공공 AI 데이터 사업, 완성차 플랫폼 통합 기준으로 뜯어보면

9년간 1조6000억원이 투입된 공공 AI 학습데이터 사업에서 중복 구축과 저품질 데이터 문제가 확인됐다. 완성차·부품업계가 축적해온 플랫폼 통합, 품질 게이트, 투자 회수 지표를 대입하면 이번 사업이 놓친 지점이 더 구체적으로 드러난다.

중복률 기준부터 보자. 자동차 산업에서는 플랫폼 공유율이 핵심 투자 지표다. 현대차그룹의 통합 플랫폼 전략은 차종별 별도 설계를 줄여 개발비를 분산시키는 방식으로 설계됐다. 반대로 공공 AI 데이터 사업은 사업 주체가 여러 부처·기관으로 흩어져 있어, 유사한 이미지·텍스트 데이터셋이 기관별로 별도 예산으로 재생산된 것으로 보도됐다. 완성차 업계 기준으로 보면 이는 동일 플랫폼을 세 개 사업부가 각각 새로 설계하는 구조와 다르지 않다.

품질 게이트 기준도 비교 대상이 된다. 부품 공급망에는 PPAP(생산부품승인절차) 같은 표준화된 품질 게이트가 있어 규격 미달 부품은 라인에 투입되지 않는다. 이번 보도에 따르면 공공 데이터 사업에는 이에 준하는 일관된 정제·검증 절차가 사업별로 다르게 적용되거나 부재했다는 지적이 나온다. 저품질 데이터가 학습에 투입되면 후속 모델 성능 저하로 이어지는데, 이는 불량 부품이 완성차 리콜 비용으로 전이되는 구조와 유사하다. 다만 리콜은 사후 원가로 명확히 집계되는 반면, 데이터 품질 저하로 인한 모델 성능 손실은 정량화된 지표로 공개되지 않는다는 점이 차이다.

투자 회수와 활용률 기준으로 넘어가면 정보 비대칭이 더 뚜렷해진다. 상장 완성차·부품사는 capex 대비 매출, ROIC 같은 지표로 투자 효율을 분기마다 시장에 설명해야 한다. 공공 AI 데이터 사업은 예산 집행률은 공개되지만, 구축된 데이터셋이 실제 몇 개 모델 개발에 재사용됐는지에 대한 지표는 확인되지 않는다. 투자자 관점에서 보면 이는 매출은 보고하되 원가 대비 수익성은 공시하지 않는 기업과 같은 구조다.

이런 차이가 발생하는 근본 원인은 통제 구조에 있다. 상장사는 주주 압력과 외부 감사로 중복 투자가 어느 정도 제어된다. 공공 사업은 예산 배정 주체가 여러 부처로 분산돼 있어, 사업 간 중복을 점검할 단일 책임 주체가 없다는 점이 지적된다. 이는 자동차 업계에서 사업부 간 플랫폼 통합을 강제하는 그룹 차원의 컨트롤타워가 없을 때 벌어지는 현상과 같은 논리다.

공공 AI 데이터 인프라의 가치는 축적된 데이터량이 아니라 재사용률과 품질 게이트의 존재 여부로 판단할 필요가 있다. 완성차 업계가 플랫폼 통합으로 개발비를 줄인 경로를 참고한다면, 다음 단계는 사업별 데이터셋의 중복률과 정제 기준을 공개하고 이를 단일 관리 지표로 묶는 작업이다. 현재로서는 이런 지표가 공개되지 않아, 1조6000억원 투입의 실질 효율을 외부에서 검증하기는 어렵다.