이기게 하는 게 아니라 싸우게 만드는 게 목표였어요

들어가며

구독자님, 어제 KAIST와 독일 막스플랑크연구소 공동 연구팀이 네이버 뉴스 댓글 1억 1,266만 건을 분석한 결과를 공개했어요. 2006년 4월부터 2025년 3월까지 20년 치, 이용자 405만 명이 남긴 기록 전체예요. 여기서 외국 연계 영향력 활동이 의심되는 계정 2만 3,998개가 걸러졌고, 이 연구는 오늘 보안 분야 최고 권위 학회인 USENIX Security에서 정식 발표돼요.

그런데 탐지 기술보다 더 곱씹게 되는 건 표적 명단이에요. 이 계정들이 공격한 정치인 목록에는 좌우가 없거든요. 문재인도, 윤석열도 같은 계정 풀에서 나온 비난 댓글의 표적이었어요. 진영을 고르지 않는 공격이라니, 언뜻 앞뒤가 안 맞아 보여요.

결론부터 말씀드릴게요. 이 계정들의 목표는 특정 진영의 승리가 아니었어요. 우리가 서로를 더 미워하게 만드는 것, 그러니까 분열 그 자체였어요.

---

같은 손이 양쪽 뺨을 때렸어요

출발점은 국가안보전략연구원이 2024년에 공개한 외국 연계 계정 70개였어요. 연구팀은 이 계정들과 팔로우로 연결되거나 같은 기사에 반복해서 몰려든 계정들로 후보군을 넓힌 뒤, 댓글의 표현과 계정의 행동 패턴을 단계적으로 분석해 의심 계정 2만 3,998개를 추려냈어요. 전체 이용자의 0.59%에 해당하는 규모예요. 이 계정들이 남긴 댓글은 모두 1,500만 건이 넘는데, 그중 영향력 활동 성격으로 분류된 412만 건이 이번 전략 분석의 대상이에요.

이 계정들이 쓴 ‘한국 비난’ 댓글 가운데 공감만 받고 비공감은 받지 않은, 그러니까 댓글창 최상단에 오른 것들의 표적을 집계했더니(논문 본문·부록 집계 기준) 상위 10개 중 7개가 정치인이었어요. 문재인 전 대통령 1만 6,651회, 이재명 당시 대선 후보 1만 3,522회, 윤석열 전 대통령 9,887회, 조국 전 장관 6,314회. 2025년 3월까지의 20년 누적 집계라 현재 직위와는 무관한 수치인데요. 눈여겨볼 건 순위가 아니라 구성이에요. 진보와 보수가 한 명단에 나란히 있어요. 정치인이 아닌 표적도 결이 같아요. ‘대한민국’, ‘헬조선’, 특정 정당의 이름이 명단을 채우고, 특정 대통령을 비하하는 변형 표기는 별도 항목으로 집계될 만큼 자주 등장했어요.

정권별로 쪼개 보면 패턴이 더 선명해요. 노무현, 이명박, 박근혜, 문재인, 윤석열. 다섯 정권을 지나는 동안 그때그때의 현직 대통령은 진영과 무관하게 늘 상위 표적 10위 안에 있었어요. 계정들의 추정 출신국에 상대적으로 우호적이던 정권도 예외가 아니었어요. 연구를 이끈 이원재 KAIST 교수도 이 계정들이 외국을 직접 찬양하기보다 한국과 국내 정치인을 비난하며 갈등을 키우는 패턴을 보였다고 설명했어요(국내 언론 보도 확인). 편을 드는 게 아니라 싸움을 붙이는 거예요.

참고로 논문은 계정들의 추정 출신국을 ‘주요 인접국’으로만 표기하고 국가명을 익명 처리했어요. 지정학 공방 대신 수법 분석에 집중하겠다는 선택이고, 연구진도 국내 인터뷰에서 같은 표현을 유지했어요. 저도 이 글에서 같은 수위를 따라가요. 판단에 필요한 건 국가명이 아니라 수법이니까요.

선거가 다가오면 계정이 늘어요

새로 나타나는 의심 계정의 수는 정치 일정을 따라 움직였어요. 대선, 총선, 지방선거 전후 30일 동안 새로 등장한 의심 계정은 주당 평균 34.19개로, 평시의 22.61개보다 51% 많았어요(논문 집계, p<0.01). 선거철엔 원래 신규 이용자 자체가 늘지 않냐고 물으실 수 있는데, 연구팀도 같은 질문을 던졌어요. 일반 이용자 유입은 24% 증가에 그쳤고, 신규 이용자 중 의심 계정이 차지하는 비율도 0.82%에서 0.91%로 유의하게 올라갔어요. 사람이 몰리니까 따라 늘어난 게 아니라, 선거를 겨냥한 선택적 집결이라는 뜻이에요.

가장 큰 유입 정점은 2017년 5월, 탄핵 직후 대선 국면이에요. 이 무렵 새로 등장한 의심 계정이 635개로 20년 중 최다였어요. 활동량 전체의 정점은 이듬해인 2018년이고요. 이 해에만 ‘한국 비난’ 댓글이 67만 5,107건, 하루 평균 1,800건꼴로 쌓였어요. 사드 배치를 둘러싼 외교 갈등이 경제 보복으로 번지던 시기, 그리고 논문이 짚은 대로 주변국이 인지전¹ 수행 조직을 제도화한 시점과 겹쳐요.

계정들의 노동량도 사람의 리듬이 아니에요. 시드가 된 70개 계정은 계정당 평균 5,091건의 댓글을 남겼어요. 하루 한 건씩 써도 14년 가까이 걸리는 양이라, 연구팀은 자동화가 동원된 정황으로 해석해요.

움직임도 혼자가 아니었어요. 알려진 70개 계정은 서로 팔로우하며 뭉쳐 있었는데, 계정 간 맞팔 관계가 일반 이용자 집단의 138배, 평균 팔로잉 수는 35배였어요(논문 부록 집계). 고립된 개인들이 아니라 서로를 증폭해주는 하나의 클러스터로 움직였다는 뜻이에요.

분열은 남는 장사예요

왜 자기 나라 자랑이 아니라 남의 나라 욕일까요. 답은 플랫폼의 설계에 있어요. 네이버는 한국 성인 63%가 뉴스를 접하는 관문이에요(한국언론진흥재단 2025년 조사, 논문 재인용). 그리고 그 관문의 댓글 상단은 공감비율, 그러니까 공감 수를 공감과 비공감의 합으로 나눈 값으로 정해져요. 0.5를 넘어야 공감이 비공감보다 많다는 뜻이고, 상단에 오를 확률이 높아져요.

의심 계정들의 네 가지 수사 전략 중 이 문턱을 넘은 건 단 하나, ‘한국 비난’뿐이에요. 평균 0.514. 주변국 찬양은 0.362, 러시아 같은 우방 찬양은 0.241로 바닥이었어요. 회귀분석 결과도 방향이 같아요. 한국 비난은 강도가 셀수록 공감비율이 올라갔고, 주변국 찬양은 강도가 셀수록 오히려 공감비율을 깎아 먹었어요. 자기 체제 자랑은 한국 독자의 반감만 사고, 한국 사회를 욕하는 댓글은 베스트로 올라간다는 얘기예요. 논문의 회귀 모델 기준으로는 댓글의 한국 비난 성격이 절반쯤만 감지돼도(확률 0.45) 공감이 비공감을 앞서는 구간에 진입했어요.

실제 사례를 보면 결이 잡혀요. 한국 비난 댓글은 징병제를 국가가 운영하는 노예제라고 몰아붙이는 식이고, 주변국 찬양 댓글은 한국이 이웃의 체제를 배워야 한다고 훈수를 두는 식이에요. 전자는 베스트에 오르고, 후자는 바닥에 가라앉았어요.

여기엔 이론적 배경이 있어요. 브래디 연구팀이 2017년 트위터 정치 메시지 50만 건을 분석했더니, 도덕 감정²이 실린 메시지가 그렇지 않은 메시지보다 훨씬 멀리 퍼졌어요. 도덕 감정을 담은 단어가 하나 늘 때마다 확산이 평균 20%가량 커졌어요. 분노와 경멸은 공유 버튼을 부르는 감정이거든요. 이번 연구의 ‘도덕적 비난’ 댓글이 정확히 그 버튼을 눌러요. 그리고 이 회로의 마지막 부품은 봇이 아니에요. 속이 시원하다며 공감을 누른 한국 이용자들이에요.

부수 효과도 흥미로워요. 탐지를 피하려면 도덕적 비난이라는 티 나는 수사를 버려야 하는데, 그 수사가 바로 상단 노출의 연료예요. 회피에 성공하는 순간 영향력을 잃어요. 잘 설계된 탐지 기준은 그 자체로 상대의 손발을 묶는 셈이에요.

이 댓글창, 전과가 두 건 있어요

여기서 저는 영국의 분할통치³를 떠올렸어요. 바로 갈라치고, 지배하라(Divide and rule.)! 말이에요. 1905년 벵골을 종교 경계로 쪼개고, 1909년에는 종교별 분리 선거구를 만들어 갈등을 제도에 심었던 그 수법이요. 다만 결정적 차이가 하나 있어요. 영국은 지배가 목적이라 분열의 제도를 직접 설계하고 유지하는 비용까지 냈어요. 이번 계정들은 지배할 생각이 없어요. 균열은 한국 정치가 알아서 공급하고, 증폭은 공감 랭킹이 무료로 해주니 연료만 부으면 돼요. 통치를 위한 분열이 아니라 약화를 위한 분열이라서 훨씬 싸요.

그리고 이 급소가 뚫린 게 처음도 아니에요. 2012년 대선을 앞두고는 국가정보원 심리전단이 동원돼 조직적으로 댓글과 찬반 클릭을 남겼고, 원세훈 전 국정원장은 2018년 대법원에서 징역 4년이 확정됐어요. 2016년 12월부터 2018년 4월까지는 드루킹 일당이 매크로 프로그램 ‘킹크랩’으로 기사 7만 6천여 건의 댓글 118만여 개에 공감·비공감 클릭 8,840만여 회를 밀어 넣었어요. 국가기관, 국내 정파 조직, 그리고 외국 연계 의심 세력까지. 서로 다른 세 개의 손이 같은 급소를 두드린 거예요. 베스트 댓글이 곧 민심이라는 인식, 그리고 그 자리를 정하는 공감 랭킹이요.

차이는 진화의 방향에 있어요. 국정원과 드루킹에게는 편이 있었어요. 특정 후보를 이기게 하려는, 방향이 있는 개입이었죠. 이번 계정들에게는 편이 없어요. 이기게 하는 개입에서 싸우게 하는 개입으로 넘어온 거예요. 수법도 달라요. 드루킹은 기계로 버튼을 눌러 신호를 위조했고, 그래서 서버 로그에 흔적이 남아 법정까지 갔어요. 이번 계정들은 진짜 이용자가 자기 손으로 누르게 만들어요. 클릭 하나하나가 전부 진짜라서, 잡아낼 로그도 마땅한 처벌 규정도 없어요.

시기가 겹치는 대목은 서늘하기까지 해요. 논문이 짚은 의심 계정 유입의 최대 정점(2017년 5월)은 킹크랩이 돌아가던 기간 한가운데에 있고, 활동량이 정점을 찍은 2018년과도 구간이 겹쳐요. 같은 댓글창에서, 서로 다른 목적을 가진 손들이 동시에 움직이고 있었던 셈이에요.

이 숫자, 어디까지 믿을까요

받아들이는 온도는 조절할 필요가 있어요. 먼저 ‘탐지’는 ‘확정’이 아니에요. 연구팀 스스로 2만 4천 개 계정 전부를 ‘의심’으로만 표기하고, 검증된 국가 행위자로 단정하지 않아요. 이 연구의 판별 모델은 설명 가능한 AI⁴라서 왜 의심하는지 문장 단위 근거를 함께 내놓는 게 강점인데, 그 근거 역시 사람이 검토해야 할 단서지 판결문은 아니에요.

숫자의 한계도 있어요. 계정 판별 모델의 정확도는 F1 0.94로 높게 보고됐지만 검증에 쓴 표본이 151개 계정으로 작고, ‘도덕 감정’ 라벨은 연구자들 사이에서도 판단이 갈려 일치도가 중간 수준(0.512)에 머물렀어요. 그리고 네이버는 2024년 비슷한 취지의 다른 연구가 나왔을 때, 지목된 계정들이 모두 한국인 계정으로 파악됐다고 반박한 적이 있어요(당시 언론 보도). 이번 연구에 대한 입장은 아직 나오지 않았고요.

반대로 연구의 손을 들어주는 정황도 있어요. 테스트 댓글의 표현을 언어모델로 통째로 바꿔 써도 탐지 성능이 거의 그대로 유지됐거든요(논문 부록 실험). 특정 단어를 외운 게 아니라 수사의 구조를 읽는다는 뜻이에요. 새로 찾아낸 계정들의 활동 시계열도 알려진 70개 계정과 높은 동조율(월 단위 상관 0.85)로 맞물려 움직였어요. 같은 기사에 노출된 일반 이용자 집단(0.70)보다 뚜렷하게 높은 수치예요. 그리고 데이터셋 전체가 공개돼 있어서 이 공방은 말싸움이 아니라 재검증으로 이어질 수 있어요. 자신의 댓글이 포함됐는지 확인하고 삭제를 요청하는 절차도 마련돼 있고요.

---

오스왈드의 시선

저는 이 데이터를 시장 전략의 눈으로 읽었어요. 경영 전략을 세우면서 배운 게 하나 있는데, 후발 주자가 1위를 흔드는 가장 싼 방법은 자기 제품을 자랑하는 게 아니라 시장의 신뢰 자체를 허무는 거예요. 카테고리 전체에 불신을 심으면 비교 우위를 증명할 필요가 없어지거든요. 신제품 출시 국면에서 경쟁사 흠집 내기가 단기적으로 잘 먹히는 이유이기도 해요.

이 계정들의 20년이 정확히 그 구조예요. ‘우리 체제가 낫다’는 설득은 비싸고 잘 안 먹혀요. 실제로 공감비율 0.362라는 성적표가 그 증거예요. 반면 ‘너희 사회는 썩었다’는 이간은 싸고, 잘 퍼지고, 심지어 표적 국가의 독자들이 자발적으로 밀어 올려줘요.

그래서 판별 기준을 바꿔야 한다고 봐요. ‘어느 편을 드는 댓글인가’는 이제 쓸모없는 필터예요. 다섯 정권이 전부 얻어맞은 데이터가 그 증거니까요. 데이터를 다루는 입장에서 하나 보태면, 이런 연구일수록 결론보다 측정의 한계를 먼저 봐야 하는데, 이 논문은 그 한계를 스스로 공개했다는 점에서 오히려 신뢰가 갔어요. 대신 이렇게 물어야 해요. 이 댓글은 누군가를 이기게 하려는 걸까, 아니면 우리를 싸우게 하려는 걸까. 그리고 개인적으로 가장 서늘했던 대목은, 이 전략의 마지막 실행 버튼이 봇이 아니라 우리 손가락이었다는 점이에요.

마치며

정리할게요. 20년 치 네이버 댓글에서 걸러진 의심 계정 2만 4천 개는 특정 진영을 밀지 않았어요. 좌우 정치인을 번갈아 때리며 갈등을 키웠고, 선거철마다 유입이 늘었으며, 그 비난 댓글을 상단으로 올린 건 공감비율 랭킹과 우리의 공감 버튼이었어요.

그래서 제가 제안하는 건 하나예요. 정치 기사에서 속이 시원해지는 비난 댓글을 만나면, 공감을 누르기 전에 딱 한 번만 물어보세요. 이 댓글은 누군가를 이기게 하려는 걸까요, 아니면 우리를 싸우게 하려는 걸까요. 대답이 후자 쪽이라면, 그 공감 한 번이 누군가의 실적일 수 있어요. 화를 참으라는 얘기가 아니에요. 화의 방향을 설계하는 손이 있다는 걸 기억하자는 얘기예요.

혹시 최근에 ‘이건 좀 조직적인데?’ 싶은 댓글 패턴을 보신 적 있나요? 어떤 기사에서 어떤 유형이었는지 댓글로 짧게 들려주세요. 공개 데이터셋과 대조해볼 만한 사례가 모이면 다음 호에서 다뤄볼게요.

---

💬 ‘조직적인데?’ 싶었던 댓글 목격담을 남겨주세요. 다음 호 소재로 검토해볼게요. 📨 뉴스 댓글을 자주 읽는 분이 곁에 있다면 이 글을 공유해 주세요.

---

함께 읽으면 좋은 지난 호

이번 이야기의 ‘주변국’을 산업과 공급망 축에서 다뤘어요.

• 봉쇄가 키운 중국, 이제 문을 잠근다
• 젠슨 황은 왜 중국 모델을 칭찬했을까

---

참고자료 & 더 읽기

핵심 출처

• Jaehong Kim, Hyeonseung Kim, Jiseon Kim, Alice Oh, Thorsten Holz, Wonjae Lee, Meeyoung Cha, “Cross-National Information Attacks: A Two-Decade Analysis of Troll Behavior in Korea”, USENIX Security Symposium 2026 (arXiv:2606.22785). 링크 ··· 오늘 뉴스레터의 뼈대예요. 5장 전략 분석이 핵심이고, 부록 표 11에 정권별 표적 명단이 있어요.
• 연구팀 공개 데이터셋, Zenodo. 링크 ··· 댓글 1억 1,266만 건 원자료예요. 직접 검증해보고 싶은 분께 추천해요.
• 전자신문, “2만여 개 네이버 계정, 韓 정치 갈등 조장” (2026.8.12). 링크 ··· 연구진의 국내 발표 코멘트가 담긴 보도예요.

배경 지식

• 국가안보전략연구원(INSS), 외국 영향력 공작 실태 공개 자료 (2024). 링크 ··· 이번 연구의 출발점이 된 계정 70개의 출처예요.
• 경향신문, “중국인 의심 계정, 한·중 경쟁 분야서 조직적 댓글로 여론조작 정황” (2024.9.29). 링크 ··· 2024년 선행 보고서 보도예요. 여기 등장하는 네이버 77개, 유튜브 239개는 이번 논문의 시드 70개와 다른 집계라 혼용하면 안 돼요.
• 법률신문, “‘국정원 댓글’ 前 국정원장, 5년만에 ‘징역 4년’ 확정” (2018.4.19). 링크 ··· 국가기관이 같은 댓글창을 두드렸던 첫 번째 전과의 확정 기록이에요.
• 뉴시스, “‘드루킹 댓글조작 공모’ 징역 2년 실형 확정” (2021.7.21). 링크 ··· 기사 7만 6천여 건, 클릭 8,840만여 회라는 조작 규모의 출처예요. 본문 수치는 이 판결 기준이에요.
• William J. Brady et al., “Emotion shapes the diffusion of moralized content in social networks”, PNAS, 2017. 링크 ··· 도덕 감정이 왜 잘 퍼지는지에 대한 대표 연구예요. 세 번째 섹션의 이론 배경이에요.

---

📝 용어 설명

필자 안광섭은 세종대학교 경영학과 교수이자 OBF(Oswarld Boutique Consulting Firm) 리드 컨설턴트이다. 대학에서 경영데이터 관리, 비즈니스 애널리틱스 등 통계 및 데이터 분석을 가르치는 한편, 현장에서는 GTM 전략과 인공지능 전략 컨설팅을 이끌며 기술과 비즈니스의 접점을 설계하고 있다. AI 대화 시스템의 기억 아키텍처(HEMA) 연구로 학술 논문을 발표했으며, 매일 글로벌 AI 논문을 큐레이션하는 Daily Arxiv 프로젝트를 운영하고 있다. 고려대학교 기술경영전문대 석사과정와 KMBA을 졸업했다. 지은 책으로 《생각을 맡기는 사람들: 호모 브레인리스》가 있다.

각주

1. 인지전(Cognitive Warfare): 무력이 아니라 상대국 국민의 인식과 여론을 공격 대상으로 삼는 전략이에요. NATO는 외부 행위자가 여론을 무기화해 정책과 제도를 흔드는 행위로 정의해요. ↩

2. 도덕 감정(Moral Emotions): 분노, 경멸, 혐오처럼 타인을 도덕적으로 비난하거나, 감탄처럼 치켜세울 때 작동하는 감정이에요. 온라인에서 확산력이 특히 강하다는 연구가 많아요. ↩

3. 분할통치(Divide and Rule): 피지배 집단 내부의 갈등을 키워 결속을 막고 지배를 쉽게 만드는 전략이에요. 영국의 인도 통치가 대표적 사례로 꼽혀요. ↩

4. 설명 가능한 AI(Explainable AI): 판정 결과만 내놓는 게 아니라 판단 근거까지 함께 제시하는 AI예요. 이번 연구에서는 의심 판정의 근거가 된 댓글 속 문구를 하이라이트로 보여줘요. ↩