[기획 브리핑] G7이 제시한 AI 개방성의 기준과 전략적 의미

Open Up 

□ 상업용 AI 시장에서 오픈 웨이트 모델이 빠르게 확산되는 가운데, G7은 AI 개방성을 단순한 공개 여부가 아닌 스펙트럼으로 규정하고 구성 요소별 공통 참조 기준을 제시

○ 오픈 웨이트 AI 모델이 성능과 비용 경쟁력을 동시에 갖추며 빠르게 확산되고, AI 개발·활용 방식의 변화를 촉진하고 있음
 ※ 상업용 파운데이션 모델의 약 55%가 오픈 웨이트 모델로 분류(2025년 4월 기준)되며, 2024년 중반 이후 공급량과 모델 품질이 동시에 빠르게 개선되는 추세임(OECD, AI Openness: A Primer for Policymakers, 2025)

 - 오픈소스 라이선스 모델은 2026년 3월 기준 허깅페이스 전체 다운로드의 약 80%를 차지, 전체 등록 모델 비중(65%)보다 훨씬 빠른 확산세를 보임(OECD, Benefits of AI Openness : OECD Discussion Paper for the G7, 2026)

○ 그러나 AI 개방성을 둘러싼 용어가 혼용되고 시장의 불확실성과 오픈 워싱(open washing)* 문제가 부상하면서, 개방 범위와 이용 조건을 명확히 구분할 필요성이 커짐
 * 오픈 워싱이란 실제 개방 범위보다 더 개방적인 것처럼 표현하는 관행

 - OECD는 G7 논의를 지원하기 위해 AI 개방성의 경제적·전략적 효과를 분석했으며, G7은 이를 참고해 공통 원칙과 유형론을 제시함

 - AI 시스템은 소스코드 외에도 모델 가중치, 학습 코드, 배포 코드, 학습 데이터가 별도로 존재하며 각각의 공개 여부가 달라질 수 있어 기존 개념을 그대로 적용하기 어려움

 - 'Open', 'Open-weight', 'Open-source AI'가 혼용되며 실제 개방 범위에 대한 불명확성이 확산되고 있고, 이는 AI 개방성의 혜택을 훼손하는 요인으로 작용하고 있음

○ 이 브리핑은 OECD의 분석 보고서와 G7 디지털·기술 장관 공동 비전 문서를 중심으로, AI 개방성의 경제적·전략적 의미와 G7이 제시한 개방 수준의 공통 참조 기준을 정리하고자 함

▶ AI 개방성의 경제적 가치: 비용 효율·혁신 확산·GDP 효과 

○ OECD 분석에 따르면 AI 개방성은 기업 수준의 비용 효율을 높일 수 있으며, 국가 수준에서는 경제 성장과 긍정적인 연관성을 보임

 - 비용 효율성 측면의 경제적 프런티어 모델 중 약 60%가 오픈 웨이트 모델(2024년 1월~2025년 4월 기준)로, 성능 리더보드뿐 아니라 실제 경제적 경쟁력에서도 선두권을 형성하고 있음

 - 오픈 웨이트 모델은 출시 시점 기준 클로즈드 모델 성능의 약 90%이며, 클라우드 제공 기준 가격은 클로즈드 모델의 약 20% 수준으로, 비용 대비 가치 측면에서 우위를 보임
  ※ 대규모 워크로드(월 50억 토큰 이상)의 경우 클라우드 API 대비 자체 호스팅의 손익분기가 약 1~2개월 내 도달하는 것으로 분석되었으며, 소규모 워크로드에서는 초기 투자와 운영 편의성 측면에서 클라우드 기반 클로즈드 모델이 더 경제적일 수 있으며, 자체 호스팅의 이점은 충분한 사용 규모·인프라·기술 역량을 갖춘 경우에 커짐 (OECD, Benefits of AI Openness : OECD Discussion Paper for the G7, 2026)
  ※ 오픈소스 AI를 채택한 기업은 구현 비용 절감(60%), 유지관리 비용 절감(46%)을 보고함 (Open Source Technology in the Age of AI, McKinsey·Mozilla Foundation·PJMF, 2025)

 - 거시경제 수준에서도 AI 분야 오픈소스 기여 확대는 GDP 증가와 통계적으로 유의미한 관계를 보임

 - OECD가 33개 회원국, 2011~2024년 패널 데이터를 분석한 결과, 글로벌 AI 분야 오픈소스 기여가 10% 증가할 경우 장기적으로 GDP가 약 0.5% 높아지는 통계적 연관성이 나타남

 - 최근 수년간 관측된 약 40%의 기여도 증가율은 GDP 1.5~2% 증가와 대응하며, 2024년 표본 내 33개 OECD 국가의 실질 GDP 합계(54조 달러)에 적용 시 약 1조 달러 규모*의 경제적 효과를 의미
  * OECD는 이를 AI 분야 오픈소스 활동만의 직접적인 인과 효과가 아니라, 디지털화와 소프트웨어 투자 등의 영향이 함께 반영된 상한 수준의 추정치로 해석해야 한다고 설명함
  ※ 이러한 결과는 기존 연구와도 유사한 방향을 보이는데, 글로벌 오픈소스 기여가 10% 증가하면 2000~2018년 동안 GDP가 약 0.4% 증가한다는 분석이 제시되었으며(Blind·Schubert, 2023), 오픈소스SW의 가치는 2020년 기준 전 세계 약 8.8조 달러로 추정된다(Hoffmann·Nagle·Zhou, 2024)고 발표

 - AI 분야 오픈소스는 국경을 넘어 공유되는 지식 기반으로서 글로벌 공공재와 유사한 기능을 하며, 국내외 AI 분야 오픈소스 활동 모두 장기적으로 자국 경제성장을 뒷받침하는 것으로 분석됨

▶ 기술 주권과 로컬 AI 생태계: 개방성이 전략 자산이 되는 이유

○ AI 개방성은 인프라·데이터·모델·소프트웨어·애플리케이션 등 AI 스택의 계층별로 서로 다르게 적용되며, 조직과 정부가 AI 시스템의 개발·배포·활용·관리 방식을 주도적으로 선택할 수 있도록 전략적 자율성을 강화함

<오픈웨이트 모델이 전략적 자율성을 강화하는 핵심 메커니즘>

* Benefits of AI Openness : OECD Discussion Paper for the G7, 2026 재구성

○ AI 개방성은 자원 부족, 데이터 민감성, 레거시 시스템 제약이 큰 분야에서 산업별·분야별 맞춤형 AI 적용을 용이하게 하며, 독점형 솔루션이 적합하지 않은 영역에서 특히 효과적임
 ※ 의료 분야에서는 오픈웨이트 모델이 자원이 제한된 환경에서 저비용 진단을 가능하게 하며, 공공행정에서는 오픈소스 AI가 기관 간 코드 재사용 및 적용이 용이해져 중복 개발을 줄이고 효율적인 서비스 제공을 지원할 수 있음

○ 개방형 AI 생태계는 현지 언어·맥락·규제 환경에 맞게 조정할 수 있어, 애플리케이션과 서비스 분야의 가치 창출을 확대하고 더 다양한 기업·실무자·공공기관의 AI 개발 참여를 촉진함

 - 개방형 모델의 커스터마이징 가능성은 벤더 종속 리스크를 낮추고 각국의 언어·규제·산업 환경에 맞는 AI 개발을 가능하게 함
  ※ 현재 기업의 89%는 AI 시스템에 일부 오픈소스 구성요소를 활용하고 있으며, 코드 인프라의 41%가 오픈소스 기반임 (Linux Foundation, 2024)
  ※ 개방형 모델의 활용 효과를 실현하려면 모델 접근성뿐 아니라 컴퓨팅 자원·데이터·전문인력과 지속적인 유지관리 역량이 함께 확보되어야 함

 - AI 분야 오픈소스의 품질과 완성도가 지속적으로 향상됨에 따라, 기업들이 사용하는 소프트웨어 인프라 내에서 오픈소스의 비중은 증가할 것으로 예상됨

 - 오픈 데이터셋은 오픈소스 라이선스 모델의 생성 시차를 약 1~2개월로 단축해 개방형 데이터가 빠른 실험과 개발을 촉진하는 것으로 나타남
  ※ 오픈 데이터셋 공개 이후 오픈소스 라이선스 모델이 약 1~2개월 내 나타나는 경향이 확인되며, 클로즈드 모델은 약 4~6개월의 시차를 보임

 ○ 다만 개방성 확대는 보안 취약점, 지식재산권·개인정보 침해, 악용 가능성 등의 위험을 동반함

 - 개방형 모델은 원 개발자의 통제 없이 파인튜닝·수정·재배포가 가능하여 악용 위험이 존재하며, 한 번 공개된 모델을 완전히 회수하거나 사후적으로 안전장치를 추가하기 어려울 수 있음

 - 중요한 것은 개방형 모델의 위험을 단독으로 판단하는 것이 아니라, 기존 폐쇄형 모델이나 다른 기술과 비교해 추가적으로 발생하는 편익과 위험을 평가하는 것임

 - 따라서, AI 개방성에 대한 정책 논의의 핵심은 개방 자체를 장려하거나 제한하는 것이 아니라, 공개 범위와 이용 조건을 명확히 하고 개방 수준별 편익과 위험을 비교할 수 있는 평가 체계를 마련하는 데 있음

▶ '오픈소스 AI'라는 표현의 한계 : AI는 소프트웨어와 다르다

○ 오픈소스SW와 달리 AI 시스템은 개방성을 결정하는 구성요소가 복수로 존재하며, 각각의 공개 여부가 독립적으로 결정됨

 - 전통적인 오픈소스SW는 소스코드 공개가 핵심이나, AI에서는 모델 가중치, 배포 코드, 학습 코드, 학습 데이터, 라이선스 조건, 사용 제한이 별도 구성요소로 존재

 - AI 개방성은 구성 요소별 공개 범위와 라이선스 조건이 달라지며, 이에 따라 접근성, 재현성, 혁신 속도, 보안 및 악용 가능성에 미치는 영향도 달라짐

○ 이러한 불명확성은 실제 공개 범위보다 더 개방적인 것처럼 표현하는 오픈 워싱을 초래할 수 있으며, AI 개방성에 대한 신뢰와 정책 논의의 정확성을 저해할 수 있음

 - G7은 AI 개방성에 대한 용어 불명확성이 AI 개방성의 실질적 혜택을 약화시킬 수 있다고 보고, 2026년 G7 디지털·기술 논의에서 명확한 용어와 라벨링을 위한 공통 원칙 및 유형론을 제시함

▶ G7의 AI 개방성 기준 : AI 개방성은 스펙트럼이다

○ G7 디지털·기술 장관들은 공동 비전 문서를 통해, AI의 개방성을 표현할 때 어떤 구성요소가 어떤 조건으로 공개됐는지 명확히 밝혀야 한다는 원칙을 제시함

 - 이 비전 문서는 비구속적 참조 공동 참조 문서로, AI 개방성을 설명하기 위한 공통 원칙과 용어 체계로서의 성격을 가짐

 - OSI(Open Source Initiative)는 지식 파트너로서 3개월간 문서 초안 작성과 온라인·대면 협상에 참여하며 오픈소스 커뮤니티의 의견을 반영함
  ※ G7 인공지능 개방성 비전은 정부와 오픈소스 커뮤니티 대표 간의 직접적인 소통을 통해 작성된 최초의 문서임

 ○ G7 비전은 AI 개방성을 공개 여부의 이분법이 아닌 스펙트럼으로 설명하고, 4단계 유형론을 공통 참조 기준으로 제시함

 - G7은 AI 개방성의 판단 요소로 △모델 가중치 △배포 코드 △학습 코드 △학습 데이터 △사용 제한 5가지를 명시하고, 추가 구성요소가 공개될수록 혁신·재현성·회복력의 잠재력이 높아진다고 규정함

<AI 개방성 유형 4단계>

* G7 Vision on AI openness opportunities and shared language 내용 재구성

※ G7 유형론은 AI 개방성의 모든 형태를 포괄하는 절대적 등급이 아니라, 이분법을 넘어 개방 수준을 설명하기 위한 비구속적 공통 기술 참조임

□ 시사점

○ AI 스택 전반의 개방성은 개별 모델 활용을 넘어 국가와 조직 차원의 역량 강화로 이어질 수 있음

 - 국내 인재와 혁신 역량을 육성해 주권적 AI 역량을 확보하고, 개방형 도구와 국제 협력을 통해 공공기관의 민첩성과 적응력을 높일 수 있음

 - 또한 AI 기술의 확산과 국내 가치 창출을 촉진해 경제성장에 기여하고, 폭넓은 검토와 공급자 다변화를 통해 보안·회복력과 시스템 운영의 유연성을 강화할 수 있음

○ AI의 구성요소별 공개 범위와 이용 조건을 기준으로 개방성 수준을 관리할 필요가 있음

 - 모델 가중치, 배포 코드, 학습 코드, 학습 데이터 등은 각각 공개 여부가 다를 수 있으므로, 어떤 구성요소가 어떤 조건으로 제공되는지를 명확히 표시하고 라이선스 조건·사용 제한·문서화 수준까지 함께 확인하는 체계가 필요함

○ 정책적으로도 개방 자체를 일률적으로 장려하거나 제한하기보다, 공개 대상과 조건을 투명하게 설명하고 개방 수준별 편익과 위험을 비교할 수 있는 공통 기준을 마련할 필요가 있음

○ AI 개방성의 효과를 기술주권과 산업 경쟁력으로 연결하기 위해서는 모델 접근성뿐 아니라 컴퓨팅 인프라, 데이터, 전문 인력, 유지관리 및 보안 역량을 함께 확보해야 함