[테크수다 기자 도안구 eyeball@techsuda.com] 알리바바 클라우드가 18일 국내 세 번째 데이터센터를 공식 출범했다. 2016년 한국 시장 진출 이후 2022년 첫 데이터센터, 2025년 두 번째 데이터센터에 이은 세 번째 거점으로, 국내 기업의 인공지능(AI) 도입을 뒷받침할 클라우드 인프라를 확충하는 것이 목표다. 이번 신규 데이터센터 가동으로 알리바바 클라우드의 글로벌 인프라는 30개 리전, 104개 가용영역(Availability Zone)으로 늘었다. 회사는 한국을 아시아 주요 AI·디지털 시장으로 보고 장기 투자를 이어가겠다는 방침이다.

주요 내용

• 2022년·2025년에 이은 국내 세 번째 데이터센터로, 컴퓨팅·스토리지·네트워크·보안·데이터베이스·컨테이너 등 기업용 클라우드 서비스 제공
• 알리바바의 530억 달러 규모 AI 인프라 투자 일환… 글로벌 인프라 30개 리전·104개 가용영역으로 확대
• AgentRun, STAROps, ACS Agent Sandbox 등 에이전트 기반 AI 서비스도 국내에 순차 확대

신규 데이터센터는 컴퓨팅, 스토리지, 네트워크, 보안, 데이터베이스, 컨테이너, 클라우드 네이티브 서비스 등 기업용 클라우드 컴퓨팅 서비스를 제공한다. 국내 고객은 이를 통해 서비스 가용성과 운영 안정성을 높이고 지연시간을 줄이며 재해복구 역량을 강화할 수 있다는 설명이다. 알리바바 클라우드는 데이터 프라이버시와 데이터 주권을 우선 고려해 사이버보안, 복원력, 데이터 거버넌스 관련 현지 규제와 표준을 준수하도록 인프라를 설계했다고 밝혔다. 이번 투자는 알리바바가 발표한 530억 달러 규모 AI 인프라 투자 계획의 일환이다.

회사는 기업용 AI 에이전트 수요 증가에 맞춰 국내 서비스 라인업도 넓힌다. AgentRun, STAROps, ACS Agent Sandbox, Agent Security Center, AI Security Guardrails 2.0, Agentic SOC 등 에이전트 기반 서비스를 한국에서 확대 제공한다는 계획이다. 이들 서비스는 기업이 AI 에이전트를 개발·테스트하는 단계부터 배포와 운영, 보안 관리까지 전 과정을 다루도록 구성됐다. 알리바바는 오픈소스 모델 큐원(Qwen)을 축으로 AI+클라우드 전략을 펴고 있으며, 큐원 제품군의 누적 다운로드는 30억 회, 개발자들이 만든 파생 모델은 30만 개를 넘어섰다.

국내 협력 사례도 함께 공개됐다. 광주 소재 AI 스타트업 젠다이브(Gendive)는 알리바바 클라우드의 영상 생성 모델 완(Wan)과 이미지 생성 모델 해피호스(HappyHorse)를 자사 플랫폼 데브다이브(DevDive)에 통합했다. 데브다이브는 특정 모델에 종속되지 않는 AI 에이전트 기반 워크OS(WorkOS)로, 코드를 작성하지 않고도 AI 업무 워크플로를 연계·확장할 수 있도록 지원한다. 네이버제트가 운영하는 메타버스 플랫폼 제페토(ZEPETO)는 알리바바 클라우드 인프라를 활용해 실시간 3D 아바타 생성과 렌더링을 처리하고 있으며, 알리바바 클라우드는 메가존소프트, 팀스파르타 등과 파트너십을 맺고 컨설팅과 산업별 솔루션을 제공하고 있다.

윤용준 알리바바 클라우드 인텔리전스 한국 총괄 지사장은 "한국은 알리바바 클라우드가 장기적으로 투자를 이어오고 있는 핵심 시장"이라며 "세 번째 데이터센터는 단순한 인프라 확장을 넘어 국내 기업이 AI 및 클라우드 기반 서비스를 보다 안정적으로 운영할 수 있도록 지원하기 위한 투자"라고 말했다.

함민혁 젠다이브 대표는 "알리바바 클라우드와의 협력을 통해 세계적 수준의 생성형 AI를 한국 기업이 손쉽게 활용할 수 있는 환경을 제공하게 됐다"고 밝혔다.

이순구 네이버제트 엔지니어링 총괄은 "고성능 인프라를 활용해 수백만 명의 사용자가 지연 없이 동시에 접속하고 상호작용할 수 있다"고 설명했다. 알리바바 클라우드는 최근 프랑스, 일본, 말레이시아, 멕시코 등에서도 인프라를 확대하고 있다.

알리바바 클라우드 한국 3호 데이터센터, 이런 점이 궁금하셨나요?

Q. 이미 데이터센터가 두 곳 있는데 왜 또 짓나요?

A. 국내 기업의 AI 도입 수요가 늘면서 컴퓨팅과 스토리지 수요가 함께 커졌기 때문이다. 거점이 늘어나면 서비스 가용성과 재해복구 역량이 높아지고, 국내에서 데이터를 처리하는 만큼 지연시간도 줄어든다.

Q. 이번 데이터센터로 국내 기업이 새로 쓸 수 있는 서비스는 무엇인가요?

A. 컴퓨팅·스토리지·네트워크·보안·데이터베이스·컨테이너 등 기업용 클라우드 서비스가 기본이다. 여기에 AgentRun, STAROps, ACS Agent Sandbox, Agent Security Center, AI Security Guardrails 2.0, Agentic SOC 등 AI 에이전트의 개발부터 배포·운영·보안까지 다루는 서비스가 순차적으로 확대된다.

Q. 데이터 주권이나 보안 문제는 어떻게 처리되나요?

A. 알리바바 클라우드는 데이터 프라이버시와 데이터 주권을 우선 고려해 인프라를 설계했다고 밝혔다. 사이버보안, 복원력, 데이터 거버넌스와 관련한 국내 규제와 표준을 준수하도록 구성했다는 설명이다.

[테크수다 기자 도안구 eyeball@techsuda.com]

날씨가 급변했습니다. 아침 저녁 바람은 언제 그랬냐는 듯 조금은 차갑습니다. 물론 낮의 볕은 여전히 쨍쨍합니다. 시골 고향 집은 더 쌀쌀해진 거 같습니다. 환절기입니다. 저는 모처럼 베란드 창문을 열고 잤다가 감기 기운이 돕니다.

이번 글에서는 정말 모처럼 AWS 이야기를 해보려고 합니다.

AWS는 12일 AWS 코리아 사옥에서 'AWS 아마존 퀵 기자간담회 및 핸즈온 세션'을 열고 업무용 AI 어시스턴트 아마존 퀵을 국내 언론에 처음 소개했습니다. 박혜영 SA가 제품과 기업 도입 사례를, 이다은 리테일·소비재 전문 SA가 업무 자동화 시연을, 김예진 AI 전문 SA가 기자들이 직접 에이전트를 만들어보는 핸즈온 세션을 맡았습니다. 국내에서는 블랙야크, 메가존클라우드, 일성아이에스가 이미 도입해 사용중입니다.

마이크로소프트의 코파일럿, 구글의 제미나이, 오픈AI의 챗GPT, 앤트로픽(Anthropic)의 클로드와 유사한 AI 어시스턴트라고 이해하시면 편합니다.

가서 체험한 이야기를 다루기 전에 몇년 전 이야기를 잠시 들려드리려고 합니다.
전 2023년과 2025년 아마존웹서비스 리인벤트(AWS reInvent)에 다녀왔습니다.
2023년 참가했을 때는 묘한 긴장감 혹은 마이크로소프트가 오픈AI와 손을 잡고 연 새로운 시대에 제대로 대응하지 못해 '공포'를 느끼는 게 아닌가 하는 생각도 들었습니다. 그 이후 앤트로픽에 막대한 투자를 단행하고 앤트로픽이 엔터프라이즈 시장에서 오픈AI를 넘어서면서 AWS는 조금 한 숨을 돌리는 듯 보입니다.

2023년 11월 AWS 리인벤트 2023(AWS re:Invent 2023)에서 업무용으로 특별히 설계돼 고객의 비즈니스에 맞춤화할 수 있는 새로운 유형의 생성형 인공지능(AI) 기반 어시스턴트인 ‘아마존 Q(Amazon Q)’를 발표했습니다. 고객은 아마존 Q를 사용해 긴급한 질문에 대한 관련성 높은 답변을 신속하게 얻고, 콘텐츠를 생성하고, 고객의 정보 저장소(repository), 코드, 엔터프라이즈 시스템에 기반한 조치를 취할 수 있다고 설명했습니다.

올해가 클라우드 서비스 20주년이 되는 해입니다. 사용자들도 많고 서비스도 너무 많아서 이걸 다 알기란 사실상 불가능합니다. 개발자나 엔지니어들도 AWS를 활용해 서비스를 만들어 내지만 모두를 알 수 없습니다. 그래서 아마존 Q에게 어떤 서비스를 쓸 때 어떤 서비스를 활용하면 되는지 물어볼 수 있습니다.

고객 센터에서 매번 물어보지 않아도 되는 거죠. 가장 필요한 영역에 가장 먼저 적용하는 센스를 보여줬다고 봤습니다. 당시에 그 서비스를 위해 어떤 LLM의 어떤 버전을 쓰는지 물어봤지만 돌아온 답변은 "그게 핵심이라 공개 불가"였습니다.
전 그 이후 LLM 확보 못지 않게 수많은 LLM들을 고객의 업무에 따라 어떤 버전을 활용해 처리할 수 있는지, LLM 서빙 능력과 토큰 대비 비용 이슈가 관련 사업의 핵심이 될거라고 판단했습니다. 이런 노하우를 누가 더 빨리 축적하고 데이터센터 구축부터 서비스까지 빠르게 제공하느냐가 핵심인 완전한 '인프라' 전쟁이라고 봤습니다.

지금 대부분 이런 이야기들이 많이 나오고 있으니 예측에 성공해서 기쁘긴 합니다. 하지만 그걸 제대로 취재하고 전달해드리지 못한 건 뼈아픈 일입니다. 페이스북에는 다 써놓고 정작 기사로 작성하지 않은 게 너무 많네요.

아마존 퀵은 이름은 새롭지만 뿌리는 오래됐습니다. 2015년 클라우드 BI 도구 아마존 퀵사이트(QuickSight)로 출발해 자연어 질의와 생성형 BI를 거쳤고, 앞서 설명한대로 2024년 문서·이메일 같은 비정형 데이터를 다루는 아마존 Q 비즈니스가 붙었습니다. 정형 데이터 엔진과 비정형 데이터 엔진을 묶고 그 위에 판단하고 실행하는 에이전트를 올린 것이 현재의 아마존 퀵입니다. AWS도 이를 "10년간 검증된 엔터프라이즈 BI 위에 AI를 얹었다"고 설명합니다.

아마존의 이 AI 어시스턴트가 과연 여러 경쟁자들의 틈바구니 속에서 입지를 제대로 구축할 수 있을까에 대한 글입니다. 오지랖이죠. 무료 버전들도 있으니 한번 체험해 보시고 어떤지 좀 알려주세요.

AWS, 업무용 AI '아마존 퀵' 국내 언론 첫 소개…승부처는 '지식 그래프'와 가격표

"석 달 전에 제안서를 썼고 그때 메일을 주고받은 고객사가 어디였는지, 내가 어떤 팔로업을 했는지 그냥 물어보면 됩니다. 추가로 입력할 필요가 없습니다."

박혜영 아마존웹서비스(AWS) 코리아 수석 솔루션즈아키텍트(SA)가 아마존 퀵(Amazon Quick)의 지식 그래프를 설명하며 꺼낸 말이다.

박혜영 아마존웹서비스(AWS) 코리아 수석 솔루션즈아키텍트(SA)가 아마존 퀵(Amazon Quick)의 지식 그래프를 설명하며 꺼낸 말이다.

AWS는 12일 AWS 코리아 사옥에서 'AWS 아마존 퀵 기자간담회 및 핸즈온 세션'을 열고 업무용 AI 어시스턴트 아마존 퀵을 국내 언론에 처음 소개했다. 박혜영 SA가 제품과 기업 도입 사례를, 이다은 리테일·소비재 전문 SA가 업무 자동화 시연을, 김예진 AI 전문 SA가 기자들이 직접 에이전트를 만들어보는 핸즈온 세션을 맡았다. 국내에서는 블랙야크, 메가존클라우드, 일성아이에스가 이미 도입해 사용 중이다.

• 20만 명 내부 검증 : 아마존 퀵은 퀵사이트 기반 BI에 지식 그래프·에이전트·업무 자동화를 결합한 업무용 AI로, 아마존 내부 20만 명 이상이 6개월간 먼저 검증했다.
• 국내 기업 도입 : 블랙야크·메가존클라우드·일성아이에스가 도입했으며, AWS는 지식 그래프와 40개 이상 업무 도구 연동, BI와 자동화의 통합을 차별점으로 내세운다.
• 가격보다 거버넌스 : 월 20~40달러의 좌석 가격은 공격적이지만 조직용 플랜에는 계정당 월 250달러의 인프라 비용이 붙고, 실제 경쟁력은 권한 관리·복구·거버넌스까지 얼마나 안정적으로 제공하느냐에 달렸다.

10년 묵은 BI 위에 에이전트를 얹었다

아마존 퀵은 기업의 시스템과 데이터에 연결해 기업이 일하는 방식을 학습하는 지능형 워크플레이스 어시스턴트다. 기업 내부 데이터와 다양한 업무 시스템을 연결해 보고서 작성, 데이터 분석, 업무 실행 등을 AI가 자연어 명령만으로 수행할 수 있도록 지원한다. 매 상호작용을 통해 스스로 적응하며, 개인화된 인사이트와 선제적 제안을 제공하고 실제 업무 실행까지 수행함으로써 직원 생산성과 인력 전환(workforce transformation)을 지원한다. 기업은 복잡한 AI 모델을 직접 개발하지 않고도 업무 자동화와 AI 에이전트 기능을 빠르게 도입할 수 있다.

아마존 퀵은 이름은 새롭지만 뿌리는 오래됐다. 2015년 클라우드 BI 도구 아마존 퀵사이트(QuickSight)로 출발해 자연어 질의와 생성형 BI를 거쳤고, 2024년 문서·이메일 같은 비정형 데이터를 다루는 아마존 Q 비즈니스가 붙었다. 정형 데이터 엔진과 비정형 데이터 엔진을 묶고 그 위에 판단하고 실행하는 에이전트를 올린 것이 현재의 아마존 퀵이다. AWS도 이를 "10년간 검증된 엔터프라이즈 BI 위에 AI를 얹었다"고 설명한다.

이번에 관심을 끈 것은 2026년 4월 28일 프리뷰로 나온 데스크톱 앱이다. 브라우저 안에 머물지 않고 PC 로컬 파일과 캘린더, 커뮤니케이션 도구까지 접근해 업무 맥락을 쌓는다. AWS 공식 설명에 따르면 macOS와 Windows용으로 제공되며 현재 프리뷰 지역은 미국 동부(버지니아 북부)다.

기자의 노트북은 2016년 산 맥북프로다. MacOS MOnterey 버전 12.7.62.9GHz 듀얼코어 인텔 코어 i5메모리 16GB 2133 MHz LPDDR3. 애플도 더 이상 MacOS 업그레이드를 지원하지 않는다. 자체 독자 칩을 만들면서다. 아마존 퀵 데스크톱 OS도 인텔 CPU를 지원하지 않는다. 그래서 웹 브라우저 확장판을 설치해서 핸즈온 행사에 따라해봤지만 로컬 저장을 못해 설명만 들고 사무실에 들어와서 윈도우 PC에 설치했다.

기능은 많지만 핵심을 세 가지로 압축할 수 있다. 내 업무의 맥락을 쌓는 지식 그래프, BI에서 출발한 데이터 분석, 그리고 분석 결과를 실제 행동으로 연결하는 에이전틱 자동화다.

개인 영역에서는 로컬 파일 접근, 지식 그래프, 에이전트·스킬 제작, 활동 피드, 예약 작업을 제공한다. 조직에서는 팀 자료를 모으는 스페이스, BI 대시보드인 퀵 사이트, 반복 업무를 묶는 플로우, 여러 시스템을 넘나드는 오토메이트, 심층 보고서를 만드는 리서치가 붙는다. 슬랙·팀즈·아웃룩·지라·세일즈포스·서비스나우 등 40개 이상의 업무 도구를 연결하며 브라우저를 직접 조작하는 자동화도 지원한다.

"다른 업무용 AI에는 없다"는 지식 그래프

AWS가 이날 가장 힘을 준 대목은 지식 그래프였다.

전통적인 벡터 검색 중심 RAG가 질문이 들어왔을 때 관련 문서를 찾아 컨텍스트로 제공하는 방식이라면, 아마존 퀵의 지식 그래프는 연결된 데이터에서 사람·프로젝트·조직·사건 같은 엔티티와 그 관계를 추출해 지속적으로 관계망을 만든다. AWS 공식 문서도 이를 사용자의 업무 속 사람, 프로젝트, 조직, 이벤트의 관계를 잡아 개인화된 맥락을 제공하는 기능으로 설명한다.

그러니 "석 달 전 그 제안서를 누구와 논의했지?"처럼 매번 제안서나 메일을 다시 첨부하지 않아도 이전 관계를 바탕으로 질문할 수 있다는 것이 AWS 설명이다.

박 SA는 발표에서 "현재 다른 업무용 AI 에이전트에는 없는" 기능이라고 강하게 강조했다. 다만 질의응답에서는 클로드 코워크나 코파일럿 등에도 일부 유사 기능이 있으며 기술 구현과 설계가 다르다고 한발 물러섰다. 따라서 지식 그래프 자체가 AWS만의 독점적인 개념이라기보다 이를 로컬 파일과 업무 앱, BI, 에이전트 실행까지 연결해 하나의 제품 안에 구현한 방식을 차별점으로 보는 편이 정확하다.

무제한으로 PC를 훑는 것도 아니다. 사용자가 명시적으로 허용한 폴더만 접근한다. 폴더별로 키워드 검색, 시맨틱 검색, 지식 그래프 추출 권한을 따로 줄 수 있다. AWS 공식 보안 문서도 퀵이 명시적으로 권한을 준 폴더만 접근하며 읽기·쓰기 작업의 권한을 세분화할 수 있다고 설명한다.

실제 핸즈온에서는 450쪽짜리 PDF 문서를 지식 그래프로 인덱싱하는 데 약 6~7분이 걸렸고 229개의 엔티티가 추출됐다. 로컬 폴더 연결은 웹에서는 되지 않고 데스크톱 앱에서만 가능했다.

아마존이 20만 명에게 먼저 시켜봤다

AWS가 자신감을 보인 근거는 아마존 내부 검증이다.

아마존은 6개월 동안 20만 명 이상이 에이전트를 직접 만들었고, 5만 명 이상이 리서치 기능으로 보고서를 작성했으며, 업무 자동화가 30만 건 이상 실행됐다고 밝혔다. 영업 제안서 포맷팅 시간 95% 절감, PM·운영 조직 주 100시간 절감, 보안 부서 월 80시간 회수, 공급망 장애 대응 2시간에서 5분 단축 등의 수치도 제시했다. 모두 아마존 내부 측정 기준이다.

흥미로운 것은 부서를 가로질러 가장 시간을 잡아먹는 공통 업무가 '반복 보고서 작성'이었다는 점이다. 여러 시스템에서 데이터를 모으고 엑셀로 정리한 뒤 상사 피드백과 관련 부서 확인을 거쳐 배포하기까지 6단계, 3시간 이상 걸리던 작업을 "주간 보고서 만들어줘"라는 자연어 한 줄에서 시작해 약 5분으로 줄였다는 설명이다.

AWS는 AI 도입이 어려운 이유를 설명하며 가트너 조사도 인용했다. 다만 이 수치는 원문을 정확히 구분해서 볼 필요가 있다.

가트너가 2026년 4월 발표한 조사는 2025년 11~12월 I&O 리더 782명을 대상으로 진행됐다. 조사에서 AI 활용 사례 가운데 28%가 완전히 성공해 기대한 ROI를 충족했고, 20%는 완전히 실패했다. AWS 배포 자료에 등장한 '72%가 기대한 ROI를 내지 못했다'는 수치는 28%의 여집합을 재구성한 것으로 보이며, 나머지 72%가 모두 ROI에 실패했다는 의미로 읽어서는 곤란하다. 가트너는 또 AI 성공 경험이 있는 I&O 리더 가운데 33%가 기존 시스템과 업무 프로세스 안에 AI를 내재화한 것을 성공 요인으로 꼽았다고 밝혔다. 실패 경험자들은 지나치게 빠른 기대를 가장 많이 지적했고, 역량 부족과 데이터 품질·가용성 문제도 각각 38%였다.

블랙야크·메가존클라우드·일성아이에스

국내 도입 사례도 세 곳 공개됐다.

블랙야크는 통합 데이터웨어하우스를 구축하고도 기존 BI 도구의 진입장벽 때문에 현업 활용률이 낮았는데, 자연어 기반 데이터 활용으로 5개 사업부 100개 이상 계정까지 확산했다.

메가존클라우드는 1주일 이상 걸리던 데이터 분석 시간을 12시간 이내로 줄였고 현재 영업·기술 조직 100명 이상이 이용한다.

일성아이에스는 전사 160명에 적용해 전 부서에 챗봇과 에이전트를 구성했다. 학술의학팀은 세 명이 각각 두 시간씩 매달리던 논문 검색을 5분으로 줄였다고 AWS는 밝혔다. 이 역시 각 사와 AWS가 제시한 자체 집계 수치다.

글로벌 사례로는 버티브, DXC 테크놀로지, 3M, 자빌 등이 소개됐다.

당일 메가존클라우드가 보도자료를 보내왔다. AI·클라우드 선도 기업 메가존클라우드(대표 염동훈)가 아마존웹서비스(Amazon Web Services, 이하 AWS)의 생성형 AI 혁신센터(Generative AI Innovation Center; GenAI IC)로부터 차세대 지능형 AI 어시스턴트 ' 아마존 퀵(Quick)'의 국내 최초 시스템 통합(SI) 파트너로 선정됐다는 것.

메가존클라우드는 아마존 퀵 SI 파트너로서 대규모 사용자 환경, 사내 보안 정책, 레거시 시스템 연계 등 엔터프라이즈 고유의 요구사항에 맞춰 아마존 퀵의 도입을 설계하고 구축을 지원한다. 이번 선정으로 메가존클라우드는 기업의 기존 업무 시스템과 데이터를 아마존 퀵과 연계해, AI 에이전트가 실제 업무에서 성과를 낼 수 있도록 컨설팅부터 구축·운영까지 전 과정을 지원한다.

특히 구축·운영·효과 검증까지 약 45일 이내에 완료하는 'Live in 45' 프로그램을 제공해 AI 도입 효과를 빠르게 검증할 수 있도록 한다. 이 프로그램은 기업의 업무 프로세스와 데이터 환경을 분석해 AI 적용 방안을 설계하고, 실제 업무 환경에서 AI 에이전트를 구축·운영함으로써 도입 효과를 검증할 수 있도록 지원한다.

테크수다의 시각: 강점 둘, 물음표 셋

강점① 가격은 공격적이다. 그런데 '월 20달러'만 보면 안 된다

AWS는 이날 가격을 강점으로 여러 차례 강조했다. 발표자료에는 월 20달러에 에이전트·BI·자동화를 포함하고 경쟁사 동일 구성 대비 3분의 1 수준이라고 적혀 있다.

그런데 실제 공식 가격표를 펼쳐보면 이야기가 조금 복잡해진다.

개인·소규모 팀용으로는 무료 플랜과 연 약정 기준 월 20달러의 플러스가 있다. AWS 계정을 이용하는 조직용은 프로페셔널이 사용자당 월 20달러, 엔터프라이즈가 월 40달러다. 프로페셔널에서도 에이전트와 리서치, 플로우, 퀵 사이트 대시보드 조회 등이 가능하지만 복잡한 멀티스텝 자동화인 Quick Automate와 퀵 사이트 대시보드·데이터셋 제작은 엔터프라이즈에서 열린다.

더 중요한 숫자는 따로 있다. 프로페셔널과 엔터프라이즈에는 계정당 월 250달러의 인프라 요금이 별도로 붙는다. 프로페셔널은 월 4시간, 엔터프라이즈는 월 8시간의 에이전트·리서치 사용 시간이 기본 제공되며, 추가 사용에는 별도 사용량 요금이 붙는다. AWS 공식 가격표는 추가 에이전트 시간을 시간당 3달러, 리서치 에이전트를 시간당 6달러로 안내한다.

계산해 보면 규모에 따라 체감 가격이 꽤 달라진다.

엔터프라이즈를 10명이 쓰면 월 650달러, 1인당 65달러다. 100명이면 월 4250달러, 1인당 42.5달러다. 1000명 규모에서는 월 4만250달러로 1인당 40.25달러까지 내려간다. 250달러 인프라 비용이 조직 규모가 커질수록 희석되는 구조다.

마이크로소프트 365 코파일럿의 엔터프라이즈 가격은 연간 약정 기준 사용자당 월 30달러이며 별도의 적격 M365 라이선스가 필요하다. 챗GPT 비즈니스의 일반 좌석은 연간 결제 기준 월 20달러이며 최소 2석부터다. 따라서 단순한 좌석 가격만 놓고 아마존 퀵이 경쟁사 '3분의 1'이라고 말하기는 어렵다.

대신 셈법을 다르게 봐야 한다. 아마존 퀵의 강점은 AI 채팅 하나의 가격이 싸다는 데 있지 않다. BI와 업무 데이터 연결, 에이전트, 리서치, 워크플로 자동화를 한 제품군 안에서 단계적으로 열어준다는 데 있다. 태블로나 파워BI 같은 분석 도구와 별도의 AI·자동화 제품을 함께 쓰던 조직이라면 비교 기준 자체가 달라진다.

강점② 어느 생산성 스위트에도 완전히 묶이지 않은 '중간 지대'

코파일럿은 M365 안에서 강하고 구글의 AI는 구글 워크스페이스와 붙을 때 장점이 크다. 아마존은 워드나 지메일 같은 생산성 스위트를 직접 소유하지 않는다. 약점처럼 보이지만 반대로 기업 환경에서는 중간 지대가 될 수 있다.

아마존 퀵은 슬랙, M365, 구글, 세일즈포스, 지라, 서비스나우 등 40개 이상의 커넥터를 앞세운다. M365와 구글 워크스페이스를 섞어 쓰고 CRM·프로젝트 관리·사내 시스템이 여기저기 흩어진 조직이라면 하나의 생산성 스위트에 모든 데이터를 몰아넣지 않고 연결하는 구조가 매력적일 수 있다.

또 하나는 출발점이다. 챗봇에서 출발해 데이터 분석을 붙인 제품과 달리 아마존 퀵은 2015년부터 운영해 온 BI가 뼈대에 있다. 분석→보고서→공유→실행으로 이어지는 흐름을 처음부터 업무 자동화 문제로 바라본 흔적이 강하다.

다만 이 '중립성'을 멀티클라우드 중립성과 같은 뜻으로 받아들이면 곤란하다. 제품을 움직이는 인프라와 거버넌스는 여전히 AWS다.

물음표① AWS 밖에서도 충분히 매력적인가

AWS 발표자료가 소개한 가트너의 지적사항 가운데 첫 번째도 'AWS 중심 배포(Confined Deployment)'다. AWS는 40개 이상의 커넥터와 MCP 표준으로 비AWS 데이터 소스도 연결할 수 있다고 반박했다.

그렇지만 데이터와 업무 기반이 이미 마이크로소프트 애저나 구글 클라우드에 깊이 묶인 조직이 별도의 AWS 계정과 관리 체계를 추가하면서까지 퀵을 선택할지는 다른 문제다. 특히 대한민국 메시징 분야 1위는 마이크로소프트다. 지금은 서비스 뒤에 숨어져 있지만 익스체인지 서버와 마이크로소프트 오피스의 영향력은 여전히 막강하다. 구글이 워크플레이스도 그나마 명함을 내밀고 있지만 전체 인프라를 모두 교체하기는 여간 쉽지 않다. 레거시가 새로운 시대 적응을 못했다면 모를까 이들은 계속해서 진화해왔다.

한국에서는 이 문제가 더 분명하다. AWS 공식 리전 문서를 보면 서울(ap-northeast-2)은 현재 별표가 붙어 있으며 Amazon Quick 전체가 아니라 Quick Sight 기능만 지원하는 리전으로 표시된다. Q in Quick의 생성형 BI 기능은 서울에서 지원하지만, 이번 간담회에서 체험한 데스크톱 앱 자체는 여전히 미국 동부(버지니아 북부) 프리뷰다.

따라서 이날 행사는 아마존 퀵의 '한국 정식 출시'라기보다 국내 언론 첫 소개와 국내 고객 활용 사례 공개로 보는 것이 정확하다.

물음표② 항상 지켜보고 실행하는 에이전트, 잘못했을 때 어디까지 되돌릴 수 있나

편리함이 커질수록 질문도 달라진다.

데스크톱 AI가 지정한 파일과 캘린더, 메일, 업무 앱을 넘나들고 브라우저까지 대신 움직인다면 "무엇을 볼 수 있나" 못지않게 "무엇을 바꿀 수 있나"가 중요해진다.

AWS는 로컬 파일을 퀵의 클라우드 저장소에 올려놓고 처리하는 방식은 아니라고 설명한다. 공식 문서도 데스크톱 앱에서 로컬 파일을 업로드하지 않고 작업할 수 있다고 밝힌다. 다만 AI 처리를 위한 요청 자체는 API 게이트웨이를 통해 클라우드 AI 모델과 연결 서비스로 전송된다. AWS는 대화, 파일, 개인 컨텍스트를 AI 모델 학습이나 개선에 사용하지 않는다고 명시한다.

현장에서도 이 대목에 질문이 몰렸다.

AWS는 민감한 작업이나 사용자 리소스를 건드릴 때 사람의 승인을 받도록 설계돼 있고, 누가 어떤 작업을 했는지 클라우듵레일(CloudTrail)을 통해 이력을 추적한다고 설명했다. 실제 핸즈온에서도 브라우저 조작이나 파일 작업을 할 때 권한 승인을 반복해서 요구했다.

그런데 사람이 계속 승인 버튼을 누르다가 의도하지 않은 삭제까지 승인했다면 이야기가 달라진다. 이 경우 승인을 받았다는 사실과 삭제한 파일을 원상 복구할 수 있다는 것은 별개의 문제다. 업무용 에이전트를 실제 조직에 넣을 때는 실행 권한뿐 아니라 버전 관리와 롤백, 복구 정책까지 함께 확인해야 한다.

AI 에이전트의 안전 문제는 이제 "데이터를 학습에 쓰느냐"만으로 끝나지 않는다. AI에게 행동 권한을 줄수록 사고 이후의 복원력이 제품 경쟁력이 된다.

물음표③ 자연어라 교육이 필요 없다는 말은 절반만 맞다

AWS 발표자료가 소개한 또 다른 가트너 지적은 타블로(Tableau)나 마이크로소프트 파워(Power) BI에 비해 다뤄본 전문가 풀이 적다는 점이다. AWS는 자연어 인터페이스라 전문적인 SQL이나 교육이 필요하지 않다고 반박했다.

사용법 자체는 그럴 수 있다.

하지만 실제 핸즈온에서 느껴진 병목은 버튼 위치나 SQL 문법이 아니었다. 어떤 데이터를 에이전트에게 보여줄지, 어떤 업무를 자동화할지, 어느 단계에서 사람의 승인을 받을지, 결과가 틀렸을 때 무엇을 검증할지를 사람이 정해야 했다.

생성 결과도 매번 동일하지 않았다. 이미지 생성은 실행할 때마다 달라졌고, 기자들이 만든 에이전트와 스킬 역시 프롬프트와 연결 데이터, 선택한 작업 방식에 따라 결과가 달라졌다.

즉 도구를 배우는 교육은 줄어들 수 있지만 업무를 에이전트에 맞게 설계하는 역량의 중요성은 오히려 커진다.

한국어도 같은 맥락이다. AWS는 현장에서 아마존 퀵 자체의 별도 한국어 지원을 공식 발표하지는 않았으며, 기반 모델들이 한국어를 지원하기 때문에 플랫폼 차원에서 이용할 수 있다고 설명했다.

개인 도구에서 조직 자산으로

이날 오간 질문의 상당수는 모델 성능이 아니라 경계에 관한 것이었다.

개인이 만든 스킬과 팀이 공유하는 에이전트는 어떻게 구분되는가. 어떤 폴더까지 읽게 할 것인가. 브라우저에 로그인한 사용자의 권한을 어디까지 넘길 것인가. AI가 파일을 바꾸거나 지우기 전에 누가 승인할 것인가. 잘못 실행한 작업은 어떻게 되돌릴 것인가.

AI 어시스턴트 경쟁의 무게중심이 '얼마나 똑똑한가'에서 '조직 안에서 얼마나 안전하게 일을 맡길 수 있는가'로 옮겨가고 있다는 신호다.

아마존 퀵의 진짜 시험대도 여기에 있다.

시장은 이미 코파일럿과 챗GPT를 비롯한 업무용 AI로 붐빈다. AWS가 이들을 밀어내려면 지식 그래프 하나가 신기하다는 것만으로는 부족하다. BI에서 출발한 데이터 분석 역량과 40개 이상의 커넥터, 플로우·오토메이트를 묶은 구조가 기존 업무 도구 여러 개를 실제로 대체할 만큼 경제적인지를 증명해야 한다.

반대로 이 조합이 제대로 작동한다면 이야기는 달라진다. 기업이 원하는 것은 또 하나의 챗봇이 아니라, 이미 흩어져 있는 데이터와 업무 시스템 사이에서 맥락을 기억하고 실제 일을 끝내주는 AI일 가능성이 크기 때문이다.

국내에서는 이미 블랙야크와 메가존클라우드, 일성아이에스가 사업부 또는 전사 규모로 첫발을 뗐다. 다음 관전 포인트는 두 가지다. 현재 미국 동부에 묶인 데스크톱 앱이 언제 프리뷰를 벗어나 지역 지원을 넓히는지, 그리고 계정당 월 250달러의 인프라 비용을 감수하면서도 조직 단위 도입이 실제로 확산되는지다.

아마존 퀵이 업무용 AI 시장의 또 다른 챗봇으로 남을지, 아니면 BI와 자동화를 무기로 기업 AI의 새로운 자리를 만들지는 여기서 갈릴 것으로 보인다.

아마존 퀵, 이런 점이 궁금하셨나요?

Q. 아마존 퀵은 결국 챗GPT 같은 챗봇인가?

출발점이 다르다. 대화형 AI 기능이 있지만 2015년부터 운영해 온 BI 엔진인 퀵사이트와 비정형 데이터를 다루는 Q 비즈니스 계보 위에 에이전트와 자동화를 얹었다. 자연어 질문뿐 아니라 데이터 분석, 대시보드, 리서치, 워크플로 자동화를 한 제품군에서 처리하는 것이 특징이다.

Q. 지식 그래프는 RAG와 무엇이 다른가?

전통적인 벡터 검색 중심 RAG는 질문이 들어오면 관련 자료를 찾아 답변 컨텍스트로 제공한다. 아마존 퀵의 지식 그래프는 연결한 데이터에서 사람·프로젝트·조직·사건과 이들의 관계를 추출해 지속적인 개인 업무 맥락으로 쌓는다. 그래서 매번 같은 문서와 배경 설명을 다시 넣지 않고 과거 업무 관계를 활용하는 것이 목표다. 다만 지식 그래프와 RAG는 서로 배타적인 기술은 아니다.

Q. 월 20달러면 모든 기능을 쓸 수 있나?

아니다. 플러스와 프로페셔널이 월 20달러지만 대상과 기능이 다르다. 조직용 프로페셔널에서도 에이전트·리서치·플로우 등을 쓸 수 있지만 퀵 오토메이트(Quick Automate)와 퀵 사이트 대시보드 제작 같은 기능은 월 40달러 엔터프라이즈에서 제공된다. 프로페셔널과 엔터프라이즈에는 계정당 월 250달러 인프라 요금도 붙는다.

Q. 내 PC 파일이 아마존 서버에 그대로 올라가나?

AWS 설명으로는 사용자가 허용한 로컬 파일을 퀵의 클라우드 저장소에 업로드해 보관하지 않고 작업할 수 있다. 다만 AI 처리를 위한 요청은 클라우드 모델과 연결 서비스를 호출한다. AWS는 대화·파일·개인 컨텍스트를 AI 모델 학습이나 개선에 사용하지 않는다고 밝히고 있다.

Q. 한국에서 지금 쓸 수 있나?

기능에 따라 다르다. AWS 공식 문서상 서울 리전은 현재 퀵 전체 기능이 아니라 퀵 사이트(Quick Sight) 기능 지원 리전으로 표시돼 있으며 Q in Quick 생성형 BI 기능은 서울에서 지원한다. 이번에 공개한 데스크톱 앱은 미국 동부(버지니아 북부)의 퀵 구독자를 대상으로 프리뷰 중이다. 로컬 폴더 연결도 데스크톱 앱에서 제공하는 기능이다. 따라서 이번 행사를 한국 정식 출시로 표현하기보다는 국내 언론 첫 소개로 보는 것이 정확하다.

[테크수다 기자 도안구 eyeball@techsuda.com]

• 이 기사를 작성할 때 AI를 활용했다.

다만 그 답이 “마음에 드느냐”라고 묻는다면 모두 그렇지는 않다. 그대로 사용할 수 없어 문장을 고치고, 요구사항을 다시 정리하고, 프롬프트를 바꿔 또 질문한다. AI에게 좋은 답을 얻으려면 결국 내가 질문을 잘해야 한다. 질문을 잘하려면 내가 무엇을 원하는지 알아야 하고, 어느 정도는 그 분야를 알고 있어야 한다. 그러다 보면 AI의 한계보다 오히려 내 지식과 생각의 한계가 답변의 한계로 이어지는 때도 있다.

ChatGPT와 음성대화를 해보면 AI가 생각한다는 착각이 더 강하게 든다. 거의 시차 없이 답하고, 사람처럼 추임새를 넣고, 잠시 생각하는 듯한 말투까지 들려준다. 그럴 때 AI가 정말 생각하는 것일까, 아니면 생각하는 것처럼 아주 능숙하게 흉내 내고 있는 것일까 하는 의문이 든다.

인간의 생각을 흉내 내고 있는데, 그 흉내가 AI를 사용할수록, 기술이 고도화될수록 점점 정교해지고 있다는 느낌이다. AI가 내놓는 답은 더 매끄러워지고, 내가 중요하게 생각하는 것이 무엇인지도 이전보다 잘 짚는다. 사람이 AI에게 느끼는 낯섦의 경계가 조금씩 흐려지는 이유도 여기에 있을 것이다.

"AI는 AI이다"

분명 어딘가에는 ‘AI는 AI이다’라는 한계가 있다. 다만 사람의 일반적인 시선으로는 그것을 쉽게 눈치채지 못할 뿐이다. AI가 만든 답을 읽다 보면 전체적으로는 매끄러워 보이지만 어느 순간 얇은 방지턱을 넘는 것처럼 ‘덜컥’하는 느낌이 든다. 문장이 그럴듯해 보여도 하나하나 보면 제대로 꿰어지지 않은 옷처럼 어색한 부분이 나타난다. AI를 사용할수록 오히려 이런 작은 틈이 눈에 들어온다.

AI는 학습한 데이터를 바탕으로 답을 만든다. 그리고 사람들이 중요하게 여기는 것, 더 좋은 답이라고 평가하는 방향도 학습하면서 답을 조정한다. 그렇다면 사람은 어떤가. 우리가 생각하고 말하는 과정도 과거의 경험과 지식, 사람들과 나눈 대화에 영향을 받는다. 다만 사람은 그 과정에 자신의 경험과 감정, 관계, 상황에 대한 판단을 함께 집어넣는다. 바로 이 지점에서 AI의 답과 사람의 생각 사이에 분명한 차이가 있다.

사람과 대화를 하다 보면 모르는 질문 앞에서 잠시 멈칫하기도 한다. 답을 하지 못하기도 하고, 솔직하게 모른다고 말하기도 한다. 내 경험을 돌아봐도 아는 척을 할 때가 있지만, 그 선택에도 상황에 대한 판단과 망설임이 들어간다. AI도 모른다고 답할 수 있지만, 질문을 받으면 기본적으로 그 질문에 어울리는 답을 능숙하게 만든다. 답을 알고 있어서 말한다기보다, 답을 만드는 능력이 뛰어난 것이 생성형 AI의 중요한 특징 가운데 하나다.

그래서 AI의 답이 매끄럽다는 이유만으로 그 답이 정확하거나 깊이 있다고 받아들여서는 안 되는 것이다. 맞는 말을 할 때도 자연스럽고, 틀린 말을 할 때도 자연스럽다. 문장이 매끄럽기 때문에 오히려 사용자가 의심하지 않고 지나칠 가능성도 있다. AI 시대에 필요한 리터러시는 바로 이런 지점에서 시작한다. 답을 받는 것보다 그 답을 어떻게 받아들이고 어디까지 믿을지를 판단하는 능력이 중요해진다.

여러 생성형 AI 서비스의 기술 격차도 점점 좁혀지고 있다. 기업들은 경쟁에서 밀리지 않기 위해 계속 새로운 모델과 기능을 내놓고 있고, 이용자 입장에서는 이전보다 훨씬 좋은 서비스를 사용할 기회가 많아졌다. 얼마 전까지만 해도 놀라웠던 기능이 금세 익숙한 기능이 되고, 몇 달 사이에 답변의 수준도 달라진다. 이런 발전은 분명 반가운 일이다. 그러나 AI가 더 빠르고 더 쉽게 답을 내놓을수록 내가 직접 생각하는 시간을 잃고 있지는 않은지 돌아볼 필요도 있다.

예전에는 어떤 질문이 생기면 자료를 찾고, 몇 개의 글을 읽고, 비교하면서 생각하는 시간이 필요했다. 지금은 질문을 입력하는 순간 몇 초 만에 정리된 답을 받을 수 있다. 구글 노트북(Gemini Notebook)을 쓰다 보면 그 편리함을 쉽게 느낄 수 있다. 그러나 그만큼 생각의 과정이 짧아진 것도 사실이다. AI가 생각을 대신해 주는 것처럼 느끼기 시작하면 스스로 고민해야 할 문제까지 AI에게 넘기기 쉽다. AI의 발전도 필요하지만, 그만큼 우리가 놓지 말아야 할 부분이 이 지점이다.

이 문제는 업무에서 AI를 사용하는 사람에게만 해당하지 않는다. 학교 현장에서 만나는 일부 학생들과 이야기를 나눠 보면 생성형 AI를 선생님이나 부모보다 자신의 이야기를 편하게 털어놓을 수 있는 상대처럼 받아들이는 경우도 있다. 가상의 아바타나 AI 캐릭터와 친구처럼 대화를 이어가며 일상의 일부를 채우기도 한다. 사람과의 대화보다 AI와의 대화가 편하고 길어질수록 혼자 생각하거나 다른 사람과 부딪치며 답을 찾아가는 시간은 줄어들 수 있다. AI가 나를 이해해 준다는 느낌과 실제로 나를 이해하는 것은 같은 것인지도 한 번 생각해 볼 문제다.

적당한 거리두기의 기술

그래서 필요한 것은 AI를 사용하지 않는 것이 아니라 나와 AI 사이의 적당한 거리를 만드는 일이라고 생각한다. 그렇다면 적당한 거리는 어떤 거리를 말하는 걸까. AI가 잘하는 일은 적극적으로 맡기되, 내가 생각해야 할 것까지 모두 넘겨주지는 않는 것이다. 빠르게 답을 얻는 것과 깊이 생각하는 것은 다른 일이다. AI가 더 정교해질수록 그 차이를 의식적으로 구분해야 한다. 그렇지 않으면 AI가 생각하는 것처럼 보이는 만큼 내가 생각하지 않아도 된다는 착각에 빠질 수 있다.

다시 처음의 질문으로 돌아가 본다. AI는 생각할까, 아니면 생각하는 것처럼 흉내 내는 것일까. 인간처럼 경험하고 느끼며 생각한다고 말할 수 있을까. 나는 아직 AI가 인간의 생각을 아주 정교하게 흉내 내고 있는 쪽에 가깝다고 본다. 다만 그 흉내가 갈수록 자연스러워지고 있기 때문에 사람은 점점 그 차이를 알아채기 어려워질 것이다. 앞으로는 어떤 영역에서는 인간과 AI의 차이를 체감하기 어려울 정도로 성능이 높아질 가능성도 있다.

새로운 버전이 등장할 때마다 여러 벤치마크와 비교 자료가 쏟아진다. 추론, 코딩, 수학, 지식 등 다양한 영역에서 이전 모델보다 높은 점수를 기록했다는 결과를 보다 보면 AI의 능력이 빠르게 향상되고 있음을 실감한다. 사람의 생각을 뛰어넘는 AI의 등장 자체보다 앞으로 더 중요한 질문은 AI가 정말 생각하느냐가 아닐지도 모른다. AI가 생각하는 것처럼 보이는 시대에 사람이 자신의 생각을 얼마나 지켜낼 수 있느냐가 더 중요한 질문일 수 있다. 답을 얻는 시간을 줄이는 대신 생각하는 시간까지 함께 줄이고 있는 것은 아닌지 돌아볼 필요가 있다.

AI는 생각할까, 인간의 생각을 흉내 내고 있는 걸까. AI가 점점 더 잘 생각하는 것처럼 보일수록 우리는 오히려 더 깊이 생각해야 하지 않을까. AI를 어떻게 쓰고 있는지 질문해 보자. 지금 우리는 AI에게 답만 맡기고 있는가, 아니면 생각까지 맡기고 있는가.

[테크수다 기자 도안구 eyeball@techsuda.com] 오픈AI(OpenAI)와 엔비디아(NVIDIA)가 지난 12일 오픈AI 서울 오피스에서 국내 개발자를 위한 '코리아 개발자 밋업'을 열었다고 13일 밝혔다. 양사가 한국 개발자 커뮤니티를 대상으로 공동 개최한 첫 행사로, 국내 엔지니어와 AI 실무자, 솔루션 아키텍트, 테크 부문 리더, 스타트업 창업자 등 약 100명이 참석했다. 참석자들은 엔비디아의 AI 인프라·소프트웨어 생태계와 오픈AI의 개발자 도구를 활용해 프로덕션 수준의 AI 에이전트를 구축하는 방법을 살펴봤다. 양사는 이번 밋업을 계기로 국내 개발자 커뮤니티와의 교류를 이어갈 계획이다.

주요 내용

• 엔비디아 DGX-1 오픈AI 전달 10주년을 맞아 AI 인프라에서 에이전트 개발까지 기술 변화 조망
• 오픈AI 코덱스 기반 개발 워크플로와 엔비디아 네모 에이전트 툴킷·에이전트 스킬 활용법 소개
• 국내 개발자·AI 실무자 등 약 100명 참석해 AI 에이전트 구현 사례와 현장 경험 공유

올해는 엔비디아가 딥러닝을 위해 설계한 첫 통합형 AI 슈퍼컴퓨터 DGX-1을 오픈AI에 전달한 지 10주년이 되는 해다. 양사는 이를 계기로 지난 10년간 AI 인프라와 개발 환경이 어떻게 달라졌는지 짚고, 그 변화가 현재의 AI 에이전트 개발로 이어지는 흐름을 국내 개발자들과 공유했다. 참석자들은 각자의 개발 경험과 함께 에이전트를 실제 서비스에 적용하는 과정에서 마주한 기술적 과제도 나눴다.

세션에서는 양사 실무자가 각각의 개발 방식을 소개했다. 김성민 오픈AI AI 디플로이먼트 엔지니어는 오픈AI의 실제 개발 사례를 바탕으로 코덱스를 활용한 에이전트 기반 개발 워크플로를 설명하고, 자동화된 테스트와 평가 데이터를 활용한 코딩 검증 방법을 소개했다. 그는 여러 에이전트가 작업을 나눠 병렬로 수행하고 개발자가 그 결과를 검토·통합하는 협업 방식을 제안했다.

김찬란 엔비디아 시니어 디벨로퍼 릴레이션 매니저는 지난 10년간 AI가 바꾼 개발 환경을 짚으며 네모 에이전트 툴킷(NeMo Agent Toolkit)과 에이전트 스킬(Agent Skills)을 활용한 AI 에이전트 구축·확장 방법을 다뤘다.

국내 개발자들이 구현 사례를 짧게 발표하는 '라이트닝 토크'에서는 AI 에이전트를 개발하며 겪은 시행착오와 문제 해결 경험이 공유됐다. 이어진 오픈 Q&A와 커뮤니티 토론에서는 에이전트를 실제 업무와 서비스에 적용하고 운영 환경으로 확장하기 위한 과제와 접근법이 논의됐다.

김경훈 오픈AI 코리아 총괄대표는 오프닝 세션에서 "AI 활용이 단순 질의응답을 넘어 복잡한 과업을 수행하는 에이전트 개발로 빠르게 확장되는 만큼, 현장에서 축적한 경험과 노하우를 나누는 일이 어느 때보다 중요하다"며 "이번 밋업이 국내 개발자들이 AI 에이전트의 새로운 가능성을 함께 모색하는 자리가 되길 기대한다"고 말했다.

양사는 국내 개발자와 스타트업, 기업 기술팀이 개발 경험과 사례를 공유할 수 있는 커뮤니티 기반을 넓히고 다양한 공동 개발자 프로그램을 통해 교류를 이어갈 방침이다.

오픈AI·엔비디아 코리아 개발자 밋업, 이런 점이 궁금하셨나요?

Q. 두 회사가 왜 지금 공동 밋업을 열었나요?

A. 올해가 엔비디아가 첫 통합형 AI 슈퍼컴퓨터 DGX-1을 오픈AI에 전달한 지 10년이 되는 해다. 양사는 이 시점을 계기로 AI 인프라와 개발 환경의 변화를 돌아보고, 그 흐름이 오늘날의 AI 에이전트 개발로 이어지는 과정을 한국 개발자들과 공유하는 자리를 마련했다.

Q. 코덱스 기반 개발 워크플로는 기존 방식과 무엇이 다른가요?

A. 개발자가 코드를 직접 작성하는 대신 여러 에이전트가 작업을 나눠 병렬로 수행하고, 개발자는 그 결과를 검토·통합하는 방식이다. 자동화된 테스트와 평가 데이터로 코딩 결과를 검증하는 절차가 함께 제시됐다.

Q. 네모 에이전트 툴킷과 에이전트 스킬은 어떤 도구인가요?

A. 엔비디아가 AI 에이전트를 구축하고 운영 환경으로 확장할 때 쓰도록 제공하는 소프트웨어다. 이번 밋업에서는 이를 활용해 에이전트를 만들고 규모를 키우는 방법이 소개됐다.

URL

https://www.yourwebsite.com/

대한민국도 AI 데이터센터 구축 이슈에 직면해 있다. 대규모 발표도 있었고 관련 사업에 뛰어들겠다고 선언한 기업들도 많다. 전력과 송전망, 환경 이슈 등 많다. 모처럼 나온 대담이라 AI의 도움을 받아 정리했다.

핵심 내용

1. 속도 — 15년치를 1~2년에피터슨은 데이터센터 프로그램 첫 15년간 지은 규모를 최근 1~2년 사이에 다시 지었다고 밝혔다. 캠퍼스 크기도 몇 년 사이 몇 배로 커졌다.

2. 비용 — "소비자에게 전가하지 않는다"그는 루이지애나에서 전력회사 엔터지(Entergy)와 협력해 인프라 비용을 메타가 부담했다고 말했다. 그 결과 소비자가 20억 달러를 아꼈다는 설명이다.

3. 물 — 폐쇄 회로로 돈다냉각수는 시설 안에서만 순환하고 밖으로 배출되지 않는다. 리치랜드패리시(Richland Parish)에서는 사람이 마시지 않는 비음용수를 끌어 쓴다.

데이터센터는 풍경 속 회색 상자다. 안이 보이지 않으니 오해가 붙는다. 전기를 얼마나 먹는지, 물을 얼마나 쓰는지, 그 부담을 누가 지는지가 늘 논쟁거리다.

메타의 데이터센터를 15년째 짓고 돌려 온 사람이 그 질문을 정면으로 받았다. 피터슨은 부지 선정부터 설계, 전력 조달, 건설, 운영까지 생애주기 전체를 맡는다. 대담은 왜 직접 짓느냐는 질문에서 출발했다.

"우리 운명을 우리가 통제하려 했다"

— 클라우드 사업자를 쓰면 되지 않나.

피터슨은 2009년으로 시계를 돌렸다. 당시 회사 이름은 페이스북이었고, 임대 데이터센터 여러 곳에 흩어져 있었다. 규모는 지금과 비교할 수 없이 작았다. 그런데도 그는 기회를 봤다고 말했다. 더 싸게, 더 빠르게 지을 수 있다고 판단했다. 필요 없어 보이는 중복 설비가 많았다는 것이다.

"우리 운명을 우리가 통제하고 싶었다"고 그는 말했다. 건물만 짓는 게 아니라 스택 전체를 쥐겠다는 뜻이었다. 하드웨어부터 소프트웨어까지 직접 설계했다. 그는 "2009년에는 지금 규모를 결코 예측하지 못했다"면서도 "그때 그 결정을 내린 것이 다행"이라고 했다.

— 개인용 초지능을 떠받치는 인프라는 어떤 모습인가.

그는 먼저 초지능을 정의했다. "당신의 고유한 선호와 일하는 방식을 이해하는 최고의 전문가"라는 것이다. 그리고 그런 전문가에게는 엄청난 양의 연산이 필요하다고 했다.

그래서 밑바닥부터 본다고 그는 설명했다. 맞춤형 전력 인프라를 갖춘 부지를 찾고, 그 지역에 맞게 데이터센터를 따로 설계한다. GPU를 식히는 최첨단 냉각 기술이 들어간다. 서버도 맞춤 설계다. 자체 칩을 쓸 수도, AMD나 엔비디아(Nvidia) GPU를 쓸 수도 있게 유연성을 남긴다. 네트워크 스택도 직접 짠다.

— 부지는 어떻게 고르나.

전력과 물, 건설 속도, 노동력을 본다고 그는 답했다. 규제와 법적 쟁점도 따진다. 그런데 그가 마지막에 강조한 건 지역사회 적합성이었다.

이유는 기간에 있다. "20년짜리 투자"라는 것이다. 그는 "우리는 그곳에서 일만 하는 게 아니라 그곳에 산다"고 말했다. 그래서 가능한 한 지역에서 뽑는다고 했다.

20억 달러와 식당 두 곳

— 지역 인프라에 부담을 준다는 우려가 있다.

피터슨은 숫자로 받았다. 메타는 아주 이른 단계부터 전력망 사업자와 협력한다고 그는 설명했다. 목표는 두 가지다. 데이터센터에 전력을 끌어오는 것, 그리고 주변 소비자에게 비용을 전가하지 않는 것이다.

루이지애나 사례를 들었다. 메타는 전력회사 엔터지와 협력해 자사가 설치하는 인프라 비용을 직접 냈다. 그 결과 메타가 그곳에 가지 않았다면 고객들이 냈어야 할 돈을 20억 달러 넘게 아껴 주게 된다는 것이다.

톰 쇼가 되물었다. 어떤 방식으로 냈을 돈이냐는 질문이었다. 피터슨은 전기요금 인상이라고 답했다. 어차피 필요했던 전력망 효율 개선 비용이 소비자에게 넘어갔을 텐데, 그 상당 부분을 메타가 개발 과정에서 대신 부담했다는 설명이다.

"데이터센터가 제 몫보다 많이 가져간다는 오해가 있다"고 그는 말했다.

— 물은 얼마나 쓰나.

여기서 그는 설계를 먼저 꺼냈다. 메타 데이터센터는 완전한 폐쇄 회로다. 냉각수가 GPU와 시설을 식히며 안에서만 돈다. 밖으로 배출되지 않는다.

시설 전반을 식히는 냉각기는 따로 있다. 그는 이 냉각기의 연중 물 사용량이 "사실상 0"이라고 했다. 더운 날 조금 끌어 쓰는 정도다.

그리고 수치 하나를 내놨다. 곧 가동할 비버댐 시설이 1년에 쓸 물의 양이 풀서비스 식당 두 곳보다 적다는 것이다.

리치랜드패리시에서는 아예 비음용수를 쓴다고 그는 덧붙였다. 사람이 마시지 않을 수원에서 끌어온다는 뜻이다. 버려야 할 물은 하수처리 시스템으로 간다.

— 2030년에는 어떤 모습일 것 같나.

그는 예측을 피했다. 대신 지난 궤적을 내놨다. 첫 15년간 지은 것을 최근 1~2년 사이에 다시 지었다는 것이다. 캠퍼스 규모도 몇 년 사이 몇 배가 됐다.

이 속도가 회사의 정체성을 바꿨다고 그는 말했다. "어떤 면에서 스스로를 소프트웨어 회사로 보던 데서 완전한 인프라 회사로 옮겨 왔다"는 것이다.

— 무엇이 밤잠을 설치게 하나.

마지막 질문에 그는 속도와 복잡성을 꼽았다. 메타가 짓는 것 가운데는 한 번도 해 본 적 없는 것이 많다고 했다. 설계도 처음이고, 부지에 세우는 발전소도 처음이고, 쓰는 기술도 처음이다.

"이 속도로 새로운 기술을 한꺼번에 묶어 놓으면, 모든 게 예상대로 작동할지 궁금해지고 또 그러기를 바라게 된다"고 그는 말했다.

메타 데이터센터 총괄 "15년치를 최근 1~2년에 다 지었다"…"물은 식당 두 곳 수준", 이런 점이 궁금했어요

Q1. "15년치를 1~2년에 지었다"는 게 정확히 무슨 뜻인가요?

메타는 2009년부터 자체 데이터센터를 짓기 시작했습니다. 피터슨은 그 프로그램 첫 15년 동안 지은 전체 물량과 맞먹는 규모를 최근 1~2년 사이에 다시 지었다고 밝혔습니다. 캠퍼스 하나하나의 크기도 몇 년 사이 몇 배로 커졌습니다. AI 연산 수요가 건설 속도를 끌어올린 결과입니다.

Q2. 물 사용량이 식당 두 곳 수준이라는 건 어떻게 가능한가요?

냉각 방식 때문입니다. 메타는 데이터센터를 폐쇄 회로로 설계합니다. 냉각수가 GPU와 시설을 식히며 내부에서만 순환하고 밖으로 배출되지 않습니다. 시설 전반을 식히는 별도 냉각기는 연중 물 사용량이 사실상 0이라는 게 피터슨의 설명입니다. 비버댐 시설의 연간 사용량이 풀서비스 식당 두 곳보다 적다는 수치는 이 구조에서 나옵니다.

Q3. 소비자가 20억 달러를 아꼈다는 계산은 어디서 나온 건가요?

루이지애나 전력망은 어차피 효율 개선이 필요한 상태였습니다. 그 비용은 통상 전기요금 인상으로 소비자에게 넘어갑니다. 메타는 엔터지와 협력해 자사 데이터센터에 필요한 인프라 비용을 직접 부담했고, 그 과정에서 전력망 전반이 효율화됐습니다. 소비자가 내지 않아도 되게 된 금액이 20억 달러가 넘는다는 것이 피터슨의 설명입니다.

Q4. 메타는 왜 클라우드를 빌리지 않고 직접 짓나요?

2009년 임대 데이터센터를 쓰던 시절, 메타는 불필요한 중복 설비가 많고 더 싸고 빠르게 지을 수 있다고 판단했습니다. 더 큰 이유는 통제권이었습니다. 하드웨어와 소프트웨어, 네트워크까지 스택 전체를 직접 설계해야 원하는 방식으로 확장할 수 있다고 봤습니다. 피터슨은 이 결정이 지금의 AI 확장을 가능하게 했다고 평가했습니다.

[테크수다 기자 도안구 eyeball@techsuda.com]

• 이 기사를 작성할 때 AI를 활용했다.

https://about.fb.com/news/2026/08/the-future-is-for-everyone/

핵심 내용

1. 주장 — "자애로운 단일 초지능은 없다" 저커버그는 하나의 AI가 모두에게 자애로울 수 없다고 못 박았다. 인류의 가치가 서로 충돌하기 때문이다. 안전의 조건은 정렬이 아니라 힘의 균형이라는 것이다.

2. 물증 — 노트북에서 도는 모델 뮤즈 글리머는 클라우드를 거치지 않는다. 메모리 24~32GB인 맥이나 GPU 한 장짜리 PC면 돈다. 도구를 불러 여러 단계 작업을 끝내는 에이전트 기능도 넣었다.

3. 요구 — "출시를 한 달만 늦춰도 위험하다" 그는 훈련이 끝나기 전 중간 체크포인트를 미국 정부에 넘기자고 제안했다. 대신 규제로 출시를 늦추지 말라고 했다. 실리콘 수출 통제는 유지하라고 했다.

에세이를 다 읽는 데 30분이 걸렸다. 6,500단어면 그럴 만하다. 그런데 정작 오래 붙잡은 건 글이 아니었다. 같은 날 조용히 올라온 모델 한 개였다.

선언문은 늘 넘친다. AI 업계는 특히 그렇다. 검증할 방법이 마땅치 않아서다. 그래서 이번엔 순서를 바꿔 읽었다. 모델을 먼저 보고 글을 나중에 봤다.

변호사 한 명만 초지능을 가진다면

저커버그가 던진 질문은 두 개다. 누가 초지능을 쓰는가. 그것을 어디에 쓰는가.

그는 업계의 '정렬(alignment)' 개념부터 걷어찼다. 시간을 충분히 들이면 자애로운 초지능 하나를 완성할 수 있다는 믿음이다. 그는 여기에 결함이 있다고 봤다. 인류는 단일 문화가 아니라는 것이다.

"서로 대립하는 가치에 동시에 정렬할 기술적 해법은 없다"고 그는 썼다.

대신 그는 저울을 꺼냈다.

한 사람만 초지능 변호사를 가진다고 하자. 그는 틀렸어도 법정에서 이긴다. 모두가 가지면 격차가 사라진다. 한 사람만 사이버보안 초지능을 가지면 세상의 거의 모든 시스템이 뚫린다. 모두가 가지면 모든 시스템이 단단해진다. 한 기업만 가지면 시장이 죽는다. 모두가 가지면 시장이 산다.

결론은 한 줄이다. "자애로운 단일 초지능 같은 것은 존재하지 않는다."

그래서 그가 지목한 최악의 시나리오는 반대편에 있다. 연구소가 강력한 모델을 훈련해 놓고 자기들만 쥐고 있는 상황이다. 누가 봐도 앤트로픽(Anthropic)의 행보를 겨냥한 거다. 책임과 안전을 명분으로 삼아도 결과는 같다고 그는 봤다. 견제받지 않는 초지능 하나가 남는다.

일자리 이야기도 같은 저울 위에 올렸다. 산업혁명 전에는 인구의 90%가 농사를 지었다. 기술은 매번 사람을 옮겨 놨을 뿐 지우지 않았다는 논리다. 그는 "AI가 개인의 역량 성장보다 자동화를 반드시 더 빨리 키워야 한다는 법칙은 없다"고 썼다. 연산은 유한하니 기존 일자리를 자동화하기보다 새것을 발명하는 데 쓰는 편이 남는 장사라는 계산도 붙였다.

데이터센터 반발에는 숫자로 답했다. 루이지애나주 리치랜드패리시에서는 메타 투자로 세수가 늘어 올해 교사들이 5만 달러씩 보너스를 받았다. 교육감은 전국에서 교사들이 이주해 온다고 말했다. 물 문제도 걸었다. 2030년까지 쓴 것보다 많은 물을 되돌리고, 물이 부족한 지역에서는 200%를 갚겠다는 약속이다.

노트북에서 도는 300억 파라미터

뮤즈 글리머로 돌아가자.

메타는 그동안 오픈소스를 놓았다는 의심을 받았다. 라마(Llama) 이후 방향을 폐쇄형으로 틀었다는 관측이 이어졌다. 저커버그는 이번 글에서 "메타 슈퍼인텔리전스 랩스(Meta Superintelligence Labs)가 가동에 들어간 만큼 곧 오픈소스 공개를 재개한다"고 썼다. 그리고 같은 날 물건을 내놨다.

파라미터는 300억 개다. 라이선스는 아파치 2.0이다. 누구든 가져다 팔고 고쳐 뿌릴 수 있다. 4비트로 양자화하면 20GB 밑으로 떨어진다. 메타는 맥북 M4 맥스와 M5 맥스, 지포스 RTX 5090에서 돌렸다고 밝혔다.

숫자가 크게 와닿지 않는다면 이렇게 보면 된다. 지금까지 쓸 만한 에이전트를 돌리려면 데이터센터가 필요했다. 이제 책상 위 노트북 한 대면 된다.

기능도 얹었다. 도구를 불러 작업을 끝까지 밀고, 여러 단계로 추론하고, 실패한 단계를 스스로 되짚는다. 이미지도 읽는다. 100개 넘는 언어를 쓴다. 메타는 젬마4-31B(Gemma4-31B)와 큐원3.6-27B(Qwen3.6-27B)를 벤치마크에서 앞섰다고 밝혔다. 가중치는 허깅페이스에 올렸다.

여기서 에세이와 모델이 맞물린다. 저커버그는 "메타조차 이용자 정보를 볼 수 없는 비공개 모드"를 약속했다. 말로만 하면 공허하다. 그런데 모델이 기기 안에서 돌면 데이터가 밖으로 나갈 일이 없다. 약속의 근거가 코드에 있다는 뜻이다.

정부에 대한 요구는 더 직설적이다. 그는 훈련이 끝나기 전 중간 체크포인트를 정부에 넘기자고 했다. 정부는 핵심 인프라를 미리 손보고, 출시는 밀리지 않는다는 계산이다. 그는 "2개월의 우위조차 엄청난 가치"라고 썼다. 한 달 지연도 위험하다는 논리가 여기서 나온다. 중국이 격주로 1기가와트짜리 원전을 켠다는 문장도 붙였다.

비판은 바로 나왔다. 더 레지스터(The Register)는 2019년 "미래는 사적이다"를 꺼냈다. 그때도 저커버그는 프라이버시를 말했고, 광고 사업은 그대로였다. 무료 배포를 외치지만 연산 비용은 누군가 낸다는 지적도 있다.

맞는 지적이다. 다만 이번엔 검증할 물건이 하나 나왔다. 가중치가 공개됐으니 누구든 뜯어볼 수 있다. 선언은 반박하기 어렵지만 모델은 측정할 수 있다.

읽는 순서를 바꾼 이유가 그것이었다.

저커버그 "초지능 독점 말라"…메타, 노트북에서 도는 300억 파라미터 모델 풀었다, 이런 점이 궁금했어요

Q1. "초지능을 독점하지 말라"는 말은 누구를 겨냥한 건가요?

강력한 모델을 만들어 놓고 공개하지 않는 연구소들입니다. 저커버그는 이를 가장 위험한 시나리오로 꼽았습니다. 안전을 명분으로 삼아도 결과는 견제받지 않는 초지능 하나라는 것입니다. 오픈AI(OpenAI)·앤트로픽(Anthropic)·구글(Google)이 폐쇄형을 유지하는 구도를 염두에 둔 발언으로 읽힙니다.

Q2. 노트북에서 돈다는 게 왜 중요한가요?

데이터가 기기를 떠나지 않기 때문입니다. 지금까지 AI 에이전트를 쓰려면 개인 정보를 클라우드로 보내야 했습니다. 뮤즈 글리머는 4비트 양자화 기준 20GB 미만이라 메모리 24~32GB인 맥이나 GPU 한 장짜리 PC에서 돕니다. 저커버그가 약속한 "메타조차 볼 수 없는 비공개 모드"는 이 조건에서만 성립합니다.

Q3. '중간 체크포인트'를 정부에 넘긴다는 건 무슨 뜻인가요?

AI 모델은 훈련 중간중간 상태를 저장합니다. 이를 체크포인트라고 합니다. 지금은 훈련이 끝난 뒤 정부가 검토에 들어갑니다. 저커버그는 이 방식이 출시를 늦춘다고 봅니다. 중간 상태를 미리 넘기면 정부는 인프라를 먼저 점검하고, 이용자는 기다리지 않아도 된다는 구상입니다.

Q4. 이 주장의 약점은 무엇인가요?

이해충돌입니다. 배포 확대와 규제 완화는 메타의 사업 이익과 그대로 겹칩니다. 더 레지스터는 2019년 "미래는 사적이다" 선언 이후에도 메타가 광고 사업을 유지했다고 지적했습니다. 안전 연구자들은 능력 제한을 최소화하자는 제안이 생물학·사이버 위험을 가볍게 본다고 반박합니다.

[테크수다 기자 도안구 eyeball@techsuda.com]

주요 내용

• 8월 5~7일 사흘간 과천 메가존산학연센터에서 임직원 자녀 대상 첫 과정 운영
• 'AI FOR GOOD'을 주제로 진로 탐색, 리더십, 생성형 AI 실습, 사회문제 해결 프로젝트 구성
• 참가 범위와 규모를 넓혀 청소년 무상 IT 교육 사업으로 정례화

'AI FOR GOOD: 미래의 글로벌 IT 리더, AI 기술로 세상을 바꾸는 시간'을 주제로 열린 이번 과정은 ▲AI·클라우드 산업과 진로 탐색 ▲리더십 및 팀워크 함양 ▲생성형 AI 활용 실습 ▲AI 기반 사회문제 해결 프로젝트 등으로 짜였다. 회사는 실제 기업 AI 프로젝트를 수행 중인 리더급 엔지니어와 마케팅 전문가로 멘토단을 꾸려 학생들에게 산업 변화와 진로에 대한 경험을 전했다. 실습에서는 생성형 AI 도구를 활용한 이미지·영상 제작과 바이브 코딩 기반 웹사이트 제작을 다뤘다.

학생들은 디지털 소외계층, 장애·베리어프리, 가짜뉴스와 사이버폭력 등 10가지 사회적 이슈 가운데 하나를 골라 해결 방안을 발표하는 팀 과제를 수행했다. 멘토단은 발표마다 피드백을 제공해 기술 활용과 창의적 문제 해결 과정을 지도했다. '진로 탐색 및 미래의 나'를 주제로 스포츠 AI 전문가, 우주 쓰레기 청소부 등 미래 직업 아이디어를 제시한 2팀 멘티 리더 임승현 군(서울국제학교 12학년)은 "과제를 수행하며 미래에 어떤 일을 할지 생각해볼 수 있었다"며 "멘토들의 도움이 과제의 완성도를 높이는 데 큰 힘이 됐다"고 말했다.

염동훈 메가존클라우드 대표는 "청소년들이 AI 기술을 단순히 습득하는 데 그치지 않고 사회를 변화시키는 기술로서 그 가치를 이해하는 계기가 됐기를 바란다"며 "미래 리더로 성장할 수 있도록 청소년 IT 교육 지원을 계속 확대하겠다"고 말했다.

메가존클라우드는 AI·클라우드 전문가 2000여 명을 보유하고 국내외 8000여 고객사의 AI 전환(AX)을 지원하는 엔터프라이즈 AI 오케스트레이터다. 주요 클라우드 서비스 제공사(CSP)와 200여 개 독립 소프트웨어 공급사(ISV) 파트너 생태계를 기반으로 한국을 포함한 10개국에서 사업을 펼치고 있다.

메가존클라우드 청소년 AI 리더십 포럼, 이런 점이 궁금하셨나요?

Q. 포럼에는 누가 참가할 수 있나요?

A. 첫 회차는 메가존클라우드 임직원의 중·고등학생 자녀를 대상으로 진행했다. 회사는 앞으로 참가 대상을 외부 청소년까지 넓히고 규모도 확대할 계획이라고 밝혔다.

Q. 어떤 내용을 배우나요?

A. AI·클라우드 산업 이해와 진로 탐색, 리더십·팀워크 훈련, 생성형 AI를 활용한 이미지·영상 제작과 바이브 코딩 실습으로 구성된다. 마지막에는 배운 기술로 사회 문제 해결책을 제안하는 팀 프로젝트를 수행한다.

Q. 'AI FOR GOOD'이라는 주제는 무엇을 의미하나요?

A. AI를 기술 습득의 대상이 아니라 사회적 가치를 만드는 수단으로 다루겠다는 뜻이다. 학생들은 디지털 소외, 베리어프리, 가짜뉴스 등 실제 사회 문제를 골라 AI 기반 해법을 설계했다.

🇺🇸 English

Megazone Cloud Launches AI Leadership Forum to Groom Next Generation of Tech Leaders

SEOUL — Megazone Cloud held its first Global Tech Youth Leadership Forum from Aug. 5 to 7 at its industry-academia research center in Gwacheon, south of Seoul, the AI and cloud services company said Monday. The three-day program was offered free of charge to middle and high school children of employees, and centered on using artificial intelligence to address social problems. The company said it plans to open future sessions to students outside the company and to run the forum regularly.

Built around the theme "AI for Good," the curriculum covered career exploration in the AI and cloud industry, leadership and teamwork training, hands-on work with generative AI tools, and a project applying AI to social issues. Megazone Cloud assembled a mentor group of senior engineers and marketing specialists who are currently running enterprise AI projects, and had them share industry insights with the students. Practical sessions included producing images and video with generative AI tools and building websites through vibe coding.

Students chose one of 10 social issues — among them digital exclusion, accessibility for people with disabilities, disinformation and cyberbullying — and presented solutions as teams, with mentors giving feedback on each pitch. Lim Seung-hyun, a 12th grader at Seoul International School who led a team that proposed future jobs such as sports AI specialist and space debris collector, said the assignment gave him a clearer sense of what he might do in the future. Chief Executive Yeom Dong-hoon said he hopes the students came away understanding AI as a technology that changes society rather than a skill to acquire, adding that the company will keep expanding its IT education programs for young people. Megazone Cloud employs about 2,000 AI and cloud specialists, serves roughly 8,000 corporate clients and operates in 10 countries.

Questions Readers Are Asking

Q. Who can attend the forum?

A. The first session was limited to middle and high school children of Megazone Cloud employees. The company says it will widen eligibility to students outside the company and increase the number of participants.

Q. What does the program teach?

A. It combines career exploration in the AI and cloud sector, leadership and teamwork training, and hands-on practice with generative AI for image, video and website creation. Participants then apply those skills in a team project proposing solutions to real social problems.

Q. Will the forum continue?

A. Megazone Cloud says it will make the forum a regular offering and expand it as part of its free IT education program for young people. No date for the second session has been announced.

🇨🇳 中文

MegazoneCloud首办青少年AI领导力论坛 着力培养未来科技人才

首尔消息 人工智能与云服务企业MegazoneCloud10日表示，该公司于8月5日至7日在京畿道果川的产学研中心举办了首届"全球科技青少年领导力论坛"。为期三天的课程面向公司员工的初高中子女免费开放，重点引导学生运用人工智能技术解决社会问题。该公司表示，今后将把参与对象扩大至公司以外的青少年，并将该论坛定期化。

本次课程以"AI FOR GOOD"为主题，内容包括人工智能与云计算产业认知及职业探索、领导力与团队协作训练、生成式人工智能实操，以及基于人工智能的社会问题解决项目。公司从正在执行企业级人工智能项目的资深工程师和市场专家中组建导师团，向学生分享产业变化与职业发展经验。实操环节涵盖利用生成式人工智能工具制作图像和视频，以及通过氛围编程方式搭建网站。

学生们从数字弱势群体、无障碍环境、虚假新闻与网络暴力等10个社会议题中选取一项，以小组形式提出解决方案并进行发表，导师团逐一给予反馈。以"职业探索与未来的我"为题、提出体育人工智能专家和太空垃圾清理员等未来职业构想的第二组组长林升贤（首尔国际学校12年级）表示，通过完成课题得以思考未来的职业方向。MegazoneCloud首席执行官廉东勋表示，希望学生们不止于掌握技术，而是理解人工智能改变社会的价值，公司将持续扩大面向青少年的信息技术教育支持。该公司拥有约2000名人工智能与云计算专家，为国内外约8000家企业客户提供服务，业务覆盖10个国家。

读者关注的问题

问: 谁可以参加该论坛？

答: 首届课程仅面向MegazoneCloud员工的初高中子女。公司表示今后将把参与对象扩大至公司以外的青少年，规模也将同步扩大。

问: 课程包含哪些内容？

答: 涵盖人工智能与云计算产业认知、职业探索、领导力与团队协作训练，以及利用生成式人工智能制作图像、视频和搭建网站的实操。课程最后设有运用所学技术提出社会问题解决方案的小组项目。

问: "AI FOR GOOD"主题有何含义？

答: 指将人工智能视为创造社会价值的手段，而非单纯的技术学习对象。学生们据此选择数字弱势群体、无障碍环境、虚假新闻等现实议题，设计基于人工智能的解决方案。

🇯🇵 日本語

メガゾーンクラウド、青少年向けAIリーダーシップ・フォーラムを初開催

【ソウル】人工知能（AI）・クラウド企業のメガゾーンクラウドは10日、京畿道果川市の産学研センターで5日から7日までの3日間、第1回「グローバル・テック・ユース・リーダーシップ・フォーラム」を開催したと発表した。同社の従業員の中高生の子どもを対象とした無償の教育課程で、AI技術を通じて社会課題の解決に取り組む次世代リーダーの育成に重点を置いた。同社は今後、参加対象を社外の青少年に広げ、定例化する方針だ。

「AI FOR GOOD」をテーマとした課程は、AI・クラウド産業の理解と進路探索、リーダーシップとチームワークの育成、生成AIの活用実習、AIを用いた社会課題解決プロジェクトで構成した。同社は企業のAIプロジェクトを手掛けるリーダー級のエンジニアやマーケティング専門家で構成する指導陣を編成し、産業の変化や進路について助言した。実習では生成AIツールによる画像・動画制作や、バイブコーディングによるウェブサイト制作を扱った。

生徒らはデジタル弱者、障害者のバリアフリー、偽ニュースやネットいじめなど10の社会課題から一つを選び、解決策をチームで発表し、指導陣から助言を受けた。「進路探索と未来の自分」をテーマにスポーツAI専門家や宇宙ごみ清掃員といった将来の職業を提案した第2チームのリーダー、林升賢さん（ソウル国際学校12年）は「課題を通じて将来何をするか考えることができた」と語った。廉東勲最高経営責任者（CEO）は「AI技術の習得にとどまらず、社会を変える技術としての価値を理解する機会になってほしい」と述べ、青少年向けIT教育支援を拡大する考えを示した。同社はAI・クラウドの専門人材約2000人を擁し、国内外約8000社の顧客を抱え、10カ国で事業を展開している。

読者の関心が高い点

Q. フォーラムには誰が参加できるのか。

A. 第1回は同社従業員の中高生の子どもに限定して実施した。同社は今後、社外の青少年にも対象を広げ、規模も拡大する方針を示している。

Q. どのような内容を学ぶのか。

A. AI・クラウド産業の理解と進路探索、リーダーシップとチームワークの訓練に加え、生成AIによる画像・動画制作やウェブサイト制作の実習で構成する。最後に習得した技術で社会課題の解決策を提案するチーム課題に取り組む。

Q. 今後も開催されるのか。

A. 同社は青少年向けの無償IT教育事業として定例化し、規模を拡大する方針を明らかにしている。第2回の日程は公表していない。

• 외국어 기사는 AI를 활용했다.

AI뭔데이?

다들 무탈하시죠? 정말 덥습니다. 건강 잘 챙기시기 바랍니다. 이번 글은 지난 주 있었던 코히어 기자간담회 내용입니다.
코히어는 2019년 설립된 캐나다의 AI 회사입니다. 처음부터 B2B 시장을 겨냥했습니다. 그래서 소버린 AI에 대해 할 말도 많았던 거 같고 재미난 사례도 있었습니다.

코히어는 자사의 통합 플랫폼을 퍼블릭 클라우드와 프라이빗 환경, 온프레미스 등 다양한 구축 환경에서 높은 수준의 보안과 개인 정보 보호, 유연성을 차별화 요소로 강조합니다. 이 회사를 만든 이들도 대단한 이들입니다.

에이단 고메즈 CEO는 2017년 ‘어텐션 이즈 올 유 니드’ 공저자 8명 중 여섯 번째다. 당시 만 20세, 토론토대 학부생이자 구글 브레인 인턴이었다. 오늘날 모든 LLM의 뼈대인 트랜스포머를 제시한 그 논문이다. 저자 8명은 전원 구글을 떠났고 고메즈는 2019년 코히어를 세웠다. 옥스퍼드 박사 학위는 2024년에 받았다.

공동창업자 닉 프로스트는 1993년생이다. ‘AI의 대부’ 제프리 힌턴이 구글 브레인 토론토 연구소에서 초기에 뽑은 사람 중 하나다. 인디 팝록 밴드 굿 키드(Good Kid) 보컬로 2024년 주노상 신인그룹상 후보에도 올랐다. 또 다른 공동창업자 이반 장은 AI 연구 조직 for.ai를 만들었고 이 조직은 나중에 코히어 연구소로 들어갔다.

최고AI책임자 조엘 피노는 맥길대 교수이자 메타에서 8년간 AI 리서치 부사장으로 FAIR 랩을 총괄했다. 얀 르쿤과 라마(Llama)를 이끈 사람이다. 지난 2025sus 5월 메타를 나와 8월 코히어에 합류했다. 최고기술책임자 필 블런섬은 딥마인드 출신으로 옥스퍼드 교수를 겸한다. 최고재무책임자 프랑수아 채드윅은 우버 임시 CFO로 우버 상장을 실무 지휘했다.

명단에 이름 두 개가 더 있다. AI 검색 부사장 닐스 라이너스는 허깅페이스 출신으로 문장 임베딩 모델 sBERT를 만든 사람이다. 그리고 에이전트 담당 디렉터 패트릭 루이스. 2020년 RAG 논문의 제1저자다. 전 세계 기업이 사내 문서를 AI에 물리는 그 방식에 이름을 붙인 사람이 지금 코히어 런던에서 에이전트를 판다.

트랜스포머를 만든 사람이 CEO, 힌턴이 뽑은 연구자가 공동창업자, 라마를 이끈 사람이 CAIO, RAG를 만든 사람이 에이전트 디렉터. 이 조합이 소비자 챗봇이 아니라 은행 방화벽 안쪽을 겨냥한다. 

그럼 시작할게요.

"온프레미스 계약은 토큰으로 안 받는다"…한국 법인 세우는 캐나다 소버린 AI 기업

질문을 하나 준비해 갔다.

토큰 가격이 계속 떨어진다. 오픈웨이트 모델도 빠르게 퍼진다. 경쟁이 모델 성능에서 토큰당 경제성으로, 다시 실제로 일을 처리하는 쪽으로 옮겨가고 있다. 그렇다면 죄다 헐값에 뿌려지는 세상이 왔을 때 클라우드 사업자는 몰라도 LLM 기업은 뭘로 먹고사나.

이 기사 핵심 3가지

① 온프레미스 계약은 토큰으로 받지 않는다. 이용자 수나 동시 접속자 수 기준의 연 단위 라이선스다. 다만 코히어의 일반 API는 다른 사업자처럼 토큰당 과금한다.

② 소프트웨어가 고객 하드웨어에서 돈다. 고객이 GPU와 전력을 대고 코히어는 라이선스를 판다. 자사 비교 기준 컴퓨트를 최대 8배 적게 쓴다는 게 온프레미스 문턱을 낮추는 무기다.

③ 완성품이 아니라 베이스 모델을 판다. 커맨드 R+에서 출발한 후지쯔 타카네가 일본 디지털청의 '국내 개발 LLM' 평가 대상에 올랐다. 코히어는 한국·일본 법인 설립 절차를 시작했다.

8월 5일 서울 소공동 웨스틴조선호텔. 코히어(Cohere) 기자간담회 질의응답에서 이 질문을 던졌다.

프랭크 오다우드 코히어 사업총괄책임(CRO)의 답이 예상 밖이었다. 이날 코히어가 강조한 온프레미스·프라이빗 엔터프라이즈 계약은 토큰당 과금이 아니라고 했다. 오히려 토큰값이 내려가기를 바란다고도 했다. AI 산업이 이미 토큰 단가 하락을 견딜 만큼 커졌다는 것이다. 다만 코히어의 일반 API는 다른 주요 모델 사업자처럼 입·출력 토큰 사용량에 따라 과금한다.

행사가 끝나고 명함을 주고받는데 오다우드 CRO가 엄지를 치켜세웠다. 좋은 질문이었다고 했다. 나이들어도 칭찬을 받으면 기쁘다. 주책이다.

나중에 받은 발표자료를 넘겨보고서야 이유를 알았다. 22장짜리 자료 8쪽 제목이 이렇게 달려 있었다. 'Paying for tokens, getting no value'. 토큰값은 내는데 얻는 게 없다는 뜻이다. 그 아래 소제목은 'IP와 경쟁우위가 위험하다', 그다음은 '과잉 판매가 심판을 불렀다'였다. 이 회사가 서울까지 들고 온 이야기의 심장이 그 한 장이었다.

값은 1000분의 1인데 사용량은 330배

같은 수준의 MMLU 성능을 내는 모델 기준으로 100만 토큰 처리 비용은 2021년 11월 60달러에서 2024년 11월 0.06달러로 떨어졌다. 3년에 1000분의 1이다. 벤처캐피털 안드리센호로위츠(a16z)가 여기에 'LLM플레이션'이라는 이름을 붙였다. 스탠퍼드대 HAI는 GPT-3.5급 추론 비용이 2022년 11월부터 2024년 10월까지 280배 넘게 내려갔다고 집계했다.

그런데 기업이 받아 드는 청구서는 오히려 커졌다.

우버(Uber)는 2026년 한 해치로 잡아둔 AI 코딩 도구 예산을 1월부터 4월까지 넉 달 만에 소진했다. 엔지니어 약 5000명에게 코딩 에이전트를 확대한 결과다. 커밋되는 코드의 70%가 AI가 작성한 것이었고 1인당 월 비용은 평균 150~250달러, 많이 쓰는 사람은 500~2000달러로 보도됐다. 6월 2일 보도 당시 우버는 1인당 월 1500달러 상한을 도입한 상태였다.

값이 내려가는데 사용량이 더 빠르게 늘어나는 현상에는 오래된 이름이 있다. 제본스 역설이다. 구글이 자사 제품과 API에서 처리한 월간 토큰은 2024년 5월 9조 7000억 개에서 2026년 5월 3200조 개 이상으로 늘었다. 2년 사이 330배가 넘는다.

지출을 밀어올린 진짜 범인은 에이전트다. 스탠퍼드대 디지털이코노미랩이 지난 4월 공개한 연구에서 에이전틱 코딩 작업은 단순 코드 추론보다 최대 1000배 많은 토큰을 썼다. 비용을 키운 핵심은 출력보다 입력이었다. 많은 에이전트 프레임워크가 단계마다 누적된 대화와 도구 실행 결과를 다시 컨텍스트에 넣기 때문이다. 같은 에이전트에 같은 일을 반복시켜도 비용이 최대 30배까지 벌어졌고, 모델은 자기가 쓸 비용을 일관되게 적게 잡았다.

기업 재무팀에는 악몽이다. 2027년 예산을 짜야 하는데 얼마 나올지 아무도 모른다.

돈을 썼으면 성과라도 나와야 한다. 맥킨지가 2025년 여름 105개국 1993명에게 물었더니 AI가 영업이익에 조금이라도 영향을 줬다고 답한 사람은 39%뿐이었고 그중 대부분도 5% 미만이라고 했다. 가트너는 2027년 말까지 에이전틱 AI 프로젝트의 40% 이상이 취소될 것으로 봤다.

수치는 어긋나도 방향은 하나다. 돈은 쓰는데 그 돈이 어디로 얼마나 가는지 모르겠다는 것이다.

"토큰 낼 필요도, 남의 서버에 데이터 보낼 필요도 없다"

코히어가 파고드는 지점이 정확히 여기다.

과금 방식은 장화진 코히어 아시아태평양 총괄 대표가 설명했다. 그가 소개한 온프레미스 계약은 동시 접속자 수나 이용자 수 등을 기준으로 연 단위 계약을 맺는다. 계약 범위 안에서는 한 사람이 모델을 오래 돌려도 토큰 사용량 때문에 코히어에 내는 라이선스 비용이 추가되지 않는다. 다만 고객이 부담하는 GPU 구입·임차비, 전력비, 운영비까지 고정되는 것은 아니다.

장 대표가 최근 미국의 한 대형 은행 얘기를 꺼냈다. 프런티어 모델 사용료로 월 예산을 잡아뒀는데 한 달 뒤 받아 든 청구서가 예산을 한참 넘겼다. 최고재무책임자(CFO)가 이걸 어떻게 처리하나 붙들고 있는 상황에서 그 은행이 코히어를 찾아왔다는 것이다.

이런 과금이 가능한 건 원가 구조가 다르기 때문이다. 프라이빗 배포에서는 소프트웨어가 고객이 관리하는 하드웨어에서 돌아가므로 코히어가 추론 인프라를 전부 떠안을 필요가 없다. 고객이 GPU·전력·운영비를 대고 코히어는 모델 라이선스와 구축 지원을 판다. 옛날 엔터프라이즈 소프트웨어 장사에 가까운 면이 있다.

숫자는 회사 주장을 일부 뒷받침한다. CNBC가 지난 2월 입수해 보도한 투자자 서한에 따르면 2025년 연간반복매출(ARR)은 2억 4000만 달러로 목표 2억 달러를 넘겼고 평균 매출총이익률은 70%였다. 다만 ARR는 회계상 매출이 아니며 70% 마진이 배포 구조만으로 만들어졌다고 단정할 수는 없다.

비교하면 맥락이 잡힌다. 로이터가 전한 내부자료 보도에 따르면 오픈AI는 2026년 1분기 매출 57억 달러를 올렸지만 같은 기간 현금 37억 달러를 소진했다. 매출총이익률은 전년 동기 33%에서 39%로 높아졌다. 앤트로픽(Anthropic)은 4월 기준 연환산 매출 런레이트가 300억 달러를 넘었다. 두 회사 모두 비상장사여서 수치는 내부자료나 관계자 발언에 의존한다.

원가의 다른 한 축은 모델 크기다. 코히어는 발표자료에서 자사 비교 조건상 비슷한 성능의 경쟁 모델보다 컴퓨트를 최대 8배 적게 쓴다고 주장했다. 독립된 표준 시험에서 확인된 배수는 아니다. 지난해 3월 공개한 커맨드 A(Command A)는 1110억 파라미터 모델이 엔비디아 A100이나 H100 두 장에서 구동된다는 점을 전면에 걸었다. 방화벽 안에 모델을 넣어야 하는 금융·국방·의료 고객에게 대규모 클러스터와 소수 GPU 서버의 차이는 도입 가능성과 총소유비용을 가르는 변수다.

맨 뒤에 앉았다가 사진을 안찍고 발표 자료를 받으면 되겠다고 방심했더니 정작 받은 자료에는 그 비교 데이터가 사라졌다. 아쁠사. 발표 자료는 항상 사진을 찍어둬야 한다는 걸 다시 한번 느꼈다. 이 나이를 먹고도 이런 실수를 하다니. 믿은 내가 바보다.

후지쯔는 왜 그걸 '자사 모델'이라 부르나

코히어가 규제 산업에 내미는 핵심 제안은 베이스 모델과 학습·검색 기술을 고객 환경에 맞춰 커스터마이즈하고 결과물을 고객이 통제하는 서버에 배포하는 것이다. 이 구조가 가장 멀리 간 곳이 일본 후지쯔다.

후지쯔는 2024년 7월 코히어와의 파트너십을 발표하며 세 가지를 한꺼번에 공개했다. 코히어에 출자했다는 것, 코히어 LLM을 베이스로 일본어 강화판을 공동 개발한다는 것, 그리고 그 결과물을 후지쯔가 글로벌 시장에 독점 제공하기로 합의했다는 것이다.

두 달 뒤 나온 결과물이 타카네(Takane)다. 커맨드 R+를 베이스로 삼고 일본어 학습에 더해 환각을 억제하는 지식그래프 확장 RAG, 법규제 준수를 자동 점검하는 생성 AI 감사 기술을 얹었다. 후지쯔는 자체 측정한 일본어 벤치마크 JGLUE 네 항목 평균에서 타카네가 0.92로 GPT-4o의 0.88, 클로드 3.5 소넷의 0.86을 앞섰다며 '세계 제일의 일본어 성능'이라는 표현을 보도자료 제목에 넣었다. 제3자 검증이 아니라 자사 평가다.

그리고 올해, 이 구조가 시험대에 올랐다.

일본 디지털청은 정부 직원용 생성형 AI 플랫폼 겐나이(源内)에서 시험할 '국내 개발 LLM' 공모에 접수된 15건 가운데 일곱 모델을 먼저 선정했고, 두 곳이 사퇴해 5개사와 평가·검증 계약을 맺었다. NTT데이터 츠즈미 2, 소프트뱅크 사라시나 3 미니, NEC 코토미 v3, 프리퍼드네트웍스 PLaMo 2.0 프라임, 그리고 후지쯔 타카네 32B다. 전 부성청 직원 약 18만 명이 대상이며 검증을 통과한 모델은 2027년 4월부터 유상 조달 대상이 된다.

선정 기준은 독자 모델인지 파생 모델인지 구분하고 개발 경위와 국내 개발 기여를 설명하도록 했다. 캐나다 코히어의 커맨드 R+에서 출발한 타카네도 그 기준을 통과했다. 한국이 밑바닥부터 만들었느냐를 따지는 것과는 다른 자가 작동한 셈이다.

한국에서 같은 공식을 쓰는 곳이 LG CNS다. AX전문기업 LG CNS는 2025년 7월 글로벌 AI 유니콘 기업 ‘코히어(Cohere)’와 손잡고 1,110억개의 파라미터를 갖춘 추론형 LLM(Large Language Model)을 공동 개발했다고 밝혔다. 이 LLM은 한국어, 영어 등 23개 언어를 지원하며, 추론 등 핵심 성능에서 글로벌 상위 모델을 뛰어넘는 결과를 보였다는 게 당시 설명이었다.

LG CNS는 2025년 5월 코히어와 70억개의 파라미터로 구성된 한국어 특화 경량 모델을 출시했고, 두 달 만에 초대형 모델을 연이어 발표했다. LG CNS는 금융, 공공 등 민감한 데이터를 다루는 국내 고객들의 비즈니스 혁신을 위해 글로벌 시장에서 역량을 인정받고 있는 코히어와 협력해 추론형 LLM을 개발했다. 추론형 LLM은 AI가 복잡한 문제에 대해 여러 변수를 고려한 논리적인 해답을 도출하는 모델로, AI가 스스로 판단하고 작업을 수행하는 ‘에이전틱 AI’ 서비스 구현에 필수적인 기술로 손꼽힌다.

그런데 LG CNS 보도자료는 일관되게 '공동 개발'과 '협력해 개발'만 쓴다. 후지쯔처럼 '당사의 대규모언어모델'이라 부르거나 독점 제공권을 언급한 대목은 없다.

그래서 궁금해졌다.

그래서 그 모델은 누구 것인가

간담회가 끝나고 장 대표에게 명함을 교환하러 갔다. 그렇게 만든 모델의 소유권은 결국 누구에게 있느냐고 물었다.

답은 짧았다.

"계약에 따라 다양한 사례가 있습니다."

더 나올 게 없는 답이지만 이 한 줄이 꽤 많은 걸 설명한다. 후지쯔와 LG CNS가 같은 코히어 구조를 쓰면서도 발표문 표현이 다른 이유가 여기 있다. 후지쯔는 독점 제공권까지 받아냈고 LG CNS는 공동 개발로 정리했다. 계약서가 다르니 부르는 이름도 다르다. 계약 내용을 알 길이 없다.

실제로 후지쯔든 LG CNS든, 완성된 모델 가중치의 지식재산권이 누구에게 가는지를 명시한 공개 문서는 어디에도 없다.

기술적 통제권은 고객에게 가깝다. 가중치와 추론 환경이 고객 인프라에 놓이면 코히어가 원격 API처럼 사용을 관찰하거나 즉시 중단시키기 어렵다. 장 대표는 간담회에서 온프레미스에 구축하면 코히어가 물리적으로 그 모델을 끌 방법이 없고 어떤 데이터로 돌리는지, 누가 쓰는지도 볼 수 없다고 설명했다. 다만 라이선스 기간과 업데이트, 기술지원은 여전히 계약의 영향을 받는다.

정확히 말하면 고객이 확보하는 것은 배포 위치와 운용·접근에 대한 통제권이다. 원본 가중치와 파생 가중치의 지식재산권이 누구에게 귀속되는지는 계약서를 봐야 한다. 그리고 그 계약서는 공개되지 않는다.

한국이라는 시험대

코히어는 지난해 7월 서울에 아태 허브를 열었고 이번에 한국과 일본에 각각 독립 법인을 세우겠다고 밝혔다. 장 대표는 절차에 3개월쯤 걸릴 것으로 봤다. 법인장은 아직 없고 그때까지는 장 대표가 겸직한다. 한국·일본·싱가포르 중 한국 직원이 가장 많고 고객도 가장 많으며 성장도 가장 빠르다는 설명이다.

코히어는 고객사 현장에 들어가 함께 구축하는 인력을 FDE(포워드 디플로이드 엔지니어)라 부른다. 온프레미스 비중이 높아 현장 인력이 필수다. 인터넷 기반 솔루션에서는 고객이 불안해 안 붙이던 사내 데이터베이스와 애플리케이션을 온프레미스에서는 MCP로 연결한다.

한국을 아태 허브로 삼은 이유를 오다우드 CRO는 세계에서 가장 역동적이고 경쟁이 치열한 시장 중 하나이며 여기서 되면 아태 전역으로 넓힐 수 있는 시험대가 되기 때문이라고 설명했다. 장 대표는 아태 고객사가 1년 새 다섯 배 늘었고 그중 상당수가 한국이라며, 앞으로 1년간 세 배 더 늘리겠다고 밝혔다. MOU가 아니라 계약해서 프로젝트를 도는 고객 기준이라고 못 박았다.

FDE에 대해 더 깊게 질문하지 못해 못내 아쉬웠다.

남는 질문

첫째, 좌석 과금이 에이전트 시대에도 버틸까. 사람 수로 값을 매기는 건 사람이 소프트웨어를 쓴다는 전제 위에 서 있다. 에이전트가 사람 없이 24시간 돌면서 다른 에이전트를 부르는 구조가 보편화되면 좌석이라는 단위 자체가 흔들린다.

둘째, 온프레미스의 경제학이다. 고객이 GPU를 사고 전기를 대면 코히어의 변동 원가는 낮아지지만 고객 총소유비용은 그만큼 늘어난다. 코히어가 주장하는 최대 8배의 컴퓨트 효율이 실제 환경에서 그 부담을 얼마나 상쇄하는지는 시간이 답할 문제다. FDE를 대거 뽑는다는 것 자체가 구축 비용이 실재한다는 뜻이다.

토큰 단가는 앞으로도 떨어질 가능성이 크다. 그 과정에서 순수 사용량 기반 API, 전용 인스턴스, 좌석·연간 라이선스를 섞는 회사들의 손익계산서는 서로 다르게 벌어질 것이다.

간담회장을 나오면서 남은 생각은 하나였다. 우리 회사가 AI에 쓰는 돈이 내년에 얼마가 될지 지금 말할 수 있는가. 그 답이 "모른다"라면 토큰 사용량과 직접 연동되지 않는 프라이빗 계약은 한 번쯤 검토해볼 만한 조건이다. 다만 코히어의 라이선스 비용만 예측 가능해지는 것이지 GPU·전력·구축·운영을 포함한 전체 AI 비용까지 고정되는 것은 아니다.

대한민국에서 소버린 AI는 대부분 독자적 기술 개발을 통한 획득이다. 오픈소스 SW가 하나라도 들어가 있다고 해도 독자적인 게 아니라고 손가락질을 하는 나라다. 그럼에도 불구하고 현실적인 접근도 필요하다. 기업은 생존이 걸려 있기 때문이다.

오픈AI와 앤트로픽에 모든 관심이 쏠려 있지만 B2B 시장을 정조준해서 움직인 건 코히어의 차별점이다. 코히어는 엔비디아, AMD 벤처스, 세일즈포스 벤처스, 오라클, 시스코 등 전략적 시술 투자와 래디컬 벤처스, 이노비아 캐피털, PSP 인베스트먼츠, HOOPP, BDC, 넥서스 등 기관투자가로부터 약 16억 달러의 투자를 유치했다. 한국 기관 투자가들도 한번 이름을 올리면 어떨까 싶었다.

코히어에 대해 자주 묻는 질문(FAQ)

Q1. 코히어 과금은 오픈AI·앤트로픽과 어떻게 다른가

오픈AI와 앤트로픽의 일반 API는 입·출력 토큰 사용량 기준으로 과금하고, 코히어의 일반 API도 마찬가지다. 차이는 간담회에서 소개한 일부 온프레미스·프라이빗 계약이다. 이용자 수나 동시 접속자 수를 기준으로 연 단위 라이선스를 맺어 계약 범위 안의 코히어 사용료를 미리 예측할 수 있다. GPU·전력·구축비는 별도다.

Q2. 코히어 베이스로 만든 모델은 결국 누구 것인가

간담회 뒤 장화진 대표에게 물었더니 계약에 따라 다양한 사례가 있다는 답이 돌아왔다. 후지쯔는 독점 제공권까지 받아 타카네를 '당사의 대규모언어모델'로 부르는 반면 LG CNS는 '공동 개발'로 표현한다. 기술적으로는 고객이 운용과 접근을 통제하지만 법적 소유권까지 이전됐다는 뜻은 아니다.

Q3. 컴퓨트를 8배 적게 쓴다는 게 왜 경쟁력인가

추론에 필요한 GPU 수가 서버·전력·냉각 등 총소유비용에 큰 영향을 주기 때문이다. 방화벽 안에 모델을 넣어야 하는 금융·국방·의료 고객에게는 도입 가능성 자체를 가를 수 있다. 다만 8배는 코히어의 자사 비교 조건에 따른 주장이며 모든 작업에 동일하게 보장되는 수치는 아니다.

[테크수다 기자 도안구 eyeball@techsuda.com] LG AI연구원은 표 데이터를 예측하는 '엑사원 Tabular'와 시간 흐름에 따른 미래 데이터를 예측하는 '엑사원 Forecast'가 각각 글로벌 리더보드에서 1위에 올랐다고 밝혔다. LG의 인공지능(AI) '엑사원(EXAONE)'이 산업 데이터를 예측하는 AI 파운데이션 모델 국제 평가에서 구글(Google)과 알리바바(Alibaba) 등 미국·중국 빅테크를 제치고 세계 최고 성능(SOTA)을 기록했다고 그 결과를 공개했다. 두 리더보드는 화학과 의료, 금융, 제조, 영업, 마케팅 등 여러 산업에서 실제로 만들어지는 데이터로 파운데이션 모델의 예측 능력을 검증한다. 범용 언어모델을 넘어 산업 현장에 곧바로 투입하는 특화 AI에서 경쟁력을 입증했다는 점이 이번 성과의 의미다.

주요 내용

• '엑사원 Tabular', 표 데이터 리더보드 '탭아레나(TabArena)' 범주형 예측 부문 종합 1위…평가 점수 1760점으로 구글 'TabFM'(1749점) 추월
• '엑사원 Forecast', 시계열 리더보드 'GIFT-Eval' 제로샷 부문 1위 및 에이전틱 AI 부문 2위 기록
• 2026년 하반기 제조·바이오헬스케어·금융 3개 분야 개념검증(PoC) 진행 후 사업화 추진

'엑사원 Tabular'는 표 데이터의 예측 능력을 평가하는 대표 리더보드 '탭아레나(TabArena)'의 범주형 데이터 예측 부문에서 종합 1위에 올랐다. 평가 점수(ELO)는 1760점으로, 구글이 내놓은 최신 모델 'TabFM'의 1749점을 앞섰다. 이 모델은 표 형태의 합성 데이터 10억 개 이상을 학습한 정형 데이터 파운데이션 모델(TFM)로, 표를 텍스트로 바꿔 분석하는 기존 범용 언어모델과 달리 행과 열의 구조와 데이터 간 관계를 직접 이해한다. 새로운 데이터가 들어와도 모델 전체를 다시 학습할 필요가 없고 값이 빠진 결측치가 생겨도 남은 정보의 관계를 분석해 빈칸을 메우는 만큼, 데이터가 넉넉하지 않은 현장에서도 제조 이상 탐지와 품질 판정, 리스크 예측 등에 활용할 수 있다.

'엑사원 Forecast'는 고객관계관리(CRM) 기업 세일즈포스(Salesforce)가 만든 시계열 예측 리더보드 'GIFT-Eval'에서 처음 접하는 분야의 데이터를 추가 학습 없이 예측하는 제로샷(Zero-shot) 부문 1위를 차지했다. AI가 스스로 데이터를 분석해 예측을 수행하는 에이전틱(Agentic) AI 부문에서는 2위에 올라 현장 활용성과 범용성을 함께 보여줬다. 이 시계열 파운데이션 모델(TSFM)은 인터넷과 판매, 에너지, 경제, 헬스케어, 교통 등에서 모은 실제 시계열 데이터 250억 개와 현실 세계를 모사한 가상 시계열 데이터 2조 개를 함께 학습해, 산업마다 예측 모델을 따로 개발하던 방식과 달리 하나의 모델로 여러 산업의 미래를 내다본다.

임우형 LG AI연구원 공동 연구원장은 "글로벌 빅테크의 관심이 범용 언어모델에서 실제 산업 현장의 문제를 해결하는 산업 특화 AI 파운데이션 모델로 빠르게 이동하고 있다"며 "이번 성과는 제조업을 비롯한 다양한 산업 현장에서 축적한 데이터가 한국 AI의 차별화된 경쟁력이 될 수 있다는 점을 입증한 사례"라고 말했다.

LG AI연구원은 2026년 하반기 제조와 바이오·헬스케어, 금융 3개 분야에서 '엑사원 Tabular'의 개념검증(PoC)을 진행한 뒤 실제 사업으로 잇는다는 계획을 세웠다. 배터리 셀의 전압과 내부저항 검사 데이터로 불량 여부를 가려내거나 환자의 임상 데이터로 질병 위험도와 치료 반응을 예측하고, 금융 데이터에서 연체와 부도, 이상 거래 가능성을 짚어내는 방식이다. 시계열 기술은 이미 LG전자와 LG에너지솔루션의 계절별 제품 수요 예측, 리튬 등 원자재 가격 예측에 쓰이고 있으며, 2026년부터는 코스콤(KOSCOM)·런던증권거래소그룹(LSEG)과 함께 한국·미국 상장 종목 약 8000개를 매일 분석해 종목별 예측 점수와 분석 코멘터리를 제공하는 증시 예측 서비스도 가동했다. 회사는 2024년 공개한 병리학 파운데이션 모델(PFM) '엑사원 패스(EXAONE Path)'에 이어 암종을 진단하고 의료진의 판단을 돕는 '암 에이전틱 AI', 시각 정보를 이해해 로봇의 작업을 제어하는 로봇 파운데이션 모델(RFM)도 개발하고 있다.

이순영 LG AI연구원 데이터인텔리전스랩장은 "LG의 차별화된 경쟁력은 다양한 산업에서 축적한 데이터와 산업 현장에 대한 깊은 이해에 있다"며 "여러 산업 분야에 특화된 파운데이션 모델군을 지속해서 확대해 글로벌 AI 시장에서 새로운 경쟁의 축을 만들어가겠다"고 말했다.

LG 엑사원 산업 특화 AI, 이런 점이 궁금하다

Q. '엑사원 Tabular'는 기존 AI와 무엇이 다른가.

A. 산업 현장의 업무 데이터는 대부분 행과 열로 이뤄진 표 형태로 쌓인다. 기존 범용 언어모델은 이를 해석하려고 표를 텍스트로 변환하는 과정을 거쳐야 해 토큰 효율과 정확도가 떨어졌다. '엑사원 Tabular'는 표의 구조와 데이터 간 관계를 직접 이해하는 정형 데이터 파운데이션 모델로, 적은 데이터만으로도 새로운 문제에 빠르게 적응해 예측 결과를 내놓는다.

Q. '세계 최고 성능'은 어떤 기준으로 나온 결과인가.

A. 표 데이터는 리더보드 '탭아레나', 시계열 데이터는 세일즈포스가 만든 'GIFT-Eval'이 평가 무대다. '엑사원 Tabular'는 탭아레나 범주형 데이터 예측 부문에서 평가 점수 1760점을 받아 구글 'TabFM'의 1749점을 앞섰고, '엑사원 Forecast'는 GIFT-Eval 제로샷 부문 1위와 에이전틱 AI 부문 2위를 기록했다.

Q. 실제 산업 현장에는 언제 적용되나.

A. 시계열 예측 기술은 이미 LG전자·LG에너지솔루션의 수요·원자재 가격 예측과 코스콤·런던증권거래소그룹 협력 증시 예측 서비스에 쓰이고 있다. 표 데이터 예측 기술은 2026년 하반기 제조와 바이오·헬스케어, 금융 3개 분야에서 개념검증을 거쳐 사업화 단계로 넘어갈 예정이다.

LG's EXAONE Tops Global AI Leaderboards for Industrial Data Prediction

Two foundation models beat Google and Alibaba as LG shifts focus from general-purpose language AI to industry-specific systems

SEOUL — Two artificial intelligence foundation models developed by LG AI Research have taken the top spot on global leaderboards that measure how accurately AI predicts industrial data, outperforming entries from Google and Alibaba. EXAONE Tabular, which forecasts outcomes from table-formatted data, and EXAONE Forecast, which projects how values change over time, each recorded state-of-the-art results, the research arm of South Korea's LG Group said. The leaderboards evaluate prediction accuracy using real data generated in chemicals, health care, finance, manufacturing, sales and marketing. The results mark a step beyond general-purpose language models toward AI built for use on factory floors and trading desks.

EXAONE Tabular ranked first overall in categorical data prediction on TabArena, a leading benchmark for table-based forecasting, scoring 1,760 ELO points against 1,749 for Google's recently released TabFM. Trained on more than 1 billion synthetic tables, it reads rows, columns and the relationships among data points directly, rather than converting tables into text as general-purpose language models do. It requires no full retraining when new data arrives, and it fills in missing values by analyzing surrounding information, cutting the time and cost of data cleanup. LG AI Research says the model suits anomaly detection on production lines, quality inspection, risk scoring and customer churn prediction, including at sites where training data is scarce.

EXAONE Forecast placed first in the zero-shot category of GIFT-Eval, a time-series benchmark built by Salesforce, predicting data from unfamiliar domains without additional training. It also finished second in the benchmark's agentic AI category, where the model analyzes data and generates forecasts on its own. The model learned from 25 billion real time-series data points spanning internet traffic, sales, energy, economics, health care and transportation, alongside 2 trillion synthetic points that simulate real-world conditions. "Global big tech interest is moving quickly from general-purpose language models to industry-specific AI foundation models that solve real problems on the ground," said Lim Woo-hyoung, co-head of LG AI Research. "This result shows that data accumulated in manufacturing and other industries can become a distinct competitive edge for Korean AI."

LG AI Research plans proof-of-concept projects for EXAONE Tabular in manufacturing, biotech and health care, and finance in the second half of 2026, then move to commercial deployment. Its time-series technology is already in use, forecasting seasonal product demand and raw material prices such as lithium for LG Electronics and LG Energy Solution. Starting in 2026, the institute has also worked with KOSCOM and the London Stock Exchange Group on a service that analyzes roughly 8,000 stocks listed in South Korea and the United States each day and issues predictive scores and commentary. The company is also developing a cancer-focused agentic AI, following the 2024 release of pathology foundation model EXAONE Path, and a robot foundation model that interprets visual information to direct machines in the physical world.

EXAONE's Industrial AI Push: Key Questions

Q. How does EXAONE Tabular differ from existing AI models?

A. Most operational data in industry is stored in rows and columns. General-purpose language models must first convert those tables into text, which reduces token efficiency and accuracy. EXAONE Tabular is a tabular foundation model that reads table structure and inter-column relationships directly, and it adapts to new problems using only small amounts of data.

Q. What benchmarks produced these rankings?

A. TabArena measures table-data prediction, and GIFT-Eval, built by Salesforce, measures time-series forecasting. EXAONE Tabular scored 1,760 ELO points in TabArena's categorical prediction category, ahead of Google's TabFM at 1,749, while EXAONE Forecast took first place in GIFT-Eval's zero-shot category and second in its agentic AI category.

Q. When will the technology reach industrial users?

A. The time-series model is already deployed for demand and commodity price forecasting at LG affiliates and in a stock-prediction service run with KOSCOM and the London Stock Exchange Group. The tabular model enters proof-of-concept testing in manufacturing, biotech and health care, and finance in the second half of 2026, with commercialization to follow.

LG"EXAONE"两款产业数据预测AI模型登顶全球榜单

表格数据与时间序列预测双双取得全球最佳成绩，2026年下半年在制造、医疗、金融领域启动验证

首尔电 — 韩国LG集团旗下LG AI研究院开发的两款人工智能基础模型，在衡量产业数据预测精度的全球榜单上超越谷歌与阿里巴巴，取得全球最佳成绩(SOTA)。预测表格型数据的"EXAONE Tabular"与预测时间变化趋势的"EXAONE Forecast"分别在各自榜单上位列第一。相关榜单以化工、医疗、金融、制造、销售、营销等行业实际产生的数据，检验AI基础模型的预测能力。这一结果意味着LG的AI能力已从通用语言模型延伸至可直接用于产业现场的专用领域。

"EXAONE Tabular"在表格数据预测领域的代表性榜单"TabArena"分类型数据预测项目中综合排名第一，评分(ELO)为1760分，高于谷歌新近公开的"TabFM"1749分。该模型基于10亿条以上表格形态合成数据训练而成，属于表格基础模型(TFM)，与需先将表格转换为文本的通用语言模型不同，可直接理解行列结构及数据间关联。新数据出现时无需重新训练整个模型，出现数值缺失时也能通过分析周边信息推算空缺值，从而降低数据补全的时间与成本。LG AI研究院表示，该模型可用于制造异常检测、质量判定、风险预测与客户流失预测等场景，在数据量不足的现场同样适用。

"EXAONE Forecast"在客户关系管理(CRM)企业赛富时(Salesforce)开发的时间序列预测榜单"GIFT-Eval"上，于无需额外训练即可预测陌生领域数据的零样本(Zero-shot)项目中排名第一。在AI自主分析数据并完成预测的智能体(Agentic)AI项目中位列第二，同时印证了现场实用性与通用性。这一时间序列基础模型(TSFM)学习了来自互联网、销售、能源、经济、医疗、交通等领域的250亿条实际时间序列数据，以及模拟现实世界生成的2万亿条虚拟时间序列数据。LG AI研究院共同院长林祐亨表示，全球科技巨头的关注点正迅速从通用语言模型转向解决产业现场实际问题的专用AI基础模型，此次成果证明制造业等产业现场积累的数据可成为韩国AI的差异化竞争力。

LG AI研究院计划于2026年下半年在制造、生物医疗与金融三个领域开展"EXAONE Tabular"概念验证(PoC)，并推进商业化。时间序列技术已应用于LG电子与LG新能源的季节性产品需求预测及锂等原材料价格预测。自2026年起，该院还与韩国证券计算机(KOSCOM)、伦敦证券交易所集团(LSEG)合作，每日分析韩美两国上市的约8000只股票，提供个股预测评分与分析评论。该院此前于2024年公开病理学基础模型(PFM)"EXAONE Path"，目前正在开发辅助癌症诊断的智能体AI，以及理解视觉信息并控制机器人在物理世界作业的机器人基础模型(RFM)。

关于LG"EXAONE"产业专用AI，您可能想了解

问: "EXAONE Tabular"与现有AI有何不同?

答: 产业现场的业务数据多以行列构成的表格形式存储。通用语言模型需先将表格转换为文本，导致令牌效率与准确度下降。"EXAONE Tabular"属于表格基础模型，可直接理解表格结构与数据间关系，仅凭少量数据即可快速适应新任务并给出预测结果。

问: "全球最佳"是依据什么标准得出的?

答: 表格数据由"TabArena"榜单评估，时间序列数据由赛富时开发的"GIFT-Eval"榜单评估。"EXAONE Tabular"在TabArena分类型数据预测项目中获1760分，超过谷歌"TabFM"的1749分；"EXAONE Forecast"在GIFT-Eval零样本项目中排名第一，智能体AI项目中排名第二。

问: 何时能应用于实际产业现场?

答: 时间序列预测技术已用于LG电子、LG新能源的需求与原材料价格预测，以及与韩国证券计算机、伦敦证券交易所集团合作的股市预测服务。表格数据预测技术将于2026年下半年在制造、生物医疗与金融三个领域完成概念验证后进入商业化阶段。

LGのAI「EXAONE」、産業データ予測で世界首位　グーグル・アリババ抑える

表形式データと時系列予測で相次ぎ世界最高性能　2026年下半期に製造・医療・金融で実証へ

【ソウル】韓国LGグループのLG AI研究院が開発した二つの人工知能(AI)基盤モデルが、産業データの予測精度を測る国際的なリーダーボードでグーグルやアリババを抑え、世界最高性能(SOTA)を記録した。表形式のデータを予測する「EXAONE Tabular」と、時間の経過に伴う将来の値を予測する「EXAONE Forecast」がそれぞれ首位に立った。両リーダーボードは化学や医療、金融、製造、営業、マーケティングなど各産業で実際に生成されるデータを用い、基盤モデルの予測能力を検証する。汎用言語モデルにとどまらず、産業現場で直接使える特化型AIで競争力を示した形だ。

「EXAONE Tabular」は表形式データの予測性能を評価するリーダーボード「TabArena」のカテゴリー型データ予測部門で総合1位となり、評価点(ELO)は1760点と、グーグルが公開した最新モデル「TabFM」の1749点を上回った。表形式の合成データ10億件以上を学習した表形式基盤モデル(TFM)で、表をテキストに変換して分析する従来の汎用言語モデルと異なり、行と列の構造やデータ間の関係を直接理解する。新たなデータが加わってもモデル全体を学習し直す必要がなく、値の欠落が生じても周辺情報の関係を分析して空欄を推定するため、データ補完にかかる時間と費用を抑えられる。LG AI研究院は、製造工程の異常検知や品質判定、リスク予測、顧客離脱予測などに活用でき、データが十分でない現場でも使えると説明する。

「EXAONE Forecast」は、顧客関係管理(CRM)大手セールスフォース(Salesforce)が構築した時系列予測リーダーボード「GIFT-Eval」で、初めて扱う分野のデータを追加学習なしに予測するゼロショット部門の1位を獲得した。AIが自らデータを分析して予測を行うエージェンティックAI部門でも2位となり、現場での実用性と汎用性を併せて裏付けた。この時系列基盤モデル(TSFM)は、インターネットや販売、エネルギー、経済、医療、交通などから集めた実際の時系列データ250億件と、現実世界を模した仮想時系列データ2兆件を学習した。林祐亨(イム・ウヒョン)LG AI研究院共同院長は「グローバル大手の関心は汎用言語モデルから、産業現場の課題を解決する産業特化型のAI基盤モデルへ急速に移っている」とし、「今回の成果は製造業をはじめとする産業現場で蓄積したデータが韓国のAIの差別化された競争力になり得ることを示した」と述べた。

LG AI研究院は2026年下半期に製造、バイオ・ヘルスケア、金融の3分野で「EXAONE Tabular」の概念実証(PoC)を実施し、事業化につなげる計画だ。時系列技術はすでにLG電子とLGエナジーソリューションの季節商品の需要予測やリチウムなど原材料価格の予測に使われている。2026年からはコスコム(KOSCOM)、ロンドン証券取引所グループ(LSEG)と組み、韓国と米国に上場する約8000銘柄を毎日分析して銘柄別の予測スコアと分析コメンタリーを提供する株式市場予測サービスも始めた。同院は2024年に公開した病理学基盤モデル(PFM)「EXAONE Path」に続き、がんの診断と医療従事者の判断を支援するエージェンティックAI、視覚情報を理解してロボットの作業を制御するロボット基盤モデル(RFM)の開発も進めている。

LG「EXAONE」産業特化AI、ここが知りたい

Q. 「EXAONE Tabular」は従来のAIと何が違うのか。

A. 産業現場の業務データの多くは行と列からなる表形式で蓄積される。従来の汎用言語モデルはこれを解釈するために表をテキストへ変換する必要があり、トークン効率と精度が落ちていた。「EXAONE Tabular」は表の構造とデータ間の関係を直接理解する表形式基盤モデルで、少量のデータだけで新しい課題に素早く適応し予測結果を出せる。

Q. 「世界最高性能」はどの基準による結果か。

A. 表形式データはリーダーボード「TabArena」、時系列データはセールスフォースが構築した「GIFT-Eval」が評価の場となる。「EXAONE Tabular」はTabArenaのカテゴリー型データ予測部門で1760点を獲得しグーグル「TabFM」の1749点を上回り、「EXAONE Forecast」はGIFT-Evalのゼロショット部門で1位、エージェンティックAI部門で2位を記録した。

Q. 実際の産業現場にはいつ適用されるのか。

A. 時系列予測技術はすでにLG電子・LGエナジーソリューションの需要予測や原材料価格予測、コスコムとロンドン証券取引所グループとの株式市場予測サービスで使われている。表形式データの予測技術は2026年下半期に製造、バイオ・ヘルスケア、金融の3分野で概念実証を経て事業化段階へ移る予定だ。

[Seoul = Techsuda eyeball@techsuda.com]

• 영일중문 기사는 AI 도움을 받아 작성했다.

#참고1. LG의 산업 특화 파운데이션 모델 종류

#참고2. 엑사원 Tabular 관련.

정형 데이터 파운데이션 모델(TFM)이란 행과 열로 이루어진 표 형식의 데이터들을 대량 학습해 만들어진 범용 모델을 의미한다.

실제로 산업 현장에서 생성되는 대부분의 업무 데이터는 표 형태로 저장되지만, 기존의 범용 언어모델이 이를 해석하기 위해서는 표를 텍스트로 변환하는 과정이 필요해 토큰 효율성과 정확도가 낮아지는 문제가 있었다.

LG AI연구원이 개발한 ‘엑사원 Tabular’는 표 형태로 이루어진 10억 개 이상의 합성 데이터들을 대량 학습해 만들어진 정형 파운데이션 모델이다.

실제 현장 데이터에는 값이 누락되는 결측치 문제가 빈번하게 발생하는데, ‘엑사원 Tabular’는 결측치 주변 정보들을 분석해 빈칸에 들어갈 값을 정확하게 예측할 수 있어 데이터 보완 과정에 드는 시간과 비용을 크게 줄일 수 있다.

‘엑사원 Tabular’는 한 번의 학습을 거치면 새로운 데이터가 주어져도 별도 학습 없이 극소수의 데이터만을 활용해 빠르게 결과를 예측할 수 있어 비용 효율적이다.

또한, 새로운 데이터를 처리할 때마다 모델 전체를 재학습해야 했던 기존 정형 파운데이션 모델의 한계를 해결했다.

#참고3. 엑사원 Forecast 관련

시계열 파운데이션 모델(TSFM, Time Series Foundation Model)은 시간의 흐름에 따라 변화하는 대규모 시계열 데이터를 학습해 미래 변화를 예측할 수 있는 범용 AI 모델이다. 시계열 데이터는 제조업의 제품 수요와 원자재 가격부터 전력 등 에너지 분야, 금융 분야의 주가와 환율까지 다양한 산업에서 활용되는 핵심 데이터다.

LG AI연구원이 개발한 ‘엑사원 Forecast’는 인터넷, 판매, 에너지, 경제, 헬스케어, 교통 등 다양한 분야에서 수집한 250억 개 규모의 실제 시계열 데이터와 현실 세계를 모사한 2조 개 규모의 가상 시계열 데이터를 함께 학습한 시계열 파운데이션 모델이다.

기존 시계열 예측 모델은 특정 산업이나 특정 데이터만을 대상으로 학습하기 때문에 새로운 분야에 적용하려면 별도의 모델을 개발하거나 추가 학습이 필요했다. 또한 과거 데이터에 존재하지 않았던 새로운 상황에서는 예측 성능이 크게 저하되는 한계가 있었다.

‘엑사원 Forecast’는 이러한 한계를 극복하기 위해 실제 데이터만으로는 충분히 학습하기 어려운 다양한 미래 변화까지 반영할 수 있도록 현실 세계를 모사한 대규모 가상 시계열 생성 기술을 개발했다.

추세와 계절성, 변동성, 구조적 변화, 변수 간 상호작용 등 실제 데이터의 다양한 특성을 조합해 앞으로 발생할 수 있는 다양한 미래 시나리오를 생성하고 이를 실제 데이터와 함께 학습함으로써 과거에 관측되지 않았던 변화에도 안정적으로 대응할 수 있는 일반화 성능을 확보했다.

‘엑사원 Forecast’는 특정 산업에 국한된 예측 모델을 넘어 다양한 산업의 미래를 예측하는 범용 시계열 파운데이션 모델이다. 이를 통해 산업별 AI 개발 비용과 시간을 줄이는 동시에 다양한 산업에서 공통으로 활용할 수 있는 차세대 시계열 파운데이션 모델로 활용될 것으로 기대하고 있다.

그런데 어느 날 도안구 편집장님이 제 동의도 구하지 않은 채 가민 홍보팀에 메일을 딱 보내셨더라고요. "우리 서피디가 리뷰할 테니까 워치 대여 좀 해주세요"라고요. 이미 메일이 가버린 뒤에 저는 그 사실을 알았고, 제품이 도착했습니다. (어쩌겠어요, 이미 보낸 메일인데.)

리뷰를 하려면 써봐야 하고, 러닝용 워치를 쓰려면 뛰어야 합니다. 그렇게 얼떨결에 저의 러닝 생활이 시작됐습니다.

교생 선생님 vs 입시반 학년주임

본론으로 들어가기 전에 먼저 제 상황을 하나 더 설명해야 할 것 같습니다. 저는 원래 애플워치 유저입니다. 애플워치 SE를 몇 년째 쓰고 있는데요. 이 녀석이 얼마나 상냥한 워치인지 아세요?

"서피디 님, 오늘 목표 걸음 수에는 못 미쳤지만 그래도 여기까지 뛰느라 진짜 고생 많으셨어요. 힘내세요, 파이팅!"

약간 이런 느낌입니다. 아낌없이 칭찬 스티커를 주는 마음씨 넓은 교생 선생님 같은 워치죠. 그런데 가민 포러너 170 뮤직은 달랐습니다. 완전히.

"방금 웨이포인트까지 정확히 1m 모자라게 찍고 들어온 거 안 보여? 1m 오차도 허용 안 됩니다. 목표 지점 완주하기 전까지 기록 인정 안 돼요."

독사 같은 입시반 학년주임 선생님이랄까요. (진짜로 이랬습니다.) 마음씨 착한 교생 선생님 밑에서 느슨하게 운동하다가 단 1m의 오차도 허용하지 않는 까칠한 주임 선생님을 만난 셈입니다. 이 비유가 포러너 170 뮤직을 가장 잘 설명합니다.

찬 듯 안 찬 듯, 이게 배터리가 들어있는 게 맞아?

처음 포러너 170 뮤직을 손에 쥐었을 때 가장 먼저 놀란 건 스펙이나 기능이 아니라 '무게'였습니다. 애플워치SE도 무거운 편은 아닌데, 가민은 "이 안에 배터리가 진짜 들어있는 거 맞아?" 싶을 정도로 가볍더라고요.

러닝을 싫어하는 사람 입장에서는 몸에 뭐가 달려있다는 느낌 자체가 싫거든요. 시계가 무거우면 더더욱 뛰기 싫어집니다. 그런데 이 가민 워치는 찬 듯 안 찬 듯한 착용감이 정말 마음에 들었습니다. 가민을 차보고 나니까 오히려 애플워치가 무겁게 느껴질 정도였으니까요.

배터리는 두말하면 잔소리입니다. 애플워치를 쓸 때는 매일 밤 충전 독에 올려놓는 게 일상이었고, 수면 측정을 하려면 낮에도 짬짬이 충전을 챙겨야 했습니다. 번거롭죠. 근데 가민은 충전기를 어디다 뒀는지 잊어버릴 때쯤 한 번씩 꽂아주면 됩니다. (실제로 충전 케이블을 며칠 동안 못 찾은 적이 있었는데도 배터리가 살아있었습니다.)

공식 스펙은 최대 15일이고요. 제가 실제로 써보니 GPS를 많이 켤수록 소모가 빨라져서, 매일 운동하면 대략 일주일 정도 나오는 것 같았습니다. 그래도 매일 충전 압박에서 해방된다는 것만으로도 충분히 만족스러웠습니다. 수면 데이터, 심박수, 운동 기록까지 24시간 끊김 없이 쌓이는 게 확실히 다르더군요.

칼같은 GPS, 골목길도 놓치지 않는다

본격적으로 뛰기 시작하면서 이 주임 선생님의 진가가 드러났습니다.

GPS 정확도가 진짜 칼같습니다. 도심 빌딩 숲이나 나무가 우거진 공원 길을 달려도 경로 궤적이나 페이스를 단 1m의 오차도 없이 잡아냅니다. 저희 동네에 강아지 모양으로 유명한 '닥스훈트 러닝 코스'가 있는데요. 이 코스의 GPX 파일을 가민에 세팅하고 직접 달려봤습니다.

처음 10분 정도는 GPS 신호가 완전히 안정되기 전이라 조금 오락가락했는데, 안정화된 이후에는 정말 놀라웠습니다. 좌회전·우회전 안내를 진동과 음성으로 동시에 줬고, 코스를 이탈하면 바로 경고 알림이 왔습니다. 어설픈 골목길 구간도 디테일하게 안내해 줬습니다.

아쉬운 점도 있었는데요. 회차(반환) 지점을 의도적으로 무시하고 지나쳐 봤을 때 이탈 알림이 즉각 오지 않는 경우가 있었습니다. 원점 복귀 경로 계산은 아직 개선이 필요한 것 같습니다.

또 하나, 내비게이션 모드를 켜면 시계 화면이 가려집니다. 현재 시간을 보려면 버튼을 눌러 화면을 바꿔야 하는데, 달리면서 이게 생각보다 불편합니다. 내비게이션 화면 한 구석에 시계가 작게라도 보인다면 훨씬 편했을 텐데 아쉽습니다.

오토 스톱: 땡땡이도 다 알고 있다

러닝 도중 화장실이 너무 급해서 석촌호수 근처 화장실로 뛰어 들어간 적이 있었는데요. 그때 가민 워치의 무시무시한 기능 하나를 발견했습니다.

'오토 스타트 & 스톱' 기능입니다. 멈추는 순간 귀신같이 감지해서 기록을 일시정지합니다. 화장실 다녀오면서 에스칼레이터를 탔더니 그것도 바로 잡아냈습니다. 땡땡이를 치면 다 알고 있는, 진짜 입시반 주임 선생님 같은 녀석입니다. (무섭습니다.)

결과적으로 7.2km 코스를 뛰려다가 길을 조금 헤맨 덕에 8km를 뛰고 겨우 완주 인정을 받았습니다. 최대 심박수 190까지 올라갔고요. 이 데이터들은 가민 커넥트 앱과 웹을 통해 상세하게 다시 볼 수 있었는데, 이 부분은 정말 만족스러웠습니다.

요즘 많이들 하시는 존 2(Zone 2) 훈련에도 유용합니다. 워치 화면에서 지금 심박 존이 몇 단계인지 실시간으로 직관적으로 보여주기 때문에, 페이스 훈련할 때 정말 도움이 됩니다.

음악 기능 꿀팁, 특히 맥 유저에게

제가 사용한 모델은 뮤직 기능이 탑재된 '포러너 170 뮤직'입니다.

처음에는 스포티파이 계정이 반드시 있어야 하는 줄 알았는데, 그건 아니었습니다. 컴퓨터에 저장된 음악 파일을 워치로 직접 옮겨두면 스마트폰 없이 워치와 무선 이어폰만으로 음악을 들으며 달릴 수 있습니다. 특히 여름에 스마트폰을 들고 뛰는 게 불편하셨던 분들에게는 정말 좋은 기능입니다.

맥 사용자분들을 위한 팁을 하나 드리면, PC용 가민 익스프레스(Garmin Express) 앱을 설치하고 워치를 케이블로 연결하면 맥의 애플 뮤직 보관함과 깔끔하게 연동됩니다. 단, 여기서 주의할 점이 하나 있습니다.

애플 뮤직 스트리밍 구독으로 다운로드받은 음원은 DRM 때문에 가민으로 전송이 안 됩니다. 하지만 본인이 직접 갖고 있던 MP3 파일을 애플 뮤직 보관함에 추가해 뒀다면, 가민 익스프레스를 통해 워치로 쉽게 넣을 수 있습니다. 저는 이 방법으로 운동 플레이리스트를 워치에 옮겨 잘 사용하고 있습니다.

산에서 더 빛나는 GPX 내비게이션

이번에 포러너 170 뮤직을 쓰면서 개인적으로 가장 감탄한 기능은 GPX 지도를 활용한 내비게이션입니다. 이 기능은 러닝보다 등산할 때 더 빛납니다.

초행길 산에서 "이 길이 맞나?" 하고 헷갈릴 때 손목 화면만 보면 됩니다. 경로를 조금이라도 벗어나면 즉시 경고를 줍니다. 이전 운동 기록을 코스로 변환해서 다시 달리거나, 웨이포인트를 찍어두고 도장 깨기 하듯 통과하는 재미도 쏠쏠합니다.

최근 네이버 지도에도 GPX 파일 다운로드 기능이 생겼습니다. 저는 네이버 지도로 코스를 만들어 강원도 가리왕산 야간 등산에서 써봤는데요. 평소 야간 산행에서는 메인 등산로 대신 심마니들이나 지역 주민들이 다니는 샛길로 빠지기 쉬운데, GPX를 세팅해두니 이정표를 한 번도 안 보고 헤맬 일 없이 올라갈 수 있었습니다.

단, 한 가지 알아두실 게 있습니다. 스마트폰 등산 앱(트랭글 등)으로 기록한 GPX를 가민 워치에 그대로 적용하면 미세한 오차가 생길 수 있습니다. 스마트폰 GPS 좌표는 오락가락하기 쉬워서, 같은 길을 왕복했는데 등산과 하산 경로가 다르게 찍히는 경우도 흔합니다. 가민은 전문 GPS 칩셋을 쓰기 때문에 정확도가 훨씬 높은데, 그만큼 스마트폰 기반 GPX와 매치가 안 되는 상황이 생길 수 있다는 점, 참고하시기 바랍니다.

솔직한 단점: 스마트 기능은 답답한 아저씨

여기까지 읽으면 가민 찬양 기사처럼 보일 텐데요. 단점도 확실하게 짚고 넘어가야겠습니다.

운동에서는 타의 추종을 불허하는 이 워치가, 스마트 기능 영역으로 오면 갑자기 답답한 아저씨로 변합니다. 특히 애플워치를 오래 쓰셨던 분들은 처음 적응이 정말 힘들 수 있습니다.

가장 불편했던 건 스마트폰 알림 미러링입니다. 아이폰 유저들은 어떤 앱은 배너만, 어떤 앱은 진동만 오도록 세밀하게 설정해 두잖아요. 저도 그렇게 쓰고 있었는데, 가민은 이 세밀한 패턴을 온전히 따라오지 못합니다.

처음 연동했더니 온갖 앱 알림이 워치 화면에 쏟아져서, 가민 커넥트 앱에서 일일이 수동으로 앱별 알림을 꺼줘야 했습니다. 너무 번거로워서 그냥 스마트폰 알림 연동을 통째로 꺼버렸더니, 이번엔 아이폰으로 걸려오는 전화까지 워치가 싹 다 차단해버리는 참사가 일어났습니다. 하루 종일 부재중 전화를 만드는 대참사였죠. (그날 정말 난감했습니다.)

알림 설정을 입맛에 맞게 길들이는 데만 며칠이 걸렸습니다. 친절한 가이드도 없어서 맨땅에 헤딩해야 했고요. 가민이 이 부분만큼은 빠른 업데이트로 개선해 줬으면 하는 바람입니다.

결국, 어떤 워치를 선택해야 할까

스마트 기능은 조금 투박하지만, 운동 기능만큼은 포러너 170 뮤직이 압도적입니다. 단순히 러닝 하나에만 국한된 게 아니라, 러닝·하이킹·수영·자전거를 넘나드는 멀티스포츠 유저들에게 대체 불가능한 자유도를 제공합니다.

정리하자면 이렇습니다.

나를 따뜻하게 토닥여주는 감성과 매끄러운 일상 편의성을 원하신다면 애플워치나 갤럭시워치가 맞습니다. 반면 게으른 나를 억지로라도 뛰게 만들고, 정밀한 데이터를 바탕으로 실력을 확실하게 끌어올려줄 입시반 코치가 필요하다면 가민 포러너 170 뮤직입니다. 매일 충전하는 게 귀찮으신 분, 타협 없는 GPS와 GPX 내비게이션이 필요한 아웃도어 유저 분들에게도 강력하게 추천합니다.

러닝을 막 시작한 분들이나 가벼운 취미 수준이라면 애플워치나 갤럭시워치로도 충분합니다. 하지만 입문 티를 벗고 진지하게 실력을 올리고 싶은 분들, 러닝과 아웃도어를 동시에 즐기는 분들이라면, 이 빡센 입시반 선생님이 확실한 선택이 될 겁니다.

얼떨결에 시작했지만, 지난 한 달 동안 제 러닝 실력을 확실히 끌어올려준 건 분명 이 녀석이었습니다. 융통성이 좀 부족해도, 결과가 말해주더라고요. [테크수다 Techsuda]

https://www.apple.com/newsroom/pdfs/2026/08/south-korea-ecosystem-report-2025.pdf

주요 내용

• 2025년 한국 앱스토어 생태계 청구액 및 판매액 약 38조1000억원…5년 전 대비 두 배 이상 증가
• 실물 상품·서비스 32조3000억원, 디지털 상품·서비스 3조7000억원, 앱 내 광고 2조1000억원으로 구성
• 국내 개발자의 76%가 해외 앱스토어에서 다운로드 기록…게임은 다운로드의 약 85%가 해외에서 발생

연구진은 2025년 한국 앱스토어 생태계가 실물 상품과 서비스 구매에서 약 32조 3000억원, 디지털 상품과 서비스에서 약 3조 7000억원, 앱 내 광고에서 약 2조 1000억원 규모의 청구액과 판매액을 만들어낸 것으로 추산했다. 애플은 앱스토어에서 판매되는 디지털 상품과 서비스에만 수수료를 매기기 때문에 실물 거래와 광고, 앱스토어 밖에서 이뤄진 디지털 결제에는 수수료가 붙지 않는다. 2025년 기준으로 매주 평균 1200만 명에 가까운 사용자가 한국 앱스토어를 찾았고, 국내 iOS 사용자는 한 해 동안 6억 7000만 회 이상 앱을 내려받았다. 성장 분야를 보면 실물 부문에서는 여행 카테고리가 가장 빠르게 커졌고 식료품과 일반 소매가 뒤를 이었으며, 디지털 부문에서는 모바일 게임 수요와 스트리밍·기업용 앱 사용 확대가 성장을 이끌었다.

국내 개발자의 자국 시장 경쟁력도 함께 확인됐다. 연구에 따르면 국내 개발자가 내놓은 앱이 국내 사용자 다운로드의 약 60%, 국내 사용자에게서 나온 총매출의 50%에 가까운 비중을 차지했다. 해외 성과도 두드러졌다. 국내 개발자의 76%가 한국 밖 여러 국가·지역 앱스토어에서 다운로드를 기록했고, 해외 매출을 낸 개발자는 평균 30개 국가·지역에서 수익을 거뒀다.

게임 개발자의 경우 앱스토어 다운로드의 약 85%가 해외 사용자에게서 발생했다. 소셜 게임 '플레이투게더(Play Together)'를 만든 해긴(HAEGIN)은 출시 5년 만에 누적 다운로드 2억3000만 회를 넘겼으며, 사용자의 90% 이상이 앱스토어에서 게임을 발견했다. 이창윤 해긴 사업개발실장은 "출시 초기부터 앱스토어가 게임의 가시성을 높이고 한국 외 플레이어에게 다가갈 기회를 준다는 사실을 확인할 수 있었다"고 말했다.

소규모 개발자의 매출은 지난 5년간 85% 늘었다. 애플은 인하된 수수료를 적용하는 앱스토어 스몰 비즈니스 프로그램(App Store Small Business Program)이 이런 성장을 뒷받침했다고 설명했다. 3D 드로잉·모델링 앱 '피처(Feather)'를 만든 스케치소프트(Sketchsoft)는 2024년 출시 이후 156개국에 서비스를 제공하며 유료 사용자 10만 명 이상을 확보했고, 2025년 애플 디자인 어워드를 받았다.

김용관 스케치소프트 대표는 "스몰 비즈니스 프로그램 덕분에 개발팀을 효율적으로 운영할 수 있었고, 절감한 비용을 새로운 창작 경험 개발에 다시 투자할 수 있었다"고 말했다. 애플은 2022년부터 포항공과대학교와 함께 애플 디벨로퍼 아카데미를 운영해 수료생 1000명 이상을 배출했으며, 이들이 앱스토어에 출시한 앱은 400개를 넘는다.

팀 쿡 애플 최고경영자(CEO)는 "한국 개발자들은 훌륭한 아이디어로 멋진 것을 만들고 이를 성공적인 비즈니스로 키우고 있다"며 "이들이 최고의 결과물을 만들어갈 수 있도록 앞으로도 지원하겠다"고 밝혔다.

애플 한국 앱스토어 연구, 이런 점이 궁금하다

Q. 38조1000억원은 애플의 매출인가.

A. 아니다. 앱스토어 생태계 전반에서 발생한 청구액과 판매액을 합산한 추정치다. 실물 상품·서비스 구매액과 앱 내 광고비까지 포함하며, 애플이 수수료를 받는 대상은 앱스토어에서 판매되는 디지털 상품과 서비스로 한정된다.

Q. 90%가 수수료를 내지 않았다는 것은 무슨 뜻인가.

A. 전체 거래 금액 기준으로 90% 이상이 애플 수수료 부과 대상이 아니라는 의미다. 배달·쇼핑·여행 등 실물 상품과 서비스 결제, 앱 내 광고, 앱스토어 밖에서 이뤄진 디지털 결제가 여기에 해당한다.

Q. 국내 개발자의 해외 성과는 어느 정도인가.

A. 국내 개발자의 76%가 한국 외 국가·지역 앱스토어에서 다운로드를 기록했고, 해외 매출이 있는 개발자는 평균 30개 국가·지역에서 수익을 냈다. 게임 개발자는 다운로드의 약 85%가 해외에서 발생했다.

Q. 이 연구는 누가 수행했나.

A. 임재현 서울대 교수와 줄리엣 카미나드 애널리시스 그룹 박사가 진행했으며, 애플이 결과를 공개했다. 수치는 연구진의 추산치로, 제3자 감사를 거친 회계 자료는 아니다.

[Seoul = Techsuda eyeball@techsuda.com]

주요 내용

• 엔비디아 B300 GPU 소요량을 기존 8장에서 6장·4장으로 줄여 추론 효율과 연산 인프라 활용도를 높였다.
• 업스테이지 '솔라 오픈2'에 이어 매개변수 2조8000억 개 규모 프론티어급 모델에서도 경량화 기술을 적용했다.
• 추가 양자화가 어려운 초거대 전문가 혼합(MoE) 모델에 자체 개발한 '비균일 전문가 프루닝' 기술을 썼다.

키미 K3는 입력값에 따라 필요한 모듈만 선택적으로 활성화하는 전문가 혼합(Mixture-of-Experts·MoE) 구조로 연산 효율을 끌어올린 프론티어급 오픈웨이트 AI 모델이다. 성능이 높은 만큼 구동에 엔비디아의 최신 고성능 GPU인 B300 8장이 필요해 기업과 개발자에게는 비용과 인프라 부담이 컸다. 프론티어급 모델의 활용도를 높이려면 핵심 성능을 유지하면서 모델 크기와 연산량을 줄이는 경량화가 필수적이다.

그러나 키미 K3는 학습 단계부터 가중치와 활성값을 각각 4비트, 8비트로 낮춰 설계된 탓에 숫자의 정밀도를 낮추는 일반적인 양자화 방식만으로는 추가 압축 여지가 크지 않았다.

노타는 비균일 전문가 프루닝 기술로 이 문제를 풀었다. 모델 층별 특성과 모듈 중요도를 분석해 핵심 전문가는 남기고 기여도가 낮은 모듈만 골라 제거하는 방식이다. 모든 층을 같은 비율로 줄이던 기존 방식과 달리 층마다 제거 비율을 다르게 적용해 성능 저하를 최소화했다. 노타가 자체 평가한 결과에 따르면 층별 전문가를 같은 비율로 제거하는 REAP(Router-weighted Expert Activation Pruning) 방식보다 노타의 50% 경량화 모델이 대다수 벤치마크에서 더 높은 성능 보존율을 기록했으며, 고난도 과학·추론 능력을 평가하는 GPQA-Diamond와 지시 수행 능력을 평가하는 IFEval 점수가 각각 2.52점, 2.22점 높았다.

회사 측은 이번 성과로 대규모 MoE 모델에 대한 기술 적용성을 입증했다고 설명했다. 앞서 노타가 허깅페이스에 공개한 업스테이지 '솔라 오픈2' 경량화 모델은 공개 2주 만에 누적 다운로드 6만 8000회를 넘어섰다. 고성능 AI 모델을 더 적은 연산 자원과 비용으로 쓰려는 기업과 개발자의 수요가 반영된 결과로 풀이된다.

김태호 노타 최고기술책임자(CTO)는 "자체 개발한 비균일 전문가 프루닝 기술을 바탕으로 솔라 오픈2에 이어 프론티어급 모델인 키미 K3까지 성공적으로 경량화해 주요 성능을 유지하면서 필요한 GPU를 최대 절반으로 줄였다"며 "다양한 프론티어급 AI 모델을 한정된 연산 자원에서도 효율적으로 쓸 수 있도록 기술 적용 범위를 넓히겠다"고 말했다. 노타가 공개한 솔라 오픈2와 키미 K3 경량화 모델은 허깅페이스에서 확인할 수 있다.

노타 키미 K3 경량화, 이런 점이 궁금하다

Q. 비균일 전문가 프루닝은 어떤 기술인가.

A. 전문가 혼합(MoE) 모델에서 층별 특성과 모듈 중요도를 분석해 핵심 전문가 모듈은 남기고 기여도가 낮은 모듈만 선별해 제거하는 경량화 기술이다. 모든 층을 같은 비율로 줄이는 기존 방식과 달리 층마다 제거 비율을 다르게 적용해 성능 저하를 줄인다.

Q. 왜 양자화 대신 프루닝을 썼나.

A. 키미 K3는 학습 단계부터 가중치와 활성값을 각각 4비트, 8비트로 낮춰 설계됐다. 숫자의 정밀도를 낮춰 크기와 연산량을 줄이는 일반적인 양자화 방식으로는 추가 압축할 수 있는 범위가 제한적이어서 모듈 단위로 접근하는 프루닝을 택했다.

Q. GPU를 줄이면 성능은 얼마나 떨어지나.

A. 노타 자체 평가 기준으로 50% 경량화 모델이 REAP 방식보다 대다수 벤치마크에서 성능 보존율이 높았고, GPQA-Diamond와 IFEval에서 각각 2.52점, 2.22점 앞섰다. 다만 이는 회사가 자체적으로 측정한 결과로, 제3자 검증 수치는 아니다.

Q. 경량화 모델은 어디서 쓸 수 있나.

A. 노타가 공개한 솔라 오픈2와 키미 K3 경량화 모델은 글로벌 AI 플랫폼 허깅페이스에 올라와 있다. 기업과 개발자는 B300 GPU 6장 또는 4장 구성으로 모델을 운영할 수 있다.

[Seoul = Techsuda eyeball@techsuda.com]

저도 딱 이 생각이었습니다. 이런 의문을 품고 있을 때 DJI에서 제품을 대여해 주셔서 일주일 동안 직접 써볼 수 있었는데요. 결론부터 말씀드리면... 생각보다 할 말이 많아졌습니다. (좋은 의미로도, 나쁜 의미로도요.)

스펙 얘기는 유튜브 영상에 이미 올렸으니까, 이 글에서는 실사용하면서 직접 몸으로 느낀 것들만 솔직하게 털어놓겠습니다.

■ 머리가 커져도 엉덩이는 그대로

딱 보면 헤드 부분이 눈에 띄게 커진 게 먼저 눈에 들어옵니다.

20mm 광각에 60mm 중망원 렌즈까지 듀얼로 쑤셔 넣었으니 머리가 커질 수밖에 없었던 거죠. 경쟁사인 인스타360 루나 울트라도 사정이 비슷하더라고요. 듀얼 렌즈의 숙명인 것 같습니다.

그런데 불행 중 다행인 게 있는데요. 손잡이 바디 부분은 기존 오즈모 포켓 4와 완전히 동일합니다.

이게 뭘 의미하냐면요. 기존 포켓 4에서 쓰던 배터리 핸들이나 삼각대 같은 하단 액세서리들을 그대로 다 쓸 수 있다는 겁니다. (아, 이 부분은 참 고마운 대목이에요. 제 지갑을 지켜줬으니까요.)

근데 머리가 너무 커지다 보니 전원을 껐을 때 렌즈가 안쪽으로 완전히 숨지를 못하고 밖으로 노출된 채 꺼집니다.

처음 이거 보고 '아, 주머니에 넣으면 렌즈 기스 장난 아니겠는데' 걱정을 좀 했거든요. 다행히 DJI가 바보는 아니어서 렌즈 커버를 쉽고 편리하게 교체할 수 있는 구조로 출시해줬습니다. 이 커버가 ND 필터 형태로도 나오는데, 기존처럼 자석식 필터를 따로 붙였다 뗐다 할 필요가 없어졌으니 이건 오히려 편해진 거라고 볼 수 있겠습니다.

한 가지 더. 기존 포켓 시리즈에서 쓰던 자석식 광각 렌즈는 구조상 4P에 붙지 않습니다. 전용 광각 렌즈가 따로 나오는데, 해외 리뷰어들 말을 빌리자면 이 전용 렌즈는 장착한 상태에서도 헤드 안쪽으로 쏙 들어가게 디자인됐다고 하더라고요. 촬영 끝나고 매번 렌즈 빼서 따로 보관할 필요가 없다는 건데, 국내에 출시되면 무조건 필수가 될 것 같습니다. (아쉽게도 리뷰 시점엔 국내 출시 전이었습니다.)

■ 물리 망원 렌즈, 진짜 다르긴 다르더라고요

망원 렌즈를 직접 써보니까 확실히 달라요.

기존에는 디지털 줌이라 줌을 당기면 노이즈가 자글자글 끼고 해상도가 뭉개지는 게 눈에 보였는데, 물리적으로 렌즈를 달아버리니까 화질 손상 없이 줌된 화각을 얻을 수 있더라고요.

막상 쓸 일이 없을 줄 알았는데, 화면이 더 예쁘게 나오니까 자연스럽게 손이 더 가게 되더라고요. (나만 그런가...)

■ 무게, 배터리, 그리고 좀 중요한 발열 얘기

실사용하면서 체감한 변화들을 좀 짚어볼게요.

무게는 기존 190g에서 230g으로 늘었습니다. 수치만 보면 꽤 무겁겠다 싶었는데, 막상 손에 들고 다녀보면 무게 차이가 크게 실감 나지는 않더라고요. 그냥 '아, 머리가 좀 크네' 이 정도 체감이에요.

배터리는 바디가 같으니까 용량도 똑같습니다. 렌즈를 두 개 굴리는 탓인지 포켓 4보다는 배터리가 조금 더 빠르게 소진되는 느낌이 있긴 해요. 근데 이게 촬영 흐름을 끊을 정도의 불편한 수준은 아닙니다. 어차피 배터리 핸들이나 외장 배터리 없이 포켓 쓰시는 분이 얼마나 되겠어요. 크게 걱정 안 해도 될 것 같습니다.

그런데 발열은 좀 중요한 얘기입니다.

발열이 포켓 4보다 확실히 심합니다. 머리가 커진 만큼 짐벌 모터가 훨씬 고되게 일하다 보니 그런 것 같은데요. 한번은 촬영하다가 손에 쥐기 힘들 정도로 뜨거워진 적이 있었습니다. 고프로나 미러리스 카메라였으면 100% 발열 경고 뜨면서 꺼졌을 법한 온도였거든요. 근데 신기하게도 전원은 안 꺼지고 꿋꿋하게 버티더라고요.

그래도 비싼 기기가 고장날까 봐 제가 무서워서 임의로 끄고 열을 식혔습니다. (대여한 기기라...) 여름철에 장시간 야외 촬영하실 분들은 이 발열 부분 꼭 체크하셔야 할 것 같습니다.

D-Log 2도 이번에 새로 들어왔는데요. 지난 포켓 4 리뷰에서 D-Log가 여러 대 카메라로 촬영할 때 색 맞추기가 편하다고 얘기한 적이 있는데, 한 층 더 넓어진 다이내믹 레인지를 보존해준다니 상당히 반갑습니다. 확실히 D-Log 2가 Lut을 잘 먹는 느낌입니다. 이건 사진을 통해 확인해 보시죠. Log2로 촬영한 뒤 유명한 OSIRIS M31 LUT을 올리고 80% 정도 낮춘 화면입니다. 이것만으로 시네마틱한 화면이 연출됩니다.

■ 무릎을 탁 쳤던 두 가지 '프레임탭'과 '피사체 추적'

실사용하면서 '오, 이거 진짜 좋은데' 싶었던 포인트 두 개만 말씀드릴게요.

첫 번째는 브이로그 콤보에 포함된 프레임탭(Frame Tab)입니다.

화면이랑 조이스틱이 달린 콤팩트한 무선 리모컨인데요. 저처럼 혼자 촬영하는 1인 크리에이터에게는 정말 꼭 필요한 물건이라는 생각이 들었어요. 예전에는 촬영 화면을 모니터링하려면 핸드폰을 연결해야 해서 엄청 번거로웠잖아요. 근데 이건 켜자마자 바로 연결이 되고, 손바닥 안에 쏙 숨겨져서 티 안 나게 촬영도 할 수 있습니다.

특히 4P 모델에서 이게 왜 더 중요하냐면요. 60mm 망원 렌즈 때문입니다.

망원으로 앵글을 대충 맞춰놓고 카메라 앞에 가서 서면, 앵글 밖으로 벗어나거나 잘려서 다시 촬영하는 경우가 허다해요. 멋진 뷰 앞에 서서 폼 잡았는데 나중에 보니 머리가 반 잘려 있으면... 그 허탈함은 겪어본 분만 알 겁니다. (저는 알아요. 여러 번 당해봤거든요.)

이때 멀리 서서 프레임탭 화면 보면서 조이스틱으로 앵글을 미세 조정할 수 있으니까 1인 촬영 효율이 확 올라갑니다. 1인 크리에이터라면 묻지도 따지지도 말고 프레임탭이 있는 브이로그 콤보로 가시길 추천드립니다.

두 번째는 소소하지만 의외로 편리했던 업데이트인데요. 셀카 모드에서 조이스틱을 딸깍 한 번 누르면 화면 속 피사체를 즉시 인식하고 팔로우 기능이 바로 켜집니다.

기존 포켓 4에서는 얼굴 등록하고, 셀카 모드 따로 켜고... 꽤 귀찮았거든요. 근데 4P는 조이스틱 한 번 누르면 끝입니다. 하드웨어 업그레이드가 아니라 소프트웨어 기능인 것 같아서, 포켓 4에도 펌웨어 업데이트로 넣어주지 않을까 기대해보는데요. 리뷰하는 시점에는 포켓 4에 이 기능이 없었습니다. DJI가 나중에 넣어줬으면 좋겠네요.

■ 그래서, 포켓 4P로 가야 할까요?

포켓 4P는 듀얼 렌즈 때문에 머리가 커지고 발열이 늘었지만, 기존 액세서리 호환성은 유지하면서 60mm 망원이라는 무기를 손에 넣었습니다. 개인적으로는 마치 스마트폰 카메라가 진화해온 방향을 짐벌 카메라도 따라가는 것 같은 느낌이 들었습니다. 나중에는 광각 렌즈까지 3개 달고 나오는 거 아닌지 모르겠어요. (무서운 회사예요, 진짜로.)

인스타360 루나 울트라가 액정이 분리되는 형태로 리모컨을 구현한 것과 달리, DJI는 프레임탭이라는 별도 제품을 출시해서 다양한 기기에서 쓸 수 있도록 한 것도 흥미로운 차이점이구요.

일상을 넓은 화각으로 가볍게 담는 일반적인 브이로그 목적이라면, 포켓 4로도 충분합니다.

하지만 화질 손상 없는 줌 기능, 다양한 화각, 그리고 1인 촬영 효율의 극대화가 필요한 전문 크리에이터라면 돈을 조금 더 얹더라도 무조건 오즈모 포켓 4P 브이로그 콤보를 추천드립니다. [테크수다 Techsuda]

DJI가 5일 내장 녹음 기능을 탑재한 미니 무선 마이크 신제품 'DJI Mic Mini 2S'를 공개했다. 지난 4월 출시한 Mic Mini 2의 상위 라인업으로, 32-bit Float 녹음 지원과 AI 노이즈 캔슬링 강화, 최대 4대의 송신기 동시 연결이 핵심이다.

클리핑 걱정 없는 32-bit Float 내장 녹음

DJI Mic Mini 2S의 가장 큰 변화는 32-bit Float 내장 녹음 지원이다. 속삭이는 소리부터 갑작스러운 고음량 피크까지 넓은 다이내믹 레인지를 클리핑 없이 그대로 담아낼 수 있다. 후반 작업에서 음량을 유연하게 조정할 수 있어 현장 녹음 실패 리스크를 크게 낮출 수 있다는 점에서 1인 크리에이터에게 실질적인 이점이 될 전망이다.송신기에는 약 14.5GB의 내장 저장 공간이 탑재됐으며, 기본 24-bit 모드 기준 최대 28시간 분량의 오디오 녹음이 가능하다.

2단계 AI 노이즈 캔슬링…실내외 환경 구분 대응

음성 처리 측면에서도 기능이 강화됐다. AI 노이즈 캔슬링은 '기본(Basic)'과 '강함(Strong)' 두 단계로 나뉘어, 실내 배경 소음 제거와 야외 강한 소음 억제를 각각 최적화해 처리한다.클리핑 제어(Clipping Control) 기능은 갑작스러운 음량 피크를 자동으로 낮춰 왜곡을 방지하고, 음량 균형(Loudness Balance) 기능은 인터뷰·라이브 스트리밍 상황에서 일관된 출력 레벨을 유지한다. 여기에 일반·브라이트·리치 세 가지 음성 톤 프리셋을 제공해 복잡한 후반 작업 없이도 원하는 사운드 방향성을 선택할 수 있다.

수신기 1대에 송신기 최대 4대…세대 간 호환도 지원

다인 콘텐츠 제작 환경에서의 확장성도 강화됐다. 수신기(RX) 1대에 최대 4대의 송신기(TX)를 동시 연결할 수 있어 원탁 토론, 팟캐스트, 소규모 그룹 촬영에 대응이 가능하다. 특히 기존 Mic Mini·Mic Mini 2 송신기, DJI Mic 시리즈 모바일 수신기와의 세대 간 호환을 지원해 기존 사용자의 장비 확장 비용 부담을 줄였다.

12g 초경량 설계, DJI 오즈모 생태계와 직접 연동

송신기 무게는 약 12g으로 클립·마그네틱 두 가지 부착 방식을 모두 지원한다. 세계적인 일러스트레이션 아티스트 Victo Ngai와 협업한 '타임 시리즈(Time Series)' 마그네틱 전면 커버도 함께 선보였다.OsmoAudio 직접 연결(OsmoAudio Direct Connection) 기능을 통해 Osmo Pocket 4P, Osmo Pocket 4, Osmo 360, Osmo Nano, Osmo Action 6 등 일부 오즈모 카메라와 수신기 없이 직접 연결된다. 48kHz 24-bit 품질의 오디오를 별도 장비 없이 DJI 이미징 기기로 바로 전송할 수 있다.

DJI Mic Mini 2S는 5일부터 DJI 스토어(store.dji.com) 및 공인 판매처를 통해 구매할 수 있다.
제품 상세 정보: https://www.dji.com/mic-mini-2s