Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
AI의 진정한 이점은 설비 투자가 필요한 비(非)기술 산업에서 나타날 것이며, 기존 시스템에 단순히 적용하는 것만으로는 한계가 있습니다. 성공적인 변화를 위해서는 AI의 특성을 전제로 새로운 구조와 프로세스를 설계해야 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 GeekNews의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기기술 산업은 어느 산업보다 소프트웨어 중심이고 가상화된 분야라 먼저 변화하는 게 자연스러움. 다른 산업은 변화에 적응하려면 설비 투자가 필요함.
전기화도 비슷했음. 일부 산업은 빠르게 바뀌었지만, 진정한 이점이 드러나기까지는 성장이 미미한 10년가량이 걸렸음. 수력 제분소는 물레방아 자리에 전동기를 끼워 넣는다고 해결되지 않으며, 전동기의 특성과 제약에 맞춰 건물을 새로 지어야 큰 효과를 얻을 수 있음.
AI도 마찬가지로, 처음부터 AI의 장점과 한계를 전제로 설계한 공장과 기업이 실질적인 변화를 만들 것임.
다른 가능성도 있음. 소프트웨어가 LLM 코딩 에이전트에 유독 잘 맞는 분야일 수 있으며, 다른 분야에서도 똑같은 효과가 난다는 보장은 없음.
수십 년간 실수하는 인간 개발자를 돕기 위해 컴파일러, 린터, 정적 분석, 메모리 누수 탐지기, 프로파일러를 발전시켜 왔음. 이 도구들이 우연히 LLM 에이전트의 유용성을 높이고 오류를 줄이는 데도 도움이 됨.
이만큼 도구가 갖춰진 분야는 드물며, AI를 추상적으로 논하기보다 어떤 특성이 AI 활용에 유리한지 구체적으로 살펴볼 필요가 있음.
저장소 전체와 커밋 이력은 코딩 과정을 단계별로 학습할 자료가 됨. 수집한 책마다 모든 수정 이력이 들어 있거나 미술 작품마다 붓질 하나하나가 기록돼 있었다면 AI도 제법 잘했을 것임. 지금은 프로그래밍이 먼저 학습되고 있으며, 나머지는 시간이 더 필요함.
다른 지역은 모르겠지만, 캘리포니아 베이 에어리어 병원은 거의 모두 녹취와 요약 등에 AI를 사용함. 그 밖의 용도는 정확히 모르니, 녹음에 동의하기 전에 간호사의 설명을 좀 더 잘 들어야겠음.
제분소 비유는 오히려 반대쪽에 더 잘 맞음. 전동기를 축 반대편에 연결하는 건 쉽지만, 그럴 이유가 별로 없음. 기존 제분소의 입지와 장점은 저렴한 수력에 있고, 전기를 쓰려면 긴 전선부터 깔아야 하며 규모와 운영 방식도 전기 시대에 맞지 않음.
차라리 다른 장소에 새 제분소를 짓는 편이 나음. 사무용품 정도를 빼면 기존 시설에서 옮길 자산도 거의 없어 독립적으로 건설할 수 있음. 그렇다고 기존 제분소를 동시에 폐쇄할 필요는 없으며, 경제성이 사라질 때까지 운영하면 됨.
대부분의 변호사는 아직 fable과 astra ultrafast를 써보지 않았음. 써본 이들은 적어도 신입 변호사에게는 끝이 왔다고 상당히 확신하는 편임.
“컴퓨터 시대는 어디서나 확인할 수 있지만, 생산성 통계에서는 볼 수 없음.” — 1987년.
그 말을 한 사람은 책·잡지·신문의 조판 작업을 살펴보지 않은 모양임. 조판 노조가 변화에 참여하기보다 일하지 않아도 자리를 보장받는 협상을 택하면서 기술과 지식이 사라졌고, 그 결과 DTP 혁명의 조판 품질은 끔찍해졌음.
직접 참여한 프로젝트에서는 연간 간행물을 만드는 회사에 데이터베이스 기반 조판 시스템을 구축했음. 기존 인력은 관리자 3명, 전일제 조판 담당 3명, 시간제 6명이었는데, 도입 후 비싼 독점 조판 시스템의 연간 유지보수 계약을 끊고 관리자 2명, 조판 담당 1명, 시간제 절반을 해고했음. 그보다 앞서 수작업 조판·붙이기에서 첫 전자 조판 시스템으로 옮기기 전에는 인력이 훨씬 더 많았음.
AI는 서서히 변화를 만들고, 20년 뒤 돌아보면 많은 것이 크게 달라져 있을 것임. 다만 제도와 관성, 인간 심리가 속도를 제한하며, 예상하지 못한 긍정적·부정적 결과가 함께 생길 것임.
다만 1987년에는 국가급 부채와 의무 사용 계약으로 단위 경제성을 보조하고 있지는 않았음.
이 비유에서 차이가 있다면, Commodore가 1989년까지 1조 달러 기업이 되지 못하면 주식시장 전체가 무너진다는 점임.
이제 AI에 아무것도 없다고 우기는 사람은 소수임. 진짜 쟁점은 현재 진행 중인 대규모 투자가 어떻게 귀결될지임.
AI가 내 업무의 매 순간을 완전히 바꿨지만, 상위 수준에서 업무 자체는 크게 달라지지 않았음. 빨라지지 않는 부분에 암달의 법칙을 적용하면 전체 개선 폭을 2~2.5배 이상으로 잡기 어려움.
단위 테스트, 지속적 통합 테스트, 풀 리퀘스트 검토, 그리고 AI가 직접 행동하는 대신 검토 가능한 코드를 만든다는 특성이 없다면 실제 업무를 맡기기 어려울 것임. 이런 안전장치가 있어도 자주 부딪히고 상당히 나쁜 결정을 내려서 손을 놓을 수 없음. 소프트웨어에서는 판도를 바꾸지만, 안전망이 부족한 분야라면 훨씬 더 조심할 것임.
놀라운 수학 증명도 비용과 엄청난 시행착오를 고려하면 소프트웨어처럼 검증 장치가 잘 갖춰진 분야의 성과로 보임. 최종 해답에 도달한 성과는 인정하지만, 수학이나 소프트웨어만큼 합격 기준이 명확하지 않은 분야에서는 여전히 크게 불리함.
전통적인 사업과 맞닿은 기술 직무에서 일하는데, 소프트웨어 밖의 자동화 가능성은 아직 표면도 제대로 긁지 못했음. 처음 경영진이 AI를 원할 때는 모델이 겉보기만 인상적이고 실속이 부족했지만, 이제는 오히려 지난 1년간의 개선 폭을 과소평가하는 듯함. 자동화할 수 있는 일이 아주 많음.
1조 달러를 빌려 원가 1센트짜리 아스피린 제조기를 만들고 1달러짜리 복제약과 경쟁한다면, 판매가는 99센트로 정할 유인이 강함. 생산성 향상이 보이지 않는 건 이득 대부분을 AI 기업이 매출로 가져가기 때문임.
OpenAI 등이 원하는 건 토큰 지출을 기존 인건비에 거의 맞추고, 고객의 생산성은 기존보다 아주 조금만 높이는 것임. 생산성 10배를 원하면 토큰에 9.9배를 쓰라는 식임.
이들의 사업은 독점적 통제와 지대 추출이며, 연구개발의 혁신도 그 목적에 종속됨. 고객에게 생산성 향상으로 새어 나가는 이득은 이들에게는 잃어버린 이익임.
벌써 성과가 나타나야 할 이유를 모르겠음. 많은 소프트웨어 기업이 채용 없이 산출량을 늘렸지만, 기능이 늘어난 소프트웨어가 경제 전반의 생산성을 즉시 높이지는 않음. 코딩을 크게 가속할 만한 모델을 쓸 수 있게 된 것도 2026년 초부터라, 아직 첫 물결의 극초기라고 느낌.
전자상거래와 비교하면 Amazon의 매출은 상장한 1997년에 1억 4,800만 달러로 Walmart의 0.14%였고, 2000년에도 16억이 아닌 27억 6,000만 달러로 1.65%에 불과했음. 오프라인 유통이 영향을 체감하기 시작한 건 아마 Walmart 매출의 11%를 넘긴 2011년쯤이며, 추월은 2025년에야 이뤄졌음.
전자상거래 기술 현장에서는 2007년에도 열기가 뜨거웠지만, 당시 전체 소매업에서 차지하는 비중은 약 4%였음. 지금 소프트웨어에서 벌어지는 놀라운 변화도 경제 전반으로 퍼지려면 여러 해가 걸릴 것임.
교육만 봐도 학생들에게 컴퓨팅 기기를 지급한 지 오래고 교육비는 매년 오르는데 성적은 계속 하락함. 생산성 향상이 보이지 않으며, 교육만의 현상도 아닐 것임. 많은 기업에서도 전체 판도를 바꾸기에는 부족한 소폭의 효율 개선만 생길 수 있음.
최근 1970년대 소외된 청소년, 이를테면 범죄 후 교정 시설에 수용된 아이들에 관한 책을 봤는데, 말하는 수준이 오늘날 평균적인 교육받은 성인보다 높았음. 1950년대에는 표현과 인격에 대한 사회적 기대가 훨씬 깊었고, 1980년대 이후 삶이 편안해지고 오락 중심이 되면서 점차 흐려진 듯함.
교육계는 아이들이 기분 나빠하면 안 된다는 이유로 반세기 이상 진학 기준과 교육 수준을 낮춰 왔음. 머신러닝이 뜨기 직전에 미적분, 선형대수, 행렬 연산을 교육과정에서 밀어내고 있었다는 건 지독한 역설임.
AI를 적용해도 교육 성과가 나아지지 않는 게 가장 속상함. Salman Khan조차 풀지 못했다는 데서 위안을 찾아야 할지도 모르겠음. 학생별 맞춤 학습 계획을 세우고, 이해할 때까지 온갖 접근법을 인내심 있게 시도하는 AI 교사는 정말 매력적인 구상임. 우리 아이 둘도 수업을 방해하거나 의욕 없는 학생이 거의 없는 학교에서조차 획일적인 진도를 답답해했음.
개인용 컴퓨팅 50년 동안 어떤 형태로든 컴퓨터가 학생의 학업 성취를 높였다는 근거가 있는지 궁금함. AI는 학생들의 역량을 훨씬 떨어뜨리는 것처럼 보임.
“AI는 책임, 신뢰, 문화, 불문율, 윤리적 절충, 공정성을 이해하지 못하며, 이것들이 평판 위험과 매출 성장, 이익률을 좌우함.” 잠깐 사모펀드 이야기인 줄 알았음.
사모펀드는 그걸 아주 잘 이해할 것임. 무엇을 파괴해야 하는지 알기에 그렇게 큰 수익을 올리는 것임.
소프트웨어에서는 테스트 모음을 검증 관문으로 삼을 수 있어서 비결정적 시스템을 활용할 수 있음. 다른 산업에서는 AI가 엉터리 결과를 내는지 사람이 직접 검증해야 하니, 직접 처리하는 것보다 비싸고 느려짐.
그래도 Tesla는 멈추지 않았음. 자율주행차의 제어 장치를 신경망에 직접 연결해 작동시킴.
사람이 수행하는 업무 중에는 피드백이 없거나 늦게 오는 일이 많음. AI 출력을 감사하거나 검증할 수 있어도, 다른 사람에게 전달됐을 때 좋은 결과를 낼지는 알 수 없음.
테스트만으로 신뢰성을 보장하기에는 검증 범위가 턱없이 부족함. 테스트로 충분히 보장되는 시스템이라면 AI 사용 여부가 별로 중요하지 않을 만큼 단순한 것임.
직장에서 CoPilot으로 수표와 청구서 스캔 파일 이름 변경을 자동화하려 했음. 개인정보가 남지 않도록 MICR 계좌번호 줄을 펜으로 가린 뒤, 한 번에 20개씩 내용을 읽고 파일 이름을 바꾸는 .bat 명령을 만들게 했음. 기존에는 50개씩 열어 청구서 번호로 저장하고, 데이터베이스의 나머지 정보를 반영하는 .bat 파일을 실행해야 했음.
하지만 실패율이 높아 20개를 넣어도 명령이 15줄 이하만 나오곤 했음. 대화가 길어질수록 실패율이 높아져 바로 삭제하고 재시작했는데도, 결국 Microsoft가 추가 업로드를 제한했음.
지금은 CoPilot 접근 권한이 없어지고 시험 프로그램이 끝나기를 기다리는 중임. 토큰을 얼마나 썼는지, 충분히 빠르고 정확하게 처리할 로컬 모델이 있는지 궁금함.
Medicare에 가입한 80세 친구가 보험사에서 지급을 거부한 3만 달러 병원비 때문에 손으로 이의 신청서를 썼고, 이를 보기 좋은 문서로 만들려고 스캔해 AI에 텍스트 변환을 맡겼음. Gemini와 Perplexity에서는 안 됐지만 Co-Pilot에서는 성공해서 시간을 많이 아꼈음.
SAP에서 프로젝트 관리자로 일하는 다른 친구는 회사가 보너스까지 주며 모든 일에 AI를 쓰라고 하는 걸 싫어함. 그래도 실제로 써봐야 되는 일과 안 되는 일을 알 수 있으니, 회사가 강요하는 이유도 어느 정도 이해됨.
아직은 AI 자체의 능력 부족, 어떤 앱이 적합한지 모르는 사용자의 탐색 비용, 적절한 프롬프트 작성이 걸림돌임. 업무마다 효과적인 요청법을 배워야 하므로 발전은 점진적일 수밖에 없음.
기업 영업이 여러 조직에 모든 AI의 수준이 비슷하다고 믿게 만든 듯함. 최첨단 모델 개발사 사이에도 차이가 있으니 각자의 장점을 활용해야 함.
이 작업에는 LLM보다 전문 모델이 적합함. 정확도가 훨씬 높고 결과를 빠짐없이 내는 모델이 있으니, OCR 생태계에서 최신 도구를 찾아보면 좋겠음.
번역가들이 많이 일자리를 잃었다고 들었는데, 이것이 비용 절감으로 이어지지 않았다고는 상상하기 어려움.