7월 9일, OpenAI는 ChatGPT Work를 선보였습니다. Hacker News의 토론에서 이는 즉각적인 주목을 끌었습니다: 기록 시점 기준 353 포인트와 191개의 댓글을 기록했습니다. 여기서의 신호는 제품의 신뢰성에 대한 것이 아니라, GPT 온라인이 더 이상 질문과 답변을 위한 별도의 창이 아니라는 점입니다. 그것은 연결된 애플리케이션(apps)으로부터 컨텍스트(context)가 유입되는 작업 공간(working surface)이 될 수 있습니다.

직원에게 이는 핵심 질문을 변화시킵니다. "답변이 얼마나 좋은가?"가 아니라, "질문 너머에 어떤 데이터가 있으며 시스템이 그것으로 무엇을 할 수 있는가?"가 됩니다. 연결이 많아질수록 기존의 검증 방식은 더 어려워집니다. 즉, 운 좋게 질문 하나를 던져보고는 전체 워크스페이스(workspace)에 대한 접근 권한이 정당하다고 판단해 버리는 것입니다.

올바른 첫 번째 시도는 더 겸손해야 합니다: 리스크가 낮은 하나의 소스, 이미 답을 알고 있는 하나의 작업, 그리고 오직 데이터 읽기 권한만 허용하는 것입니다.

작업용 채팅에 나타난 새로운 신뢰의 경계

연결된 컨텍스트(context)는 연결된 앱(apps)을 통해 사용 가능한 정보의 양과 작업 범위를 확장합니다. 이는 새로운 애플리케이션으로 전환하거나 기존 계정의 아티팩트(artifacts)를 검색하는 것과는 다릅니다. 여기서는 작업 요청에 허용되는 컨텍스트(context)의 양 자체가 변화합니다.

이때 모든 연결에 적용되는 통일된 규칙은 없습니다. 애플리케이션 및 동기화의 가용성은 요금제, 워크스페이스(workspace) 설정 및 관리자의 결정에 따라 달라집니다. 따라서 한 계정에서 본 권한 체계를 다른 계정으로 그대로 옮겨와서, 각 소스가 읽기 또는 수정에 대해 동일한 권한을 가진다고 간주해서는 안 됩니다.

이러한 신중함은 관료주의가 아니라, 유용한 답변을 더 빨리 얻기 위한 방법입니다. 추상적인 "AI의 능력"이 아니라, 당신이 열 준비가 된 바로 그 경계를 먼저 확인해야 합니다.

대규모 연결 대신 카나리(Canary) 방식

검증은 단 한 번의 작업 세션으로 끝날 수 있으며, 전체 지식 베이스에 대한 접근을 요구하지 않습니다.

1. 연결하려는 소스가 무엇인지, 그리고 그 안에 어떤 데이터가 들어있는지 기록하세요. 첫 단계에서는 민감도가 낮은 자료를 선택하십시오.

2. 어떤 권한이 요청되는지, 그리고 그 권한을 누가 관리하는지(사용자, 관리자, 또는 워크스페이스 (workspace) 설정) 확인하십시오. 만약 명확하지 않다면 접근 권한을 확장하지 마십시오.

3. 단 하나의 소스만 연결하십시오.

4. 정답을 알고 있는 읽기 전용 (read-only) 작업을 구성하십시오. 예를 들어, 당신이 확실히 알고 있는 문서를 찾아달라고 요청하거나, 그 문서에 포함된 미리 알고 있는 특징들을 나열하라고 요청하십시오.

5. 결과를 대조하십시오: 소스를 올바르게 찾았는지, 데이터가 뒤섞이지 않았는지, 불필요한 추론이 발생하지 않았는지, 그리고 추출된 정보의 경계가 명확한지 확인하십시오.

6. 연결을 해제할 수 있는지, 그리고 설정이 어디에 있는지 확인하십시오. 이 확인을 마치기 전에는 더 넓은 범위 (scope)로 넘어가지 마십시오.

Лестница проверки подключённого источника

이 접근 방식에는 중요한 제한 사항이 있습니다. 이것이 위험이 없다는 것을 증명하는 것은 아닙니다. 단지 더 많은 컨텍스트 (context)를 열기 전에 관찰 가능한 결과를 제공할 뿐입니다. 만약 알려진 작업에 대한 답변을 통해 어떤 데이터가 사용되었는지 파악할 수 없거나, 해제 설정이 불분명하다면, 그것만으로도 중단하기에 충분한 이유가 됩니다.

초기 직관이 무너지는 지점

모든 것을 한꺼번에 연결하는 것이 합리적으로 보일 수 있습니다. 컨텍스트가 많을수록 유용한 답변을 얻을 확률이 높아지기 때문입니다. 이는 강력한 논거입니다. 방대하고 분산된 작업의 경우, 하나의 소스만으로는 모델에 충분한 자료를 제공하지 못할 수 있으며, 개별적인 연결은 불필요한 마찰을 일으킵니다.

하지만 바로 이 지점에서 유용성과 위험이 함께 증가합니다. 광범위한 접근은 결과물을 잠재적으로 더 풍부하게 만들지만, 오류를 국지화 (localize)하기는 더 어렵게 만듭니다. 어떤 소스가 답변에 영향을 미쳤는지, 어떤 데이터가 관련이 있었는지, 그리고 경계가 어디에 있어야 했는지 알 수 없게 되기 때문입니다. 따라서 먼저 최대의 완전성이 아니라, 제어 가능성을 확인해야 합니다.

중단 규칙은 간단합니다. 다음 세 가지 질문에 명확하게 답할 수 없다면, 쓰기 권한(write permissions)을 부여하거나 전체 워크스페이스(workspace)를 연결하지 마세요.

• 가장 가까운 작업을 위해 구체적으로 어떤 소스(source)가 필요한가?
• 테스트에 대한 올바른 답변은 어떤 모습이어야 하는가?
• 액세스 권한은 어디서, 누구에 의해 차단되는가?

만약 단 하나라도 답변이 모호하다면, 광범위한 연결은 아직 해결책이 아니며 검증 가능한 경계 없이 편의성에만 도박을 거는 것입니다.

새로운 신뢰 경계(trust boundary) 없이 가치를 먼저 확보하기

때로는 작업용 계정(working account)이 전혀 필요하지 않은 작업도 있습니다. 텍스트를 분석하거나, 옵션을 비교하거나, 구조를 잡거나, 혹은 사용자가 의도적으로 프롬프트(prompt)에 전달하는 자료를 바탕으로 초안을 작성해야 하는 경우입니다. 이런 경우에는 단 하나의 답변을 얻기 위해 전체 작업 컨텍스트(working context)를 연결하는 것보다, 제한된 모델 작업(model task)을 별도로 수행하는 것이 더 유용합니다. 이러한 시나리오를 위해 provod.ai로 시작할 수 있으며, 이 서비스는 자체적인 데이터 설정을 별도로 평가합니다. 이 서비스는 ChatGPT Work의 권한을 상속하거나 관리하지 않습니다.

Сначала задача, потом доступ

provod.ai — 모델 비용의 중앙 집중화

단일 잔액과 워크스페이스는 기업에 통합된 제어 지점을 제공합니다: 개인 계정별로 청구서를 수집하거나 어떤 팀이 어떤 공급업체의 예산을 사용했는지 파악할 필요가 없습니다.

하나의 카탈로그에서 텍스트 및 미디어용 최신 모델을 확인하세요: OpenAI의 GPT, Anthropic의 Claude, Google의 Gemini, xAI의 Grok, DeepSeek, Qwen, GLM, Kimi 및 MiniMax가 포함됩니다. 이미지의 경우 Nano Banana 2 Pro 및 GPT Image를, 비디오의 경우 Seedance, Kling, Veo 및 Google Omni의 최신 버전을 사용할 수 있습니다. 또한 추론(reasoning), 검색, 문서, 임베딩(embeddings), 음악 및 오디오를 위한 모델도 사용할 수 있습니다.

계산 방식은 투명합니다: provod.ai의 자체 마진 없이 각 모델의 공식 요금이 1:1로 전달됩니다.

AI 비용을 한곳에서 관리하세요: 등록 양식 · 모델 가격 · 152-FZ에 따른 데이터 보호 · 계약용 정보

귀하의 팀에게 무엇이 더 비용이 많이 들까요: 단계적 접근으로 인해 편의성의 일부를 잃는 것인가요, 아니면 데이터 경계를 확인하지 않은 채 즉시 더 완전한 컨텍스트(context)를 얻는 것인가요?