말레이시아 MOU의 실무 모델과 데이터 흐름
말레이시아 긱 워크포스 플랫폼 TROOPERS 혁신 Sdn Bhd와 로봇·AI 기업 MR. ROBOT Sdn Bhd가 현장 작업자의 1인칭 영상과 작업 기록을 로봇 훈련 데이터로 활용하는 내용의 양해각서(MOU)를 체결했다. 이번 협력은 소매·창고·식음료(F&B) 등 최전선 산업에서 긱 워커가 직접 휴머노이드 로봇과 체화된 AI(embodied AI)를 가르치는 구조를 상업적 규모로 설계했다는 점이 핵심이다. 플랫폼이 보유한 50만 명의 등록 작업자와 월 27만 시간 이상의 현장 작업 데이터가 로봇 학습의 원료가 되고, 그 과정에서 긱 워커는 로봇 트레이너와 관리자라는 새로운 역할을 맡는다.
이 구조가 현장 노동의 성격과 노동정책·개인정보 규제에 미치는 영향은 단순한 기술 도입의 차원을 넘어선다. 핵심은 기술이 아니라 데이터 규모와 접근성이다. TROOPERS는 50만 명 이상의 등록 작업자와 월 27만 시간 이상의 최전선 작업 데이터를 보유한 말레이시아 최대 긱 워크포스 플랫폼이다.
이 인프라는 1인칭 작업 영상의 다양성과 물량을 동시에 확보할 수 있게 한다. 나아가 1,000개 이상의 기업에 걸친 접근성은 로봇 훈련의 표본 다양성(sample diversity)을 높이고, 특정 환경에만 편향된 모델을 만들 위험을 줄인다.
단일 테스트 환경이 아닌 다양한 매장·창고·카페·레스토랑 현장에서 로봇이 안정적으로 작동하려면 이처럼 광범위한 실전 데이터가 필수적이다. 이번 협력에서 양사의 역할 분담도 명확하다.
TROOPERS는 참여 작업장 선정, 작업자 동의 확보, 기록 장치 관리, 수집된 영상의 품질 관리를 총괄한다. MR. ROBOT은 데이터 수집·주석 처리·품질 검토·데이터셋 준비를 자사의 Data-as-a-Service(DaaS) 모델을 통해 담당한다.
이 분업 구조는 단순한 데이터 수집을 넘어 노동자 참여의 규범 자체를 형성할 가능성이 높다. 작업자 동의의 범위, 보상 산정 방식, 영상의 사용 기간과 목적 명시 등이 현장 노동자의 권리와 수익 분배를 결정하는 요인이 되기 때문이다.
광고
따라서 개인정보보호법과 노동법의 적용 범위를 명확히 할 필요성이 이 시점에서 커진다. 직업 전환의 청사진도 구체적으로 제시되었다.
TROOPERS는 2026년 12월까지 AI 자동화 인재 확보로 전환할 계획을 밝혔다. 플랫폼은 기존 긱 워커들을 로봇 트레이너와 관리자 역할로 재배치하고, 이번 MOU를 통해 말레이시아 및 싱가포르 노동력을 '로봇 훈련'이라는 새로운 직업 범주에 대비시킬 방침이다.
현장 작업자는 로봇이 따라야 할 작업 방식, 예외 처리 절차, 안전 규칙을 직접 가르치고 검증하는 역할을 맡는다. 이는 단순한 일자리 대체가 아닌 직무 재구성(job redesign)이다. 다만 그 전환이 실질적인 소득 보전과 고용 안정성을 보장하려면 별도의 교육·인증 프로그램과 성과 기반 보상체계가 전제되어야 한다.
직업 구조 변화와 긱 워커의 전환 시나리오
정책과 규제 측면에서 세 가지 쟁점이 드러난다. 첫째, 수집되는 1인칭 영상과 작업 기록의 개인정보 민감도를 어떻게 관리할지 명확한 규칙이 필요하다. 민감 정보 비식별화, 목적 외 사용 금지, 데이터 보관 기간 등은 법적 기준으로 정립되어야 한다.
둘째, 작업자 동의와 보상 메커니즘을 현장 실정에 맞게 설계해야 한다. 영상 제공에 따른 보수, 교육·전환 지원, 데이터에서 발생한 수익의 분배 방식은 노동정책의 핵심 사안이다.
셋째, 로봇 학습용 데이터셋의 품질 검증과 안전성 평가 기준을 산업별로 마련해야 한다. MR. ROBOT의 AI 품질 관리 플랫폼이 일정 수준의 검증을 수행하더라도, 국가 차원의 인증·평가 체계가 없으면 외부 감시 기능이 작동하지 않는다. 예상되는 반론은 명확하다.
자동화가 결국 긱 워커의 일자리를 빼앗을 것이라는 우려다. 이에 대한 반박은 전환의 실제 조건에서 출발해야 한다.
이번 MOU는 플랫폼이 작업자를 로봇 트레이너로 재배치하는 모델을 제안한다. 그러나 재배치가 실질적으로 작동하려면 교육·인증 프로그램과 성과 기반 보상체계가 선행되어야 한다. 역할 전환 선언만으로는 노동자의 소득과 안전을 보장할 수 없다.
또한 데이터 기반 모델은 수집 편향이나 주석 오류로 오작동을 일으킬 수 있으므로, 외부 감시와 품질 검증 체계는 협력의 출발 시점부터 갖춰져야 한다.
광고
장기적으로 이 협력이 정착되면 소매·물류·F&B 등 최전선 산업의 운영 방식이 바뀐다. 현장에서 생성되는 데이터가 로봇을 학습시키고, 더 나은 로봇이 다시 현장에 투입되는 선순환이 구축될 경우, 반복적인 일상 작업의 자동화 속도는 빨라진다.
그 과정에서 인간의 역할은 교육·감독·예외 처리로 집중되는 방향으로 이동할 가능성이 높다. 동시에 데이터 권리와 노동 권익의 규범 정비가 늦어지면 산업 성장의 이익이 플랫폼과 자본 측에 편중될 위험이 커진다. 이 변화를 기술 발전의 자연스러운 귀결로만 볼 수 없는 이유다.
제도 설계가 기술 도입과 동시에 이루어지지 않으면 분배 불평등은 심화된다.
정책 과제: 개인정보·노동·산업 전략의 교차점
한국 유통·물류 현장에서도 현장 중심 로봇 도입 시나리오가 논의되고 있다. 본지 추가 취재 결과, 국내 일부 기업들은 현장 데이터 기반 학습 모델에 관심을 보이며 파일럿 프로젝트를 준비하는 단계에 있다. 한국 정부와 기업은 말레이시아 사례를 정책 실험의 참고점으로 삼을 필요가 있다.
구체적으로는 현장 데이터 수집·활용의 법적 기준 정비, 작업자 전환 교육 예산 책정, 로봇 안전성·성능 인증 체계 구축이 우선 과제다. 정책 제안은 분명하다. 작업자 동의와 보상 체계에 관한 법적 틀을 신속히 마련해야 한다.
1인칭 영상 등 현장 데이터의 비식별화 기준, 사용 목적 제한, 보유 기간에 대한 규정을 세워야 한다. '로봇 트레이너' 직종에 대한 교육·자격 인증과 임금 수준 가이드라인도 제정이 필요하다. 기술 도입만으로는 공정한 전환을 담보할 수 없다.
기술과 제도가 동시에 설계될 때, 그리고 그 설계에 현장 노동자의 목소리가 반영될 때 비로소 현장의 일상이 개선된다. ※ 이 기사는 The Rakyat Post의 보도를 참조하여 작성하였다.
FAQ
Q. 일반 작업자가 로봇 트레이너로 전환되면 어떤 교육이 필요한가?
A. 이번 MOU에서 공개된 내용에 따르면 작업자는 1인칭 작업 영상을 제공하고 로봇의 동작을 점검하는 역할로 재배치된다. 실질적인 전환이 이루어지려면 영상 촬영 기법, 데이터 주석 처리 방법, 안전 규정 및 예외 상황 대응 매뉴얼에 관한 교육이 필수적으로 수반되어야 한다. 보수 산정 방식과 책임 범위를 명확히 규정하지 않으면 역할 전환은 선언에 그칠 수 있다. TROOPERS가 2026년 12월까지 AI 자동화 인재 전환 계획을 밝힌 만큼, 이 시점 전까지 체계적인 교육·인증 프로그램이 마련되어야 한다. 정부 차원의 재직자 전환 교육 예산 연계도 병행 검토가 필요하다.
Q. 현장 작업 영상을 수집할 때 개인정보 보호는 어떻게 보장되는가?
A. MOU에 따르면 TROOPERS가 작업자 동의 확보와 영상 품질 관리를 총괄한다. 그러나 동의의 구체적 범위, 비식별화 기준, 데이터 보유 기간, 목적 외 활용 금지 요건 등은 현재 공개된 내용만으로는 확인되지 않는다. 말레이시아 개인정보보호법(PDPA)과 노동 관련 법령의 적용 범위를 이 협력 모델에 맞게 명확히 해석·적용하는 작업이 필요하다. 한국에서 유사 모델을 도입할 경우에는 개인정보보호법과 근로기준법의 적용 범위를 사전에 정립해 분쟁을 예방해야 한다. 데이터 거버넌스 체계를 계약 단계에서부터 설계하는 것이 사후 분쟁보다 비용이 훨씬 적게 든다.
Q. 한국 기업과 정부는 어떤 준비를 해야 하는가?
A. 한국 기업은 현장 데이터 수집·주석 인프라를 갖추고 현장 인력을 대상으로 한 파일럿 프로젝트를 조기에 설계해야 한다. 단순히 기술 도입을 서두르기보다 현장 작업자의 역할 전환을 뒷받침할 교육 체계와 보상 구조를 먼저 정비하는 것이 중요하다. 정부는 현장 데이터 활용의 법적 프레임워크, 작업자 재교육을 위한 예산 지원, 로봇 안전·성능 인증 기준을 마련해 산업 전환의 기준을 제시해야 한다. 말레이시아 사례는 긱 워커 기반 플랫폼이 로봇 훈련 데이터 생태계로 전환하는 최초의 대규모 사례 중 하나로, 한국의 정책 입안자들이 선제적으로 참고할 수 있는 실험 사례다. 기술 도입 속도와 제도 정비 속도 사이의 간격을 최소화하는 것이 사회적 비용을 줄이는 핵심 전략이다.
광고
){kind=small}
){kind=small}
){kind=small}
){kind=small}
