현대차그룹의 빅테크 동맹, 기술 종속인가? 데이터로 읽는 2-Track 자립 전략
대기업이 구글이나 엔비디아의 기술을 활용하면 평가는 엇갈립니다. 세계 최고 수준의 기술을 빠르게 확보했다는 시각과 핵심 두뇌를 외부에 맡겨 플랫폼 기업에 종속될 것이라는 우려가 동시에 나옵니다.
현대차그룹도 같은 질문을 받고 있습니다.
Boston Dynamics는 Google DeepMind의 Gemini Robotics 계열 모델을 신형 Atlas와 결합하는 공동 연구를 시작했습니다. 현대차·기아는 NVIDIA DRIVE Hyperion을 기반으로 레벨 2부터 레벨 4까지 확장 가능한 자율주행 구조를 개발하고 있습니다.
그렇다면 현대차그룹은 구글의 AI와 엔비디아의 컴퓨팅 플랫폼 없이는 움직일 수 없는 기업이 되는 것일까요?
현재 공개된 자료만으로는 기술 종속이라고 단정하기도 자립 성공이 보장됐다고 평가하기도 어렵습니다. 현대차그룹의 전략은 외부 기술로 초기 개발 속도를 높이면서 현장 데이터, 자체 소프트웨어와 차량 제어 구조를 축적하는 조건부 2-Track 전략에 가깝습니다.
성패는 외부 기술을 쓰느냐보다 무엇을 내부에 남기느냐에 달려 있습니다.
핵심 요약
- 외부 AI 모델과 칩을 쓰는 것만으로 기술 종속이 결정되지는 않습니다.
- 현장 데이터와 제어 계층이 외부 플랫폼에 묶이면 종속 위험이 커집니다.
- 실제 현장 데이터는 사전학습 모델의 약점을 보완하지만 정제와 재학습 체계가 함께 필요합니다.
- 중국 기업들은 자체 칩과 소프트웨어로 이동하고 있으나 기업별 단계와 시점은 다릅니다.
- 현대차그룹의 공식 일정은 2026년 하반기 Pace Car, 2027년 말 L2+, 2029년 초 L2++입니다.
목차
- 외부 기술을 쓰면 모두 종속일까
- 현대차그룹의 데이터 3층 분업 구조
- 가상 데이터가 늘수록 실제 공장이 중요해지는 이유
- 32.4%에서 71.8%로 오른 수치가 말하는 것
- 수직계열화와 외부 기술 활용의 손익
- 중국 전기차 기업들은 어떻게 내재화했나
- 현대차그룹의 SDV·로보틱스 로드맵
- 장기 투자자가 확인해야 할 다섯 가지 조건
1. 외부 기술을 쓰면 모두 종속일까
기술 종속을 판단할 때는 ‘사용’과 ‘통제’를 구분해야 합니다.
자동차 회사가 외부 반도체, 클라우드나 AI 모델을 사용하는 것은 드문 일이 아닙니다. 모든 기술 계층을 직접 개발하는 것이 항상 경제적인 것도 아닙니다.
종속 위험은 다음과 같은 상황에서 커집니다.
- 차량·로봇 데이터를 자체 모델 학습에 다시 쓰지 못하는 경우
- 외부 모델을 다른 모델로 교체하기 어려운 경우
- 안전 판단과 차량 제어까지 외부 소프트웨어에 묶이는 경우
- 가격과 이용 조건이 바뀌어도 대체 수단이 없는 경우
- 자체 소프트웨어를 다른 칩에서 구동할 수 없는 경우
반대로 외부 모델을 초기 성능 확보에 활용하되 데이터, 안전, 제어, 운영체제와 업데이트 체계를 내부에 남겨 둔다면 외부 기술은 자립을 막는 족쇄가 아니라 개발 속도를 높이는 도구가 될 수 있습니다.
Boston Dynamics와 Google DeepMind의 협력도 현재는 공동 연구 단계입니다. 공식 발표에는 사용료, 독점 기간이나 데이터 소유 조건이 제시되지 않았습니다. 따라서 막대한 구독료를 지급한다거나 사실상 무상으로 모델을 제공받는다는 주장 모두 공개 정보로 확인되지 않습니다.
2. 현대차그룹의 데이터 3층 분업 구조
현대차그룹의 로봇·자율주행 협력을 세 층으로 나누면 전략이 선명해집니다.
NVIDIA는 DRIVE 외에도 Cosmos와 Isaac Sim 등 피지컬 AI 개발 생태계를 제공합니다. 다만 현대차그룹이 각각을 어떤 범위와 계약 조건으로 사용하는지는 공개 자료만으로 확인하기 어렵습니다.
또한 NVIDIA와 협력한다는 사실과 특정 모델인 Alpamayo를 양산차에 채택했다는 주장은 구분해야 합니다. 공식 발표에서 확인되는 것은 DRIVE Hyperion 기반의 통합 자율주행 구조와 공동 개발입니다.
결국 핵심 자산은 공장 자체가 아니라 현장에서 발생한 실패와 예외를 수집하고 학습 가능한 형태로 정제한 뒤 차량과 로봇에 다시 배포하는 폐쇄형 데이터 순환 구조입니다.
3. 가상 데이터가 늘수록 실제 공장이 중요해지는 이유
시뮬레이션에서는 조명, 위치, 물체 형태와 실패 상황을 대규모로 생성할 수 있습니다. 실제 로봇 수천 대를 가동하지 않고도 학습 자료를 만들 수 있다는 뜻입니다.
그러나 실제 공장에는 미리 모델링하기 어려운 변수가 남습니다. 부품 공차, 설비 마모, 반사광, 먼지, 진동, 작업자와의 상호작용, 미끄러짐과 접촉면 변화 등이 대표적입니다.
특히 로봇이 물체를 잡고 밀거나 조립할 때는 시각뿐 아니라 힘, 토크, 촉각과 접촉 상태가 함께 작용합니다.
다만 “시뮬레이션 성공률은 95%지만 실제 공장에서는 중앙값 45%로 떨어진다”는 수치는 동일한 작업과 조건을 비교한 보편적 공개 통계로 확인되지 않았습니다. Sim-to-Real Gap은 널리 알려진 문제지만 격차의 크기는 로봇과 작업, 센서, 시뮬레이터에 따라 달라집니다.
따라서 정확한 결론은 다음과 같습니다.
시뮬레이션 점수만으로 실제 공장 성능을 판단할 수 없으며 현실의 실패 데이터와 반복 검증이 필요합니다.
4. 32.4%에서 71.8%로 오른 수치가 말하는 것
현장 데이터의 가치를 보여주는 구체적인 연구는 존재합니다.
Stanford University와 Toyota Research Institute 연구진은 이동형 로봇을 도서관에 배치해 책장 이미지를 수집했습니다. 사전학습된 Qwen2.5-VL 모델은 손상되거나 가려진 책을 식별하는 과제에서 정확도 32.4%를 기록했습니다.
연구진이 현장에서 수집·정제한 5,019장의 이미지로 모델을 미세조정하자 정확도는 71.8%로 높아졌습니다. 개선 폭은 39.4%포인트였으며 같은 조건에서 미세조정 전 Gemini의 정확도는 43.7%였습니다.
이 결과는 인터넷 사전학습 자료에 충분히 포함되지 않은 손상, 가림과 빛바램 같은 현실 변수를 현장 데이터가 보완할 수 있음을 보여줍니다.
그러나 32.4%와 71.8%는 Atlas의 공장 작업 성공률도 로봇의 힘·토크·촉각 제어 성능도 아닙니다. 도서관에서 수집한 시각 데이터를 활용한 특정 도서 식별 과제의 정확도입니다.
현대차그룹의 경쟁력으로 이어지려면 데이터 양뿐 아니라 실패 원인 표시, 품질 관리, 모델 평가, 안전 검증과 재배포까지 하나의 체계로 연결해야 합니다.
5. 수직계열화와 외부 기술 활용의 손익
AI 모델, 반도체, 데이터센터와 시뮬레이터를 모두 자체 개발하려면 대규모 인력과 연산장비, 반도체 검증 비용이 필요합니다.
판매량이나 로봇 배치 대수가 충분하지 않은 단계에서는 이런 지출이 고정비로 남습니다. 기술 방향이 바뀌거나 제품화에 실패하면 비용 회수도 어렵습니다.
외부 모델과 칩을 활용하면 초기 비용을 변동비 중심으로 설계하고 개발 기간을 단축할 수 있습니다. 그러나 규모가 커지면 대당 사용료와 칩 비용이 누적되고 공급자의 가격 인상이나 기능 제한 위험도 커집니다.
투자 판단에는 가정된 비용보다 다음 항목이 중요합니다.
- 외부 모델의 대당 비용 구조
- 자체 개발비와 외부 사용료가 역전되는 생산 규모
- 다른 모델이나 반도체로의 전환 가능성
- 데이터와 핵심 알고리즘의 귀속
- 자체 소프트웨어의 원가 절감과 성능 개선 효과
개방형 전략은 초기 자본 효율을 높일 수 있지만 생산 규모가 커진 뒤에도 경제적인지는 별도로 검증해야 합니다.
6. 중국 전기차 기업들은 어떻게 내재화했나
중국 전기차 기업의 경험은 외부 플랫폼으로 출발한 기업도 소프트웨어와 칩을 단계적으로 내재화할 수 있음을 보여줍니다.
다만 NIO·XPeng·Li Auto가 모두 2025년에 자체 칩 자립을 끝냈다는 주장은 사실과 다릅니다.
NIO: 2025년 양산차 자체 칩 적용
NIO는 자체 개발한 지능형 주행 칩 NX9031을 ET9에 적용했습니다. ET9는 2025년 3월 인도가 시작됐으며 NIO는 이후 자체 칩과 범용 칩 플랫폼에서 지능형 주행 소프트웨어를 병행 개발·배포했다고 발표했습니다.
이는 외부 반도체로 시장에 진입한 완성차 기업이 판매 차량과 데이터를 기반으로 자체 추론 칩과 운영체제로 이동할 수 있음을 보여줍니다. 다만 칩 설계도구, 파운드리, 메모리와 클라우드 인프라까지 독립했다는 의미는 아닙니다.
XPeng: 자체 소프트웨어가 먼저
XPeng은 자체 풀스택 운전자보조 기술과 차량 운영체제를 개발해 왔으며 2024년 자동차와 로봇 등에 적용할 수 있는 Turing AI 칩을 공개했습니다.
하지만 칩 공개와 2025년 전 차종 대량 탑재는 다른 사실입니다. XPeng은 자체 주행 모델과 운영체제, E/E 아키텍처를 먼저 축적한 뒤 적용 범위를 확대하는 사례로 보는 편이 정확합니다.
Li Auto: 자체 칩 적용은 2026년
Li Auto는 기존 상위 트림에 NVIDIA Orin-X를 사용했습니다. 자체 M100 칩은 2026년부터 신차에 적용하는 일정으로 진행됐으며 회사는 2026년 1분기에 M100과 MindVLA 모델의 차량 통합을 발표했습니다.
세 기업 사례의 핵심은 모두 2025년에 완전 자립했다는 것이 아닙니다.
외부 반도체와 개발 플랫폼으로 출발한 완성차 기업도 판매량, 데이터와 소프트웨어 역량을 축적한 뒤 핵심 계층을 단계적으로 내재화할 수 있다는 점입니다.
이는 현대차그룹의 2-Track 경로가 가능함을 보여주지만 성공을 보증하지는 않습니다.
7. 현대차그룹의 SDV·로보틱스 로드맵
현대차그룹의 공식 발표를 종합하면 자립 경로는 한 번에 완성되는 방식이 아니라 단계별 적용에 가깝습니다.
‘2029년 L2++’는 기아의 공식 발표에서 확인됩니다. 반면 ‘2030년 말 완전 L4 로보택시 양산’이라는 확정 일정은 공개 자료에서 확인되지 않았습니다.
현대차그룹은 NVIDIA 협력 구조를 레벨 2부터 레벨 4까지 확장하고 Motional을 통해 레벨 4 역량을 발전시키겠다고 밝혔지만 특정 시점까지 완전 양산을 끝낸다는 확정 일정과는 구분해야 합니다.
42dot과 AVP본부의 자체 자율주행용 SoC 테이프아웃 일정도 공식적으로 확인되지 않습니다. RMAC의 2026년 개소 계획은 발표됐지만 ‘2026년 8월 가동’이라는 구체적인 월 역시 확인되지 않았습니다.
8. 장기 투자자가 확인해야 할 다섯 가지 조건
현대차그룹의 빅테크 제휴를 기업가치 재평가의 근거로 보려면 제휴 발표보다 다음 조건을 확인해야 합니다.
첫째, 현장 데이터의 귀속과 재사용 권리
차량과 공장에서 수집한 데이터를 자체 모델과 다른 외부 모델에도 활용할 수 있어야 합니다. 데이터가 특정 플랫폼에만 귀속된다면 데이터 플라이휠은 현대차그룹이 아니라 공급자의 해자가 될 수 있습니다.
둘째, 자체 OS와 안전·제어 계층
인식 모델 일부를 외부에서 공급 받더라도 제동, 조향, 로봇 안전과 업데이트 권한은 내부에 남아 있어야 합니다.
현대차그룹은 Pleos와 42dot, AVP본부를 통해 SDV 운영체제와 E/E 아키텍처, 자체 E2E 주행 모델을 개발하고 있습니다. 2026년 광주 실증에는 자체 자율주행 솔루션 Atria AI를 투입한다고 발표했습니다.
셋째, 칩과 모델의 교체 가능성
진정한 내재화는 모든 칩을 직접 설계하는 것만을 뜻하지 않습니다. 자체 소프트웨어를 여러 연산 플랫폼에 배포하고 공급 조건에 따라 칩이나 모델을 교체할 수 있다면 협상력이 높아집니다.
넷째, 현장 성능과 단위 경제성
시연 영상이나 벤치마크보다 중요한 것은 공장 작업 성공률, 사람 개입 횟수, 사이클 타임, 유지보수 비용과 안전성입니다.
Atlas가 2028년 HMGMA에서 실제 업무를 시작한 이후에야 부품과 액추에이터, 유지보수와 소프트웨어 매출의 규모를 판단할 수 있습니다. RMAC 검증을 건너뛰고 단기 실적 급증을 가정해서는 안 됩니다.
다섯째, 단계별 내부화 실적
중요한 것은 ‘자체 개발 중’이라는 표현이 아니라 실제 양산 적용입니다.
- SDV Pace Car 공개 여부
- L2+와 L2++ 일정 준수 여부
- 자체 모델의 실제 차량 배포 범위
- 외부 플랫폼과 자체 소프트웨어의 역할 구분
- 데이터 학습과 OTA 재배포 주기
- 대당 소프트웨어·컴퓨팅 비용 변화
이 항목들이 확인될수록 2-Track 전략은 구호가 아니라 실행 가능한 사업 모델로 평가받을 수 있습니다.
결론: 종속과 자립을 가르는 것은 누구의 AI를 쓰는지가 아니다
Google DeepMind의 모델과 NVIDIA의 칩·개발환경을 활용한다는 사실만으로 현대차그룹을 기술 종속 기업이라고 단정하기는 어렵습니다.
반대로 세계적인 빅테크와 협력하고 대규모 공장을 보유했다는 이유만으로 소프트웨어 자립이 보장되는 것도 아닙니다.
현대차그룹의 잠재력은 완성차·부품·공장·로봇을 함께 운영하며 현실 데이터를 반복적으로 수집할 수 있다는 데 있습니다. 그러나 이 데이터가 해자가 되려면 재사용 권리, 데이터 엔지니어링 역량, 개선된 모델을 차량과 로봇에 반복 배포하는 자체 소프트웨어 체계가 함께 필요합니다.
따라서 현재의 개방형 동맹은 껍데기뿐인 종속이라기보다 초기 개발 위험을 분산하는 합리적인 우회로에 가깝습니다. 다만 이 우회로가 자립으로 이어질지는 데이터 권리, 자체 제어 계층, 소프트웨어 이식성, 현장 성능과 비용 개선이 실제로 증명되는지를 통해 판단해야 합니다.
<실제 사용한 공개 원천자료>
- Boston Dynamics, Google DeepMind와의 Gemini Robotics 공동 연구 발표, 2026년 1월 5일.
- Google DeepMind, Gemini Robotics 공식 모델 소개.
- 현대자동차그룹, 현대차·기아와 NVIDIA의 차세대 자율주행 협력 확대, 2026년 3월.
- 현대자동차그룹, CES 2026 AI 로보틱스 전략과 RMAC·Atlas 적용 계획.
- 현대자동차그룹, Pleos와 2027년 말 L2+ 계획.
- 기아, 2026 CEO Investor Day의 2027년 L2+·2029년 L2++ 계획.
- Stanford University·Toyota Research Institute 연구진, 현장 로봇 데이터 기반 모델 미세조정 연구, 2025년.
- NIO, NX9031 적용 및 범용·자체 칩 플랫폼 병행 배포 자료.
- XPeng, Turing AI 칩 및 자체 풀스택 기술 발표.
- Li Auto, M100 자체 칩의 2026년 차량 통합 발표.
※ 이 글은 공개된 산업·기업 정보를 분석한 정보성 콘텐츠입니다. 특정 종목이나 금융상품의 매수·매도·보유를 권유하지 않으며 과거 주가와 현재의 산업 전망은 미래 성과를 보장하지 않습니다.
