Uber AV Labs, 로보택시가 아니라 '도로 데이터 AWS'로 봐야 하는 이유

로보택시 회사들이 저마다 더 나은 AI를 말할 때, 진짜로 부족한 자산은 무엇일까. 알고리즘일 수도 있지만, 실제 현장에서는 오히려 "어디서, 어떤 상황의 데이터를 얼마나 빨리 확보하느냐"가 더 강한 병목이 되는 경우가 많다.

그래서 Uber의 AV Labs는 자율주행 재도전이라기보다, 자율주행 업계의 데이터·검증 인프라 사업으로 읽는 편이 맞다. Uber는 2026년 초 AV Labs를 공개했고, 지금은 자체 운영 차량에 센서를 달아 파트너용 도로 데이터를 모으고 있다. 더 나아가 장기적으로는 자사 수백만 운전자 차량 일부를 "센서 그리드"로 바꾸고 싶다는 구상도 밝혔다.¹² 중요한 점은, Uber가 차를 직접 만들겠다는 게 아니라 도로 데이터를 수집·가공·배포하는 플랫폼이 되려 한다는 것이다.

자율주행의 병목은 '더 좋은 차'보다 '현실 데이터 부족'일 수 있다

확인된 사실부터 보자. Uber는 AV Labs를 통해 카메라, 라이다, 레이더 등이 달린 차량으로 실제 도로 데이터를 수집하고, 이를 파트너에게 원시 데이터 그대로가 아니라 가공된 형태로 제공하려 한다.²³ 채용 공고를 보면 초점도 분명하다. 차량 제조보다 데이터 마이닝, 머신러닝, 시뮬레이션, 검증, 인프라 구축 쪽 인력을 공격적으로 모으고 있다.³

왜 이런 구조가 필요한가. 자율주행은 폐쇄 테스트 트랙보다 실제 도로에서 더 자주 무너진다. 도시마다 차선 문화가 다르고, 시간대마다 보행자 패턴이 바뀌며, 드물지만 치명적인 "롱테일" 상황이 계속 나온다. 예를 들어 정차한 스쿨버스를 어떻게 인식하고 반응할지 같은 문제는 데모 주행보다 운영 데이터에서 더 잘 드러난다.²

여기서 Uber의 해석은 명확하다. 병목은 소프트웨어 자체보다, 특정 도시·특정 교차로·특정 시간대의 데이터를 제때 구하지 못하는 데 있다는 것이다.¹ 이 주장이 전부 증명된 것은 아니다. 시뮬레이션과 합성 데이터도 여전히 중요하다. 다만 실무적으로는 "현실 데이터를 충분히 먹인 모델"과 "그렇지 못한 모델"의 검증 속도 차이가 커지고 있다는 신호로 읽을 수 있다.

Uber의 가장 강한 카드: 한 회사를 고르는 대신 모두의 파이프가 되는 것

Uber는 이미 20개가 넘는 AV 파트너와 협력 중이라고 밝혔다.² 이 포지션은 Waymo나 Tesla와 다르다. 그들은 자기 차량, 자기 스택, 자기 운영 체계를 밀어붙인다. 반면 Uber는 특정 AV 스택의 승자가 되기보다, 여러 회사가 붙을 수 있는 중립적 인프라가 되려 한다.

이 전략의 장점은 분명하다. 특정 기술 노선에 올인하지 않아도 되고, 어느 한 업체가 실패해도 전체 판이 커지면 이익을 볼 수 있다. 특히 Uber는 600개 이상의 도시 운영 경험과 대규모 이동 수요를 갖고 있어, "어느 도시에서 어떤 데이터가 필요한가"를 파트너보다 더 잘 조직할 가능성이 있다.²

하지만 반론도 있다. 중립 플랫폼은 매력적이지만, 동시에 가장 쉽게 압박받는 위치이기도 하다. 파트너가 충분히 커지면 자체 데이터 수집 체계를 강화할 수 있고, 완성차·센서사·맵 회사도 비슷한 역할을 노릴 수 있다. 결국 Uber가 단순 데이터 브로커에 머물면 가격 경쟁에 빠질 수 있다.

그래서 핵심은 원시 주행 영상을 많이 모으는 데 있지 않다. Uber가 말한 "semantic understanding" 레이어, 그리고 파트너 소프트웨어를 Uber 차량 주행과 비교하는 shadow mode 같은 워크플로우가 실제로 배포 속도를 줄여주는지가 중요하다.² 쉽게 말해 저장소가 아니라 운영체제에 가까워져야 한다.

이 사업이 해자인지, 비싼 미들웨어인지 가르는 기준

지금 단계에서 확인된 것은 많지 않다. 시작은 소규모이고, 초기에 계약이 아직 없다는 보도도 있었다.² 수익화도 당장은 후순위다. Uber CTO는 돈보다 생태계 가속이 우선이라고 말했지만, CBS 보도에서는 장기적으로 파트너에 과금할 계획도 시사됐다.⁴ 즉, 비즈니스 모델은 아직 열려 있다.

그래서 독자는 앞으로 12개월 동안 세 가지를 보면 된다.

첫째, 파트너 수보다 파트너의 질이다. Waymo, Waabi, Lucid 같은 이름보다 더 중요한 것은 실제로 AV Labs 데이터가 특정 도시 진입이나 성능 개선에 쓰였다는 사례가 나오는지다.¹²

둘째, 데이터 자체보다 배포 워크플로우 통합이다. 수집-라벨링-시뮬레이션-shadow mode-검증까지 하나의 파이프라인으로 묶일수록 교체 비용이 커진다. 채용 공고가 인프라와 검증 역량을 강조하는 이유도 여기에 있다.³

셋째, 규모의 경제가 정말 작동하는지다. Uber는 장기적으로 드라이버 차량까지 센서화하고 싶어 하지만, 규제와 장착 비용, 프라이버시, 차량 관리 복잡성이 크다.¹ 외부에서도 "의미 있는 데이터가 되려면 센서를 매우 빠르게, 대규모로 깔아야 한다"는 회의론이 나온다.⁴ 이 부분을 못 넘으면 AV Labs는 야심찬 구상에 그칠 수 있다.

결국 AV Labs를 평가하는 질문은 "Uber가 자율주행차를 이길 수 있나"가 아니다. 더 정확한 질문은 이것이다. "Uber가 자율주행 기업들이 없으면 불편한 데이터·검증 인프라가 될 수 있나." 완성차나 로보택시 운영사, 지도 회사보다 이 질문이 더 직접적이다. 만약 답이 yes라면 Uber는 차량 소유 없이도 AV 시대의 핵심 관문을 쥘 수 있다. 아니라면, 센서를 단 비싼 미들웨어에 머물 가능성도 있다.

참고

¹Uber wants to turn its millions of drivers into a sensor grid for self-driving companies

²Uber launches an 'AV Labs' division to gather driving data for robotaxi partners

³Uber AV Labs: Where Autonomy Meets Reality

⁴Uber looks to cash in on self-driving cars -- but not by driving them