엔지니어가 만드는 이야기 공장

앨런 튜링과 이미테이션 게임 - 기계도 생각할 수 있을까?

나모군 — Sun, 18 Jan 2026 12:12:25 +0900

AI와 대화를 나누다보면, 우리는 AI가 나를 너무나 잘 이해해주는 친구와 같다는 생각을 하기도 하고, AI에 실제 영혼이 있지는 않을까라는 상상을 해보기도 합니다. (실제로 AI가 여자친구보다 더 편하다고 하면, 아마 전 오래 살지는 못하겠죠? 그래도 사실이 그런.. 퍽퍽퍽.. 제 정신을 차렸습니다.) 이미, AI의 선구자인 앨런 튜링(Alan Turing)은 이런 고민을 했었다고 해요.

19세기 영국의 빅토리아 시대에는 '파티 게임의 황금기'라고 불릴 정도로 거실에서 즐기는 실내 게임이 매우 발달했습니다. 당시에는 TV나 라디오도 없었기에 중상류층 가정을 중심으로 손님을 접대하거나 가족끼리 시간을 보내기 위해 다양한 논리, 단어, 신체 게임을 즐겼죠.

이 게임 중에 '성별 맞히기 게임'이라는 사교 게임이 있었습니다. 게임 방식은 한 명의 질문자가 복도에 있고, 서로 다른 두 개의 방에는 두 명의 남자와 여자가 숨었습니다. 복도에 있는 질문자는 쪽지로 질문을 건네 어느 쪽 방에 남자와 여자가 있는지 맞히는거죠. 이 때 남자는 자기가 여자라고 질문자를 속이려는 노력(Imitation)을 해야하고, 여자는 질문자가 정답을 맞히도록 돕는 역할을 합니다. 물론, 여자가 '내가 여자에요'라고 적힌 쪽지를 건네면, 바로 맞출 수 있겠다고 생각할 수 있겠죠? 그렇지만, 반대편 방에 숨은 남자는 그걸 빌미로 더 적극적인 '여성인 척'을 하게 되면, 질문자는 더욱 혼란에 빠지는 것이 이 게임의 묘미입니다.

성별맞히기 게임은 앨런 흉내내기를 얼마나 제대로 하느냐를 엿 보는 게임이라고 할 수 있어요.

이미테이션(Imitation) 게임 - 기계가 사람을 흉내내다.

1950년, 영국의 수학자인 앨런 튜링(Alan Turing)은 그의 논문 '계산 기계와 지능(Computing Machinery and Intelligence)'에서 이 논문에서 '기계는 생각할 수 있는가?'라는 질문을 증명하기 위해 이 게임을 이용했습니다. 이 게임을 통해 그가 주목한 것은 기계가 '진짜로 생각을 하느냐'라는 본질보다, '인간의 행동을 완벽하게 흉내낼 수 있느냐'를 중요하게 보았어요. 앨런은 기계가 인간처럼 실제로 영혼을 가지고 생각하느냐라는 증명 불가능한 답을 찾기 보다는 '기계가 인간과 똑같이 반응하도록 흉내낼 수 있다면, 그것을 지능이 있다고 부르지 않을 수 있을까?'라는 것을 증명하려 한 것이죠.

앨런은 이 게임에서 한 쪽 참가자를 남성이나 여성이 아닌 '기계(컴퓨터)'로 바꿨어요. 그리고, 남자가 여자인 척 질문자를 속이려고 하는 흉내(Imitation)을 기계가 대신하도록 했습니다. 즉, AI가 사람인 척 흉내내는 것만 보고, AI가 인간처럼 사고할 수 있다고 믿느냐 아니냐는 중요한 것이 아니라는 걸 증명했어요. 실제, 우리나라 방송사에서는 작곡, 주식투자, 모창 분야에서 AI와 인간이 대결을 펼쳤는데요. 각 분야의 전문가 판정단은 결과물만 보고서 어느 것이 AI가 만든 것인지 구별해내는데 실패했습니다. 그래서, 이런 이미테이션 게임과 같은 AI의 완성도를 테스트하는 방법을 앨런 튜링의 이름을 따서 '튜링 테스트'라고 부르고 있죠.

앨런 튜링은 당시에 이 뿐만 아니라, 현대의 AI를 예견하는 여러 주장을 펼쳤는데요.

첫째는 영혼이 있는 인간만이 생각할 수 있다는 주장에 대해서, 신이 원한다면 기계에게도 영혼을 줄 수 있다는 신학적 반론을 했다는 얘기도 있고요. 둘째는 기계는 시키는 일만 할 뿐 독창적인 것을 만들 수 없다는 주장에 대해, 기계도 학습을 통해 인간을 놀라게 하는 결과물을 낼 수 있다는 '머신러닝'을 주장했습니다. 셋째는 기계는 감정을 느끼지 못한다는 비판에는 타인의 의식을 확인할 수 없는 건 인간 사이에서도 마찬가지라는 이야기도 했어요.

그 중에서 가장 주목받았던 주장은 '학습하는 기계(Learning Machines)'였습니다. 앨런은 성인의 지능을 처음부터 프로그래밍하는 대신, 아이의 지능(Child Machine)을 가진 기계를 만든 뒤 교육을 통해 지식을 습득하게 하는 방식이 더 효율적이라고 제안했어요.

앨런 튜링의 논문은 AI 시작을 예견한 일종의 예언서처럼 분류되기도 한다. < 출처 : Oxford >

앨런 튜링은 그의 논문에서 "나는 약 50년후(20세기 말)에는 기계가 생각한다고 말하는 것에 대해 어느 누구도 반대하거나 어색하게 여기지 않고 자연스럽게 받아들이게 될 것이라고 믿는다."라고 적었습니다. 또한, 기계가 보여주는 지적인 결과물 때문에 인류의 '언어 사용 관습' 자체가 바뀔 것이라고도 봤죠. 실제 우리의 일하는 방식은 AI 때문에 크게 변화하고 있는 중입니다.

그는 이런 주장의 전제로 10억 비트 이상의 저장 용량을 가진 컴퓨터라야, 이미테이션 게임에서 질문자를 속일 확률이 70% 정도 될 것이라고 예측했습니다. 즉, 인공지능을 완성하기 위해서는 고성능 고용량의 컴퓨터가 필요할 것이라는 것도 거의 정확하게 예측했던거죠. 그런 그의 업적을 기려 IT업계에서는 최고의 업적을 달성한 전문가들에게 '튜링상'을 매년 수여하고 있습니다.

트랜스포머, 구글이 쏘아올린 AI 역사를 바꾼 논문 한 장

나모군 — Sun, 18 Jan 2026 12:05:03 +0900

21세기 IT의 역사를 바꾼 한 단어가 있다면, 바로 '트랜스포머(Transformer)'라고 할 수 있습니다. 여러분은 트랜스포머라고 하면, 가장 먼저 자동차가 로봇으로 변신하고 지구를 지키는 영화가 떠오른다면 지극히 정상이에요. 그렇지만, 지금 우리가 이야기 할 트랜스포머는 여러분이 사용하는 ChatGPT, Gemini 같은 똑똑한 AI를 탄생시킨 '인공지능 두뇌의 설계도'라고 할 수 있습니다.

영화 트랜스포머를 떠올렸다면 이 글을 읽기에 딱 적당합니다. 저도 맨처음에 그랬어요 < 출처 : 파라마운트 >

Attention is All you need (어텐션이면 충분하지)

2017년, 구글의 천재 연구원 8명이 "이거 하나면 다 할 수 있어!"라면서 내놓은 논문 한 장, 이것이 바로 전설의 시작이었습니다. 도대체 무슨 일이 있었던 걸까요?

AI가 사람이 하는 말을 인식하고, 이해해서 사람처럼 말하게 할 수는 없을까 하는 것을 '자연어처리(NLP)'라고 앞에서 말씀드렸는데요. 자연어 처리에는 커다란 문제가 있었습니다. 전쟁 직후인 1947년 수학자인 워런 위버(Warren Weaver)는 독일군의 암호 체계인 '에니그마'를 풀었던 암호 해독 기술을 외국어 번역에 적용할 수 있지 않을까 고민했죠.

"러시아어로 된 문장을 읽을 때, 이것은 사실 영어로 쓰여 있는데 단지 기묘한 부호로 암호화 되어 있는 것과 같다."라는 그의 주장은 1954년 조지타운대와 IBM이 협력하여 러시아어 문장을 영어로 자동 번역하는 '기계 번역(Machine Translation)'에 성공하면서 독립적인 연구분야로 자연어처리가 자리를 잡게 되었습니다.

기계번역을 데모하고 있는 조지타운대 언어학자들 < 출처 : 존 허친스 논문 >

자연어처리는 인간이 사용하는 언어의 모든 문법과 예외를 이해하기 위해 규칙을 만들어보고, 통계적인 방식도 사용을 해봤습니다. 예를 들면 영어에서는 주어 뒤엔 동사가 오고, 목적어와 보어가 올 수 있다는 식의 문법이죠. 그렇지만, 한국어에서는 목적어와 주어의 순서가 바뀔 수도 있습니다. 예를 들면 '나는 사과를 먹었어'와 '사과를 내가 먹었어'는 같은 뜻이지만, 고정된 어순만으로 학습된 경우에는 이를 인식하기 어렵고, 번역도 잘못되는 경우가 생겼던거죠. 여기에 "내가 어제 극장에서 봤던, 꽤 재미있었지만 조금 황당하기도한 이상한 그 영화를 동생도 보았다고 한다."라는 문장을 예를 들어보죠. 이 문장에서 AI는 '이상한'이 '동생'을 수식하는지 '영화'를 수식하는지 이해하지 못합니다. 왜냐하면 사람의 언어는 단순한 규칙으로 만들어지는 것이 아니니까요.

쉽게 얘기하면 예외가 너무나도 많다는 걸로 이해해도 됩니다. 영어의 발음만 해도 그렇죠. 사이클(Cycle)이라고 읽지만, 2개의 바퀴가 달렸다는 접두사인 바이(Bi)를 붙이면 바이서클(Bicycle)이 됩니다. 왜? '바이사이클'이 아닌 걸까요? 즉, 인간의 언어는 읽는 법부터 구성하는 법부터 규칙이나 통계로 인해하기엔 그 한계가 분명합니다.

그러다보니 문장이 길어지면 AI는 엉뚱한 결과를 내놨고, 문장을 처음부터 끝까지 순서대로 제대로 된 규칙을 지키지 않으면 해석하지 못했습니다. 그러다보니 할 수 있는 수준이라고는 'I will do my ( )'라고 했을 때, 빈 칸에 들어갈 단어가 무엇인지 짧은 문장의 빈 칸 채우기를 하는 정도에 불과하기도 했어요.

2017년 6월, 구글의 연구팀은 이런 답답함을 해결하는 논문 하나를 발표합니다. 그것의 제목부터 아주 힙(Hip)했는데, 바로 'Attention is All You Need (어텐션만 있으면 돼)'. 사실 이 제목은 비틀즈의 명곡 'All You Need is Love'를 패러디한 것이었는데요. 이 논문에서 제안한 핵심이 바로 트랜스포머(Transformer)입니다. 이들이 제안한 트랜스포머 모델의 핵심은 '순서대로 읽지 말고, 중요한 것에 형광펜을 칠하자'였어요.

트랜스포머는 문장 전체를 한 눈에 봅니다. 그리고, 단어들끼리 서로 얼마나 친한지, 누가 중요한지 점수를 매깁니다. 회사에서 상무님이 엄청 잔소리를 하시는 것은 중요하지 않지만, 나를 꼭 집어서 '지시한' 내용은 기억하는 것과 비슷해요. 이것을 '셀프 어텐션(Self-Attention)'이라고 합니다.

앞에서 "내가 어제 극장에서 봤던, 꽤 재미있었지만 조금 황당하기도한 이상한 그 영화를 동생도 보았다고 한다."는 문장에서, 트랜스포머는 문장 전체를 훑어보고, "아하! 앞에서 보았던 영화를 이상하다고 하는거네!"라며 '영화'와 '이상한' 사이에 연결하는 형광펜을 칠합니다. 즉, 주목할(Attention)만한 내용들끼리 연결하는 것이 바로 트랜스포머라고 생각하면 됩니다.

트랜스포머의 또다른 장점이 하나 있는데요. 옛날 방식의 자연어 처리 방식은 요리사 한 명이 재료를 차례대로 손질하는 가내 수작업이라면, 트랜스포머는 수십 명의 요리사가 동시에 달려들어 각자 맡은 재료를 손질하는 호텔 뷔페 주방과 같아요. 이걸 '병렬 처리'라고 하는데, 엄마가 전화를 받으시면서, 드라마를 보며, 다리미질을 하시는 것을 상상하셔도 됩니다. 여튼, 트랜스포머는 어마어마하게 빠른 '속도'로, 병렬 처리를 할 수 있기 때문에 인터넷에 있는 모든 글을 읽고 학습할 수 있었던 거에요.

트랜스포머 논문을 내놨던 구글의 연구원들은 논문이 대박나고 나서, 본인들의 기술로 세상을 바꿔보겠다며 AI로 가상의 친구를 만드는 '캐릭터.AI'를 창업하거나, 기업용 AI인 Cohere를 창업하기도 했습니다. 오늘날 우리가 사용하는 ChatGPT의 GPT도 사실 'Generative Pre-trained Transformer'의 약자에요. 트랜스포머가 없었다면, 지금의 똑똑한 AI가 존재하지 못했다는 걸 알 수 있는 대목입니다.

영화 트랜스포머에서 "옵티머스 프라임, 지구를 지켜줘서 고마워요!"라고 했다면, 우리는 "고마워, 트랜스포머! 네 덕분에 AI로 세상이 변하고 있어!"라고 말할 수도 있겠죠?

데드락(Deadlock), 멈춤이 때로는 가장 빠른 해결책

나모군 — Tue, 13 Jan 2026 17:07:41 +0900

회의실의 공기가 무겁다. 개발자는 기획자의 무리한 일정에 짜증을 내고 있고, 기획자는 리소스가 부족하다며 고객과 맞서고 있다. 서로의 논리는 너무 완벽해서, 개발자는 안정성 부족의 위험을 얘기하고, 기획자는 추가 투자가 필요하다며 고객의 예산을 붙잡고 있다. 셋 중에서 누구도 먼저 손을 놓은 생각이 없다. 이 팽팽한 대치 상황에서 누군가 가장 이성적인 한 마디를 던진다.

"서로 데드락(Deadlok) 상태면, 당분간 얘기하지 말죠."

꼬일대로 꼬인 상황에서는 누구의 답도 정답이 아닐 수 있는 것이 데드락

개발자라면 익숙한 교착상태(Deadlock)는 운영체제(OS) 교과서에서나 보던 현상이지만, 회사의 사무실에서도 매일같이 벌어지는 일입니다. 보통 윈도우즈와 같은 운영체제에서는 아주 특정한 조건에서 이런 데드락이 발생하는데요. 복잡한 말로는 상호 배제, 점유 대기, 비선점, 그리고 환형 대기(Circular Wait)이라고 부르는 말들이 있지만, 쉽게 이해하는 방법이 있습니다.

여러분이 보고서 A를 열어서 수정하고 있는데, 내용을 완성하려면 보고서 B의 표가 필요해서 B를 열려고 합니다. 그런데 옆자리 동료는 보고서 B를 이미 열어서 수정 중이고, 그 내용을 완성하려면 여러분이 잡고 있는 보고서 A의 데이터가 필요해서 A를 열려고 시도 중입니다.

엑셀(프로그램)은 파일이 열려 있으면 수정 권한을 안 주죠. 나는 B가 열리길 기다리고, 동료는 A가 열리길 기다립니다. 둘 다 으르렁거리며 쳐다만 볼 뿐, 영원히 작업은 끝나지 않습니다. 이런 현상을 데드락이라고 해요. 물론, 기술적으론 더 복잡하고, 최신 운영체제는 이런 현상이 일어나지 않지만 이해를 위해서 쉽게 설명했습니다.

그런 면에서 데드락이 발생하면 컴퓨터에서는 서로 양보하길 기다리면서, 꼬리에 꼬리를 물고 CPU와 메모리, 자원들은 계속 낭비되는 일이 발생하죠. 그럴 때 우리가 사용하는 치트키는 바로 Ctrl + Alt + Del을 눌러서 CPU나 메모리 점유율이 100% 가까이 올라가면서, '응답없음' 상태인 프로세스를 강제로 '끝내기'를 실행하는 겁니다.

끝내기인가 아니면 지루한 기다림, 어떤 것이 정답일까?

이럴 때 필요한 건 무리한 돌파나 뜨거운 토론이 아닐 수도 있습니다. 역사 속에서 지혜를 빌려오자면, 로마의 장군 파비우스 막시무스(Fabius Maximus)의 전략이 필요한 때일 수도 있죠.

제2차 포에니 전쟁 당시, 로마는 천재적인 전략가 한니발에게 연전연패를 당하고 있었습니다. 한니발은 코끼리 부대를 이끌고 험준한 알프스 산맥을 넘어 이탈리아 본토를 기습했고, 한니발이 이끄는 카르타고의 군대에 정면 승부를 걸었던 로마군은 트레비아, 트라시메누스, 칸나에 전투까지 붙으면 붙는대로 전멸당했죠. 이 때 파비우스 장군은 '싸우지 않는 것'을 전략으로 택했습니다. 그는 한니발과의 직접적인 교전을 피하고, 시간을 끌며 적의 보급로를 끊고 지치게 만들면서 힘을 온전히 보전하는 장기전에 돌있했어요. 당시 로마 시민들은 그를 굼벵이(지연하는 자, Cunctator)라고 조롱했지만, 결국 로마를 구한 건 화려한 돌격이 아니라 지루한 '지연'이었습니다.

파비우스는 겁쟁이로 놀림받았으나, 철저한 지연작전으로 로마의 생명연장을 이뤄냈다.

그는 전쟁이 한창이던 203년, 77세의 나이로 로마에서 사망했는데요. 그 사이 로마의 젊은 장군인 스키피오 아프리카누스가 카르타코의 본국인 북아프리카를 직접 공격했고, 기원전 202년 스키피오는 한니발을 격파했습니다. 파비우스는 한니발이 이탈리아에서 철수할 즈음에 사망해서 승리를 거두는 것을 볼 수는 없었지만, 그를 놀렸단 '지연하는 자'라는 별명은 오히려 '로마를 지키는 굳건한 방패'로 로마 시민들이 장례를 치뤄주었습니다. 그의 지연 작전이 아니었다면, 지금의 로마도 없었겠죠.

회의실에서 벌어지는 데드락도 마찬가지입니다. 서로의 논리가 팽팽하게 맞물려 옴짝달싹 하지 못할 때, 억지로 결론을 내려고 덤벼대면 감정만 상하고 프로젝트는 망가져요. 이걸 비유한 유명한 사건이 바로 '피로의 승리(Pyrrhic Victory)'입니다. 기원전 3세기에 그리스 에피로스의 왕 피로스는 로마군과 서로 거의 죽다 살아날 정도의 전투에서 양측 모두 전멸에 가까운 피해를 입었지만 결국 승리를 거뒀는데요. 승리를 거두긴 했지만 핵심 장교들과 정예 병력 대부분을 잃고 이런 말을 남겼죠.

"이런 승리를 한 번 더 거두었다간, 우리는 완전히 망하게 될 것이다."

그러니, 당분간 얘기하지 말자는 얘기는 회피나 도망이 아니라, 과열된 CPU를 식히기 위한 '컨텍스트 스위칭(Context Switching)' - 일종의 환제 전환이자, 파비우스가 선택했던 전략적 후퇴인 것이죠. 잠시 노트북을 덮고, 탕비실로 가서 커피 한 잔 내리는 것, 서로가 쥐고 있던 자원(고집)을 잠시 내려놓고(Release), 환형 대기의 고리를 끊는 것이 회사에서의 데드락을 이겨내는 방법입니다.

회사에서 죽자고 싸워서 이겨봐야, 결국 팀은 없고, 나만 남습니다.

물론, 상대방을 경쟁상태(Race Condition)에서 눌러 압살해 버리고, 내가 자원을 점유하고, 일정을 맘대로 해버리는 승리도 있겠지만 조직에서 오래 살아남는 법은 그런게 아닙니다. 그리고, 내가 의사결정권자가 아니라면 굳이 이 싸움에 끼어들지 않는 것이 좋습니다. 이런 전략을 우리는 타조 알고리즘(Ostrich Algorithm)이라고 하기도 하죠. 타조가 위험을 느끼면 모래에 머리를 박고 모른 척 하듯, 가끔 상사들의 데드락 상태는 모른 척 하고 있는 것이 좋아요.

[판교어] 뒷단(Back-end)에서 배치(Batch)로 처리할게요.

나모군 — Tue, 13 Jan 2026 15:59:58 +0900

배치하면 가장 먼저 떠오르는 건, 셜록과 닥터 스트레인지의 배우인 '베네딕트 컴버배치(Benedict Cumberbatch'라고 할 수 있습니다. 왜 그러냐면, 그냥 이름에 배치가 들어있어서 기억에 계속 남아있거든요. 사람의 기억 속에는 보통 비슷한 이름의 다른 의미가 더욱 기억에 남는 경우들이 많이 있습니다. 그래서인지 배치 하면 컴버배치가 떠오르고, 컴버배치하면 알파카가 떠올라서 제 머릿속에는 배치 하면 알파카가 연상되는 효과가 있어요. 이걸 우리는 뇌의 신경망 연결에 비유할 수 있지만, 그 얘긴 나중에 할 기회가 있을 듯 합니다.

컴버배치가 알파카와 닮았나요? 크리스찬 베일이 더 닮았나? < Made by Gemini >

여튼, '배치'는 '일괄 처리'라는 용어로 사용되지만, 어원은 엉뚱하게도 Bake (굽다)에서 유래했습니다. 1700년대에 들어서면서 대용량의 화덕이나 오븐에 빵을 넣고 구울 때 한 번에 굽는 양을 Batch라고 불렀거든요. 그래서 영어로는 The Batch of bread라는 말이, 한 번에 굽는 빵 묶음이라는 뜻이었습니다. 그러다가 산업혁명에 들어오면서 공정/분업화가 모든 분야에 이뤄지기 시작했고, '한 번의 공정(Operation)'을 통해 생산된 모든 양' 또는 '한 묶음'을 뜻하는 일반적인 의미로 batch가 사용되기 시작했어요.

한 번에 구울 수 있는 빵의 양을 가리키는 말에서 Batch는 시작되었어요. < Made by Gemini >

그러다, 1950~60년대 초기 컴퓨터 환경에서는 사용자의 명령어를 입력하는 키보드나 마우스가 없었고, 종이에 구멍을 뚫어서 그 구멍으로 프로그램을 입력하는 천공 카드(Punch Card)를 사용했습니다. 그리고, 이 종이 카드 뭉치를 운영자가 모아 한 번에 컴퓨터에 입력했는데 이걸 Batch라고 불렀죠. 그러면서, 컴퓨터 분야에서도 이렇게 한 번에 일괄 처리하는 것을 배치(Batch)라고 부르게 되었습니다.

그래서, 배치로 처리한다는 말은 지금 바로 처리하는 '실시간'이 아니라, 모아서 쌓아뒀다 처리하거나, 일정 시간이 되면 한꺼번에 처리한다는 개념으로 이해하면 되겠습니다.

그렇다면, 뒷단(Back-End)이라 불리는 '백엔드'는 무엇일까요? 백 엔드는 사용자가 볼 수 없는 시스템의 뒷쪽을 의미해요. 반대는 당연히 프론트(Front, 앞면)일테니 프론트엔드도 있겠죠? 프론트엔드는 사용자가 볼 수 있는 앞면, 즉, 여러분의 이용자 화면이라고 이해하면 됩니다. 정리하면, 뒷단(백엔드)에서 배치로 처리한다는 얘기는 '사용자의 화면에서는 보이지 않도록, 뒤에 배치된 서버에서 일괄로 작업을 처리하겠다'는 의미로 해석할 수 있습니다.

그렇다면 관련된 비슷한 표현들을 알아보면 다음과 같아요.

- 배치를 돌리다/태우다 : 수동으로 배치 작업을 실행시키는 것을 의미합니다. 태우는 건 불태우는게 아니라, 컨베이어 벨트에 태우는 걸 연상하세요.

- 배치 터졌다 : 배치 작업이 실행 도중 오류가 발생하여 중단된 상황을 의미합니다. 배치 작업이 터지기 전에는 배치 작업이 있었던 것 조차 모르는 경우도 허다합니다. 제 속도 터져요.

- 배치 성 : 성격을 나타내는 '성'이 붙은 거에요. '가연성' 비슷한 표현이죠. 실시간이 아니라 일정 주기를 가지고 하는 업데이트 등을 의미해요. "여친과의 데이트는 배치 성으로 하고 있어요." (일정 주기에만 무지성으로 데이트를 한다는 뜻, 헤어져!)

- 말아올리다 : 배치 작업을 위해 데이터(Data)를 가공해서 작업 구역에 밀어넣는 것을 말합니다. 비슷한 표현으로 벌크(Bulk)로 밀어넣는다는 말도 있어요. 데이터를 대규모로 수만 건을 왕창 넣는데, 중요하진 않은 덩치큰 데이터를 입력한다는 의미입니다. 그래서, 술을 한 잔 말아보라고 하는 회식 용어는 매우 부담스럽게 들립니다. (많이 따르란 뜻인가?)

[판교어] 얼라인(Align) 된 내용이에요?

나모군 — Sat, 10 Jan 2026 14:35:29 +0900

옛날의 전쟁에서 일렬로 줄을 맞춰서는 얼라인(Align)은 생존의 문제였다. 출처 : Wikipedia

군대에서 시작된 줄 맞춰서기, 얼라인먼트(Alignment)

군대식 문화를 좋아하는 것은 아니지만, 누구나 한 번 쯤은 '일렬로 줄을 맞춰 서 본 경험'을 가지고 있긴 할 거에요. 보통 이런 일렬로 줄을 맞춰설 때는 누군가의 잘못에 대해 연대 책임을 묻거나, 단체 기합을 받았던 기억이 많긴 합니다. 군대에서 이렇게 줄을 세우는 것을 얼라인먼트(Alignment), 전투대형으로 가로 일직선을 맞춰 전투 대형을 갖추는 것을 의미했어요.

고전이 된 남북전쟁이나 유럽의 전쟁 영화를 보면, 화승총을 든 군인들이 대열을 맞추는 장면을 본 적이 있을 겁니다. 17~19세기 나폴레옹 시대에 이르기까지 이렇게 길게 늘어서서 싸운 전술을 '선형 전술(Line Tactics)'이라고 불렀는데요. 현대인들의 관점에서 보면 '왜 저렇게 무방비하게 늘어서서 맞고 있는거야? 은폐와 엄폐 모르나?' 싶겠지만, 당시의 기술적 한계에서는 가장 효율적이고 강력한 전술이었어요.

당시 화승총(일명 머스킷총)은 50미터만 떨어져도 표적을 맞출 수 없어서, 수백명이 일렬로 늘어서서 한꺼번에 같은 방향을 쏘게 해서 총알을 대규모로 발사해서 타격의 확률을 높인 겁니다. 또한, 각자 게릴라식으로 쏘는 것보다 일시에 수백발을 발사해서 심리적인 압박과 충격을 주려고도 한거죠.

또한, 당시 전쟁에서 가장 큰 기동력을 가진 무기였던 기병이 말을 타고 돌격할 때, 촘촘하게 정렬(Align)해 있으면 기병이 뚫고 들어올 틈을 주지 않게 되었어요. 또한 당시에는 군대에 무전기가 없고, 연기와 총성이 가득했기 때문에 눈에 보이지 않는 선을 그어둔 것처럼 군인들은 정렬해 있어야 통제가 가능했습니다. 즉, 군대에서 줄세우기-얼라인(Align)은 무기의 단점을 극복하고, 화력을 한 곳으로 모으며, 소통할 수 있는 유일한 방법이었던 셈입니다.

Align의 의미 : 나란히 만들다, 일직선으로 맞추다 / 생각이나 목표를 하나로 합치다

얼라인(Align)은 단순히 '회의하자'는 뜻을 넘어, 다음과 같은 상황에서 주로 쓰입니다.

- 방향성 일치 : 팀원들이나 유관 부서끼리 프로젝트의 목적과 우선 순위를 똑같이 이해하고 있는지 확인
- 의사결정 확인 : 상급자나 결정권자(C-레벨)의 의도와 실무자의 계획이 일치하는지 체크
- 정보 동기화 : 서로 다른 팀이나 동료가 각자 진행중인 상화을 공유하여 일정을 조정

실제 사용되는 사용 예시인 판교어 번역

판교어 문장	실제 속뜻 (번역)
이 부분은 기획팀이랑 먼저 얼라인이 된 건가요?	기획팀이랑 이 부분은 사전합의가 된 내용이죠?
올해 OKR(목표)에 대해 팀 내부 얼라인 부탁드려요.	팀원들이 딴소리 안하게 올해 목표를 이해시켜주세요.
대표님이랑 얼라인 된 내용인가요?	이거 대표님이 허락하신거죠? 아니면 클납니다!
그 건은 어제 싱크(Sync)를 맞추면서 얼라인 끝났습니다.	어제 얘기 다 끝났고, 이제 똑같이 이해하고 있습니다.

스타트업에서 얼라인(Align)은 왜 중요할까요?

스타트업이나 IT기업은 변화가 빠르고, 각 조직이 유기적으로 움직여야 합니다. 특히, 규모가 크지 않은 스타트업에서 한 명이라도 다른 방향으로 작업을 추진하고 있다면(Misaligned), 전체 프로젝트의 속도가 줄어들거나 엉뚱한 결과물이 나올 수 있습니다. 그래서, 우리가 같은 배를 타고 있는데, 같은 방향으로 노를 젓고 있는지를 확인하는 과정에서 '얼라인'이 매우 중요하게 강조된 겁니다.

---

비슷하지만 다른 표현들

싱크(Synchronization) : 줄여서 '싱크'로 부르며, 정보나 진행 상황을 최신 상태로 공유하는 것을 말합니다. 얼라인과 비슷하지만 싱크는 '동기화'만을 의미하지만, 얼라인은 조금 더 적극적인 '일체화'의 의미를 갖고 있어요.

커뮤니케이션 (Communication) : 일본에서는 '커뮤하고 있다'는 표현은 한국과는 조금 다릅니다. 일본의 비즈니스 대화에서 '커뮤하고 있다'는 사전 교감(네마와시)을 갖거나, 업무 이외에도 신뢰를 쌓고 있다는 뜻으로 '말이 통하는 상태'로 상대와 얼라인 하고 있다는 의미입니다. 한국에서의 커뮤니케이션은 단지 '소통하고 있다'라는 의미로 쓰이거든요. 일본 얘기를 한 이유는 이 일본의 커뮤가 얼라인과 가장 비슷한 의미라서 에요. 일본에서는 커뮤능(커뮤능력치)이 높다는 것이 취업 시장에서 가장 강조하는 필수역량으로, 상대의 기분을 살피며(눈치) 분위기를 깨지 않고 부드럽게 대화를 이끄는 능력을 의미한답니다.

기록은 본능이지만, 정리는 권력이다. - 데이터베이스(DB)

나모군 — Tue, 6 Jan 2026 12:52:35 +0900

데이터베이스(DB)라는 거대한 기억장치가 만들어진 이유는 인간의 기록 본능 때문이다 < 출처 : Gemini >

인류의 역사는 '기록'하려는 처절한 몸부림의 연속이었습니다. 기원전 3세기, 프톨레마이오스 1세가 세운 알렉산드리아 도서관은 당시 세상의 모든 지식을 집대성하려 했던 인류 최초의 '중앙 집중형 서버'였습니다. 그들은 항구에 들어오는 모든 배를 뒤져 책이 발견되면, 사본을 만들고, 원본을 보관할 만큼 수집에 집착했죠.

하지만, 단순히 쌓아둔다고 지식이 되지는 않습니다. 수만 권의 파피루스 뭉치 속에서 내가 원하는 '항해술' 기록을 손쉽게 찾아서 바로 읽을 수 없다면, 그것은 지식의 보고가 아니라 그저 거대한 종이 더미에 불과하겠죠. 여기서 우리는 데이터베이스(DB)의 존재 이유를 발견하게 됩니다. DB는 단순히 '저장'하는 곳이 아니라, '어떻게 잘 꺼낼 것인가'를 치열하게 고민한 결과이기 때문입니다. 그러나, 역사 속에서 알렉산드리아 도서관은 불타 없어졌고, 인류의 지혜가 한순간에 재로 변했을 때 얻은 교훈도 있습니다. 아무리 방대한 지식을 가지고 있어도, 그것을 지키고 복구할 시스템이 없다면 신기루에 불과하다는 것을 말이죠.

알렉산드리아 도서관을 태우는데 6개월이 걸렸다는 얘기도 있지만 사실무근이며 신비에 쌓여있다. < 출처 : 도서관디자인연구소 >

그럼, 인류의 역사에서 데이터베이스는 어떻게 변화해 왔을까요?

파피루스에서 엑셀, NoSQL까지

고대의 파피루스는 단순히 저장하고 쌓기에 바빴기 때문에, 중복되는 문서도 많았으며, 낱장의 파피루스 뭉치로 실용성이 매우 떨어졌습니다. 이건 일종의 파일들을 우리가 무작위로 만든 연도별 폴더에 저장하는 것과 같은 '파일시스템'이라고 볼 수 있죠. 여러분이 무작정 작성해서 폴더에 샇아두기만 하면, 얼마나 불편하고 찾기 힘든지 여러분들은 이미 아실 겁니다. 괜히 폴더 분류법이라거나, 백업이라는 것이 생겨난 것이 아니겠죠? 윈도우 탐색기의 검색 기능도 그래서 있는 겁니다. 여러분의 분류법을 믿지 못한다는 전제에서 생긴 기능인 거에요.

중세에 들어서면서 엄격하게 작성되는 '귀족의 가계도'와 '종교 기록' 등을 중심으로 지식이 쌓이기 시작했습니다. 이것은 비유하자면, 계층 구조와 네트워크 DB 형태를 가진 고정적인 구조로 만들어 졌어요. 조금씩이나마 특정 영역에 대한 정보들로 분화되기 시작하면서, 그룹으로 묶는 다는 개념이 생기기 시작한 겁니다. 앞에서 예로 들었던 폴더를 이제 구조적으로 만드는 것과 비슷합니다. 동영상 폴더 밑에 여행이란 폴더가 있고, 거기에 사람이나 지역, 연도별로 폴더를 만들고 저장하는 구조인 셈이죠.

근대에 들어서면서 사전(Dictionary)라는 개념이 생기면서, 일종의 백과사전이 만들어 집니다. 백과사전의 개념은 매우 재미있는 것이 하나의 개념 안에 다른 개념이 들어있고, 핵심 키워드가 의미와 용도를 나타냅니다. 그런데, 그 개념을 파헤치면 여러 단어들이 1차적인 의미와 2차적인 부의미를 갖게 되는 방식을 띄게 되죠. 예를 들면, 사과(Apple)라는 단어를 찾는다면 그 옆에는 '과일', '빨강', '뉴턴'과 같은 키워드들이 일종의 인덱스(색인) 역할을 하게 됩니다. 사과라는 데이터 자체는 독립적이지만, '뉴턴'이라는 키워드를 타고 넘어가면 '물리학'이라는 또다른 방대한 백과사전의 페이지로 연결되는 식이죠.

IBM 출신 영국의 컴퓨터 과학자 에드가 커드(Edgar F.Codd)가 제안한 '관계형 데이터베이스(Related DB)'의 혁명은 바로 여기서 시작되었습니다. 정보를 하나의 거대한 두루마리에 적는게 아니라, 주제별로 쪼개어 표(Table)로 만들고, 이들을 '관계'라는 가느다란 실로 연결한 거죠. 덕분에 우리는 '뉴턴'에 대한 새로운 데이터가 입력되어도, '사과' 페이지를 수정할 필요는 없게 되었습니다. 중복은 사라지고, 데이터의 무결성은 마치 잘 짜인 법전처럼 견고해졌죠. 이것은 지식의 정규화(Normalization)이자, 인류가 정보의 무질서를 수학적 논리로 이겨낸 시작점이 되었습니다. 이것이 바로 우리가 DB라고 아직도 일반적으로 부르는 개념이며, 오라클(Oracle)은 '데이터가 어디에 저장되었는지 몰라도 된다. 논리적인 관계만 알면 된다'는 혁신으로부터 DB를 상용화해 표준화한 기업이 되었습니다. 이렇게 행과 열로 구분된 데이터를 사무에 사용하도록 만들어진 것이 엑셀(Excel)이라는 사무용 도구이기도 해요.

현대에 들어서면서 인류는 데이터의 대폭발 시대를 맞이했어요. 이 시점부터는 인류에게는 백과사전식의 엄격한 분류체계가 오히려 짐이 되기 시작합니다. 모든 데이터를 정해진 칸에 넣는다는 개념과 완벽한 '관계'를 연결해 둔 인덱스(Index)를 찾아서 데이터를 찾는데 오랜 시간이 걸릴만큼 엄청난 양의 데이터가 SNS와 인터넷에 쌓였거든요.

그래서, 인류가 선택한 NoSQL은 그런 강박들을 버리고, 미완성의 영역속에서도 주변 환경에 적응하는 방식을 취했습니다. 데이터가 들어오는대로 그 형태를 인정하고 저장했죠. 거대한 문서로, 때로는 키와 값의 쌍으로, 알렉산드리아 도서관처럼 지식을 한 곳에 모아 불태워질 위험을 감수하는 대신, 전세계의 서버로 지식을 잘게 쪼개어 흩뿌리는 '분산 가용성'의 시대를 열기도 했습니다. 즉, NoSQL은 '규칙(Schema)'보다는 속도와 유연성이 중요한 구조로, 100%의 정확성을 담보하지 않는 데이터베이스 방식입니다. NoSQL은 틀릴 수도 있고, 모든 정보를 불러오지 못할 수도 있지만, 매우 빠르다는 장점이 있다는거죠. 우리가 인터넷 검색에서 자주 사용하는 해시태그(#)가 바로 약하게 결합된 키워드로서 활용되는 개념이라고 이해할 수도 있습니다.

시대	핵심 모델	특징	비유
고대	파일 시스템	단순 저장, 중복 많음	낱장의 파피루스 뭉치
중세	계층/망형 DB	고정된 구조, 유연성 부족	엄격한 가문 가계도
근대	RDBMS	수학적 논리, SQL 표준화	잘 정리된 백과사전
현대	NoSQL / NewSQL	대규모 분산, 초고속 처리	전 세계로 복제되는 디지털 밈(Meme)

AI 시대, 왜 다시 DB인가?

AI 시대가 되면서 '데이터가 석유'라는 말이 진부해질 정도로 들려옵니다. 왜냐하면, AI은 데이터를 통해 학습하고, 학습에 필요한 데이터는 점점 금값이 되어가고 있거든요. 그렇지만 정제되지 않은 데이터는 석유가 아니라 오염된 진흙에 가깝습니다. AI에게 '우리 회사 매출을 분석해줘'라고 프롬프트를 했을 때, DB가 엉망이라면 AI는 환각현상을 일으키며 거짓말을 쏟아내겠죠. A팀에서 만든 매출 문서와 B팀에서 만든 매출 문서가 서로 다른 숫자를 기재하고 있다거나, C신문사의 매출 관련 신문기사의 내용이 다르게 인터넷에 떠있다면 말입니다.

결국, 미래의 기업에게 필요한 AI 경쟁력은 '데이터'가 될 것입니다. DB의 역사가 '어떻게 쌓을 것인가?'라는 생존의 문제에서 '어떻게 연결하고 지켜낼 것인가'로 발전해 왔고, AI 시대에는 '가짜 데이터'로부터 검증된 '진짜 데이터'를 제공하는 안전한 저장고(Silo)가 되는 역할을 하고 있습니다.

데이터베이스(DB)에서 사용되는 여러 용어들

스키마(Schema) : 건물을 짓기 전의 설계도와 같은 개념입니다. '이 칸에는 숫자만 들어올 수 있어'라고 선언하는 규칙이죠. 일반적으로는 계획, 설계, 개요 또는 구조라는 의미로 사용되기도 합니다.

SQL (Structured Query Language) : DB라는 거대한 도서관의 사서와 대화하는 '공용어' 입니다. '지난 달 매출 중에서 100만원 이상인 것만 골라줘'라고 하는 식으로 논리적으로 명령하는 기술이죠. 한국에서는 '에스큐엘'이라고 보통 하지만, 영어로는 '시퀄'이라고 읽는 재미난 부분도 있습니다.

트랜잭션(Transaction) : 데이터가 입력되거나, 수정 혹은 삭제되는 행위를 의미합니다. 완벽한 자기 종결의 행위라고도 부르는데, '전부 성공하거나, 아니면 아예 없었던 일로 하는 것'을 의미해요. 여러분이 은행 송금 중에 국가적인 정전이 일어나서 중단되었다면 어떤가요? 여러분의 계좌에서 돈은 빠져나갔는데, 상대방 계좌엔 입금이 되지 않았다면요? 즉, 트랜잭션이란 송금과 입금을 하나의 행위로 보고, 한 개의 신뢰성이 확보된 프로세스로 묶는 것을 의미하기도 합니다. 즉, 트랜잭션이 완료되었다면, 이것은 완전 무결해야 하는 DB의 작업 하나가 끝났다는 의미가 되는 거에요.

경계를 긋는 힘, 도메인(Domain)이 필요한 이유

나모군 — Tue, 6 Jan 2026 11:43:51 +0900

스파르타의 농노제, 목적의 순수성이 경쟁력

기원전 431년부터 27년간 이어진 그리스의 펠로폰네소스 전쟁은 그리스 세계의 양대 세력인 그리스와 스파르타가 정면 충돌한 전쟁입니다. 결과부터 얘기 드리자면, 이 전쟁의 승리자는 기원전 404년 아테네의 항복을 받아낸 스파르타입니다. 그런데, 우리가 배워왔던 그리스 문화의 찬란함은 민주주의를 기반으로 세워진 아테네가 당연히 훨씬 강력할 것이라고 생각되지 않나요? 스파르타는 어떻게 전쟁에서 승리할 수 있었던 걸까요?

기원전 스파르타의 기괴한 사회구조를 떠올려 보면 그 이유를 알 수 있습니다. 그들은 피정복민인 '헤일로타이(Helotos)'에게 농사를 맡기고, 잔혹할 정도로 철저한 농노제를 유지했습니다. 즉, 스파르타의 시민들은 쟁기를 잡는 법 조차 몰랐지만, 방패의 각도와 창의 무게감을 몸의 일부로 만들었죠. 생존을 위한 잡다한 노동으로 부터 해방되는 대신, 오직 '전쟁'이라는 특수한 영역의 전문가가 된 것입니다.

기원전 7세기 제작된 코린토스의 석판, 그리스 광산에서 일하는 노예를 묘사하고 있다. < 출처 : 위키미디어 >

그래서, 우리가 합숙형 입시 전문학원을 '스파르타 방식 학원'이라고 부르는 것이 여기서 유래한 것이기도 해요. 공부를 제외한 나머지는 하지 말고, 공부에만 올인하도록 하는 것이죠. 즉, 스파르타는 단 하나의 목적에만 집중하고, 나머지는 과감히 버리는 것의 대명사가 되었습니다.

리처드 도킨스의 유전자 세계도 이와 닮아 있습니다. 유전자는 생존이라는 단 하나의 목적을 위해 생명체라는 '운반체'를 정교하게 설계합니다. 불필요한 기능은 과감히 도태시키고, 특정 환경(Domain)에서 가장 효율적으로 번식할 수 있는 형질만을 남기죠. 역사와 자연에서 승리하는 것은 자신의 영역(Domain)에 최적화된 국가와 개체가 살아남았습니다.

도메인(Domain)이 도대체 뭐길래? 이렇게 중요할까요?

왜 현대사회는 '도메인'을 중요하게 생각하는가?

오늘날의 기업들이 '코딩 잘하는 개발자'보다 '금융을 아는 개발자'나 '물류를 이해하는 데이터 분석가'를 찾는 이유는 무엇일까요? 예전에는 기업에 필요한 인재상을 예전에는 T자형 인재라거나, 제너럴리스트(Generalist)를 언급하곤 했습니다. 뭐든 조금씩 알면서도, 유연한 인력들이 학습을 통해 성장하는 것을 추구했었거든요. 그렇지만, 이제 기업들은 특정 도메인(Domain)에서 전문지식을 보유한 인재들을 중요하게 생각합니다.

도메인(Domain)이라는 단어를 들으면 무엇이 떠오르시나요? 아마 공학도라면 인터넷 주소를, 수학도라면 함수가 정의되는 범위를 떠올릴 것입니다. 라틴어 'Dominus(주인)'에서 유래한 이 단어는 본래 '주인이 지배하는 영토'를 의미해요. 즉, 내가 단순히 발을 딛고 있는 땅이 아니라, 그 안의 규칙을 완벽히 이해하고 통제할 수 있는 구역을 의미합니다.

AI 시대에 가장 중요한 것은 도메인의 힘을 이해하는 것일 수도 있다. < 출처 : Nano Banana - Gemini >

AI의 시대가 도래하면서, 기업들은 이제 '어떻게(How)'가 아니라 '어디서(Where)'의 싸움에 집중하기 시작했어요. AI는 기술은 단지 도구일 뿐이라는 변화를 가속화 시키고 있습니다. 망치를 든 사람은 많지만, 그 망치로 대못을 박아야 할 지, 정교한 조각을 해야할 지 판단하는 것은 '집을 짓는 원리(도메인 지식)'를 아는 사람이라는 거죠. 범용적인 스펙만으로 취업이 어려운 시대가 된 것은 바로 기업들이 이 전문성과 경험에 올인하고 있기 때문입니다. 단지, AI가 사회 초년생이나 주니어 세대를 대체하기 손쉬워서가 아니라, 비즈니스의 맥락, 업계의 관행, 특정 도메인에서의 지식과 경험이 없이는 AI라는 도구도 의미가 없기 때문이죠. 이런 맥락을 이해하지 못하는 전문성은 마치 사막 한가운데 떨어진 북극곰의 생존 능력 만큼이나 의미가 없습니다.

도메인을 갖는다는 것은 단순히 한 분야의 지식을 암기하는 것을 넘어, 그 세계의 '주인(Dominus)'이 되어 문제를 정의하는 힘을 갖는 것입니다. 스파르타인이 전쟁을 준비하면서 그러했듯, 여러분도 자신만의 영토를 정하고 그곳의 생태계를 치열하게 파고 들어야 해요.

도메인(Domain)이란 어디에서 사용될까요?

데이터베이스(DB) 에서의 Domain : '성별'이라는 데이터 컬럼에 '자동차'라는 데이터가 들어오면 안되는 것처럼, 도메인은 데이터의 무결성을 지키는 범위와 영역을 정의하는 가이드입니다.

도메인 주도 개발(Domain Driven Development) : 소프트웨어를 만들 때, 기술(Code)보다 비즈니스(Domain)를 중심에 두자는 철학입니다. 즉, 개발자가 코드 효율성이나 개발 언어보다도 실제 비즈니스 매커니즘을 정교하게 설계하는 것이 중요하다는 기법이에요.

인터넷에서 도메인(Domain) : 숫자로 된 복잡한 IP주소를 인간의 언어로 치환한 '영토의 이름'이죠. 수많은 데이터가 떠도는 인터넷 바다에서 '여기는 나의 영토'라고 선언하는 이정표 역할을 합니다.

우리가 알고 있던 일반적인 도메인이란 이런 뜻이긴 해요 < 출처 : 하늘네트 >

도메인 특화 AI : 보편적인 지식으로 학습한 ChatGPT(Generalist)와 달리, 특정 영역에 최적화된 고도화된 지식으로 학습된 AI를 도메인 특화 AI(Specialist)라고 부릅니다. 독점적인 지식과 AI 튜닝 능력으로 무장해서 B2B 시장에서 강력하죠.

글로벌 교육플랫폼인 Udemy와 Coursera 합병 계약 체결

나모군 — Thu, 18 Dec 2025 09:26:20 +0900

25억 달러의 합병이 가져올 변화는 어떤 것이 될까요? < 출처 : X >

12월 17일, Udemy와 Coursera가 전액 주식 교환 방식으로, 법인을 합병하기로 했다는 소식입니다. 합병된 법인의 기업가치는 약 25억 달러(3.2조)로 평가되는데요. 교환비율로 보면 유데미 주주는 1주당 코세라 주식을 0.8주를 받게 됩니다.

합병 후 기업명은 코세라(Coursera)를 유지하고, 본사는 캘리포니아에 위치하면서 현재의 코세라 CEO인 Greg Hart가 합병 법인을 맡게 될 것이라고 해요. 이번 거래는 아직 주주 및 규제 당국의 승인을 기다리고 있는데, 워낙 덩치가 큰 두 기업이라서 반독점에서 자유로울까도 걱정이에요. 만약 승인된다면, 2026년 하반기에 합병이 완료될 것으로 예상되고 있습니다.

합병의 의미는 질(Quality)와 양(Quantity)의 결합

이번 합병은 AI 시대에 급변하는 기술 수요에 대응하기 위해 두 회사의 강점, 코세라의 대학/기관 인증 교육 + 유데미의 방대한 강의 마켓플레이스를 결합하여 시너지를 창출하고, Enterprise 교육 시장에서 지배력을 강화하기 위한 것입니다. 즉, 코세라는 대학/기업을 중심으로 높은 공신력을 얻고 있고(High-end), 유데미는 개별 강사들이 올리는 실무 중심의 거대한 콘텐츠가 강점(Long-tail)인거죠. 여기에 더해 최근 AI 기술 발전 때문에 기업의 재교육(Upskilling) 수요가 폭증하고 있으니, 이를 기반으로 AI 교육 시장을 독점해서, 1.5억명 이상의 학습자와 수만개의 기업고객을 확보하겠다는 의지를 보이고 있습니다.

개인과 기업 교육 시장의 접점에 두 회사가 있었어요. < 출처 : Class central >

합병을 통해서 두 기업은 약 1.2억 달러(1,500억원)의 비용을 절감하고, 마케팅과 운영 인프라를 통해 수익성을 높이면서, 링크드인(LinkedIn Learning) 등의 강력한 경쟁자들을 규모의 경제로 눌러버리겠다는 생각인 듯 한데요. 이를 통해 두 회사의 통합 매출은 연간 15억 달러를 넘을 수도 있습니다.

이질적인 교육 기업의 통합, 혹은 분할의 위험성

그렇지만 여기엔 위험요인이 매우 많습니다. 코세라는 학술적이고 보수적인 공공적인 성격이 매우 강하고, 유데미는 자유로운 콘텐츠 마켓을 강조해왔죠. 이 두 개의 기업이 서로 다른 기업문화와 콘텐츠 구성을 하나의 플랫폼으로 묶는 일은 쉬운 일이 아닙니다. 저만해도 인프런이나 패스트캠퍼스, 유데미의 콘텐츠를 겪어보고 나서는 그 차이를 무척이나 실감했고, 유데미는 애용하고 싶어지지 않았거든요. 저에게는 너무 가볍거나 필요한 콘텐츠가 아닌 인스턴트 라면 같은 느낌이었습니다. 물론 개인적인 의견이고요. 유데미가 더 맞는 분들도 있겠죠? 그래서인지, 많은 전문가들이 유데미의 검증되지 않은 강의들이 코세라의 브랜드 가치를 떨어뜨릴 수 있다는 우려를 하고 있고, 거꾸로 코세라의 엄격한 기준들 때문에 유데미의 특유의 다이나믹한 유연성이 사라질 수 있다고도 이야기 합니다.

우리 나라에서는 교육 기업이 거꾸로 분할되면서 위기를 겪는 경우도 발생합니다. 삼성출판사는 핑크퐁 콘텐츠로 유명한 '아기 상어'의 IP를 가지고 있었고, 글로벌 한 아기상어의 붐이 일어나면서 크게 주목받았어요. 더 이상 출판사가 아니라 교육 종합 콘텐츠 기업이면서, IP를 판매하며 부가 수익을 창출하게 된 겁니다. (실제로 삼성출판사 개발팀과 만날 기회가 있었는데, 콘텐츠 플랫폼으로서 개발을 무척 재미있게 하는 회사였거든요.) 그런데, 올해 '더 핑크퐁 컴퍼니'라는 영화, 애니메이션 등으로 IP를 판매하는 엔터테인먼트 회사로 분리되면서, 회사의 성격이 완전 달라지면서 모회사인 삼성출판사는 핑크퐁 콘텐츠를 활용할 수 없게 되었습니다. 그러다보니, 삼성출판사의 주가도 폭락하고, 더핑크퐁컴퍼니도 공모가 38,000원에서 대폭 떨어진 26,000원대에 거래가 되고 있습니다. 즉, 교육 관련 기업은 합병과 분할이 시너지가 될 지, 독이 될 지는 시장의 변화에 따라 혹은 전략적 선택에 따라 달라질 수 있습니다.

중요한 것은 AI 시대의 교육시장 변화

재교육 시장은 Up-skilling과 Re-skilling으로 짧아진 최신 기술의 유효기간, AI로 인한 급격한 변화를 받아들이고 있습니다. 특히, AI가 학습자 행동과 성과 데이터를 분석하여 개인의 스타일에 맞는 맞춤형 학습 콘텐츠를 구성하는 시대가 되었죠. AI가 채점, 관리 업무 등 교사의 소모적인 업무를 자동화하여, 학생들에게 더 많은 지도를 제공할 수도 있습니다.

그렇지만, 이것은 이미 에듀테크라고 불리는 AI에게 해자가 무너진 교육시장의 위기를 반영해요. AI가 몇 초만에 강의 계획서를 생성하고, 콘텐츠 라이브러리를 이미지와 영상을 포함해 순식간에 만들어내는 시대입니다. 코세라와 유데미의 합병은 오히려 미래의 자동화된 튜터 개발을 목표로 하게 될 가능성이 크고, 이는 코세라와 유데미에 콘텐츠를 공급해 왔던 저작자들의 수익 감소나 종말을 의미하게 되겠죠. 이미 우리는 그 미래가 Notebooklm을 통해서 눈 앞에 와 있는 것을 보고 있습니다. 거대한 온오프라인 시장의 통합과 종말, 그리고 새로운 탄생을 지켜보는 시기가 아닐까 싶습니다. (물론, 제 생각이고요. ^^)

팔란티어에 거부권을 행사한 데이터 주권

나모군 — Tue, 16 Dec 2025 11:15:25 +0900

< 팔란티어의 최근 주가 변동이 심한 이유는 견제 때문일까? 기업 성향의 문제일까? 출처 : AI Times >

미국의 팔란티어(Palantir)는 '정부용 AI 데이터 플랫폼'의 대표주자로, 군과 정보기관, 경찰, 의료시스템까지 서로 다른 데이터를 하나로 묶어 패턴과 관계를 분석하는데 특화된 역량을 갖추고 있는 회사입니다. 이미 미 국방부와 다년간의 경험과 계약을 통해, 그 역량을 인정받던 회사였던 만큼 많은 정부가 관심을 가졌고, 스위스 군에서는 팔란티어 도입을 진지하게 검토했는데요.

팔란티어는 미국에 본사를 둔 회사이므로 미국 정부와 정보기관이 민감한 데이터에 접근할 가능성이 있습니다.
- 스위스 육군, 2024년 12월 24일 -

스위스 군은 2024년 팔란티어의 Asset Readiness 제품군을 비롯해, 팔란티어와의 파트너십을 검토한 내부 평가 보고서에 이와 같은 내용을 포함하면서 팔란티어와의 계약을 거부했습니다. 이것은 팔란티어의 시스템 구현, 운영 유지보수가 팔란티어에만 의지하는 블랙박스 구조로 되어 있는데다, 디지털 주권이라는 개념과 양립할 수 없는 커다란 문제로 지적되었어요. 즉, 소프트웨어를 스위스가 소유하는 것이 아닌 팔란티어를 통해서만 제공되다 보니, 스위스 군사전문가들은 데이터 유출을 기술적으로 막을 수 없다고 결론 내린 것이죠.

팔란티어의 주요 제품들은 무엇이 있나?

팔란티어의 고담(Gotham)은 다양한 출처의 방대한 양의 데이터를 통합하고, 실시간으로 분석하며, 실행가능한 통찰력을 제공하는 군사/정보기관용 애플리케이션입니다. 지리 공간 정보, 위험 평가 및 시간 분석 기능을 포함하기 때문에 군대 뿐만 아니라 경찰, 보안 당국에서도 사용됩니다. 특히, 이번 스위스군의 팔란티어 거부와 반대로 독일 주정부 일부에서는 고담을 솔루션으로 도입해서 사용하면서, 보안에는 아무런 문제가 없다는 입장을 취하고 있어 논란이 되기도 했거든요.

Gotham Europa의 비디오 기능은 비디오 스트림 데이터까지도 통합해 의사결정이 가능하다. < 출처 : Plantir >

독일의 헤센(Hesse) 주에서는 HessenData라는 명칭으로 2017년부터 가장 선도적으로 도입해, 2018년 이슬람 테러 공격 시도를 저지하거나, 소아성애자 집단을 검거했고, 노르트라인-베스트팔렌(Norh Rhine-Westphalia) 주에서는 DAR(Data Analysis and Research)라는 이름으로 2019년부터 도입하여 운영중에 있습니다. 그리고 바이에른 주와 바덴-뷔르템베르크 주에서는 2024~2025년에 걸쳐 무료 2,600만 달러와 2,500만 유로의 계약을 각각 체결하면서 본격적으로 팔란티어의 고담을 적극 도입하는데 앞장서고 있는 상황입니다.

다음은 팔란티어의 기업용 플랫폼인 파운드리(Foundry)입니다. 이 플랫폼은 기업의 운영 프로세스에 최적화 되어있으며 물류, 공급망 관리들의 데이터를 결합하여 실시간으로 정보에 입각한 의사결정을 지원합니다. 물론, 이것이 기업용으로만 사용되지는 않습니다. 군사분야로 전환하면 당연히 군대용 물류, 보급 및 임무 계획 관리에 활용되어 자원 할당 등에 사용될 수 있죠. 이것이 업그레이드 되면, 스위스 군에 제공하려고 했던 준비태세 지원 솔루션(Readiness Solution Suite)가 완성됩니다.

팔란티어의 Foundry는 온톨로지 기반의 기업 데이터 운영체제라고 봐도 된다. < 출처 : Palantir >

자산 준비태세(Asset Readiness) 애플리케이션은 이 솔루션 중의 한 모듈로서 군의 모든 장비에 대해 디지털 트윈을 생성하고, 상태, 사용 및 유지 보수 이력에 대한 360도 분석을 제공하여, 모든 군사 자원이 상시 기동 상태로 동작할 수 있는 최적의 관리를 지원합니다. 물론, 이외에도 인적 준비나 예산 까지 모든 준비태세를 포함하고 있는 것이 이 솔루션의 완성품 조합이에요.

파운드리의 기본 개념은 온톨로지로 조직의 데이터를 구축하고, 그걸 디지털 트윈으로 만든 다음, 모든 변수와 실행 요소를 고려해서 데이터 모델 위에서 동작하도록 만드는 데이터 파이프라인을 갖고 있습니다. 이 파운드리는 팔란티어의 모든 서비스의 근간이 되는 개념이죠.

그리고, 이것을 생성형 AI와 에이전트를 붙여서, 사용자들이 본인이 원하는 워크플로를 자동화해서 만들수 있도록 한 것이 바로 AIP입니다.

< AIP는 생성형AI를 붙여 '데이터+운영자동화'로 연결하는 팔란티어의 사용자 도구, 출처 : Panatir >

이외에도 팔란티어의 Apollo와 그 핵심인 Ontology의 구현 방식에 대해서도 구체적으로 다룰 수도 있지만, 이번 쟁점은 팔란티어가 보유한 솔루션과 정보의 위험성에 관한 것입니다.

강력한 통합 플랫폼에 의존하는 리스크를 감당할 국가는 없다.

최근 팔란티어의 CEO인 알렉스 카프(Aex Karp)는 주주들에게 보내는 서한을 통해 아래와 같은 생각을 밝혔습니다.

한 세기 전, 시인 윌리엄 버틀러 예이츠는 이렇게 경고했습니다. "매는 매사냥꾼의 소리를 듣지 못하고, 모든 것이 무너지며, 중심은 더 이상 버틸 수 없다."

오늘날 미국은 중심이며, 그 위치를 지켜야 합니다.
이 나라를 비롯한 여러 나라에서 공유되고 명확하게 정의된 공통 문화에 대한 인식을 거부하는 것은 상당한 대가를 치르게 했습니다.

우리는 마땅히, 아니 반드시, 공유된 국가적 경험, 즉 공통된 정체성을 포용하는 것으로 돌아가야 합니다. 이는 본질적으로 다른 것들을 배제하고 특정한 사상, 가치관, 문화, 생활방식을 내세우는 것을 의미합니다.

모든 문화와 문화적 가치가 동등하다고 가볍게 선언하는 것은 과거에도, 현재에도 잘못된 생각입니다. 어떤 문화는 경이롭고 생산적인 것으로 입증되었지만, 다른 문화는 파괴적이고 심각한 퇴보를 초래했습니다. 더욱 큰 실수는 우리가 세상을 우리의 삶의 방식으로 바꿀 수 있거나 바꿔야 한다고 믿는 것입니다.

그럼에도 불구하고 우리 문화는 공통된 신념이나 공유된 문화에 대한 동의를 어느 정도, 심지어는 적극적이고 강력하게 거부해 왔으며, 그러한 동의가 있어야만 그러한 방향 설정이 가능해질 것입니다.

하지만 더 큰 무언가를 추구하고, 공허하고 무력하며 텅 빈 다원주의를 거부하는 바로 그 자세가 우리의 지속적인 힘과 생존을 보장해 줄 것입니다.

팔란티어가 인류의 공통된 신념이나 정체성을 지키는데 앞장설 것이고, 모든 문화의 가치는 동등하지 않다고 주장하는 것을 보면 매우 섬찟하기까지 합니다. 세계의 다양성은 지켜져야 할 대상이 아니고, 소수 민족, 제 3세계는 경계해야 할 적이며 우리의 가치를 훼손한다는 생각을 갖고 있는 것이죠. 이런 CEO와 대표 투자자인 피터 틸의 우파적 성향까지 고려한다면 팔란티어에게 한 국가의 정보를 의존하는 것이 정당하고 올바른 판단일지 의심스러울 수 있습니다.

실제 노르웨이의 자산 운용사인 Storebrand는 팔란티어의 이스라엘 관련 사업이 국제인도법, 인권 위반의 리스크가 있다면 2,400만 달러의 투자를 포기했습니다. NYU 인권센터에서는 팔란티어가 강력한 데이터 통합 도구를 가질 수록 더욱 인권침해가 없도록 하는 실질적인 실사 대책이 필요하다고 지적했어요.

그렇지만, 이건 팔란티어가 제안하는 거대한 국가 차원의 데이터 분석 온톨로지와 플랫폼들은 CEO 리스크라거나 기업의 정치적 성향을 넘어선 더 큰 문제를 가지고 있습니다.

첫번째는 대규모 자동 데이터 분석이 정보 자기 결정권이라는 기본권을 중대하게 침해할 수 있는 헌법적 위헌 소지가 유럽을 비롯한 모든 국가의 가치와 충돌합니다. 즉, 팔란티어의 고담이나 파운드리에서 수집되는 정보들은 실시간 영상 데이터와 위치 추적, 나의 개인 정보들이 결합해 나를 '테러리스트'나 '잠재적 위험 요인'으로 동의 없이 결합된 데이터 출력물을 만들어 낼 수 있어요. '기술적으로 가능한 것'과 '기본권을 침해받는 것'이 함께 허용되는 것을 있을 수 없는 일이에요.

두번째는 이 기술의 통제 한계와 유출 가능성은 어디까지 인가하는 것입니다. 스위스가 이번에 팔란티어를 거부하면서 밝힌 것은 '팔란티어는 위험한 회사다'라는 것이 아니었습니다. 이 정도로 강력한 데이터 통합 플랫폼은 국가 차원에서 감당해야 할 리스크가 너무나 크다는 것이었어요. 팔란티어는 엄격한 접근 통제와 감사 로그, 투명한 거버넌스를 통해 플랫폼이 안전성을 보장한다고 강력히 주장했죠. 그렇지만, 앞서 이야기 한 것처럼 '그런 기능이 있는 것'과 '그 책임을 끝까지 질 수 있는가'는 다른 문제입니다. 왜냐하면 결국 그 플랫폼과 거버넌스도 사람에 의해 운영되는 것이고, 국가 차원의 비밀을 인간의 양심에만 의존할 수는 없는 일이거든요. 특히, 미국인에게요? 그건 안될 것 같아요.

마지막으로 팔란티어에 대한 무제한 의존성입니다. 팔란티어의 서비스에는 가격표가 없기로 유명한데, 이런 가격은 소프트웨어 개발 및 커스터마이징, 데이터 마이그레이션, 라이선스 비용을 포함한 유지보수까지 모든 비용이 직접 협상으로 결정됩니다. 이런 불투명한 가격 결정체계는 비공식적인 테이블에서 벌어지며, 이건 고객들을 협상 테이블에 가두는 효과를 가지죠. 또한, 팔란티어의 데이터 파이프 라인에 분석을 의지하게 된 순간부터 다시는 그 곳에서 벗어날 수 없는 문제가 발생합니다. 여기에 팔란티어가 CIA의 외주 정보 제공업체 중의 대표주자라고 가정하는 분석가들의 시각도 외면할 수는 없습니다.

즉, 팔란티어가 기술적 우위를 통해 서방의 이익가 가치를 방어하겠다는 설립자들의 목표를 가지고 있고, 미국외 동맹국들은 미국 정보 관계 당국의 통제 밖에서 자국의 정보를 보호하겠다는 소버린 개념이 충돌하는데 나온 복합적인 결정이 바로 이번의 스위스의 팔란티어 거부 사태입니다.

참고로, 출처의 기자인 에피메테우스는 팔란티어라는 회사 자체를 민주주의의 위협으로 보는 성향이 있고, 가장 비판적인 기사를 쓰기로 유명합니다. 따라서, 팩트인 내용만으로 '외부 통제가 불가능한 데이터 플랫폼은 위협'이라는 관점과 팔란티어에 종속되는 것은 장기적으로도 좋지 않다는 생각 정도로 이해하시면 좋겠습니다.

> 출처 : https://fackel.substack.com/p/swiss-govt-rejects-palantir-citing?fbclid=IwY2xjawOthJZleHRuA2FlbQIxMABicmlkETFTbXN2ZUloOTBSWmZzbURNc3J0YwZhcHBfaWQQMjIyMDM5MTc4ODIwMDg5MgABHmLnkjOC2oWKKkj5BkKgGmG75YVA2J_8wVYW5r73B1EDQUBAWqOdaN4apuDk_aem_L734aIcI_HSua5aGYUrFSA

Swiss Gov't Rejects Palantir, Citing 'Devastating Risks'

'Palantir is a US-based company where there is a possibility that sensitive data could be accessed by the American government and intelligence agencies.' The Swiss Army, 24 Dec. 2024

fackel.substack.com

AI 광고는 효율적이지만, 왜 사랑받지 못할까?

나모군 — Tue, 16 Dec 2025 10:06:53 +0900

맥도날드 네덜란드가 제작한 AI 크리스마스가 엄청난 대중의 비난을 받고 결국 삭제되었습니다. 네덜란드 회사 TBWA Neboko와 미국 제작사 The Sweetshop를 통해 제작된 이번 AI 크리스마스 광고는 '일 년 동안 크리스마스가 가장 끔찍한 시간'이라는 컨셉으로 묘사했죠.

그렇지만, 대중들은 크리스마스가 따뜻함과 가족애를 중심으로 묘사되기를 기대하고 있는데 반해, 이 광고는 이 끔찍한 기간동안 맥도날드가 유일한 휴식처인 것처럼 묘사해 냉소적인 메시지와 어둡고 암울한 기괴함으로 반감을 부추겼습니다.

< 맥도날드의 광고는 크리스마스를 망친다는 평가 속에 사라졌다. 출처 : MBC 뉴스 - YouTube >

AI로 만든 광고가 대중의 외면을 받은 것은 이번이 처음이 아닙니다. 이미 작년과 올해, 두 차례의 AI 광고를 집행한 코카콜라는 AI에 대한 대중의 거부감을 그대로 맞아야 했습니다. 코카콜라의 연말 시즌 광고는 전통적으로 향수를 불러 일으키고, 따뜻한 스토리텔링으로 엄마와 자식 북극곰을 만다는 감성과 영혼이 느껴지는 작품이었는데요. 작년과 올해 광고는 캐릭터의 움직임이 부자연스럽고, 트럭의 바퀴는 굴러가지 않고 미끄러지는 불쾌하고 부자연스러운 효과, Uncanny Valley(불쾌한 협곡)를 보여줘 완성도까지 떨어졌습니다.

< 코카콜라의 2년 연속 AI 광고는 지난 훌륭했던 평판을 박살냈다. 출처 : WLDO - YouTube >

이런 광고들의 문제는 AI 기술의 한계점으로 인해, 동일한 Context 유지가 쉽지 않다보니, 주인공을 중심으로 한 장대한 스토리텔링을 하기 어렵다는 점이 있습니다. 그래서인지, 맥도날드의 광고는 짧은 여러 개의 에피소드를 짜집기 하느라 바빴는데요. 제작진은 10명이 5주 동안 풀타임으로 작업하면서 수 많은 영상 클립들을 수정하고 골라냈다지만, 오히려 그게 제작의 노력이냐며 비아냥을 들어야했습니다. 여기에 더해 동물의 움직임을 제대로 학습하는 등의 기술력 부족의 한계도 느끼게 했죠. (그런 면에서 GTA 시리즈의 동물 모델방법을 코카콜라가 배웠으면 달라졌을까 싶기도 합니다만..)

그보다 더 중요한 문제는 바로 '기술 부족'이 아니라 '비용 절감과 효율성'으로 인해 인간의 창의성과 노동을 대체하려는 시도를 벌였기 때문에 괘씸죄가 적용되고 있다는 겁니다. 일종의 AI 포비아로서 동작하는 이런 현상은 감성적으로 소비되는 콘텐츠 시장에서 더욱 극적으로 나타나는데요. AI가 대체하는 미래가 곧 나의 미래가 될 지도 모른다는 위협을 가하기 때문입니다.

AI 광고가 더욱 극적으로 감동을 주는 경우는 없나?

빙그레는 옥중에서 순국하여 빛바랜 죄수복 사진만 남은 독립운동가 87명의 마지막 사진을 AI 기술로 복원하여, 그 분들이 생전에 입고 싶었을 고운 한복을 입은 모습으로 재탄생시키는 '처음 입는 광복'이라는 캠페인을 만들었었죠. 거기에 빙그레 임직원들이 애국지사의 후손 6분에게 한복과 AI로 복원한 사진을 전달하며 감사의 마음을 전하면서 메시지의 진정성을 더했습니다.

< 빙그레는 처음 입는 광복 캠페인으로 독립투사를 기리는 캠페인의 시발점이 되기도 했다. 출처 : 빙그레 - YouTube >

이런 AI 광고들은 향후 MBC와 여러 방송사들의 2025 대선이자 광복 80주년 기념 개표방송 타이틀에서 많이 활용되면서 회자 되기도 했습니다. AI 광고가 단순히 소비되는 것이 아니라 의미를 담고 있으며, 되새겨 볼만한 주제를 던져줄 때에만 의미가 있는 것은 아닐까요?

< MBC와 SBS를 비롯한 여러 방송사에서 AI를 활용한 광고를 내보내는 것에 이질감이 없다. 출처 : MBC - YouTube >

AI가 기술로서만 동작하는 것이 아니라, '무엇을 전달하고자 했는가', '메시지를 진정성 있게 전달하고 있는가'가 중요한 것을 깨닫게 해주는 좋은 캠페인이었어요. 즉, AI 기술을 사용한 광고라고 해서 무조건 사람들에게 거부당하는 것이 아니라, 그 안에 담긴 기획력, 가치들을 AI의 눈이 아닌 사람의 눈높이에서 전달하는 브랜드의 태도가 중요하다고 볼 수 있겠습니다. 코카콜라도 AI로 만든 광고를 무조건 실패했던 것만은 아닙니다. 2023년 진행되었던 코카콜라의 마스터피스(Masterpiece, Real Magic) 캠페인은 앤디 워홀의 작품에서 시작해 뭉크와 고흐, 베르메르까지 여러 예술작품들 사이를 코카콜라가 누비며, 마법같은 순간을 완성한다는 영감이 넘쳐나는 작품이었죠. 즉, 광고에서 AI를 썼느냐가 중요하기 보다는 도구를 만드는 노력이 중요하지 않을까요?

< 코카콜라가 예전 만큼만 광고를 만들면 좋겠는데.. 역시 광고는 사람이 만들어야? 출처 : 코카콜라 US - YouTube >

스토리텔링(StoryTelling)에서 스토리비잉(StoryBeing)의 시대로

브랜드가 소비자에게 일방적으로 완성된 이야기를 전달하는 것이 '스토리텔링'으로, 이야기의 완성도가 광고의 성패를 결정하는 주요 요인으로 받아들여집니다. 요즘엔 스토리비잉, 브랜드 자체가 이야기의 일부로서 존재(Be)하며, 소비자들이 인터랙티브하게 양방향으로 이야기를 만들어가는 과정과 상태를 유지(ing)하는 유기체처럼 브랜드가 소비자와 상호작용하는 광고 방식이 주목받고 있습니다.

스토리비잉(StoryBeing)은 단순한 이야기 전달을 넘어, 브랜드가 전하고자 하는 가치나 철학이 기업의 행보와 제품 자체에 녹아들어 있어 소비자에게 '실재'로 느껴지게 하는 개념입니다. 그래서, "이 재킷을 사지 마세요.(Don't Buy This Jacket)"라는 메시지를 통해 환경 보호라는 브랜드 철학을 보여준 파타고니아(Patagonia)라던가, "어디에서나 내 집처럼(Belong Anywhere)"를 통해 단순한 숙박 서비스가 아니라, 현지인처럼 살아보는 경험 자체를 브랜드 정체성으로 제공하는 것을 알린 에어비앤비(Airbnb) 등이 있었죠.

기술 발전과 더불어 MZ세대가 주 소비층으로 변화하면서, 기존의 소비자를 연령이나 세대, 소득, 지역에 따라 구분하기 보다는 지극히 개인화된 1:1 마케팅 수준의 타게팅이 AI를 통해 가능해진 것을 광고 기술에서 활용하기 시작했거든요. 그래서, 요즘은 AI로 영상 광고를 생성하기 보다는 인스타나 페이스북 광고, 네이버와 구글 배너 광고, 앱스토어 광고, 넷플릭스 스탠다드에서 나오는 광고를 비롯해 고객센터의 챗봇까지 소비자에게 개인화된 맞춤 광고를 AI를 통해 자동화된 맞춤서비스로 제공하는 것을 목표로 하고 있습니다.

아마존이나 넷플릭스의 초개인화된 추천 기술, 고객센터가 AI 챗봇을 통해 24시간 나의 모든 상담을 기록하고 문제점을 찾아서 에이전트가 끝까지 해결해주는 경험, 세포라의 AI 기반 피부 진단을 통해 맞춤형 제품을 전문가처럼 추천받는다거나, AI가 제안하는 맞춤형 여행계획을 점차 구글 지도(Map)을 통해 제안받는 것이 어색해지지 않는다거나 하는 것이 바로 AI를 존재론적으로 인지하면서 더 이상 광고로 느끼지 않게 되는 것을 의미하죠.

지금은 친구들과 '자전거'에 대한 이야기만 나눠도, 내 주변의 모든 광고는 '자전거'로 도배가 되는 것을 짜증내게 됩니다. 그렇지만, 진짜 스토리 Being을 하는 회사는 그 틈새에서도 'Real 자전거'의 스토리를 자연스레 연결해주는 역량을 가질지도 모르죠.

아직, AI가 만든 영상광고가 어색하고 싫은 이유는 우리에게 무턱대고 '자전거'를 보여주는 AI의 무대포식 타게팅 광고가 어색하고 싫은 이유와 맞닿아 있습니다. 곧, AI가 우리의 무의식으로 '자전거'를 밀어넣는 날이 올지도 모르지만요.

일 잘하는 엔지니어의 생각 기법, Back to the basic.

나모군 — Wed, 10 Dec 2025 16:16:19 +0900

2002년 대한민국이 월드컵 4강으로 뜨거웠을 때. 제가 개발하던 MPH-2000 (삼성 최후의 PDA 핸드폰) 기반의 삼성전자 물류서비스 앱이 전국의 물류센터에 배포가 되었습니다. 일반 가정에서 전자제품을 주문하면, 물류 배송 기사들이 배송을 완료하고 송장을 폰으로 확인하고, 처리 결과를 전송하면 데이터가 처리되는 시스템이었죠. 당시 휴대폰에는 GPS 기능이 없었기 때문에 기지국 정보로 배송 위치를 추정하고, 배송 완료 시간을 기록해서 물류 정보에 통합하는 것만으로도 획기적이었습니다.

삼성 SPH-M2000 당시엔 획기적인 폰으로 터치펜 기능도 가진 풀터치 플립형 디자인이 주목받았다 < 사진 : 창원 통신박물관 - 네이버 블로그 >

그런데, 당시에는 매우 심각한 문제가 하나 있었습니다. ARM 기반의 별도 버전의 gcc로 개발한(뭔지 몰라도 그냥 매우 생소한 프로그래밍 언어라고 생각하시면 됩니다.) 라이브러리에서 Memory Leak이 아주 미세하게 발생하고 있었지만, 그걸 개발한 종합연구소의 박사님도, 그걸 기반으로 앱을 만든 저도 원인을 밝혀낼 방법이 없었습니다. 프로그램에서 쌓인 메모리의 피로감은 점점 앱을 느려지게 만들었고, 두 달 정도 지나면 폰이 느려지기 시작했어요. 결국 폰이 너무 느려져서 앱 실행조차 힘들다는 문의가 들어오기 시작했고요. 회사에서는 후속 기종 개발이나 라이브러리 업데이트 계획이 없었으니, 회사의 향후 지원도 없을 예정이었습니다.

가장 즉각적인 조치 방법은 폰을 한 번 껐다 켜는 거였습니다. 컴퓨터가 제대로 동작하지 않으면, 껐다 켜는 것이 해답일 때도 있다는 것이 바로 이런 방법이죠. (당시 메모리가 256kb 밖에 안되었던 폰을 껐다켜면, 메모리가 깔끔하게 비워졌다.) 그렇지만, 고객사에 프로그램의 문제인데, 당장 고칠 방법이 없으니 껐다 켜면 된다고 말할 수는 없는 노릇이었습니다. 그런 와중에 고객사에서 고객 사인을 터치펜으로 받아서 전송하는 기능을 추가해달라는 요청이 왔어요. 그 때, 번뜩하고 떠오른 생각이 있었습니다. 당시 피처폰들은 OS와 하드웨어의 구조상 메모리와 프로세서가 제한적이라서, 새로운 앱을 메로리에 로딩하기 위해서 반드시 재부팅을 해야했거든요.

그러니까, 정리하자면 폰에 메모리가 가득차서 느려지기 시작하는건 2달이 걸리고, 제가 새로운 기능을 2달에 한 번씩 추가해서 앱을 배포하면 고객은 자연스럽게 폰을 껐다 켜게 된다는 거였습니다. 물론, 새로운 기능을 추가로 넣는 것이 어렵기는 했지만, 해결할 수 없는 문제를 손쉽게 해결하는 최선이었죠. 1년 반 정도의 시간 동안 새로운 부가 기능을 6개를 만들어서, 버전 6까지의 앱 업그레이드가 이뤄졌습니다.

배송기사도 만족하는 2개월 마다의 업그레이드 덕분에 해결할 수 없는 문제를 회피할 수 있었다. < 사진 : Gemini >

결국, 고객인 물류배송기사 분들은 새로운 버전으로 앱을 설치할 때마다 속도가 점점 빨라지고, 기능도 늘어난다며 만족도가 오히려 높아졌습니다. 새로운 산업용 PDA가 도입되어 교체되는 1년 넘는 시간 동안 메모리나 속도 문제는 아무도 문제를 삼지 않았죠.

문제를 해결하는 엔지니어의 사고 방식을 배울 수 있는 책

이 책, '일 잘하는 엔지니어의 생각 기법'의 원제는 How to make things faster 입니다. 1990년대부터 오라클 컨설턴트로 현장에서 DB와 시스템에서 발생하는 문제들을 해결해 왔던 저자 캐리 밀샙의 일화 등을 중심으로, 어떻게 시스템을 빠르게 만들 것인가에 대해 이야기하는 책이죠. 그렇다면 프로그래머나 아키텍트, DBA 들이 이 책을 보는 것이 좋겠다고 여길 수 있지만, 실제로는 이건 기술서라기 보다는 개발 철학, 경영 전략 도서에 가깝습니다. 문제를 인식하고, 측정 한 다음, 해결책을 도출하고, 문제를 해결한 다음 피드백을 공유하는 일종의 PDCA(Plan-Do-Check-Action)이 왜 필요한지를 설명하거든요. 그것도 우리의 주변에서 간과했던 작은 경험들을 모아 큰 가르침을 던집니다.

예를 들면, 앞에서 얘기한 저의 과거 경험도 알고 보면, 이 책에서 언급한 '문제 해결'의 선택 방식입니다.

저자인 캐리는 고객사의 시스템의 성능 향상을 위해 다른 동료들과 회의실에 모여 끝장 회의를 합니다. 고객사 시스템 성능, 가용성을 99.999%까지 확보하기 위한 목표가 주어졌기 때문이에요. 실제 시스템의 업타임을 99.99%로 하면 1년 동안 52분의 장애나 사용불가 상태가 있을 수 있지만, 99.999%가 된다면 겨우 5분 정도의 다운타임이 발생하는 차이입니다.

수백만 달러의 투자를 한다고 해도 실제 이런 가용성을 확보한다는 보장을 할 수도 없었고, 병목이나 효율화 대상을 더 이상 찾기도 어려웠던 주인공은 고객사의 IT본부장에게 가서 이걸 꼭 달성해야 하는지 물어보는 것이 가장 빠른 해결 방법이라고 생각했습니다.

99.99%와 99.999의 차이는 생각보다 월등한 차이다. < 출처 : 해당 도서 >

주인공은 본부장에게 99.99%의 가용성은 해결했지만 합리적인 비용에 99.999%를 달성할 수 있는 아키텍처를 만들 방법이 없다고 설명했어요. 그러자, IT본부장인 더그는 비용이 얼마나 드는지 물었고, 고민하다 주저없이 "좋아요. 99.99%면 충분합니다."라고 답했고, 그걸로 회의는 끝났습니다. 물론, 이 챕터의 교훈은 '피드백 루프를 최대한 빨리 가동하자'는 것이었지만, 큰 의미에서 저는 이걸 문제 해결 방식의 선택이 중요하다고 봤습니다.

해결할 수 없는 문제를 붙잡고 시간을 보내기 보다는 가장 빠른 방법이 무엇인지, 의사결정자가 누구인지를 통해 고객의 문제를 해결하는데 집중하는 것이 어쩌면 중요하거든요.

은 탄환(Silver Bullet)으로 모든 문제를 해결한다는 환상

여러분들은 저의 일화에서 중요한 것은 바로 메모리 누수 현상을 잡아 내서, 근본 원인을 해결하는 것이라고 생각했을지 모릅니다. 그러나, 그것은 원인이지 문제가 아닙니다. 문제는 고객의 배송 앱이 점점 느려지고 있는 문제였고, 현장에서 배송을 완료하도고 완료 처리를 할 수 없는 것이 문제였습니다. 즉, 배송 완료만 빨리 처리할 수 있다면, 꼭 메모리 누수를 잡아내야 할 필요는 없었겠죠. (실제로는 매일 한 번씩은 스마트폰을 껐다 켜달라는 안내를 할 수 없는 회사의 분위기가 더 문제라는데는 동의합니다.)

많은 엔지니어들이 빠지는 환상이자, 큰(?) 숙제는 바로 한 방에 모든 문제를 풀어 낼 알렉산더 대왕의 가위처럼, 은 탄환이라는 해결책이 존재한다고 믿는 것입니다. 그걸 발견할 때까지, 여러 번의 반복과 조사, 연구를 해내려고 하죠. 그렇지만, 엔지니어에게 중요한 것은 문제를 정확히 관찰하고, 측정한 다음, 개선하는 것이겠으나, 제일 중요한 것은 문제를 정의하는 것입니다.

제대로 된 문제 인식 없이 은 탄환을 바라기만 하는 것은 환상에 가깝습니다. < 사진 : Gemini >

그리고, 여기서 엔지니어가 놓치기 쉬운 '우선 순위'라는 것이 존재합니다. 고객의 목표를 달성하기 위해 우리가 만든 기계나 앱, 서비스 들이 동작하지 않을 때, 아니면 정상적으로 동작할 때 가장 정상적이고 우수해야 하는 항목이 바로 우선 1순위가 되는 것이죠. 이게 중요한 이유는 많은 엔지니어들이 고객의 우선 순위와 본인의 우선 순위를 제대로 맞추지 않고, 엔지니어링의 의미를 제대로 이행하지 못하기 때문입니다. 엔지니어링은 '돈을 버는 기술'입니다. 우리는 '원리를 찾고, 새로운 걸 만드는 과학'과는 다른 일을 합니다. 고객의 문제를 빨리 해결해서, 돈을 벌 수 있도록 하는 것이 엔지니어링입니다.

이 책은 실제 현장에서 간과하기 쉬운 '화장실에 쌓여있던 출력물', 'ERP 화면에서 업체를 찾기 위해 다음 페이지 버튼을 26번 누른 회계 직원', '최종 청구서 발행 이후 청구서만 출력의 체크박스를 체크하지 않아 수십 박스의 종이를 낭비한 직원' 들의 이야기를 늘어놓으면서, 그런 가르침을 차곡차곡 쌓아서 머리에 강제 주입시키는 책입니다. 고객을 관찰하고, 고객의 우선 순위를 나의 우선 순위에 맞추며, 근본적인 질문부터 가슴에 새기도록 만드는 책이랄까요?

이런 꿈도 꾸었을 정도로 책에 빠져들었어요. 'Jet Brains IDE에서 TAB키를 여기서 누르면, 테스트 결과코드를 미리 여기 삽입할 수 있으니 시간이 20분 정도 줄었던 경험을 회사 전체 개발자들이 알게 된다면 얼마의 시간이 줄어들까? 무려 1만분 정도의 시간이 생기는 거잖아? 누구나 줄일 수 있는 이벤트의 수행시간은 일상에도 있는 거였어'라는 꿈을 꾼 겁니다. (직업 의식이 이렇게 무섭습니다.)

은 탄환으로 모든 문제를 해결하기 보다, 하나씩 문제를 맞닥뜨리고 해결해 나가는데 이 책은 중요한 지침 중의 하나가 되지 않을까 싶습니다.

참고로 이 책을 한 권 샀는데, Yes24 서평단에 당첨되면서 덜컥 책이 2권이 되었습니다. (한 권은 우리 개발자 줘야겠어요. ^^)

덜컥 2권이 되어버린.. 두껍다고 생각할지 모르지만 차트만 무시하면 금세 읽힌다. < 사진 : From me >

구글은 CUDA의 한계를 뛰어넘을 것인가?

나모군 — Mon, 1 Dec 2025 10:21:32 +0900

구글의 TPU만이 가지는 강점? 그보다 더 중요한 경쟁 무기를 곧 갖출지 모른다 < 사진 : ChatGPT >

구글이 만든 TPU는 행렬 연산에 최적화된 ASIC(특수목적 칩)입니다. 일반적으로 그래픽 처리나, 범용적인 연산을 할 수 있는 엔비디아가 만든 GPU와 달리 신경망 학습 및 추론에 최적화되어 설계된 것이죠. 덕분에 TPU는 딥러닝 작업에서 높은 연산 효율을 보이고, 동급 GPU보다 15~30배 빠른 처리 성능과 30~80배 우수한 전력 효율을 기록한다고 알려져 있습니다. 특히, 최신 TPU v7인 Ironwood 에서는 이전 세대보다 24배 성능이 향상되었다고 구글에서는 주장합니다.

구글의 TPU는 어떤 장점이 있길래?

그러다보니, 최근 구글이 TPU를 기반으로 엔비디아의 아성을 넘어, 독자적인 AI 생태계 구축까지 넘보지 않을까 하는 이야기도 나오고 있죠.

신경망 학습이나 대형 모델 추론 처럼 '행렬 연산 + 대규모 데이터 + 반복연산'이 많은 작업에서는 TPU 특화 설계와 GCP(구글 클라우드)에서의 효과적인 운용체계가 뛰어난 가성비를 보일 수 있습니다. 또한 TPU를 병렬로 구성 연결하면 멀티 테라에서 엑사스케일의 초거대 AI 서버시스템을 손쉽게 구축할 수 있어요.

TPU는 구글이 설계하고, 내부 프레임워크를 비롯해 클라우드 서비스와 통합되어 있습니다. 즉, 하드웨어와 소프트웨어 스택 전체를 구글이 제어할 수 있다는 뜻이죠. 이런 통합 덕분에 하드웨어 최적화, 메모리 대역폭, 통신 효율성, 확장성 등이 GPU보다 유리 할 수 있습니다. 특히 TPU v4 이후 세대는 임베딩 최적화, 전력 효율 개선 등의 아키텍처가 GPU 중심 설계로는 어려운 비효율성 제거를 이뤄냈다는 평가가 많죠.

TPU의 성능 자체는 이미 2023년 TPU v4에서 다른 칩들을 넘어섰다는 자체 평가가 있다. < 사진 : Google Cloud >

그럼에도 불구하고, TPU의 한계도 분명합니다. 모든 연산이 AI와 딥러닝의 추론으로만 이뤄지는 것이 아니기 때문이죠. GPU는 고성능의 렌더링, 과학 연산, 그래픽 처리 등의 다양한 분야에서 강점을 가진 반면, TPU는 AI와 Tensor 연산에 특화되어 있어서 AI 이외의 작업에서는 효용성이 떨어집니다. 또한, TPU는 GCP 상에서만 제공되며, 기업이나 연구자가 직접 구매해서 On-Premise로 사용할 수 있는 방법이 없습니다.

여기에 가장 결정적으로 GPU+CUDA의 강력한 성이 수십년간 방대한 생태계를 구축하고 있다는 겁니다. 수많은 프레임워크와 라이브러리, 도구, 숙련된 CUDA 사용자들에게 TPU로 전환을 촉구하기에는 부족한 면이 많죠. 그래서, 단기간 내에 TPU가 GPU를 대체하고, 구글이 엔비디아와 경쟁에서 승리할 수도 있기는 어렵다고 평가합니다.

vLLM의 확장이 CUDA를 약하게 만들 것인가

CUDA는 엔비디아의 GPU 하드웨어를 프로그래밍 하기 위한 저수준의 API, 즉 함수들을 엔비디아가 독점하여 만들어 운용하는 기술적 방패이고, vLLM이란 것은 CUDA 위에서 동작하는 GPU의 메모리와 커널 실행을 효율화한 LLM 전용 추론 엔진입니다.

vLLM은 기존 GPU 추론 방식인 CUDA+PyTorch (전통적인 추론 방법) 대비 성능이 뛰어납니다.

보통의 LLM은 사람이 질문을 하면 그때그때 따로따로 연산이나 추론을 해서 답을 하지만, vLLM은 비슷한 계산은 한 번에 묶어서 처리하고, 이미 계산한 건 기억해 두었다가 재사용하자는 방식으로 GPU를 훨씬 알뜰하게 사용하기 때문이에요. PagedAttention은 KV캐시라는 메모리를 사용할 때, 일반적으로 주욱 한 줄로 메모리를 붙여써서 낭비하는 방식이 아닌, 메모리를 작은 블록으로 꼭 필요한 페이지들을 연결해서 효율성을 높이는 기술로 vLLM이 가지는 강점입니다. 여기에 '한 명씩 차례대로'가 아닌 실시간 요청을 모아서 계산하는 Continuous Batching 등까지 더해서 CUDA를 더욱 똑똑하게, 병렬 요청에도 최적화할 수 있는 것이 vLLM인 것이죠.

vLLM 아키텍처, LLM을 위한 효율적 메모리 관리가 핵심이라고 본다 < 사진 : Hopsworks.ai >

그런데, vLLM 덕분에 CUDA의 지위가 위험할 수 있다는 경고가 나오고 있습니다.

전통적인 GPU 연산의 최적화는 PyTorch를 사용할 때 CUDA를 커스텀하는 방식을 사용하기 때문에 높은 수준의 CUDA 지식이 필요하고, 엔비디아의 생태계에 묶여 있을 수 밖에 없었죠. 그러나, vLLM은 자동으로 GPU 최적화를 해주기 때문에 개발자들이 내부를 알지 못해도 성능을 최고 수준으로 뽑아낼 수 있습니다. 즉, CUDA를 똑 몰라도 추상화 수준으로 손쉽게 개발이 가능하다는 것이죠.

그럼, vLLM이 좋아질 수록, CUDA의 지위가 더욱 강력해지는 것이 아닌가 하겠지만, vLLM이 GPU에서만 최적화 되는 것이 아니라 TPU와 CLA, AMD ROCm으로 확장이 가능한 것이 문제입니다. XLA는 구글이 만든 머신러닝 컴파일러로, LLM과 머신러닝에서 계산을 최적화하는 CUDA가 저수준의 커널 호출로 연산하는 것에 비해, 고수준의 그래프 연산을 통해 최적화되어 있어요. XLA는 엔비디아의 CUDA이외에도 TPU, 심지어 AMD의 ROC을 지원합니다. 즉, XLA는 CUDA에 종속되지 않는 추론과 학습에 사용될 수 있어요. 그렇지만, 현재로서는 XLA도 CUDA위에서 동작하는 역할 밖엔 하지 못하죠. 비유하자면 이렇습니다.

CUDA = 자동차 엔진 + 부품
XLA = 자동차를 더 효율적으로 움직이도록 설계하는 엔진 제어 소프트웨어(ECU)

그렇지만, PyTorch와 XLA, vLLM에서 XLA 백엔드를 지원하는 것이 가능해 지면 완전히 다른 얘기가 펼쳐집니다. 지금까지 TPU의 가장 큰 약점이었던 라이브러리나 CUDA 수준의 생태계가 빈약했던 문제가 순식간에 사라지는 것이죠. 메모리 구석구석 최적화가 필요했던 C++의 시대에서 추상화된 JAVA가 모든 플랫폼에서 사용되게 되는 것과 비슷하다고 할까요? 즉, TPU가 모든 대형 LLM의 추론 머신으로도 활용될 수 있고, GPU 시장을 잠식할 수 있는 기반이 확보되는 셈입니다.

참, vLLM 덕분에 TPU가 CUDA를 이긴다가 아닙니다? vLLM이 좋아지게 되니까, 굳이 CUDA에 대한 의존성이 없어진다는 의미로 보시면 되겠습니다.

앞으로의 시장 변화, 엔비디아는 어떻게 움직일 것인가?

지금까지 LLM 추론을 대규모로 운영하려면, 엔비디아의 GPU 보유량이 바로 스케일의 법칙에 따라 최고의 경쟁력이었습니다.

그렇지만 XLA 백엔드가 확장되면 GCP는 TPU + vLLM 구성으로 가장 저렴하고 가성비 높은 AI 클라우드로 부상할 겁니다. AWS는 Trainium + vLLM 구성으로 엔비디아로의 의존성을 크게 낮출 수 있죠. Azure는 AMD와 손잡고 엔비디아와 협상할 수 있는 저렴한 카드를 쥘 수 있습니다. 이 얘기는 사용자 중심으로 Meta와 Mistral 같은 모델 개발업체들에게도 큰 부담을 줄여 줄 전망입니다. 최근 TPU의 존재가 엔비디아의 GPU 가격 상승에 제동을 걸고, 30% 가량이 비용을 낮추도록 압력이 되고 있다는 소식도 있죠.

엔비디아의 가장 강력한 AI 독점의 실체는 GPU가 아니라 CUDA 생태계입니다. 이 생태계가 너무 방대하기 때문에 다른 하드웨어가 끼어들 틈이 없죠. 그래서, 잘하던 것을 더욱 잘하려고 노력할겁니다. vLLM이 아무리 좋아져도 엔비디아 GPU에서 Tensor 연산이 더욱 빠르고, 가성비 높게 동작할 수 있도록 경쟁 가속기보다 2~5배 이상 높은 성능으로 만드는데 투자하고 있어요.

또한, CUDA 생태계를 더욱 폐쇄적으로 만들 것으로 전문가들은 예상합니다. PyTorch와 더욱 친화적으로 지내면서 CUDA 전용 커널과 라이브러리를 더 복잡하게 만들어서 경쟁자들이 모방할 수 없도록 모든 프레임워크 최적화를 CUDA 중심으로 만드는데 투자하겠죠. 특히 구글과 AMD가 따라오지 못하게 비공개 API를 쑤욱 끼워넣을지 모릅니다.

엔비디아는 블랙웰을 비롯해 자사 생태계를 더욱 폐쇄적이고 강한 응집력으로 강화해 왔다. < 사진 : wccftech >

여기에 최근 VeraRubin을 기획하면서 엔비디아는 GPU + 메모리 + 네트워크 스택 전체를 독점적이면서 폐쇄적으로 만드는 구조를 강화하면서, 클라우드 업체들과 장기 공급 계약을 더욱 확대하고 있어요. AWS와 Azure, GCP와 3~5년의 장기 공급계약을 한다거나 하는 것으로 안전장치를 마련하는 것이 의미가 있긴 할 겁니다.

그럼에도 불구하고, AMD의 GPU가 엔비디아와 경쟁하게 된다? TPU가 엔비디아의 70%의 영업이익률에 타격을 입힐 것인가? 여러 재미있는 관점에서 보자면, 모든 경쟁은 소비자에게 이롭습니다. 여기에 하나 다른 리스크가 있다면, LLM이 대량의 스케일링으로 추론하는 학습 방식이 뒤집어 진다면? 하는 가정입니다. 그건 그것대로 재미있겠죠.

AI 전환의 시작: 맥킨지가 바라본 2025 AI Report

나모군 — Fri, 28 Nov 2025 07:35:03 +0900

AI, 단순한 도구를 넘어선 혁신의 물결

오늘날 우리 주변을 감싸는 AI의 물결은 단순한 기술적 진보를 넘어, 기업 생태계 전체를 뒤흔드는 거대한 변화의 서막을 알리고 있는 듯합니다. 맥킨지(McKinsey)의 2025년 AI 보고서는 이러한 변화의 파노라마 속에서 기업들이 AI를 어떻게 받아들이고 있으며, 또한 어떤 근원적인 질문과 씨름하고 있는지를 여실히 보여주고 있는 것이에요. 흥미로운 점은 거의 모든 조직, 대략 88%에서 90%에 달하는 기업들이 어떤 형태로든 AI를 이미 활용하고 있지만, 이들 대부분은 여전히 '실험' 또는 '파일럿' 단계에 머물러 있다는 사실입니다. 이는 마치 새로운 도구를 손에 쥐었지만, 그것을 진정으로 활용할 방법을 모색하는 과정과도 같습니다. 전체 기업 중 오직 1%만이 AI를 비즈니스 워크플로우에 완전히 통합하여 실질적인 성과를 창출하는 'AI 성숙도'에 도달했다는 보고는, 우리가 가야 할 길이 아직 멀다는 점을 시사하고 있어요.

AI를 정기적으로 사용하고 있는 비율은 88%로 증가 추세지만, 아직도 대부분 PoC 수준입니다. < 사진 : McKinsey >

맥킨지는 이러한 현상을 분석하며 AI가 단순한 업무 효율성 증진 도구를 넘어선, 기업의 존재 방식을 근본적으로 재편할 '변화의 촉매제'라고 강조합니다. 단순히 더 똑똑하게 일하는 것을 넘어, 아예 일하는 방식 자체를 다시 설계하고 비즈니스 모델을 재구성해야 한다는 의미입니다. 실제로 최고 성과를 내는 기업들은 AI를 통해 점진적인 효율성 향상에 만족하지 않고, 워크플로우를 과감히 재설계하고 혁신을 가속화하며, 궁극적으로 비즈니스 모델 자체를 재편하는 데 주력하고 있는 것이지요. 이러한 전환의 핵심에는 '리더십'이 자리하고 있습니다. 최고 경영진, 특히 CEO의 비전과 헌신 없이는 AI 전환이 단순한 기술 도입을 넘어 조직 전체의 성공으로 이어지기 어렵다는 점이 명확하게 드러나는 대목입니다.

오늘날 우리는 스스로 계획을 세우고 여러 단계의 워크플로우를 실행하는 'AI 에이전트'와 같은 새로운 기술들의 등장을 목도하고 있습니다. 고무적인 점은 기업의 직원들이 이러한 AI 도입에 생각보다 훨씬 더 준비되어 있으며, 새로운 기술에 대한 교육열 또한 매우 높다는 사실입니다. 하지만 이와 동시에 AI를 효과적으로 비즈니스에 녹여내어 전환을 이끄는 소수 기업과 여전히 파일럿 단계에서 헤매는 다수 기업 사이에 'AI 격차'는 점점 더 확대되고 있는 양상이에요. 물론, AI의 결정이 때로는 부정확하거나 편향될 수 있다는 점을 고려할 때, 위험을 관리하기 위한 철저한 노력 역시 필수적입니다. 이 모든 복합적인 상황을 종합적으로 조망해보면, AI는 이제 기업에게 선택적인 기술 도입을 넘어, 생존과 성장을 위한 '필수적인 전환'을 요구하고 있는 중대한 시점이라고 단언할 수 있습니다.

AI, 어떻게 기업 혁신의 역사를 써왔을까?

최근 몇 년간 기업 혁신의 역사를 새로 쓰고 있는 가장 큰 변화 중 하나는 단연 생성형 AI(GenAI)와 에이전트 AI의 등장이라고 할 수 있습니다. ChatGPT 같은 생성형 AI는 역사상 가장 빠르게 채택된 기술 중 하나로 기록될 만큼 폭발적인 파급력을 보였어요. 고객 서비스부터 마케팅, 소프트웨어 개발, 심지어는 전략 수립에 이르기까지 정말 다양한 분야에서 그 활용 가능성이 탐구되고 있는 것이지요. 또한, 사람의 지속적인 개입 없이도 스스로 여러 단계를 수행하는 자율적인 에이전트 AI 역시 빠르게 실험 단계를 넘어 실제 생산 환경에 적용되기 시작하는 추세입니다. 맥킨지는 이러한 AI 기술이 향후 수십 년간 노동 생산성을 비약적으로 높여 경제 전반에 걸쳐 수조 달러의 가치를 창출할 것으로 예상하며, 이는 단순한 기술적 혁신을 넘어 거대한 경제적 변혁을 예고하는 것이라고 분석하고 있습니다.

조직들은 AI 에이전트가 현실 세계에서 행동하고, Workflow의 여러 단계를 계획하고 실행할 수 있는 모델로서 동작하기를 기대했고, 응답자의 23%는 조직이 기업 내 어딘가에서 에이전트 AI 시스템을 최소 한 개 이상의 비즈니스에서 테스트 중이거나 배포하기 시작했다고 답했습니다. 그럼에도 불구하고 실제 에이전트를 특정 업무에 적용하기 시작했다는 응답은 10%를 넘지 않았습니다.

AI 에이전트는 아직 대부분의 기업 구성원들이 잘 모르거나, 일부에서만 테스트 되고 있는 중이다. < 사진 : McKinsey >

처음에는 많은 기업이 AI를 '효율성' 증대나 '비용 절감'의 도구로만 제한적으로 인식하는 경향이 있었습니다. 그러나 고성과를 내는 선도적인 기업들은 AI를 통해 '성장'과 '혁신'을 우선순위에 두고, 비즈니스를 근본적으로 변화시키는 강력한 촉매제로 활용하고 있다는 점이 이 전환의 핵심이라고 볼 수 있습니다. 결국 AI 전환의 성공은 최고 경영진의 리더십과 조직 전반의 재설계에 달려있다는 맥킨지의 일관된 메시지가 AI 혁신의 역사를 통해 끊임없이 입증되고 있는 셈입니다. AI가 단순한 기술을 넘어 비즈니스 전략의 중추적인 요소로 자리 잡기까지, 정말 눈부신 속도로 진화해온 과정은 인류 문명의 새로운 장을 열어젖히는 드라마틱한 서사처럼 느껴집니다.

AI 전환, 모두에게 장밋빛일까? 기업들이 느끼는 현실과 고민

AI가 거스를 수 없는 대세이자 미래 성장 동력이라는 점은 이제 이론의 여지가 없는 듯합니다. 그렇다면 과연 지금 기업들은 이러한 AI 전환에 대해 어떤 생각과 고민을 하고 있을까요? 맥킨지 보고서는 많은 기업들이 여전히 '실험'과 '파일럿' 사이의 '파일럿 지옥(pilot purgatory)'에 갇혀 방황하고 있는 현실을 냉정하게 보여주고 있습니다. 무려 3분의 2에 달하는 기업들이 AI를 도입하고도 이를 전체 비즈니스에 제대로 확장하지 못하고 있는 상황에 놓여 있는 것이에요. 실제로 AI를 도입한 기업 중 약 39%만이 실제로 수익(EBIT)에 유의미한 영향을 경험했다고 하니, 생각보다 AI를 통해 가시적인 성과를 내는 것은 그리 쉽지 않은 과제라는 점을 알 수 있습니다.

매출규모가 커질수록 AI를 테스트하는 걸 넘어 비즈니스 핵심 프로세스로 통합하는 추세를 보인다 < 사진 : McKinsey >

이러한 현실 속에서 많은 기업들이 AI를 '점진적인 효율성 개선' 정도로만 바라보는 경향이 짙습니다. 예를 들어, 대다수의 기업들이 10~15% 정도의 생산성 향상을 목표로 AI를 활용하려는 경우가 많다고 해요. 물론 효율성 개선도 중요하고 필요한 부분이지만, 맥킨지는 AI의 진정한 가치가 비즈니스 모델 자체를 새롭게 디자인하고 혁신적인 성장을 추구하는 데 있다는 조언을 아끼지 않습니다. AI를 단순히 기존 업무를 자동화하는 '새로운 도구'로만 여기면, 그 무한한 잠재력을 충분히 활용하기 어렵다는 뜻이 담겨 있는 것이지요. 이는 패러다임 전환의 필요성을 역설하는 중요한 메시지입니다.

AI가 기업의 성과에 미치는 영향, 전사적인 수익(EBIT) 측면을 보면 AI 사용으로 인해 긍정적인 영향을 미쳤다는 응답자는 39%에 불과하며, 이 중 대부분은 5% 미만의 미미한 기여를 했다고 응답했습니다.

비용적인 성과보다는 AI는 기업에 혁신 문화와 직원, 고객만족을 먼저 가져다 준다는 관점이 놀랍다. < 사진 : McKinsey >

또 하나 간과할 수 없는 중요한 점은, AI를 효과적으로 활용하여 혁신을 주도하는 소수 기업과 아직 방향을 잡지 못하고 헤매는 대다수 기업 사이의 'AI 격차'가 점점 더 벌어지고 있다는 사실입니다. 보고서는 직원들이 AI 교육에 대한 열의가 높고 새로운 기술 도입에 충분히 준비되어 있음에도 불구하고, 막상 리더십이 AI 전환에 대한 명확한 비전을 제시하지 못하거나 조직 재설계에 소극적일 때 이러한 격차가 심화된다고 지적하고 있어요. 결국 AI 전환의 성패는 기술 자체의 문제가 아니라, 그것을 이끌어가는 리더십의 역량과 조직 문화의 변화 수용성에 달려있는 중요한 문제라고 볼 수 있습니다. 이는 우리가 기술의 외형만을 좇을 것이 아니라, 그 본질을 이해하고 내재화하는 데 더 많은 노력을 기울여야 함을 일깨워주는 대목입니다.

'AI 전환'의 그림자: 과장된 기대와 현실의 벽은?

AI가 기업 혁신의 핵심이자 미래 생존의 필수 조건이라고 모두가 한목소리로 외치고 있지만, 사실 그 화려한 수사 뒤에는 여러 논쟁과 현실적인 비판의 목소리도 존재합니다. 일부 전문가들은 컨설팅 회사들이 AI의 잠재력을 너무 과대 포장하여, 실제로 고객 기업들이 기대했던 만큼의 성과를 얻지 못하는 경우가 빈번하다는 지적을 제기하고 있는 것이지요. 멋진 시제품이나 파일럿 프로젝트는 화려하게 성공하지만, 막상 이를 회사 전체에 적용하려고 하면 데이터 품질 문제, 기존 인프라의 한계, AI 전문가 부족 등 다양한 현실적인 벽에 부딪히기 일쑤라는 이야기입니다. 많은 기업들이 컨설턴트들의 '실제적인 구현 경험 부족'을 우려하며, 대규모 AI 도입에 어려움을 겪는다는 의견도 적지 않게 나오고 있는 상황입니다.

맥킨지 보고서 자체에서도 많은 기업이 앞서 언급했던 '파일럿 지옥(pilot purgatory)'에 갇혀 있다고 언급하고 있습니다. AI를 여기저기 도입하긴 했지만, 그것이 실질적인 비즈니스 성과나 기업 전체의 전환으로 이어지지 못하고 있다는 뜻을 내포하는 것이지요. 이는 AI를 그저 '효율성' 증대 도구로만 여기고, 비즈니스 모델이나 핵심 워크플로우를 근본적으로 재설계하는 데 소홀했던 결과일 수 있습니다. 또한, 열악한 데이터 품질, AI에 적합하지 않은 기존 인프라, 그리고 AI 전문가의 절대적인 부족 역시 AI 전환의 속도를 늦추는 중요한 걸림돌로 작용하고 있어요. AI는 양질의 데이터를 먹고 자라는 생명체와 같아서, 그 먹이가 부실하면 결코 건강하게 성장할 수 없다는 비유가 적절할 듯합니다. AI 고성과 기업들은 그런 문제를 극복하기 위해 과감한 투자와 프로세스 혁신에 나서고 있긴 합니다.

AI 고성과 기업은 일반 기업에 비해 많은 디지털 예산을 투자하고, 일반 기업에 비해 4.9배나 투자합니다. < 사진 : McKinsey >

더 나아가, AI 도입에 따른 윤리적인 문제나 의사 결정 과정의 투명성 부족, 규제 불확실성 같은 거버넌스 문제도 현재 AI 전환을 둘러싼 큰 논쟁점입니다. AI의 의사 결정 과정이 불분명하거나 특정 집단에 편향된 결과를 낳을 수 있다는 우려도 증폭되고 있어요. 심지어 AI의 발전이 데이터 분석과 같은 컨설팅 업계의 전통적인 업무까지 자동화하면서, 컨설팅 모델 자체에도 근본적인 변화를 가져올 것이라는 흥미로운 예측도 들려옵니다. 이처럼 AI 전환은 장밋빛 미래와 동시에 현실적인 도전과 비판, 그리고 인류가 함께 해결해야 할 여러 숙제를 동시에 던져주고 있는 복합적인 상황인 것입니다. 기술적 발전만큼이나 사회적, 윤리적 고민이 병행되어야 한다는 점을 간과해서는 안 됩니다.

2030년, AI가 그리는 기업의 미래는? 상상 그 이상의 변화!

자, 그렇다면 2025년을 넘어 2030년에 이르러 AI와 기업은 또 어떻게 진화하고 변모해 나갈까요? 맥킨지는 AI가 기업 전략의 중심축이 되어 우리가 상상하는 그 이상의 변화를 가져올 것이라고 예측하고 있습니다. 먼저 '에이전트 AI'는 혁신을 주도하는 선봉장이 될 것이에요. 사람의 지속적인 개입 없이도 스스로 계획을 세우고 여러 단계의 업무를 자율적으로 실행하는 AI 시스템이 대중화될 예정입니다. 이는 단순한 자동화를 넘어, 마치 새로운 '미들웨어'처럼 다양한 플랫폼과 인간의 상호작용을 오케스트라처럼 조율하고 지휘하는 역할을 수행하게 될 것입니다.

생성형 AI 또한 단순한 콘텐츠 제작을 넘어 의사 결정, 정교한 예측 분석, 복잡한 코드 생성, 심지어는 비즈니스 프로세스 자동화에 훨씬 더 깊숙이 관여하게 될 거예요. 데이터 처리 속도와 보안을 획기적으로 강화하는 '엣지 AI'와 다양한 형태의 데이터를 동시에 이해하는 '멀티모달 AI'도 크게 발전할 것입니다. 특히, 2026년쯤에는 AI가 클라우드 플랫폼과 완전히 통합되어, 기업들이 훨씬 빠르고 효율적으로 AI 기반의 새로운 애플리케이션을 배포하고 확장할 수 있게 될 것이라고 합니다. 이는 기업의 디지털 전환 속도를 가속화하는 핵심 동력이 될 예정입니다.

미래의 기업 운영 방식은 '하이퍼오토메이션'을 통해 효율성이 극대화될 것이 분명합니다. 인사(HR)부터 공급망 관리(SCM), 재무에 이르기까지 모든 비즈니스 기능에서 반복적이고 정형화된 업무가 AI에 의해 자동화되어, 사람들은 훨씬 더 창의적이고 전략적인 고부가가치 업무에 집중할 수 있게 될 것이에요. AI는 방대한 데이터를 실시간으로 분석하여 시장 변화나 고객 니즈를 미리 예측하고, 기업이 한발 앞서 민첩하게 대응할 수 있도록 도울 것입니다. 또한 'AI-as-a-Service(AIaaS)'와 같은 새로운 비즈니스 모델이 등장하여, 기업들은 복잡한 AI 기술을 자체적으로 구축하지 않고도 손쉽게 활용할 수 있게 될 것입니다.

물론, 이러한 격변 속에서 '인간과 AI의 협업'은 그 어느 때보다 중요해질 예정입니다. AI는 인간의 역량을 보완하고 증강하는 '코파일럿' 역할을 하며, 직원들은 전략적 사고와 창의성에 집중할 수 있게 될 것이에요. 하지만 2025년에서 2030년 사이에 현재 직무 능력의 약 39%가 구식이 될 수 있다는 예측도 있어서, 지속적인 재교육(reskilling)과 업스킬링(upskilling)은 개인과 조직 모두에게 필수적인 생존 전략이 될 것입니다. 그리고 AI 시스템이 기업의 중요 의사 결정 과정에 더욱 깊이 통합될수록, 윤리적 AI와 투명한 거버넌스 구축은 선택이 아닌 필수가 될 것이 분명합니다. 2030년까지 전체 기업의 86%가 AI를 통해 변혁을 이룰 것이라는 맥킨지의 예측은, 정말 설레면서도 동시에 깊이 있는 준비를 요구하는 미래를 기대하게 만듭니다.

> 이 Blog Post는 Google Opal에서 작성된 것으로, 블로그 주인의 생각과는 다를 수 있습니다. (할루시네이션도 있을 수 있어요)

일리야 수츠케버, 스케일링의 시대는 끝났다.

나모군 — Thu, 27 Nov 2025 08:53:52 +0900

일리야의 스승인 제프리 힌튼은 AI의 위험을 경고하지만, 일리야는 AI와의 공존 방법을 모색해 왔습니다. < 사진 : YouTube >

최근 AI 업계에서 가장 주목받는 인물 중 한 명인 일리야 수츠케버(Ilya Sutskever)가 침묵을 깨고, 긴 인터뷰를 가졌습니다. 그는 OpenAI의 공동 창립자이자 수석 개발자로서 GPT 시리즈의 탄생을 이끌었고, 현재는 SSI(Safe Superintelligence)라는 새로운 회사를 설립해 독자적인 길을 가고 있죠.

이번 드와르케시 파텔과의 심층 인터뷰에서 일리야는 AI 개발의 근본적인 변화에 대해서 설명하고, 패러다임 변화에 대해 심도있는 통찰을 던졌습니다. 단순히 데이터와 컴퓨팅 파워를 늘리면 된다는 ChatGPT와 함께 등장한 믿음에 균열을 일으키면서, 새로운 연구의 시대(Age of Research)가 도래할 것이라고 밝혔어요. (구글은 From Research to Reality 라고 순다 피차이 CEO가 말했는데 말이죠)

스케일링(Scaling)의 시대에서 연구(Research)의 시대로

nVIDIA가 주장하는 스케일링의 법칙은 CoT 기반의 추론을 기본으로 하지만, 앞으로는 이 방법은 비효율적일 수 있죠. < 사진: nVIDIA >

2012년 Alexnet부터 2020년까지는 딥 러닝의 가능성을 탐구하던 시기였지만, 2020년부터는 인프라에 엄청난 자원을 쏟아부으면 성능이 좋아진다는 스케일링의 법칙이 지배하기 시작했죠. 사전 학습과 데이터는 유한하고, 그것은 분명 한계에 부딪힐 것이라는 것이 일리야의 주장입니다. 근본적으로 새로운 학습 방법론을 찾지 못하면, AI는 그저 벤치마크에서는 초인적인 점수를 기록하면서도 현실에서는 제대로 성능을 못내는 경제적 괴리가 발생한다고 하죠. (이것을 실제 성능의 불균일함, Jaggedness라고 표현하고 있습니다.)

일리야가 내놓은 흥미로운 비유적 설명이 재밌습니다.

"1만 시간 코딩 문제 풀이에 몰두한 학생(AI)과 100시간만 공부했지만 전체적인 센스가 뛰어난 학생(인간) 중 누가 훌륭한 엔지니어가 될까?"하는 문제입니다.

실제로 10대 청소년은 10~20시간의 운전 연습만으로도 능숙하게 운전을 하지만, 자율주행 AI는 수백만 시간의 데이터가 필요합니다. 이는 수억년의 진화를 통해 인류가 이미 사전 지식과 신체 감각들이 이에 맞춰 최적화 되어있기 때문이기도 하겠죠. 그렇지만, 여기서 우리가 생각해 볼 지점은 '인간은 왜 적은 데이터로도 빨리 배우는가?'하는 점입니다. 인간에게는 아직 신경망 이론이나 강화학습 정도로는 따라잡을 수 없는 근본적인 머신 러닝의 원칙이나, 가치 함수가 존재할 테니 그것을 위한 Recipe를 찾아야 한다는 것이 일리야의 주장인 것이죠.

SSI (Safe Superintelligence)의 철학, 안전한 초지능으로의 직행

일리야가 설립한 SSI는 다른 AI 회사들과는 다른 독특한 접근법으로 유명한데요.

당장 시장에 제품을 내놓고 치킨 게임을 하기 보다는, 안전한 초지능(Super Intelligence)을 완성할 때까지 연구에만 몰두하겠다는 전략을 가지고 있습니다. 30억 달러의 투자를 유치한 이 회사는 단기적인 제품 출시 계획이 없고, 대형 기술 기업처럼 추론 모델의 상업화에 모든 인프라 투자를 하지 않는 은둔의 삶을 즐기는 과학자들을 위한 기업처럼 보입니다.

AI의 성능이 높아지면서, 기업들이 가장 주목하는 것은 안전이고, 보안입니다. AI가 무엇을 지킨다는 것은 불안하고, AI가 무엇을 공격하는 것은 또 뛰어날 것이라는 막연한 위기감에서 안전(Safety)을 우선 순위로 여기기 시작했는데요. 그렇지만, 일리야가 이야기하는 AI의 안전이라는 개념은 AI를 통제하는 것이 아닌 '지각있는 생명체(Sentient life)'로 아끼고 사랑할 수 있는 AI를 만드는 것이 중요하다고 밝혔죠. 즉, SSI는 AI에 대한 기대감과 방향성이 다른 기업들과는 완전히 다른 방향을 추구 하고 있습니다.

일리야는 새로운 머신러닝의 원리라거나 새로운 학습방법에 대해 묻는 질문에 대해서는 입을 열지 않았습니다.

"안타깝게도 우리는 모든 머신 러닝의 아이디어가 자유롭게 논의되는 세상에 살고 있지는 않습니다."

AI가 등장하면 모든 것을 즉시 수행할 단계의 학습을 완료하고 있어야 한다는 업계의 인식이 있죠. 그와 다르게 일리야는 무엇이든 빨리 배우고, 매우 재능있는 15세의 초지능 학생을 만드는 것이 목표라고 밝힌데서 어떤 학습방법과 모델을 만들려하는지 힌트를 얻을 뿐이죠. 일종의 Human-like learner로서 배포된 모델이 지속적인 학습을 통해 성장하는 것을 초지능이라고 생각하는지도 모르겠습니다.

Amazon, 경쟁사 말고 자체 AI 코딩도구만 사용해!

나모군 — Wed, 26 Nov 2025 09:08:02 +0900

영국 맨체스터에 있는 Amazon 창고, Amazon의 행보가 시장을 읽기 제일 좋은 듯 해요. < 사진 : Reuter >

로이터의 보도에 따르면 Amazon 내부에서 "현재 사용중인 기존 개발 Tool은 계속 지원하지만, 추가적인 타사 AI 개발 Tool은 지원할 계획이 없다"는 메모가 게시되었다고 합니다. 메모에는 "Builder Community의 일원으로 여러분 모두 이런 제품을 만드는데 중요한 역할을 하며, 우리는 여러분의 피드백을 활용하여 제품을 적극적으로 개선합니다."라고도 적혀있었다고 해요.

이 지침에 따르자고 하면, Amazon의 개발자들은 OpenAI의 Codex, Anthropic의 Claude Code, Cursor 등의 AI IDE와 같은 타사의 개발 Tool을 전면 사용하는 것이 금지될 것으로 보입니다.

이 얘기는 아마존이 자체 개발한 Kiro라는 AI IDE를 사용하는 것이 강제된다는 뜻도 되는 것이죠. 일종의 개밥먹기로 자사 제품을 사용해 보고, 그것을 피드백 하는 활동이 자율적인 것이 아니라 강제화 되는 겁니다. 심지어 Kiro는 Claude Code의 상당 부분을 활용해서 기능이 동작하는데도요.

Kiro는 스펙 기반의 Agentic IDE를 표방하지만 꽤 느리다는 평가가 많습니다. < 사진 : aws >

이것은 Gemini 3 Pro가 등장한 이후에 일어나고 있는 아주 자그마한 신호지만, 커다란 AI 지형의 변화에 따른 여파일 수 있습니다. Amazon은 Anthropic에 80억 달러를 투자하고, OpenAI와는 380억 달러 규모의 클라우드 컴퓨팅 서비스 판매 계약을 했지만 파트너사의 서비스를 차단한다는건 이상하죠.

국내에서도 네이버, 삼성, 카카오 등에서 AI 기반 코딩 어시스턴트를 개발해서 내부에서 활용하는 방안을 상당기간 추진해 온 것으로 알고 있지만, 아직까지 뚜렷한 성과라거나 외부에 제대로 알려진 바는 없죠. 보통은 Cline이나 VS Code 기반의 확장 플러그인을 통해 개발하기도 하고, Cursor를 도입하는 경우가 많습니다. 국내에서는 실제로 보면 MS Azure나 AWS에서 코딩 어시스턴트를 활용하는 경우가 제일 많기는 합니다. In-House AI IDE를 사용하는게 맞냐 아니냐를 얘기하기 위해서 글을 쓴 건 아닙니다. AWS가 왜 이런 지침을 내리게 되었을까 하는 거죠.

아마존의 자체 Titan 모델은 임베딩 성능도 낮고, RAG에서는 Cohere 모델보다도 낮은 성능을 보일 때도 많지만, AWS 생태계 안에 너무 깊이 넣어놓았기 때문에 빼버릴 수도 없습니다. 그래도 다행스럽게 GPT-4o 수준으로 엔터프라이즈 서비스에 최적화된 평균 정도의 퍼포먼스를 보이고 있죠. 그렇다고는 해도 Google의 광폭 행보와 Claude가 개발자와 점점 친해지고 있는 걸 막을 방법이 없으니, 개밥먹기를 강화할 수 밖에 없다는 분석입니다.

AI 개발 경쟁 마라톤에서 초반의 앞서거니 뒤서거니 하던 1차 접전이 마무리 되면서, 상위권 그룹과 중위, 하위권 그룹이 나워지게 되는 Phase에 접어들기 시작한 겁니다. 마라톤에서는 한 번 이렇게 그룹이 나눠지게 되면, 하위권은 다시는 상위권 그룹으로 다가가는 것이 어렵습니다. 그러니, 더 뒤쳐지기 전에 스퍼트를 내고 있는 것이 바로 AWS의 Kiro이고 Titan이 될 것 같아요.

아마존의 수익 상당 부분을 AWS가 차지하고, 전년 대비 20.2%나 성장했어요. < 사진 : @SergeyCYW >

주목할 점은 Google이건 AWS건, 무한 체력으로 현금 흐름도 좋고 자본도 남아돈다는 거죠. AWS는 지난 분기에만 330억 달러의 매출과 114억 달러의 순이익을 내면서, 2022년 이후 가장 빠른 성장을 기록 중입니다. 누군가 패배 선언 하고 뒤로 물러나기 전에는 AI 치킨게임은 상당 기간 계속 될 듯 합니다.

Claude의 소크라테스식 AI 학습모드

나모군 — Thu, 20 Nov 2025 08:49:32 +0900

Anthropic Claude의 학습모드는 모든 사용자에게 개방되어 있지만, 실제 활용하는 사례는 아직 많지 않다 <사진: Anthropic >

최근 VentureBeat 기사에 소개된 Anthropic Claude의 새로운 '학습모드'는 OpenAI나 Google에서 제공하는 Study Mode, Guided Learning 등과는 다른 모습을 보입니다. Claude는 학습모드에 돌입한 사용자에게 답을 바로 주지 않고, 소크라테스식 질의 응답을 통해 사용자에게 탐구를 유도하는 방식을 사용합니다.

학습모드(Learning Mode)로 Claude에 프롬프트를 입력하는 방법은 Claude 채팅 창에서 스타일 사용을 선택하고 거기에서 Learning을 활성화하면 됩니다. 실제 프롬프트를 입력하면, 바로 정답을 알려주는 대신 '그것에 대해 들어보신 적이 있나요? 알고 계신 내용을 먼저 들어보면, 거기서 시작해서 더 깊이 이해할 수 있도록 도와드릴 수 있어요.'라는 답변을 합니다.

예를 들면, '인체 내부에서 알코올 분해에 필요한 영양분에 대해 알고 싶다'고 하면, 기초지식을 뭘 알고 있는지 물어봅니다. '포도당이나 당분이 필요하다고 들었어'라고 답변하면, 거기서부터 '간이 포도당을 필요로 하는데 이유를 아느냐?'면서 힌트를 주고, 최종 정답인 글리코겐과 간의 해독 작용에 대해 설명하는 정답에 도달합니다. 물론, 더욱 심층적인 학습을 유도하는 힌트도 계속 주죠. (한 번 해보시면 꽤나 재밌습니다.)

학습 모드(Learning Mode)에서는 묻고 답하고를 통해 점점 깊은 학습을 유도합니다. < 사진 : Claude 앱 >

이 학습모드는 과제효율, 즉 정답만 빨리 찾고 싶어하는 학생에게는 비효율적이겠지만, 진정한 자기주도 학습을 통해 사고가 확장되고, 기억이 오래 유지되는 장점이 있습니다. OpenAI와 Google의 학습모드는 빠른 피드백과 정확성, 혹은 멀티모달 활용이 강점인데 비해, Claude의 학습모드는 매우 느린 진도를 가지고 있어요.

미국과 유럽의 주요 대학을 비롯해 초중고등학교에서는 학문적 정직성과 자기 주도학습 확산이라는 관점에서 AI 도입을 신중하게 검토하고 있다고 알려졌습니다. 많은 교육자들은 'AI가 질문을 던지고 학습을 도와주는 역할'로 사용될 때 제한적인 신뢰를 보내고 있거든요. (하긴, AI가 모든 학습을 대체한다면 교육자들의 입지도 점점 줄어들테니 말입니다.) 물론, 여기에는 학생이 AI의 가이드를 우회해서 언제든 정답을 바로 받기를 원하는 경우, 도입 목적이 훼손된다는 문제가 있습니다.

ChatGPT Edu 등은 이미 미국의 여러 대학에 도입되어 학생과 교직원들이 활용중이다. <사진: ChatGPT>

미국의 캘리포니아 주립대학의 23개 캠퍼스에서 ChatGPT 기반 맞춤형 교육 서비스가 50만명의 학생과 교직원을 대상으로 제공되고 있고, 와튼과 옥스포드의 여러 경영대학원에서는 ChatGPT Enterprise를 도입해서 사용하고 있는 것으로 알려졌습니다. 구글 역시 AI 교육프로그램 확대를 위해서 1억 2천만 달러의 투자기금을 조성해 중고등학교에 Gemini를 배포할 계획을 발표했었죠.

많은 교육계에서는 AI 윤리의 가이드라인을 철저히 세워서 AI가 작성한 에세이를 제출하는 것들에 대해 엄격한 규제를 해야한다는 주장을 하고 있지만, ChatGPT 등을 이용해 수업에 대한 복습이나 에세이와 리포트를 더욱 심층적이고, 연구과제의 결과를 더욱 신속하게 정리할 수 있도록 활용을 장려하는 측의 주장도 있는 것이 사실입니다. 와튼스쿨과 MIT, 컬럼비아 대학 등은 이런 면에서 꽤 개방적으로 접근하는 것으로 알려졌죠. 그런 면에서 아직 AI를 교육에 어떻게 적용하는 것이 정답인지 정해진 것 아닌 것 같습니다.

교육 분야에서 'AI + 인간 튜터'의 하이브리드 방식이 도입되는 것이 현재로서는 최선의 방법임에는 틀림없어 보이지만, 구체적인 방법에서는 한계가 있는 것이 사실이죠. 이 주제에 대해서 고민해 보는 것은 교육 뿐만 아니라 법률, 금융, 제조와 물류까지 AI가 우리의 업무와 일상에 도입될 때 '연착률'하는 방법을 제대로 찾아내는 고민이 필요하기 때문입니다.

AI가 나의 일을 빼앗아 가기 전에, 내가 AI가 나의 일을 돕도록 하는 방식을 빨리 찾아내는 것이 새로운 생존법인건 다 아시죠?

#Claude #LearningMode #소크라테스싫어합니다
#바로알려주지스무고개하고그러면싫어요

ChatGPT, 해마 이모지 알려줘?!

나모군 — Thu, 13 Nov 2025 10:27:16 +0900

ChatGPT에 해마 이모지에 알려달라고 하면 답변을 찾지 못하는 현상이 발생합니다.

ChatGPT에게 해마 이모지에 대해 알려달라고 하면 오류가 발생합니다.

(물론, 실제 오류는 아닙니다. 그렇게 보인다는거죠.)

이런 이유는 실제 공식적인 해마 이모지가 유니코드 상에 존재하지 않기 때문입니다. 그런데, 왜 ChatGPT는 이모지가 없다는 답변을 찾는데 어려움을 겪는 걸까요? 추론 과정에서 AI는 해마를 동물로 인식하지만, 해마에 해당하는 정확한 이모지가 없으니 유사한 동물을 제시했다가 아예 없다고 답변하는 복잡한 과정을 무한 루프를 돌 듯이 헤매게 됩니다.

이런 현상은 사람이 겪는 여러 착각 중에 '인지 부조화 현상'과도 비슷합니다.

'만델라 효과'라고 부르는 이것은 사람들이 해마 이미지가 있다고 착각하는 데이터가 여기저기 널려있기 때문에 발생해요. 만델라 효과는 실제 넬슨 만델라는 2013년에 사망했지만, 많은 사람들이 2010년에 사망했다고 믿었기 때문에 발생하는 집단적 오기억(Collective false memory)을 말합니다. 진실도 아니고 실존했던 사건이 아님에도 많은 사람들이 거짓된 현상을 기억하는 것을 가리키죠. 대중 사이들이 왜곡된 정보나 사실을 믿고, 그걸 재생산 하면서 그것이 사실로 여겨지게 되는 것이 원인으로 여겨집니다.

대표적으로 미국인들은 알루미늄의 철자를 Aluminum으로 알고 있는데, 실제 Aluminium이 맞습니다. 험프리 데이비스가 알루미늄을 명명할 때 Aluminum 이라고 지었고, 나중에 i를 영국에서 추가한 것일 뿐이라고 믿는거죠. 그렇다보니 미국인들은 '알루미넘'이라고 발음하고, 유럽인들은 '알루미니움'이라고 발음합니다. 화학 명칭에서도 이런 물질은 ium을 붙이는 것이 일반적으로 저는 당연히 영국 사람편을 들겠습니다.

알루미늄에 대한 미국인의 프라이드 대결인가요? < 출처 : @matt rife >

결국, ChatGPT가 해마 이모지는 존재하지 않는 답을 내놓긴 하겠습니다만, 재미난 건 자연어 처리 모델에서는 일부 희귀하거나 모호한 주제에 대해서는 추론 결과의 결과값이 확률적으로 어떤 것이 정답인지 확정할 수 없는 경계치에서 존재한다는 겁니다. 지구인들이 공동의 착시현상을 믿거나, 자기들끼리 환각 현상을 만들어 놓으면 AI조차 그 환각현상에서 자유롭지 못한 것을 보여주는 결과가 아닐까요? 매우 철학적인 재미난 현상이 아닐 수 없습니다.

그런 면에서 제가 언급한 알루미늄, 그거 미국인들은 i를 빼고 쓰고, 영국인들은 i를 넣고 씁니다. 미국 사람들이 틀린게 아닙니다. 하지만, 제가 저렇게 써놓으면 다들 그런 줄 믿겠죠. 저도 오늘 지구인들의 지식 데이터베이스에 환각 현상을 +1 해두었네요. 후훗!! (미국은 제발 피트 말고 미터법을 좀 써라!)

나모군 — Thu, 13 Nov 2025 09:30:19 +0900

2025년 6월 해당 소송에서 게티이미지는 대부분의 주장을 철회하면서, 실제 생성된 이미지와 학습 대상이 되었다는 이미지에서의 충분한 연관성을 깁증하지 못한 것이 이유가 된 것으로 알려졌습니다. 출력된 모델이 재생산한 이미지가 원본 이미지의 실질적인 부분을 반영하는 것을 입증하지 못했다는 거죠.

물론 그렇다고 완전히 포기한 것은 아니어서 미국에서도 17억 달러의 소송을 별도로 진행중이긴 하지만, 유사한 도서 저작권 위반에 대한 Anthropic과의 분쟁에 대해서 미국 법원도 AI 업체의 손을 들어주었죠. 이걸 보면 미국와 영국은 AI에 대한 향후 성장 가능성, 즉 공공의 이익에 얼마나 활용성이 높을지와 AI가 생산한 출력물은 저작권이 없다는 입장을 계속 유지할 것으로 보입니다.

Meta에서는 페이스북과 인스타그램의 Optout 거부 방법을 안내하기도 했죠. < 사진 : Meta >

이 와중에 독일 뮌헨 지방법원에서는 최근 정반대의 판결이 있었습니다. GEMA(독일 음악 저작권 관리협회)와 OpenAI의 분쟁은 OpenAI가 유명 노래 가사를 동의 없이 학습 데이터로 사용했고, ChatGPT가 해당 가사를 거의 원문에 가깝게 재현함으로써 저작권을 침해했다는 것에 대해 법원이 그걸 인정해주었어요. 쟁점은 모델 내 복제, 출력의 공중 접근, TDM(Text and Data mining) 예외 배제 등인데요. 결국 핵심은 TDM입니다.

AI는 방대한 양의 데이터를 필요로 하는 LLM의 학습 과정에서 TDM 기술은 필수적으로, 웹 스크래핑 등을 통해 온라인에서 수많은 데이터를 수집하고 분석합니다. 이 과정에서 저작권이 있는 콘텐츠를 별도로 분류하기가 쉽지 않고, 저작권 논쟁에서 자유로울 수 없죠. 그래서 유럽과 일본 등의 여러 국가에서는 TDM 예외, 즉, 저작권 면책 조항인 옵트아웃 모델을 적극 활용하거나 도입 논의 중에 있는 것이죠.

상반된 법원의 결론이 유럽에서 나오면서, 국가별로 AI 규제가 다르거나 법적 판단의 복잡성 때문에 다양한 침해 사고에 대응하기도 어려울 수 있겠어요. UN이나 다른 국제 규범으로 AI 관련 가이드와 규제가 조속히 확정되어야 오남용 뿐만 아니라 AI 발전에도 도움이 될 듯 합니다. (너무 AI가 쓴 것같은 답을.. ㅎㅎㅎ)

테슬라 코리아, FSD 주행 영상 공개

나모군 — Thu, 13 Nov 2025 08:59:17 +0900

테슬라 코리아에서 드디어 FSD 주행 영상이 X를 통해 공개되었습니다.

보통 영상 공개 후 1개월 이후에 기능이 적용되니 한국에는 12월에 적용되지 않을까 싶긴 하네요. < 사진 : 테슬라코리아 X >

한국에서 곧 출시될 것으로 예상되면서, 많은 테슬라 구매자들의 관심을 받았는데요. 이 영상에서는 신사동 주변에서 '감독형 자율주행'을 통해서, 복잡한 강남 도로를 장애물을 회피하고, 차단기에서 대기하다가 알아서 주차까지 완료하는 놀라운 모습을 보여주고 있습니다.

그렇지만, 한국에서의 주행을 위한 주행용 지도데이터부터, 도심 복잡 구간에서 한국의 운전문화 학습이 제대로 되지 않았을 가능성도 있어서 안전에 대한 우려도 있긴 하죠. 그럼에도 불구하고, 주니퍼 모델이 한국에서 판매량 1위를 차지하는 등 많은 운전자들이 환호할만한 소식이긴 합니다.

그런데, 이게 주니퍼에 바로 적용이 되느냐? 그렇지 않습니다. 이번 발표에 따르면 출시된다 하더라도 차대번호가 5나 7로 시작하면서, FSD 하드웨어가 4버전 이상인 경우로 이는 미국에서 생산한 테슬라 차량에 한정적으로 적용 가능합니다. 그러니까 한미FTA에 따라서 미국 안전규정에 맞게 생산된 차량만 FSD가 적용가능하니, 중국에서 생산한 테슬라 주니퍼 모델은 적용이 안되는거죠. 물론, 테슬라 코리아가 한국에서 별도의 안전승인을 받은 이후에는 적용가능성이 있습니다.

미국에서는 이미 FSD가 버전 14까지 업그레이드 된 데다, 로봇택시용으로 개발된 기술까지 일반 소비자용 FSD에 적용하면서 더 많은 학습데이터가 축적되고, 엄청난 속도로 지속적인 개선이 이뤄지고 있죠. 또한 한국GM에서는 캐딜락 에스컬레이드에 슈퍼크루즈라는 준자율주행 수준의 ADAS를 내놓을 예정이고, 볼트 EUV가 업그레이드 되서 여기에서 슈퍼크루즈가 적용되어 곧 들어올지 모릅니다. 이런 환경에서 국내 자동차 업체들은 자율주행을 제대로 준비하고 있는지 심히 걱정스럽네요.

테슬라의 AI 4보다 40배 높은 성능의 AI 5가 장착되면, 테슬라의 모든 로봇부터 모든 하드웨어 성능이 대폭 향상될 예정 <사진 : Tesla Charger >

여튼, 저는 이보다는 테슬라가 개발하고 있는 AI칩, 'AI 5' 소식에 주목하고 있습니다. TSMC, 삼성전자와 협력 개발중인 이 칩은 2027년부터 양산을 목표로 하고 있는데, 기존 AI 4칩 대비 40배의 성능 향상을 통해 FSD와 휴머노이드인 옵티머스, AI센터에 장착될 예정이라고 하죠. 엔비디아에 대한 의존성을 낮추려는 구글과 테슬라를 비롯한 여러 기업들의 노력은 멈추지 않을 걸로 보입니다. 이 와중에 엔비디아와 경쟁하는 AMD 주가는 또 11월 13일 기준, 9% 급증했구요.

테슬라는 전기차 기업인가? 에너지? AI? 로봇? 우주 항공산업? 어떤 기업이라고 구분짓기 어려운 여러 산업분야를 아우르고 있죠. 그럼에도 엔지니어링 중심의 기업이고, 그 핵심 기술 중의 하나가 AI가 될 것은 자명해 보입니다. 테슬라에 투자할 방법이 전기차 밖에 없어서 그렇지, 아직 보여주지 않은 패를 손에 들고 있는게 많은 일론 머스크네요. 네, 저도 테슬람입니다.

AI 시장에 대한 세가지 시나리오

나모군 — Mon, 10 Nov 2025 12:31:48 +0900

최근 뉴욕타임즈에서는 AI를 위한 막대한 인프라 투자를 위한 부채 자금 조달의 문제점에 대한 기사를 다뤘습니다.

지난 3개월 동안 AI 프론티어로 불리는 대표기업, 특히 매그니피센트7 (2023년 이후, AI 등의 빅테크 기업으로 S&P 500 상위 7개의 기업을 통칭, 애플, MS, 아마존, 엔비디아 ,테슬라, 메타, 알파벳을 의미)를 중심으로 1천억 달러가 넘는 투자가 이뤄졌습니다. 데이터센터 구축을 하면서 센터를 담보로 채권 발행이나 특수 목적회사(SV)를 설립하는 방식을 이용하기도 하고, 상호 투자를 통해서 시장에서 자금을 조달해 왔는데요. 모건스탠리에서는 민간 금융기관들이 추가적인 인프라 투자 수요에 대응하기 위해서 8천억 달러 이상을 조달해야 할 것으로 전망하기도 합니다.

버지니아주에 위치한 데이터센터, 인프라 투자 확대는 AI실패시에는 부메랑이 될 수 있어요. 사진 : AP

이런 막대한 투자에 대한 지속적인 경고가 나오는데는 이유가 있습니다. 현재 소비자 중의 약 3%만이 AI서비스에 대한 비용을 지불할 의향이 있습니다. 실제 ChatGPT의 유료사용자 비율이 전세계 2위인 우리 대한민국에서도 Gemini나 Perplexity Pro 등의 유료 결제를 편법적으로 할 수 있는 여러 방법이 공유되지만, 인증 우회나 대학생인 것처럼 결제가 실패하는 경우 다시 유료결제를 하지는 않죠. 이는 있으면 편리할 수는 있겠지만, 유료로 비싼 요금을 지불하며 사용할 정도의 필요성은 느끼지 못하는 사용자가 많다는 것을 보여주죠.

또한 이런 늘어나는 부채가 IT 기업 전반의 위험요소이면서, 금융시장까지 불안정하게 만드는 요소라고 전문가들은 지적합니다. 특히, 영국은행(Bang of England)는 이 문제가 빠르게 악화될 수 있고, 불안정한 요소가 많다고 강조하고 있죠. 앞에서 언급한 것처럼 오라클과 구글, MS는 OpenAI에 투자하고, OpenAI는 GPU를 구매하면서 전력 수요에 대한 투자도 진행합니다. 그리고, 엔비디아는 다시 OpenAI에 투자하는 상호 투자로 매그니피센트7의 투자들은 서로 얽혀있는데다 금액은 점차 천문학적인 액수로 커지고 있죠.

이런 투자를 위해서는 대외 금융권에서 이 시장으로 지속적인 투자가 이뤄져야 하는데, 만약 AI 투자가 경색되는 국면이 발생하거나, 수익으로 자본비용을 충당하지 못하는 경우가 시장의 우려를 낳는 경우에는 이런 구조의 리스크가 시장 전반으로 퍼질 수 있다는 것이 영국은행의 경고입니다.

물론, 시장의 이런 지속적인 경고는 바로 당장의 붕괴 위험을 알리는 것은 아닙니다. 실제 매그니피센트7은 막대한 현금을 보유하고 있으며, 높은 이익률과 최상위의 투자등급을 보유하고 있기 때문이죠. 오히려, 지금이 더 높은 퀀텀 점프를 준비하고 있는 시기로서 '우량 신용등급 + 더 높은 금리'로 이 기업들의 채권을 매수할 기회라는 분석도 존재합니다. 그렇지만, AI CAPEX(Capital Expenditure, 기업이 이윤 창출을 위해 고정 자산을 구매하는데 사용하는 지출)가 너무 가파르게 상승하고 있고, 기업의 마진과 순현금 보유가 지속적으로 감소하면 결국 배당이 줄고, 자사주 매입도 하지 않으면 주주들의 불만이 쌓이다가 신용등급이 하향된다거나 하는 일이 발생하면 악순환이 시작될 수도 있어요. 더구나, AI 인프라 투자에서 투자회사로 우회하거나, 상호 투자, 리스 형태의 부채가 쌓여있는 경우에는 재무제표 상에서는 그 부실이 드러나기 어렵고, 문제가 터지면 한 번에 도미노처럼 큰 쇼크를 발생시키는 것이 일반적입니다.

S&P 500 수익률의 75%, 이익 성장률의 80%, 자본 지출 성장률의 90%를 AI 주식이 차지했는데, AI 관련주가 폭락한다면 어떤 일이 벌어질 것 같으신가요? 물론, 그렇다고 해도 현재 재무제표는 탄탄하고, 수익을 내는 속도만 문제일 수도 있습니다.

인프라 투자 규모의 확대는 미국 기술주 평가를 사상 최고치의 닷컴 버블 수준을 기록했습니다. 사진 : BoE

그렇다면, 향후 2026년 이후의 AI 시장에 대해 3가지 시나리오 정도를 정리해 볼까요?

첫번째로는 AI 플라이휠(Flywheel)의 성공 - 낙관적 시나리오의 경우에요.

엔비디아의 젠슨 황은 최근 인터뷰에서 CAPEX의 증가는 위험한 도박이라기보다, 자기 강화를 위한 AI의 혁신 사이클, 더 큰 도약을 위한 조정 단계로 AI인프라 투자가 서비스 확산으로 이어지고, 수익과 생산성이 높아지면 추가 투자가 이뤄지는 사이클이 완성되는 단계라고 강조했었죠. 이런 선순환이 제대로 정착된다면, 초기 과도한 투자가 안정화 되면서 전체 AI 시장이 성장하는 큰 그림으로 부채 부담도 사라지겠죠.

두번째 시나리오는 '부분적인 성공 + 성공적인 실패' - 현실적인 시나리오입니다.

실은 이게 가장 적합하고 현실적인 가정으로, MS와 구글, 아마존과 같은 기업들이 AI로 성공하고, 나머지 기업들이 수익성 확보에 실패하고 부채와 투자를 견디지 못해 구조조정과 매각, 파산으로 이어지는 시나리오입니다. 즉, 초기에는 부채 상환 문제부터 파산의 사건들로 시장이 혼란스럽겠지만, M&A 등을 통한 시장 재편으로 안정적인 구조 개편이 자연스럽게 일어나겠죠. 그렇지만, AI 시장이 만약 산업 분야별로 활용 분야가 세분화되고, 시장이 나눠진다면 이 시나리오도 매우 안정적으로 동작하겠지만, 만약 통합된 형태의 LLM이 중심에서 AI 시장을 선도하게 된다면, 이 시나리오도 조금은 위험합니다. 왜냐하면 AI라는 시장은 승자독식 1등이 모든 것을 가져갈 가능성이 높기 때문이죠.

세번째 시나리오는 '완벽한 살패' - 비관적인 시나리오에요.

AI에 대한 기대가 현재 과도하게 높고, 저금리 환경에서 부채와 자산 가격이 폭증하다가 갑자기 금리가 급등한다거나, AI 수익성에 시장이 아주 강한 실망('이거 생각보다 돈이 안되잖아')을 나타내고, 각국 정부에서 AI 규제를 대폭 강화하면 수익 전망이 떨어지면서 밸류에이션이 급락하면서 시장에 쇼크를 가져올 수 있습니다. 이는 빅테크 주가 하락과 금융시장의 변동성을 건드리면서 큰 폭탄이 터진 것 같은 효과를 내겠지만, 2008년 글로벌 금융위기나 서브프라임 모기지 사태와 같은 충격이라기 보다는 닷컴버블이 무너질 때와 같은 현상으로 귀결될 가능성이 높죠.

지금까지 AI 향후 시장에 대한 3가지 시나리오를 정리해 봤는데요. 중요한 결정 요인은 딱 2가지 입니다.

1. AI가 정말 쓸만한 물건이고, 돈이 되는가? - 이에 대한 시장의 판단입니다.

2. AI를 이대로 둬도 무방한가, 규제가 강화되어야 하나? - 각국 정부와 시민들의 생각이 달라질 수 있어요.

3. (한가지 더) AI가 폭망해도, 남은 AI 인프라는 활용 가능성이 높은가? - AI가 망해도 후폭풍이 없으려면 그래야만 합니다.

이 두 가지가 AI의 미래를 결정할텐데, 여러분은 어떤 시나리오가 가장 적합하다고 생각하시나요?

자세히 인용하진 않았지만, 아래 링크의 예일 대학 제프리 소넨필드와 스티븐 엔리케스의 포춘지에 게재했던 논평이 너무 공감이 됩니다.