Daily News Korea

[태그:] AI

  • 슬랙봇 vs MS 코파일럿 vs 제미나이, 직장인 AI 비서 뭐가 나을까

    슬랙봇 vs MS 코파일럿 vs 제미나이, 직장인 AI 비서 뭐가 나을까

    슬랙 화면 구석에 조용히 박혀 있던 슬랙봇. 채널 정리하라고 알려주거나 동료를 문서에 초대하라고 알림 보내는 정도가 전부였다. 있는 듯 없는 듯한 존재였달까. 그런데 이 봇이 대규모 언어모델을 얹은 AI 에이전트로 통째로 다시 설계됐다. 업무용 AI 비서 시장 판이 다시 흔들리는 중이다. 마이크로소프트 코파일럿과 구글 제미나이가 이미 자리 잡은 판에 세일즈포스가 정면으로 뛰어든 셈. 셋 다 겉모습은 비슷해 보여도 작동 방식이랑 강점은 꽤 다르다. 회사에 AI 비서 도입을 저울질하고 있다면 이 차이부터 짚어보는 게 순서다.

    슬랙봇, 알림봇에서 업무 에이전트로 갈아탔다

    예전 슬랙봇은 규칙대로만 움직이는 알고리즘 도구에 가까웠다. 정해진 조건에서 정해진 메시지 하나 보내는 수준. 새 슬랙봇은 구조 자체가 다르다. 앤트로픽 클로드 모델을 기반으로 사내 슬랙 대화 기록, 구글 드라이브 파일, 캘린더 일정, 세일즈포스 레코드까지 한꺼번에 뒤져서 종합한다. “이 프로젝트 고객 피드백 좀 정리해줘”라고 요청하면 관련 대화와 첨부 파일을 찾아 핵심만 캔버스 문서로 만들어준다. 여기서 안 끝난다. 담당자 일정까지 확인해서 회의 시간을 먼저 제안한다.

    다만 이런 업무 AI 비서는 검색과 요약, 초안 작성까지는 곧잘 해내도 회의 예약이나 결제 승인 같은 실행형 작업은 아직 제한적인 경우가 많다. 도입을 검토할 때는 정보를 찾아주는 수준인지, 실제로 대신 처리해주는 수준인지부터 구분해서 봐야 한다.

    MS 코파일럿은 오피스 안에 있다

    마이크로소프트 코파일럿은 워드, 엑셀, 파워포인트, 팀즈 깊숙이 박혀 있다. 강점은 오피스 문서 작업 자체를 자동화하는 데 있다. 엑셀 데이터를 분석해서 차트를 만들거나, 회의록을 자동 요약해서 팀즈 채팅에 올려주는 식. 오랫동안 오피스를 써온 조직이라면 따로 배울 것 없이 바로 익숙하게 쓸 수 있다는 게 장점이다. 반대로 협업 대화가 팀즈보다 슬랙에 몰려 있는 조직이라면? 코파일럿의 맥락 이해가 상대적으로 얕게 느껴질 여지가 있다.

    구글 제미나이는 통합으로 승부한다

    구글 워크스페이스 안의 제미나이는 지메일, 문서, 스프레드시트, 미트를 잇는 역할을 한다. 메일 초안 쓰고 회의 내용 요약하고 문서 간 정보 엮는 작업에 특화됐다. 처리 속도와 비용 효율이 좋다는 평가가 많다. 실제로 세일즈포스도 슬랙봇에 제미나이 모델을 함께 붙이겠다고 밝힌 적이 있다. 대규모 언어모델 하나에만 매달리지 않고 상황에 맞춰 여러 모델을 골라 쓰는 흐름, 다른 서비스로도 번질 가능성이 커 보인다.

    세 서비스 차이, 표로 정리하면

    • 슬랙봇: 슬랙 대화와 채널 맥락에 강함, 별도 설정 없이 기존 권한 그대로 검색, 캔버스로 결과물 정리
    • MS 코파일럿: 워드·엑셀·팀즈 등 오피스 문서 작업에 강함, 기존 오피스 사용자에게 익숙한 인터페이스
    • 구글 제미나이: 지메일·문서·미트 통합, 비용 대비 처리 속도가 준수함, 여러 모델 조합 활용

    셋 다 개별 사용자가 원래 접근 가능한 데이터 범위 안에서만 답한다는 원칙은 똑같다. 사용자가 속한 채널과 대화만 검색 대상이고, 그 내용을 새 모델 학습 데이터로 쓰지 않는다고 회사들이 거듭 강조한다. 사내 정보 유출을 걱정하는 보안팀 입장에서는 이 부분이 도입 여부를 가르는 기준이 되곤 한다.

    규모와 업무 방식별로 뭘 골라야 하나

    협업 도구로 슬랙을 이미 주력으로 쓰는 조직이라면 슬랙봇 쪽이 학습 곡선 없이 바로 체감 효과를 낸다. 대화, 문서, 일정이 이미 슬랙 안에 쌓여 있어서다. 문서 작성과 스프레드시트 작업 비중이 큰 조직, 이를테면 재무·기획 부서가 많은 회사는 코파일럿의 오피스 통합이 더 실용적이다. 지메일과 구글 문서 중심으로 굴러가는 스타트업이나 중소기업이라면 제미나이 조합이 비용 부담도 적고 적응도 빠른 편. 셋 중 하나만 정답이라기보다, 조직이 이미 쌓아온 대화와 문서가 어디에 몰려 있는지부터 따져보는 게 순서다.

    도입 전 체크리스트 3가지

    가장 먼저 볼 건 권한 범위다. AI 비서가 사용자 개인이 접근 가능한 정보만 검색하는지, 아니면 조직 전체 데이터에 임의로 접근하는지는 보안팀 검토에서 핵심 항목이다. 다음은 비용 구조. 상위 요금제에 별도 추가 비용 없이 포함되는 경우도 있지만, 연동된 데이터 플랫폼이나 API 접근 비용이 늘어나는 경우도 있어서 계약서 전체를 꼼꼼히 봐야 한다. 마지막으로 실제 업무에 얼마나 자연스럽게 녹아드는지는 소수 팀 대상 시범 도입을 거쳐보는 편이 안전하다. 기능표만 보고 결정하기보다, 실제 대화와 문서가 쌓인 곳에서 몇 주 정도 써보면 어느 쪽이 맞는지 훨씬 명확해진다.

    벤처비트 보도에 따르면, 세일즈포스는 이번 슬랙봇 개편을 마이크로소프트와의 경쟁 구도 속에서 내놓았다. 자세한 내용은 VentureBeat AI 기사에 자세히 나와 있다.

    관련 기사

  • Railway vs AWS, 클라우드 배포 플랫폼 뭘 써야 할까

    Railway vs AWS, 클라우드 배포 플랫폼 뭘 써야 할까

    서버 하나 배포하는 데 2~3분씩 기다리던 시절이 있었다. 지금은? AI 코딩 도구가 몇 초 만에 코드를 뽑아내는 마당에 배포에 3분을 쓴다는 게 말이 안 된다. 병목도 이런 병목이 없다. 그래서 개발자들이 AWS·GCP 같은 하이퍼스케일러의 복잡한 설정과 요금 체계에 질려 PaaS(Platform as a Service) 쪽으로 옮겨가는 것이다. Railway, Render, Fly.io, Vercel 같은 서비스들 얘기다. 각각 뭐가 다르고, 프로젝트마다 어떤 선택이 합리적인지 정리해봤다.

    PaaS는 IaaS랑 뭐가 다른가

    AWS EC2나 GCP Compute Engine 같은 IaaS(Infrastructure as a Service)는 가상머신, 네트워크, 스토리지를 직접 프로비저닝하고 관리해야 한다. Terraform 같은 IaC 도구로 인프라를 코드화해도 빌드-배포 사이클에 2~3분씩 걸리는 경우가 흔하다. 반면 PaaS는 Git 저장소만 연결하면 빌드, 배포, 스케일링, 네트워킹까지 알아서 처리해준다. 서버 관리 부담은 거의 없다. 대신 세부 커스터마이징 폭은 좁아진다. 트레이드오프는 어디에나 있는 법.

    Railway, Render, Fly.io, Vercel — 지향점부터 다르다

    같은 PaaS라고 다 같은 게 아니다.

    • Vercel — Next.js 같은 프론트엔드·서버리스 함수에 최적화됐다. 정적 사이트, API 라우트 배포라면 이쪽이 편하다.
    • Render — Heroku 대체제 성격이 강하다. 웹 서비스, 워커, 크론잡, 관리형 DB까지 폭넓게 지원한다.
    • Fly.io — 전 세계 여러 리전에 컨테이너를 흩뿌려 배치하는 엣지 배포가 강점이다.
    • Railway — 컨테이너는 기본이고 VM 프리미티브, 상태 저장 스토리지, 프라이빗 네트워킹까지 자체 데이터센터 기반으로 한 번에 묶어준다. 백엔드·DB·인프라를 계정 하나로 끝내고 싶다면 이쪽이 유리하다.

    그래도 AWS·GCP가 필요한 순간

    PaaS가 만능은 아니다. 아래에 해당한다면 하이퍼스케일러 쪽이 맞는 선택이다.

    • 특정 리전·가용영역 단위로 세밀한 컴플라이언스 요구사항이 걸려 있을 때
    • 이미 구축된 VPC, IAM 정책, 사내 보안 체계와 깊게 물려 있어야 할 때
    • GPU 클러스터, 대규모 데이터 파이프라인처럼 하이퍼스케일러 전용 서비스가 필요할 때
    • 수백 명 규모 인프라팀이 이미 AWS 운영 노하우를 쌓아둔 경우

    반대로 인프라 전담 인력 없이 제품 개발에만 집중하고 싶은 팀이라면 계산이 달라진다. PaaS 쪽이 남는 장사다.

    요금 구조: 초 단위 과금 vs VM 상시 과금

    비용 차이는 결국 과금 방식에서 갈린다. 전통적인 클라우드는 VM을 띄우는 순간부터 사용률과 무관하게 요금이 붙는다. 실사용률이 10%밖에 안 돼도 100% 요금을 내야 한다는 얘기다. 초 단위 과금을 쓰는 신흥 PaaS는 다르다. 실제로 쓴 CPU·메모리·스토리지만큼만 청구하고, 유휴 상태 VM에는 비용을 매기지 않는다. 실제 마이그레이션 사례 중엔 월 1만5000달러였던 인프라 비용이 1000달러 수준까지 떨어진 경우도 있다. 배포 속도도 기존 대비 5~10배 빨라졌다는 보고가 나온다. 숫자만 보면 꽤 매력적이다.

    내 프로젝트엔 뭐가 맞나

    • 사이드 프로젝트·MVP 검증 — Railway, Render. 카드만 등록하면 바로 배포되고 무료 티어로 테스트도 가능하다
    • 정적 사이트·마케팅 페이지 — Vercel, Netlify. CDN 캐싱과 빌드 최적화가 기본으로 딸려 온다
    • 글로벌 지연시간이 관건인 서비스 — Fly.io. 리전별 인스턴스 분산 배치가 상대적으로 쉽다
    • 엔터프라이즈·규제 산업 — AWS·GCP, 또는 SOC 2·HIPAA 인증을 갖춘 PaaS의 BYOC(Bring Your Own Cloud) 옵션

    옮기기 전에 짚어야 할 4가지

    플랫폼을 바꾸기로 했다면 순서가 있다. 아래부터 확인하자.

    • 데이터베이스 이전 경로 — pg_dump 등으로 스냅샷을 뜨고, 다운타임 없이 넘어갈 계획부터 세운다
    • 환경변수·시크릿 이관 — API 키, DB 커넥션 스트링을 새 플랫폼 시크릿 매니저로 옮긴다
    • 도메인·DNS 전환 — TTL을 미리 낮춰서 전환 시점 오류를 줄인다
    • 로그·모니터링 연속성 — 기존에 쌓아둔 로그 보존 기간과 알림 규칙이 새 플랫폼에서도 유지되는지 확인한다

    인프라 담당 인력이 따로 없는 팀일수록 마이그레이션 자체보다 운영 자동화 수준을 먼저 따지는 편이 낫다. 배포 속도, 과금 구조, 컴플라이언스 요구사항. 이 세 가지만 교차 확인해도 선택지는 금방 좁혀진다.

    출처: VentureBeat AI

    관련 기사

  • 스마트 글래스 프라이버시 문제, 애플도 못 피해가는 이유

    스마트 글래스 프라이버시 문제, 애플도 못 피해가는 이유

    안경 렌즈 옆에 렌즈보다 작은 카메라 하나. 그것만으로 옆자리 사람 신경이 곤두선다. 메타의 레이밴 스마트 글래스가 퍼지면서 카페든 헬스장이든, 안경 쓴 사람을 은근히 곁눈질하는 분위기가 생겼다. 여기에 애플까지 스마트 글래스 시장에 뛰어든다는 소식이 나왔다. 카메라 달린 안경이 일상의 사생활을 어디까지 건드릴지, 논쟁이 다시 불붙는 중이다. 스마트 글래스 프라이버시 문제가 왜 매번 반복되는지, 그리고 사용자와 주변 사람 모두 알아둬야 할 대처법을 정리했다.

    스마트 글래스가 유독 사생활 논란에 휘말리는 이유

    스마트폰으로 사진 찍을 때는 상대가 눈치챌 수밖에 없다. 팔을 들어 화면을 보고, 셔터음이 울리고, 렌즈가 특정 방향을 겨눈다. 스마트 글래스는 다르다. 그냥 얼굴을 마주 보고 있는 것처럼 보여도, 실제로는 녹화 중일 수 있다. 이 비대칭이 논란의 뿌리다. 찍히는 쪽은 촬영 사실조차 알기 어렵고, 동의할 기회도 없다. 스마트폰 카메라는 주로 착용자 본인의 프라이버시가 걸린 문제였다면, 스마트 글래스는 정반대다. 주변 사람들의 사생활을 침해할 소지가 훨씬 크다는 점에서, 문제의 구조 자체가 다르다.

    레이밴 메타로 본 전형적인 문제들

    메타의 레이밴 스마트 글래스는 녹화 중이라는 걸 알리려고 렌즈 옆에 작은 LED를 달았다. 그런데 출시 직후부터 이 LED를 손가락이나 테이프로 가리고 몰래 찍는 사례가 쏟아졌다. 하버드 학생 두 명은 한술 더 떴다. 이 안경에 얼굴 인식 프로그램을 연동해서, 스쳐 지나가는 사람의 이름과 개인정보를 실시간으로 띄우는 실험을 공개해버린 것이다. 대표적으로 지적되는 문제는 이렇다.

    • 녹화 표시등을 가리거나 무력화하는 방법이 이미 퍼져 있다
    • 탈의실, 헬스장 샤워실처럼 촬영 금지 공간에서 착용 여부 구분이 안 된다
    • 얼굴 인식·개인정보 검색 앱과 엮이면 스토킹 도구로 둔갑할 여지가 있다

    애플 안경이 짊어진 숙제, 아이폰과는 다르다

    애플은 그동안 ‘프라이버시는 인권’이라는 문구를 앞세워 아이폰을 팔아왔다. 다만 아이폰의 프라이버시는 사용자 본인의 데이터를 지키는 문제에 가까웠다. 스마트 글래스는 얘기가 다르다. 착용자가 아니라 카메라 앞을 지나가는 불특정 다수의 데이터를 다룬다. 동의를 구할 방법조차 마땅치 않은 사람들의 얼굴, 표정, 대화까지 그대로 기록되는 셈. 그래서 애플이 내놓을 제품은 꺼지지 않는 녹화 표시등, 소리로 알려주는 촬영 알림, 클라우드에 올리기 전 온디바이스로 처리하는 장치를 지금보다 훨씬 촘촘히 준비해야 한다는 관측이 나온다. 아이폰에서 쌓은 신뢰를 그대로 옮겨오기엔, 안경이라는 형태 자체가 던지는 숙제가 훨씬 까다롭다.

    스마트 글래스, 법으로는 어디까지 보호될까

    국내에서는 카메라 등을 이용한 촬영죄, 흔히 말하는 몰카 방지법이 동의 없는 촬영과 유포를 엄하게 처벌한다. 스마트 글래스로 찍었다고 예외가 되지는 않는다. 유럽 쪽은 좀 더 발 빠르다. 이탈리아 데이터보호청이 메타 스마트 글래스의 얼굴 인식 연동 가능성을 문제 삼아 조사에 들어갔고, GDPR 기준으로는 생체정보 수집 자체가 엄격한 규제 대상이다. 미국도 마찬가지. 일리노이주의 생체정보 프라이버시법(BIPA)처럼 얼굴 데이터 수집에 별도 동의를 요구하는 주가 늘어나는 추세다. 법이 기기보다 느리게 움직이는 사이, 실제 처벌이나 규제는 사건이 터지고 나서야 뒤늦게 따라붙는 경우가 많다.

    내 프라이버시를 지키는 방법 3가지

    쓰는 사람도, 그 옆에 있는 사람도 알아두면 쓸모 있는 대응법이 있다.

    • 녹화 표시등 확인하는 습관 들이기: 상대방 안경에 작은 불빛이 있는지 살펴보는 것만으로도 어느 정도 경계가 된다
    • 촬영 금지 구역에서는 명확히 요청하기: 탈의실, 병원, 회의실 같은 곳에서는 안경을 벗어달라고 직접 말하는 편이 낫다
    • 앱 권한과 클라우드 설정 점검하기: 착용자라면 자동 업로드, 얼굴 인식 연동 기능을 꺼두는 것만으로 불필요한 정보 유출을 줄이는 효과가 있다

    구글 글래스부터 스냅까지, 제조사별 대응 비교

    스마트 글래스의 프라이버시 논란, 이번이 처음은 아니다. 2013년 구글 글래스는 착용자를 ‘글래스홀(Glasshole)’이라 부르는 조롱까지 낳으며 술집과 극장에서 착용 금지 대상이 됐다. 결국 소비자용 제품은 단종 수순을 밟았다. 스냅의 스펙터클스는 촬영 중 렌즈 테두리에 눈에 띄는 링 라이트를 켜는 방식으로 최소한의 경고 장치를 마련해뒀다. 삼성이나 엑스리얼 같은 AR 글래스 진영은 아직 카메라 상시 촬영보다 디스플레이 기능에 무게를 두면서 논란을 슬쩍 비켜가는 모양새다. 결국 관건은 카메라 성능이 아니다. 촬영 중임을 얼마나 확실하게 알리느냐, 거기에 달려 있다는 공통점이 드러난다.

    이것도 궁금하죠?

    Q. 스마트 글래스로 몰래 찍힌 사진, 삭제 요청이 가능한가?
    A. 국내법상 동의 없는 촬영·유포는 처벌 대상이다. 경찰 신고와 함께 삭제 요청도 가능하다.

    Q. 녹화 표시등을 없앤 안경은 그 자체로 불법인가?
    A. 제품 자체는 불법이 아니다. 다만 표시등을 가리고 몰래 촬영한 행위는 별개로 처벌 대상이 된다.

    Q. 애플 스마트 글래스는 언제 나오나?
    A. 정식 출시 시점은 여전히 유동적이다. 정확한 시기보다 어떤 프라이버시 장치를 갖추고 나올지가 더 중요한 관전 포인트다.

    테크크런치 보도를 참고해 정리했다: TechCrunch

    관련 기사

  • 스마트글래스 프라이버시 논란, 대체 뭐가 문제인가

    스마트글래스 프라이버시 논란, 대체 뭐가 문제인가

    스마트글래스를 쓴 사람과 마주치면 나도 모르게 렌즈부터 확인하게 된다. 메타 레이밴 스마트글래스가 흔해지면서 생긴 반응이다. 저 사람, 지금 나를 찍고 있나. 확인할 방법이 마땅치 않다는 불안감. 이게 스마트글래스 프라이버시 논쟁의 본질이다.

    정확히 뭐가 문제인가

    일반 안경과 거의 구분이 안 되는 외형에 카메라와 마이크를 심어둔 게 스마트글래스다. 촬영 중이라고 알려주는 장치는 대부분 LED 표시등 하나뿐이다. 햇빛이 쨍쨍하거나 몇 걸음만 떨어져도 켜졌는지 꺼졌는지 구분이 안 간다. 술집, 탈의실, 회의실처럼 사적인 공간에서 특히 골치 아픈 이유다. 여기에 촬영 영상을 실시간으로 클라우드에 올리고 AI가 얼굴까지 알아보는 기능까지 붙었다. 동의 없는 촬영, 신원 노출 걱정이 한꺼번에 겹치는 구조다.

    메타 레이밴이 논란 한복판에 선 이유

    판매량만 놓고 보면 메타 레이밴이 시장을 사실상 끌고 간다. 문제는 출시 초기부터 몰래카메라 용도로 쓰일 수 있다는 지적이 따라다녔다는 점이다. 실제로 착용자가 LED를 손가락으로 가리거나 테이프로 덮고 촬영한 사례가 SNS에 여러 번 올라왔다. 메타 쪽 설명은 이렇다. 촬영을 시작하면 LED가 켜지고 소리도 난다고. 근데 손가락 하나로 가릴 수 있는 장치라면, 사실 있으나 마나 아닌가. 하드웨어를 살짝만 손보면 이 장치가 무력화된다는 지적, 여전히 나온다.

    애플은 왜 프라이버시를 앞세우나

    애플은 스마트글래스 시장에 늦게 뛰어드는 만큼 프라이버시를 차별점으로 삼겠다는 쪽으로 방향을 잡았다. 아이폰 시절부터 해온 개인정보 보호 마케팅을 웨어러블로 그대로 옮기는 셈. 구체적으로 거론되는 건 세 가지다. 촬영 상태를 더 확실하게 드러내는 하드웨어 설계, 얼굴 인식 같은 민감한 기능은 기기 안에서만 처리하는 온디바이스 방식, 클라우드에 올릴 때 사용자 동의 절차를 까다롭게 만드는 것. 완성도를 끌어올리느라 출시일이 자꾸 밀리는 것도 이런 사정과 무관하지 않다.

    살 때 짚어볼 프라이버시 체크리스트

    • 촬영 표시등 밝기와 위치: 정면에서 바로 보이는지, 손으로 가리기 쉬운 구조는 아닌지 확인한다
    • 영상 저장 방식: 기기 안에만 저장되는지, 자동으로 클라우드에 올라가는지 설정 메뉴에서 짚어본다
    • 얼굴 인식·AI 분석 기능: 기본값으로 켜져 있는지, 끄고도 쓸 수 있는지 살펴본다
    • 제조사 데이터 정책: 촬영 영상을 광고나 AI 학습에 쓰는지 약관을 뒤져본다
    • 공개 장소 촬영 규정: 나라마다 몰래 촬영 처벌 수위가 다르니 미리 알아둔다

    마주쳤을 때 할 수 있는 것

    스마트글래스 착용자를 마주쳤을 때 LED 표시등 유무만 보고 안심하긴 어렵다. 카페나 회의실처럼 사적인 얘기가 오가는 자리라면, 착용자한테 직접 촬영 여부를 물어보는 게 제일 확실하다. 기업들도 손을 쓰고 있다. 회의실 반입을 아예 막거나, 방문객에게 착용 사실을 미리 알리도록 규정을 두는 곳이 늘었다. 개인정보보호법이나 초상권 관련 규정은 나라마다 다르게 적용된다. 해외 출장이나 여행 때는 현지 규정을 미리 확인해두는 편이 낫다.

    시장은 결국 두 갈래로 갈릴까

    디스플레이와 AI 비서 기능을 앞세운 메타·구글 쪽과, 프라이버시와 보안을 강조하는 애플 쪽. 시장이 이렇게 나뉠 가능성이 있다. 솔직히 여기서 갈린다. 편리함이냐, 안심이냐. 결국 소비자가 어느 쪽을 고를지는 카메라와 마이크가 늘 몸에 붙어 있는 기기를 얼마나 믿을 수 있느냐에 달렸다. 웨어러블 카메라가 스마트폰만큼 흔해지는 날이 오면, 지금 이 논쟁도 스마트폰 초창기 카메라폰 규제 논의와 비슷한 방식으로 정리되지 않을까.

    궁금한 것 몇 가지 더

    Q. 스마트글래스로 몰래 촬영하면 불법인가?
    동의 없는 촬영은 대부분 나라에서 초상권·개인정보보호법 위반 소지가 있다. 사적인 공간이라면 처벌로 이어지기도 하니 주의가 필요하다.

    Q. LED 표시등을 가리면 어떻게 되나?
    제조사 약관 위반이고, 상황에 따라 불법 촬영으로 몰릴 수도 있다. 실제로 표시등을 가린 채 찍은 영상이 논란이 된 사례, 한두 번이 아니었다.

    Q. 회사에서 스마트글래스 착용을 막을 수 있나?
    사내 보안 정책으로 특정 구역 반입을 제한하는 건 가능하다. 금융권이나 R&D 부서 중에는 이미 카메라 달린 웨어러블 반입을 제한하는 곳도 있다.

    출처: The Verge

    관련 기사

  • 챗GPT 티 나는 문장, 이것만 고쳐도 안 걸린다

    챗GPT 티 나는 문장, 이것만 고쳐도 안 걸린다

    회의 자료에 챗GPT 답변을 통째로 복사해서 썼다가, “더 자연스럽게 다듬은 버전은 다음과 같습니다” 같은 AI 특유의 안내 문구까지 그대로 남아 망신당한 사례, 실제로 있다. 정치인 발언에서도, 회사 보고서에서도 똑같은 일이 반복된다. 문제는 이게 단순 복사 실수로 안 끝난다는 거다. 안내 문구를 지워도 AI 특유의 말투와 구조는 고스란히 남는다. 조금만 읽어봐도 금방 티가 난다. 그래서 오늘은 챗GPT가 쓴 글에서 실제로 자주 나오는 표현들, 그리고 이걸 자연스럽게 고치는 방법을 정리해봤다.

    챗GPT 글이 티 나는 이유

    LLM은 학습 데이터에서 가장 안전하고 무난한 패턴을 골라 쓰도록 설계됐다. 그래서 주제가 뭐든 비슷한 틀로 답을 내놓는다. 도입부는 항상 정중하게, 본문은 장단점을 균형 있게, 결론은 요약으로 깔끔하게. 사람이 쓴 글은 이렇게 반듯하지 않다. 좋아하는 부분은 길게 늘어놓고, 싫은 부분은 한 줄로 툭 넘기고, 딴 얘기로 샜다가 다시 돌아오기도 한다. 이 불균형이 없다는 것, 그 자체가 AI 티가 나는 첫 번째 신호다.

    자주 등장하는 AI 상투 표현들

    챗GPT나 다른 생성형 AI가 자주 쓰는 표현을 모아보면 패턴이 뚜렷하게 보인다.

    • “결론적으로”, “종합해보면” 같은 기계적 마무리 어구
    • “다양한 방법이 있습니다”, “여러 요인이 작용합니다” 같은 두루뭉술한 표현
    • “이는 -를 시사한다”, “-라는 점에서 의미가 크다” 식의 평론투
    • “장점과 단점을 모두 가지고 있습니다” 류의 기계적 균형 잡기
    • 글머리마다 “먼저”, “다음으로”, “마지막으로”를 순서대로 붙이는 습관

    이런 표현이 한 편에 세 번 넘게 나온다면, 직접 쓴 게 아니라 AI 초안을 거의 그대로 옮겼을 가능성이 크다.

    문장 구조에서 드러나는 특징

    단어보다 더 잘 잡히는 건 사실 문장 구조 쪽이다. 문단마다 길이가 거의 똑같고, 어미가 “-습니다”로 계속 반복되고, 항목을 나열할 때마다 꼭 3개씩 묶는 버릇. 이건 사람보다 AI 쪽에서 훨씬 자주 보인다. 원고 검수하다 보면 문단 길이가 자로 잰 듯 일정하거나, 접속사도 없이 논리가 너무 매끈하게 이어지는 글을 만나면 일단 의심부터 하게 된다. 실제 사람은 말이 앞뒤로 조금씩 어긋나고, 강조하고 싶은 대목에서 문장이 갑자기 짧아지거나 길어진다. 그게 사람 글이다.

    복붙하다가 사고 나는 이유

    AI에게 “이 문단을 더 자연스럽게 고쳐줘”라고 요청하면, 답변 맨 앞에 “여기 더 자연스럽게 다듬은 버전입니다” 같은 안내 문구를 붙이는 경우가 많다. 급하게 복사해서 붙여 넣다 보면 이 문구까지 통째로 딸려 들어간다. 발표 현장이나 최종 문서에 그대로 노출되는 사고, 이렇게 생긴다. 공식 발언이나 보고서에 AI의 메타 발언이 섞여 들어간 사례가 종종 회자되는 이유도 여기 있다. 복사한 텍스트를 그대로 쓰기 전에, 처음 두세 줄과 마지막 문장만이라도 다시 읽어보는 습관. 이게 생각보다 큰 차이를 만든다.

    자연스럽게 고치는 실전 방법

    AI 초안을 쓰더라도 몇 가지만 손보면 확 달라진다.

    • 소리 내어 읽어보고 어색하게 끊기는 부분 찾아 고치기
    • 상투적인 연결어 지우고 접속사 없이 바로 다음 문장으로 넘어가기
    • 추상적인 표현 대신 구체적인 숫자나 사례로 바꾸기 (예: “다양한 방법” → “3가지 방법”)
    • 본인 경험이나 의견 한두 줄 섞어서 일부러 균형 깨기
    • 문장 길이를 의도적으로 들쭉날쭉하게 만들기
    • 결론을 요약형이 아니라 구체적인 다음 행동으로 바꾸기

    이렇게 손보는 데 5분도 안 걸린다. 그런데 티가 나느냐 안 나느냐, 결국 이 디테일 하나로 갈린다.

    AI 탐지 툴, 믿을 만할까

    GPTZero나 Turnitin, Copyleaks 같은 탐지 툴이 많이 쓰이는데, 정확도는 솔직히 아직 완벽과 거리가 멀다. 사람이 쓴 글을 AI로 오탐지하는 경우도 있고, 반대로 AI 초안을 살짝만 손보면 탐지를 피해가는 경우도 흔하다. 탐지 툴 점수 하나만 믿기보다는, 위에서 짚은 표현 패턴과 문장 구조를 직접 눈으로 확인하는 편이 훨씬 정확하다.

    이것도 궁금하죠?

    Q. AI로 쓴 글이라고 무조건 나쁜 건가?
    아니다. 초안 작성 속도를 높이는 도구로는 훌륭하다. 문제는 검수 없이 그대로 쓰는 습관, 그거 하나다.

    Q. 자연스럽게 고치는 데 시간이 얼마나 걸리나?
    짧은 글이면 5~10분 정도. 상투 표현과 안내 문구 정리하고 개인 의견 섞어 넣기엔 충분한 시간이다.

    Q. 탐지 툴 점수가 낮으면 안전한가?
    참고 지표일 뿐이다. 실제 독자가 읽었을 때 자연스러운지가 훨씬 중요한 기준이다.

    출처: Ars Technica

    관련 기사

  • AI 신약개발, 도대체 뭐길래 이렇게 난리일까

    AI 신약개발, 도대체 뭐길래 이렇게 난리일까

    신약 하나 만드는 데 10~15년, 돈은 3조원 안팎 든다. 후보 물질 만 개를 뒤져도 실제 환자한테 쓰이는 건 한둘 나올까 말까. 이 지긋지긋한 확률 게임에 AI가 끼어들면서 판이 조금씩 바뀌고 있다. 화학 합성으로 찍어내는 기존 약보다는, 단백질을 통째로 설계하는 바이오 의약품 쪽에서 AI 활용도가 눈에 띄게 올라가는 중이다.

    AI 신약개발, 정확히 뭘 하는 걸까

    말 그대로 신약 개발 과정 곳곳에 인공지능을 끼워 넣는 것이다. 후보 물질 탐색, 단백질 구조 예측, 독성 예측, 임상시험 설계까지 손대는 범위가 넓다. 핵심은 하나. 실험실에서 몇 달씩 걸리던 시행착오를 컴퓨터 시뮬레이션으로 먼저 걸러내는 것. 후보 물질 10만 개를 일일이 합성해서 실험하는 대신, AI 모델이 성공 가능성 높은 몇백 개로 먼저 추려주는 식이다.

    기존 방식이랑 뭐가 다른가

    전통적인 방식은 화학자와 생물학자가 가설 세우고, 물질 합성하고, 세포·동물 실험으로 검증하는 반복 작업이다. 한 사이클 도는 데만 몇 주에서 몇 달. AI 기반 접근은 이 사이클을 소프트웨어 안에서 먼저 돌려본다.

    • 후보 물질 스크리닝: 수백만 개 분자 구조를 며칠 만에 비교
    • 단백질 구조 예측: 실험 없이 3D 구조 추정
    • 독성·부작용 예측: 임상 들어가기 전에 위험군부터 걸러내기

    결국 실패할 후보를 더 일찍, 더 싸게 걸러내는 게 관건이다. 임상 3상까지 갔다가 실패하면 손실이 수천억 원 단위인데, 초기 단계에서 걸러지면 손실 규모가 훨씬 작아진다.

    단백질 구조 예측이 판을 바꾼 이유

    딥마인드의 알파폴드(AlphaFold)가 단백질 3D 구조를 예측하면서 생물학 연구 방식 자체가 달라졌다. 예전엔 X선 결정학이나 극저온전자현미경으로 단백질 구조 하나 밝히는 데 몇 년씩 걸렸다. 지금은? 아미노산 서열만 넣으면 몇 분 안에 예측값이 나온다. 알파폴드에서 파생된 아이소모픽 랩스는 이 기술을 곧바로 신약 설계에 붙여서 노바티스, 일라이릴리 같은 대형 제약사와 협업 중이다.

    바이오 의약품 설계에 AI가 유독 강한 이유

    바이오 의약품은 화학 합성이 아니라 항체나 효소 같은 단백질을 통째로 엔지니어링해서 만든다. 문제는 아미노산 조합의 경우의 수가 사실상 무한대라는 것. 사람이 실험으로 하나하나 찾는 건 불가능에 가깝다. 여기서 생성형 AI 모델이 힘을 낸다. RFdiffusion 같은 단백질 설계 모델은 원하는 기능—특정 표적에 딱 붙는 결합력 같은—을 조건으로 주면, 그 조건에 맞는 새 단백질 구조를 통째로 생성해준다. 없던 단백질을 설계도부터 그려내는 셈이다.

    실제로 쓰고 있는 곳들

    이 흐름, 이미 실험실 단계는 넘어섰다.

    • 아이소모픽 랩스: 구글 딥마인드 창업자가 세운 회사. 단백질 구조 예측과 약물 설계를 한 시스템으로 묶은 ‘아이소DDE’ 플랫폼을 운영하며 AI가 설계한 약물의 첫 인체 임상시험을 준비 중이다
    • 인실리코 메디슨: AI로 설계한 폐섬유증 치료제 후보 ‘렌토세르티브’를 임상 3상까지 끌어올렸다
    • 리커전 파마슈티컬스: 세포 이미지 데이터와 AI를 결합해 후보 물질 발굴 속도를 끌어올림
    • 제너레이트 바이오메디신스: 생성형 AI로 항체·백신 후보 단백질을 처음부터 설계

    공통점 하나. 하나같이 대형 제약사와 손잡고 있다는 것이다. 화이자, 노바티스, 사노피 같은 회사들은 자체 AI 조직을 키우는 대신 이런 스타트업에 투자하거나 공동 연구 계약을 맺는 쪽을 택했다.

    아직 못 넘은 벽

    AI가 후보 물질을 잘 골라준다고 곧바로 신약이 나오는 건 아니다. 예측된 단백질 구조가 실제 세포 안에서도 똑같이 작동하는지는 결국 실험실 검증을 거쳐야 한다. 임상 1상, 2상, 3상은 여전히 사람 대상으로 진행해야 하고, 여기 걸리는 시간은 AI가 손댈 수 없는 영역이다. 학습 데이터 자체가 부족한 희귀질환이나 새로운 표적 단백질은 예측 정확도가 뚝 떨어지는 것도 약점이다. 결국 AI는 후보를 빨리, 싸게 추려주는 도구지 신약개발 전체를 자동화하는 게 아니라는 얘기다. 이 부분은 좀 냉정하게 봐야 할 것 같다.

    앞으로 지켜볼 변수 셋

    이 분야를 좀 더 지켜보려면 챙겨볼 포인트가 몇 가지 있다.

    • 규제기관이 AI로 설계한 후보물질 심사 기준을 어떻게 정리하는지
    • AI 스타트업과 대형 제약사 간 협업 계약이 실제 임상 승인으로 이어지는 비율
    • 단백질 설계 모델이 희귀질환처럼 데이터 적은 영역까지 커버하는 속도

    관건은 하나로 좁혀진다. 컴퓨터 안에서 만든 예측이 사람 몸속에서도 그대로 맞아떨어지느냐다. 그 간극이 좁아질수록 신약 하나 나오는 데 걸리는 시간과 비용도 같이 줄어든다.

    출처: MIT Tech Review AI

    관련 기사

  • 화웨이 어센드 vs 엔비디아, AI 반도체 격차 얼마나 좁혀졌나

    화웨이 어센드 vs 엔비디아, AI 반도체 격차 얼마나 좁혀졌나

    엔비디아 최신 AI 가속기 한 장이 중형 세단 한 대 값이다. 그런데 이 칩, 아예 못 사는 나라가 있다. 미국 수출 규제에 발이 묶인 중국 얘기다. 화웨이와 SMIC이 자체 칩 개발에 사활을 걸면서 반도체 자급자족이라는 말이 검색어 상위권을 채우고 있다. 실제로 어디까지 왔을까. 엔비디아와의 격차부터 정리해본다.

    중국은 왜 반도체 국산화에 사활을 걸었나

    2022년 미국이 첨단 반도체 장비와 AI 칩 수출을 틀어막으면서 중국의 셈법이 완전히 바뀌었다. 엔비디아 A100, H100을 살 길이 막히자 자국 기업들이 직접 칩을 만드는 수밖에 없어진 것. 중국 정부는 ‘국가집적회로산업투자기금’, 이른바 빅펀드를 통해 수십조 원을 반도체 산업에 부었다. 목표는 하나다. 엔비디아 없이도 AI 모델을 학습시키고 서비스를 돌릴 수 있는 생태계, 그걸 자체적으로 갖추는 것.

    화웨이 어센드, 실제 체급은 얼마나 될까

    화웨이의 AI 칩 라인업 어센드(Ascend) 시리즈는 910B에서 910C로 넘어오며 성능을 확 끌어올렸다. 단일 칩 연산력만 놓고 보면 엔비디아 H100에 못 미친다. 대신 여러 장을 묶어 클러스터로 돌리는 방식으로 실사용 성능을 메우는 전략을 쓴다. 자국산 AI 칩에 뛰어든 곳이 화웨이 하나뿐인 것도 아니다.

    • 화웨이 – 어센드 910 시리즈, 데이터센터용 AI 가속기
    • 바이두 – 쿤룬(Kunlun) 칩, 자체 클라우드용
    • 알리바바 – 한광(Hanguang) 추론 칩
    • 비런(Biren)·무어스레즈 – GPU 스타트업 진영

    DeepSeek 같은 중국 AI 스타트업이 상대적으로 적은 연산 자원으로도 효율적인 모델을 학습시킨 사례가 알려지면서 분위기가 좀 달라졌다. 칩 성능이 다소 부족해도 소프트웨어 최적화로 상당 부분 메울 수 있다는 인식, 이게 퍼지는 계기가 됐다.

    SMIC 파운드리의 기술적 한계, EUV 없이 7나노 만들기

    화웨이 칩을 실제로 찍어내는 곳은 중국 최대 파운드리 SMIC이다. 문제는 ASML의 최첨단 EUV(극자외선) 노광 장비를 수입할 수 없다는 점. 그래서 SMIC은 구형 DUV(심자외선) 장비를 여러 번 겹쳐 쓰는 ‘멀티 패터닝’ 방식으로 7나노급 공정을 억지로 구현하고 있다. 공정을 반복할수록 생산 단가는 치솟고, 수율(정상 작동하는 칩의 비율)은 떨어진다. 이게 문제다. 업계에서는 SMIC의 7나노 공정 원가가 대만 TSMC보다 40~50% 이상 비싸다는 분석도 나온다.

    엔비디아 H100·B200과 나란히 놓아보면

    수치로 보면 격차는 여전히 뚜렷하다. 엔비디아 H100의 연산 성능은 어센드 910B 대비 1.5~2배가량 앞선다는 게 업계 대체적인 평가다. 최신 블랙웰(B200) 아키텍처까지 포함하면 격차는 더 벌어진다. 메모리 대역폭, 칩 간 연결 기술에서도 엔비디아 생태계가 압도적이라는 건 부정하기 어렵다. 그래도 격차는 격차다. 다만 절대 성능이 아니라 ‘가성비’와 ‘조달 가능성’ 기준으로 보면 얘기가 달라진다. 솔직히 여기서 갈린다. 살 수 없는 최고 사양 칩보다, 확보 가능한 국산 칩이 실무에서는 오히려 쓸모 있다는 계산이 깔려 있는 셈이다.

    미국 수출 규제가 만든 역설

    미국의 규제가 오히려 중국의 자립 속도를 앞당겼다는 평가도 나온다. 규제 전에는 굳이 비싸고 리스크 큰 자체 개발에 나설 이유가 적었다. 규제 이후로는 선택지가 사라지면서 국가 차원의 투자와 인재가 반도체 산업으로 쏠리는 결과를 낳았다. 물론 EUV 장비 국산화처럼 단기간에 따라잡기 힘든 영역도 분명 있다. 그래도 ‘못 사니까 만든다’는 구조가 굳어지면서, 중국 반도체 생태계 자체는 예전보다 두꺼워졌다는 분석이 많다. 아이러니하다면 아이러니한 대목.

    한국 반도체 업계, 여기서 뭘 봐야 하나

    국내 입장에서 이 흐름을 흘려볼 수만은 없는 이유가 있다. 삼성전자와 SK하이닉스의 주력 사업인 HBM(고대역폭 메모리)은 화웨이나 SMIC 같은 로직 칩 회사가 아니라, CXMT 같은 중국 메모리 기업의 추격 대상이기도 하다. 중국이 AI 칩 국산화에 성공할수록 거기 들어가는 메모리 수요도 자국산으로 채우려는 움직임이 커진다. 단기적으로는 국내 기업의 대중국 장비·소재 수출에 타격을 줄 변수고, 장기적으로는 메모리 시장 경쟁 구도 자체를 바꿔놓을 변수다.

    출처: MIT Tech Review AI

    관련 기사

  • AI 버블 신호, 이렇게 구별한다 (관련주 투자 체크리스트)

    AI 버블 신호, 이렇게 구별한다 (관련주 투자 체크리스트)

    구글, 메타, 마이크로소프트, 아마존. 이 네 회사가 한 해 AI에 쏟아붓는 돈만 수백조 원 단위다. 문제는 이 돈이 매출로 돌아오는 속도, 투자 속도를 못 따라간다는 거다. 실적 발표 시즌마다 빅테크 주가가 출렁이는 이유, 바로 여기 있다. AI 관련주 담기 전에 꼭 봐야 할 지표, 버블 신호 구별법을 정리해봤다.

    AI 설비투자(CAPEX)가 눈덩이처럼 불어나는 이유

    대형 언어모델 하나 학습시키고 서비스하려면 GPU 클러스터, 데이터센터, 전력 인프라까지 다 필요하다. 엔비디아 최신 GPU 한 대가 수천만 원. 이걸 수만 대씩 묶어야 파운데이션 모델 하나가 겨우 돌아간다. 여기에 데이터센터 부지, 전력 계약, 냉각 설비까지 얹으면? 기업 하나가 분기당 수십조 원을 태우는 구조가 나온다. 구글, 마이크로소프트, 메타, 아마존은 실적 발표 때마다 CAPEX 가이던스를 계속 올려잡았고, 테슬라도 자율주행·로보틱스용 AI 컴퓨팅에 돈을 쏟아붓는 중이다.

    실적 발표 때마다 주가가 흔들리는 이유

    투자자들이 보는 숫자는 딱 두 개다. AI 관련 매출 성장률, 그리고 그 매출 만드느라 쓴 CAPEX 규모. 이 둘 사이 격차가 벌어지면 시장은 바로 반응한다. 매출 성장은 둔화됐는데 설비투자 가이던스는 오히려 늘었다? ‘이 돈, 정말 회수되나’라는 의문이 곧장 주가에 꽂힌다. 반대로 CAPEX가 늘어도 클라우드·AI 매출이 그 이상으로 붙으면 안도 랠리가 나온다. 결국 핵심은 투자 규모 자체가 아니다. 투자 대비 매출 전환 속도, 이게 다다.

    버블 신호와 정상 투자, 구별하는 3가지 기준

    • 매출 성장률 대비 CAPEX 증가율: CAPEX가 매출 성장률의 2~3배 이상 빠르게 늘면, 경고등이다.
    • 감가상각 기간 논쟁: GPU 수명을 3년으로 잡느냐 6년으로 잡느냐. 이 차이 하나로 회계상 이익이 크게 갈린다. 감가상각 기간 늘려서 이익 부풀리는 회사는 아닌지, 확인해볼 일이다.
    • 잉여현금흐름(FCF) 추이: 영업이익은 느는데 FCF는 계속 마이너스? 그 투자, 아직 현금을 못 만들고 있다는 뜻이다.

    실적 발표에서 체크할 핵심 지표

    분기 실적 볼 때 순서대로 확인하면 효율적이다.

    • 클라우드 부문(구글 클라우드, 애저, AWS) 매출 성장률과 영업이익률
    • 경영진이 내놓는 다음 분기·연간 CAPEX 가이던스
    • AI 관련 매출을 따로 공개하는지, 뭉뚱그려 발표하는지
    • 부채비율과 회사채 발행 규모 변화

    가이던스를 올렸는데 주가가 오히려 빠진다? 시장이 ‘그만큼 수익 못 낸다’고 의심하는 신호로 읽으면 된다.

    2000년 닷컴버블과 뭐가 다른가

    2000년 닷컴버블 때 통신사들은 수요 예측도 없이 광케이블망부터 깔았다. 트래픽이 안 따라오면서 감가상각 폭탄과 부실이 한꺼번에 터졌다. 지금 AI 투자는 다르다. 실사용 수요가 이미 있다는 점에서. 챗봇, 코드 생성, 이미지·영상 생성 도구 쓰는 기업과 개인, 급격히 늘었고 실제 매출로도 일부 확인된다. 다만 수요가 투자 속도를 따라잡을 수 있을지는 여전히 물음표다. 감가상각 부담에 전력 비용까지 계속 늘어나는 와중에, 토큰 단가 경쟁으로 마진 눌리는 회사도 하나둘 나오고 있다. 이건 좀 불안한 대목이다.

    개인 투자자를 위한 AI 관련주 체크리스트

    • CAPEX 증가율과 매출 성장률, 분기별로 비교해 격차 추이를 기록한다
    • FCF 마진이 전년 대비 좋아지는지 나빠지는지 확인한다
    • 경영진이 AI 투자 회수 시점을 구체적 숫자로 제시하는지 본다
    • 구글, 메타, MS, 아마존, 테슬라 등 동종 기업 CAPEX 가이던스를 나란히 놓고 이상치를 찾는다
    • 주가 조정이 실적 악화 때문인지, 단순 밸류에이션 부담 때문인지 구분한다

    이것도 궁금하죠?

    Q. CAPEX가 늘어나는 게 무조건 나쁜 신호인가?
    아니다. 매출 성장이 CAPEX 증가를 앞서면 오히려 좋은 신호다. 문제는 격차가 벌어질 때, 그때뿐이다.

    Q. GPU 감가상각 기간을 늘리면 회계상 이익이 왜 늘어나나?
    같은 장비값을 더 긴 기간에 나눠 비용 처리하니 분기별 비용 부담이 줄고, 이익은 커 보이는 착시가 생긴다. 실제 현금흐름과는 별개 얘기다.

    Q. 자율주행·로보틱스 투자도 같은 잣대로 보면 되나?
    기본 원칙은 같다. 다만 자율주행은 규제 승인, 로보틱스는 양산 시점이라는 변수가 하나씩 더 붙는다는 점, 감안해야 한다.

    출처: BBC Tech

    관련 기사

  • 로맨스 스캠 ‘피그 부처링’, 문자 한 통에서 시작되는 수법과 예방법

    로맨스 스캠 ‘피그 부처링’, 문자 한 통에서 시작되는 수법과 예방법

    문자 한 통이 온다. 발신번호는 낯설다. “죄송해요, 다른 분인 줄 알았어요.” 어색한 사과 한마디로 시작된 대화. 몇 달 뒤엔 전 재산을 날리는 결말로 끝나기도 한다. 이런 일, 요즘 생각보다 자주 벌어진다. 이 수법엔 이름부터 섬뜩하다. ‘피그 부처링(Pig Butchering)’. 돼지를 정성껏 살찌운 뒤 한 번에 도축하듯, 오랜 시간 공들여 신뢰부터 쌓고 마지막에 목돈을 통째로 가져간다는 뜻이다.

    피그 부처링이란 – 이름의 유래와 정의

    피그 부처링은 로맨스 스캠과 투자 사기가 붙어버린 형태다. 예전 로맨스 스캠은 애정을 미끼로 돈을 요구하는 게 전부였다면, 이건 다르다. 가짜 코인 거래소나 주식 투자 플랫폼으로 피해자를 끌고 가서, 실제 계좌에 돈을 입금하게 만든다. 짧으면 몇 주, 길면 반 년 넘게 대화를 이어가며 상대를 안심시킨다. 급하게 돈부터 요구하지 않는다. 오히려 처음엔 소액 수익을 실제로 돌려주면서 신뢰를 쌓는 쪽에 가깝다.

    대화는 이렇게 시작된다 – 문자 한 통의 위력

    잘못 걸려온 듯한 문자, 데이팅 앱 매칭, SNS 팔로우 요청. 접근 경로는 여러 가지지만 패턴은 비슷하다. 처음엔 사업 이야기, 여행 사진, 시시콜콜한 안부. 이렇게 대화를 이어가며 호감부터 쌓는다. 이 단계에서 상대는 절대 서두르지 않는다. 몇 주에 걸쳐 문자를 주고받다 보면 직업, 취미, 가족 이야기까지 나누게 되고, 그쯤 되면 피해자는 이미 상대를 믿을 만한 사람으로 여긴다. 영상통화를 요청하면 어떻게 될까. 카메라가 고장났다, 통신 상태가 안 좋다는 핑계로 계속 미룬다. 여기서 의심해야 한다. 실존 인물인지부터.

    신뢰를 쌓는 단계 – 로맨스와 투자가 만나는 지점

    관계가 어느 정도 무르익으면 투자 이야기가 자연스럽게 나온다. “내가 아는 플랫폼에서 수익 좀 봤어”라는 식으로 슬쩍 운을 띄운다. 처음엔 소액만 넣어보라고 권한다. 가짜 거래 화면은 실제 수익률보다 훨씬 높은 그래프를 보여주고, 초반 출금 요청은 순순히 처리해준다. 이 성공 경험이 미끼다. 그러다 보면 점점 더 큰 금액을 넣게 되고, 큰돈을 넣은 뒤 출금을 시도하면 세금이나 수수료 명목으로 추가 입금을 요구한다. 결국 계정 자체가 사라지거나, 연락이 뚝 끊긴다.

    사기 뒤의 조직 – 강제노동 스캠 단지의 실체

    이 사기, 개인 한 명이 밤새 붙잡고 운영한다고 생각하면 오산이다. 동남아시아 국경 지역엔 수백, 수천 명이 하루 종일 채팅창을 붙잡고 스캠 대본을 실행하는 대형 단지가 실제로 존재한다. 문제는 여기서 일하는 사람들 상당수가 자발적으로 온 게 아니라는 점이다. “해외 고수익 사무직”, “중국어·영어 가능자 우대” 같은 구인 광고에 속아 비행기를 탔다가 여권을 압수당하고 감금된 채 강제로 채팅 노동을 하는 사람이 셀 수 없이 많다. 위성사진으로 확인된 시설 규모만 봐도 이 산업이 얼마나 조직적으로 굴러가는지 짐작이 간다. 결국 피그 부처링의 피해자는 돈을 잃은 쪽만이 아니다. 사기를 강요당한 쪽에도 있다.

    의심해야 할 신호 체크리스트

    아래 항목 중 두세 개만 걸려도 경계 태세로 바꿔야 한다.

    • 영상통화나 실제 만남을 계속 피하거나 핑계를 댄다
    • 만난 지 얼마 안 됐는데 애정 표현이 지나치게 빠르다
    • 대화 도중 투자나 재테크 이야기를 자연스럽게 꺼낸다
    • 추천하는 앱이 공식 앱스토어가 아니라 링크로만 설치된다
    • 출금할 때마다 세금, 보증금, 수수료 명목의 추가 입금을 요구한다
    • 직업이 해외 근무, 원양어선, 무역업처럼 확인이 어려운 일이다

    피해를 막는 법 – 예방과 대처

    가장 확실한 예방책은 온라인에서 만난 사람과 돈 거래를 아예 하지 않는 것이다. 이미 보냈다면? 지체 없이 다음 순서로 움직여야 한다.

    • 추가 송금 즉시 중단
    • 대화 내용과 계좌 정보 스크린샷으로 증거 확보
    • 은행 콜센터에 지급정지 신청
    • 경찰청 사이버수사대(112) 또는 금융감독원에 신고
    • 해외 취업 제안을 받았다면 채용 공고와 회사 정보를 별도로 검증

    수법 자체는 해마다 조금씩 진화한다. 딥페이크 영상통화, AI가 쓴 것처럼 자연스러운 대화까지 등장하는 추세다. 그럴수록 기준은 단순하게 잡는 게 낫다. 만난 적 없는 사람이 돈 이야기를 꺼내는 순간, 일단 의심부터. 그 습관 하나가 결국 지갑을 지키는 가장 확실한 방법이다.

    출처: Wired

    관련 기사

  • 스피어피싱이란? AI가 쓴 피싱 메일 구별법

    스피어피싱이란? AI가 쓴 피싱 메일 구별법

    회사 대표 이름으로 날아온 메일, 첨부된 견적서 파일 하나 열었다가 계좌 정보가 통째로 빠져나가는 사고. 이제 남 이야기가 아니다. 예전 피싱 메일은 티가 났다. 문법도 어색하고 번역체 냄새가 났다. 그런데 요즘 스피어피싱 메일은 다르다. 실제 동료가 보낸 것처럼 자연스럽다. AI가 문장을 매끈하게 다듬어주는 탓이다.

    스피어피싱, 일반 피싱과 뭐가 다른가

    일반 피싱은 수백만 명에게 똑같은 메일을 뿌리는 방식이다. 스팸 필터에 걸리기 십상이다. 스피어피싱은 다르다. 특정 인물, 특정 회사 하나를 콕 집어 노린다. 공격자는 링크드인, 회사 홈페이지, SNS 게시물을 뒤져 정보를 긁어모은다. 그렇게 모은 조각들로 실제 업무 맥락에 딱 맞는 메일을 짠다. 거래처 이름, 진행 중인 프로젝트명, 심지어 상사의 말투까지 흉내 낸 사례도 있다.

    이 정도로 정교해지면 기존 스팸 필터나 키워드 차단은 무용지물이다. 최근 보안 스타트업들이 사람처럼 메일을 읽는 AI 에이전트를 내놓는 이유도 여기 있다. 문맥과 어조, 발신 패턴까지 통째로 뜯어본다.

    AI가 쓴 피싱 메일, 사람은 어떻게 잡아낼까

    가장 먼저 볼 건 발신자 표시 이름과 실제 이메일 주소가 일치하는지다. “김대표”라는 이름 뒤에 숨은 실제 주소가 회사 도메인과 전혀 딴판인 경우가 적지 않다. 메일 클라이언트에서 발신자 이름을 클릭하거나 마우스를 올려보면 실제 주소가 뜬다.

    • 회신 주소(Reply-To)가 표시된 발신자와 다른 경우
    • 도메인 철자가 미묘하게 다른 경우 (예: naver.com → naverr.com, m 대신 rn 사용)
    • 평소와 다른 시간대(새벽, 주말)에 급하게 처리해달라는 요청
    • 결제·송금·비밀번호 변경 등 되돌리기 힘든 행동을 재촉하는 문구

    AI가 쓴 메일은 문법은 매끈한데 업무 맥락이 미묘하게 어긋나는 경우가 있다. 담당자가 이미 알고 있을 세부사항을 빠뜨리거나, 최근 대화와 안 어울리는 화제를 불쑥 꺼내는 식이다. 평소 주고받던 메일 스타일과 견줘보는 습관, 생각보다 효과가 크다.

    이메일 헤더 까보면 답 나온다

    의심스러운 메일은 원본 헤더를 열어보면 답이 나온다. 지메일 기준으로는 메일 우측 상단 점 세 개 메뉴에서 원본 보기를 누르면 된다. 확인할 항목은 세 가지다.

    • SPF: 발신 서버가 해당 도메인이 등록한 서버인지 확인
    • DKIM: 메일 내용이 중간에 변조되지 않았는지 확인하는 서명
    • DMARC: SPF와 DKIM 결과를 종합해 인증 여부를 판단

    셋 중 하나라도 “fail”이나 “softfail”로 뜬다면 발신지부터 의심해야 한다. 다만 이 과정, 솔직히 매번 하기엔 번거롭다. 그래서 헤더 분석과 문맥 분석을 자동으로 처리해주는 AI 기반 이메일 보안 서비스를 들여놓는 회사가 늘고 있다.

    링크·첨부파일, 열기 전에 한 번 더

    메일 본문이 멀쩡해 보여도 링크와 첨부파일은 항상 따로 검증하는 습관을 들이는 게 안전하다.

    • 링크에 마우스를 올려 실제 주소를 미리보기로 확인한다
    • 단축 URL은 미리보기 서비스로 원래 주소를 확인한 뒤 클릭한다
    • 압축파일(zip), 매크로가 포함된 문서(docm, xlsm)는 실행 전 반드시 백신 검사부터 한다
    • PDF나 문서 파일도 뷰어에서 바로 열지 말고 검사 후 연다
    • 로그인 페이지로 연결되면 주소창의 도메인부터 확인한다

    매크로 포함 문서는 열자마자 백그라운드에서 악성코드를 내려받는 경우가 많다. 목록 중에서도 위험도가 제일 높다.

    회사 차원 대응은 결국 AI 탐지 도구

    개인이 아무리 조심해도 매일 대량의 메일을 처리하는 조직에서는 실수가 나오게 돼 있다. 그래서 규칙 기반 필터 대신, 메일 하나하나를 사람처럼 읽고 판단하는 AI 에이전트 방식 보안 솔루션이 늘어나는 추세다. 발신자의 평소 문체, 결제 요청 패턴, 조직 내 보고 체계까지 학습해서 “이 담당자가 이런 식으로 송금을 요청할 리 없다”는 이상 징후를 잡아내는 방식이다.

    구글 출신 보안 엔지니어들이 차린 스타트업들이 이런 접근으로 대규모 투자를 유치하는 사례가 이어지고 있다. 기존 체크리스트형 필터가 놓치는 미세한 이상 신호까지 잡아낸다는 점, 투자자들 눈에는 이게 매력 포인트다. 중소기업이라면 구글 워크스페이스나 마이크로소프트 365에 기본 내장된 고급 위협 방지 기능부터 켜두는 게 출발점이다.

    이미 클릭했다면, 지금 해야 할 일

    링크를 누르거나 첨부파일을 열어버렸다면? 당황하지 말고 순서대로 움직이는 게 낫다.

    • 기기를 즉시 네트워크에서 분리한다 (와이파이 끄기, 랜선 뽑기)
    • 같은 비밀번호를 쓰는 다른 계정이 있다면 전부 변경한다
    • 회사 계정이라면 IT 보안팀에 즉시 신고한다 (숨기지 않는 것이 핵심)
    • 은행 계좌나 카드 정보가 노출됐다면 해당 기관에 바로 연락한다
    • 백신 프로그램으로 전체 검사를 돌린다

    여기서 시간을 끌수록 피해가 커진다. 실수를 숨기려다 대응이 늦어져 피해가 눈덩이처럼 불어나는 경우, 실무에서 심심찮게 본다. 개인적으로는 초기 대응 속도가 피해 규모를 가르는 결정적 변수라고 본다.

    핵심만 3줄 요약

    발신자 주소와 도메인 철자부터 확인한다. 급하게 재촉하는 메일일수록 한 박자 쉬어간다. 링크와 첨부파일은 클릭 전에 반드시 따로 검증한다. 조직 단위라면 AI 기반 이상 탐지 솔루션 도입을 검토할 시점이다.

    출처: TechCrunch

    관련 기사

  • AI 데이터센터 전력난, 원인부터 해법까지 정리해봤다

    AI 데이터센터 전력난, 원인부터 해법까지 정리해봤다

    챗GPT에 짧은 질문 하나만 던져도 전구를 몇 분간 켜놓는 것과 맞먹는 전기가 나간다. 이런 분석, 한두 번 나온 게 아니다. 여기에 이미지 생성이나 동영상 생성까지 얹으면? 소비 전력은 순식간에 치솟는다. AI 서비스가 늘어날수록 뒤에서 돌아가는 데이터센터 전기 사용량도 같이 불어나는 구조인 셈이다. 실제로 최근 미국 뉴욕주에서는 한여름 전력 수요가 치솟는 바람에 캐나다에서 전기를 수입해서야 겨우 버틴 사례까지 나왔다. ‘AI 전력난’이라는 말이 괜히 나오는 게 아니다.

    AI 한 번 쓸 때 전기가 얼마나 드나

    AI 모델은 크게 두 단계에서 전기를 잡아먹는다. 하나는 모델을 훈련(training)시키는 단계, 다른 하나는 사용자 질문에 답하는 추론(inference) 단계다. 훈련은 한 번 돌릴 때 몇 주씩 수만 개의 GPU를 풀가동하는 일이라, 웬만한 도시 하나가 1년 동안 쓰는 전력량과 맞먹기도 한다. 추론 쪽은 한 번 한 번만 보면 별거 아닌 것 같지만, 하루에 수억 번씩 쌓이면 얘기가 완전히 달라진다. 검색엔진에 검색어 하나 치는 것보다 챗봇에 질문 하나 던지는 쪽이 전기를 훨씬 많이 쓴다는 연구 결과, 이미 여럿 나와 있다.

    데이터센터 한 곳이 도시 하나와 맞먹는다

    대형 AI 데이터센터 한 곳의 전력 수요는 수백 메가와트에서 많게는 기가와트 단위까지 뛴다. 기가와트 하나면 웬만한 중소도시 전체가 쓰는 전력량과 비슷한 수준이다. 문제는 이런 시설이 한두 곳이 아니라는 것. 미국, 한국, 일본, 중동 할 것 없이 동시다발적으로 짓고 있다. 전력회사 입장에서 보면 원래 10년에 걸쳐 천천히 늘어나야 할 수요가 2~3년 만에 한꺼번에 몰려드는 셈이니, 계획을 세우기가 여간 까다로운 게 아니다.

    송전망이 발목을 잡는 이유

    발전소를 새로 짓는 것보다 더 골치 아픈 게 있다. 바로 송전망이다. 전기를 만드는 일과 그 전기를 필요한 곳까지 옮기는 일은 완전히 별개의 문제다. 새 송전선 하나 놓으려면 부지 확보부터 지역 주민 동의, 인허가까지 거쳐야 하는데, 실제 착공까지 수년이 걸리는 경우가 흔하다. 뉴욕주에서 추진 중인 대형 송전 프로젝트가 계속 늦어지는 것도 같은 맥락이다. 발전 설비는 있는데 그 전기를 도시로 끌어올 길이 막혀 있다면? 있으나 마나다.

    전기요금 인상, 남의 동네 얘기가 아니다

    데이터센터가 몰린 지역에서는 벌써 가정용 전기요금이 오르는 조짐이 나타나고 있다. 전력회사가 늘어난 수요를 맞추려고 설비 투자를 늘리면, 그 비용 상당 부분이 결국 요금으로 넘어오기 때문이다. 미국 일부 주에서는 빅테크 기업이 데이터센터 전력 비용을 따로 부담하도록 요금 체계를 손보자는 논의까지 나오고 있다. 전기요금 고지서 받아 들고 ‘AI 때문에 이렇게 됐나’ 싶은 순간, 생각보다 빨리 올지도 모른다. 솔직히 남 얘기 같지가 않다.

    해법으로 거론되는 카드 네 장

    • 원자력 재가동·소형모듈원전(SMR): 빅테크들이 폐쇄됐던 원전을 되살리거나 SMR에 직접 돈을 대는 사례가 늘고 있다.
    • 재생에너지+에너지저장장치(ESS): 태양광·풍력에 배터리를 묶어서 밤낮 가리지 않고 안정적으로 전기를 대려는 시도다.
    • 송전망 현대화: 낡은 송전선을 바꾸고 지역 간 전력을 유연하게 주고받을 수 있게 그리드를 손보는 작업이다.
    • 데이터센터 분산 배치: 전력이 남는 지방으로 데이터센터를 옮겨서 특정 지역에 수요가 몰리는 걸 피하는 방식이다.

    미국과 중국, 전력 인프라 경쟁으로 번지다

    AI 반도체를 둘러싼 미국과 중국의 신경전, 이제 칩 수출 규제 수준을 넘어섰다. 전력 인프라 확보 경쟁으로까지 번지는 모양새다. 미국이 엔비디아 첨단 GPU의 중국 수출을 계속 조이는 사이, 중국은 자체 반도체와 함께 대규모 발전 설비를 밀어붙이며 AI 인프라 자립을 서두르고 있다. 결국 이 싸움, 누가 더 좋은 모델을 만드느냐 못지않게 누가 그 모델을 돌릴 전기를 더 빨리 더 싸게 확보하느냐의 문제로 바뀌는 중이다.

    결국 관건은 인프라 속도전

    GPU 성능이 아무리 좋아져 봤자 전기가 없으면 그냥 쇳덩어리다. 반도체 경쟁 뒤편에서 벌어지는 발전소·송전망 확보 싸움이 앞으로 AI 서비스 요금, 전기요금, 어느 나라가 AI 경쟁에서 앞서 나갈지까지 좌우할 여지가 크다. 데이터센터 뉴스를 볼 때 GPU 숫자만큼이나 전력 계약 소식에도 눈길을 줘야 하는 이유다.

    출처: MIT Tech Review AI

    관련 기사

  • AI가 스스로 해킹한다고? ‘자율 AI 해킹 에이전트’ 대비법 정리

    AI가 스스로 해킹한다고? ‘자율 AI 해킹 에이전트’ 대비법 정리

    새벽 로그를 들여다보던 보안 담당자가 뭔가 이상하다는 걸 눈치챈다. 공격 속도가 사람 수준이 아니다. 취약점을 찾아내는 방식도 기계처럼 정교하다. 알고 보니 그 공격자, 사람이 아니라 AI 에이전트였다. 최근 이런 사례가 실제로 보고되면서 ‘자율 AI 해킹’이라는 말이 보안 업계에서 부쩍 자주 들린다. 이게 정확히 뭘 뜻하는지, 어떻게 작동하는지, 개인이나 기업은 뭘 챙겨야 하는지 한번 정리해본다.

    AI 해킹 에이전트, 정체가 뭘까

    AI 해킹 에이전트는 사람이 일일이 명령을 내리지 않아도 스스로 목표를 정하고, 취약점을 뒤지고, 공격 코드까지 짜서 실행하는 AI 시스템이다. 자동화 스캐너나 매크로 도구야 예전부터 있었다. 이번에 화제가 된 건 대형언어모델(LLM) 기반이라는 점에서 결이 다르다. 상황 따라 판단을 바꾸고, 한 방법이 막히면 다른 접근을 알아서 시도한다. 사람 해커의 사고 흐름을 흉내 낸다고 보면 얼추 맞다.

    작동 원리 – 취약점 탐지부터 침투까지

    대체로 이런 순서를 밟는다.

    • 대상 시스템의 코드나 네트워크 구조를 스캔해서 정보부터 수집
    • 알려진 취약점 데이터베이스와 대조하며 공격 지점 후보를 추린다
    • 실제 공격 코드(익스플로잇)를 만들고 테스트 환경에서 검증
    • 성공하면 실제 침투, 실패하면 경로를 바꿔 재시도

    이 전 과정이 사람 손을 거치지 않고 몇 분에서 몇 시간 안에 끝난다. 이게 핵심이다. 화이트해커 한 명이 며칠씩 붙잡고 있던 작업을, AI는 훨씬 빠르게 그것도 쉬지 않고 반복한다.

    기존 화이트해커 작업과 뭐가 다른가

    모의 침투 테스트(펜테스트)를 하는 보안 전문가들도 비슷한 절차를 밟는다. 다만 사람에겐 판단력의 한계, 윤리적 제약, 시간과 비용이라는 벽이 있다. AI 에이전트는 이런 제약에서 상대적으로 자유롭다. 같은 코드를 수백 번 다른 각도로 찔러보는 무차별 탐색도 가능하고, 인건비 걱정 없이 여러 시스템을 동시에 노릴 수도 있다. 방어 쪽 입장에서 보면 상대해야 할 공격의 빈도와 속도 자체가 달라진다는 얘기다.

    기업이 마주한 새로운 리스크

    가장 큰 문제는 대응 속도의 비대칭이다. 사람 보안팀이 패치 하나 준비하는 사이, AI 공격자는 벌써 다른 구멍을 찾고 있을지 모른다. 오래된 레거시 시스템이나 패치 주기가 느린 오픈소스 라이브러리를 쓰는 곳일수록 취약하다. 물론 같은 기술이 방어용으로도 쓰인다. AI 기업들이 자사 모델로 취약점을 먼저 찾아 패치하는 ‘레드팀’ 용도로 공개하는 사례도 늘고 있다.

    방어하려는 기업들의 대응 전략

    • 제로트러스트 아키텍처 도입 – 내부 네트워크도 무조건 믿지 않고 매번 인증
    • AI 기반 이상 탐지 도구로 비정상 트래픽 패턴을 실시간 감시
    • 패치 주기를 짧게 가져가는 지속적 취약점 관리
    • 자체 AI 레드팀을 운영해 선제적으로 구멍을 찾는 방식

    공격에 AI가 쓰인다면 방어에도 AI를 붙이는 게 자연스러운 수순이다. 보안 솔루션 업체들이 앞다퉈 AI 탐지 기능을 내놓는 이유이기도 하다.

    개인 개발자나 소규모 팀이 지금 챙길 것들

    대기업만의 문제가 아니다. 개인 프로젝트나 스타트업도 표적이 될 수 있다. 오히려 방어 인력이 부족해서 더 취약한 쪽이다. 최소한 이 정도는 해두는 게 낫다.

    • 의존성 라이브러리를 최신 버전으로 유지하고 취약점 알림을 구독한다
    • API 키나 크레덴셜을 코드에 하드코딩하지 않는다
    • 기본 방화벽 설정과 접근 제어 목록(ACL)을 점검한다
    • GitHub Actions 같은 CI 파이프라인에 자동 보안 스캔을 넣는다

    이것도 궁금하죠?

    Q. AI 해킹은 지금 당장 흔한 위협인가?
    아직은 국가 단위 사이버 작전이나 대형 보안 연구에서 주로 등장하는 수준이다. 다만 관련 도구가 오픈소스로 풀리는 속도를 보면 확산은 시간문제다.

    Q. 일반 개발자도 대비해야 하나?
    취약점 자동 탐색 자체는 오래전부터 있던 기술이다. AI가 그 속도를 끌어올렸다고 이해하면 된다. 기본적인 보안 위생만 지켜도 자동화된 공격 대부분은 걸러진다.

    Q. AI 보안 도구는 유료 기업용만 있나?
    깃허브 Dependabot이나 무료 오픈소스 스캐너처럼 개인도 부담 없이 쓸 수 있는 도구가 꽤 많아졌다.

    이 내용은 MIT Tech Review 보도를 참고해 정리했다.

    관련 기사