해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
최근 AI의 성장을 두고 “속도를 늦춰야 한다”는 주장과 “시장에 맡겨야 한다”는 주장이 맞서고 있습니다. 그런데 제품과 서비스를 만드는 입장에서는 조금 다른 질문도 필요하지 않을까 하는 생각이 들었습니다.
AI는 신발과 비슷합니다. 더 멀리 더 편하게 갈 수 있게 해주지만, 익숙해질수록 이전에는 스스로 해오던 일의 일부를 도구에 의존하게 됩니다. 하지만 이게 꼭 나쁘다는 건 아닙니다. 이전에는 하기 어려웠던 일까지 가능하게 해주기도 하기 때문입니다. 그럼에도 우리는 신발이 어디까지나 도구라는 점을 잊으면 안 됩니다. 신발이 저절로 사람을 옮겨다 주지는 않습니다. 이동하겠다는 인간의 의지가 있을 때 비로소 신발의 힘은 빛을 발합니다.
이번 글에서는 AI의 발전 속도보다 ‘도구의 쓰임새와 인간의 사유’라는 관점에서 신발에 빗대어 생각해 봤습니다.
신발로 생각해 보는 AI 시대, 우리의 자세
해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
AI 시대의 일자리 문제를 보면 자꾸 “인간과 AI 중 누가 더 효율적인가?”라는 질문으로 흘러갑니다. 그런데 최근 아마존, 메타, 현대자동차의 사례를 함께 놓고 보니 조금 다른 기준이 필요하다고 느꼈습니다.
아마존은 AI 자동화 과정에서 예상하지 못한 비용이 발생했고, 메타는 코드 생산량이 늘었지만 그만큼 사용자 가치가 증가하지는 않았습니다. 반면 현대자동차는 피지컬 AI와 로보틱스 도입을 추진하면서도 생산 인력 충원과 노사 공동 대응을 함께 논의하고 있습니다.
결국 중요한 것은 AI를 얼마나 빨리 도입하느냐가 아니라, '문제가 생겼을 때 조직이 얼마나 다시 회복할 수 있느냐.'입니다. 그래서 이번 글에서는 AI 전환의 기준을 ‘회복 탄력성’으로 잡아봤습니다. AI가 실패했을 때도 핵심 기능을 유지할 수 있는가, 인간이 다시 개입할 수 있는가, 기존의 숙련과 판단 능력이 조직 안에 남아 있는가.
이런 조건을 유지할 수 있는 범위의 AI 전환이라면 기업, 노동자, 국가 모두 함께 갈 수 있지 않을까요?
해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
AI 서비스에서 ‘생성’과 ‘배포’를 나눠봐야 하는 이유
최근 앤트로픽이 Claude가 생성에 관여한 텍스트를 판별하기 위한 워터마크를 도입하면서 여러 논쟁이 이어지고 있습니다.
저는 이 문제를 보면서 정책이나 규제보다 먼저 AI 서비스가 사용자의 ‘생성’과 ‘배포’를 어떻게 구분해야 하는가라는 제품 관점의 질문이 들었습니다. AI는 사용자가 높은 수준의 글과 이미지, 음악, 영상을 만드는 장벽을 크게 낮췄습니다. 그리고 SNS와 플랫폼은 그렇게 만들어진 결과물을 사회에 공개하는 장벽까지 낮췄습니다.
그런데 지금 우리는 이 두 행동을 여전히 하나의 ‘표현’이라는 개념 안에서 다루는 경우가 많습니다. 저는 이를 다음과 같이 구분해볼 필요가 있다고 생각합니다.
표현의 자유 = 생성의 자유 + 배포의 자유
개인이 AI를 이용해 무엇인가를 만들어보는 것과, 그 결과물을 공개해 다른 사람에게 영향을 미치는 것은 제품 관점에서도 다른 상태입니다. 이런 관점으로 접근하면 AI 서비스가 설계해야 할 책임 역시 달라집니다. 사용자가 생성한 결과물을 어디까지 사적인 영역으로 보호할 것인지, 사용자가 공개를 선택하는 순간 어떤 안내와 책임 구조가 필요한지, 서비스가 의도하지 않은 배포를 어떻게 방지할 것인지, 그리고 실제 문제가 발생했을 때 사용자의 선택과 플랫폼의 관리 책임을 어떻게 구분할 것인지가 각각 다른 UX와 시스템 문제로 나뉩니다.
앤트로픽의 워터마크에 대한 저의 개인적인 생각에서 시작해 표현의 자유를 넘어 구조적 접근을 통한 사용자, 기업, 행정부, 사법부, 입법부의 관점을 정리해 봤습니다.
AI 시대, 다시 정의되어야 할 표현의 자유
해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
생성형 AI의 가장 성공적인 UX는 텍스트 챗봇이었습니다.
사용자가 입력하고, 전송 버튼을 누르고, AI가 답변을 생성한 뒤 다시 사용자가 입력하는 구조입니다. 텍스트 환경에서는 매우 자연스럽고 성공적인 방식이었습니다. 문제는 이후 음성 AI 역시 이 구조를 그대로 이어받았다는 점입니다. 사용자의 음성을 STT로 바꾸고, LLM이 처리한 뒤, 다시 TTS로 읽어주는 방식입니다. 즉 인간의 대화를 처음부터 다시 설계했다기보다, 성공한 챗봇의 입구와 출구만 음성으로 바꾼 셈입니다.
하지만 실제 인간의 대화는 다릅니다. 우리는 상대가 말하는 동안에도 듣고, 필요한 순간에는 말을 시작합니다. 동시에 표정과 시선, 몸짓도 함께 받아들입니다. 귀는 계속 듣고, 입은 필요한 순간에 말하며, 눈은 계속 봅니다.
그렇다면 지금의 AI 기업들은 기존 챗봇 구조의 한계를 넘어, 인간의 대화 UX를 다시 기술 안에 담기 위해 어떤 움직임을 보이고 있을까요? 이번 글에서는 최근의 실시간 AI 흐름을 보며, 기술이 아니라 인간의 대화 UX에서 다시 출발해야 하는 이유를 정리했습니다.
왜 AI는 이제서야 진짜 대화를 시작할까?
https://cfono1.tistory.com/1450
해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
피지컬 100에서 평가는 순위를 만들지만, 피지컬 아시아에서는 같은 평가가 역할을 만들 수 있습니다.
최근 독자 AI 파운데이션 모델, 이른바 ‘독파모’의 2차 평가 결과를 보면서 흥미로운 점이 하나 있었습니다.
글로벌 벤치마크, 국내 벤치마크, 전문가 평가, 전문 사용자 평가, 일반 국민 평가까지 기준에 따라 서로 다른 팀이 강점을 보였습니다. 모든 영역에서 압도적인 한 팀이 있었던 것이 아니라, 각 팀이 잘하는 것이 달랐습니다. 그런데 최종적으로는 이 결과를 하나의 종합점수로 합산해 다시 순위를 정합니다.
저는 이 장면을 보며 넷플릭스의 〈피지컬 100〉과 〈피지컬 아시아〉가 떠올랐습니다. 피지컬 100의 평가는 결국 가장 강한 한 사람을 찾기 위한 과정입니다. 근력, 지구력, 민첩성처럼 서로 다른 능력을 평가하더라도 마지막에는 하나의 순위를 만들어야 합니다.
반면 피지컬 아시아처럼 팀으로 경쟁하면 같은 평가는 전혀 다른 의미를 가집니다. 누가 가장 강한가가 아니라, 누가 무엇을 가장 잘하는가를 발견하는 것. 근력이 필요한 미션에는 근력이 강한 사람을, 지구력이 필요한 미션에는 지구력이 강한 사람을 배치합니다. 이때 평가는 탈락자를 정하는 수단이 아니라 역할과 조합을 설계하는 정보가 됩니다.
독파모 역시 벤치마크, 기술 독자성, 한국어 성능, 산업 적용, 사용자 경험, 생태계 확장성처럼 다양한 기준을 이미 가지고 있습니다. 문제는 이 다양한 평가 결과를 모두 하나의 종합점수로 압축해 ‘최후의 한 팀’을 찾는 데 사용한다는 점입니다.
특정 영역에서 세계 수준의 가능성을 가진 팀이 있더라도 다른 항목의 약점은 그대로 감점 요소가 됩니다. 반대로 여러 항목에서 고르게 좋은 평가를 받은 팀은 올라운드 플레이어에 가까워집니다. 하지만 글로벌 AI 경쟁에서도 가장 균형 좋은 한 팀이 반드시 가장 강한 팀이 되는 것은 아닙니다. 어떤 팀은 모델 성능과 기술 독자성에서 강할 수 있고, 어떤 팀은 한국어와 산업 적용에서, 또 다른 팀은 사용자 경험이나 생태계 구축에서 더 높은 경쟁력을 만들 수 있습니다.
그렇다면 평가는 순위를 만드는 데만 사용할 것이 아니라, 각 팀이 어디에서 가장 강한지를 발견하고 그 역할을 설계하는 데에도 사용할 수 있습니다.
피지컬 100에서 평가는 순위를 만듭니다.
피지컬 아시아에서 평가는 역할을 만듭니다.
이 차이는 국가 AI 전략에만 해당하지 않습니다. 제품과 조직에서도 우리는 여러 역량을 평가합니다. 문제 해결 능력, 실행력, 커뮤니케이션, 전문성, 리더십처럼 다양한 기준을 만들고 사람을 바라봅니다. 그런데 그 결과를 하나로 합쳐 가장 균형 좋은 사람을 찾기 시작하면, 특정 영역에서 압도적인 강점을 가진 사람의 가치가 오히려 희석될 수 있습니다.
좋은 팀을 만드는 일은 모든 약점이 없는 사람을 모으는 것이 아니라, 서로 다른 강점을 가진 사람들이 각자의 역할에서 가장 큰 힘을 내고 서로의 약점을 보완할 수 있도록 구조를 설계하는 일입니다. 결국 독파모에서 던진 질문은 국가 AI 전략을 넘어 제품과 조직을 설계하는 방식에도 이어집니다. 평가의 목적이 무엇인지에 따라 같은 사람과 같은 데이터에서도 전혀 다른 팀이 만들어질 수 있습니다.
원문에서는 이 관점을 글로벌 AI 경쟁까지 확장해, ‘피지컬 100의 우승자’를 만드는 전략과 ‘피지컬 아시아의 우승팀’을 만드는 전략의 차이를 살펴봤습니다.
해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
빠르게 변하는 AI 기술이 안정적인 금융자산의 전제가 될까?
AI 인프라를 볼 때 보통 GPU 성능, 데이터센터 규모, 전력 효율 같은 기술 지표를 먼저 봅니다.
그런데 최근 NVIDIA와 월가의 협업 구조를 보면서, 기술 인프라가 금융 자산으로 바뀌기 시작할 때 우리가 봐야 할 범위도 달라져야 한다고 생각했습니다. GPU는 이제 단순한 반도체가 아니라 데이터센터, 장기 사용계약, 전력계약, 리스, 프로젝트 파이낸싱과 결합되며 하나의 투자 가능한 자산군처럼 다뤄지기 시작하고 있습니다.
문제는 GPU가 금이나 부동산처럼 장기간 가치가 안정적인 자산이 아니라는 점입니다. 차세대 GPU, NPU, ASIC, 소형 모델, 알고리즘 최적화가 등장하면 경제적 가치는 빠르게 재평가될 수 있습니다. 그런데 이런 기술 자산 위에 부채와 장기 계약이 계속 쌓이면 흥미로운 역설이 생깁니다.
처음에는
“AI가 성장하니 더 투자한다.”
였던 구조가 어느 순간
“투자를 멈추면 기존 자산 가치가 흔들리니 계속 투자해야 한다.”
로 바뀔 수 있습니다.
특히 추론 중심 시장으로 이동하면서 고전성비 NPU나 ASIC의 비중이 커지거나, 더 작은 모델로 같은 서비스를 제공할 수 있게 된다면 기존 GPU 인프라의 경제성은 달라질 수 있습니다. 여기서 제가 흥미롭게 본 것은 기술의 변화 속도와 금융이 요구하는 가치의 안정성이 서로 다른 방향을 바라본다는 점입니다.
기술은 더 나은 대안이 등장하면 빠르게 이동하려 합니다. 반면 그 기술을 담보로 장기 부채와 계약이 쌓인 금융 구조는 기존 자산의 가치가 오래 유지되기를 원합니다. 두 흐름이 깊게 결합될수록 새로운 기술이 등장했을 때 단순히 “더 좋은 기술로 바꾸면 된다”는 선택도 점점 어려워질 수 있습니다.
그래서 AI 인프라를 설계하고 투자할 때는 현재의 Compute 성능과 비용뿐 아니라,
“이 기술의 경제적 전제가 바뀌었을 때도 지금의 투자와 계약 구조가 버틸 수 있는가?”
까지 함께 봐야 하지 않을까 생각했습니다.
AI Compute가 점점 거대한 산업 인프라가 되어 더 많은 자본을 흡수할수록, 기술 선택이 만들어내는 금융 구조의 변화를 더욱 주의 깊게 살펴봐야 할 것 같습니다.
해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
AI 제품에서 모델 크기를 정하는 기준은 무엇이어야 할까?
AI 모델은 빠르게 작아지고 있습니다.
지식 증류(Distillation), MoE, 파라미터 효율화 같은 기술 덕분에 더 적은 자원으로도 대형 모델에 가까운 성능을 내는 사례가 늘고 있습니다. 이 흐름을 보면서 한 가지 질문이 들었습니다.
“AI 제품에서 모델 크기를 정하는 기준은 무엇이어야 할까?”
작은 모델이 큰 모델과 비슷한 벤치마크 점수를 낸다면 그것은 분명 중요한 성과입니다. 다만 현재의 평가 환경에서 비슷한 점수를 냈다는 사실이, 모든 문제 상황에서 같은 수준의 대응 범위와 사고 깊이를 가진다는 뜻은 아닐 수 있습니다. 일상적인 문제에서는 차이가 거의 드러나지 않더라도, 희귀한 예외 상황이나 새로운 맥락, 멀리 떨어진 지식을 연결해야 하는 문제에서는 그 차이가 더 크게 나타날 수도 있습니다. 저는 이런 차이를 편의상 ‘사고 해상도(Reasoning Resolution)’라고 생각해봤습니다.
그래서 제품에서 모델을 선택할 때는 단순히 “가장 큰 모델을 쓸 것인가, 가장 작은 모델을 쓸 것인가”보다,
문제의 성격 → 필요한 사고 깊이 → 필요한 사고 해상도 → 적절한 모델 자원
순서로 접근하는 것이 더 중요하다고 생각합니다.
예를 들어 의료 · 법률 · 코딩처럼 문제 영역이 비교적 명확한 Specialist AI라면, 특정 능력에 집중한 작은 모델이 훨씬 효율적인 선택이 될 수 있습니다. 반대로 사용자의 일상처럼 다음 순간 어떤 문제가 등장할지 모르는 Generalist AI라면, 자주 사용되지 않는 능력까지 어느 정도 유지하는 것이 범용성의 일부가 될 수 있습니다.
결국 중요한 것은 가장 강한 모델을 쓰는 것도, 가장 작은 모델을 쓰는 것도 아닙니다.
각 문제에 필요한 수준의 지능을 정확히 배당하는 것.
AI가 효율의 경쟁으로 이동할수록, 모델 자체의 성능만큼이나 이런 ‘지능 배당’의 설계가 중요해질 것 같습니다.
해례
AI · IT · UX를 이야기 합니다. https://cfono1.tistory.com
자동차는 10년 쓰는데, AI 컴퓨터도 붙박이여야 할까? - Pleos OS를 보며 든 생각
이번 신형 아반떼를 보다가 한 가지 질문이 생겼습니다.
자동차는 10년 이상 쓰는데, 그 안에 들어가는 고성능 컴퓨터와 AI도 같은 수명으로 묶어두는 것이 맞을까?
Pleos 같은 차량용 OS가 단순한 인포테인먼트를 넘어 자동차를 하나의 이동 에이전트로 바꾸려 한다면, 결국 차량 안에는 더 강한 컴퓨팅 자원이 필요해집니다. 문제는 차체와 컴퓨팅 하드웨어, AI가 서로 완전히 다른 시간으로 움직인다는 점입니다.
Body lifetime ≠ Compute lifetime ≠ AI lifetime
차체는 10~15년을 사용할 수 있지만, 컴퓨팅 모듈은 3~6년 사이에 성능 한계가 올 수 있고, AI는 그보다 훨씬 빠르게 변화합니다. 이 셋을 하나의 붙박이 구조로 강하게 묶으면, 가장 빨리 늙는 컴퓨터가 자동차 전체의 디지털 수명을 결정하게 됩니다.
그래서 저는 Pleos를 단순한 차량용 OS보다 교체 가능한 컴퓨팅과 AI를 받아들이는 플랫폼으로 생각해볼 수 있지 않을까 싶었습니다. 차량에는 안전 제어, 기본 네트워크, 필수 기능처럼 오래 유지해야 할 영역을 남기고, 빠르게 변화하는 컴퓨팅과 AI 계층은 교체 가능한 구조로 분리하는 것입니다.
그렇게 되면 질문도 달라집니다.
“어떤 AI나 반도체가 미래의 승자가 될까?”를 맞히는 대신,
“어떤 기술이 승자가 되더라도 우리 제품 안으로 받아들일 수 있는 구조인가?”
를 설계하게 됩니다.
이 관점은 자동차만의 문제는 아닌 것 같습니다. 로봇, 스마트 디바이스, 산업 장비처럼 물리적 제품의 수명과 소프트웨어 · AI의 변화 속도가 다른 제품이라면 비슷한 고민을 만나게 됩니다. 제품을 설계할 때 중요한 것은 무엇을 더 넣을 것인가만이 아니라, 무엇을 오래 묶어두고 무엇을 교체 가능하게 분리할 것인가일지도 모릅니다.
Pleos가 현대 · 기아차 내부의 기능을 넘어 하나의 플랫폼으로 성장한다면, 그 경쟁력 역시 더 많은 것을 직접 소유하는 데서 나오기보다 Physical Body와 Compute, AI 사이의 결합 규칙을 얼마나 잘 설계하느냐에서 나올 수 있다고 생각했습니다.
원문에서는 이 생각을 아반떼의 가격 문제에서 시작해 Pleos Plug-in, 외부 OEM 생태계, 인도 시장, 플랫폼 거버넌스와 Physical AI까지 확장해 정리했습니다.