소식

NousCoder-14B가 나왔다. Nous Research가 오픈소스로 풀어놓은 코딩 특화 모델이다. LiveCodeBench v6에서 67.87% 정확도. 베이스 모델인 Alibaba의 Qwen3-14B보다 7.08%p 높고, 4일간의 집중 훈련만으로 이 수치를 뽑아냈다는 게 흥미롭다. 경쟁 프로그래머가 2년에 걸쳐 쌓을 실력 향상에 버금가는 수준이라고 한다. 비슷한 시기에 앤트로픽의 클로드 코드(Claude Code) 사용기가 개발자 커뮤니티에 쏟아졌다. “1년 걸릴 프로젝트를 1시간 만에 구현했다”는 식의 후기들이다. 갑자기 선택지가 넓어졌는데, 이게 꼭 좋은 것만은 아니다. 뭘 써야 할지 더 헷갈리니까.

오픈소스와 상용 솔루션, 뭐가 다른가

AI 코딩 도구는 지금 크게 두 갈래로 흐르고 있다. 오픈소스냐, 상용이냐.

오픈소스 모델은 모델 가중치(weights), 학습 환경, 벤치마크 스위트까지 다 공개한다. NousCoder-14B가 대표적이다. Nous Research는 학습 스택 ‘Atropos’도 함께 공개했다. 원하면 재현하고, 확장하고, 내 입맛대로 바꿀 수 있다. 이건 그냥 편리함의 문제가 아니다. 특정 도메인에 파인튜닝을 해야 하는 팀, 보안상 외부 API를 못 쓰는 환경, 감사(audit)가 필요한 산업군에서는 이 투명성이 핵심 조건이 된다.

• 오픈소스 모델 특징: 코드·학습 데이터·모델 구조 공개 / 커스터마이징 자유도 높음 / 커뮤니티 기반 지원 / 자체 GPU 인프라 필요 / 라이선스 비용 없음

상용(Proprietary) 솔루션은 클로드 코드처럼 기업이 직접 개발·서비스하는 형태다. 클라우드 기반이고, IDE 플러그인이나 API로 바로 붙인다. 인프라 걱정 없이 쓸 수 있다는 게 제일 큰 장점이다. 단점은 명확하다. 구독료 나가고, 내부 동작 모른다. 벤더 의존성도 생긴다.

• 상용 솔루션 특징: 즉시 사용 가능 / 전문 기술 지원 / 꾸준한 업데이트 / 구독료 발생 / 내부 동작 불투명 / 특정 벤더 종속

벤치마크 점수가 전부가 아니다

NousCoder-14B의 67.87%는 숫자 자체로는 인상적이다. 근데 벤치마크는 경쟁 프로그래밍 문제 같은 ‘정형화된 문제 풀기’ 능력을 측정한다. 실제 개발은 다르다. 요구사항 분석, 레거시 코드베이스 통합, 팀원과 맞추는 협업 과정. 이런 건 수치에 안 잡힌다.

클로드 코드가 받는 극찬의 맥락이 여기에 있다. 단순 코드 스니펫 생성이 아니라, 문제 정의부터 해결책 모색, 구현, 디버깅까지 엔드-투-엔드(end-to-end)로 지원하는 ‘에이전틱(agentic)’ 도구라는 점이다. “1년 걸릴 프로젝트를 1시간 만에” 같은 후기는 과장이 섞였을 수도 있지만, 복잡한 흐름에서 AI와 다중 턴으로 대화하며 코드를 발전시키는 경험은 분명히 다르다.

결국 벤치마크는 참고 지표일 뿐이다. 내 팀이 쓸 언어, 프레임워크, 작업 패턴에서 실제로 얼마나 도움이 되냐가 기준이 돼야 한다. 점수가 높다고 생산성이 자동으로 오르진 않는다.

유연성·투명성·비용: 세 가지 기준으로 갈린다

오픈소스 모델이 유리한 상황:

• 커스터마이징: 특정 도메인 데이터로 파인튜닝이 필요하면 오픈소스 외에 답이 없다. 회사 고유 기술 스택이나 보안 요구사항에 맞춘 모델을 만들 수 있다. NousCoder-14B처럼 Atropos 학습 스택이 공개된 경우라면 재현도 확장도 가능하다.
• 투명성: 모델 동작 원리와 학습 데이터를 직접 들여다볼 수 있다. 규제 준수나 감사가 필요한 금융·의료·공공 부문에서는 이게 선택의 전제조건이 될 때가 많다.
• 비용 구조: 라이선스 비용은 없다. 대신 GPU 인프라 구축·운영비가 든다. 자체 서버가 있거나 클라우드 자원 활용이 이미 갖춰진 조직이라면 장기적으로 이쪽이 훨씬 저렴하다.

상용 솔루션이 유리한 상황:

• 편의성과 통합: API나 IDE 플러그인으로 바로 붙인다. MLOps 전문가 없어도 된다. 인프라 걱정 없이 최신 AI 기능을 쓸 수 있다는 건 빠르게 돌아가는 팀에서 체감 차이가 크다.
• 안정성: 전문 기술 지원 있고, 성능 개선·보안 업데이트가 꾸준하다. 미션 크리티컬한 프로젝트라면 이쪽이 마음 편하다.
• 에이전틱 기능: 복잡한 추론이나 다중 턴 상호작용이 필요한 기능은 상용 솔루션에 먼저 붙는 경향이 있다. 지금 당장 최첨단 기능을 써야 하는 팀이라면 상용이 앞선다.

정리하면 이렇다. 높은 제어권과 투명성, 잠재적 비용 절감이 중요하고 자체 AI 역량이 있는 조직이라면 오픈소스 쪽이다. 빠른 도입, 편리성, 안정적인 지원이 먼저라면 상용 솔루션이다.

AI 코딩 모델 학습의 한계, 다음 수순은

속도가 빠른 만큼 한계도 선명하다. 핵심은 고품질 학습 데이터의 희소성이다. Nous Research 보고서에 따르면, NousCoder-14B 훈련에 쓰인 경쟁 프로그래밍 문제 24,000개는 표준화된 형태로 구할 수 있는 데이터의 상당 부분을 차지한다. 사실상 이 분야 고품질 데이터는 거의 바닥을 보이고 있다는 분석이다.

컴퓨팅 자원을 쏟아붓는다고 성능이 계속 오르지 않는다는 뜻이다. 앞으로 연구는 합성 데이터 생성(synthetic data generation)과 데이터 효율적 알고리즘·아키텍처 쪽으로 갈 수밖에 없다. 코딩 분야는 ‘정답’이 검증 가능해야 하기 때문에 합성 데이터 만들기가 더 까다롭다. 모델이 문제를 푸는 것을 넘어 ‘풀 만한 문제 자체’를 생성하도록 학습시키는 자기 학습(self-play) 방식이 유력한 방향으로 꼽힌다.

보상 구조 문제도 있다. 지금 대부분의 모델은 ‘통과/실패’ 이진 보상으로만 학습한다. 실제 개발에는 컴파일 오류, 런타임 에러, 시간 초과 같은 중간 피드백이 쌓인다. 이 피드백을 활용해 코드를 점진적으로 개선하는 다중 턴(multi-turn) 강화 학습이 다음 연구 방향이다. 인간 개발자가 코드를 짜는 방식과 유사한 형태로, 더 견고한 코드 생성을 끌어낼 것으로 보인다.

실제로 써본 소감: 솔직하게

오픈소스 모델은 초기 세팅이 번거롭다. 이건 사실이다. 환경 구축에 시간이 제법 걸리고, 처음엔 삽질도 한다. 근데 일단 올려놓으면 내가 원하는 대로 다 된다. 특정 프로젝트 데이터로 파인튜닝했을 때 결과물이 기대 이상이었던 경험이 있는데, 그 쾌감은 상용 도구에서는 느끼기 어렵다.

상용 솔루션은 반대다. 켜고 바로 쓴다. 복잡한 프롬프트로 여러 번 대화하면서 코드를 개선해 나가는 흐름이 자연스럽고, 개발 시간이 확실히 줄었다. 이건 직접 체감한 얘기다. 구독료가 나가는 건 사실이지만, 생산성 향상을 시간 가치로 환산하면 크게 아깝지 않다. 이건 좀 주관적인 판단일 수 있다.

이건 좋다 나쁘다의 문제가 아니다. 팀 규모, AI 인력 보유 여부, 보안 요구사항, 예산. 이 네 가지가 선택을 결정한다.

팀 상황에 따른 선택 체크리스트

어떤 걸 골라야 할지 아직도 모르겠다면, 아래 항목을 점검해보자.

• 예산 및 인프라: 자체 GPU 서버가 있거나 클라우드 자원 활용이 자유롭다면 오픈소스가 장기적으로 저렴하다. 없다면 상용 구독 쪽이 인프라 관리 부담 없이 쓰기 편하다.
• 커스터마이징 요구: 레거시 코드베이스 통합, 도메인 특화 코드 생성이 필요하면 오픈소스 파인튜닝이 훨씬 낫다. 상용 솔루션의 커스터마이징 옵션은 제한적이다.
• 보안·규제 준수: 민감한 데이터를 다루거나 내부 보안 정책이 엄격하다면 자체 호스팅 가능한 오픈소스가 더 맞다. 상용 서비스를 쓸 경우 데이터 처리 방식과 보안 정책을 꼼꼼히 따져야 한다.
• 팀 내 AI 역량: MLOps 담당자나 AI 엔지니어가 있다면 오픈소스를 충분히 굴릴 수 있다. 없다면 상용 솔루션이 진입 장벽이 낮고 빠르다.
• 개발 워크플로우 통합: 현재 쓰는 IDE, 버전 관리 시스템, 협업 도구와 얼마나 잘 붙는지가 실제 생산성에 직결된다. 상용 솔루션은 이쪽 통합을 기본 제공하는 경우가 많다.
• 언어·프레임워크 지원: 주력 언어와 프레임워크를 해당 모델이 얼마나 잘 아는지는 반드시 확인해야 한다. 벤치마크 점수보다 실제 사용 환경에서 직접 테스트해보는 게 더 정확하다.

“최고의 AI 코딩 모델”은 없다. 상황에 따라 답이 갈린다. NousCoder-14B 같은 오픈소스가 맞는 팀이 있고, 클로드 코드 같은 상용 도구가 맞는 팀이 있다. 중요한 건 트렌드를 따라가는 게 아니라, 내 팀이 어떻게 일하는지를 먼저 아는 것이다. AI 코딩 도구는 개발 생산성을 바꿀 강력한 잠재력을 품고 있다. 오픈소스와 상용 모델 모두 그 역할에 충실하게 기여하고 있으니, 선택의 기준을 똑바로 세우는 것으로 충분하다.

출처: VentureBeat AI

솔직히 말하면, 처음엔 반신반의했다. AI가 내 업무를 도와준다고? 말은 쉽지. 그런데 직접 써보고 생각이 바뀌었다. 보고서 초안 잡는 데 2시간 걸리던 게 20분으로 줄었다. 회의 후 정리 메모도 자동으로 뽑혀 나왔다. 지금 기업 현장에서 실제로 경쟁 중인 업무용 AI 에이전트는 세 가지다. 슬랙봇, 마이크로소프트 코파일럿, 구글 제미니. 셋 다 강하다. 근데 셋 중 아무거나 써도 되는 건 아니다.

챗봇이랑 뭐가 다른데?

AI 하면 보통 챗GPT 같은 대화 창을 먼저 떠올린다. 질문하면 답 나오는 거. 업무용 AI 에이전트는 거기서 한 발 더 나간다. 직접 행동한다. 사용자 대신 문서를 검색하고, 여러 시스템의 데이터를 모아서 정리하고, 일정까지 잡아준다. 내가 보고서 초안을 요청했을 때, 에이전트가 사내 문서 서버, 클라우드 드라이브, 이전 회의 기록까지 스스로 뒤져서 초안을 만들어줬다. 그냥 검색 결과를 붙여넣는 게 아니라, 진짜 ‘처리’를 하는 거다. 대규모 언어 모델(LLM)을 엔진으로 쓰면서 기업 내부 데이터와 외부 서비스를 연결하는 구조라서, 단순 챗봇과는 차원이 다른 도구다.

슬랙봇: 슬랙 안에 있으니까 강하다

예전 슬랙봇은 채널 알림 정도나 보내는 도구였다. 지금은 완전히 다르다. 슬랙 대화 내용, 공유 파일, 슬랙 캔버스(Canvas) 데이터 등 슬랙 안의 모든 정보를 기반으로 작동한다. 별도 설정 없이 기존 슬랙 워크플로우에 바로 녹아든다는 게 핵심이다. 새로 배울 게 없다. 그냥 쓰면 된다.

• 강점: 슬랙 환경에 최적화된 맥락 이해, 빠른 적응, Salesforce 데이터 연동 잠재력.
• 기술 스택: 앤트로픽(Anthropic)의 클로드(Claude) LLM 기반. 향후 구글 제미니 등으로도 확장 예정.
• 주요 기능: 사내 데이터 검색·요약, 문서 초안 작성, 회의 일정 조율, 데이터 분석.

슬랙봇이 목표로 하는 건 ‘슈퍼 에이전트’다. 사내 파일 서버, CRM, 캘린더까지 연결해서 필요한 데이터를 당겨다 쓴다. 데이터 보안 측면에서는 고객 데이터를 LLM 학습에 사용하지 않는다고 명확히 공표했다. 이건 기업 입장에서 꽤 중요한 포인트다. 민감한 사내 정보를 다루는 조직이라면 특히 눈여겨볼 부분이다.

코파일럿: M365를 이미 쓰고 있다면 답이 정해진다

마이크로소프트 코파일럿의 강점은 단순하다. 이미 쓰고 있는 도구 안에 AI가 들어온다. 워드, 엑셀, 파워포인트, 아웃룩, 팀즈 — 일상적으로 열어두는 M365 앱 전체에서 AI 지원을 받는다. 워드에서 보고서 초안을 잡아주고, 엑셀 데이터를 분석해서 시각화하고, 아웃룩 메일을 요약하거나 초안을 써주고, 팀즈 회의록을 자동 생성한다. 툴 전환 없이 작업 흐름 그대로 AI를 붙이는 거다. 이건 솔직히 생각보다 편하다.

• 강점: M365 앱과의 완벽한 통합, 기업용 보안 및 규정 준수 기능.
• 기술 스택: 마이크로소프트 자체 LLM과 오픈AI(OpenAI) 기술 결합.
• 주요 기능: 문서·프레젠테이션 작성 지원, 데이터 분석, 이메일·회의 관리, 채팅 기반 질의응답.

사용자 M365 계정에 연결된 이메일, 문서, 채팅 기록을 기반으로 작동한다. 접근 권한 내의 정보에서만 AI가 움직인다는 점도 중요하다. 기업 보안 정책과 충돌할 여지가 적다는 얘기다.

제미니: 구글 워크스페이스 팀이라면 이쪽이다

구글 제미니(Gemini)는 구글 워크스페이스 사용자를 위한 AI 에이전트다. Gmail, Docs, Sheets, Meet 등 주요 앱에 AI가 내장된 형태다. 텍스트만 처리하는 게 아니라, 이미지와 음성까지 다루는 멀티모달 LLM인 제미니를 기반으로 한다. 복잡한 질문 이해나 창의적 작업에서 체감 성능이 괜찮다는 평이 많다. 이건 좀 주관적이긴 한데, 글쓰기 작업에선 제미니가 살짝 더 자연스럽게 느껴지기도 했다.

• 강점: 구글 워크스페이스와의 매끄러운 통합, 멀티모달 LLM 성능, 웹 정보 활용 능력.
• 기술 스택: 구글 멀티모달 LLM 제미니 기반.
• 주요 기능: 이메일·문서 작성 지원, 데이터 분석, 아이디어 구상, 회의 요약 및 액션 아이템 도출.

구글의 방대한 웹 데이터를 활용한다는 점도 장점이다. 외부 정보 검색이 필요한 작업에서 반응이 빠르다. 협업이 잦은 팀이라면 워크스페이스 환경에서 팀 단위로 AI를 쓸 때 시너지가 나온다.

결국 어디 쓰냐가 답을 결정한다

세 가지 모두 강력하다. 근데 셋 다 잘한다고 해서 아무거나 골라도 된다는 얘기가 아니다. 결정 기준은 생각보다 단순하다.

• 기존 협업 환경:
  • 슬랙봇: 슬랙이 주요 협업 도구이고, 슬랙 내 데이터 활용도가 높은 조직에 맞다.
  • 코파일럿: Microsoft 365가 핵심 생산성 도구인 기업에서 효과가 극대화된다.
  • 제미니: 구글 워크스페이스가 주축인 조직, 구글 생태계에 익숙한 팀에 유리하다.
• 주요 활용 분야:
  • 슬랙봇: 대화 기반 정보 취합·요약, 일정 관리, Salesforce 연동을 통한 영업·마케팅 지원에 강하다.
  • 코파일럿: 문서 작성, 스프레드시트 분석, 이메일 관리 등 M365 앱 전반의 생산성 향상에 특화됐다.
  • 제미니: 아이디어 구상, 창의적 글쓰기, 데이터 분석, 회의 요약 등 구글 워크스페이스 활용에 강하다.
• 데이터 보안 및 규정 준수:
  • 세 솔루션 모두 기업 데이터를 LLM 학습에 사용하지 않는다고 강조한다. 하지만 벤더 보안 정책과 사내 규정 준수 여부는 직접 확인해야 한다. 민감 데이터를 다루는 조직일수록 이 부분을 빠뜨리면 나중에 문제가 생긴다.
• 비용 모델:
  • 슬랙봇: 슬랙 비즈니스+ 및 엔터프라이즈+ 요금제에 추가 비용 없이 포함. 다만 Salesforce API 접근 정책 변경으로 일부 연동 솔루션에서 간접 비용 상승이 생길 수 있다.
  • 코파일럿·제미니: 각 서비스의 특정 유료 플랜에 추가 구독 형태로 제공된다.

도입 전에 이것만 짚고 가자

기능만 보고 바로 도입하면 반드시 후회한다. 조직 특성을 먼저 파악하는 게 순서다.

• 어디서 시간을 가장 많이 버리나: 반복적인 보고서 작성인지, 메일 정리인지, 데이터 분석인지 — 병목 지점을 먼저 찾아야 AI가 어디서 가장 효과를 낼 수 있는지 보인다.
• 교육과 문화 조성: 새 도구는 익히는 데 시간이 든다. AI를 제대로 쓰려면 프롬프트 작성 능력도 점점 중요해진다. 교육 없이 그냥 깔아놓으면 아무도 안 쓴다. 이건 실제로 많이 겪는 패턴이다.
• 작게 시작해라: 처음부터 전 부서에 적용하려 하면 혼란만 커진다. 소규모 팀이나 단일 프로젝트로 파일럿을 돌리고, 피드백을 모아 점진적으로 확장하는 게 훨씬 낫다.

써보니까 이랬다 — 좋은 점, 아쉬운 점

반복적인 문서 요약이나 자료 검색 시간은 확연히 줄었다. 복잡한 보고서 초안을 잡거나, 아이디어 구체화 단계에서 쓰는 초기 에너지가 크게 절감됐다. 이건 솔직히 생각보다 크다.

아쉬운 점도 분명 있다. 미묘한 비즈니스 맥락이나 뉘앙스는 아직 사람이 잡아줘야 한다. 초기 설정이나 프롬프트 학습에 시간이 드는 것도 사실이고. AI 에이전트를 ‘대체자’로 보면 실망하게 된다. ‘조력자’로 보면 얘기가 달라진다. 슬랙봇, 코파일럿, 제미니 — 결국 우리 조직의 주력 협업 도구와 얼마나 잘 맞느냐가 성패를 가른다.

3년 후, AI 에이전트는 어디까지 갈까

AI 에이전트의 진화는 개인 생산성 향상에서 멈추지 않는다. 기업의 협업 방식과 의사결정 과정 자체를 바꾸는 방향으로 가고 있다. 단순히 답변을 생성하는 수준을 넘어, 여러 도구와 시스템을 능동적으로 조율하는 ‘슈퍼 에이전트’로 진화할 거라는 전망이 지배적이다. 대화 인터페이스를 넘어, 사용자 의도에 맞는 UI를 스스로 구성하는 방향도 현실로 다가오고 있다.

결국 AI 에이전트는 사람과 함께 일하는 ‘코워커(Co-worker)’가 된다. 슬랙봇, 코파일럿, 제미니가 지금은 각자 영역에서 경쟁 중이지만, 승부를 가를 요소는 명확하다. 사용자 경험이 얼마나 매끄럽고, 업무 맥락 이해가 얼마나 깊으며, 데이터를 얼마나 안전하게 다루냐. 이 세 가지다. 어느 쪽이 이 셋을 가장 잘 잡느냐가 결국 선택을 결정한다.

출처: VentureBeat AI

고객 조사를 제대로 해본 사람이라면 안다. 설문 돌려봤자 “만족한다” 찍고 끝나는 응답, 심층 인터뷰 잡으려다 일정 맞추는 데만 2주. 결국 데이터는 있는데 실제로 쓸 수 있는 인사이트가 없는 상황. 최근 AI 기반 고객 인터뷰 툴들이 이 문제를 직접 파고들고 있다. 빠르게, 깊게, 대규모로. 실제로 쓸 만한지는 따져봐야 안다.

AI 고객 인터뷰, 기존이랑 뭐가 다른가

한마디로 정리하면, AI가 인터뷰어 역할을 한다. 단순한 설문지 자동화가 아니다. 고객이 답변하면 거기에 맞춰 추가 질문을 던진다. “왜 그렇게 느끼셨나요?”, “구체적으로 어떤 상황에서요?” 숙련된 UX 리서처가 하는 방식 그대로다.

비디오 인터뷰 방식을 쓰는 툴은 표정, 말투, 반응 속도까지 분석한다. 말로는 “괜찮아요”라고 해도 얼굴이 찌푸려지면 그게 진짜 신호다. 수집된 대화 데이터는 AI가 자동으로 핵심 주제, 감성 흐름, 주요 인용구 형태로 정리해 보고서로 낸다. 수백 명 인터뷰 결과가 몇 시간 만에 요약본으로 나오는 것, 그게 핵심이다.

기존 시장 조사가 못 하는 것들

전통적인 조사는 크게 두 갈래다. 정량적 설문조사는 통계는 나오지만 답변이 질문 틀에 갇힌다. 객관식 5개 중 하나를 고르는 사람이 실제로 무슨 생각을 하는지 알 수가 없다. 게다가 응답자 중 상당수는 보상만 챙기고 아무렇게나 체크한다. 이걸 걸러내기가 쉽지 않다.

정성적 심층 인터뷰는 정반대 문제다. 깊이는 있는데 확장이 안 된다. 10명 인터뷰하는 데 일정 잡고, 진행하고, 분석하면 한 달이 훌쩍 넘는다. 그 10명이 전체 고객을 대표하는지도 불확실하다. 결국 기업은 늘 “통계적 정확성이냐, 깊이 있는 맥락이냐” 사이에서 타협해왔다. 둘 다 잡기가 구조적으로 어려웠다. 시장 조사 업계에 불량 응답자가 만연하다는 건 공공연한 비밀이고, 그걸 바탕으로 내린 의사결정이 얼마나 왜곡됐는지는 생각하기도 싫다.

AI가 실제로 바꾸는 것 4가지

AI 고객 인터뷰는 기존 조사 방식의 고질적인 문제들을 이렇게 건드린다.

• 속도: 수 주, 수개월 걸리던 인사이트 도출이 몇 시간 안에 된다. 요즘처럼 제품 사이클이 빠른 환경에서 이건 진짜 경쟁력이다.
• 솔직함: 사람 인터뷰어보다 AI한테 더 편하게 말하는 사람들이 있다. 민감한 주제일수록 더 그렇다. 익명성이 보장된다는 느낌이 솔직한 답변을 끌어낸다.
• 사기 응답 차단: AI가 응답자 신원을 교차 검증하고 답변 일관성을 본다. 한 온라인 교육 기업은 AI 인터뷰 도입 후 사기성 응답을 거의 0%로 줄였다고 보고했다. 기존 설문 패널 대비 극적인 차이다.
• 규모: 수천, 수만 명과 동시에 심층 인터뷰가 된다. 정성 데이터를 이 규모로 뽑는 건 기존 방식으론 물리적으로 불가능했다.

마이크로소프트 같은 대기업부터 제품 콘셉트를 빠르게 검증해야 하는 초기 스타트업까지, 이미 AI 고객 인터뷰를 도입하는 곳들이 늘고 있다.

실제 적용 사례: 숫자로 보면 다르다

음료 용기 회사 한 곳은 신제품 테스트에 AI를 썼다. 단 몇 시간 만에 120명 고객 피드백을 받고, 제품 출시 여부를 결정했다. 기존 방식이었다면 일정 잡는 데만 2주는 잡아먹었을 거다.

아동복 브랜드 사례는 따로 눈에 띈다. 기존 포커스 그룹 방식으로는 아이들의 솔직한 의견 받기가 거의 불가능했는데, AI 인터뷰로 수집한 데이터에서 제품 라이너 문제점을 발견했다. 이걸 개선해서 블록버스터급 히트 상품을 만들어냈다는 거다. 약간 과장이 섞였을 수도 있지만, 기존 포커스 그룹의 구조적 한계를 AI가 돌파했다는 건 납득이 간다.

마케팅 캠페인 반응 테스트에도 쓴다. 캠페인 공개 전에 AI로 수백 명 감성 반응을 뽑고, 결과에 따라 전략을 조정하는 방식이다. 단순 A/B 테스트보다 맥락 있는 피드백이 나온다는 게 장점이다.

다음 수순: 고객 ‘시뮬레이션’까지

AI 고객 인터뷰의 진화 방향을 보면, 단순한 인터뷰 도구에서 끝나지 않을 것 같다. 제본스의 역설처럼, 시장 조사가 더 싸고 빨라지면 기업들이 고객 이해에 쏟는 수요 자체가 역설적으로 늘어난다. 연구 담당자뿐 아니라 기획자, 마케터가 직접 고객과 ‘대화’하며 의사결정하는 구조로 바뀐다.

한 발 더 나아가면 합성 고객(Synthetic Customers) 개념이 나온다. 대규모 인터뷰 데이터를 기반으로 가상의 고객 페르소나를 만들어두고, 신제품을 가상 환경에서 테스트하는 방식이다. 연구 결과가 나오면 제품 코드 수정이나 이탈 고객 할인 제공 같은 자동화 액션으로 바로 연결되는 시나리오도 있다. 고객 피드백과 코딩 도구를 직접 연결해 제품을 거의 자율적으로 개선하는 ‘무한 피드백 루프’는 일부 스타트업에서 이미 실험 중이다. 이 속도면 3~5년 안에 일반화돼도 이상하지 않다.

그래도 AI가 못 하는 게 있다

AI 고객 인터뷰가 모든 걸 해결하진 않는다. 고도로 전문화된 소수 전문가 의견이 필요할 때, 예를 들어 특정 산업의 정책 변화나 복잡한 B2B 의사결정 구조를 파악해야 할 때는 숙련된 인간 연구자가 필요하다. 문화적 맥락이 깊이 얽힌 경우도 마찬가지다. AI가 언어를 처리한다고 해서 문화적 뉘앙스까지 자동으로 이해하는 건 아니다.

결정적으로, 조합이 답이다. 빠른 검증과 대규모 패턴 파악은 AI에 맡기고, 깊이 있는 전략적 해석은 사람이 한다. 비즈니스 목표, 예산, 필요한 인사이트의 성격에 따라 AI 고객 인터뷰와 전통적인 시장 조사를 조합하는 방식이 현실적으로 가장 효과적이다. AI는 반복 작업을 걷어내고 연구자가 더 전략적인 판단에 집중하도록 돕는 도구다. 고객 목소리에 가장 빠르게 반응하는 기업이 유리해진다.

출처: VentureBeat AI

2020년 아제르바이잔-아르메니아 전쟁에서 터키제 드론 바이락타르 TB2가 탱크 수십 대를 격파하는 영상이 퍼졌다. 전문가들은 그 장면을 두고 “AI와 드론이 전쟁의 판을 바꿨다”고 했다. 그게 불과 5년 전이다. 지금은 어디까지 왔을까.

국방 AI가 실제로 하는 일들

국방 AI라고 하면 살인 로봇부터 떠올리기 쉬운데, 실제 활용 범위는 훨씬 넓다. 군 물류 최적화, 사이버 침입 감지, 위성 이미지 분석까지 포함된다. 크게 5가지로 나뉜다.

• 감시 및 정찰: 드론·위성·센서 데이터를 AI가 실시간 분석해 적 움직임과 시설을 파악한다. 사람이 며칠 걸릴 영상 분석을 AI는 몇 분 만에 끝낸다.
• 자율 시스템: 무인 항공기(UAV), 무인 지상 차량(UGV), 무인 잠수정(UUV)이 정찰·수송·전투 임무를 직접 수행한다. 조종사 없이 위험 지역에 투입할 수 있다는 게 핵심이다.
• 지휘통제 및 의사결정 지원: 실시간 전장 데이터를 분석해 지휘관에게 작전 옵션을 제시한다. 인간의 인지 부하를 줄이고 판단 속도를 높인다.
• 사이버 보안 및 방어: 악성코드 탐지, 네트워크 침입 차단, 공격 패턴 분석. 사이버 전장 최전선에 AI가 서 있다.
• 물류 및 유지보수: 군수품 보급망 최적화, 장비 고장 예측. 탱크가 망가지기 전에 미리 부품을 교체하는 방식이다.

효율만 따지면 도입 안 할 이유가 없다. 문제는 그다음부터다.

‘킬러 로봇’ 논쟁 — LAWS의 세 가지 딜레마

자율 살상 무기 시스템(Lethal Autonomous Weapon Systems, LAWS). 인간 개입 없이 스스로 목표를 정하고 공격을 결정하는 무기다. ‘킬러 로봇’이라는 별명이 괜히 붙은 게 아니다.

이 기술을 둘러싼 윤리 논쟁은 세 축으로 모인다.

• 인간 존엄성 문제: 생명을 빼앗는 결정을 기계에 위임하는 건 도덕적 책임 회피다. 기계가 방아쇠를 당겼을 때 그 책임은 누구한테 묻나. 명확한 답이 없다는 게 문제다.
• 예측 불가능성: AI 오작동, 해킹, 의도치 않은 학습 결과 — 세 가지 중 하나만 터져도 민간인 오폭이나 국제 분쟁으로 번질 수 있다. 발사 후 되돌릴 방법도 마땅치 않다. 이게 좀 과한 우려처럼 들릴 수 있는데, 자율 시스템의 복잡성을 생각하면 충분히 현실적인 시나리오다.
• 확산 위험: LAWS 기술이 퍼지면 군사력 약소국도 저렴하게 강력한 무기를 확보하게 된다. 군비 경쟁 가속화, 지역 분쟁 격화. 핵무기보다 진입 장벽이 낮다는 게 더 무서운 지점이다.

유엔을 중심으로 LAWS 금지나 규제를 요구하는 목소리가 계속 나오고 있다. 그런데 각국 이해관계가 복잡하게 얽혀 있어 합의는 지지부진하다. 솔직히 이 부분이 가장 답답하다.

구글·마이크로소프트가 군에 기술을 팔면

최첨단 AI는 군이 아니라 민간에서 나온다. 구글, 마이크로소프트, 오픈AI, 앤트로픽 — 이들이 만든 AI 모델과 클라우드 인프라가 국방 분야에 직간접으로 흘러 들어가는 상황이다. 여기서 세 가지 문제가 생긴다.

• 기술 전용의 모호성: 이미지 인식 AI는 의료 영상 분석에 쓸 수도 있고, 적군 식별에 쓸 수도 있다. 민간 목적으로 만들었다고 군사 전용을 막을 수는 없다. 이걸 ‘이중 용도(dual-use)’ 문제라고 부른다.
• 기업의 윤리적 책임: 자기 기술이 사람을 죽이는 데 쓰인다면 기업은 어디까지 책임져야 하나. 구글이 2018년 미 국방부 프로젝트 메이븐(Project Maven)에서 철수한 사례가 대표적이다. 내부 직원들이 반발했고, 결국 계약을 연장하지 않았다.
• 투명성 부족: 국방 기관이 민간 AI를 도입하면 그 기술이 어떻게 작동하는지 외부에서 감시하기 어려워진다. 민주적 통제가 흐릿해지는 문제다.

결국 민간 AI 기업도 개발 단계부터 이중 용도 가능성을 인식하고, 자체 윤리 가이드라인을 세워야 한다는 얘기가 된다. 물론 이게 말처럼 쉽지 않다는 게 문제다.

국제사회가 움직이는 방향

국방 AI에 대한 우려가 커지면서 책임 있는 AI 개발과 배치(Responsible AI Development and Deployment)를 위한 논의가 여러 층위에서 진행 중이다.

• 원칙 수립: 미국 국방부, 유럽연합, OECD 등이 AI 투명성·설명 가능성·공정성·책임성·인권 존중·안전성을 담은 원칙들을 발표했다. 원칙은 나왔다. 이제 실행이 관건이다.
• 군축 논의: 유엔 주도로 LAWS 규제 방안을 모색하는 전문가 그룹이 정기 회의를 열고 있다. 일부 국가는 완전 금지 캠페인까지 벌인다. 합의는 느리지만, 멈추지는 않고 있다.
• 민관 협력: 정부·군·민간 AI 기업 간의 지속적인 대화가 필요하다. 기술 개발 초기 단계부터 윤리 검토를 끼워 넣는 구조가 핵심이다. 나중에 규제로 틀어막는 것보다 훨씬 효율적이기 때문이다.

이 노력들이 형식적인 선언에 그칠지, 실질적인 제동장치가 될지는 아직 모른다. 방향은 분명히 “기술만 달려선 안 된다”는 쪽이다.

결국 핵심은 ‘누가 결정하는가’

국방 AI 개발을 막을 방법은 없다. 각국이 이미 달리고 있고, 멈출 나라가 없다. 어떻게 달릴 것인가가 남는 질문이다.

• 지속적인 대화: 기술 개발자, 정책 입안자, 군 관계자, 윤리학자, 시민사회 — 이 다섯이 같은 테이블에 앉아야 한다. 한쪽만의 논의는 반쪽짜리다.
• 명확한 책임 소재: AI가 잘못된 판단을 내렸을 때 개발자인지, 운용자인지, 지휘관인지 — 책임 소재를 미리 정해두지 않으면 사고 후 모두가 손을 뺀다. 법적·윤리적 프레임워크가 먼저다.
• ‘인간 중심’ 원칙 유지: 결정적 순간에 인간이 개입해야 한다는 ‘human-in-the-loop’ 또는 ‘human-on-the-loop’ 원칙. 이게 무너지면 나머지는 다 의미가 없다.

국방 AI는 양날의 검이다. 더 안전한 세계를 만들 수도, 더 빠르게 파괴할 수도 있다. MIT Tech Review가 전한 바에 따르면, AI의 군사적 적용은 이미 ‘실험’을 넘어 ‘실전’ 단계에 진입했다. 기술은 갔다. 윤리가 따라가야 할 차례다.

출처: MIT Tech Review AI

알코어(Alcor)에 냉동 보존된 사람이 지금 200명이 넘는다. 영화 속 이야기가 아니라 미국 애리조나 어딘가 실제 액체 질소 탱크 안 이야기다. 이걸 크라이오닉스라고 부른다. SF 단골 소재였던 냉동 인간이 현실의 서비스로 팔리고 있다는 게, 처음엔 황당하게 들린다. 근데 파고들면 파고들수록 그냥 헛소리로 치부하기도 애매하다.

크라이오닉스가 노리는 것

목표는 단순하다. 죽은 사람을 얼려서 미래 의학이 살려주길 기다린다. 단, ‘죽은 사람’이라는 게 포인트다. 살아있는 세포를 다루는 일반 생체 보존 기술과 달리, 크라이오닉스는 법적 사망 선고를 받은 직후를 대상으로 한다.

핵심 개념이 ‘정보 이론적 죽음’이다. 심장이 멈췄다고 해서 뇌에 저장된 기억, 인격, 의식이 즉시 사라지는 건 아니다. 이 정보가 물리적으로 파괴되기 전에 보존하겠다는 거다. 몸은 죽어도 ‘나’라는 데이터는 살릴 수 있다는 논리다. 단순한 시신 보관이 아니라, 인격체 자체를 미래로 보내려는 시도에 가깝다.

핵심 싸움은 얼음 결정이다

물이 얼면 부피가 팽창하고 날카로운 결정이 생긴다. 세포 안에서 이게 일어나면 세포막이 찢긴다. 그냥 냉동고에 넣으면 시신이 박살난다는 뜻이다. 크라이오닉스 기술의 전부가 이 문제와의 싸움이다.

• 급속 냉각: 사망 직후 최대한 빠르게 체온을 낮춰 세포 대사를 멈춘다. 지체할수록 뇌 손상이 진행된다. 시간이 생명이다.
• 혈액 대체 및 동결 방지제 주입: 혈액을 빼내고 특수 동결 방지 용액(CPA, Cryoprotectants)을 혈관에 채운다. 이 용액이 세포 내 물 분자의 결정화를 막고 유리화(Vitrification)를 유도한다. 유리화는 액체가 결정 없이 점성 높은 비정질 고체로 굳는 현상이다. 쉽게 말해 깨지는 얼음 대신 녹지 않는 유리로 만드는 것.
• 액체 질소 보관: 유리화된 신체를 영하 196°C 액체 질소 탱크에 넣는다. 이 온도에서는 세포 내 생화학 반응이 사실상 0에 수렴한다.

동결 방지제가 세포에 독성을 일으킬 수 있다. 완벽한 유리화도 아직 어렵다. 이 두 가지가 현재 기술의 가장 큰 벽이다.

어디까지 됐나

인간 전신을 냉동했다가 멀쩡히 소생시킨 사례는 없다. 솔직히 그 근처도 못 왔다. 그래도 부분적인 성과들은 쌓이고 있다. 쥐의 뇌를 냉동 보존했다가 해동해서 신경 활동이 일부 복원된 실험이 있다. 신장 같은 소형 장기를 유리화 보존 후 이식해 기능을 되찾은 동물 실험 결과도 보고됐다. 장기 이식 분야에서는 이 기술이 실용 쪽으로 조금씩 나아가고 있다.

문제는 뇌다. 뇌의 모든 신경 연결망, 즉 커넥톰(connectome) 전체를 손상 없이 보존하고 해동 시 기능까지 복원하는 건 현재로선 공상 과학 영역이다. 크라이오닉스 서비스가 ‘미래 기술이 해결해 줄 것’이라는 전제 위에 올라타 있는 이유가 여기 있다. 차원이 다른 문제다.

왜 뇌만 따로 보존하기도 하나

전신 보존과 별개로 뇌 보존(Neuro-preservation) 옵션이 있다. 논리는 이렇다. 기억, 성격, 경험, 학습된 지식—이 모든 ‘나’는 뇌에 저장돼 있다. 뇌를 살리면 몸은 나중에 어떻게든 된다. 새 신체를 이식받거나, 인공 신체에 연결하거나. 몸은 교체 가능한 하드웨어고 뇌는 핵심 소프트웨어라는 관점이다. 개발자 입장에서 보면 꽤 직관적인 비유이기도 하다.

이 때문에 일부 크라이오닉스 기관에서는 비용 면에서도, 기술 집중도 면에서도 뇌 보존에 더 무게를 둔다. 이건 좀 과한 단순화 아니냐는 시각도 있지만, 자원이 한정된 상황에서 내리는 현실적 선택이기도 하다.

비용과 현실: 얼마나 드나

미국의 알코어(Alcor) 생명 연장 재단, 크라이오닉스 연구소(Cryonics Institute)가 현재 이 서비스를 운영 중이다. 두 곳 합쳐 수천 명의 회원이 있고, 이미 수백 명이 냉동 보존 상태다.

비용이 만만치 않다. 전신 보존은 수십만 달러, 뇌 보존만 해도 십수만 달러다. 대부분 생명 보험으로 충당하고, 일시불보다 분할 납부를 택하는 경우가 많다고 한다. 보존 시설 유지, 기술 개발 투자 등이 다 포함된 금액이니 단순 냉동 보관료로 보면 안 된다.

결국 이 서비스에 가입하는 사람들은 ‘언젠가 깨어날 수도 있다’는 가능성에 수십만 달러를 거는 셈이다. 투자로 볼 수도 있고, 도박으로 볼 수도 있다. 판단은 각자 몫이다.

기술보다 어려운 질문들

기술 문제가 해결됐다고 가정해도, 뒤에 따라오는 질문들이 더 복잡하다.

• 신분과 권리: 냉동 보존 상태는 법적으로 사망이다. 수십 년 뒤 소생했을 때, 이 사람의 재산은? 가족 관계는? 국적은? 현행법으로는 답이 없다.
• 불평등 문제: 수십만 달러 서비스를 살 수 있는 사람이 얼마나 되나. 생명 연장 기술이 부유층 전용이 될 경우, 사회적 격차가 말 그대로 죽음 이후까지 이어진다.
• 자원과 인구: 영원히 사는 사람이 늘어난다면 지구 자원은 어떻게 버티나. 이건 크라이오닉스만의 문제가 아니라 수명 연장 기술 전반의 숙제다.
• 정체성 충격: 100년 뒤 세상에서 깨어났을 때, 아는 사람도 없고 언어도 문화도 전부 달라진 상황에서 ‘나’라는 정체성은 버틸 수 있을까.

이런 질문들은 과학 논문에서 다루는 게 아니다. 법, 윤리, 사회 시스템 전체를 흔드는 문제들이다. 크라이오닉스가 그냥 흥미로운 기술 소재에 그치지 않는 이유다. 죽음과 삶의 경계, 인간 존재의 의미를 다시 질문하게 만드는 기술이다. MIT Tech Review가 냉동 뇌 재활성화 연구를 조명한 것도 이 기술이 단순한 SF를 넘어섰다는 방증이다.