접근성의 정치학과 인지 인프라의 불평등

접근권은 장식품이 아니라 훈련장이다

프리미엄 AI 계정은 단순한 편의 기능이 아니다. 긴 컨텍스트, 빠른 응답, 높은 사용 한도, 강한 추론 모델, 파일 분석, 코드 실행, 검색 도구는 오늘날의 학습자에게 작은 연구실처럼 작동한다. 누군가는 하루에 수십 번 가설을 던지고, 실패한 코드를 붙이고, 다른 설계안을 비교한다. 누군가는 무료 한도 세 번을 넘기지 않기 위해 질문 하나를 며칠 동안 아껴 쓴다.

이 차이를 "조금 더 좋은 도구를 쓰는 차이"로 축소하면 안 된다. 접근권은 반복 기회를 만든다. 반복 기회는 익숙함을 만든다. 익숙함은 더 빠른 질문과 더 좋은 검증으로 이어진다. 상위 대학, 대기업, 자본이 있는 개인에게 프리미엄 계정과 API 크레딧이 집중되면, 그들은 단지 더 많은 답변을 받는 것이 아니다. 더 많은 실패를 안전하게 겪고, 더 많은 비교를 수행하고, 더 많은 프로젝트를 중단 없이 밀어붙일 수 있다.

여기서 토큰 격차는 교육 격차가 된다. 좋은 모델을 자주 만지는 학생은 AI의 한계도 더 빨리 배운다. 어떤 질문이 헛도는지, 어떤 출력이 그럴듯하지만 위험한지, 어떤 작업은 작은 모델로 충분하고 어떤 작업은 고급 모델이 필요한지 몸으로 익힌다. 반대로 사용량이 부족한 사람은 AI를 충분히 써보지 못해 AI를 과대평가하거나 과소평가한다. 둘 다 불리하다. 과대평가는 맹신을 만들고, 과소평가는 기회 포기를 만든다.

고성능 AI 접근권은 이제 도서관, 실험실, 장학금, 컴퓨터실과 같은 인지 인프라의 일부다. 따라서 "돈 있는 사람이 더 좋은 도구를 쓰는 것은 당연하다"는 말은 너무 얕다. 교육기관이 어떤 학생에게는 최신 실험실을 열어주고, 어떤 학생에게는 잠긴 문 앞에서 이론서만 읽으라고 말하는 것과 비슷한 문제가 발생하기 때문이다.

AI 생성 이미지

낮은 자원 환경에서 사라지는 것은 토큰만이 아니다

저소득 개인과 자원이 약한 기관이 겪는 제약은 세 가지로 나타난다.

첫째, 사용량 제한이다. 무료 모델은 일정 횟수 이후 느려지거나 멈춘다. 사용자는 복잡한 문제를 충분히 풀어보기 전에 대화를 접어야 한다. 디버깅은 특히 치명적이다. 오류는 한 번에 해결되지 않는다. 로그를 보고, 원인을 좁히고, 가설을 세우고, 수정안을 검토하고, 다시 테스트해야 한다. 그런데 중간에 사용 한도가 끊기면 사고의 연속성이 끊긴다.

둘째, 모델 성능 제한이다. 낮은 등급의 모델도 많은 작업에 유용하지만, 긴 문서 구조화, 복잡한 코드베이스 분석, 모순 탐지, 다단계 추론에서는 성능 차이가 드러난다. 이 차이는 "답변이 조금 덜 좋다"로 끝나지 않는다. 약한 모델은 사용자가 더 많은 보정 질문을 하게 만든다. 결국 적은 한도 안에서 더 많은 시행착오를 강요한다.

셋째, 실험 기회 축소다. AI 빌딩은 한 번의 정답 찾기가 아니다. UI 흐름을 바꿔보고, 데이터 구조를 바꿔보고, API 경계를 바꿔보고, 테스트 전략을 바꿔보며 판단력을 만든다. 그런데 호출 비용이 두려우면 사용자는 실험 자체를 줄인다. 실험이 줄면 실패 데이터가 줄고, 실패 데이터가 줄면 좋은 판단 기준도 늦게 형성된다.

UNESCO는 이러한 현상을 단순한 기기 접근 격차가 아니라 AI의 혜택, 이해, 활용 능력에 대한 새로운 격차로 설명한다. 특히 AI 리터러시, 즉 AI가 무엇을 잘하고 무엇을 못하는지 이해하는 능력 자체가 불평등하게 분포하면, 같은 도구가 주어져도 실제 이익은 다르게 배분된다¹. 이 지점이 중요하다. 계정만 나눠준다고 격차가 끝나지 않는다. 계정을 사용할 언어, 판단 기준, 실패를 해석하는 능력이 함께 배분되어야 한다.

고토큰 접근권은 평균을 끌어올리고 격차도 키운다

고토큰 접근권의 효과를 냉소적으로 무시해서는 안 된다. 많은 토큰은 평균 숙련도를 실제로 올린다. 초보자는 긴 대화를 통해 용어를 배우고, 중급자는 대안을 비교하며, 팀은 문서화와 프로토타이핑 속도를 높인다. 계정과 크레딧이 넉넉한 집단은 짧은 기간에 공동의 사용 문화를 만든다. 누군가는 좋은 프롬프트를 공유하고, 누군가는 실패한 패턴을 알려주며, 누군가는 도구 조합을 정리한다.

이것이 네트워크 효과다. 프리미엄 AI를 많이 쓰는 조직에서는 개인의 토큰이 조직의 지식으로 바뀐다. 한 사람이 발견한 프롬프트 패턴이 팀 전체의 기본 양식이 된다. 한 수업에서 정리한 사용 가이드가 다음 학기의 출발점이 된다. 한 회사의 내부 자동화가 다른 부서의 워크플로우로 확산된다. 결국 접근권은 개인의 능력만 키우지 않는다. 집단의 표준을 바꾼다.

반면 접근권이 부족한 집단에서는 좋은 사용법이 축적되기 어렵다. 몇몇 개인이 무료 한도 안에서 요령을 발견해도, 그것을 팀 차원의 습관으로 만들 만큼 반복할 여유가 없다. 도구 사용은 개인기 상태로 남고, 조직은 여전히 "AI를 써도 되는가"라는 초보적 논쟁에 머문다. 이때 격차는 빠르게 벌어진다. 한쪽은 AI 사용을 전공 기초 체력으로 만들고, 다른 한쪽은 AI 사용을 특별 활동으로 취급한다.

그러나 여기서 한 번 더 멈춰야 한다. 고토큰 접근권이 평균을 끌어올린다는 사실은, 고토큰 접근권이 최종 승부를 결정한다는 뜻이 아니다. 앞선 장에서 본 것처럼, 토큰 변환율이 낮은 사용자는 많은 토큰을 기술 부채와 이해 부채로 바꾼다. 접근권은 훈련장을 제공하지만, 훈련의 질을 보장하지는 않는다. 좋은 운동장을 독점한 선수가 모두 그레츠키가 되지는 않는다. 하지만 좋은 운동장에 아예 들어가지 못하는 선수가 불리한 것도 사실이다.

따라서 정직한 결론은 이렇다. 토큰 격차는 현실이다. 동시에 토큰 격차가 전부는 아니다.

반격은 낭만이 아니라 운영 방식에서 시작된다

자원이 부족한 빌더에게 필요한 태도는 정신승리가 아니다. "돈이 없어도 머리만 좋으면 된다"는 말은 위험하다. 접근권이 부족하면 속도, 실험량, 피드백 주기에서 손해를 본다. 이 손해를 인정해야 한다. 그래야 보완 전략이 현실적이 된다.

첫 번째 반격은 인지 시뮬레이션이다. 무료 한도가 세 번뿐이라면, 세 번의 질문은 세 배로 날카로워야 한다. AI를 켜기 전 목표, 입력, 출력, 금지 영역, 실패 기준, 테스트 조건을 종이에 적는다. 사용자 흐름, 데이터 흐름, 실패 흐름을 머릿속에서 먼저 통과한다. 이 과정은 토큰을 아끼기 위한 궁상맞은 절약이 아니다. 제한된 연산을 가장 높은 압력 지점에 꽂기 위한 조준이다.

두 번째 반격은 오픈소스와 로컬 워크플로우다. 모든 작업에 최고급 폐쇄형 모델이 필요한 것은 아니다. 문서 초안 정리, 로그 요약, 테스트 케이스 생성, 간단한 코드 변환, 로컬 검색, 정규식 보조, 스캐폴딩 작업은 작은 모델이나 오픈소스 도구로도 충분히 처리할 수 있다. 물론 로컬 모델에는 한계가 있다. 설치와 운용 지식이 필요하고, 최신 프리미엄 모델보다 추론 품질이 낮을 수 있다. 하지만 작업을 등급별로 나누면 고급 모델 호출을 핵심 판단 순간에 남겨둘 수 있다.

세 번째 반격은 엄격한 문제 분해다. 자원이 부족한 사람은 기능을 통째로 묻는 습관을 버려야 한다. "서비스 하나 만들어줘"는 토큰이 많은 사람에게도 위험하지만, 토큰이 적은 사람에게는 치명적이다. 대신 책임 단위로 자른다. 인증, 권한, 입력 검증, 저장, 캐싱, 에러 처리, UI 상태를 분리한다. 각 단위마다 바뀌면 안 되는 불변 조건을 적는다. 그러면 작은 모델에도 맡길 수 있는 일과 반드시 고급 모델이 필요한 일이 구분된다.

네 번째 반격은 공동 사용 문화다. 개인이 프리미엄 계정을 살 수 없다면, 학교·동아리·연구실·지역 커뮤니티가 사용 패턴을 공유해야 한다. 좋은 프롬프트만 공유하는 것이 아니다. 실패한 프롬프트, 낭비된 호출, 잘못된 아키텍처, 롤백 사례를 공유해야 한다. 자원이 부족한 집단일수록 실패를 개인의 창피로 묻어두면 안 된다. 실패 기록이 곧 공동의 토큰 절약 장치다.

토큰을 나눠주기 전에 판단력을 가르쳐야 한다

정책과 교육의 목표는 단순히 계정을 더 많이 배포하는 데서 끝나면 안 된다. 물론 접근권 확대는 필요하다. 교육기관은 공급자와 협상해 더 낮은 가격과 공정한 이용 조건을 확보해야 하며, 저소득·1세대 학생이 비싼 프리미엄 도구에서 배제되지 않도록 지원해야 한다. 고등교육 현장에서도 AI 접근권을 형평성의 문제로 보고, 공동 구매, 교육 할인, 학생 대상 훈련, 책임 있는 사용 지침을 함께 설계해야 한다는 제안이 나오고 있다².

하지만 토큰 배분만으로는 부족하다. 판단력 없는 프리미엄 계정은 더 빠른 부채 생산기가 된다. 학생에게 고급 모델을 열어주면서, 동시에 다음 능력을 가르치지 않으면 격차는 다른 형태로 남는다.

첫째, 질문을 작업 단위로 자르는 능력이다. 둘째, AI 답변의 근거와 빈틈을 검토하는 능력이다. 셋째, 코드와 문서의 책임 경계를 읽는 능력이다. 넷째, 모델 성능과 작업 난도를 맞추는 능력이다. 다섯째, 출력물을 그대로 쓰지 않고 가지치기하는 능력이다. 이것이 AI 판단력이며 설계 문해력이다.

조직도 같은 원칙을 따라야 한다. API 크레딧을 배포하기 전에 팀의 사용 기준을 정해야 한다. 어떤 작업은 작은 모델로 처리할 것인가. 어떤 작업은 반드시 인간 리뷰를 거칠 것인가. 어떤 변경은 AI가 건드리면 안 되는가. 어떤 지표로 토큰당 가치를 볼 것인가. 이 질문 없이 크레딧을 뿌리면, 조직은 혁신을 산 것이 아니라 비용 변동성과 기술 부채를 산 것이다.

불평등을 인정하되, 패배의 이론으로 만들지 말라

접근성의 정치학은 두 개의 거짓말 사이를 걸어야 한다.

첫 번째 거짓말은 "AI는 누구에게나 열려 있으니 이제 모두 공평하다"는 말이다. 아니다. 프리미엄 모델, 긴 컨텍스트, 빠른 응답, 넉넉한 크레딧은 분명한 우위다. 이것은 학습량과 네트워크 효과를 통해 불평등을 확대할 수 있다.

두 번째 거짓말은 "돈이 없으면 끝났다"는 말이다. 이것도 아니다. 엘리트 빌더의 핵심 우위는 여전히 프롬프트 이전에 있다. 문제를 장면화하고, 책임을 자르고, 실패 흐름을 미리 보고, AI가 추측하지 못하게 경계를 세우는 능력은 계정에서 자동으로 나오지 않는다. 오히려 제한된 환경은 이 능력을 강제로 훈련시키기도 한다. 단, 그 제한이 너무 가혹해 학습 기회 자체를 말려버리지 않는다는 조건에서다.

그래서 우리가 요구해야 할 것은 두 가지다. 사회적으로는 더 공정한 AI 접근권을 요구해야 한다. 개인적으로는 더 높은 토큰 변환율을 훈련해야 한다. 하나만으로는 부족하다. 접근권 없는 판단력은 너무 느리게 성장한다. 판단력 없는 접근권은 너무 빠르게 무너진다.

다음에 AI를 켜기 전, 먼저 물어야 한다. 지금 내가 부족한 것은 토큰인가, 구조인가. 더 좋은 모델이 필요한가, 더 작은 문제 정의가 필요한가. 한 번 더 호출해야 하는가, 아니면 실패 기준을 먼저 써야 하는가. 이 질문을 건너뛰지 않는 사람이 토큰 격차의 시대에도 쉽게 지배당하지 않는다.

참고

¹UNESCO, AI literacy and the new Digital Divide

²Inside Higher Ed, Bridging the AI Divide: A Call to Action