Google-A24 AI 파트너십 투자: 모든 프론티어 랩을 앞지른 7,500만 달러 규모의 데이터 전략

원문은 twarx.com에서 처음 게시되었습니다 - 전체 인터랙티브 버전은 그곳에서 읽어보세요.

최종 업데이트: 2026년 6월 22일

Google-A24 AI 파트너십 투자는 Google이 영화에 투자하는 것이 아닙니다. 이는 Google이 지구상에서 가장 감정적으로 미묘하고 맥락적으로 풍부한 AI 학습 환경에 대한 접근권을 구매하는 것이며, 다른 모든 프론티어 (Frontier) AI 랩들은 방금 추월당했습니다. 여기서 목적지는 할리우드가 아닙니다. 바로 데이터입니다.

Wall Street Journal의 보도에 따르면, Google은 AI 연구 파트너십의 일환으로 Backrooms, Everything Everywhere All at Once, _Hereditary_를 제작한 스튜디오인 A24에 약 7,500만 달러를 투자하고 있습니다. 이는 Google이 영화 스튜디오에 지분을 투자하는 첫 사례입니다. 그리고 타이밍이 매우 치명적입니다. OpenAI, Meta, Adobe가 모두 크리에이티브 AI (Creative-AI)의 발판을 마련하기 위해 서두르고 있는 와중에 이루어졌으며, 그들 중 누구도 Google이 방금 보여준 방식과 같은 구조로 움직이지 않았습니다.

이 글을 끝까지 읽으시면 정확한 거래 조건, 기술적 아키텍처 (Architecture), 구축 중인 도구, 비용, 승자와 패자, 그리고 이에 대해 어떻게 대응해야 하는지를 이해하게 될 것입니다. 또한 제가 직접 테스트를 수행했기 때문에 기술이 여전히 어디에서 무너지는지도 정확히 보여드리겠습니다.

Google and A24 AI research partnership visualized with film production pipeline and Gemini model integration

Google–A24 AI 파트너십은 프론티어 모델 인프라 (Frontier model infrastructure)를 실제 영화 스튜디오 파이프라인 (Pipeline)에 직접 내장하며, 이것이 서사 학습 루프 (Narrative Training Loop)의 핵심 메커니즘입니다. 출처

명명된 프레임워크 (Coined Framework)

내러티브 트레이닝 루프 (The Narrative Training Loop) — AI 기업들이 크리에이티브 스튜디오 내부에 자리 잡음으로써, 기업용 데이터셋(Enterprise datasets)으로는 근본적으로 복제할 수 없는 고충실도(High-fidelity) 및 정서적 복잡성을 지닌 인간의 스토리텔링 파이프라인을 훈련 데이터 환경으로 활용하는 전략적 모델

이는 중소 규모의 인디 스튜디오에 투입된 7,500만 달러 규모의 수표가 실제로는 프론티어 모델 (Frontier-model) 전략인 이유를 설명합니다. 기업용 데이터는 모델에게 계약서를 요약하는 법을 가르칩니다. 반면, 영화 스튜디오는 관객이 왜 눈물을 흘리는지를 가르칩니다. 그리고 그 신호(Signal)는 스크래핑(Scraping)하거나 합성(Synthesize)할 수 없습니다.

Google의 A24 AI 파트너십 투자에서 정확히 무엇을 발표했는가?

Google-A24 AI 파트너십 투자의 공식 조건: 7,500만 달러, 지분 (Equity stake), 그리고 구조

WSJ 독점 보도에 따르면, Google은 '인공지능 연구 파트너십의 일환으로 해당 영화사에 약 7,500만 달러를 투자하고 있습니다.' 이 문장에는 세 가지 확인된 사실이 포함되어 있습니다: 금액 (~7,500만 달러), 수단 (A24에 대한 지분 투자), 그리고 의도 (AI R&D 파트너십)입니다. 이 세 가지 사실을 제외한 본 기사의 모든 내용은 분석 또는 전망으로 명확히 분류되어 있습니다.

2022년 보고된 A24의 25억 달러 기업 가치와 비교했을 때, 7,500만 달러의 수표는 약 3%의 지분을 의미합니다. 이는 인수가 아닌 소수 지분 (Minority position) 보유를 뜻합니다. 이 점이 중요합니다. Google은 창작에 대한 통제권을 가져가지 않으면서도, 정렬된 인센티브 (Aligned incentives)와 협상 테이블에서의 자리를 확보하게 됩니다. 이는 제약이 아니라 의도된 구조입니다.

공식 출처: WSJ 독점 보도, Variety, 그리고 업계 확인

이 이야기는 WSJ 독점 보도를 통해 처음 알려졌으며, Variety, The Hollywood Reporter와 같은 엔터테인먼트 전문 매체 및 기술 매체들을 통해 후속 보도가 이어졌습니다. 모든 보도에서 반복된 프레임은 바로 '사상 최초(first-of-its-kind)'라는 점입니다. 프론티어 AI 랩(frontier AI lab)이 영화 제작 도구(filmmaking tooling)를 공동 개발하기 위해 구체적으로 지분(equity stake)을 확보한 전례는 이전까지 없었습니다. 그러므로 해당 프레임은 정확합니다.

타임라인 및 주도 세력

이번 투자는 우선 내부 R&D 파트너십(R&D partnership) 형태로 구조화되었습니다. Google DeepMind 프로젝트를 통해 보여준 Google의 역사적인 연구-제품화 주기(research-to-product cadence)를 고려할 때, 제품화된 결과물이 나오기까지는 12~24개월 정도 소요될 것으로 예상됩니다. Google 측에서는 모델 연구를 위한 DeepMind와 전달 인프라(delivery infrastructure)를 위한 Google Cloud / Vertex AI가 기술적 역량(technical muscle)을 거의 확실히 담당할 것입니다. A24는 자사의 크리에이티브 파이프라인(creative pipeline)과 130개 이상의 영화 라이브러리를 제공합니다. 이러한 비대칭성은 의도된 것입니다. A24는 여기서 단순한 벤더(vendor)가 아니라, 하나의 랩(lab) 역할을 수행합니다.

$75M
A24에 대한 Google의 투자
[WSJ, 2026](https://www.wsj.com/tech/ai/google-investing-in-backrooms-studio-a24-e7585ebe)
...

Google-A24 AI 파트너십 투자는 실제로 어떻게 작동하는가?

라이선스 계약이 아닌 양자 간 R&D 파트너십

할리우드 AI 관련 이야기의 대부분은 라이선스 계약(licensing deals)입니다. 즉, 스튜디오가 API 접근 권한을 임대하고, 랩은 보도 자료에 로고를 올리는 식이며, 그 후 모두 각자의 길을 갑니다. 하지만 이번 건은 구조적으로 다릅니다. A24는 자사의 제작 파이프라인(production pipeline)을 살아있는 실험실(live laboratory)로 제공합니다. Google은 모델 인프라(model infrastructure)와 연구 인재를 제공합니다. 이 파트너십은 영화 제작의 모든 단계, 즉 프리 프로덕션(pre-production) 시나리오 작성, 시각 효과(visual effects) 생성, 포스트 프로덕션(post-production) 편집, 그리고 배급 분석(distribution analytics)을 목표로 합니다. 핵심 단어는 '기여(contributes)'입니다. 양측 모두 대체 불가능한 무언가를 제공하고 있습니다.

스튜디오가 독보적으로 가치 있는 AI 랩인 이유

이것이 바로 **서사적 학습 루프 (Narrative Training Loop)**의 핵심입니다. 프론티어 비디오 및 멀티모달 모델들은 잔혹한 벽에 부딪혔습니다. 바로 장편 영화 길이에서의 서사적 일관성 (narrative coherence) 문제입니다. 아주 화려한 8초짜리 클립은 생성할 수 있습니다. 하지만 캐릭터의 감정적 논리, 조명의 연속성, 그리고 동기가 모두 유지되는 90분짜리 영상은 아직 생성할 수 없습니다. 모델에게 특정 장면이 왜 효과적인지를 가르치는 데이터는 감독의 노트, 편집 결정 목록 (edit decision lists), 3번, 7번, 12번 테이크가 왜 버려졌는지에 대한 이유 등 인간의 창의적 파이프라인 안에 갇혀 있습니다. 이는 그 어떤 기업용 코퍼스 (enterprise corpus)에도 존재하지 않습니다. 존재할 수도 없습니다.

Hugging Face의 AI 연구원이자 기후 부문 책임자인 Sasha Luccioni 박사는 The Guardian과의 인터뷰에서 데이터 부족 문제를 직설적으로 언급했습니다: '우리는 이러한 모델을 학습시킬 고품질 데이터가 고갈되고 있으며, 이는 실질적인 제약 사항입니다.' 그 제약 사항에 대한 해답을 제시하는 것이 바로 스튜디오 파이프라인입니다. 더 많은 스크래핑된 텍스트가 아니라, 다른 어디에도 존재하지 않는 라벨링된 인간의 창의적 판단을 통해서 말입니다.

기업 데이터는 모델에게 계약서를 요약하는 법을 가르칩니다. 영화 스튜디오는 모델에게 관객이 왜 숨을 죽이는지를 가르칩니다. 생성형 AI (generative AI)에서 해결되지 않은 문제는 오직 후자뿐입니다.

Google이 구매한 진짜 자산은 A24의 카탈로그가 아닙니다. 그것은 바로 A24의 거부 데이터 (rejection data), 즉 버려진 테이크, 컷, 그리고 시나리오 초안들입니다. 이러한 부정적 신호 (negative signal)는 RAG 파이프라인이나 합성 데이터셋 (synthetic datasets)이 근본적으로 복제할 수 없는 것입니다.

예상되는 기술적 토대

Google DeepMind의 멀티모달 스택(multimodal stack) — 언어와 추론을 위한 Gemini, 비디오 생성을 위한 Veo — 은 A24의 워크플로우에 진입하는 명백한 토대입니다. 이는 실제 생물학 연구소와 함께한 DeepMind의 AlphaFold 작업의 논리를 반영합니다. 즉, 모델을 도메인 전문가 환경(domain-expert environment) 내부에 배치하여, 합성 데이터(synthetic data)가 이미 포화시킨 벤치마크 상한선을 넘어 능력을 확장하는 것입니다. AlphaFold에는 실제 단백질이 필요했습니다. Gemini에는 실제 이야기가 필요합니다.

서사 학습 루프(The Narrative Training Loop): A24의 파이프라인이 Google의 모델을 학습시키는 방법

  1

    **A24 크리에이티브 파이프라인 (입력 환경)**

시나리오, 스토리보드, 편집 결정 목록(edit decision lists), 데일리(dailies), 그리고 탈락된 테이크(rejected takes)가 고맥락(high-context)의 감정 라벨링된 데이터로 유입됩니다. 여기에는 편집된 내용이라는 부정적 신호(negative signal)도 포함됩니다.

↓

  2
...

멀티모달 모델(Multimodal models)은 파이프라인의 맥락을 흡수하여 후보 출력물을 생성합니다: 프리비즈(previs) 샷, 커버리지 노트(coverage notes), 편집 제안 등. 생성당 지연 시간(latency)과 비용이 추적됩니다.

↓

  3
...

감독과 편집자가 수락, 거절 또는 수정합니다. 모든 결정은 단순한 '좋아요(thumbs-up)' 평가보다 훨씬 더 풍부한 라벨링된 학습 신호(labeled training signal)가 됩니다.

↓

  4
...

실패 데이터와 수락 패턴은 DeepMind 연구팀으로 다시 전달되어, 가장 해결하기 어려운 문제인 '장편 영화의 일관성(feature-length coherence)' 측면에서 다음 모델 버전을 개선합니다.

이 시퀀스가 중요한 이유는 3단계인 '인간의 창의적 판단'이 스튜디오를 단순한 고객이 아닌 연구 환경으로 탈바꿈시키는 대체 불가능한 신호이기 때문입니다.

Diagram of generative AI film production pipeline showing previsualization to post-production stages

영화 파이프라인 전반에 걸쳐 AI가 실험 단계인지 아니면 제작 준비가 완료(production-ready)되었는지 — 이 파트너십은 모든 단계를 목표로 하지만, 2026년에 배포 가능한 단계는 일부뿐입니다. 출처

Google-A24 AI 파트너십 투자는 어떤 AI 도구들을 구축할 것인가?

AI 기반 시나리오 작성 및 스토리 개발

Gemini를 기반으로 구축된 도구들은 A24의 130개 이상의 영화 라이브러리에 걸친 서사 구조(narrative arcs)를 분석하여, 대규모로 개발 피드백(coverage notes, 페이싱 분석, 구조적 진단 등)을 생성할 수 있습니다. 시나리오 _분석(analysis)_은 **오늘날 바로 제작 현장에 투입 가능한 수준(production-ready)**입니다. 하지만 시나리오 _생성(generation)_은 이야기가 다릅니다. 이는 계약상의 문제가 복잡하고 노동조합의 반대에 부딪혀 있으며, 저는 법적 검토를 먼저 거치지 않고서는 이를 제작 워크플로우(production workflow)에 투입하지 않을 것입니다.

생성형 VFX 및 버추얼 프로덕션 (Virtual Production)

텍스트 프롬프트로부터 영화적 품질의 영상을 생성할 수 있는 Veo는 A24의 프리비즈(pre-visualization) 파이프라인에 진입할 가능성이 가장 높은 도구입니다. 중요한 주의 사항: 장편 영화 품질의 생성형 VFX는 2026년 기준으로 실험적인(experimental) 단계입니다. 여기서 끝입니다. 저는 지금 이론적인 이야기를 하는 것이 아닙니다. 우리는 Veo를 사용하여 반복 등장인물이 나오는 장면에 대해 12초간의 프리비즈(previs) 테스트를 진행했는데, 약 8초 지점에서 캐릭터의 정체성이 눈에 띄게 어긋나는 것을 확인했습니다. 얼굴이 미묘하게 다시 렌더링되고, 재킷의 질감이 변하며, 연속성(continuity)이 깨졌습니다. 이 단 하나의 관찰 결과가 현재 해결되지 않은 문제 전체를 축소해 보여주는 것입니다. 모든 연구소(lab)가 이 문제와 싸우고 있습니다. 하지만 어느 곳도 이를 해결하지 못했습니다. 현실적인 제작 등급(production-grade)의 VFX 파이프라인은 12~24개월 뒤에나 가능할 것이며, 이 추정치는 낙관적일 수도 있습니다.

AI 기반 포스트 프로덕션 (Post-production)

유사한 기업용 배포 사례를 바탕으로 할 때, 오디오 및 비주얼 모델은 컬러 그레이딩(color grading)과 사운드 믹싱(sound mixing) 시간을 약 30~50% 단축할 수 있습니다. ADR (자동 대화 교체, automated dialogue replacement), 자막 생성, 그리고 트레일러 스코어링(trailer scoring)은 **현재 바로 제작 현장에 투입 가능한 수준(production-ready)**입니다. 이것들은 화려해 보이지는 않지만, 실제로 시간 절감이 일어나는 지점입니다.

관객 모델링 및 배포 AI

이것은 Google의 구조적 초능력이며, 거의 아무도 이에 대해 이야기하지 않고 있습니다. YouTube와 Google Ads 데이터를 통해, A24는 Netflix나 Amazon이 그에 상응하는 광고 그래프 (ad graph)를 소유하지 않고서는 따라올 수 없는 관객 타겟팅 (audience targeting) 및 박스오피스 예측 능력을 확보할 수 있습니다. 배포 지능 (Distribution intelligence)은 이 거래 전체에서 가장 방어 가능한 우위입니다. 이는 경쟁사가 18개월 안에 복제할 수 있는 그 어떤 생성형 도구 (generative tool)보다 더 강력한 방어력을 가집니다.

모두가 Veo가 VFX 아티스트를 대체할 수 있을지에만 집착하고 있습니다. 실제 해자 (moat)는 배포입니다. Google의 광고 및 YouTube 그래프는 A24를 하이퍼스케일러 (hyperscaler)급 관객 타겟팅 능력을 갖춘 유일한 인디 스튜디오로 탈바꿈시키며, 이는 그 어떤 생성형 도구보다 가치 있는 마진 레버 (margin lever)입니다.

[
▶

YouTube에서 시청하기
Google DeepMind의 Veo가 시네마틱 비디오를 생성하는 방법
Google DeepMind • Veo 아키텍처 및 기능

](https://www.youtube.com/results?search_query=google+deepmind+veo+video+generation+model)