운전석이 빈 택시에 타려는데 자율주행차 사고 영상이 떠오른다. 화면 속 차는 멈춰야 할 곳에서 멈추지 못했다. 사람이 운전하는 택시를 부르면 마음은 편해질 듯하다. 그런데 그쪽이 실제로 덜 위험한지는 영상만으로 알 수 없다.
사고 장면은 실패가 어떻게 생겼는지 알려준다. 평소 얼마나 자주 실패하는지까지 알려주지는 않는다. 반대로 업체가 내놓은 사고 감소율만 보면, 그 차가 달리지 않는 도로에서도 같은 성능을 낼 것처럼 받아들이기 쉽다. 불안한 영상과 낙관적인 숫자 사이에서 무엇을 믿을지 곤란해진다.
GeekNews에 소개된 IEEE Spectrum 기사는 자율주행 기술이 사고를 줄인다는 연구들을 묶었다. 그 근거를 따라가면 안전 효과는 분명해지지만, 숫자를 적용할 범위도 함께 좁아진다. 안전성을 읽으려면 사고 감소율 옆에 비교 대상과 운행 조건을 붙여야 한다.
브레이크를 돕는 일부터 효과가 있다
앞차가 급정거했는데 운전자의 반응이 늦는다. 자동 긴급제동(AEB)은 이런 순간에 차가 스스로 브레이크를 거는 기능이다. 주변을 감지하고 충돌 위험을 판단하지만 목적지까지 운전하지는 않는다. 첨단 운전자 보조 시스템(ADAS)은 이처럼 운전자의 일을 돕는 여러 기능을 가리킨다. 기능 이름에 자동이라는 말이 있어도 운전 전체를 맡겼다는 뜻은 아니다.
미국 고속도로안전보험협회 IIHS는 전방 충돌 경고와 자동 제동을 함께 쓰면 앞차를 들이받는 사고가 절반으로 줄었다고 설명한다. 보행자를 감지하는 자동 제동도 보행자 사고를 27% 줄였다. 완전히 운전대를 넘기기 전에도 사고를 줄이는 효과가 있다는 얘기다. 충돌을 끝내 피하지 못하더라도 충돌 직전 속도를 낮추면 피해를 줄이는 데 도움이 된다. IIHS 운전자 보조 기능 연구 정리
효과가 확인됐다고 모든 상황을 해결한 것은 아니다. 보행자 자동 제동을 분석한 2022년 연구에서는 가로등 없는 어두운 곳이나 차량이 회전하는 상황에서 효과를 뒷받침할 증거를 찾지 못했다. 당시 연구 대상 시스템에서 나온 결과다. 지금 판매하는 모든 차가 똑같다는 뜻도, 자동 제동이 쓸모없다는 뜻도 아니다. 평균 효과만 보면 어떤 상황을 더 개선해야 할지 놓친다. 보행자 자동 제동 연구
이 구분은 로보택시, 즉 운전자 없이 승객을 나르는 택시를 볼 때도 필요하다. 사람이 계속 주의를 기울여야 하는 부분 자동화와 달리 레벨 4는 정해진 조건 안에서 사람의 감시 없이 운전을 맡는다. 운전자를 돕는 기능의 성적과 운전자가 없는 차의 성적은 따로 읽어야 한다. 한쪽 연구가 좋다고 다른 쪽까지 검증됐다고 볼 수는 없다.
Waymo에서 확인된 사고 감소
IIHS가 2026년 7월 발표한 연구는 샌프란시스코, 피닉스, 로스앤젤레스, 오스틴을 살폈다. 같은 지역과 기간의 사람 운전 기록을 Waymo 무인 운행 기록과 비교했다. 경찰에 신고할 만한 사고로 범위를 맞췄을 때, Waymo의 주행거리당 사고 관여율은 68% 낮았다. 부상 사고 관여율은 81% 낮았다. 관여율은 사고에 휘말린 빈도이므로 사고를 일으킨 책임만 세는 지표와는 구별된다. IIHS 연구 발표
이 결과를 자율주행차가 사망자를 81% 줄였다는 말로 바꾸면 틀린다. 부상이 발생한 사고와 사망 사고는 서로 다른 범주다. 실제 사고 기록을 비교한 연구 결과를 앞으로 전국에서 줄어들 사망자 수로 바로 환산할 수도 없다. 이용자가 늘고 운행 장소가 바뀌면 새롭게 확인할 조건이 생기기 때문이다.
Waymo 자체 분석도 있다. 회사는 2026년 3월 발표에서 비슷한 운전 조건의 사람과 비교해 중상 또는 사망을 초래한 사고가 92% 적었다고 밝혔다. 과실과 관계없이 사고 관여를 셌다고 명시했다. 이 수치는 회사가 발표한 별도 분석이며 IIHS의 부상 사고 수치와 집계 범위가 다르다. 두 숫자를 이어 붙여 성능이 더 좋아졌다고 읽으면 안 된다. Waymo 분석 발표
같은 방향의 결과가 나왔다는 사실은 긍정적이다. 다만 연구 주체가 다르고 살펴본 사고 범주도 다르다는 설명이 함께 남아야 한다. 숫자만 기억하면 나중에 다른 업체나 다른 도시의 성적과 비교할 때 기준이 사라진다. 기사 제목에서 감소율을 봤다면, 본문에서 누가 어떤 사고를 셌는지까지 읽는 편이 좋다.
사고를 같은 기준으로 세는 어려움
사고율은 사고 건수를 주행거리로 나눈 값이다. 사고가 적어 보여도 거의 달리지 않았다면 안전성을 판단하기 어렵다. 자주 달린 차와 가끔 달린 차를 비교할 때는 얼마나 달렸는지가 꼭 필요하다. 여기에 기록 방식까지 다르면 문제가 더 복잡해진다. 가벼운 접촉을 빠짐없이 기록한 쪽이 같은 접촉을 누락한 쪽보다 위험해 보일 수 있다.
IIHS 연구진은 사고 보고서의 서술을 직접 읽고 사람이 경찰에 신고할 만한 사고인지 분류했다. 사람 쪽은 경찰에 신고된 사고 기록을 사용했다. 양쪽을 가깝게 맞추려는 과정이지만, 사람이 신고했을지를 연구자가 판단하는 작업은 남는다. 원자료가 많다고 이런 차이가 저절로 없어지는 것은 아니다. 자료를 어떤 규칙으로 골랐는지가 결과의 일부다. IIHS 연구 초록
운행 장소도 영향을 준다. 눈이 많이 오는 도로를 포함한 운전 기록과 제한된 도시에서 달린 기록을 바로 비교하면 운전 기술 외의 차이가 섞인다. 연구가 같은 지역과 기간을 맞추는 이유다. 그래도 같은 도시 안에서 모든 차가 같은 경로와 시간대에 달렸다는 뜻은 아니다. 비교 조건을 맞춰야 그 숫자가 어떤 질문에 답하는지 알 수 있다.
도시별 결과도 같지 않았다. IIHS 발표에서 오스틴의 Waymo 사고 관여율은 사람보다 4% 높았고, 표본이 상대적으로 작았다. 이 도시 하나만 떼어 전체 기술이 더 위험하다고 단정하기 어렵다. 반대로 합친 결과가 좋다는 이유로 이 차이를 지워서도 안 된다. 작은 표본에서 생긴 차이인지 지역의 운행 조건 때문인지 알려면 기록이 더 필요하다. IIHS 도시별 비교
안전하다는 판단도 계속 갱신해야 한다
연구를 읽고 남는 판단은 조건부다. 조사한 지역에서 운행한 Waymo 무인 차량은 사람보다 사고 관여율이 낮았다. 이 관찰을 받아들이면서도 다른 회사의 차와 새로운 운행 지역은 따로 살펴볼 수 있다. IIHS 연구 초록 역시 결과가 연구 대상 무인 운행 차량에만 적용된다고 명시한다. 적용 범위를 적어야 연구 결과를 정확히 전달할 수 있다.
여기서 내가 중요하게 보는 것은 다음 비교를 준비하는 방식이다. 운행 지역을 넓힐 때 사고 건수만 발표하면 이전보다 안전해졌는지 알기 어렵다. 해당 지역에서 얼마나 달렸는지, 사람이 개입한 주행과 무인 주행을 어떻게 나눴는지도 함께 남겨야 비교할 수 있다. 결과가 좋았던 도시와 나빴던 도시를 같은 표에서 볼 수 있어야 확대 여부도 더 구체적으로 논의할 수 있다.
사고 사례를 읽는 일과 통계를 읽는 일도 함께 가야 한다. 사례에서는 어떤 장면에서 시스템이 실패했는지 살피고, 통계에서는 그 실패가 얼마나 자주 나타나는지 확인한다. 평균 사고율이 낮아도 특정 상황의 반복적인 실패는 고칠 이유가 충분하다. 반대로 눈에 띄는 실패 영상만으로 사고 감소 연구 전체를 버리면 실제로 줄어든 위험을 놓친다.
자율주행차에 바라는 것은 낯설지 않은 움직임만이 아니다. 탑승자와 길을 건너는 사람이 덜 다치는 결과다. 이미 확인한 안전 효과는 인정하되, 새 도로에 나갈 때도 유지되는지 다시 확인해야 한다. 다음에 큰 사고 감소율을 만나면 숫자와 함께 그 아래의 조건을 읽어보자. 어느 차량이, 어디에서, 어떤 사고를 얼마나 줄였는지까지가 안전성에 관한 한 문장이다.