에너지 전환의 병목은 배터리 공장만의 문제가 아닙니다. 더 근본적인 질문은 이것입니다. "전기차, 전력망, 데이터센터에 필요한 구리·리튬·니켈을 애초에 어디서 찾을 것인가?"
이 질문이 다시 중요해진 배경에 Lithosquare가 있습니다. 파리 기반 스타트업 Lithosquare는 핵심 광물·금속 매장지를 더 빨리 찾기 위한 'Geology AI'를 내세우며 World Fund와 Kindred Capital이 공동 주도한 2,200만 유로, 약 2,500만 달러 규모의 시드 투자를 유치했습니다.1 단순히 "AI가 광산업에도 들어왔다"는 뉴스가 아니라, 광물 탐사가 고위험 보물찾기에서 데이터 기반 의사결정 파이프라인으로 바뀔 수 있는지를 묻는 사건입니다.
진짜 병목은 채굴 전에 있다
광물 공급 논의는 보통 채굴 허가, 정제, 중국 의존도에서 시작합니다. 모두 맞는 이야기입니다. 하지만 그보다 앞단에 더 불확실한 단계가 있습니다. 바로 "시추할 곳을 고르는 일"입니다.
World Fund 자료에 따르면 광물 탐사는 아이디어에서 발견까지 보통 7~15년이 걸리고, 지질학자들은 상당 시간을 데이터 처리와 분석에 쓴다고 설명합니다.2 Lithosquare가 겨냥하는 지점은 바로 이 비효율입니다. 광산을 더 빨리 파자는 게 아니라, 틀릴 확률이 높은 시추를 줄이고 더 검증 가능한 후보지를 앞세우자는 것입니다.
이 차이는 큽니다. 광물 탐사는 실패가 기본값인 산업입니다. 여러 지질도, 위성 데이터, 지구물리 탐사, 과거 시추 기록을 모아도 "여기가 맞다"가 아니라 "여기를 먼저 확인할 이유가 더 강하다"에 가깝습니다. AI가 실제로 기여할 수 있다면 탐사의 경제성은 시추 횟수가 아니라 불확실성을 줄이는 속도로 평가받게 됩니다.
'지질 AI'가 맞혀야 하는 것은 패턴이 아니라 가설이다
Lithosquare는 자사 플랫폼이 파편화된 데이터를 통합하고, 지질학 원리에 기반한 설명 가능한 탐사 논리를 만든다고 설명합니다.3 또 3D 지질 시나리오를 만들고, 샘플링부터 시추까지 현장 프로그램의 우선순위를 정한다고 밝힙니다.3
여기서 중요한 것은 AI 모델의 멋진 이름이 아닙니다. 광물 탐사는 이미지 분류처럼 정답 라벨이 풍부한 문제가 아닙니다. 매장지는 깊고, 가려져 있고, 지역마다 형성 과정이 다릅니다. 따라서 좋은 시스템은 단순히 "과거에 광산이 있던 곳과 비슷한 곳"을 찾는 데 머물면 안 됩니다.
실무적으로는 세 가지를 봐야 합니다.
첫째, 입력 데이터의 폭입니다. 지질도, 지구화학, 지구물리, 원격탐사, 과거 시추 로그를 얼마나 잘 결합하는지가 중요합니다. 둘째, 모델이 왜 그 지역을 후보로 꼽았는지 설명할 수 있어야 합니다. 셋째, 새 시추 결과가 나왔을 때 가설을 업데이트해야 합니다. Lithosquare가 "새로운 intercept가 들어오면 지질 시나리오를 갱신한다"고 말하는 대목은 그래서 핵심에 가깝습니다.3
투자자가 봐야 할 것은 데모가 아니라 검증 방식이다
Lithosquare는 분석 시간을 "개월에서 일 단위"로 줄이고 탐사 효율을 최대 10배 높일 수 있다고 주장합니다.2 이 수치는 매력적이지만, 그대로 받아들이기보다 어떤 단계의 시간을 줄였는지 따져야 합니다. 데이터 정리 시간을 줄인 것인지, 타깃 생성 시간을 줄인 것인지, 실제 발견 확률까지 올린 것인지는 서로 다른 이야기입니다.
AI 광물 탐사 회사를 평가할 때는 다음 질문이 더 실용적입니다.
독점적이거나 접근 어려운 데이터가 있는가?
실제 현장 샘플링·시추 결과로 모델이 검증됐는가?
특정 금속과 광상 유형에 전문성이 있는가?
고객에게 소프트웨어만 파는가, 발견 성과에 따른 업사이드를 공유하는가?
"후보지 수 증가"가 아니라 "불필요한 시추 감소"를 입증하는가?
Lithosquare의 경우 순수 SaaS보다는 탐사·광산 회사와 함께 일하고, 발견이 생산 광산으로 이어질 경우 수익 공유 구조를 갖는 것으로 보도됐습니다.4 이는 회사가 결과에 베팅한다는 점에서 긍정적 신호일 수 있습니다. 반대로 말하면 매출 인식과 성과 검증이 오래 걸릴 수 있다는 뜻이기도 합니다.
AI가 성공하면 랜덤 시추보다 전략적 토지 확보가 중요해진다
AI 탐사가 실제로 작동한다면 가장 먼저 바뀌는 것은 드릴 장비의 수가 아닐 수 있습니다. 더 빠른 타깃 생성은 더 빠른 광구 선점 경쟁으로 이어질 가능성이 큽니다.
특히 Lithosquare는 칠레처럼 이미 성숙한 지역만 반복 탐색하기보다 보츠와나, 모로코 같은 프런티어·그린필드 지역에서 후보지를 테스트하는 접근을 강조합니다.4 이 해석이 맞다면, 앞으로의 경쟁력은 "누가 더 많이 뚫는가"보다 "누가 먼저 설득력 있는 지질 가설을 만들고 땅을 확보하는가"로 이동할 수 있습니다.
물론 한계도 분명합니다. AI는 허가, 지역사회 수용성, 수자원, 인프라, 지정학 리스크를 없애지 못합니다. 좋은 타깃이 곧 좋은 광산은 아닙니다. 또 광물 가격이 흔들리면 탐사 예산 자체가 줄어듭니다. Lithosquare 같은 회사의 성패는 모델 성능만이 아니라 파트너십, 자본 구조, 현장 실행력에 달려 있습니다.
그래도 이번 투자가 보여주는 방향은 분명합니다. 핵심 광물 문제를 단순한 채굴 확대가 아니라 "발견 인프라"의 문제로 보는 자본이 늘고 있습니다. 광산 회사는 AI 도입 여부보다 검증 가능한 타깃 품질을 봐야 하고, 투자자는 발견까지의 긴 시간을 감당할 사업 모델인지 봐야 합니다. 기후테크 기업과 정부는 더 현실적인 질문을 던져야 합니다. 전환에 필요한 금속은 재활용만으로는 충분하지 않다면, 우리는 어디까지 더 똑똑하게 찾아낼 수 있을까요?
참고
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.