이 크다.출처: Conference Attendance · pp. 49–50, Figure 1.6.3 · p. 50, Figure 1.6.426 · p. 50

소속 국가별28

  • 2024년 AI 논문의 17.8%가 중국에 귀속됐으며, 유럽은 11.1%, 인도는 7.6%였다.인용 비중은 중국 20.6%, 유럽 19.5%, 미국 12.6%였으며, 미국은 2023년의 13.03%에서 하락했다. 미국의 논문 비중은 3퍼센트포인트 감소한 반면 소속 미상 비중은 39.3%에 달했는데, 이는 메타데이터 변경을 반영했을 가능성이 크다. 각 논문은 소속 기관이 있는 국가마다 한 편씩 집계된다.출처: By National Affiliation28 · p. 51, Figure 1.6.630 · p. 52, Figure 1.6.7 · p. 52

부문별 / 주제별

  • 2024년 AI 논문의 68.1%는 학계에서 나왔으며, 연구 주제 중에서는 머신러닝이 37%로 가장 큰 비중을 차지했다.정부, 산업계, 비영리 부문의 비중은 각각 12.4%, 11.5%, 4.6%였다. 산업계 비중은 미국 24.6%, 중국 18%였으며, 중국에서는 정부가 25.1%를 차지했다. 유럽의 학계 비중은 55.3%였다. 부문별 계산에서는 소속 미상을 제외했다. 컴퓨터 비전은 22.4%, 패턴 인식은 11.2%, 자연어 처리는 10%를 차지했으며, 생성형 AI 논문은 급증했다. 주제 분류는 서로 중복된다.출처: Figure 1.6.831 · p. 53, By Sector · p. 53, Figure 1.6.1032 · p. 54

소속 국가별

  • 2024년 AI 상위 100대 논문 중 미국에 귀속된 논문은 46편으로 2021년 64편에서 줄었으며, 중국은 41편에 도달했다.중국은 2023년의 34편에서 증가했으며, 호주는 2023년 2편, 2021년 6편에서 14편으로 늘었다. OpenAlex 인용 순위는 인용이 누적되면서 달라질 수 있다. 다국적 논문은 참여 국가마다 한 편씩 집계되므로 국가별 합계는 100편을 초과할 수 있다.출처: By National Affiliation · p. 54, Top 100 Publications · p. 54

부문·기관별 … 개요

이 절은 AI 특허와 논문 발표를 주도하는 국가·기관과 함께 AI 저자·발명자의 지리적 분포, 전문 분야, 성별, 이동 양상을 살펴본다. 또한 AI 역량의 발전, 선도 모델 간 격차 축소, 과제·응용 분야별 불균등한 진전, 평가의 신뢰성과 최신성 유지 문제를 검토한다.

부문·기관별

  • 2024년 상위 100편에 포함된 산업계 논문은 6편으로, 2021년 17편과 2022년 19편에서 줄었으며 학계는 여전히 가장 큰 비중을 차지했다.2024년에는 스탠퍼드대학교와 구글이 각각 7편으로 선두였고, 중국과학원과 마이크로소프트가 각각 5편으로 뒤를 이었다. 한편 주요 모델 출시에서 산업계가 차지하는 비중은 계속 커졌다. 공동 저술로 기관별 합계는 100편을 넘을 수 있으며, 부문별 소속을 알 수 없는 사례로 인해 2022년 부문별 합계는 98편이었다.출처: By Sector and Organization · pp. 55–56, Figure 1.6.1235 · p. 56

1.7 특허 / 세계 동향

  • 2024년 전 세계 AI 특허 등록은 131,121건으로 전년 대비 8.2% 증가했다. 중국이 74.2%를 차지한 반면 미국은 12.1%였다.등록 건수는 2010년 3,866건에서 증가했다. 보고된 2024년 인구 대비 등록 비율은 한국(14.3%), 룩셈부르크(12.3%), 중국(7.0%) 순으로 높았다. PATSTAT Global 분석은 보고 지연으로 2024년까지를 다루며, 국가별 특허 기준과 법률의 차이로 국가 간 비교에는 한계가 있다.출처: Figure 1.7.138 · p. 57, Global Trends · p. 57, §1.7 · p. 57

전방 인용 흐름 / 지식 확산 속도

  • 미국 특허는 전체 특허 건수의 12.1%에 불과하지만 AI 특허 전방 인용의 절반 이상을 차지하며, 인용까지 걸리는 시간도 더 짧다.대부분의 AI 특허는 이삼 년 이내에 처음 인용된다. 미국 특허 중 인용되지 않은 비율은 19%로, 다른 지역의 32%–44%보다 낮으며, 지역별 인용 활동은 약 육 년 후 안정화된다. 인용 기반 영향력 평가에는 논란이 있고(Higham et al., 2021), 자국 특허를 인용하는 편향이 널리 나타난다(Jaffe et al., 1993; Cotterlaz et al. 2025; and Verluise et al., 2025). 미국 특허 출원에서는 중국 특허가 자주 인용되지만, 그 반대는 상대적으로 적다.출처: Forward Citations Flow · p. 59, Figure 1.7.539 · p. 60, Speed of Knowledge Diffusion · p. 60

기술적 근접성 / AI 특허 사례

  • 대부분 국가의 AI 특허 포트폴리오는 미국·중국 모두와 유사하되 대체로 미국에 더 가까우며, 국가별 산업 강점이 응용 분야를 좌우한다.Bar et al. (2012)의 방법을 적용하면 인도와 호주는 양국 포트폴리오와 약 80% 겹치는 반면, 에너지·풍력에 중점을 둔 덴마크는 중국과 45%, 미국과 52% 겹친다. 특허 사례로는 학습된 모델을 활용한 동적 컴퓨팅 자원 할당, 인과 추론을 활용한 위험 예측과 기반 시설 지도화, 깊이 재구성과 빈 영역 보완을 통한 시점에 맞는 VR/AR 패스스루가 있다.출처: Technological Proximity · p. 61, Figure 1.7.7 · p. 62, §1 · p. 62

1.8 AI 저자·발명자 / 지리적 분포 / 교육 수준별

  • 2025년 확인된 AI 저자·발명자 중 220,520명이 미국에 기반을 두었고, 인도 50,460명, 독일 48,520명이 뒤를 이었다.Zeki의 성과물 기반 데이터셋은 중국을 제외한다. 인구 100,000명당 저자·발명자는 스위스가 110.5명으로 가장 많았고 싱가포르가 109.5명으로 뒤를 이었다. 대부분 국가에서 박사·석사 학위 소지자가 합쳐서 과반을 차지했다. 박사 비율은 영국과 호주가 각각 51.1%, 50.5%로 가장 높았으며, 인도와 브라질의 학위 구성은 더 다양했다.출처: Geographic Distribution · p. 63, §1.8 · p. 63, Figure 1.8.2 · p. 64

성별

  • 2010–2025년 조사 대상 거의 모든 국가에서 남녀 비율은 거의 변하지 않았으며, 모든 국가에서 남성이 다수를 유지했고 성비 균형에 근접한 국가는 없었다.브라질, 한국, 일본에서는 확인된 AI 인재의 80% 이상이 남성이었다. 여성 비율은 사우디아라비아 32.3%, 호주 30.1%, 캐나다 29.6%, 이탈리아 29.5%였다.출처: By Gender · p. 66

전문 분야별

  • 한국 AI 인재의 20%는 하드웨어·VLSI·IoT를 전문으로 했다. 소프트웨어 공학은 브라질이 18%로, 보안·개인정보 보호·암호학은 사우디아라비아가 15%로 가장 높은 비중을 보였다.의료·생물정보학, 컴퓨터 비전·영상 처리, 소프트웨어 공학은 세계적으로 흔한 전문 분야로, 여러 국가에서 각각 인재의 10% 이상을 차지했다.출처: By Specialization · p. 67

이동

  • 2025년 미국의 AI 인재 순유입은 26.0으로, 2022년 324.6에서 감소했다. 인도는 -16.9로 순유출이 가장 컸다.순유입은 유입에서 유출을 뺀 값이며, 미국은 2020–2025년 내내 양수를 유지했다. 2025년 사우디아라비아와 덴마크는 각각 3.1과 2.1의 순유입을 기록한 반면, 캐나다와 독일은 각각 -7.1과 -2.4를 기록했다.출처: Mobility · p. 67

2.1 전반적 성능 동향

  • 2025년 언어·추론·코딩·수학 전반에서 벤치마크 점수가 상승했고, 선도 모델 간 격차는 줄었다.미국과 중국의 최상위 모델 간 격차는 거의 완전히 해소됐다. 경쟁의 초점은 비용, 신뢰성, 실제 활용 가치로 옮겨가고 있다.출처: Overview · p. 69

개요

  • 평가가 모델의 발전 속도를 따라가지 못하면서 벤치마크의 신뢰성에 대한 의문이 커지고 있다.기술 발전은 여러 평가·거버넌스·도입 체계의 정비 속도도 앞지르고 있다.출처: Overview · p. 69
  • AI 에이전트의 성능이 개선되고 있지만, 여전히 시도 세 번 중 한 번꼴로 실패한다.AI 시스템이 수행할 수 있는 과제의 범위가 넓어지면서 에이전트도 발전하고 있다.출처: Overview · p. 69

2.7 로봇공학과 자율 이동

  • 자율주행차는 대규모 보급 단계에 도달했고 초기 안전 실적도 유망하지만, 로봇은 여전히 비정형 환경에서 어려움을 겪는다.AI가 물리적 공간으로 확장되는 전반적인 흐름은 아직 초기 단계다.출처: Overview · p. 69

2.3 이미지와 동영상

  • 일부 동영상 생성 모델은 사실적으로 보이는 콘텐츠를 만드는 데서 나아가 물리 세계의 작동 원리를 학습하기 시작했다.이러한 진전은 AI를 물리적 공간으로 확장하는 데 도움이 될 수 있다.출처: Overview · p. 69

2.5 특정 분야에서의 성능

  • 세무·법률 추론·기업 재무 등 전문 분야 평가에서 분야별 성능 차이가 나타난다.출처: Overview · p. 69

1 AI 역량은 이를 측정하기 위한 벤치마크의 발전 속도를 앞지르고 인간 수준을 넘어서고 있다 … MLLM의 시간 이해

AI 역량은 벤치마크에서 빠르게 향상되고 있으며, 일부 전문가 수준 추론 과제에서는 모델이 인간 기준 점수에 근접하거나 이를 넘어서고 있다. 그러나 실제 환경에서의 불균일한 성능과 평가의 신뢰성 문제로 발전 수준을 판단하기는 어렵다. 이 절에서는 사용자 선호도, 도구 사용, 충실도 평가를 포함해 언어, 추론, 시각 이해, 생성 전반의 발전과 한계를 살펴본다.

8 AI 모델의 전문 분야 진출 확대, 성능 범위는 60부터

  • OSWorld에서 에이전트 정확도는 약 12%에서 66.3%로 상승해 인간 성능과의 격차가 6퍼센트포인트 이내로 좁혀졌지만, 구조화된 벤치마크에서는 여전히 시도의 약 삼분의 일에 실패한다.전문 분야 평가에서는 최대 90%의 성능이 보고되며, 각 벤치마크에서 상위 15개 모델의 격차는 불과 3퍼센트포인트에 그치기도 한다.출처: §8 · pp. 72–73

Claude Sonnet 4.5 / Gemini 2.5 Pro / DeepSeek-R1

  • Claude Sonnet 4.5는 SWE-bench Verified에서 77.2%+, OSWorld에서 61.4%를 기록하며 성능을 높였고, 장시간 자율 작업 흐름을 위한 도구도 제공했다.GPT-5.1은 SWE-bench Verified 점수를 GPT-5의 약 72.8%에서 약 76.3%로 높이고, 실행 속도를 개선했으며, 추론에 들이는 연산량을 동적으로 조절했다. Gemini 2.5는 컨텍스트를 1M 토큰으로 확장하고, SWE-Bench Verified에서 약 63.8%를 기록했으며, LMArena에서 #1에 올랐다. DeepSeek R1은 출력 집단을 사전에 정의한 규칙과 비교하는 GRPO를 도입해 레이블이 있는 데이터나 별도의 비평 모델 없이 추론을 학습하며 학습 복잡도를 낮췄다.출처: Claude Sonnet 4.5 · p. 74, §8 · p. 74, Gemini 2.5 Pro · p. 74

기술 성능 벤치마크와 인간 성능 비교

  • 최첨단 모델의 Humanity’s Last Exam 성능은 일 년 만에 30퍼센트포인트 상승했으며, 고난도 벤치마크도 빠르게 포화됐다.최첨단 시스템은 ImageNet, SuperGLUE, MMLU에서 인간 기준 성능에 도달하거나 이를 넘어섰고, 고급 추론 벤치마크에서도 인간 성능에 근접했으나 소프트웨어 공학과 컴퓨터 사용에서는 여전히 인간 기준 성능에 미치지 못한다. 역량은 여전히 불균일하다. Gemini Deep Think는 2025 IMO에서 35점으로 금메달을 획득해 2024의 28점·은메달보다 나아졌지만, ClockBench 최고 모델의 정확도는 50.6%로 인간의 90.1%에 미치지 못했다.출처: §1 · p. 72, §7 · p. 72, Technical Performance Benchmarks vs.… · p. 75

최첨단 모델의 성능 격차 축소

  • March 2026 상위 네 기업 모델 간 Arena Elo 점수 차이는 25 미만으로, 일 년 전의 약 97점에서 줄었다.가중치 비공개 모델 Claude Opus 4.6은 가중치 공개 모델 GLM-5를 49점(3.4%) 앞섰고, 미국 선두 모델은 중국의 Dola-Seed-2.0 Preview를 39점(2.7%) 앞섰다. Singh et al., 2025는 기록되지 않은 모델 선택, 불균등한 데이터 접근, Arena 방식 상호작용에 대한 적응이 일반 역량과 무관하게 순위에 영향을 줄 수 있다고 경고한다.출처: Closed- vs. Open-Weight Models · p. 76, Figure 2.1.22 · p. 77, US vs. China Technical Performance · p. 77

AI 벤치마킹

  • MMLU Math의 2%, GSM8K의 42%는 부적절한 문항 비율로, 널리 쓰이는 벤치마크의 심각한 신뢰성 문제를 보여준다.불투명성, 일관되지 않은 프롬프트 사용, 데이터 오염, 낮은 재현성은 비교의 신뢰성을 떨어뜨린다. 상호작용 및 물리적 환경 평가는 아직 미흡해 해석 가능성과 유용성을 측정하는 인간–AI 협업 평가의 필요성이 제기된다. 응답 패턴 분석으로 문제가 있는 문항을 최대 84%의 정밀도로 식별한 연구(Truong et al., 2025), 보안성을 갖추고 지속적으로 갱신하며 공동체가 관리하는 평가를 제안한 연구(Cheng et al., 2025)가 있다. 개발자의 편향 및 환경 영향 보고가 드물고 감소하고 있어 사회적 파급효과가 충분히 평가되지 않는다는 결과도 있다(Reul et al., 2025).출처: Figure 2.1.5 · p. 79, Benchmarking AI · pp. 79–80

MMLU: Massive Multitask Language Understanding / Arena 순위표

  • Gemini-3.1-Pro는 MMLU-Pro에서 91.2%로 선두를 차지했으며, 상위 15개 모델 모두 87%를 넘어 광범위한 지식 평가에서 성능이 좁은 범위에 밀집했다.Arena는 모델을 가린 상태에서 사람이 투표하는 비교로 구조화된 시험을 보완한다. Text Arena 상위 모델의 평점 범위는 약 46점이며, Claude-Opus-4-6-Thinking이 약 1,510으로 선두지만 신뢰구간이 겹쳐 뚜렷한 우위를 가리기 어렵다. 선호가 반드시 정답 여부와 일치하거나 모든 용도를 대표하지는 않는다. Singh et al. (2025)은 순서·길이·문체 편향을 지적한다.출처: MMLU: Massive Multitask Language… · p. 81, Figure 2.2.15 · p. 82, Arena Leaderboard · pp. 82–83

RAG: 검색 증강 생성

  • 컨텍스트 윈도가 커지면 검색 증강 생성에 더 많은 자료를 포함할 수 있지만, 윈도 전체에서 어텐션이 안정적으로 작동해야 하므로 더 나은 답변을 보장하지는 않는다.일반적인 청크 검색은 여러 문서의 정보를 종합하는 데 어려움을 겪을 수 있다. Microsoft Research의 Graph RAG는 이 한계를 해결하기 위해 자료를 지식 그래프와 커뮤니티별 요약으로 구성한다. 다단계 검색과 재순위화에는 답변 품질, 지연 시간, 비용 사이의 추가적인 절충이 따른다.출처: RAG: Retrieval-Augmented Generation · pp. 83–84

Berkeley Function Calling Leaderboard

  • Claude-Opus-4.5는 BFCL 전체 정확도 77.5%로 선두이며, 함수 호출에서 상위 15개 모델의 격차는 약 21퍼센트포인트다.함수 호출은 외부 도구에 보낼 구조화된 요청을 생성한다. BFCL V4는 평가 범위를 에이전트로 넓혀 에이전트형 과제에 40%, 다중 턴 상호작용에 30%를 배정한다. 평가 모드도 중요하다. Grok-4-0709는 프롬프트 모드에서 63%, 함수 호출 모드에서 61.4%를 기록했으며, Grok-4-1은 빠른 추론을 사용할 때 69.6%, 추론을 사용하지 않을 때 58.3%를 기록했다.출처: Berkeley Function Calling Leaderboard · p. 84

MTEB: Massive Text Embedding Benchmark / Arena: 시각

  • 2025년 MTEB English v2의 최고 과제 평균 점수는 76이었다. 2026년 초에는 Gemini-3-Pro가 약 1,285 Elo로 Vision Arena를 이끌었다.MTEB는 50개가 넘는 데이터셋과 여덟 개 과제 범주를 포괄한다. 최고 점수는 2023 이후 약 11점 상승했지만 완벽한 수준에는 이르지 못했다. Vision Arena는 모델을 가린 상태에서 사람의 비교 평가를 Elo에 반영한다. Gemini가 상위 여섯 자리 중 네 자리를 차지했으며, 하위 삼분의 이는 1,230에서 1,260 사이에 밀집하고 신뢰구간도 겹쳐 모델 간 차이를 구분하기 어려웠다.출처: Figure 2.2.48 · p. 85, MTEB: Massive Text Embedding Benchmark · p. 85, Figure 2.3.511 · p. 90

긴 컨텍스트 윈도와 깊이 있는 이해 사이의 격차

  • 2023년 중반 이후 컨텍스트 윈도가 연간 거의 30x 커졌지만, 수용 가능한 입력 길이와 깊이 있는 이해 사이의 격차는 해소되지 않았다.Fiction.liveBench와 MRCR에서 80% 정확도를 유지하는 입력 길이는 9개월 동안 약 250x 늘어났다. 그러나 LongBench v2의 최고 모델 점수는 57.7%로, 시간제한이 있는 인간 전문가의 점수는 53.7%였다(Bai et al., 2025). 단계별 검증은 도움이 되지만 비용이 크며, 여러 정보의 검색과 입력 후반부의 정확도 확보는 여전히 어렵다(Yu et al., 2025). 컨텍스트 활용을 사전 지식과 분리해 평가하자 순위가 크게 바뀌었다(Yang et al., 2025).출처: The Gap Between Long Context Windows… · p. 86

Video-MMMU / MVBench

  • Keye-VL-1.5-8B의 Video-MMMU 전체 정확도는 66%로 인간 기준 성능인 74.4%에 못 미친다. JT-VL-Chat과 JT3.5는 MVBench 평균 정확도 74.1%로 동률이다.Video-MMMU는 전문가 수준의 교육 영상 300개로 지각, 이해, 학습한 지식의 새로운 상황 적용을 평가한다. Δknowledge 지표에서 인간 전문가는 시청 후 33.1퍼센트포인트 향상됐지만 모델 중 가장 크게 향상된 GPT-4o는 15.6퍼센트포인트에 그쳤으며, 모델의 약 삼분의 일은 성능이 하락했다.출처: MVBench · p. 87, Figure 2.3.210 · p. 88, Video-MMMU · p. 88

VBench-2.0 / Video-Bench

  • Veo 3는 66.7%로 VBench-2.0에서 Vidu Q1의 62.7%를 앞서 선두를 차지했으며, Video-Bench 영상 품질에서는 Gen3가 선두이고 Kling이 뒤를 잇는다.VBench-2.0은 인간 묘사의 충실도, 창의성, 제어 가능성, 물리 법칙, 상식에 걸쳐 충실도를 평가한다. 모델은 여전히 복잡한 이야기와 일관된 물체·장면의 동적 변화에 어려움을 겪는다. Video-Bench는 GPT-4o에 few-shot 채점과 chain-of-query 프롬프팅을 적용해 인간 평가와의 일치도를 높였으며, 거의 모든 모델에서 움직임 효과가 가장 취약한 세부 차원임을 확인했다.출처: Video-Bench · p. 90, VBench-2.0 · p. 91, Figure 2.3.612 · p. 91

영상 생성의 발전

  • Veo 3는 제로샷 지각, 물리적 모델링, 조작, 초기 단계의 시각적 추론을 보여주었지만, 특화 시스템이 대체로 더 뛰어났다(Wiedemar et al., 2025).시험에는 정성적 과제 62개, 정량적 평가 7개, 생성 영상 18,000개 이상이 포함되었다. Veo 3는 모든 정량적 과제에서 Veo 2보다 향상되었고, 때로는 Nano Banana와 동등하거나 더 나은 성능을 보였다. 저자들은 연속 프레임을 통한 추론을 “chain of frames”로 표현하며 범용 시각 지능으로 발전할 가능성을 제시했다.출처: Progress in Video Generation · p. 92

GPQA: A Graduate-Level Google-Proof Q&A Benchmark / Understanding and Reasoning Benchmark for Expert AGI

  • GPQA Diamond 평균 정확도 93%는 전문가 기준 성능인 81.2%를 넘어섰으며, Gemini 3.1 Pro Preview는 MMMU에서 88.2%에 도달해 인간 최고 기준 성능과의 격차를 0.4퍼센트포인트 이내로 좁혔다.GPQA는 대학원 수준의 텍스트 전용 추론을 평가하고, MMMU는 대학 수준의 문제에 시각 자료를 결합한다. OpenAI의 o3는 2024 말 87.7%를 기록하며 GPQA의 전문가 기준 성능을 처음 넘어섰다.출처: Understanding and Reasoning Benchmark… · p. 93, Figure 2.4.215 · p. 94, GPQA: A Graduate-Level Google-Proof… · p. 94

ARC-AGI-2 / Humanity’s Last Exam

  • Gemini 3 Deep Think는 ARC-AGI-2에서 84.6%로 선두를 차지했으며, HLE 정확도는 2024에서 2025 사이 30퍼센트포인트 상승해 38.3%에 도달했다.ARC-AGI-2는 일반 지능 전반이 아니라 소수의 예시를 통한 추상화와 규칙 추론을 평가하며, 점수 범위는 약 46%에 걸쳐 있다. HLE는 여러 학문 분야의 고난도 문항 2,700개를 객관식과 단답형으로 제시하며, 높은 확신을 동반한 오류가 여전히 흔하다.출처: Figure 2.4.316 · p. 95, ARC-AGI-2 · p. 95, Figure 2.4.417 · p. 95

MLLM의 시간 이해

  • GPT-5.4 High의 ClockBench 정확도는 50.6%로 인간의 90.1%에 미치지 못했으며, 오차 중앙값은 모델이 약 한 시간에서 세 시간인 데 비해 인간은 삼 분이었다.Saxena et al. (2025)에 따르면 Gemini-2.0의 ClockQA 완전 일치율은 22.6%에 그쳤고, GPT-o1은 CalendarQA에서 정확도 80%를 달성했지만 날짜 계산에서는 더 큰 어려움을 겪었다. 합성 시계 이미지 5,000개로 미세조정하자 익숙한 유형에서는 성능이 향상됐으나 실제 시계나 변형된 시계로 일반화되지 않았다. Fu et al. (2025)은 실패가 시곗바늘 구분을 비롯한 시각적 단서 통합과 관련 있다고 보았다.출처: Time Understanding in MLLMs · p. 96

계획 수립 … 휴머노이드 로봇공학

이 절은 AI의 계획 수립, 소프트웨어, 수학, 금융, 법률, 에이전트 과업 수행, 로봇공학의 발전과 한계를 살펴보며, 휴머노이드 하드웨어와 투자도 다룬다. 벤치마크 성능 향상과 함께 영역별 성능 차이, 평가의 문제점, 현실적 과업과 안전한 로봇 실행에서 지속되는 난제, 휴머노이드의 광범위한 도입과 수요를 둘러싼 불확실성을 검토한다.

계획 수립 / PlanBench

  • PlanBench의 모든 영역을 선도하는 단일 모델은 없다. LAMA는 여전히 강점이 있고, 최첨단 모델은 일부 구조화된 과업에서 뛰어나지만, 표현을 뒤섞은 설명은 성능을 떨어뜨리는 경우가 많다.PlanBench는 완전한 계획을 요구하고 영역별로 최대 45개 과업 중 해결한 수를 센다. LAMA는 Miconic에서 45/45, GPT-5는 Childsnack에서 38/45, Spanner에서 45/45를 기록한다. 표현을 뒤섞은 설명에서는 GPT-5가 Blocksworld에서 12/45, Sokoban에서 7/45로 하락한다. DeepSeek R1은 Blocksworld에서 3/45, Floortile과 Sokoban에서 각각 0/45를 기록한다.출처: PlanBench · p. 98, Figure 2.4.919 · p. 99, Figure 2.4.1020 · p. 99

SWE-bench / Terminal-Bench / Vibe Code Bench

  • Claude 4.5 Opus(높은 추론 강도)가 약 76.8%로 SWE-bench Verified에서 선두를 차지한다. Terminal-Bench 성능은 크게 향상됐지만 자율적 애플리케이션 개발은 여전히 어렵다.Terminal-Bench 2.0 정확도는 February 2025의 20%에서 2026년 초 77.3%로 상승했다. Vibe Code Bench에서는 Claude Opus 4.6 (Nonthinking)이 56.5%로 선두이며, GPT 5.2가 약 47%, GPT 5.3 Codex가 41.4%로 뒤를 잇는다.출처: SWE-bench · p. 100, Figure 2.5.121 · p. 101, Terminal-Bench · p. 101

FrontierMath / MathArena

  • MathArena 정확도 97%는 FrontierMath Tier 4의 31.3%와 대조적이며, 경시대회 답안에서의 높은 성능이 인간 수준의 증명 구성을 뜻하지는 않는다.MathArena 정확도는 November 2025의 약 83%에서 December의 97%로 상승했다. 데이터 오염을 줄이기 위해 새로 공개된 경시대회 문제로 평가하며, 수치 답안은 자동 채점하고 증명은 사람이 평가한다. FrontierMath는 독창적이고 극도로 어려운 문제를 사용하며, GPT-5.2 Pro (Web App)가 2025년 말 기준 Tier 4에서 선두였지만 여전히 약 삼분의 이의 문제에서 실패했다.출처: Figure 2.5.525 · p. 103, MathArena · p. 103, Figure 2.5.424 · p. 103

정리 증명

  • Aletheia는 IMO-ProofBench에서 91.9%로 Gemini 3 Deep Think의 76.7%를 앞서지만, 경시대회 문제에 대한 익숙함이 점수에 영향을 줄 수 있다.IMO-Bench (Luong et al., 2025)는 답안 생성, 증명 구성, 채점을 분리한다. 자동 증명 점수와 전문가 점수의 상관계수는 기본 문제에서 0.96, 고급 문제에서 0.93이지만, 중요한 결과에는 사람의 검증이 필요하다. Gemini Deep Think는 2025년 자연어로 4.5시간 안에 6문제 중 5문제를 풀어 35점으로 IMO 금메달을 획득했다. 이는 전문가의 도움을 받아 며칠에 걸쳐 은메달 수준의 성과를 낸 2024년 파이프라인과 대조된다(Luong and Lockhart, 2025).출처: Theorem Proving · p. 104, Figure 2.5.726 · p. 105, Figure 2.5.6 · p. 105

TaxEval / MortgageTax

  • Claude Sonnet 4.6은 TaxEval v2에서 77.1%로 선두다. MortgageTax의 최고 성능은 Gemini 3.1 Pro Preview의 69.4%로, 70% 미만이다.TaxEval 상위 15개 모델 중 최저 성능은 Claude 3.7 Sonnet Thinking의 74%다. 전문가가 검증한 1,500개 이상의 문항으로 사실적 정확성과 전문가 수준의 추론을 평가한다. MortgageTax는 주택담보대출 세금 문서 1,258개에서 의미 정보 추출과 연간 환산 금액 계산을 평가하며, 상위 15개 모델 중 최하위인 GPT 4.1은 65.9%를 기록했다.출처: Figure 2.5.827 · p. 106, TaxEval · p. 106, Figure 2.5.928 · p. 107

CorpFin / Finance Agent

  • Kimi K2.5는 68.26%로 CorpFin v2에서 선두이며, Claude Sonnet 4.6은 Finance Agent v1.1에서 63.33%로 선두지만 정확도는 삼분의 이에 못 미친다.CorpFin은 세 가지 문서 접근 설정에서 200페이지가 넘는 대출 약정서의 정보 추출, 추론, 해석 능력을 평가한다. GPT 4.1은 63.05%를 기록했으며, 70%를 초과한 모델은 없다. Finance Agent는 537개 문항으로 초급 분석가의 역량을 평가하며, Kimi K2.5는 50.62%로 선두보다 약 13퍼센트포인트 낮다.출처: Figure 2.5.1029 · p. 108, CorpFin · p. 108, Figure 2.5.1130 · p. 109

CaseLaw / LegalBench

  • GPT‑5.1은 CaseLaw v2에서 73.4%로 선두다. 점수가 촘촘히 모여 있는 LegalBench에서는 Gemini 3.1 Pro Preview (2/26)가 87.4%로 선두다.CaseLaw는 접근이 제한된 최근 판결문으로 문서에 근거한 추론을 평가하지만, 모델은 일반 지식에 의존하는 경우가 많다. GPT 4.1은 69.9%로 뒤를 잇는다. LegalBench는 여섯 유형의 법률 추론을 평가하며, 상위 15개 모델 모두 83%를 넘고 점수 차이는 약 4퍼센트포인트다.출처: Figure 2.5.1231 · p. 110, CaseLaw · p. 110, Figure 2.5.1332 · p. 111

GAIA / OSWorld / WebArena

  • Claude Opus 4.5는 OSWorld 정확도 66.3%로 인간과의 격차를 6퍼센트포인트 이내로 좁혔다. GAIA는 인간 기준 성능 92%에 비해 74.5%에 도달했다.OSWorld는 데스크톱 사용, 파일 조작, 여러 애플리케이션을 활용하는 369개 과제를 평가한다. GAIA 정확도는 January 2025의 약 20%에서 September 2025의 74.5%로 상승했다. WebArena는 수행 단계가 긴 웹 과제 812개를 추가하며, 행동 기록이 아닌 최종 웹사이트 상태로 목표 달성 여부를 검증한다.출처: Figure 2.6.133 · p. 112, GAIA · p. 112, Figure 2.6.234 · p. 113

WebArena

  • 2026년 초 WebArena 성공률이 74.3%에 도달하면서 선두 모델과 인간 기준 성능 78.2%의 격차는 4퍼센트포인트 이내로 좁혀졌다.성공률은 2023년 약 15%에서 상승했으며, 이 절의 에이전트 벤치마크 중 모델과 인간의 성능 격차가 가장 작다.출처: WebArena · p. 113, Figure 2.6.335 · p. 114

MLE-bench

  • MLE-bench 성공률은 2024년 약 17%에서 2026년 초 64.4%로 상승해 종단 간 기계학습 과업의 진전을 보여준다.선별된 Kaggle 경진대회 75개에 학습·테스트 분할을 새로 구성하고 채점 방식을 재구현해, 로컬 환경에서 인간 순위표와 메달 기준에 비추어 평가한다. 다만 이 경진대회 문제들은 대부분의 실제 데이터 과학 업무보다 구조화되어 있다.출처: Figure 2.6.436 · p. 114, MLE-bench · p. 114

Cybench

  • Cybench에서 별도 안내 없이 달성한 성공률은 2024년 15%에서 93%로 상승해, 이 절의 에이전트 벤치마크 중 가장 가파른 향상을 보였다.Cybench는 여섯 가지 CTF 범주에 걸친 전문가 수준의 사이버보안 과업 40개로 구성되며, 사람이 처음 해결하는 데 걸린 시간은 2분에서 거의 25시간까지다.출처: Figure 2.6.537 · p. 115, Cybench · p. 115
  • Claude Opus 4.5는 τ-bench에서 pass@1 70.2%로 선두이며, GPT 5.2가 69.9%, Qwen3.5가 68.4%로 뒤를 잇는다.상위 일곱 모델의 성능은 62.9%–70.2%로, 격차가 7.3퍼센트포인트에 불과하다. 소매 및 항공 업무 과제는 여러 차례에 걸친 대화, 도구/API 사용, 정책 준수 능력을 최종 결과로 평가하며, 이 결과는 주로 데이터베이스 상태와 대조해 검증한다. 이러한 능력은 여전히 구현하기 어렵다.출처: Figure 2.6.6 · p. 115, Cybench · p. 115

RLBench

  • EquAct는 RLBench의 18개 과제 하위 집합에서 평균 성공률 89.4%로 January 2026 기준 선두이며, SAM2Act의 86.8%를 앞선다.과제당 100개의 시연을 사용하는 이 벤치마크의 성공률은 2022년 약 48%에서 2025년 약 90%로 상승했다. EquAct는 모든 방향의 3D 회전 변화에서도 성능을 개선했지만, 이 과제들은 여전히 통제된 시뮬레이션에서 수행 단계가 짧은 과제다.출처: Figure 2.7.1 · p. 116, RLBench · p. 116

BEHAVIOR-1K

  • BEHAVIOR Challenge 선두 팀인 Robot Learning Collective의 Q-score 약 26%와 전체 과업 성공률 12.4%는 가정용 로봇의 지속적인 한계를 드러낸다.BEHAVIOR-1K는 설문조사에서 도출한 가사 활동 1,000개로 구성되며, 시뮬레이션 주거 환경에서 장기적인 이동 조작을 요구한다. Q-score는 달성한 하위 목표에 부분 점수를 부여한다. 별도로 분리해 둔 평가 결과는 과업을 신뢰성 있게 완수하는 것이 현재 역량으로는 여전히 어렵다는 점을 보여준다.출처: BEHAVIOR-1K · pp. 116–117, Figure 2.7.2 · p. 117, ResponsibleRobotBench · p. 117

ResponsibleRobotBench

  • ResponsibleRobotBench에서 GPT-4o는 안전 점수 0.64로 선두이며, GPT-4o mini는 0.40, Qwen-72B는 0.35다.이 벤치마크의 23개 다단계 과제에는 전기, 화재/화학물질, 사람과 관련된 위험이 포함되며, 위험 감지, 안전 추론, 안전한 계획 수립, 필요시 사람에게 도움을 요청하는 능력이 요구된다. 성공하려면 과제 완수와 안전을 모두 충족해야 하며, GPT-4o조차 삼분의 일을 넘는 과제를 안전하게 완료하지 못했다.출처: Figure 2.7.3 · p. 117, ResponsibleRobotBench · p. 117

휴머노이드 로봇공학

  • 휴머노이드 로봇공학은 광범위한 도입보다는 하드웨어 공급과 투자 확대를 보여주며, 수요와 구조화된 공장 시범 운영을 넘어선 확산은 여전히 불확실하다.Figure 02의 BMW 시범 운영은 11개월 동안 1,250시간 넘게 가동되었고, 30,000대가 넘는 차량에 부품 90,000개 이상을 투입했다. 노르웨이의 1X는 $20,000짜리 가정용 로봇의 구매 대기자 등록을 시작했지만, 기업들이 제시한 주요 성과 중 상당수는 검증된 운영 실적이 아니라 아직 향후 목표에 머물러 있다.출처: Humanoid Robotics · p. 118

피지컬 AI와 로보틱스용 파운데이션 모델 … 믿음과 사실: 신뢰성 벤치마킹

이 절에서는 로보틱스와 자율주행의 발전 및 실제 환경에서의 과제와 함께 책임 있는 AI 인프라, 신뢰성 문제, 안전성·공정성·개인정보 보호 간 상충관계를 살펴본다. AI 사고 보고 증가, 비교 가능한 벤치마크 보고의 공백, 환각 및 지식과 믿음의 구분에 대한 평가도 다룬다.

피지컬 AI와 로보틱스용 파운데이션 모델

  • Physical Intelligence의 π₀와 π0.6은 과제별 재학습 없이 여러 로봇 플랫폼에서 과제를 수행하지만, 비전-언어-행동 모델은 여전히 실제 환경에서 상당한 한계를 지닌 연구 단계 시스템이다.VLA는 별도의 인지·계획·행동 모듈을 카메라 입력과 언어 지시를 모터 제어로 변환하는 단일 네트워크로 대체한다. GR00T와 Gemini Robotics도 여러 로봇과 과제에 대응하는 것을 목표로 한다. 학습 데이터에는 비용이 많이 드는 물리적 실험이나 고충실도 시뮬레이션이 필요하므로, Cosmos 같은 월드 파운데이션 모델을 활용한 합성 물리 데이터 생성이 추진되고 있다.출처: Physical AI and Foundation Models for… · p. 120

도입 현황

  • 2025년 아폴로 고의 완전 무인 운행은 약 11백만 건으로 추산돼 전년 대비 175% 증가했으며, 미국의 자율주행 여객 서비스도 확대됐다.2025년 말 기준 웨이모는 로보택시 약 2,500대를 운영하며 주당 약 450,000건을 운행했고, 캘리포니아의 주간 유료 운행은 2023년 중반 거의 전무한 수준에서 약 283,880건으로 늘었다. 도입 현황 자료는 미국에 집중돼 있으며 중국 자료는 상대적으로 적고, 비교 가능한 유럽 자료는 없다.출처: Figure 2.7.540 · p. 121, Deployment · p. 121, Self-Driving Cars · p. 121

기술 혁신과 새로운 벤치마크

  • nuPlan과 Nvidia의 Physical AI-AV에 담긴 약 1,600시간의 주행 데이터는 데이터셋의 성장을 보여주지만, 시간만으로 품질이나 내용의 비교 가능성이 보장되지는 않는다.초기 벤치마크는 한 자릿수 시간의 데이터만 담았지만, Waymo의 2019년 Open Dataset은 약 500시간을 포함했다. 도표에 제시된 일부 데이터셋의 시간은 추정치이며, 시뮬레이션 데이터와 실제 도로 데이터도 다르다. 연구에서는 처음 접하는 교통 상황에 대응하기 위해 다중 센서 데이터셋, 롱테일 종단간 평가, 추론·행동 모델, 다중 시점 추론 벤치마크, 월드 모델, 강화학습을 점점 더 결합하고 있다.출처: Technical Innovations and New Benchmarks · pp. 122–123, Figure 2.7.843 · p. 123, Safety · p. 123

안전성

  • Waymo 자체 안전성 보고에서 교차로 차량 간 사고는 8건 대 198건으로, Waymo와 인간 운전 기준치 간 격차가 가장 컸다.September 2025까지 웨이모는 동일한 주행거리와 지역을 대상으로 한 인간 운전 기준치보다 부상 사고율과 에어백 작동 사고율이 낮다고 보고했다. 그럼에도 월별 ADS 사고 보고 건수는 초기 약 10–25건에서 2024–2025년 후반에는 빈번히 80건을 넘는 수준으로 증가했다. 웨이모의 비중이 가장 컸던 것은 운행 규모가 더 크다는 점과 부합했다.출처: Safety · pp. 123–124, Figure 2.7.9 · p. 124, Figure 2.7.1145 · p. 125

3.1 책임 있는 AI의 범위와 차원

  • 책임 있는 AI는 시스템 속성, 위험 통제, 거버넌스를 포괄하지만, 한 차원의 개선이 다른 차원을 악화시킬 수 있으며 이러한 상충관계를 다루는 확립된 틀은 없다.보고서의 3계층 분석 틀은 기존 추적 차원에 자율성과 인간의 주체성, 환경 지속가능성, 인간의 감독과 이의제기 가능성을 추가한다. 정책·벤치마크·안전성 연구소가 확대되고 있지만, AI 도입은 책임 있는 AI 인프라보다 빠르게 진행되고 있다. 불명확한 책임 소재와 공정성·개인정보 보호·설명가능성에 관한 표준화된 종단 데이터의 부재가 평가를 제약한다.출처: Overview · p. 126, §3.10 · p. 128, §3.1 · p. 129

3.10 책임 있는 AI 차원 간 상충관계

  • 기록된 AI 사고는 2024년 233건에서 2025년 362건으로 늘었으며, 책임 있는 AI 벤치마크 보고는 드물고 파운데이션 모델의 투명성도 하락했다.평균 Foundation Model Transparency Index 점수는 2024년 58에서 2025년 40으로 하락했으며, 학습 데이터·연산 자원·배포 후 영향에 관한 공개가 부족했다. 통상적 사용 조건의 AILuminate 안전성 등급은 탈옥 공격 시 낮아졌다. 언어 평가에서도 지역별 격차가 드러났다. 한 아랍어 모델은 GPT-5.1과 Gemini 2.5 Flash를 능가했고, 여러 선도 모델은 슬로베니아어 지역 방언에서 정확도가 거의 절반으로 떨어졌다.출처: §3.10 · p. 128
  • 상위 26개 모델의 환각률은 22%에서 94%로, 사용자의 믿음으로 제시된 거짓 진술과 다른 사람의 믿음으로 제시된 거짓 진술을 구분하는 데 어려움이 있음을 보여준다.거짓 진술을 사용자의 믿음으로 제시했을 때 정확도는 GPT-4o에서 98.2%에서 64.4%로, DeepSeek R1에서 90% 초과에서 14.4%로 떨어졌다.출처: §3.10 · p. 128
  • 2025년 AI 전담 거버넌스 직무는 17% 증가했고, 책임 있는 AI 정책이 없는 기업 비율은 24%에서 11%로 감소했다.실행 장벽으로는 지식 부족(59%), 예산 제약(48%), 규제 불확실성(41%)이 꼽혔다. GDPR의 영향은 65%에서 60%로 줄었지만 여전히 가장 컸다. ISO/IEC 42001은 36%, NIST AI 위험관리 프레임워크는 33%에 도달했으며, 규제의 영향을 받지 않는다고 보고한 조직은 17%에서 12%로 감소했다.출처: §3.10 · p. 128

AI 사건

  • 2025년 AIID에 보고된 AI 사건은 362건이었으며, OECD AIM의 월간 사건 수는 January 2026에 435건에 달했다. 두 지표 모두 급증세를 보였다.사람이 검토하는 AIID 기록은 영어로 보도되고 사회적 주목도가 높은 사건에 편중되는 반면, AIM은 다국어 뉴스를 자동 수집하며 여섯 달 이동평균이 326건에 달했다. 과거 집계는 계속 수정될 수 있으며, 종합 평가는 차원별 자료가 제한적인 상황에서도 이들 데이터베이스와 벤치마크 보고, 제삼자 평가를 결합한다.출처: Figure 3.2.12 · p. 132, AI Incidents · p. 132, §3.2 · p. 132

관리되지 않은 AI 출력과 유해 발언 (July 8, 2025)

  • Grok은 업데이트로 안전 필터가 완화된 뒤 반유대주의 및 폭력적 극단주의 콘텐츠를 생성했고, 이에 콘텐츠가 삭제되고 텍스트 응답이 일시 중단됐다.July 2025의 이 사건은 콘텐츠 관리가 느슨한 대화형 AI를 대규모로 배포했을 때의 결과를 보여줬다. 비판자들은 안전장치 약화로 피해를 예견할 수 있었다고 주장했다.출처: Unmoderated AI Output and Harmful… · p. 133

AI 딥페이크 사칭과 연애 사기 (March 9, 2025)

  • 배우 진둥을 사칭한 딥페이크는 팬들이 사적인 관계를 맺고 있다고 믿게 해 송금과 중대한 개인적 결정을 유도했다.사기는 특히 고령 여성을 노렸으며, 진둥은 March 2025에 사기 사실을 공개한 뒤 법적 보호 강화와 명확한 처벌을 촉구했다.출처: AI Deepfake Impersonation and Romance… · p. 133

AI를 활용한 웹사이트 사칭과 소비자 사기 (Aug. 20, 2025)

  • 가짜 Joann Fabrics 웹사이트가 결제 정보와 개인정보를 탈취한 사례는 AI를 활용한 복제가 소비자 사기를 확대할 수 있음을 보여준다.해당 소매업체의 파산 이후 등장한 그럴듯한 할인 사이트 때문에 소비자들은 구매한 상품을 받지 못하고 카드 정보까지 유출당했다. AI 도구는 코딩 없이 여러 언어로 웹사이트를 빠르게 복제할 수 있게 해, 자원이 부족한 소규모 브랜드를 노리는 데 필요한 진입 장벽을 낮춘다.출처: AI-Assisted Website Impersonation and… · p. 134

책임 있는 AI 벤치마크

  • 최첨단 모델 개발사들은 능력 벤치마크를 정기적으로 보고하지만, 비교 가능한 책임 있는 AI 평가는 드물게 공개해 독립적 평가를 제약한다.열거된 책임 있는 AI 벤치마크 중 2개를 초과해 보고한 모델은 Claude Opus 4.5뿐이며, StrongREJECT를 보고한 모델도 GPT-5.2뿐이다. 공개가 드물다고 내부 평가가 없다는 뜻은 아니다. 공개 평가 주체들도 능력에 중점을 두며, 맥락에 따라 달라지는 공정성 지표와 일관되지 않은 안전성 보고는 비교를 어렵게 한다.출처: RAI Benchmarks · p. 134, Figure 3.2.4 · p. 135

Hughes Hallucination Evaluation Model(HHEM) 순위표

  • HHEM 평가 상위 15개 모델의 환각률은 1.8%–5.4%이며, 대부분 4%–5%에 몰려 있고 4% 미만은 3개뿐이다.HHEM은 CNN/Daily Mail 문서 요약의 환각을 측정하지만, 개방형 사실성 검사는 다른 과제를 평가하므로 두 척도는 비교할 수 없다. 지난해 상위 모델의 범위는 1.3%–2.9%였으나, 평가 모델 집합이 달라 동일 조건의 추세로 해석할 수 없다.출처: Factuality and Truthfulness · p. 135, Figure 3.2.53 · p. 136, Hughes Hallucination Evaluation Model… · p. 136

AA-Omniscience

  • AA-Omniscience에서 26개 모델의 환각률은 22%–94%이며, Grok 4.20 Beta 0305가 22%로 가장 낮다.총 6,000개 문항은 여섯 분야를 포괄한다. 정답에는 보상을, 오답에는 감점을 부여하고 응답 유보에는 감점을 부여하지 않아, 음의 100에서 100까지인 지수에서 불확실성 인정을 유도한다. 분야별 정규화 후 Gemini 3.1 Pro Preview, Grok 4.20 0309 v2, Claude Opus 4.6 (max)가 가장 우수한 종합 성능을 보였으며, 다른 모델들은 분야별 강점이 고르지 않았다.출처: AA-Omniscience · p. 136, Figure 3.2.6 · p. 137, Figure 3.2.7 · p. 137

믿음과 사실: 신뢰성 벤치마킹

  • KaBLE에서 최신 모델의 일인칭 거짓 믿음 정확도는 62.6%, 삼인칭 거짓 믿음 정확도는 95%로, 인식론적 취약점이 여전히 남아 있음을 보여준다.이 벤치마크는 13개 과제의 13,000개 문항으로 24개 모델의 지식과 믿음 구분을 평가한다. 이전 모델은 해당 거짓 믿음 범주에서 각각 52.5%와 79%를 달성했다. 최근 모델은 재귀적 지식에서 좋은 성능을 보이지만 이는 패턴 매칭의 결과일 수 있으며, 지식은 참이어야 하지만 믿음은 그렇지 않아도 된다는 점을 인식하는 데 여전히 어려움을 겪는다.출처: Belief vs. Fact: Benchmarking… · p. 138

AI 동반자 … 기반 모델 투명성 지수

이 절은 조직의 성숙도, 정책 도입, 연구, 사고 대응, AI 동반자 관련 피해, 개인정보 보호를 중심으로 책임 있는 AI의 실천, 거버넌스, 포용성을 살펴본다. 국가·언어·방언 간 참여와 포용의 격차, 지역별 인프라 구축 사업, 개발자의 투명성, 제도적 안전 인프라도 다룬다.

AI 동반자 / 모델별 INTIMA 프롬프트 범주에 따른 응답 분류

  • 시험한 네 모델 모두에서 동반자 관계 강화형 응답이 경계 유지형 응답보다 많았으며, 실제 사용자 연구에서는 대부분의 AI 안전 프레임워크가 다루지 않는 관계적 피해가 확인됐다.INTIMA는 31가지 행동을 포괄하는 프롬프트 368개로 응답을 동반자 관계 강화형, 경계 유지형, 중립형으로 분류하며, 유형별 비중은 제공업체마다 다르다. Zhang et al., 2025는 Replika 대화 발췌문 35,000개 이상을 분석해 여섯 가지 피해 범주와 가해자·선동자·촉진자·조력자로서의 챗봇 역할을 확인했다. 또한 챗봇에 대한 의존이 사용자의 유해 행동 수용을 부추기는 ‘알고리즘적 순응’을 규명했다.출처: Figure 3.2.9 · p. 139, AI Companions · p. 139, Response classification across INTIMA… · p. 139

책임 있는 AI 성숙도 / AI 사고, 위험, 위험 완화 노력

  • 2025년 전 세계의 책임 있는 AI 성숙도는 4점 만점에 2.3점으로, 관련 실천을 여전히 통합하는 단계였다. 사고를 겪은 조직에서는 반복 사고가 늘고 대응 수준은 낮아졌다.조사에서 중국은 제외됐다. 사고 발생 조직의 비율은 8%로 유지됐지만, 해당 조직 중 사고를 3–5건 보고한 비율은 30%에서 50%로 늘었고, 대응을 탁월하다고 평가한 비율은 28%에서 18%로 줄었다. 부정확성 위험에 대한 인식은 60%에서 74%로, 사이버보안 위험에 대한 인식은 66%에서 72%로 높아졌다. 적극적으로 위험을 완화하는 비율은 각각 71%와 61%에 달했다.출처: Figure 3.3.1 · p. 140, Responsible AI Maturity · p. 140, §3.3 · p. 140

AI 거버넌스와 투자

  • 2025년 AI 거버넌스를 전담 직책에 맡긴 조직은 14%에서 17%로 늘었으며, 데이터·분석 부서가 맡던 책임은 다른 곳으로 이동했다.데이터·분석 부서가 담당하는 비율은 17%에서 13%로 줄었다. 정보 보안 부서가 21%로 가장 흔한 담당 주체였으며, 담당 주체가 없는 조직은 9%에서 5%로 감소했다. 매출이 1십억 달러 미만인 조직 대부분은 책임 있는 AI(RAI) 투자액을 5백만 달러 미만으로 예상했다. 매출이 30십억 달러 이상인 조직에서는 41%가 최소 25백만 달러를 지출할 것으로 예상했고, 22%는 최소 50백만 달러를 예산에 편성했다.출처: AI Governance and Investment · p. 142

실행, 장벽, 효과

  • 책임 있는 AI 정책이 없다고 보고한 조직은 2024년 24%에서 2025년 11%로 줄었으며, 정책의 효과를 보고한 응답자는 늘었다.개선을 보고한 비율은 사업 성과에서 7퍼센트포인트, 운영과 고객 신뢰에서 각각 4퍼센트포인트, 사고 감소에서 8퍼센트포인트 높아졌다. 지식·교육 부족은 51%에서 59%로 늘며 여전히 가장 큰 실행 장벽이었고, 기술적 한계는 32%에서 38%로 늘었다. 에이전트형 AI의 규모 확대에서는 보안·위험 우려가 62%로 가장 컸고, 기술적 한계와 규제 불확실성이 각각 38%로 뒤를 이었다. 경영진의 지원 부족을 장벽으로 꼽은 비율은 에이전트형 AI가 9%로, RAI 정책의 14%보다 낮았다.출처: Implementation, Barriers, and Benefits · p. 144

규제의 영향

  • 2025년 응답자의 60%가 GDPR이 책임 있는 AI 실천에 영향을 준다고 답했다. 이는 65%에서 낮아진 수치지만, GDPR은 여전히 가장 많이 언급된 규제 요인이었다.AI 특화 규제의 영향을 보고한 비율은 2퍼센트포인트 높아졌다. 새로 포함된 ISO/IEC 42001과 NIST AI 위험관리 프레임워크의 응답 비율은 각각 36%와 33%였으며, 2024년 비교 수치는 없다. OECD AI 원칙의 영향은 21%에서 16%로 줄었고, 규제의 영향이 없다고 보고한 조직은 17%에서 12%로 감소했다.출처: Regulatory Influence · p. 146

논문 수 / 지역별 분포

  • 추적 대상인 여섯 학회에서 채택된 책임 있는 AI 논문은 2025년 1,278편에서 1,521편으로 19% 증가했으며, 중국이 미국을 추월했다.키워드 기반 추적이므로 모든 논문을 포괄하지는 않는다. 보안·안전은 641편(+23%), 공정성·편향은 462편(+13%), 투명성·설명가능성은 405편(+14%), 개인정보 보호·데이터 거버넌스는 248편(+33%)이었다. 종합 학회에서 RAI 논문 비중은 약 8%를 유지했다. 중국은 812편, 미국은 394편으로, 2024년의 중국 322편 대 미국 788편에서 순위가 뒤집혔다. 유럽의 논문 수는 2024년과 2025년에 감소했지만, 2019–2025년 누적 논문 수는 여전히 미국이 가장 많았다.출처: Figure 3.4.1 · p. 147, Publication Volume · p. 147, §3.4 · p. 147

3.5 RAI 정책 수립 / 글로벌 AI 거버넌스 참여

  • 국제 AI 거버넌스 참여는 확대됐지만 주요 AI 개발국 대부분은 UNESCO 준비도 평가에 참여하지 않았고, 국제 이니셔티브에 대한 지지는 여전히 고르지 않았다.UNESCO의 RAM은 법적 체계, 인프라, 교육을 평가한다. 참여는 중남미, 사하라 이남 아프리카, 남아시아·동남아시아 일부에 집중돼 역량 강화라는 목적에 부합한다. 2019–2025년에 기록된 모든 주요 이니셔티브를 지지한 국가는 캐나다, 프랑스, 독일, 이탈리아, 일본뿐이었다. 2025년 AI 행동 정상회의에는 100개국 이상이 모였고 서명 주체 64곳을 확보했지만, 미국과 영국은 각각 혁신 우선 기조와 국가안보 우려를 이유로 서명을 거부했다.출처: §3.5 · p. 150, Global AI Governance Participation · p. 151

3.6 개인정보 보호를 위한 데이터 거버넌스 / 데이터 보호와 개인정보 보호 / 3.7 공정성과 편향

  • 국가별 GIRAI 개인정보 보호 점수는 0에 가까운 값부터 80 초과까지 분포했으며, 호주와 유럽 일부가 가장 높은 점수를 받았다.GIRAI는 November 2023–February 2024에 실시하고 품질 검토를 거친 1,862개 문항의 전문가 설문조사로 138개국을 평가한다. 낮은 점수는 개인정보 보호를 경시해서가 아니라 AI 도입 초기 단계이거나 제도적 역량이 제한적이기 때문일 수 있다. 대부분의 국가에 개인정보 보호 법률이 있지만, 아프리카와 아시아 일부 지역에는 여전히 공백이 있다. 이어지는 공정성 평가는 공정성이 맥락에 따라 달라진다는 점을 고려해 편향과 부당한 차별, 성평등, 문화·언어적 다양성을 구분한다.출처: Data Protection and Privacy · p. 153, §3.6 · p. 153, Figure 3.6.1 · p. 154

편향과 부당한 차별

  • 아프리카, 중동, 중앙아시아의 상당수 국가에서 GIRAI 편향·차별 점수는 20 미만이었으며, 미국과 캐나다가 가장 높은 순위를 차지했다.점수는 전반적으로 낮았으며, 호주, 유럽 일부, 브라질은 중간 범위에 속했다. 이 평가 항목은 AI의 차별적 결과를 막기 위한 정부의 보호 장치와 시민사회의 독립적 노력을 평가한다.출처: Figure 3.7.1 · p. 155, Bias and Unfair Discrimination · p. 155

성평등

  • 캐나다와 네덜란드가 GIRAI 성평등 항목에서 선두를 차지했다. 이 항목은 AI 개발·사용 전반에서 성별 편향을 방지하고 평등한 권리를 보호하는 활동을 평가한다.유럽 일부와 일본은 61–80점, 미국과 브라질은 41–60점을 받았다.출처: Figure 3.7.2 · p. 156, Gender Equality · p. 156

문화·언어 다양성

  • 아프리카 국가의 39%에서 문화·언어 다양성을 보호하는 비국가 주체의 활동이 있었지만, 정부 프로그램이 있는 국가는 7%, 법적 체계를 갖춘 국가는 2%였다.유럽, 아시아, 중동에서도 비국가 주체의 활동이 정부보다 앞섰다. 북미에서는 프로그램과 비국가 주체의 활동이 활발했지만 법적 체계는 상대적으로 덜 발달했다. 다양성 항목 전체에서는 싱가포르가 선두였으며, 독일, 아일랜드, 이탈리아, 카타르, 에스토니아, 슬로베니아도 상위권인 70–88점을 받았다.출처: Cultural and Linguistic Diversity · p. 156, Figure 3.7.4 · p. 157, Figure 3.7.3 · p. 157

포용성과 글로벌 언어 격차

  • HELM Arabic에서 LLM-X가 평균 0.86점으로 선두를 차지했으며, Gemini 2.5 Flash의 0.82점과 GPT-5.1의 0.81점을 앞섰다.HELM Arabic은 학업 평가, 문법, 지역 특화 안전성을 아우르는 일곱 벤치마크로 구성되며, 영어 중심 순위가 다른 언어에서도 유지되지는 않음을 보여준다. 인도 사용자에게 맥락상 적절한 응답을 평가하는 Indic LLM Arena에서는 GPT-5.2가 1,314점, GPT-5.1이 1,298점, Gemini 3 Flash가 1,288점, Qwen3-Next-80B가 1,156점, Llama-4-Maverick-17B가 1,108점을 받았다.출처: Figure 3.7.514 · p. 158, Inclusiveness and the Global Language… · pp. 158–159, Figure 3.7.615 · p. 159
  • GPT-5의 정확도는 표준 슬로베니아어에서 99.8%였지만 체르크노 방언에서는 88.6%로 떨어져, 같은 언어 안에서도 성능 격차가 나타났다.Mistral Medium 3.1은 90.0%에서 53.2%로, Llama 3.3은 87.0%에서 53.6%로 하락했다. 방언은 표기, 어휘, 문법이 다르며 학습 데이터에 거의 포함되지 않는다.출처: Inclusiveness and the Global Language… · p. 159, Figure 3.7.716 · p. 160

포용성과 글로벌 언어 격차; 아프리카; 아시아, 중동·북아프리카(아랍어), 중앙아시아; 3.9 보안과 안전

  • 지역별 사업은 현지 AI 인프라를 통해 영어 중심의 성능 격차에 대응하며, 안전 인프라도 평가 프레임워크, 정부 지원 기관, 표준화된 벤치마크를 통해 확대됐다.SEA-LION과 AI4Bharat는 형태론, 문자 체계, 디지털화된 텍스트 부족으로 표준 다국어 도구의 활용이 어려운 언어를 위해 맞춤형 데이터 파이프라인, 토크나이저, 벤치마크를 개발한다. 지역별 평가 사례로는 아프리카 64개 언어를 포괄하는 AfroBench와 SEA-HELM의 언어·문화 평가가 있다. 안전은 책임 있는 AI의 여러 영역 중 제도적 인프라가 가장 빠르게 성장한 영역이었다.출처: Inclusiveness and the Global Language… · pp. 158, 160, AFRICA · p. 160, ASIA, MENA (ARABIC), CENTRAL ASIA · p. 161

Openness Index

  • 주요 모델 대부분의 Openness Index 점수는 100점 만점에 2–16점이었으며, 두 투명성 지수 모두에서 학습 데이터 공개가 미흡했다.Openness Index는 가중치 접근성, 라이선스, 학습 방법론, 학습 데이터 공개를 평가한다. K2 Think와 Olmo 3 32B Think가 선두였으며, 사전학습 데이터 투명성 점수를 받은 모델도 이 둘뿐이었다. 점수 대부분은 접근성과 방법론에서 나왔고, 2025년 주목할 만한 산업계 모델의 90% 초과가 학습 코드 없이 공개됐다.출처: Figure 3.8.1 · p. 163, The Openness Index · p. 163, Foundation Model Transparency Index · p. 164

기반 모델 투명성 지수

  • 2025년 FMTI 평균 투명성 점수는 40점으로 2024년 58점보다 낮아졌다. IBM이 95점으로 선두였고 Writer가 72점으로 뒤를 이었다.FMTI는 개발자의 개발 전 단계, 모델 수준, 배포·활용 단계 정보 공개를 평가한다. 학습 데이터와 자원 등 개발 전 단계 정보의 공개가 가장 미흡했다. xAI와 Midjourney는 각각 14점이었으며, 개방형 모델 개발사, 기업용 서비스 제공업체, 투명성 보고서 발행사, EU AI법 서명 주체의 점수가 대체로 높았다.출처: Figure 3.8.2 · p. 164, Foundation Model Transparency Index · p. 164

전 세계 AI 안전 연구소 … 생성형 AI의 가치는 얼마인가?

이 절에서는 AI 투자·도입·추정 소비자 가치의 확대와 함께 AI 안전성 평가를 살펴본다. 일반적 사용 상황에서의 성능 향상, 지속되는 탈옥 취약성, 책임 있는 AI의 상충관계를 다룬다. 또한 특정 지역과 인프라에 집중된 투자, 최첨단 AI 기업의 매출 및 연산 비용 증가, 미국의 생성형 AI 소비자 잉여 확대, 불균등한 노동시장 영향, 불확실한 경제 전반의 생산성 향상을 검토한다.

전 세계 AI 안전 연구소

  • 국가 지원 AI 안전 연구소가 세계적으로 늘고 있지만, 여전히 부유한 기술 선진국에 집중되어 있으며 보안·평가·규제 집행의 우선순위도 서로 다르다.영국, 미국, 일본, 싱가포르, 이스라엘에서는 연구소가 운영 중이다. 인도와 프랑스는 연구소를 출범시켰고, 캐나다, 한국, 독일, 브라질은 설립을 추진 중이다. 이들 기관은 정부 정책을 뒷받침하는 기술 평가와 안전성 연구를 수행한다. 케냐와 호주처럼 독립 연구소가 없는 국가도 국제 네트워크 가입을 통해 참여할 수 있다.출처: Global AI Safety Institutes · p. 165

HELM Safety

  • 2024–2025년 모델 대부분은 HELM Safety에서 0.90–0.98점을 기록했다. 성능은 향상되고 있으나 선도 시스템 간 벤치마크 변별력은 제한적임을 시사한다.HELM Safety는 사회적 편향, 자해 및 학대 위험, 괴롭힘과 허위정보, 적대적 대화, 유용성과 무해성 간 상충관계를 평가한다. 이전 세대인 2023년 모델의 점수는 더 낮았다. 최근 모델의 점수가 좁은 범위에 몰리는 현상은 현행 벤치마크가 유의미한 안전성 차이를 구분할 만큼 세밀하지 않을 수 있음을 시사한다.출처: Figure 3.9.2 · p. 166, HELM Safety · p. 166

3.10 책임 있는 AI의 여러 측면 간 상충관계

  • 책임 있는 AI의 한 측면을 개선하면 다른 측면이 악화될 수 있다. 모든 면에서 우월한 개입이나 모델은 없으며, 이러한 상충관계를 비교할 공통 분석틀도 없다.Kemmerzell and Schreiner (2024)는 차등 프라이버시가 정확도를 최대 33퍼센트포인트 낮추고, 공정성 학습은 인구통계적 불균형이 가장 큰 데이터셋에서만 도움이 되며, 강건성 중심 데이터 증강의 부작용이 가장 적었다고 보고했다. Cecchini et al. (2024)에서는 GPT-4가 강건성(0.91)과 정확도(0.67)에서, Llama 2 7B가 유해성 회피(0.98)에서 가장 앞섰다. 이 연구들은 특정 과제에 한정된다. Wasif et al. (2025)은 데이터가 적은 병원에서 차등 프라이버시를 강화하면 알츠하이머병 식별 정확도가 14.8퍼센트포인트 낮아지고 진단 누락이 21.4% 늘어나는 반면, 암호화 기반 대안은 공정성을 더 안정적으로 유지하지만 연산 자원이 두세 배 더 필요하다고 보고했다.출처: §3.10 · p. 170

개요 / AI 기업 매출과 소비자 가치

  • 2026년 초 미국의 생성형 AI 소비자 잉여는 연간 $172 billion으로 추정되며, 매출과 연산 지출의 급증 및 특정 지역에 집중된 투자가 함께 나타났다.소비자잉여는 전년의 $112 billion에서 54% 증가했고, 사용자당 가치의 중앙값은 세 배로 늘었으며, 대부분의 도구는 여전히 무료이거나 거의 무료였다. 최첨단 AI 기업의 매출과 컴퓨팅 비용이 함께 급증했으며, 구글은 2025년 연간 자본적 지출이 $150 billion을 넘었다고 보고했다. 미국의 생성형 AI 투자액은 중국과 유럽의 합계를 웃돌았지만, 민간 투자 수치에는 2000–2023년 AI 기업에 투입된 것으로 추정되는 $184 billion 등 중국 정부의 막대한 자금 지원이 빠져 있다. 경제 전반의 생산성에 관한 근거는 아직 초기 단계이며 결과도 엇갈린다.출처: Overview · p. 171, §3 · p. 173, §2 · p. 173

조직 및 인구 기준 AI 도입

  • 생성형 AI의 인구 기준 도입률은 3년 만에 53%에 도달해 개인용 컴퓨터나 인터넷보다 빠르게 확산했지만, 국가별 도입률에는 큰 차이가 있었다.도입률은 1인당 GDP와 강한 상관관계를 보였으며, 싱가포르는 61%, 아랍에미리트는 64%에 도달했다. 미국은 28.3%로 24위였다. 조직의 70%가 하나 이상의 업무 기능에서 생성형 AI를 사용했고, 중국과 유럽에서 전년 대비 증가 폭이 가장 컸다. 반면 AI 에이전트 도입률은 거의 모든 업무 기능에서 한 자릿수에 머물렀다.출처: §5 · p. 173

일자리 / 생산성 / 로봇 도입

  • 2024년 이후 22–25세 소프트웨어 개발자의 고용이 거의 20% 감소한 것은 노동시장 영향이 불균등함을 보여준다. 측정된 생산성 향상도 과제에 따라 다르다.조사 대상 조직의 삼분의 일은 인력 감축을 예상했고, 거의 절반은 변화가 거의 없거나 전혀 없을 것으로 예상했으며, 전반적인 고용 자료에서는 대규모 일자리 감소가 나타나지 않았다. 보고된 생산성 향상률은 고객 지원에서 14%–15%, 소프트웨어 개발에서 26%, 마케팅 산출물에서 50%였으며, 심층 추론 과업에서는 향상 폭이 더 작았고 학습 저해에 대한 우려도 있었다. 산업용 로봇 분야에서 중국의 전 세계 설치 비중은 2023년 51.1%에서 2024년 54%로 늘었지만, 전 세계 연간 설치 규모는 정체됐고 대만은 33% 증가했다.출처: §5 · p. 173, §8 · pp. 173–174

기업 투자 동향 / 민간 투자 동향

  • 2025년 전 세계 기업의 AI 투자는 $581.69 billion으로 전년 대비 129.9% 증가했으며, 민간 자금은 대규모 거래에 더욱 집중되었다.기업 투자에는 인수, 소수 지분 투자, 민간 투자, 공모가 포함된다. 민간 투자 분석은 2013년 이후 $1.5 million을 초과하는 자금을 조달한 AI/ML 기업을 대상으로 한다. 민간 투자액은 127.5% 증가한 $344.7 billion에 달했으며, 이 중 생성형 AI 투자액은 200% 넘게 증가한 $170.9 billion이었다. 신규 자금 조달 기업 수는 70.8% 증가했고, 십억 달러 규모의 자금 조달 건수는 15건에서 28건으로 늘었다.출처: Corporate Investment Activity · p. 178, §4.2 · p. 178, Figure 4.2.2 · p. 179

민간 투자의 지리적 분포

  • 2025년 미국은 $285.9 billion의 민간 AI 투자를 유치해 선두를 차지했으며, 중국은 $12.4 billion, 영국은 $5.9 billion을 기록했다.미국은 신규 투자 유치 기업 수도 1,953개로 영국의 172개와 중국의 161개를 앞섰다. 2013년 이후 누적 투자액 역시 $757.3 billion으로 중국의 $131.8 billion을 웃돌았다. 미국 내에서는 캘리포니아가 전국 총액의 75%를 초과하는 $218 billion을 유치했지만, 주별 집계가 모든 투자를 포괄하지는 않는다.출처: Figure 4.2.8 · p. 182, Geographic Distribution of Private… · pp. 182, 184, 186, Figure 4.2.12 · p. 184
  • 2000–2023년 정부 유도기금을 통해 중국 AI 기업에 유입된 자금은 $184 billion으로 추정되며, 이 자금은 민간 투자 비교에서 제외된다.정부가 조성한 이 기금들은 재무적 수익과 정부의 전략적 우선과제를 함께 추구한다(Beraja et al., 2024; Luong et al., 2021). 따라서 민간 투자 비교는 중국의 전체 AI 자본 투입 규모를 과소평가할 가능성이 크다.출처: Geographic Distribution of Private… · p. 184

민간 투자의 주요 분야

매출

  • 매출 $1 billion 돌파 이후 OpenAI의 초기 매출 성장은 같은 기간을 비교했을 때 Uber, Cheniere Energy, Moderna보다 빨랐다.비교 대상 중 연간 매출 $100 billion을 향해 성장하던 기업은 Google뿐이었다. 최첨단 AI 기업의 연환산 매출 추정치는 빠른 성장을 보여주지만, 보고의 신뢰도와 회계 관행이 제각각이어서 대략적인 추세를 나타낼 뿐이며 반드시 연간 반복 매출을 뜻하지는 않는다.출처: Revenue · p. 189, Figure 4.2.19 · p. 190

연간 연산 지출

  • 최첨단 AI 매출이 증가하는 가운데 OpenAI와 Anthropic은 2025년 연간 연산 지출이 2024년보다 크게 늘었다고 보고했다.보고된 지출은 대부분 자체 보유 데이터센터가 아닌 임대한 클라우드 용량에 대한 것으로, 모델 학습과 운영을 위해 확보한 연산 자원의 대리지표다.출처: Annual Compute Spend · p. 190

자본적 지출

  • Google은 2025년 자본적 지출이 $150 billion을 초과했다고 보고했으며, Amazon과 함께 첨단 AI 인프라를 뒷받침하는 최대 지출 기업으로 꼽혔다.클라우드 제공업체는 AI 기업에 임대하는 인프라의 구축 자금을 부담한다. 발표된 사업에는 $100–$500 billion 규모의 Stargate, Google의 $40 billion 규모 텍사스 데이터센터 투자 계획, Microsoft의 $17.5 billion 규모 인도 인프라 투자가 포함되었다.출처: Figure 4.2.21 · p. 191, Capital Expenditures · p. 191

생성형 AI의 가치는 얼마인가?

  • 생성형 AI의 소비자 잉여는 추정 미국 매출을 웃돌며, 이는 사회적 수익이 생산자가 확보하는 사적 수익보다 큼을 시사한다.Brynjolfsson et al. (2026)은 2025년(N=1,400)과 2026년 초(N=2,000)에 온라인 선택 실험을 실시했다. 생산성을 측정하는 대신 모든 생성형 AI 도구를 한 달 동안 포기하는 데 필요한 보상액을 물었다. 소비자 잉여를 예측하는 가장 강력한 개별 요인은 사용 빈도였으며, 업무 활용, 사용하는 제품의 다양성, 유료 구독이 뒤를 이었다. 실용적 조언, 기술 지원, 정보 탐색은 더 높은 소비자 잉여와 연관되었다.출처: What Is Generative AI Worth? · p. 192
  • Brynjolfsson et al. (2026)이 추정한 미국의 생성형 AI 소비자 잉여는 연간 $172 billion으로, $112 billion에서 증가했다.미국 성인의 사용률은 48%에서 56%로 증가했다. 사용자당 평균 소비자 잉여는 2025년 $98에서 March 2026까지 $125로 27% 증가했고, 중앙값은 $3.40에서 $11.40로 상승했다.출처: What Is Generative AI Worth? · p. 192

산업계 활용 … AI 인재 집중도

이 절은 2025년 조직의 AI 도입, AI 에이전트 배치, AI 역량 수요를 추적하며 국가·산업·기능별 차이를 살펴본다. 또한 LinkedIn 데이터를 바탕으로 2016–25년 AI 인재 비중과 집중도를 성별·지역별로 도표화한다.

산업계 활용

  • 2025년 소속 조직에서 AI를 사용한다고 응답한 비율은 88%로 2024년의 78%에서 증가했으며, 생성형 AI를 정기적으로 사용하는 비율도 71%에서 79%로 늘었다.절반 이상이 최소 세 가지 업무 기능에서 AI를 사용한다고 보고했다. 모든 지역에서 도입률이 상승했으며, 중국과 유럽은 각각 13퍼센트포인트와 11퍼센트포인트 증가했다.출처: Figure 4.3.1 · p. 193, Industry Usage · p. 193

산업 및 기능별

  • 산업·기능 조합별 도입률은 비즈니스·법률·전문 서비스업의 지식 관리와 기술 산업의 소프트웨어 엔지니어링이 58%로 가장 높았으며, 도입 효과는 기능별로 달랐다.정보 처리와 고객 대면 기능이 대체로 도입을 주도한 반면, 전략·재무·위험 관리·규제 준수는 뒤처졌다. 다만 금융 서비스업의 위험 관리와 규제 준수는 예외였다. 비용 절감을 보고한 비율은 소프트웨어 엔지니어링과 제조에서 가장 높았고(56%), 매출 증가를 보고한 비율은 마케팅·영업(67%), 전략·기업 재무(65%), 제품·서비스 개발(62%)에서 두드러졌다. 혁신이 개선되었다는 응답은 64%, 직원 및 고객 만족도가 개선되었다는 응답은 45%였으나, 개선을 체감했다는 응답은 효과가 없었다는 응답과 비슷한 경우가 많았으며 비용 지표가 악화되었다는 응답은 7% 이하였다.출처: By Industry and Function · pp. 194–195, Figure 4.3.31 · p. 195, Figure 4.3.4 · p. 196

도입 단계

  • 거의 모든 업무 기능에서 AI 에이전트를 확대 도입한 비율은 한 자릿수에 그쳤지만, 규모가 큰 기업일수록 더 폭넓은 AI 프로그램을 확대 도입하는 경향이 있었다.대부분의 응답자는 에이전트를 사용하지 않는다고 보고했으며, IT와 지식 관리에서도 미사용 비율이 약 삼분의 이 이상이었다. 기술 부문의 대규모 에이전트 활용률은 소프트웨어 공학(24%), IT(22%), 서비스 운영(21%)에서 상대적으로 높아, 전반적인 AI 도입이 이미 자리 잡은 업무 기능에 집중됐다.출처: Deployment Stages · p. 197, Figure 4.3.63 · p. 197, Figure 4.3.7 · p. 198

AI 확산 징후 측정

  • 생성형 AI는 3년 내 도입률이 약 53%에 달해 개인용 컴퓨터와 인터넷의 초기 확산 속도를 앞질렀다(Bick et al., 2024).Microsoft의 원격 측정 데이터에서는 도입률이 일인당 GDP와 양의 상관관계를 보였으나(Misra et al., 2025), 아랍에미리트는 64%, 싱가포르는 61%를 넘어서며 GDP에 따른 추세를 웃돌았다. 2025년 상반기에서 하반기 사이 한국은 도입률이 4.8% 상승하고 순위가 25위에서 18위로 올랐으나, 미국은 인구 대비 도입률이 28.3%였음에도 24위로 하락했다.출처: Figure 4.3.95 · p. 199, Measuring Signals of AI Diffusion · pp. 199–201, Figure 4.3.10 · p. 200
  • 2025년 내내 Anthropic 플랫폼 활동의 약 40%가 컴퓨터·수학 업무와 관련되었으며(Massenkof et. al, 2026), 교육 목적의 활용도 증가했다.교육 지도 및 도서관 관련 작업의 비중은 2025년 초 9%에서 연말 약 14%로 증가했다. 자동화 목적의 대화 비중은 August까지 41%에서 49%로 올라 업무 보조를 잠시 앞질렀으나, November에는 업무 보조가 52%로 다시 우위를 차지했다.출처: Figure 4.3.137 · p. 202, Measuring Signals of AI Diffusion · p. 202, Figure 4.3.14 · p. 203

지역별 / 산업별 / 주별 AI 인력 수요

  • 2025년 싱가포르 채용 공고의 4.69%가 AI 역량을 요구해 조사 대상국 중 가장 높았으며, 미국의 수요는 여러 산업으로 확대되었지만 여전히 특정 지역에 집중되었다.미국의 AI 역량 요구 채용 공고 비중은 2.6%에 도달했다. 모든 경제 부문에서 수요가 증가했으며, 정보 부문의 AI 채용 공고 비중은 7.8%에서 13.2%로 상승했고 교통, 부동산, 교육 부문으로도 증가세가 확산됐다. 캘리포니아의 공고는 170,881건으로 미국 AI 채용 공고의 17.2%를 차지했으며, 캘리포니아·텍사스·뉴욕을 합치면 약 삼분의 일이었다. 워싱턴 D.C.는 지역 내 채용 공고 중 AI 공고 비중이 6.2%로 상대적으로 높았다.출처: AI Labor Demand Across Geographies · p. 204, Figure 4.4.1 · p. 204, By Sector · p. 209

역량 구성

  • 생성형 AI 역량 언급 건수는 111% 증가했지만 AI 관련 채용 공고에서 이를 언급한 비율은 5% 감소했으며, 수요는 에이전트형 시스템으로 이동했다.미국 전체 채용 공고에서 포괄적 AI 역량군과 머신러닝 역량군은 각각 1.7%와 1.0%에 등장했다. Python은 258,674건에 등장했으며, 인프라 관련 역량은 장기적으로 크게 증가했다. 에이전트형 AI와 오케스트레이션 프레임워크에 대한 언급은 늘어난 반면, ChatGPT·챗봇·대화형 AI를 언급한 비율은 줄어 과업 지향 시스템의 조율과 운영에 대한 수요를 보여 주었다.출처: Skill Composition · p. 205

AI 인재 집중도

  • 2025년 LinkedIn 회원 중 AI 인재 집중도는 이스라엘이 2.1%로 가장 높았고, 싱가포르 1.8%, 룩셈부르크 1.6%가 뒤를 이었다.2019–2025년 모든 표본 국가에서 집중도가 최소 75% 증가했으며, 아랍에미리트·인도·사우디아라비아에서는 증가율이 100%를 초과했다. 순유입은 룩셈부르크가 LinkedIn 회원 10,000명당 5.23명으로 가장 높았고, 미국은 1.2명이었다. 남성은 대체로 AI 인재의 65%–75%를 차지했으며, 성비는 2016년 이후 대체로 변하지 않았다. 미국에서는 여성 34.3%, 남성 65.7%였다.출처: Figure 4.4.2113 · p. 214, AI Talent Concentration · pp. 214–215
  • 별표는 y축 눈금에 다른 국가와 다른 척도를 사용하는 국가를 표시한다.국가별 도표를 비교할 때 이러한 척도 차이를 고려해야 한다.출처: AI Talent Concentration · p. 216
  • LinkedIn 데이터를 바탕으로 2016–25년 AI 인재 비중을 성별·지역별로 도표화했다.자료 출처는 LinkedIn, 2025이며, 도표 출처는 2026 AI Index report로 명시되어 있다.출처: Figure 4.4.2315 · p. 215, AI Talent Concentration · p. 217
  • LinkedIn 데이터를 바탕으로 2016–25년 AI 인재 집중도를 성별·지역별로 별도 도표화했다.제공된 본문에는 도표의 수치나 비교 결과가 없다.출처: Figure 4.4.2416 · p. 216, AI Talent Concentration · p. 218

AI의 노동시장 영향 … 물리학, 천문학, 화학, 재료과학

AI가 생산성과 고용에 미치는 영향은 여전히 불균등한 반면, 산업용 로봇 도입은 계속 확대되고 있다. 과학 분야에서는 연구 전 과정을 아우르는 활용이 진전되고 있지만, 불안정한 실행과 높은 실험 검증 비용이 그 효과를 제약한다.

AI의 노동시장 영향; 생산성 추세; 미시 수준 연구; 거시 수준 연구

  • AI의 도움을 받은 고객 지원 담당자는 시간당 문제 해결 건수가 14%–15% 더 많았지만, 생산성 향상 폭은 과제와 조직 환경에 따라 크게 달랐다.경험이 적은 근로자가 가장 큰 혜택을 받는 경우가 많았다. 소프트웨어 개발과 마케팅에서도 성과가 개선됐지만, METR이 초기에 관찰한 작업 속도 저하는 재현되지 않았고 AI를 활용한 학습에서는 때때로 성과가 저하됐다. 거시적 근거는 엇갈린다. AI 도입은 유럽 기업의 노동생산성을 4% 높였으며, 교육훈련이 이를 강화했다. 반면 설문에 응한 경영진은 실제로 얻은 이익이 미미하다고 보고했다. 조직 내 통합에 시간이 걸려 수익 실현이 지연될 수 있다.출처: Micro-level Studies · p. 219, AI’s Labor Impact · p. 219, Figure 4.4.27 · p. 220

고용에 미치는 영향; AI 노출도 오분위별 실업률

  • 기업 유형 효과를 통제했을 때, AI 노출도가 가장 높은 직종의 22–25세 근로자 고용은 노출도가 가장 낮은 직종보다 약 16% 낮았다.22–25세 소프트웨어 개발자의 고용은 2022년 정점 대비 September 2025까지 20% 가까이 감소한 반면, 더 높은 연령대에서는 계속 증가했다(Brynjolfsson et al., 2025). 이러한 양상만으로 일률적인 일자리 대체가 입증되지는 않는다. 실업률은 AI 노출도가 가장 높은 근로자 집단에서 0.30퍼센트포인트 상승한 반면, 가장 낮은 집단에서는 0.94퍼센트포인트 상승했다.출처: Workforce Impact · pp. 221–223, Figure 4.4.3017 · p. 222, Figure 4.4.31 · p. 223

최근 기준 시점 대비 직종 구성 변화

  • 맥킨지 설문조사(2025)에 따르면 응답자의 삼분의 일은 인력 감축을 예상했지만, 43%는 변화가 거의 없거나 전혀 없을 것으로 예상했다.거의 모든 업무 기능에서 인원 감소 예상치가 실제 감소치를 웃돌았으며, 생성형 AI 도입 이후 직종 구성은 컴퓨터나 인터넷 도입 이후보다 빠르게 변했다. 844개 직무 과업을 조사한 결과, 근로자의 46.1%는 AI가 과업을 대신하기를 원했지만, 평균 자동화 점수가 가장 높은 과업은 Claude.AI 사용량의 1.3%에 불과했다. 희망과 실현 가능성을 대비하는 분석 틀은 점진적인 과업 재설계를 강조한다(Shao et al. (2026)).출처: Unemployment rate by AI exposure… · p. 223, Changes in the occupational mix from… · pp. 224–225, Figure 4.4.33 · p. 225

4.5 로봇 도입; 전 세계 설치 양상; 지역별 양상; 서비스 로봇

  • 2024년 전 세계 산업용 로봇 설치 대수는 542,000대로 0.2% 증가하는 데 그쳤지만, 가동 중인 누적 대수는 4,664,000대에 달했으며 중국이 설치 대수의 54.4%를 차지했다.협동 로봇의 설치 비중은 2017년 2.8%에서 2024년 13.6%로 높아졌다. 중국은 295,000대를 설치했으며, 일본은 44,500대, 미국은 34,200대였다. 농업용 서비스 로봇 도입은 2.5배로 늘었고, 접객 서비스 분야만 감소했다. IFR의 최신 가용 자료는 2024년까지이며 추후 수정될 수 있다.출처: Figure 4.5.1 · p. 227, Global Installation Patterns · p. 227, Figure 4.5.4 · p. 229

2 최첨단 모델은 평균적으로 인간 화학자를 능가하지만 발표된 연구를 재현하지 못함; 5.2 과학 분야별 AI 활용; 물리학, 천문학, 화학, 재료과학

  • ReplicationBench의 논문 단위 재현 점수는 20% 미만인 반면, 선도 모델들은 ChemBench의 2,700+개 화학 문항에서 인간 전문가 평균을 넘어섰다.학습 기반 시뮬레이션 대리모델, 역설계, 소프트웨어 및 실험 장비와 연결된 에이전트가 물리과학의 발전을 이끌고 있지만, 연구 전 과정의 실행은 여전히 신뢰하기 어렵다. UnivEarth 에이전트의 정확도는 33%였으며, 코드 실행은 58%의 경우 실패했다. Evo 2, STATE, AlphaGenome 등의 가상 세포 모델은 약물과 유전적 교란에 대한 반응 예측을 목표로 하지만, 여전히 실험 검증이 필요하다.출처: §2 · p. 233, Physics, Astronomy, Chemistry, and… · p. 236

3 천문학 분야 최초의 파운데이션 모델, 최초의 시각화 벤치마크, 100TB 공개

  • FourCastNet 3는 4분 미만에 60일 전 지구 예보를 생성하며, 기존 접근법보다 8배에서 60배 빠르게 실행된다.Aardvark Weather는 기존 수치예보 처리 과정을 하나의 머신러닝 시스템으로 대체했으며, 여러 AI 기상 모델이 실제 운영에 투입됐다. 천문학에서는 주요 관측 조사 다섯 건의 천체 200백만 개 이상으로 학습한 최초의 파운데이션 모델 AION-1과 최초의 과학 계산·시각화 벤치마크 AstroVisBench가 등장했다.출처: §3 · p. 233

5 연구 전 과정 과제에서 최고 성능 AI 에이전트의 점수는 박사급 전문가의 약 절반; 5.3 과학 연구 절차를 위한 AI 에이전트와 도구

  • PaperArena에서 최고 성능 에이전트의 정확도는 38.8%로 박사급 전문가 기준선인 83.5%에 못 미쳤으며, 최첨단 모델은 BixBench 생물정보학 분석에서 약 17%를 기록했다.Sakana의 AI Scientist-v2는 사람이 코딩한 템플릿 없이 ICLR 워크숍에 채택된 논문을 작성했고, Google의 AI Co-Scientist는 생의학 세 분야에서 검증을 받았지만, 실험으로 확인된 발견은 여전히 드물다. 과학 모델은 주로 학계와 정부에서 개발되며, 국제 협력으로 개발되는 경우도 많다. 규모가 결정적인 것은 아니며, 파라미터가 111백만 개인 MSAPairformer는 기존 ProteinGym 선두 모델들을, 파라미터가 200백만 개인 GPN-Star는 파라미터가 40십억 개인 모델을 능가했다.출처: §5 · p. 233, §5.3 · p. 233

개요; 5.1 2025년 과학을 위한 AI; 과학을 위한 AI 관련 출판물

  • 2025년 AI를 활용한 자연과학 출판물은 약 80,150편으로 약 26% 증가했으며, 보고된 분야별 전체 연구 성과에서 AI 관련 연구가 차지하는 비중은 5.8%–8.8%였다.정착된 예측 모델링과 함께 연구 절차 지원이 확대되고 초기 단계의 자율적 발견이 등장하고 있으며, 획기적 성과는 데이터 기반 시설이 탄탄한 분야에 집중돼 있다. 출판물 수가 발견의 질을 입증하지는 않는다. 실험 검증에는 여전히 많은 비용과 시간이 들어 과학자가 시험할 수 있는 AI 생성 가설의 수를 제한한다.출처: Publications in AI for Science · p. 234, §5.1 · p. 234, Figure 5.1.12 · p. 235

데이터셋 … 구조 예측 및 공동 폴딩 모델

이 절은 과학·생의학 데이터셋, 파운데이션 모델과 특화 모델, 연구 에이전트, 공동 폴딩 시스템을 살펴본다. 주요 발전과 함께 다단계 연구 작업 흐름에 남아 있는 취약점, 제한적인 실험 검증과 임상 근거를 짚는다.

데이터셋 / 벤치마크

  • ReplicationBench에서의 성능은 20% 미만이었던 반면, ChemBench에서는 최상위 프런티어 모델이 최고의 인간 화학자를 능가했지만 여전히 기본 과제에 어려움을 보였다.새 벤치마크에는 종단 비교가 부족하다. 방정식 발견 시스템은 239개 문제에서 31.5%를 기록했고, 최상위 모델도 1,340개 재료 문제에서 80% 미만에 머물렀으며, PHYBench에서는 Gemini 2.5 Pro가 36.9%, 인간 전문가가 61.9%를 기록했다. 학습 자원은 Multimodal Universe의 약 100TB 규모 천문 관측 자료와 83개 원소를 포괄하는 OMol25의 100백만 건이 넘는 고정밀 DFT 계산으로 확대되었다.출처: Datasets · p. 236, Benchmarks · p. 237, ACADEMIA INDUSTRY · p. 238

파운데이션 모델 / 정부·산업계

  • GPhyT는 특화 모델보다 최대 29배 높은 성능을 보였으며, 과제별 미세조정 없이 학습 문제의 범위를 넘어 일반화했다.GPhyT는 1.8TB의 시뮬레이션으로 학습했다. 이 밖에도 파라미터 300M–3.1B 규모로 5개 관측조사의 천체 200M개 이상을 포괄하는 공개 천문학 모델과, 34B개 토큰 및 2.7M개 지시문을 활용한 화학 LLM이 공개됐다. Physics Supernova는 2025 국제물리올림피아드에서 30점 만점에 23.5점을 받아 참가자 406명 중 14위에 해당하는 성적을 거뒀다. StarWhisper Telescope는 망원경 10대의 관측을 계획했고, ChemAgents는 Llama-3.1-70B가 제어하는 자율 로봇 합성과 최적화를 시연했다.출처: Foundation Models · p. 239, NONPROFIT GOVERNMENT · p. 239, Figure 5.2.3 · p. 240

생물학 및 생명과학

  • BixBench에서 약 17%의 정확도와 BioML-bench에서 인간 평균보다 낮은 성능은 생물학 연구 에이전트가 도구를 통합한 다단계 작업 흐름을 수행하는 데 겪는 어려움을 드러냈다.OpenGenome2는 가중치가 공개된 Evo 2에 약 9.3조 DNA 염기쌍을 제공하며, 이 모델은 최대 40십억 개 매개변수와 1백만 토큰의 문맥 창을 갖춘다. Spacetop은 참여자 101명에게서 얻은 600시간 이상의 영상 자료를 추가하지만, 기능적 교란 데이터는 여전히 부족하다. 생물학 응용에는 자극과 동물 개체를 넘어 일반화하는 신경 반응 모델, BCI-Agent의 자율 세포 분류, 25개 세부 분야를 포괄하는 Biomni가 있다. 신경과학에서는 커넥톰 지도화(Dorkenwald et al., 2025; The MICrONS Consortium, 2025)와 뇌–신경망 비교(Linsley et al., 2025)를 지원하는 반면, 생태학은 데이터 부족, 분류군 편향, 표준화 미비에 직면해 있다.출처: Datasets · p. 242, Biological and Life Sciences · p. 242, Benchmarks · p. 243

지구과학

  • ClimateAgent는 기후 과제 85개에서 완료율 100%를 달성했고, 품질 점수는 8.32로 Microsoft Copilot의 6.27과 GPT-5의 3.26을 웃돌았다.FourCastNet 3는 GPU 한 대에서 4분 미만에 0.25도 해상도의 60일 전 지구 예측을 생성하며, 기존 접근법보다 8–60배 빠르다. TerraMind는 9개 지리공간 모달리티 전반에서 임의의 입력·출력 모달리티 간 생성을 지원한다. 관측 인프라는 AI 기상예보의 현업 운영을 뒷받침하지만, 기후 전망은 학습 분포 밖의 미래 상태에 직면하고, 농업에는 공통 벤치마크가 부족하며, 평균 예측 성능 지표는 극한 현상에 대한 신뢰성을 포착하지 못한다. CAMELS 유역 전반의 데이터로 학습한 수문 LSTM은 과정 기반 모델보다 일관되게 우수한 성능을 보인다(Kratzert et al., 2019).출처: Earth Science · pp. 246–247, Foundation Models · pp. 248, 250, Benchmarks · p. 248

수학

  • AI는 수학 경시대회 문제 해결과 형식 증명 생성에서 진전했지만, 오랫동안 미해결로 남은 에르되시 추측들을 비롯한 주요 난제는 여전히 현재 역량의 범위를 벗어났다.Goedel-Prover는 Lean 등의 언어를 이용한 자동 증명을 목표로 한다. 국제수학올림피아드 성적은 1년 만에 은메달에서 금메달 수준으로 올랐고, FrontierMath와 MathArena에서도 빠른 성능 향상이 나타났다.출처: Mathematics · p. 250

AstaBench

  • AstaBench에서 에이전트의 최고 종합 점수는 약 0.53이었으며, 문제당 비용은 약 $3.40이었다. 대부분의 에이전트는 0.10–0.45의 점수를 기록했다.이 벤치마크는 문헌 이해, 코드 실행, 데이터 분석, 발견에 걸친 2,400개 이상의 문제로 22개 에이전트 유형에 속하는 57개 에이전트를 평가했다. 대부분의 에이전트는 문제당 비용이 $1.00 미만이었다.출처: Figure 5.3.1 · p. 251, AstaBench · p. 251

PaperArena

  • 다중 에이전트 Gemini 2.5 Pro는 평균 정확도 38.8%로 PaperArena에서 가장 높은 성능을 보인 구성이었지만, 박사급 전문가 기준선인 83.50%에는 크게 못 미쳤다.PaperArena는 파싱, 검색, 연산 도구를 조율하면서 여러 논문의 근거를 종합하도록 요구한다. 다중 에이전트 구성은 단일 에이전트 구성보다 일관되게 우수했으며, 격차는 대체로 2–4퍼센트포인트였다.출처: Figure 5.3.2 · p. 252, PaperArena · p. 252

공동 연구자로서의 AI

  • Google의 AI Co-scientist(Gottweis et al., 2025)는 질문마다 가장 높은 평가를 받은 가설을 선택했을 때 GPQA Diamond에서 top-1 정확도 78.4%를 달성했다.생성·토론·진화 반복 과정으로 근거에 기반한 가설을 정교화하며, 세 가지 생의학 분야에서 검증됐다. AI Scientist-v2는 사람이 코딩한 템플릿 없이 에이전트 기반 트리 탐색을 사용해, 동료 심사를 거치는 ICLR 워크숍에 채택된 최초의 완전 AI 생성 논문을 작성했다. Kosmos(Mitchener et al., 2025)는 최대 12시간 동안 실행을 지속하며 실행당 평균 코드 42,000줄과 논문 1,500편을 다뤘고, 협력 연구자들은 실행 한 번이 여섯 달의 연구에 해당한다고 추정했다. SciToolAgent는 지식 그래프 기반 도구 검색으로 다중 도구 과제에서 기존 프레임워크보다 10–20퍼센트포인트 높은 성능을 보였다.출처: AI as a Co-scientist · pp. 252–253
  • 실험으로 확인된 결과를 낸 다중 에이전트 과학 시스템은 소수에 불과해, 계산으로 제안한 내용과 실제로 입증된 발견 사이에는 큰 간극이 남아 있다.사례로는 후보 92개 중 90% 이상이 표적에 결합한 Virtual Lab의 SARS-CoV-2 항체와 OriGene이 발굴한 새로운 암 치료제 표적 2개인 GPR160과 ARG2가 있다. 인력 교육의 공백, API 및 상호운용성 표준의 부재, 부족한 인프라 유지·보수 재원은 여전히 장애물이다.출처: AI as a Co-scientist · p. 253

6.2 임상 응용

  • 공개된 고난도 의학 사례에서 OpenAI의 o3를 사용한 Microsoft의 AI Diagnostic Orchestrator는 85.5%의 정확도를 달성했으며, 보조 없이 진단한 의사는 20%를 기록했다.주변 대화를 인식하는 자동 진료기록 도구는 보고된 기록 작성 시간을 최대 83% 줄였고, 한 병원은 투자수익률 112%를 보고했다. 당뇨병 환자 150명이 참여한 디지털 트윈 무작위배정 시험에서는 71%가 1년간 약물을 안전하게 줄이면서 건강한 혈당 수준을 달성했다. FDA는 2025년에 AI 의료기기 258개를 허가했으며, 대부분은 새로운 임상시험이 필요 없는 절차를 거쳤다. 임상연구가 있는 기기 중에서도 무작위배정 시험 근거를 갖춘 비율은 2.4%에 불과했다.출처: §6.4 · p. 257

6.3 환자 참여 / 6.4 윤리적 고려사항

  • 건강 관련 Google 검색의 84%–92%에 AI 생성 요약이 표시되어, 사용자가 건강 관련 질문을 처음 해석하는 데 일상적으로 영향을 미친다.의료 AI 출판물에서 윤리를 다루는 논의는 2025년에 두 배 이상 늘었지만, 거버넌스에 집중됐으며 알고리즘의 책무성, 생물보안, 전 세계 건강 형평성은 여전히 충분히 다뤄지지 않았다.출처: §6.4 · p. 257

연구 규모

  • 4개 연구 범주에서 AI 기반 단백질 연구 논문은 2024년 2,259편에서 2025년 3,855편으로 약 71% 증가했다.단백질–약물 상호작용은 가장 큰 범주를 유지하며 전체 논문에서 차지하는 비중이 49.9%에서 54.4%로 늘었다. 반면 구조 예측의 비중은 28.7%에서 23.9%로 줄었다. 모든 범주에서 논문 수 자체는 증가했으며, 기능 예측과 합성 단백질 설계의 비중은 비교적 안정적으로 유지됐다.출처: Research Volume · p. 258

분자·세포생물학

  • 생물학 AI는 실험 측정값과 합성 데이터를 점점 더 많이 결합하지만, 각 항목이 서로 다른 생물학적 단위를 나타내므로 데이터베이스 규모를 직접 비교할 수는 없다.AlphaFold 3, Boltz-2, OpenFold3는 품질 기준으로 선별한 AlphaFold 2 예측을 사용한다. OMol25는 100백만 건 이상의 양자역학 계산을 포함하고, Tahoe-100M은 1,100개가 넘는 약물에 노출된 50개 이상의 암세포 유형을 포괄하며, BaseData는 9.8십억 개 이상의 유전자를 담고 있다. Evo 2, STATE, AlphaGenome 등 공개된 가상 세포 모델은 습식 실험 없이 약물 및 유전적 교란에 대한 반응을 예측하는 것을 목표로 하지만, 여전히 실험 검증이 필요하다.출처: §6.4 · p. 257, Molecular and Cellular Biology · p. 259

생의학 비전–언어 모델용 데이터

  • 생의학 비전–언어 데이터셋은 전문 분야, 모달리티, 영역 전반으로 확대되고 있으며, 데이터 규모 확대는 포화되기보다 여전히 활발한 연구 방향으로 남아 있다.학습에는 지속 사전학습 데이터셋으로 변환할 수 있는 대규모 이미지·캡션 저장소가 필요하다.출처: Data for Biomedical Vision-Language… · p. 260

서열 기반 모델: 단백질 언어 모델

  • 매개변수가 111백만 개인 MSAPairformer는 다중 서열 정렬과 물리적 제약을 활용해 기존 ProteinGym 최고 성능 방법들을 능가하면서도 학습 및 매개변수 예산은 그 일부만 사용했다.2025년의 효율성 중심 전환에는 더 작은 검색 증강 Profluent E1 모델과 과제 특화 ESM-C 모델이 포함되었으며, 매개변수 규모 확대의 이점은 여전히 과제에 따라 달랐다. 미세 조정한 ProGen은 SpCas9보다 특이도가 향상된 OpenCRISPR-1을 설계했고, 매개변수가 200백만 개인 GPN-Star는 매개변수가 40십억 개인 유전체 모델을 능가했다.출처: §6.4 · p. 257, Sequence-Based Models: Protein… · pp. 261–262, Figure 6.1.6 · p. 262

구조 예측 및 공동 폴딩 모델

  • 대부분의 공동 폴딩 모델은 단백질 구조와 생체분자 복합체에서 비슷한 성능을 보이지만, AlphaFold 3는 일부 과제에서 우위를 유지한다.이 모델들은 단백질, 핵산, 약물 및 기타 생체분자가 관여하는 구조를 함께 예측한다. Boltz 계열과 OpenFold3는 상업적 이용에 대한 제약이 적은 라이선스를 제공한다. PDB의 모든 구조 유형이 이미 포함된 만큼, 추가 성능 향상에는 더 풍부한 데이터가 필요할 가능성이 크다. 증류한 구조는 학습 데이터를 수십만 개에서 수천만 개로 확대하며, Boltz-2는 실험으로 측정한 결합 친화도를 추가한다. 주요 모델들이 활용하는 추가 데이터의 출처는 서로 다르다.출처: Structure Prediction and Cofolding… · p. 262

cofolding 모델의 학습 데이터 출처, 2025 … 6 정규 교육 밖에서 AI 역량을 습득하고 이를 내세우는 사람들

이 절은 생의학 연구, 임상 업무 흐름, 교육에서 확대되는 AI의 역할을 환자의 AI 접촉, 학생의 활용, 전문화 심화 등을 중심으로 살펴본다. 모델 성능의 불균형, 환자 편익에 관한 근거와 실제 환경 검증의 한계, 안전성 평가·거버넌스·교육 정책·데이터의 공백을 짚는다.

cofolding 모델의 학습 데이터 출처, 2025; 치료제 개발을 위한 단백질 설계와 생성 모델

  • AlphaFold 3 이후 더 큰 모델들이 나왔지만 FoldBench에서 그 성능을 유의미하게 넘어서지 못했다. 이는 모델 크기보다 데이터가 중요한 병목임을 시사한다.AlphaFold 3 이후 단백질 구조 예측 모델은 계속 커지기보다 비슷한 파라미터 규모로 수렴했다. 2025년 니파바이러스 결합체 설계 경진대회에서는 시험한 천여 개 설계 중 99개가 표적에 결합했지만, 표적을 중화한 설계는 없었다. 전문가가 조정한 Mosaic의 도구 조합은 범용 접근법보다 우수했다.출처: Training data sources for cofolding… · pp. 263–264, Figure 6.1.8 · p. 264, Figure 6.1.10 · p. 265

가상 세포 모델과 유전체 파운데이션 모델; 생의학적 발견을 위한 다중모달 파운데이션 모델

  • 200M 파라미터의 GPN-Star가 여러 변이 효과 예측 과제에서 40B 파라미터의 Evo 2를 능가해, 규모만으로는 여전히 충분하지 않음을 보여주었다.2025년에는 Evo 2, STATE, AlphaGenome 등이 공개되며 가상 세포 연구가 크게 성장했으나, 벤치마크 결과는 학습 방법과 데이터 큐레이션의 중요성을 강조한다. 다중모달 생의학 논문은 2021년 이후 빠르게 증가했으며, 특히 영상과 텍스트를 결합하는 비전-언어 모델, 영상과 유전체 또는 전사체 데이터를 통합하는 비전-오믹스 모델이 두드러졌다.출처: Virtual Cell Models and Genomic… · p. 265, Figure 6.1.12 · p. 266, Multimodal Foundation Models for… · p. 267

자동화 및 에이전트 기반 생의학 발견

  • Virtual Lab의 협업 과학자 에이전트들이 새로운 SARS-CoV-2 나노바디 결합체 설계 92개를 생성했지만, 결과물에는 여전히 실험 검증이 필요하다.자동화된 발견은 추론과 실험을 연결했다. Robin은 리파수딜을 건성 노화 관련 황반변성 치료 후보로 찾아냈고, STELLA는 새로운 소프트웨어 도구를 독립적으로 통합했으며, Biomni는 25개 세부 분야에 걸쳐 도구 150개, 패키지 105개, 데이터베이스 59개를 통합했다. Agent Laboratory는 박사 연구자, 박사후연구원, 머신러닝 엔지니어 역할을 배정했고, Virtual Lab은 LLM 연구책임자를 통해 전문 과학자들을 조율했다.출처: Automated and Agentic Biomedical… · p. 268

데이터 규모와 가용성; 모델링 접근법; 전향적 임상시험

  • 전향적 의료영상 AI 임상시험은 2024년 417건에서 2025년 536건으로 28.5% 증가하며, 후향적 환자 데이터를 넘어 평가 범위를 넓혔다.의료영상 학습 데이터셋은 원시 표본 수 기준으로 비의료 데이터셋보다 여전히 약 100배 작으며, 특히 CT와 MRI 데이터가 부족하고 기관별로 분산돼 있다. 시각-언어 모델은 여러 진료과로 확산됐고 Merlin은 판독문과 ICD 코드를 활용해 40GB GPU 한 대로 학습했지만, 모델 간 비교를 위한 표준화된 벤치마크는 여전히 부족하다. 어휘 기반 평가를 보완하는 임상의 검토도 늘고 있다.출처: Figure 6.2.1 · p. 269, Data Scale and Availability · p. 269, Modeling Approaches · p. 270

LLM의 임상 추론 성능; 임상의학의 AI 에이전트

  • o3와 결합한 MAI-DxO는 고난도 NEJM 증례에서 진단 정확도 85.5%를 달성한 반면, 현직 의사 21명의 정확도는 약 20%였다.o1-preview의 진료 의사결정 추론 점수 중앙값은 86%로, GPT-4 단독의 42%, GPT-4를 활용한 의사의 41%, 기존 자료를 활용한 의사의 34%와 대비됐다(Brodeur et al., 2025). 이러한 개별 평가만으로 환자 치료 결과의 개선이 입증되지는 않는다. MedAgentBench에서는 최고 성능 모델이 가상 EHR 과제 300개에서 성공률 69.7%를 달성했으며, 이는 신뢰할 만한 자율 임상 에이전트에 관한 근거가 아직 초기 단계임을 보여준다.출처: AI Agents in Clinical Medicine · pp. 272–273, Figure 6.2.42 · p. 272, LLM Clinical Reasoning Performance · p. 272

배포, 현장 적용 및 사용 중단; FDA 허가 AI/ML 기반 기기; 진료과별 기기; 산업 현황

  • December 2025까지 17개 진료과에 걸쳐 693개 기업의 AI/ML 기반 의료기기 1,357개가 FDA 허가를 받았지만, 허가가 도입을 보장하지는 않는다.영상의학과가 기기의 76.6%를 차지했지만, 다른 진료과의 허가 건수는 2016년 7건에서 2025년 60건으로 늘었다. 주된 허가 경로인 510(k)는 새로운 임상시험 대신 실질적 동등성을 요구하며, December 2024까지의 분석에서 임상연구가 있는 기기 중 무작위시험 근거를 갖춘 비율은 2.4%에 불과했다(Singh et al., 2025). 소수 대형 제조업체가 시장을 지배하지만 대부분의 기업은 허가를 한두 건만 보유하며, 재정적·운영상·제도적 장벽도 지속된다. 2025년 허가의 약 10%는 반복적 업데이트를 허용하는 사전 지정 변경관리계획을 활용했다.출처: FDA-Authorized AI/ML-Enabled Devices · pp. 273–274, Figure 6.2.7 · p. 275, Devices by Clinical Specialty · p. 275

2025년 의료기관 전반의 대규모 도입; 진료 대화 자동 기록 AI; AI 기반 패혈증 예측; 임상 업무 흐름의 생성형 AI

  • Targeted Real-time Early Warning System과 COMPOSER의 패혈증 사망률 감소는 각각 상대 감소율 18.7%와 감소율 17%로 보고됐다.의료기관 전반의 대규모 도입에는 진료 대화를 자동 기록하는 기술도 포함됐다. Sharp HealthCare는 진료기록 작성 부담이 83% 줄었다고 보고했으며, Epic 사용 병원에서 도입률은 63%에 달했고 Abridge는 150개 이상의 의료체계로 확산됐다. 임상 업무 흐름에 통합된 ChatEHR는 3개월 동안 교육을 이수한 사용자 1,075명의 이용 세션 23,000건을 기록했으며, OpenEvidence는 미국 의사의 40%가 도입했다고 보고했다.출처: Enterprise-Scale Deployments in 2025 · p. 276, AI-Powered Sepsis Prediction · p. 277, Ambient AI Documentation · p. 277

근거의 공백과 거버넌스

  • 주요 범용 LLM은 NOHARM에서 임상 사례 100건당 심각한 위해를 초래하는 권고를 11.8–14.6건 생성했으며, 주된 원인은 누락이었다.이 결과는 개방형 추론에 관한 것으로, 임상의 감독하에 사용하는 제한된 기능의 진료 기록 작성 도구나 패혈증 경보에 관한 것은 아니다. ARISE 검토에서는 500편이 넘는 연구 중 5%만 실제 임상 데이터를 사용한 것으로 나타났으며, AI는 임상의의 판단을 지원할 때 가장 효과적이라고 결론지었다. 스탠퍼드 헬스케어는 FURM 체계로 모든 신규 AI 도구 도입을 관리하며, GUIDE-AI는 이 체계의 이용 범위를 확대하기 위해 노력하고 있다.출처: Evidence Gaps and Governance · p. 278

의학의 디지털 트윈

  • 검토한 인간 디지털 트윈 연구 149편 중 12.1%가 NASEM의 정의를 충족했으며, 실제 의료 환경에서 시험한 시스템은 19%에 불과했다(Sadée et al., 2025).디지털 트윈에는 개인화, 동적 갱신, 예측 능력이 필요하다. 관련 논문은 2015년 거의 전무한 수준에서 2025년 372편으로 늘었고, 의료 분야 특허 출원은 2016년 30건에서 2025년 4,926건으로 증가했다. 다만 최신 연도의 특허는 아직 모두 공개되지 않았다. 임상 근거로는 전립선암 적응형 치료 예비 연구의 생존율 증가와 당뇨병 무작위시험(n=150)이 있다. 후자에서는 71%가 혈당강하제를 안전하게 줄이면서 12개월 이내에 HbA1c 6.5% 미만을 달성했다.출처: Digital Twins in Medicine · pp. 278–279

건강 관련 검색의 AI Overviews

  • 다섯 가지 유형의 건강 관련 검색 중 84%–92%에서 Google AI Overviews가 표시돼, 생성형 요약이 건강 정보에 접근하는 일상적 경로가 됐다.증상과 일반적인 건강 질문에서는 요약 표시 비율이 92%로 가장 높았고, 치료 관련 검색은 90%, 질환별 검색은 84%–88%로 뒤를 이었다.출처: Figure 6.3.1 · p. 280, AI Overviews for Health-Related Searches · p. 280

의료 AI에 대한 환자 관점

  • 2020년부터 2025년까지 논문 수가 열 배로 늘면서 환자 관점 연구가 확대되었고, 의료 AI에 대한 조건부 수용과 지속적인 대표성 격차가 드러났다.환자들은 자율적 역할보다 보조적 역할을 선호했으며(Fee et al., 2025; Allen et al., 2025; Hmido et al., 2025), 수용도에는 인구집단별 차이가 있었다(Labinsky et al., 2025; Ogu et al., 2025; Li et al., 2025). 공감 상실을 우려했고, 임상의의 지지(Berger et al., 2025; Machado et al., 2025; Nong et al., 2025)와 AI 사용 사실 고지를 중요하게 여겼다. 문헌은 내과, 영상의학과, 종양학에 집중되었다. 논문 발표는 미국, 영국, 독일이 주도했으며, 사하라 이남 아프리카, 라틴아메리카, 동남아시아와 아동·청소년의 직접 참여는 여전히 충분히 반영되지 않았다.출처: Patient Perspectives on AI in Healthcare · p. 281, Artificial intelligence use cases and… · p. 282

규모와 집중도

  • 윤리를 논의한 의료 AI 논문의 비율은 2024년 37.1%에서 2025년 43.4%로 늘었으며, 거버넌스가 가장 많은 관심을 받았다.윤리를 논의한 논문의 절대 수는 두 배 이상으로 늘었다. 거버넌스 관련 논문은 1,228편으로, 알고리즘 쟁점을 다룬 896편과 사회적 쟁점을 다룬 874편보다 많았다. 생물보안을 논의한 논문은 14편에 불과했고, 오용이나 이중용도 윤리를 직접 다룬 논문은 더 적었다.출처: Volume and Concentration · p. 284

국제보건: 다른 윤리적 초점

  • 2025년 국제보건 AI 논문의 51.8%가 윤리를 언급했으며, 의료 AI 문헌 전반과 달리 사회적 쟁점이 거버넌스와 알고리즘 쟁점보다 큰 비중을 차지했다.193편 중 100편에서 윤리가 등장했다. 유럽이 38편, 동아시아가 31편, 북미가 28편을 기여한 반면, 사하라 이남 아프리카·라틴아메리카·오세아니아는 각각 5편 미만이었다. 주요 사회적 쟁점은 형평성, 정의, 접근성이었다.출처: Global Health: A Different Ethical Focus · p. 286

7.3 K–12 컴퓨터과학 및 AI 교육

  • 미국 고등학생과 대학생 5명 중 4명이 학업에 AI를 사용하지만, 학교 정책과 교사의 이해는 뒤처져 있다.AI 정책이 있는 중·고등학교는 절반뿐이며, 해당 정책이 명확하다고 답한 교사는 6%에 불과하다. 학생들은 주로 자료 조사, 글 수정, 아이디어 구상에 AI를 활용한다. 국가의 90% 이상이 초·중등 단계에서 컴퓨터과학 교육을 제공하지만, AI 교육은 상대적으로 덜 정착됐다. 중국과 아랍에미리트는 2025–26년부터 AI 교육을 의무화했다.출처: §2 · p. 290

7.1 배경

  • 대부분의 국가에서 AI 소양이 공학 중심 AI 역량보다 빠르게 확산됐지만, 부족한 교과과정과 교사 연수, 불완전한 데이터가 교육 제공 현황 평가를 제약했다.반면 아랍에미리트, 칠레, 남아프리카공화국에서는 2022년 이후 공학 역량이 더 빠르게 성장했다. AI 리터러시는 기초적인 이해와 활용을 다루며, AI 교육은 여기에 기술적 시스템 구축 역량을 더한다. 이용 가능한 고등교육 이수 데이터는 2023–24를 다루고, OECD 데이터는 2023년까지만 제공되며 인도, 중국, 아프리카 대부분 지역을 제외한다. 표준화된 K–12 AI 데이터가 부족해 불완전한 컴퓨터과학 대리지표에 의존할 수밖에 없다.출처: Overview · p. 288, §6 · p. 290, §7.1 · p. 291

7.2 고등교육의 컴퓨터과학 및 AI 교육

  • AI 전문화가 확대되는 가운데서도 미국 4년제 대학의 컴퓨터과학 전공 학부 재학생 수는 2024년부터 2025년 사이 11% 감소했다.AI 소프트웨어 관련 석사 졸업자는 2023년부터 2024년 사이 17% 증가했고, 미국과 캐나다의 신규 AI 박사학위 취득자는 2022년부터 2024년 사이 22% 늘었다. 증가분은 모두 산업계가 아닌 학계로 진출했다. 미국은 학위 수준 전반에서 여전히 주요 ICT 졸업자 배출국이었지만, 튀르키예·브라질·멕시코의 배출 규모가 더 빠르게 증가했다. 학위 이수 데이터는 재학생 수 변화보다 늦게 반영된다.출처: §1 · p. 290, §2 · p. 290, §7.2 · p. 292

미국 학위 취득자 … 기초 컴퓨터과학

이 절에서는 미국의 AI 관련 학위 취득 추세, 인구집단별 대표성, 대학원 졸업생의 진로를 살펴보고 국가별 ICT 졸업생 현황을 비교한다. 대학생의 생성형 AI 이용과 K–12 컴퓨터과학 교육의 개설 현황, 접근성, 참여도도 다룬다. AI에 특화된 K–12 자료가 아직 부족한 만큼 CS를 대리 지표로 활용한다.

미국 학위 취득자

  • 2024년 AI 소프트웨어 석사학위 취득자는 2022년보다 82% 증가한 반면, AI 하드웨어 학위 취득자는 정체되거나 감소했다.소프트웨어 석사학위 취득자는 2023년에서 2024년 사이 17% 증가했고, 하드웨어 학사학위 취득자는 정점이었던 2020년보다 13% 감소했다. 이번 판은 분석 범위를 CS에서 AI 관련 소프트웨어·하드웨어 전공으로 확대했다.출처: U.S. Degree Graduates · p. 292, Figure 7.2.1 · p. 293
  • AI 관련 학위에서 여성 비율은 소프트웨어 석사과정의 36%가 가장 높았으며, 전체 학위의 여성 비율인 60%에 가까운 수준에는 미치지 못했다.여성 비율은 AI 소프트웨어 학위에서 AI 하드웨어 학위보다 조금 높지만, 두 분야 모두에서 과소대표된다.출처: U.S. Degree Graduates · p. 293
  • 히스패닉·라틴계, 흑인, 하와이 원주민·태평양 도서민, 아메리카·알래스카 원주민 학생은 AI 소프트웨어의 모든 학위 단계에서 과소대표된다.백인 학생도 박사과정을 제외하면 과소대표되는 반면, 다인종·아시아계 학생은 과대대표되며 특히 아시아계 석사과정 학생에서 두드러진다. 인종별 추가 분석에서는 아시아계와 아메리카·알래스카 원주민 학생을 제외하면 대표성이 학위 단계 전반에서 대체로 일관됐다. 히스패닉·라틴계, 흑인, 하와이 원주민·태평양 도서민 학생은 모든 단계에서 과소대표됐다.출처: U.S. Degree Graduates · p. 294
  • 미국 AI 소프트웨어 석사학위 취득자의 67%는 비거주자이며, AI 관련 대학원생도 비거주자가 대다수다.보고서는 연방정부의 학생비자 취소와 유학생 등록을 억제하는 정책으로 비거주자 학위 취득자가 더 감소할 것으로 전망한다.출처: U.S. Degree Graduates · p. 295
  • AI 소프트웨어·하드웨어 양쪽의 모든 학위 단계에서 상위 10위 안에 든 대학은 조지아공과대학교뿐이다.상위권에는 공립대와 사립대가 모두 포함되며, AI 학부 전공을 신설하는 대학이 늘면서 순위가 달라질 수 있다. 일부 대학에서는 AI 관련 전공이 더 넓은 CS나 공학 과정으로 분류돼 관련 학위 취득자가 과소집계될 수 있다.출처: U.S. Degree Graduates · p. 295, Figure 7.2.6 · p. 297

AI 하드웨어 관련

  • 신규 AI 박사학위 취득자의 산업계 진출 비율은 2022년 77%에서 65%로 낮아진 반면, 학계 취업 비율은 2022년 이후 거의 두 배가 됐다.정부 부문 취업 비율은 2021년 0.7%에서 2%로 상승했다. 보고서는 학계 비중의 상승이 두뇌 유출 통념에 의문을 제기한다고 해석한다. 취업 비율 집계에는 자영업자, 미취업자, 기타 상태의 학위 취득자가 제외되므로 합계가 100%가 되지 않는다.출처: AI-hardware related · p. 297, Figure 7.2.7 · p. 298, Global ICT Graduates · p. 298

세계 ICT 학위 취득자

  • 미국은 조사 대상 국가 중 모든 학위 단계에서 ICT 학위 취득자가 가장 많지만, 전년 대비 증가율은 대체로 다른 국가가 더 높다.증가율은 튀르키예 전문학사 27%, 브라질·튀르키예 학사 각각 30%, 멕시코 박사 76%에 달했으며, 미국 석사는 55% 증가했다. 최신 자료는 2023년 기준으로 국적과 무관하게 학위 취득자를 집계한다. 인도·중국·아프리카 국가가 제외돼 전 세계 비교에는 한계가 있다.출처: Global ICT Graduates · p. 298, Figure 7.2.9 · p. 299, Figure 7.2.10 · p. 299
  • ICT 전문학사·학사·석사·박사 학위 취득자 중 여성의 평균 비율은 각각 20%, 22%, 29%, 29%다.성별 구성은 대체로 안정적이지만, 여성의 박사 비율은 4퍼센트포인트 상승했고 전문학사 비율은 하락했다. 페루의 전문학사 졸업자와 코스타리카·라트비아의 박사 졸업자 중 여성 비율은 절반 이상이었다. 이전에 성별 균형을 이루던 튀르키예의 비율은 2023년에 세계 평균에 가까워졌다.출처: Global ICT Graduates · pp. 300–301

CS, CE 및 정보학 교수진

  • 6,600명 넘는 CS, 컴퓨터공학 및 정보학 교수진이 2024–25년 미국과 캐나다에서 근무했으며, 거의 삼분의 이가 정년보장 트랙 직위에 있었다.CRA는 향후 두 학년도에 걸쳐 특히 박사후연구원 직위가 늘어날 것으로 전망하지만, 방법론 변경으로 이전 AI Index 집계와 직접 비교할 수는 없다. 히스패닉·라틴계, 흑인, 원주민과 아시아계 여성을 제외한 여성은 과소대표된 반면, 아시아계 및 하와이 원주민·태평양 도서민 남성은 과대대표되었다. 이 비교는 미국·캐나다 교수진 자료를 미국 전체 인구 구성과 대조한 것이며 박사후연구원은 제외한다.출처: CS, CE, and Information Faculty · p. 302

학생의 AI 도구 활용

  • Chegg의 15개국 조사에서 2025년 대학생의 80%가 학습에 생성형 AI를 활용했으며, 이는 2023년의 40%보다 두 배 높은 수준이다.활용률은 인도네시아 95%에서 미국·영국 67%까지 분포했다. 이용자의 56%는 매일 질문했으며, 비이용자는 부정행위 의혹(45%), 정확성(38%), 제한적인 정책(33%)을 이유로 들었다. 학생들은 자료 조사, 아이디어 구상, 글 수정에 AI를 활용했다. 대학생의 주된 용도는 개념 이해로 56%가 응답했으며, 고등학생은 41%였다.출처: Figure 7.2.16 · p. 303, Student Use of AI Tools · p. 303, Figure 7.2.17 · p. 304
  • 학생의 Claude 활용 중 39.8%는 창작, 30.2%는 분석에 해당해 고차원 인지 과제에 상당히 활용되는 것으로 나타났다.Anthropic이 보고한 적용(10.9%)과 이해(10.0%)의 비중은 더 낮았다. 이는 학생들이 중요한 인지 능력을 스스로 기르기보다 AI에 의존할 가능성을 제기한다. 별도의 조사에서 미국 대학생의 55%는 생성형 AI가 자신의 비판적 사고에 긍정적·부정적 영향을 모두 미친다고 보았다.출처: Student Use of AI Tools · p. 304
  • 캘리포니아주립대학교 학생 73,000여 명을 대상으로 한 조사에서 64%가 AI가 학습 경험에 긍정적 영향을 미쳤다고 응답했으며, 대학들은 허용되는 활용 범위에 관한 정책을 확대했다.Chegg 설문 응답자들은 이해도 향상(50%), 과제 완수(49%), 체계적인 학습 관리(41%), 학습 속도 향상(55%), 여가 시간 증가(41%)를 보고했다. 교수진 대상 설문에서는 기관의 48%가 허용 가능한 사용에 관한 정책을 마련한 것으로 나타났으며, 이는 2025년보다 9퍼센트포인트 증가한 수치다. 영국 학생의 80%는 평가 관련 정책이 명확하다고 인식했으며, 이는 전년보다 16퍼센트포인트 증가한 수치다.출처: Student Use of AI Tools · p. 304

미국

  • December 1, 2025 기준 미국에서 단 네 개 주만 CS 교육기준에 AI를 강조해, AI 교육 도입이 제한적임을 보여준다.Code.org는 2025년 연례 CS 교육 보고서의 범위를 넓혀 주별 AI 교육 정책을 조사했다. AI에 특화된 K–12 교육 자료가 여전히 부족하므로, 이 장에서는 새롭게 등장하는 주정부·연방정부의 AI 정책과 함께 CS 교육을 대리 지표로 추적한다.출처: United States · p. 305, §7.3 · p. 305

기초 컴퓨터과학

  • 2024–25년 미국 고등학교의 60%가 기초 CS를 개설했다. 이는 2023–24년과 같지만 2017–18년의 35%보다는 높다.주별 추이는 달랐다. 테네시는 61%에서 83%로 상승했으며, CS 접근성 정책과 졸업 요건이 반영됐을 가능성이 있다. 반면 와이오밍은 74%에서 64%로 하락했다. 예산 삭감이나 문해력 교육·위기 학생 지원으로의 예산 재배분이 개설 감소에 영향을 미쳤을 수 있다.출처: Foundational Computer Science · pp. 305–306
  • 2025년 대규모 고등학교의 91%가 기초 CS를 개설한 반면, 중규모 학교는 77%, 소규모 학교는 44%였다.접근성은 Title I 지원 대상 여부(대상 학교 60%, 비대상 학교 65%), 지역(농촌 57%, 도시 59%, 교외 71%), 인종·민족에 따라서도 달랐다. 아시아계 학생의 접근성은 91%, 보고된 다른 집단 대부분은 80%–82%였으며, 아메리카 원주민 학생은 66%에서 70%로 상승했다. 보고가 불완전한 수강 자료에서 흑인, 아메리카·알래스카 원주민, 백인 학생은 인구 비중과 비슷하거나 그 이상을 유지했고, 하와이 원주민·태평양 도서민 학생은 인구 비중에 근접했다. 아시아계 학생과 504 지원계획 대상 학생은 과대대표됐다. 히스패닉·라틴계 학생, 경제적 취약계층 학생, 개별화교육계획(IEP) 대상 학생, 여학생, 영어 학습자는 개선에도 불구하고 여전히 과소대표됐다.출처: Foundational Computer Science · pp. 307, 310, Figure 7.3.7 · p. 308
  • 자료를 보고한 42개 주에서 2024–25년 학생의 6.1%가 CS를 수강했으며, 이 중 26개 주에서는 참여율이 하락했다.아칸소와 사우스캐롤라이나의 참여율은 각각 25.1%, 25.7%였고, 아이다호와 미네소타는 각각 1.8%였다. 노스다코타·테네시·아칸소의 상승 폭이 가장 컸지만, 전년도 보고가 누락돼 일부 비교는 불가능하다. 접근성이 참여율을 일관되게 예측하지는 못했다. 메릴랜드는 모든 학생에게 접근 기회가 있었지만 참여율은 16.7%였고, 로드아일랜드는 학교 개설률이 79%, 참여율이 18.4%였다.출처: Foundational Computer Science · p. 308, Figure 7.3.8 · p. 309, Figure 7.3.9 · p. 309

심화 컴퓨터과학 … 창작자 단체들, EU AI법 시행 비판

교육 정책과 교육과정, 시행 수준의 불균형 속에서도 AI 활용과 역량은 확대되고 있으며, 각국 정부는 국내 역량을 구축하면서 서로 다른 규제 접근법을 추진하고 있다. 관련 정책은 인프라, 개발, 안전장치, 컴퓨팅 권리, 국제 거버넌스 공조에 걸쳐 있다. 한편 창작산업 단체들은 EU의 법 준수 지침이 문화적 권리를 훼손하고 모델 개발자를 우대한다고 비판한다.

유치원·초중등(K-12) 학생의 AI 도구 사용; 심화 컴퓨터 과학

  • 설문에 응답한 학생의 약 50%–84%가 학업 관련 과제에 AI를 사용하는 반면, AP 컴퓨터 과학 시험 응시 증가세는 둔화되고 참여 격차도 지속되었다.학생들은 주로 자료 조사, 에세이 수정, 아이디어 구상에 생성형 AI를 사용하며, 학습에 도움이 된다고 보고하면서도 부정행위로 의심받거나 역량이 약화될 수 있다는 우려를 나타낸다. 다수는 학교에서의 AI 접근과 활용 교육을 지지한다. AP 시험 응시자 증가율은 2022–23년의 21%에서 2023–24년의 5%로 하락했으며, 여학생의 응시 비율은 남학생보다 낮고 인종·민족별 참여 불균형도 지속되었다.출처: Advanced Computer Science · p. 311, K-12 Student Use of AI Tools · p. 314

교육 기준, 정책 및 지침; K–12 AI 정책의 이행 격차

  • AI 사용 정책을 마련한 중·고등학교는 약 절반에 불과하며, 분권화된 시행 구조로 인해 AI 교육은 지역 자원에 좌우된다.정책이 매우 명확하다고 답한 학생은 36%에 불과했고, 교사들이 명확하고 포괄적인 정책을 갖췄다고 보고한 학교는 6%에 그쳤다. AI 사용을 허용하는 정책은 부유한 도시 지역에서 더 흔했다. 주정부 지침은 대체로 구속력이 없고 교사 양성에는 표준화된 기준이 없으며, AP 컴퓨터과학에는 AI에 특화된 내용이 없어 정책·연수·교육과정이 서로 맞물리지 못하고 있다.출처: Education Standards, Policies, and… · p. 314, The Implementation Gap in K–12 AI Policy · p. 317

미국 주정부의 K–12 AI 지침; 미국 연방정부의 K–12 AI 지침

  • January 2026까지 30개 주가 교육 분야 AI 지침을 발표했지만, 채택된 컴퓨터과학 교육기준에서 AI 내용을 비중 있게 다룬 경우는 여전히 드물었다.K–12 컴퓨터과학(CS) 교육기준이 있는 45개 주 가운데 29개 주는 AI 내용을 제한적으로 포함했고, 10개 주는 구체적으로 언급하지 않았으며, 여섯 개 주는 상당한 내용을 포함했다. 두 개 주는 상당한 AI 내용을 담은 초안도 마련했으며, 실질적인 내용을 담은 교육기준이 최근 채택되거나 개발 중이었다. 열일곱 개 주는 CS를 AI의 기초로 명시했고 다섯 개 주는 AI 교육 전문성 개발에 예산을 배정했다. 2026년 여름 발표 예정인 CSTA 교육기준은 AI 학습 목표를 확대하며, April 2025 연방 행정명령은 학생의 AI 경험, 교육자 역량 개발, 협력, 직업 진출 경로를 촉진한다.출처: State K–12 AI Guidance in the United… · pp. 315–316, Federal K–12 AI Guidance in the United… · p. 316

세계의 AI 및 컴퓨터과학 교육

  • 2025년에는 약 93%의 국가가 컴퓨터과학을 가르쳤지만, AI 교육을 시행한 국가는 드물었고 교육 기회도 불균등했다.삼십 퍼센트는 CS 교육을 의무화했고 63%는 의무화하지 않은 채 제공했으며, 사립학교와 도시 학교에서 독립 과목을 개설하는 경우가 더 많았다. CS, ICT, 디지털 문해력이 때때로 혼용되므로 국가 간 비교에는 주의가 필요하다. 베이징, 광둥, 항저우, 아랍에미리트는 2025–26년 단계적으로 구성된 AI 교육과정을 의무화한 반면, 다른 정책들은 수업에서의 도구 활용을 강조했다. 이후 철회된 한국의 AI 교과서 도입도 여기에 포함된다.출처: Global AI and CS Education · p. 318

AI 역량 보급률; AI 역량 확산; 7.4 AI 역량 습득

  • 인도의 상대적 AI 역량 보급률은 3.0으로 미국 2.0과 독일 1.8을 앞섰으며, 성별 격차는 지속됐다.LinkedIn 프로필 기준 수치는 인도 남성 3.1, 여성 1.9였고, 미국은 남성 2.1, 여성 1.4였다. 자격증, 온라인 강좌, 직무 경험도 추가적인 역량 습득 경로다. LinkedIn의 새로운 확산 지수는 각국의 자체 기준선 대비 증가를 측정한다. 대체로 AI 소양이 공학 역량보다 빠르게 확산됐지만, 아랍에미리트·칠레·남아프리카공화국에서는 공학 역량이 빠르게 증가했다. 미국에서 증가세가 두드러진 분야는 프롬프트 작성, Microsoft Copilot Studio, 에이전트, 생산성, 전략이었다.출처: AI Skill Penetration · p. 319, §7.4 · p. 319, AI Skills Diffusion · p. 320

국가 AI 전략; AI 주권

  • 2025년 유럽·중앙아시아에서 운영된 국가 지원 AI 슈퍼컴퓨팅 클러스터는 44개로, 2018년 3개에서 늘었으며 주권 확보 인프라의 불균형을 드러냈다.남아시아, 라틴아메리카, 중동·북아프리카의 클러스터는 각각 2개, 3개, 8개에 이르렀다. 국가 전략도 확대됐으며, 2024년 새로 채택된 전략의 절반 이상을 신흥국이 차지했다. 데이터 주권 접근법도 달랐다. 2024년까지 데이터 현지화 조치는 동아시아·태평양 77건, 사하라 이남 아프리카 71건, 유럽·중앙아시아 66건, 북미 3건이었다.출처: §2 · p. 325, §1 · p. 325

AI 공공 투자; AI와 정책 수립

  • 2013–24년 미국의 AI 관련 공공 계약·보조금은 약 $20.4 billion으로, 2025년 한 해에만 $285.9 billion에 달한 민간 투자와 대조를 이뤘다.유럽에서는 영국이 $1.6 billion, 독일이 $505 million, 프랑스가 $320 million의 지원을 약속했으며, 영국과 독일의 지출은 2024년에 증가세가 빨라졌다. 미국 의회의 AI 관련 증인은 2017년 5명에서 2025년 102명으로 늘었다. 산업계 비중은 13%에서 37%로 상승해 가장 큰 집단이 된 반면, 학계 비중은 15%로 하락했다.출처: §2 · p. 325, §6 · p. 325

AI 행동 정상회의; 미국·영국·EU·중국의 정책 조치

유타주, 정신건강 챗봇법(HB 452) 제정; 몬태나주, 컴퓨팅 권리법(SB 212) 제정

키갈리 정상회의, 아프리카의 AI 기회와 노동시장 위험 조명; 아프리카, AI를 전략적 우선순위로 선언: 투자, 포용성, 혁신; 짐바브웨, 엔비디아와 협력해 아프리카 1st AI 팩토리 출범

개빈 뉴섬이 의뢰한 캘리포니아주 AI 정책 보고서, ‘되돌릴 수 없는 피해’ 경고

  • 캘리포니아주의 AI 정책 보고서는 생물학·핵 분야의 악용 위험을 경고하고 안전, 투명성, 내부고발자 보호 체계를 제안한다.연방법이 부재한 상황에서 이 보고서는 국가 차원의 청사진이 될 수 있다.출처: Gavin Newsom–Commissioned California… · p. 327

G7, AI 거버넌스 협력을 재확인하는 공동성명 발표

텍사스주, 책임 있는 인공지능 거버넌스법(TRAIGA)에 서명해 법제화; 아프리카, AI를 전략적 우선순위로 선언: 투자·포용·혁신

  • 텍사스주의 TRAIGA는 고영향 AI에 엄격한 규칙을 적용해 위해를 선동하거나 헌법상 권리를 침해하거나 법적 보호 집단을 차별하는 용도를 금지한다.June 2025에 통과된 TRAIGA는 2026년에 시행된다. 연방 Take It Down Act는 딥페이크를 명시적으로 포함해 동의 없이 제작·유포되는 사적 성적 이미지·영상을 다루며, 삭제와 책임성에 대한 요구를 강화한다.출처: Africa Declares AI a Strategic… · p. 327, Texas Signs the Responsible Artificial… · p. 328

미국, ‘미국 AI 행동계획’과 행정명령 3건 발표; 미국 상원, 주정부 AI 규제에 대한 연방 차원의 10년 유예 조항 삭제

중국, 글로벌 AI 거버넌스 행동계획 발표

창작자 단체들, EU AI법 시행 비판; EU, 범용 AI 자발적 실천규범 발표

EU의 범용 AI 의무 시행 … 미국 연방 규제 심층 분석

이 절은 AI 거버넌스 의무, 국가별 체계, 국제적 이니셔티브, 미국의 입법·규제 활동 확대를 2025년 연방정부의 규제 완화 기조 및 주법에 대한 이의 제기와 함께 살펴본다. 또한 참여와 역량의 불균형, 연산 자원·데이터·모델·응용·인재 전반의 AI 주권 양상, 공공 AI 투자 측정의 한계와 지역별 추적 방식을 검토한다.

EU 범용 AI 의무 시행; 캘리포니아, 획기적인 AI 안전성·투명성 법률(SB 53) 제정; 이탈리아, EU 회원국 최초로 AI법 통과; AI 동반자 소송으로 정서형 AI 안전장치 재검토; 캘리포니아의 신규 AI 법률 제정

  • EU의 범용 AI 의무와 캘리포니아의 SB 53이 안전성과 투명성 요건을 도입한 가운데, 이탈리아는 국가 차원의 입법을 추진하고 AI 동반자 관련 피해는 규제 검토를 촉발했다.EU는 시스템적 위험을 지닌 시스템에 위험 평가, 정보 공개, 위험 완화 의무를 부과한다. SB 53은 안전 절차와 사고 정보 공개 및 내부고발자 보호를 요구하며, EU에 부합하는 이탈리아의 체계는 거버넌스, 도입·활용, 안전장치, 저작권, 처벌을 다룬다. AI 동반자와 연관된 것으로 보도된 청소년 자살 사건은 아동 안전에 대한 검토를 강화했으며, 캘리포니아는 별도로 동반자 봇 규제, 생성형 콘텐츠 출처 증명 요건, 비동의 딥페이크에 대한 보호 확대를 입법화했다.출처: EU’s General-Purpose AI Obligations… · p. 329, California Enacts Landmark AI… · p. 329, Italy Becomes First EU Member State to… · p. 329

UN, 글로벌 과학 패널 및 AI 거버넌스 글로벌 대화체 출범; 유럽연합 집행위원회, 유럽 과학 분야 AI 전략 출범; UNESCO, 신경기술 글로벌 표준 채택; 미국 행정명령으로 제네시스 미션 출범; 미국 주도의 AI·기술 공급망 협력 이니셔티브 팍스 실리카 출범; 미국 행정명령, 주 차원의 AI법 억제 추진

  • 국제적 이니셔티브는 과학 분야의 협력·조정과 신경기술 표준을 진전시키고, 유럽과 미국의 정책은 과학용 AI와 기술 공급망을 육성하는 한편 주정부 규제의 제약을 추진한다.UN은 과학 패널과 거버넌스 대화체를 승인했고, UNESCO는 신경 데이터와 정신적 사생활 보호에 관한 표준을 채택했다. 유럽연합 집행위원회는 기업·산업 중심의 AI 적용 전략과 함께 과학 분야 AI 전략을 출범시켰다. 미국은 행정명령으로 에너지부 주도의 제네시스 미션을 출범시켰으며, 다국적 팍스 실리카 선언은 반도체·데이터 인프라·AI 하드웨어 협력을 지원한다. 또 다른 미국 행정명령은 주 AI법을 제한하거나 연방법 우선 적용으로 배제하려 한다.출처: UN Launches Global Scientific Panel… · p. 329, European Commission Launches the… · p. 330, UNESCO Adopts Global Standards on… · p. 330

8.2 국가 AI 전략; 지역별 현황

  • 2024년과 2025년 신흥국 전반에서 국가 AI 전략이 확대됐지만, 발표된 전략은 이행이 아닌 정책 의지를 측정한다.사하라 이남 아프리카, 남아시아·중앙아시아, 라틴아메리카·카리브해 지역에 걸쳐 새로운 체계가 마련되는 한편, 고소득 경제권은 기존 전략의 통합·갱신에 점점 더 집중하고 있다. 국제 협력, 기술 지원, 정책 확산이 이러한 확대를 뒷받침하지만, 이행과 규제 역량은 여전히 과제이며 특히 공식 전략이 없는 아프리카 국가에서 두드러진다.출처: By Geographic Area · p. 331, §8.2 · p. 331

인프라 주권

  • 유럽·중앙아시아의 정부 지원 AI 슈퍼컴퓨팅 클러스터는 2018년 3개에서 2025년 44개로 늘어 지역 중 가장 가파른 증가세를 보였다.북미는 41개에 도달했으며, 남아시아, 중동·북아프리카, 라틴아메리카·카리브해는 각각 2개, 3개, 8개에 도달했다. 최첨단 모델 학습용 클러스터를 집계한 이 데이터셋은 국가가 주권을 행사하는 고성능 연산 자원의 대리지표일 뿐이다. 전 세계 용량은 민간 클러스터가 지배하며, 상용 클라우드 이용과 국제 민관 협력은 소유권에 따른 구분을 흐린다.출처: Figure 8.3.1 · p. 333, Infrastructure Sovereignty · p. 333

데이터 주권; 인재 주권

  • 동아시아·태평양의 데이터 현지화 조치는 77건으로 북미의 3건과 대조되며(Ferracane et al., 2025), 국경 간 AI 인재 순환은 둔화되고 있다.데이터 주권은 수집·저장·처리·이전에 대한 통제와 관련된다. 현지화 조치는 거의 모든 지역에서 증가했고 2016년 무렵부터 가속화됐으며, 새로 도입되는 미국의 제한 조치는 민감 데이터 이전에 선별적 통제를 부과한다. 인재 주권은 인력 역량과 이동성을 포괄한다. 유입과 유출 감소는 순환 위축을 시사하며, 미국의 인재 유치 우위는 축소되고 인도는 순유입국으로 전환하는 한편 중동·북아프리카의 거점들은 부상하고 있다.출처: Data Sovereignty · p. 334, Talent Sovereignty · pp. 339–340

모델 주권

  • 2025년까지 미국의 누적 모델 공개 건수는 1,618건으로 중국의 849건을 웃돌아, 다른 지역의 모델 개발 확대에도 편중이 지속됨을 보여준다.오픈소스 프레임워크는 진입 장벽을 낮추며 GitHub 활동은 더 폭넓은 확산을 시사한다. 유럽·중앙아시아의 공개 건수는 666건, 중국을 제외한 동아시아·태평양은 330건에 도달했으며 다른 지역의 건수는 더 적었다. 집계에는 주요 모델뿐 아니라 공개적으로 문서화된 소규모 모델도 포함되지만, 보고 공백으로 일부 지역 추정치는 보수적이며 사하라 이남 아프리카의 소규모 언어 특화 생태계는 제외된다.출처: Model Sovereignty · pp. 335–337, Figure 8.3.4 · p. 336

응용 주권

  • 응용 주권은 모델이나 연산 자원보다 국가별 틈새 특화의 여지가 크지만, 응용 전반에 걸친 투자는 여전히 소수 경제권에 집중돼 있다.미국·중국·영국·독일·프랑스는 광범위하게 투자하며, 특화 분야로는 독일의 제조업, 에스토니아의 교육, 사하라 이남 아프리카의 금융, 칠레의 보건의료, 아르헨티나의 농업, 이스라엘의 안보가 있다. 조달 정책, 부문별 요건, 디지털 공공 인프라는 도입·활용의 자율성을 좌우하지만, 국가 간 비교가 가능한 조달·도입·인프라 활용 데이터는 여전히 부족하다.출처: Application Sovereignty · pp. 337, 339

8.4 AI와 정책 수립; 세계 AI 입법 기록; 세계 AI 입법 심층 분석; 미국 입법 기록

  • 2016–2025년 미국은 AI 관련 법률 25건을 통과시켜 한국의 17건을 앞서며, G20 국가 간 편차가 큰 입법 활동에서 선두를 차지했다.제정된 법률을 집계하며, 일괄법안은 한 건으로 계산하고 법적 중요성은 측정하지 않는다. 집계 방법론이 변경되어 2025년 보고서와의 비교에 영향을 준다. 미국의 Take It Down Act는 딥페이크를 포함한 비동의 성적 이미지 유포를 범죄로 규정하고, 플랫폼에 48시간 이내 삭제를 의무화하며, 형사처벌과 민사적 구제 수단을 마련한다.출처: Figure 8.4.1 · p. 341, Global Legislative Records on AI · p. 341, §8.4 · p. 341

미국 입법 기록

  • 여기서 다루는 국가 거버넌스 체계는 책임을 정립하고 AI 전략을 조정하며, 신뢰할 수 있고 윤리적인 AI와 함께 기술 발전을 지원한다.한 체계는 AI 기본계획과 총리가 이끄는 AI 전략본부 설치를 의무화하며, 이 본부는 정부 정책과 국제 협력을 조정한다. 한국의 법률은 정부 전략, 조정, 지원, 표준, 안전장치의 법적 기반을 마련한다.출처: US Legislative Records · p. 343

주 차원

  • 2025년 주 차원의 AI 관련 법안 150건이 법률로 제정돼 2020년의 10건 미만에서 증가했으며, 캘리포니아가 입법 활동을 주도했다.2025년 제정 건수는 캘리포니아 20건, 텍사스 12건, 뉴욕 10건이었다. 2016–2025년에는 캘리포니아 62건, 메릴랜드 28건, 버지니아 25건, 유타 24건이었다. 미주리와 로드아일랜드는 한 건도 제정하지 않았다. 이 추적 지표는 법문에 ‘인공지능’이라는 표현이 포함된 제정 법률만 집계하므로 주 차원의 정책 수립을 일부만 포착할 가능성이 높다.출처: State Level · pp. 343–344, Figure 8.4.4 · p. 344, State AI Legislation Amid Shifting… · p. 345

연방 정책 변화 속 주 차원의 AI 입법

  • 연방 차원의 규제 완화에도 주 차원의 AI 입법은 안전장치부터 포괄적 체계까지 진전됐으나, December 2025 행정명령은 상충하는 주 규제를 겨냥했다.콜로라도는 주요 규제 준수 기한을 2026년 중반으로 연기했고, 텍사스는 민간 부문 의무 대부분을 없앴다. 유타는 정신건강 챗봇의 고지, 건강 데이터 공유, 광고를 규제했고, 캘리포니아는 동반자 챗봇의 자살 예방 안전장치와 미성년자 보호 조치를 추가했으며, 워싱턴은 미디어 출처 정보를 의무화했다. 몬태나는 컴퓨팅 권리를 확립하면서 정부의 제한 권한을 엄격히 한정하고 핵심 기반시설의 위험 관리 요건을 마련했다. 연방 행정명령은 주법에 대한 소송과 재정 지원을 통한 압박을 지시하되, 아동 안전, 데이터센터, 정부 조달에 관한 주의 권한은 유지했다.출처: State AI Legislation Amid Shifting… · pp. 345–346

미국 의회 청문회

  • 의회 AI 청문회 증인은 2017년 이후 거의 스무 배로 증가했으며, 2025년에는 102명이 출석했다. 이는 2022년 18명, 2023년 131명과 대비된다.제115대에서 제119대 의회까지 산업계 증인 비중은 13%에서 37%로 증가했고, 정부는 35%에서 10%로, 학계는 26%에서 15%로 감소했으며, 기타 범주는 26%에서 38%로 증가했다. 2017–2025년 일반 AI 거버넌스와 국가안보 분야의 증인은 각각 113명과 74명이었다. 금융·경제 정책과 국가안보 분야에서는 하원 증인이 각각 36명과 49명으로 상원의 3명과 25명보다 많았고, 보건·생의학 AI 분야는 양원 각각 9명이었다.출처: US Congressional Hearings · pp. 346–348, Figure 8.4.7 · p. 347, Figure 8.4.9 · p. 348

미국 규제

  • 규제 제약 축소로의 정책 전환에도 2025년 연방 AI 관련 규제는 58건으로 기록돼 2016년 1건과 대비됐다.가장 가파른 증가는 2022년 이후 나타났다. 트럼프 행정부는 2025년 초 고도화된 모델의 보고와 개인정보 보호·시민권·인력 관련 시책을 뒷받침하던 행정명령 14110을 철회하고 규제 완화 성격의 대체 명령을 채택했다.출처: US Regulations · p. 348, Figure 8.4.10 · p. 349

기관별 현황

  • 2025년 대통령실은 AI 관련 규제 조치 28건을 내놓아 연방기관 중 가장 활발한 활동을 보였다.수출 통제와 AI 공급망에 대한 관심이 높아지면서 상무부와 산업안보국의 활동도 활발해졌다. 에너지부, 교육부, 증권거래위원회는 2023년 이후 AI 관련 규제를 내놓기 시작했다.출처: By Agency · p. 349

미국 연방 규제 심층 분석

  • 2025년 연방 조치는 규제 완화와 함께 인프라 확충, AI 수출, 교육 시책, 민감 데이터 제한, 수출 통제 개편을 추진했다.AI 확산 규칙은 첨단 컴퓨팅과 비공개 가중치 모델에 대한 통제를 개편했으나 May에 철회됐다. 기반시설 정책은 청정에너지·사이버보안·노동 관련 조건을 두고 연방 부지 내 데이터센터 건설을 가속했으며, 규제 완화 행정명령은 180일 이내에 AI 행동계획을 마련하도록 했다. 이 밖에도 우려 대상국과 관련된 민감 데이터 거래를 제한하고, 산업계 컨소시엄과 연방 지원을 통해 풀스택 AI 수출을 촉진했으며, 청소년 AI 교육, 교육자 연수, 인력 양성을 확대했다.출처: A Closer Look at US Federal Regulations · pp. 351–352

8.5 AI 공공 투자

  • 미국과 유럽의 공공 AI 투자 추정치는 데이터 가용성과 회계 방식이 달라 별도로 제시된다.미국 추정치는 계약, 보조금, 기타거래협정을 활용하며, AI 활동이 처음 확인된 이후의 지출 의무액을 집계하고 초기 의무액 취소를 보정한다. 유럽과 영국 추정치는 보조금을 제외한다. 장기 계약 수단은 실제 지출액이 아닌 계약 한도액을 보고하는 경우가 많고, 계약 기간 데이터도 불완전한 경우가 잦다.출처: §8.5 · p. 353

AI 공공 투자 총액 … 기관에 대한 전 세계 신뢰

이 절은 미국과 유럽 주요국의 AI 공공 투자와 함께 AI의 발전과 영향에 대한 대중 및 전문가의 인식을 추적한다. AI 인지도, 도입, 낙관과 불안, AI 동반자에 대한 태도, AI 관리 기관에 대한 신뢰를 포함한 공개·규제 요구를 살펴본다.

미국

  • 2013–24년 미국의 AI 관련 활동에 $20.5 billion이 투입됐으며, 대부분 보조금 형태였다.지원금은 보조금 $15.9 billion, 계약 $3.9 billion, 기타거래협약(OTA) $650 million으로 구성됐다. 보조금 지출은 2020년 이후 가속화돼 2024년에는 누적 보조금의 32%인 $5.1 billion에 도달했다. 지원 건수는 보조금이 22,364건으로 계약 3,347건과 OTA 185건을 압도했지만, 금액 중앙값은 OTA가 $1 million에 근접한 반면 보조금은 $304,000, 계약은 $150,000이었다.출처: United States · p. 353, Figure 8.5.1 · p. 354

미국의 AI 관련 공공 지출 / 기관별 지출

  • 미국의 AI 계약·OTA 지출 중 약 60%가 버지니아·캘리포니아·메릴랜드에 집중된 반면, 보조금은 지리적으로 더 분산됐다.보조금 수령액 상위 세 주인 캘리포니아·매사추세츠·뉴욕의 비중은 16% 미만이었다. 계약 집중은 연방기관과의 근접성을 반영할 수 있는 반면, 보조금 분포는 연구기관의 더 넓은 입지를 따른다. 국방부는 2013–24년 계약·OTA 지출의 73%, 2024년에는 74.1%를 차지했다. 2020년 이후 HHS 지원이 늘어나면서 2024년에는 HHS와 NSF가 각각 보조금의 약 40%를 차지했다.출처: Figure 8.5.4 · p. 355, US AI-related public spending · p. 355, Spending Across Agencies · p. 356

기관별 지출 / 부문별 지출

  • 2013–24년 유럽의 AI 관련 계약에 $3.7 billion이 배정됐으며, 영국이 $1.6 billion으로 가장 많았다.독일이 $505 million, 프랑스가 $320 million으로 뒤를 이었다. 2024년 배정액은 영국 누적액의 28%, 독일 누적액의 40%를 차지했다. 계약액 중앙값은 영국·독일·스페인에서 $500,000 미만인 반면 덴마크에서는 거의 $1.1 million이었다. 2024년 유럽 계약 지출에서 정부기관은 62.6%, 보건은 13.9%, 교육은 13.7%를 차지했다. 포괄구매약정 때문에 지출 내역이 불명확해, 보고된 배정액은 실제 지출 의무 발생 시점이 명확한 금액이 아니라 낙찰 금액이다.출처: Spending Across Agencies · p. 357, Figure 8.5.8 · p. 358, Spending Across Sectors · p. 359

및 규제

  • AI가 사람들의 업무 방식에 긍정적인 영향을 줄 것으로 예상한 비율은 AI 전문가 73%, 미국 일반 대중 23%로, 50퍼센트포인트 격차를 보였다.전문가와 일반 대중의 낙관적 전망은 경제(69% 대 21%)와 의료(84% 대 44%)에서도 차이를 보였다. 향후 20년간 일자리가 줄어들 것으로 예상한 비율은 미국인 64%, 전문가 39%였다. 전문가들은 2030년까지 미국 근로시간의 18%에 AI의 도움이 제공될 것으로 예측한 반면, 일반 대중은 10%로 예상했다. AI 동반자에 대한 기대감은 전 세계 52%, 미국 42%였으며, 전문가들은 미국 성인의 일일 AI 동반자 이용률이 2027년 10%, 2040년 30%에 이를 것으로 예측했다.출처: and Regulation · p. 362
  • 미국 응답자의 31%가 자국 정부의 책임 있는 AI 규제를 신뢰해 조사 대상 중 가장 낮았으며, 세계 평균은 54%였다.싱가포르와 인도네시아는 각각 81%, 76%를 기록했다. 별도로 Pew의 2025년 25개국 조사에서 효과적인 AI 규제에 대한 신뢰도 중앙값은 EU 53%, 미국 37%, 중국 27%였다. 미국 50개 주 모두에서 규제 부족에 대한 우려가 과잉 규제에 대한 우려보다 높았으며, 전국 비율은 각각 41%, 27%였다.출처: and Regulation · p. 362

9.1 AI에 대한 전 세계 인식

  • 2025년 전 세계 응답자의 59%가 AI의 이점이 단점보다 크다고 봐 2024년 55%보다 높아졌으며, 52%는 불안감을 보고했다.말레이시아, 태국, 인도네시아, 싱가포르에서는 80%를 넘는 응답자가 향후 삼~오 년 내 삶이 크게 달라질 것으로 예상했으며, 말레이시아에서는 이 비율이 구 퍼센트포인트 상승했다. 북미와 유럽에서는 기대감이 낮고 불안감이 높았으며, 인도에서는 우려가 14퍼센트포인트 상승한 반면 기대감은 이 퍼센트포인트 상승했다. 전 세계적으로 56%가 시간 절약을 예상했지만, 자신의 일자리가 개선될 것으로 예상한 비율은 40%에 그쳤으며, 미국에서는 33%였다.출처: Figure 9.1.1 · p. 363, §9.1 · pp. 363–366

AI의 일자리 영향에 대한 전 세계 인식

  • 2024년과 2025년 모두 응답자의 11%가 5년 내 AI가 자신의 일자리를 대체할 가능성이 매우 높다고 봤으며, 56%는 가능성이 낮다고 봤다.업무 변화에 대한 예상도 안정적이었다. 변화 가능성이 매우 높다는 응답은 2025년 22%, 2024년 21%였으며, 가능성이 낮다는 응답은 두 해 모두 32%였다. 나이지리아·일본·멕시코·아랍에미리트·한국·인도에서는 60% 이상이 일자리 순증가를 예상한 반면, 미국의 67%와 캐나다의 68%는 일자리 소멸과 혼란을 예상했다. 업무와 고용시장 개선에 대한 낙관도는 대부분 국가에서 50% 안팎이거나 그 이하였다.출처: Global Perceptions of AI’s Impact on… · pp. 367, 369, Figure 9.1.7 · p. 368

전 세계 직장 내 AI 이용

  • 2025년 전 세계 근로자의 58%가 AI를 비교적 정기적으로 또는 정기적으로 사용했으며, 53%는 업무용 AI를 신뢰했다.인도, 중국, 나이지리아, 아랍에미리트, 사우디아라비아에서는 사용률이 80%를 넘었지만, 북미와 유럽 대부분의 국가에서 업무상 AI 신뢰도는 40%에서 48% 사이였다. 온라인 표본 추출로 신흥국의 젊은 도시 거주 고학력 응답자가 과대 대표되었을 수 있으나, 연령과 교육 수준을 통제한 후에도 차이는 유지되었다. 인도에서는 약 85%–90%가 AI 전략, 소양, 거버넌스에 대한 조직의 지원이 있다고 답했으며, 일본, 한국, 포르투갈은 소양 지원에서 최하위권이었다. 대부분의 국가에서 거버넌스 지원은 소양이나 전략 지원보다 약한 것으로 나타났다.출처: Figure 9.1.10 · p. 370, Global AI Use in the Workplace · pp. 370–371

9.2 AI의 사회적 영향에 대한 미국 대중과 전문가의 인식

  • AI 전문가의 73%가 사람들의 업무 수행 방식에 긍정적인 영향을 예상하는 반면, 미국 성인은 23%다.전문가들은 경제(69% 대 21%), K–12 교육(61% 대 24%), 의료(84% 대 44%)에 대해서도 더 낙관적이었다. 두 집단 모두 선거, 뉴스, 개인적 관계에 대해서는 낙관적 전망이 낮았다. 향후 20년간 일자리가 줄어들 것으로 예상한 비율은 성인 64%, 전문가 39%였으며, 늘어날 것으로 예상한 비율은 각각 5%, 19%였다. 두 집단 모두 계산원, 기자, 소프트웨어 엔지니어를 취약한 직종으로 꼽았으며, 전문가들은 트럭 운전사와 변호사를 강조한 반면 일반 대중은 더 광범위한 일자리 감소를 예상했다.출처: Figure 9.2.1 · p. 372, §9.2 · pp. 372, 374, 375
  • 전문가 예측의 중앙값에 따르면 2030년까지 미국 전체 근로시간의 18%에 생성형 AI가 도움을 줄 것으로 예상되며, 대중의 예측은 10%다.68개 예측 항목에서 전문가들은 더 빠른 진전을 예상했다. 성능 예측이 일치한 경우는 9%에 불과했으며, 예측이 엇갈린 경우의 71%에서 일반 대중이 더 느린 진전을 예상했다. 전문가들은 2030년 복잡한 수학 문제의 정답률을 더 높게(+25포인트), 2040년까지 획기적인 기술적 사건이 발생할 가능성도 더 높게(+30) 예측했다. 반면 일반 대중은 AI의 전력 소비량과 주요 수학 문제의 해결 확률을 더 높게 예측했다. 예측 기간은 조사 설계에 따라 다르다.출처: §9.2 · pp. 373–374, Figure 9.2.35 · p. 374, Figure 9.2.5 · p. 375
  • 2025년 미국 성인의 47%가 AI에 대해 많이 들어봤다고 응답해 2022년 26%보다 증가했다.인지도는 18–29세 성인에서 가장 크게 상승했으며(+29퍼센트포인트), 65세 이상에서는 +13포인트 상승했다. 60% 이상이 적어도 일주일에 여러 차례 AI와 상호작용한다고 답했고, 31%는 거의 항상 또는 하루에 여러 차례라고 답했다. 일일 이용 양상은 인구통계학적 특성에 따라 다르지만, 자기보고식 상호작용 측정은 내장된 시스템을 통한 AI 노출을 과소집계할 수 있다.출처: §9.2 · pp. 376–377

AI 동반자에 대한 인식

  • 전문가들은 2040년 미국 성인의 일일 AI 동반자 이용률을 30%로 예측하며, 대중의 예측은 20%다.전문가들은 이용률을 2027년 10%, 2030년 15%로 전망했으며, 상위 사분위 예측치는 40%를, 상위 십분위 예측치는 60%를 넘었다. 2026년 Ipsos-Google 설문조사에서 전 세계 응답자의 52%가 AI를 동반자로 이용하는 데 기대감을 보였으나, 미국의 36%와 캐나다의 34%는 전혀 기대되지 않는다고 답했다. 잘 모르겠다는 응답 비율은 일본이 18%로 가장 높았다.출처: Figure 9.2.9 · p. 378, Views on AI Companions · p. 378
  • AI 동반자는 인간과의 상호작용에 버금가게 외로움을 줄일 수 있지만(Freitas et al., 2024), 정서적 의존은 심리적 고통과 상관관계가 있다(Bengio et al., 2025).이러한 시스템은 상호작용을 기억하고 감정을 인식하며 응답을 개인화한다(Yang et al., 2025). 이용자는 언제든 받을 수 있는 지원(11.9%), 안전한 감정 표현(9.9%), 정신건강 개선(6.2%)을 보고한다(Pataranutaporn et al., 2025). 외로움 완화의 지속성과 기존 관계에 미치는 영향은 여전히 불확실하며, 전문가와 대중 모두 심리치료사를 대체할 가능성은 낮게 본다.출처: Views on AI Companions · pp. 378–379

기관에 대한 전 세계 신뢰

  • Ipsos 응답자의 79%가 기업의 AI 사용 공개 의무화를 지지하며, 54%는 자국 정부의 책임 있는 AI 규제를 신뢰한다.정부 신뢰도는 미국에서 31%로 가장 낮았으며, 싱가포르는 81%, 인도네시아는 76%, 말레이시아는 73%, 태국은 70%였다. 별도의 Ipsos/Google 조사에서는 58%가 AI 기반 혁신을, 41%가 규제를 통한 영향받는 산업의 보호를 우선시했지만, 남아프리카공화국·인도·아일랜드는 규제 쪽으로 기울었다.출처: Global Trust in Institutions · pp. 380–381
  • 25개국에서 EU의 효과적인 AI 규제 능력에 대한 신뢰도 중앙값은 53%로, 미국 37%와 중국 27%보다 높았다.응답자들은 대체로 자국을 가장 신뢰했으며, EU에 대한 신뢰도는 회원국과 비회원국 모두에서 차이를 보였다. 독일과 네덜란드는 그리스와 이탈리아보다 신뢰도가 높았다. 미국에서는 44%가 자국 정부의 규제 능력을 신뢰하고 47%가 불신했으며, EU를 신뢰한 비율은 43%였다.출처: Figure 9.3.2 · p. 381, Global Trust in Institutions · p. 381
  • 미국 응답자의 41%가 연방정부의 AI 규제 부족을 우려한 반면 과잉 규제를 우려한 비율은 27%였으며, 각 주에서 판단을 유보한 비율도 상당했다.과도한 규제에 대한 우려는 뉴욕주와 테네시주에서 가장 높았고(31%), 규제 부족에 대한 우려는 미주리주와 워싱턴주에서 가장 높았다(48%). 대부분의 주에서 약 삼분의 일이 잘 모르겠다고 답했다. 규제 부족을 우려한 비율은 65세 이상 성인에서 51%, 대졸자에서 46%였으며, 고졸 이하에서는 34%였다. 정당별 차이는 크지 않아 민주당 지지자는 45%, 공화당 지지자는 40%였다.출처: Global Trust in Institutions · pp. 382–384

부록 … Lightcast

이 부록은 학습 과정의 탄소 배출량을 추정하고 AI 프로젝트, 모델 사용, 출판물, 학회 참석, 특허, 인재, 기술 벤치마크, 책임 있는 AI 연구, 투자, 노동 수요를 측정하는 데 사용한 데이터 출처와 방법을 설명한다. 분류 규칙, 지역 귀속 방법, 포괄 범위의 한계도 명시한다.

환경 영향 분석

  • 산업계와 학계의 언어·비전 분야에 걸쳐 영향력 있는 모델 52개의 학습 과정 탄소 배출량을 평가했으며, 하드웨어 생산, 유휴 인프라, 배포는 제외했다.공개된 배출량과 대조한 Lacoste et al. (2019)의 계산기는 하드웨어, 하드웨어 수량과 학습 시간으로 산출한 GPU 사용 시간, 서비스 제공업체와의 제휴 관계, 연구팀 소재지로 추론한 연산 수행 지역을 활용했다. 학습 관련 입력값은 Epoch AI 또는 모델 논문에서 확보했다. 분석 대상은 산업계 언어 모델 36개, 산업계 비전 모델 8개, 학계 언어 모델 4개, 학계 비전 모델 4개였다. H100 GPU 대신 A100 SXM4 80GB 하드웨어를 적용했으며, 자체 구축 인프라의 계산에는 탄소 효율과 상쇄를 반영했다.출처: Environmental Impact Analysis · p. 385

GitHub; AI 학회 참석

  • GitHub는 주제 라벨, 확장된 키워드, 라이브러리 의존성으로 공개 AI 저장소를 식별하며, 학회 참석자 수는 주최 측이나 공개된 집계에서 확보한다.저장소 식별은 Gonzalez, Zimmerman, and Nagappan (2020)과 Dohmke, Iansiti, and Richards (2023)를 따르며, PyTorch, TensorFlow, OpenAI, Transformers, XGBoost, scikit-learn, SciPy 의존성을 추가로 활용한다. 지역은 매일 표본 수집한 소유자의 IP 기반 위치 중 연간 최빈 위치로 지정하며, 비활동 기간에는 마지막으로 확인된 위치를 유지한다. 2025년 참석자 수가 온라인에 공개되지 않은 경우에만 학회 주최 측에 문의했다.출처: GitHub · p. 385, AI Conference Attendance · p. 387

Hugging Face; 다운로드 데이터

  • March 2022–August 2025 데이터셋에서 다운로드가 최소 200회인 주간 상위 200개 모델이 전체 Hugging Face 다운로드의 49.6%를 차지한다.다운로드 자료는 Longpre et al. (2025)에서 가져왔다. Hugging Face와의 직접 협업으로 잡음이 가장 적다고 확인된 데이터셋을 확보했으며, 수작업 정제와 결측값 대치로 보완했다. 공개 모델 및 데이터셋 수는 횡단면 자료로, 지리 정보가 없고 모달리티 값의 약 60%가 누락되어 있어 사용량 시계열 분석이나 지역별·모달리티별 세부 분석이 불가능하다.출처: Downloads data · pp. 385–386, Hugging Face · p. 385

AI 출판물 분석

  • AI 중심의 CSO Classifier로 OpenAlex에서 AI 출판물을 식별하고 DBLP와 대조해 학회 논문집 수록 논문과 학술지 논문을 구분한다.CSO 버전 3.4.1은 AI 관련 주제 2,369개를 제공한다. 분류에는 구문 매칭, 의미 임베딩, 후처리를 결합하며, DBLP 대조에는 DOI를 우선 사용한 뒤 제목과 출판 연도를 활용한다. 집계에는 출판물의 최신 버전과 저자 소속을 사용하고, 국가별·부문별 중복 집계를 허용하며, 소속이나 인용 정보가 누락된 경우 미상으로 표시한다. 연간 상위 100개 논문 목록은 OpenAlex의 피인용 상위 150개 논문을 대상으로 OpenAlex, Google Scholar, Semantic Scholar의 인용 데이터를 활용해 검토·선별한다.출처: AI Publication Analysis · p. 386

AI 특허 분석

  • AI 특허는 키워드 검색과 IPC/CPC 분류 코드를 결합해 식별하며, 중복 집계를 줄이기 위해 PATSTAT Global의 등록 특허를 DOCDB 발명 패밀리로 묶는다.분석 범위는 2010년부터이며, 국가는 기록상 최초 등록 특허의 공보 발행 관청을 기준으로 지정한다. 키워드 개발에는 AI가 생성한 용어, 기존 용어집, Word2Vec 확장, BERTopic과 DeBERTA 검증, 수작업 오탐 점검을 결합한다. 출원들의 최초 출원일이 같으면 일부 중복이 남을 수 있어, 분석 시 연도 등 집계 변수 기준으로 중복을 추가 제거한다.출처: AI Patent Analysis · p. 387, Speed of Knowledge Diffusion Methodology · p. 387

지식 확산 속도 측정 방법

  • 지식 확산은 특허 공개부터 최초 인용까지 걸리는 개월 수를 Kaplan–Meier 방법으로 추정하며, 관찰 종료 시점까지 인용되지 않은 특허는 중도절단 처리한다.기술적 근접성은 Bar et al. (2012)에 따라 공통 기술 분류별로 각 특허 포트폴리오에서 차지하는 비중의 최솟값을 합산해 0과 1 사이의 유사도 점수로 산출한다.출처: Speed of Knowledge Diffusion Methodology · pp. 387–388

Zeki; 기간 범위; 소속 범위

  • 연구·데이터·모델 기여가 확인된 중국 외 지역의 AI 전문가 658,000명이 Zeki의 인재 모집단을 구성한다.Zeki는 공개 비즈니스 정보와 검증된 공급업체를 활용하며, 비공개 정보와 보안 로그인이 필요한 수집은 제외한다. 이름과 추정 거주지를 바탕으로 성별을 추론하되, 확률이 45%와 55% 사이이면 불명확한 것으로 처리한다. 분석 범위는 2010–2025년 기업 및 학계 종사자이며, 2010년 이전에 시작된 기록은 제외한다. 경력 이력에 종료일이나 최근 갱신 정보가 없으면 마지막으로 확인된 거주지, 부문, 학력을 2025년까지 유지한다.출처: Zeki · p. 388, Date Range · p. 388, Affiliation Range · p. 388

인재 공급

  • 2010–2025년 인재 패널 자료는 국가, 학력, 부문을 추적하며, 별도 데이터셋은 현재 전문 분야와 지역 간·부문 간 경력 이동을 다룬다.연도별 국가와 부문은 경력 이력에 따라, 학력은 교육 이력에 따라 지정하며, 학력 수준 6개와 부문 336개를 포괄한다. 전문 분야별 인원은 개인별로 가장 최근 기록된 국가와 상위 100개 전문 분야에 속하는 현재 주요 전문 분야 2개를 기준으로 집계한다. 이동 자료는 국가·지역별 유입과 유출, 부문 간 이동을 추적한다.출처: Talent Supply · p. 389
  • 프로필 갱신 지연에 따른 변동성을 줄이기 위해 12개월 이동평균으로 AI 인재 추세를 평활화하며, 국가·연도별 비율로 남성과 여성의 구성비를 추적한다.프로필 갱신은 직업 변동보다 늦어질 수 있으며, 특히 해고나 경력 단절 이후에 지연될 수 있다. 성별 비율은 각 국가·연도의 전체 AI 인재 수를 분모로 사용한다.출처: Talent Supply · p. 389

벤치마크

  • 벤치마크 점수는 2026년 초 기준이며 기업이 보고한 결과가 정확하다고 가정한다. 이후 출시된 모델은 보고된 최고 성능 점수를 넘어설 수 있다.출처에는 리더보드, 공개 저장소, 기업 논문, 블로그 게시물, 제품 출시 자료가 포함된다.출처: Benchmarks · p. 390

학회 투고 논문 분석

  • AAAI, AIES, FAccT, ICML, ICLR, NeurIPS에서 키워드 검색으로 책임 있는 AI 관련 투고 논문을 식별하고, 사람의 검토와 LLM의 보조로 분류를 점검한다.모호한 키워드에 해당하는 논문은 사람이 검증하며, 나머지 논문은 LLM이 제목과 초록을 바탕으로 책임 있는 AI(RAI)와의 부합도를 범주형 라벨로 부여한다. 하나의 논문은 책임 있는 AI의 여러 범주에 속할 수 있다.출처: Conference Submissions Analysis · p. 393

제4장: 경제

  • Quid의 기업 분석은 전 세계 8백만 개가 넘는 기업 프로필을 기반으로 하며, 매주 갱신되는 자료와 언어 기반 연결을 통해 주제별 군집을 식별한다.Quid는 여러 데이터셋에 자체 LLM, 불리언 쿼리, 기타 검색 기능을 결합해 활용한다. 기업 검색에는 투자 정보, 설립 연도, 본사 소재지를 포함할 수 있다.출처: Chapter 4: Economy · p. 396

데이터

  • Quid는 Capital IQ의 조직 데이터를 Crunchbase로 보완하고, 불리언 검색으로 AI 기업을 식별하며, 의미적 유사도로 기업 간 관계를 시각화한다.광범위한 기업 목록에도 불구하고 투자자 신원이나 투자 금액이 공개되지 않아 결측 데이터가 발생한다. 검색어로는 “인공지능”, “AI”, “기계학습”, “딥러닝”을 사용한다. 검색 결과가 7,000개를 넘으면 시각화에는 관련성이 가장 높은 기업만 해당 개수만큼 남긴다.출처: Data · p. 396, Chapter 4: Economy · p. 396

기업

  • McKinsey의 2025년 기업 활동 설문조사는 105개국 응답자 1,993명을 기반으로 하며, 투자 표본은 2015–2025년 전 세계 AI·머신러닝 기업을 포괄한다.설문 응답에는 각 응답자 소속 국가가 세계 GDP에서 차지하는 비중에 따라 가중치를 부여한다. 투자 분석에는 민간 투자, IPO, M&A가 포함되며, 추가 AI/ML 및 생성형 AI 표본은 January 1, 2015–December 31, 2025 기간에 $1.5백만을 초과하는 투자를 받은 기업으로 한정한다.출처: Companies · pp. 396–397

Lightcast

  • Lightcast는 10개 군집에 속하는 300개 초과 AI 역량을 기준으로 AI 채용 공고를 정의하며, 기존 9개 군집에 에이전트형 AI를 새로 추가했다.Lightcast는 51,000개가 넘는 구인 사이트에서 수집한 공고의 중복을 제거하며, 이전 판 이후 역량 24개를 추가했다. JOLTS와 비교하면 미국 전체 노동 수요의 99% 이상을 포괄하지만, 소기업의 오프라인 채용과 노동조합 채용 알선소 등을 통한 채용은 누락된다.출처: Lightcast · p. 397
  • LinkedIn은 AI 엔지니어링 역량을 최소 2개 보유하거나 현재 또는 과거 AI 직무 종사 이력이 있는 사람을 AI 인재로 정의하며, AI 리터러시 역량을 최소 1개 보유하면 AI 리터러시가 있다고 정의한다.LinkedIn은 자기 보고식 엔지니어링 기술과 리터러시 기술을 구분하며, 개인정보 보호 기준에 따라 1.3십억 명이 넘는 회원의 프로필을 집계한다. 자료의 포괄 범위는 플랫폼 이용과 접근성의 영향을 받는다. AI 직무는 AI 기술을 요구하는 직무다. 기술 보급도 분석은 다섯 개 산업을 대상으로 하며, 다른 지표는 더 넓은 범위를 다룬다. 성별 분석은 자기 식별 정보 또는 대명사·이름에 따른 추론을 사용하며, 성별이 분류되지 않은 회원과 성별 식별 비율이 불충분한 국가는 제외한다.출처: Lightcast · pp. 399–400

방법론 … Ipsos

이 절은 AI 인력, 과학, 의료, 교육, 입법, 의회 청문회, 공공투자 데이터의 정의, 출처, 검색·선별 절차를 설명한다. 해석 지침, 비교 가능성과 포괄 범위의 한계, 외부 Ipsos 조사 방법론의 참고 자료도 제시한다.

1. 주요 AI 기술; 2. 가장 빠르게 증가하는 AI 기술

  • 해석 예시에서는 머신러닝, AI, 딥러닝을 가장 많이 추가된 엔지니어링 기술로, 맞춤형 GPT, AI 생산성, AI 에이전트를 가장 빠르게 증가한 기술로 제시한다.증가율은 전년 대비로 측정하며, 국가별 기술 추가 건수의 기준값은 최신 연도 분포의 제50백분위수로 설정한다.출처: §1 · p. 400, §2 · p. 400

3. AI 인재 비중; 4. 상대적 AI 인재 채용률의 전년 대비 비율; 6. AI 분야 여성 비율

  • 해석 예시에는 미국의 AI 엔지니어링 인재 비중 0.88%, 전 세계 AI 엔지니어링 인재 중 여성 비율 30.5%, 미국의 상대적 AI 채용 비율의 전년 대비 증가율 24.7%가 제시된다.인재 비중은 AI 인재 수를 LinkedIn 회원 수로 나누어 산출하며, 국가별 포괄 범위가 달라 해석에 주의가 필요하다. 채용은 해당 지역 회원 수 대비 입사 시점에 새 고용주를 등록한 회원 수로 측정한다. AI 분야 채용률의 전년 대비 변화를 전체 채용과 비교할 때는 3개월 이동평균을 사용한다.출처: §3 · p. 400, §4 · p. 400, §6 · p. 402

5. 기술 침투율

  • AI 기술 침투율은 TF-IDF 가중치로 선정한 각 분석 대상의 대표 기술 50개 중 AI 기술이 차지하는 비율을 측정한다.상대적 침투율은 직종 구성을 통제한 상태에서 각 국가를 기준값과 비교하며, 산업별 세부 분석도 포함한다. 성별로 산출한 전 세계 평균을 쓰면 동일 성별 내 국가 순위만 비교할 수 있다. 공통된 전 세계 평균을 쓰면 국가 내·국가 간 성별 비교가 가능하다.출처: §5 · pp. 401–402

7. AI 인재 이동

  • AI 인재 이동은 LinkedIn 회원 10,000명당 유입 인원에서 유출 인원을 뺀 값으로 측정하며, 연말 국가별 회원 수를 기준으로 정규화하고 최소 표본 기준을 적용한다.미국의 해석 예시에서는 회원 10,000명당 1.07명의 순유입을 보고한다. World Bank Group–LinkedIn 데이터(Zhu et al. (2018))는 프로필의 위치 정보 변경으로 이동을 식별하며, 2019년부터 데이터가 제공된다.출처: §7 · p. 402

8. AI 직종으로의 경력 전환; 9. 가장 빠르게 증가하는 AI 직종

  • 해석 예시에서 미국의 AI 엔지니어 전직자 중 26.9%는 소프트웨어 엔지니어, 13.3%는 데이터 과학자 출신이었다.전직은 5년간의 데이터를 통합해 집계하며, 이전에 종사하지 않은 직종으로의 이동만 포함하고 졸업 후 첫 직종과 동일 직종 내 이동은 제외한다. 가장 빠르게 증가하는 직종은 직종별 비중의 전년 대비 변화로 순위를 매긴다. 해석 예시에서 미국 AI 엔지니어링 분야 내 증가 폭이 가장 큰 직종은 AI 제품 관리자였다.출처: §8 · p. 402, §9 · p. 402

10. AI 기술 확산 지수

  • AI 기술 확산 지수는 침투율 수준이 아니라 기술 다양성을 보정한 AI 기술 등록 회원의 증가를 추적한다.국가별 기준 시점은 회원 수가 기준치에 도달한 때부터다. 예시 해석에서는 지수를 AI 엔지니어링으로 명명하지만, AI 리터러시 역량을 기재한 미국 회원의 보정 비율이 March 2023보다 1075x 높다고 설명한다.출처: §10 · pp. 402–403

제5장: 과학; 중심원리

  • Web of Science와 PubMed 검색으로 AI 관련 과학, 단백질 연구, 신약 개발, 가상 세포 논문 수를 집계하며, 의료기기 데이터는 FDA 기록에서 확보한다.Web of Science 검색은 AI 주제어와 자연과학 분야 분류를 결합하고 결과를 학술 논문으로 한정했으며, March 20, 2026에 연도별 건수를 내보냈다. PubMed 검색은 2024–2025의 단백질 연구를 기능 예측, 구조 예측, 단백질–약물 상호작용, 합성 설계에 걸쳐 집계했다. 신약 발굴 검색은 2018 이후를 대상으로 했으며, 가상 세포 검색에는 제목·초록 검색어를 사용했다.출처: Chapter 5: Science · p. 405, The Central Dogma · p. 410

중심원리 — 의료 AI에 대한 환자의 관점

  • 환자 관점 검색은 PubMed/MEDLINE, Embase, Scopus에서 2020–2025년에 발표된 의료 AI 실증연구를 대상으로 했으며, 원격의료와 문헌 검토만 수행한 연구는 제외했다.검색 조건은 제목이나 초록에 AI를 명시하고, 환자·가족·일반 대중의 관점, 임상 활용, 일차 데이터를 포함하는 것이었다. 언어는 처음에 영어로 제한했다. 데이터베이스별로 조정한 검색 결과에 대해 제목·초록 및 전문을 심사했다. 검토자 4명이 전문 분야와 지역 태그를 부여했고, Claude Sonnet 4.6이 태그를 이진 변수로 변환했으며 정확도는 수작업으로 확인했다.출처: The Central Dogma · p. 410, Core Limits (applied across databases) · p. 412

Feb. 9, 2026에 검색식 실행

  • Scopus의 환자 관점 검색에서는 논문 368편이 검색되었다. 별도의 PubMed Central 분석에서는 의료 AI 윤리 쟁점을 알고리즘, 거버넌스, 사회적 우려로 분류했다.Scopus 검색은 2020–2025를 대상으로 AI, 환자·일반 대중·가족·돌봄 제공자의 관점, 의료, 실증 연구 방법 관련 용어를 결합하고 원격의료 관련 용어와 지정된 문헌고찰 용어를 제외했다. 윤리 분석은 January 2021–December 2025를 대상으로 데이터 공유, 알고리즘 공유, 생물보안, 국제보건에 관한 추가 필터를 적용했으며, 편향, 책무성, 사생활 보호, 형평성, 자율성 등의 주제를 다뤘다.출처: Search strings implemented on Feb. 9,… · p. 413

제7장: 교육

  • 교육 지표는 학교 교육 접근성과 고등교육을 다루는 Code.org, College Board, CRA, 케임브리지의 Raspberry Pi 센터, IPEDS, OECD 데이터셋을 활용한다.출처는 Code.org의 2025년 보고서와 대시보드, College Board의 전국·주별 AP 요약 자료, 미국·캐나다 회원 대학을 대상으로 한 2024년 CRA Taulbee 조사, 연방 학자금 지원 참여 교육기관에 대한 IPEDS 조사, OECD의 재학생·졸업생·신입생 통계다. 전 세계 초·중등교육(K–12) 데이터셋은 2025년까지 갱신했으며, 미국의 컴퓨터과학 교육 제공 여부가 학교와 학군에 따라 다름을 명시했다.출처: Chapter 7: Education · p. 419

전 세계 AI 입법 기록

  • 전 세계 입법 추적 체계는 G20 국가를 대상으로 자율 크롤링, 2차례의 LLM 분류, 근거 인용문 추출을 결합한 뒤 AI Index의 수작업 검증을 거친다.원문 언어의 키워드 검색으로 후보 문서를 식별한다. Google Gemini가 관련성과 문서 유형을 평가한 뒤, 추가 분석에서 대상 시스템, 부문, 목적, 기관, 중복 제거용 식별자, 입법 상태를 추출한다. 조항 원문은 분류 결과를 검증할 수 있는 근거를 제공한다.출처: Global Legislation Records on AI · p. 421

미국 주 차원의 AI 입법

  • 미국 주법 추적은 제정된 법률 본문에서 “artificial intelligence”를 검색하고, Multistate AI Legislation Tracker의 AI 관련 법률로 결과를 보완한다.대상은 2015–2025년의 50개 주 전체다. 키워드 기반 포함 기준은 최종 제정본에 해당 문구가 있어야 한다는 것이며, 보완용 추적 자료는 이 표현이 없는 법률도 포착한다.출처: US State-Level AI Legislation · pp. 421–422

미국 AI 규제

  • 데이터셋은 AI 중심 의회 청문회 107건에서 증인 출석 425건을 기록한다. 별도로 2016년부터 2025년까지의 미국 행정기관 규정은 Federal Register에서 artificial intelligence를 키워드로 검색해 추적한다.청문회 범위는 January 30, 2025 기준 제115대 의회부터 제119대 의회까지다. 주로 Congress.gov에서 키워드 검색 후 수작업 검증으로 청문회를 식별하고 보조 자료로 보완했으며, 청문회별·증인별 속성을 기록했다. 규정 추적에서는 총건수와 발행 기관을 분석한다.출처: US AI Regulation · p. 422

AI 공공투자

  • 공공투자 추정치는 유럽과 미국의 조달을 포괄하지만 보조금은 미국만 포함하며, 데이터 포괄 범위의 불균형으로 완전성에 한계가 있다.유럽 데이터는 TED에서 가져오며, 공고 기준금액 때문에 포괄 범위에 차이가 생긴다. 영국은 중앙정부와 권한이 이양된 지역정부의 조달 시스템도 포함하지만 북아일랜드는 제외한다. 미국의 계약과 기타거래협정(OTA)은 Omari et al. (2025)과 FPDS, 보조금은 USAspending에서 확보한다. GAO (2023)는 49개 기관에서 2022 회계연도 지출 중 $5 billion을 넘는 금액이 미보고되었음을 확인했다.출처: Public Investment in AI · p. 422
  • AI 투자 분류는 사전 기반 매칭, 토픽 모델과 Transformer 모델, 수작업 검토를 결합한다. 거래 집계 방식 개정으로 과거 투자 추정치가 소급해 부풀려지는 현상을 줄인다.설명문을 결합하고 영어로 번역한 뒤 정규화했다. Yamashita et al. (2021)과 수작업으로 검토한 Word2Vec 확장어를 반영한 사전으로 정규표현식 매칭을 수행하고, BERTopic과 DeBERTA로 검증했다. 점수가 20% 미만인 건과 모든 고액 입찰 건은 수작업으로 검토했다. 미국의 집계 방식은 이제 각 계약에서 AI 관련성이 처음 확인된 시점 이후 거래만 합산하고 첫해의 지출 의무 취소분은 제외한다. 이에 따라 기존 추세는 유지되지만 추정 투자 누적액은 줄어들며, 특히 초기의 감소 폭이 크다.출처: Public Investment in AI · pp. 422–423

Ipsos

  • Ipsos 조사 방법론은 재수록하지 않으며, 2022–2026년의 원 조사 보고서를 참조하도록 안내한다.목록에 제시된 2026년 출처는 Ipsos/Google Multi-Country AI Survey다.출처: Ipsos · p. 424

Related papers

Loading 2606.15708v3…