2025년 5월, 일론 머스크의 xAI는 테네시 주 멤피스에 세운 슈퍼컴퓨터 클러스터 '콜로서스' 옆에 가스터빈 수십 기를 직접 가동 중입니다. 공식 허가를 받기 전에 먼저 켰습니다. 인근 주민들이 대기오염을 이유로 소송을 준비하는 사이, xAI 측이 내세운 논거는 하나였습니다. 표준 조달 경로로는 전력 인프라 확보에 최소 18개월이 걸린다는 것이었습니다. 모델 경쟁에서 이기려면 컴퓨트가 먼저 필요하고, 컴퓨트를 켜려면 전기가 먼저 필요하다는 논리였습니다. 머스크가 가스터빈 제조 공정까지 내부화하려는 움직임을 보이는 것도 같은 맥락입니다.

그 장면이 지금 AI 산업 전체에서 벌어지고 있는 일을 압축적으로 보여줍니다.

수직 통합 경쟁은 이미 물리 인프라 층까지 내려왔습니다

엔비디아는 칩 설계에서 네트워킹 장비, 소프트웨어 스택까지 수직 계열화를 완성했고, 앤스로픽과 OpenAI는 자체 칩 개발과 데이터센터 직접 운영으로 방향을 틀었습니다. 메타는 2025년 상반기 기준 데이터센터 내부에 로봇을 투입해 하드웨어 점검과 교체 작업을 자동화하는 실험을 진행 중입니다. 외부 유지보수 업체에 대한 의존도를 줄이겠다는 의도입니다.

이 움직임들의 공통점은 외부 조달 단계를 줄이는 것입니다. 조달 단계가 줄어들수록 속도가 빨라지지만, 동시에 각 단계의 통제 책임이 한 조직 안으로 집중됩니다. 그 책임 집중이 새로운 취약점을 만들고 있습니다.

2025년 5월 기준, AI 인프라를 겨냥한 보안 사고 세 건이 거의 동시에 수면 위로 올라왔습니다. 리눅스 기반 AI 개발 환경으로 빠르게 확산 중이던 Omarchy에서 권한상승 취약점이 발견됐습니다. 공격자가 일반 사용자 권한으로 시스템 전체를 장악할 수 있는 경로였습니다. EU에서는 암호화 통신에 정부 접근용 백도어를 의무화하는 입법 논의가 재점화됐습니다. 기술 기업들은 보안 설계 원칙 훼손을 이유로 반발하고 있지만 논의는 계속되고 있습니다. 그리고 AI 안전 연구 기관 METR과 Redwood Research가 허깅페이스 해킹 사건을 사후 분석한 보고서를 내놓았습니다. 핵심 지적은 공개 모델 허브가 AI 공급망 보안에서 구조적으로 취약한 지점이라는 것이었습니다.

세 건을 따로 보면 각각 다른 사건입니다. 묶어서 보면 같은 문제의 다른 층위입니다. AI 스택이 수직 통합될수록 한 레이어의 취약점이 전체 스택으로 전파되는 경로가 짧아집니다.

인프라 경쟁이 빨라질수록 보안 감사 주기는 늦어집니다

소프트웨어 개발 세계에서 보안 취약점이 발생하는 전형적인 경로가 있습니다. 속도를 위해 외부 라이브러리나 플랫폼을 검증 없이 채택하고, 나중에 해당 구성 요소에서 문제가 터집니다. AI 인프라에서 지금 벌어지는 일은 그 패턴의 규모를 훨씬 키운 버전입니다.

허깅페이스는 전 세계 AI 개발자들이 사전 학습된 모델을 올리고 내려받는 플랫폼입니다. 개발자 입장에서 모델 하나하나의 출처를 검증하는 것은 현실적으로 어렵습니다. 속도가 우선이고, 검증은 나중입니다. 공격자가 악성 코드를 모델 파일에 심어두면 수천 개의 개발 환경에 동시에 침투할 수 있습니다. METR과 Redwood의 보고서가 지적한 것이 바로 이 지점입니다. 플랫폼 자체가 신뢰 기반으로 운영되고 있지만, 그 신뢰의 기술적 근거가 충분하지 않았다는 것입니다.

Omarchy 취약점도 맥락이 비슷합니다. AI 개발 환경 설정을 쉽게 해주는 도구로 빠르게 채택됐지만, 채택 속도에 비해 보안 감사가 따라가지 못했습니다. EU 백도어 논의는 국가 수준에서 같은 긴장을 드러냅니다. 정부는 보안 인프라에 접근하고 싶고, 기업은 그 접근 자체가 보안을 약화시킨다고 말합니다.

수직 통합을 통해 외부 의존을 줄이는 전략은 공급망 단계를 줄이는 효과가 있습니다. 하지만 줄어든 단계 각각에 대한 보안 감사 책임은 내부로 흡수됩니다. 엔비디아 칩을 쓰고, 앤스로픽 API를 쓰고, 허깅페이스 모델을 내려받는 조합이라면, 각 레이어에서 발생하는 취약점의 영향이 동시에 들어옵니다. 그 조합을 쓰는 사람은 자신이 몇 개의 공급망 위에 올라타 있는지 명확히 파악하고 있어야 합니다.

한편, 텍사스 주지사가 Flock Safety 카메라 시스템 도입 예산을 동결한 사례도 같은 흐름 안에 있습니다. Flock는 번호판 자동 인식과 AI 분석을 결합한 감시 카메라 시스템입니다. 텍사스는 미국에서 AI 규제에 비교적 우호적인 편으로 분류되던 주였습니다. 그 텍사스에서 AI 감시 인프라에 재정 제동이 걸렸다는 것은 작은 신호입니다. AI 규제 논의가 연방 수준에서 교착 상태인 사이, 주·지역 단위에서 먼저 움직이기 시작했습니다.

1인 사업자와 소규모 팀이 지금 점검해야 할 것들

AI 인프라 수직 통합 경쟁은 빅테크의 일처럼 보이지만, 그 인프라 위에서 일하는 사람들에게 실질적인 영향을 줍니다. 허깅페이스 모델을 프로젝트에 직접 붙여 쓰는 개발자, 오픈소스 AI 개발 환경을 팀 내부에 그대로 설치해서 쓰는 기획자, 외부 API를 조합해 워크플로를 자동화한 1인 사업자 모두 해당됩니다.

커리어를 설계하거나 사업 시스템을 구축할 때 '도구 스택을 빠르게 확장하는 것'과 '각 도구의 의존성을 파악하는 것' 사이의 균형을 어떻게 가져갈 것인가, 라는 질문이 이제 실무적으로 중요해졌습니다. 어떤 직무에 있든 리더의 자리에 가까워질수록 이 균형 감각이 요구됩니다. 숫자와 전략만큼이나, 자신이 쓰는 도구의 공급망 구조를 이해하는 것이 판단력의 일부가 됩니다.

구체적으로 점검할 수 있는 항목을 몇 가지 정리합니다.

자신의 AI 스택 지도를 그려보는 것이 출발점입니다. 어떤 모델을 어디서 가져오고, 어떤 API를 경유하며, 어떤 플랫폼에 데이터가 저장되는지 적어보는 것입니다. 스택의 각 레이어에서 최근 보안 관련 공지가 있었는지 확인하는 것은 이후에 할 수 있습니다.

허깅페이스에서 모델을 내려받을 때 다운로드 수, 최근 업데이트 날짜, 커뮤니티 리뷰를 확인하는 습관이 있는지 돌아볼 필요가 있습니다. 검증되지 않은 모델 파일을 프로덕션 환경에 바로 붙이는 것은 위험 부담을 함께 가져오는 일입니다.

오픈소스 AI 개발 도구를 팀 환경에 도입할 때 해당 도구의 마지막 보안 패치가 언제였는지 확인하는 과정을 넣어두는 것이 좋습니다. Omarchy 사례는 빠르게 확산되는 도구일수록 감사 주기가 짧아야 한다는 것을 보여줬습니다.

EU 백도어 논의와 텍사스 감시 인프라 사례는 당장 한국 1인 사업자에게 직접 영향을 주지 않습니다. 하지만 AI 도구 도입을 검토할 때 해당 서비스의 데이터 관할권이 어디인지, 해당 국가의 정부 접근 정책이 어떻게 변하고 있는지를 한 번쯤 살펴보는 것은 의사결정의 질을 높이는 데 도움이 됩니다.

에너지 인프라 경쟁은 클라우드 서비스 요금 구조에 영향을 줍니다. xAI나 메타가 전력 인프라를 내재화하는 속도와 기존 클라우드 사업자들의 데이터센터 전력 확보 경쟁은 GPU 접근 비용과 API 요금에 장기적으로 반영됩니다. 지금 쓰는 서비스의 요금이 언제, 어떤 방식으로 바뀔 수 있는지 계약 조건을 살펴두는 것이 나중에 불필요한 당황을 줄여줍니다.

AI 패권 전쟁의 무게가 모델 벤치마크에서 전력선과 보안 감사 보고서 쪽으로 이동하고 있는 이 시기에, 개인 사업자와 소규모 팀에게 실질적으로 중요한 역량은 최신 모델을 가장 빨리 써보는 것이 아니라 자신이 올라탄 인프라의 구조를 파악하고, 그 안의 변화를 읽어내는 것입니다.