조인호의 AI와 기후 | ① 원거리까지 ‘찾고’, 로컬에서 ‘결정하는’ 협업
- hpiri2
- 8월 22일
- 6분 분량
[편집자 주] 기후위기 솔루션으로서 AI의 역할은 어떤 것들이 있을까? 이미 AI는 기상 예측, 기후재난 대응, 탄소 감축, 에너지 그리드 등 기후 관련 다양한 솔루션에 쓰이고 있다. 기후 문제는 지구 상의 모든 곳, 모든 사건에 닿아 있기에 그만큼 복잡하고 다층적이어서 해결이 쉽지 않다. 그런 점에서 AI와 시민의 협업을 개념화하고 알려 온 필자에게서 기후위기 솔루션으로서 AI를 활용한 국내외 다양한 사례들을 듣고자 한다. 인간과 AI의 차이점이 낳은 협력의 근거들을 찾아 '우일신又日新'해 보자.
2025-08-22 조인호
조인호 포스트에이아이 대표이사
서강대 정치외교학과를 졸업, Michigan State University에서 Telecommunication으로 석사학위를, University of Texas at Austin에서 Communication Studies-Organization Science로 박사학위를 받았다. 2018년부터 오피니언라이브의 공동대표로 자연어처리와 인공지능 학습데이터 구축 지원 사업을 주도했다. AX(AI Transformation)와 개인화 기반의 Virtual Persona를 지향하는 포스트에이아이를 설립했다. 현재 이화여자대학교 신산업융합대학과 한국외국어대학교 미디어커뮤니케이션 학부의 겸임교수이기도 하다.
인간·AI 상호보완 모델과 기후 시나리오 적용
폭우, 폭염, 대형 산불, 미세먼지와 같은 기후재난이 점점 더 일상화되고 있다. 그 영향은 전 지구적이지만, 피해는 지역에서 먼저 발생한다. 그 대응 역시 지역 현장에 있고, 그때그때 신속하고 정확한 진단과 판단이 필요하다. 문제는 지역 단위의 진단과 판단이 점점 더 복잡하고 불확실해진다는 점이다.
한편, AI는 방대한 정보를 실시간으로 탐색하고 패턴을 제시하는 기술 기반을 제공하고 있다. 특히 기후처럼 복합적이고 다층적인 문제에 새로운 해법을 제시할 수 있음을 보여 주고 있다. 하지만 AI가 생성하는 정보는 종종 맥락이 없거나, 지역의 조건을 충분히 반영하지 못한 채 보편적 답변만을 내놓기도 한다.
반면, 인간은 지역에 대한 깊은 이해와 사회적 판단력을 갖고 있으나, 제한된 정보 탐색 능력과 인지적 한계로 인해 지역을 넘어서는 광역 신호를 빠르게 포착하는 데 어려움을 겪는다. 따라서 오늘날의 기후위기처럼 복잡하고 다차원적인 문제에 대응하려면, 인간과 AI의 탐색 방식을 통합해서 설계할 필요가 더욱 부각되고 있다.
이 글에서는 이러한 통합 탐색이 가능한 협업 모델로서 ‘확장된 로컬 탐색(extended localized search)’을 제안하고자 한다. 이 모델은 인간이 지역의 맥락에서 문제를 정의하고, AI가 전 세계의 사례와 통계, 선례 등을 빠르게 검색해 보완하는 구조이다. 나아가 협업이 실제로 어떻게 작동하는지를 기후위기 대응이라는 맥락에서 구체적으로 적용한 사례를 제시해 보고자 한다.
인간과 AI: 상이한 탐색 방식과 결합의 방향
인간과 인공지능(AI)은 문제 해결과 의사결정을 위한 정보 탐색 방식에서 뚜렷한 차이를 보인다. 인간은 주어진 자원, 시간, 인지적 한계 안에서 맥락과 의미를 고려해 정보를 탐색한다. 반면, AI는 광범위하고 구조화된 데이터를 바탕으로 빠르고 반복 가능한 방식으로 해답을 도출한다. 이처럼 서로 다른 탐색 방식은 각자 장단점을 가지며, 협업을 통해 상호 보완할 필요가 있다.
인간의 탐색 방식은 경험, 관계, 감정, 상황을 보는 직관 등 다양한 요소에 영향을 받는다. 이는 불확실한 상황에서 '충분히 괜찮은 해답'을 빠르게 찾는 데 유리하다. 이러한 제한적 의사결정 경향은 ‘제한적 합리성(bounded rationality)’(Simon, 1997)으로 설명되며, 인간은 복잡한 문제를 구조화하고 의미를 해석하는 과정, 즉 ‘센스메이킹(sensemaking)’(Weick, 1995)을 통해 행동을 결정한다. 그래도 인간의 탐색은 한계가 분명하다. 정보의 양이 많아지면 선택이 느려지고, 인지 편향에 따라 객관성을 잃을 위험도 높아진다.
AI의 탐색은 이와는 정반대 지점에 있다. 생성형 언어모델과 같은 AI는 광범위한 데이터에서 통계적 패턴을 빠르게 도출해 응답을 생성한다. 이를 통해 인간이 놓치기 쉬운 드문 패턴이나 전 세계의 유사 사례를 빠르게 제시할 수 있으며, 반복적인 데이터 분석과 수치 기반 예측에는 강점을 보인다. 하지만 AI는 인간처럼 맥락을 이해하거나 사회적 의미를 구성하지는 못한다. 경우에 따라 그럴듯하게 표현하지만 사실과 다른 정보를 생성하는 ‘할루시네이션(hallucination)’ 문제도 존재한다(Bender et al., 2021).
이처럼 인간과 AI의 탐색은 깊이와 폭, 속도와 맥락성, 창의성과 일반화 등 다양한 측면에서 상호보완적인 특성을 갖는다. 따라서 두 방식은 경쟁이 아니라 결합의 대상이라고 할 수 있다. 제임스 마치(James G. March, 1991)의 ‘탐색과 활용’ 이론에 따르면, 조직은 새로운 가능성을 찾는 탐색과 기존 역량을 활용하는 활동을 동시에 조율해야 한다고 주장한다. 비슷한 맥락에서, 리타 카틸라와 가우탐 아후자(Rita Katila와 Gautam Ahuja, 2002)의 연구는 탐색의 폭과 깊이가 조화롭게 구성될 때 혁신 성과가 높다고 제안하고 있다.
간략히 정리하면, 인간과 AI는 정보 탐색이라는 공동 작업에서 역할을 분담할 수 있다. 인간은 문제를 프레이밍하고 맥락적 판단을 내리는 데 집중하고, AI는 광범위한 정보 공간에서 관련 데이터를 신속하게 수집하고 구조화하는 역할을 수행할 수 있다. 이러한 결합을 통해 단순한 효율을 넘어 더 책임 있는, 그리고 더 현장 친화적인 문제 해결이 가능해 질 것이다.
해외 사례: 글로벌에서 가져오고, 지역에서 작동하게
기후 예측과 대응 체계는 이제 단순한 국가 단위 분석을 넘어, 지역에서 바로 활용 가능한 형태로 진화하고 있다. 유럽중기예보센터(ECMWF)가 도입한 AI 예보 시스템은 기존 물리 기반 모델과 병행 운영되며, 중기예보의 신뢰성과 속도를 끌어올리고 있다.
또한 CorrDiff(Generative Correction Diffusion Model)와 같은 초해상도 다운스케일링 기술은 기존의 25㎞ 격자 기후 데이터를 2㎞ 수준까지 세밀화해, 국지적 강수나 돌발 홍수 위험을 도시 단위에서 정밀하게 판독할 수 있도록 지원해 준다. 이러한 모델과 기술들은 지자체와 언론이 보다 빠르고 정확하게 재난 브리핑을 제공할 수 있는 기반이 되며, 지역의 대응 역량을 강화하는 데 도움을 줄 수 있다.
모델과 함께 기후위기 대응에서 현장의 데이터를 빠르게 확보하는 일 또한 매우 중요하다. 이를 위해 세계 여러 지역에서는 시민과 학생들이 참여하는 매핑 프로젝트가 활발히 운영되고 있다. Humanitarian OpenStreetMap Team(HOT)이나 라마니 후리아(Ramani Huria)와 같은 사례에서는 시민들이 침수구역, 배수로, 비정규 정착지를 직접 지도화하며, 이러한 데이터는 대피, 복구, 예방 계획 수립에 활용된다. 이는 현장 데이터, 개방형 도구, 커뮤니티 참여가 결합된 전형적인 확장된 로컬 탐색 사례로, 기술이 시민사회의 적극적 참여를 가능하게 하는 중요한 도구임을 보여 준다.
기후 대응은 한 지역의 단일한 노력만으로는 한계를 가질 수 밖에 없다. C40 Knowledge Hub는 전 세계 도시들이 경험한 감축·적응 사례와 거버넌스 지침을 공유해, 다른 도시들이 이를 자신들의 맥락에 맞게 적용할 수 있도록 지원한다. 서울은 파리의 교통 감축 정책이나 뉴욕의 폭염 대응 전략을 참고할 수 있으며, 언론과 행정은 이 자료를 활용해 빠르게 학습하고 자기 지역에 맞게 번역할 수 있다. 이와 같은 도시 간 학습은 국가-도시-지역-커뮤니티가 AI와 데이터를 결합해 더 강력한 회복력을 만들어 내는 구조를 가능하게 할 수 있다. 더불어 IPCC(Intergovernmental Panel on Climate Change) AR6가 강조하듯, 기후 적응은 지역 맥락에 맞아야 효과적이며, AI는 이러한 지역 적합성을 강화하는 촉매 역할을 수행할 수 있다.
한국의 기후위기 대응 가능 시나리오
확장된 로컬 탐색은 추상적인 개념이 아니라, 실제 한국 사회의 기후위기 대응 체계에 적용할 수 있는 현실적 모델이다. 한국은 최근 몇 년간 국지성 폭우, 폭염, 미세먼지, 해수면 상승 등 복합적인 재난을 반복해서 겪어 왔다. 이러한 상황은 국가 차원의 예보와 정책만으로는 충분히 대응하기 어렵고, 지역 기반의 신속한 판단과 실행이 반드시 병행되어야 한다. 바로 이 지점에서 AI와 인간의 협업이 중요한 역할을 한다.
예를 들어, 서울 강남역과 같은 도심의 침수 문제는 단순한 기상 예보만으로 해결되지 않는다. 지역의 지형, 하수관 설계, 도로 교통 상황, 실시간 강우량이 복합적으로 작용하기 때문이다. AI는 과거 강우 패턴과 도시 인프라 데이터를 결합해 침수 위험 지역을 예측하고 시각화할 수 있으며, 사람은 이를 근거로 대피 방송, 교통 통제, 취약계층 보호와 같은 실제 조치를 실행할 수 있다.
폭염 대응에서도 AI는 고온 지역과 고령 인구 분포를 교차 분석하여 ‘고위험 구역’을 도출하고, 보건소와 행정복지센터는 이를 기반으로 냉방기 지원, 무더위 쉼터 운영, 취약 가구 방문을 실행할 수 있다. 이처럼 기술은 넓고 빠르게 신호를 잡고, 인간은 깊고 책임 있게 대응하는 것이 가능하다.
해외의 시민참여 프로젝트처럼, 한국에서도 시민이 참여해 침수·배수 불량 지역을 직접 기록하는 체계를 구성하고 적용하기가 가능하다. 예를 들어, 서울의 ‘열린데이터광장’이나 기상청의 기장자료개방포털의 ‘생활기상지수’와 같은 플랫폼에 시민참여 기능을 강화한다면, 현장 제보 사진과 신고가 실시간으로 데이터베이스에 반영되고 AI는 이를 학습해 침수 위험지수를 지속적으로 업데이트할 수 있을 것이다.
앞에서 언급한 것처럼 기후위기는 한 도시나 기관의 노력만으로 해결할 수 없다. 해외의 C40 Knowledge Hub가 도시 간 학습의 장을 제공하듯, 한국도 광역시와 기초지자체 간 기후 대응 사례 공유를 제도화할 필요가 있다. 예컨대 대구의 폭염 대응 경험이 부산이나 광주의 정책 설계에 반영되고, 강릉의 산불 대응 경험이 동해안 도시 전반으로 공유되고 확산되는 형태이다. 이 과정에서 AI는 이러한 국내 사례를 정리·분석해 어떤 정책이 어떤 성과를 냈는지를 자동 비교할 수 있다. 사람은 이를 바탕으로 자기 지역의 조건에 맞는 대안을 선택하거나 수정하게 된다.
“멀리서 찾고, 가까이에서 결정하는” 협업 구조
기후위기는 단일 주체가 해결할 수 있는 문제가 아니다. 국가 예보기관, 지방정부, 언론, 시민사회, 기업, 학계, 주민 모두가 각자의 역할을 수행하면서도, 서로 정보를 공유하고 판단을 조율해야 한다. 인공지능이 일상적으로 활용되는 시대에는 전문가뿐 아니라 시민도 AI의 영향을 받으며, 따라서 인간과 기술의 역할 구분과 설계는 더욱 중요해지고 있다.
제안된 ‘확장된 로컬 탐색’은 인간의 맥락적 사고와 AI의 광역적 탐색 능력을 결합하는 구조다. 이 과정에서 AI가 단순한 보조도구를 넘어, 사회적 판단을 구성하는 인지 생태계의 일부로 자리 잡을 수 있다. 실천공동체(community of practice), 분산인지(distributed cognition), 인간 중심 AI(human-centered AI)와 같은 기존 이론은 이를 뒷받침하는 토대다. 이 모델은 정책 설계, 공공보건, 교육, 재난 대응, 언론 등 다양한 영역에서 적용 가능한 범용적 구조가 될 수 있다.
특히 기후위기는 시간적 긴급성과 공간적 다양성을 동시에 요구하는 분야다. 따라서 확장된 로컬 탐색의 필요성과 효과를 가장 잘 증명할 수 있는 시험장이기도 하다. 기술이 판단의 전부가 되지 않도록, 인간의 책임과 맥락적 해석이 강화되도록 설계하는 것이 핵심이다. 우리는 AI와 함께 문제를 ‘더 많이’ 탐색하는 것이 아니라, 문제를 ‘더 잘’ 탐색하는 방법을 배워야 한다. 바로 그때, 기후위기 대응에서 인간과 AI의 협업은 진정한 힘을 발휘할 수 있을 것이다.
참고문헌
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21). https://doi.org/10.1145/3442188.3445922
Katila, R., & Ahuja, G. (2002). Something old, something new: A longitudinal study of search behavior and new product introduction. Academy of Management Journal, 45(6), 1183–1194.
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., ... & Riedel, S. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33.
Simon, H. A. (1997). Models of bounded rationality: Empirically grounded economic reason. The MIT Presss.
Weick, K. E. (1995). Sensemaking in Organizations. Thousand Oaks, CA: Sage.
***
조인호 박사의 [시민형 AI] 기사들
