징둥이 헬멧을 공짜로 준 이유
인도에선 시급 2.6달러를 주고 사던 영상이에요
들어가며
구독자님, 8월 3일에 징둥이 배달 라이더용 스마트 헬멧을 공개했어요. 음성으로 주문을 받고, 베테랑 라이더의 실제 주행 기록을 분석해 길을 안내하고, 넘어지면 구조 요청을 보내는 장비예요. 전업 라이더 15만 명에게 우선 무료로 지급한다고 해요.
기사들은 대체로 “안전”과 “효율”에 초점을 맞췄어요. 그런데 저는 다른 데가 눈에 들어왔어요. 이 헬멧에는 주변 환경을 인식하는 카메라가 달려 있어요.
지난 호에서 인도 카루르의 방직 노동자 이야기를 했어요. 이마에 고프로를 붙이고 옷 개는 장면을 찍어 시간당 약 2.6달러를 받던 사람들이요. 결론부터 말씀드릴게요. 중국은 그 2.6달러를 내지 않는 방법을 찾았어요.
8월의 첫 주, 세 회사의 헬멧이 나란히 놓였어요
징둥이 공개한 헬멧의 기능 목록은 이래요. 젖은 손으로 화면을 두드리지 않아도 음성으로 신규 주문을 처리하고, 고객과 통화하고, “문 앞에 놓아주세요” 같은 요청사항을 자동으로 읽어줘요. 지도 앱 대신 숙련된 라이더들이 실제로 다니던 경로를 학습해 턴바이턴으로 안내하고요. 매장에서 음식을 받을 때 위생 상태를 자동으로 점검하는 기능도 들어 있어요. 징둥은 배달 한 건당 길 찾는 시간이 평균 3분쯤 줄어들 것으로 기대한다고 밝혔어요.
먼저 나선 건 징둥이 아니에요. 메이퇀은 2025년 6월까지 스마트 헬멧을 100만 개 넘게 보급했어요. 음성 통화, 낙상 감지 센서, 자동 긴급 대응 기능이 들어 있어요. 알리바바의 배달 부문(당시 어러머, 현재 타오바오 산거우)은 2022년 말에 비슷한 헬멧을 이미 내놨고요.
중국의 배달 라이더는 2025년 초 기준 1,000만 명이 넘어요. 신화통신이 보도한 숫자예요. 세 플랫폼이 3년에 걸쳐 이 시장에 같은 형태의 장비를 밀어 넣고 있는 셈이에요.
여기서 한 가지 짚고 넘어갈게요. 이 헬멧들이 제공하는 안전 이익은 실제예요. 폭우 속에서 젖은 손으로 스마트폰을 조작하는 것보다 음성으로 처리하는 게 안전해요. 낙상 감지와 원터치 구조 요청은 사고가 났을 때 생존율을 바꾸는 기능이고요. 이건 마케팅 수사가 아니라 물리적으로 그래요.
다만 세 회사의 헬멧에는 공통점이 하나 더 있어요. 카메라, 마이크, 위치 센서가 라이더의 머리 높이에 고정되어 있고, 하루 종일 도시를 돌아다닌다는 점이요. 그리고 전부 무료예요.
왜 하필 머리 위였을까요
지금 로보틱스 업계에서 가장 구하기 어려운 자원이 뭘까요. 모델도, 반도체도 아니에요. 사람 눈높이에서 찍힌 1인칭 영상1이에요.
지난 6월 베이징대, 싱가포르국립대, MIT, UC 산타바바라, 엔비디아 연구자들이 함께 낸 「HumanScale」이라는 논문이 이걸 정면으로 다뤘어요. 실험 설계가 깔끔해요. 같은 5,000시간을 두 가지로 채워서 로봇을 사전학습2시켰어요. 한쪽은 사람이 머리에 카메라를 달고 찍은 1인칭 영상, 다른 한쪽은 실제 로봇이 수집한 주행·조작 기록이요.
결과가 통념과 반대였어요. 학습 때 본 적 없는 작업을 시켰을 때3 사람 1인칭 영상으로 학습한 쪽의 손실값이 약 20% 낮았어요. 실물 로봇 실험에서는 더 극적이었고요. 사전학습을 하지 않은 로봇은 처음 보는 작업 성공률이 0%였는데, 1인칭 영상으로 사전학습한 로봇은 90%였어요.
왜 그럴까요. 논문이 제시한 이유는 단순해요. 로봇 데이터는 실험실에서, 정해진 대본대로, 고정된 팔이 닿는 범위 안에서만 만들어져요. 반면 사람 영상은 집과 길거리와 작업장을 오가고, 움직임이 부드럽고, 멈춰 있는 시간이 적어요. 같은 100시간을 찍어도 사람 영상에서 뽑히는 동작 궤적이 로봇 데이터의 5배가 넘었어요.
그럼 이 데이터가 얼마나 귀할까요. 학계에서 표준으로 쓰는 1인칭 데이터셋 Ego4D는 9개국 923명이 찍은 3,670시간이에요. 연구 프로젝트로 수년에 걸쳐 모은 규모예요.
이제 징둥의 숫자를 옆에 놓아볼게요. 전업 라이더 15만 명이 하루에 딱 1시간씩만 촬영한다고 아주 보수적으로 잡아도 하루 15만 시간이에요. Ego4D 40개 분량이 하루에 쌓여요. HumanScale이 사전학습에 쓴 5,000시간을 30번 채우고도 남고요. 중국 전체 라이더 1,000만 명으로 확장하면 계산이 무의미해지는 영역으로 넘어가요.
인도 카루르의 단가로 환산해 볼까요. 시간당 2.6달러면 하루 39만 달러, 1년이면 1억 4,000만 달러가 넘어요. 15만 명 기준으로요. 이만큼의 데이터 수집 인건비가 애초에 장부에 올라오지 않은 셈이에요.
물론 균형을 위해 두 가지는 짚어둘게요.
먼저 논문의 한계예요. 저자들이 직접 밝혔듯 비교 규모가 5,000시간에 묶여 있어요(공개된 실물 로봇 데이터 자체가 부족해서요). 실물 로봇 검증은 작업 3개, 로봇 플랫폼 1종에서만 이뤄졌고요. 수십만 시간 규모에서도 우위가 유지되는지는 아직 확인되지 않았어요. 다만 100시간에서 5,000시간까지 성능이 로그-선형으로 계속 좋아졌다는 점(R²=0.86~0.94)은 “더 부으면 더 좋아진다”는 신호로 읽히죠.
그리고 데이터의 성격도 달라요. HumanScale이 다룬 건 주로 손으로 물건을 다루는 조작 작업이에요. 헬멧 카메라가 담는 건 그보다 도시 주행에 가깝죠. 골목의 구조, 아파트 동 사이의 지름길, 매장 입구를 찾아 들어가는 경로, 엘리베이터 앞에서의 대기 같은 것들이요. 로봇 팔보다는 자율주행 배송차와 배송 로봇 쪽에 더 직접적으로 맞는 원료예요. 그리고 공교롭게도, 지금 중국에서 가장 빠르게 확산 중인 게 바로 그 자율주행 배송차예요.
계약서에 없는 항목
여기서 지난 호와 이번 호의 차이가 드러나요.
인도 카루르의 모델에는 이름이 있었어요. 데이터 수집 계약이 있고, 시급이 있고, 노동자는 자기가 지금 “AI 학습용 영상을 찍는 일”을 하고 있다는 걸 알아요. 착취적일지언정 가시적이에요. 거래이기 때문에 협상 대상이 될 수 있고, 단가가 올라갈 여지도 있어요.
중국의 모델에는 이름이 없어요. 라이더가 서명한 건 배달 계약이고, 머리에 쓴 건 안전 장비예요. 데이터 수집은 별도의 아르바이트가 아니라 이미 하고 있던 일에 끼워 넣어졌어요. 지불도 없고, 항목도 없고, 그래서 협상할 대상 자체가 생기지 않아요.
지난 호의 질문이 “어느 레이어를 소유하는가”였다면, 이번 호의 질문은 이거예요. 그 레이어가 아예 안 보이면 어떻게 되는가.
사실 증거는 이미 제품 설명서 안에 있어요. 징둥 헬멧의 핵심 기능 중 하나가 “베테랑 라이더 길안내”거든요. 성적이 좋은 라이더들의 실제 배송 기록을 분석해서, 신입 라이더에게 최적 경로를 음성으로 알려주는 기능이에요. 잘 뜯어보면 이건 숙련 노동자의 경험을 모델로 추출해 미숙련 노동자에게 배포하는 장치예요. 베테랑에게 그 노하우 값을 따로 지급했다는 이야기는 어디에도 없고요. 추론이 아니라 회사가 스스로 밝힌 기능 설명이에요.
타이밍도 우연이 아니에요. 중국 시장감독총국은 7월 4일 전자상거래법 개정안을 공개했어요. 배달 라이더 같은 외주 노동자의 안전, 임금, 기본 사회보장에 대한 플랫폼 책임을 강화하는 내용이고, 8월 4일까지 의견을 받았어요. 중국의 유연근무 노동자는 약 3억 명이에요.
그런데 라이더들의 반응이 흥미로워요. SCMP 인터뷰에 등장한 장량이라는 배달원은 하루 12시간 일하고 300위안(약 44달러)을 벌어요. 그가 원한다고 말한 건 사회보험이 아니라 “건당 더 높은 수수료와 합리적인 배송 시간”이었어요. 보험료가 늘면 수중에 들어오는 돈이 줄어드니까요.
플랫폼 입장에서 이 입법은 인건비 상승 신호예요. 그리고 반대쪽 곡선이 동시에 내려가고 있어요. 중국의 자율주행 배송차는 7월 기준 전국에 1만 5,000대 넘게 깔렸고, 200개 이상 도시에서 운행 승인을 받았어요. 몇 년 전 100만 위안이 넘던 차량 가격은 지금 2만 위안 아래로 떨어졌어요. 하드웨어 원가는 2021년 3만 달러에서 지금 1만 달러 미만이고요.
류창둥 징둥 회장은 6월 21일 베이징에서 열린 APEC 중국 CEO 포럼에서 이렇게 말했어요. 로봇이 배송을 담당하게 되고, 배달기사 70만 명이 장기적으로 대체될 수 있다고요. 그러면서 전국 120여 개 학교와 손잡고 직무 전환 교육을 준비 중이라고 덧붙였어요.
한 겹 더 있어요. 중국에서 도로와 지형을 측량하고 지리 데이터를 수집하는 건 아무나 할 수 있는 일이 아니에요. 면허 사항이고, 특히 차량이 수집하는 지리 정보는 별도의 통제를 받아요. 외국 기업이 중국 거리를 훑어 데이터를 쌓는 길은 사실상 막혀 있다는 뜻이에요. 그러니까 라이더 머리 위에서 매일 생성되는 이 도시 스캔 데이터는, 구조적으로 중국 국내 플랫폼만 축적할 수 있는 자산이에요. 지난 호에서 이야기한 “어느 레이어를 누가 소유하는가”가 여기서 국가 단위로 다시 나타나요.
마지막으로 제가 정직하게 선을 그어둘게요. 징둥은 헬멧에 쌓이는 데이터를 배차 효율 개선과 안전 관리에 쓰겠다고 밝혔을 뿐, 카메라 영상을 로봇이나 자율주행 학습에 쓴다고 발표한 적은 없어요. 두 사실을 직접 잇는 공개 증거는 아직 없습니다. 제가 말씀드리는 건 인과관계가 아니라 구조적 인접성이에요. 같은 회사 안에, 세계에서 가장 값비싼 1인칭 영상 원료를 생산하는 장비와, 그 원료가 필요한 로봇 사업과, 70만 명이 필요 없어질 거라는 최고 경영자의 전망이 나란히 놓여 있어요.
오스왈드의 시선
저는 이 사안의 핵심이 감시가 아니라 회계에 있다고 봐요.
GTM 전략을 짜면서 반복해서 봐온 패턴이 하나 있어요. 어떤 비용을 없애는 가장 확실한 방법은 그 비용을 깎는 게 아니라, 그게 비용 항목이라는 사실 자체를 지우는 거예요. 인도 모델에서 데이터 수집은 손익계산서의 한 줄이었어요. 줄이라는 건 누군가 들여다보고, 따지고, 올려달라고 요구할 수 있다는 뜻이에요. 중국 모델에서 데이터 수집은 안전 장비 예산으로 회계 처리돼요. 아무도 그걸 데이터 구매라고 부르지 않아요.
노동 문제가 위험해지는 지점은 대개 대가가 낮을 때가 아니라, 거래가 거래로 인식되지 않을 때예요. 낮은 단가는 인상 요구의 출발점이지만, 이름 없는 항목은 요구할 문장조차 만들어주지 않거든요.
그리고 이건 남의 나라 배달 시장 이야기가 아니에요. 국내에서도 업무용 앱, 차량 단말, 물류센터의 웨어러블 스캐너, 상담 통화 녹취 같은 장비가 매일 방대한 작업 데이터를 만들어요. 그런데 그 데이터를 회사가 AI 학습에 2차 활용할 수 있는지, 어디까지인지, 대가는 어떻게 산정되는지가 근로계약서나 위탁계약서에 적혀 있는 경우는 드물어요.
기술 도입 검토를 도울 때 제가 요즘 꼭 확인하는 항목이 하나 늘었어요. “이 도구가 수집하는 데이터의 2차 활용 조항이 계약서에 있습니까?” 대부분 없어요. 없다는 건 금지됐다는 뜻이 아니라, 아무도 그 질문을 한 적이 없다는 뜻이에요.
저는 매주 기술·경제·인문을 교차해서 분석하는 뉴스레터를 만들고 있어요. 이런 질문을 계속 파고드는 게 이 뉴스레터가 하는 일이고요.
마치며
정리하면 이래요.
첫째, 사람 머리 높이에서 찍힌 1인칭 영상은 지금 로보틱스에서 가장 비싼 원료예요. 「HumanScale」 실험에서 이 영상은 같은 시간의 실제 로봇 데이터보다 나은 일반화 성능을 냈어요.
둘째, 인도는 그 영상을 시급을 주고 샀고, 중국은 안전 장비에 끼워 넣어 받고 있어요. 차이는 단가가 아니라 그 거래가 보이느냐예요.
셋째, 인건비는 오르고 기계값은 떨어지는 교차점에서 이 장비가 나왔어요. 헬멧이 실제로 안전을 개선하는 것도, 라이더 대체 전망이 공개적으로 나온 것도 둘 다 사실이에요.
지난 호에서 카루르의 노동자를 두고 해방인지 착취인지 물었죠. 이번 호의 질문은 조금 달라요. 대가가 없는 대신 이름도 없어진 거래를, 우리는 뭐라고 불러야 할까요.
💬 지금 쓰고 계신 업무용 도구(사내 앱, 차량 단말, 통화 녹취, 웨어러블 스캐너) 중에 “이건 회사가 학습 데이터로 쓸 수도 있겠는데” 싶었던 게 있으신가요. 어떤 도구였고 왜 그렇게 느끼셨는지 댓글로 들려주세요. 사례가 모이면 다음 호에서 국내 계약 실무 관점으로 정리해볼게요.
💬 “이건 학습 데이터로 쓰이겠는데” 싶었던 도구를 댓글로 들려주세요. 다음 호에 반영해볼게요. 📨 데이터·노동·계약을 함께 고민하는 분이 주변에 있다면 이 글을 전달해 주세요.
참고자료 & 더 읽기
핵심 출처
- Ma, J., Bi, J., et al., “HumanScale: Egocentric Human Video Can Outperform Real-Robot Data for Embodied Pretraining”, arXiv:2606.20521, 2026. 링크 ··· 오늘 글의 뼈대예요. 인간 영상과 로봇 데이터의 다양성을 항목별로 비교한 표와, 실물 로봇 성공률 0% 대 90% 대목부터 보시면 왜 1인칭 영상이 귀한지 바로 잡혀요.
- “HumanNet: Scaling Human-centric Video Learning to One Million Hours”, arXiv:2605.06747, 2026. 링크 ··· HumanScale이 학습 데이터를 뽑아온 원본 저장고예요. 100만 시간 중 80만 시간 이상이 1인칭 영상이라는 규모 감각을 얻을 수 있어요.
- “China’s tech giants race to put AI on delivery riders’ heads”, South China Morning Post, 2026. 링크 ··· 징둥·메이퇀·알리바바 세 곳의 헬멧을 한자리에서 비교한 기사예요. 오늘 글의 출발점이고요.
- “Stronger social security? Proposed law sparks a pushback by gig workers”, South China Morning Post, 2026. 링크 ··· 라이더 본인들이 사회보험보다 건당 수수료를 원한다고 말하는 대목이 핵심이에요. 보호 입법의 역설을 보여줘요.
- “China’s Delivery Revolution”, The Wire China, 2025년 10월. 링크 ··· 자율주행 배송차 가격이 100만 위안에서 2만 위안으로 떨어진 과정을 숫자로 추적했어요. 인건비 곡선과 겹쳐 읽어보세요.
배경 지식
- Grauman, K., et al., “Ego4D: Around the World in 3,000 Hours of Egocentric Video”, CVPR, 2022. 링크 ··· 1인칭 영상 데이터셋의 사실상 표준이에요. 923명·3,670시간이라는 규모를 알아두면 이번 호의 산수가 훨씬 선명해져요.
- “‘70만 배달기사 필요 없어진다’…中 징둥 수장의 경고”, 서울경제, 2026년 6월. 링크 ··· 류창둥의 APEC 포럼 발언과 중국 긱워커 3억 2,000만 명이라는 맥락이 함께 정리돼 있어요.
- Restrictions on geographic data in China, Wikipedia. 링크 ··· 중국의 측량·지도 데이터 규제 구조를 빠르게 훑기 좋아요. 왜 이 데이터가 국내 플랫폼만의 자산이 되는지 이해하는 데 도움이 돼요.
함께 읽으면 좋은 지난 호
- 이마에 고프로, 로봇을 키우는 사람들 ··· 오늘 글의 앞편이에요. 인도 카루르의 시급 2.6달러가 어디서 나온 숫자인지, 그리고 “레이어 소유”라는 틀이 어떻게 만들어졌는지 여기서 확인하실 수 있어요.
- 러다이트가 부순 건 기계가 아니었어요 ··· 노동자가 자기를 대체할 시스템의 학습에 기여하게 되는 구조는 200년 전에도 있었어요. 오늘 글과 나란히 읽으면 패턴이 보여요.
📝 용어 설명
각주
-
1인칭 영상 (Egocentric video): 사람의 머리나 눈높이에 카메라를 달고 찍은 영상이에요. 제3자 시점 영상과 달리 손과 물체가 닿는 순간, 그리고 사람이 실제로 보는 각도가 그대로 잡혀서 로봇에게 동작을 가르칠 때 쓸모가 훨씬 커요. ↩
-
사전학습 (Pretraining): 특정 작업을 가르치기 전에 대량의 일반 데이터로 모델의 기본기를 먼저 만들어두는 단계예요. 요리를 가르치기 전에 칼 쥐는 법과 불 다루는 법을 익히게 하는 것과 비슷해요. ↩
-
분포 외 일반화 (Out-of-distribution generalization): 학습할 때 본 적 없는 상황에서도 제대로 작동하는 능력이에요. 로봇이 실험실을 벗어나 실제 환경에서 쓸모가 있으려면 이 능력이 관건이에요. ↩
SEND A COFFEE
이 관점이 좋았다면, 다음 글에 커피 한 잔
오스왈드에게 커피와 함께 짧은 쪽지를 보내주세요. 응원은 다음 취재와 집필에 보탭니다.
여러분의 생각이 다음 호를 만듭니다
이번 호에서 가장 공감했거나, 다른 경험을 한 지점은 무엇인가요?