[태그:] AI

구글 검색창에 ‘reddit’을 붙여서 검색해본 적 있다면, 메타가 만든 ‘포럼(Forum)’ 앱이 노리는 지점이 뭔지 바로 감이 올 거다. 아이폰 전용으로 출시된 이 앱, 한마디로 페이스북 그룹에 AI 챗봇을 얹은 버전이다. 레딧처럼 특정 관심사 중심으로 깊이 파고들 수 있고, 거기에 AI가 질문에 답하고 긴 토론을 요약해준다. 2017년에 ‘페이스북 그룹스(Facebook Groups)’ 앱을 접었던 메타가 다시 같은 판에 뛰어든 건데, 이번엔 무기가 다르다.

메타 ‘포럼’ 앱, 뭐가 다른가

The Verge 보도를 보면 AI가 하는 일이 꽤 구체적이다. 그룹 내 질문에 직접 답하고, 수백 개 댓글로 이어진 토론을 몇 줄로 요약하고, 새로운 토론 주제까지 제안한다. 단순 키워드 검색이 아니라 그룹 맥락을 이해하는 AI라는 게 포인트다. 예를 들면 등산 커뮤니티에서 초보 코스를 물어보면 AI가 관련 게시글들을 뒤져서 바로 요약본을 내놓는 식이다.

기존 페이스북 그룹과 가장 큰 차이는 메인 피드에서 분리됐다는 점이다. 지인들의 근황, 광고, 추천 게시물이 뒤섞인 페이스북 피드에서 벗어나 관심사 하나에만 집중하는 공간을 따로 뺀 것. 이게 레딧(Reddit)이 10년 넘게 버텨온 이유이기도 하고, 페이스북 그룹이 항상 아쉬웠던 지점이기도 하다.

레딧+구글 AI 오버뷰+페이스북 그룹, 한 앱에 다 넣으면?

포럼 앱의 포지셔닝이 흥미롭다. 레딧 특유의 주제별 깊이, 구글의 ‘AI 오버뷰(AI Overview)’ 같은 즉각적인 답변, 페이스북 그룹의 커뮤니티 관리 기능—이 세 가지를 한데 모은 구조다. 수백 개의 게시물을 일일이 뒤지지 않아도 된다. AI가 그룹 내 맥락을 파악해 필요한 정보를 바로 꺼내준다.

문제는 이게 좋은 것만 모아놨다가 될지, 어중간한 것들의 합산에 그칠지다. 레딧을 오래 써본 사람은 안다. 그 플랫폼의 힘은 기능이 아니라 오랫동안 쌓인 사람들과 문화에서 나온다는 걸. 메타가 AI를 앞세워도 그 부분을 단기에 따라잡기는 쉽지 않다. 신규 사용자 입장에서는 다르다. 커뮤니티에 처음 들어갔는데 AI가 핵심 FAQ를 정리해주고 수년 치 논쟁을 맥락 있게 요약해준다면—진입 장벽이 꽤 낮아지는 경험이다. 이 부분에서 메타는 기존 레딧 충성 유저보다 새로운 층을 공략할 여지가 있다.

국내 시장, 직접 충격보다 간접 자극

국내는 네이버 카페, 밴드, 카카오톡 오픈채팅이 워낙 깊이 박혀 있다. 아이폰 전용 앱으로 시작한다는 것도 걸린다. 국내 스마트폰 시장에서 아이폰 점유율이 30%대 초반인 걸 감안하면, 시작부터 타깃 모수가 제한적이다.

그렇다고 무시하기엔 이르다. 서구 시장에서 이 앱이 자리를 잡는다면, 네이버 카페나 밴드가 AI 기반 커뮤니티 기능을 서둘러 도입할 명분이 생긴다. 카카오도 마찬가지다. 메타 ‘포럼’이 국내 시장을 직접 뚫는다기보다, 국내 플랫폼들을 움직이는 촉매 역할을 할 가능성이 더 높다. 결국 어느 플랫폼이 이기든, AI가 녹아든 커뮤니티 경험을 더 빨리 만나게 되는 셈이다.

출처: The Verge

검색창에 뭔가를 치는 행위, 하루에 몇 번이나 하는지 세어본 적 있나? 아마 거의 무의식에 가깝다. 그리고 십중팔구 그 창은 구글이다. 그런데 구글 말고 다른 선택지가 생각보다 꽤 있다. 기능도 다르고, 지향하는 방향도 다르다. AI 검색이 본격화되고 데이터 프라이버시 논쟁이 거세지면서, 어떤 검색엔진을 쓰느냐는 더 이상 가볍게 넘길 문제가 아니게 됐다.

세계 시장의 압도적 1위, 구글

구글의 전 세계 검색 점유율은 90% 안팎이다. 압도적이다. 이미지·지도·뉴스·학술 자료까지 부가 서비스가 촘촘히 연결돼 있고, 크롬 브라우저와 안드로이드 생태계에 기본으로 묶여 있다 보니 굳이 바꿀 이유를 못 느끼는 게 당연하다. 웹 페이지 품질을 평가하는 알고리즘도 수십 년에 걸쳐 정교해진 거라, 검색 정확도 기준은 아직 구글이다.

다만 대가가 있다. 구글은 사용자의 검색 기록과 행동 데이터를 광고에 적극 활용한다. 어젯밤에 뭘 검색했는지를 바탕으로 오늘 광고가 달라진다. 편하다면 편하고, 불편하다면 불편한 구조다. 개인정보 유출이 걱정되는 사람들이 대안을 찾기 시작하는 이유가 바로 여기다.

한국 한정 절대 강자, 네이버

한국에서 네이버는 단순한 검색엔진이 아니다. 블로그·카페·지식iN이라는 거대한 콘텐츠 생태계가 검색 결과를 채운다. 쇼핑, 부동산, 금융 정보까지 한 화면에서 볼 수 있으니, 국내 정보 찾을 때 속도가 다르다. 맛집이나 최신 국내 이슈 파악할 때 네이버가 구글보다 편한 건 부정하기 어렵다. 실시간 트렌드나 지역 정보도 네이버 쪽이 훨씬 직관적으로 정리돼 있다.

반면 해외 정보나 학술 자료는 얘기가 달라진다. 영어 논문이나 외신 분석을 찾을 땐 구글 쪽이 낫다. 네이버도 최근 하이퍼클로바X 기반 AI 검색을 강화하고 있는데, 어디까지 경쟁력을 키울 수 있을지는 두고 봐야 한다. 솔직히 아직은 영역이 명확히 갈린다.

오픈AI와 손잡은 마이크로소프트, 빙

빙은 오랫동안 ‘구글 못 따라가는 2위’라는 인식이 있었다. 그런데 오픈AI와 협력해 코파일럿(Copilot) 기능을 검색에 통합하면서 분위기가 바뀌었다. 단순 링크 나열이 아닌 대화형 검색이 가능해졌다. 복잡한 질문을 던지면 AI가 직접 답을 요약해 준다. 코드 작성이나 긴 문서 정리 같은 작업에서 긍정적인 반응이 많다. 이건 직접 써봐야 체감된다.

윈도우 운영체제와 마이크로소프트 엣지 브라우저에 기본 탑재돼 있고, 검색 활동에 포인트를 쌓아주는 리워드 시스템도 있다. 예전에 약점으로 꼽히던 인덱싱 품질은 AI 도입 이후 꽤 따라잡았다는 평가다. 역전까지는 아니지만, 격차는 분명히 좁혀졌다.

추적 없이 검색하고 싶다면, 덕덕고

덕덕고는 처음부터 ‘추적 안 한다’는 한 가지를 팔았다. 검색 기록 저장 없음. 행동 데이터 수집 없음. 그래서 모든 사용자에게 동일한 검색 결과가 뜬다. ‘필터 버블’ — 내가 보고 싶은 것만 보여주는 알고리즘의 편향 — 에서 벗어나고 싶은 사람들에게는 매력적인 구조다.

인터페이스도 군더더기 없이 깔끔하고, ‘뱅!(Bang!)’ 명령어를 쓰면 특정 사이트 내 검색으로 바로 넘어간다. 예를 들어 !yt 고양이 영상이라고 치면 유튜브 검색 결과로 직행한다. 검색 품질 자체는 구글·빙에 비해 한 단계 아래라는 평가가 있지만, 민감한 정보를 검색할 때 덕덕고를 꺼내는 사람들이 분명히 있다. 상황에 따라 쓰는 거다.

내 용도에 맞게 골라 쓰면 된다

• 정확한 정보, 해외·학술 자료: 구글이 최적이다. 범위도 넓고, 정확도도 여전히 기준이다.
• 국내 쇼핑·커뮤니티·지역 정보: 네이버가 독보적이다. 블로그·카페 콘텐츠를 활용한 한국어 정보에서는 경쟁자가 없다.
• AI 대화형 검색, 복잡한 질문 요약: 빙 코파일럿이 강하다. 정보를 요약·가공해서 받아보고 싶을 때 유리하다.
• 익명 검색, 개인정보 추적 없이: 덕덕고가 답이다. 민감한 검색이나 필터 버블 없는 결과를 원할 때 쓴다.

하나만 고집할 필요는 없다. 평소엔 구글, 국내 정보는 네이버, AI 도움받고 싶을 땐 빙, 민감한 검색엔 덕덕고 — 이렇게 상황에 따라 섞어 쓰는 게 오히려 영리한 방법이다. 도구는 여러 개 갖고 있는 쪽이 낫다.

검색 고수들이 쓰는 연산자 몇 가지

어떤 검색엔진을 쓰든 이 몇 가지만 익혀두면 검색 효율이 확 달라진다.

• 따옴표 (“”): 정확한 구절 검색. 예: “아이폰 16 출시일” — 이 단어가 통째로 들어간 결과만 나온다.
• 마이너스 (-): 원치 않는 키워드 제외. 예: 애플 -아이폰 — 아이폰 관련 결과가 빠진다.
• site:: 특정 사이트 내에서만 검색. 예: site:theverge.com 구글 독점
• filetype:: 파일 형식 지정 검색. 예: 보고서 filetype:pdf
• 기간 설정: 검색 결과 날짜 필터링. 최신 정보만 볼 때 필수다.

검색의 다음 장은 이미 시작됐다

AI가 검색을 바꾸는 속도가 빠르다. 링크 목록을 보여주던 방식에서 사용자의 의도를 파악해 답을 직접 생성해 주는 방향으로 빠르게 이동하고 있다. 구글, 빙, 네이버 모두 AI 검색에 자원을 쏟아붓는 중이다. 개인정보 보호 규제도 강해지면서, 데이터를 덜 수집하는 검색 서비스가 자연스레 부각되는 흐름이기도 하다.

결국 ‘어떤 게 최고냐’보다 ‘내가 뭘 중요하게 생각하느냐’에 따라 검색엔진을 고르는 시대가 됐다. 검색엔진 간 경쟁이 치열해질수록, 이익을 보는 건 사용자다.

출처: The Verge

‘무시하다’를 검색했더니, AI가 그 검색을 무시해버렸다. 이건 비유가 아니다.

더버지(The Verge) 보도를 보면, 한 사용자가 ‘disregard(무시하다)’라는 단어를 구글에 입력하자 AI 오버뷰(AI Overviews)가 기묘하게 반응했다. 단어 뜻을 정리해 보여주는 대신, 챗봇처럼 대화하듯 응답을 시작한 것이다. 이 장면이 X(구 트위터)에 올라오면서 순식간에 퍼졌고, "AI가 진짜로 무시해버렸다"는 반응이 줄을 이었다. 씁쓸한 아이러니다.

‘무시’라는 단어가 무시당할 때 벌어진 일

문맥을 못 읽으면 이런 일이 생긴다. 사용자가 ‘disregard’를 검색한 건 분명히 "이 단어 무슨 뜻이에요?"라는 의도였는데, AI는 그 단어 자체를 명령으로 받아들인 것처럼 작동했다. 키워드만 잡고 맥락을 날려버린 전형적인 실패다.

검색 엔진은 정보를 찾아주는 도구다. 근데 AI가 정보 탐색 대신 ‘대화’에 집중하면서 기본 역할을 못 했다. 검색어 자체의 의미를—그것도 문자 그대로—따라 했다는 점에서, 보는 사람마다 "이게 뭐야"라는 반응이 나온 것도 무리가 아니다. AI가 검색의 본질을 이해하는 척하다가, 가장 단순한 지점에서 무너진 셈이다.

피자에 접착제, 돌멩이로 신장 결석 치료…이미 전과가 있다

AI 오버뷰의 오작동은 이번이 처음이 아니다. 출시 초반부터 굵직한 실수들이 있었다. 피자 위에 접착제를 바르라는 조언, 신장 결석 치료에 돌을 먹으라는 황당한 답변—이게 실제로 AI 오버뷰가 내놓은 정보들이다. ‘환각(hallucination)’이라 부르는 현상이다. AI가 없는 사실을 있는 것처럼 그럴듯하게 만들어내는 것. 검색 엔진으로서는 치명적인 결함이다.

구글은 인지하고 있다고 했다. 지속적인 모니터링과 개선 작업을 하고 있다고도. 근데 사용자들 입장에선 "언제까지?"라는 질문이 남는다. 단순 질문엔 꽤 잘 답하는 AI가, 조금만 맥락이 복잡해지면 흔들린다는 게 계속 확인되고 있으니까. 복잡하거나 미묘한 상황에서의 한계—이게 지금 AI 오버뷰의 현주소다.

구글이 빠진 딜레마

AI 오버뷰의 설계 의도 자체는 이해가 간다. 기존 검색의 ’10개 링크 나열’ 방식 대신, AI가 핵심을 정리해서 바로 보여주자는 것. 속도와 편의성 면에서는 분명한 강점이 있다. 근데 정보가 틀리면? 그것도 위험한 방향으로 틀리면? 검색 엔진의 신뢰는 한 번 금이 가면 회복이 느리다.

구글 입장에선 압박이 크다. AI 검색으로 빠르게 앞서 나가야 하는데, 그 속도가 오히려 브랜드를 갉아먹고 있다. 정확성을 제대로 확보하지 못한 채 배포된 기능이 사고를 치면, 사용자들은 결국 예전 방식으로 돌아가거나 다른 서비스로 넘어간다. AI 기술이 빠르게 발전하더라도, 사용자한테 내놓기 전에 더 엄격한 검증이 필요하다는 걸—구글 스스로 증명하고 있는 셈이다. 혁신적인 잠재력과 정보의 정확성, 두 마리 토끼를 동시에 잡아야 하는 숙제가 아직 남아 있다.

한국 시장에도 남 얘기가 아닌 이유

국내 사용자도 구글 검색을 폭넓게 활용하고 있다. AI 오버뷰가 한국어 검색에도 점차 확대될 거라는 건 예정된 수순이다. 그때 가서 비슷한 오작동이나 환각 현상이 한국어로 나온다면, 정보 혼란이 생길 가능성은 충분히 크다.

네이버, 카카오 같은 국내 IT 기업들도 자체 AI 모델을 기반으로 검색 경험을 바꾸려 하고 있다. 구글의 이 사태는 이들한테도 타산지석이 된다. 빠르게 내놓는 것보단, 얼마나 정확하고 안정적인 정보를 제공하느냐—결국 AI 검색의 성패는 거기서 갈린다. 얼마나 빠르고 화려하게 보이느냐가 아니라, 사용자가 그 답변을 믿을 수 있느냐가 핵심이다. 신뢰를 쌓는 속도는 느리지만, 잃는 속도는 빠르다.

출처: The Verge

테슬라 FSD가 고속도로를 혼자 달리는 영상은 이제 흔하다. 웨이모 로보택시는 샌프란시스코 도심을 운전자 없이 운행 중이다. 그런데 막상 “저 차가 어떻게 움직이는 거야?”라고 물으면 제대로 아는 사람이 많지 않다. 센서가 여러 개라는 건 알겠는데, 그게 어떻게 조합돼서 판단을 내리는지, 레벨 2랑 레벨 4가 실제로 뭐가 다른지 — 이걸 한 번에 정리해본다.

자율주행차, 결국 세 가지 질문을 푸는 기계다

자율주행차가 스스로 달리려면 세 가지를 해결해야 한다. 지금 주변에 뭐가 있나, 어디로 가야 하나, 어떻게 움직이나. 이 세 질문에 실시간으로 답하는 게 자율주행의 전부다. 들으면 단순해 보이는데 실제론 엄청 복잡하다. 신호등 색 바뀌는 타이밍, 갑자기 뛰어드는 보행자, 도로 위 비닐봉지까지 — 이런 변수가 초당 수백 개씩 쏟아진다. 그걸 전부 처리해야 한다.

기술의 최종 목표는 운전 부담 제거와 교통사고 감소다. 사람보다 반응이 빠르고, 졸리지도 않고, 술도 안 마신다. 이론상으론 완벽한 운전자다. 이론상으론.

자율주행차의 눈과 귀 — 핵심 센서 기술

차가 세상을 인식하려면 감각이 있어야 한다. 자율주행차는 카메라·라이다·레이더·초음파·GPS를 조합해 사람의 오감을 대신한다. 각각 역할이 다르다.

• 카메라: 가장 기본적인 센서다. 차선, 신호등, 표지판, 보행자를 읽어낸다. 색과 형태 구분은 카메라가 제일 낫다. 단점은 야간, 역광, 폭우에서 성능이 뚝 떨어진다는 것. 테슬라는 카메라만 쓰는 방식을 고집하는데, 업계에서 논란이 꽤 된다.
• 라이다 (LiDAR): 레이저 펄스를 쏴서 반사 시간으로 3D 지도를 만든다. 거리·형태·속도를 센티미터 단위로 잰다. 웨이모가 대표적으로 쓰는 방식이다. 문제는 단가가 수백만 원대라 양산 차량에 얹기가 쉽지 않고, 짙은 안개에도 약하다.
• 레이더 (Radar): 전파로 물체와의 거리·속도를 측정한다. 악천후에 비교적 강하고, 100m 이상 원거리 탐지에 유리하다. 앞차 간격 유지나 충돌 방지 시스템에 주로 쓰인다. 형태 인식은 카메라나 라이다보다 떨어진다.
• 초음파 센서: 주차할 때 삑삑 소리 내는 그것이다. 단거리, 수 미터 이내 물체 감지용이다. 저렴하고 설치가 쉽지만 범위가 짧아서 저속 주차 보조 이상으론 쓰기 어렵다.
• GPS/IMU (관성 측정 장치): 차량의 위치를 잡고, 기울기·방향·속도 변화를 계속 측정한다. 고정밀 지도와 결합하면 현재 위치를 수십 센티미터 단위로 추정한다.

이 센서들을 따로따로 쓰면 의미가 없다. 카메라는 밤에 흐리고, 라이다는 안개에 약하고, 레이더는 형태를 못 읽는다. 그래서 이 모든 데이터를 하나로 합치는 센서 퓨전이 핵심이다. 눈·귀·손에서 온 정보를 종합해 판단하듯, 각 센서가 서로의 맹점을 메운다. 어느 하나가 오류를 내도 나머지가 버텨주는 구조다.

자율주행차의 두뇌 — AI와 소프트웨어

센서가 데이터를 모으면 AI가 해석한다. 인식 → 판단 → 제어, 세 단계다.

• 데이터 처리 및 환경 인식: AI가 도로 위 모든 객체를 분류한다. 저건 사람, 저건 자전거, 저건 공사 표지판. 딥러닝이 여기서 핵심이다. 수억 장의 실제 주행 이미지로 학습해 패턴을 익힌다. 2024년 기준, 주요 자율주행 업체들은 수십억 킬로미터의 주행 데이터를 보유 중이다.
• 경로 계획 및 의사 결정: 현재 위치에서 목적지까지, 실시간 교통 흐름과 주변 차량 움직임을 보면서 경로를 짠다. 옆 차가 3초 후에 끼어들 것 같다면 미리 속도를 줄인다. 이런 예측과 대응이 초당 수십 번씩 일어난다.
• 고정밀 지도 (HD Map): 일반 내비게이션 지도와 차원이 다르다. 차선 폭, 신호등 정확한 위치, 도로 경사도, 커브 곡률까지 센티미터 단위로 담겨 있다. 자율주행차가 GPS 오차를 보정하고 스스로 위치를 정밀하게 추정하는 기반이다.
• V2X (Vehicle-to-Everything) 통신: 차와 차, 차와 신호등, 차와 보행자 스마트폰이 서로 신호를 주고받는다. 앞에 트럭이 가려 교차로가 안 보여도, 교차로 너머 차량 정보를 미리 받아 대비한다. 센서만으론 볼 수 없는 영역을 커버한다.

AI 모델은 달리면 달릴수록 정교해진다. 실제 주행 데이터가 쌓이면 학습이 개선되고, 개선된 모델이 다시 차에 탑재된다. 이 순환 구조 덕분에 자율주행 시스템은 출시 후에도 계속 성장한다. 데이터가 곧 경쟁력인 이유다.

자율주행 기술 어디까지 왔나 — SAE 레벨 0~5

미국자동차공학회(SAE)가 정의한 6단계 분류가 업계 표준이다. 숫자가 올라갈수록 차가 알아서 하는 범위가 넓어진다.

• 레벨 0 (No Automation): 운전자가 전부 다 한다. 자동화 기능 없음.
• 레벨 1 (Driver Assistance): 기능 하나만 자동. 어댑티브 크루즈 컨트롤(ACC)이나 차선 유지 보조(LKA) 중 하나. 나머지는 운전자 몫이다.
• 레벨 2 (Partial Automation): ACC와 LKA를 동시에 쓰는 수준. 지금 팔리는 고급 세단 대부분이 여기다. 차가 핸들과 가속을 같이 제어하지만, 눈은 계속 도로에 있어야 한다. 손 놓으면 경고한다.
• 레벨 3 (Conditional Automation): 고속도로 정체 구간 같은 특정 조건에서는 차가 전부 알아서 한다. 운전자는 그 사이 다른 것을 봐도 된다. 단, 시스템이 “이제 네가 운전해”라고 요청하면 즉시 넘겨받아야 한다. 이 레벨이 기술적으로 가장 까다롭다. 사고 시 책임 소재 문제가 복잡해서 상용화가 느리게 진행 중이다.
• 레벨 4 (High Automation): 정해진 구역(ODD, Operational Design Domain) 안에서는 운전자가 아예 없어도 된다. 비상 상황도 차가 스스로 처리하거나 갓길에 선다. 웨이모 로보택시가 목표로 하는 레벨이다.
• 레벨 5 (Full Automation): 어디서든, 어떤 날씨든, 완전 자율 주행. 핸들이나 페달 자체가 필요 없다. 아직 연구 개발 단계다. 언제 상용화될지는 솔직히 아무도 모른다.

지금 시장은 레벨 2에서 레벨 3으로 넘어가는 과도기다. 레벨 4 상용화 테스트도 곳곳에서 진행 중이다. 단, 레벨 경계는 기술만으로 정해지지 않는다. 각국 도로교통법, 보험 제도, 사회적 합의가 다 맞아떨어져야 한다.

기술보다 어려운 것들

자율주행을 막는 건 센서 정밀도만이 아니다. 솔직히 지금 기술 수준은 꽤 왔다. 진짜 걸림돌은 따로 있다.

• 안전과 신뢰성: 99.99% 정확도로는 부족하다. 하루 수백만 대가 달리면, 0.01% 오류도 수천 건의 사고로 이어진다. 폭설, 역광, 공사 구간처럼 센서가 혼란스러운 환경에서도 버텨야 한다. 오류가 나더라도 백업 시스템이 작동해야 한다.
• 윤리적 딜레마: 피할 수 없는 사고에서 차가 어떤 판단을 내려야 하나. 보행자와 탑승자 중 하나를 선택해야 하는 순간이 오면? 기술 문제가 아니라 철학 문제다. 그 기준을 누가 정하느냐가 핵심이다.
• 법과 제도: 전 세계 교통법은 인간 운전자를 기준으로 만들어졌다. 자율주행 사고가 나면 책임은 운전자에게? 제조사에게? 소프트웨어 개발사에게? 이를 명확히 하는 법적 프레임이 대부분 나라에서 아직 미완성이다.
• 인프라와 사이버 보안: V2X 통신망, HD 지도 데이터베이스 — 이걸 깔아야 레벨 4가 제대로 굴러간다. 막대한 인프라 투자가 필요하다. 거기다 자율주행 시스템이 해킹당하면 어떻게 되나. 사이버 보안은 지금도 업계 최대 과제 중 하나다.

The Verge가 전한 바에 따르면, 우버가 자율주행 데이터 수집 전용 랩을 별도로 운영할 만큼 데이터 확보 경쟁은 치열하다. 정부·학계·기업이 협력하면서 기술은 분명 앞으로 나아가고 있다. 자율주행차는 운송 수단 이상이다. 도시 구조를 바꾸고, 물류를 재편하고, 노인과 장애인의 이동권을 확장한다. 그 변화가 언제 오느냐는 기술만큼 제도와 사회 합의에 달려 있다.

출처: The Verge

에릭 슈미트가 마이크를 잡는 순간, 객석에서 야유가 터졌다. 전 구글 CEO인 에릭 슈미트(Eric Schmidt)가 AI의 미래를 칭송하는 말을 꺼내자마자, 2026년 졸업반 학생들 사이에서 크고 지속적인 반발이 쏟아진 것이다. The Verge 보도를 보면, 이건 몇몇 불만 학생의 일탈이 아니라 졸업반 전체를 관통하는 집단 감정에 가깝다고 전했다. 연설하는 CEO들 본인이 가장 당황했다는 건, 이 상황의 아이러니다.

분위기 파악 못 한 연설들

졸업식 강단은 원래 희망과 격려의 공간이다. 그런데 최근 미국 대학 졸업식장에서 테크 기업 CEO들이 AI를 예찬할 때마다 반응이 달라졌다. 단순한 냉소가 아니다. 당장 사회로 나가는 학생들 입장에서, 학자금 대출은 쌓여 있고 채용 문은 좁아지는데 CEO가 AI 낙관론을 늘어놓으면 어떻게 들리겠나. 솔직히 그 자리에 앉아 있었으면 나도 야유했을 것 같다.

• AI 낙관론에 대한 젊은 세대의 직접적인 반발
• 기업 리더들과 학생들 간의 인식 격차 심화
• 새로운 기술이 가져올 미래에 대한 불안감 표출

이게 갑자기 터진 게 아니다. 졸업 전부터 쌓인 것들이 있다. 학자금 대출 부담, 좁아진 채용 문, 인턴도 AI로 대체된다는 뉴스들. 그 위에 CEO가 올라서서 "AI가 기회를 만든다"고 말하면 — 그 자리에 있는 학생들에게 그 말이 어떻게 들릴지는 뻔하다. AI는 희망이라기보다 위협에 가깝게 느껴지는 거다.

일자리 위협, 막연하지 않다

CEO들의 논리는 간단하다. AI가 생산성을 높이고, 새로운 직업군을 만들어낼 것이라는 것. 틀린 말은 아니다. 하지만 지금 막 사회에 나가는 졸업생들한테 그 말은 다르게 들린다. 지금 내 자리가 사라질 수 있다는 신호로.

단순 반복 업무만이 아니다. 콘텐츠 제작, 코딩 보조, 법률 문서 검토, 회계 처리까지 AI가 파고든 영역이 넓어졌다. 전문가들 사이에서도 의견이 갈린다 — 새 일자리가 생긴다는 쪽과, 사라지는 속도가 훨씬 빠르다는 쪽으로. 이건 좀 과한 두려움 같아도, 창의적인 영역까지 AI 역할이 확장되는 걸 보면 그렇지도 않다. 졸업생들의 야유는 그 불확실성을 몸으로 표현한 거다. AI 시대를 바라보는 기성세대와 젊은 세대의 시각차가 이 장면 하나에 압축돼 있다.

한국 취준생들은 다를까

미국만의 이야기가 아니다. 국내 청년 취업난은 이미 심각하다. 여기에 AI 자동화 바람이 더해지면서, 사라질 직업 리스트가 현실감 있게 다가오는 시대가 됐다. 국내 IT 기업들이 AI 인재 확보에 열을 올리고 있지만, 그 혜택이 고용 시장 전반으로 퍼질지는 아직 미지수다.

오히려 특정 분야 일자리가 줄거나, 요구 역량이 급변하면서 취준생들의 혼란은 더 커질 여지가 있다. 대학도, 정부도, 기업도 AI 시대 전환에 필요한 실질적 대책보다 낙관론을 앞세우는 경향이 있다. 단순히 AI의 장점만 강조하는 게 아니라, 사회적 대화와 합의를 통해 공존의 길을 모색하는 것 — 결정적으로 그게 지금 필요한 거다.

출처: The Verge

파이어폭스가 디자인을 갈아엎는다. 코드명 ‘프로젝트 노바(Project Nova)’로 불리는 대규모 재설계 작업이 올해 말부터 순차적으로 배포될 예정이다. 오랫동안 같은 얼굴이었던 파이어폭스가 UI부터 기능까지 통째로 손을 댄다.

둥근 모서리, 설정 메뉴도 싹 뜯어고쳐

The Verge 보도를 보면, 이번 개편의 첫인상은 ‘둥글다’는 것이다. 기존의 각진 형태에서 벗어나 모서리가 부드러워진다. 단순히 예쁘게 바꾸는 수준이 아니다. 설정(Settings) 섹션 자체를 통째로 재구성해서 필요한 기능을 훨씬 빨리 찾도록 만든다.

솔직히 파이어폭스 설정은 좀 복잡했다. 뭔가 바꾸려면 메뉴를 몇 단계씩 파고 들어가야 했는데, 이번에 그 구조를 스마트폰 앱 수준으로 단순하게 정리하는 방향으로 간다고 한다.

• 둥근 UI 디자인: 각진 기존 틀에서 벗어나 부드럽고 현대적인 인상
• 직관적인 설정 재편: 원하는 기능에 몇 번의 클릭 없이 바로 접근 가능

AI는 쓰기 싫으면 끄면 된다

이번 개편에서 눈에 띄는 건 AI 기능 통합 제어 스위치다. 현재 있는 AI 기능은 물론 앞으로 추가될 기능까지, 한 번에 켜고 끌 수 있는 옵션이 생긴다. AI가 브라우저에 깊숙이 들어오는 건 기정사실처럼 보이는데, 모질라는 그걸 강제하지는 않겠다는 것이다.

개인정보 설정도 바뀐다. 지금은 프라이버시 관련 옵션들이 설정 메뉴 깊숙이 숨어 있어서 찾기 귀찮다. 재설계 이후엔 내 데이터가 어떻게 쓰이는지 한눈에 보이고, 조절도 바로 거기서 가능해진다. 개인정보 유출 이슈가 계속 터지는 상황에서 이건 꽤 반가운 변화다.

AI와 프라이버시. 보통 이 둘은 충돌한다. AI가 더 잘 작동하려면 데이터가 필요하고, 데이터를 안 주면 AI 기능이 떨어지기 마련이다. 파이어폭스는 그 갈림길에서 “사용자가 결정하세요”라고 선을 긋는 방향을 택했다. 현실적으로 얼마나 먹힐지는 모르겠지만, 방향은 맞다.

크롬 천하에서 자리 잡을 수 있을까

국내 브라우저 시장은 구글 크롬이 장악하고 있다. 마이크로소프트 엣지, 네이버 웨일이 뒤를 잇고, 파이어폭스는 점유율이 미미하다. 이 구도를 단번에 뒤집기는 어렵다.

그래도 틈새는 있다. 개인정보 보호와 AI 기능 선택권, 이 두 가지는 크롬이 상대적으로 약한 부분이다. 구글 자체가 광고 기반 수익 모델이다 보니, 크롬에서 프라이버시를 기대하는 건 좀 아이러니한 일이다. 파이어폭스가 이 포지션을 제대로 파고든다면, 정보 보안에 민감한 사용자나 개발자 커뮤니티에서는 충분히 먹힐 이야기다.

크롬 일색의 웹 생태계가 불편한 개발자들도 있다. 웹 표준이나 렌더링 다양성을 위해 파이어폭스 같은 대안이 살아있어야 한다고 보는 시각이 꾸준히 있다. 프로젝트 노바가 그 명분을 실제 사용성으로 뒷받침해줄 수 있다면, 국내에서도 조용히 점유율을 끌어올릴 여지는 충분하다. 올해 말 배포 이후가 진짜 시험대다.

출처: The Verge

오픈AI가 와이컴비네이터(YC) 스타트업들에게 독특한 제안을 던졌다. 현금도 주식도 아닌, 자사 AI 서비스 ‘토큰’을 투자 대가로 주겠다는 것. 이게 바로 요즘 AI 투자판에서 조용히 번지고 있는 ‘토큰 포 이쿼티(Tokens for Equity, TFE)’다. 처음 들으면 암호화폐 얘기 같아서 고개를 갸웃하게 되는데, 실은 훨씬 실용적인 개념이다.

토큰 포 이쿼티(TFE), 뭐가 다른가

기본 구조부터 짚자. 전통적인 VC 투자는 단순하다. 돈을 넣으면 주식 지분이 나온다. TFE는 다르다. 돈을 넣으면 주식 대신 ‘토큰’이 나온다. 여기서 토큰은 코인처럼 시장에서 거래되는 자산일 수도 있고, 특정 AI 서비스의 미래 사용권일 수도 있다. 플랫폼 내 특별한 지위를 부여하는 일종의 디지털 증표 개념이기도 하다.

• 전통적인 투자: 현금 투자 → 주식 지분 획득
• 토큰 포 이쿼티(TFE): 현금 투자 → 미래 토큰 발행 시 우선권, 또는 특정 서비스 토큰 획득

예를 들어보자. 어떤 AI 스타트업이 자체 AI 모델 사용량을 토큰 단위로 판매할 계획이라면, TFE 투자자는 지금 돈을 대고 나중에 그 토큰을 받을 권리를 선점하는 구조다. 단순히 회사 지분을 사는 게 아니라, 그 회사 서비스의 초기 사용자이자 생태계 참여자로 끼어드는 셈이다. 이 차이가 생각보다 크다.

AI판에서 TFE가 뜨는 세 가지 배경

AI 서비스는 다른 업종과 구조가 좀 다르다. 혼자 잘 돌아가는 것보다 다른 모델이나 앱과 얼마나 잘 붙느냐가 성패를 가르는 경우가 많다. 투자자가 주식 지분만이 아니라 특정 토큰을 쥐고 있으면, 그 서비스를 직접 쓸 동기도 생기고 연동을 밀어붙일 유인도 따라온다. 투자자가 곧 헤비 유저가 되는 구조다.

두 번째는 미래 가치 선점이다. AI 스타트업 대부분은 초기 몇 년을 적자로 버틴다. 이 시기에 주식만으로 미래를 베팅하기엔 불확실성이 너무 크다. 서비스 사용권이나 생태계 참여권을 지금 확보해두면, 나중에 그 기술이 터졌을 때 자사 제품에 우선 통합하는 길이 열린다. 오픈AI 같은 거대 기업이 TFE 투자를 들고 나오는 배경에는 이런 계산이 깔려 있다. 재무 수익보다 기술 선점이 목적에 더 가깝다.

세 번째는 창업팀 입장의 자금 조달 유연성이다. 당장 주식을 나눠주는 게 부담스러울 때, 미래 토큰을 약속하는 방식으로 자금을 끌어오는 경로가 생긴다. 지분 희석 없이 초기 자금을 확보하는 새 옵션이다.

창업팀에게 TFE는 기회일까, 함정일까

솔직히 양쪽 다다. 좋은 면부터 보면:

• 지분 희석 최소화: 초기에 창업자 지분을 덜 내놓으면서 필요한 자금을 끌어오는 구조다. 회사 운영 통제권을 더 오래 유지하는 데 실질적으로 도움된다.
• 전략적 파트너십: 단순 재무 투자자가 아니라, 토큰을 통해 서비스 초기 사용자나 생태계 참여자로 들어오는 투자자를 얻게 된다. 돈만 대고 빠지는 게 아니라 직접 써보는 파트너가 생기는 셈이다.
• 초기 유저 확보 효과: 토큰을 보유한 투자자들이 서비스를 먼저 경험하고 피드백을 주는 초기 사용자 집단 역할까지 맡게 된다. 이건 생각보다 쏠쏠한 부분이다.

반대로 걱정되는 부분도 명확하다:

• 복잡한 설계: 토큰 발행 계획, 가치 평가, 법적 이슈까지 고려할 게 한두 가지가 아니다. 주식 발행보다 훨씬 정교한 설계와 예측이 필요하다. 이게 생각보다 피 말리는 과정이다.
• 가치 불확실성: 토큰 가치는 시장 상황에 따라 크게 요동칠 수 있다. 투자자에게 약속한 가치를 제대로 전달하지 못할 리스크가 주식보다 크다.
• 서비스 성공 압박: 결국 토큰의 값어치는 서비스가 얼마나 잘 되느냐에 달렸다. 그만큼 철저한 시장 검증과 사용자 확보 노력이 요구된다. 물러설 곳이 없다.

TFE를 선택할 때는 스타트업의 성장 단계와 사업 모델에 맞는지를 냉정하게 따져봐야 한다. 유행이라고 따라가다간 오히려 독이 된다.

투자자는 TFE에서 뭘 보나

AI 분야 전략적 투자자들이 TFE에서 찾는 가치는 기존 투자 방식으로는 얻기 어려운 것들이다.

• 생태계 영향력: 유망 스타트업의 서비스 토큰을 선점하면, 해당 AI 기술이 미래 생태계에서 어떤 역할을 하게 될지 미리 포지션을 잡아두게 된다.
• 기술 접근권 확보: 특정 AI 모델 토큰을 보유하면, 자사 제품이나 서비스에 해당 기술을 우선 통합하는 권한이 생긴다. 기술 경쟁이 격화된 AI 산업에서 이건 꽤 강력한 카드다.
• 추가 수익 경로: 토큰 가치가 오르면, 지분 가치 상승 외에 토큰 거래나 활용으로 수익을 노릴 여지도 생긴다. 이중 구조인 셈이다.
• 포트폴리오 다각화: 주식 지분과 다른 형태의 자산을 확보해 특정 리스크에 대한 노출을 분산하는 효과도 있다.

결국 TFE는 단순히 돈을 버는 게 목적이 아니라, AI 시대의 기술 패권과 미래 시장을 먼저 잡으려는 전략적 도구에 가깝다. TechCrunch가 전한 바에 따르면, 샘 알트먼이 직접 이 제안을 YC 스타트업들에 들고 나왔다. 그냥 친절한 지원이 아니다. 오픈AI의 생태계 확장 의도를 드러내는 신호에 더 가깝다.

기존 VC 투자판에 TFE가 주는 충격

TFE는 기존 벤처캐피탈(VC) 투자 방식에도 파장을 일으킬 여지가 있다. 기술 연동과 생태계 확장이 핵심인 AI 분야에서 특히 그렇다. 주식이라는 단일 프레임에 익숙했던 투자자들이 이제 ‘토큰의 가치를 어떻게 평가할 것인가’라는 낯선 숙제를 떠안게 됐다.

앞으로 유망 AI 스타트업들은 전통적인 VC 투자 외에도, 전략적 투자자로부터 TFE 방식 제안을 받는 경우가 늘어날 것이다. 자금 조달 옵션이 넓어지는 건 좋은 일이다. 단, 선택지가 많아질수록 잘못된 선택의 가능성도 함께 커진다. 어떤 방식이 자기 회사에 맞는지 판단하는 안목이 필요하다.

결국 쓸 만한 카드인가

토큰 포 이쿼티는 AI 시대에만 나올 수 있는 독특한 투자 모델이다. 기술과 비즈니스 모델이 빠르게 바뀌는 만큼, 가치를 교환하는 방식도 계속 새 형태로 진화하고 있다.

AI 스타트업에게는 지분 희석 없이 성장 자원을 확보하고, 잠재적 전략 파트너와 미리 관계를 맺을 경로가 된다. 투자자에게는 미래 기술과 생태계에 먼저 발을 들이고, 새로운 수익 구조를 실험하는 기회다. 이게 정착하면 AI 투자 생태계 자체가 지금과는 꽤 다른 그림이 된다. 주식 대신 토큰으로 미래를 산다는 발상, 5년 뒤엔 당연한 얘기가 될지도 모른다.

출처: TechCrunch