[태그:] 개인정보

키 4.5피트(약 137cm). 머리와 손은 3D 프린터로 뽑았고, 발에는 마룻바닥이 긁히지 않도록 미끄럼 방지 양말을 신겼다. 이 휴머노이드는 고객 집을 돌아다니며 조리대를 닦고 변기를 청소한다. 그런데 로봇이 움직이는 동안 화면 너머에는 늘 사람이 앉아 있다. 미국 샌프란시스코 스타트업 타우 로보틱스(Tau Robotics)의 로봇 청소 서비스다. MIT 테크놀로지 리뷰 기자가 신분을 밝히지 않고 이 서비스를 두 차례 불러 쓴 뒤 체험기를 냈다.

요점부터 말하면, 휴머노이드 가사 로봇은 아직 ‘스스로 일하는 로봇’이 아니다. 사람이 원격으로 조종하면서 학습 데이터를 모으는 로봇에 훨씬 가깝다. 이 구조를 알고 나면 다른 의문도 같이 풀린다. 청소비가 왜 싼지, 왜 자꾸 멈춰 서는지, 집에 들이기 전에 무엇을 따져야 하는지까지.

웨이모보다 RC카에 가까운 청소 로봇

타우 로보틱스가 장기적으로 노리는 건 사람 손을 전혀 거치지 않는 자율 청소 로봇이다. 지금은 거리가 멀다. 본사에 있는 조종사가 로봇 머리와 손목에 달린 카메라 영상을 보며 원격으로 움직인다. 로봇 머리에 달린 안테나도 장식이 아니라 본사와 신호를 주고받는 통신 장치다.

기자는 이 로봇이 웨이모 같은 자율주행차보다 무선조종(RC) 자동차에 가깝다고 했다. 생김새는 사람을 닮았어도 판단과 동작의 상당 부분은 여전히 사람이 맡는다는 뜻이다. 로봇공학에서는 사람이 멀리서 로봇을 조작하는 이 방식을 텔레오퍼레이션(원격 조작)이라고 부른다. 겉모습만 보고 ‘AI가 집안일을 한다’고 받아들이면 실제와는 꽤 어긋난다.

어차피 사람이 조종할 로봇을 왜 굳이 사람 모양으로 만들었을까. 집을 떠올려 보면 짐작이 간다. 계단, 문손잡이, 수도꼭지 모두 사람 몸에 맞춰 설계돼 있다. 몸 구조가 비슷하면 조종사의 동작을 로봇에 옮기기 쉽고, 그렇게 쌓인 기록을 같은 몸을 가진 자율 로봇에 그대로 학습시킬 수도 있다. 휴머노이드 형태를 고른 데는 이런 계산이 깔려 있는 것으로 보인다. 손만은 예외다. 사람 손에 더 가까운 부품은 내구성이 모자라서 대신 집게를 달았는데, 집게만으로도 대부분의 청소 작업을 의외로 잘 해낸다고 한다.

빨래 개기는 사람 동작 복제, 진공청소는 로봇 혼자

타우 로봇의 작동 방식은 한 가지가 아니다. 작업 종류에 따라 사람이 얼마나 개입하는지가 다르다. 개입이 큰 쪽부터 작은 쪽 순서로 놓으면 이렇다.

작동 방식	사람의 역할	해당 작업	학습 데이터로서 의미
키네마틱 가이던스	조종사가 직접 동작을 하면 센서가 그 움직임을 로봇에 전달하고, 로봇이 그대로 따라 한다	침대 정리, 빨래 개기	특히 가치가 높은 학습 데이터
원격 조종	조종사가 머리·손목 카메라 영상을 보며 로봇을 움직인다	자율로 되는 작업을 뺀 청소 전반(기본 방식)	닦은 조리대, 갠 옷 하나하나가 다음 모델 학습에 쓰인다
자율 작동	사람 도움 없이 로봇이 혼자 수행한다	진공청소, 물걸레질	회사가 모든 작업에서 도달하려는 최종 형태

원격 조종과 키네마틱 가이던스는 둘 다 사람이 움직이지만 방식이 다르다. 일반 원격 조종이 화면을 보며 로봇을 ‘운전’하는 쪽이라면, 키네마틱 가이던스는 ‘동작 따라 하기’에 가깝다. 조종사가 실제로 이불을 펴고 옷을 개면 로봇이 그 움직임을 그대로 복제한다. 사람의 손놀림이 로봇 몸을 거쳐 현실에서 성공한 기록으로 남는 셈이다. 자율 로봇 훈련용 데이터로 특히 값진 이유가 여기 있다.

빨래 개기는 타우의 AI 모델이 아직 혼자 해내지 못하는 작업이다. 실제 가정에서 성공 사례를 하나씩 쌓아 그 단계까지 가겠다는 게 회사의 계획이다. 진공청소와 물걸레질은 다르다. 이미 사람 도움 없이 할 수 있다고 공동창업자 코르넬리아 바인치를(Cornelia Weinzierl)이 밝혔다. 바닥을 훑는 반복 작업은 먼저 자율로 넘어가고, 물건을 집어 들고 다루는 작업은 사람 조종에 더 오래 기댄다. 가사 로봇 기술이 지금 어디쯤 와 있는지가 이 차이에서 드러난다.

시간당 30달러, 싼 청소비의 진짜 대가는 데이터

첨단 휴머노이드를 집으로 부르는 값치고는 싸다. 기자가 예약할 당시 타우는 로봇 한 대가 1시간 청소하는 데 30달러를 받았다. 이후 요금이 바뀌어, 지금은 로봇 두 대가 매주 찾아오는 정기 청소가 1회 60달러, 1회성 방문이 100달러다.

가격이 낮은 이유는 분명하다. 로봇이 청소하는 동안 쌓이는 데이터가 타우에게는 청소비보다 값진 자산이다. 고객의 집은 로봇의 실전 훈련장이 되고, 고객은 돈을 내면서 학습 데이터까지 내주는 셈이다. 머리와 손목 카메라가 집 안 구석구석을 비추고, 그 화면을 본사 조종사가 들여다보며 로봇을 움직인다는 점도 함께 기억해 둘 만하다. 첫 방문이 장비 문제로 중단되자 타우는 무료 재방문을 제안했다. 기자는 여기에 ‘내 데이터 프라이버시에 매기는 값만큼은 빼고’라는 단서를 달았다. 공짜 방문에도 따로 치르는 값이 있다는 걸 꼬집은 말이다.

싸다고 효율까지 좋은 건 아니다. 로봇은 꼼꼼하지만 느리다. 시간당 30달러라는 낮은 요금을 감안해도, 로봇이 일하는 모습을 내내 지켜볼 생각이라면 차라리 직접 청소하는 편이 시간을 아낀다는 평가가 나왔다. 이 단계의 가사 로봇 서비스에 청소 대행을 기대하면 실망하기 쉽다. 데이터 수집에 참여하는 대가로 미래 기술을 싸게 체험하는 서비스로 보는 게 현실적이다.

계단 여덟 칸에서 비틀, 더위에 꺼진 건 조종 장비

로봇은 파란색 미니밴을 타고 왔다. 바인치를과 직원 한 명이 거들어 차에서 내렸고, 첫 고비는 건물 현관까지 이어진 계단 여덟 칸이었다. 한 칸 올라서면 다음 순간 비틀거리며 뒤로 밀려나기를 되풀이했다. 술 취한 사람 같은 걸음걸이. 그래도 균형을 완전히 잃고 넘어지지는 않았다.

바인치를은 이상한 걸음걸이의 원인으로 원격 조종을 꼽았다. 본사와 로봇 사이에 생기는 짧은 신호 전송 지연이 동작 조율을 흐트러뜨린다는 설명이다. 그는 “타이밍과 연결 상태를 최적화하는 데만 들이는 작업량과 시간이 엄청나다”고 말했다. 원격 조종 로봇에게 통신 품질은 곧 몸의 균형 감각이다. 연결이 흔들리면 걸음도 흔들린다.

첫 방문은 중간에 끝났다. 카펫 깔린 실내 계단은 로봇이 끝내 오르지 못해 바인치를이 마지막 몇 칸을 직접 들어 옮겼다(흔한 일은 아니었다고 한다). 청소 도중에도 로봇이 여러 차례 멈춰 섰다. 처음엔 이례적인 더위에 로봇이 과열된 줄 알았다. 실제로 더위에 꺼진 건 로봇이 아니라 조종사가 로봇 시야를 지켜보던 장비였다. 원격 지원이 끊기자 로봇은 청소를 이어가지 못했고, 예약한 1시간을 채우지 못한 채 철수했다. 로봇 본체, 집과 본사를 잇는 통신, 조종사 쪽 장비. 원격 조종 로봇은 이 셋 중 하나만 멈춰도 서비스 전체가 멈춘다. 이날 멈춘 건 로봇 몸이 아니라 조종사 쪽 장비였다는 점에서, 원격 조종 방식이라 생기는 약점이 그대로 드러난 장면이다.

약 한 달 뒤 두 번째 방문은 훨씬 매끄러웠다. 비틀거리는 걸음은 그대로였지만 계단을 거의 도움 없이 올랐고, 1시간 동안 주방을 제법 깔끔하게 치웠다(레인지는 건드리지 않았다). 가장 눈에 띈 건 변기 청소였다. 청소솔 머리가 세 번 빠졌는데, 세 번 모두 손잡이로 이리저리 더듬어 딱 맞는 각도를 찾아 다시 끼웠다. 실수도 있었다. 수도꼭지를 덜 잠가 물이 떨어지게 뒀고, 뚜껑 닫힌 올리브유 병을 쓰러뜨렸고, 넘어뜨린 공기청정기는 다시 세우지 못했다. 한 달 사이 나아진 건 분명하지만, 성적표는 아직 베타 단계 제품 수준이다.

국내 사용자가 따질 기준은 ‘누가 영상을 보나’

국내 가정이 당장 이 서비스를 쓸 방법은 없다. 타우는 샌프란시스코에서 대기 명단을 받아 운영하는 단계다. 한국 사용자에게 달라지는 건 서비스 자체보다 ‘집 안을 보는 로봇을 평가하는 기준’이다.

카메라로 장애물을 알아보는 로봇청소기는 국내에서도 흔하다. 이런 제품을 고를 때 지금까지는 흡입력, 장애물 회피, 지도 작성 정확도가 주된 기준이었다. 타우 사례는 여기에 질문을 하나 더 얹는다. 카메라 영상을 기계만 처리하는지, 사람이 들여다보는지. 그리고 그 영상과 동작 기록이 회사의 AI 학습에 쓰이는지. 국내에 휴머노이드 가사 로봇이나 원격 조종 기반 서비스가 들어오면 이 질문의 비중은 훨씬 커질 것으로 보인다. 아직은 추측이지만, 사람이 화면으로 집 안을 들여다보는 구조가 그대로라면 그렇게 될 가능성이 크다. 엘리베이터 있는 공동주택이 많은 국내 주거 환경에서는 계단 문제가 덜할 수 있다. 다만 조종사가 어디서 접속하느냐에 따라 통신 지연이 달라질 수 있다는 건 별개의 변수다. 이것도 추측이다.

카메라 달린 가사 로봇이나 원격 지원형 서비스를 고를 때 확인할 항목은 다섯 가지다.

• 원격 시청 여부: 작동 중 사람이 카메라 영상을 실시간으로 보는지, 본다면 어떤 작업에서 보는지
• 학습 데이터 활용: 집 안 영상과 동작 기록을 AI 학습에 쓰는지, 고객이 거부할 수 있는지
• 연결이 끊겼을 때: 통신이나 원격 장비에 문제가 생기면 로봇이 어떻게 멈추고, 남은 시간은 어떻게 보상하는지
• 현장 인력: 방문 중 직원이 함께 머무는지, 로봇만 남는지
• 파손 책임: 물건을 쓰러뜨리거나 바닥을 긁었을 때의 보상 기준

이미 카메라 달린 로봇청소기를 쓰고 있다면, 제조사 앱에서 사진·영상 저장 여부와 원격 카메라 확인 기능이 어떻게 설정돼 있는지 한 번 열어 볼 만하다. 많은 앱이 기기 선택 → 설정 → 개인정보 보호(제조사에 따라 ‘보안’ 또는 ‘카메라 설정’) 순서로 이 항목을 둔다. 다만 이 경로는 확실하지 않으니 제조사 안내와 함께 확인하는 게 좋다. 메뉴 이름과 위치는 기기와 앱 버전마다 다를 수 있다.

확인된 것과 아직 불확실한 것

확인된 것

• 타우 로봇은 본사 조종사가 머리·손목 카메라 영상을 보며 원격으로 조종한다
• 침대 정리와 빨래 개기는 조종사의 동작을 로봇이 복제하는 키네마틱 가이던스 방식으로 한다
• 공동창업자 설명으로는 진공청소와 물걸레질은 사람 도움 없이 가능하다
• 요금은 로봇 1대 1시간 30달러에서 2대 주간 정기 청소 60달러, 1회 방문 100달러로 바뀌었다
• 로봇은 키 4.5피트에 3D 프린팅 머리와 집게형 손을 갖췄다
• 초기와 달리 방문 내내 직원이 곁에 머물 필요는 없어졌다고 회사는 설명한다

아직 불확실한 것

• 모든 청소 작업을 혼자 해내는 완전 자율 로봇의 상용화 시점
• 조종사가 보는 카메라 영상의 저장 여부와 보관 기간
• 고객이 학습 데이터 제공을 거부할 수 있는지 여부
• 샌프란시스코 밖으로의 서비스 확대 계획
• 청소 외에 로봇을 투입할 위험 작업의 구체적 분야

청소 일자리 대체 우려, 창업자는 ‘사람이 없다’고 반박

가사 로봇의 경제성 이야기는 일자리 문제로 이어진다. 타우든 경쟁사든 값싼 자율 청소 로봇을 만드는 데 성공하면, 청소로 생계를 꾸리는 사람들이 일을 잃을 수 있다. 기자도 이 점을 짚었다. AI 때문에 일자리를 잃은 사람을 돌볼 정책을 갖추려면 미국은 아직 갈 길이 멀다는 것이다.

바인치를은 인력난을 들어 반박한다. 그는 “청소는 많은 사람이 적극적으로 하고 싶어 하는 일이 아니다. 이직률이 높고 부상 위험도 크다”며 “사람이 필요한데 사람이 없고, 아무도 그 일을 하려 하지 않는다”고 말했다. 타우는 언젠가 청소 말고도 위험하거나 몸을 많이 쓰는 작업에 로봇을 투입하는 방안을 검토하기 시작했다.

정반대처럼 보이는 두 주장은 사실 같은 전제를 깔고 있다. 로봇이 혼자 일할 수 있게 된 뒤의 이야기라는 점이다. 지금의 휴머노이드 가사 로봇은 사람의 조종과 끊기면 멈추는 통신망, 그리고 고객 집에서 모은 데이터에 기대어 돌아간다. 가사 로봇 소식을 볼 때는 ‘자율’이라는 말이 실제로 어느 작업까지를 가리키는지부터 확인하자. 그것만 짚어도 과장된 기대와 막연한 불안이 상당 부분 걸러진다.

출처: MIT Tech Review AI

중간값에 해당하는 주민이 하루에 열두 번 투표하는 도시. 선거철도 아닌데 말이다. MIT 테크놀로지 리뷰에 실린 단편 소설 「Love is infrastructure」가 그리는 세계다.

여기서 투표는 선거가 아니다. “비만 오면 길모퉁이 빗물받이가 막혀 호수가 된다”, “우리 블록은 차들이 너무 빨리 달린다”, “여기 공원이 있어야 한다” 같은 짧은 민원과 제안이 전부 투표로 잡힌다. 우리 식으로 바꾸면 신고 앱에 올리는 글 한 건쯤.

소설의 줄기는 이 투표가 쌓이면서 두 도시 Mainspring과 St. Barnabas가 저마다 성격을 지닌 존재로 깨어나는 과정이다. Mainspring은 산업 거물을 자처하는데, 정작 중요한 순간이 오면 수줍어진다. 예술가 기질이 있는 St. Barnabas는 반대로 진지한 이야기만 나오면 말이 폭주하고. 지리학자 모임 유치를 놓고 두 도시가 신경전을 벌이는 장면도 나온다. 작품 속 한 전문가는 이 세계를 이렇게 한 줄로 요약한다. “의식의 가장 작은 단위는 투표다.”

줄거리는 여기까지만. 이 글에서 붙잡고 싶은 건 작품이 지나가듯 건드린 현실의 질문 세 가지다.

• 민원 한 건은 어떻게 도시 데이터가 되는가
• 쓸모 있는 신고는 무엇이 다른가
• 공개와 익명은 어떻게 양립하는가

민원 한 건이 도시 데이터가 되기까지, 승부는 집계에서 난다

소설 속 시민은 Quill이라는 기기로 투표한다. 짧게 말하거나 입력하면 되고, 필요하면 사진이나 짧은 영상을 붙인다. 보낸 투표는 곧장 City Core로 간다. City Core는 그걸 추적·집계해 보고서를 만들고, 시 공무원과 함께 해결책을 내놓는다.

장치는 상상 속 물건이다. 그런데 흐름만 떼어 놓고 보면 현실의 민원 처리와 뼈대가 같다.

1. 접수: 텍스트, 사진, 위치가 들어온다.
2. 분류: 도로, 교통, 환경, 복지 등 담당 분야를 나눈다.
3. 집계: 같은 장소·같은 유형의 신고를 묶는다.
4. 배정·처리: 담당 부서가 현장을 확인하고 조치한다.
5. 결과 회신: 신고인에게 처리 결과를 알린다.

다섯 단계 중에 진짜 중요한 건 세 번째다. 한 사람의 불만은 ‘사건’으로 끝난다. 그런데 같은 교차로에서 같은 불만이 거듭 올라오면 얘기가 달라진다. 그건 ‘패턴’이고, 패턴은 예산을 어디에 붙이고 공사를 어떤 순서로 할지 정하는 근거다. 소설이 투표를 생각의 ‘벽돌’에 비유한 것도 바로 이 대목이다. 벽돌 한 장으론 아무것도 못 짓는다. 쌓여야 구조가 생긴다.

작품에 나오는 투표는 성격에 따라 크게 세 갈래로 나뉜다.

투표 유형	소설 속 예시	성격
불편 신고(버그 티켓)	비 올 때마다 막히는 빗물받이, 과속 차량, 출근이 어려울 만큼 느린 버스	이미 있는 시설의 고장·결함 보고
새 시설 요구	공원 조성, 식료품점이 없는 ‘식품 사막’ 동네의 마트	없는 것을 만들어 달라는 제안
인정·보상	초등학교 앞 교통 지도원에 대한 표창과 임금 인상 요청	잘 돌아가는 것을 지키자는 신호

표의 셋째 줄은 따로 짚어 둘 만하다. 고장 신고도, 새 시설 요구도 아닌 ‘잘 돌아가는 걸 지키자’는 신호까지 같은 통로로 받는다는 설정인데, 뒤에서 국내 신고 창구와 비교할 때 이 차이가 다시 나온다.

개발자 입장에서 제일 와닿는 건 민원을 ‘버그 티켓’에 빗댄 부분이다. 버그 리포트는 언제, 어디서, 어떤 조건에서 문제가 생기는지, 즉 재현 정보가 있어야 수정이 시작된다. 재현 조건이 빠진 티켓은 받는 쪽에서 손댈 데가 없다. 민원도 똑같다. “길이 위험하다”는 담당자가 어디서부터 봐야 할지 모르는 문장이다. “초등학교 정문 앞 횡단보도, 등교 시간에 차량이 서지 않는다”라고 써야 그제야 분명한 작업 지시가 된다.

사서와 바텐더의 신고가 유독 쓸모 있는 이유

소설은 ‘투표를 잘하는’ 시민 두 명을 보여준다.

• Sandi: Mainspring의 Nine Corners 분관 사서. 반납함을 쓰레기통처럼 쓰는 사람들, 사회복지 서비스에 더 쉽게 닿아야 할 방문객을 날마다 본다. 제안도 낸다. 도서 바자회를 블록 파티로 열자는 아이디어, 그리고 창고를 주거·공유 오피스로 바꾼 Longneck 동네에서 퇴근 시간대에 West Side 상가까지 쉽게 오가게 하자는 제안이다.
• Raeford: St. Barnabas Gallery Row에 있는 바 Wild Goose Chase의 바텐더. 이쪽은 밤의 도시를 본다. 가로등이 더 밝아야 할 위험한 블록, 새벽 3시에 과속하는 수력 전기 지트니(소형 합승차), 갈 곳 없는 10대를 위한 전 연령 공간, 두 블록 떨어진 소각장 연기 때문에 번번이 방해받는 Uptilt District 교회의 생선 튀김 행사, 이동이 불편한 손님이 많은 뜨개실 가게 앞 장애인 주차구역까지.

두 사람 사이엔 공통점이 있다. 하루 종일 남의 이야기를 듣는 일을 한다는 것. 그래서인지 이들의 투표에는 좋은 신고의 조건이 자연스럽게 녹아 있다. 하나씩 뽑아 보면 이렇다.

• 정확한 위치: “동네 어딘가”가 아니라 특정 블록, 특정 가게 앞. 현실에서도 주소를 직접 입력하는 것보다 지도에 핀을 찍는 쪽이 정확하다.
• 시간대: “새벽 3시에 과속”, “퇴근 시간대에 이동이 어렵다”처럼 문제가 드러나는 시간을 적는다. 낮에 현장을 찾은 담당자는 밤에만 생기는 문제를 놓치기 쉽다.
• 영향받는 사람: “이동이 불편한 손님이 많다”는 한 줄. 이게 주차구역 지정의 근거가 된다.
• 반복성: “비가 올 때마다”, “행사 때마다”. 한 번 일어난 사고와 구조적인 문제를 가르는 정보다.
• 증거: 사진이나 짧은 영상. 소설 속 Quill도 사진·영상을 붙이게 만들어져 있다.
• 대안: 불평에서 멈추지 않고 “블록 파티로 열자”처럼 해법을 붙이면, 그때부터는 제안이다.

여기에 하나 보태자면, 신고 한 건에는 문제 하나만 담는 편이 효율적으로 보인다. 여러 부서 소관이 한 건에 섞이면 담당을 정하는 데부터 시간이 들어서다. 작품에서 직접 끌어낸 얘기라기보다, 앞에서 본 처리 흐름의 배정 단계를 떠올리면 나오는 판단이다.

익명화의 함정, 이름을 지워도 위치와 시간이 사람을 드러낸다

소설 속 투표는 공개된다. 대신 통계 전문가라도 특정 투표를 특정 개인과 연결하지 못할 만큼 익명화돼 있고, 작품은 그 수준을 주요 선거와 같다고 설명한다. 공개성과 익명성을 한 번에 잡은 설정이다.

소설에선 설정 한 줄로 끝나지만, 현실에서 둘을 함께 잡기는 생각보다 까다롭다. 헷갈리기 쉬운 용어부터 갈라 두자.

• 가명처리: 이름·연락처를 다른 값으로 바꾼다. 따로 보관해 둔 대조 정보가 있으면 다시 누구인지 알아낼 여지가 남는다. 국내 개인정보 보호법도 ‘가명정보’를 별도로 정의해 다룬다.
• 익명처리: 어떤 정보를 결합해도 개인을 알아볼 수 없게 만든다. 소설이 묘사하는 수준이 여기에 가깝다.

발목을 잡는 건 재식별이다. 이름을 지워도 위치와 시간이 겹치면 사람이 드러난다. “매일 새벽 3시, Gallery Row의 특정 바 앞 과속”이라는 신고가 꾸준히 올라온다고 치자. 그 시간, 그 자리에 있는 사람이 몇 명이나 될까. Raeford 같은 신고자는 이름이 없어도 추정 대상이 된다.

그래서 공개용 시민 데이터에는 보통 이런 장치가 붙는다.

• 정확한 좌표 대신 구역·블록 단위로 뭉뚱그리기
• 분 단위 시각 대신 시간대·요일 단위로 묶기
• 신고 수가 너무 적은 칸은 결과 숨기기(소수 집단 노출 방지)
• 사진·영상은 원본이 아닌 처리 결과만 공개

네 가지 모두 해상도를 일부러 떨어뜨리는 작업이다. 신고를 처리하는 쪽엔 핀 하나 단위의 위치가 필요하지만, 바깥에 공개할 때는 그 정밀도를 내려놓고 개인을 지키는 쪽을 택하는 거래.

소설은 여기서 한발 더 나가 사람 말고도 투표자를 늘린다. 나무는 껍질 속 센서로, 새와 다람쥐는 장내 미생물을 무해하게 모니터링하는 특수 모이를 먹고 투표한다. 사람이 굳이 말하지 않는 정보를 센서가 채우는 구조다. 그런데도 작품은 사람의 투표에만 있는 몫이 있다는 쪽으로 이야기를 잇는다. 그 몫이 정확히 뭔지는 확인할 길이 없다. 제공된 원문이 바로 그 문장 중간에서 끊기기 때문이다.

신고 앱엔 정확한 위치, 공유할 땐 위치 삭제: 휴대폰 설정법

신고 앱에는 정확한 위치가 필요하다. 반면 같은 사진을 SNS나 단체 대화방에 올릴 때는 위치가 빠져야 한다. 요령은 이 두 상황을 설정에서 아예 분리해 두는 것. 아래 경로는 아이폰(iOS)과 갤럭시(One UI) 기준이고, 운영체제 버전에 따라 중간 단계 한두 개의 이름이 다르게 보이기도 한다.

① 신고 앱에만 정확한 위치 허용

• 아이폰: 설정 → 개인정보 보호 및 보안(구버전: 개인 정보 보호) → 위치 서비스 → 신고에 쓰는 앱 선택 → ‘앱을 사용하는 동안’ → ‘정확한 위치’ 켜기
• 갤럭시: 설정 → 위치 → 앱 권한(또는 ‘앱 위치 권한’) → 신고 앱 선택 → ‘앱 사용 중에만 허용’ → ‘정확한 위치 사용’ 켜기

‘항상 허용’까지 켤 필요는 없다. 신고는 어차피 앱을 열어 둔 상태에서 하니까.

② 다른 곳에 공유할 때 위치 정보 빼기

• 아이폰: 사진 앱 → 사진 선택 → 공유 버튼 → 공유 화면 위쪽 ‘옵션’ → ‘위치’ 끄기
• 갤럭시: 갤러리 → 사진 선택 → 공유 → 공유 화면의 ‘위치 데이터 삭제’ 옵션 켜기(이 항목의 정확한 이름과 표시 여부는 확실하지 않다)

③ 촬영 단계에서 위치를 아예 남기지 않기

• 아이폰: 설정 → 개인정보 보호 및 보안 → 위치 서비스 → 카메라 → ‘안 함’
• 갤럭시: 카메라 앱 → 설정(톱니바퀴) → ‘위치 태그’ 끄기

단, 이렇게 해 두면 사진 속 위치 정보로 주소를 채우는 신고 앱에서는 지도에서 위치를 직접 찍어야 한다. 신고할 때마다 그 손이 한 번 더 간다. 평소에는 ②처럼 공유할 때만 지우는 쪽이 편하고, 기본값으로도 이쪽을 권한다.

④ 사진 속 제3자 가리기

신고 대상과 무관한 행인 얼굴이나 남의 집 창문 안쪽이 찍혔다면, 올리기 전에 덧칠해 두자.

• 아이폰: 사진 앱 → 편집 → 마크업(펜 모양) → 펜으로 덧칠
• 갤럭시: 갤러리 → 편집(연필 모양) → 그리기 도구로 덧칠(메뉴 이름은 확실하지 않다)

헷갈리지 말아야 할 게 하나 있다. 불법 주정차처럼 차량 번호가 신고의 핵심이라면 번호판은 가리지 않는다. 그걸 가리면 신고 근거가 사라진다. 가릴 대상은 ‘신고 내용과 상관없는 사람’이다.

안전신문고·국민신문고 사용자에게 달라지는 건 신고 습관뿐

먼저 선부터 긋자. 이 작품은 소설이다. 출시될 제품도, 바뀌는 제도도 없다. 한국 사용자에게 달라지는 점이라면 지금 쓰는 신고 창구를 보는 관점 정도다.

국내에도 창구는 이미 있다. 행정안전부의 안전신문고, 국민권익위원회의 국민신문고, 그리고 지자체별 민원 창구. 소설 속 Quill과 City Core가 하는 역할을 이들이 나눠 맡고 있는 셈이다.

차이도 분명하다. 아래는 필자의 구조 비교이며 추측이 섞여 있다는 점을 감안하고 읽자.

• 공개 범위: 소설은 모든 투표가 공개 집계된다. 국내 창구는 대체로 신고인과 처리 기관 사이의 일대일 회신 중심이라, 같은 문제를 이웃 몇 명이 겪는지 시민이 한눈에 보기는 어려운 편으로 보인다.
• 투표의 폭: 앞의 표 셋째 줄처럼, 소설은 칭찬·보상 요청까지 같은 통로로 받는다. 국내에선 불편 신고와 정책 제안 창구가 나뉜 경우가 많다. 개선 아이디어가 있다면 국민신문고의 제안 메뉴처럼 별도 창구를 찾는 편이 맞다.
• 센서 결합: 나무·동물 센서까지 한 집계에 넣는 모델은 어디까지나 작품 속 설정이다.

그러니 당장 해볼 일은 하나다. 앞서 뽑은 좋은 신고의 조건, 곧 위치·시간대·영향받는 사람·반복성·증거를 지금 쓰는 앱에 그대로 적용하는 것. 처리 결과가 미흡하다 싶으면 회신 내용부터 확인하고, 빠진 정보를 보태 다시 접수하면 된다.

확인된 것과 아직 불확실한 것

확인된 것

• 「Love is infrastructure」는 도시 Mainspring과 St. Barnabas를 의인화한 단편 소설이다.
• 작품 속 시민은 Quill로 짧은 말·글과 사진·영상을 보내 투표하고, City Core가 이를 집계해 시 공무원과 해결책을 낸다.
• 투표는 공개되지만, 통계 전문가도 개인과 연결하지 못할 만큼 익명화되어 있다는 설정이다.
• 중간값에 해당하는 주민은 하루 열두 번 투표하고, 나무와 새·다람쥐도 센서를 통해 투표한다.

아직 불확실한 것

• 제공된 원문은 2장 중간, 사람의 투표가 무엇을 주는지 설명하는 문장에서 끊겨 있어 그 결론은 확인되지 않는다.
• 작가가 특정 실존 도시나 민원 시스템을 모델로 삼았는지는 원문에 나오지 않는다.
• “의식의 가장 작은 단위는 투표”는 작품 속 대사이며, 검증된 과학적 주장이 아니다.
• 사람의 투표와 센서 데이터를 어떤 비중으로 합산하는지도 원문 범위에선 드러나지 않는다.

도시가 귀 기울이게 만드는 건 신고 한 건의 해상도

소설 속 도시는 시민의 투표로 생각을 배운다. 현실의 도시는 아직 그만큼 영리하지 않다. 원리는 같지만. 정확하고 반복되는 데이터가 쌓여야 우선순위가 바뀐다.

신고 버튼을 누르기 전에 훑어볼 점검표.

• 위치를 지도 핀으로 찍었는가
• 문제가 생기는 시간대를 적었는가
• 누가 불편을 겪는지 한 줄 넣었는가
• 한 건에 문제 하나만 담았는가
• 사진 속 무관한 사람을 가렸는가
• 다른 곳에 올릴 사진에서 위치 정보를 지웠는가

사서 Sandi와 바텐더 Raeford가 좋은 투표자가 된 건 특별한 권한이 있어서가 아니다. 오래 보고, 많이 듣고, 구체적으로 적었을 뿐이다. 신고 앱 앞에서 우리가 따라 할 것도 그 세 가지다.

출처: MIT Tech Review AI

혈압, 맥박, 호흡, 땀. 1920년대에 폴리그래프가 발명된 뒤로 거짓말탐지기가 기록하는 신호는 이 네 가지에서 거의 달라지지 않았어요. 검사관이 그래프를 읽고 판단하는 방식도 그대로고요. 미 국방부가 이 장비를 인공지능과 비접촉 센서로 현대화하겠다며 5년에 걸쳐 3,030만 달러를 요청했다는 예산 문서 내용이 MIT 테크놀로지 리뷰를 통해 알려졌어요. 결론부터 말하면, 센서를 몸에서 떼고 AI가 점수를 매겨도 가장 큰 구멍은 그대로예요. 어떤 검사가 실제로 맞았는지 알려줄 정답 데이터가 없다는 것. 그래서 이 글은 사업 소식보다 그 밑에 깔린 개념을 따라가요. 폴리그래프가 정확히 무엇을 재는지, AI가 거기에 무엇을 보태는지, 많은 연구자가 이 조합에 왜 고개를 젓는지를 차례로요.

폴리그래프가 재는 건 거짓말이 아니라 몸의 긴장

폴리그래프 원리는 한 단어로 줄일 수 있어요. 비교. 검사관은 “하늘은 파란색인가요?”처럼 답이 뻔한 기준 질문과 “범죄를 저지른 적이 있나요?” 같은 목표 질문을 섞어서 던져요. 두 종류 질문에 대한 생리 반응을 나란히 놓고, 목표 질문 쪽 반응이 유독 도드라지면 기만 가능성이 있다고 판단하는 식이에요.

오해가 자주 생기는 대목이 여기예요. 센서가 남기는 건 혈압이 올랐다, 호흡이 빨라졌다, 손에 땀이 났다는 ‘현상’뿐이에요. 그게 거짓말 때문인지, 억울해서 긴장한 건지, 질문 자체가 불쾌해서인지 센서는 가려내지 못해요. 해석은 결국 사람 몫. 검사관에 따라 결과가 크게 갈린다는 비판이 이 장비에 늘 따라붙는 것도 그래서예요.

미국 연방정부는 직원 심사 과정에서 해마다 수만 건의 폴리그래프 검사를 해요. 그런데 그 결과가 법정 증거로 받아들여지는 경우는 드물어요. 널리 쓰인다는 것과 과학적으로 검증됐다는 것이 전혀 다른 얘기라는 걸 이만큼 선명하게 보여주는 사례도 흔치 않죠.

Polygraph+가 보태는 것, 붙이지 않는 센서와 AI 점수

사업 이름은 Polygraph+, 혹은 Polygraph Next. 초점은 두 갈래예요. 하나는 인공지능·머신러닝 기반의 점수화 알고리즘이고, 다른 하나는 ‘스탠드오프 센싱(standoff sensing)’이라 불리는 비접촉 측정이에요. 스탠드오프 센싱은 몸에 벨트나 전극을 붙이지 않고 떨어진 곳에서 생리 신호를 읽어내는 기술을 말해요.

실제로 어떤 기술이 들어갈지는 아직 공개되지 않았어요. 단서는 있어요. 국방부 산하 DIU(Defense Innovation Unit)가 2023년 기만 탐지에 쓸 제품을 공개 모집해 두 회사를 시제품 개발사로 골랐거든요. Presage Technologies는 일반 카메라로 심박수와 호흡수를 잰다고 주장하는 회사예요. Altec Research는 의료용 센서 회사인데, 비접촉 센싱 쪽으로 영역을 넓히는 중이고요. DIU가 공개한 Altec 시제품 화면을 보면 머리 움직임, 얼굴 피부 온도, 모공 활동을 추적해요. 다만 이 시제품들이 Polygraph+로 곧장 이어진다는 확인은 없어요. 방향을 가늠하는 힌트 정도로 읽는 게 맞아 보여요.

AI가 맡는 역할은 ‘다중 모달(multi-modal)’ 점수화예요. 여러 측정값을 한데 묶어 기만 점수 하나로 뽑아내는 방식이죠. 로테르담 에라스뮈스 대학교에서 기만을 연구하는 소피 반 데르 제이 교수는 거짓말탐지가 노리는 수면 아래 현상을 셋으로 나눠요. 생리적 스트레스, 인지 부하, 그리고 거짓말을 숨기려는 의식적 노력. 기존 폴리그래프가 다루는 건 이 중 첫 번째뿐이니, 세 방향을 함께 볼수록 성공 가능성이 높아진다는 게 반 데르 제이 교수의 설명이에요.

개념 자체는 새롭지 않아요. 영상에서 기만 점수를 뽑는 시스템도, 국경 심사용 다중 센서 도구도 이미 나온 적이 있어요. 결말은 아래 표에 적힌 대로예요. 이 프로젝트들은 모두 조용히 사라졌어요.

방식	측정·분석 대상	원문에 나온 사례	드러난 한계
전통 폴리그래프	혈압, 맥박, 호흡, 땀	미 연방정부 직원 심사(연간 수만 건)	검사관별 결과 편차, 법정 증거로 거의 인정 안 됨, 대응 기법 존재
카메라 기반 생체 측정	일반 카메라 영상에서 심박수·호흡수	Presage Technologies(DIU 시제품)	시제품 단계, 회사는 논평 요청에 응답하지 않음
비접촉 복합 센서	머리 움직임, 얼굴 피부 온도, 모공 활동	Altec Research(DIU 시제품)	시제품 단계, 회사는 논평 요청에 응답하지 않음
영상 기반 기만 점수	영상 속 반응으로 기만 점수 산출	Silent Talker(맨체스터 메트로폴리탄 대학교) → EU 지원 iBorderCtrl 시범사업	조용히 사라짐
국경 심사용 다중 센서	시선 추적, 음성 분석, 신체 움직임	미국 AVATAR	조용히 사라짐
기타 단일 신호 방식	열화상, 동공 추적, 뇌 스캔	수십 년간 여러 연구	실험실 밖에서 신뢰할 만한 결과 없음

정확도 80~94%, 280만 명에 돌리면 계산이 달라진다

미국폴리그래프협회가 내세우는 폴리그래프 정확도는 80~94%예요. 아무 도구 없이 사람이 거짓말을 알아맞히는 확률이 절반을 조금 넘는다는 연구와 나란히 놓으면 꽤 괜찮아 보이죠. 업계 단체가 내놓은 수치라는 점은 감안하고 읽어야 하고요. 더 큰 문제는 따로 있어요. 이 숫자는 ‘한 사람을 검사할 때’의 관점이에요. 많은 사람을 한꺼번에 걸러내는 스크리닝으로 넘어가면 얘기가 달라져요.

IT 쪽에서 쓰는 말로 바꾸면 기저율(base rate) 문제예요. 스팸 필터를 떠올리면 쉬워요. 정확도가 높은 필터라도 처리하는 메일이 많으면 잘못 걸러지는 정상 메일의 절대 개수가 불어나요. 찾으려는 대상이 전체에서 아주 드물면 ‘의심’ 판정 목록의 상당 부분이 오탐으로 채워지고요. 직원 전체에서 실제 내부 위협자는 극소수일 테니 구조가 똑같아요. 2003년 미국 국립연구위원회(NRC) 보고서가 짚은 것도 이 지점이에요. 이 정도 정확도의 검사라도 스크리닝에 쓰면 실수가 많이 나온다는 것. 국방부 인력은 280만 명이에요. 불완전한 시스템을 이 규모로 돌리면 수만 명이 억울하게 의심받는 결과로 이어진다는 우려가 나오는 배경이죠.

검증의 역사도 우호적이지 않아요. 1983년 미 의회 기술평가국(OTA)은 직원 심사용 폴리그래프를 뒷받침하는 근거가 매우 제한적이라고 결론 내렸어요. 20년 뒤인 2003년, NRC가 내린 평가는 효과에 대한 근거가 “기껏해야 약하다”였고요. 검사관마다 결과가 크게 다르다는 점, 소수 집단 출신이 기만 판정을 더 많이 받는 경향도 문제로 꼽혀요.

뚫는 방법도 알려져 있어요. 훈련을 받으면 기준 질문에서 일부러 반응을 키우는 요령을 익히게 돼요. 신발 속에 숨긴 핀을 밟아 통증으로 생리 반응을 끌어올리는 식이에요. 기준 질문 반응이 커지면 목표 질문과의 차이가 줄고, 판정은 흐려져요. 반 데르 제이 교수의 말을 빌리면 “작동 원리를 알면 이기는 방법도 안다”.

AI가 못 푸는 건 알고리즘이 아니라 정답 데이터

AI를 붙이자는 쪽의 논리는 두 가지예요. 사람 검사관이 놓치는 패턴을 데이터에서 찾아낼 가능성이 있다는 것, 그리고 여러 신호를 섞은 점수는 한두 가지 신호만 조작해서는 속이기 어렵다는 것. 앞에서 본 핀 밟기 같은 대응 기법을 떠올리면 두 번째 주장엔 나름 설득력이 있어요. 이론만 놓고 보면 틀린 말은 아니에요.

막히는 곳은 학습에 필요한 정답(ground truth)이에요. 지도학습 모델을 만들려면 ‘이 데이터는 거짓말, 저 데이터는 진실’이라는 라벨이 있어야 해요. 그런데 폴리그래프 기록에 붙은 라벨은 대부분 검사관의 판정이고, 그 판정이 맞았는지 확인할 방법이 마땅치 않아요. 법학자 마리온 오스왈드 교수는 세상의 모든 폴리그래프 기록을 모아도 그 검사들이 맞았는지 틀렸는지는 알 수 없다고 지적해요.

라벨이 흔들리면 모델이 배우는 건 ‘거짓말의 패턴’이 아니라 ‘검사관이 거짓말이라고 판단한 패턴’일 가능성이 커 보여요. 검사관의 편향도, 앞에서 본 소수 집단 판정 쏠림도 고스란히 학습될 위험이 있다는 뜻이에요. 영국 노섬브리아 대학교에서 사법 절차의 폴리그래프 사용을 연구하는 법학자 키리 코초글루는 AI와 폴리그래프의 결합을 ‘양쪽의 나쁜 점만 모은 조합’이라고 불러요. 타당성이 부족한 측정 위에 불확실성을 한 겹 더 얹는 셈이라는 거예요. 이번 사업을 두고도 코초글루는 복잡한 것을 손에 잡히는 무언가로 환원하려는 잘못된 시도라고 평가했어요.

가장 밑바닥의 벽은 따로 있어요. 거짓말에만 나타나는 단일 신호가 없다는 점. 모든 사람에게, 언제나 똑같이 나타나는 거짓말의 흔적은 발견된 적이 없어요. 반 데르 제이 교수의 표현으로는 “피노키오의 코는 아직 없다”. 알고리즘을 아무리 다듬어도, 찾아야 할 대상부터 정의되지 않은 상태라는 얘기예요.

한국엔 당장 영향 없지만, 웹캠 영상의 무게는 달라진다

직접 달라지는 건 거의 없어요. Polygraph+는 미 연방정부의 신원조사를 맡는 국방방첩보안국(DCSA)이 운영할 사업이고, 용도도 채용 예정자 심사와 ‘내부자 위협 탐지’로 적혀 있어요. 예산 문서는 아직 의회 승인도 받지 않았고요. 한국 사용자가 쓰는 앱이나 기기에 이 사업이 곧바로 닿을 경로는 보이지 않아요.

간접적인 쪽은 따져볼 만해요. 여기부터는 추측이라는 점을 먼저 밝혀둘게요. 일반 카메라로 심박수와 호흡수를 잰다는 기술이 국방 예산과 함께 주목받으면, 같은 계열 기술이 채용 면접이나 출입 보안 같은 민간 서비스에 ‘진정성 분석’, ‘스트레스 분석’ 같은 이름을 달고 등장할 가능성도 있어 보여요. 노트북 웹캠과 스마트폰 전면 카메라는 대부분의 사람이 이미 갖고 있으니 하드웨어 장벽이 낮거든요.

개인정보 관점에서 보면 의미가 한층 달라져요. 얼굴 영상에서 심박과 호흡이 추출된다면, 화상 면접 녹화본은 단순한 영상이 아니라 생체 신호가 담긴 데이터가 되는 셈이에요. 이런 서비스를 만났을 때 던질 질문은 다섯 가지로 좁혀져요.

• 무엇을 측정하는가: 영상에서 어떤 신호(심박, 피부 온도, 시선, 음성)를 뽑는지 공개하는지
• 무엇을 정답으로 학습했는가: ‘거짓말’이나 ‘부정직’이라는 라벨을 어떻게 만들었는지
• 오탐은 얼마나 되는가: 정확도 한 숫자 대신, 정직한 사람을 의심으로 분류하는 비율을 따로 밝히는지
• 집단별 편향을 검증했는가: 피부색, 연령, 장애 여부 등에 따라 결과가 쏠리지 않는지
• 파생 데이터는 어떻게 관리되는가: 원본 영상뿐 아니라 추출한 생체 신호의 보관·삭제 정책이 있는지

이 질문들에 답하지 못하는 도구라면 그 점수를 판단 근거로 삼기 어렵다고 보는 게 맞아요. 폴리그래프가 1920년대부터 풀지 못한 정답 데이터 문제를 ‘AI 분석’이라는 이름표 하나로 해결했을 리는 없으니까요.

확인된 것과 아직 불확실한 것

확인된 것

• 미 국방부 예산 요청에 5년간 3,030만 달러 규모의 Polygraph+(Polygraph Next) 사업이 들어 있다
• 사업 초점은 AI·머신러닝 기반 점수화 알고리즘과 비접촉(스탠드오프) 센싱이다
• 운영 주체는 DCSA, 용도는 채용 예정자 심사와 내부자 위협 탐지다
• DIU는 2023년 기만 탐지 시제품 개발사로 Presage Technologies와 Altec Research를 선정했다
• 1983년 OTA와 2003년 NRC는 직원 심사용 폴리그래프의 근거가 약하다고 평가했다

아직 불확실한 것

• 의회가 이 예산을 승인할지 여부
• Polygraph+에 실제로 어떤 기술이 쓰일지(DCSA는 추가 정보 요청에 응답하지 않았다)
• DIU 시제품의 기만 탐지 성능(두 회사와 DIU 모두 논평하지 않았다)
• AI 점수화가 기존 폴리그래프보다 정확하다는 독립적인 검증 결과

거짓말탐지기가 실제로 하는 일은 판정보다 억제

반 데르 제이 교수가 꼽는 폴리그래프의 가장 큰 효과는 억제력이에요. 검사가 시작되기도 전에 자백하는 경우가 많다는 거죠. 조건이 하나 붙어요. 사람들이 폴리그래프가 통한다고 믿어야 한다는 것. 억제 효과가 믿음에 기대는 구조라서, 새 장비가 실제 정확도를 끌어올리지 못해도 ‘더 정교해졌다’는 인상만으로 억제 효과는 유지될 것으로 보여요. 뒤집으면 함정이기도 해요. 검사 전 자백처럼 겉으로 드러나는 효과만 보고 정확도가 좋아졌다고 착각하기 쉬운 구조거든요.

기술을 평가할 때 붙들 기준은 단순해요. 측정 장비가 정교해지는 것과 측정 대상이 명확해지는 것은 별개의 문제예요. 센서가 몸에서 떨어지고 알고리즘이 점수를 내놓아도, 그 점수가 무엇에 대한 점수인지 정의되지 않으면 정확도는 제자리예요. AI 거짓말탐지기 소식이 또 들리면 ‘이 시스템은 무엇을 정답으로 배웠나’부터 물어보세요. 과장된 주장은 대부분 그 질문 하나에서 걸러질 거예요.

출처: MIT Tech Review AI

3,030만 달러. 미국 국방부가 거짓말탐지기를 손보겠다며 예산 요청서에 적어 넣은 5년 치 금액이다. 사업 이름은 ‘Polygraph+’, 혹은 ‘Polygraph Next’.

내용은 두 갈래로 나뉜다.

• AI 채점 알고리즘: AI와 머신러닝으로 검사 결과를 채점한다.
• 원격 감지(standoff sensing): 몸에 장치를 붙이지 않고 떨어진 곳에서 생리 반응을 읽는다.

내건 목표는 폴리그래프 판정의 정확도와 신뢰성을 끌어올리는 것이다.

바깥의 시선은 차갑다. MIT Technology Review는 이 계획을 전하며 기술로 거짓말을 잡으려다 실패한 긴 역사에 사례 하나를 더할 뿐일지 모른다고 짚었다. 전문가들이 AI 거짓말 탐지에 붙인 이름은 “양쪽의 최악(the worst of both worlds)”이다.

필자의 판단도 크게 다르지 않다. AI를 얹는다고 거짓말탐지기의 근본 약점이 사라지지는 않는다. 오히려 새 문제가 하나 더 붙는다. 그 이유는 폴리그래프가 실제로 무엇을 재는 기계인지부터 보면 드러난다.

폴리그래프는 거짓말 대신 몸의 긴장을 잰다

폴리그래프(polygraph)는 이름 그대로 여러 신호를 한꺼번에 그래프로 기록하는 장치다. 흔히 이렇게 붙인다.

• 가슴과 배: 호흡을 재는 띠
• 팔: 혈압·맥박을 재는 커프
• 손가락: 땀 분비에 따른 피부 전기 반응 센서

검사관이 질문을 던지면 답하는 순간 신호들이 어떻게 출렁이는지 기록된다. 판정은 검사관이 그 파형을 읽어서 내린다.

걸리는 대목은 이 신호들이 거짓말에만 나타나는 반응이 아니라는 데 있다. 심장이 빨라지고 손에 땀이 차는 현상은 두려움, 억울함, 당혹감, 분노에서도 똑같이 일어난다. 오판은 양방향으로 난다.

• 거짓 양성: 결백하지만 의심받는 상황 자체가 무서운 사람은 거짓말쟁이처럼 보인다. 무고한 사람이 거짓말쟁이로 몰리는 경우다.
• 거짓 음성: 거짓말에 익숙해 태연한 사람은 결백해 보인다. 진짜 거짓말을 놓치는 경우다.

정확히 부르면 ‘거짓말 탐지기’보다 ‘긴장 반응 기록기’에 가깝다. 거짓말을 하면 긴장하고, 긴장하면 몸이 반응한다. 폴리그래프는 이 두 단계 가정 위에 서 있는데, 두 단계 모두 사람마다 편차가 크다. 전제가 흔들리는 한 판정 도구를 아무리 다듬어도 출발점의 오차는 남는다. 뒤에 나올 Polygraph+ 논의가 결국 이 지점으로 되돌아오는 이유다.

Polygraph+가 고치는 건 채점과 측정 단계뿐

검사 과정을 측정 → 해석 → 판정 순서로 쪼개 보면 Polygraph+가 어디를 건드리는지 보인다.

AI 채점 알고리즘의 표적은 해석·판정 단계다. 사람 검사관이 파형을 읽으면 경험이나 선입견에 따라 결론이 달라질 여지가 생긴다. 이를 알고리즘 점수로 대체하거나 보조해 판정을 일관되게 만들겠다는 발상이다.

원격 감지는 측정 단계를 바꾼다. 센서를 몸에 붙이는 대신 떨어진 위치에서 생리 반응을 읽는 방식. 어떤 센서를 쓸지는 공개된 설명에 나오지 않는다. 원격 생체 측정 분야에서는 카메라 영상 속 얼굴 피부색의 미세한 변화로 맥박을 추정하는 기술 등이 연구돼 왔지만, 국방부 사업이 이 방식을 택했는지는 확인되지 않았다. 센서 종류조차 모르는 상태라 정확도를 가늠할 근거도 아직 없는 셈이다.

구분	기존 폴리그래프	AI 채점 알고리즘	원격 감지
바꾸는 단계	기준점	해석·판정	측정
측정 방식	몸에 센서를 부착	측정보다 판정 방식을 바꿈	장치 부착 없이 떨어진 곳에서 측정
판정 주체	검사관의 파형 해석	AI·머신러닝이 산출한 점수	공개된 설명에 명시 없음
기대하는 점	–	판정 일관성 향상	장치 부착 절차 생략
남는 우려	긴장을 거짓말로 오판	판정 근거 설명의 어려움, 학습 데이터 문제	당사자가 측정 사실을 모를 가능성, 환경 오차

고치는 단계는 서로 다르다. 공통점은 하나다. 어느 쪽도 ‘생리 반응이 곧 거짓말의 신호’라는 첫 번째 가정에는 손대지 않는다. 비판이 모이는 곳도 바로 여기다.

‘양쪽의 최악’이 가리키는 세 가지 문제

전문가들이 무슨 근거로 이 표현을 골랐는지는 원문 요약에도 설명이 없다. 아래 내용은 확인된 논리가 아니라 해석이다. AI 판정 시스템에 흔히 따라붙는 비판을 폴리그래프의 약점과 겹쳐 봤다.

① 옛 약점이 그대로 넘어온다. AI가 하는 일은 입력 신호에서 패턴을 찾는 것뿐이다. 입력인 생리 반응과 거짓말의 연결이 느슨하면, 모델이 아무리 정교해도 그 느슨함은 메워지지 않는다. 흐릿한 사진을 아무리 확대해도 찍히지 않은 정보가 되살아나지 않는 것과 같은 이치.

② 정답 데이터를 구하기 어렵다. 머신러닝이 ‘거짓말할 때의 반응’을 배우려면 실제로 거짓말을 했는지 확실히 아는 사례가 대량으로 필요하다. 실험실에서 지시받아 하는 거짓말은 잃을 게 없어 긴장의 질부터 다르다. 현실 사건은 진실 여부를 끝내 확정하지 못하는 경우가 많다. 정답이 흐릿한 데이터로 학습한 모델이 내세우는 ‘정확도’는 그 숫자부터 해석이 까다롭다.

③ 새 약점이 붙는다. 검사관의 판단에는 “왜 그렇게 봤느냐”고 따져 물을 상대라도 있다. 알고리즘 점수는 왜 그 값이 나왔는지 설명하기 어렵다. 숫자로 찍힌 결과는 사람의 해석보다 객관적으로 보이기 쉽고, 오판이 나와도 반박할 여지가 줄어든다.

불확실한 입력 위에 불투명한 판정. 양쪽의 단점만 모인다는 평가는 이렇게 읽힌다.

장치를 떼면 ‘동의’의 의미가 바뀐다

기존 폴리그래프는 불편하다. 대신 투명하다. 센서가 몸에 닿는 순간 검사받는 사람은 자신이 측정되고 있다는 사실을 안다.

원격 감지는 이 절차를 없앤다. 편해지는 건 맞다. 문제는 기술 구조상 당사자가 측정 사실을 모른 채 반응이 기록되는 상황도 가능해진다는 점이다. 국방부가 이 기술을 어떤 조건에서 쓸지는 밝혀지지 않았다. 지금 단계에서 이건 확인된 계획이 아니라 구조적 우려로 봐야 한다.

정확도 부담도 커진다. 몸에 밀착한 센서보다 떨어진 곳에서 읽는 신호가 잡음에 약하다는 건 원격 측정 전반에 해당하는 이야기다. 카메라 기반이라면 조명, 움직임, 촬영 각도 같은 환경 요인이 결과를 흔든다. 긴장을 곧 거짓말로 보는 불안한 가정 위에 측정 오차가 한 겹 더 얹히는 셈이다.

감시 기술이 내세운 성능과 현장 결과가 어긋난 사례는 이미 있다. 같은 매체가 추적한 미국 남부 국경의 감시탑 ‘가상 장벽’이다. 수십억 달러가 들어간 이 시설을 두고, 감시탑이 내세운 탐지 범위 안에서 1,000명이 넘는 사람이 적발되지 않은 채 숨졌다는 조사 결과가 나왔다. 거짓말 탐지와는 다른 기술이긴 하다. 약속된 성능을 믿기 전에 검증 자료부터 요구해야 하는 이유로는 이 정도면 충분하다.

국내에선 수사는 증거력, AI 면접은 동의서가 관건

선부터 긋자. Polygraph+는 미국 국방부의 예산 요청 단계 사업이다. 한국 사용자의 일상에서 당장 달라지는 부분은 거의 없다. 다만 이 기술이 던지는 질문은 국내에서도 그대로 유효하다.

국내 수사기관도 거짓말탐지기 검사를 수사 보조 수단으로 쓴다. 현재 기준은 이렇다.

• 검사는 원칙적으로 본인 동의를 받아 진행한다.
• 법원은 결과를 유죄의 직접 증거로 삼는 데 매우 신중하다.
• 증거로 받아들여지더라도 진술의 신빙성을 판단하는 참고 자료 정도로 제한되는 것이 일반적이다.

채점을 AI가 맡는다고 이 기준이 곧바로 바뀔 가능성은 낮아 보인다. 법원이 문제 삼아 온 것은 채점 방식이 아니라 생리 반응과 거짓말 사이의 연결 자체이기 때문이다(필자의 추측).

생활에서 더 가까운 접점은 채용 과정 등에서 쓰이는 영상 분석 도구다. 일부 기업의 AI 면접처럼 표정이나 목소리를 분석하는 도구를 만나면 동의서에서 네 가지를 확인해 두자.

• 어떤 항목을 수집하는가: 영상, 음성, 생체 신호
• 목적은 무엇인가
• 얼마나 보관하는가
• 최종 판단을 사람이 하는가

국내 개인정보 법제에는 사람의 개입 없이 완전히 자동화된 결정에 대해 설명을 요구하거나 거부할 권리가 마련돼 있다. 어떤 절차가 여기에 해당하는지는 사안마다 판단이 갈린다. 네 번째 항목, 최종 판단을 사람이 하는지를 따로 챙겨 둘 가치가 있는 이유다.

웹 기반 면접이나 검사를 마친 뒤에는 카메라·마이크 권한을 회수해 두면 깔끔하다.

• PC용 크롬: 설정 → 개인정보 보호 및 보안 → 사이트 설정 → 카메라(또는 마이크)에서 사이트별 허용 목록 삭제
• 아이폰: 설정 → 개인정보 보호 및 보안 → 카메라에서 앱별로 끄기
• 안드로이드: 대체로 설정 → 애플리케이션 → 해당 앱 → 권한

기기와 버전에 따라 메뉴 이름과 위치는 다르다.

확인된 것과 아직 불확실한 것

확인된 것

• 미국 국방부 예산 요청서에 5년간 3,030만 달러 규모의 거짓말탐지기 개선 사업이 담겼다.
• 사업명은 ‘Polygraph+’ 또는 ‘Polygraph Next’다.
• AI·머신러닝 기반 채점 알고리즘과, 장치 부착 없이 생리 반응을 읽는 원격 감지가 두 축이다.
• 목표는 폴리그래프 판정의 정확도와 신뢰성 개선이다.
• 전문가들은 AI 기반 거짓말 탐지를 “양쪽의 최악”이라고 평가했다.

아직 불확실한 것

• 예산 요청이 그대로 승인될지 여부
• 원격 감지에 쓰일 구체적인 센서와 측정 방식
• AI 채점 알고리즘의 학습·검증 데이터와 성능 기준
• 개발된 기술이 어떤 대상과 상황에 적용될지
• 국내 수사기관이나 기업의 유사 기술 도입 여부

정확도 숫자보다 먼저 물어야 할 세 가지

AI 거짓말 탐지를 내건 기술은 이름을 바꿔 가며 계속 나올 것으로 보인다. 성능 수치에 휘둘리지 않으려면 세 가지를 순서대로 물으면 된다.

1. 무엇을 재는가. 거짓말 자체를 직접 재는 센서는 없다. 심박, 땀, 표정, 목소리 가운데 어떤 신호를 거짓말의 대리 지표로 삼는지, 그 신호를 긴장이나 두려움과 어떻게 가려내는지 설명이 붙어 있어야 한다. 이 설명이 빠져 있다면 뒤에 나오는 정확도 수치도 믿을 근거가 약하다.
2. 정답은 어디서 왔는가. 정확도를 내세운다면 실제 거짓말 여부가 확인된 사례로 검증했는지, 실험실에서 연출한 거짓말로 검증했는지부터 확인할 것. 둘은 긴장의 강도부터 다르다.
3. 결과가 어떤 결정에 쓰이는가. 수사 방향을 잡는 참고 자료인지, 채용 탈락이나 보안 심사 불합격으로 곧장 이어지는지. 여기에 따라 오판의 비용이 달라진다. 결과가 무거울수록 사람의 최종 검토와 이의 제기 절차가 반드시 붙어 있어야 한다.

Polygraph+가 성과로 남을지, 실패 목록에 한 줄을 더할지도 이 세 질문에 내놓는 답에 달렸다. 지켜볼 대목은 하나다. 3,030만 달러가 첫 번째 가정을 검증하는 데 쓰이는지, 그 위에 알고리즘을 쌓는 데만 쓰이는지.

출처: MIT Tech Review AI