우버
우버
Uber Technologies, Inc.(통칭 Uber, 한국어로 우버)는 모바일 애플리케이션 기반의 이동(승차 호출) 및 배달 등 플랫폼 서비스를 제공하는 기업이다. 사업 확장 과정에서 노동 분류(플랫폼 노동), 개인정보 처리, 규제 회피 의혹, 안전 및 직장문화 관련 논란이 반복적으로 공론화되어 왔다.
목차
역사와 사업 전개
데이터 유출과 프라이버시 이슈
법적·규제 분쟁과 주요 사건
기업 문화, 차별, 이용자 안전 논란
기업 운영과 재무
1. 역사와 사업 전개
Uber는 2009년경 서비스를 출발점으로 성장했으며, 이후 다수 국가와 도시로 진출하면서 승차 호출(ride-hailing)을 핵심 사업으로 확장했다.
2010년대 중반 이후에는 음식 배달(예: Uber Eats)과 물류 등으로 포트폴리오를 넓히는 동시에, 각국의 운송 규제 및 노동 규정과의 충돌이 빈번해졌다.
2017년에는 이사회가 Dara Khosrowshahi를 최고경영자(CEO)로 선임하며 조직 문화와 준법 체계 개선을 주요 과제로 제시했다.
2. 데이터 유출과 프라이버시 이슈
2.1 2016년 데이터 유출 및 은폐 논란
Uber는 2016년 발생한 대규모 개인정보 유출 사건의 공개 지연 및 대응 방식과 관련해 미국 각 주(및 워싱턴 D.C.)와의 합의금 지급 등 법적 책임을 부담했다.
이후 연방 검찰은 2016년 사건 은폐와 관련된 수사 결과에 따라 Uber와 비기소 합의(non-prosecution agreement)를 공표했으며,
당시 보안 책임자였던 전직 임원은 관련 형사 재판에서 유죄 평결 및 선고가 내려졌다.
2.2 개인정보 보호 규제 위반에 따른 제재
2024년에는 유럽에서 개인정보 보호법(GDPR) 관련 제재가 잇따랐다.
네덜란드 개인정보 감독기구는 운전자 정보 제공·열람 등 절차상의 의무 위반을 이유로 과징금을 부과했으며,
프랑스 감독기구(CNIL)와 유럽 개인정보보호이사회(EDPB) 관련 공지에서는 EU 역외(미국)로의 운전자 데이터 이전 문제를 중심으로 대규모 과징금이 발표되었다.
3. 법적·규제 분쟁과 주요 사건
3.1 기사(드라이버) 분류: 플랫폼 노동자(‘gig worker’) 논쟁
Uber는 다수 관할권에서 드라이버를 독립 계약자(자영업자)로 볼 것인지, 종속적 노동자(근로자)로 볼 것인지에 대한 분쟁의 중심에 있었다.
영국에서는 2021년 영국 대법원이 Uber 드라이버의 ‘worker’ 지위를 인정하는 판단을 확정했다.
미국 캘리포니아에서는 2024년 7월 25일 캘리포니아 대법원이 앱 기반 드라이버를 독립 계약자로 분류하는 체계(Prop 22)의 합헌성을 인정해 관련 논쟁에 큰 영향을 주었다.
EU에서는 2024년 10월 플랫폼 노동 지침 채택을 통해 플랫폼 노동의 고용관계 추정 및 알고리즘 관리 투명성 강화를 제도화했다.
3.2 반독점(antitrust) 소송
Uber의 가격 책정(예: 서지 프라이싱)과 알고리즘 기반 매칭·요금 구조가 경쟁법(반독점법)에 저촉된다는 취지의 민사 소송이 제기된 바 있다.
대표적으로 미국 연방법원에서 ‘Meyer v. Kalanick’ 사건이 진행되었고, 법원은 초기 단계에서 일부 청구를 기각하지 않고 심리 대상으로 남겨 두는 결정을 내린 바 있다.
3.3 Greyball 및 ‘킬 스위치(Ripley)’ 논란
2017년에는 규제 당국의 단속을 회피하기 위한 도구로 알려진 ‘Greyball’ 사용이 언론 보도로 확산되었고,
미국 법무부의 형사 수사(대배심 소환장 발부 보도 포함)로 이어졌다고 보도되었다.
또한 2015~2016년경 일부 국가에서 수사·단속 시 회사 시스템 접근을 차단하기 위한 ‘킬 스위치’(내부 코드명 ‘Ripley’) 운용 의혹이 제기되었고,
이후 관련 문서 유출 및 보도를 통해 논쟁이 재점화되었다.
3.4 임금 체불(임금 절도) 및 청구 관행 분쟁
2023년 11월 2일 뉴욕주에서는 운전자에게 전가된 세금·수수료 등을 둘러싼 ‘임금 절도(wage theft)’ 주장과 관련해
Uber와 Lyft가 총 3억 2,800만 달러 규모의 합의에 이르렀다고 보도되었고, 합의에는 일정한 노동 보호 조치도 포함되었다.
2025년 4월에는 미국 연방거래위원회(FTC)가 구독형 멤버십(예: Uber One) 관련 무단 청구 및 해지 절차의 기만성을 문제 삼아 소송을 제기했다고 발표했다.
4. 기업 문화, 차별, 이용자 안전 논란
4.1 시각장애 고객(안내견 동반) 차별
시각장애인이 안내견과 함께 탑승을 요청했을 때 드라이버가 배차를 거부하는 사례가 문제로 지적되었고,
2016년에는 안내견 동반 이용자 차별을 줄이기 위한 합의(settlement) 사례가 공개되었다.
이후에도 유사 분쟁이 중재·판결 등으로 이어졌다는 보도가 있었다.
4.2 성희롱·보복 및 직장문화 관련 법적 조치
2017년 전후로 직장 내 성희롱 및 보복 문제 제기가 사회적 이슈로 부각되었으며,
2019년에는 미국 고용평등위원회(EEOC)가 성희롱 및 보복 혐의와 관련해 Uber가 440만 달러 규모의 구제 기금을 조성하는 합의에 이르렀다고 발표했다.
4.3 승객 안전 및 성폭력 관련 대규모 소송(2024년 전후)
Uber는 승객 안전, 특히 성폭력 사건 대응 및 예방 조치와 관련해 장기간 비판을 받아 왔다.
미국에서는 ‘In re: Uber Technologies, Inc., Passenger Sexual Assault Litigation’로 알려진 연방 다구역 소송(MDL 3084)이 구성되어 사건이 집중 심리되었고,
2025년 7월에는 연방 판사가 일부 청구를 각하하는 동시에 일부 쟁점은 계속 심리 대상으로 남겨 두었다고 보도되었다.
Uber는 미국 안전 보고서(US Safety Report) 발간을 통해 성폭력 신고 통계 등 안전 지표를 공개해 왔다.
5. 기업 운영과 재무
Uber는 이동(Mobility), 배달(Delivery), 물류(Freight) 등 복수 사업 부문을 운영하며, ‘Gross Bookings’(거래총액)과 ‘Trips’(이용 건수) 등 플랫폼 지표를 핵심 성과로 제시해 왔다.
Uber의 투자자 공시에 따르면 2024 회계연도(12월 31일 종료) 기준 매출은 439억 7,800만 달러, 거래총액은 1,627억 7,300만 달러, 이용 건수(Trips)는 112억 7,300만 건으로 제시되었다.
같은 공시에서 2024년 순이익은 세무상 평가충당금 환입 등 일회성 요인의 영향을 받았다고 설명되었다.
2025년에도 분기 실적 공시를 통해 이용자 수, 거래총액, 조정 EBITDA 등의 지표가 업데이트되고 있다.
출처
Uber Investor Relations, “Uber Announces Results for Fourth Quarter and Full Year 2024” (2025-02-05): https://investor.uber.com/news-events/news/press-release-details/2025/Uber-Announces-Results-for-Fourth-Quarter-and-Full-Year-2024/default.aspx :contentReference[oaicite:0]{index=0}
Uber Investor Relations, “Uber Announces Results for Third Quarter 2025” (2025-11-04): https://investor.uber.com/news-events/news/press-release-details/2025/Uber-Announces-Results-for-Third-Quarter-2025/default.aspx :contentReference[oaicite:1]{index=1}
SEC EDGAR, Uber Technologies, Inc. Form 10-K (Year ended 2024-12-31): https://www.sec.gov/Archives/edgar/data/1543151/000154315125000008/uber-20241231.htm :contentReference[oaicite:2]{index=2}
Texas Attorney General, “AG Paxton Reaches $148 Million Settlement with Uber for Data Breach” (2018-09-26): https://www.texasattorneygeneral.gov/news/releases/ag-paxton-reaches-148-million-settlement-uber-data-breach :contentReference[oaicite:3]{index=3}
Reuters, “Uber to pay $148 million to settle data breach cover-up with U.S. states” (2018-09-26): https://www.reuters.com/article/world/uk/uber-to-pay-148-million-to-settle-data-breach-cover-up-with-us-states-idUSKCN1M62BQ/ :contentReference[oaicite:4]{index=4}
U.S. DOJ (NDCA), “Uber Enters Non-Prosecution Agreement Related to 2016 Breach” (2022-07-22): https://www.justice.gov/usao-ndca/pr/uber-enters-non-prosecution-agreement :contentReference[oaicite:5]{index=5}
U.S. DOJ (NDCA), “Former Chief Security Officer Of Uber Convicted…” (2022-10-05): https://www.justice.gov/usao-ndca/pr/former-chief-security-officer-uber-convicted-federal-charges-covering-data-breach :contentReference[oaicite:6]{index=6}
U.S. DOJ (NDCA), “Former Chief Security Officer Of Uber Sentenced…” (2023-05-05): https://www.justice.gov/usao-ndca/pr/former-chief-security-officer-uber-sentenced-three-years-probation-covering-data :contentReference[oaicite:7]{index=7}
Dutch Data Protection Authority (Autoriteit Persoonsgegevens), “Uber fined €10 million…” (2024-01-31): https://www.autoriteitpersoonsgegevens.nl/en/current/uber-fined-eu10-million-for-infringement-of-privacy-regulations :contentReference[oaicite:8]{index=8}
CNIL (France), “Data transfers outside the EU: UBER fined €290 million” (2024-08-26): https://www.cnil.fr/en/data-transfers-outside-eu-uber-fined-eu290-million :contentReference[oaicite:9]{index=9}
EDPB, “Dutch SA imposes a fine of 290 million euro on Uber…” (2024): https://www.edpb.europa.eu/news/news/2024/dutch-sa-imposes-fine-290-million-euro-uber-because-transfers-drivers-data-us_en :contentReference[oaicite:10]{index=10}
UK Supreme Court, “Uber BV and others v Aslam and others” (case page): https://www.supremecourt.uk/cases/uksc-2019-0029 :contentReference[oaicite:11]{index=11}
CalMatters, “Prop. 22 gig-work law upheld by California Supreme Court” (2024-07-25): https://calmatters.org/economy/2024/07/prop-22-california-gig-work-law-upheld/ :contentReference[oaicite:12]{index=12}
Reuters, “California’s Prop 22… is upheld but questions remain” (2024-08-22): https://www.reuters.com/legal/legalindustry/californias-prop-22-classifying-ride-sharing-drivers-independent-contractors-is-2024-08-22/ :contentReference[oaicite:13]{index=13}
Council of the EU, “Platform workers: Council adopts new rules…” (2024-10-14): https://www.consilium.europa.eu/en/press/press-releases/2024/10/14/platform-workers-council-adopts-new-rules-to-improve-their-working-conditions/ :contentReference[oaicite:14]{index=14}
Reuters, “Exclusive: Uber faces criminal probe over… Greyball” (2017-05-04): https://www.reuters.com/article/world/exclusive-uber-faces-criminal-probe-over-software-used-to-evade-authorities-idUSKBN1802U2/ :contentReference[oaicite:15]{index=15}
The Guardian, “Uber developed secret system… Ripley” (2018-01-11): https://www.theguardian.com/technology/2018/jan/11/uber-developed-secret-system-to-lock-down-staff-computers-in-a-police-raid :contentReference[oaicite:16]{index=16}
The Washington Post, “Uber used covert tech… ‘kill switch’” (2022-07-11): https://www.washingtonpost.com/technology/2022/07/10/uber-europe-raids-kill-switch/ :contentReference[oaicite:17]{index=17}
Justia (SDNY), ‘Meyer v. Kalanick’ docket entry (2016-03-31): https://law.justia.com/cases/federal/district-courts/new-york/nysdce/1%3A2015cv09796/451250/37/ :contentReference[oaicite:18]{index=18}
DRA (Disability Rights Advocates), “National Federation of the Blind of California, et al. v. Uber…” (case summary): https://dralegal.org/case/national-federation-of-the-blind-of-california-et-al-v-uber-technologies-inc-et-al/ :contentReference[oaicite:19]{index=19}
Forbes, “Uber Ordered To Pay $1.1 Million After Blind Woman Says…” (2021-04-01): https://www.forbes.com/sites/rachelsandler/2021/04/01/uber-ordered-to-pay-11-million-after-blind-rider-claims-drivers-refused-to-pick-her-up/ :contentReference[oaicite:20]{index=20}
EEOC, “Uber to Pay $4.4 Million to Resolve EEOC Sexual Harassment and Retaliation Charge” (2019-12-18): https://www.eeoc.gov/newsroom/uber-pay-44-million-resolve-eeoc-sexual-harassment-and-retaliation-charge :contentReference[oaicite:21]{index=21}
AP News, “Uber and Lyft to pay $328 million…” (2023-11-02): https://apnews.com/article/9ae3f629cf32d3f2fb6c39b8ffcc6cc6 :contentReference[oaicite:22]{index=22}
FTC, “FTC Takes Action Against Uber for Deceptive Billing and Cancellation Practices” (2025-04-21): https://www.ftc.gov/news-events/news/press-releases/2025/04/ftc-takes-action-against-uber-deceptive-billing-cancellation-practices :contentReference[oaicite:23]{index=23}
Reuters, “US judge dismisses some claims in Uber sexual assault lawsuits” (2025-07-09): https://www.reuters.com/legal/litigation/us-judge-dismisses-some-claims-uber-sexual-assault-lawsuits-2025-07-09/ :contentReference[oaicite:24]{index=24}
Uber, “US Safety Report” (reports page): https://www.uber.com/us/en/about/reports/us-safety-report/ :contentReference[oaicite:25]{index=25}
Uber Newsroom, “Uber’s New CEO” (2017-08-30): https://www.uber.com/en-DK/newsroom/ubers-new-ceo-3/ :contentReference[oaicite:26]{index=26}
엔지니어들이 CEO 다라 코스로샤히의 의사결정 패턴을 학습한 AI 챗봇 ‘Dara AI’를 자발적으로 만들어, 프레젠테이션 리허설 등 실무에 활용하고 있다. 소프트웨어 엔지니어 90%가 AI를 일상 업무에 쓰는 우버의 사례는 기업 AI 활용의 새로운 기준을 제시한다.
CEO를 복제한 AI 챗봇
우버(Uber) 엔지니어들이 CEO 다라 코스로샤히(Dara Khosrowshahi)를 모방한 AI 챗봇 ‘Dara AI’를 자발적으로 제작해 업무에 활용하고 있다. 코스로샤히는 지난 23일 스티븐 바틀렛(Steven Bartlett)이 진행하는 팟캐스트 ‘더 다이어리 오브 어 CEO(The Diary of a CEO)’에 출연해 이 사실을 직접 공개했다.
코스로샤히는 “한 팀원이 말해주길, 일부 팀들이 ‘Dara AI’를 만들었다고 한다. 내게 프레젠테이션하기 전에 Dara AI에게 먼저 발표 연습을 하는 것”이라고 밝혔다. 이어 “그들은 발표 준비를 다듬기 위해 Dara AI를 활용하고 있다”고 덧붙였다.
Dara AI는 단순한 챗봇이 아니다. 자연어 처리
자연어 처리
자연어 처리(NLP)란?
자연어 처리(NLP, Natural Language Processing)는 컴퓨터가 인간의 언어(자연어)를 이해·처리·생성하도록 하는 인공지능(AI) 분야다 (coderspace.io) (www.ciokorea.com). 즉, 컴퓨터를 사람처럼 프로그래밍하여 텍스트나 음성으로 된 언어 정보를 분석하고 자연스러운 언어로 반응하게 한다. 자연어 처리는 인간과 기계 간의 자연스러운 인터페이스를 제공하기 위해 발전해 왔으며 (coderspace.io) (www.spiceworks.com), 음성비서–검색엔진–번역기 등 다양한 응용 분야에서 주요한 역할을 한다. 실제로 의료·검색·비즈니스 인텔리전스 등 수많은 분야에서 자연어 처리 기술이 활용되고 있고 (www.techtarget.com) (www.techtarget.com), Siri나 Alexa 같은 음성비서, 챗봇, 자동 요약/번역 시스템 등 다양한 서비스는 NLP에 기반한다.
자연어 처리의 중요성은 인간-컴퓨터 상호작용을 획기적으로 개선한다는 데 있다. 텍스트나 음성으로 명령을 내릴 수 있게 되면서 사용자는 더 편리한 방식으로 기기와 소통할 수 있다 (coderspace.io). 예를 들어, 검색엔진에 키워드를 입력하여 원하는 정보를 찾거나, 자동 번역기로 외국어 문서를 즉시 이해하는 사례는 모두 NLP 기술 덕분이다. 세계적인 추세처럼 기업들도 고객감정 분석, 챗봇, 자동 요약 등 NLP 기반 애플리케이션에 투자하고 있다.
NLP의 역사와 발전
자연어 처리의 역사는 1950년대까지 거슬러 올라간다 (coderspace.io). 앨런 튜링의 “기계가 생각할 수 있는가?”(1950) 같은 초기 개념 연구를 시작으로, 1950년대에는 조지타운-IBM 번역 실험(1954) 등 기초적인 기계 번역 연구가 시도되었다. 초기 NLP 연구는 대부분 규칙 기반(rule-based) 모델에 의존했다. 1960~1970년대에는 사전에 정의된 문법 규칙과 패턴 매칭을 사용한 시스템(예: ELIZA, SHRDLU)이 주도했으며 (coderspace.io), 이 시기 자연어 처리는 주로 특정 도메인·도식에 맞춘 프로그래밍적 접근이 중심이었다.
1980년대 후반부터 컴퓨팅 파워와 말뭉치의 확산으로 통계적 기법이 도입되었다. 클로드 섀넌(Claude Shannon, 1948)의 연구처럼 확률적 모델(마르코프 체인, n-그램 등)이 언어 모델의 기초를 마련했고 (www.techtarget.com), 대규모 코퍼스를 활용한 히든 마르코프 모델(HMM)이나 최신 CRF 같은 통계 기반 기법이 등장했다. 1990년대에는 통계기반 기계 번역(SMT)과 음성인식 기술이 크게 성장했고, Penn Treebank 같은 말뭉치 데이터 구축과 지식 기반 평가가 활발했다.
2010년대를 전후로 딥러닝 기반 접근법이 NLP를 주도하게 되었다. 2013년 구글의 Word2Vec 논문 이후 단어 임베딩 기술과 RNN/LSTM 모델이 널리 쓰였고, 2017년 Transformer 구조(“Attention is All You Need”)가 등장한 이래 대규모 사전학습 언어 모델(LLM)들이 NLP의 성능을 비약적으로 끌어올렸다. 특히 2018년의 BERT, 2020년의 GPT-3 등의 모델은 인간 수준에 가까운 언어 이해・생성 능력을 보여주었다. 현재도 OpenAI의 GPT-4, Google의 PaLM2 등 수십억~수백억 개의 파라미터를 가진 모델이 NLP의 신규 패러다임을 주도하고 있다 (www.techtarget.com). NLP 기술은 지속적으로 발전 중이며, 각 시대를 대표하는 주요 연구 성과들이 실생활 응용의 토대가 되고 있다.
NLP의 주요 분야
자연어 처리 연구 및 응용은 매우 광범위하며, 주요 분야는 다음과 같다:
정보 검색 및 추출 (Information Retrieval & Extraction): 방대한 문서나 웹에서 사용자의 질의에 적합한 정보를 검색하거나, 문서 내에서 인물·장소·시간 같은 핵심 정보를 추출하는 분야다. 대표적으로 검색엔진(네이버, 구글)이나 질문응답 시스템(Q&A)이 이 분야에 속한다.
문장 및 문서 분류 (Text Classification): 텍스트를 특정 카테고리로 분류하는 작업이다. 예를 들어 스팸 메일 판별, 뉴스 기사 분류, 상품 리뷰의 긍·부정 감성 분류 등이 있다. 초기에 나이브 베이즈, SVM 등의 통계적 분류기가 활용되었고, 최근에는 신경망 기반 모델이 뛰어난 결과를 내고 있다.
품사 태깅 및 구문 분석 (POS Tagging & Parsing): 문장을 구성하는 각 단어에 품사 정보(Morpheme, 어근, 접사 등)를 붙이고, 구(phrase)나 문장 구조를 분석하는 작업이다. 특히 교착어인 한국어에서는 형태소 분석(어절 → 어간/어미/조사 분해)과 의존 구문 분석이 매우 중요하다. Komoran·Kkma·Mecab과 같은 한국어 분석기와 Stanford NLP, spaCy 등의 글로벌 툴을 통해 품사 태깅 및 문장 구조 분석이 이루어진다.
감정 분석 및 의미역 결정 (Sentiment Analysis & Semantic Role Labeling): 텍스트에 담긴 주관적 감정이나 의견의 극성을 판별하는 감정 분석은, 리뷰·SNS 등에서 여론을 파악하는 데 활용된다 (aibasics.jeju.ai). 의미역 결정(SRL)은 문장에서 술어(predicate)와 그에 대응하는 주체·대상 등의 논항(argument)을 식별하여 “누가(who)가 무엇을(what) 누구에게(with whom) 어떻게(actioned)” 등의 역할을 해석하는 기술이다 (arxiv.org). 예를 들어 “철수가 사과를 먹었다”라는 문장에서 ‘철수’는 주체(agent), ‘사과’는 대상(theme)의 의미역을 가진다. 이러한 기술은 기계 독해, 텍스트 요약, 번역 등 고급 언어이해에 필수적이다.
음성 인식 및 대화 시스템 (Speech Recognition & Dialogue Systems): 음성인식 기술은 마이크로폰 입력을 실시간으로 텍스트로 변환한다. 이 텍스트를 NLP로 처리해 음성비서(시리, 알렉사 등)나 챗봇이 자연스러운 응답을 하도록 한다. 기업 고객센터의 봇 상담, 스마트 스피커 기반 대화 에이전트 등이 여기에 속한다. 자연어 처리 기술과 음성 처리 기술(음성인식, TTS)이 결합되어 인간-컴퓨터 대화가 가능합니다 (www.techtarget.com).
기계 번역 (Machine Translation): 한 언어로 쓰인 텍스트를 다른 언어로 자동 변환하는 분야다. 역사적으로 1950년대 구문 기반 번역에서 출발해, 1990년대에 IBM 모델 같은 통계적 번역, 2000년대 말부터 통계를 개선한 구문 통계 모델(Phrase-Based MT)이 주류였다. 최근 딥러닝 시대에는 시퀀스-투-시퀀스(Seq2Seq)와 어텐션 메커니즘 기반의 신경망 번역(NMT)이 널리 쓰인다. 대표적인 서비스로는 구글 번역, 네이버 파파고, 딥엘(DeepL) 등이 있고, WMT(Workshop on MT) 등 국제 학회에서는 매년 기계 번역 경진대회를 통해 최첨단 연구를 선보인다. 기계번역 연구는 계속 발전 중이며, 최근에는 대화체·전문용어를 다루는 분야까지 빠르게 확장되고 있다.
언어 모델과 기술적 접근
자연어 처리에서 언어 모델(language model)은 문장에서 단어들이 어느 정도로 등장할 확률인지를 모델링하는 핵심 개념이다 (www.techtarget.com). 예를 들어 문장 “오늘 날씨가 정말 맑다.”와 같은 시퀀스의 발생 확률을 추정하여, 다음에 올 단어를 예측하거나 문장 전체의 자연스러움을 판단한다. 최근 대형 언어 모델(LLM)은 수십억 개 이상의 학습 파라미터를 활용하여 방대한 말뭉치를 학습한 후, 고품질의 텍스트 생성과 이해 능력을 보여주고 있다 (www.techtarget.com).
NLP 시스템은 크게 규칙 기반(Rule-based), 통계 기반(Statistical), 딥러닝 기반(Deep Learning) 접근법으로 구분된다.
규칙 기반: 초기 NLP 시스템이 주로 사용한 방식으로, 전문가가 정의한 문법 규칙과 어휘 사전을 사용한다. 예를 들어 문법 규칙을 기반으로 품사 분류기나 패턴 매칭 챗봇을 직접 설계하는 방식이다.
통계 기반: 말뭉치(코퍼스)에 나타난 언어 패턴을 통계적으로 학습하는 방식이다. n-그램 모델, 히든 마르코프 모델(HMM), 조건부 랜덤장(CRF) 등이 이 예다. 말뭉치에서 빈도와 상관관계를 분석하여 확률 모델을 생성한다. 예를 들어 HMM 기반 품사 태깅이나 CRF 기반 개체명 인식기가 여기에 속한다.
딥러닝 기반: 인공신경망을 사용한 접근으로, 최근 NLP에서 가장 널리 사용된다. 텍스트를 수치 벡터로 임베딩한 뒤 RNN, LSTM, CNN, Transformer 등의 구조로 학습한다. 특히 Transformer 기반 모델은 자기주의(attention) 메커니즘을 사용하여 문맥 간 관계를 모두 고려할 수 있다. 현대 NLP 연구의 대부분은 이들 딥러닝 모델을 중심으로 이루어지며, Hugging Face의 Transformers 라이브러리처럼 다양한 구현체도 활발히 개발되고 있다.
언어 모델에서 통계적 기법의 기원은 마르코프 체인과 n-그램 모델에 있다. 섀넌(Shannon)은 통신이론(1948)에서 마르코프 과정으로 영문 텍스트 확률을 모형화했고 (www.techtarget.com), n-그램 모델은 여전히 언어 모델의 기본 개념으로 사용된다.
NLP의 과제와 평가
자연어 처리는 인간 언어의 복잡성과 다양성으로 인한 여러 과제에 직면해 있다. 문맥과 뉘앙스 이해의 한계가 대표적인 어려움이다. 일상 언어에는 풍자, 중의어, 비꼼 등의 표현이 많아 기계가 정확히 해석하기 어렵다. 게다가 동일한 단어라도 상황에 따라 의미가 달라지는 경우가 많아, 이를 모델에 반영하는 것은 여전히 도전 과제로 남아 있다 (coderspace.io). 이 밖에도 방대한 어휘, 철자변형, 방언, 다국어 지원 등도 해결해야 할 문제다. 최근에는 대규모 모델에 내재할 수 있는 편향(bias)과 윤리성(ethical) 문제도 중요한 이슈로 부상했다. 예를 들어 자동 요약이나 번역 결과에 인종·성별 편향이 나타날 수 있어, 이를 방지하려는 연구가 진행 중이다 (coderspace.io).
NLP 시스템의 성능 평가는 작업별로 다양한 지표를 사용한다. 일반적인 분류 작업에서는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-스코어 등을 사용한다. 기계 번역과 같은 생성(generative) 작업에서는 BLEU(Bilingual Evaluation Understudy) 지표를 사용해 기계 번역 결과와 사람 번역(레퍼런스)의 n-그램 일치도를 계산한다 (oecd.ai). 요약(Summarization) 평가에는 ROUGE가 통상 사용된다. 언어 모델 평가에는 Perplexity(혼잡도)가 널리 쓰이는데, 이는 모델이 테스트 데이터 시퀀스를 얼마나 잘 예측하는지 나타내는 지표다 (www.baeldung.com). 퍼플렉시티 값이 낮을수록 모델이 문맥을 잘 예측함을 의미한다. 최근에는 단일 지표뿐 아니라 인간 평가(human eval), BLEURT·BERTScore 같은 학습 기반 평가지표도 함께 사용하여 모델 품질을 보다 면밀히 평가한다.
산업별 NLP 활용 사례
NLP 기술은 거의 모든 산업 분야에서 활용되고 있다. 기업들은 텍스트와 음성 데이터를 분석하여 운영 효율화, 의사결정 지원, 고객 서비스 개선 등을 수행한다.
헬스케어(의료): 의료 분야는 방대한 비정형 데이터를 생산한다. 예를 들어 전자건강기록(EHR)의 약 80%가 자유 텍스트 형태로 존재한다 (bmcmedinformdecismak.biomedcentral.com). 의료진은 NLP를 통해 진료 기록에서 진단, 투약, 검사 결과 등을 자동으로 추출한다. 이를 통해 환자 기록 정리 시간이 단축되고, 임상 의사결정 지원 시스템이 가능해진다. 최근에는 환자 설문·문진표 분석, 의료 챗봇(환자 상담)이 실용화되고 있다.
금융: 금융권에서는 고객 문의 자동 응답, 음성 상담 분석, 뉴스・소셜미디어의 시장 심리 분석 등이 NLP를 통해 이루어진다. 부정거래/사기 탐지 분야에서도 NLP가 사용된다. Lumenalta 조사에 따르면, 기업들은 고객 감정 분석과 사기 탐지 강화 등에 NLP를 활용하여 의사결정 속도를 높이고 리스크를 줄인다 (lumenalta.com).
제조 및 생산 관리: 공장 등 제조업에서는 보고서, 정비 이력, 품질 검사 결과 문서를 NLP로 분석한다. 예를 들어, 설비 유지보수 설명서나 결함 리포트에서 핵심 정보를 추출해 공정 개선에 활용한다. 텍스트 마이닝 기법으로 공급망 문서를 분석하여 운송 지연이나 수급 문제를 예측하기도 한다.
전자상거래 및 마케팅: 온라인 쇼핑과 서비스 리뷰, 소셜미디어 댓글에서 고객 피드백을 분석하여 상품 개선, 타겟 마케팅, 브랜드 평판 관리에 사용된다. 감정 분석을 통해 제품/캠페인에 대한 여론(긍정·부정)을 판단할 수 있다 (lumenalta.com). 또한, 자동 요약 기술로 방대한 고객 리뷰에서 핵심 의견을 추려내 광고 문구나 상품 설명에 반영한다.
고객 서비스 및 미디어: 콜센터 자동응답(IVR), 챗봇 고객 상담, 소셜미디어 모니터링 등에 활용된다. 예를 들어 통신사나 보험사 콜센터는 NLP 기반 챗봇으로 단순 상담을 자동화해 인력 부담을 줄인다. 언론사와 마케팅 회사는 뉴스·블로그·SNS에 나타난 브랜드 언급을 분석해 트렌드를 파악한다.
다양한 산업을 막론하고, NLP 적용으로 업무 처리가 빨라지고 오류가 감소하며 비용이 절감되는 효과가 보고되고 있다. 예를 들어 Lumenalta의 보고서에 따르면, 기업들은 NLP를 도입하여 운영비용을 절감하고 분석 정확도를 높였다고 한다 (lumenalta.com). 이처럼 NLP는 데이터가 쌓이는 거의 모든 영역에서 정보 자산을 효율적으로 활용할 수 있도록 돕는다.
NLP 관련 자원과 학습 자료
NLP 연구 및 개발에 유용한 자원과 학습 자료도 다양하다.
학술대회 및 학회지: 국제적으로 유명한 NLP 학회로는 매년 개최되는 ACL(Computational Linguistics), EMNLP, NAACL, COLING 등이 있다. 기계 번역에 특화된 WMT, 음성·대화 관련 ICASSP 등이 대표적이다. 국제 학술지로는 Computational Linguistics, Transaction of the ACL (TACL), Journal of NLP 등이 있다. 국내에서는 한국코퍼스언어학회(KACL) 학술대회나 한국정보과학회 언어공학 연구회(한글·한국어처리 세션) 등이 관련 연구 발표의 장이다. 이 외에도 AAAI, NeurIPS, ICML 등의 AI 학회에서도 NLP 관련 워크숍이 활발히 열린다.
오픈소스 소프트웨어 및 라이브러리: 연구자·개발자를 위한 여러 도구가 공개되어 있다. 영어권에서는 NLTK, spaCy, Stanford CoreNLP, AllenNLP, HuggingFace Transformers, OpenNMT, Fairseq 등 라이브러리가 널리 사용된다. 한국어 처리를 위한 KoNLPy, KoBERT, KoGPT 등의 라이브러리와 사전학습 모델도 제공된다. 예를 들어 SKT에서 공개한 KoBERT, 카카오브레인의 KoGPT 등의 언어 모델이 있다. 음성인식 분야는 Kaldi, ESPnet, DeepSpeech 같은 툴킷이 쓰이며, 기계 번역은 MarianNMT, OpenNMT 등으로 연구를 수행한다. 또한 대규모 말뭉치 및 사전학습 모델은 Hugging Face 모델 허브나 AI Hub(한국정보화진흥원) 등을 통해 공개된다.
말뭉치(코퍼스) 및 데이터셋: 각종 자연어 처리 작업을 위해 공개 데이터셋이 제공된다. 예를 들어 기계번역에는 WMT 데이터, 개체명 인식에는 CoNLL 2003, 자연어 이해에는 SQuAD나 GLUE 벤치마크, 감정 분석에는 IMDB/NSMC 영화리뷰 데이터 등이 있다. 한국어 자원으로는 고려대학교/카이스터의 나무위키 말뭉치, AIHub의 한국어 번역·챗봇 데이터, NAVER Movie 리뷰 데이터 등이 있다. Kaggle, TensorFlow Dataset, Hugging Face Datasets 같은 플랫폼에서도 다양한 언어 데이터셋을 찾아볼 수 있다.
강의와 교재: 스탠퍼드대의 CS224n, 코세라의 NLP 과정 등 온라인 강의가 많으며, 고전적인 교재로는 Jurafsky & Martin의 Speech and Language Processing 등이 있다. 한국어로는 자연어처리 개론 등 국내 교재와 공개강의가 제공된다.
자연어 처리는 빠르게 진화하는 분야이므로, 최신 학회 논문·블로그·오픈소스 자료를 꾸준히 참고하는 것이 중요하다. 위에 언급한 학회와 리소스들을 활용하면 NLP의 원리와 응용을 효과적으로 공부할 수 있다.
참고 문헌
Alexander S. Gillis et al., “What is Natural Language Processing (NLP)?”, SearchEnterpriseAI (TechTarget) (2024) (www.techtarget.com) (www.techtarget.com).
배종윤, “자연어 처리란? 비즈니스에 어떻게 활용하나?”, CIO Korea (2018) (www.ciokorea.com).
FastCampus 기고, “자연어처리(NLP)가 한국어에서 특히 어려운 4가지 이유”, (2025) (media.fastcampus.co.kr).
Coderspace Blog, “A Brief History of Natural Language Processing” (Apr 28, 2025) (coderspace.io) (coderspace.io) (coderspace.io).
OECD AI Observatory, “Bilingual Evaluation Understudy (BLEU)”, (2023) (oecd.ai).
Baeldung on Computer Science, “Evaluating Language Models Using Perplexity” (2024) (www.baeldung.com).
Chen et al., “Semantic Role Labeling: A Systematical Survey”, arXiv:2502.08660 (2025) (arxiv.org).
제주대학교 AI Basics, “자연어처리 기법” (강의자료) (aibasics.jeju.ai).
Lumenalta 블로그, “27 Natural Language Processing Use Cases by Industry”, (Jan 17, 2025) (lumenalta.com) (lumenalta.com).
Makebot AI 블로그, “의료 분야에서의 자연어 처리 사용 사례” (Apr 2, 2025) (www.makebot.ai) (bmcmedinformdecismak.biomedcentral.com).
Lin et al., “Natural language processing data services for healthcare providers”, BMC Med Inform Decis Mak 24:356 (2024) (bmcmedinformdecismak.biomedcentral.com).
Payoda Technology Inc., “Top Use Cases of Natural Language Processing (NLP) in 2024” (Mar 4, 2025) (payodatechnologyinc.medium.com).
(NLP)와 패턴 인식 기술을 기반으로 CEO의 과거 의사결정 패턴을 분석하고, 우버의 전략적 우선순위에 대한 맥락 인식 기능까지 갖추고 있다. 실제 회의 결과를 피드백으로 통합해 지속적으로 정확도를 높이는 구조다.
엔지니어 90%가 AI 활용
우버의 AI 도입 수준은 업계에서도 돋보인다. 소프트웨어 엔지니어의 90%가 일상 업무에 AI 도구를 사용하고 있으며, 이 가운데 30%는 ‘파워 유저’로 분류된다. 파워 유저들은 단순히 AI를 보조 도구로 쓰는 수준을 넘어 회사 아키텍처 자체를 AI 중심으로 재설계하고 있다.
코스로샤히는 “AI는 이전에 한 번도 본 적 없는 방식으로 생산성을 변화시키고 있다”고 강조하며, AI를 통해 엔지니어 생산성이 25% 향상될 수 있다고 내다봤다. 주목할 점은 AI 도입에도 불구하고 감원이 아닌 증원을 택했다는 것이다. 그는 “더 많은 엔지니어를 채용하고 싶다. 더 빠르게 나아가고 싶기 때문”이라고 말했다.
| 항목 | 수치 |
|---|---|
| AI 도구 사용 엔지니어 비율 | 90% |
| AI 파워 유저 비율 | 30% |
| AI 생산성 향상 전망 | 25% |
| AI 인간 업무 대체 전망 (10년 내) | 70~80% |
| 자율주행
자율주행 목차 1. 자율주행의 개념 및 분류 2. 자율주행 기술의 역사와 발전 과정 3. 자율주행의 핵심 기술 및 원리 4. 주요 활용 사례 및 응용 분야 5. 현재 동향 및 상용화 수준 6. 자율주행 기술의 미래 전망 및 기대 효과 1. 자율주행의 개념 및 분류 자율주행은 차량이 운전자의 조작 없이 주변 환경을 인지하고, 주행 상황을 판단하며, 스스로 차량을 제어하여 목적지까지 이동하는 기술을 의미한다. 이는 단순한 운전자 보조 시스템을 넘어, 차량 자체의 지능적인 판단과 행동을 통해 안전하고 효율적인 이동을 구현하는 것을 목표로 한다. 자율주행 기술은 그 발전 수준에 따라 국제적으로 표준화된 분류 체계를 따르는데, 이는 미국 자동차 공학회(SAE, Society of Automotive Engineers)에서 정의한 6단계(레벨 0~5) 분류가 가장 널리 사용된다. 1.1. SAE 자율주행 레벨 분류 SAE 분류는 주행 중 운전자의 개입 정도와 시스템이 담당하는 주행 기능의 범위를 기준으로 자율주행 단계를 나눈다. 각 레벨은 다음과 같다. 레벨 0 (자동화 없음, No Automation): 운전자가 모든 주행 기능을 직접 제어하는 단계이다. 차량은 어떠한 자율주행 기능도 제공하지 않는다. 레벨 1 (운전자 보조, Driver Assistance): 특정 주행 모드에서 시스템이 운전자를 보조하는 단계이다. 예를 들어, 어댑티브 크루즈 컨트롤(ACC)이나 차선 유지 보조(LKA) 기능이 이에 해당한다. 운전자는 여전히 주변 환경을 주시하고, 언제든 차량 제어권을 넘겨받을 준비를 해야 한다. 레벨 2 (부분 자동화, Partial Automation): 시스템이 조향과 가감속 등 두 가지 이상의 주행 기능을 동시에 수행하는 단계이다. 테슬라의 오토파일럿이나 현대차의 고속도로 주행 보조(HDA) 등이 대표적이다. 하지만 운전자는 여전히 주행 환경을 모니터링하고, 시스템이 요청하거나 비상 상황 발생 시 즉시 개입해야 한다. 레벨 3 (조건부 자동화, Conditional Automation): 특정 조건 하에서 시스템이 모든 주행 기능을 수행하고 주변 환경을 모니터링하는 단계이다. 운전자는 시스템이 안전하게 작동할 수 있는 특정 조건(예: 고속도로 주행) 내에서는 운전에서 자유로울 수 있다. 그러나 시스템이 주행 불가능 상황을 감지하고 운전자에게 개입을 요청하면, 운전자는 제한된 시간 내에 제어권을 넘겨받아야 한다. 혼다의 레전드와 메르세데스-벤츠의 드라이브 파일럿이 레벨 3 시스템을 상용화한 사례이다. 레벨 4 (고도 자동화, High Automation): 특정 운행 설계 영역(ODD, Operational Design Domain) 내에서 시스템이 모든 주행 기능을 수행하며, 운전자의 개입 없이 비상 상황에도 스스로 대처할 수 있는 단계이다. 운전자는 ODD 내에서는 운전석에 앉아있을 필요조차 없으며, 시스템이 운행 불가능 상황을 감지하더라도 안전하게 차량을 정지시킬 수 있다. 로보택시 서비스 등이 레벨 4를 목표로 개발되고 있다. 레벨 5 (완전 자동화, Full Automation): 모든 도로 조건과 환경에서 시스템이 모든 주행 기능을 수행하는 단계이다. 운전자의 개입이 전혀 필요 없으며, 사실상 운전대나 페달이 없는 차량도 가능해진다. 이는 인간 운전자가 할 수 있는 모든 주행을 시스템이 완벽하게 대체하는 궁극적인 자율주행 단계이다. 2. 자율주행 기술의 역사와 발전 과정 자율주행 기술의 역사는 20세기 중반으로 거슬러 올라간다. 초기에는 주로 군사적 목적이나 자동화된 운송 시스템 연구의 일환으로 시작되었다. 2.1. 초기 연구 및 개념 정립 (1950년대 ~ 1980년대) 1950년대에는 제너럴 모터스(GM)가 '미래의 고속도로(Future Highway)'라는 개념을 제시하며, 도로에 매설된 전선을 통해 차량을 제어하는 아이디어를 선보였다. 이는 오늘날 자율주행의 초기 구상으로 볼 수 있다. 1980년대에는 카네기 멜론 대학교의 ALVINN(Autonomous Land Vehicle In a Neural Network) 프로젝트가 신경망을 이용해 도로를 인식하고 주행하는 연구를 진행하며 인공지능의 가능성을 보여주었다. 2.2. DARPA 챌린지 및 센서 기술 발전 (2000년대) 자율주행 기술 발전에 결정적인 전환점이 된 것은 미국 국방부 산하 방위고등연구계획국(DARPA)이 주최한 'DARPA 그랜드 챌린지'와 '어반 챌린지'이다. 2004년부터 시작된 이 대회들은 무인 차량이 사막이나 도시 환경에서 정해진 코스를 완주하는 것을 목표로 했으며, 라이다(LiDAR), 레이더(Radar), 카메라 등 다양한 센서 기술과 인공지능 기반의 환경 인식 및 경로 계획 기술 발전을 촉진했다. 스탠퍼드 대학교의 '스탠리(Stanley)'와 카네기 멜론 대학교의 '보스(Boss)' 등이 이 대회를 통해 자율주행 기술의 실현 가능성을 입증했다. 2.3. 인공지능 및 빅데이터 도입 (2010년대) 2010년대에 들어서면서 딥러닝을 비롯한 인공지능 기술의 비약적인 발전과 컴퓨팅 파워의 증가는 자율주행 기술 발전에 가속도를 붙였다. 구글(현 웨이모)은 2009년부터 자율주행차 프로젝트를 시작하며 실제 도로 주행 데이터를 대규모로 수집하고, 이를 기반으로 인공지능 알고리즘을 고도화했다. 테슬라는 카메라 기반의 비전 시스템과 인공지능을 활용한 자율주행 기술을 개발하며 상용차에 적용하기 시작했다. 이 시기에는 고정밀 지도 기술과 V2X(Vehicle-to-everything) 통신 기술의 중요성도 부각되었다. 2.4. 상용화 경쟁 심화 (2020년대 이후) 현재는 레벨 2, 3 수준의 자율주행 기능이 상용차에 폭넓게 적용되고 있으며, 레벨 4 수준의 로보택시 서비스가 일부 지역에서 시범 운영되거나 상용화 초기 단계에 진입했다. 웨이모, 크루즈(Cruise), 바이두(Baidu) 등은 특정 지역에서 운전자 없는 로보택시 서비스를 제공하며 기술의 안정성과 신뢰성을 입증하고 있다. 완성차 제조사들은 물론, 엔비디아(NVIDIA), 인텔(Intel) 모빌아이(Mobileye)와 같은 반도체 및 소프트웨어 기업들도 자율주행 시장의 주도권을 잡기 위해 치열하게 경쟁하고 있다. 3. 자율주행의 핵심 기술 및 원리 자율주행 시스템은 크게 주변 환경을 인지하는 센서, 수집된 데이터를 분석하고 판단하는 인공지능, 정확한 위치를 파악하는 고정밀 지도 및 측위 기술, 그리고 차량을 제어하는 제어 시스템으로 구성된다. 이 네 가지 핵심 기술이 유기적으로 결합하여 자율주행을 가능하게 한다. 3.1. 환경 인지 센서 기술 자율주행차는 사람의 눈과 같은 역할을 하는 다양한 센서를 통해 주변 환경을 인식한다. 카메라 (Camera): 차량 주변의 시각 정보를 수집하여 차선, 신호등, 표지판, 보행자, 다른 차량 등을 식별한다. 색상 정보를 얻을 수 있고 비용이 저렴하며 해상도가 높다는 장점이 있지만, 빛의 변화(역광, 터널), 날씨(안개, 비, 눈)에 취약하다는 단점이 있다. 레이더 (Radar): 전파를 발사하여 물체에 반사되어 돌아오는 시간을 측정해 물체와의 거리, 속도, 방향을 감지한다. 날씨 변화에 강하고 장거리 감지에 유리하며, 특히 전방 충돌 방지 시스템(FCW)이나 어댑티브 크루즈 컨트롤(ACC)에 필수적으로 사용된다. 하지만 물체의 형상을 정확히 파악하기 어렵다는 한계가 있다. 라이다 (LiDAR): 레이저 펄스를 발사하여 반사되는 시간을 측정해 주변 환경의 3D 지도를 생성한다. 매우 정밀한 거리 및 형태 정보를 제공하며, 야간에도 뛰어난 성능을 발휘한다. 자율주행차의 '눈' 또는 '뇌'의 핵심 센서로 불리지만, 높은 비용과 날씨에 따른 성능 저하 가능성이 단점으로 지적된다. 초음파 센서 (Ultrasonic Sensor): 주로 근거리 물체 감지에 사용되며, 주차 보조 시스템이나 저속 주행 시 장애물 감지에 활용된다. 3.2. 인공지능 및 머신러닝 다양한 센서에서 수집된 방대한 데이터는 인공지능(AI)과 머신러닝(ML) 알고리즘을 통해 분석되고 해석된다. 이는 자율주행차의 '뇌' 역할을 한다. 데이터 융합 (Sensor Fusion): 각 센서의 장단점을 보완하기 위해 여러 센서에서 얻은 데이터를 통합하여 보다 정확하고 신뢰성 있는 환경 모델을 구축한다. 예를 들어, 카메라의 시각 정보와 라이다의 3D 거리 정보를 결합하여 물체의 종류와 위치를 더욱 정확하게 파악한다. 객체 인식 및 분류 (Object Detection & Classification): 딥러닝 기반의 컴퓨터 비전 기술을 활용하여 이미지 및 3D 포인트 클라우드 데이터에서 차량, 보행자, 자전거, 차선, 신호등 등을 실시간으로 감지하고 분류한다. 경로 계획 및 의사 결정 (Path Planning & Decision Making): 인식된 환경 정보와 고정밀 지도를 바탕으로 안전하고 효율적인 주행 경로를 계획한다. 이는 예측 알고리즘을 통해 다른 차량이나 보행자의 움직임을 예측하고, 이에 따라 차선 변경, 속도 조절, 정지 등의 의사결정을 내리는 과정을 포함한다. 강화 학습(Reinforcement Learning)과 같은 고급 AI 기술이 활용되기도 한다. 3.3. 고정밀 지도 및 측위 기술 자율주행차는 정확한 위치 파악과 주변 환경에 대한 상세한 정보를 위해 고정밀 지도(HD Map)와 정밀 측위 기술을 필요로 한다. 고정밀 지도 (HD Map): 일반 내비게이션 지도보다 훨씬 정밀한 정보를 제공한다. 차선 정보, 도로 경계, 신호등 위치, 표지판, 노면 표시, 심지어 가로수나 건물과 같은 주변 지형지물까지 센티미터 단위의 정확도로 포함한다. 이는 센서의 한계를 보완하고, 차량이 현재 위치를 정확히 파악하며, 미리 경로를 계획하는 데 필수적이다. 정밀 측위 (Precise Positioning): GPS(GNSS) 신호와 함께 IMU(관성 측정 장치), 휠 속도 센서, 카메라, 라이다 등 다양한 센서 데이터를 융합하여 차량의 정확한 위치를 실시간으로 파악한다. 특히 RTK(Real-Time Kinematic) GPS나 PPP(Precise Point Positioning)와 같은 기술은 GPS 오차를 보정하여 수 센티미터 수준의 정밀한 위치 정보를 제공한다. 3.4. 제어 시스템 (Drive-by-Wire) 자율주행 시스템의 판단과 계획에 따라 차량을 실제로 움직이는 것이 제어 시스템이다. 이는 'Drive-by-Wire' 기술을 기반으로 한다. 전자식 제어 (Electronic Control): 기존의 기계식 연결(스티어링 휠과 바퀴, 브레이크 페달과 브레이크 등)을 전기 신호로 대체하는 기술이다. 스티어 바이 와이어(Steer-by-Wire), 브레이크 바이 와이어(Brake-by-Wire), 스로틀 바이 와이어(Throttle-by-Wire) 등이 이에 해당한다. 이를 통해 자율주행 시스템이 차량의 조향, 가속, 제동을 정밀하게 제어할 수 있게 된다. 차량 동역학 제어 (Vehicle Dynamics Control): 차량의 안정성과 승차감을 유지하면서 경로를 정확하게 추종하도록 제어한다. 이는 속도 제어, 차선 유지 제어, 장애물 회피 제어 등 다양한 하위 제어 알고리즘을 포함한다. 4. 주요 활용 사례 및 응용 분야 자율주행 기술은 단순히 개인 승용차를 넘어 다양한 운송 및 물류 분야에서 혁신적인 변화를 가져오고 있다. 4.1. 승용차 및 대중교통 개인 승용차: 현재 레벨 2 수준의 자율주행 기능(고속도로 주행 보조, 차선 변경 보조 등)이 고급차종을 중심으로 보편화되고 있으며, 테슬라와 같은 일부 제조사는 레벨 3에 준하는 기능을 제공하며 운전자의 편의성을 높이고 있다. 미래에는 완전 자율주행 승용차가 보편화되어 운전자가 운전에서 완전히 해방되는 시대를 열 것으로 기대된다. 로보택시 (Robotaxi): 레벨 4 수준의 자율주행 기술을 기반으로 운전자 없이 승객을 운송하는 서비스이다. 웨이모(Waymo), 크루즈(Cruise), 바이두(Baidu) 등은 미국 피닉스, 샌프란시스코, 중국 베이징 등 일부 도시에서 로보택시 서비스를 상용화하거나 시범 운영하고 있다. 이는 대중교통의 효율성을 높이고, 이동 약자의 접근성을 개선하며, 교통 체증 및 주차 문제 해결에 기여할 것으로 보인다. 자율주행 셔틀: 특정 구간을 정기적으로 운행하는 자율주행 셔틀버스도 상용화되고 있다. 공항, 대학 캠퍼스, 산업 단지, 신도시 등에서 고정된 노선을 운행하며 대중교통의 보조적인 역할을 수행한다. 국내에서도 세종시, 순천만국가정원 등에서 자율주행 셔틀이 운영된 바 있다. 4.2. 물류 및 배송 자율주행 트럭: 장거리 운송에 특화된 자율주행 트럭은 물류 비용 절감, 운전자 피로도 감소, 운행 시간 증대 등의 이점을 제공한다. 투심플(TuSimple), 오로라(Aurora) 등은 고속도로를 중심으로 자율주행 트럭 운송 서비스를 개발 및 시범 운영하고 있다. 배송 로봇: 라스트마일(Last-mile) 배송에 활용되는 자율주행 배송 로봇은 도심이나 아파트 단지 내에서 소규모 물품을 배송한다. 이는 인력난 해소와 배송 효율성 증대에 기여하며, 국내에서도 우아한형제들의 '딜리'와 같은 배송 로봇이 시범 운영되고 있다. 4.3. 기타 운송수단 철도: 지하철, 경전철 등 도시 철도 시스템에서는 이미 높은 수준의 무인 운전 시스템이 적용되고 있다. 이는 정시성 확보와 운영 효율성 증대에 크게 기여한다. 항공기: 항공기는 이륙 및 착륙 시 조종사의 개입이 필요하지만, 순항 비행 중에는 오토파일럿 시스템을 통해 상당 부분 자율 비행이 이루어진다. 미래에는 완전 자율 비행 항공기 및 드론 택시(UAM) 개발이 활발히 진행될 것으로 예상된다. 선박: 자율운항 선박은 항해 중 충돌 회피, 경로 최적화, 연료 효율 증대 등을 목표로 개발되고 있다. 현대중공업그룹의 아비커스(Avikus)는 대형 선박의 자율운항 솔루션을 개발하며 상용화를 추진 중이다. 5. 현재 동향 및 상용화 수준 현재 자율주행 기술은 빠른 속도로 발전하며 상용화 단계를 밟고 있으나, 완전 자율주행(레벨 5)에 도달하기까지는 여전히 많은 과제가 남아있다. 5.1. 상용화 현황 및 주요 기업 경쟁 현재 시장에서는 레벨 2 수준의 자율주행 기능이 보편화되어 신차 구매 시 쉽게 접할 수 있다. 고속도로 주행 보조(HDA), 차선 유지 보조(LKA), 어댑티브 크루즈 컨트롤(ACC) 등이 대표적이다. 레벨 3 자율주행은 특정 조건(예: 고속도로 정체 구간)에서 운전자의 개입 없이 주행이 가능한 수준으로, 메르세데스-벤츠의 '드라이브 파일럿'과 혼다의 '레전드'가 일본과 독일 등 일부 국가에서 상용화되었다. 레벨 4 자율주행은 특정 운행 설계 영역(ODD) 내에서 운전자 개입 없이 완전 자율주행이 가능한 단계로, 웨이모(Waymo)와 크루즈(Cruise)가 미국 피닉스, 샌프란시스코 등에서 로보택시 서비스를 운영하며 선두를 달리고 있다. 중국에서는 바이두(Baidu)의 아폴로(Apollo)가 우한, 충칭 등에서 로보택시를 운영 중이다. 주요 완성차 제조사들은 물론, 구글 웨이모, GM 크루즈, 바이두, 그리고 엔비디아, 인텔 모빌아이와 같은 기술 기업들이 자율주행 소프트웨어 및 하드웨어 개발에 막대한 투자를 하며 치열한 경쟁을 벌이고 있다. 특히 소프트웨어 정의 차량(SDV)으로의 전환이 가속화되면서, 자율주행 기술은 차량의 핵심 경쟁력으로 부상하고 있다. 5.2. 기술적 도전 과제 자율주행 기술의 완전한 상용화를 위해서는 여전히 해결해야 할 기술적 난제들이 많다. 악천후 및 비정형 환경 대응: 폭우, 폭설, 짙은 안개 등 악천후 상황에서는 센서의 인지 능력이 크게 저하될 수 있다. 또한, 공사 구간, 비포장도로, 예측 불가능한 보행자 행동 등 비정형적인 주행 환경에서의 안정적인 대응 능력 확보가 중요하다. 엣지 케이스 (Edge Cases) 처리: 일반적이지 않고 드물게 발생하는 '엣지 케이스' 상황(예: 도로 위의 특이한 물체, 비정상적인 교통 흐름)에 대한 시스템의 판단 및 대응 능력 강화가 필요하다. 이를 위해 방대한 양의 실제 주행 데이터와 시뮬레이션 데이터를 활용한 학습이 필수적이다. 사이버 보안: 자율주행차는 외부 네트워크에 연결되어 해킹의 위협에 노출될 수 있다. 차량 제어 시스템에 대한 사이버 공격은 심각한 안전 문제를 야기할 수 있으므로, 강력한 보안 시스템 구축이 필수적이다. 높은 컴퓨팅 파워 및 전력 소모: 복잡한 인공지능 알고리즘과 수많은 센서 데이터를 실시간으로 처리하기 위해서는 고성능 컴퓨팅 하드웨어가 필요하며, 이는 차량의 전력 소모를 증가시키는 요인이 된다. 5.3. 법적 및 윤리적 도전 과제 기술 발전과 더불어 법적, 윤리적 문제 또한 자율주행 상용화의 중요한 걸림돌로 작용하고 있다. 사고 책임 소재: 자율주행차 사고 발생 시 책임 소재를 누구에게 물을 것인가(운전자, 제조사, 소프트웨어 개발사 등)에 대한 명확한 법적 기준이 아직 정립되지 않았다. 이는 기술 개발 및 보험 제도에 큰 영향을 미친다. 규제 및 표준화: 각국 정부는 자율주행차의 안전성 확보를 위한 규제 프레임워크를 마련하고 있으며, 국제적인 표준화 노력도 진행 중이다. 하지만 기술 발전 속도에 맞춰 법규를 정비하는 것이 쉽지 않다. 윤리적 딜레마 (Trolley Problem): 피할 수 없는 사고 상황에서 자율주행차가 누구의 생명을 우선시해야 하는가와 같은 윤리적 딜레마는 사회적 합의가 필요한 부분이다. 예를 들어, 보행자와 탑승자 중 누구를 보호할 것인가와 같은 문제는 시스템 설계에 있어 중요한 고려 사항이다. 데이터 프라이버시: 자율주행차는 운전자의 이동 경로, 습관 등 민감한 개인 정보를 수집할 수 있다. 이러한 데이터의 수집, 저장, 활용에 대한 투명성과 보안성 확보가 중요하다. 6. 자율주행 기술의 미래 전망 및 기대 효과 자율주행 기술은 미래 사회의 모습을 근본적으로 변화시킬 잠재력을 가지고 있으며, 다양한 분야에서 혁신적인 기대 효과를 가져올 것으로 전망된다. 6.1. 미래 사회 변화 예측 교통 시스템의 혁신: 완전 자율주행 시대가 도래하면 교통 체증이 크게 감소하고, 교통 흐름이 최적화될 것이다. 차량 간 통신(V2V)과 인프라 통신(V2I)을 통해 도로 위의 모든 차량이 유기적으로 연결되어 효율적인 운행이 가능해진다. 또한, 주차 공간 활용의 효율성이 증대되고, 개인 차량 소유의 필요성이 줄어들며 공유 모빌리티 서비스가 더욱 활성화될 수 있다. 도시 계획 및 인프라 변화: 자율주행차에 최적화된 스마트 도시 인프라가 구축될 것이다. 이는 도로 설계, 신호 체계, 주차 공간 등 도시 전반의 변화를 유도하며, 대중교통 시스템과의 연계를 통해 도시 이동성을 극대화할 수 있다. 경제 및 고용 시장 영향: 물류 및 운송 산업의 효율성이 극대화되어 비용 절감 효과가 발생할 것이다. 새로운 모빌리티 서비스 시장이 창출되고 관련 산업이 성장할 것으로 예상된다. 반면, 전문 운전자 직업(택시, 트럭, 버스 기사 등)의 감소 가능성도 제기되어, 이에 대한 사회적 대비가 필요하다. 개인의 삶의 질 향상: 운전으로부터 자유로워진 시간은 개인의 생산성 향상이나 여가 활동에 활용될 수 있다. 이동 약자(노약자, 장애인)의 이동권이 크게 확대되며, 교통사고 감소로 인한 사회적 비용 절감 및 생명 보호 효과도 기대된다. 6.2. 완전 자율주행 시대의 도래 시점 및 과제 전문가들은 레벨 5 완전 자율주행의 상용화 시점에 대해 다양한 예측을 내놓고 있다. 일부는 2030년대 중반 이후로 예상하며, 기술적 난제와 사회적 합의가 필요함을 강조한다. 특히, 모든 기상 조건과 모든 도로 환경에서 인간 운전자를 능가하는 안전성을 확보하는 것이 가장 큰 과제이다. 또한, 앞서 언급된 기술적, 법적, 윤리적 과제들을 해결하기 위한 지속적인 연구 개발과 국제적인 협력, 그리고 사회적 논의가 필수적이다. 특히, 자율주행 시스템의 투명성과 신뢰성을 확보하고, 사고 발생 시 책임 소재를 명확히 하며, 윤리적 기준을 수립하는 것이 중요하다. 6.3. 윤리적 논의의 중요성 자율주행 기술은 단순한 공학적 문제를 넘어 사회 전체의 가치관과 윤리적 판단에 영향을 미친다. '트롤리 딜레마'와 같은 극단적인 상황뿐만 아니라, 시스템의 편향성, 데이터 프라이버시, 인간과 기계의 상호작용 방식 등 다양한 윤리적 질문에 대한 답을 찾아야 한다. 기술 개발 단계부터 사회 각계각층의 참여를 통해 윤리적 가이드라인을 수립하고, 기술이 인간의 존엄성과 안전을 최우선으로 하도록 설계하는 노력이 지속되어야 할 것이다. 자율주행 기술은 인류에게 전례 없는 이동의 자유와 편의를 제공할 잠재력을 가지고 있다. 기술의 발전과 함께 사회적 합의와 제도적 정비가 조화를 이룰 때, 우리는 비로소 안전하고 지속 가능한 자율주행 시대를 맞이할 수 있을 것이다. 참고 문헌 SAE International. (2021). J3016_202104: Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles. National Highway Traffic Safety Administration (NHTSA). (2022). Automated Vehicles for Safety. Retrieved from https://www.nhtsa.gov/technology-innovation/automated-vehicles-safety Mercedes-Benz. (2023). DRIVE PILOT. Retrieved from https://www.mercedes-benz.com/en/innovation/drive-pilot/ Carnegie Mellon University. (n.d.). ALVINN. Retrieved from https://www.cs.cmu.edu/~tjochem/alvinn/alvinn.html DARPA. (n.d.). Grand Challenge. Retrieved from https://www.darpa.mil/about-us/timeline/grand-challenge Waymo. (n.d.). Our history. Retrieved from https://waymo.com/journey/ Cruise. (2023). Cruise Origin. Retrieved from https://www.getcruise.com/origin/ Mobileye. (2023). Mobileye SuperVision™ and Mobileye Chauffeur™. Retrieved from https://www.mobileye.com/our-technology/mobileye-supervision-and-mobileye-chauffeur/ Kim, J. H., & Kim, J. H. (2022). A Review of Sensor Fusion Techniques for Autonomous Driving. Journal of Advanced Transportation, 2022. Chen, X., et al. (2023). Deep Learning for Autonomous Driving: A Survey. IEEE Transactions on Intelligent Transportation Systems, 24(1), 1-20. Jo, K., et al. (2022). High-Definition Map Generation and Localization for Autonomous Driving: A Survey. Sensors, 22(1), 321. Guldner, S., et al. (2021). Drive-by-Wire Systems for Autonomous Vehicles: A Review. SAE Technical Paper, 2021-01-0863. Tesla. (n.d.). Autopilot and Full Self-Driving Capability. Retrieved from https://www.tesla.com/autopilot Baidu Apollo. (n.d.). Robotaxi. Retrieved from https://apollo.baidu.com/robotaxi 국토교통부. (2023). 자율주행 셔틀 서비스 확대. TuSimple. (n.d.). Autonomous Freight Network. Retrieved from https://www.tusimple.com/technology/autonomous-freight-network 우아한형제들. (n.d.). 배달의민족 자율주행 로봇 '딜리'. Retrieved from https://www.woowahan.com/tech/robot-delivery Siemens Mobility. (n.d.). Automated Train Operation. Retrieved from https://www.siemens.com/global/en/products/mobility/rail-solutions/automation/automated-train-operation.html Airbus. (n.d.). Urban Air Mobility. Retrieved from https://www.airbus.com/en/innovation/future-mobility/urban-air-mobility Avikus. (n.d.). Autonomous Navigation. Retrieved from https://www.avikus.ai/technology/autonomous-navigation Honda. (2021). Honda SENSING Elite. Retrieved from https://global.honda/newsroom/news/2021/4210304eng.html Deloitte. (2023). The future of mobility: Autonomous vehicles. Retrieved from https://www2.deloitte.com/us/en/pages/manufacturing/articles/future-of-mobility-autonomous-vehicles.html Badue, C., et al. (2021). Self-Driving Cars: A Survey. Expert Systems with Applications, 165, 113812. European Union Agency for Cybersecurity (ENISA). (2022). Cybersecurity of Autonomous Vehicles. Retrieved from https://www.enisa.europa.eu/publications/cybersecurity-of-autonomous-vehicles Fagnant, D. J., & Kockelman, K. (2021). Preparing a Nation for Autonomous Vehicles: Opportunities, Barriers and Policy Recommendations. Transportation Research Part A: Policy and Practice, 144, 1-14. Bonnefon, J. F., et al. (2016). The social dilemma of autonomous vehicles. Science, 352(6293), 1573-1576. McKinsey & Company. (2023). Autonomous driving: The path to adoption. Retrieved from https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/autonomous-driving-the-path-to-adoption KPMG. (2022). Autonomous Vehicles Readiness Index. Retrieved from https://kpmg.com/xx/en/home/insights/2022/07/autonomous-vehicles-readiness-index.html Gartner. (2023). Hype Cycle for Automotive and Smart Mobility. 전환 예상 시기 |
15~20년 |
| 미국 로보택시
로보택시 로보택시(로봇택시, 자율주행택시, 무인택시)는 승차 호출(ride-hailing) 또는 유사한 모빌리티 서비스 맥락에서 운전자의 직접 조작 없이 주행하는 자율주행 차량 기반의 유상 운송 서비스를 의미한다. 통상적으로는 서비스 사업자가 차량·운영 소프트웨어·원격 관제·정비 체계를 포함한 ‘운영 시스템’ 전체를 구성하고, 이용자는 앱 등으로 차량을 호출해 탑승하는 방식으로 제공된다. 1. 개념과 기술적 전제: SAE 자동화 레벨과 운행 조건(ODD) 로보택시는 ‘자율주행 기능’이 아니라 ‘유상 운송 서비스’로서의 성격이 강하다. 즉, 자율주행 소프트웨어(인지·판단·제어)뿐 아니라 승객 안전, 호출·배차, 원격 지원, 데이터 기록, 사고 대응, 보험·규제 준수 등이 결합되어 하나의 서비스로 성립한다. 자율주행 자동화 단계는 SAE J3016 분류가 널리 사용된다. 로보택시가 지향하는 형태는 대체로 레벨4(Level 4, 고도 자동화) 이상이며, 이는 특정 운행설계영역(ODD: Operational Design Domain) 안에서 시스템이 주행 과업을 수행하고, 예외 상황에서도 ‘최소 위험 상태(minimal risk condition)’로 스스로 전환할 수 있어야 한다는 요구와 연결된다. 현실의 로보택시는 도심 일부 구역, 특정 날씨·시간대, 지정된 지도 및 속도 제한 등 제한된 ODD에서 먼저 상용화되는 경우가 많다. 2. 로보택시의 장점: 안전·접근성·운영 효율의 잠재력 교통 안전 개선 가능성이 가장 자주 언급된다. 로보택시는 신호 준수, 제한속도 준수, 보행자·자전거 감지 등 규칙 기반의 안전 동작을 일관되게 수행하도록 설계될 수 있으며, 위험 상황에서 보수적으로 대응하는 정책을 적용하기 쉽다. 이동 접근성 확대도 핵심 장점으로 꼽힌다. 고령자, 장애인, 야간 이동 수요, 대중교통이 취약한 지역에서 호출형 이동 서비스의 공급을 늘릴 수 있다는 기대가 있다. 또한 원격 지원과 관제 체계를 결합하면, 운전 인력 부족 상황에서 ‘차량 가동률’을 높이는 방향으로 운영을 최적화할 여지가 있다. 운영 효율 및 서비스 품질의 표준화 역시 장점으로 논의된다. 일정 수준 이상의 자율주행이 안정화되면, 운전자 인건비 비중이 큰 도심 단거리 운송에서 비용 구조가 달라질 수 있고, 차량 상태·주행 데이터 기반의 정비와 보험 모델이 정교해질 수 있다. 3. 로보택시의 단점과 한계: 안전 검증, 비용, 혼잡, 규제·수용성 안전성 검증의 난이도가 가장 큰 제약이다. 도심은 예외 상황이 빈번하며, 공사 구간·돌발 보행·비정형 교통 흐름 등은 데이터와 정책 설계의 복잡도를 급격히 높인다. 따라서 로보택시는 대개 보수적 주행(완만한 가감속, 넉넉한 차간거리, 신중한 진입)으로 안정성을 확보하려 하며, 이는 체감 속도 저하와 연결될 수 있다. 비용 구조의 부담도 크다. 라이다·레이다·고성능 컴퓨팅 등 하드웨어 비용과, 지도·시뮬레이션·검증, 관제 인력, 정비·청소, 보험 등 운영 비용이 결합되어 단기적으로는 일반 차량 호출보다 비싸거나 제한된 지역에서만 성립하기 쉽다. 도심 혼잡과 ‘공차 주행(deadheading)’ 문제가 단점으로 지적된다. 승객을 태우지 않은 상태로 배차 위치를 조정하거나 회송하는 과정에서 통행량이 늘 수 있으며, 대중교통과의 관계(대체재인지 보완재인지)에 따라 도시 교통정책과 충돌할 여지도 있다. 규제와 사회적 수용성도 상용화 속도를 좌우한다. 국가·도시별로 무인 주행의 허용 범위, 사고 책임, 데이터 기록 및 공개, 원격 운행·관제 요건이 달라 서비스 확장이 단일한 기술 문제로만 결정되지 않는다. 4. 주요 개발·운영 업체와 지역별 전개 미국에서는 웨이모(Waymo)가 다수 도시에서 로보택시 서비스를 확대하는 흐름을 공개적으로 설명해 왔다. 2025년 11월에는 마이애미, 댈러스, 휴스턴, 샌안토니오, 올랜도 등 추가 도시에서의 전개 계획을 발표한 바 있다. CES 2026에서는 웨이모가 새로운 로보택시 차량(‘Ojai’)을 공개했다는 보도도 나왔다. 중국에서는 바이두의 아폴로 고(Apollo Go)가 ‘완전 무인(100% driverless) 운영 확대’를 강조하며 다수 도시로 확장하고 있다는 발표를 이어왔다. 중동 등 해외 시장으로의 진출도 협력 형태로 논의되고 있다. 기타 지역에서는 도시 교통 당국과의 협력 모델이 늘고 있다. 예를 들어 두바이 RTA는 크루즈(Cruise)와의 협력을 포함한 자율주행 로보택시 운영 계획을 단계적으로 공개하며 운행 구역을 제시했다는 보도가 있었다. 유럽에서는 로보택시 도입 필요성 및 도시 구조와의 적합성을 두고 찬반 논의가 지속된다. 또한 아마존 산하의 주욱스(Zoox), 우버(Uber)의 신규 로보택시 계획 및 파트너십 등 다양한 플레이어가 시장 진입을 준비하는 정황이 최근 보도로 확인된다. 이는 로보택시가 ‘특정 기업의 단독 실험’에서 ‘복수 사업자의 경쟁 구도’로 이동하고 있음을 시사한다. 5. CES 2026 사례: 현대차그룹 모셔널 로보택시 체험에서 드러난 특성 2026년 1월 라스베이거스에서 공개된 현대차그룹 계열 모셔널(Motional)의 아이오닉 5 기반 로보택시 시승 보도는 로보택시의 현실적 특성을 구체적으로 보여준다. 보도에 따르면 2026년 1월 8일(현지시간) 도심 등 약 14km를 약 35분간 주행하는 시범 운행에서, 차량은 평균 시속 약 40km 수준의 정속 주행을 보였고 급가속·급제동이 두드러지지 않았으며, 신호·정지선·스톱(Stop) 표지 등 교통 규칙을 매우 엄격하게 준수하는 방식으로 운행됐다. 특히 보행자 돌발 진입 가능성을 예측해 차간거리를 선제적으로 넓게 확보하는 등 ‘안전 우선의 보수적 정책’이 강조되었고, 그 결과 주변 차량 대비 체감 속도가 느리게 느껴질 수 있다는 평가가 함께 제시됐다. 이는 로보택시가 상용화를 위해 선택하는 전형적 트레이드오프(안전 여유 확보 vs. 이동 시간·쾌적성)로 해석할 수 있다. 같은 맥락에서, 모셔널이 엔드투엔드(E2E) 방식의 적용과 서비스 재론칭 계획을 언급한 보도도 있다. 로보택시 산업 전반에서 ‘주행의 자연스러움’과 ‘검증 가능성’을 동시에 만족시키기 위해, 데이터 중심 학습과 안전 아키텍처를 결합하는 접근이 강화되는 추세와 연결된다. 출처 중앙일보(원문 표기된 기사): https://www.joongang.co.kr/article/25396800 다음 뉴스(중앙일보 기사 유통본, 2026-01-12): https://v.daum.net/v/20260112083204350 아시아경제(현대차그룹 모셔널 로보택시 CES 2026 관련, 2026-01-12): https://www.asiae.co.kr/article/2026011207374042523 SAE(자동화 레벨 개요 및 J3016 관련 설명): https://www.sae.org/news/blog/sae-levels-driving-automation-clarity-refinements UNECE 위키(참고용 PDF, SAE J3016 문서): https://wiki.unece.org/download/attachments/128418539/SAE%20J3016_202104.pdf Waymo 공식 블로그(2025-11-18, 신규 도시 전개 관련): https://waymo.com/blog/2025/11/safe-routine-ready-autonomous-driving-in-new-cities SF Chronicle(웨이모 CES 2026 로보택시 ‘Ojai’ 보도, 2026-01): https://www.sfchronicle.com/tech/article/waymo-ojai-robotaxi-zeekr-21282279.php Car and Driver(웨이모 ‘Ojai’ 세부 보도, 2026-01): https://www.caranddriver.com/news/a69938250/waymo-ojai-autonomous-robotaxi-details/ Apollo Go(완전 무인 운영 및 확장 관련 공지): https://www.apollogo.com/news/366 Reuters(글로벌 로보택시 전개 동향, 2025-12): https://www.reuters.com/business/media-telecom/driverless-future-gains-momentum-with-global-robotaxi-deployments-2025-12-22/ Gulf News(두바이 RTA 로보택시 단계적 롤아웃 관련, 2026-01): https://gulfnews.com/uae/transport/dubai-rta-reveals-phase-1-rollout-of-driverless-robotaxis-across-65-locations-1.500403033 Fortune(Zoox 유료 서비스 계획 관련, 2025-12): https://fortune.com/2025/12/08/amazon-robotaxi-service-zoox-plans-fees-vegas-san-francisco/ 2030년 전망 |
약 35,000대 |
| 한국 기업 생성형 AI 활용률 (2025) | 55.7% |
코스로샤히는 AI의 한계에 대해서도 솔직한 견해를 밝혔다. 그는 “모델이 실시간으로 학습할 수 있게 되는 순간, 그때가 바로 우리 모두가 대체 가능하다고 생각하게 될 시점”이라며, 현재 AI가 실시간 학습 능력이 부족하기 때문에 CEO를 완전히 대체하기는 어렵다고 평가했다.
동시에 AI가 가져올 변화의 규모에 대해서는 대담한 전망을 내놓았다. 향후 10년 내 AI가 인간 업무의 70~80%를 대체할 것이라는 것이다. 이는 단순 반복 업무뿐 아니라 의사결정, 분석, 창의적 작업까지 AI의 영역이 확대될 것임을 시사한다.
우버의 AI 전략은 내부 생산성 도구에 그치지 않는다. 2024년 10월 출범한 ‘AI 솔루션즈(AI Solutions)’ 사업부는 기존 긱 워커(드라이버·배달원)에게 AI 모델 학습용 데이터 라벨링 작업을 제공하는 새로운 사업 모델이다. AI 시대에 플랫폼 노동자의 역할을 재정의하려는 시도로 평가받는다.
자율주행 분야에서도 우버는 ‘우버 오토노머스 솔루션즈(Uber Autonomous Solutions)’ 사업부를 신설해 로보택시 상용화를 본격 추진하고 있다. 코스로샤히는 15~20년 내 우버
우버
Uber Technologies, Inc.(통칭 Uber, 한국어로 우버)는 모바일 애플리케이션 기반의 이동(승차 호출) 및 배달 등 플랫폼 서비스를 제공하는 기업이다. 사업 확장 과정에서 노동 분류(플랫폼 노동), 개인정보 처리, 규제 회피 의혹, 안전 및 직장문화 관련 논란이 반복적으로 공론화되어 왔다.
목차
역사와 사업 전개
데이터 유출과 프라이버시 이슈
법적·규제 분쟁과 주요 사건
기업 문화, 차별, 이용자 안전 논란
기업 운영과 재무
1. 역사와 사업 전개
Uber는 2009년경 서비스를 출발점으로 성장했으며, 이후 다수 국가와 도시로 진출하면서 승차 호출(ride-hailing)을 핵심 사업으로 확장했다.
2010년대 중반 이후에는 음식 배달(예: Uber Eats)과 물류 등으로 포트폴리오를 넓히는 동시에, 각국의 운송 규제 및 노동 규정과의 충돌이 빈번해졌다.
2017년에는 이사회가 Dara Khosrowshahi를 최고경영자(CEO)로 선임하며 조직 문화와 준법 체계 개선을 주요 과제로 제시했다.
2. 데이터 유출과 프라이버시 이슈
2.1 2016년 데이터 유출 및 은폐 논란
Uber는 2016년 발생한 대규모 개인정보 유출 사건의 공개 지연 및 대응 방식과 관련해 미국 각 주(및 워싱턴 D.C.)와의 합의금 지급 등 법적 책임을 부담했다.
이후 연방 검찰은 2016년 사건 은폐와 관련된 수사 결과에 따라 Uber와 비기소 합의(non-prosecution agreement)를 공표했으며,
당시 보안 책임자였던 전직 임원은 관련 형사 재판에서 유죄 평결 및 선고가 내려졌다.
2.2 개인정보 보호 규제 위반에 따른 제재
2024년에는 유럽에서 개인정보 보호법(GDPR) 관련 제재가 잇따랐다.
네덜란드 개인정보 감독기구는 운전자 정보 제공·열람 등 절차상의 의무 위반을 이유로 과징금을 부과했으며,
프랑스 감독기구(CNIL)와 유럽 개인정보보호이사회(EDPB) 관련 공지에서는 EU 역외(미국)로의 운전자 데이터 이전 문제를 중심으로 대규모 과징금이 발표되었다.
3. 법적·규제 분쟁과 주요 사건
3.1 기사(드라이버) 분류: 플랫폼 노동자(‘gig worker’) 논쟁
Uber는 다수 관할권에서 드라이버를 독립 계약자(자영업자)로 볼 것인지, 종속적 노동자(근로자)로 볼 것인지에 대한 분쟁의 중심에 있었다.
영국에서는 2021년 영국 대법원이 Uber 드라이버의 ‘worker’ 지위를 인정하는 판단을 확정했다.
미국 캘리포니아에서는 2024년 7월 25일 캘리포니아 대법원이 앱 기반 드라이버를 독립 계약자로 분류하는 체계(Prop 22)의 합헌성을 인정해 관련 논쟁에 큰 영향을 주었다.
EU에서는 2024년 10월 플랫폼 노동 지침 채택을 통해 플랫폼 노동의 고용관계 추정 및 알고리즘 관리 투명성 강화를 제도화했다.
3.2 반독점(antitrust) 소송
Uber의 가격 책정(예: 서지 프라이싱)과 알고리즘 기반 매칭·요금 구조가 경쟁법(반독점법)에 저촉된다는 취지의 민사 소송이 제기된 바 있다.
대표적으로 미국 연방법원에서 ‘Meyer v. Kalanick’ 사건이 진행되었고, 법원은 초기 단계에서 일부 청구를 기각하지 않고 심리 대상으로 남겨 두는 결정을 내린 바 있다.
3.3 Greyball 및 ‘킬 스위치(Ripley)’ 논란
2017년에는 규제 당국의 단속을 회피하기 위한 도구로 알려진 ‘Greyball’ 사용이 언론 보도로 확산되었고,
미국 법무부의 형사 수사(대배심 소환장 발부 보도 포함)로 이어졌다고 보도되었다.
또한 2015~2016년경 일부 국가에서 수사·단속 시 회사 시스템 접근을 차단하기 위한 ‘킬 스위치’(내부 코드명 ‘Ripley’) 운용 의혹이 제기되었고,
이후 관련 문서 유출 및 보도를 통해 논쟁이 재점화되었다.
3.4 임금 체불(임금 절도) 및 청구 관행 분쟁
2023년 11월 2일 뉴욕주에서는 운전자에게 전가된 세금·수수료 등을 둘러싼 ‘임금 절도(wage theft)’ 주장과 관련해
Uber와 Lyft가 총 3억 2,800만 달러 규모의 합의에 이르렀다고 보도되었고, 합의에는 일정한 노동 보호 조치도 포함되었다.
2025년 4월에는 미국 연방거래위원회(FTC)가 구독형 멤버십(예: Uber One) 관련 무단 청구 및 해지 절차의 기만성을 문제 삼아 소송을 제기했다고 발표했다.
4. 기업 문화, 차별, 이용자 안전 논란
4.1 시각장애 고객(안내견 동반) 차별
시각장애인이 안내견과 함께 탑승을 요청했을 때 드라이버가 배차를 거부하는 사례가 문제로 지적되었고,
2016년에는 안내견 동반 이용자 차별을 줄이기 위한 합의(settlement) 사례가 공개되었다.
이후에도 유사 분쟁이 중재·판결 등으로 이어졌다는 보도가 있었다.
4.2 성희롱·보복 및 직장문화 관련 법적 조치
2017년 전후로 직장 내 성희롱 및 보복 문제 제기가 사회적 이슈로 부각되었으며,
2019년에는 미국 고용평등위원회(EEOC)가 성희롱 및 보복 혐의와 관련해 Uber가 440만 달러 규모의 구제 기금을 조성하는 합의에 이르렀다고 발표했다.
4.3 승객 안전 및 성폭력 관련 대규모 소송(2024년 전후)
Uber는 승객 안전, 특히 성폭력 사건 대응 및 예방 조치와 관련해 장기간 비판을 받아 왔다.
미국에서는 ‘In re: Uber Technologies, Inc., Passenger Sexual Assault Litigation’로 알려진 연방 다구역 소송(MDL 3084)이 구성되어 사건이 집중 심리되었고,
2025년 7월에는 연방 판사가 일부 청구를 각하하는 동시에 일부 쟁점은 계속 심리 대상으로 남겨 두었다고 보도되었다.
Uber는 미국 안전 보고서(US Safety Report) 발간을 통해 성폭력 신고 통계 등 안전 지표를 공개해 왔다.
5. 기업 운영과 재무
Uber는 이동(Mobility), 배달(Delivery), 물류(Freight) 등 복수 사업 부문을 운영하며, ‘Gross Bookings’(거래총액)과 ‘Trips’(이용 건수) 등 플랫폼 지표를 핵심 성과로 제시해 왔다.
Uber의 투자자 공시에 따르면 2024 회계연도(12월 31일 종료) 기준 매출은 439억 7,800만 달러, 거래총액은 1,627억 7,300만 달러, 이용 건수(Trips)는 112억 7,300만 건으로 제시되었다.
같은 공시에서 2024년 순이익은 세무상 평가충당금 환입 등 일회성 요인의 영향을 받았다고 설명되었다.
2025년에도 분기 실적 공시를 통해 이용자 수, 거래총액, 조정 EBITDA 등의 지표가 업데이트되고 있다.
출처
Uber Investor Relations, “Uber Announces Results for Fourth Quarter and Full Year 2024” (2025-02-05): https://investor.uber.com/news-events/news/press-release-details/2025/Uber-Announces-Results-for-Fourth-Quarter-and-Full-Year-2024/default.aspx :contentReference[oaicite:0]{index=0}
Uber Investor Relations, “Uber Announces Results for Third Quarter 2025” (2025-11-04): https://investor.uber.com/news-events/news/press-release-details/2025/Uber-Announces-Results-for-Third-Quarter-2025/default.aspx :contentReference[oaicite:1]{index=1}
SEC EDGAR, Uber Technologies, Inc. Form 10-K (Year ended 2024-12-31): https://www.sec.gov/Archives/edgar/data/1543151/000154315125000008/uber-20241231.htm :contentReference[oaicite:2]{index=2}
Texas Attorney General, “AG Paxton Reaches $148 Million Settlement with Uber for Data Breach” (2018-09-26): https://www.texasattorneygeneral.gov/news/releases/ag-paxton-reaches-148-million-settlement-uber-data-breach :contentReference[oaicite:3]{index=3}
Reuters, “Uber to pay $148 million to settle data breach cover-up with U.S. states” (2018-09-26): https://www.reuters.com/article/world/uk/uber-to-pay-148-million-to-settle-data-breach-cover-up-with-us-states-idUSKCN1M62BQ/ :contentReference[oaicite:4]{index=4}
U.S. DOJ (NDCA), “Uber Enters Non-Prosecution Agreement Related to 2016 Breach” (2022-07-22): https://www.justice.gov/usao-ndca/pr/uber-enters-non-prosecution-agreement :contentReference[oaicite:5]{index=5}
U.S. DOJ (NDCA), “Former Chief Security Officer Of Uber Convicted…” (2022-10-05): https://www.justice.gov/usao-ndca/pr/former-chief-security-officer-uber-convicted-federal-charges-covering-data-breach :contentReference[oaicite:6]{index=6}
U.S. DOJ (NDCA), “Former Chief Security Officer Of Uber Sentenced…” (2023-05-05): https://www.justice.gov/usao-ndca/pr/former-chief-security-officer-uber-sentenced-three-years-probation-covering-data :contentReference[oaicite:7]{index=7}
Dutch Data Protection Authority (Autoriteit Persoonsgegevens), “Uber fined €10 million…” (2024-01-31): https://www.autoriteitpersoonsgegevens.nl/en/current/uber-fined-eu10-million-for-infringement-of-privacy-regulations :contentReference[oaicite:8]{index=8}
CNIL (France), “Data transfers outside the EU: UBER fined €290 million” (2024-08-26): https://www.cnil.fr/en/data-transfers-outside-eu-uber-fined-eu290-million :contentReference[oaicite:9]{index=9}
EDPB, “Dutch SA imposes a fine of 290 million euro on Uber…” (2024): https://www.edpb.europa.eu/news/news/2024/dutch-sa-imposes-fine-290-million-euro-uber-because-transfers-drivers-data-us_en :contentReference[oaicite:10]{index=10}
UK Supreme Court, “Uber BV and others v Aslam and others” (case page): https://www.supremecourt.uk/cases/uksc-2019-0029 :contentReference[oaicite:11]{index=11}
CalMatters, “Prop. 22 gig-work law upheld by California Supreme Court” (2024-07-25): https://calmatters.org/economy/2024/07/prop-22-california-gig-work-law-upheld/ :contentReference[oaicite:12]{index=12}
Reuters, “California’s Prop 22… is upheld but questions remain” (2024-08-22): https://www.reuters.com/legal/legalindustry/californias-prop-22-classifying-ride-sharing-drivers-independent-contractors-is-2024-08-22/ :contentReference[oaicite:13]{index=13}
Council of the EU, “Platform workers: Council adopts new rules…” (2024-10-14): https://www.consilium.europa.eu/en/press/press-releases/2024/10/14/platform-workers-council-adopts-new-rules-to-improve-their-working-conditions/ :contentReference[oaicite:14]{index=14}
Reuters, “Exclusive: Uber faces criminal probe over… Greyball” (2017-05-04): https://www.reuters.com/article/world/exclusive-uber-faces-criminal-probe-over-software-used-to-evade-authorities-idUSKBN1802U2/ :contentReference[oaicite:15]{index=15}
The Guardian, “Uber developed secret system… Ripley” (2018-01-11): https://www.theguardian.com/technology/2018/jan/11/uber-developed-secret-system-to-lock-down-staff-computers-in-a-police-raid :contentReference[oaicite:16]{index=16}
The Washington Post, “Uber used covert tech… ‘kill switch’” (2022-07-11): https://www.washingtonpost.com/technology/2022/07/10/uber-europe-raids-kill-switch/ :contentReference[oaicite:17]{index=17}
Justia (SDNY), ‘Meyer v. Kalanick’ docket entry (2016-03-31): https://law.justia.com/cases/federal/district-courts/new-york/nysdce/1%3A2015cv09796/451250/37/ :contentReference[oaicite:18]{index=18}
DRA (Disability Rights Advocates), “National Federation of the Blind of California, et al. v. Uber…” (case summary): https://dralegal.org/case/national-federation-of-the-blind-of-california-et-al-v-uber-technologies-inc-et-al/ :contentReference[oaicite:19]{index=19}
Forbes, “Uber Ordered To Pay $1.1 Million After Blind Woman Says…” (2021-04-01): https://www.forbes.com/sites/rachelsandler/2021/04/01/uber-ordered-to-pay-11-million-after-blind-rider-claims-drivers-refused-to-pick-her-up/ :contentReference[oaicite:20]{index=20}
EEOC, “Uber to Pay $4.4 Million to Resolve EEOC Sexual Harassment and Retaliation Charge” (2019-12-18): https://www.eeoc.gov/newsroom/uber-pay-44-million-resolve-eeoc-sexual-harassment-and-retaliation-charge :contentReference[oaicite:21]{index=21}
AP News, “Uber and Lyft to pay $328 million…” (2023-11-02): https://apnews.com/article/9ae3f629cf32d3f2fb6c39b8ffcc6cc6 :contentReference[oaicite:22]{index=22}
FTC, “FTC Takes Action Against Uber for Deceptive Billing and Cancellation Practices” (2025-04-21): https://www.ftc.gov/news-events/news/press-releases/2025/04/ftc-takes-action-against-uber-deceptive-billing-cancellation-practices :contentReference[oaicite:23]{index=23}
Reuters, “US judge dismisses some claims in Uber sexual assault lawsuits” (2025-07-09): https://www.reuters.com/legal/litigation/us-judge-dismisses-some-claims-uber-sexual-assault-lawsuits-2025-07-09/ :contentReference[oaicite:24]{index=24}
Uber, “US Safety Report” (reports page): https://www.uber.com/us/en/about/reports/us-safety-report/ :contentReference[oaicite:25]{index=25}
Uber Newsroom, “Uber’s New CEO” (2017-08-30): https://www.uber.com/en-DK/newsroom/ubers-new-ceo-3/ :contentReference[oaicite:26]{index=26}
대부분의 운행이 자율주행차로 이뤄질 것으로 전망했으며, 궁극적으로 라이드셰어 시장에 2,000만 대의 로보택시가 투입될 것으로 내다봤다.
골드만삭스(Goldman Sachs)에 따르면 미국 로보택시는 2025년 약 1,500대에서 2030년 약 35,000대로 급성장해, 라이드셰어 시장의 8%를 차지할 전망이다.
© 2026 TechMore. All rights reserved. 무단 전재 및 재배포 금지.
