AI를 도입하는 모든 연구 기관에게 규정 준수의 시계가 돌아가고 있습니다. 2024년, 한 유럽 대학은 민감한 참가자 데이터를 미국 기반의 상업용 AI API를 통해 전송했다가 Horizon Europe 보조금 230만 유로를 몰수당했습니다. 이는 보조금 협약에 포함된 GDPR 데이터 거주성(Data Residency) 명령을 직접적으로 위반한 사례입니다. 해당 기관은 특이한 사례가 아닙니다. 이는 하나의 경고입니다.

학술적 AI 도입 속도는 기관의 규정 준수 프레임워크가 적응할 수 있는 속도보다 빠르게 가속화되고 있습니다. 보조금 지급 기관인 미국 국립과학재단 (NSF), 유럽 위원회의 Horizon Europe 프로그램, 그리고 영국 연구 혁신청 (UKRI)은 새로운 자금 지원 주기마다 데이터 거버넌스(Data Governance) 요구 사항을 강화하고 있습니다. 대학 CTO, 연구 관리자 및 규정 준수 책임자들이 직면한 핵심 질문은 더 이상 AI를 도입할 것인가 아니면 말 것인가가 아니라, 보조금 자격, 기관의 데이터 주권, 또는 연구 참가자의 신뢰를 저해하지 않으면서 어떤 아키텍처(Architecture) 하에 AI를 배포할 수 있는가 하는 점입니다.

그 해답은 점점 더 자체 호스팅(Self-hosted) AI로 기울고 있습니다. 본 기사는 클라우드 호스팅 AI 서비스가 공공 자금 지원 연구에 있어 왜 규정 준수 측면의 부채(Liability)가 되는지 구체적인 규제 의무를 검토하고, 모델 추론(Inference)을 기관의 경계(Perimeter) 내부로 가져와야 하는 기술적, 경제적, 거버넌스 측면의 근거를 제시합니다.

규정 준수 환경: 세 가지 수렴하는 압박

이제 AI를 다루는 모든 연구 프로젝트에는 세 가지 뚜렷한 규제 벡터가 수렴합니다: 데이터 보호법 (GDPR 및 그에 상응하는 법률), 보조금별 데이터 관리 명령, 그리고 기관 윤리 감독 (기관생명윤리위원회(IRB) / 연구 윤리 위원회). 각 벡터는 개별적으로 제3자 클라우드 AI 서비스의 사용을 제한합니다. 이들이 결합되면 민감한 연구 데이터에 대해 외부 API 라우팅을 사실상 방어 불가능하게 만듭니다.

1. GDPR 제5장: 국제 전송 장벽

EU 기반 및 EU 자금 지원 연구에 있어 법적으로 가장 중대한 제약 사항은 제3국으로의 개인정보 전송을 규정하는 GDPR(일반 데이터 보호 규정) 제5장(제44조~제49조)입니다. 제44조는 다음과 같은 일반 원칙을 수립하고 있습니다.

_"제3국 또는 국제기구로 전송된 후 처리가 진행 중이거나 처리가 예정된 개인정보의 모든 전송은 ... 이 장에 규정된 조건을 준수하는 경우에만 이루어져야 한다."

연구자가 인터뷰 녹취록, 의료 기록, 생체 인식 마커, 인구 통계 정보와 같이 개인정보를 포함하는 프롬프트(prompt)를 미국에 기반을 둔 클라우드 AI API에 제출하는 경우, 해당 제출은 제44조에 따른 **데이터 전송 (data transfer)**에 해당합니다. 상업적 API 제공업체는 제28조에 따른 **데이터 처리자 (data processor)**가 되며, 이에 따라 공식적인 데이터 처리 합의서(Data Processing Agreement)가 필요합니다. 이러한 국경 간 전송은 제46조를 발동시켜 표준 계약 조항(Standard Contractual Clauses, SCCs) 또는 구속력 있는 적정성 결정(binding adequacy decision)과 같은 "적절한 보호 조치"를 요구합니다.

CJEU(유럽 사법 재판소)의 Schrems II 판결(사건 C-311/18)은 EU-US 프라이버시 실드(Privacy Shield)를 무효화하고, FISA(외국정보감시법) 제702조와 같은 감시 체계를 가진 관할권으로의 전송에 있어 SCCs만으로는 충분하지 않다는 의구심을 제기함으로써 상황을 더욱 악화시켰습니다. 이후 2025년 9월 CJEU에 의해 승인된 EU-US 데이터 프라이버시 프레임워크(Data Privacy Framework, DPF)가 부분적인 구제책을 제공하지만, 그 범위는 인증된 조직으로 제한되며 모든 클라우드 AI 제공업체의 데이터 처리 관행을 자동으로 포괄하지는 않습니다.

특히 Horizon Europe 프로젝트의 경우, EU 위원회의 연구 분야 생성형 AI의 책임 있는 사용에 관한 가이드라인 (EU Commission's Living Guidelines on the Responsible Use of Generative AI in Research) (제3판, 2026년 5월)은 연구 기관에 _"관리되는 AI 인프라를 구현(implement governed AI infrastructure)"_하고, _"데이터 보호 및 사이버 보안을 보장하기 위해 로컬 호스팅 또는 조직이 제어하는 클라우드 도구를 우선시할 것(prioritise locally hosted or organisation-controlled cloud tools)"_을 명시적으로 권고하고 있습니다.

2. NSF 데이터 관리 및 공유 계획 요구사항

미국 측의 경우, NSF의 제안 및 수상 정책 및 절차 가이드(Proposal and Award Policies and Procedures Guide, PAPPG)가 크게 진화했습니다. 2026년 4월 27일부터 NSF는 기존의 PDF 기반 데이터 관리 계획(Data Management Plan)을 Research.gov에 통합된 구조화된 웹 양식으로 대체했습니다. 새로운 데이터 관리 및 공유 계획(Data Management and Sharing Plan, DMSP)은 다음 사항에 대한 명시적인 설명을 요구합니다:

• 데이터를 어떻게 보존, 공유 및 접근 가능하게 만들 것인지;
• **개인정보 보호(privacy), 비밀 유지(confidentiality) 및 동의(consent)**를 어떻게 유지할 것인지;
• 연구 생애 주기 동안 데이터를 보호하기 위해 어떤 **인프라 및 보안 조치(infrastructure and security measures)**를 취할 것인지;
• 연구 데이터를 처리하는 **제3자 도구 또는 서비스(third-party tools or services)**를 어떻게 관리할 것인지.

AI 도입 시 종종 간과되는 결정적인 조항은 **통제되지 않은 데이터 노출 벡터(uncontrolled data exposure vectors)**에 대한 암묵적인 금지입니다. 만약 연구팀이 프롬프트를 기록하거나, 쿼리 메타데이터를 보유하거나, 동등한 데이터 보호 수준이 없는 관할 구역의 서버를 통해 데이터를 라우팅하는 클라우드 AI API를 배포할 경우, 책임연구자(PI)는 해당 노출에 대해 계약상의 책임을 지게 됩니다.

3. 기관생명윤리위원회(IRB) 및 연구윤리위원회(REC)의 감독

세 번째 압박 요인은 인간 대상 연구(human-subjects research)에 가장 직접적인 결과가 발생하는 부분입니다. 미국의 기관생명윤리위원회(Institutional Review Boards, IRBs)와 유럽의 연구윤리위원회(Research Ethics Committees, RECs)는 AI 데이터 처리를 명시적인 완화 조치가 필요한 **프로토콜 수준의 리스크(protocol-level risk)**로 취급하기 시작했습니다.

표준 IRB 프로토콜은 연구자가 다음 사항을 정확하게 명시할 것을 요구합니다:

• 데이터가 어디에 저장되고 처리될 것인지 (물리적 서버 위치, 클라우드 리전);
• 어떤 제3자가 원시 데이터(raw data) 또는 파생 데이터(derived data)에 접근할 것인지;
• 외부 처리 전에 데이터를 어떻게 비식별화(de-identified)할 것인지;
• 제3자 서비스가 데이터를 처리한 후 데이터가 어떻게 되는지 (보유 정책, 삭제 일정).

대부분의 클라우드 AI 제공업체는 기관생명윤리위원회(IRB)가 요구하는 수준의 구체성으로 이러한 요구사항을 충족할 수 없습니다. 연구자가 ChatGPT Enterprise, Claude 또는 Gemini에 보호 대상 건강 정보(PHI), 교육 기록(FERPA에 의해 보호됨) 또는 개인 식별 정보(PII)가 포함된 프롬프트를 제출할 때, 참가자들에게 데이터가 기관의 통제하에 유지될 것이라고 약속했던 IRB 승인 동의서는 사실상 위반됩니다.

자체 호스팅 아키텍처 (Self-Hosted Architecture): 설계에 의한 준수 (Compliance by Design)

자체 호스팅 AI 배포는 단 한 번의 아키텍처 결정으로 위의 세 가지 벡터를 제거합니다. 온프레미스(on-premise) GPU 노드든 기관이 제어하는 프라이빗 클라우드 인스턴스든, 기관의 하드웨어에서 오픈 웨이트 (open-weight) 모델을 실행함으로써 연구 데이터 파이프라인은 조직의 거버넌스 경계(governance perimeter) 내에 완전히 머물게 됩니다.

준수 제거 매트릭스 (Compliance Elimination Matrix)

준수 요구사항	클라우드 AI (API 기반)	자체 호스팅 (기관 내)
GDPR 제28조 (데이터 처리 계약)	필요함; 종종 협상 불가능	해당 없음 — 외부 처리자 없음
...

기술 아키텍처 (최소 실행 가능 배포)

보조금 규정을 준수하는 자체 호스팅 AI 시스템에는 놀라울 정도로 겸손한 인프라가 필요합니다:

연구용 터미널 (Research Terminals) → AI 게이트웨이 (AI Gateway) (인증 + 속도 제한) → 로컬 GPU 노드 (Local GPU Node) (llama.cpp / vLLM) → 프라이빗 PostgreSQL 감사 데이터베이스 (Private PostgreSQL Audit Database)

핵심 기능은 **외부 API 호출 제로 (zero outbound API calls)**입니다. 일단 배포되면 시스템은 기능적으로 에어갭 (air-gappable) 상태를 유지할 수 있습니다. 모든 추론 (inference)은 로컬 하드웨어에서 발생합니다. 모든 프롬프트 및 응답 로그는 기관의 프라이빗 데이터베이스에 남습니다. 어떠한 텔레메트리 (telemetry)도 외부 모델 제공업체로 전송되지 않습니다.

권장 하드웨어 기준 (Recommended hardware baseline): 단일 NVIDIA L4 (24 GB VRAM) 또는 그에 상응하는 GPU가 필요하며, 이는 기관 클라우드 제공업체를 통해 연간 약 $7,500에 이용하거나, $12,000–$20,000의 일회성 온프레미스 (on-premise) 구매로 확보할 수 있습니다. 이는 Q4_K_M 양자화 (quantization)가 적용된 27B 파라미터 모델을 실행하기에 충분하며, 30~50명의 활성 연구자로 구성된 학과에 연구 등급의 추론 처리량 (reasoning throughput)을 제공합니다.

모델 선택 (Model selection): 허용적인 라이선스 (Apache 2.0, MIT 또는 특수 연구 라이선스)를 가진 오픈 웨이트 (open-weight) 모델을 사용합니다. Qwen 2.5/3 시리즈 (27B)는 다국어 능력, 긴 컨텍스트 (long-context) 지원, 그리고 강력한 추론 벤치마크 덕분에 현재 학술적 용도로 가장 강력한 옵션입니다.

경제적 논거: 자체 호스팅이 더 저렴하다

대학 행정가들 사이에서 지속되는 오해 중 하나는 상용 AI 구독이 자체 호스팅 대안보다 저렴하다는 것입니다. 연구 그룹 규모의 배포에서는 그 반대가 사실입니다.

연간 비용 비교 (연구 그룹, 활성 사용자 약 50명 기준)

비용 항목	클라우드 AI (엔터프라이즈)	자체 호스팅 (기관용)
구독 / API 비용	$24,000–$48,000	$0 (오픈 웨이트 모델)
...

자체 호스팅 AI는 사용자가 20명을 초과하는 모든 연구 그룹의 경우 12~18개월 이내에 손익분기점에 도달합니다. 여러 학과를 보유한 기관의 경우, 철학, 법학, 정치학 및 의료 윤리학에 서비스를 제공하는 공유 GPU 노드를 통해 학과당 비용을 연간 $10,000 미만으로 줄일 수 있습니다.

하지만 비용 논거는 준수 (compliance) 논거보다 부차적입니다. 해당 유럽 대학이 놓친 230만 유로의 보조금은 전체 연구 그룹의 자체 호스팅 AI 운영 비용 90년 치에 달합니다. 단 한 번의 규정 준수 실패가 10년 치의 절감액을 날려버립니다.

보조금 신청서 작성 권장 사항

AI 지원 분석을 포함하는 제안서를 준비하는 연구 행정가 및 책임 연구원 (PI)을 위한 사항입니다:

1. 데이터 관리 계획 (Data Management Plan)에 AI 인프라를 명시적으로 통합하십시오. 모델명, 배포 아키텍처 (deployment architecture), 모든 컴퓨팅 리소스의 관할권 (jurisdiction), 그리고 프롬프트 및 출력값에 대한 데이터 보유 정책 (data retention policy)을 명시하십시오.

2. 특정 규정을 인용하십시오. Horizon Europe의 경우: 제13조 (처리 보안), 제28/44조 GDPR 준수를 참조하십시오. NSF의 경우: PAPPG Chapter XI.D.4 (DMSP 요구사항)를 참조하십시오.

3. 기관 윤리 심의 시 클라우드 AI 리스크를 문서화하십시오. 제3자 AI 서비스의 데이터 처리 리스크를 명시적으로 평가하는 섹션을 포함하십시오. 자체 호스팅 (Self-hosted) 배포는 이 섹션 전체를 생략할 수 있게 해줍니다.

4. 주권 (sovereignty)을 제약이 아닌 혁신으로 프레임화하십시오. 보조금 심사위원들은 방어적인 준수 태도에 감점을 부여합니다. 자체 호스팅 AI를 재현 가능하고, 감사 가능하며, 검열 없는 연구를 가능하게 하는 조력자로 제시하십시오. Alignment Theater 기사는 기업의 안전 분류기 (safety classifiers)가 어떻게 학술적 탐구를 일상적으로 왜곡하는지 기록하고 있습니다.

5. 기존의 기관 인프라를 활용하십시오. 많은 대학이 이미 온프레미스 (on-premise) GPU 클러스터를 운영하고 있습니다. 이를 AI 추론 (inference) 워크로드 서비스로 확장하면, 준수 비용 (compliance overhead)을 제거하면서도 추가 비용은 미미합니다. 학과 소유 AI 모델 접근 방식은 단일 학과에서 캠퍼스 공유 리소스로 자연스럽게 확장됩니다.

6. NIST AI 리스크 관리 프레임워크 (NIST AI Risk Management Framework)와 정렬하십시오. NIST AI RMF 1.0은 AI 리스크를 매핑, 측정 및 관리하기 위한 구조화된 접근 방식을 제공합니다. 자체 호스팅 배포는 클라우드 API 서비스가 따라올 수 없는 수준의 세밀함으로 FRAM 및 MAP 기능을 충족합니다.

EU AI Act 및 신규 규제 프레임워크

범용 AI (General-Purpose AI, GPAI) 규칙이 2025년 8월부터 발효된 EU AI Act는 또 다른 계층을 추가합니다. AI Act에 따르면:

• **GPAI 모델 제공자 (Providers of GPAI models)**는 상세한 학습 데이터 요약본을 공개해야 하며 투명성 의무를 준수해야 합니다.
• 고위험 카테고리에 속하는 **AI 시스템 배포자 (Deployers of AI systems)**는 적합성 평가 (Conformity assessment) 요건을 충족해야 합니다.
• 연구 면제 (Research exemptions) 조항이 존재하지만, 그 범위가 매우 좁게 설정되어 있습니다.

자체 호스팅 모델 (Self-hosted models)은 기관이 배포자이자 인프라 제어자(infrastructure controller) 역할을 동시에 수행하기 때문에 AI Act 준수를 단순화합니다. 제3자 GPAI 제공자의 학습 데이터 관행이 기관을 법적 책임에 노출시키는지 여부에 대해 모호함이 발생하지 않습니다.

기업의 AI 학습 데이터 관행이 어떻게 학술적 지식을 체계적으로 왜곡하는지에 대한 더 심도 있는 탐구는 당사의 기사인 The Corpus Problem: Why Corporate AI Fails at Aristotle을 참조하십시오.

결론

보조금 규정을 준수하는 AI는 미래의 요구 사항이 아닙니다. 이는 AI를 도입하는 모든 연구 기관이 오늘날 반드시 해결해야 하는 현재의 운영 제약 사항입니다.