Executive Summary

주요 수치

출처: Waller, C. J. (2026). FRED Con 2026 연설, Federal Reserve Board.

FRED는 세인트루이스 연방준비은행이 운영하는 경제통계 공개 사이트다. 미국 실업률과 물가, 금리, 국내총생산 같은 숫자를 한자리에 모아 누구나 그래프로 보고 내려받을 수 있게 해 둔 곳이라, 경제 기사에 붙는 그래프의 출처로 자주 보인다. 월러가 연설에서 꺼낸 출발점은 웹이 아니라 우편이다. 1961년 세인트루이스 연은 조사부장 호머 존스가 여러 정부 기관의 경제 지표를 타자로 친 주간 요약지로 묶어 연준 정책 담당자와 학자, 기자에게 부치기 시작했다. 우편을 기다리지 못하는 사람을 위해 나중에는 자동응답기가 전화를 받았고, 1991년에는 전화선 모뎀으로 들어가는 컴퓨터 게시판에 자료를 계속 올렸다. FRED가 웹사이트가 된 해는 1995년이다. 그때 올라 있던 시계열은 865개였고, 한 주에 들르는 사람은 6,000명 남짓이었다.

지금은 시계열이 85만 개를 넘는다. 2025년 한 해 동안 FRED를 찾은 고유 사용자는 1,800만 명이었다. 여기까지는 공공 데이터 창구가 육십 년에 걸쳐 커 온 보통의 성장 곡선이다. 월러가 연설의 무게를 실은 대목은 그다음이다. FRED 트래픽은 해마다 늘어 왔지만 AI가 나온 뒤로 속도가 붙었고, 지금은 한 해 150%로 늘고 있다. 그 증가분의 대부분이 AI와 봇에서 나온다. 그리고 현재 FRED 방문의 약 절반이 데이터를 받아 가는 AI 에이전트이고, 나머지 절반이 월러의 표현으로 살과 피를 가진 방문자다.

두 수치를 섞어 읽으면 안 된다. 앞의 것은 새로 늘어난 트래픽을 누가 끌고 왔는지를 말하는 기여도이고, 뒤의 것은 지금 들어오는 방문 전체를 나눠 본 구성비다. 기여도가 구성비를 끌어올리는 중이라고 보면 맞다. 사람 사용자가 줄어서 절반이 된 것이 아니라, 기계가 빠르게 붙어서 절반이 됐다.

이 수치를 누가 말했는지도 함께 보아야 한다. 바깥 분석가의 추정이 아니라 데이터를 내놓는 당사자가 자기 서버 기록을 보고 한 말이다. 공공 통계 기관이 자기 독자의 절반이 기계라고 공식 석상에서 인정한 사례로는 이만큼 선명한 것이 드물다.

FRED 팀은 같은 날 FRED MCP Connector를 내놓았다. FRED 데이터를 AI 시스템에 잇는 일을 간단하게 만들려고 내놓은 도구이고, 행사장 시연도 그날로 잡혀 있었다. MCP는 Model Context Protocol의 줄임말로, AI 모델이 바깥 데이터나 도구에 접속할 때 쓰는 공통 규격이다. 사람으로 치면 웹페이지를 눈으로 읽는 대신 창구에서 번호표를 뽑고 원하는 서류를 바로 받아 오는 쪽에 가깝다. 에이전트는 화면을 긁어 숫자를 뽑아내지 않고, 어떤 시계열이 있고 각 값이 무엇을 뜻하는지를 정해진 형식으로 건네받는다.

FRED 팀이 이 방식에 붙인 이름은 BYOAI다. Bring Your Own AI, 곧 쓰던 AI를 그대로 가져와 FRED에 꽂으라는 뜻이다. 연준이 자체 챗봇을 만들어 내놓는 길도 있었겠지만 FRED가 고른 쪽은 아니다. 사용자가 이미 쓰는 에이전트가 FRED를 읽게 하고, FRED는 읽히는 방식의 품질을 책임지겠다는 설계다.

왜 이것이 큰일이냐고 월러는 스스로 물었고, 이렇게 답했다.

"Up till now, FRED has been designed to be viewed and understood by humans. But an AI bot sees and interprets data very differently. And that means the FRED team must adapt how FRED is presented to this new type of viewer so that the data are conveyed back to the agent's master accurately and in a well-documented manner."

지금까지 FRED는 사람이 보고 이해하도록 설계됐다. 그러나 AI 봇은 데이터를 아주 다르게 보고 해석한다. 그러니 FRED 팀은 이 새로운 종류의 독자에게 FRED를 어떻게 내보일지를 바꿔야 한다. 그래야 데이터가 에이전트를 부리는 사람에게 정확하게, 그리고 근거가 잘 적힌 채로 전달된다.

여기서 눈에 걸리는 말은 "새로운 종류의 독자"다. 접속 방법을 하나 더 붙인다는 이야기가 아니라, 데이터를 어떻게 보여 줄지를 독자가 기계라는 전제 위에서 다시 정한다는 이야기다. 사람이 읽을 때는 그래프 아래 작은 글씨로 적어 두면 충분했던 단위와 계절조정 여부와 개정 시점이, 기계가 읽을 때는 값과 같은 자격으로 함께 실려 나가야 한다.

FRED 팀이 밝힌 다음 계획도 같은 방향이다. 에이전트가 경제 데이터를 올바로 다루도록 돕는 스킬을 만들고, 역사 자료를 모아 둔 FRASER와 과거 시점의 데이터 판본을 보관한 ALFRED를 FRED와 더 촘촘히 엮겠다고 했다. 특히 ALFRED는 기계 독자에게 의미가 크다. 경제 지표는 한번 발표된 뒤에도 여러 차례 고쳐지는데, 어느 시점에 어떤 값이 공표돼 있었는지를 되짚을 수 있어야 과거의 판단을 지금 값으로 덮어쓰지 않는다.

같은 연설에서 월러는 하나를 더 알렸다. 연준 이사회가 내놓는 일부 데이터를 찾는 사용자도 앞으로 FRED와 FRED의 도구로 안내된다는 것이다. 통로를 지나는 숫자가 더 늘어난다는 뜻이고, 그만큼 통로의 이름과 생산자의 이름을 가려 적는 일도 무거워진다.

월러는 자랑만 하지 않았다. 연설에서 가장 조심스러운 문장은 고백이다.

"FRED's managers don't know whether AI agents are correctly attributing data to the original source, or to FRED, as we have sometimes seen in testing."

FRED 운영진은 AI 에이전트가 데이터를 원 출처에 제대로 귀속시키고 있는지 알지 못한다. 시험 과정에서 더러 보았듯 FRED에 귀속시키기도 한다.

이 문장이 왜 무거운지는 FRED가 무엇을 하는 곳인지를 알면 드러난다. FRED는 통계를 생산하는 기관이 아니다. 여러 기관이 만든 숫자를 모아 한 형식으로 정리해 내보내는 통로다. 실업률은 노동통계국이 만들고, 국내총생산은 경제분석국이 만들며, 정책금리는 연준이 정한다. FRED는 그것들을 같은 자리에 놓아 비교할 수 있게 해 준다. 월러 자신도 FRED의 쓸모를 그렇게 정의했다.

"[FRED] is a trusted conduit for data from diverse sources because it offers a common platform to access all data in a consistent and reliable way, without a commercial or other parochial interest, following best practices for transparency and reliability. The ultimate credibility of the data lies with those sources that produce the data. But FRED's distribution of the data is a guarantee that it has been accurately reproduced—that what you see is what it claims to be."

FRED가 여러 출처에서 온 데이터의 믿을 만한 통로인 까닭은, 상업적 이해나 한쪽에 치우친 이해 없이 투명성과 신뢰성의 모범을 따라, 모든 데이터에 일관되고 안정된 방식으로 닿을 수 있는 공통 기반을 주기 때문이다. 데이터의 최종 신뢰는 그 데이터를 생산한 출처에 있다. 다만 FRED가 그 데이터를 배포한다는 것은 데이터가 정확히 재현됐다는 보증이다. 보이는 것이 스스로 주장하는 바로 그것이라는 뜻이다.

월러는 생산과 재현을 나눠 놓았다. 숫자의 최종 신뢰는 그 숫자를 만든 기관에 있고, FRED가 보증하는 것은 그 숫자를 정확히 옮겨 왔다는 사실까지다. 둘은 성격이 다른 책임이다. 에이전트가 답변에 FRED만 적으면 그 둘이 한 이름으로 뭉개진다. 옮긴 곳이 만든 곳의 책임까지 떠안은 것처럼 읽히고, 정작 책임이 있는 쪽의 이름은 사라진다.

통로를 생산자로 잘못 적으면 무엇이 깨지는가. 먼저 숫자를 검증할 길이 끊긴다. 노동통계국이 발표한 실업률에는 조사 방법과 표본, 개정 일정이 딸려 있고, 그 정의를 확인하려면 노동통계국 문서로 가야 한다. 답변에 FRED만 적혀 있으면 독자는 거기서 멈춘다. 책임 소재도 흐려진다. 숫자가 고쳐졌을 때 고친 쪽은 원 기관이지 FRED가 아니다. 그리고 같은 지표가 여러 기관에서 조금씩 다른 정의로 나오는 경우, 어느 정의를 집어 왔는지가 사라지면 비교 자체가 어긋난다.

한쪽으로 기울여 읽지는 말자. 월러는 같은 시험에서 에이전트가 잘한 일도 빼놓지 않았다. 그래프가 무엇을 보여 주는지 설명하고 복잡한 경제 용어를 쉬운 말로 풀어 주는 작업에서 AI는 전반적으로 매우 정확했다는 것이 그의 평가다. 틀어진 곳은 숫자의 뜻이 아니라 숫자의 출생지였다.

월러는 기회부터 꺼냈다. "AI can find, summarize, and visualize data more quickly than one person—or even many people—can." 한 사람이, 심지어 여러 사람이 달라붙어도 못 할 속도로 AI가 데이터를 찾아내고 요약하고 그려 낸다. 85만 개 시계열은 사람이 목록만 훑어도 하루가 가는 규모라, 이 속도가 왜 반가운지는 설명이 더 필요하지 않다. 꼽은 것이 속도만은 아니다. AI는 훨씬 많은 양의 정보를 한꺼번에 다루고, 검색으로 또 어려운 개념을 보통 사용자에게 풀어 주는 방식으로 데이터의 독자층 자체를 넓힌다고 그는 덧붙였다.

그러고 나서 이번 기술 변화가 앞선 것들과 어디서 갈라지는지를 짚었다. 지난 변화들은 주로 데이터를 퍼뜨리는 일을 도왔다. 우편도 자동응답기도 게시판도 웹도 같은 숫자를 더 멀리 더 빨리 보냈을 뿐, 숫자를 만들어 내지는 않았다. AI는 다르다. 내용 자체를 새로 써내기도 한다. 새로운 위험이 생기는 자리가 바로 거기라는 것이 월러의 정리다.

위험은 바로 뒤에 붙는다. "AI can hallucinate, introduce bias, and hide key assumptions, often with confidence and polish." AI는 없는 것을 지어내고, 편향을 집어넣고, 핵심 가정을 숨긴다. 그것도 대개 자신 있고 매끄러운 말투로 그렇게 한다. 이 위험이 FRED에 무엇을 뜻하는지도 그 자리에서 이어 말했다. 다른 기관이 만든 데이터의 믿을 만한 출처 노릇이 흔들린다는 것이고, 더 좁히면 AI가 데이터의 출처를 정확히 적지 않을 수 있다는 것이다. 해석에서 나오는 오류도 따로 들었다. 경제학자와 통계학자의 해묵은 골칫거리라며 상관관계와 인과관계를 뒤섞는 일을 지목했는데, 두 시계열이 같이 움직인다는 사실에서 한쪽이 다른 쪽을 움직였다는 결론으로 건너뛰는 실수다. 데이터가 많아질수록 우연히 같이 움직이는 짝은 늘어난다.

그래서 연준이 떠안은 과제의 모양이 분명해진다. 출처 귀속이 끊기고 가정이 숨는 일이 잦아지면 FRED는 스스로를 부르는 이름, 곧 믿을 만한 통로라는 말을 지키기 어려워진다. 통로의 신뢰는 통로를 지나간 뒤에도 숫자가 제 이름표를 달고 있을 때 유지된다. 커넥터를 열어 접근을 쉽게 만드는 일과, 쉬워진 접근 끝에 나온 답변이 정확한지를 챙기는 일은 같은 일이 아니다. 연준은 전자를 먼저 내놓았고 후자를 숙제로 적어 두었다.

금융업계 매체인 American Banker도 같은 연설을 다루면서 이 두 가지를 과제로 요약했다. 출처를 정확히 인용하게 만드는 일, 그리고 환각과 편향, 숨은 가정을 줄이는 일이다. 데이터를 받아 쓰는 곳에도 이 물음은 그대로 돌아온다.

이 발표에서 데이터를 다루는 사람이 가져갈 것은 커넥터라는 결과물이 아니다. 그 결과물을 만들게 한 전제의 변화다. 삼십 년 동안 FRED가 신경 쓴 독자는 화면을 열어 그래프를 보는 사람이었다. 이제 그 자리의 절반을 기계가 차지했고, 기계는 그래프를 보지 않는다. 월러의 문장을 다시 가져오면, 새로운 종류의 독자에게 어떻게 내보일지를 바꿔야 한다는 것이 결론이었다.

이 전제가 바뀌면 데이터를 준비하는 기준도 함께 바뀐다. 사람이 읽을 때는 맥락의 상당 부분을 독자가 채워 준다. 그래프 제목을 보고 단위를 짐작하고, 출처 각주를 눈으로 좇고, 이상해 보이면 원 기관 사이트를 열어 본다. 기계 독자는 그 보충을 하지 않는다. 값과 함께 건네지 않은 정보는 그대로 사라지고, 사라진 자리는 모델이 그럴듯한 말로 메운다. 월러가 지적한 귀속 오류가 바로 그 메움의 한 종류다.

공공 기관이 아닌 조직에도 같은 질문 두 개가 그대로 성립한다. 첫째, 우리 데이터는 지금 누구에게 읽히고 있는가. 서버 기록에서 사람 방문과 봇 방문을 갈라 볼 수 있는 조직이 생각보다 적고, 볼 수 있더라도 그 비율이 어느 방향으로 움직이는지를 정기적으로 확인하는 곳은 더 적다. FRED가 절반이라는 숫자를 말할 수 있었던 것은 그 기록을 들여다보고 있었기 때문이다.

둘째, 읽어 간 쪽이 출처를 제대로 적고 있는가. 이 질문은 데이터가 우리 손을 떠난 뒤의 일이라 확인이 까다롭다. 그렇더라도 손을 떠나기 전에 할 수 있는 일은 남아 있다. 값에 출처와 정의, 갱신 시점을 함께 실어 내보내는 것, 그리고 그 정보가 기계가 읽는 형식으로 적혀 있는지 확인하는 것이다. 각주로만 적힌 출처는 사람 독자에게만 전달된다. 연준이 커넥터와 함께 스킬과 ALFRED 연계를 숙제로 남긴 이유도 여기에 있다.

공공 통계 기관이 기계 독자를 전제로 자기 데이터를 다시 짓겠다고 공식 석상에서 말한 사례는 아직 흔하지 않다. 한국의 공공데이터 포털이나 기업의 데이터 제품에도 같은 순서가 올 가능성이 높다. 먼저 기계 독자의 비중이 눈에 띄고, 그다음 접속 통로가 열리고, 마지막에 출처와 맥락을 어떻게 함께 보낼지가 과제로 남는 순서다.

여기까지 읽어 주셔서 감사하다. 월러의 연설 전문은 연준 공식 사이트에서, 업계 관점의 정리는 American Banker 보도에서 볼 수 있다. 여러분의 조직에서는 서버 기록으로 사람 방문과 기계 방문을 갈라 볼 수 있는지, 그리고 내보내는 데이터에 출처와 정의가 값과 함께 실려 나가는지 한번 확인해 보시고 무엇이 비어 있었는지 들려주시면 좋겠다.