수 년전, LG전자 로봇 부분에서 일하던 동생이 마키나락스로 이직을 한다고 했을 때가 아마 제가 로봇 산업에 대해 처음 자세히 들여다 본 시작이였을 겁니다. 그 전까지 뭐 로봇청소기, 로봇팔 등을 사용해보고 이용해본적은 있지만 이걸 누가 어떻게 만들고 어떤 식으로 작동하는지 궁금해 했던 것은 처음이였습니다. 그리고 그 관심은 오래가진 못했습니다. 어릴 때, 아두이노로 간단한 반복작업을 하는 로봇을 만들거나 라즈베리파이로 인식해서 장애물 피하는 로봇 정도 만들어 본게 전부였던 저로서는 사실 좀 어렵기도 했었고, 당시 카카오브레인으로 이직을 앞두고 공부할게 많아서 깊게 생각은 못해봤었습니다. 그러다, 2023년 무렵 한 논문을 봤는데 Multimodal을 이용해 로봇팔을 학습시켜 특정 가사노동을 수행할 수 있게 하는 시연이 포함되어 있었습니다. 이후 이런 논문은 수도 없었지만 당시에는 매우 인상적이였습니다. 이후, 테슬라의 옵티머스나 피규어01 같은 모델을 보면서 휴머노이드가 완전 말도 안되는 이야기는 아닐지도? 하는 생각이 서서히 들기 시작했죠. 사실 제조 공장에 가보면 로봇팔(robotic arm, mechanical arm)은 생각 이상으로 정교하게 잘 만들어집니다. 제가 직접 본 게 H기업 조선소였는데 그때가 2023년이였으니 지금은 더 발전했을 거라 생각합니다. 그리고 이 분야에서 잘하고 있는 국내 기업들도 많구요. 휴머노이드의 경우에는 약간 다릅니다. 로봇팔은 결국 선이 꽂혀 있기에 전력을 꾸준히 공급받고 복잡한 컴퓨팅 계산을 하는데 상대적으로 빠르고 수월합니다. 다만 휴머노이드의 경우, 완전히 독립되어 움직이기 때문에, 배터리 부터 연산 능력까지 챙겨야할 게 많죠. 사실 그래서 무척 요원한 이야기라고 생각했습니다. 이번 2025년 엔비디아의 Physical AI 세션을 보기 전까진 말이죠. 사실 3월 부터 정리했던 것인데 미루다 보니 이렇게 게시가 늦어졌습니다. 지난 데이터 센터와 같은 포멧으로 작성해 보았습니다. 사실 위와 같이 휴머노이드 로봇에 대해 각종 컨설팅사에서 정리 해놓은 자료를 보면 보통 휴머노이드의 분야? 구동계?를 12개 정도로 나누는 것 같습니다. 머리 (Head), 어깨 (Shoulder), 팔꿈치 (Elbow), 허리 & 골반 (Waist & Pelvis), 손 (Hands), 상완 (Upper Arm), 전완 (Forearm), 허벅지 (Thigh), 종아리 (Calf), 발 (Feet), 배터리 팩 (Battery Pack), 기타 (Others) 이렇게 12개 분야인데 물론 저도 공부하는 입장이라 반박시 당신이 옳습니다. 2024년 약 32억 8천만 달러 규모에서 2032년에는 660억 달러로 확장될 것으로 전망되는데, 이는 연평균 45.5%의 성장률에 해당합니다. 게다가 최근 몇 년간 제조 비용이 40%나 급감하며 예전 예상치(연 15–20% 감소)를 훨씬 뛰어넘었고, 덕분에 산업용 적용과 투자 시기가 한층 앞당겨진 모습입니다. 저는 전체 12개 핵심 부품 카테고리를 하나하나 살펴보면서, 특히 가치가 높은 영역에 초점을 맞춰 투자가치를 매핑해보았습니다. 손의 중요성: 정교한 조작이 가치 사슬을 주도하다 제가 가장 눈여겨본 건 ‘손’ 부품입니다. 로봇 한 대당 이 부품 비용이 9,500달러(전체 비용의 17.2%)로 단연 최고죠. 덕분에 2032년까지 약 35억 달러 규모의 전용 시장이 형성될 전망입니다. 인간만큼 섬세하면서도 튼튼해야 하는 기술적 난도가 이 시장을 키우고 있습니다. Novanta Inc. (NASDAQ: NOVT): 엔드이펙터 기술과 다축(force/torque) 센서 제공 FANUC Corporation (TYO: 6954): 6축 힘 감지 센서 제조 Teradyne Inc. (NASDAQ: TER): Universal Robots 인수 후 엔드이펙터 솔루션 강화 Shadow Robot Company: 24자유도, 20개 구동 모터, 100여 개 센서를 갖춘 Dexterous Hand SCHUNK GmbH: 모듈식 그리핑 시스템 Figure AI: 2024년 2월, 6억 7,500만 달러 투자 유치(기업가치 26억 달러) 제가 특히 주목한 건 인체 피부를 모사한 다층 촉각 센서와 텐던 구동 시스템입니다. 이 두 가지가 좁은 공간에서 더 많은 자유도를 실현하면서, 촉각 센서 시장은 2030년까지 355억 달러에 이를 거라고 합니다. 이런 촉각센서는 휴머노이드 말고 다양한 곳에서 사용 될 거라는 생각이 들더라구요. 하체 부품: 이동성과 안정성의 기반 허벅지·종아리·발 부품은 휴머노이드 전체 비용의 38.6%를 차지합니다. 이른바 다리 부문은 로봇의 ‘걸음걸이’를 결정짓기에 투자 기회가 큽니다. 허벅지·종아리의 경우 2024년 기준, 시장규모 각 4억 3,300만 달러 → 2032년 87억 1,000만 달러로 빠른 성장을 예측하고 있고 이것을 지면과 연결하는 발 부분도 2025년 8~9억 달러를 예상한다고 합니다. Emerson Electric, Thomson Industries(Altra Industrial Motion): 고부하 선형 액추에이터 MISUMI Group: 정밀 기계 부품 Bosch Rexroth: 고출력 전동 액추에이터 Agility Robotics: Digit 2족 보행 로봇용 액추에이터 Figure AI: 차세대 하체 액추에이터

"AI를 활용해서 월 천만원은 쉽게 벌었어요!" "인공지능으로 수억 원의 부수입을 올렸습니다." 스레드나 인스타그램, 카카오톡을 열 때마다 인공지능으로 수익을 올렸다는 화려한 성공담들이 쏟아집니다. 매일같이 올라오는 글을 보며, 솔직히 부러움보다는 의구심이 먼저 들었죠. 제 주변에는 AI를 연구하거나, 직접 모델을 개발하는 사람이 많은 편인데 실제 기술을 개발하거나 서비스를 구축하는 사람들보다는 아이러니하게도 인공지능 강의를 하시는 분들이 더 빠르고 큰 수익을 올리는 것처럼 보였습니다. 오랫동안 IT로 밥벌이를 해왔지만, 제가 경험한 현실은 그렇게 드라마틱하지 않았거든요. 그러던 중 지난해부터 호기심 반, 재미 반으로 인공지능 코딩 도구를 이것저것 사용해보기 시작했습니다. 처음엔 단순히 유지보수나 작은 스크립트 작성 정도로만 쓰던 도구들이, 어느 순간부터는 예상 밖의 수익을 가져다 주기 시작했죠. 이걸 좀 더 체계적이고 목적성 있게 하면 바로 안드레이 카파시(Andrej Karpathy) 명명한? '바이브 코딩(Vibe Coding)'입니다. 지난 몇 달 간 저는 Cursor, Replit, Trae, V0, Copilot 등 다양한 AI 코딩 도구들을 써보면서, 최근엔 Windsurf와 Lovable 같은 툴도 써보고 있습니다. 직접 써보니 도구마다 분명한 특성과 차이가 있더군요. 코딩 경험이 전혀 없는 사람이 빠르게 프로토타입을 만들어낼 때 유리한 '콜드 스타트(Cold Start)' 도구와, 이미 어느 정도 코딩을 할 줄 아는 사람이 생산성을 폭발적으로 끌어올릴 때 좋은 '부스팅(Boosting)' 도구로 나눌 수 있다는 사실도 알게 되었습니다. 물론 제 마음대로 나눈 것이라 아무런 의미가 없습니다! 도구 분류 주요 특징 한 줄 평 Lovable 콜드 스타트 프론트엔드, 디자인, 백엔드 통합 자동화 Supabase(데이터베이스) 및 이메일 통합 IT인이고 아이디어가 명확할 때 쓰기 좋음. Replit 콜드 스타트/부스팅 브라우저 기반 개발 환경 배포 및 오토 스케일링, 호스팅 모바일 앱으로 사용 가능

여러분이 식당에 갔다고 상상해 볼까요? 한 식당에서는 메뉴판을 받고, 다른 식당에서는 메뉴 없이 웨이터와 자유롭게 대화해야 합니다. 메뉴판이 있으면 쉽게 주문할 수 있지만, 메뉴판에 없는 주문은 어렵죠. 반면 웨이터와의 자유로운 대화는 가능성은 무한하지만, 무엇을 어떻게 요청해야 할지 고민해야 합니다. 오늘날 우리가 인공지능(AI)과 소통하는 방식도 바로 이 두 가지 방식으로 나뉩니다. 이전 글에서 다룬 대로, 효율성과 성능 중심의 LLM(Large Language Model) 기반 인터페이스가 있다면, 인간 경험 중심의 인터페이스도 필요합니다. 이 두 가지 접근법은 서로를 배제하는 게 아니라, 각각 엔진 레이어와 인터랙션 레이어라는 별도의 층에서 공존할 수 있습니다. 아래 글에서 이어 작성되는 글 입니다. 1. 엔진 레이어: 프롬프트 관리와 모델 최적화의 세계 앞서 파인튜닝에 관한 글에서 언급했듯이, 인공지능을 효과적으로 활용하기 위해서는 엔진 레이어에 대한 이해가 필수적입니다. 이 레이어는 생성형 AI의 성능과 효율성을 극대화하는 데 초점을 맞추고 있습니다. 제가 운영하는 3blocks.ai를 통해 다양한 기업들의 AI 도입을 지원하면서 발견한 사실은, 많은 기업들이 "인공지능 좀 써보자"라는 간단한 생각으로 시작하지만, 실제로는 그 도입 과정이 결코 간단하지 않다는 점입니다. 특히 폐쇄망 환경에서는 단순히 API를 가져다 쓰는 것이 아니라, 데이터 전처리부터 모델 서빙까지 전 과정을 직접 구축해야 하는 경우가 많습니다. 엔진 레이어에서 중요한 것은: 프롬프트 관리: PromptHub나 LangSmith 같은 도구를 통해 프롬프트를 Git 코드처럼 버전 관리하고 최적화합니다. RAG(Retrieval-Augmented Generation): 관련 정보를 검색하여 모델의 응답을 증강하는 기술로, 기업 내부 데이터와 LLM을 효과적으로 연결합니다. 파인튜닝: 특정 도메인이나 업무에 맞게 모델을 추가 학습시키는 과정으로, 법률 문서 요약이나 의료 기록 분석 같은 전문 분야에 활용됩니다. 다만, GPT-4o의 시스템 프롬프트를 살펴보면서 깨달은 점은, 실제 연구 분야에서도 프롬프트는 그리 복잡하지 않다는 것입니다. 어떻게 출력하는지 양식을 정하는 정도를 '엔지니어링'이라 부르기엔 민망한 면이 있죠. 결국 중요한 것은 현란한 프롬프트 기법보다는 실제 문제 해결에 적합한 접근법을 찾는 것이라고 생각합니다. 2. 인터랙션 레이어: 사용자 중심의 경험 설계 반면, 인터랙션 레이어는 사용자가 AI와 어떻게 소통하고 작업하는지에 초점을 맞춥니다. 인텔의 사례에서 볼 수 있듯이, AI 기술 수용에 있어 경험이 미치는 영향은 상당합니다. 사용 경험이 있는 사람의 64%가 다음 업그레이드에서도 AI PC를 고려한 반면, 경험이 없는 사람들 중에서는 32%만이 긍정적인 태도를 보였죠. 직관적인 인터페이스 제공은 복잡한 AI 기술을 일반 사용자도 쉽게 활용할 수 있게 하는 핵심입니다. 마치 슬랙(Slack)이 IRC의 기능을 일반 사용자도 이해하고 사용할 수 있는 통합 소프트웨어로 재탄생시킨 것처럼, AI 인터페이스도 그러한 변혁이 필요합니다. 인터랙션 레이어에서 주목할 점은: 시각적 흐름과 맥락: Miro나 Tana처럼 사용자의 사고를 시각적으로 확장할 수 있는 인터페이스 설계 접근성 있는 UI: 복잡한 명령어 대신 직관적인 버튼과 메뉴 구조 맥락 유지: 사용자의 작업 맥락을 이해하고 기억하는 지속적인 상호작용 최근에 많은 주목을 받은 Ideogram AI처럼 타이포그래피나 로고 디자인 같은 특화된 영역에서 인터랙션 레이어의 중요성은 더욱 두드러집니다. 기술의 복잡성을 감추고 창의적 표현에 집중할 수 있게 하는 인터페이스가 사용자 경험의 핵심이죠. 3. 하이브리드 인터페이스의 미래 그렇다면 이 두 레이어는 어떻게 만나야 할까요? 이상적인 하이브리드 인터페이스는 다음과 같은 구조를 가져야 한다고 생각합니다:

지난 몇 년간 생성형 AI 분야에서 가장 주목받은 이름 중 하나는 단연 메타(Meta)의 Llama 시리즈일 것입니다. 그런 메타가 올해 처음으로 LlamaCon이라는 이름의 대규모 컨퍼런스를 개최했습니다. 이번 컨퍼런스에서는 메타가 생각하는 AI의 미래 방향과 비전을 확실히 엿볼 수 있었는데요. 제가 직접 참여하면서 얻은 인사이트를, 공식 발표된 내용과 함께 정리해서 공유드립니다. 모바일 앱으로 일상에 더 가까워진 Meta AI LlamaCon 2025에서 가장 눈길을 끈 발표 중 하나는 바로 Meta AI 독립형 모바일 앱 출시였습니다. 이 앱은 최신 모델인 Llama 4를 기반으로 하며, 텍스트와 음성 기반의 자연스러운 대화는 물론, 이미지 생성 및 편집 기능까지 제공합니다. 메타의 다양한 플랫폼 데이터와 연동되어 각 사용자에게 개인화된 디스커버 피드까지 제공합니다. 특히 흥미로웠던 점은 이 앱이 Ray-Ban의 스마트 글래스와 통합된다는 발표였습니다. 스마트 글래스를 통해 AI 어시스턴트를 언제 어디서나 자유롭게 활용할 수 있다는 점에서, 메타가 웨어러블 AI 시대의 가능성을 본격적으로 열었다고 볼 수 있습니다. 12억 회 다운로드 돌파: 오픈소스 AI의 성공 방정식 Llama의 인기는 이미 입증되었습니다. Llama 시리즈는 출시 약 2년 만에 무려 누적 다운로드 12억 회라는 기록을 세웠습니다. 2024년 12월 6.5억 회 2025년 3월 10억 회 최근 12억 회 돌파 이 놀라운 성장의 비결은 메타가 채택한 오픈소스 전략과 강력한 커스터마이징 기능 덕분이라고 할 수 있습니다. 앞으로 더 많은 개발자와 기업들이 이 오픈소스 AI 생태계에 뛰어들 것으로 보입니다. Llama API 출시: 오픈소스와 API의 완벽한 결합 이번 컨퍼런스에서 개인적으로 가장 관심 있게 본 발표가 바로 Llama API의 공개였습니다. 제한된 프리뷰 형태로 제공된 이 API는 개발자들이 간편하게 Llama 모델을 호출하고 커스터마이징할 수 있게 돕습니다. Python과 Typescript SDK 지원 OpenAI SDK와 완벽 호환 Cerebras 및 Groq와 협력하여 빠른 추론 환경 제공 자체 데이터로 미세조정(fine-tuning)까지 가능 특히 메타가 강조한 점은, 개발자가 만든 커스텀 모델과 그 가중치를 완전히 사용자 소유로 인정한다는 것입니다. 이는 데이터 및 모델 주권에 대한 중요한 메시지로 받아들여지고 있습니다. Llama Stack의 기업 환경 확대 메타는 Llama Stack을 엔터프라이즈급 AI 솔루션으로 발전시키기 위해, NVIDIA NeMo, IBM, Red Hat, Dell과 같은 글로벌 기업들과의 협력 확대를 발표했습니다. 이 파트너십은 기업들이 다양한 환경에서도 Llama를 손쉽게 운영할 수 있도록 하는 것을 목표로 합니다. 이는 특히 보안과 성능, 비용 효율성을 모두 갖춰야 하는 금융, 의료, 공공기관 등에서 큰 관심을 받을 전망입니다. 최근 아래와 같은 뉴스를 봤는데 이것도 이런 행도의 일환일까 하는 생각도 들었습니다. 보안까지 신경 쓴 오픈소스 AI 생태계 구축 오픈소스 모델 사용 시 가장 큰 걱정거리 중 하나가 바로 보안 이슈입니다. 메타는 이번 발표에서 이러한 우려를 해결할 다양한 보안 도구들을 공개했습니다.

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)