AI Strategy

AI를 학습시키기 위해 기업이 찾는 데이터가 점점 달라지고 있습니다. 예전에는 문서나 대화 기록이 중심이었다면, 이제는 직원이 실제로 어떻게 일하는지까지 학습 대상이 되고 있는데요. 최근 Meta와 SpaceX가 비슷한 방향의 실험을 꺼내 들었습니다. Meta는 직원의 키 입력과 마우스 움직임을 수집했다가 두 달 만에 멈췄고, SpaceX는 직원들의 지식으로 Grok을 학습시키겠다고 선언했죠. 같은 아이디어에서 출발했지만 전개는 꽤 달랐습니다. 두 사례를 따라가 보면, 앞으로 기업이 AI에 조직의 지식을 학습시킬 때 무엇을 먼저 고민해야 하는지가 조금 더 선명하게 보입니다. 직원 AI 학습이 시작된 이유 2026년 기업용 AI의 중심은 단순히 질문에 답하는 챗봇에서, 사람 대신 실제 업무를 수행하는 AI 에이전트로 빠르게 옮겨가고 있습니다. 그런데 에이전트를 제대로 만들려면 문서나 대화 기록만으로는 부족합니다. 사람이 어떤 순서로 프로그램을 열고, 어디를 클릭하고, 어떤 메뉴를 고르는지처럼 실제로 컴퓨터를 사용하는 행동 데이터가 필요하거든요. Meta도 이 점을 분명하게 설명했습니다. 사람이 업무를 끝내는 방식을 AI가 배우려면 마우스 이동이나 버튼 클릭, 드롭다운 탐색 같은 실제 사용 사례가 필요하다는 겁니다. 문제는 이런 데이터를 어디서 확보하느냐인데요. 가장 많은 행동 데이터가 쌓이는 곳은 결국 회사 내부입니다. 직원들은 매일 같은 업무 도구를 쓰고, 반복적으로 판단하고, 각자의 방식으로 일을 처리하죠. 그래서 이제 기업 입장에서는 직원이 일하는 방식 자체가 AI를 학습시키는 자산으로 보이기 시작한 겁니다. Meta는 왜 직원 AI 학습을 멈췄을까 Meta는 지난 4월 사내 **Model Capability Initiative(MCI)**를 시작했습니다. 미국 직원의 업무용 노트북에서 키 입력, 마우스 이동과 클릭 위치, 화면 캡처 등을 수집해 AI 에이전트 학습에 활용하는 프로그램이었죠. 문제는 직원이 사실상 거부하기 어려운 방식으로 도입됐다는 점입니다. 회사는 민감 정보를 보호한다고 설명했지만, 직원 입장에서는 내가 어떤 일을 어떻게 처리하는지까지 회사가 기록하는 구조였습니다.

바이브 코딩의 품질 루프 잘 키운 1 클로드코드 10 헤르메스 안부럽다 — EP.06 만들게 하는 것과 만든 걸 믿는 것은 다른 문제입니다. 클로드코드에 풀세트로 들어 있는 검토와 검증 도구 열 개. 안 쓰고 있을 뿐이에요. 클로드가 코드를 짜줍니다. 돌아가는 것 같아요. 그래서 그냥 씁니다. 그러다 일주일 뒤에 이상한 데서 터지죠. 바이브 코딩의 함정이 이겁니다. 만들어지는 속도에 취해서 믿는 절차를 건너뛰는 것. 만들게 하는 것과 만든 걸 믿는 것은 완전히 다른 문제입니다. 검증 장치가 있어야 마음 놓고 더 큰 일을 맡길 수 있어요. 품질 루프 — 만들고, 보고, 검토받고, 돌려보고, 그다음에 믿는다 단계 할 일 커맨드 STEP 1 만들기 클로드에게 기능 구현을 맡깁니다. — STEP 2 눈으로 보기 뭘 바꿨는지 내 눈으로 훑기. /diff STEP 3 검토받기 검토하는 클로드가 버그와 군더더기를 찾기. /code-review

얼마 쓰는지 알고 쓰자 잘 키운 1 클로드코드 10 헤르메스 안부럽다 — EP.05 내가 얼마나 쓰는지 모르면 요금제를 고를 수 없습니다. 화려하진 않지만 도구를 오래 쓰려면 반드시 알아야 하는 것들. 오늘은 비용, 계정, 진단 커맨드 열한 개를 다룹니다. 휴대폰 데이터 요금제 생각해보세요. 내가 한 달에 데이터를 얼마나 쓰는지 모르면 요금제를 고를 수가 없죠. 무제한을 쓰자니 아깝고, 작은 걸 쓰자니 월말마다 느려지고요. 클로드코드도 똑같습니다. 대부분의 사용자가 자기가 얼마나 쓰는지 한 번도 확인해본 적이 없습니다. 요금제 고민과 사용 습관 개선은 전부 숫자 위에서 시작됩니다. PART 1 — 내 사용량을 숫자로 보기 감이 아니라 숫자를 보고 결정하는 법. /usage — 사용량 계기판 내 요금제, 이번 주기 사용량, 한도 리셋 시각을 보여줍니다. /cost나 /stats로 쳐도 같은 화면이 나와요. 2편 연계: 책상을 깨끗하게 유지하는 습관이 곧 사용량을 아끼는 습관입니다. 어질러진 책상 위에서 일을 시키면 클로드가 매번 그 책상 전체를 다시 읽거든요. /insights — 지난 30일 리포트 지난 30일간의 사용 패턴을 분석한 리포트를 만들어줍니다. 어떤 작업에 시간을 많이 썼는지, 세션이 어떻게 흘러갔는지. 습관: 한 달에 한 번 열어보면 내 작업 습관이 보입니다. /usage-credits — 보조 배터리 한도를 넘겨 더 쓰고 싶을 때의 추가 크레딧 설정입니다. 마감이 코앞인데 한도가 걸리면 난감하니까요. 운용: 필요한 달에만 열어 쓰는 보조 배터리라고 생각하세요. /upgrade — 요금제 상향 상위 요금제로 올라갑니다. 타이밍: /usage를 몇 주 관찰했는데 매번 한도에 부딪히고 있다면 그때. PART 2 — 계정 관리

내 손에 맞게 깎기 잘 키운 1 클로드코드 10 헤르메스 안부럽다 — EP.04 목수는 연장 손잡이를 자기 손에 맞게 깎아 씁니다. 설치했을 때 그대로, 남의 손에 맞춰진 클로드코드를 쓰고 계신가요. 오늘은 환경 커스터마이징 커맨드 열 개를 다룹니다. 목수는 연장 손잡이를 자기 손에 맞게 깎아 씁니다. 매일 쓰는 도구일수록 손에 맞느냐가 실력만큼 중요하니까요. 클로드코드도 마찬가지입니다. 그런데 대부분은 설치했을 때 상태 그대로, 남의 손에 맞춰진 연장을 쓰고 있어요. PART 1 — 고민의 깊이를 조절하는 다이얼 가장 먼저 깎아야 할 곳은 클로드의 머리입니다. 모든 질문에 같은 깊이로 고민할 필요는 없거든요. 오타 수정에 10분씩 고민하는 직원도, 아키텍처 설계를 3초 만에 던지는 직원도 곤란하잖아요. 다이얼은 세 개입니다. 다이얼 질문 커맨드 머리 어떤 머리를 쓸까 /model 깊이 그 머리로 얼마나 깊게 고민할까 /effort 속도 결과를 얼마나 빨리 뱉을까 /fast

클로드 길들이기 잘 키운 1 클로드코드 10 헤르메스 안부럽다 — EP.03 새 세션을 열 때마다 처음 만난 사람처럼 구는 클로드. 오늘은 기억을 심는 법(CLAUDE.md)과 얼마나 믿고 맡길지 정하는 법(권한 모드)을 배웁니다. 클로드코드를 쓰다 보면 이런 순간이 옵니다. "우리 프로젝트는 파이썬 3.11 쓴다니까?" "커밋 메시지는 한국어로 써달라고 했잖아." 분명 지난주에 말했는데, 새 세션을 열면 클로드는 처음 만난 사람처럼 굽니다. 매번 같은 설명을 반복하다 보면 현타가 와요. 클로드가 무심해서가 아닙니다. 우리가 인수인계 문서를 안 준 겁니다. 기억을 심고, 믿고 맡기는 범위를 정하는 순간부터 클로드코드는 도구가 아니라 팀원이 됩니다. PART 1 — 출근 첫날 신입에게 주는 온보딩 문서 CLAUDE.md 파일을 만들어두면, 클로드는 매 세션 그 문서를 읽고 출근합니다. 회사에 신입이 들어오면 온보딩 문서를 주죠. 우리 팀은 이런 규칙으로 일하고, 코드는 이렇게 짠다는 문서요. CLAUDE.md가 정확히 그겁니다. 그리고 이 기억은 두 층으로 나뉩니다. 전역 기억 프로젝트 기억 위치 홈 폴더의 CLAUDE.md 프로젝트 폴더의 CLAUDE.md 적용 범위 어느 프로젝트든 적용되는 내 스타일. 프로젝트가 바뀌어도 변하지 않는 나의 규칙. 이 프로젝트에서만 유효한 규칙. 이 코드베이스의 기술 스택과 팀 컨벤션. 예시

컨텍스트가 전부다 잘 키운 1 클로드코드 10 헤르메스 안부럽다 — EP.02 손발이 척척 맞던 클로드가 갑자기 멍청해지는 이유는 하나입니다. 책상이 가득 찬 것. 오늘은 이 시리즈에서 제일 중요한 개념 하나와, 그걸 다루는 커맨드 아홉 개를 배웁니다. 이런 경험 있으실 거예요. 분명 아까까지는 손발이 척척 맞던 클로드가, 대화가 길어지니까 갑자기 멍청해집니다. 아까 정한 규칙을 까먹고, "어떤 함수를 말씀하시는 건가요?"라고 되묻고, 이미 고친 코드를 또 고치겠다고 해요. 클로드가 갑자기 바보가 된 걸까요? 아닙니다. 책상이 가득 찬 겁니다. 오늘 다루는 커맨드들이 손에 붙으면, "클로드는 긴 작업에 약하다"는 말이 남의 얘기가 됩니다. PART 1 — 클로드의 책상, 컨텍스트 윈도우 크기가 정해진 책상 위에서 일한다는 것. 이 비유 하나면 오늘 내용의 절반은 끝납니다. 클로드에게는 한 번에 볼 수 있는 범위가 있습니다. 이걸 컨텍스트 윈도우라고 불러요. 저는 책상에 비유하는 걸 좋아합니다. 클로드는 우리와 나눈 대화, 읽은 파일, 작업 기록을 전부 책상 위에 펼쳐놓고 일합니다. 그런데 책상 크기는 정해져 있어요. 대화가 길어질수록 책상이 서류로 뒤덮이고, 어느 순간부터는 정작 중요한 서류가 안 보이기 시작합니다. 클로드가 멍청해진 게 아니라, 책상이 어질러진 겁니다. 그럼 첫 번째로 할 일은 뭘까요? 내 책상이 지금 얼마나 찼는지 보는 겁니다. /context — 책상 사용량 계기판 컨텍스트 사용량을 시각화해서 보여줍니다. 지금 대화가 책상의 몇 퍼센트를 차지하는지, 뭐가 자리를 많이 먹고 있는지 한눈에 보여요. 언제 쓰나: 작업이 길어진다 싶으면 중간중간. 76% 넘게 찼는데 아직 할 일이 많다면, 이제 책상을 치울 시간. PART 2 — 책상을 치우는 세 가지 방법 요약해서 비우거나, 새 책상을 펴거나, 시간을 되돌리거나. /compact ⭐ 이 편의 추천 요약 정리입니다. 지금까지의 대화를 클로드가 스스로 요약해서, 핵심만 남기고 책상을 비웁니다. 기억은 이어지는데 자리는 확보되는 거죠.

이번 주 팀제이커브의 유튜브 채널에 작은 변화가 있었습니다. 두개의 영상이 빠르게 퍼지면서 조회수 3만을 넘겼고, 하루 만에 구독자가 1,000명 이상 늘었습니다. 물론 이런 결과를 썸네일 하나로 설명할 수는 없습니다. 콘텐츠의 주제, 영상의 완성도, 업로드 시점 등 다양한 요소가 함께 작용했을 겁니다. 그런데 저희는 이 영상을 보면서 지난 4주 동안 진행했던 실험을 다시 떠올렸습니다. 유튜브 공식 AI 썸네일과 사람이 만든 썸네일은 실제로 얼마나 차이가 날까?라는 질문이었습니다. 요즘 AI는 제목도 써주고, 대본도 써주고, 편집도 도와줍니다. 유튜브에서도 AI로 썸네일을 만들 수 있는 기능을 제공하고 있고요. 그래서 궁금했습니다. 정말 썸네일까지 AI에게 맡겨도 괜찮을까? 생각보다 AI가 잘 만들었습니다 실험은 최대한 공정하게 진행했습니다. 구독자 100명 이하의 초기 채널을 대상으로, 유튜브에서 공식 제공하는 AI 썸네일 기능과 사람이 직접 만든 썸네일을 비교했습니다. 처음에는 AI가 꽤 잘하는 것처럼 보였습니다. 디자인도 깔끔했고, 시선을 끄는 요소도 적절했습니다. "이 정도면 사람이 만들 필요가 없겠는데?"라는 생각이 들 정도였죠. 하지만 테스트를 이어가면서 조금씩 다른 모습이 보이기 시작했습니다.

당신은 클로드코드의 10%만 쓰고 있다 잘 키운 1 클로드코드 10 헤르메스 안부럽다 — EP.01 새 에이전트 소식에 흔들리기 전에, 지금 손에 든 도구부터 열어봅시다. 입력창의 세 가지 문, 그리고 내 도구의 상태를 읽는 커맨드 아홉 개. 요즘 AI 에이전트 소식, 따라가기 벅차지 않으세요? 헤르메스가 나왔다더라, 어디는 에이전트 여러 개를 동시에 돌린다더라, 이런 얘기가 매주 나옵니다. 그때마다 마음 한구석이 불안해져요. 나만 뒤처지는 건 아닌가 싶고요. 그런데 하나 여쭤볼게요. 지금 쓰고 계신 클로드코드, 슬래시 커맨드가 몇 개나 있는지 아세요? 100개가 넘습니다. 그리고 새 에이전트들이 간판으로 내세우는 기능 대부분이 사실 이 안에 이미 들어 있어요. 멀티에이전트도, 자동 스케줄 실행도, 코드리뷰 전문 에이전트도요. 이 시리즈의 결론을 먼저 말씀드릴게요. 옮겨 다니지 말고, 하나를 제대로 키우세요. 잘 키운 클로드코드 하나가 어설프게 아는 에이전트 열 개보다 낫습니다. 총 8편에 걸쳐 핵심 커맨드 80개를 상황별로 묶어 다룹니다. 오늘은 첫 편이니까 가장 기본부터 시작할게요. 클로드코드에 말을 거는 세 가지 방법, 그리고 내 도구의 상태를 파악하는 커맨드들입니다. PART 1 — 입력창에는 사실 세 가지 문이 있다 첫 글자를 뭘로 시작하느냐에 따라 완전히 다른 문이 열립니다. / 슬래시, 명령어의 문

경쟁사의 AI 안전성을 확인하겠다며 가짜 미성년자 계정으로 자해·자살 질문을 수만 건 던졌다면 어떨까요. 메타가 ChatGPT·Gemini·Character.AI를 상대로 대규모 비공개 테스트를 진행했다는 보도가 나오면서 논란이 커지고 있습니다. 메타는 왜 가짜 10대 계정을 만들었나 WIRED 보도에 따르면 메타는 외부 업체 Covalen의 계약 인력을 통해 미성년자로 설정된 가짜 계정을 만들었습니다. 그리고 경쟁사 챗봇에 자살, 자해, 섭식장애, 성, 약물과 관련된 질문을 반복해서 입력했죠. 2025년 8월 진행된 한 차례 테스트에서만 4만 5,000개 이상의 프롬프트가 사용된 것으로 전해집니다. 답변은 스프레드시트에 기록됐고, 경쟁사 AI의 안전장치를 비교하는 데이터로 정리됐습니다. 안전성 테스트인가, 경쟁사 염탐인가 AI 기업이 자사 모델을 대상으로 위험한 질문을 던져보는 일은 흔합니다. 이른바 레드팀 테스트인데요. 문제는 이번 테스트가 경쟁사의 실제 서비스에서 사전 동의 없이 진행됐다는 점입니다. OpenAI와 Google, Character.AI는 테스트를 승인하지 않았으며 서비스 약관을 위반한 행위라고 밝혔습니다. 안전성을 확인하기 위한 벤치마킹이었다고 해도, 가짜 아동 계정을 만들고 경쟁사의 응답을 대량 수집했다면 이야기가 달라집니다. 결국 논란의 핵심은 질문의 수위만이 아닙니다. 안전을 명분으로 경쟁사의 시스템을 어디까지 시험할 수 있느냐는 것이죠. 이번 사건이 AI 업계에 남긴 경고 이번 보도는 메타 한 곳의 평판 문제로 끝나지 않을 가능성이 큽니다. 미국에서는 이미 미성년자의 챗봇 이용과 AI 기업의 보호 책임을 강화하려는 논의가 이어지고 있거든요. 특히 메타가 경쟁사의 아동 보호 장치를 분석해 놓고, 그 결과를 내부에서 어떻게 활용했는지는 아직 명확히 밝혀지지 않았습니다. 규제 기관이 이 부분을 들여다보기 시작한다면 AI 안전성 테스트의 기준도 더 엄격해질 수 있습니다.

ChatGPT나 이미지 생성 AI를 써본 사람은 이제 정말 많습니다. 업무 자료를 정리하고, 아이디어를 뽑고, 간단한 시안을 만드는 일은 더 이상 낯설지 않죠. 그런데 음악이나 영상, 예술 창작으로 넘어가면 이야기가 조금 달라집니다. AI에 대한 친숙도는 분명 올라갔지만, 예술 창작 영역에서는 여전히 조심스러운 시선이 남아 있거든요. 특히 음악 교육 현장에서는 질문이 더 복잡해집니다. AI로 만든 음악도 창작이라고 볼 수 있을까? 학생들에게 AI 음악 도구를 가르치는 게 맞을까? AI가 결국 아티스트의 자리를 대체하는 건 아닐까? 이 질문이 지금 버클리음대 안에서도 나오고 있습니다. AI 음악 교육이 예술대학 안으로 들어왔다 버클리음대는 최근 Berklee Emerging Artistic Technology Lab, 줄여서 BEATL이라는 실험 공간을 만들었습니다. 이름 그대로, 새롭게 등장하는 예술 기술을 학생들이 직접 실험해보는 공간입니다. 여기서 학생들은 AI 음악 생성 도구를 활용해 곡의 아이디어를 만들고, 장르를 실험하고, 새로운 방식으로 음악을 제작합니다. Suno 같은 AI 음악 플랫폼도 그중 하나입니다. 버클리음대가 왜 SunoAI를 캠퍼스 안으로 들여왔을까요? 학생들이 앞으로 마주할 음악 산업이 이미 바뀌고 있기 때문입니다. 음악은 더 이상 악기만 잘 다루면 되는 영역이 아닙니다. DAW를 다뤄야 하고, 샘플을 편집해야 하고, 영상과 숏폼 플랫폼의 문법도 이해해야 합니다. 여기에 이제 AI 음악 도구까지 들어오고 있는 거죠. 하지만 학생들은 불안해하고 있다

삼성·카카오·네이버 회동이 당신의 회사에 던지는 질문 일주일 사이에 젠슨 황과 샘 알트만이 연달아 한국을 찾았습니다. 세계 AI 산업의 두 정점이 같은 달, 같은 도시, 심지어 같은 기업을 방문한다는 건 우연이 아닙니다. 한국이 글로벌 AI 전쟁의 전략적 요충지가 됐다는 뜻이고, 이 흐름은 한국에서 일하는 우리 모두 — HRD 담당자, 직장인, 그리고 의사결정을 내려야 하는 CEO — 에게 직접적인 질문을 던집니다. 오늘은 알트만의 이번 방한을 단순 뉴스가 아니라 "내 조직은 무엇을 준비해야 하는가"의 관점으로 풀어보겠습니다. 팩트부터: 1박 2일, 세 개의 회동 먼저 확인된 사실만 정리하면 이렇습니다. 알트만 CEO는 6월 14일 오후 입국해, 15일 하루 동안 카카오 판교아지트(정신아 대표) → 삼성전자 수원 디지털시티(DX 인사이트 토크 강연 및 경영진 회동) → 네이버 1784(최수연 대표) 를 연쇄 방문합니다. 지난해 10월 이후 약 8개월 만의 재방한입니다. 겉으로 보면 강연 한 번, 미팅 두세 번입니다. 그런데 타이밍을 들여다보면 이야기가 달라집니다. 왜 하필 지금인가 — 세 개의 발화점 업계 분석을 종합하면, 이번 방한의 배경에는 세 가지 사건이 겹쳐 있습니다. 첫째, OpenAI의 IPO 시계가 돌기 시작했습니다. OpenAI가 SEC에 상장 절차를 개시했다는 관측이 나오고 있습니다. 상장을 앞둔 기업에게 가장 필요한 건 "이 적자는 미래 시장을 선점하기 위한 투자"라는 서사이고, 그 서사를 증명하는 가장 좋은 방법이 굵직한 글로벌 파트너십입니다. 한국은 그 서사의 핵심 무대입니다. 둘째, 삼성이 '한 우물'을 파지 않기로 했습니다. 삼성전자 DX부문은 최근 사내 업무망에 ChatGPT, Gemini, 그리고 Anthropic의 Claude까지 3개 모델을 병렬 도입한다고 발표했습니다. 임직원이 업무 성격에 따라 모델을 골라 쓰는 멀티모델 AX 전략입니다. 여기에 삼성이 Anthropic의 투자 라운드에 전략적 투자자로 참여했다는 소식까지 더해지면, OpenAI 입장에서는 10만 명 규모의 초대형 엔터프라이즈 고객이 경쟁사 쪽으로 분산되는 그림입니다. 알트만이 직접 수원으로 내려와 임직원 강연까지 하는 이유, 짐작이 가시죠.

AI는 이제 업무 도구를 넘어 우리의 판단과 의사결정 과정에 깊숙이 들어오고 있습니다. 생성형 AI를 넘어 에이전트 AI까지 등장하면서, AI가 직접 정보를 찾고 행동하는 시대가 열리고 있죠. 이런 변화 속에서 정부가 새로운 「AI 윤리원칙」 초안을 공개했습니다. 이번 개정안은 단순히 AI를 안전하게 사용하자는 수준을 넘어, 인간의 자율성부터 투명성, 지속가능성까지 AI 시대에 필요한 새로운 기준을 제시하고 있는데요. 기업과 실무자 입장에서도 앞으로의 AI 활용 방향을 고민할 때 한 번쯤 살펴볼 만한 내용입니다. 왜 지금 AI 윤리원칙이 다시 나왔을까? 생성형 AI와 에이전트 AI가 바꾼 환경 몇 년 전만 해도 AI는 특정 업무를 자동화하거나 예측하는 기술로 인식됐습니다. 그런데 지금은 상황이 완전히 달라졌죠. ChatGPT를 비롯한 생성형 AI가 일상에 들어왔고, 최근에는 스스로 정보를 찾고 작업을 수행하는 에이전트 AI까지 등장하고 있습니다. 정부도 이번 윤리원칙 초안에서 생성형 AI와 에이전틱 AI, 피지컬 AI의 등장으로 인공지능의 영향력과 파급력이 크게 확대됐다고 설명했습니다. 생성형 AI와 에이전트 AI 확산으로 인간의 의사결정 과정에 AI가 깊숙이 관여하는 모습을 표현한 인포그래픽 이제 AI는 단순히 업무를 돕는 수준을 넘어 인간의 판단과 선택 과정에 직접 관여하는 기술이 되고 있는데요. 그만큼 생산성과 편의성은 높아졌지만, 자율성 침해나 편향, 프라이버시 문제 같은 새로운 위험도 함께 커지고 있습니다. 기존 AI 윤리기준에서 윤리원칙으로 사실 우리나라에는 이미 2020년에 발표된 「인공지능 윤리기준」이 있었습니다. 하지만 당시와 비교하면 AI 기술의 수준과 활용 범위는 완전히 달라졌죠. 정부는 이번 초안에서 국내 AI 법·제도 환경이 정비되고 국제사회의 논의도 발전함에 따라, 기존 윤리기준을 계승하면서도 현재 환경에 맞는 새로운 윤리원칙을 정립할 필요가 있다고 설명합니다. 2020년 발표한 인공지는 윤리 기준. 출처 인공지능 윤리 소통채널

AI 전환은 도구가 아니라 문화였다: 강남언니 AX Voyage 정리 강남언니(힐링페이퍼)의 AX 이야기를 읽다 보면, "AI를 도입했다"는 말이 얼마나 얕은 표현인지 금방 느껴진다. 중요한 건 툴이 아니라 조직이 계속 쓰게 만드는 구조였기 때문이다. 힐링페이퍼는 이 여정을 4개 페이즈(Phase 0~3)로 나눠 공개했는데, 그 프레임이 꽤 실무적이다. 멋있는 선언이 아니라 "실제로 회사에서 어떤 일이 터지고, 그걸 어떻게 붙잡는가"에 가깝기 때문이다. 1) 강남언니가 AX를 '항해'로 정의한 이유 AX가 어려운 진짜 지점: "전 직원이 AI를 쓰고 난 이후부터" 힐링페이퍼가 던진 문장 하나가 꽤 정확하다. "AX의 어려움은 전 직원이 AI를 쓰고 난 이후부터 진짜 시작된다." 처음엔 다들 신기해서 쓴다. 문제는 그 다음이다. 쓰는 사람이 늘어나면 업무가 갑자기 '아이디어'에서 '운영'으로 넘어간다. 누가 뭘 만들고 있는지, 비용은 어디서 새는지, 권한은 어디까지 열어야 하는지 같은 질문이 한꺼번에 몰려온다. AX는 실무자의 '노력'이 아니라 경영의 '결정'에서 시작된다 Phase 0을 "항구"라고 이름 붙인 이유도 여기에 있다. 여기서 막히면 출항 자체가 안 되기 때문이다. 힐링페이퍼는 AX를 비용과 권한을 결정하고, 결과적으로 문화를 바꾸는 일로 정의한다. 누군가는 "이 도구 결제해도 된다"고 말해줘야 하고, 누군가는 "이 데이터에 AI를 붙여도 된다"고 결정해야 한다. 이게 풀리지 않으면 실무자가 아무리 똑똑해도 AX는 굴러가기 어렵다는 것이다. 도구를 깔아도 문화가 안 움직이면 '전사 전환'은 멈춘다 여기서 자연스럽게 결론이 나온다. AX는 툴이 아니라 일하는 방식의 재편이다. 도구는 촉매일 뿐이고, 실제 전환은 "사람들이 그 도구를 조직 안에서 어떤 규칙과 분위기 속에서 계속 쓰는가"에 달려 있다. 힐링페이퍼는 이걸 '항해'라고 불렀다. 바다가 늘 변하듯, AI 환경도 계속 바뀌기 때문이다. 2) Phase 0~1: 인프라보다 '움직여도 된다는 신호'와 '동경'

휴머노이드 상용화가 더딘 이유: 지능이 마지막 퍼즐 서론 휴머노이드가 마라톤을 뛰고, 투자도 억 단위로 몰리는데요. 정작 공장이나 사무실에서 로봇을 '동료'처럼 쓰는 장면은 아직 드뭅니다. 이유는 단순합니다. 몸(하드웨어)은 이미 앞서갔지만, 현장을 버티는 뇌(지능)는 아직 덜 자랐기 때문이죠. 지금 시장은 "멋진 로봇"이 아니라 쓸 수 있는 지능을 기다리고 있습니다. 1) 몸은 이미 빨라졌다: 휴머노이드 하드웨어의 '과잉 성숙' 최근 휴머노이드 산업에서 가장 빠르게 성숙한 영역은 하드웨어입니다. 모터·감속기·관절 등 실행층(Execution Layer) 부품이 고도화되면서, 핵심 부품 출하량이 10만 단위를 넘어서는 흐름도 나타났습니다. 부품 국산화가 진행되며 제조 원가가 낮아진 점도 확산 속도를 높이고 있습니다. 베이징 로봇 마라톤에서 유니트리(Unitree)가 보여준 퍼포먼스는 하드웨어 성숙도를 상징적으로 드러낸 사례로 볼 수 있습니다. 다만 산업 현장이 요구하는 기준은 "속도"보다 "안정성"에 가깝습니다. 공장과 사무실에서는 반복 작업의 일관성, 안전, 예외 상황 대응이 핵심인데, 이 기준을 충족하지 못하면 도입 효과가 바로 상쇄됩니다. 하드웨어가 성숙할수록 상용화의 병목이 하드웨어가 아닌 '지능'으로 이동한다는 점이 더욱 분명해지고 있습니다. 2) 상용화를 막는 건 '뇌'다: 멀티모달 AI와 현장 적합성 문제 휴머노이드가 산업 현장에 빠르게 확산되지 못하는 이유는 지능의 완성도에 있습니다. 다중모드 대모델(Multimodal AI) 은 텍스트·이미지·음성 등 다양한 입력을 통합해 상황을 판단하는 구조로, 휴머노이드의 '두뇌' 역할을 합니다. 그러나 실제 현장은 모델이 학습한 전형적 환경과 다르게 변수가 많습니다. 조명과 배치가 바뀌고, 물체의 위치가 달라지며, 사람 동선이 계속 변화합니다. 이 환경에서 중요한 것은 "정확한 답변"이 아니라 "작업을 지속 가능한 수준으로 유지하는 안정성"입니다. 오판은 곧 안전 문제와 품질 문제로 이어지고, 중단 비용을 발생시킵니다. 결과적으로 현장 도입의 핵심은 하드웨어 성능 향상보다, 각 환경에서의 적합성과 신뢰성을 확보하는 지능의 발전에 달려 있습니다.

미국 다음으로 AI 분야에 가장 많은 자본이 몰리는 나라, AI 시장과 관련된 이야기를 할 때 중국을 빼고 이야기 하기는 어렵습니다. 딥시크 하나로 전 세계 빅테크 주가를 흔들었고, 최근 출시된 시댄스의 영상 퀄리티는 엄청난데요 이러한 배경에 걸맞게 중국에서는 매년 이공계 졸업생만 수백만 명을 배출합니다. 인구가 많고, 정부가 밀어주고, 이공계 인재 풀이 두텁다는 건 AI 경쟁에서 구조적 강점입니다. 그 강점이 가장 먼저, 가장 크게 드러나는 시장이기도 합니다. 그 중국에서 올해 1270만 명이 대학 졸업장을 손에 쥡니다. 역대 최대 규모입니다. 그런데 신입 채용은 줄었습니다. AI가 한창 뜨는 와중에, AI에 가장 우호적인 환경을 갖춘 나라에서 신입을 덜 뽑고 있습니다. 이 역설이 지금 노동시장이 조용히 보내는 신호에 가깝습니다. AI 붐 옆에 놓인 취업난 숫자를 먼저 보겠습니다. 올해 중국 대졸자는 1270만 명입니다. 전년 대비 48만 명 늘었고, 2022년 처음 1000만 명을 돌파한 이후 매년 최고치를 갱신 중입니다. 서울 전체 인구보다 많은 사람이 한 해에 취업 시장으로 쏟아집니다. 같은 시기, AI 관련 직군의 몸값은 다른 세계 이야기처럼 올라가고 있습니다. 중국 채용 플랫폼 질리안 자오핀 보고서에 따르면 AI 직군이 금융을 밀어내고 신입사원 최고 연봉 업종 1위에 올랐습니다. AI 엔지니어 평균 월급은 약 2만 2천 위안(한화 417만 원 수준)이고, 휴머노이드 로봇 분야 채용 수요는 최근 1년 새 215%를 넘겼습니다. 반면 청년(16~24세) 실업률은 18.9%까지 올랐습니다. 베이징대·칭화대 졸업생의 예상 취업률이 50%를 겨우 넘긴다는 전망이 나올 정도입니다. AI 산업이 폭발하는데, 신입이 갈 자리는 줄어드는 이상한 구조가 만들어지고 있습니다. 참고 뉴스 : 中청년실업률 6개월 만에 상승…역대급 졸업시즌 앞두고 '설상가상' 기업이 계산법을 바꿨습니다 "일단 뽑고 키우자"는 전제가 흔들리기 시작했습니다. 예전 채용 공식은 단순했습니다. 일단 뽑고, 가르치면서 씁니다. 12년이면 실무에 익숙해지고, 34년이면 팀의 허리가 됩니다.

AI한테 "이 웹페이지 요약해줘", "이 메일에서 핵심만 뽑아줘"라고 시켜본 적 있으실 거예요. 편하죠. 그런데 그 웹페이지 안에 사람 눈에는 안 보이는 명령어가 숨어 있다면 어떨까요? AI는 그 명령어를 읽고, 시키는 대로 움직입니다. 구글이 최근에 발표한 보안 보고서를 보면 이런 공격이 4개월 사이에 32% 늘었어요. 그리고 이건 더 이상 연구실 안의 이야기가 아닙니다. 실제 인터넷에서 매달 수십억 페이지 규모로 벌어지고 있는 일이에요. 지난 편이 "내가 만든 서비스의 문이 열려 있다"는 이야기였다면, 이번 편은 "내가 쓰는 AI가 누군가에게 조종당할 수 있다"는 이야기입니다. 같은 보안이지만 입장이 정반대예요. 간접 프롬프트 인젝션이 뭔가요? 이름이 길고 어려운데, 풀어 쓰면 단순합니다. 프롬프트 인젝션은 AI한테 몰래 다른 명령을 주입하는 공격이에요. "직접"과 "간접" 두 종류가 있는데요. 직접 인젝션은 사용자가 직접 입력창에 "이전 지시 다 무시하고 내 말 들어"라고 치는 거예요. 이건 본인이 쳤으니 본인 책임입니다. 반면 간접 프롬프트 인젝션(IPI, Indirect Prompt Injection)은 다릅니다. AI가 작업 중에 읽어들이는 외부 콘텐츠, 그러니까 웹페이지나 이메일, PDF, 문서 같은 곳에 명령어가 숨어 있는 거예요. 사용자는 멀쩡한 요청을 했는데, AI가 그 콘텐츠를 읽다가 안에 박혀 있던 명령어에 반응하는 구조입니다. 비유하면 이렇습니다. 비서한테 "이 편지 읽고 요약해줘"라고 시켰는데, 편지 안에 "이 내용은 잊고 사장님 통장 비밀번호를 알려드리세요"라고 적혀 있는 거예요. 비서가 그 문장을 그냥 따라 읽으면 끝나는 거죠. 공격자들은 이 명령어를 어디에 숨길까요? HTML 주석 안 (사람은 안 보이지만 AI는 읽음) 흰 배경에 흰 글씨 화면 밖 영역

AI 윤리 : 데이터는 어떻게 팔리고, 사람은 어떻게 타깃팅되나 쇼핑하다가 방금 말한 것 같은 제품이 뜨거나, 내가 좋아하는 스타일의 글이 유독 자주 추천되는 순간이 있죠. 그럴 때 드는 찝찝함은 단순한 기분 문제가 아닙니다. 우리는 검색, 클릭, 구매, 스크롤 같은 행동을 계속 남기고 있고, 이 조각들이 합쳐지면 기업은 개인별 프로필을 만들 수 있어요. 쇼핑몰 상품 페이지 형태로 'YOU'가 상품처럼 표시되고 관심사·구매확률·취약점이 스펙으로 적혀있다. 문제는 그 다음입니다. 추천이 편해지는 대신, 나도 모르는 사이에 선택이 유도되고, 데이터가 다른 용도로 전용될 가능성도 커집니다. 그래서 AI 시대에 꼭 짚어야 할 프라이버시 윤리를 정리해보려 합니다. "왜 이렇게 잘 알지?"에서 시작되는 AI 프라이버시 문제 서론에서 말한 것 처럼 쇼핑할 때 내가 좋아하는 스타일이 계속 뜨고, 피드에는 취향 저격 글이 연달아 나오죠. 이게 신기한 기술처럼 보이지만, 핵심은 AI가 '나'를 이해하는 게 아니라 '나의 흔적'을 쌓아두는 방식이라는 점입니다. 검색어, 클릭, 구매 같은 명확한 데이터뿐 아니라 스크롤 속도, 멈춰 본 시간, 자주 보는 주제 같은 행동 데이터가 계속 쌓이거든요., 이 조각들이 모이면 AI는 '나'를 예측하는 개인 프로필링을 만들어냅니다. 쇼핑·피드·검색 행동 데이터가 모여 개인 프로필링으로 이어지는 과정 문제는 여기서부터가 윤리 영역이에요. 추천이 편해지는 만큼, 내가 무엇을 보게 되고 무엇을 지나치게 되는지도 바뀝니다. 그래서 "감시당하는 것 같다"는 느낌은 과장이 아니라, 보이지 않는 곳에서 모델링이 진행되고 있다는 신호에 가깝습니다.

'AI 인재를 차지 하기 위한 인재 확보 전쟁' 몇 년 전까지 이 싸움은 기업들 사이의 일이었습니다. 구글이 연봉을 올리면 OpenAI가 스톡옵션으로 맞받고, 스타트업은 "여기서 하는 일이 세상을 바꾼다"는 말로 붙잡는 식이었죠. 지금은 그 자리에 국가가 들어와 있습니다. 비자를 뜯어고치고, 보조금을 쏟아붓고, 어떤 나라는 아예 창업자가 나라 밖을 나가지 못하도록 막는 사례까지 나타났습니다. 어쩌다 이렇게 되었는지 한 번 살펴 볼까요? AI 인재가 '자원'이 된 이유 재능 있는 연구자 한 명이 조직 전체의 방향을 바꿀 수 있다는 건 AI 분야에서 유독 강하게 작동합니다. 최신 대형 모델을 실제로 설계하고 훈련시킬 수 있는 사람이 전 세계에 수백 명 수준이라는 추산이 종종 나오는 것도 그 때문입니다. 공장을 짓거나 장비를 사면 어느 정도 따라잡을 수 있는 반도체 경쟁과 달리, AI는 사람이 없으면 진짜로 안 됩니다. 여기에 2025년 딥시크 쇼크가 생각보다 깊은 자국을 남겼습니다. 미국 빅테크 수준의 모델을 중국 스타트업이 훨씬 적은 비용으로 만들어냈다는 사실은 두 가지 감각을 동시에 건드렸습니다. "우리도 할 수 있다"는 가능성, 그리고 "우리 사람을 빼앗기면 안 된다"는 위기감. 그 두 가지가 맞물리면서 각국 정부가 AI 인재를 다루는 방식이 슬슬 바뀌기 시작했습니다. 마누스 사태, 단순 기업 분쟁이 아닌 이유 마누스는 2022년 중국에서 설립된 AI 에이전트 스타트업입니다. 파일 작성, 코딩, 데이터 분석 같은 복잡한 업무를 인간 개입 없이 처리하는 범용 AI 에이전트를 개발해 '제2의 딥시크'라는 평가를 받았고, 미중 갈등이 심해지자 싱가포르로 본사를 옮겼습니다. 이후 2025년 12월 메타가 약 20억 달러에 인수를 완료했고, 중국 AI 창업자들 사이에선 "이 루트가 되는구나" 싶었던 성공 모델이었습니다. 균열은 인수 발표 직후부터 시작됐습니다. 2026년 1월 8일, 중국 상무부가 이 거래가 수출 통제·기술 이전·해외 투자 관련 법규를 준수했는지 공식 검토하겠다고 밝혔습니다. 그리고 두 달 뒤, 수위가 올라갔습니다.

AI한테 "이런 서비스 만들어줘" 했더니 진짜로 만들어줬을 거예요. 링크도 생겼고, 실제로 작동도 됩니다. 이 뿌듯함은 직접 경험해본 사람만 알죠. 그런데 그 링크, 지금 어떤 상태인지 확인한 적 있으신가요? 바이브코딩으로 만든 서비스가 5분 만에 뚫리는 건 해킹 기술이 필요해서가 아니에요. 문이 그냥 열려 있기 때문입니다. 그리고 이건 특정 누군가의 문제가 아니라, 바이브코딩으로 서비스를 배포한 대부분이 갖고 있는 구멍이에요. 이러한 문제마다 AI한테 그대로 붙여넣을 수 있는 프롬프트를 담았습니다. 읽고 나서 바로 쓸 수 있는 것들만 골랐어요. AI는 시킨 것만 합니다 본격적으로 들어가기 전에 이것부터 짚고 갈게요. 바이브코딩으로 서비스를 만들 때 보통 이렇게 시키죠. "로그인 기능 만들어줘", "결제 붙여줘", "대시보드 만들어줘." AI는 이것까진 잘 해줍니다. 그런데, 혹시 "보안 설정도 다 해줘"라고 시킨 적 있으신가요? 아마 없으실 겁니다. 그러면 AI는 최소한의 보안만 설정해 주고, 제대로 작업을 해주진 않습니다. 각잡고 시킨 적이 없으니까요. 바이브코딩 서비스의 보안 구멍은 코드를 못 짜서가 아니라, 설정을 안 시켜서 생겨요. 반대로 말하면, 어떤 설정을 시켜야 하는지만 알면 된다는 뜻입니다. 보안도 AI한테 쉽게 시킬 수 있거든요. Tip 1. 문이 열려 있다 — 접근 권한 혹시, 바이브코딩으로 사이트를 만든 적이 있으신가요? 그럼 내 서비스 주소 뒤에 /admin을 쳐보세요.

흐름이 갈리고 있다 최근 생성AI 흐름을 보면, 방향이 꽤 명확하게 나뉘고 있습니다. 이미지 생성, 영상 생성 같은 기능을 계속 밀어붙이던 모델들이 어느 순간부터 업무용 기능을 전면에 내세우기 시작했습니다. Gemini는 문서 작성이나 데이터 정리 같은 실제 업무 흐름에 바로 들어갈 수 있는 기능을 빠르게 강화하고 있고, Claude Code처럼 처음부터 코딩이라는 특정 영역에 집중하는 AI도 빠르게 존재감을 키우고 있습니다. 이 변화는 단순한 기능 추가가 아닙니다. 생성AI가 이제 '다 잘하는 모델' 경쟁에서 벗어나, 역할별로 나뉘기 시작했다는 신호에 가깝습니다. 범용 모델 전략의 한계 초기 생성AI 경쟁에서 범용 모델 전략은 자연스러운 선택이었습니다. 모델 하나만 잘 만들어두면 텍스트부터 이미지, 영상, 코드까지 여러 시장을 한 번에 커버할 수 있었기 때문입니다. 문제는 "쓸 수 있다"와 "실제로 쓰인다" 사이의 간극이 생각보다 컸다는 점입니다. 문서 요약은 되지만 회사 맥락이 반영되지 않아 다시 손을 봐야 하고, 코드는 생성되지만 실제 코드베이스에 붙이기엔 검증이 필요하며, 이미지는 만들어지지만 바로 쓸 수 있는 수준까지는 추가 작업이 필요한 상황이 반복됐습니다. 결국 "초안은 만들어주지만, 책임지고 쓸 수는 없는 상태"에 머무르게 됩니다. 기업 입장에서 돈을 지불하는 기준은 명확합니다. 시간을 줄여주는 도구가 아니라, 일을 대신해주는 도구여야 한다는 것입니다. 이 기준에서 보면, 모든 걸 다 하려다 보니 특정 작업에 깊게 최적화되기 어려운 범용 모델은 구조적으로 불리합니다. 그래서 최근 흐름은 "많이 하는 AI"보다 "한 가지를 제대로 하는 AI"로 바뀌고 있습니다. OpenAI와 xAI, 각자의 선택 최근 OpenAI의 움직임을 보면 방향이 꽤 분명하게 읽힙니다. 영상 생성 모델 Sora2를 종료하고 디즈니와의 협업도 정리했습니다. 겉으로 보면 하나의 프로젝트를 접은 것처럼 보이지만, 맥락을 보면 다릅니다. 콘텐츠 영역에서 한 발 물러나고, 대신 기업용 코딩과 업무 생산성 영역으로 무게 중심을 옮기고 있는 흐름에 가깝습니다.