[태그:] AI

  • 메타가 되살린 ‘포켓’, 이름만 빌리고 알맹이는 싹 바꿨다

    메타가 되살린 ‘포켓’, 이름만 빌리고 알맹이는 싹 바꿨다

    모질라가 작년에 접은 ‘읽기 나중에’ 앱, 포켓. 그 이름이 메타 손에서 다시 살아났다. 그런데 속을 열어보면 완전히 딴판이다. 비즈니스 인사이더가 전한 바에 따르면, 메타가 새로 내놓은 포켓 앱은 저장이나 구독 서비스가 아니다. AI 프롬프트로 만드는 작은 대화형 미니 앱, 이른바 ‘기즈모(gizmo)’를 제작하고 공유하는 플랫폼이다.

    이름은 빌리고 알맹이는 통째로 갈아엎었다

    원래 포켓은 2007년에 나왔다. 웹 아티클이나 영상을 저장해뒀다가 나중에 읽는 용도로, 한때 수백만 이용자를 끌어모았던 앱이다. 모질라는 2025년 이 서비스를 종료했고, 이용자들은 각자 대체 앱을 찾아 흩어졌다. 그 자리에 메타가 같은 이름을, 그것도 정반대 성격의 서비스로 채워 넣었다는 게 흥미롭다.

    기존 포켓 이용자라면 앱스토어에서 ‘포켓’을 검색했다가 완전히 다른 화면을 마주하고 당황할 가능성이 크다. 브랜드를 이어받은 게 아니라 이름만 재활용한 셈이라, 소비자 혼선 얘기가 나오는 것도 무리는 아니다.

    ‘기즈모’로 대체 뭘 만든다는 걸까

    새 포켓 앱의 핵심은 텍스트 프롬프트만으로 간단한 인터랙티브 미니 앱, 즉 기즈모를 즉석에서 뽑아내는 기능이다. 코딩 지식은 필요 없다. 몇 줄 설명만 입력하면 작동하는 소형 도구나 게임 형태의 결과물이 나오고, 이걸 다른 이용자와 바로 공유할 수 있다.

    • AI 프롬프트 기반으로 미니 앱(기즈모) 생성
    • 완성된 기즈모를 다른 이용자에게 공유·배포
    • 코딩 없이 자연어 입력만으로 제작

    이 구조, 낯설지 않다. 오픈AI의 GPTs나 구글의 노코드 AI 빌더와 사실상 같은 계열이다. 결국 대형 플랫폼들이 ‘누구나 AI로 앱을 만든다’는 시장에 앞다퉈 뛰어들고 있다는 흐름, 그 연장선일 뿐이다.

    주커버그의 AI 올인, 여기까지 왔다

    마크 주커버그 메타 CEO는 최근 몇 달간 AI 슈퍼인텔리전스랩 조직 개편, 초거대 데이터센터 투자, 외부 AI 인재 영입에 회사 자원을 쏟아부었다. 이번 포켓 앱 출시도 그 흐름 위에 놓인 실험적 프로덕트로 보는 게 맞다.

    메타는 이미 자체 챗봇 ‘메타 AI’ 앱을 운영 중이다. 여기에 사용자 생성형 미니 앱 플랫폼까지 얹으면서 AI 소비자 제품 라인업을 늘려가는 모양새다. 하나의 킬러 앱에 승부를 걸기보다, 여러 실험적 앱을 동시에 던져보는 전략에 가깝다.

    모질라 포켓 팬들에겐 씁쓸한 뒷맛

    모질라 포켓을 오래 쓰던 사람들 사이에서는 반응이 갈릴 것 같다. 사랑받던 서비스 이름이 전혀 다른 목적의 제품에 붙었다는 사실 자체가 상징적이라서다. 다만 읽기 나중에 앱 시장에는 인스타페이퍼나 매터(Matter) 같은 대안이 이미 빈자리를 채워놓은 상태다. 그래서 실질적인 이용자 이탈보다는 브랜드 정서 차원의 아쉬움에 가깝다고 봐야 한다.

    국내에선 체감이 크진 않겠지만

    한국에서는 포켓 자체의 이용자 기반이 크지 않았다. 그래서 서비스 종료나 이름 재사용에 대한 체감도 제한적일 수밖에 없다. 다만 메타가 코딩 없이 AI로 미니 앱을 만드는 기능을 대중용 제품으로 내놨다는 사실은, 국내 플랫폼 업계도 눈여겨볼 대목이다.

    네이버나 카카오도 생성형 AI 기반 사용자 제작 도구를 준비 중인 것으로 알려져 있다. 메타처럼 글로벌 대형 플랫폼이 먼저 시장을 열어버리면, 국내 서비스 입장에서는 후속 대응 압박이 커질 수밖에 없다. 10대·20대 이용자가 많은 소셜 플랫폼일수록 ‘누구나 만드는 AI 미니 앱’ 흐름이 빠르게 번질 여지가 있다. 관련 업계는 메타 포켓의 실제 이용 데이터를 참고 지표로 삼을 것으로 보인다.

    출처: The Verge

  • Claude Science란? AI 연구 보조 도구, 제대로 파헤쳐봤다

    Claude Science란? AI 연구 보조 도구, 제대로 파헤쳐봤다

    제약회사 임원, 바이오텍 창업자, 현장 연구자들이 한 자리에 모였다. 그 자리에서 앤트로픽이 카드 한 장을 꺼냈다. 이름은 클로드 사이언스(Claude Science). 논문 검색부터 실험 설계, 데이터 해석까지 과학 연구 전 과정을 붙잡아주겠다는 전용 AI 제품이다. 이런 발표가 나올 때마다 ‘연구용 AI 도구’, ‘AI로 논문 쓰는 법’ 같은 검색어가 몰리곤 하는데, 오늘은 그 궁금증을 한 번에 정리해본다.

    클로드 사이언스, 정확히 뭘 하는 도구인가

    AI 리서치 어시스턴트라는 말 자체는 거창하지만, 풀어보면 단순하다. 연구자 옆에 붙어서 논문 읽기, 데이터 정리, 가설 세우기 같은 반복 작업을 대신 처리해주는 소프트웨어. 그게 전부다. 챗봇처럼 질문에 답만 던지는 수준이 아니다. 방대한 논문 데이터베이스를 뒤져 관련 문헌을 추리고, 실험 결과를 통계적으로 해석하고, 다음 실험 방향까지 제안한다. 클로드 사이언스는 여기에 제약·바이오 분야 특화 기능을 더 얹었다는 점이 다르다.

    빅테크가 나란히 실험실로 달려가는 이유

    구글 딥마인드가 단백질 구조 예측 모델 알파폴드로 노벨상 수상자를 배출한 뒤, 연구 분야는 AI 업계에서 가장 확실한 다음 격전지로 꼽힌다. 이유는 뻔하다. 신약 개발 하나에 평균 10년 넘게, 수조 원이 들어가는데 그 상당 부분이 논문 조사와 실험 설계 같은 반복 작업에 그대로 새어나간다. 이 과정을 몇 주만 당겨도 제약회사 입장에선 어마어마한 비용 절감이다. 오픈AI, 구글, 앤트로픽이 앞다퉈 과학 연구용 제품을 내놓는 배경이 여기 있다.

    실제로 붙여보면 뭐가 달라지나

    실무에서 체감되는 변화는 생각보다 구체적이다.

    • 문헌 리뷰 자동화: 수백 편의 논문을 요약하고, 서로 어긋나는 결과를 찾아 정리해준다
    • 실험 설계 초안 작성: 가설 하나 던지면 대조군 설정, 표본 크기 계산까지 초안이 나온다
    • 데이터 해석 보조: 통계 결과를 풀어 설명하고 시각화 방법도 추천한다
    • 코드·분석 파이프라인 생성: R이나 파이썬으로 짜야 할 분석 스크립트를 곧바로 뽑아준다

    연구자가 자료 뒤지는 데 쓰던 시간을 아껴서, 그만큼 실험 자체에 더 쏟을 수 있게 되는 구조다.

    도구 고를 때 따져봐야 할 것들

    비슷비슷한 서비스가 쏟아지는 만큼, 고를 때 기준 하나쯤은 세워두는 게 낫다.

    • 최신 논문까지 학습·검색 범위에 들어가는지
    • 인용 출처를 명확히 표시해서 검증이 가능한지
    • 소속 기관 데이터가 외부로 새지 않는 보안 정책이 있는지
    • 화학식, 유전자 서열 같은 전문 표기법을 정확히 처리하는지
    • 기존에 쓰던 연구 관리 툴이나 실험 노트와 연동되는지

    믿고 쓰기 전에 짚어야 할 함정

    AI가 뽑아낸 요약이나 가설, 그대로 논문에 옮겨 붙이면 곤란해진다. 근거 없는 문장을 그럴듯하게 지어내는 환각 현상, 과학 데이터를 다룰 땐 훨씬 치명적이다. 존재하지도 않는 논문을 인용하거나 실험 수치를 잘못 계산하는 사례, 종종 보고된다. 이건 좀 무서운 부분이다. 그래서 AI가 내놓은 결과는 실제 문헌과 대조하고, 통계는 따로 검증하는 습관이 필요하다. 임상 데이터처럼 민감한 정보를 다룰 때는 기관의 데이터 반출 규정부터 확인해야 한다. 당연한 얘기 같지만, 막상 급하면 건너뛰기 쉬운 단계다.

    결국 연구자에게 필요한 건 이거다

    연구용 AI는 실험을 대신 해주는 도구가 아니다. 조사와 정리에 드는 시간을 줄여주는 조수에 가깝다. 논문 리뷰나 데이터 정리에 시간을 많이 뺏긴다면 이런 도구부터 시범 삼아 도입해보고, 그다음에 실험 설계 보조 기능으로 범위를 넓히는 순서가 안전하다. 처음부터 전부 맡기기보다 검증 가능한 영역에서 시작해 신뢰를 쌓아가는 쪽, 결국 시간을 더 아끼는 길이다.

    출처: MIT Tech Review AI

  • AI한테 랜덤 숫자 물어보면 왜 맨날 7이 나올까

    AI한테 랜덤 숫자 물어보면 왜 맨날 7이 나올까

    챗봇 아무거나 켜서 “1부터 10 사이 숫자 하나만 말해줘”라고 쳐보자. 십중팔구, 7이다. “하나 더”라고 물으면 이번엔 3이나 4쯤 나오고, 그다음엔 8이나 9 언저리를 맴돈다. 사람한테 물어봐도 비슷한 쏠림이 생기긴 한다. 근데 진짜 문제는 따로 있다. ChatGPT든 클로드든 제미나이든, 브랜드를 안 가리고 거의 같은 숫자로 수렴한다는 거다. AI가 ‘무작위’라는 말을 근본적으로 오해하고 있는 셈인데, 이유를 알아두면 실무에서 AI 다루는 감각이 확 달라진다.

    AI는 애초에 주사위를 던지지 않는다

    대형언어모델, 그러니까 LLM은 다음에 올 단어(정확히는 토큰)를 확률 분포로 계산해서 뽑는 방식으로 돌아간다. “1부터 10 사이 숫자”라는 문장 뒤에 어떤 숫자가 나올 확률이 제일 높은지, 답은 이미 학습 데이터 안에 있다. 사람들이 인터넷에 “랜덤으로 숫자 하나 골라봐”라는 글을 남길 때 유독 7을 자주 썼고, 심리학 쪽 연구를 봐도 사람이 ‘진짜 무작위처럼 느껴지는’ 숫자로 7을 제일 많이 고른다는 결과가 있다. AI는 이 편향을 그대로 흡수해서 되풀이할 뿐이다. 결국 AI한테 무작위 숫자를 요구하는 건 동전을 던지라는 게 아니라, “사람들이 무작위라고 생각할 때 가장 많이 답한 숫자를 말해줘”라고 시키는 것과 다를 게 없다.

    온도(Temperature)라는 손잡이의 정체

    API 좀 만져본 사람이라면 temperature라는 파라미터, 한 번쯤 봤을 거다. 이게 바로 확률 분포에서 얼마나 과감하게 골라잡을지를 정하는 다이얼이다.

    • temperature가 0에 가까우면 가장 확률 높은 답만 골라서, 물어볼 때마다 거의 똑같은 결과가 나온다
    • 1 이상으로 올리면 확률 낮은 후보들도 뽑힐 틈이 생겨서 답이 다채로워진다
    • ChatGPT 웹이나 클로드 웹처럼 대부분의 챗봇 서비스는 이 값을 사용자가 직접 못 만지게 해놨다. 서비스 쪽에서 적당히 낮게 고정해둔 경우가 많다

    그래서 개발자용 API 콘솔이나 코드로 직접 호출할 때는 temperature를 1.0~1.3 사이로 올려보자. 답변이 다양해지는 게 바로 체감된다.

    여러 AI가 똑같이 획일화되는 진짜 문제

    숫자 하나 못 맞히는 거야 사실 별일 아니다. 진짜 골치 아픈 건 브레인스토밍, 아이디어 도출, 창작 작업에서도 비슷한 쏠림이 나타난다는 점이다. 회사 이름 지어달라, 소설 도입부 써달라, 마케팅 문구 뽑아달라 하면 — 서로 다른 회사 모델인데도 구조나 표현이 신기하리만치 겹친다. 학계에서는 이걸 모드 붕괴(mode collapse)라고 부른다. 사람 피드백으로 모델을 미세조정하는 RLHF 과정에서, 평가자들이 무난하고 안전한 답을 선호하다 보니 모델이 점점 ‘정답처럼 보이는 하나의 스타일’로 수렴해버리는 현상이다. 결과적으로 독립적으로 만들어진 모델들인데도 사고방식이 비슷해지는, 일종의 집단사고 상태에 빠지는 셈이다.

    진짜 무작위 값이 필요할 땐 이렇게

    추첨, 게임, 통계 시뮬레이션처럼 진짜 무작위성이 필요한 작업이라면, 챗봇한테 직접 묻는 것보다 다음 방법이 낫다.

    • 프로그래밍 언어의 난수 함수를 쓴다. 파이썬이면 random.randint(), 자바스크립트면 Math.random()
    • random.org처럼 대기 소음 기반으로 진짜 난수를 뽑아주는 서비스를 이용한다
    • AI한테 직접 답을 내라고 하지 말고, “파이썬 코드로 1~10 사이 난수를 뽑아서 실행해줘”처럼 코드 실행 기능으로 우회시킨다. 코드 실행 환경이 붙어 있는 도구라면 이 방식이 훨씬 믿을 만하다

    답변을 다채롭게 뽑아내는 프롬프트 팁

    창작이나 아이디어 작업에서 획일화를 피하고 싶으면 프롬프트 자체를 바꿔보는 것도 방법이다. “완전히 다른 3가지 관점에서 답해줘”, “기존과 겹치지 않는 답만 골라줘”, “일부러 덜 흔한 선택지를 제시해줘”처럼 다양성을 못 박아서 요구하면 결과가 확 달라진다. 같은 질문을 여러 AI 서비스에 동시에 던져서 답을 비교해보는 것도 획일화에서 벗어나는 실용적인 방법이다. 결국 AI 답변의 패턴을 한번 이해하고 나면, 언제 AI한테 맡기고 언제 진짜 난수 도구나 사람 판단을 더해야 하는지 감이 잡힌다. 이건 알아두면 두고두고 쓸 일이 많다.

    출처: MIT Tech Review AI

  • 스페이스X AI폰 시제품설, 머스크는 딱 잘라 부인

    스페이스X AI폰 시제품설, 머스크는 딱 잘라 부인

    일론 머스크가 딱 잘라 부인했다. 스페이스X가 아이폰보다 얇은 AI폰 시제품을 투자자들에게 보여줬다는 보도, “완전히 거짓”이라는 게 그의 답이다. 월스트리트저널(WSJ)이 수요일 보도한 내용인데, 스페이스X가 지난 6월 사상 최대 규모 기업공개(IPO)를 앞두고 일부 투자자에게 핸드셋 형태 시제품을 시연했다는 게 골자다.

    WSJ가 전한 내용은

    WSJ 보도를 보면, 스페이스X는 IPO 로드쇼 과정에서 아이폰보다 얇은 핸드셋 스타일 프로토타입을 꺼내 보였다고 한다. 스타링크 위성 통신과 AI 기능을 묶은 기기였다는 설명도 붙었다.

    이번 IPO는 스페이스X 역사상 최대 규모로 기록됐다. 시장 관심도 상당했다. 투자자 설명회에서 신제품 로드맵 정도야 흔한 일이지만, 문제는 그 대상이 ‘폰’이었다는 것.

    머스크의 반박, 믿어도 될까

    머스크는 자신의 X 계정에 직접 글을 올려 부인했다. 시제품 시연 자체가 없었다고 못 박았는데, 근거를 구체적으로 밝히진 않았다. 어조만큼은 단호했다.

    • WSJ: IPO 전 투자자 대상 시제품 시연 있었다고 보도
    • 머스크: “완전히 거짓”이라며 전면 부인
    • 스페이스X 공식 입장은 별도로 확인되지 않음

    머스크가 이전에도 루머를 일단 부인부터 하고, 나중에 실제로 진행 중이었던 게 드러난 사례가 몇 번 있었다. 이번 반박도 곧이곧대로 믿기 어렵다는 반응이 나오는 이유다.

    ‘머스크표 스마트폰’ 소문, 이번이 처음은 아니다

    테슬라와 X(옛 트위터)를 묶은 이른바 ‘모델 파이(Model Pi)’ 이야기가 몇 년 전부터 온라인 커뮤니티를 돌았다. 여기에 스타링크의 위성-스마트폰 직결(Direct to Cell) 기술이 상용화 단계에 들어서면서 추측에 힘이 실렸다.

    스타링크는 이미 T모바일 등과 손잡고 위성으로 일반 스마트폰에 문자·데이터를 직접 쏘는 서비스를 넓히는 중이다. 통신망이 없는 곳에서도 붙는 자체 하드웨어를 만든다는 그림, 기술적으로 아주 허황된 얘기는 아니다.

    AI폰 경쟁은 이미 판이 커졌다

    공교롭게도 이 보도가 나온 시점, 빅테크들의 AI 하드웨어 경쟁이 한창이다. 오픈AI는 애플 디자인 총괄 출신 조니 아이브와 손잡고 새 AI 디바이스를 만들고 있다. 애플은 시리 전면 개편을 준비하며 아이폰에 생성형 AI 기능을 밀어 넣는 중이고.

    삼성전자도 갤럭시 AI를 앞세워 온디바이스 AI 경쟁에 뛰어든 상태다. 이런 흐름에서 스마트폰 업체가 아닌 스페이스X까지 하드웨어 시장을 넘본다는 보도가 나오면, 업계가 예민해질 수밖에.

    국내 부품·플랫폼 업계가 눈여겨볼 이유

    이번 일이 해프닝으로 끝나더라도 국내 산업계 입장에선 흘려들을 뉴스가 아니다. 새 AI 디바이스가 하나 나올 때마다 디스플레이, 카메라 모듈, 배터리 같은 핵심 부품 공급망이 흔들린다. 삼성디스플레이, LG이노텍, 삼성전기 같은 국내 부품사들이 이 밸류체인에서 상당한 비중을 차지하고 있다.

    애플이나 삼성이 아닌 제3의 플레이어가 AI폰 시장에 들어온다면 국내 부품사엔 새 고객사가 생기는 기회일 수 있다. 네이버, 카카오 같은 국내 AI 서비스 업체들도 해외발 AI 하드웨어 소식에 자사 플랫폼 전략을 다시 점검할 가능성이 크다. 루머 하나에도 국내 공급망과 플랫폼 업계가 촉각을 곤두세우는 이유, 여기 있다.

    출처: The Verge

  • 엑스박스, 또 허리띠 조인다…’리셋’ 메모에 감원 칼바람

    엑스박스, 또 허리띠 조인다…’리셋’ 메모에 감원 칼바람

    엑스박스가 또 허리띠를 조인다. 더버지 보도를 보면, 지난 6월 10일 최고경영자 아샤 샤마와 최근 콘텐츠 총괄로 올라선 매트 부티가 전 직원 앞으로 메모 하나를 보냈다. 제목은 단순했다. “엑스박스 리셋.”

    메모 속 숫자 하나, ‘3%’

    내용을 뜯어보면 결국 핵심은 숫자 하나로 좁혀진다. 3%의 ‘책임 마진(accountability margin)’. 사업부마다 비용을 3%씩 더 깎으라는 얘기다. 회사도 이걸 “상당한 도전”이라 표현했으니, 만만한 수준은 아니라는 뜻이겠다. 메모에는 비용이 “대폭 상승”했다는 문구도 들어갔는데, 클라우드 인프라와 AI 관련 투자가 늘면서 부담이 커졌다는 해석이 나온다.

    샤마는 올초 막 엑스박스 CEO 자리에 앉은 인물이다. 취임하고 몇 달 만에 이런 메모라니. 안에서 돌아가는 사정이 꽤 급하다는 신호로 읽힌다.

    엑스박스, 원래 이랬다

    사실 이번이 처음은 아니다. 2024년 1월, 액티비전 블리자드와 제니맥스 인력까지 포함해 약 1,900명이 회사를 나갔다. 같은 해 5월엔 아케인 오스틴, 탱고 게임웍스, 알파도그 게임즈, 라운드하우스 스튜디오까지 4개 스튜디오가 통째로 문을 닫았다. ‘프레이’, ‘리드폴’ 등을 만든 아케인 오스틴, 일본풍 액션게임 ‘하이파이 러시’를 만든 탱고 게임웍스. 팬들 사이에선 지금도 아쉽다는 얘기가 나온다.

    2025년 7월엔 마이크로소프트 전사 차원에서 9,000명 규모 감원이 있었다. 이 중 상당수가 게임 부문 출신이었고, 캔디크러시로 유명한 킹(King) 스튜디오와 신작 프로젝트 여럿이 이때 정리됐다. 흐름만 놓고 보면, 이번 ‘리셋’도 갑자기 터진 사건이라기보다는 반복되던 패턴의 다음 장에 가깝다.

    • 2024년 1월: 약 1,900명 감원 (액티비전·제니맥스 포함)
    • 2024년 5월: 아케인 오스틴 등 4개 스튜디오 폐쇄
    • 2025년 7월: MS 전사 9,000명 감원, 게임 부문 다수 포함
    • 2026년 6월: ‘엑스박스 리셋’ 메모, 3% 비용 절감 지시

    새 리더십이 보내는 메시지

    샤마·부티 체제에서 이런 메모가 나왔다는 것 자체가 신호다. 필 스펜서 시절 확장 전략—베데스다, 액티비전 블리자드 인수로 대표되던—이 사실상 마무리 국면에 들어섰고, 이제는 사들인 것들을 정리하며 수익성을 맞추는 단계로 넘어갔다는 뜻으로 읽힌다. 게임 한 편을 대박 내는 것보다, 포트폴리오 전체의 비용 구조를 다시 짜는 쪽에 무게가 실리는 셈이다.

    비용이 대폭 상승했다는 문구도 걸린다. 클라우드 게이밍 서버 운영비, AI 기반 개발 도구 도입 비용. 이 둘이 겹치면서 수익성 압박이 커졌을 가능성이 높다.

    다음 수순은

    더버지 원문은 계속 업데이트되는 형식으로 올라오고 있어서, 구체적으로 어떤 스튜디오나 프로젝트가 정리 대상인지는 아직 다 나오지 않았다. 다만 과거를 보면 답은 어느 정도 정해져 있다. 신작 발표 연기, 일부 프로젝트 취소, 스튜디오 통합. 게임패스 구독자 입장에선 라인업이 얇아질 여지가 있어 마냥 편하게 지켜볼 사안은 아니다.

    국내 게이머와 협력사, 뭘 챙겨봐야 하나

    한국에서 엑스박스 콘솔 자체 존재감은 크지 않다. 다만 게임패스 구독 서비스와 PC판 게임 이용자층은 두껍다. 스튜디오 정리로 신작이 밀리거나 게임패스 라인업이 얇아지면, 구독료 대비 만족도를 저울질하던 국내 이용자들이 이탈할 여지도 있다.

    국내 게임사 쪽은 좀 다른 각도로 볼 필요가 있다. 마이크로소프트가 몸집을 줄이는 과정에서 개발 인력이 시장에 풀리거나, 일부 IP·기술 라이선스가 매물로 나올 가능성도 있다. 클라우드 게이밍 인프라를 공동 개발했거나 게임패스향 콘텐츠 공급 계약을 맺어온 국내 스튜디오라면, 이번 리셋이 계약 조건이나 우선순위 변화로 이어지는지 눈여겨봐야 할 대목이다.

    출처: The Verge

  • 노트북LM 사용법, 이제 60초 영상으로도 요약해준다

    노트북LM 사용법, 이제 60초 영상으로도 요약해준다

    구글 노트북LM에 자료를 올리면 60초짜리 세로형 영상으로 요약해주는 기능이 새로 생겼다. 논문이든 보고서든 통째로 읽기 부담스러울 때, 핵심만 짧은 클립으로 보고 넘어갈 수 있게 됐다. 이참에 노트북LM이 정확히 뭘 하는 도구이고 어떻게 써야 본전을 뽑는지 짚어본다.

    노트북LM, 정체가 뭐냐면

    노트북LM은 구글이 내놓은 AI 노트 정리 서비스다. PDF, 구글 문서, 웹페이지, 유튜브 링크 같은 자료를 올리면 그 내용만 학습해서 요약, 질문 답변, 오디오 팟캐스트, 마인드맵까지 만들어준다. 일반 챗봇과 다른 점 하나. 인터넷 지식을 끌어오지 않고 올린 자료 안에서만 답을 찾는다는 것이다. 그래서 출처가 분명하고, 환각(엉뚱한 정보를 지어내는 현상) 위험도 상대적으로 낮은 편이다.

    영상 요약 기능, 쓰는 법

    새로 추가된 영상 클립 기능, 순서는 이렇다.

    • 노트북LM에 자료(논문, 강의자료, 회의록 등)를 업로드한다
    • 좌측 메뉴에서 영상 요약(비디오 오버뷰) 옵션을 선택한다
    • AI가 핵심 내용을 뽑아 세로형 60초 클립으로 자동 생성한다
    • 완성된 영상을 다운로드하거나 바로 재생해서 확인한다

    틱톡이나 릴스 보듯 짧게 훑어보고 핵심만 챙기는 방식이다. 출퇴근길, 자투리 시간에 자료 따라잡기에 딱이다.

    어떤 자료를 올려야 결과가 잘 나오나

    구조가 명확한 자료일수록 요약 품질이 올라간다. 소제목으로 나뉜 보고서, 슬라이드 형태 강의자료, 타임스탬프 박힌 유튜브 강의 영상이 특히 잘 먹힌다. 반대로 손글씨 스캔본이나 표가 복잡하게 얽힌 문서는 인식률이 뚝 떨어진다. 가능하면 텍스트 추출이 잘 되는 PDF나 구글 문서로 바꿔서 올리는 게 결과물 차이를 만든다.

    무료로 어디까지 되나

    기본 기능은 구글 계정만 있으면 공짜다. 다만 영상 클립 같은 신기능은 AI Ultra, Pro 구독자부터 순차로 풀리는 구조라 무료 계정에는 아직 안 보일 수 있다. 업로드 가능한 소스 개수, 만들 수 있는 오디오·영상 분량도 요금제마다 다르다. 업무용으로 본격적으로 쓸 계획이면 구독 등급부터 확인하는 게 순서다.

    챗GPT, 노션AI랑 뭐가 다르냐면

    챗GPT는 범용 대화형 AI다. 인터넷 전반의 지식을 끌어다 답한다. 노션AI는 메모나 문서 작성을 돕는 쪽에 가깝다. 노트북LM은 결이 다르다. 업로드한 자료 기반의 리서치 도구라서다. 논문 여러 편을 비교 분석하거나, 회의록을 모아 패턴을 찾거나, 강의자료를 요약 정리하는 작업엔 노트북LM이 더 정확하다. 반대로 일반적인 글쓰기나 아이디어 브레인스토밍은 챗GPT 쪽이 강점을 보인다. 용도에 맞춰 섞어 쓰는 게 효율적이다.

    이럴 때 써먹기 좋다

    • 대학생: 수십 페이지짜리 논문을 빠르게 훑고 핵심 주장만 파악할 때
    • 직장인: 회의록이나 보고서를 팀원에게 공유하기 전 짧은 요약본을 만들 때
    • 콘텐츠 제작자: 자료 조사 단계에서 출처별 핵심 내용을 정리할 때
    • 수험생: 방대한 교재 내용을 오디오로 변환해 듣기 학습에 활용할 때

    자료를 통째로 던져놓고 필요한 부분만 골라 받는 방식이다. 정보량이 많을수록 시간 절약 효과는 커진다.

    헷갈리는 부분들, Q&A로 정리

    Q. 한국어 자료도 영상으로 요약되나?
    한국어 PDF나 문서도 업로드 가능하고, 요약 결과도 한국어로 나온다. 다만 기능 자체가 단계적으로 풀리는 중이라 지역이나 계정에 따라 노출 시점이 다를 수 있다.

    Q. 업로드한 자료, 외부로 새어 나가지는 않나?
    업로드한 소스는 해당 노트북 안에서만 쓰이고 다른 사용자 학습에는 쓰이지 않는다고 안내한다. 그래도 민감한 사내 문서를 다룰 땐 회사 보안 정책부터 한 번 확인하고 쓰는 게 안전하다.

    Q. 영상 클립 길이나 스타일, 바꿀 수 있나?
    지금은 60초 안팎의 정해진 포맷으로 자동 생성되는 구조다. 길이나 톤을 세밀하게 조절하는 옵션은 아직 별로 없다. 디테일한 커스터마이징이 필요하면 별도 영상 편집 도구와 같이 쓰는 편이 낫다.

    출처: The Verge

  • 구글 노트북LM, 논문도 틱톡처럼 60초로 요약해준다

    구글 노트북LM, 논문도 틱톡처럼 60초로 요약해준다

    구글이 노트북LM에 60초짜리 세로형 AI 영상 만들기 기능을 얹었다. 자료를 올리면 틱톡이나 릴스처럼 생긴 숏폼 클립이 알아서 나온다. 직접 돌려본 소감부터 말하자면 — 이게 진짜 되네, 싶었다.

    뭘 하는 기능인가

    노트북LM은 PDF, 웹페이지, 유튜브 영상, 직접 적은 메모까지 한곳에 모아 AI가 정리해주는 구글의 노트 도구다. 이번에 붙은 신규 기능은 이 자료들을 통째로 9:16 세로형 영상으로 바꿔준다. 자막도 붙고 내레이션도 들어간다.

    구글이 공개한 예시는 호주의 ‘에뮤 전쟁(Emu War)’. 1932년 호주군이 에뮤 떼를 상대로 벌인, 지금 들으면 황당하기 짝이 없는 작전 얘기다. 결과는 실패. 이런 마이너한 역사 소재조차 1분 안에 핵심만 추려낸다는 게 신기했다.

    누가 쓸 수 있나

    전 사용자 대상은 아니다. Google AI ProGoogle AI Ultra 구독자부터 순서대로 풀린다.

    • Google AI Pro: 월 19.99달러, 국내 환산하면 대략 2만 8천 원
    • Google AI Ultra: 월 249.99달러, 약 35만 원 수준으로 최상위 등급
    • 무료 사용자는 이번엔 빠졌다

    쓰는 법은 간단하다. 자료를 올리고 영상 생성 옵션만 누르면 끝. AI가 핵심을 뽑아 영상으로 재구성해주는데, 따로 편집할 필요가 없다는 게 포인트다.

    오디오에서 영상으로, 다음은 세로

    노트북LM이 처음 이름을 알린 건 2024년 가을, ‘오디오 개요(Audio Overviews)’ 덕분이었다. 자료를 팟캐스트 형식 음성 대화로 바꿔주는 기능인데, AI 진행자 둘이 수다 떨듯 설명해주는 방식이 꽤 화제였다.

    그 뒤로 가로형 영상 개요가 붙었고, 이번엔 한 단계 더 가서 숏폼 플랫폼 소비 습관에 맞춘 세로형 클립까지 나왔다. 텍스트에서 음성으로, 음성에서 짧은 영상으로 — 정보 소비 흐름을 구글이 그대로 쫓아가는 모양새다.

    긴 논문, 1분으로 끝날까

    한계는 분명하다. 60초 안에 욱여넣다 보니 복잡한 연구 자료나 법률 문서처럼 디테일이 생명인 콘텐츠는 핵심만 남고 맥락이 날아갈 공산이 크다. 빠르게 훑는 용도로는 쓸만해도, 꼼꼼히 봐야 하는 자료라면 보조 수단 정도로 생각하는 게 맞다.

    그래도 학생이나 직장인 입장에서는 출퇴근길에 긴 보고서나 논문을 1분짜리 영상으로 먼저 훑고, 필요한 부분만 원문으로 다시 확인하는 식의 쓰임새는 충분히 그려진다.

    한국 사용자한테는 어떨까

    국내에서도 노트북LM은 대학생과 직장인 사이에서 입소문 탄 지 꽤 됐다. 시험 기간에 강의자료를 오디오 개요로 바꿔 듣는다는 후기가 커뮤니티에 종종 올라온다.

    이번 세로형 클립 기능이 한국어 자료에도 매끄럽게 적용된다면 쓰임새는 더 넓어질 것 같다. 짧은 영상에 익숙한 국내 이용자 특성상 거부감 없이 받아들여질 가능성이 높고, 유튜브 쇼츠나 인스타그램 릴스를 일상처럼 보는 세대한테는 텍스트 요약보다 오히려 더 편하게 느껴질 수도 있다. 다만 유료 구독이 전제 조건이라, 무료 사용자에게 언제 풀릴지가 다음 관전 포인트로 남는다.

    출처: The Verge

  • AI 에이전트란? 코딩부터 연구까지 어디까지 써먹을 수 있나

    AI 에이전트란? 코딩부터 연구까지 어디까지 써먹을 수 있나

    개발자들 모이는 자리에 가면 요즘 빠지지 않고 나오는 말이 있다. “코드는 AI한테 맡기고 나는 검토만 한다.” 농담처럼 들렸는데, 더는 아니다. 같은 흐름이 이제 실험실 쪽으로도 옮겨가는 중이다. 신약 후보 물질을 찾는 연구자가 문헌 조사부터 데이터 분석까지 AI에게 떠넘기는 풍경, 머지않아 보일 거다. 이 변화의 한복판에 ‘AI 에이전트’라는 개념이 있다. 코딩, 연구, 마케팅, 고객 응대까지 업무 전반으로 번지고 있는 이 기술이 정확히 뭔지, 일상 업무에 어떻게 끌어다 쓸 수 있는지 한번 짚어본다.

    AI 에이전트, 정체가 뭐길래

    AI 에이전트는 사람이 목표만 던져주면 알아서 작업을 쪼개고, 필요한 도구를 골라 쓰고, 결과를 점검하면서 끝까지 밀어붙이는 AI 시스템이다. 질문에 답하는 수준을 넘어 실제로 ‘일을 처리’한다는 게 핵심. 특징을 정리하면 이렇다.

    • 목표 지향적으로 여러 단계 작업을 스스로 계획하고 실행한다
    • 코드 실행, 검색, 파일 읽기·쓰기 같은 외부 도구를 직접 호출한다
    • 중간 결과를 스스로 확인하고 틀리면 다시 시도한다
    • 사람 개입 없이 긴 작업을 이어서 처리한다

    챗봇이랑은 뭐가 다른가

    챗봇은 질문 하나에 답 하나 내놓고 끝이다. 에이전트는 다르다. “이 버그 좀 고쳐줘” 한마디에 코드를 읽고, 원인을 찾고, 수정하고, 테스트까지 돌린 다음 결과를 보고한다. 사람이 매 단계마다 지시를 내릴 필요가 없다는 점, 이게 결정적이다. 챗봇이 대화 상대에 가깝다면, 에이전트는 업무를 통째로 맡길 수 있는 직원에 가까운 셈이다.

    코딩 쪽에서 먼저 자리 잡은 이유

    AI 에이전트가 가장 먼저, 가장 빠르게 퍼진 분야는 단연 소프트웨어 개발이다. 이유는 단순하다. 코딩은 결과를 코드 실행이나 테스트로 바로 확인할 수 있고, 작업 단위도 함수 하나, 버그 하나, 기능 하나로 비교적 명확하게 쪼개지기 때문. Claude Code 같은 코딩 에이전트는 전체 코드베이스를 읽고, 터미널 명령을 실행하고, 테스트를 돌려 통과 여부까지 확인하는 식으로 움직인다. 사람은 한 발 물러나 결과물만 검토하면 되는 구조다.

    이제는 연구실까지

    최근 눈에 띄는 흐름이 하나 있다. 이 에이전트 방식이 과학 연구 영역으로 넘어가고 있다는 것. 제약사 임원이나 바이오텍 창업자, 연구자를 대상으로 한 자리에서 과학 연구 전용 AI 에이전트가 소개된 사례도 나왔다. 논문 검토, 실험 설계, 데이터 분석처럼 절차가 정형화돼 있고 결과 검증이 가능한 작업이라면 코딩과 구조가 별반 다르지 않다. 반복적인 문헌 조사나 데이터 정리에 드는 시간을 줄여주는 방향으로 쓰이는 흐름, 점점 강해지고 있다.

    내 업무에 써보려면 어디서부터

    거창하게 시작할 필요 없다. 오히려 작은 단위부터 건드려보는 쪽이 실패 확률을 줄인다.

    • 규칙이 명확하고 반복적인 업무부터 골라본다 (이메일 분류, 데이터 정리, 보고서 초안 작성 등)
    • 결과를 사람이 빠르게 확인할 수 있는 작업을 우선한다
    • 전체 업무를 통째로 맡기지 말고 일부 단계만 시범 적용해본다
    • 접근 권한과 작업 범위는 처음부터 좁게 잡는다

    도입 전에 따져봐야 할 것들

    에이전트가 작업을 끝까지 알아서 처리한다는 건, 뒤집어 보면 오류도 끝까지 밀고 나갈 수 있다는 뜻이다. 사실과 다른 내용을 그럴듯하게 지어내는 환각 문제는 여전히 남아 있고, 결과물을 검토할 사람은 따로 필요하다. 민감한 데이터를 다루는 업무라면 접근 권한과 보안 설정부터 꼼꼼히 따져야 한다. 사용량에 따라 비용이 늘어나는 구조라, 파일럿 단계에서 비용 대비 효과를 미리 가늠해보는 편이 안전하다. 이건 좀 보수적으로 접근해도 손해 볼 거 없는 부분.

    궁금한 것들, 미리 정리해본다

    Q. AI 에이전트와 기존 RPA(업무 자동화 툴)는 뭐가 다른가?
    RPA는 정해진 규칙대로만 움직이는 매크로에 가깝다. 화면 구조 하나만 바뀌어도 바로 멈춘다. AI 에이전트는 상황을 판단해 방법을 바꿔가며 목표를 달성하려 한다. 유연성 차이가 크다.

    Q. 비전공자도 AI 에이전트를 쓸 수 있나?
    가능하다. 코딩 지식 없이도 자연어로 지시하고 결과물만 검토하는 식으로 쓰는 사람, 늘고 있다. 다만 결과를 판단할 최소한의 도메인 지식은 필요하다.

    Q. 회사 보안 정책상 도입이 걱정된다면?
    외부 서버로 데이터가 나가지 않는 사내망 전용 옵션이 있는지, 권한을 세밀하게 제한하는 기능을 제공하는 서비스인지부터 확인하는 게 첫걸음이다.

    출처: MIT Tech Review AI

  • 에이서 스위프트 고16 AI, 베스트바이서 65만원 뚝 떨어졌다

    에이서 스위프트 고16 AI, 베스트바이서 65만원 뚝 떨어졌다

    베스트바이에서 에이서 16인치 노트북 스위프트 고16 AI(Swift Go 16 AI)가 899.99달러에 풀렸다. 정가가 1,549.99달러니까, 거의 650달러가 빠진 셈이다. 환율 따져보면 국내 직구가 기준으로도 100만원 안팎까지 내려온다. 가성비 노트북 찾던 사람이라면 한 번쯤 들여다볼 만하다.

    65만원 가까이 빠진 가격표

    이번 세일가 899.99달러는 더버지가 짚은 정가 1,549.99달러보다 약 42% 낮다. 같은 사양 노트북이 미국에서 1,500달러를 넘기는 일이 흔해진 요즘 분위기를 생각하면, 솔직히 꽤 파격적이다.

    • 정가: 1,549.99달러
    • 할인가: 899.99달러
    • 할인율: 약 42%
    • 판매처: 베스트바이

    노트북값, 왜 이렇게 올랐나

    더버지 보도에 따르면 메모리와 저장장치 가격이 뛰면서 콘솔이든 PC든 전자제품 전반이 같이 올랐다고 한다. AI 서버용 D램과 낸드 수요가 폭증한 탓에, 일반 소비자용 부품 공급이 빠듯해진 게 크다.

    그러다 보니 1,000달러 아래에서 쓸만한 노트북 고르는 일 자체가 까다로워졌다는 게 기사의 핵심 진단이다. 램 16GB, SSD 512GB급만 갖춰도 가격이 훌쩍 뛰는 시장이다. 그 와중에 정가 절반 수준까지 떨어진 스위프트 고16이 눈에 띈다.

    OLED에 코파일럿+까지, 사양은 알찼다

    스위프트 고16 AI는 인텔 최신 루나레이크 기반 코어 울트라 프로세서를 얹었다. NPU 연산 성능이 40 TOPS를 넘어 마이크로소프트 코파일럿+ PC 인증도 받았다. 16인치 OLED 패널에 3.2K 해상도, 120Hz 주사율. 이 가격대에서는 보기 드문 조합이다.

    무게는 1.5kg 안팎. 16인치치고는 가벼운 축이다. 배터리도 하루 종일 들고 다닐 만큼 버틴다는 평가가 많았다. 영상 편집이나 가벼운 작업용으로는 부족함이 없다.

    할인폭만 보고 살 만할까

    개인적으로는, OLED 화면에 코파일럿+ 인증까지 갖춘 16인치 노트북이 90만원대로 풀린 사례는 최근 1~2년 사이 흔치 않았다고 본다. 맥북에어 13형이나 갤럭시북4 같은 경쟁 모델과 비교해도 화면 크기와 해상도에서 밀리지 않는다.

    다만 베스트바이 한정 세일이라 수량이 먼저 빠질 가능성이 있다. 미국 매장 가격이라 직구라면 배송비와 관세까지 더해봐야 실제 이득이 얼마인지 나온다. 결제부터 누르기 전에 환율과 배송 조건 한 번 더 확인하는 편이 낫다.

    국내 직구족이라면 체크할 포인트

    국내에는 아직 에이서 노트북 라인업이 폭넓게 들어와 있지 않다. 그래서 이런 미국 한정 세일은 직구로 접근하는 경우가 많다. 같은 사양 노트북을 국내 매장에서 사면 150만원을 훌쩍 넘기는 일이 흔해서, 직구 가격 차이가 꽤 크게 느껴진다.

    램과 SSD 가격 상승은 국내 제조사인 삼성전자와 SK하이닉스 실적과도 맞닿아 있는 이슈다. 부품값이 오를수록 국내 소비자가 사는 완제품 가격도 같이 오를 여지가 크다. 이번 세일은 단순한 해외 특가 소식을 넘어, 한국 시장 가격 흐름을 가늠해볼 참고 자료가 되는 셈이다.

    출처: The Verge

  • Copilot이냐 Cursor냐, 2026년 기준으로 다시 정리해봤다

    Copilot이냐 Cursor냐, 2026년 기준으로 다시 정리해봤다

    유명 VC 투자자가 직접 AI 코딩 스타트업 CEO로 뛰어들었다. 올해 이 시장에 몰린 투자금이 수십억 달러를 넘어섰으니 그럴 만도 하다. GitHub Copilot이 불을 붙인 뒤 Cursor, Windsurf, Codeium이 쏟아졌고, 지금은 툴마다 “우리가 제일 낫다”고 외치는 상황. 막상 뭘 골라야 할지, 기능 리스트만 봐서는 감이 안 잡힌다.

    AI 코딩 어시스턴트, 정확히 뭘 해주나

    핵심 기능은 세 가지다.

    • 자동 완성(Autocomplete): 코드를 타이핑하면 다음 줄을 예측해서 제안
    • 채팅 기반 코드 생성: 자연어로 요청하면 함수나 클래스를 통째로 작성
    • 코드베이스 이해: 프로젝트 전체 파일을 읽고 맥락에 맞는 수정·리팩터링 제안

    초창기엔 자동 완성이 전부였다. 지금은 다르다. 2024년 이후 나온 툴들은 수만 줄짜리 레포를 통째로 읽고 “이 버그 고쳐줘” 한 마디에 관련 파일 여러 개를 동시에 수정해준다. 개발 속도 자체가 바뀌는 수준이다. 써보면 안다.

    2026년 기준 주요 AI 코딩 툴 5가지

    선택지가 너무 많다. 실제로 쓰이는 것만 추리면 이렇다.

    • GitHub Copilot: VS Code·JetBrains 등 거의 모든 IDE에 플러그인으로 설치. 월 $10~$19. 레퍼런스가 많아 처음 시작하는 사람한테 무난한 선택
    • Cursor: VS Code 기반 독립 에디터. AI 기능이 IDE 자체에 깊이 통합돼 컨텍스트 이해가 뛰어남. 월 $20
    • Windsurf (구 Codeium): Cursor와 비슷한 에디터 방식. 무료 티어가 넉넉한 게 강점. Cognition AI 인수 이후 기능이 빠르게 발전 중
    • Claude Code: Anthropic의 터미널 기반 에이전트. 에디터를 따로 바꾸지 않아도 되고, 대규모 코드베이스 리팩터링에 강함
    • Amazon Q Developer: AWS 환경에 최적화. 클라우드 인프라 코드, IAM 정책 작성 등에서 차별화

    Copilot vs Cursor — 실제로 뭐가 다른가

    “Copilot이냐 Cursor냐” — 제일 많이 나오는 질문이다. 기능 리스트만 비교하면 놓치는 게 있다. 실사용 기준으로 따져본다.

    GitHub Copilot의 강점

    • 지금 쓰는 IDE 그대로 사용 가능 (VS Code, IntelliJ, Neovim 등, 환경 바꿀 필요 없음)
    • GitHub 레포와 연동이 자연스럽고, 팀 단위 정책 관리(Copilot Business)가 수월
    • Enterprise 환경에서 코드가 모델 학습에 사용되지 않도록 설정 가능

    Cursor의 강점

    • 프로젝트 전체 파일을 인덱싱해 “이 함수가 어디서 호출되는지” 같은 질문에 즉시 답변
    • Composer 기능으로 여러 파일을 한 번에 수정하는 에이전트 작업이 직관적
    • GPT-4o, Claude Sonnet 등 모델을 직접 선택해서 쓸 수 있어 유연성이 높음

    기존 IDE 환경을 유지하면서 팀 협업과 보안 정책이 중요하다면 Copilot 쪽이 낫다. 개인 프로젝트나 빠른 프로토타이핑 위주라면 Cursor가 체감 생산성이 더 높다. 솔직히 이건 직접 써보고 나서야 확실히 갈린다.

    상황별로 골라 쓰는 법

    ‘무조건 최고’인 툴은 없다. 처한 상황이 툴을 결정한다.

    • 대기업·금융·공공기관: 코드 유출 리스크 때문에 on-premise 지원 여부가 1순위. GitHub Copilot Enterprise나 Amazon Q Developer가 현실적
    • 스타트업·1인 개발: 속도가 생명. Cursor 또는 Windsurf 무료 티어로 시작해서 필요하면 업그레이드
    • AWS 헤비 유저: Amazon Q Developer는 CloudFormation, CDK 코드 자동 완성 품질이 특출남
    • 레거시 코드베이스 리팩터링: Claude Code처럼 긴 컨텍스트를 처리하는 에이전트형 툴이 유리
    • 오픈소스 기여: Copilot의 무료 오픈소스 관리자 플랜을 먼저 확인할 것

    도입할 때 놓치기 쉬운 보안 체크리스트

    팀에 도입하기 전에 반드시 짚어야 할 항목들. 이걸 건너뛰다가 뒤탈이 나는 경우가 적지 않다.

    • 코드 학습 사용 여부 확인: 입력한 코드가 모델 학습에 쓰이는지 약관과 설정에서 확인. Copilot Business·Enterprise는 기본 off
    • API 키·시크릿 노출 위험: AI에게 코드를 붙여넣을 때 환경변수나 시크릿이 섞이지 않았는지 점검. .env 파일은 절대 공유 금지
    • 라이선스 오염 가능성: AI가 생성한 코드가 GPL 등 오픈소스 코드를 그대로 재현하는 사례가 있음. 법무팀이 있는 조직이라면 라이선스 필터 옵션 활성화
    • 취약한 코드 패턴 검증: AI는 빠르게 코드를 쓰지만 SQL 인젝션, XSS 같은 보안 취약점을 무의식적으로 생성하기도 함. 코드 리뷰와 SAST 툴 병행이 필수

    현업 개발자가 실제로 쓰는 방식

    AI 코딩 툴을 “그냥 자동완성” 정도로만 쓰면 잠재 가치의 30%도 못 뽑는다. 생산성을 제대로 끌어올리는 패턴이 따로 있다.

    • 보일러플레이트 완전 위임: CRUD API 엔드포인트, DTO, 테스트 더미 데이터처럼 구조가 반복되는 코드는 AI에게 통째로 맡김
    • 코드 리뷰 도우미로 활용: PR 올리기 전에 “이 코드에서 개선할 점이나 버그 가능성 찾아줘”라고 물으면 사람 리뷰어가 놓치는 부분을 잡아줌
    • 낯선 라이브러리 탐색: 문서 읽는 대신 “이 라이브러리로 파일 업로드 기능 만드는 최소한의 예제 코드 써줘”처럼 바로 동작하는 예제부터 요청
    • 리팩터링 계획 수립: “이 모듈의 의존성 구조를 설명하고, 어떤 순서로 분리하면 좋을지 단계를 나눠줘”처럼 계획 자체를 AI와 함께 짜는 방식

    다음 수순 — 이 시장 어디로 가나

    AI 코딩 시장은 아직 정착 단계가 아니다. 판도를 바꿀 변수가 몇 가지 남아 있다.

    첫째, 모델 성능 격차 축소. 2년 전엔 GPT-4와 나머지 모델 사이에 체감 차이가 컸지만, 지금은 오픈소스 모델도 코딩 벤치마크 상위권에 근접했다. 이 추세가 계속되면 “어떤 모델을 쓰냐”보다 “UI·UX와 워크플로우가 얼마나 잘 설계됐냐”가 툴 선택을 좌우하게 된다.

    둘째, 에이전트형 개발의 확산. 자동완성을 넘어 “테스트 작성 → 버그 수정 → PR 생성”까지 연속 작업을 자율적으로 수행하는 에이전트 방식이 빠르게 퍼지고 있다. 지금 쓰는 툴이 에이전트 워크플로우를 어디까지 지원하는지 미리 확인해두는 게 좋다.

    셋째, 기업용 시장 경쟁. 스타트업·개인 사용자 유치는 이미 포화 상태다. 앞으로 대형 계약은 보안 인증, SSO, 감사 로그 같은 엔터프라이즈 기능을 갖춘 업체로 쏠릴 가능성이 높다. 이 분야에서 Microsoft(Copilot)와 신규 진입자들의 경쟁이 본격화되고 있다.

    결국 지금 당장의 선택보다 중요한 건 따로 있다. 팀의 워크플로우를 파악하고 3~6개월 주기로 툴을 재평가하는 습관. 시장이 이 속도로 움직이는 동안 한 가지 툴에 고착되면 뒤처진다.

    출처: TechCrunch

  • AI 에이전트란 무엇인가 — 챗봇과 결정적으로 다른 이유, 기업 도입 체크리스트까지

    AI 에이전트란 무엇인가 — 챗봇과 결정적으로 다른 이유, 기업 도입 체크리스트까지

    GPT가 등장한 지 3년 만에 기업 AI 투자의 무게중심이 슬그머니 이동했다. ‘생성’에서 ‘실행’으로. 텍스트 만들고 이미지 그리는 단계를 훌쩍 지나, 이제는 스스로 판단하고 움직이는 AI가 핵심 화두로 떠올랐다. 바로 AI 에이전트(AI Agent)다. Gartner는 2026년을 기업 AI 전략의 “변곡점(inflection year)”으로 규정했고, MIT 테크리뷰 보도에 따르면 기술 최전선에서 에이전트 AI의 신뢰도가 가파르게 높아지고 있다.

    막상 주변에서 “AI 에이전트 도입해야 하는 거 아니야?”라는 말을 들으면 손에 잡히는 게 없다. 챗봇이랑 다른 건가? 실제로 뭘 해주는 건가? 이 글은 그 질문들에 직접 답한다.

    챗봇과 AI 에이전트, 결정적인 차이

    챗봇은 “응답기”다. 질문을 넣으면 답이 나온다. 그게 전부다. AI 에이전트는 “목표 달성기”다. 목표를 주면 먼저 계획을 짠다. 도구를 고르고, 실행하고, 결과를 확인하면서 다음 단계로 넘어간다. 자율적으로.

    나란히 놓으면 이렇다:

    • 챗봇: “이 이메일 어떻게 써야 해?” → 초안 제공
    • AI 에이전트: “이 고객사에 제안서 보내줘” → 고객 정보 조회, 제안서 초안 생성, 담당자 이메일 확인, 발송까지 자동 처리

    핵심은 자율성(autonomy)도구 사용(tool use)이다. 에이전트는 외부 API, 데이터베이스, 코드 실행 환경을 직접 호출하며 멀티스텝 작업을 처리한다. 챗봇이 “조언”을 준다면, 에이전트는 “행동”한다. 이 차이, 생각보다 훨씬 크다.

    실제로 뭘 하냐고 물으면

    지금 기업 현장에서 실제로 돌아가고 있는 에이전트 사례들을 보면 추상적인 개념이 확 선명해진다.

    • 코드 리뷰 에이전트: PR이 올라오면 자동으로 리뷰 코멘트를 달고 보안 취약점을 스캔한다
    • 고객 지원 에이전트: FAQ 수준을 넘어 CRM 시스템을 직접 조회하고 환불 처리까지 실행
    • 데이터 분석 에이전트: “지난 분기 매출 하락 원인 분석해줘” 한 마디에 DB 쿼리부터 시각화까지
    • 콘텐츠 파이프라인 에이전트: 키워드 조사 → 초안 작성 → SEO 점검 → CMS 업로드를 순차 처리
    • IT 운영 에이전트: 서버 알림이 뜨면 로그를 분석하고, 해결책을 시도하거나 담당자에게 요약 보고

    공통점이 보이는가? 전부 “사람이 매번 끼어들어야 했던 반복 워크플로우”다. 에이전트가 파고드는 지점이 바로 여기다.

    기업들이 지갑을 여는 이유

    ROI 압박이다. LLM을 도입했는데 비용이 줄었다거나 매출이 늘었다는 증거를 이사회 앞에 가져가기가 너무 어려웠다. 에이전트는 얘기가 다르다. 반복 업무를 자동화하면 처리 시간을 수치로 잡을 수 있고, 처리량 증가를 그래프로 보여줄 수 있으니까.

    McKinsey 분석을 보면 지식 노동자 업무의 약 60~70%가 자동화 가능하다고 나온다. 그 중에서도 멀티스텝 워크플로우 영역이 에이전트 AI의 ROI가 가장 높게 나오는 구간이다. 단순 채팅 인터페이스는 “인상적이지만 쓸모없는(impressive but useless)” 단계에 머물기 쉬운데, 에이전트는 실제 업무 흐름에 직접 끼워 넣을 수 있어서 경영진 설득이 훨씬 수월해진다. 솔직히 이게 가장 큰 이유다.

    도입 전에 먼저 짚어야 할 것들

    아무 준비 없이 도입했다가 실패하는 케이스에는 패턴이 있다. 네 가지를 먼저 확인해야 한다.

    • 작업이 명확히 정의되는가? 에이전트는 목표가 모호하면 오작동한다. “매출 올려줘”는 에이전트 작업이 아니다. “매주 월요일 오전 9시에 지난 주 매출 리포트를 Slack #revenue 채널에 요약 전송”처럼 구체적이어야 한다.
    • 데이터 접근 권한이 정리되어 있는가? 에이전트가 CRM, ERP, DB에 접근하려면 인증 체계가 먼저 갖춰져 있어야 한다. 이게 빠진 채로 시작하면 반쪽짜리다.
    • 실패 시 롤백이 가능한가? 에이전트가 잘못된 이메일을 1,000명에게 보내거나 DB 레코드를 잘못 수정하면? 취소·롤백 메커니즘을 설계 단계에서 먼저 집어넣어야 한다.
    • 사람 검수 구간이 있는가? “Human-in-the-loop” 구간을 초기 설계에 반드시 포함시켜야 한다. 100% 자율화는 나중 얘기다.

    직접 만들 것인가, 플랫폼을 살 것인가

    선택지는 두 갈래다. 직접 구축하거나, 기성 플랫폼을 쓰거나.

    직접 구축 (엔지니어링 팀이 있을 때):

    • LangGraph, AutoGen, CrewAI 같은 오픈소스 프레임워크 활용
    • 유연하지만 엔지니어링 부담이 크다
    • Claude API, OpenAI API 등을 기반으로 멀티에이전트 파이프라인 설계

    플랫폼 사용 (빠르게 굴러가길 원할 때):

    • Salesforce Agentforce: CRM 데이터와 연동된 영업·고객 에이전트 구축에 강점
    • Microsoft Copilot Studio: Office 365 생태계에 깊이 통합, 기존 M365 사용 조직에 적합
    • ServiceNow AI Agents: IT 운영 자동화에 특화
    • Anthropic Claude + MCP: 외부 도구와 연결하는 표준 프로토콜 지원, 복잡한 멀티툴 파이프라인에 유리

    스타트업이나 소규모 팀이라면 n8n, Make 같은 노코드/로우코드 자동화 도구에 AI 에이전트 블록을 연결하는 방식이 빠른 실험에 맞다. 처음부터 거창하게 시작할 이유가 없다.

    솔직하게 — 한계와 리스크

    에이전트가 만병통치약처럼 소개되는 분위기인데, 실제 한계는 분명하다. 이걸 모르고 도입하면 나중에 크게 데인다.

    • 할루시네이션 + 행동의 결합은 위험하다: 챗봇이 틀린 말을 해도 독자가 걸러낼 수 있다. 에이전트가 틀린 판단으로 실제 시스템을 건드리면 피해가 즉각적이고 되돌리기 어렵다.
    • 긴 작업 체인에서 오류가 누적된다: 10단계 작업 중 3단계에서 오류가 나면, 이후 7단계는 잘못된 전제 위에서 돌아간다. 중간 검증 포인트 없이 최종 결과물을 믿으면 안 된다.
    • 비용이 예상보다 크게 늘어난다: 에이전트는 LLM API를 반복 호출하기 때문에 작업이 복잡할수록 토큰 비용이 기하급수적으로 오른다. 월별 비용 모니터링은 선택이 아니라 필수다.
    • 프롬프트 인젝션 공격: 외부 데이터를 읽어 처리하는 에이전트는 악의적으로 조작된 콘텐츠에 속아 의도치 않은 행동을 할 수 있다. 사이버보안 관점에서 완전히 새로운 공격 벡터다.

    이런 조직이라면 지금 당장 써볼 만하다

    에이전트 도입 효과가 제대로 나오는 조직에는 공통된 조건이 있다.

    • 반복적이고 정해진 프로세스가 많은 팀 — CS, 법무 검토, 재무 리포팅
    • 이미 API로 연결된 툴스택을 갖춘 팀
    • 실험과 실패를 허용하는 문화가 있는 조직
    • 프로세스 문서화가 잘 된 팀 — 에이전트에게 가르칠 내용이 명확해야 한다

    반대로, 프로세스가 자주 바뀌거나 창의적 판단이 핵심인 업무 — 브랜드 전략, 디자인 방향성 결정 같은 것들 — 에는 아직 에이전트가 큰 힘을 발휘하기 어렵다. 도구가 좋아도 맞는 자리가 있다.

    2026년 기준으로 AI 에이전트는 “써볼 만한 실험”에서 “안 쓰면 뒤처지는 인프라”로 넘어가는 시점이다. 단, 이 흐름을 제대로 타는 방법은 작은 단위부터, 측정 가능한 목표로, 검수 가능한 구조로 시작하는 것이다. 처음부터 전사 자동화를 꿈꾸다가 프로젝트가 조용히 접히는 사례는 이미 숱하다.

    출처: MIT Tech Review AI

  • 양자컴퓨터란? 큐비트 원리부터 실용화 시점까지 솔직하게

    양자컴퓨터란? 큐비트 원리부터 실용화 시점까지 솔직하게

    IBM이 1,121큐비트 프로세서를 공개했다. 구글은 슈퍼컴퓨터가 1만 년 걸릴 계산을 200초에 끝냈다고 발표했다. 뉴스엔 자주 나오는데 막상 “그래서 뭔데?”라고 물으면 대답이 막힌다. 기술 배경 없이도 읽힐 수 있게 — 양자컴퓨터의 원리, 현재 수준, 실제 파급력을 순서대로 짚는다.

    큐비트, 일반 비트랑 뭐가 다른가

    일반 컴퓨터는 0과 1로만 처리한다. 이걸 비트(bit)라 한다. 양자컴퓨터는 큐비트(qubit)를 쓰는데, 이게 좀 이상하다. 0이면서 동시에 1일 수 있다. 이 상태를 중첩(superposition)이라 부른다.

    동전으로 생각하면 쉽다. 일반 비트는 앞면이거나 뒷면이다. 딱 둘 중 하나. 큐비트는 공중에서 회전하는 동전 같은 상태다. 바닥에 닿기 전, 앞뒤가 확정되지 않은 그 찰나. 측정하는 순간 하나로 결정된다.

    숫자로 보면 더 실감난다. 큐비트 10개면 동시에 1,024가지 상태를 처리한다. 300큐비트면 우주에 있는 원자 수보다 많은 경우의 수를 한꺼번에 계산하는 셈이다. 기존 컴퓨터가 순서대로 하나씩 처리하는 동안, 양자컴퓨터는 그 모든 가능성을 한 번에 훑는다.

    얽힘과 간섭 — 여기서 진짜 힘이 나온다

    중첩만으로는 부족하다. 양자컴퓨터의 실제 위력은 얽힘(entanglement)간섭(interference)이 합쳐져야 나온다.

    얽힘은 이렇다. 두 큐비트를 연결하면 하나의 상태가 결정되는 순간 다른 하나도 즉시 결정된다. 두 큐비트 사이의 물리적 거리와는 무관하게. 아인슈타인이 ‘유령 같은 원격 작용’이라고 부르며 불편해했을 정도니까, 직관으로 이해하기 어려운 건 당연하다.

    간섭은 연산 과정에서 틀린 답으로 가는 경로를 줄이고, 맞는 답으로 가는 경로를 키우는 역할을 한다. 파도가 만나면 사라지거나 커지듯, 양자 연산도 오답 경로를 지우고 정답 경로를 증폭시킨다. 이 둘이 없으면 양자컴퓨터는 극저온에서만 돌아가는 비싼 고철 덩어리다.

    잘하는 것과 못하는 것

    양자컴퓨터는 만능이 아니다. 아주 특정한 유형의 문제에서만 기존 컴퓨터를 압도한다.

    잘하는 것:

    • 소인수분해: RSA 암호화의 근간인 큰 수를 소수의 곱으로 분해하는 연산
    • 최적화: 변수가 폭발적으로 많은 물류 경로, 금융 포트폴리오, 신약 조합 탐색
    • 분자 시뮬레이션: 화학 반응과 소재 특성을 원자 단위로 모델링
    • 머신러닝 가속: 특정 양자 알고리즘으로 학습 속도를 높이는 연구가 진행 중

    못하는 것:

    • 웹 브라우징, 문서 작성, 동영상 스트리밍 같은 일상적 컴퓨팅 전반
    • 일반 소프트웨어 실행

    양자컴퓨터가 노트북을 대체한다는 건 오해다. 슈퍼컴퓨터처럼 특수 목적 연산 도구로 이해하면 맞다. 이 점이 가장 자주 틀리는 부분이기도 하다.

    지금 어디까지 왔나

    2019년 구글은 53큐비트 양자컴퓨터 ‘시카모어’로 슈퍼컴퓨터가 1만 년 걸릴 계산을 200초 만에 해냈다고 발표했다. IBM이 반박하긴 했다. 그래도 이 사건이 ‘양자 우위(quantum advantage)’ 논쟁의 불씨를 당겼다. 2023년 IBM이 1,121큐비트 ‘콘도르’ 프로세서를 공개하면서 경쟁은 더 가팔라졌고, 이후 여러 스타트업이 오류 보정(error correction) 기술에서 가시적인 성과를 냈다.

    현재 가장 큰 약점은 노이즈다. 큐비트는 외부 진동, 열, 전자기파에 극도로 민감하다. 계산 도중 오류가 쌓이면 결과 자체가 무의미해진다. 이걸 해결하는 게 ‘내결함성 양자컴퓨터(fault-tolerant quantum computer)’인데, 아직 이걸 본격적으로 구현한 곳은 없다. 이 오류 보정 문제를 먼저 푸는 쪽이 시장을 가져간다는 게 업계의 공감대다.

    스타트업들이 “모두를 추월하겠다”고 외치는 이유

    Ars Technica 보도를 보면, 한 양자컴퓨팅 스타트업이 기존 하드웨어 한계를 대폭 뛰어넘겠다고 선언했다. 이런 발표가 반복되는 건 구조적인 이유가 있다.

    아직 패권이 결정되지 않은 분야이기 때문이다. 초전도 큐비트(IBM·구글), 이온 트랩(IonQ·Quantinuum), 광자 기반(PsiQuantum), 위상학적 큐비트(마이크로소프트). 이 방식들이 지금 동시에 경쟁 중이다. 어느 쪽이 이길지 아무도 모른다. 미국·중국·EU 모두 양자 기술을 안보 전략 자산으로 분류하고 천문학적 예산을 쏟아붓는다. 투자자 입장에서 포지셔닝이 곧 기업 가치다. 대담한 선언은 그냥 마케팅이 아니라 전략인 셈이다.

    실질적으로 뭐가 달라지나

    제약·바이오: 신약 개발에서 분자 시뮬레이션은 슈퍼컴퓨터로도 수십 년 걸리는 계산이 있다. 단백질 접힘 문제가 대표적이다. 양자컴퓨터는 이 과정을 수년 단위로 당길 가능성을 열어둔다.

    금융: 포트폴리오 최적화, 리스크 계산, 파생상품 가격 산정. 복잡하게 얽힌 변수를 빠르게 처리하는 데 양자 알고리즘이 적합하다.

    사이버보안: 솔직히 가장 긴장되는 영역이다. 현재 RSA, ECC 같은 암호화 방식은 충분히 강력한 양자컴퓨터 앞에서 이론적으로 무너진다. 미국 국립표준기술연구소(NIST)는 2024년에 이미 ‘포스트 양자 암호화’ 표준을 발표했다. 양자컴퓨터 실용화 전에 암호 체계를 먼저 바꾸라는 경고다. 지금 당장 준비해야 하는 이유가 여기 있다.

    물류·에너지: 배송 경로 최적화, 전력망 관리처럼 변수가 폭발적으로 많은 조합 문제. 기존 컴퓨터가 근사값에 그치는 계산에서 효과를 낼 여지가 있다.

    현실적으로 언제쯤인가

    일반인이 직접 양자컴퓨터를 쓰는 날은 꽤 멀다. 전문가 다수는 내결함성 양자컴퓨터가 실용 수준에 도달하는 시점을 2030년대 중후반으로 본다. 낙관론자들도 2030년대 초반이다.

    파급은 다르다. 훨씬 빠르다. 양자 내성 암호화는 이미 금융 서비스에 적용되기 시작했고, IBM Quantum, AWS Braket, Azure Quantum 같은 클라우드 기반 플랫폼으로 연구자들은 지금도 실제 양자 하드웨어에 접근하고 있다.

    ‘아직 먼 미래 기술’로 치부하는 것도, ‘모든 걸 바꿀 혁명’으로 부풀리는 것도 둘 다 틀렸다. 특정 문제에서 슈퍼컴퓨터를 이길 도구가 조금씩 현실로 들어오고 있다. 그 속도가 예상보다 빠를 수 있다는 게, 지금 이 분야를 눈여겨봐야 하는 이유다.

    출처: Ars Technica