소식

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.

2023년, DeepMind의 AI ‘알파텐서(AlphaTensor)’가 50년간 깨지지 않던 행렬 곱셈 최적화 기록을 갱신했다. 수학자들이 수십 년을 씨름하던 문제를, AI가 며칠 만에 해결했다. 이 사건 이후 수학계의 분위기가 조용히 달라지기 시작했다.

수학은 오랫동안 인간 직관의 독점 영역이었다. 복잡한 수식 속에서 새로운 패턴을 캐내고, 그 패턴으로 가설을 세운 뒤, 오랜 시간 논리를 쌓아 증명에 이르는 과정. 그게 수학이었다. 하지만 최근 AI 기술의 발전은 이 공식을 흔들기 시작했다. 단순히 계산 속도를 높이는 수준이 아니라, AI가 스스로 수학적 아이디어를 생성하고 패턴을 인식하며 난제 해결의 실마리를 제공하는 방식으로.

AI가 수학 연구의 판을 어떻게 바꾸나

전통적인 수학 연구는 수학자의 깊은 통찰에 기댄다. 수많은 시행착오, 긴 숙고, 그리고 어느 날 갑자기 찾아오는 영감. 현대 수학은 그 복잡성이 이미 인간 인지 능력의 한계에 닿아 있는 경우가 많다. 변수가 수백 개, 경우의 수가 수십억 개를 넘어가는 문제들. 여기서 AI가 끼어들 여지가 생긴다.

• 데이터 기반 패턴 인식: AI는 수천만 개의 수학적 데이터를 분석해 인간이 미처 발견하지 못한 복잡한 관계를 찾아낸다. 특정 정수열에서 반복되는 구조라든지, 그래프 이론에서 드물게 등장하는 연결 패턴 같은 것들이다.
• 가설 자동 생성: 발견된 패턴을 토대로 새로운 수학적 가설을 만들고, 검증할 방향까지 제시한다. 수학자가 “이런 게 성립하지 않을까?” 하고 직감으로 던지는 것을, AI는 데이터로 뒷받침하며 던진다.
• 증명 과정 보조: 복잡한 증명의 특정 단계를 자동화하거나 논리 오류를 잡아낸다. 긴 증명에서 사람이 실수로 넘기는 구멍을 AI가 잡아주는 식이다.

이게 단순한 계산기 역할이 아니라는 게 핵심이다. AI는 수학적 사고 자체를 확장하는 촉매로 작동한다.

AI는 어떤 방식으로 패턴을 잡아내나

크게 두 가지 접근법이 있다.

1. 기계 학습 기반 데이터 분석: 정수열, 그래프, 기하학적 구조처럼 다양한 수학적 객체와 그 관계를 대규모로 학습한다. 이 과정에서 AI는 특정 조건에서 반복적으로 나타나는 특징이나 예상 밖의 연결 고리를 스스로 추출한다. 특정 종류의 그래프가 갖는 고유한 속성을 학습한 뒤, 처음 보는 그래프에서도 비슷한 속성을 예측하거나 분류하는 식이다.
2. 강화 학습 기반 탐색: AI가 수학 문제를 ‘게임’처럼 접근하는 방식이다. 다양한 수나 함수를 조작하면서 결과를 확인하고, 목표에 가까워질수록 보상을 받는다. 알파고(AlphaGo)가 인간이 생각하지 못한 창의적인 수를 뒀던 원리와 같다. 수학에서는 새로운 정리나 증명 경로를 탐색하는 데 쓰인다.

결국 AI는 인간 뇌가 무의식적으로 하는 연상 작용과 패턴 인식을, 훨씬 더 넓고 깊은 스케일로 수행하는 셈이다.

기존 연구 방식과 뭐가 다른가

AI가 수학 연구에 본격적으로 개입하면서 가장 달라진 건 직관의 범위와 탐색 속도다. 수학자 한 명이 평생을 바쳐야 겨우 발견할 수 있었던 복잡한 관계를, AI는 단 시간에 수십만 가지 경우의 수를 뒤지며 찾아낸다. 조합론이나 정수론처럼 변수가 많고 데이터가 방대한 분야에서 이 차이가 특히 뚜렷하다.

• 처리 속도와 규모: 인간 두뇌가 처리할 수 있는 정보량에는 한계가 있다. AI는 수억 개의 데이터를 병렬로 처리한다. 비교 자체가 무의미할 정도다.
• 편향 감소: 수학자는 특정 이론이나 접근 방식에 익숙해지다 보면 자연스럽게 편향이 생긴다. AI는 데이터와 규칙에 기반해 다양한 가능성을 탐색하기 때문에 그런 선입견이 없다. 물론 학습 데이터의 편향이 들어올 수 있다는 건 별개 문제지만.
• 예측과 제안: 기존 데이터를 분석해 새로운 수학적 구조나 특성을 예측하고, 이를 증명하기 위한 구체적인 방법론까지 제안한다. 수학자 입장에서는 “어디서부터 시작하지?” 하는 막막함을 AI가 걷어주는 격이다.

수학자들이 ‘무엇을 연구할 것인가’라는 질문 자체를 다시 던지게 만든다는 점에서, 이건 단순한 도구 이상의 변화다.

AI가 실제로 잘 풀어내는 문제 유형

AI가 수학 난제 전부를 해결한다는 건 아직 과장이다. 하지만 특정 유형에서는 이미 실력을 증명했다.

• 숨겨진 규칙 찾기: 특정 수열이나 그래프에서 반복되는 패턴을 발견하거나, 특정 조건에서만 나타나는 특이점을 잡아내는 문제다. 소수의 분포 패턴, 복잡한 조합론적 구조 분석 등이 여기 해당한다.
• 경우의 수가 폭발하는 문제: 인간이 일일이 확인하기 불가능한 수준의 탐색이 필요한 문제들이다. 최적화 문제, 그래프 이론의 특정 성질 증명, 특정 조건을 만족하는 수학적 객체 탐색 등이다.
• 가설 생성과 반례 찾기: AI가 기존 이론과 데이터를 바탕으로 새로운 가설을 제안하고, 참인지 거짓인지 판단하기 위한 예시나 반례를 찾는 작업이다. 수학자가 “혹시 이게 성립할까?” 하는 가설을 던지면, AI가 빠르게 검증 재료를 쏟아낸다.
• 타 분야 데이터에서 수학 구조 추출: 물리학이나 암호학에서 파생된 수학적 문제에서 숨겨진 구조를 찾아내고 예측 모델을 만드는 작업도 AI의 강점이다.

물론 모든 문제를 다 해결하진 못한다. 고차원적인 추상적 사고나 전혀 새로운 개념의 창안은 여전히 인간의 영역이다. 이 부분에서는 솔직히 AI가 아직 부족하다.

수학자에게 AI는 경쟁자인가, 조력자인가

AI가 수학에 파고든다는 소식에 “수학자가 곧 대체되는 거 아니냐”는 시선도 있다. 지금까지 나온 사례들을 보면, 대답은 꽤 명확하다. AI는 강력한 조력자이자 동반자다. 적어도 지금은.

• 아이디어 촉매: AI가 제시하는 패턴이나 가설은 수학자의 상상력 바깥에서 온다. 그 낯선 아이디어가 연구의 방향을 바꾸기도 한다.
• 반복 작업 처리: 복잡한 계산, 데이터 분류, 특정 조건 만족 여부 확인 같은 시간 잡아먹는 작업을 AI가 대신 처리한다. 덕분에 수학자는 개념적 사고에 더 집중할 수 있다.
• 새로운 시각 제공: AI가 발견한 패턴은 때로 인간의 직관과 정반대 방향을 가리킨다. 그게 오히려 문제 해결의 새로운 실마리가 되기도 한다.

수학자의 역할이 사라지지는 않는다. AI가 내놓은 가설과 패턴의 수학적 의미를 해석하고, 엄밀한 증명으로 정립하는 최종적인 작업은 여전히 사람이 해야 한다. AI는 고성능 현미경 같은 것이다. 더 멀리, 더 세밀하게 보여주지만, 결국 보는 건 사람이다.

앞으로 수학 연구는 어떻게 달라지나

미래의 수학 연구는 인간 수학자와 AI가 긴밀하게 맞물려 돌아가는 ‘인간-AI 협업 연구’ 모델로 흘러갈 가능성이 높다.

• 새로운 수학 분야 탄생: AI가 기존 수학 체계로는 설명하기 어려운 새로운 현상이나 구조를 발견하면, 그걸 설명하기 위한 완전히 새로운 수학 분야가 생겨날 수도 있다. 역사적으로 수학은 늘 그런 식으로 확장돼 왔다.
• 수학 교육의 변화: 교육에서도 AI 도구를 활용해 학생들이 복잡한 개념을 시각적으로 이해하고, 직접 탐구하는 방식으로 바뀔 수 있다. 공식을 외우는 교육에서 탐색하는 교육으로.
• 타 학문과의 융합 가속: 수학적 발견 속도가 빨라지면, 물리학·컴퓨터 과학·생물학·금융 같은 분야도 덩달아 빨라진다. 수학은 모든 과학의 기초 언어이기 때문이다.

AI는 수학이라는 오래된 학문에 새로운 자극을 주고 있다. 수학자들이 더 깊고 창의적인 연구에 몰두할 수 있는 환경. MIT Tech Review가 전한 바에 따르면, 이 흐름은 이제 막 시작됐다고 봐야 한다. 어디까지 갈지는, 아직 아무도 모른다.

출처: MIT Tech Review AI