지난 9월 13일, 알바니아에서 역사적인 일이 벌어졌습니다. 에디 라마(Edi Rama) 총리가 세계 최초로 인공지능 '장관'을 내각에 임명한 것입니다. '딜레라(Diella)'라는 이름의 이 AI는 알바니아어로 '태양'을 의미하며, 정부 조달 과정에서 부패를 100% 차단하겠다는 야심찬 목표를 가지고 있습니다. 과연 이것은 정부 투명성의 새로운 전환점일까요, 아니면 정치적 쇼에 불과할까요? 오늘은 이 흥미진진한 실험의 실체와 가능성, 그리고 한계에 대해 깊이 파헤쳐보겠습니다. 딜레라, 부패와 맞서는 디지털 태양 딜레라는 전통 알바니아 의상을 입은 여성의 모습으로 디자인되었으며, 마이크로소프트와의 협력으로 개발되었습니다. 올해 1월부터 e-Albania 플랫폼에서 가상 비서로 활동해온 딜레라는 이미 36,600개의 디지털 문서 발급을 지원하고 약 1,000개의 서비스를 제공하며 시민들과의 접점을 쌓아왔습니다. 라마 총리는 "딜레라는 물리적으로 존재하지 않지만 인공지능에 의해 가상으로 창조된 최초의 내각 구성원"이라고 선언했습니다. 더 나아가 "공공 입찰이 100% 부패 없이 진행되고, 입찰 과정에 제출되는 모든 공공 자금이 완벽하게 투명하게 관리될 것"이라고 약속했습니다. 이런 혁신적 시도가 나온 배경에는 알바니아의 절실한 현실이 있습니다. 알바니아는 국제투명성기구의 2024년 부패인식지수에서 180개국 중 80위를 기록했고, 1990년 공산 정권 붕괴 이후 조직범죄와 부패 척결이 지속적인 과제로 남아있습니다. 특히 EU 가입을 위해서는 부패 척결이 핵심 조건 중 하나죠. 라마 총리의 사회당은 2027년까지 EU 가입 협상을 완료하겠다고 공약했지만, 야당은 여전히 준비가 부족하다며 회의적인 반응을 보이고 있습니다. AI 반부패 기술의 글로벌 트렌드 세계가 주목하는 AI의 반부패 잠재력 알바니아의 실험이 돌출적인 것처럼 보이지만, 실제로는 전 세계적인 트렌드의 연장선에 있습니다. 세계은행은 마이크로소프트 연구팀과 협력하여 AI가 부패를 조기에 예방하고 완화할 수 있는 방법을 연구하고 있습니다. 정부가 연간 구매하는 상품과 서비스의 규모는 무려 10조 달러에 달하며, 이는 전 세계 GDP의 10-25%에 해당합니다. 이렇게 거대한 규모의 공공 조달 과정에서 부패가 발생할 가능성을 생각해보면, AI의 역할이 얼마나 중요한지 알 수 있습니다. 성공 사례들, 그리고 교훈들 우크라이나의 ProZorro 시스템은 AI 기반 반부패 기술의 대표적 성공 사례입니다. 2016년 출시된 이 전자조달 시스템은 국제기구, 기업, 시민사회와의 파트너십을 통해 AI 모니터링 시스템으로 발전하여 공공 조달 데이터의 위반 사항을 탐지하고 공적 자금의 오용을 방지하고 있습니다. 하지만 모든 시도가 성공적이지는 않았습니다. 중국의 Zero Trust 프로그램은 공무원들의 비정상적인 금융 거래를 탐지하여 8,700명 이상의 공무원을 적발했지만, 프라이버시와 감시에 대한 우려로 인해 관료들의 대규모 저항에 직면하여 결국 중단되었습니다. 딜레라의 실제 작동 방식과 한계 '뇌물을 받을 수 없는' AI의 논리 딜레라의 핵심 아이디어는 단순하면서도 강력합니다. AI는 뇌물을 받을 수 없고, 개인적 이해관계가 없으며, 24시간 지치지 않고 일할 수 있다는 것이죠. 공공 입찰 결정권을 정부 부처에서 단계적으로 AI로 이관함으로써 인간의 개입 여지를 최소화하겠다는 전략입니다. 그런데 여기서 중요한 질문이 생깁니다. AI는 정말 완전히 중립적일 수 있을까요? 알고리즘 편향성의 함정 브라질의 마라(Mara) 시스템 사례는 AI 반부패 도구의 한계를 잘 보여줍니다. 마라는 이전에 부패로 적발되어 처벌받은 공무원들의 데이터만을 학습해서 패턴을 분석하기 때문에, 발각되지 않은 부패 행위는 제외되고 내부 감시가 강한 기관의 공무원들에게 편향된 결과를 보일 수 있다는 비판을 받았습니다.

스마트폰을 대체할 AI 안경이 마침내 현실이 되다 "이건 단순히 얼굴에 휴대폰을 붙이는 것이 아니에요. 이건 여러분의 일상 업무를 빠르게 처리하면서도 흐름을 깨뜨리지 않도록 도와주는 것입니다." 2025년 9월 17일, 메타 커넥트(Meta Connect) 2025에서 마크 주커버그가 무대에 올라 메타 레이밴 디스플레이(Meta Ray-Ban Display)를 선보였을 때, 그의 이 말은 단순한 제품 소개를 넘어선 의미를 담고 있었습니다. 이것은 메타가 지난 10년간 투자해온 1000억 달러 규모의 XR(확장현실) 비전이 마침내 구체적인 형태를 갖춘 순간이었습니다. 이상하게 국내에선 메타가 여는 컨퍼런스에 관심이 잘 없는것 같습니다. 라마콘때도 그렇고... 혁신의 핵심: 보이지 않는 입력, 무한한 가능성 메타 레이밴 디스플레이의 가장 놀라운 특징은 함께 제공되는 메타 뉴럴 밴드(Meta Neural Band)입니다. 이 손목 착용형 기기는 근육 활동으로 생성되는 신호를 안경 제어 명령으로 변환하는 EMG 손목밴드로, 사용자가 안경을 만지거나 스마트폰을 꺼내지 않고도 미묘한 손동작만으로 기기를 제어할 수 있게 해줍니다. EMG(근전도) 기술이란? EMG는 Electromyography의 줄임말로, 골격근에서 생성되는 전기적 활동을 평가하고 기록하는 기술입니다. EMG는 손목을 통해 손으로 이동하는 전기 운동 신경 신호를 센서를 사용해 디지털 명령으로 변환하며, 손목을 통한 신호가 너무 명확해서 EMG는 단 1밀리미터의 손가락 움직임도 이해할 수 있습니다. 메타가 이 기술에 투자한 이유는 명확합니다. 메타 뉴럴 밴드는 거의 200,000명의 연구 참가자와 함께 수년간의 표면 근전도(EMG) 연구의 산물밴드가 감지할 수 있는 신호의 양이 놀라울 정도로 많아서, 시각적으로 인지되기 전의 움직임까지도 측정할 수 있는 정밀도를 갖추고 있다는 것입니다. 기술적 돌파구: 42픽셀의 마법 메타 레이밴 디스플레이는 단순한 스마트 안경을 넘어선 기술적 성취를 보여줍니다. HUD는 풀컬러이며 시야각의 각 도당 42픽셀을 지원합니다 - 이는 20픽셀의 메타 퀘스트 3S와 비교됩니다. 이는 정말 놀라운 수치입니다. 업계 표준으로 볼 때, 시야각당 42픽셀을 초과하는 유일한 웨이브가이드 기기는 더 이상 상업적으로 판매되지 않는 거대한 헤드셋뿐입니다. 메타가 이 수준의 픽셀 밀도를 일반 안경 형태로 구현한 것은 그야말로 엔지니어링의 승리라고 할 수 있습니다. 주커버그의 10년 비전: 메타버스에서 AI 안경까지 세 가지 카테고리의 AI 안경 전략 메타는 현재 AI 안경 시장을 세 가지 카테고리로 구분하고 있습니다: 카메라 AI 안경: 레이밴과 오클리 브랜드의 기존 제품군 디스플레이 AI 안경: 오늘 발표된 메타 레이밴 디스플레이 증강현실 안경: 작년 선보인 오리온(Orion) 프로토타입과 같은 대형 홀로그래픽 디스플레이 이러한 단계적 접근은 메타의 장기적 전략을 보여줍니다. "다음 5-10년이 주커버그의 큰 도박이 성과를 거둘지를 결정할 것입니다. 그 기간 동안 AI와 AR 안경이 다음 큰 컴퓨팅 플랫폼이 될지, 그리고 메타가 그것을 지배할 수 있을지가 결정될 것 같습니다". 2025년: 메타버스의 중요한 해 메타의 CTO 앤드류 보스워스는 유출된 메모에서 2025년이 한때 헤드라인과 상상력을 사로잡았던 기술뿐만 아니라 리얼리티 랩스 전체에게도 탁월한 해가 될 것이라고 밝혔습니다. 그는 이를 더욱 구체적으로 표현했습니다: "리얼리티 랩스에서 8년간 일한 중 가장 중요한 해"라고 말입니다.

최근 Vercel과 Gamma 등이 가격을 월 $5 정도 올렸습니다. 이는 기존 비용의 25%를 늘린 것 입니다. 이와 유사하게 Notion 역시 실제로 가격을 올립니다. Adobe도 물론이구요. 이는 기능이 추가 되어서, 대체제가 없어서 이기도 하지만 나름 몇가지 조건이 갖춰 졌을 때 시행되는 것 입니다. 가격을 올리면 당연하게도 고객은 감소합니다. 단기적으로는 거의 무조건 적으로 감소합니다. 하지만 그럼에도 불구하고 SaaS 서비스들을 가격을 올립니다. 이 조건을 모르면 가격 정책에서 바보 같은 짓을 반복 할 수 밖에 없습니다. 최근 다양한 SaaS 혹은 Product 일을 도우면서 느끼는 건데 이걸 왜 그렇게 하는지 모르는 사람이 매우 매우 많다는 것에 놀랐습니다. 심지어 이유를 물어보았을 때 경쟁사가 얼마니까 우리는 그것보다 싸게 얼마라는 식의 접근도 보았습니다. 이걸 굳이 알려줘야 하나 할 정도로 뻔한데 도대체 가격을 어떤 식으로 산정하시나요? 마진 고정 유형(일명 Cost-Plus) 가장 단순합니다. 원가(클라우드/인건비/서드파티 API) + 목표 마진으로 가격을 올려 쌓는 방식이죠. 제조업, 유통업 등에서 자주쓰는 방식을 차용한 방식인데 실물이 존재하지 않는 가치를 판매하는 디지털 시장에서 좋은 방법이라고 말하기 어렵습니다. 장점은 계산이 쉽고 재무팀·영업조직이 안심한다는 점. 단점은 고객가치와 단절돼 있다는 겁니다. 고객은 우리의 원가를 신경 쓰지 않아요. ‘문제 해결의 가치’에 지갑을 엽니다. 그래서 마진 고정은 최소 방어선일 뿐, 가격 상한을 결정하지 못합니다. 언제 쓰나: 아주 초기(원가 불확실성 클 때)·리셀링 구조(외부 API 단가 전가)·레거시 견적 관행이 강한 B2B. 주의점: 원가가 내려가도 가격을 자동으로 내릴 필요는 없습니다. 가치는 독립 변수이니까요 경쟁 추종 유형(Competition-Indexed) “경쟁사가 30달러니까 우리는 25달러.” 매우 흔하지만 위험합니다. 상대의 전략·원가·세그먼트가 우리와 다르면 엉뚱한 앵커에 묶입니다. 이는 나중에 가격 정책을 바꿀 때도 부담 스럽고 기준 자체가 의존성이 크기 때문에 악수에 가깝습니다. 누가 이렇게 가격을 설정하자 그러면 그 사람이 스파이가 아닌지 의심해 볼 만합니다. 언제 쓰나: 대체제가 명확하고, 카테고리 승부가 ‘비슷한 스펙 vs 더 싸게’ 구도일 때. 주의점: 차별 포인트(데이터 보안, 로컬라이제이션, 지원 SLA, 생태계)가 명확하면, 추종 대신 프리미엄 포지셔닝을 검토하세요. 가치 기반 유형(Value-Based) 정석입니다. 고객이 얻는 경제적/정서적 가치에 앵커를 거는 방식. 예를 들어 “주당 10시간 절약 × 직원 시간당 30달러 = 월 1,200달러 가치”면, 그 일부(예: 10~25%)를 가격으로 캡처합니다. 앞서 말했던 방식들은 대부분 이렇게 구성되어 있습니다. 실행법: 핵심 유즈케이스 정의 → 가치 드라이버(절감 시간, 전환율 개선, 오류 감소, 규제 리스크 완화 등) 계량화 → 세그먼트별 지불의사(Will­ingness-to-Pay, WTP) 조사(밴 웨스텐도르프·가보르-그랜저·컨조인트 등) → Good-Better-Best 패키지로 가격 차등화. 주의점: “가치 전달” 스토리텔링과 증빙(케이스 스터디, ROI 계산기)가 반드시 따라와야 합니다. 번들/패키징 전략 가격 그 자체보다 패키징이 ARPU와 NRR을 좌우합니다. 게임에서 DLC 개념이라고 생각하면 되는게 이걸 사용하려면 매우 까다로운 조건이 몇개 더 갖춰져야 합니다. 만약 준비 없이 패키징이나 번들을 건드렸다간 형평성 문제와 다른 기능들과의 가치 평가 문제가 생깁니다.

안녕하세요, 해봄입니다. 제 블로그를 오래 지켜봐 주신 여러분께 가장 먼저 전하고 싶은 소식이 있습니다. 그동안 블로그에서 나누었던 생각과 글들을 바탕으로, 드디어 한 권의 책을 세상에 내놓게 되었습니다. LLM이 나오고 모든 걸 LLM에게 일임하며 생각하기를 포기하는 것에 대해 적은 책입니다. 평소 철학이나 인문학 그리고 이 주제에 대해 관심 있으시다면 한 번 들여다봐 주시면 좋겠습니다.🙂 교보문고 👉 https://product.kyobobook.co.kr/detail/S000217476245 YES24 👉 https://www.yes24.com/product/goods/153156828 알라딘 👉 https://www.aladin.co.kr/shop/wproduct.aspx?ItemId=371482787 무엇보다, 이 책이 나오기까지 꾸준히 제 글을 읽어주신 구독자분들이 있었기에 가능했습니다. 진심으로 감사드립니다. 앞으로도 계속, 함께 고민하고 나누어가고 싶습니다. 늘 응원해 주시는 마음에 다시 한 번 감사드리며, 좋은 소식으로 또 찾아뵙겠습니다. 따뜻한 하루 되세요. 해봄 드림

어제 PM에 대한 변명에 가까운 항변을 담은 영상을 찍어봤습니다. 사실 최근에 꼬치코칭을 통해 기획자 주니어 분을 연달아 만날 일이 있었는데 일단 그들이 근무하는 환경에 대해 놀랐고 업무 커버리지에 대해 놀랐으며 자신들의 스킬업을 성인교육 시장에 수백~수십만원 강의를 듣는 걸 고민하고 있다는 것에서 또 놀라서 찍게 되었습니다. 글로 쓰다 보니 좀 감정적이게 되었는데... 뭐 영상을 몇몇 단톡방에 공유하다 보니 몇몇분이 질문 주시는데. 진짜 왜 한국은 기획자 연봉이 다른 직군에 비해 낮을까요. 답을 아시는 분은 알려주세요. 전 정말 잘 몰라유. 📊 한국 vs 해외: 무엇이 이렇게 다를까? 메타, 구글, OpenAI 등 유명 해외 기업들의 PM 직무 기술서와 한국 기업들의 PM 채용공고를 비교해보면 정말 흥미로운 차이점이 발견됩니다. 하드 스킬 비교 공통적인 부분: 데이터 분석 로드맵 수립 시장 조사 한국의 특징: KPI 성과 측정이나 UX/UI 설계 등 CEO나 디자이너의 영역으로 보이는 요구사항이 많습니다. 이는 PM에게 너무 많은 잡무를 요구한다는 인상을 줍니다. 해외의 특징: 사용자 중심의 제품 개발과 경험에 집중합니다. 소프트 스킬 비교 명확한 커뮤니케이션 능력, 리더십 등은 공통적이지만, 한국에서는 '비즈니스와 고객 가치 균형'을 강조하는 반면, 해외는 '사용자 중심의 마인드셋'에 더 집중하는 경향을 보입니다. 해외의 프로덕트 매니저는 제품 자체에 집중하고, 프로덕트 오너는 비즈니스 목표와 제품 전체에 대한 오너십을 갖습니다. 반면 한국에서는 프로덕트 오너가 PM의 우두머리처럼 인식되는 경향이 있어요. 결론적으로, 한국에서는 '기획자 천대 문화'가 있는 듯합니다. 기획자는 항상 힘들고, 자기 일 외에 잡무를 엄청 많이 한다는 묘사가 흔하죠. 💰 급여 격차라는 불편한 진실 샌프란시스코 기준으로 프로덕트 매니저의 연봉은 최소 17만 달러(약 2억 3천만원) 수준입니다. 서울 물가 대비 1.7배 높은 점을 감안하더라도, 한국의 PM 급여는 개발자나 디자이너보다 현저히 낮게 책정되는 경향이 있습니다. 저는 일한 만큼 급여를 줘야 한다고 생각하며, PM들에게 가스라이팅이 심하게 되어 있다고 봅니다. "PM은 원래 힘들어", "잡무가 많은 게 당연해"라는 식의 문화는 정말 바뀌어야 해요. 🎓 수백만원짜리 강의? 정말 필요한가요? 최근 PM 관련 유료 강의들이 많이 보이는데, 가격이 수백만원에 달합니다. 저는 이러한 강의들이 불필요하다고 생각합니다. Coursera에서는 마이크로소프트, 구글 등 세계 유수의 기업 전문가들이 진행하는 PM 강의를 자막까지 제공하며 무료로 들을 수 있습니다. 왜 굳이 비싼 유료 강의를 들어야 하는지 의문입니다. 더 중요한 건, 이론 학습만으로는 실제 경험을 대체할 수 없다는 것입니다. 핀터레스트 창업자인 벤 실버만도 직접 고객을 만나 피드백을 받고 제품을 개선했습니다.

웹의 역사는 곧 규칙의 역사다. 처음 인터넷이 등장했을 때부터 지금까지, 웹 생태계는 크고 작은 갈등 속에서 질서를 찾아왔다. 그런데 최근, AI 시대를 맞이해 웹 크롤링 규칙을 둘러싼 또 하나의 중요한 전쟁이 시작됐다. 바로 웹 인프라 거인 Cloudflare(클라우드플레어)와 AI 검색엔진 신생기업 Perplexity(퍼플렉시티)의 ‘스텔스 크롤링(Stealth Crawling)’ 논란이다. 🚨 폭탄 선언: Cloudflare, 퍼플렉시티를 "웹 표준 위반자"로 규정하다 2025년 8월 4일, Cloudflare는 공식 블로그를 통해 충격적인 주장을 내놓았다. AI 기반 검색 엔진 퍼플렉시티가 웹사이트들의 크롤링 금지 지시를 교묘히 우회하여 콘텐츠를 무단으로 가져가고 있다는 내용이었다. 🔍 퍼플렉시티의 스텔스 크롤링 전략 Cloudflare가 제시한 퍼플렉시티의 크롤링 우회 방식은 다음과 같다. 정면 접근: 공식 에이전트(PerplexityBot)를 이용해 콘텐츠 접근 시도 차단 시 탐지: 웹사이트가 차단하면 즉시 감지하고 전술 변경 브라우저 위장: Chrome 브라우저를 가장해 User-Agent를 바꿔 재접근 IP 변경 회피: IP 주소와 ASN(자율 시스템 번호)를 바꿔가며 지속적으로 우회 Cloudflare는 특히 비공개 신규 도메인을 만들어 robots.txt와 방화벽으로 크롤링을 명백히 막았음에도 불구하고, 퍼플렉시티가 해당 도메인의 콘텐츠를 요약해 제공했다는 사실을 공개했다. Cloudflare는 이러한 행위를 "웹 해킹과 다를 바 없는 위법 행위"라고 강도 높게 비판했다. 🤖 퍼플렉시티의 반격: "우리는 단순한 크롤러가 아닌 사용자 대리 에이전트" 퍼플렉시티는 즉각적인 반박 성명을 내놓았다. 그들의 입장은 명확했다: "우리는 웹을 자동으로 수집하는 전통적 크롤러가 아니라, 사용자의 실시간 요청을 처리하는 AI 어시스턴트이다." 📌 퍼플렉시티의 핵심 논리 사용자 대리 접근: 사용자가 웹 브라우저를 직접 사용하는 것과 기술적, 윤리적으로 동일한 접근이라는 주장 비저장성: 웹 콘텐츠를 미리 저장하거나 모델 학습에 사용하지 않고, 오직 실시간 질의 응답에만 사용한다는 점 강조 Cloudflare의 분석 오류: 헤드리스 브라우저 서비스인 BrowserBase의 트래픽을 퍼플렉시티의 것으로 오인했다며, Cloudflare의 분석 신뢰성을 공격 "이중 웹" 우려: 웹 접근 권한이 Cloudflare 같은 특정 인프라 기업에 의해 독점될 경우, 신생 서비스가 혁신을 할 수 없는 이중 웹 구조가 형성될 수 있다는 경고 ⚔️ 커뮤니티 내 치열한 의견 대립 기술 커뮤니티는 이번 사건을 두고 둘로 나뉘었다.

앤드류 응과 얀 르쿤이 말하는 미국과 중국의 AI 경쟁 최근 AI 분야에서 가장 영향력 있는 두 인물, 앤드류 응(Andrew Ng)과 얀 르쿤(Yann LeCun)이 흥미로운 의견을 주고받았습니다. 페이스북에서 열린 이들의 대화는 단순한 개인 의견 교환을 넘어, 앞으로 AI 기술 경쟁이 어떤 방향으로 전개될지에 대한 핵심적인 힌트를 제공합니다. 두 사람의 대화가 주목받은 이유는 명확합니다. 바로 AI 분야에서 미국과 중국이라는 두 거대한 강국이 어떤 전략을 펼쳐야 하는지에 대한 구체적이고 솔직한 분석을 담고 있었기 때문입니다. 🇨🇳 중국, 오픈소스로 AI 선두를 노린다 앤드류 응 교수는 Deeplearning.ai 뉴스레터 『The Batch』에서 최근 이런 주장을 했습니다. "중국이 AI 분야에서 미국을 넘어설 수 있는 경로가 분명히 생겼다. 비록 미국이 현재 앞서있지만, 중국은 오픈소스 모델 생태계와 적극적인 반도체 설계 및 제조 전략을 통해 엄청난 모멘텀을 얻고 있다." 앤드류 응은 미국의 주요 AI 기업들이 최근 모델 개발 과정에서 폐쇄적 접근을 택하면서 지식의 순환이 느려지고 비용이 높아지는 단점이 생겼다고 지적했습니다. 실제로 최근 LMArena나 Artificial Analysis와 같은 AI 리더보드를 보면, 최상위 폐쇄형 모델은 여전히 구글(Gemini 2.5 Pro), 오픈AI(o4), 앤트로픽(Claude 4 Opus) 같은 미국 기업들이 차지하고 있지만, 상위 오픈 모델은 대부분 중국에서 개발된 DeepSeek R1, Kimi K2, Qwen3 시리즈, Zhipu의 GLM 4.5 등이 차지하고 있습니다. 즉, 미국이 모델 성능 자체에선 아직 앞서지만, 중국은 기술과 지식을 빠르게 순환시키는 전략으로 맹추격 중입니다. 🇺🇸 얀 르쿤의 동의: "AI 발전 속도 = 지식 확산 속도" 이에 페이스북 공유하기를 통해 메타(Meta)의 수석 AI 과학자 얀 르쿤이 추가로 의견을 더했습니다. "앤드류의 말에 전적으로 동의한다. 내가 상원 증언에서 강조했듯, 과학과 기술 발전 속도는 정보가 얼마나 빨리 순환하는지에 달렸다. 지난 15년 동안 AI가 놀랍게 발전한 이유는 논문과 코드가 오픈소스로 공개되었기 때문이다. 최근 들어 구글, 앤트로픽, 그리고 이름과 달리 점점 폐쇄적으로 변하는 오픈AI가 비밀주의를 택하면서, AI의 발전 속도는 이미 둔화되기 시작했다." 르쿤의 발언은 AI 생태계에서 개방적 지식 공유가 얼마나 중요한지 역사적 경험을 들어 강조합니다. 다시 말해, 정보 순환 속도가 느려지면 기술 혁신 속도 자체가 감소한다는 점을 명확히 했습니다. ⚙️ 반도체와 공급망, 또 다른 핵심 전선 앤드류 응 교수는 AI 모델뿐만 아니라 하드웨어 경쟁에서도 중국이 따라잡고 있음을 강조했습니다. 화웨이는 최근 NVIDIA의 GB200과 경쟁할 수 있는 클라우드 매트릭스(CloudMatrix 384)를 공개했는데, 이는 미국의 최신 고성능 GPU에 비해 성능이 낮은 칩을 훨씬 더 많이(72개가 아닌 384개) 집적해 성능을 구현하는 방식입니다. 중국은 기존 자동차 산업에서 전기차라는 새로운 영역을 통해 유럽과 미국을 단숨에 따라잡았던 경험이 있습니다. 화웨이가 선택한 반도체 전략도 이러한 ‘양으로 질을 압도’하는 접근법이라 할 수 있습니다. 반면 미국은 여전히 대만의 TSMC에 반도체 공급망을 의존하고 있어, 만약 중국이 자체 반도체 생산 능력을 강화하고 미국이 계속해서 외부 의존적인 상태라면, 이는 미국 AI 전략 전체가 위협받을 수 있다는 우려도 나왔습니다. 최근 중국의 대표 관영 매체인 인민일보에는 다음과 같은 칼럼이 실렸습니다. 엔비디아, 내가 어떻게 당신을 믿을 수 있겠는가? https://www.stcn.com/article/detail/2895954.html 엔비디아 H20 칩의 보안 문제에 대해 강도 높은 비판을 제기. 칩에 ‘백도어’가 있다면, 자동차, 원격의료, 결제 등 필수 인프라에 심각한 위협이 될 수 있다고 경고함. 엔비디아는 백도어 존재를 부인했지만, 중국 정부가 요구한 수준의 구체적 보안 증명 없이는 시장 신뢰를 회복하기 어렵다고 지적함.외국 기업이 중국 시장에 머무르려면, 법률 존중과 보안 준수가 전제 조건임을 강조함. 젠슨황 CEO의 “법을 지키겠다”는 약속을 행동으로 보여줘야 할 때라고 촉구. 같이 읽어보면 좋습니다.(당연히 전 번역기 돌려 읽습니다. 전 중국어를 못해요.) 🚨 '닫힌 문'을 선택하면 결국 혁신은 느려진다 두 전문가가 강조한 핵심 포인트는 결국 다음과 같습니다. 지식과 기술이 자유롭게 공유될 때, AI 혁신이 가장 빠르게 일어난다.

개인적으로 올해 초부터 SALT라는 국제학교를 통해서 특강을 하면서 이런 교육이 꼭 필요하다는 것도 느꼈고 가능성도 보였습니다. 오히려 왜 다른데서는 안하지 라고 생각하는 것도 있었습니다. 뭔가 가장 하고 싶은게 많은 나이가 어릴 때인데 뭔가 그때 창업 교육 만큼 시너지 나는게 없거든요. 실제로 중국/미국/유럽 등에선 하고 있었는데 우리 나라 교육도 바뀌어야 하지 않을까 하는 생각을 합니다. 여하튼, 미국 텍사스에 정말 재밌는 학교 이야기를 해줄 거라고 생각합니다. 학교에서 공부를 하루에 단 2시간만 하고, 나머지 시간엔 인공지능(AI)이 주도하는 특별한 커리큘럼을 따른다고 상상해 보세요. 저는 처음 이 소식을 들었을 때 솔직히 반신반의했습니다. 그런데 실제로 미국 텍사스주 오스틴에서 시작한 '알파 스쿨(Alpha School)'이 바로 그런 학교입니다. 이 학교는 최근 테크 기업들이 대거 몰려들고 있는 텍사스 오스틴에서 출발해, 마이애미와 브라운스빌까지 이미 확장되었고, 올해 가을 뉴욕과 올랜도를 포함한 미국 내 여러 도시로 확대될 예정입니다. 대체 이 학교의 무엇이 사람들의 관심을 끌고 있는 걸까요? AI와 인간의 협력: '교사' 대신 '가이드' 알파 스쿨의 가장 독특한 점은 바로 선생님이라는 개념이 없다는 것입니다. 대신 '가이드(guide)'라고 불리는 어른이 학생들의 학습과 성장을 지원하죠. 실제 수업 내용과 개인 맞춤형 학습 계획은 AI가 제공합니다. AI는 학생 한 명 한 명의 실력을 실시간으로 분석해 최적의 맞춤형 학습을 제공합니다. 덕분에 같은 반 학생들이라도 각자의 수준과 관심사에 따라 서로 완전히 다른 내용을 배우게 됩니다. 예를 들어, 12살인 바이런 애트리지(Byron Attridge)는 현재 7학년이지만, 수학은 8학년, 독해는 9학년, 언어 예술은 10학년 수준으로 배우고 있다고 합니다. 그는 이렇게 말합니다: "친구들이나 선생님이 가르치는 내용에 묶이지 않고, 내 수준과 속도에 맞춰 배울 수 있어서 좋아요." 알파 스쿨 공동 창립자이자 유명 팟캐스터인 매켄지 프라이스(MacKenzie Price)는 교육의 핵심을 이렇게 표현합니다: "좋은 교육의 90%는 동기부여입니다. AI가 교과를 가르치면, 가이드는 학생들의 감정과 동기부여에 집중할 수 있죠." 학교에서 창업을 배운다고? 알파 스쿨에서는 하루 중 단지 2시간만 수학, 언어와 같은 전통적인 학습을 하고, 나머지 시간은 학생들이 직접 참여하고 협력하는 실전형 프로젝트로 채워집니다. 예를 들어, 지난해 56학년 학생들은 실제 푸드트럭을 만들어 운영했습니다. 이 과정에서 학생들은 예산 짜기, 비즈니스 계획 세우기, 요리하기 등을 스스로 해내며 협력과 문제 해결 능력을 키웠습니다. 또, 학생들은 '마스터피스 프로젝트'라는 특별 프로그램을 통해 자기만의 창의적인 결과물을 만들어냅니다. 이 프로젝트에서 학생들은 AI가 제공할 수 없는, 인간만이 만들어낼 수 있는 독특하고 새로운 관점을 찾아내야 합니다. 실제로 학생들이 만든 결과물은 다음과 같습니다: 감정을 인지하고 반응하는 곰 인형 데이트 상담을 해주는 챗봇 텍사스 최대 규모의 산악자전거 공원 조성 이 프로젝트를 통해 학생들은 AI와 차별화되는 창의적인 사고력을 자연스럽게 훈련합니다. 이 방식의 성공과 한계 하지만 모두가 알파 스쿨의 교육 방식을 환영하는 건 아닙니다. 비판자들은 지나친 AI 의존도가 아이들의 사회성과 공감 능력을 떨어뜨리고, 지나치게 개인화된 학습 환경이 학교의 근본적인 역할인 사회화를 약화시킬 수 있다고 지적합니다. 또한, 연간 학비가 약 40,000달러(약 5,500만 원)에 달하기 때문에 특정 계층의 학생들만이 접근할 수 있는 고급화된 교육으로 여겨질 수 있다는 점 역시 논란의 대상이 됩니다. 그럼에도 알파 스쿨은 미래 교육이 지향할 수 있는 흥미로운 방향을 제시합니다. AI를 활용하여 개개인의 학습 속도를 존중하고, 학생들이 스스로 창의적인 프로젝트를 통해 현실 세계의 문제를 해결하게 만드는 방식은 기존 학교 시스템에서 놓치고 있던 부분을 효과적으로 보완합니다.

기술의 진보는 곧 시야의 확대를 의미합니다. 실제로 Cursor는 12개월 만에 ARR 1M → 100M을 달성하며 SaaS 역사상 가장 빠르게 성장한 기업이 되었습니다. 이는 단순한 우연이 아닌, PM이 AI 기반으로 사고하면서 가능해진 성과죠. 이처럼 AI는 PM에게 새로운 문제 영역(problem space)과 솔루션 영역(solution space)을 동시에 열어주고 있습니다. 약 10달 전 쯤에 이런 글을 쓴 적이 있습니다 PM의 핵심 책임: 세 가지는 그대로지만, 하는 방식은 완전히 달라졌다 전통적인 PM의 세 가지 핵심 역할은 다음과 같습니다: 고객의 문제를 이해하기 우선순위를 정해 어떤 문제를 해결할지 결정하기 효과적인 솔루션을 조직하고 전달하기 AI는 이 구조를 무너뜨리지 않지만, 각 단계의 실행 방식은 혁신적으로 바뀌었습니다. 이해하기 (Understand): 문제 자체가 달라진다 ✅ 문제 공간의 확장 예전에는 "기술적 한계로 포기했던 문제"들이 이제는 AI로 해결 가능한 영역으로 들어왔습니다. 사실 고객도 직접 경험하기 전에는 “불가능하다”고 생각했던 니즈를 직접 말하지 않죠. Canva의 경우, 고객은 “AI로 디자인을 쉽게 만들고 싶다”고 말하지 않았지만, 기능이 출시되자 원하던 솔루션으로 자리 잡았습니다. ✅ 데이터 분석 방식의 진화 고객 인터뷰, 지원 티켓, 챗봇 대화 등에 흩어져 있던 정성적 데이터는 AI 도구로 실시간·자동화된 분석이 가능해졌습니다. 단순히 인사이트를 모으는 것이 아니라, 뉴스처럼 발생하는 트렌드를 탐지하고 깊이 있는 통찰을 제공합니다. 우선순위 (Prioritize): 할 수 있느냐가 아니라, 가치가 있느냐의 문제로 AI는 기존의 "가능성(feasibility), 영향력(impact), 리스크(risk), 비용(cost)" 평가 항목 모두를 뒤흔듭니다. Feasibility: AI 덕분에 옛날엔 불가능했던 기능도 수 주 내에 구현 가능해졌죠. Impact: Duolingo의 실시간 수업 난이도 조절처럼, 퍼스널라이제이션이 전략이 됩니다. Risk: 환각(hallucination), 편향(bias), 규제 이슈 등 AI 특유의 리스크 요소가 추가됩니다. Cost: 초기엔 싸 보였다가도, 사용량 증가에 따라 비용이 폭발할 수 있습니다. 설문조사 결과, AI 어시스턴트 기능은 오히려 64%의 사용자에게 선택되지 않았습니다. 고객이 원하지 않는 기능을 억지로 넣으면, 제품에 대한 신뢰 자체가 흔들릴 수 있습니다. 실행 (Execution): AI는 단순한 보조 기능을 넘어, 경험을 설계하는 핵심 수단이다 이전에는 AI를 단지 ‘추가 기능’으로 붙였지만, 이제는 프로덕션 경험 전반을 재설계하는 동력이 됩니다.

What is GTM? 이름 그대로 제품/서비스를 잘 만들고 난 다음에 시장에 어떻게 출시하고 수익 내고 고객에게 도달하여 반복적으로 이 제품/서비스를 쓰게하는가? 1. 기존 마케팅과 뭐가 다름? 기존 세일즈(영업) 뭐가 다르냐? F1 열린다. 마케팅 팀 : 경기 전에 분위기를 띄움, 입장객 늘려 세일즈 팀 : F1 드라이버 (최전선에서 뛰는) GTM 팀 : 레이스 전체의 흐름/전략 짜는 → 타이어 언제 갈껀지? 어떻게 갈껀지? 몇바퀴를 어떻게 돌건지? 일본 버전 마케팅과 영업은 전술 그리고 GTM 전략이다. 2. Product Owner/Product Manager 이거랑 뭐가 다름? 제품 솔루션 구축, 비즈니스 모델 정의와 함께 긴밀하게 연결되어 반복적으로 진행되어야 합니다. → 시장/매출/유저 PO → 제품의 UX/UI, 개발, 기획, 사업 등등 아무리 훌륭하고 혁신적인 제품이라도 GTM 전략 없이는 시장에 안착하기 어렵다. 3. GTM의 목표는 무엇이냐? 시장 성공적인 출시: 제품이나 서비스를 시장에 성공적으로 출시하는 것입니다. 목표 고객 도달: 정의된 목표 고객에게 효과적으로 제품을 도달시키는 것입니다. 경쟁 우위 확보: 시장 내 경쟁자들 사이에서 경쟁 우위를 확보하는 것입니다. 수익 창출: 궁극적으로 비즈니스의 수익을 창출하는 것입니다. ʻ만들면 팔릴 거야ʼ → 개소리… 누가써줌??? 사이드프로젝트 ʻ만들면 써줄 거야ʼ → 친구/가족 → 악성지표(노이즈) → 롱테일 지표가 나오네…. 뭐지? GTM → ʻ이렇게 하면 팔린다ʼ는 구체적인 과학으로 바꾸는 과정

우리가 AI처럼 말하게 될까? ChatGPT가 2022년 말에 등장한 이후 불과 두 달 만에 1억 명의 사용자를 확보하면서 역사상 가장 빠른 기술 확산을 이뤘습니다. 이미 많은 사람들이 글쓰기, 공부, 업무, 창작 활동에서 AI의 도움을 받고 있죠. 그런데 혹시 우리도 모르게 AI의 언어 습관을 배우고 있는 건 아닐까요? 흥미로운 질문이죠. 최근 개인적으로 진행한 연구에서 AI가 실제 사람들의 언어 습관에 어떻게 영향을 주고 있는지 분석해 봤습니다. 결과가 놀라워서 블로그로 기록해 봅니다. 연구를 어떻게 진행했을까? 이번 연구는 크게 두 단계로 구성되었습니다. 첫 번째 단계는 ChatGPT의 특성 어휘를 찾아내는 것이었어요. 수백만 페이지에 달하는 이메일, 에세이, 논문, 기사 등을 ChatGPT로 편집했습니다. 이 과정에서 "텍스트를 다듬어줘", "명확하게 표현해줘" 같은 일반적인 프롬프트를 이용했죠. 이때 ChatGPT가 반복적으로 추가한 단어들을 모아 'GPT 단어'로 정의했습니다. 예를 들면 "delve(탐구하다)", "realm(영역)", "meticulous(세심한)" 등이 여기에 속합니다. 두 번째 단계는 실제 언어 사용 패턴을 분석하는 것이었어요. 이를 위해 36만 개 이상의 유튜브 영상과 77만여 개의 팟캐스트 에피소드를 분석했습니다. 특히 ChatGPT가 출시되기 전후를 비교하며 변화의 정도를 측정했어요. GPT 단어의 급증 현상 연구 결과, ChatGPT가 등장한 이후 "delve(탐구하다)", "boast(자랑하다)", "swift(신속한)", "inquiry(조사)", "meticulous(세심한)" 같은 GPT 단어의 사용이 눈에 띄게 늘어났습니다. 놀랍게도 이런 변화는 정형화된 대본뿐만 아니라 평범한 일상 대화에서도 나타났습니다. 인간과 AI 사이의 문화적 피드백 루프 1.인간이 텍스트로 AI를 훈련 2.AI가 재구성된 텍스트를 생성 3.인간이 AI 패턴을 무의식적으로 모방 4.다시 1번으로… 더 흥미로운 것은 이런 현상이 일종의 문화적 피드백 루프를 형성한다는 점입니다. 사람들은 AI를 학습시켜 텍스트를 생성하게 하고, AI는 이를 기반으로 통계적으로 재구성된 텍스트를 사람에게 제공합니다. 결국 인간은 다시 이 AI의 언어 습관을 무의식적으로 따라 하게 되는 것이죠. 연구에서는 이를 "AI 기술에 저장된 패턴이 인간의 마음으로 역전파되는 현상"이라고 표현했습니다. 이번 연구는 ChatGPT 같은 AI가 단지 효율적인 도구를 넘어서, 우리가 사용하는 언어와 생각 방식 자체를 근본적으로 바꾸고 있음을 보여줍니다. AI와 인간 사이에 형성된 이 무의식적 피드백 루프는 앞으로도 우리 사회의 언어적 문화에 지속적으로 영향을 미칠 것입니다. 한국어에선 무엇이 있을까? 지난 포스팅에서도 말했지만 티가 나는 말들이 한국어에도 존재하는 것 같습니다. 개인적으로 느끼는 것들은 이런 것들 입니다. 사실 문어체나 구어체에서 잘 안쓰이는 표현들이였는데 요즘 점점 많이 보이는 것 같은 건 기분 탓일까요? 개인적으로는 이런 표현들이 너무 많이 나오면 이 사람 LLM으로 과제 한거 아니야? 하고 의심을 괜히 하게 됩니다. 변화/발전 표현 발전시키다 개선하다 향상시키다 증진하다

요즘 대학가엔 이상한 기류가 흐르고 있습니다. ‘너무 매끈한 에세이’가 시험지 위에 늘고 있고, '이 학생이 이런 문장을 썼을 리 없는데?' 싶은 과제가 줄지어 제출됩니다. 어느새 캠퍼스에는 새로운 레저 문화가 생겼습니다. “이거 AI가 쓴 거 아니야?”를 맞히는 일종의 탐정 놀이 말입니다. 하지만 문제는 단순히 ‘부정행위’에 그치지 않습니다. 오히려 우리는 훨씬 더 본질적인 질문을 던져야 할 시점에 와 있습니다. AI가 인간의 창의성과 표현 능력에 어떤 영향을 주고 있는가? 그리고 우리는 그것에 어떻게 대응할 것인가? 에세이도, 논문도, 커버레터도 ‘AI가 쓴 것 같아’ 실제로 저는 AI의 능력을 직접 시험해 보기로 했습니다. 몽테뉴의 수필론을 물었더니 진짜 인용 한 줄과 가짜 인용 두 줄을 섞어 냈고, 엘리자베스 비숍 스타일의 시를 써달랬더니 형식은 틀리고 내용은 유사하되 어딘가 어색했습니다. 중요한 건 이런 문학적인 영역은 능히 따라한다는 것이였습니다. 이후 저는 이메일, 논문 등에서도 적용되는지 시도 해 봤습니다. 물론 여전히 어색했죠. 이게 2024년의 일입니다. 놀라운 점은 따로 있었습니다. 일반적인 과제나 이메일, 기획안, 편집 메모, 일정 조율 등 ‘귀찮은 일’에서는 AI가 엄청난 보조자 역할을 했다는 것이죠. 최근 저는 복용하는 약 때문에 어지럼증과 두통이 잦은데, 그런 저를 위해 AI는 문서 형식도 맞춰주고, 말투도 다듬어주고, 때론 “지금 삶이 얼마나 복잡하고 애쓰고 있는지 안다”며 위로까지 건넸습니다. AI는 ‘자신 없는 나’를 대체해준다. 너무 부드럽게 이쯤 되면 AI가 인간의 ‘정신노동 파트너’가 되어가고 있다는 걸 부정할 수 없습니다. AI는 지치지 않고, 불평하지 않고, 칭찬을 해주고, 언제든지 또 다른 버전을 제공하며, 당신의 언어를 복제합니다. 문제는… 그 복제가 너무 자연스럽고, 너무 매끄럽다는 것입니다. 예를 들어, AI에게 제 블로그 글을 몇 개 주고 스타일을 분석하게 했더니 이렇게 말했습니다: “당신의 문체는 긴장감 있고 지적으로 단정되며, 절제된 감정과 철학적 사유의 결이 엿보입니다.” 너무 정확해서 무서웠습니다. 마치 거울을 들이댄 것 같은데, 그 거울 속의 저는 더 완성된 모습이었습니다. 이런 경험을 반복하다 보면, 문득 이런 생각이 스쳐갑니다. ChatGPT의 메모리기 기능이 추가되고 나서는 더 그렇게 느겼습니다. 이제 저의 거의 모든 비밀?까지 알고 있는 상태가 되고 있었기 때문이죠. 글쓰기 수업에서 ‘쓰기’를 없앤다는 역설 학생들도 마찬가지입니다. 처음엔 단순 요약을 맡기다가, 어느새 구조화, 전개, 초안 작성까지 AI에게 맡기기 시작합니다. “이 정도면 직접 쓴 거나 마찬가지 아냐?”라고 합리화하면서 말이죠. 그러다 보면 어느 순간, '글쓰기 수업'에서 학생은 글을 ‘쓰기’ 않고도 A를 받게 됩니다. MIT 미디어랩의 최근 연구는 이런 불안을 데이터로 뒷받침합니다. 54명의 참가자에게 에세이를 쓰게 한 후 뇌파(EEG)를 측정했는데, AI에 의존한 그룹은 자기 글에 대한 기억력, 주도성, 뇌 연결성이 모두 낮아졌습니다. 연구진은 이를 "인지적 부채(cognitive debt)"라 명명하며, 장기적인 학습 저하를 우려했습니다. 개인적으로 이번에 출판하는 책에도 이 부분을 꼭 넣었습니다. 문제는 기술이 아니라 ‘사고의 외주화’다 사실 기술 자체는 중립적입니다. 문제는 그것을 ‘어떻게’ 쓰느냐죠. ChatGPT는 수업 준비를 도와줄 수 있습니다. 일정도 정리해주고, 학습 목표도 정리해줍니다. 하지만 그 도움을 ‘편의성’이라는 이름으로 무분별하게 수용하면, 사고의 근육은 점점 약해지고 맙니다. 결국 우리는 선택의 기로에 서 있습니다. 속도와 효율의 유혹을 받아들이고, AI에게 창작의 주도권을 넘겨줄 것인가, 아니면 불편함과 비효율 속에서 스스로 사유하고, 문장을 빚는 고통을 감수할 것인가. 우리가 진짜 잃을지도 모르는 것들

Meta가 이번에 새로 구성한 팀의 명단이 유출 되었는데 어마어마 합니다. 국내에서도 인공지능 파운데이션 모델 독자적으로 만드는 목적이 있다면 팀 구성에 참고해보세요. Meta 내부에서 유출된 자료에 따르면, 메타가 구성한 AI 최정예 조직 ‘Superintelligence 팀’의 인력 구성으로 앞으로의 방향성을 볼 수 있는데요. 사실 연봉이나 국적으로 사람들이 어그로가 끌린 거 같은데 본질은 이들이 지금 무엇을 하고자 하는지를 분석 하는 겁니다. 🧠 기술 집중 분야 LLM 최적화 멀티모달 학습 지식 편향 제거 강화학습 기반 미세조정 1. 전략적 인재 영입 OpenAI에서만 15명(31%)을 영입한 것은 매우 공격적인 인재 확보 전략입니다 DeepMind, Google 등 주요 AI 회사에서 핵심 인재들을 대거 영입 파운데이션 모델 구축 및 파인튜닝 과정에서 암묵지 부분을 해결하고 싶어하는 듯 2. 분야별 전문성 Foundation Models 팀에 OpenAI 출신들이 집중배치 Computer Vision 팀에 DeepMind 출신들이 많이 배치 각 분야별로 해당 영역의 최고 전문가들을 확보 3. 중국계 연구자 비중 전체의 47%가 중국계로, 특히 핵심 연구 분야에 집중 이들 대부분이 미국 최상위권 대학에서 PhD를 취득 이를 안보나 정치적 문제로 보는 경우가 있는데 이들이 이전에 썼던 논문을 보면 그냥 엄청난 실력자 혹은 상징적인 성과를 가지고 있음 리더십 계층 이름

안녕하세요, 해봄입니다. 정말 오랜만에 공지글을 쓰네요. 늘 블로그를 구독해주시고 따뜻한 댓글과 관심을 보내주셔서 정말 감사드립니다. 여러분의 구독과 댓글이 제게 큰 힘과 격려가 됩니다. 오늘은 여러분께 특별히 소개하고 싶은 프로젝트가 있어서 공지 드리게 되었습니다. 이 책은 전자책이 한창 유행하던 시절, 출판사도 직접 만들어보고 열심히 썼다가 저조차 잠시 잊고 지냈던 책입니다. 당시 저는 전자책을 수십만 원씩 받고 판매하거나 직접 경험하지 않은 내용을 책으로 쓰는 것에 대해 공감이 어려웠습니다. 그래서 최대한 제가 직접 경험했거나 간접적으로라도 충분히 이해한 내용을 바탕으로 진솔하게 5권의 시리즈를 만들었어요. 당시에는 다양한 출판사들에게 출판 제안을 받았는데 전자책 시장이 궁금해서 거절했었는데 지금 생각해보니 책으로 하면 실물이라도 남고 그랬을 터인데 뭔가 너무 수익적으로 본 게 아닌 가 싶기도 하네요. 사실 각 책이 100~200페이지 정도이다 보니 실물 책으로 만든다고 하면 그래픽이랑 조판 들어가서 200~300페이지 정도 되지 않을까 생각이 드네요. 잡설이 길었습니다. •1권: What to Build 101 – 창작 과정의 막힘 (완성의 어려움) •2권: GTM 101 – 시장 반응의 불확실성 (판매의 어려움) •3권: Scale 101 – 성장의 복잡성 (시스템화의 어려움) •4권: Iterate 101 – 개선의 혼란 (최적화의 어려움) •5권: Impact 101 – 목적과 수익의 충돌 (의미 찾기의 어려움) 어떤 훌륭한 분이 최근 이 책을 구매해주신 덕분에 다시 개정 작업을 진행하게 되었고, 이번에 표지부터 ebook까지 더욱 깔끔하게 정리할 수 있었습니다. ✨ 사실 썼다는 것을 기억에서 까마득하게 잊고 살았던 것 같아요. 이렇게 과거게 만들었던 것을 보고 연락주시는 분들을 보면 얼마나 힘이 나는지 모릅니다. 어떤 이유로 오셨든, 이 책을 찾아주시고 읽어주셔서 진심으로 감사드립니다. 여러분 한 분 한 분이 이 책의 특별한 첫 독자세요. 주변에 추천해주시면 정말 더욱 감사하겠습니다. 사실 저도 은근히 욕심이 납니다. 호호호. 그리고 오픈 카톡방이 있습니다. 늘 환영합니다. (입장코드 1024) 앞으로도 블로그 댓글과 구독 늘 감사드립니다. 여러분과 함께 성장하는 시간이 소중합니다. 🤝 늘 제 블로그를 방문해주셔서 감사합니다.

"양치질을 하면서 샤워를 하고, 끈이 없는 신발을 신으며 하루 1분이라도 아껴야 해요." 혹시 이런 생각, 한 번쯤 해본 적 있으신가요? 최근 들어 SNS나 유튜브를 보면 이른바 '마이크로 효율화(Micro-efficiency)'가 사람들의 일상 깊숙이 자리 잡고 있음을 알 수 있습니다. 아주 사소한 행동 하나에도 철저히 계산된 전략으로, 시간을 단 1분이라도 절약하려는 움직임이죠. 한 잔의 차에 숨은 철학 영국에 사는 베로니카 풀렌(54세)은 매번 차를 마실 때 두 잔의 차를 만듭니다. 하나는 우유를 더 넣어 미지근하게 바로 마시고, 다른 하나는 40분 후 완벽한 온도가 되었을 때 마시죠. 이 방식으로 그녀는 매일 20분, 2년 동안 약 10일을 아꼈습니다. 이토록 작은 효율이 장기적으로는 큰 차이를 만듭니다. 풀렌의 습관은 여기서 끝나지 않습니다. 아침에는 항상 삶은 달걀, 점심에는 오믈렛, 저녁 메뉴까지 정해놓고 매일의 옷 역시 일정한 패턴을 반복합니다. 매번 새롭게 결정을 내려야 하는 스트레스를 최소화한 것이죠. 이런 습관 덕에 그녀는 자신이 원하는 일에 쓸 수 있는 에너지를 충분히 확보할 수 있다고 말합니다. 왜 사람들은 이토록 1분에 집착하는가? 이런 현상은 결코 특이한 개인의 습관으로만 그치지 않습니다. 틱톡에서는 #LifeHack이라는 태그가 1,100만 회 이상 언급되고 있고, 수많은 생산성 인플루언서들이 "1% 효율의 법칙"을 강조하고 있습니다. 베스트셀러 『아토믹 해빗(Atomic Habits)』은 작은 습관의 누적 효과가 얼마나 큰 변화를 가져올 수 있는지 대중에게 설파하고 있죠. 사회적 맥락에서 보면, 이러한 마이크로 효율화는 단순한 취미나 유행을 넘어 현대 사회의 압박을 드러내는 현상이기도 합니다. 기술 발전으로 일을 빠르게 처리할 수 있게 되었지만, 남은 시간에 더 많은 일이 채워지는 역설적인 상황이 반복되고 있는 거죠. 심리학자들은 이를 "능동적 번아웃"의 초기 증상으로 해석하기도 합니다. 좋은 습관 vs. 강박의 경계 효율화를 추구하는 사람들은 다양한 이유를 가지고 있습니다. 몸이 불편해 작은 에너지라도 아끼려는 사람, 혹은 그냥 '게으름'을 더 편하게 실천하려는 사람까지 다양하죠. 하지만 전문가들은 효율화 습관이 지나치게 집착적으로 흐르면 강박증이나 우울증으로 이어질 수도 있다고 경고합니다. 효율적이라는 것이 곧 만족감을 주는 것은 아니기 때문입니다. 실제로 영국의 한 조사에 따르면, 평균적으로 한 사람이 일주일에 진짜로 자유롭게 사용할 수 있다고 느끼는 시간은 단 23시간뿐이라고 합니다. 그래서 1분이라도 아껴야 한다는 압박이 생겨나는 것이죠. 건강한 효율화를 위한 3가지 팁 하지만 무조건 효율을 추구하는 게 답은 아닙니다. 그렇다면 건강한 효율화를 위해 어떻게 접근해야 할까요? 목적성을 점검하세요. 아낀 시간을 어떻게 쓸지 명확히 계획을 세우는 것이 좋습니다. 그냥 아끼는 데서 끝난다면 효율화는 결국 의미를 잃게 됩니다. 적절한 '느슨함'을 허용하세요. 지나치게 엄격한 규칙은 오히려 피로감을 높입니다. 주말이나 휴가 때는 의도적으로 효율화 습관에서 벗어나 보는 것도 좋습니다. 지속적으로 리뷰하고 리셋하세요. 삶의 환경이 바뀌면 효율화 전략도 바뀌어야 합니다. 주기적으로 지금의 습관이 정말 나에게 의미 있는지 점검하고, 변화가 필요하다면 주저 없이 수정하세요. 진짜 중요한 것은 시간의 양이 아니라 질이다 "절약한 시간으로 무엇을 할 것인가?" 이 질문이야말로 우리가 놓치지 말아야 할 핵심입니다. 시간을 아끼는 습관은 결국 우리 삶을 더 행복하고 의미 있게 만들기 위한 수단이어야 합니다. 단순히 바쁘게 살기 위한 것이 아니라, 오히려 삶의 여유를 되찾기 위해서 말이죠. 사실 이 글과 이어 집니다...

예전에 누가 그랬는데 너는 기획도하고 개발도하고 마케팅도 하는데 넌 도대체 뭐니? 전문성이 뭐야? 이런 질문에 사실 저도 잘 모르겠었어요. 저는 그냥 제가 할 수 있는 걸 다 했을 뿐이거든요. 그냥 우리가 잘 될 수 있는거 다 하는데? 정도로 대답합니다. 원래 GTM(Go-To-Market)은 제품이나 서비스를 시장에 출시하고, 고객이 이를 성공적으로 채택하게 만드는 전 과정을 말합니다. 이를 담당하는 GTM 매니저는 제품을 개발하는 단계부터 실제로 고객의 손에 닿기까지 모든 일을 합니다. 작은 팀이 크게 성장하는 비밀 카카오브레인과 넥슨 코리아에서 일하면서 분명 멋진 프로젝트도 진행했고, 동료들도 훌륭했지만, 무언가 부족하다는 느낌을 지울 수 없었죠. 사실 저는 고민이 많았습니다. 무엇보다 '성장'이란 단어를 말하면서도, 제품의 실제 성장이 피부로 잘 와 닿지 않았습니다. 내가 만드는 것이 정말 고객에게 가치를 주고 있을까? 커리어에서 의미 있는 성장을 만들어내고 있을까? 애초에 성장/갓생/육각형 등의 용어를 안좋아하기도 하구요. Notion에서 배운 진짜 성장의 경험 그러던 중, Notion과 일하면서 제 관점이 완전히 바뀌었습니다. 글로벌에서 수천만 명의 사용자가 있는 제품이 어떻게 만들어지고, 어떻게 월 반복 매출(MRR)을 높이며, 적은 인력으로 최대한의 효율을 만들어낼 수 있는지 배웠습니다. Notion은 단순히 많은 사람을 쓰는 회사가 아니었습니다. 명확한 가치, 잘 다듬어진 제품, 그리고 그것을 믿고 사용하는 사용자가 있었죠. 이 경험을 통해 저는 커리어에서 가장 중요한 점을 깨달았습니다. "큰 조직이 아니라, 제품과 사용자의 관계에 집중해야 한다." Gamma에 합류한 이유, 그리고 결과 이 깨달음을 가지고 Gamma에 합류했습니다. 그리고 2년만에 ARR 5천만 달러를 달성하고 15개월 연속 흑자를 유지하고 있습니다. Gamma는 작지만 강력한 팀이고, 저는 이곳에서 시니어 GTM(Go-To-Market) 매니저로 일하게 되었습니다. 단지 35명의 인원으로 5천만 사용자, 그리고 연매출(ARR) 5천만 달러(약 650억 원)를 기록하는 놀라운 성장세였습니다. Gamma의 빠른 성장 뒤엔 다음과 같은 핵심 전략이 있었습니다. 기존 GTM Manager에서 이번에 Senior GTM Strategy Manager로 한 계단 올라섰습니다. 저희가 시장을 공략할 때 사용하는 방법은 간단합니다. 원칙을 세울 것, 원칙을 지킬 것 두 가지죠. 몇가지를 공유해 보겠습니다. 1. 사용자 중심 가격 전략 (Van Westendorp) 우리는 가격을 정할 때 절대 추측하지 않았습니다. Gamma는 Van Westendorp 방법론을 통해 사용자들이 "얼마를 지불할 준비가 되었는지" 정확하게 파악하고 그에 맞춰 가격을 책정했습니다. 덕분에 초기부터 탄탄한 수익 구조가 만들어졌고, 이후 2년 동안 한 번도 가격을 바꾸지 않아도 안정적 성장을 유지할 수 있었습니다. 가격은 고객에게 전하는 신호입니다. 정확한 가격 설정은 제품과 사용자 간 신뢰를 만듭니다. 2. 최소한의 인력으로 최대한의 성장 Gamma는 AI 기반 프레젠테이션 도구를 만듭니다. 제품 자체가 스스로 영업과 마케팅을 해줍니다. 우리의 Go-To-Market 전략은 간단했습니다.

얼마 전, 넷플릭스에서 본 『오징어 게임 시즌 3』의 강렬했던 결말 장면이 아직도 머릿속에 남아있습니다. 마지막 게임은 하늘 위에서 펼쳐지는 이른바 '고공 오징어 게임'. 이 게임은 정사각형, 정삼각형, 그리고 완전한 원형의 기둥 위에서 차례로 진행됩니다. 특히 마지막 단계의 둥근 기둥 장면에서 주인공은 자신을 지배했던 탐욕의 굴레에서 벗어나기 위해 스스로 희생을 선택합니다. 이전까지 원(동그라미)은 탐욕과 집착을 상징했지만, 주인공이 아이와 미래를 위해 이 원 위에서 죽음을 택하면서 그 의미를 완전히 뒤집어 놓았습니다. 이 장면은 우리가 보는 현실이 절대적이지 않으며, 환경이나 경험에 따라 그 의미가 언제든지 달라질 수 있음을 생생히 보여줍니다. 참고로 저는 오징어 게임 시즌 3를 무척 재미없게 보았습니다. 문화가 보는 방식을 바꾼다? 두 개의 흥미로운 착시 연구 이와 비슷한 이야기를 최근 접한 두 가지 시각 착시 연구에서도 찾을 수 있었습니다. 영국 런던정경대학(LSE)의 이반 크루핀(Ivan Kroupin) 연구팀은 '코퍼 착시(Coffer illusion)'라는 그림을 서구 사회 사람들과 나미비아 농촌 사람들에게 보여줬습니다. 흥미롭게도 서구권 참가자들은 대부분 사각형을 본 반면, 나미비아 농촌 참가자들은 주로 원형을 봤습니다. 연구팀은 이것을 '목수의 세계(carpentered world)' 가설로 설명합니다. 즉, 우리가 살아온 환경이 뇌가 세상을 보는 방식을 결정한다는 것입니다. 그러나 또 다른 연구는 이 가설을 흔듭니다. 도르사 아미르(Dorsa Amir)와 채즈 파이어스톤(Chaz Firestone)은 '뮐러-라이어 착시(Müller-Lyer illusion)'를 통해, 이 착시가 환경과 무관하게 인간뿐 아니라 동물이나 앞을 전혀 보지 못했던 아이들까지 경험한다는 사실을 밝혔습니다. 이 두 연구는 서로 충돌하는 듯 보이지만, 사실은 우리가 보는 세상이 객관적 실체라기보다는, 우리 뇌가 끊임없이 해석하고 창조하는 것이라는 중요한 메시지를 던져줍니다. 보는 것도, 말하는 것도 결국은 '뇌의 환각' 신경과학자 아니 세스(Anil Seth)는 "우리가 보는 현실은 뇌가 만들어낸 통제된 환각(controlled hallucination)"이라고 표현합니다. 즉, 우리의 뇌는 객관적 세상을 그대로 보여주는 것이 아니라, 경험과 환경, 문화를 기반으로 세상을 주관적으로 해석해 우리 앞에 펼쳐놓습니다. 흥미로운 점은 이런 현상이 시각뿐 아니라 언어에도 똑같이 적용된다는 사실입니다. 스탠퍼드 대학의 심리학자 레라 보로디츠키(Lera Boroditsky)의 연구를 예로 들어보죠. 그녀는 독일어와 스페인어 화자들에게 '열쇠(key)'와 '다리(bridge)'를 묘사해 달라는 실험을 했는데, 두 언어에서 이 단어들의 성별이 서로 반대였습니다. 독일어에서 열쇠는 남성명사, 다리는 여성명사 스페인어에서는 열쇠가 여성명사, 다리는 남성명사 놀랍게도 독일어 화자들은 열쇠를 "무거운, 강한"과 같은 남성적 특성으로, 다리는 "아름다운, 우아한"과 같은 여성적 특성으로 묘사했습니다. 반대로 스페인어 화자들은 정반대의 묘사를 했습니다. 이처럼 우리가 사용하는 언어도 결국 우리 뇌가 현실을 창조하고 해석하는 방식을 결정합니다. 우리가 '본다'고 믿는 것도, '말한다'고 믿는 것도, 결국은 뇌의 통제된 환각인 셈입니다. 『오징어 게임』, 시각 착시, 언어가 말하는 같은 이야기 『오징어 게임』의 마지막 원형 기둥 장면이 강렬했던 이유도, 언어가 우리의 현실 인식을 바꾸는 것도 결국 같은 이유에서입니다. 우리가 절대적이라고 믿었던 세상의 의미가 얼마든지 변할 수 있고, 우리가 가진 언어나 문화, 경험에 따라 세상이 완전히 달라질 수 있다는 것입니다. 착시 현상과 언어 연구, 그리고 드라마가 우리에게 공통적으로 주는 메시지는 분명합니다. 세상은 우리의 마음속에서 언제나 재해석되고, 재창조된다. 그렇다면 우리가 삶을 더 긍정적으로 바꾸고 싶다면, 먼저 세상을 바라보는 우리의 방식부터 바꿔볼 필요가 있지 않을까요? 『오징어 게임』의 주인공이 원형의 의미를 탐욕에서 희생으로 바꿔놓았듯이, 우리도 삶에서 보는 것과 말하는 것의 의미를 새롭게 바꿀 수 있습니다. 우리가 경험하는 어려움, 고통, 심지어 행복까지도 결국은 우리가 그것을 어떻게 바라보느냐에 따라 달라질 수 있습니다. 사실 『오징어 게임』이라는 작품이 주목 받은 것 자체가 우리가 일상적인 세상 혹은 어릴 때 좋은 추억으로 남아 있던 게임들이 탐욕에 물든 어른들이 목숨을 걸고 하는 게임이 되어 버려서 였던 것 처럼. 약간의 시선을 바꾸면 완전 새로운 것 혹은 재밌는 것들이 나올 수 있지 않을까요?

최근, 꼬치코칭을 통해 중국어에 능숙한 분을 만나봤습니다. 그러다 중국에서 자주 사용되는 앱들에 대해 이야기 하며 제가 사용해본 적이 있는 것들을 이야기 했습니다. 중국을 잘 모르시는 분들이라도 위챗(WeChat)은 한 번 들어 보셨을 겁니다. 중국에서는 위챗 없이는 거의 아무것도 할 수 없다는 농담도 있습니다. 식사 주문, 택시 호출, 쇼핑, 결제는 물론이고 심지어 정부 서비스까지 위챗 안에서 해결이 가능하죠. 한국에서 흔히 사용하는 카카오톡이나 네이버와 비교해도 훨씬 더 다양한 기능을 한 앱 안에서 제공합니다. 중국의 이런 ‘슈퍼 앱’ 현상은 단순히 중국인들이 더 편리한 것을 좋아해서일까요? 아니면 다른 이유가 있는 걸까요? 흔히들 동서양의 앱 디자인 차이를 설명할 때, "아시아인은 정보가 많고 복잡한 앱을 좋아하고, 서양인은 심플한 앱을 선호한다"고 말하곤 합니다. 하지만 실제로는 그렇지 않습니다. 최근 중국과 한국, 일본 등 아시아 국가의 앱들 역시 점차 더 깔끔하고 단순한 디자인으로 변화하고 있습니다. 그럼에도 불구하고, 왜 슈퍼 앱이 중국에서만 유독 강하게 자리 잡게 되었을까요? 스마트폰으로 시작된 ‘모바일 우선’ 시대의 출발점 2010년대 초반의 중국은 인터넷이 아직 제대로 정착되지 않은 상태였습니다. 당시 중국의 인터넷 보급률은 35% 미만이었고, 데스크탑 컴퓨터를 쓰는 사람들도 많지 않았습니다. 이런 상황에서 중국 소비자들에게 스마트폰이 최초의 개인용 컴퓨팅 기기가 된 것입니다. 이렇게 모바일 중심의 인터넷 환경이 처음부터 구축되면서 기존의 인터넷 습관들이 형성되지 않았습니다. 예컨대, 미국과 유럽의 경우 이미 웹 브라우저나 이메일 등 데스크탑 기반 인터넷 사용 습관이 자리 잡고 있었지만, 중국은 처음부터 모바일 앱이 주류였죠. 이 빈틈을 메운 것이 바로 텐센트(Tencent)의 위챗입니다. 위챗은 메신저로 시작했지만, '공식 계정(Official Accounts)'과 '미니 프로그램(Mini Programs)'을 통해 거의 모든 인터넷 서비스를 제공하기 시작했습니다. 사실상 위챗은 중국의 구글 크롬(Chrome)과 같은 브라우저 역할을 했던 셈이죠. 기존 웹 기반 서비스를 모바일로 옮기지 않고 처음부터 앱 중심의 환경을 만든 것입니다. 여기서 저는 늘 말하는 텐센트 마화텅 회장의 말을 떠올립니다. 마화텅은 텐센트의 QQ와 게임들이 카피캣이라고 놀림 받을때 이런 말을 했습니다. "우리는 고양이를 보고 호랑이를 그렸다" 초기 중국의 디지털 경제는 인프라가 매우 부족했습니다. 은행들은 소비자 친화적인 온라인 결제 시스템을 제공하지 않았고, 쇼핑은 현금 거래 위주였으며, 전자상거래는 신뢰를 얻지 못한 초기 단계였습니다. 이 상황에서 알리바바(Alibaba)는 타오바오(Taobao)의 온라인 거래를 위해 알리페이(Alipay)를 개발하여 자체 결제 시스템을 구축했습니다. 기업들은 필요한 서비스가 없으면 직접 만들어 내야 했습니다. 이것이 슈퍼 앱이 탄생한 진짜 이유입니다. 즉, 이상적인 사용자 경험(UX)을 위해서가 아니라, 시장의 공백을 메우고 산업 전반을 빠르게 점유하기 위한 필연적 선택이었습니다. ‘담장 쌓기’ 경쟁 전략의 등장 중국의 슈퍼 앱 성장은 또 다른 이유로 설명할 수 있습니다. 바로 극단적인 경쟁 환경 때문입니다. 텐센트, 알리바바, 바이두(Baidu), 바이트댄스(ByteDance) 같은 거대 기업들은 오랫동안 서로의 플랫폼 링크를 차단하는 이른바 '담장 쌓기(Walled Garden)' 전략을 사용했습니다. 위챗에서 타오바오의 쇼핑 링크를 열려고 하면 접속이 되지 않는 식이었죠. 따라서 각 기업은 자체 앱에 가능한 한 많은 서비스를 담으려고 했습니다. 이로 인해 위챗 같은 슈퍼 앱은 음식 배달, 택시 호출, 결제, 쇼핑, 소셜 미디어까지 모두 하나의 앱 안에서 제공하게 되었습니다. 중국 정부가 2021년에야 이런 링크 차단을 금지했지만, 이미 소비자 습관은 굳어졌고 슈퍼 앱 모델이 뿌리 깊게 자리 잡게 되었습니다. 또 다른 이유는 경제적 관점에서 찾을 수 있습니다. 초창기 중국 소비자들의 온라인 소비력은 서구에 비해 낮았기 때문에, 개별 앱 하나당 얻을 수 있는 고객의 생애 가치(Lifetime Value)는 적었습니다. 이에 따라 기업들은 한 고객에게 가능한 한 많은 서비스를 제공함으로써 고객당 수익을 극대화하려 했습니다. 또한 초기 고객 확보 비용이 매우 높았기 때문에, 앱 하나에 사용자를 모으면 그 사용자를 경쟁사로 보내지 않기 위해 더욱 많은 서비스를 통합했습니다. 텐센트가 위챗페이(WeChat Pay)를 홍보하기 위해 중국의 설날 춘절(CNY)에 ‘빨간 봉투(홍바오)’ 캠페인을 벌여 현금을 나눠준 것도 이와 같은 전략의 일환이었습니다. 문화적 선호가 아니라 전략적 선택 슈퍼 앱이 중국에서 성공한 이유는 사용자의 요구 때문이 아니라, 모바일 우선 환경, 산업 인프라의 부족, 치열한 경쟁 환경, 낮은 소비력과 같은 독특한 시장 조건들이 결합되었기 때문입니다. 그렇다면 다른 나라의 기업들이 슈퍼 앱 모델을 그대로 따라 해야 할까요? 꼭 그렇지는 않습니다. 오히려 중요한 교훈은 제품 설계의 결정이 무엇에 의해 이뤄지고 있는지를 이해하는 것입니다. 슈퍼 앱이 늘 정답은 아닙니다. 어떤 경우는 한 앱에 다양한 서비스를 묶는 게 좋을 수 있지만, 다른 경우는 최고의 사용자 경험을 제공하는 단일 앱을 만드는 게 더 효과적일 수 있습니다. 실제로 위챗은 모든 것을 다 해결할 수 있는 ‘완벽한 슈퍼 앱’은 아닙니다. 미니 프로그램으로 간단한 서비스를 경험하게 해주는 방식은, 사실상 모바일 환경의 '오픈 웹(Open Web)'과 같습니다. 사용자는 서비스를 미리 경험해 본 후, 필요하면 별도 앱을 다운로드합니다. 우리나라에서도 한 때 슈퍼앱이 미래라면서 호들갑을 떨었던 이들이 있었습니다. 하지만 그것을 실제로 해낸 곳은 누가 있나요? 개인적으로 진정한 슈퍼앱을 이뤄낸 것은 토스 정도 입니다. 이번에 토스가 추진하는 앱인토스가 이런 것의 본격적인 시작이라고 봅니다. 중국의 슈퍼 앱 사례를 통해 우리가 얻을 수 있는 가장 큰 시사점은, 비즈니스 필요성이 제품을 어떻게 진화시켰는지 이해하는 것입니다. 결국 제품의 성장은 사용자의 요구가 아니라, 기업들이 직면한 환경과 시장 조건의 전략적 대응에서 시작되니까요. 개인적으로 중국의 디지털 생태계나 기술력을 가장 과소 평가 하는 곳이 한국이라 생각합니다. 제가 늘 말하듯 중국 선진시 아니면 상하이 등만 가보셔도 내가 알던 중국이 아니구나 하는 생각이 들거에요.

최근 금융 관련 서비스를 만드는 곳에 인공지능 기획, 아키텍쳐 자문을 하면서 금융업에서도 이런 논의가 가속화 되고 있다는 것을 느꼈습니다. ChatGPT 같은 생성형 AI가 큰 주목을 받고 있지만, 그보다 훨씬 이전부터 금융권에서는 인공지능(AI)을 적극 활용해왔습니다. 사기 탐지부터 신용 위험 관리, 심지어 초단타 거래 전략까지, 금융의 핵심 업무 곳곳에서 AI가 중요한 역할을 하고 있죠. 하지만 인공지능이 실제로 신뢰받고 윤리적으로 사용되기 위해서는 여전히 많은 숙제가 남아 있습니다. 그 중 가장 중요한 이슈가 바로 설명 가능성(Explicability)입니다. 금융권에서 AI 모델이 복잡할수록, 그것이 어떻게 의사결정을 내리는지 파악하는 일은 어려워집니다. 흔히 말하는 ‘블랙박스’ 문제죠. AI 모델이 정확한 예측을 내놓는다고 하더라도, 그 예측이 어떤 기준과 과정에 따라 이루어졌는지 설명할 수 없다면, 특히 금융처럼 신뢰가 필수적인 영역에서는 심각한 문제가 될 수 있습니다. 그래서 오늘은 이 ‘설명 가능성’이란 무엇이고, 금융권에서 실제로 어떻게 구현할 수 있는지에 대해 깊이 있게 살펴보고자 합니다. 잠시 흥미로운 예시를 하나 들어볼까요? 2019년, 애플 카드(Apple Card)는 성차별적 대출 심사 논란으로 사회적 이슈가 되었습니다. 같은 소득과 신용도를 가진 부부가 신청했는데, 남편의 신용 한도가 아내보다 월등히 높게 책정된 것이죠. 사람들은 즉각 이 결정이 ‘성별에 따른 차별’이라고 비판했습니다. 그러나 정작 카드 발급사와 심사 알고리즘을 관리하던 금융기관들은 이 문제가 발생한 이유를 정확히 설명하지 못했습니다. 결과적으로 심각한 이미지 타격을 입었죠. 이 사례는 금융권에서 AI가 작동할 때 발생할 수 있는 문제를 잘 보여줍니다. AI는 데이터 기반으로 의사결정을 내리는데, 데이터 자체가 편향되어 있거나, 알고리즘의 판단 기준이 명확히 드러나지 않는다면 금융기관은 심각한 윤리적·법적 책임을 질 수 있습니다. 이런 맥락에서 금융권에서는 AI를 사용할 때 반드시 다음과 같은 질문을 해야 합니다. “우리의 AI 모델은 왜 그런 결정을 내렸는가?” “AI가 내린 결정은 과연 공정한가?” “AI 모델의 판단 기준을 우리가 설명할 수 있는가?” AI 설명 가능성을 이루는 세 가지 핵심 요소 설명 가능성(Explicability)은 단지 모델의 작동 방식을 기술적으로 보여주는 것 이상입니다. 금융권에서 AI의 설명 가능성을 제대로 구현하기 위해서는 다음 세 가지 요소를 모두 갖춰야 합니다. (1) 투명성(Transparency) AI 모델이 어떻게 구성되어 있는지, 어떤 데이터로 훈련되었는지, 어떤 전제 조건이나 가정을 바탕으로 작동하는지를 이해관계자에게 명확하게 공개하는 것입니다. 예를 들어, 신용 평가 모델의 데이터 출처와 평가 변수 선정 이유를 고객과 규제 당국에 공개함으로써 신뢰를 얻을 수 있죠. (2) 해석 가능성(Interpretability) AI의 결정을 인간이 쉽게 이해할 수 있도록 하는 것입니다. 모델의 작동 방식을 단순한 알고리즘이나 시각적 도구를 통해 설명할 수 있어야 합니다. 예를 들어, 대출 신청을 거부한 이유를 구체적인 데이터 포인트로 설명할 수 있어야 합니다. (“당신의 신용카드 사용률이 높아 대출이 거절되었습니다.” 등) (3) 책임성(Accountability) AI 모델이 내린 결정에 대해 명확한 책임 소재를 정하고, 문제가 발생했을 때 어떻게 대응할지 사전에 정하는 것입니다. 모델이 잘못된 결정을 내렸을 때, 이를 즉각 수정하고 피해를 구제할 수 있는 명확한 프로세스와 책임자를 설정하는 것이죠. 이 세 가지 요소를 모두 아우르는 통합적 접근이 금융권에서 AI의 설명 가능성을 제대로 구현하는 핵심이라고 할 수 있습니다.

병원을 찾을 때 우리는 늘 정확한 진단과 빠른 치료를 기대합니다. 하지만 현실은 긴 대기 시간과 의사 인력 부족으로 인해 원하는 때에 치료받기 쉽지 않죠. 그런데 최근 마이크로소프트(Microsoft)가 공개한 놀라운 연구가 의료계에 새로운 가능성을 제시했습니다. 바로 인공지능(AI)을 활용한 진단 시스템이 인간 의사보다 네 배나 정확한 진단을 내렸다는 것입니다. "AI가 정말 의사를 대체할 수 있을까?" 하는 의문이 드는 것도 사실 입니다. AI 진단 오케스트레이터, 의료계에 등장하다 마이크로소프트가 발표한 "AI 진단 오케스트레이터(Microsoft AI Diagnostic Orchestrator, MAI-DxO)"는 단순한 인공지능 모델이 아닙니다. 이 시스템은 서로 다른 역할을 맡은 다섯 명의 의사가 모인 패널처럼 설계됐습니다. 각 AI 에이전트가 가설을 세우고, 검사 항목을 선택하고, 최종 진단을 내리기 위해 서로 의견을 주고받으며 가장 적절한 치료 방법을 도출하는 방식이죠. 여기서 흥미로운 점은 AI가 결론에 도달하는 과정을 명확히 보여준다는 것입니다. 마이크로소프트는 이를 '체인 오브 디베이트(Chain of Debate)'라 부르며, AI가 어떤 논리를 통해 문제를 해결했는지를 투명하게 공개했습니다. 인간 의사를 뛰어넘는 정확성? 그렇다면 이 AI는 실제 의료 현장에서 얼마나 효과적일까요? 이를 검증하기 위해 마이크로소프트는 미국 최고 의학 저널인 NEJM(New England Journal of Medicine)에 실린 가장 까다로운 진단 사례 304건을 AI에게 제시했습니다. 결과는 놀라웠습니다. AI가 가장 잘 작동한 경우(OpenAI의 o3 모델 사용)의 진단 정확도는 무려 85.5%였습니다. 같은 사례를 진단한 숙련된 인간 의사들의 성공률은 단 20%였습니다. 인간 의사들이 교과서나 동료의 도움을 받을 수 없었다는 한계가 있었지만, 그럼에도 AI의 압도적인 성과는 의료계의 큰 충격으로 다가왔습니다. 비용과 시간까지 절약하는 AI 정확성뿐만 아니라 비용 절감 효과도 눈길을 끌었습니다. 마이크로소프트는 AI에게 진단 과정에서 비용을 고려하도록 설정했고, 이에 따라 필요한 검사 수가 크게 줄어들어 실제 사례에서 수십만 달러의 비용을 절약할 수 있었다고 합니다. "이 시스템은 우리가 본 것 중 가장 뛰어난 AI 성능을 보였으며, 의료 접근성의 새로운 문을 열 수 있다." 마이크로소프트의 도미닉 킹(Dominic King) 박사는 이렇게 평가했습니다. AI 모델은 이제 '상품', 진짜 경쟁력은 '조합력' 이 실험에서 마이크로소프트는 OpenAI뿐 아니라 메타(Meta), 앤트로픽(Anthropic), 구글(Google), xAI 등 여러 기업의 AI 모델을 활용했습니다. 특히 최고 성능을 보인 OpenAI의 모델도 궁극적으로는 '상품화(commodity)'될 것이며, 진정한 차별성은 이런 모델들을 통합하고 조합하는 '오케스트레이터'에 있다고 무스타파 술레이만(Mustafa Suleyman)은 강조했습니다. 마이크로소프트는 이 기술을 자사의 AI 챗봇 코파일럿(Copilot)과 빙(Bing) 검색엔진에도 적용할 계획이라고 밝혔습니다. 이는 하루 5천만 건이 넘는 건강 관련 질문을 처리하는 플랫폼에서 엄청난 잠재력을 발휘할 것으로 기대됩니다. '의료 초지능' 시대, 준비가 필요하다 무스타파 술레이만은 이번 연구를 '의료 초지능(Medical Superintelligence)'을 향한 첫걸음이라 표현합니다. 더 빠르고 정확하며 저렴한 진단이 가능한 미래가 코앞으로 다가온 것입니다. 하지만 아직 임상 환경에 도입하기에는 추가 검증이 필요합니다. 심장 전문의이자 AI 의료 권위자인 에릭 토폴(Eric Topol) 박사 역시 이 연구가 실제 의료 환경에서 이루어진 것은 아니지만, AI가 가진 의료 효율성의 가능성을 입증한 중요한 연구라고 평가했습니다.