기후위기 시대 재난관리의 핵심, 생성형 AI [오정훈의 사람을 위한 AI]

오정훈 펜타게이트 대표 생성형 AI를 활용한 재난 대응을 묘사한 AI 이미지. 지난해 1월, 미국 로스앤젤레스를 덮친 대형 산불은 도시 한복판까지 화염이 번졌다. 스페인 발렌시아에는 1년 치 강수량이 하루 만에 쏟아졌고, 브라질 남부는 기록적 대홍수로 수십만 명이 삶의 터전을 잃었다. 한국도 예외가 아니다. 집중호우로 인한 산사태, 도심 침수, 겨울철 이례적 폭설까지, 과거에 ‘이상’이라 불렀던 기후 현상이 매년 반복되는 ‘일상’이 되었다. 문제는 빈도만이 아니다. 폭우가 산사태를 유발하고, 가뭄 뒤 건조한 토양이 산불을 키우며, 태풍 뒤 약해진 지반이 2차 붕괴로 이어진다. 이러한 복합 재난 앞에서 CCTV 모니터링, 인력 순찰, 단순 임계값 경보 같은 기존 체계는 구조적 한계를 드러내고 있다. 재난의 양상이 바뀌었다면 대응 방식도 근본적으로 바뀌어야 한다. 그 전환의 핵심에 생성형 AI가 있다. 생성형 AI가 여는 재난 대응의 새로운 패러다임 전통적 AI는 과거 데이터에서 패턴을 찾아 위험 여부를 분류하는 판별형(discriminative) 접근에 머물렀다. 학습한 유형의 재난에는 효과적이지만, 경험하지 못한 복합 시나리오를 예측하기 어렵다는 약점이 있다. 반면 생성형 AI는 데이터의 구조와 분포를 이해한 뒤, 아직 일어나지 않은 상황까지 ’생성’할 수 있다. 생성형 AI는 기상 관측, 위성 영상, 센서 데이터, 지형 정보, 과거 재난 이력, 인구 밀도 등 수십 가지 변수를 동시에 학습한 뒤, 현실에서 발생하지 않은 시나리오를 수천 가지로 시뮬레이션한다. ‘이 강수량이 6시간 더 이어지면 A 유역은 어떻게 범람하는가’, ‘B 산림에서 풍속이 시속 40km를 넘으면 화염 경로는 어떻게 달라지는가’와 같은 질문에, 과거 사례의 단순 반복이 아닌 물리 법칙과 데이터 패턴을 결합한 새로운 예측을 만들어낸다. 의사결정자에게 ‘발생 확률 85%의 시나리오 A’와 ‘확률은 낮지만 피해가 극심한 시나리오 B’를 동시에 제시함으로써 단일 예보에 의존하던 과거와는 차원이 다른 판단 근거를 제공한다. 짧아지는 인지·경보·대처의 골든타임 재난 대응에서 가장 결정적인 변수는 시간이다. 산사태는 전조 현상 후 수십 분 안에 발생하고, 산불은 초기 10분 이내에 제압하지 못하면 통제가 극도로 어려워진다. 기존 시스템이 골든타임 안에 경보를 내리지 못하는 이유는 ‘인지→보고→전파’라는 사람 중심의 체인이 물리적으로 느리기 때문이다. 생성형 AI 기반 멀티모달 인지 시스템은 이 체인을 재구성한다. 드론·CCTV 영상, 적외선 열화상, 위성 이미지, IoT 센서 스트림이 실시간으로 대규모 비전-언어 모델에 입력되면, 연기의 색상·밀도·확산 방향, 수위 변화 속도, 지면 변위 패턴을 동시에 분석한다. ‘현재 풍향과 습도를 고려할 때 이 연기는 30분 내 북동 방향으로 확산될 가능성이 높으며, 반경 2킬로미터 내 거주 인구는 약 1200명’이라는 상황 보고서를 자동으로 생성한다. 이 보고서는 재난안전대책본부에 즉시 표시되고, 해당 지역 주민에게 대피 경보가 자동 발송된다. AI를 통한 재난 예측과 상황별 시뮬레이션 초기 감지만큼 중요한 것이 사전 예측이다. 재난 발생 후 대응하는 것과 72시간 전에 위험 지역을 특정해 주민을 대피시키는 것 사이의 인명 피해 차이는 수십 배에 달할 수 있다. 기존 수치예보 모델은 물리 방정식에 기반해 정확하지만 연산 시간이 막대하고 해상도에 한계가 있었다. 생성형 AI는 수치예보 결과를 입력받아 지역 단위 초고해상도 예측을 빠르게 생성하는 다운스케일링을 수행한다. 구글 딥마인드의 GenCast 모델이 기존 앙상블 예보보다 빠르고 정확한 중기 기상 예측을 시연한 것이 대표적 사례다. 이를 재난에 적용하면, AI가 수천 가지 시나리오를 생성한다. 각 시나리오에는 범람 지역, 침수 심도, 영향 인구, 교통 차단 구간, 필요 구조 장비가 포함된다. 나아가 ‘A 지역 B 하천 72시간 후 범람 확률 85퍼센트, 예상 침수 심도 1.2미터, 우선 대피 대상 3400명, 권장 대피소 C 초등학교 및 D 체육관’과 같은 의사결정 보고서를 자동 작성한다. 관리자가 데이터를 해석하고 보고서를 만드는 시간이 사실상 사라지는 것이다. 생성형 AI의 진정한 가치: 복합 재난 대응 현대 재난의 가장 위험한 특성은 복합성이다. 태풍 후 약해진 사면에 폭우가 내리면 산사태가 발생하고, 토석류가 하천을 막아 임시 댐이 형성되었다가 붕괴하면서 하류에 급류가 쏟아진다. 이 연쇄 과정을 개별 모델로 예측하면 불확실성이 누적되어 정확도가 급락한다. 생성형 AI의 파운데이션 모델(Foundation Model)은 기상·지질·수문·구조공학 등 이종 데이터를 단일 공간에서 학습하여 태풍→산사태→댐 형성→급류라는 연쇄를 하나의 예측 흐름으로 생성할 수 있다. 이는 기상청·산림청·환경부가 각각 독립적으로 경보를 발령하면서 현장 혼선이 생기는 현재의 문제를 구조적으로 해결할 수 있는 접근이다. 재난 발생 후에도 생성형 AI의 역할은 계속된다. 드론·위성 영상을 분석해 건물 붕괴 지점, 고립 주민 예상 위치, 접근 가능 도로를 실시간 파악하고, 구조 인력과 장비의 최적 투입 경로를 생성한다. ‘3번 도로는 토사로 차단, 우회로 7번 도로 이용 시 12분 소요, 2층 건물 옥상에 고립 추정 인원 4명’과 같은 자연어 지침이 구조대 단말기에 직접 전달된다. 대피소 운영에서도 인구 이동, 수용 능력, 물자 재고를 종합해 ‘A 대피소 2시간 후 수용 초과 예상, B 대피소로 분산 필요’와 같은 운영 보고서를 지속 갱신한다. 데이터, AI 신뢰성, 거버넌스·투자 문제 풀어야 기술의 잠재력이 아무리 크더라도 현실의 장벽은 존재한다. 첫째, 데이터 통합이다. 한국은 기상·수문·지질·산림·도시 인프라 데이터가 기관별로 분산되어 있고 형식도 제각각이다. 생성형 AI가 제 성능을 발휘하려면 표준화된 실시간 연동이 선행되어야 하며, 이는 기술보다 제도와 협력의 문제다. 둘째, 신뢰성과 설명 가능성이다. AI가 ‘범람 확률 85%’를 출력했을 때, 어떤 변수가 결과에 기여했는지 의사결정자가 이해할 수 있어야 한다. 수만 명의 대피를 명령하는 결정을 블랙박스에만 맡길 수는 없다. 셋째, 지속 투자와 거버넌스다. 기후 패턴은 변하고 도시 구조도 바뀌므로 모델은 끊임없이 학습·갱신되어야 한다. 오경보 시 책임 소재, 개인 위치 정보 활용에 따른 프라이버시 보호 등 법·제도적 정비도 기술 발전에 맞춰 이루어져야 한다. 생성형 AI 재난 관리 모델로 기후위기 대처해야 생성형 AI는 수 초 만에 재난을 인지하고, 수천 가지 시나리오를 생성해 최적의 대응 전략을 제시하며, 구조 현장에서 실시간 행동 지침을 제공한다. 이는 기존 어떤 시스템도 갖추지 못했던 능력이다. 그러나 AI가 ‘대피 권고’를 출력하는 것과 실제로 수만 명을 대피시키는 것 사이에는 사람의 결단과 현장의 실행이 놓여 있다. AI 경보를 행동으로 전환하는 매뉴얼, 반복 훈련, 기관 간 협력이 기술만큼이나 중요하다. 재난은 더 잦아지고, 더 강해지고, 더 복합적으로 변하고 있다. 과거의 경험에만 기대는 대응에서 벗어나 미래를 ‘생성’하는 AI와 함께 준비하는 시대로 전환해야 한다. 생성형 AI를 재난 관리의 핵심 인프라로 구축하는 것은 선택이 아니라, 기후 위기 시대 우리 사회의 생존 전략이다. 오정훈 펜타게이트 대표