AI가 기후 영역에서 의미를 갖는 이유는 단지 예측 정확도를 높일 수 있어서가 아니다. 더 중요한 변화는 AI가 기후 데이터를 학습 가능한 형식으로 구조화하면서, 데이터 거버넌스의 규칙을 새롭게 요구한다는 점이다. 기후 데이터는 결측이 많고, 변수 간 관계가 물리적으로 제약되며, 관측 자료, 재분석 자료, 모형 산출물이 서로 다른 편향을 가진다. 이런 조건에서 AI는 원자료를 그대로 받아들이기보다 표준화된 변수 정의, 정교한 메타데이터, 품질 상태 정보, 관리 가능한 자료 구조를 전제로 작동한다. 결국 AI 시대의 핵심 쟁점은 더 큰 모델을 만들 수 있는가가 아니라, 무엇을 학습 가능한 데이터로 인정할 것인가에 놓여 있다. AI의 성능 문제는 곧 데이터 체계의 문제이며, 데이터 체계의 문제는 다시 표준, 메타데이터, 품질 관리, 접근 규칙의 문제로 이어진다.
---『01_“기후 데이터”』중에서

문제는 생성형 기후 모형이 기존 물리 모형을 대체할 수 있는가에만 있지 않다. 더 중요한 질문은 생성형 모형, 물리 모형, 관측 자료, 전문가 판단을 어떤 방식으로 조합할 때 신뢰할 수 있는 예측과 책임 있는 의사 결정이 가능한가다. 이러한 관점에서 NIST(National Institute of Standards and Technology, 미국 국립표준기술연구소)의 생성형 AI 프로파일이 제기한 허위 생성(hallucinations 또는 confabulations)의 위험은 중요하다. 허위 생성은 그럴듯하지만 사실과 다른 산출물이 만들어지는 문제를 가리키며, NIST는 이러한 위험이 중요한 의사 결정에 영향을 미치는 응용 환경에서 특히 관리되어야 한다고 설명한다(NIST, 2024). 기후 정책 영역에서는 이 경고를 더욱 신중하게 받아들일 필요가 있다. 생성형 산출물이 경보, 보험, 인프라 투자, 정책 문서의 근거로 사용되는 순간, 기술적 불확실성은 제도적 책임과 정치적 분쟁의 문제로 전환되기 때문이다. 따라서 생성형 기후 모형은 기술 도구일 뿐 아니라, 책임과 검증의 대상이기도 하다.
---『03_“생성형 기후 모형”』중에서

메탄 감시는 더 이상 과학 관측의 보조 기능에 머물지 않는다. 관측, 알고리즘, 검증, 규제, 기업 대응을 연결하는 집행 인프라로 확장되고 있다. 트로포미 같은 전 지구 감시는 다수의 배출 의심 신호를 포착하고, 이밋과 GHG샛 같은 고해상도 관측은 시설 수준의 책임 귀속 가능성을 높이며, AI 기반 탐지와 분할은 서로 다른 관측 단계들을 연결한다. 다만 이 체계가 정책 효과를 가지려면 정확도만으로는 충분하지 않다. 분쟁 상황에서도 검증 가능한 귀속 논리, 공개 가능한 방법론, 불확실성에 대한 설명, 절차적 정당성이 함께 마련되어야 한다.
---『06_“배출 감시와 메탄 탐지”』중에서

전력망 최적화를 AI 도입만으로 설명하면 곧바로 제도적 한계에 부딪힌다. 국제에너지기구는 규제 시장에서 물리 자산 투자 규모가 수익 기반이 되는 경우가 많기 때문에, 디지털 기술 투자와 데이터 활용의 유인이 상대적으로 약할 수 있다고 지적한다. 또 자산 소유자들이 상업적 기밀을 이유로 데이터를 공유하지 않으려는 경향도 전력망 디지털화를 어렵게 만드는 요인으로 제시한다. 따라서 규제기관은 데이터 공개, 비식별화, 보안 장치를 함께 설계해야 하며, 그렇지 않으면 디지털화의 잠재력이 실제 운영 현장에 충분히 반영되기 어렵다. 전력망 AI의 도입은 알고리즘의 성능만으로 결정되지 않는다. 투자 유인, 데이터 공유 규칙, 보안 책임, 인력 역량이 함께 정비되어야 한다.