예전에 구글의 도전에 대해 인상이 깊어 위와 같은 글을 작성했었는데, 종종 그래서 구글이 뭘 하고 있습니까?라고 물어보시는 분들이 있습니다. 잘 생각해보니 Gemma3나 Gemini 등도 기존의 모델을 쓰거나 API로 무언가를 만들거나 스튜디오를 사용하는 사람이 아니라면 체감하기 다소 어려울 것 같다는 생각이 들더라구요. 그래서 최근 아래와 같은 사이트를 추천 드립니다. 이름 그대로 구글의 실험실 같은 곳인데요. https://labs.google/ 현지인처럼 자연스럽게 말하는 "슬랭 행(Slang Hang)" 외국어를 배우면 대개 교과서적인 문장을 먼저 배우게 됩니다. 그런데 실제 현지인들은 교과서와는 다르게, 때론 슬랭이나 구어체 표현을 자연스럽게 사용하죠. 이런 점을 보완한 것이 바로 "슬랭 행"입니다. 이 실험에서는 현지인들의 실제 대화 흐름을 한 메시지씩 보면서, 실제로 어떻게 말이 이어지는지를 자연스럽게 배울 수 있습니다. 거리의 상인과 손님의 대화나 지하철에서 오랜만에 만난 친구의 이야기를 따라가면서, 생생한 표현을 익힐 수 있죠. 카메라로 배우는 새로운 단어 "워드 캠(Word Cam)" "워드 캠" 기능은 주변의 사물을 찍으면 AI가 그 사진 속의 물체를 인식하고, 배우고 있는 언어로 라벨을 붙여주는 방식입니다. 예를 들어, 창문은 아는데 블라인드의 단어는 모르고 있었다면, 사진 한 장으로 블라인드와 관련된 표현까지 추가로 학습할 수 있는 셈입니다. 커리어 여정을 설계해주고 관련 직무 추천을 해주는 Career Dreamer 지금 말씀 드리는 것은 극히 일부일 뿐이고 구글의 Labs와 AI Studio를 가보시면 Gemini의 멀티모달을 활용한 다양한 시제품과 사례를 공유하고 있습니다. 다들 OpenAI와 Claude, Deepseek만 좋아하시는 것 같아서 한 번 구글도 매우 매우 잘하고 있다는 의미로 한 번 공유 드려 봅니다.

최근 미국에서 가장 뜨거운 논란 중 하나였던 일론 머스크의 ‘정부 효율성부(DOGE, Department of Government Efficiency)’ 실험이 사실상 막을 내리고 있습니다. 이제 머스크는 다시 본인의 본업인 테슬라와 xAI로 복귀하겠다고 선언했는데요. 그의 이런 선언은 도대체 무엇을 의미하며, DOGE는 그동안 어떤 성과와 논란을 남겼을까요? 🚩 DOGE는 무엇이고, 왜 만들어졌나? 일론 머스크가 대선 기간 중 강조한 공약 중 하나는 바로 “정부의 비효율을 줄이겠다”는 것이었습니다. 이를 위해 정부 내 전례 없던 새로운 조직을 창설했죠. 이름하여 정부 효율성부(DOGE). 네, 이 이름은 그의 유명한 ‘도지코인(Dogecoin)’에 대한 애정 어린 농담이기도 했습니다. 그의 초기 공약은 놀라웠습니다. 2조 달러에 이르는 엄청난 정부 예산 절감을 약속했고, 많은 지지자들의 박수를 받았습니다. 하지만 이 약속은 얼마 지나지 않아 현실적인 문제들과 마주하게 됩니다. 📉 예상과 현실의 괴리: 약속한 성과는 이뤄졌나? DOGE가 실제로 성과를 냈는지 확인하기 위한 Wall of Receipts(영수증 벽)이란 웹사이트가 공개됐습니다. 여기서는 머스크의 절감액이 투명하게 공개될 것이라고 했습니다. 하지만 현실은 달랐죠. 최초 2조 달러였던 목표는 불과 몇 달 만에 1조 달러로 축소됐고, 다시 1,500억 달러까지 급격히 낮아졌습니다. 더구나 공개된 영수증에서 계산 착오와 정보 부족이 계속 드러나면서 신뢰도에 큰 타격을 입었습니다. 결국 언론과 전문가들은 DOGE의 성과에 대해 의문을 던졌습니다. 특히 정부감사원(GAO)과 재무부 감사관(OIG) 등에서 본격적인 조사에 들어갔고, 아직 정확한 결과는 나오지 않았지만, 실제 절감액은 발표된 금액보다 훨씬 적을 가능성이 높다는 분석이 지배적입니다. ⚖️ DOGE를 바라보는 두 가지 시선 DOGE에 대한 평가는 현재로서는 극명하게 갈립니다. 긍정적 시선: 머스크의 시도 자체가 의미 있었다고 보는 시각입니다. 방만한 정부 지출과 비효율적인 행정을 조금이라도 돌아보게 만들었다는 평가입니다. 특히 젊은 유권자들이나 머스크 팬들은 그가 기존 정치권이 감히 하지 못했던 문제제기를 했다고 평가합니다. 비판적 시선: 반면 부정적인 입장에서는 DOGE가 “비현실적인 목표”와 “부정확한 숫자”로 오히려 더 큰 혼란과 불신을 초래했다고 봅니다. 공약과 현실의 차이가 너무 컸고, 중대한 국가 예산 문제를 가볍게 다뤘다는 비판이 대표적입니다. 개인적으로는 이게 궁금하더라구요. 미국 정부에게 있어 이게 사기죄 성립이 될까? 테슬라 및 xAI 등의 창업자이자 경영자로 배임죄에 해당하는가? 궁금해서 미국 연방법과 각 주법을 찾아보는데 사기(fraud)에 대한 요건은 아래와 같더라구요. 해당 요건을 DOGE에 적용해보면 이렇습니다. GAO‧OIG 보고서나 청문회에서 이거 밝혀져야 하는데 아무리 빨라도 2025년 8월 늦어도 2025년 연내에 결정이 난다고 하니 한 번 기다려 봐야 할 것 같고... 판단 요소 법적 요건(미국 기준) DOGE 현황 ① 허위 사실인지 객관적으로 틀린 숫자가 제시돼야 함 ‘8 억→80 억’ 등 단위 오류, 계약 종류 오해 등 다수의 계산 착오가 확인됨 ② 고의‧무모성(intent or recklessness) 발표자가 거짓임을 알면서도, 또는 알아볼 수 있었는데도 무시했는지

요즘 유튜브에서 매우 자주 보이는 단어가 "뇌과학"입니다. 뇌의 과학적 원리를 이해하여 Life Hacking해서 자신의 삶을 최적화 한다는 것은 무척 매력적인 컨셉 같긴 한데 사실 어느 정도까지 가능한 것인지 잘 감이 안오기도 합니다. 2019년 정도에 주변 사람들에게 메이크타임(Make Time)이라는 책을 엄청 영업하고 다녔는데 그 책에 있었던 내용이 많이 생각 나더라구요. 책 내용에 대한 요약을 주변인들에게 전달했는데 당시 반응이 좋았습니다. 그러던 중 오랜만에 제이크냅과 해외 팟캐스트 이야기를 듣는데 뇌과학까지는 모르겠고 내분비계와 호르몬, 뇌의 특징에 따라 권장하는 루틴이 있더라구요. 우리가 흔히 "시간 관리"라 하면 대부분 할 일 리스트(To-do list)를 생각합니다. 하지만 진짜 효율적인 하루는 단순히 일을 처리하는 것이 아니라, 우리의 뇌와 몸이 가진 자연스러운 리듬에 맞추어 생활하는 것입니다. 그래서 오늘은 최신 뇌과학 연구와 신뢰도 높은 자료를 바탕으로, 가장 이상적인 하루의 시간표를 여러분과 함께 만들어 보려 합니다. 우리가 왜 특정 시간대에 특정 행동을 해야 가장 효율적인지, 이 모든 것의 과학적 이유를 차근차근 함께 살펴보았습니다. 🌙 밤: 충분한 수면이 모든 것의 시작입니다 (23:00 – 06:00) 우리 뇌는 잘 때 비로소 가장 중요한 업무를 수행합니다. 바로 기억을 정리하고, 뇌의 노폐물(베타-아밀로이드 등)을 배출하는 일이죠. 최소 7시간 이상의 수면은 기억력, 집중력, 창의성을 높이고, 뇌의 독소를 제거하는 ‘뇌 세척’ 작용을 합니다. 자기 전 최소 1시간은 스마트폰 같은 블루라이트를 차단하여, 숙면 호르몬인 멜라토닌 분비를 방해하지 않도록 하는 것이 좋습니다. ✨ 실천 팁: 취침 1시간 전 스마트폰은 멀리 두고, 대신 가벼운 스트레칭이나 명상을 하며 하루를 마무리하세요. 🌅 아침: 뇌를 깨우는 황금 시간 (06:00 – 09:00) 아침 기상 직후 30분은 코르티솔이 급상승하며, 우리 뇌가 가장 빠르고 명료하게 작동하는 시간입니다. 이때 햇빛을 쬐면 뇌의 생체시계가 리셋되고 하루를 긍정적으로 시작할 수 있습니다. 기상 후 바로 햇빛을 받고 가벼운 스트레칭을 하면, 기분이 좋아지고 하루 종일 집중력이 유지됩니다. 간단한 자기계발(독서, 계획 세우기, 명상)을 통해 하루의 방향을 잡아보세요. ✨ 실천 팁: 아침에 일어나자마자 커튼을 열고 창가에서 5분간 햇볕을 쬐며 심호흡해 보세요. 놀라운 효과를 경험할 수 있습니다. 🚀 오전 업무 집중 타임 (09:00 – 12:00) 우리의 뇌는 하루에 두 번 집중력이 최고조에 달하는데, 그중 첫 번째가 오전 시간입니다. 따라서 하루 중 가장 어려운 업무나 창의적인 작업을 이 시간에 배치하면 효율이 높아집니다[^4]. 집중 시간에는 90분 업무 - 10분 휴식 주기를 지켜주세요[^4]. 오전엔 최대한 방해받지 않도록 외부 연락을 차단하는 것이 좋습니다. ✨ 실천 팁: 오전 2~3시간은 메신저 알림을 끄고, 스마트폰도 잠시 멀리 둬보세요. 진짜 몰입을 경험할 수 있을 거예요. 🍽️ 점심 후 에너지 충전 (12:00 – 15:00)

최근 저는 대학교에서 머신러닝 강의를 시작하게 되었습니다. 특강이나 대중 강연 형태로는 익숙하지만, 학부와 석·박사생을 대상으로 하는 15주짜리 정규 강의는 처음이라 더욱 효과적인 교수법을 찾고자 여러 자료를 살펴보고 있습니다. 그 중에서도 특히 인상 깊게 느껴진 세 가지 교수법을 여러분과 공유하고자 합니다. 바로 셰이핑(Shaping), 체이닝(Chaining), 청킹(Chunking)입니다. 두 개의 수업을 하고 있는데 생각보다 가르치면서 배우는 것도 많더라구요. 좋은 기회가 되고 있습니다. 겸임이긴 하지만... 교수 소리 듣는 것도 나름 신기하구요. 1. 셰이핑(Shaping): 전체 흐름을 보여주며 따라 하게 하기 셰이핑은 전체적인 흐름이나 프로세스를 처음부터 끝까지 한 번에 시연하고 학생들이 이를 모방하도록 유도하는 방법입니다. 머신러닝 수업에서도 굉장히 효과적일 수 있죠. 예를 들어, 학생들에게 처음으로 로지스틱 회귀 모델을 가르친다고 할 때, 저는 먼저 전체 워크플로우를 간단한 예제로 직접 시연합니다. 데이터 전처리부터 모델 학습, 평가까지 한눈에 볼 수 있도록 구성하여 학생들이 전체 과정을 직관적으로 이해하도록 돕는 것이죠. 이후 학생들이 같은 프로세스를 스스로 수행하게 하고, 그 과정에서 발생하는 문제에 대해 즉각적으로 피드백을 제공하면 더욱 효과적입니다. 2. 체이닝(Chaining): 복잡한 과정을 단계적으로 연결하기 체이닝은 복잡한 작업을 여러 작은 단계로 나누고 각 단계별로 명확히 학습한 후, 점진적으로 전체 과정을 연결하는 방법입니다. 이는 머신러닝처럼 복잡한 프로세스가 많은 분야에서 특히 효과적이죠. 가령 신경망 모델 구축을 예로 들면, 데이터 전처리, 모델 설계, 학습 및 평가 단계를 각각 별개로 가르친 후, 학생들이 이 개별 단계를 잘 이해하게 되면 전체적인 프로세스를 하나의 완성된 파이프라인으로 연결시킵니다. 특히, 최종 평가 결과를 먼저 보여주고 "이 결과가 나오기까지 어떤 단계들이 있었는지" 역순으로 접근하는 역방향 체이닝 방식을 활용하면, 학생들의 학습 동기와 이해도를 더욱 높일 수 있습니다. 3. 청킹(Chunking): 복잡한 개념을 작게 나누어 배우기 청킹은 복잡한 작업이나 개념을 작고 관리 가능한 단위로 나누어 개별적으로 학습한 후, 이를 다시 결합해 전체를 완성하는 방식입니다. 머신러닝에서도 매우 유용하게 적용할 수 있죠. 예를 들어 서포트 벡터 머신(SVM)을 가르칠 때, 저는 개념 설명, 커널의 의미와 기능, 실제 코드 구현과 같은 세부적인 요소들을 각각의 "청크"로 나누어 개별적으로 다룬 후, 학생들이 이 청크들을 충분히 이해하면 전체 모델 구축을 시도하게 합니다. 이렇게 하면 학생들이 복잡한 내용을 부담스럽지 않게 받아들일 수 있고, 각 단계별로 명확한 이해와 실습 능력을 키울 수 있게 됩니다. 그리고 교수직을 해보면서 느끼는 건데 생각보다 학교 측에서 교수를 대상으로 하는 교육이나 복지 더 나아가 역량 강화 프로그램이 많더라구요. 대부분 무료이고 퀄리티도 높아서 좋은 것 같습니다. 물론 지금 제가 적이 있는 학교가 국민대, 고려대 뿐이라 다른 대학은 어떤지 모르겠으나 생각보다 학생일때와는 또 완전 다른 느낌의 교원 분들을 접하게 되어 신기했습니다. 벌써 중간고사 기간이 끝났고 이제는 기말 입니다. 이번에 알게 되었는데 시험기간은 학생 뿐 아니라 교수도 힘들더라구요... 학부때 너무 교수님들 미워하지 말껄 그랬습니다.

최근 삼성전자 반도체 부문(DS)이 메타의 최신 대규모언어모델(LLM) LLaMA4를 전 조직에 전격 도입했다는 기사를 보았습니다. 개인적으로는 왜, 굳이 성능 논란과 벤치마크 조작 의혹까지 불거진 LLaMA4를 선택했을까요? 삼성전자 DS의 선택과 그 배경 삼성전자가 도입한 LLaMA4는 Scout(경량 모델)와 Maverick(기본 모델)으로 구성된 멀티모달 AI입니다. 문서뿐만 아니라 이미지·음성·영상까지 한 번에 처리할 수 있는 뛰어난 모델로 알려져 있습니다. 게다가 무려 10M 토큰이라는 압도적인 컨텍스트 길이를 제공하기 때문에, 반도체 공정 데이터와 같이 대규모 데이터를 다루는 삼성 입장에서는 큰 매력을 느낀 듯합니다. 그러나 실제로 이 선택이 최선이었는지는 의문이 남습니다. 몇 가지 현실적인 이유를 살펴보면 다소 아쉬운 점들이 보입니다. 성능과 벤치마크 신뢰성 논란 LLaMA4는 출시 직후부터 성능에 대한 여러 논란이 있었습니다. 일부 연구자와 개발자 커뮤니티에서는 LLaMA4가 제출한 벤치마크 모델이 실제 공개된 가중치와 다르다는 의혹이 제기됐습니다. 심지어 내부 직원으로부터 "벤치마크 점수를 끌어올리기 위한 무리한 조정이 있었다"는 폭로까지 나왔습니다. 이러한 논란은 기업이 중요한 업무 데이터를 다룰 때 고려할 수밖에 없는 중대한 이슈입니다. 삼성처럼 공정 최적화 및 신뢰성이 필수인 기업이 선택한 모델로서는, 꽤나 위험 부담이 큰 결정이었다는 느낌을 지울 수 없습니다. 사실 개인적으로는 이번 LLaMA4 도입 자체가 그냥 직원용으로 선택지 중 하나를 만든 것인데 뭔가 언론에서 침소봉대 한게 아닌가 하는 생각이 있습니다. 더 효율적인 대안들: Gemma3 QAT의 존재 사실 시장에는 LLaMA4 외에도 뛰어난 성능과 효율성을 보여주는 대안들이 존재했습니다. 예를 들어 Gemma3 QAT(27B)는 상대적으로 적은 하드웨어 자원으로도 뛰어난 성능을 발휘하는 모델로 평가받습니다. 물론 애초에 QAT 자체가 일반 소비자 레벨의 컴퓨팅 파워에서도 원활하게 돌릴 수 있는 LLM 인 것을 감안해도... 뭔가 메버릭을 돈 내고 쓰기엔 아쉬워 보이는게 사실이죠. 삼성정도 되는 기업이면 커뮤니티판을 쓸 것도 아니고 유료 모델을 쓸 것 같고요.(결국.. 그돈씨) 항목 Llama 4 Scout (109 B/17 B 활성) Gemma 3 27B QAT 멀티모달 텍스트·이미지·음성·영상 동시 처리 텍스트·이미지 (음성 X) 컨텍스트 길이 10 M tokens (Maverick 1 M) 128 K tokens 추론 속도 120 tps (FP8, H100 1장) 20-25 tps (INT4, RTX A5000)

"화려한 색상 팔레트와 애니메이션으로 가득한 정교한 문서 페이지는 이제 지쳤습니다(Tired). 반면, 간단한 단일 마크다운(.md) 파일과 '클립보드 복사' 버튼 하나가 새로운 대세입니다(Wired)." 최근 카파시의 글을 읽으며 깊이 공감한 이유는 간단합니다. 우리가 만드는 제품과 서비스, 라이브러리의 주요 대상 고객이 이제는 더 이상 사람이 아니라 바로 인공지능이 되었기 때문이죠. LLM 시대의 도래: 기계 친화적 인터페이스의 부상 최근 OpenAI의 MCP(Model Context Protocol)나 ChatGPT의 데스크탑 앱에서 제공하는 공동 작업 기능('Work with')을 사용해 본 분들이라면 느끼셨겠지만, UI가 사람보다는 기계, 즉 LLM이 이해하기 쉬운 형태일수록 훨씬 더 효과적으로 활용됩니다. 이는 전통적인 사용자 경험(User Experience, UX) 개념을 새롭게 정의하는 흐름입니다. 그동안 우리는 아름다운 인터페이스와 친절한 설명으로 사람에게 최적화된 UI를 만들어왔습니다. 그러나 이제는 상황이 달라졌습니다. 점점 많은 일들이 사람 대신 LLM이나 에이전트를 통해 이루어지고 있기 때문이죠. 왜 LLM은 사람을 위한 UI를 싫어할까요? LLM이 사람을 위한 복잡하고 화려한 인터페이스를 꺼리는 이유는 명확합니다. LLM은 탐색이 아닌 스크래핑(Scraping)을 원합니다. 복잡한 메뉴나 내비게이션보다 단순하고 명료한 텍스트 구조가 필요합니다. LLM은 시각적 자극이 아닌 텍스트를 선호합니다. 애니메이션이나 동영상보다 간결한 텍스트로 정보를 제공받는 편이 더 효율적입니다. LLM은 클릭(Click)이 아닌 컬(Curl)을 좋아합니다. 링크를 따라다니며 클릭하기보다는 API 형태로 제공되는 데이터에 직접 접근하는 것을 선호합니다. 이러한 특징은 LLM이 점점 더 다양한 분야에서 상용화되며 우리 일상에 깊숙이 자리 잡을수록 더욱 중요해집니다. 제품 개발자와 서비스 제공자의 새로운 과제 이제 개발자와 서비스 제공자들은 자신들의 제품과 서비스를 LLM 친화적으로 바꾸어야 할 때가 왔습니다. 이는 UI의 본질적 변화를 요구합니다. 모든 기능은 가능한 한 텍스트 기반으로 간략히 표현될 수 있어야 합니다. 데이터를 API 또는 최소한의 문서 형식으로 명료하게 제공해야 합니다. 마크다운과 같은 단순한 포맷을 적극적으로 활용하여 LLM이 이해하기 쉬운 구조로 정보를 정리해야 합니다. 다시 텍스트의 시대로? 기술의 발전은 언제나 예측보다 빠르게 이루어지며, 이번 LLM 중심의 인터페이스 변화 또한 빠르게 우리 곁에 다가올 것입니다. 현재 MCP와 같은 프로토콜이나 LLM 친화적인 기능들이 점점 표준으로 자리 잡고 있음을 생각할 때, 지금이라도 제품과 서비스의 제공 방식을 재정비할 필요가 있습니다. 예전에 위와 같은 글을 썼는데 벌써 성큼 성큼 다가 오는 것 같습니다. 당신의 제품이 미래에도 살아남으려면, 이제 'LLM이 좋아하는' 제품으로 탈바꿈해야 합니다. 간결하고 효율적이며, 쉽게 접근할 수 있는 형태로 바뀌어야 하죠. 지금 여러분의 제품이나 서비스, 라이브러리를 돌아보며 한번 생각해보세요. "이제 내 주요 고객이 LLM(인공지능)이라면, 이 기능은 어떻게 바뀌어야 할까요?"

최근 트위터(X)의 창립자 잭 도시(Jack Dorsey)와 테슬라 CEO 일론 머스크(Elon Musk)가 지식재산권(IP)의 폐지를 주장하며 큰 화제가 됐습니다. 도시가 “모든 IP 법을 없애자”는 급진적인 의견을 제시하자, 머스크는 간단히 “동의한다”며 맞장구를 쳤죠. 둘 다 혁신의 아이콘으로 여겨지는 인물이기에 이들의 발언은 큰 파장을 일으켰는데요. 이들의 주장을 단순히 ‘튀는 발언’ 정도로 치부하기엔 그 속에 담긴 의미가 꽤 묵직합니다. IP법 완화/폐지론의 진짜 의도는 무엇일까? 잭 도시와 일론 머스크가 지적재산권 제도의 폐지를 주장하는 이유는 분명합니다. 그들은 IP 제도가 창의성과 혁신을 촉진하는 것이 아니라, 오히려 독점과 권리 남용을 부추겨 창작자들에게 정당한 보상이 돌아가지 않게 만든다고 비판합니다. 머스크는 과거에도 "특허는 약자들이나 붙잡는 것"이라고 표현하며, 테슬라 전기차 특허를 공개한 바 있습니다. 잭 도시 역시 블루스카이와 같은 오픈소스 프로젝트를 지원하며 기술의 개방과 공유가 혁신을 가져온다고 믿는 입장이죠. 이들의 주장은 결국 다음과 같은 의문을 던지고 있습니다: "지식과 기술을 독점할 권리를 계속 인정하는 것이, 정말 공공의 이익에 부합하는가?" 정보와 지식의 민주화: 과거에도 있었던 논쟁 사실 이러한 논의는 이번이 처음이 아닙니다. 과거에도 지식과 기술이 특정 계층에 독점되지 않고, 모두에게 열릴 때 얼마나 폭발적인 혁신과 성장이 일어날 수 있는지를 보여준 사례들이 있죠. 검색엔진(Google): 웹의 수많은 콘텐츠를 무단(?)으로 수집해 제공한 구글은 초기에 저작권 문제로 논란이 있었지만, 결국 "공정 이용(Fair Use)"이라는 개념 덕분에 오늘날 인류가 방대한 정보를 즉시 얻을 수 있는 길을 열었습니다. 최근 Book3 프로젝트나 각종 언론사도 이런 류의 소송으로 인공지능 회사들과 저작권 소송 중입니다. Wi-Fi 기술: 무선 주파수를 정부가 개방하여 누구나 이용 가능하게 하자, 기술 표준을 오픈소스로 만든 덕분에 지금 우리는 어디서나 인터넷에 연결할 수 있게 되었습니다. 어릴 때, 폰 중앙버튼 잘못 눌렀다가 요금 엄청 나오는 공포 아시죠? 요즘 그런 공포는 사라졌잖아요. 지금 생각해보면 얼마나 부당했는지 느껴집니다. 오픈소스 소프트웨어(리눅스, 아파치 등): 소스코드를 공개하고 자유롭게 공유하자 초기의 비판을 딛고 결국 전 세계 소프트웨어 산업의 혁신과 발전을 견인했습니다. 이 모든 사례는 지식과 기술이 개방될 때 비로소 혁신이 더 빠르게 이루어질 수 있다는 교훈을 보여줍니다. 반면, 19세기 영국에서 자동차의 혁신을 저해한 ‘적기 조례’나 20세기 초 라이트 형제의 특허 전쟁처럼 지나친 권리 독점이 기술 발전을 방해했던 역사적 사례도 존재하죠. 하지만 창작자 보호 문제는 어떻게 해결할 것인가? 지식재산권을 전면 폐지하자는 주장은 매력적이지만 현실적 고민도 큽니다. IP 보호가 없을 때, 창작자나 혁신 기업들이 정당한 보상을 받지 못해 창작과 투자 의욕이 떨어질 수 있기 때문입니다. 특히 예술 분야는 이미 AI가 무단으로 창작물을 흡수하는 문제로 몸살을 앓고 있죠. 사실 저들이 말하는건 저작권을 아예 없애는게 아닌 사용을 자유롭게 하고 제대로된 보상을 해주자는 것 입니다. 머스크나 잭 도시가 '지적재산권 그냥 없애자!'하는게 아니라 관련 법들이 너무 기술의 발전을 저해한다는 의미로 말을 한 것이죠. 그들과 같은 저작권법 완화/폐지론자들은 아래와 같은 방법을 제안합니다. 강제 라이선스(Compulsory License): 일정 조건을 충족하면 권리자의 동의 없이도 저작물을 사용 가능하되, 저작권자에게는 정해진 요율의 보상을 지급하는 방법입니다. 수익 공유 모델: AI 모델이 창출한 수익의 일부를 데이터 제공자(창작자)에게 나누는 방식입니다. 실제로 이미 일부 기업들은 이러한 방식을 도입하고 있습니다. IP 보호기간의 축소 및 유연화: IP 보호 기간을 줄여 더 빠르게 지식을 공공 영역에 개방하는 방식입니다. 정부와 공공의 지원 확대: 창작활동 자체에 정부나 공공기관이 보상하여, 창작물 자체는 공공 영역으로 풀도록 하는 방안입니다. 이러한 절충안들은 창작자에게는 정당한 보상을 보장하면서, 사회적으로는 더 많은 사람이 지식과 기술에 접근할 수 있게 하려는 현실적인 접근입니다. 사실 일부는 유튜브, 틱톡 등에서 적용되고 있습니다. 특정 음악을 무단으로 사용해도 원작자에게 수익이 돌아가게 하는 방식이나 무단 사용자가 시청자들에게 고지하게 하고 수익을 제한 하는 등으로 말이죠. AI 시대의 지식재산권, 어디로 갈 것인가? 지식재산권 제도의 미래는 결국 이 질문으로 귀결됩니다.

위의 포스팅을 쓰고 많은 분들에게 질문을 받았습니다. 개인이 아닌 임원이나 매니저를 지내고 계신 분들, 1인 창업으로서 다양한 것을 동시에 해내고 있는 분들이 말이죠. 초기 기술 환경에서는 조직이 소프트웨어를 자체적으로 개발(인하우스 개발)하거나 외부 개발 업체(SI)를 통해 개발하는 명확한 선택이 일반적이었습니다. 이러한 방식은 비교적 단순한 선택 구조였지만, 개발 관리와 유지 보수 과정에서 종종 혼선과 어려움을 가져왔습니다. 최근에는 플랫폼과 클라우드를 중심으로 한 기술 환경이 발전하면서, 서로 다른 기술과 서비스를 더욱 유연하게 연계하고 활용할 수 있는 가능성이 열리고 있습니다. 하지만 이러한 자유로운 결합 방식은 각 기술 간의 통합 및 관리에 새로운 도전을 던지고 있으며, 기존보다 더 세심한 조율과 관리 역량을 요구하게 되었습니다. 구분 AI 도입 전(Before AI) AI 도입 후(After AI) 마케팅 운영 생산/분석, 전략/크리에이티브와 역할이 분리되어 독립적으로 운영됨 IT와의 경계가 흐려지며, 더 넓고 복잡한 범위를 다루게 됨 전략 및 크리에이티브 제약이 많고, 실험과 시도 속도가 느림 AI 덕분에 제약이 사라지고, 더 넓은 창의적 실험을 빠르게 수행 가능 핵심 메시지 각 역할이 명확히 나눠져 효율 중심의 제한적인 운영 AI를 통해 조직 전체가 민첩해지고 창의적 전략 실행이 빨라짐 이 과정에서 기술 장벽이 점점 낮아지고 있습니다. 과거에는 IT 전문가가 기술 도구를 독점적으로 관리했지만, 현재는 로우코드(low-code), 노코드(no-code), 그리고 AI 기반 자동화 기술의 발전 덕분에 비전문가도 손쉽게 기술을 활용할 수 있습니다. 이제 기술 활용 능력은 IT 부서에 국한되지 않고 전 조직에 걸쳐 필수 역량이 되고 있습니다. 여기서 중요한 개념이 바로 '마텍의 법칙(Martec's Law)'입니다. 마텍의 법칙이란 기술 변화는 기하급수적으로 빠르게 진행되는 반면, 조직의 변화는 그에 비해 매우 천천히 이루어진다는 것을 나타내는 법칙입니다. 조직은 이러한 격차를 인지하고, 모든 기술을 무작정 받아들이기보다 조직의 전략과 목표에 맞추어 기술을 선별적으로 도입하며 민첩성을 키워 나가야 합니다. 이제 AI 기술 환경은 단순히 효율성을 높이는 도구가 아니라, 창의적인 전략과 실험을 가능하게 하는 기반이 되고 있습니다. 조직은 이 새로운 가능성을 인지하고, 기술에 너무 매몰되지 않으면서도 창의적이고 혁신적인 전략을 실행할 수 있도록 구성원들에게 충분한 자율성과 실험의 기회를 부여해야 합니다. 또한, 기술 중심의 운영은 점점 더 복잡하고 예측 불가능한 환경으로 변화하고 있습니다. AI 기반의 다양한 에이전트와 도구를 조화롭게 운영하기 위해서는 디지털 운영을 조율하는 능력이 중요합니다. 마치 지휘자가 다양한 악기를 조율하듯, 다양한 기술과 AI 도구를 조직의 목표에 맞춰 효율적으로 통합하는 역량이 필요합니다. 이제 계획과 실행은 동시에 일어날 것. 초기의 명확한 기술 선택(구축 vs. 구매)에서 플랫폼 및 혼합 모델로의 변화

제가 2010년대 초반부터 블로그를 운영하면서 ‘컨텐츠를 어떻게 유료화할 수 있을까?’라는 고민을 꾸준히 해왔습니다. 처음에는 구글 애드센스나 블로그 체험단 같은 방법으로 광고나 협찬 글을 써서 수익을 내는 정도였죠. 하지만 직장을 다니기 시작하면서 수익보다는 기록 자체에 좀 더 집중하게 되었습니다. 그런데 2020년 무렵부터 해외를 중심으로 뉴스레터가 폭발적으로 늘어나고, “좋은 글에는 기꺼이 돈을 낼 의사가 있다”는 분위기가 형성되더군요. 저도 그 트렌드에 맞춰 유료 뉴스레터를 발행하면서 수만 명의 구독자를 확보했고, 그 과정에서 책까지 출판해 보는 경험을 했습니다. 물론 시간과 정성을 쏟은 만큼 엄청난 수익을 내는 건 쉬운 일이 아니었어요. 그럼에도 글을 쓰고, 제 경험을 기록으로 남기는 것 자체를 좋아하다 보니, 꾸준히 글을 쓰게 되었습니다. 이런 흐름은 해외에서는 서브스택(Substack)으로 잘 알려졌습니다. 처음 글을 올릴 때는 별다른 비용이 들지 않고, 유료 구독이 발생하면 구독료의 일부(약 10%)를 플랫폼이 가져가는 구조였죠. 이는 시작할 때 부담이 없는 대신, 구독자가 크게 늘어나면 10% 수수료가 상당해진다는 단점이 있습니다. 그래서 최근에는 고스트(Ghost)나 비히브(Beehiiv)처럼 월 단위 요금을 내는 ‘정액제 모델’이 인기입니다. 구독자가 늘어나도 플랫폼에 내야 하는 금액이 일정하거나 단계별로만 오르기 때문에, “수익이 크면 클수록 내가 더 많이 가져간다”는 장점이 있죠. 사실 국내에서도 유사한 흐름을 찾을 수 있습니다. 예를 들어 스티비(Stibee)나 메일리(Maily) 같은 뉴스레터 발행 서비스가 있는데, 발송 규모에 따라 요금제가 달라지고, 유료 뉴스레터의 경우 별도의 수수료가 붙기도 합니다. 플랫폼마다 기능이나 템플릿, 독자 분석 툴 등이 조금씩 다르기 때문에, 어떤 서비스를 고를지 결정할 때 아래 항목들을 살펴보시면 좋아요. 첫째, 내가 발행할 뉴스레터(혹은 블로그)의 ‘규모’와 ‘예상 독자 수’. 둘째, 내가 얼마나 기술적으로 세팅에 관여하고 싶고, 얼마만큼 편의를 제공받고 싶은지. 셋째, 플랫폼이 내 가치관이나 운영 철학과 맞는지(정치·사회적 이슈나 커뮤니티 정책 등). 사실 뉴스레터나 유료 콘텐츠 플랫폼을 어떻게 선택해도, 궁극적으로는 콘텐츠 자체의 힘이 가장 중요하다고 생각합니다. 제 경우에는 글을 쓰고 독자를 만나면서, 자연스럽게 개인 브랜드가 형성되고, 오랫동안 저를 지지해 주는 분들을 만났습니다. 이 사람들이야말로 제가 계속해서 글을 쓸 수 있게 해 주는 원동력이에요. 또한 초반에 큰 수익이 나지 않더라도, 기록 그 자체에서 얻는 만족감과, 나중에 돌이켜봤을 때 ‘이런 경험들을 남겼다’는 것만으로도 저는 충분히 보상을 받는 기분이 들었습니다. 물론 체계적으로 수익을 키우려면, 플랫폼 수수료율이나 월 정액제 등 경제적 측면도 꼼꼼히 따져야겠죠. 해외 사례를 보면, 서브스택에서 다른 플랫폼(고스트, 비히브 등)으로 옮겨가면서 구독자가 크게 늘지 않았어도 수익이 개선된 작가들이 있었다고 해요. 10%의 지속적인 수수료가 만만치 않다 보니, 일정 금액을 내고 나머지 수익을 전부 가져가는 게 더 이득일 수 있으니까요. 플랫폼 가격 구조 유형 무료 플랜 제공 여부 유료 플랜 시작 가격 수수료 정책 비히브 정액제 (구독자 수 기준) 예 $49/월 (1,000명 이하) 수수료 없음 고스트 정액제 (구독자 수 기준)

“전략(Strategy)”을 수립할 때 자주 언급되는 세 가지 핵심 질문(WHY, WHAT, HOW)을 기반으로, 문제 인식부터 목표 설정, 그리고 실행 방안까지 이어지는 단순하고 명확한 프로세스를 소개하는 내용입니다. 말로만 하다 이렇게 정리를 해보니 저 스스로도 명확해져 좋네요. 종종 워크샵 프로그램을 진행하게 되면 초기에 하는 이야기인데 나누면 좋을 것 같아서 공유합니다. 전략을 고민할 때 가장 먼저 떠올라야 할 질문 “전략(Strategy)”이라고 하면, 왠지 거창하고 복잡한 과정을 떠올리는 분들이 많습니다. 경영학자 마이클 포터(Michael Porter)의 5가지 경쟁 요인 모델부터, 밸류 체인(Value Chain) 분석, BCG 매트릭스 등 다양한 프레임워크가 존재하죠. 하지만 지나치게 복잡한 도구와 이론은 오히려 실행력을 떨어뜨리거나, 중요한 문제를 놓치는 원인이 되기도 합니다. 결국 좋은 전략은 “왜 변화가 필요한가(WHY), 무엇을 향해 가야 하는가(WHAT), 그리고 그 목표를 위해 어떤 행동을 취해야 하는가(HOW)”라는 세 가지 질문을 얼마나 명확하게 정의하고, 구체적인 실행 방안을 마련하느냐에 달려 있습니다. 어찌보면 단순하기 그지없는 이게 사실 어찌보면 본질이고 핵심입니다. ⸻ WHY change? 현재 상태에서 ‘왜 변화를 해야 하는가?’ 전략 수립의 출발점은 문제 인식입니다. 조직이나 팀이 처한 현 상황(“Current”)을 살펴보고, “지금 놓여 있는 문제(Problem)는 정확히 무엇인가?”, “이 문제가 왜 중요한가?”라는 질문부터 시작해야 합니다. '문제’에 대한 합의가 없는 전략은 위험하다 가령, 시장 점유율이 떨어지는데도 “별 문제 아니다”라고 여기는 구성원이 있다면, 그 조직은 이미 전략 자체가 성립하기 어렵습니다. “왜 이 문제가 심각한가?”를 먼저 정의해야, 비로소 구성원 모두가 ‘변화의 필요성’에 공감하게 되니까요. 예시: 스타트업에서 앱 사용자 이탈률(Churn Rate)이 급증한다면, 이 이탈률이 가져올 잠재적 위험과 재무적 손실을 구체적으로 설명함으로써 내부 구성원 모두가 문제의 심각성을 공유해야 합니다. 문제 정의의 기준과 출처 여기서 중요한 것은, 문제가 데이터나 객관적 지표를 통해 확인되는 것이어야 한다는 점입니다. ’감’이 아닌 ‘팩트’를 기반으로 해야 구성원 간 동의와 시급성 인식이 쉬워집니다. 출처 예시: 최신 고객 인터뷰, 사용자 경험(UX) 리서치, 시장 조사 자료, 재무 보고서 등 통계: 예를 들어, 2023년 전 세계 스타트업 중 90% 이상이 5년 내에 실패한다는 통계가 있다면(출처: CB Insights 보고서 등), “우리도 예외가 될 수 없다”라는 전제 아래 문제가 더 분명해질 수 있겠죠. WHAT is winning? 우리가 가고자 하는 ‘미래 목표(Future)’의 모습은? 두 번째는 목표 설정 단계입니다. WHY를 통해 “우리가 해결해야 할 문제”가 분명해졌다면, 이제 “어떤 미래가 우리가 생각하는 이상적인 상태(Winning)인가?”를 구체적으로 그려야 합니다. 이를 통해 조직의 비전(Ambition)이나 방향성, 일종의 ‘북극성(North Star)’이 결정됩니다. 가시적이고 구체적인 목표 설정 “너무 크고 추상적인 비전은 무용지물 아닌가?”라고 생각하실 수도 있습니다. 하지만 구체적인 비전을 설정하는 것이 중요한 이유는, 의사결정과 우선순위 결정의 기준점이 되기 때문입니다. 예시: “2년 안에 국내 시장 점유율 30% 달성”이라면, 구체적인 숫자와 기간이 있습니다. 이를 통해 어떤 프로젝트에 자원을 먼저 할당할지, 어떤 기능 개발을 우선해야 할지 명확해지죠. 미래상 제시와 공감대 형성 비전을 단순히 “내부 문서에만 적어두고 끝”내선 안 됩니다. 구성원들이 그 목표의 가치를 함께 느끼고, “이게 정말 달성 가능한 일이야?”라고 납득할 수 있어야 하죠.

최근 환경사회운동을 열심히 하는 친구를 만났습니다. 그녀는 툰베리와 같이 우리가 검색엔진을 쓰는 것만으로 지구를 망가트리며, 환경에 다양한 영향을 미친다고 말하고 있습니다. 탄소 발자국 부터 나무 심기까지 2010년대 부터 매우 자주 들어왔던 이야기인지라 무감했지만 이게 인공지능까지 뻗혀 올줄이야... 당연하다고 해야할까요? 뭐 하나하나 이야기 해봅시다. 인공지능, IT 서비스가 지구를 파괴한다? 최근 생성형 AI 서비스, 특히 ChatGPT 같은 챗봇이 환경에 미치는 영향에 대한 경고가 쏟아지고 있습니다. 하지만 많은 주장은 다소 과장되거나 맥락이 생략된 채 자극적으로 전달되곤 합니다. 물론 데이터센터 운영이나 인공지능 훈련과 학습 과정에서 환경적 비용이 발생하는 것은 사실이며, 환경단체의 주장이 완전히 틀렸다고 볼 수는 없습니다. 그러나 실제 데이터를 통해 보면 그 주장들이 너무 과장되었음을 알 수 있습니다. 정확한 데이터를 바탕으로 함께 진실을 살펴보겠습니다. ChatGPT가 구글 검색보다 10배 더 많은 전력을 쓴다? 결론부터 말하면 “맞지만 틀립니다.” 즉, 비율 자체는 얼추 맞지만, 실제 소비량은 크게 과장되었습니다. “챗봇 한 질문(2.9Wh)은 구글 검색(0.3Wh)의 10배 전력을 소비한다”는 주장은 사실 2009년 구글이 공개한 오래된 데이터와 2023년 초의 추측성 분석(SemiAnalysis)에 기반합니다. 2024년 기준 최신 연구에 따르면, 구글 검색 한 번의 실제 소비 전력은 약 0.04Wh로 크게 감소했고, 일반적인 챗봇 질문 한 번의 소비 전력 역시 약 0.2Wh 수준으로 나타났습니다. 결국 실제로는 챗봇이 구글 검색보다 여전히 약 5배 정도 많은 에너지를 소비하지만, 절대적인 전력 소비량 자체는 아주 작습니다. 빅테크 기업은 자신들의 이익 증대를 위해서라도 전력 효율화를 해야합니다. 그들은 지금도 사용 전력량을 어떻게 효율적이게 쓸지 고민하고 있습니다. 즉, 생성형 인공지능(ChatGPT 등)이 구글 검색 보다 많은 에너지를 사용하고 이것이 계속 될 것이다는 약간의 어폐가 있습니다. 이를 쉽게 풀어보자면, 하루에 챗봇을 100번 사용해도 약 20Wh를 소모하는데, 이는 자동차로 30미터 이동하는 수준에 불과합니다. 1년을 써도 자동차로 가까운 식당에 왕복하는 정도라는 뜻이죠. "AI 사용"은 엄청난 전기를 잡아먹는다? 이 역시 과장입니다. 일반 사용자가 GPT-4급 챗봇과 하루 100번 상호작용(연간 약 7.2kWh)을 해도, 이는 가솔린 자동차로 10km 주행(약 7.6kWh), 혹은 따뜻한 물 샤워 몇 번 하는 에너지와 비슷하거나 적습니다. 즉, 챗봇 사용 자체가 환경적 재앙이라기보다는 일상생활에서 더 쉽게 절약할 수 있는 에너지 사용량에 가깝습니다. AI 사용량을 걱정하기보다, 가까운 거리는 걸어 다니거나 샤워 시간을 줄이는 등 다른 생활습관에서 절약하는 것이 훨씬 효과적입니다. 제가 이번 기회에 UN이니 그린피스 등 환경 걱정하시는 분들 발표자료를 살펴보았는데 AI 훈련/학습/연구와 사용을 구별 안하시면서 작성하는 것 같습니다. 서비스 사용을 위해 운영되는 인프라는 훈련 등에 사용되는 인프라 보다는 현저히 작으며 이 역시 위에서 말한 것과 같이 일상생활을 하며 소비하는 전력량에 비하면 약소한 수준 입니다. AI는 정말로 물먹는 하마일까? “ChatGPT가 질문 몇 번에 생수 한 병(500ml)을 증발시킨다”는 주장 역시 사실을 오해한 표현입니다. 원래 연구에서는 약 20~50개 질문당 0.5L를 사용한다고 했으며, 이는 데이터센터에서 직접 쓰는 냉각수뿐 아니라, 전기를 생산하는 과정에서 사용된 물과 AI 훈련 시 사용된 물까지 포함된 수치였습니다. 실제로 데이터센터에서 직접 사용하는 냉각수는 질문 약 300개당 0.5L 수준(질문 한 번당 약 30mL)에 불과합니다. 이는 앱 다운로드(40mL), 음악 스트리밍 1시간(250mL), Zoom 통화 1시간(1720mL)에 비하면 오히려 적은 양입니다. 더욱 중요한 것은, 온라인 활동 대부분은 비슷하거나 더 많은 양의 물을 사용한다는 점입니다. AI 서비스가 특별히 “물 낭비적”이라는 오해는 현실과 거리가 멉니다. 요약 데이터센터 운영이나 인공지능 훈련 과정에서 환경적 비용이 발생한다는 환경단체의 주장이 완전히 틀린 것은 아닙니다. 그러나 AI 사용 자체가 지구를 파괴할 정도의 환경적 재앙은 아니며, 대부분의 주장이 과장된 측면이 많습니다. AI 데이터센터가 특정 지역에 전력과 수자원 부담을 줄 수 있지만, 이는 모든 인터넷 기반 기술이 가진 공통적인 이슈입니다. AI의 에너지 효율은 지속적으로 개선되고 있으며, 환경 부담도 다른 활동과 비교하면 여전히 미미한 수준입니다. 우리가 진정으로 신경 써야 하는 문제는 AI의 사용을 자제하는 것이 아니라, 에너지 생산 방식을 재생에너지로 전환하고, 물 사용이 효율적인 데이터센터 설계에 집중하며, 일상생활의 불필요한 에너지 낭비를 줄이는 것입니다. 기술의 환경적 비용은 분명 존재합니다. 하지만 맥락과 규모를 정확히 이해하고, 보다 근본적인 친환경적 변화를 추구하는 것이 진정한 해결책입니다. 환경단체의 급박함은 이해 하겠으나 침소봉대 하여 이야기를 과장하거나, 정보를 호도하는 일은 없었으면 좋겠습니다.

우리는 살아가면서 뜻하지 않게 기분 나쁜 일을 종종 경험하게 됩니다. 예를 들어, 회사에서 동료가 내가 보낸 이메일에 응답하지 않을 때, 친구가 약속을 까맣게 잊고 나타나지 않았을 때, 혹은 식당 직원이 주문을 틀리거나 불친절하게 행동했을 때 말이죠. 이럴 때 많은 사람은 본능적으로 '저 사람이 나한테 악감정이 있나?', '나를 무시하는 건가?' 하는 생각부터 하곤 합니다. 저 역시 그런 경험이 많았습니다. 상대방의 행동 하나하나에 의미를 부여하며 '내가 무슨 잘못을 했나?', '이 사람이 나에게 어떤 억하심정이 있는 걸까?'라고 고민하기 시작하면, 정신적으로 피곤해지고 관계까지 불편해지기 마련입니다. 그러던 중 영미권 속담집에서 한 문장을 접하게 됐습니다. "Never attribute to malice that which can adequately explained by incompetence." 악의로 설명할 수 있는 일을 능력 부족이나 실수로도 충분히 설명할 수 있다면, 악의로 여기지 말고 실수나 능력 부족으로 보라. 이 문구를 처음 보았을 때 묘한 충격과 함께 깊은 깨달음을 얻었습니다. 조금 더 살펴보니, 비슷한 표현이 독일 문학가 괴테의 『젊은 베르테르의 슬픔』에도 나와 있었죠. “Misunderstandings and neglect create more confusion in this world than trickery and malice.” 오해와 부주의는 악의와 교활함보다 이 세상에 더 많은 혼란을 일으킨다. 이 두 구절은 서로 표현 방식이 다르지만 핵심은 같습니다. 즉, 우리가 일상에서 마주치는 불쾌한 경험의 대부분은 상대방의 악의적 의도가 아니라, 단순한 실수나 부주의, 혹은 능력 부족에서 비롯된다는 것입니다. 실제로도 많은 연구와 심리학자들의 견해에 따르면, 인간은 타인의 행동을 평가할 때 실제 의도보다 자신의 감정이나 선입견에 따라 해석하는 경우가 많다고 합니다. 심리학에서는 이를 '기본적 귀인 오류(Fundamental Attribution Error)'라고 부릅니다. 타인의 부정적 행동을 볼 때 상황이나 환경적 요인을 무시하고, 그 사람의 성격이나 의도 탓으로 돌리는 경향이죠. 이러한 경향이 계속되면 우리는 불필요한 스트레스와 오해 속에서 살게 됩니다. 직장 내에서도 팀원의 실수를 보며 '의도적으로 나를 곤란하게 하려는구나'라고 생각한다면, 팀워크가 무너지고 오히려 해결이 어려워집니다. 하지만 그 실수를 이해하고 서로 도움을 준다면, 관계는 더욱 긍정적인 방향으로 나아갈 수 있습니다. 이 원칙을 제 삶에 적용해 보니 인간관계가 훨씬 편안해졌습니다. 이메일에 답장이 없을 때는 '바쁜가 보구나' 혹은 '깜빡 잊었겠지'라고 생각하고 가볍게 리마인드를 해줍니다. 친구가 약속에 늦거나 오지 못했을 때도 '바쁘거나 잊었을 수도 있겠다'라고 생각하면 상대방을 비난하거나 괜히 상처받을 필요가 없어지죠. 물론, 현실에서는 정말로 악의를 가진 사람도 존재합니다. 그러나 일상 속 대부분의 문제는 악의가 아니라 단순한 부주의나 실수로 설명되는 경우가 훨씬 많습니다. 이것을 기억하는 것만으로도 우리는 상당한 스트레스와 불필요한 갈등에서 벗어날 수 있습니다. 다음번 누군가의 행동이 나를 불편하게 할 때, 한번쯤 이 원칙을 떠올려 보는 것은 어떨까요? 물론, 못 참을 때도 있는데 그럴 땐 뭐 어쩌겠어요. 터트려야죠.

혹시 “챗GPT가 구글 검색을 대체할 수도 있다”는 얘기, 들어보신 적 있으신가요? 몇 달 전만 해도 구글은 언젠가 ‘AI 챗봇’에 자리를 빼앗길 위기에 처해 있다는 우려가 많았습니다. 하지만 어느새, 구글은 ‘제미나이(Gemini)’라는 새로운 프로젝트로 종합 AI 라인업을 갖추고, 자사의 서비스를 하나씩 업그레이드해나가고 있습니다. 이번 글에서는 ChatGPT 등장 이후 구글이 보여준 행보와, 딥마인드(DeepMind)와 구글 브레인(Google Brain)이 힘을 합쳐 탄생시킨 '제미나이 프로젝트’의 배경을 하나씩 짚어보겠습니다. 그리고 “구글이 정말 AI 판도를 뒤집을 수 있을까?”라는 질문에도 답해볼 텐데요. 때로는 위태로웠고, 또 예기치 못한 실수도 있었지만, 그 과정에서 묻어 나온 구글만의 집요함과 노하우를 이야기해보려 합니다. 기대해 주세요! 구글은 어디로 갔나?”: GPT-4 공개 이후 불거진 위기 2022년 말부터 OpenAI의 ChatGPT가 전 세계를 놀라게 했습니다. 출시된 지 불과 며칠 만에 100만 명 이상의 사용자를 모았고, 사람들은 “검색 대신 ChatGPT를 쓴다”라는 말까지 꺼낼 정도로 열광했습니다. 구글에게 이는 심각한 경고음이었죠. 구글 검색(Search)은 회사의 핵심 수익원이자 ‘인터넷의 관문’ 역할을 해왔는데, 이를 대체할 만한 챗봇이 등장했다는 소식은 시장을 뒤흔들었습니다. LaMDA를 둘러싼 제약: 사실 구글은 내부적으로 LaMDA라는 뛰어난 언어 모델을 보유하고 있었습니다. 하지만 지나치게 조심스러운 태도로 공개 범위를 매우 제한했고, 시연 내용도 ‘강아지 이야기’ 정도에 그치면서 존재감을 드러내지 못했습니다. 월가와 내부 불안: “AI 우선(AI First)”을 외쳤던 구글이 정작 ChatGPT로 인한 AI 대중화 흐름에서 소극적인 모습을 보이자, 월가는 불안을 드러냈고 구글 주가는 전년 대비 39% 가까이 하락했습니다. 연구 인력들도 회사를 떠나거나 성과 없이 지쳐갔습니다. 이에 선다 피차이(Sundar Pichai) CEO와 경영진은 특단의 조치에 나섭니다. 바로 “100일 내 ChatGPT와 경쟁할 만한 제품을 내놓으라”라는 지시였고, 이 임무는 구글에서 16년 이상 근무해온 베테랑 ‘시시 샤오(Sissie Hsiao)’가 맡았습니다. 구글식 AI 해법: Bard 출범과 우여곡절 시시 샤오와 기술 책임자 엘리 콜로니(Eli Collins)는 초단기간에 챗봇을 만들어야 했고, 내부 프로젝트명으로 “빅 버드(Big Bard)”를 사용했습니다. 그런데 초기 Bard는 LaMDA가 아닌 더 작은 ‘PaLM 모델’에 기반해 개발되었습니다. 그만큼 시간과 자원을 최대한 ‘빨리’ 투입해 결과물을 내놓는 데 중점을 둔 것이죠. •공개 직후의 실수: 2023년 2월, Bard의 공개 데모에서는 ‘제임스 웹 우주 망원경(JWST)의 최초 관측’ 관련 잘못된 정보를 답변하는 사건이 터집니다. 이 일이 언론에 보도되면서 구글 주가가 한때 7% 폭락하는 등 악영향을 받았습니다. •내부 반발: 일부 직원들은 Bard를 “병든 앵무새”라고 비판할 정도로 만족스럽지 못하다는 반응을 보였습니다. 인종·성별 고정관념 등 편향된 답변이 나타나기ㅃ도 했고, 콘텐츠 정확도 면에서도 허점이 발견되었죠. 결국 구글은 Bard를 ‘실험용’ 제품으로 한정적으로 미국·영국 등 일부 지역에만 출시하고, 대규모 수습 작업에 돌입했습니다. 오랜만의 구글발(發) AI 챗봇이었지만, 회사 내부와 외부 모두의 기대를 한몸에 받기에는 아직 갈 길이 멀어 보였습니다. ‘DeepMind + Google Brain’ 통합 → 새로운 돌파구, Gemini 프로젝트 이 시점에서 구글은 결단을 내립니다. 영국에 기반을 둔 딥마인드(DeepMind)와 미국의 구글 브레인(Google Brain)을 한데 묶어 더 강력한 AI 리서치 조직을 꾸리기로 한 것이죠. 유명한 알파고(AlphaGo)를 만든 딥마인드와, 트랜스포머(Transformer) 아키텍처의 산실이라 할 수 있는 구글 브레인이 만난다는 소식에 업계도 들썩였습니다. 통합 배경: 내부적으로 ‘AI 전략에 대한 일관성 부족’ 문제를 해결하고, 인재 유출을 막기 위한 목적이 컸습니다. 두 조직이 따로 움직이기보다, 명확한 목표 아래 협력해야 한다는 공감대가 형성되었습니다. 리더십 변화: 딥마인드 CEO 데미스 하사비스(Demis Hassabis)가 통합 조직을 이끌고, 구글 브레인의 제프 딘(Jeff Dean)은 수석 과학자 역할로 이동했습니다. 내부 마찰: 다만 구글 브레인 측 인력들은 딥마인드가 주도권을 쥐게 되는 통합에 대해 불만을 품었고, 일부는 오픈AI 등 경쟁사로 옮겨 가기도 했습니다. 결과적으로 이렇게 탄생한 통합 AI 조직은 “Gemini 프로젝트”를 최우선 과제로 삼습니다. 그리고 시시 샤오가 주도하던 Bard와 Gemini 간 결합, 나아가 구글의 모든 서비스(검색, Gmail, Docs, YouTube 등)에 AI 기능을 심어넣는 거대한 작업이 시작되었습니다. 드디어 공개된 Gemini 1: 그 빛과 그림자 2023년 12월, 드디어 구글은 Gemini 1을 공개했고, 여기에는 “GPT-4에 못지않다”라는 평가가 따라붙었습니다. 선다 피차이 역시 “구글 역사상 가장 큰 기술 출시 중 하나”라고 자평했을 만큼, 내부의 기대감이 컸죠. 구글은 이 시점부터 Bard를 Gemini로 리브랜딩하고, “AI의 새로운 패러다임을 보여주겠다”라고 선언했습니다. 그러나 AI 세상은 늘 그렇게 간단하지 않습니다. 이미지 생성 기능 논란: 2024년 초, Gemini가 제공한 ‘이미지 생성’ 기능에서 인종 다양성을 지나치게 반영하면서(예: 역사적 인물을 무조건 다양한 인종의 모습으로 그려냄) 사용자 반감이 생겼습니다. AI 윤리 vs DEI(다양성·형평성·포용성): 구글 내부에서는 DEI 정책을 지키려다 보니 AI 결과물의 ‘사실성’이 왜곡된 사례가 발생했고, 이로 인해 이미지 생성 기능을 한동안 중단하기도 했습니다.

요즘 제가 가장 자주 듣는 질문은 단연 이것입니다. 개발자, 디자이너, 기획자, 마케터, 대표 등 지위나 역할을 막론하고, 최근 만나면 모두 “인공지능(AI)이 이렇게 급격하게 발전하는데, 무얼 어떻게 준비해야 할까요?”라는 화두를 꺼냅니다. “새로운 기술이 계속 나오니 따라가야 할 것 같긴 한데, 막상 뭘 해야 할지는 모르겠다”라거나 “괜히 뒤처지면 어쩌나 싶어 무언가를 해야 할 것 같긴 한데, 너무 공포심에 사로잡히는 것도 좀 그렇다”는 식의 이야기 입니다. 물론, 이런 풍경이 이젠 그다지 새로운 이야기는 아닙니다. 2023년부터 본격적으로 폭발한 ‘생성형 AI’ 시대를 지나 2025년에 접어든 지금도, 사람들의 궁금증은 여전히 똑같습니다. 인공지능은 대체 내 일에 어떻게 적용되고, 나는 뭘 공부하거나 대비해야 할까요? 2025년, 더 다채로워진 업무 현장과 사람들 저 개인적으로는 2025년부터 하는 일이 훨씬 다양해졌습니다. 공기업에 제품을 납품하고 기술 자문을 하는가 하면, 대학에서 머신러닝(ML) 강의를 하기도 하고, AI 관련 특강을 위해 전국을 돌아다니기도 하죠. 그러다 보니 정말 폭넓은 사람들을 만나게 됩니다. 나이나 전공, 산업 분야가 저마다 다른 분들이고, 학계에선 학부생부터 박사 과정에 이르기까지 다양한 수준에서 AI를 배우고 활용하려고 합니다. 이렇게 여러 분야의 분들을 만나 대화를 나누다 보면, 공통적으로 느끼는 고민과 열망이 있습니다. “인공지능이 이렇게 중요하다고 하는데, 구체적으로 뭘 해야 할까?”라는 지점이죠. 어떤 분은 프로그래밍 지식이 전혀 없어서 막막해하고, 또 어떤 분은 이미 프로그래밍은 잘하지만 이제 ‘모델을 공부해야 하나, 데이터 사이언스부터 시작해야 하나’ 고민합니다. 그리고 마케터나 기획자, 경영진의 경우엔, “도대체 우리 회사가 AI를 어느 부분에 적용해서 성과를 낼 수 있을까?”를 가장 궁금해하시죠. 스마트폰의 보급 vs. AI의 보급 저는 2010년에 처음으로 스마트폰(아이폰 3GS)을 손에 넣었습니다. 그 전까지는 ‘핸드폰은 공부에 집중을 해치는 존재’라는 부모님 생각 덕에, 고등학생 시절엔 휴대폰 자체를 잘 쓰질 않았거든요. 그런데 대학생이 된 직후, 마침 스마트폰이라는 새로운 물결이 막 시작되었고, 저는 적절한 타이밍에 뛰어들 수 있었죠. 그때 스마트폰은 말 그대로 세상을 송두리째 바꿔 놓았습니다. 2010년 전후로 “모바일의 시대”가 열렸고, 사람들은 급속도로 기기와 앱(애플리케이션)에 적응해 나갔습니다. 그런데 돌아보면 스마트폰 붐 당시엔 기기 자체가 달라도 할 수 있는 기본 기능은 꽤 명확했습니다. 사진 찍기, 전화·메신저, SNS 업로드 정도만 잘해도 이미 꽤 높은 편의성과 가치를 누릴 수 있었죠. 하지만 인공지능의 시대는 조금 다릅니다. AI는 똑같이 ‘기기’를 쥐여준다고 해서 누구나 똑같은 효용을 얻을 수 있는 기술이 아닙니다. 예컨대, 최신 대형 언어모델(LLM)이나 고성능 머신러닝 인프라가 있다 한들, 그걸 제대로 다룰 역량이 없다면 “날씨 물어보기”나 “기사 요약” 정도의 기능에만 그치고 말죠. AI 서비스를 소비하는 입장에서도 단순히 ‘기능 나열’만으로는 큰 매력을 못 느끼게 됩니다. “AI 시대의 격차”는 어디서 오는가? 인프라 vs. 활용 능력 스마트폰은 모두가 손 안에 하나씩 쥘 수 있는 기기가 되면서 ‘보급’ 자체가 관건이었습니다. 하지만 AI는 데이터센터, 클라우드 GPU 등 거대한 인프라가 필요한 기술이고, 일반 개인이 이를 직접 소유·운영하기는 쉽지 않습니다. 대신 요즘엔 클라우드 서비스가 워낙 잘 발달해서, 돈만 내면 바로 AI 모델이나 GPU 자원을 빌릴 수 있게 되었죠. 문제는 “어떻게 활용하느냐”입니다. 스마트폰 시절엔 아무리 신기능이 많아도 ‘카메라’나 ‘통화’ 같은 기초 기능만 잘 써도 충분히 편리했는데, AI의 경우엔 기초 기능만으론 파급력이 그렇게 크지 않을 수 있다는 점이 다릅니다. 사용자 요구의 다변화AI를 활용한 서비스가 점점 다양해지면서, 사람마다 원하는 기능과 목표가 확연히 달라지고 있습니다. 누군가는 이미지 생성 AI를 활용해 디자인 스케치 업무를 단축시키고 싶고, 또 누군가는 데이터 분석 AI를 통해 방대한 엑셀 문서를 효율적으로 요약·추출하는 방안을 찾고 있습니다. “하나의 강력한 모델로 모든 문제를 해결한다”는 일괄적인 접근이 통하지 않는 시대가 되어 가고 있습니다. AI를 활용한 서비스가 점점 다양해지면서, 사람마다 원하는 기능과 목표가 확연히 달라지고 있습니다. 누군가는 이미지 생성 AI를 활용해 디자인 스케치 업무를 단축시키고 싶고, 또 누군가는 데이터 분석 AI를 통해 방대한 엑셀 문서를 효율적으로 요약·추출하는 방안을 찾고 있습니다. “하나의 강력한 모델로 모든 문제를 해결한다”는 일괄적인 접근이 통하지 않는 시대가 되어 가고 있습니다. 더 중요해져 버린 ‘개인의 역량’ 이런 상황을 보면, 앞으로 인공지능 시대는 ‘누가 더 성능 좋은 기기(혹은 모델)를 갖췄느냐’보다 ‘누가 더 창의적이고 효과적으로 AI를 활용할 수 있느냐’에 따라 격차가 생길 것이라 생각됩니다. 예전엔 더 비싼 스마트폰을 사고, 더 빠른 인터넷 환경만 갖추면 어느 정도 ‘우위’를 누릴 수 있었지만, 이제는 그 우위의 축이 바뀌고 있는 것이죠. “AI 에이전트”와 MCP(Model Context Protocol) 이미 2023년에도 화두로 떠올랐던 AI 에이전트나 MCP 개념이 2025년엔 더욱 활발히 논의되고 있습니다. 간단히 말해, 인간이 인공지능에게 여러 ‘도구(tool)’를 연결해 주고, 그 도구들을 어떻게 활용해 문제를 해결할지 지휘·감독하는 역할이 중요해진다는 뜻이죠. 완벽하진 않지만 아래와 같은 형태가 될 수 있습니다. 얼마전까지 있었던 AEO/GEO 같은 개념보다 좀 더 나아간 개념인긴 한데 결국 지금까지 구조나 데이터가 사람이 보기 좋게, 읽기 좋게 만들어졌다면... 이젠 기계가 읽기 좋게 찾기 쉽게 만드는 개념이죠. 예컨대, 챗봇이나 LLM 모델에 추가적인 플러그인(Plugin), API 등을 연결해 줘서 데이터를 조회하거나, 문서를 읽어오거나, 이미지를 생성하게 하고, 이것들을 종합해 유의미한 결과를 얻어내는 흐름입니다. 이때 에이전트를 다루는 사람의 능력이 곧 결과물의 품질을 좌우합니다. 단순히 “날씨 좀 알려줘” 식의 질문이 아닌, “이 데이터를 기반으로 이런 분석을 하고, 그 결과에 맞춰 시각자료까지 자동으로 생성해 줘” 같은 복합적 요구를 얼마나 잘 설계하느냐가 핵심이 되죠. UI/UX의 새로운 방향

역사를 살펴보면, 기술 발전에서 가장 위대한 혁신은 언제나 '단순함'에서 출발했습니다. USB가 수많은 복잡한 전용 포트들을 하나로 통합한 것처럼, 지금 AI 분야에서도 이와 유사한 변화가 일어나고 있습니다. 그 중심에 있는 것이 바로 MCP(Model Context Protocol)입니다. MCP, AI 시대의 'USB-C 포트' MCP는 인공지능 모델과 외부의 데이터 소스 및 도구들을 연결하는 표준화된 프로토콜입니다. 기존에는 AI가 Gmail, Slack, Google Drive, 사내 데이터베이스 등 다양한 데이터 소스와 연결하려면 각각의 API에 맞춰 별도의 통합 방식을 개발해야 했습니다. 이 과정은 마치 서로 다른 열쇠를 사용하는 수많은 문을 각각 관리하는 것처럼 복잡하고 번거로웠습니다. MCP는 이 복잡성을 단숨에 해결해주는 AI 분야의 'USB-C 포트'라고 할 수 있습니다. 단 하나의 표준 프로토콜만으로 수많은 도구와 데이터 소스를 연결할 수 있게 해주는 것이죠. MCP vs 기존 API 방식: 혁신적 차이 기존 API 방식에서는 각각의 데이터 소스마다 서로 다른 인증과 통합 방식을 요구했습니다. 마치 각기 다른 자물쇠에 맞는 열쇠를 매번 제작하는 것처럼 말이죠. 하지만 MCP는 이 모든 것을 간단하게 바꿨습니다. 단일 프로토콜 사용으로 통합 방식 표준화 실시간 양방향 통신을 지원하여 실시간 데이터 동기화 동적 도구 발견 기능을 통해 AI가 자동으로 사용 가능한 도구를 파악 새로운 도구 추가가 '플러그 앤 플레이' 방식으로 매우 간단 일관된 보안 통제 기능 제공 MCP 아키텍처 쉽게 이해하기 마치 노트북에 연결된 USB 허브에 다양한 케이블을 꽂아 여러 디바이스를 동시에 연결하듯, MCP 클라이언트를 통해 AI는 다양한 소스로부터 데이터를 쉽게 가져옵니다. MCP 아키텍처는 다음과 같이 구성됩니다. MCP 호스트(Hosts): Claude Desktop, ChatGPT 등 외부 도구나 데이터에 접근하는 AI 애플리케이션 MCP 클라이언트(Client): AI가 필요한 데이터를 요청하고 MCP 서버와 연결하는 소프트웨어 MCP 서버(Server): Gmail, Slack, 로컬 파일 시스템 등 특정 데이터 소스를 MCP를 통해 노출하는 서버 로컬 데이터 소스(Local) 및 원격 서비스(Remote): MCP 서버가 실제 접근하는 데이터 저장소와 외부 서비스들 실제 비즈니스 사례로 보는 MCP의 위력 MCP의 가치는 실제 사용 시나리오를 통해 더욱 명확히 드러납니다. 여행 계획 어시스턴트: 캘린더 일정 확인, 이메일 발송, 항공권 예약 등을 MCP 하나로 통합하여 실시간 관리 가능

최근 들어 “인공지능(AI) 대국으로 가겠다”는 정치권의 이벤트성 선언이 잇달아 나오고 있는데요. 막상 현장에선 “그냥 구호로 그칠 게 아니라, 지금 당장 손봐야 할 인프라가 너무 많다”는 탄식이 나옵니다. 실상 우리의 전력 상황과 에너지 인프라는 여전히 한계에 부딪혀 있기 때문이죠. 오늘은 그중에서도 데이터센터 분산과 지방 전력 인프라에 관한 이야기를 나눠볼까 합니다. 사실 전력 문제는 이미 몇 년 전부터 꾸준히 지적되어 온 이슈이기도 한데요. 최근 뜨거운 화두로 떠오른 ‘인공지능(AI)’과 맞물려, 이제는 더 이상 미룰 수 없는 과제로 급부상한 것 같습니다. 수도권 전력 부족, 지방 전력 남는다? 우선 지난 수년간 통계를 보면, 수도권은 이미 전력이 부족하고 지방은 반대로 전력이 남아도는 기형적인 상태가 계속되고 있죠. 한국전력 통계에 따르면 2022년 기준 서울의 전력 자립률은 8.9%에 불과합니다. 하지만 충남(214.5%), 강원(195.5%), 부산(216.7%) 등 지방 곳곳은 과잉 수준으로 전력이 남고 있습니다. 게다가 앞으로 AI 산업이 본격화되면, 각종 데이터센터나 연구 시설이 더 많이 들어설 텐데, 이들 시설은 막대한 전기를 소모합니다. 이미 몇몇 주요 기업의 IDC(Internet Data Center)나 대학·연구기관이 수도권에 몰려 있는데, 수도권 전력은 이미 한계치에 가깝다는 신호가 들리는 상황입니다. 구분 2017 2018 2019 2020 2021 1위 서울대학교 서울대학교 서울대학교 서울대학교 서울대학교 2위 KT 목동IDC KT 목동IDC LG 가산 IDC LG 사이언스파크(EAST)

<에반게리온>의 AT필드, <주술회전>의 영역전개, <타입문 시리즈>의 고유결계. 이들을 처음 접한 사람이라면 대개 “멋진 판타지 설정” 정도로 넘길지도 모르겠다. 그러나 조금만 곱씹어 보면, 각각이 ‘자신의 세계(자아)’를 보호하기 위한 절대적 장벽을 의미한다는 사실을 알 수 있다. <에반게리온>에서 AT필드는 ‘마음의 벽’을 상징하며, 영역전개나 고유결계 역시 그 사용자 개인의 신념이나 가치관을 극단적인 공간으로 구현해 낸다. 그래서 이 장치들은 교감과 소통이 어려운 상황, 즉 ‘분열’을 은유적으로 보여 준다. 그리고 이 은유는 비단 애니나 게임 속 이야기만은 아니다. 우리는 일상의 디지털 환경과 정치·사회 분야에서도, 저마다의 결계를 확고히 지키려는 모습 속에서 깊은 ‘분열’을 목격한다 어릴때 에반게리온을 처음 보고 매우 충격을 먹었었다. 개성 넘치는 캐릭터, 연출, 알면 알 수록 깊이 있는 내용까지... 결말 부에 이르러선 이해와 사랑 그리고 융화라는 것에 대해 고민해 보게 되며 더 나아가선 전체주의와 개인주의에 대한 생각까지 들게 만들어준 작품이다. 에반게리온은 결국 "인류보완계획"이라는 거창한 이름 앞에 그냥 사람들을 하나로 만들어 버린다. 중간에 누군가가 깽판을 치긴 하지만 많이들 본 그 오랜지 쥬스 같은 장면이 바로 그것이다. 우리가 흔히 원나블이라 부르던 <원피스>, <블리치>, <나루토>와 뿌리격인 <드래곤볼>은 '선택 받은 자'가 자신의 소명과 힘을 깨닫고 그것에 부합하는 목적 혹은 악의 처단을 위해 부단히 노력하는 왕도의 이야기 흐름을 가지고 있었고 있는 많은 사람들을 꿈꾸게 하고 두근 거리게 하였다. 그러게 수년이 흐르고 <원펀맨>, <귀멸의칼날>, <체인소맨>, <주술회전> 등 최근 유행하는 작품들을 보면 수련하는 장면이 무척 간단하거나 빠르게 넘어간다. 어찌 보면 이 부분은 지루하기도 하고 결국 사람들은 엄청 강한 존재가 맞붙거나 치열한 갈등을 보고 싶어하니 자연스럽게 이런 이야기들이 관심을 갖게 된 것도 있을 것이다. 사실, 내가 흥미를 느낀 것은 최근 유행하는 작품들은 상대를 자신의 공간(철학/자아/신념)에 끌여들여 싸운다는 것이다. 이는 옛날에 마이너한 취급을 받았던 타입문 시리즈에 나오는 고유결계와 비슷하다. 이는 기존에 상대의 공간에 뛰어들어 융화 되거나 자리 잡는 것과는 다소 다른 접근이다. 분열의 시대를 확인하다 이처럼 강력한 마음의 장벽이 현실 세계에도 드리워졌다고 느끼는 건, 결코 과장이 아니다. 상대방의 의견을 들으려 하지 않고, 다름을 한 번에 단정 지으려는 흐름이 곳곳에서 발견된다. 클릭 몇 번으로 나와 비슷한 생각만 보여 주는 유튜브·SNS 알고리즘은 일종의 ‘현실판 AT필드’가 되어, 다른 정보나 관점의 침투를 차단한다. 마치 영역전개 속 적을 가둬 놓고, 압도적인 논리나 감정으로 밀어붙이는 것처럼, 자기만의 세계관에 틀어박혀 상대를 “이해할 필요가 없는 존재”로 간주해 버리기 쉽다. 이런 디지털 환경 탓에 대화의 접점은 줄어들고, 분열이 깊어질수록 우리는 애니의 상징처럼 고립된 ‘장벽 속’에 스스로를 가둬 둔다. 개인적 삶과 사회적 위험 마음의 장벽이나 고유결계를 치고 사는 건, 어쩌면 편안해 보인다. 상처받을 일도 적고, 내 생각이 늘 옳다는 확신에 젖어 지낼 수 있으니 말이다. 그러나 장벽이 높아지는 만큼, 공동체가 유지해 온 신뢰는 빠르게 사라진다. “상대가 공격해 들어올 것”이라는 두려움이 증폭되면서, 서로가 가진 최소한의 안전감조차 깨져 버린다. 최근 슈퍼볼 공연에서 던져진 사회·정치적 메시지나, 한국의 유튜브 댓글창에서 벌어지는 이념 충돌은 이미 이러한 분열이 일상화되었음을 여실히 보여 준다. 이분법적 갈등은 공론장 곳곳에 틈을 만들어, 개인과 사회의 기반을 동시에 흔든다. 강력한 공권력의 필요성과 신중함 이쯤 되면 “법과 제도가 나서야 하지 않겠는가?” 하는 목소리가 자연스럽게 나온다. 가짜뉴스나 악의적 왜곡 정보를 통해, 의도적으로 사회를 혼란에 빠뜨리는 행위는 엄정하게 처벌해야 한다. 에반게리온에서 사도가 침입해 세계를 위협하듯, 현실에서도 검증되지 않은 음모론과 선동은 민주주의의 기반을 침식하기 때문이다. 이를 제어하기 위해서는 국가의 공권력이 강력하게 행사될 필요가 있다. 다만, 고유결계나 영역전개를 억지로 깨려다 보면, 표현의 자유까지 침해할 위험이 도사린다. 만약 공권력이 특정 이념에 치우치거나 투명성을 잃으면, 결국 또 다른 갈등을 야기해 분열의 골을 더욱 깊게 만들 뿐이다. 여기서 오해하는게 공권력 강화가 무슨 백골단이니 전경이니 하는 것의 부활을 말하는 것이 아니다. 사회적 존중과 신뢰이다. 애초에 경찰을 짭새니 견찰이니 하는 것도 그렇고 검찰을 떡검이라 부르고, 판사 신상을 파헤치는 등 하는 것들이 반복되면 누가 그 자리에 앉고 싶어하겠나. 우수한 인력이 중요한 자리를 피하면 그 자리에는 누가 가겠는가? 가짜뉴스를 넘어서는 개인의 태도 어떤 제도든, 개인의 ‘마음의 장벽’을 무너뜨리는 힘은 제한적일 수밖에 없다. 진짜 문제는 우리가 이미 자기 결계 속에서 편향된 정보만 소비하고, 타인을 이해하려는 노력조차 하지 않는다는 데 있다. 그렇기에 각자에게는 공적인 절차나 법적 처벌 이전에, 최소한의 ‘경청’과 ‘대화’ 태도가 필요하다. 타인의 생각이 내 기준으로 볼 때 황당하거나 불쾌하게 느껴지더라도, “왜 이런 결론에 이르렀을까?”라는 질문을 거쳐 보는 습관이 중요하다. 무조건 수용하자는 뜻이 아니라, 그 세계관을 이해하는 시도를 먼저 해 보자는 것이다. 그렇게 해야 혐오와 배제 대신 논박과 검증의 과정을 거칠 수 있고, 특히 지금 처럼 가짜뉴스가 판치는 공동체가 아닌, 자정 능력이 살아 있는 공동체로 거듭날 수 있다. 물론, 이 과정은 매우 신경을 많이 써야한다. 시간도 많이 걸릴 것이다. 사화적으로 합의된 것들을 우리는 보통 믿고 넘어간다. 가령 의사가 무엇이 아프다하면 그렇구나 하고 넘어가고, 신문에 무언가가 실리면 그런 일이 있었구나 한다. 어떤 교수가 해당 분야에 대해 이야기를 하면 전문가구나 하고 경청하고, 판사가 최종 3심 판결을 내리면 받아 그려야 한다. 하지만 이건 어디까지나 신뢰자본이 풍부한 사회에서 가능한 것이다. 신뢰자본이 무너지면 우리는 이런 의심을 갖게 된다. "저 의사가 지금 나에게 과잉 진료하는 거 아니야?", "저 기사가 사실 편향적이고 조작된 거 아니야?", "저 교수 진짜 전문가 맞아?", "저 판사 출신이 어디라던데 지역감정에 휩쓸린거 아니야?" 이런 식으로 말이다. 이런 접근은 결국 법치주의고 뭐고 사회 전체를 흔드는 시작이다. 이게 내가 가짜와 혹세무민을 경계해야 한다고 늘 말하는 것이다. 주변에 누가 이런 짓을 한다면 말리거나 멀리해야한다. 그렇다면 사회는? 분열로 치닫는 오늘날의 사회를 보면, 한 발짝 물러서 각자만의 결계를 더 튼튼히 치고 싶어질지도 모른다. 그 편이 갈등도 적고, 더 편안해 보이니까. 그러나 국가 단위로 보면, 그렇게 사방이 쪼개진 채 고유결계만 튼튼해진 세상은 더 큰 불안과 혼돈을 부를 것이다. 미국·일본 등 선진국은 적어도 국가적 핵심 현안에서는 여야를 초월해 협상하거나, 정책을 이어 가는 틀이 잡혀 있다. 평소에 상대 정당이였다 하더라도 국익을 위해 원팀이 되는 것이다. 한국의 경우에는 사법부와 행정부가 정치적 이해관계와 섞여 날카롭게 대치하고, 이념이나 정파에 따라 국론이 엇갈릴 때마다, 사회 체제가 흔들릴 정도의 분쟁이 벌어지는 경우가 잦았다. 그런 상황을 반복한다면, 결국엔 나라 전체가 지리멸렬해질 뿐이다. 우리가 잊지 말아야 할 것 AT필드나 고유결계가 멋있는 설정인 것처럼, 자기 신념을 강력히 수호하는 모습은 한편으로 매력적이기도 하다. 그러나 에반게리온도, 주술회전도, 페이트 시리즈도 늘 말해 왔다. “이 영역 안에 들어온 타인을 무조건 배제하거나 파괴하는 일만으로 진짜 해답에 닿을 수 있을까?”라는 질문을 던지는 것이다. 분열은 때때로 진보를 위한 에너지를 만들 수도 있지만, 지금처럼 파편화가 극단으로 치닫는 현상은 많은 것을 파괴할 뿐이라는 사실도 잊지 말아야 한다. 만화, 애니메이션에서 해당 문제를 해결하는 방법은 간단하다 상대의 AT필드를 찢거나, 고유결계를 펼친 시전자를 죽이거나, 영역전개를 시전한 이 보다 강한 영역을 가지고 있으면 된다. 그리고 상대는 죽음에 이르거나 치명상을 입는다. 선악구도가 비교적 명확하고 죽음에 관대한 창작물이기에 멋지고 재밌는 설정이지만, 이게 현실이 되어가는 것 같아 두려운 요즘이다. 중요한 순간이라서 그래... 가령, 지금 대통령 탄핵이 인용이 되던, 기각이 되던 과연 반대 진영에서 가만히 있을까? 어떤 결정이 나던 그게 폭동이던 소요 등의 사태가 재발 하거나 다시 한 번 우리는 국론이 크게 분열되어 서로가 서로의 바지를 끌어 당기는 상황을 반복할 것이다. 그리고 지금은 전세계가 치열하게 경쟁하는 몇 안되는 뛰어 나갈 수 있는 인코스 구간이다.

필자는 소프트웨어개발, 금융, 제조분야에 대해서만 경험이 있고 타 분야의 경험이 없어 한정된 시선일 수 있다는 것을 감안하고 읽어주시길 바랍니다. 1. 반도체특별법(주 52시간제 예외) 논의의 배경 “글로벌 기술경쟁력 위해 장시간 몰입이 필요하다” 경영계/보수적 시각: 반도체 산업은 글로벌 초격차를 유지해야 하므로, 연구개발(R&D) 단계에서 장시간 몰입이 불가피하다고 주장합니다. “해외 경쟁사들은 필요한 시점에 밤샘 연구나 ‘TF’식 프로젝트 수행으로 속도전을 펼친다”는 근거를 제시하면서, 한국도 적어도 R&D 인력만큼은 52시간 상한을 풀어 유연하게 운용해야 한다고 말합니다. “특히 반도체처럼 미세공정 경쟁, 생산라인 최적화, 설계 테스트 등을 반복해야 하는 업종은 한 주간 집중적으로 몰아붙여야 할 때가 많다”는 논리입니다. “근로시간 늘린다고 창의적 혁신이 나오진 않는다” 노동계·일부 전문가: 반면, “창의성이나 혁신은 ‘시간’보다 업무 효율, 몰입의 질, 조직문화에서 나온다”고 지적합니다. 이미 삼성전자 반도체 출신 전문가(박준영 소장 인터뷰)도 “장시간 노동으로는 오히려 소진(번아웃)과 인재 유출만 가속화할 뿐이며, 업무 배분과 효율성 제고가 중요하다”고 강조했습니다. SK하이닉스가 삼성전자보다 훨씬 적게 특별연장근로를 신청해왔지만, 최근 일부 기술 분야에서 삼성전자를 추월하는 사례 등을 들어, “노동시간과 반도체 경쟁력은 직접적 연관이 적다”는 반론도 제시합니다. 2. “근면성실함 vs. 효율적·창의적 근무”라는 오래된 논쟁 “한국인은 옛날만큼 열심히 일하지 않는다”는 우려 일부 벤처투자자(VC)나 창업자들 사이에서는 “요즘 스타트업 직원들이 일주일에 52시간은커녕 40시간도 제대로 안 채운다”, “평일 저녁 사무실 불 켜진 곳이 거의 없다” 등 ‘게으름’ 논란이 종종 제기됩니다. “스타트업은 기울어진 운동장에서 출발하기 때문에, 효율적으로 일하는 건 당연하고 시간도 절대적으로 많이 투입해야 한다”는 주장입니다. 즉, 작은 조직이 단기간에 성과를 내려면 장시간·고강도 근무가 불가피하다는 논리죠. “장시간이 답은 아니다. 효율과 몰입의 문화가 관건” 반대쪽에서는 “장시간 노동=생산성”이라는 등식 자체가 낡은 패러다임이라고 봅니다. “장시간 근무는 창의적 아이디어와 높은 집중력을 오히려 방해하고, 번아웃을 일으켜 조직 전체 성과도 떨어진다”는 연구 결과가 많습니다. “스타트업이라 해도 기본적으로는 성과 중심의 스마트 워크가 정착되어야 한다. 단순히 오래 앉아있다고 성공 확률이 올라가는 건 아니다”라는 지적도 나옵니다. 3. “52시간제 완화가 정말 답인가?”를 둘러싼 다양한 시각 기업·정부 측 주장 요약 반도체, 배터리, 바이오 등 첨단R&D 분야에서는 특정 시기에 몰아붙이는 것이 중요하므로, 52시간 상한을 예외 적용하자.

TL;DR 시장에 존재하는 과도한 공포나 “패권 상실”이라는 식의 극단적 서사는 무엇보다 AI 생태계의 ‘복합적 현실’을 간과하고 있습니다. 중국이 내놓는 모델들의 가성비와 새로운 접근에서 배울 점은 많고, 미국이 앞서가고 있는 초거대 모델 연구와 컴퓨팅 인프라 역시 무시할 수 없습니다. 결국 기술적·사업적 융합이 지속되면서, 양국의 AI 경쟁력이 함께 성장할 가능성도 있습니다. 사실에 근거한 균형 잡힌 이해가 필요하다는 점을 강조하고 싶습니다. “중국의 AI 패권이 미국을 넘어섰다”는 주장은 지나친 과장 중국은 일찍부터 AI 역량을 보유해 왔으나, 미국 빅테크(OpenAI, Meta, Google, xAI 등)도 세계적으로 독보적인 연구개발 인프라와 다양한 AI 생태계를 갖추고 있습니다. 자율주행, 컴퓨터 비전, 영상 AI 등에서 중국 기업이 빠르게 따라붙고 있으며 DeepSeek 같은 스타트업도 혁신적인 모델을 내놓은 것은 사실입니다. 그러나 이는 “미국이 뒤처진다”거나 “패권이 완전히 이동한다”*고 단정할 근거가 되지는 않습니다. 예컨대, GPT-4o/o1나 Gemini, LLaMA3.2 등은 여전히 높은 성능을 유지하며 전 세계적으로 사용·실험되고 있습니다. 애초에 DeepSeek도 Pytorch나 LLaMA 등 Meta의 오픈소스 정책에서 수혜를 받았습니다. 실제로 Meta나 xAI 등도 Meta AI, Grok과 같은 유의미한 성능을 가진 모델과 서비스를 냈는데 뭔가 이렇게 화제가 되는 모델의 기준이 무엇인지도 궁금합니다. 결론: 중국이 AI 분야에서 계속 강력한 경쟁력을 보여주고 있지만, 이는 미·중 간 경쟁 구도가 더 치열해졌음을 의미하지, 한쪽이 일방적으로 이긴다는 의미는 아닙니다. “빅테크의 천문학적 투자(capex)는 낭비”라는 주장도 단순화된 시각 미국 빅테크들이 대규모 자본 투자를 통해 쌓아온 HPC(High-Performance Computing) 인프라, 클라우드 생태계, GPU 대량 보유 등은 초거대 모델 트레이닝과 전 세계 서비스 확장을 가능케 했습니다. DeepSeek, Qwen, TONGYI 등의 모델이 상대적으로 적은 비용으로도 충분한 성능을 낼 수 있게 된 것은 사실이나, 이는 다양한 최적화 전략(MoE, RL, Distillation 등)을 활용했기 때문입니다. 오픈소스 모델과 결합하거나 LoRA(Low-Rank Adaptation)와 같은 기법을 통해 추가적인 파인튜닝을 빠르게 적용할 수도 있습니다. 사실 23년부터 꾸준히 중국 인공지능에 대해 강조했는데 별로 관심을 못 받았습니다. 재밌는 것은 3blocks에서도 제일 인기 많은 모델 LLaMA 계열인데 저는 Qwen을 밀었는데 중국 모델이라는 이유로 선택을 많이 못 받았습니다. 저희 3blocks는 Local에 설치하는 폐쇄형 모델만 공급하는데도 말이죠. 대규모 투자 자체가 ‘낭비’였다고 볼 수 없고, 다른 접근법들도 점차 속속 등장하며 “투자 효율”이 높아지는 흐름 속에서 각 기업들이 서로 다른 방식으로 경쟁을 이어가는 것입니다. 결론: 수십억 달러 이상의 투자로 쌓아 온 미국 빅테크의 리소스와 노하우는 여전히 유효합니다. “중국이 더 적은 비용으로 해냈으니 미국 투자는 다 낭비”라는 식의 이분법은 과도한 해석입니다. “스케일링 법칙은 틀렸고, 다른 방법이 대세”라는 말 오도에 가까움

말장난이 자주 일어나는 기술 분야에서는, 듣기에 따라 전혀 다른 의미가 전달되곤 한다. 이는 복잡한 기술적 개념이 짧은 문장으로 압축되어 전해질 때 더욱 극명해진다. 기술 자체가 가진 함의나 배경 맥락은 간과된 채, 자극적인 표현만 부각되면 독자의 오해를 부추기고 불필요한 공포까지 조장한다. 이런 상황이 반복되다 보면 독자는 사실을 왜곡된 형태로 받아들이고, 잘못된 투자나 의사결정을 내리게 될 위험이 커진다. 마크 주커버그의 AI 발언은 대표적인 사례인데 그는 2025년이면 기업들이 중급 엔지니어 역할을 수행할 수 있는 AI를 보유하게 될 것이라고 내다보았다. 코드를 작성하고 효율적으로 운영하는 과정에서 AI가 큰 역할을 할 수 있다는 의미였다. 나아가 이를 통해 인간은 더 창의적이고 실험적인 영역에 집중할 자유를 얻을 것이라고 덧붙였다. 그러나 일부 매체는 이를 ‘AI가 인간을 대체한다’는 공포 중심의 메시지로 바꾸어 전해버렸다. 발언의 정확한 맥락을 외면한 채 “인간 엔지니어가 곧 일자리를 잃는다”는 식으로 보도하니, 독자 입장에서는 AI에 대한 과도한 위기감을 품게 될 수밖에 없다. 조 로건 팟캐스트 원본은 2시간 50분에 달하고 자극적인 헤드라인을 읽는 것은 2.5초 정도 밖에 안걸릴테니... 그럴 순 있지만... 양자 컴퓨팅 분야에서도 비슷한 왜곡과 과장이 벌어졌다. 큐비트나 구글의 양자칩 윌로우처럼 분명 의미 있는 연구 성과가 있었지만, 이것이 곧장 상용화나 범용성을 의미하는 것은 아니다. 그럼에도 빠른 시일 내에 거대한 성과가 나타날 것처럼 전망이 부풀려지자, 투자자들은 검증되지 않은 기업에까지 몰려들었다. 한편 기술력을 실제로 보유한 대기업보다, 시가총액이나 매출이 빈약한 기업의 주가가 출렁이는 이상 현상까지 일어났다. 결국 많은 사람이 손실을 입었고, 정작 기술 발전에 관한 올바른 이해는 뒷전으로 밀려났다. 테마주로서 양자 관련주를 바라본 사람들도 있겠지만 지금 당장 유튜브나 각종 포탈에 양자 컴퓨팅 관련 주식을 찾아보면 교묘하게 과학, 정보성 기사 형태로 언급한 곳이 매우 매우 많다. (유명한 유튜브 채널을 운영하는 누구는 책을 냈던데 그는 물리학에 대한 기초적 지식도 없고 양자 더 나아가 양자 컴퓨팅이 뭔지도 제대로 이해하지 못했다.) 이 과정에서 간과해서는 안 될 점은 정보 전달자의 책임이다. 책임이라 함은 법적인 처벌로 귀결되어야 한다는 의미가 아니다. 오히려 자기 언급에 대한 인정과 수용의 책임에 가깝다. 즉, 자신이 잘못된 해석을 하거나 혹은 무리하게 정보를 확신에 차서 전달했다면, 왜 그런 결론에 도달했는지, 왜 그렇게 보도했는지 명확히 밝혀야 한다. 여기에는 자신의 판단 오류를 솔직하게 인정하는 자세가 필수적이다. 누군가가 만든 정보를 옮기는 입장이라면, 원문에 충실했는지, 맥락을 왜곡하지 않았는지 면밀히 점검해야 한다. 만약 이미 잘못 전달된 부분이 있다면 그 사실을 알리고 바로잡는 과정을 거치는 것이 독자에 대한 도리일 것이다. 아는 것만 말을 하던지 틀렸으면 인정을 하고 널리 알리던지가 되어야 하는데 이걸 하는 경우를 잘 못 봤다. 안그런 사람도 유명해지거나 어느 순간 부턴 바뀌더라. 정보를 수용하는 입장에서도 자신의 돈, 시간, 에너지를 쓰게 된다면 한 번씩 원문을 찾아보길 바란다. 몰론 이것은 매우 어려운 일이다. 모두가 이게 잘되면 애초에 이런 말장난을 하는 애들 자체가 적겠으나... 늘 하는 말이지만 대부분의 사람들은 글을 읽지 않고 찾아보고 싶지 않아한다. 저런 말장난을 치는 이들이 많아지면 생기는 가장 큰 문제는 사기 피해자가 늘어난다는 것이 아니라 사회 구성원들이 서로를 의심하게된다. 더 나아가 매체에서 나오는 정보를 대부분 믿지 않게 된다. 이렇게 되면 결국 사회결속 더 나아가서 사회적 신뢰를 유지하는 비용만 늘어난다. 이게 무슨 낭비이고 누굴 위한 행태일까? 결국, 말, 글이라는 것은 그 자체로서 큰 힘을 지닌다. 기술 분야처럼 복잡하고 전문적인 영역일수록, 말의 맥락을 제대로 파악하지 못하면 심각한 정보 왜곡으로 번지기 쉽다. 독자는 확인을 게을리하지 않음으로써 스스로를 지켜야 하고, 정보 전달자는 자신의 발언을 점검하고 책임질 줄 알아야 한다. 이를 통해 우리는 말장난과 왜곡의 파도를 잠재우고, 기술 발전이 주는 진짜 의미와 가치를 더욱 명료하게 마주할 수 있다.