해커톤은 흔하다. 그런데 이번 대회 규정을 읽어보면 주최 측이 원하는 게 분명하다. 슬라이드 속 아이디어가 아니라 "실제 하드웨어 위에서 돌아가는 AI"다. 그리고 그 하드웨어는 에이수스가 깔아둔 두 개의 무대, 하일로 칩을 얹은 엣지 AI 가속기와 인텔 아크 프로 GPU다.

에이수스가 내건 문제의식은 이렇다. 온디바이스 연산 성능은 크게 올라왔고, 모델은 계속 가벼워지고, 배포 도구도 빠르게 성숙했다. 개발자는 성능, 데이터 처리 구조, 프라이버시, 실제 사용 환경에 따라 클라우드·온디바이스·하이브리드를 골라 쓸 수 있게 됐다. 하드웨어가 발목을 잡던 시절은 지났다는 얘기다.

남은 숙제는 그래서 현장에서 뭘 해결하느냐다. 대회 가이드라인도 "구체적인 페인 포인트에서 출발해 실제로 구동되고 검증 가능한 애플리케이션 프로토타입을 만들라"고 요구한다. 슬로건은 유비쿼터스 AI, 창의력에 힘을 더하다(Ubiquitous AI. Powering Ingenuity.).

참가팀은 주제 하나를 고른 뒤, 필요한 연산량과 배포 환경에 맞춰 두 배틀필드 중 하나를 선택한다. 주제와 플랫폼은 자유롭게 조합할 수 있지만 팀당 프로젝트 하나, 플랫폼 하나다.

배틀필드 라이트닝의 무기는 ASUS UGen300 AI 가속기다. M.2와 USB 두 가지 형태로 나온다. 하일로의 Hailo-10H 칩을 탑재해 최대 40 TOPS(INT4), 8GB 전용 메모리를 제공하고 150종 이상의 사전 학습 모델을 지원한다. 노트북이나 소형 PC에 꽂아 온디바이스 추론, 이미지 인식, 상황 인식을 돌리는 그림이다. 2단계 진출팀에는 UGen300이 한 대씩 지급되고, 대회가 끝나도 돌려주지 않아도 된다.

배틀필드 썬더스톰은 체급이 다르다. ASUS UGen 인텔 아크 프로 B70 32GB로 최대 367 TOPS(INT8), 32GB 메모리를 갖췄다. 대형 비전·멀티모달·생성형 AI, 에이전틱 AI처럼 연산을 많이 먹는 워크로드용이다. 다만 결선 진출팀이 GPU를 직접 받는 건 아니다. 주최 측이 가상머신을 제공하고 SDV 시스템에서 개발·검증하는 구조다. 현장 트랙 팀은 에이수스 본사 테스트 시설을 예약해 실물로 돌려볼 수 있다.

정리하면 라이트닝은 작게 시작해 현장에 붙이는 쪽, 썬더스톰은 크게 키워 기업용으로 가는 쪽이다. 소셜 캠페인 문구 그대로 "작게 시작하고, 크게 확장하라(Start Small. Scale Beyond.)"다.

하드웨어 없어도 1단계는 OK…한국에서 결선까지 가능

진입 장벽은 낮췄다. 1단계에서는 지정 하드웨어가 없어도 된다. 노트북, 싱글보드컴퓨터(SBC), 가상머신으로 초기 시뮬레이션과 검증을 하면 된다. 다만 2단계에서는 실제 하드웨어나 지정 환경에서 검증해야 하니 AI 모델 배포, 하드웨어·소프트웨어 통합에 대한 기본기는 있어야 한다.

참가 방식은 글로벌 온라인 트랙과 현장(온사이트) 트랙으로 나뉜다. 온라인 트랙은 제안서·데모 영상·깃허브 저장소로 원격 심사를 받는다. 현장 트랙은 여기에 더해 12월 19일 대만 타이베이 에이수스 본사 무대에 서서 발표하고, 심사위원 질문을 받고, 하드웨어를 직접 시연한다. 한국 개발자라면 온라인 트랙으로 국내에서 결선까지 치를 수 있다.

결선 진출팀은 배틀필드별로 온라인 상위 5팀, 현장 상위 5팀씩 10팀, 총 20팀이다. 참가자 1인은 프로젝트 하나로만 참가할 수 있고, 배틀필드나 트랙을 넘나드는 중복 등록은 안 된다. 학생·대학원생·현업 개발자·타 분야 전문가가 섞인 융합팀을 권장한다.

하드웨어 회사가 해커톤을 여는 이유는 대개 하나다. 자기 칩 위에서 돌아가는 레퍼런스 애플리케이션과 개발자 커뮤니티가 필요해서다. 이번 대회도 그 맥락에서 읽힌다. 에이수스는 UGen 브랜드로 하일로 기반 엣지 가속기와 인텔 아크 프로 기반 GPU를 나란히 내놓았다. 해커톤은 이 두 라인업이 실제로 어떤 일에 쓰일 수 있는지 사례를 쌓는 장이다.

개발자 입장에서도 계산이 나쁘지 않다. 1단계는 하드웨어 없이 들어갈 수 있고, 라이트닝 결선에만 올라도 40 TOPS급 AI 가속기가 손에 남는다. 비전 기반 엣지 AI를 고민하던 학생팀, 공장·연구실·매장 같은 현장 문제를 쥐고 있는 소규모 팀에게는 '돌아가는 프로토타입'을 만들어 볼 명분과 장비가 함께 주어진다.

다만 남는 질문도 있다. 영문 제안서·영어 영상이 필수라 국내 팀에게는 언어 부담이 있다. 수상작 권리를 주최 측에 영구·무상으로 넘기는 조항은 상업화를 노리는 팀에게 가볍지 않다. 그리고 이런 대회가 진짜 의미를 가지려면, 결선 20팀의 프로토타입 중 몇 개가 해커톤 무대를 넘어 실제 현장에 붙는지까지 이어져야 한다. 에이수스가 대회 이후 수상팀과 어떤 후속 협력을 이어갈지 지켜볼 대목이다.

신청은 공식 대회 페이지(https://contest.bhuntr.com/en/39jg9vimiynrhlksze/home/)에서 신청하면 된다. 문의는 운영사무국 이메일(asus_aihackathon@bhuntr.com)로 하면 된다.

[테크수다 이창길 jjangkil@techsuda.com]

데이터

- 2026. 10. 6 -
AI 시대 데이터가 원유라는 말이 있습니다. 데이터 없이 차별화할 수 없다는 거죠. 그래서 지금 각 산업 현장은 우리가 가진 데이터가 무엇인지 파악하고 이걸 잘 모아서 저장하고 처리 가공하기 위해 분주합니다. 공장에 있는 기계는 물론 사람의 단순 반복 업무를 데이터화 하기 위해서도 마찬가지 움직임이 있습니다.

이번에 만난 카본식스는 전자 못지 않게 후자 영역에서도 활발히 움직이고 있습니다. 이 회사는 제조업 특화 피지컬AI 기업입니다. 브라운필드(Brownfield) 영역이죠. 부동산 용어였는데 피지컬AI 영역에서도 쓰이고 있습니다. 가동중인 생산라인에 로봇, 센서, AI를 추가하고 기존 시스템과 연결하는 거죠. 반대말은 그린필드(Greenfield)입니다. 설계 단계부터 AI와 로봇 중심으로 공정, 동선, 데이터 인프라를 구성합니다.

이 회사는 숙련공이 작업을 그대로 하는 동안 비전, 모션 데이터를 모으고, 자체 로봇 파운데이션 모델을 하루 동안 미세조정해 현장에 배치합니다. 특히나 케이블, 필름, 비닐처럼 기존 자동화가 손대지 못한 비정형 공정을 대상으로 합니다.

문태연 대표는 인공지능 머신비전 스타트업 수아랩(SUALAB)을 공동창업해 2019년 미국 코그넥스(Cognex)에 매각한 인물이더군요. 휴대폰 스크래치, 자동차 부품 필름 불량을 AI로 검사하며 10년 가까이 제조 현장에 AI를 적용해 왔습니다. 저 같으면 바로 편안한 삶을 누리고 있을텐데 이 분과 카본식스 구성원들은 세상의 문제를 풀기 위해 고군분투하고 있었습니다. 역시 젊은이들이 세상을 바꾸는 거 같습니다.

사람이 한 번 시연하면 바로 따라하는 모델을 지향하는 회사입니다. 많은 산업 현장에서 인력들은 점점 부족해지고 있기 때문에 이런 자동화 요구는 갈수록 늘고 있습니다. 문 대표는 베트남에도 출장이 잦다고 합니다. 며칠 전 베트남에서 일하는 지인과 통화를 하다보니 지금 베트남에 진출한 한국 기업들이 인력 확보에 비상이 걸렸다고 합니다.

중국 기업들과 ESG 때문이라고 합니다. 중국 기업들이 미국의 무역 전쟁을 회피하기 위해 베트남으로 공장을 이전하고 있습니다. 이들 기업들은 야근하고 싶으면 야근을 마음껏 할 수 있게 하나봅니다. 그러니 글로벌 룰을 따르는 한국 대기업과 협력사들은 야근을 무조건 시킬 수 없답니다. 그래서 한국 기업에서 일하던 베트남 노동자들이 중국 회사로 이직하면 야근 수당을 많이 챙길 수 있어서 다들 그리로 가고 있다고 합니다. 한국 기업들도 모두 자동화 이슈에 노출되어 있다고 합니다. 문태연 대표가 베트남에 자주 가는 이유도 비슷했습니다.

최근 이 영역에서 다시 주목받고 있는 용어가 '암묵지'입니다. 이걸 어떻게 데이터화해서 적용할지가 관건입니다. 카본식스가 조만간 실제 적용한 산업 현장에 초대하겠다고 했습니다. 그 기회를 얻을 수 있을지는 모르겠지만 참석하게 되면 나중에 또 자세히 알려드리겠습니다.

서울에는 일요일 살짝 비가 왔습니다. 기온도 뚝 떨어졌습니다. 이럴 때 일수록 건강 더 잘 챙기세요. 이번주는 아주 짧습니다. 가을 여행도 잘 즐기세요.

숙련공 두 시간 시연, 하루 학습…카본식스, 휴머노이드 대신 공장 라인에서 피지컬 AI 승부

제조업 특화 피지컬 AI 기업 카본식스(CarbonSix)가 9월 22일 서울에서 기자들을 대상으로 '미디어 에듀케이션' 행사를 열고 로봇 지능의 발전사와 자사의 제조 현장 전략을 설명했다.

문태연 대표는 숙련공이 한두 시간 시연한 데이터로 하루 만에 로봇을 학습시켜 현장에 투입하는 방식을 소개했고, 서형주 최고기술책임자(CTO)는 모델 기반 제어에서 강화학습, 모방학습으로 이어진 로봇 연구 40년을 정리한 뒤 실제 공장 배치에서 데이터를 모으는 '데이터 플라이휠'을 회사의 비전으로 제시했다.

빨래 개기나 백덤블링 같은 시연 대신 케이블 체결, 필름 떼기, 대차 부품 꺼내기 같은 공장의 난공정을 정면으로 겨눴다.

주요 내용:

• LG전자 미국법인, 에어와 총 5GW 규모 AIDC용 고효율 칠러 장기 공급 본계약 체결
• 냉각수 분배장치(CDU) 등 액체냉각 설비로 공급 품목 확대 논의 중
• 2026년 상반기 AIDC 냉각 솔루션 수주 6000억원 돌파… 2027년 칠러 매출 1조원 목표 조기 달성 기대

시장조사업체 옴디아(Omdia)에 따르면 전 세계 데이터센터에 필요한 전력 용량은 2026년 226GW에서 2027년 334GW로 108GW 늘어날 전망이다. LG전자가 이번에 따낸 5GW는 단순 비교하면 이 증가분의 약 5%에 해당한다. 에어는 미국과 캐나다 등 북미 지역 AIDC의 설계와 구축, 공공 조달, 애프터마켓 서비스까지 전 과정을 총괄하는 기업이다. 데이터센터 전문 자회사 에어 미션 크리티컬(AIR Mission Critical, AMC)이 대규모 프로젝트를 수행하며 세계 주요 데이터센터 사업자를 고객으로 두고 있다.

AI 연산용 고성능 GPU 탑재가 급증하면서 데이터센터 업계에서는 열 관리가 최대 과제로 떠올랐다. 전력 밀도와 발열량이 높아지자 찬 바람을 순환시키는 공랭식(Air Cooling)에 찬 물로 열을 직접 식히는 액체냉각(Liquid Cooling)을 결합하는 방식이 급부상했다. LG전자는 공랭식과 액체냉각을 아우르는 '칩 투 칠러(Chip to Chiller)' 토털 솔루션으로 포트폴리오를 넓히는 중이다. 원자력 발전소와 대형 병원 등 높은 신뢰성이 필요한 시설에서 60년간 쌓은 냉난방공조(HVAC) 엔지니어링 경험이 그 바탕이다.

LG전자는 2025년 수주한 북미 대형 AIDC 프로젝트에 2026년부터 냉각 솔루션을 공급·설치하고 있으며, 중동과 인도네시아 등 글로벌 사우스(Global South) 지역에서도 공급 실적을 쌓았다. 회사는 2026년 말까지 누적 수주가 수조원 수준에 이르러 2027년 말로 잡은 칠러 사업 매출 1조원 달성 시점도 앞당겨질 것으로 내다봤다.

이재성 LG전자 ES사업본부장(사장)은 "LG전자의 고효율 칠러, 고성능 액체냉각 솔루션을 비롯한 차별화된 기술력과 빠르게 확대되고 있는 대규모 데이터센터 공급 경험을 바탕으로 글로벌 AIDC 냉각 시장을 선도해 나갈 것"이라고 밝혔다. 브래드 홉스(Brad Hobbs) 에어 CEO는 "LG전자의 고효율 칠러 기술을 통해 AI 데이터센터 포트폴리오 구축 과정에서 검증된 솔루션을 제공할 수 있게 됐다"고 말했다.

LG전자 5GW AI 데이터센터 냉각 계약, 이런 점이 궁금하다

Q. 5GW는 어느 정도 규모인가요?

A. 옴디아는 전 세계 데이터센터 전력 수요가 2026년 226GW에서 2027년 334GW로 108GW 늘어날 것으로 본다. 5GW는 이 1년 증가분의 약 5%에 해당하는 물량이다. LG전자는 이 규모의 AIDC에 들어갈 칠러를 장기간 순차 공급한다.

Q. 칠러와 냉각수 분배장치(CDU)는 어떻게 다른가요?

A. 칠러는 냉각수를 만들어 데이터센터 전체의 열을 관리하는 대형 냉동 설비다. 냉각수 분배장치는 액체냉각 방식에서 냉각수를 서버 랙과 칩 가까이로 나눠 보내는 핵심 장치다. GPU 발열이 커지면서 두 설비를 함께 쓰는 수요가 늘고 있어, LG전자는 칩부터 칠러까지 아우르는 공급 구조를 노린다.

Q. AI 데이터센터 냉각 시장 전망과 LG전자의 전략은 무엇인가요?

A. 시장조사업체 포춘비즈니스인사이트(Fortune Business Insights)는 글로벌 AIDC 시장이 연평균 약 26% 성장해 2034년 약 1335억달러(약 185조원)에 이를 것으로 전망했다. LG전자는 그룹 역량을 결집한 '원 LG(One LG)' 통합 인프라 솔루션을 앞세워 AIDC 토털 솔루션 공급자로 자리 잡겠다는 전략이다. 북미 외에 중동과 동남아 등 신흥 시장 공략도 병행한다.

[테크수다 기자 도안구 eyeball@techsuda.com]4.6%)이므로 회사 자료 인용 형태로 유지했다.

[테크수다 기자 도안구 eyeball@techsuda.com] AI 모델 경쟁의 기준이 벤치마크 점수와 토큰 단가에서 실제 업무를 완료하는 데 드는 총비용으로 넓어지고 있다. 오픈AI와 앤트로픽이 잇따라 성능과 효율을 높인 모델을 내놓은 가운데 구글도 새로운 프런티어 모델을 발표했다. 중국 오픈웨이트 모델까지 선택지에 들어오면서 기업의 과제는 더욱 구체적으로 바뀌었다. 업무에 필요한 품질과 보안을 충족하면서 가장 경제적으로 결과를 만드는 모델을 골라야 한다. 국내 클라우드 사업자에게도 모델 공급을 넘어 선택·평가·운영·정산을 묶는 역량이 중요해지고 있다.

핵심 요약

• 일부 모델의 가격대 중첩 — GPT-6.1 솔의 기본 입력·출력 가격은 100만 토큰당 2달러·10달러로, 구글이 발표한 제미나이 4 아르곤의 도입가와 같다. 아르곤의 도입 기간 이후 가격은 오퍼스 5.5와 같은 4달러·20달러다. 다만 이용 가능 대상과 과금 조건은 다르다.
• 경제성 평가 기준의 확대 — 토큰 과금은 계속되지만 모델을 고르는 기준은 작업당 비용으로 넓어진다. 추론 토큰과 도구 호출, 실패·재시도·사람의 검수까지 포함해야 실제 업무 경제성을 비교할 수 있다.
• 업무별 모델 선택의 중요성 — 중국 오픈웨이트 사용 확대와 글로벌 클라우드의 라우팅 서비스가 맞물리고 있다. 국내 CSP의 기회는 고객 업무에 맞는 모델 조합을 검증하고, 데이터 처리 위치와 보안 요건을 지키면서 총비용을 낮추는 데 있다.

2달러·10달러에서 겹친 오픈AI와 구글의 가격표

오픈AI는 9월 3일 GPT-6 아스트라(Astra)에 이어 22일 GPT-6 솔(Sol)·루나(Luna), 29일 GPT-6.1 솔을 출시했다. 앤트로픽은 22일 클로드 오퍼스 5.5(Claude Opus 5.5)를 선보였다. 구글은 30일 제미나이 4 아르곤(Gemini 4 Argon)을 발표했다. 아르곤은 신뢰할 수 있는 사이버 방어 기관 등에 먼저 제공하는 단계로, 일반 개발자와 기업 대상 공개를 준비하고 있다.

각 회사의 가격표에서는 고성능 모델을 더 낮은 비용으로 공급하려는 전략이 드러난다. GPT-6.1 솔의 표준 API 가격은 입력 100만 토큰당 2달러, 출력 10달러다. GPT-6 아스트라의 10달러·50달러와 비교하면 각각 5분의 1이다. 대량 처리용 GPT-6 루나는 입력 0.1달러, 출력 0.5달러다. 이 가격은 입력 27만2000토큰 이하 조건이며, 장문 입력이나 처리 등급에 따라 달라진다.

구글이 발표한 아르곤의 도입가도 입력 2달러·출력 10달러다. 캐시 입력에는 일반 입력보다 95% 낮은 가격을 적용한다. 다만 도입 기간이 끝나면 입력 4달러·출력 20달러가 된다. 앤트로픽 오퍼스 5.5의 기본 가격은 입력 4달러·출력 20달러다.

일부 모델의 가격대가 겹친다고 전체 시장의 가격이 수렴했다고 보기는 이르다. 도입가와 정가가 섞여 있고, 이용 가능 대상과 처리 조건도 다르다. 같은 가격표를 제시하더라도 실제 업무에 필요한 토큰 수와 완료율이 다르면 최종 비용은 달라진다.

캐시 가격도 중요한 변수다. GPT-6.1 솔의 캐시 입력은 100만 토큰당 0.1달러로 일반 입력보다 95% 저렴하다. 앞서 출시한 GPT-6 솔의 캐시 입력 0.2달러보다도 낮다. 긴 문서나 코드 문맥을 반복해서 참조하는 에이전트에서는 기본 입력 단가뿐 아니라 캐시 적중률과 쓰기 비용을 함께 계산해야 한다.

싼 토큰이 싼 업무를 보장하지 않는다

앤트로픽은 오퍼스 5.5가 전작보다 토큰 단가를 20% 낮추고 작업에 필요한 토큰도 줄여, 기본 설정의 일반적인 워크로드에서 비용을 40% 절감했다고 밝혔다. 특정 코딩 평가인 FrontierCode에서는 기본 추론 강도로 아스트라의 최고 점수를 넘으면서 작업당 비용은 약 5분의 1이었다고 설명했다. 앤트로픽이 제시한 평가 결과다.

오픈AI도 GPT-6.1 솔의 경제성을 앞세웠다. 과학 연구 작업을 평가하는 Terminal-Bench Science 0.1에서 최대 추론 강도 기준 평균 작업당 비용이 5.47달러였다고 밝혔다. 비교 대상으로 제시한 오퍼스 5.5는 23.21달러, 아스트라는 23.80달러였다. 다만 같은 평가에서 가장 높은 성능 점수는 아스트라가 기록했다. 오픈AI는 경쟁 모델 결과를 공개 보고서에서 가져왔다고 명시했다.

이 수치들은 특정 시험에서의 결과다. 평가 과제와 실행 환경, 추론 강도, 도구 구성에 따라 결과가 달라진다. 평균 시도 비용이 낮다고 성공적으로 완료한 업무 한 건의 비용까지 낮다고 단정할 수도 없다. 기업은 같은 업무와 품질 기준 아래에서 실패와 재시도, 사람의 검수에 들어가는 비용을 함께 측정해야 한다.

구글의 제미나이 3.8 플래시는 이런 차이를 보여준다. 구글은 이 모델이 복잡한 작업에서 추가 추론과 반복적인 도구 호출을 수행하며, 특히 높은 추론 강도에서는 토큰을 더 많이 사용할 수 있다고 설명했다. 효율을 우선하는 업무에는 추론 강도를 낮추거나 기존 3.7 플래시를 활용할 수 있다고 안내했다.

3.8 플래시의 도입가는 입력 0.75달러·출력 3.75달러이며, 2027년 1월 1일부터 각각 1.5달러·7.5달러가 적용된다. 지금의 단가뿐 아니라 도입가 종료 이후의 비용도 검토해야 하는 이유다.

중국 오픈웨이트, 선택지와 배포 방식을 넓히다

중국 오픈웨이트 모델의 확산은 기업이 선택할 수 있는 가격과 배포 방식의 폭을 넓히고 있다. 오픈웨이트는 모델 가중치를 공개해 외부 사업자가 직접 운영할 수 있도록 하는 방식이다. 다만 공개 범위와 상업적 이용 조건은 모델마다 다르다.

오픈라우터(OpenRouter)가 공개한 자료에 따르면 2026년 8월 미국에서 발생해 자사 플랫폼으로 들어온 요청의 토큰 가운데 약 60%가 오픈웨이트 모델로 향했다. 오픈라우터는 중국 연구소의 모델이 해당 물량의 대부분을 차지한다고 설명했다. 이 통계는 오픈라우터 내부의 이용 현황이며, 미국 전체 AI 시장 점유율을 뜻하지 않는다.

딥시크는 9월 V4.1 플래시를 선보이며 추론과 캐시 효율을 강조했다. 현재 공식 가격표상 캐시 미적중 입력은 100만 토큰당 비혼잡 시간대 0.15달러, 혼잡 시간대 0.3달러다. 출력은 각각 0.6달러와 1.2달러다. 구형 Flash 계열 요청은 V4.1 Flash로 전환하지만, V4 Pro는 별도 모델과 요금으로 제공한다.

오픈웨이트와 폐쇄형 모델의 성능 차이도 지속적인 비교 대상이다. Epoch AI는 지난 5월 발표한 분석에서 2026년 1월 이후 분석 구간의 최상위 오픈웨이트 모델이 폐쇄형 선두 모델에 평균 약 4개월 뒤처졌다고 추정했다. 이는 당시 분석 구간과 평가 방법에 따른 결과로, 9월 말 모델들의 격차를 직접 나타내는 수치는 아니다.

오픈웨이트 도입에서는 라이선스도 비용 구조의 일부다. 문샷AI의 Kimi K3 라이선스는 일정 매출 요건을 충족하는 모델 서비스(MaaS) 사업자에 별도 상업 계약을 요구하며, 내부 사용 등에는 예외를 둔다. 모델을 직접 운영해 외부 고객에게 제공하려는 CSP는 성능과 GPU 비용뿐 아니라 상업적 제공 조건까지 확인해야 한다.

중국 모델의 사용량 확대를 곧바로 미국 폐쇄형 모델의 대체로 해석할 필요는 없다. 기업에 더 중요한 질문은 특정 업무에서 필요한 품질을 충족하는지, 어떤 환경에서 운영할 수 있는지, 검수와 재작업을 포함한 총비용이 얼마인지다.

‘알아서 모델을 고르는 능력’은 이미 상품이다

모델 선택지가 늘면서 업무에 적합한 모델을 자동으로 배정하는 라우팅도 서비스로 자리 잡고 있다. 다만 같은 라우팅이라는 이름 아래에서도 선택 범위와 목적은 다르다.

AWS 베드록의 Intelligent Prompt Routing은 같은 모델 제품군 안에서 두 모델을 선택해 품질과 비용을 조정한다. AWS는 정확도를 유지하면서 비용을 최대 30% 줄일 수 있다고 설명한다. 서로 다른 벤더의 모델을 자유롭게 넘나드는 기능과는 구분해야 한다.

마이크로소프트 파운드리의 Model Router는 여러 공급자의 지원 모델 가운데 요청에 적합한 모델을 선택한다. 비용·품질·균형 모드를 제공하며, 실제 선택 범위에는 접근권과 배포 지역 등의 조건이 적용된다. MS도 고객 업무에서 기존 방식보다 비용과 품질이 개선되는지 직접 평가할 것을 권고한다.

자동 전환이 반드시 비용 절감을 뜻하는 것은 아니다. 앤트로픽은 오퍼스 5.5의 일부 사이버보안 작업을 안전정책에 따라 오퍼스 4.8로 전환한다고 밝혔다. 기업은 어떤 모델이 선택됐는지와 함께 비용, 품질, 장애 대응, 안전정책 중 무엇이 전환을 결정했는지도 추적할 수 있어야 한다.

라우팅의 가치는 모델을 바꿔 호출하는 기능에서 끝나지 않는다. 업무별 품질 기준과 비용 한도를 정하고, 저렴한 모델의 결과가 기준에 못 미치면 상위 모델이나 사람에게 넘기며, 최종 결과까지 기록하는 운영 체계가 필요하다.

MS, 자체 모델로 효율 경쟁에 가세

마이크로소프트는 자체 모델 개발로 선택지를 넓혔다. 6월 빌드 2026에서 MAI-Thinking-1과 코딩용 MAI-Code-1-Flash 등을 발표했다. MAI-Thinking-1은 활성 매개변수 350억 개 규모의 전문가 혼합(MoE) 추론 모델이다.

MS 자체 평가에서 MAI-Code-1-Flash는 SWE-Bench Pro에서 51.2%를 기록해 Haiku 4.5의 35.2%를 앞섰다. 별도 평가인 SWE-Bench Verified에서는 토큰을 최대 60% 적게 사용했다고 밝혔다. 두 수치는 서로 다른 평가에서 나온 결과다.

이런 움직임은 플랫폼 사업자가 외부 모델의 유통뿐 아니라 자체 모델 개발과 모델 선택 기능에도 투자하고 있음을 보여준다. 업무에 맞춘 모델을 직접 보유하면 성능 개선과 비용 최적화를 함께 시도할 수 있다. 독립 사업자와 국내 CSP가 경쟁해야 할 대상도 단순한 모델 판매자를 넘어선다.

국내 CSP, 연결·과금에 업무 검증을 더해야

국내 모델 개발사와 클라우드 서비스 사업자들도 이 문제를 주목하고 있다. 관건은 사업 구상이 실제 고객의 비용 절감과 안정적인 업무 처리로 이어지느냐다. 모델을 연결하고 사용량을 합산하는 기능만으로는 글로벌 게이트웨이와 차별화하기 어렵다. 고객 업무에서 요구하는 품질을 평가하고, 데이터 처리 위치와 접근 통제를 지키며, 장애와 재작업까지 포함한 운영 비용을 낮춰야 한다.

서비스 구성에는 국산 모델, 국내 인프라에 직접 올린 오픈웨이트, 해외 사업자의 API가 함께 들어갈 수 있다. 그러나 세 방식의 통제 범위는 다르다. 해외 API를 연결했다고 국내에서 추론하는 것은 아니며, 국내에 게이트웨이를 뒀다고 모든 데이터가 국내에 머무는 것도 아니다.

오픈라우터 역시 데이터 지역성을 검토할 때 요청이 어디서 복호화·처리되는지, 연동 도구는 어디서 실행되는지를 함께 확인해야 한다고 설명한다. 모델 개발사의 국적과 실제 데이터 처리 위치를 구분해야 한다는 의미다.

국내 CSP의 차별화 가능성은 고객 업무에 맞춘 검증과 운영에 있다. 한국어 문서 처리와 공공·기업 내부 업무에서 필요한 품질 기준을 정하고, 허용된 모델과 인프라 안에서 비용을 최적화하는 방식이다. 고객이 구매하는 것은 모델 이름이 아니라 안정적으로 완료된 업무라는 관점이 필요하다.

테크수다의 시각

9월의 모델 발표가 보여준 변화는 AI의 성능 경쟁에 업무 경제성이라는 평가축이 더해졌다는 점이다. 토큰 과금은 계속된다. 그러나 구매자가 판단해야 할 숫자는 토큰 단가에서 완료율, 전체 토큰 사용량, 재시도, 사람의 검수와 수정 비용으로 넓어지고 있다.

구글을 경쟁에서 밀려난 사업자로 단정하기도 어렵다. 구글은 플래시 계열의 효율과 성능을 개선하면서 아르곤으로 복잡한 전문 업무에서의 경쟁력을 강조했다. 다만 아르곤은 단계적으로 제공되고 있고, 발표된 가격은 도입가다. 실제 고객 업무에서의 품질과 총비용, 정가 적용 이후의 경제성을 함께 지켜봐야 한다.

국내 CSP에는 국산 모델 개발과 다양한 모델의 활용을 함께 바라보는 전략이 필요하다. 국산 모델, 국내에서 운영하는 오픈웨이트, 해외 API를 업무 특성에 맞게 조합하되 데이터 주권과 보안 요구를 충족해야 한다. 국산 모델의 경쟁력도 한국어·공공·산업별 업무에서의 정확도와 운영 비용으로 구체적으로 증명할 수 있다.

이 시장은 비어 있지 않다. 글로벌 클라우드는 이미 모델 선택과 운영 기능을 상품화했고, MS는 자체 모델도 개발하고 있다. 국내 사업자가 확보해야 할 것은 고객 업무에 대한 이해, 모델별 성능을 비교할 평가 데이터, 실제 운영에서 비용을 줄인 기록이다.

접근권과 계약 조건도 경쟁력의 일부다. 어떤 모델을 어느 지역에서 어떤 조건으로 제공할 수 있는지에 따라 서비스 구성이 달라진다. 모델을 많이 연결하는 것만큼 고객의 데이터를 어디서 처리하고, 문제가 생기면 누가 책임지며, 결과를 어떻게 검증하는지 설명할 수 있어야 한다.

결국 비교해야 할 지표는 성공적으로 완료한 업무 한 건당 총비용이다. 전체 시도에 사용한 모델·도구·인프라 비용에 사람의 검수와 재작업 비용을 더하고, 이를 성공적으로 완료한 업무 수로 나눠야 한다. 이 숫자를 고객에게 보여주고 지속적으로 낮출 수 있는 사업자가 AI 도입의 경제적 가치를 증명할 것이다.

오픈AI·앤트로픽·구글, 성능과 비용 효율 경쟁, 이런 점이 궁금하셨나요?

Q. 고성능 AI 모델 가격은 얼마나 내려갔나?

A. GPT-6.1 솔의 기본 입력·출력 가격은 100만 토큰당 2달러·10달러로, 아스트라의 10달러·50달러 대비 각각 5분의 1이다. 구글 아르곤도 같은 도입가를 발표했지만 이후에는 4달러·20달러가 적용된다. 모델별 성능과 이용 조건이 달라 가격만으로 경제성을 판단할 수는 없다.

Q. ‘작업당 비용’은 왜 중요한가?

A. 모델마다 같은 일을 처리하는 데 필요한 토큰과 도구 호출, 재시도 횟수가 다르기 때문이다. 토큰 단가가 낮아도 실패하거나 사람이 많이 수정해야 하면 총비용은 커진다. 동일한 업무와 품질 기준에서 성공적으로 완료한 한 건의 비용을 비교해야 한다.

Q. 중국 오픈웨이트는 미국 폐쇄형 모델을 대체하나?

A. 일부 플랫폼에서는 오픈웨이트 사용 비중이 크게 늘었지만, 이를 전체 시장의 대체로 단정할 수는 없다. 업무별 성능과 배포 환경에 따라 함께 활용할 수 있다. 가중치 공개 여부와 별개로 상업적 이용 조건도 확인해야 한다.

Q. 국내 클라우드 사업자의 기회는 어디인가?

A. 고객 업무에 맞는 모델을 선택하고 품질을 검증하며, 데이터 처리 위치와 보안을 관리하면서 총비용을 낮추는 데 있다. 실제 차별성은 고객 업무의 완료율과 비용 절감 성과로 입증해야 한다.

[테크수다 기자 도안구 eyeball@techsuda.com]

[테크수다 기자 도안구 eyeball@techsuda.com] 프랑스 광양자컴퓨팅 기업 콴델라(Quandela)가 양자컴퓨팅 상용화 시점을 2030~2035년으로 제시하면서, 한국 기업과 연구기관, 대학이 지금부터 생태계를 함께 만들어야 한다고 강조했다. 니콜로 소마스키(Niccolò Somaschi) 콴델라 공동창업자 겸 최고경영자(CEO)는 9월 28일 서울에서 연 기자간담회에서 오류정정 양자컴퓨팅(FTQC) 기술 로드맵과 향후 2년간의 한국 사업 전략을 발표했다.

핵심 요약

1. 상용화는 '언제'의 문제 — 콴델라는 2030~2035년 투자 대비 효과(ROI)를 측정할 수 있는 돌파구가 나올 것으로 내다봤다.
2. 지금 생태계를 준비해야 — AI보다 진입 장벽이 훨씬 높은 만큼 기술이 꽃필 때 뛰어들면 늦는다는 게 소마스키 CEO의 진단이다.
3. 한국은 제조·통합의 파트너 — 콴델라는 하드웨어 제조, 시스템 통합, AI·HPC 연계 운영 3개 분야에서 국내 파트너를 찾는다.

"가능하냐가 아니라 언제냐"

필자는 이날 질의응답 마지막 순서에서 물었다. 양자컴퓨팅 개념이 나온 지 40여 년이 흘렀지만 여전히 연구·실험 단계에 머물러 있고, 지금은 모든 돈이 생성형 AI로 몰린다. 산업계가 의미 있는 성과를 얻기까지 시간이 얼마나 걸리느냐는 질문이었다.

소마스키 CEO는 논의의 축이 이미 바뀌었다고 답했다. 그는 "양자가 될지 안 될지가 아니라 언제 되느냐의 문제"라며 업계가 공통으로 2030년과 2035년을 지목하고 있다고 설명했다. 이 시기에 측정 가능한 투자대비효과(ROI)를 내는 첫 돌파구가 나온다는 전망이다.

그가 더 힘주어 말한 대목은 그다음이다. 양자컴퓨팅은 AI보다 진입 장벽이 훨씬 높다. AI는 오픈 소프트웨어와 공개 모델이 넘쳐나고, 최근 몇 달 사이에도 경쟁자가 쏟아졌다. 양자는 그렇지 않다. 본격적인 붐이 3년 뒤에 오든 10년 뒤에 오든, 한 해 만에 따라잡을 수 있는 기술이 아니라는 얘기다. 그래서 생태계 차원의 협력은 지금 시작해야 한다고 그는 강조했다.

챗GPT를 되돌아보라는 역질문

소마스키 CEO는 기자들에게 질문을 되돌려 줬다. 유럽과 한국은 AI 개발에서 미국 기업을 뒤쫓고 있다. 그는 "10년 전 정부와 기업 모두가 10년 뒤 챗GPT가 나온다는 걸 알았다면 그때 무엇을 했겠느냐"고 물었다. 양자컴퓨팅에서는 지금이 바로 그 시점이라는 게 그의 답이다.

이 역질문은 한국 IT 산업이 지난 10년을 돌아보게 만든다. 트랜스포머 논문이 나오고 대규모언어모델(LLM)이 등장하기까지, 국내에서는 장기 안목으로 기초 역량을 쌓은 곳이 많지 않았다. 챗GPT 이후 국가 차원의 추격전이 벌어진 이유다. 양자컴퓨팅의 이론적 토대는 40년 전에 마련됐지만, 이를 장기 관점에서 꾸준히 붙들고 가기란 쉽지 않다.

한국에 요구하는 역할은 '제조와 통합'

콴델라가 한국을 찾은 이유는 분명하다. 콴델라는 인공 원자(양자점)를 반도체 안에 심어 광자를 하나씩 결정론적으로 만들어내는 '하이브리드' 방식을 쓴다. 기존 광자 방식은 연산이 확률적으로 이뤄져 부품이 수천 개 필요했지만, 콴델라는 이를 수십 개 수준으로 줄였다고 설명했다. 이 칩은 3-5족 화합물 반도체 공정으로 만들며, 아이폰 얼굴 인식용 레이저와 같은 구조를 쓴다.

결국 성능을 키우는 열쇠는 반도체 수준의 양산 역량이다. 소마스키 CEO는 반도체 웨이퍼 단계에서는 삼성전자·SK하이닉스 같은 기업, 모듈 통합 단계에서는 LG이노텍 같은 기업과 협력할 가능성을 거론했다. 콴델라는 유럽 파운드리와 이미 협력 중이며, 북미와 아시아에서도 파트너를 찾고 있다. 한국은 아시아 허브 후보다.

콴델라는 향후 2년간 ▲광양자 하드웨어 제조 ▲극저온 제어·시스템 통합 ▲AI·GPU·HPC 연계 운영 3개 분야에서 국내 파트너를 발굴한다. 기존 지식재산권(IP)은 각자 보유하고, 새 IP는 기여도에 따라 나누는 원칙을 내걸었다. 콴델라는 2025년 11월 서울시와 약 800억원 규모 투자를 담은 업무협약(MOU)을 맺었고, 카이스트(KAIST)와는 하드웨어 부품 공동 개발을 진행하고 있다. 카이스트 연구진은 조만간 파리 콴델라 시설에서 자체 개발한 전자 부품을 시험할 예정이다. 한국 인력은 올해 3명에서 내년 10명 안팎으로 늘린다.

생태계 구상은 하드웨어에 그치지 않는다. 콴델라 측은 정부가 지정한 3대 양자 클러스터와 동시에 협력할 수 있다고 밝혔다. 서울은 양자컴퓨팅, 광주·전남은 양자통신, 나머지 한 곳은 양자센싱을 맡는 구조인데, 광자를 다루는 기술 특성상 세 분야에 모두 걸칠 수 있다는 설명이다. 인재 양성도 함께 간다. 카이스트에 교육 커리큘럼을 제공해 양자 전문 인력을 공동으로 키우고, 연세대와는 알고리즘을 협업한다. 한국생명공학연구원과는 신약 후보 물질 탐색에 콴델라 방식을 시험해 논문 발표를 준비하고 있다. 장비를 파는 데서 끝내지 않고 사람과 활용 사례까지 함께 만들겠다는 계획이다.

클라우드 협력도 과제다. 콴델라 측은 네이버랩스 대표와 만나 논의를 시작했지만 구체적 계획은 아직 없다고 밝혔다. 소마스키 CEO는 IBM·구글이 폐쇄형 시스템을 고수하는 반면, 콴델라는 각국 클라우드 사업자 인프라에 맞춰 개방형으로 통합할 수 있다는 점을 강점으로 내세웠다.

테크수다의 시각

간담회를 마치고 돌아오는 길에 이 답변을 오래 곱씹었다. "2030년 혹은 2035년, 이 기술들이 적용될 때 뛰어들지 말고 지금부터 하나씩 준비하자"는 메시지는 외국 기업의 영업 멘트로만 듣고 넘기기엔 무게가 있다.

챗GPT가 등장한 뒤 우리는 지난 10년간 무엇을 했는지 되돌아봤다. 데이터센터, GPU, 파운데이션 모델 어느 하나 미리 준비했다고 자신하기 어렵다. 양자컴퓨팅도 같은 길을 걸을 수 있다. 상용화 시점이 5년 뒤든 10년 뒤든, 그때 장비를 사 오는 고객으로만 남을지, 제조·통합·소프트웨어의 한 축을 맡을지는 지금 결정된다.

물론 냉정하게 볼 대목도 있다. 2030~2035년 전망은 업계 전반의 기대치이고, 콴델라의 논리 큐비트 구현도 아직 엔지니어링 과제를 남겨 두고 있다. 제조 협력 기업 이름도 공개되지 않았다. 다만 정부의 3대 양자 클러스터와 제조 챌린지가 구체화하는 올 하반기는 한국 기업과 연구소, 대학이 장기 관점에서 판을 짤 수 있는 기회다. 이론이 나오고 40년을 버텨 온 기술에, 우리가 10년을 꾸준히 붙어 있을 수 있느냐가 관건이다.

콴델라, 이런 점이 궁금하셨나요?

Q. 양자컴퓨팅 상용화, 언제쯤 가능한가?
A. 콴델라는 2030~2035년 투자 대비 효과를 측정할 수 있는 첫 돌파구가 나올 것으로 본다. 업계 논의가 '가능한가'에서 '언제인가'로 옮겨 갔다는 진단이다.

Q. 왜 지금부터 준비해야 하나?
A. 양자컴퓨팅은 AI보다 진입 장벽이 훨씬 높다. 공개 모델로 빠르게 따라잡을 수 있는 AI와 달리, 제조·통합·운영 역량을 쌓는 데 오랜 시간이 걸린다.

Q. 콴델라 기술은 다른 방식과 무엇이 다른가?
A. 반도체 속 인공 원자로 광자를 하나씩 결정론적으로 만든다. 확률적 방식보다 필요한 부품 수를 크게 줄이고, 빛으로 모듈을 연결해 확장한다.

Q. 한국 기업은 어떤 역할을 맡게 되나?
A. 콴델라는 하드웨어 제조, 극저온 제어·시스템 통합, AI·HPC 연계 운영 3개 분야에서 국내 파트너를 찾는다. 반도체 양산과 모듈 패키징 역량이 핵심이다.

[테크수다 기자 도안구 eyeball@techsuda.com]

주요 내용:

• 토스·CJ대한통운, 생활물류 사업협력 업무협약(MOU) 체결
• 토스 프론트 설치 가맹점 약 50만 곳 활용한 오프라인 택배 접수 모델 검토
• 토스 미니앱 '배송 보내기' 고도화 및 공동 마케팅·프로모션 추진

협약식은 2026년 9월 30일 서울 서초구 토스 신논현 오피스에서 열렸다. 진필규 토스 결제사업부문장과 정인지 CJ대한통운 오네(O-NE) 기획담당 등 양사 주요 관계자가 자리했다. 이번 협약은 CJ대한통운의 '배송 보내기'가 2026년 4월 토스 미니앱에 입점한 데 이은 후속 협력이다. 양사는 앱 안에 머물던 협력을 오프라인 매장까지 넓혀 이용자가 택배를 보내고 받는 접점을 늘린다는 구상이다.

협력의 핵심은 토스의 오프라인 결제 접점을 택배 거점으로 바꾸는 데 있다. 양사가 검토하는 모델은 점주가 매장에서 택배를 접수하는 서비스와 누구나 동네 상점에서 택배를 부칠 수 있는 취급점 등이다. 도입되면 점주는 매장 방문객을 늘리고, 이용자는 가까운 매장에서 택배를 맡길 수 있다. 앱에서는 '배송 보내기'에 보내는 사람 주소 자동 입력 기능을 더하고, 토스 플랫폼 마케팅 자산을 활용한 공동 프로모션도 진행한다.

토스는 유통·식음료 중심으로 넓혀온 오프라인 결제 접점을 이번 협력으로 생활물류 영역까지 확장한다. 결제 매장을 일상 서비스가 모이는 거점으로 키우기 위해 협력 범위를 계속 넓힐 계획이다. 진필규 부문장은 "이번 협약은 토스의 결제 접점과 CJ대한통운의 물류 역량을 잇는 협력이라는 점에서 의미가 있다"며 "이용자와 사장님 모두에게 더 편리한 경험을 드릴 수 있도록 협력을 이어가겠다"고 말했다.

토스·CJ대한통운 생활물류 협력, 이런 점이 궁금하다

Q. 지금 바로 동네 매장에서 택배를 맡길 수 있나요?

A. 아직은 아니다. 양사는 이번 협약에서 토스 프론트 가맹점을 활용한 택배 접수 서비스와 취급점 모델을 '검토'하기로 했다. 구체적인 도입 시기와 참여 매장 범위는 공개하지 않았다.

Q. 토스 프론트는 무엇인가요?

A. 토스가 오프라인 가맹점에 보급한 결제 단말기다. 회사에 따르면 전국 약 50만 곳의 가맹점에 설치돼 있다. 이번 협력은 이 결제 단말기 설치 매장을 택배 접수 창구로도 쓰려는 시도다.

Q. 두 회사는 이전에도 협력한 적이 있나요?

A. 있다. 2026년 4월 CJ대한통운의 개인택배 서비스 '배송 보내기'가 토스 미니앱에 입점했다. 이번 협약은 앱 중심이던 협력을 오프라인 매장까지 넓힌 단계다.

[테크수다 기자 도안구 eyeball@techsuda.com]

Toss, CJ Logistics to explore parcel drop-offs at 500,000 Toss Front merchants

SEOUL — Toss, the mobile finance app operated by Viva Republica, has signed a memorandum of understanding with CJ Logistics to build an everyday logistics partnership, the company said Monday. The two companies will explore using about 500,000 merchants equipped with Toss Front payment terminals as parcel drop-off points. They also plan to upgrade CJ Logistics' parcel service inside the Toss mini-app and run joint marketing campaigns.

Key points:

• Toss and CJ Logistics sign an MOU on everyday logistics
• The partners will review parcel drop-off models at about 500,000 Toss Front merchants
• The "Send a Parcel" mini-app service will get new features and joint promotions

The signing ceremony took place Sept. 30 at Toss' Sinnonhyeon office in Seoul's Seocho District. Jin Pil-kyu, head of the payments business at Toss, and Jung In-ji, a planning lead for CJ Logistics' O-NE parcel brand, attended along with other executives. The agreement follows the April 2026 launch of CJ Logistics' personal parcel service as a mini-app on the Toss platform. The partners aim to extend that online cooperation to brick-and-mortar stores.

At the center of the deal is turning Toss' offline payment network into a parcel network. The companies are reviewing a service that would let shop owners accept parcels in their stores, as well as drop-off points where anyone could send packages from a neighborhood shop. If launched, merchants could draw more foot traffic and users could hand off parcels closer to home. In the app, Toss will add features such as automatic entry of the sender's address and run promotions using its own marketing channels.

Toss has so far expanded its offline payment footprint mainly in retail and food and beverage, and the partnership pushes it into logistics. The company plans to keep adding partners so its payment merchants can serve as hubs for a wider range of daily services. "This agreement is meaningful in that it connects Toss' payment touchpoints with CJ Logistics' logistics capabilities," Jin said, adding that Toss will continue the partnership to offer a more convenient experience for both users and merchants.

Toss and CJ Logistics' Parcel Tie-Up: What Readers Are Asking

Q. Can customers drop off parcels at Toss merchants now?

A. Not yet. Under the MOU, the companies agreed only to review in-store parcel acceptance and drop-off point models. They have not announced a launch date or how many stores would take part.

Q. What is Toss Front?

A. Toss Front is the payment terminal Toss supplies to offline merchants. According to the company, it is installed at about 500,000 stores nationwide. The partnership would let those stores double as parcel counters.

Q. Have the two companies worked together before?

A. Yes. CJ Logistics' personal parcel service joined the Toss mini-app lineup in April 2026. The new agreement extends that app-based cooperation to physical stores.

This article was produced with the assistance of AI.

[Seoul = Techsuda eyeball@techsuda.com]

[테크수다 기자 도안구 eyeball@techsuda.com] 제조업 특화 피지컬 AI 기업 카본식스(CarbonSix)가 9월 22일 서울에서 기자들을 대상으로 '미디어 에듀케이션' 행사를 열고 로봇 지능의 발전사와 자사의 제조 현장 전략을 설명했다. 문태연 대표는 숙련공이 한두 시간 시연한 데이터로 하루 만에 로봇을 학습시켜 현장에 투입하는 방식을 소개했고, 서형주 최고기술책임자(CTO)는 모델 기반 제어에서 강화학습, 모방학습으로 이어진 로봇 연구 40년을 정리한 뒤 실제 공장 배치에서 데이터를 모으는 '데이터 플라이휠'을 회사의 비전으로 제시했다. 빨래 개기나 백덤블링 같은 시연 대신 케이블 체결, 필름 떼기, 대차 부품 꺼내기 같은 공장의 난공정을 정면으로 겨눴다.

핵심 요약

• 두 시간 모으고 하루 학습 — 숙련공이 작업을 그대로 하는 동안 비전·모션 데이터를 모으고, 자체 로봇 파운데이션 모델을 하루 동안 미세조정해 현장에 배치한다. 케이블, 필름, 비닐처럼 기존 자동화가 손대지 못한 비정형 공정이 대상이다.
• 로봇 지능 40년, 세 번째 물결 — 서형주 CTO는 물리 모델을 손으로 세우던 시대와 시뮬레이터에 의존한 강화학습 시대를 지나, 사람의 시연 데이터를 대량으로 학습하는 모방학습 시대가 열렸다고 진단했다. 남은 병목은 제조 현장의 행동 데이터다.
• 배치가 곧 데이터 — 테슬라가 차를 팔아 자율주행 데이터를 모았듯 로봇도 현장에서 돈을 벌어야 데이터가 쌓인다는 논리다. 카본식스는 연말이나 내년 초 첫 사전학습 모델과 양팔 제품을 공개하고, 창원을 시작으로 지역 중견·중소기업 실증 거점을 늘린다.

휴머노이드 시연 대신 공장 난공정을 고른 이유

문태연 대표는 발표를 시작하며 카본식스가 빨래 접기나 설거지 같은 애플리케이션보다 제조에 특화한 회사라고 선을 그었다. 문 대표는 인공지능 머신비전 스타트업 수아랩(SUALAB)을 공동창업해 2019년 미국 코그넥스(Cognex)에 매각한 인물이다. 휴대폰 스크래치, 자동차 부품 필름 불량을 AI로 검사하며 10년 가까이 제조 현장에 AI를 적용해 왔다. 카본식스는 2024년 7월 설립됐고, 시드 400만 달러에 이어 올해 7월 DSC인베스트먼트와 LB인베스트먼트가 공동으로 이끈 시리즈A에서 4,000만 달러(약 623억 원)를 유치했다. 문 대표는 빅테크 출신을 포함한 연구 인력이 50명가량이라고 밝혔다.

해법은 단순하다. 문 대표는 "제조 현장의 숙련공이 원래 하던 작업을 한두 시간 그대로 하면 비전 데이터와 모션 데이터가 모이고, 독자 개발한 로봇 파운데이션 모델을 하루 동안 미세조정하면 현장에 배치할 수 있습니다"라고 설명했다. 이 과정을 제품으로 묶은 것이 2025년 9월 출시한 '시그마키트(SigmaKit)'다. 제조 특화 로봇 AI 소프트웨어, 섬세한 작업용 그리퍼, 센서 모듈, 스페이스마우스 기반 티칭 툴로 구성된다.

화면에는 난공정 영상이 이어졌다. 반짝이는 투명 비닐 포장을 벗기는 언패킹, TV 조립 뒤 위치가 매번 달라지는 전원 케이블과 USB 케이블을 꽂는 검사 공정, 타이어 휠에 붙은 보호 필름을 찢지 않고 떼는 작업이다. 케이블과 필름처럼 휘고 늘어나는 탄성체는 제조업에서 자동화가 가장 덜 된 영역이다. 화학 공장에서 위험 물질을 담은 톤백의 흐물거리는 손잡이를 크레인 고리에 거는 작업도 진행하고 있다고 했다. 문 대표는 영상 속 작업 모두 한두 시간 데이터를 모아 학습한 결과라고 강조했다.

숙련공 데이터가 왜 중요한지 보여주는 장면도 있었다. 데이터를 모을 때 두 손을 따로따로 움직이면 로봇도 서툴게 따라 한다. 실제 숙련공은 한 손으로 부품을 잡아 흔들어 자리를 잡은 뒤 다른 손으로 끼운다. 데이터를 어떻게 모으느냐에 따라 로봇의 작업 방식이 달라진다는 설명이다.

3D 비전이 놓치는 대차 속 부품, 양산 라인으로

문 대표는 공정과 공정 사이의 물류를 주목했다. 현대차그룹과 보스턴다이나믹스는 올해 CES에서 양산형 휴머노이드 아틀라스를 공개하며 2028년부터 자동차 공장의 부품 분류(파츠 시퀀싱) 작업에 투입하겠다고 밝혔다. 보스턴다이나믹스는 행사 뒤인 10월 1일 새끼손가락을 뺀 4지 로봇 손도 내놨다. 올 초 CES 2026에서 만난 보스턴다이나믹스 한 연구원은 "우리는 휴머노이드를 만들려는 게 아니다. 공장에 필요한 로봇을 만들고 있다. 손가락 하나를 더 적용하는데 엄청난 비용이 든다"고 말한 바 있다. CES 2026에서 강조한 손가락 4개 제품을 선보인 것.

엄지 4개, 나머지 세 손가락에 3개씩 모두 13자유도를 갖췄고, 손끝과 손바닥에 압력 센서를 촘촘히 깔아 드릴, 토크 드라이버 같은 공구를 쥐고 방아쇠를 당길 수 있다.

회사는 손가락 하나를 더하면 구동기 3개와 비용, 부피, 고장 가능성이 늘어난다며 실익이 없다고 설명했다. 시뮬레이션에서 강화학습한 정책을 실제 로봇으로 옮기는 데 맞춰 손을 설계했다는 설명도 붙였다. 휴머노이드 진영도 결국 공장 작업과 손을 겨누고 있다는 뜻이다. 문 대표는 이런 데모가 양산으로 넘어가려면 사람의 속도로, 대차 구석에 박히거나 뒤집힌 부품까지 꺼낼 수 있어야 한다고 지적했다.

기존 방식은 비싼 3D 비전 카메라로 위에서 찍어 위치를 계산한 뒤 로봇이 집는다. 그런데 금속이나 비닐처럼 빛을 반사하는 제품, 지나치게 검거나 얇은 부품은 3D 포인트 클라우드에 잡히지 않는다. 대차마다 구조가 달라 벽을 피해 움직여야 하는 것도 문제다. 그래서 단순 조립 공정은 자동화됐어도 공정 사이 물류는 여전히 사람 몫이다.

카본식스가 공개한 현장 영상에서는 사이사이 틈이 벌어지고 일부는 뒤집힌 채 수북이 쌓인 대차에서 로봇이 위부터 아래까지 사람 속도로 부품을 꺼냈다. 문 대표는 추석 연휴에 맞춰 이 공정을 한 개 라인 테스트가 아니라 복수 라인 양산에 적용한다고 밝혔다. 국내에서 피지컬 AI가 여러 생산 라인에 동시에 깔리는 첫 사례라는 설명이다. 고객사 이름은 공개하지 않았고, 4분기 중 고객사 동의를 받아 현장을 공개할 계획이다.

모델, 강화학습, 그리고 모방학습…로봇 지능 40년

2부는 서형주 CTO의 강의였다. 서 CTO는 MIT에서 러스 테드레이크(Russ Tedrake) 교수 지도로 박사 학위를 받았고, 올해 3월 국제로봇연구저널(IJRR)의 '시즌 최우수 논문상'을 받았다. 그는 매니퓰레이션, 즉 로봇이 세상과 접촉하며 세상을 원하는 형태로 바꿔 가는 과정을 어떻게 설계하느냐를 세 물결로 나눠 설명했다.

첫 물결은 모델 기반 제어다. 1970년대부터 연구자들은 로봇 안에 세상이 어떻게 움직이는지에 대한 물리 모델을 넣고, 그 모델로 제어 알고리즘을 설계했다. 관절 값과 속도로 상태를 설명할 수 있는 로봇 팔에서는 통했다. 하지만 드론, 이족·사족 보행으로 가면 상태 추정부터 어려워졌다. 손으로 물건을 다루는 문제는 더 심했다. 손가락이 물체에 닿기 전에는 아무리 움직여도 물체에 변화가 없고, 닿는 순간 결과가 불연속적으로 바뀐다. 작은 마찰력과 질량 차이가 큰 오차를 낳았다. 서 CTO는 박사 과정 첫 과제로 로봇에게 당근을 원하는 모양으로 자르게 하는 문제를 받았는데, 당근 조각 하나하나의 모양과 위치를 시뮬레이터에 표현하는 일부터 막막했다고 돌아봤다.

두 번째 물결은 강화학습이다. 블랙박스에 수없이 시도하며 점수가 높은 방향을 찾는다. 시뮬레이터에 마찰 계수, 제어 지연, 로봇 팔 길이를 무작위로 바꾼 수많은 세상을 만들어 평균 점수를 높이는 기법이 나오면서 2018년 오픈AI의 로봇 손이 루빅스 큐브를 돌렸고, 사족보행 로봇이 험지를 걷기 시작했다. 한계도 분명했다. 큐브 하나를 돌리는 데 시뮬레이션 경험 수천 년 치가 들었고, 다른 작업으로 넘어가려면 처음부터 다시 훈련해야 했다. 무엇보다 케이블이나 필름처럼 시뮬레이션이 불가능한 대상에는 쓸 수 없다. 현실에서 무작위로 시도하면 로봇이 부러진다.

세 번째 물결이 모방학습과 파운데이션 모델이다. 대규모 언어모델(LLM)이 다음 단어 예측과 스케일링 법칙으로 성공하자, 로봇도 관찰과 행동, 목표를 하나의 신경망에 통째로 학습시키면 되지 않느냐는 생각이 퍼졌다. 서 CTO는 10년 전 모델 기반 연구자들에게 이런 말을 했다면 핀잔을 들었을 것이라고 했다. 2024년 피지컬 인텔리전스(Physical Intelligence)의 '파이제로(π0)' 이후 학습 데이터 규모는 수만 시간에서 수십만 시간 단위로 커졌다. 문제는 행동 데이터다. 텍스트와 영상은 인터넷에 넘치지만, 사람이 그 순간 손을 어떻게 움직였는지 담은 데이터는 거의 없다. 원격 조종, 손에 쥐는 그리퍼형 수집 장치, 머리에 카메라를 단 1인칭 영상, 유튜브 영상이 모두 동원되는 이유다.

서 CTO는 인류 역사에 빗대 지금의 위치를 설명했다. 그는 "40년 동안 모델과 구조를 찾는 데 갇혀 있었는데 강화학습과 파운데이션 모델이 나오면서 진보가 갑자기 빨라졌습니다. 인류 역사로 치면 산업혁명쯤에 와 있다고 봅니다"라고 말했다. 수렵·채집 시대가 길었다가 농경 이후 변화가 급격히 빨라졌듯, 로봇 연구의 무게중심도 학계에서 기업으로 옮겨 갔다는 진단이다.

현장에 나가야 데이터가 모인다…테슬라에서 찾은 답

그렇다면 데이터는 어디서 오나. 서 CTO는 테슬라를 예로 들었다. 테슬라는 자율주행 데이터를 모으려고 차를 판 회사가 아니었지만, 차가 팔리면서 데이터가 모였고 그 데이터로 모델이 좋아졌다. 데이터를 돈 주고 사는 대신 고객이 돈을 내며 데이터를 만들어 주는 구조다. 서 CTO는 "로봇이 실제 세상에 나가서 가치를 만들어내야 사람들이 로봇을 사 갈 것이고, 거기서 데이터가 모일 것입니다"라고 말했다.

그가 꼽은 최적의 시장은 아시아 공장이다. 아마존 물류창고는 로봇을 가장 많이 배치한 곳이지만 접촉이 적은 작업이 대부분이라 데이터가 한정적이다. 반면 제조 현장은 끼우고 걸고 떼는 접촉 작업이 많고 종류도 다양하다. 2024년 전 세계에 새로 설치된 산업용 로봇 54만 2,000대 가운데 74%가 아시아에 깔렸고, 한국은 노동자 대비 로봇 밀도가 세계에서 가장 높다.

현장 경험에서 얻은 교훈은 세 가지다. 제조형 데이터는 아직 드물다. 숙련공이 일을 익히는 데만 한 달이 걸릴 만큼 노하우가 중요하다. 공장마다 공정이 다르다. 어떤 곳은 석션 패드를 쓰고 어떤 곳은 카메라로 미세하게 봐야 한다. 마지막으로 배치를 결정하는 것은 투자수익률(ROI)이다. 몇 초에 하나를 만드는 속도, 수율, 가격이 맞아야 한다.

카본식스는 이 조건을 반영해 첫 사전학습 모델을 개발하고 있으며 연말이나 내년 초 공개할 예정이다. 언어로 지시하는 시각-언어-행동(VLA) 모델 대신 사람이 한 번 시연하면 바로 따라 하는 모델을 지향한다. 빨간 케이블을 어디에 꽂으라고 일일이 말로 표현하기 어렵다는 이유다. 배치 기술도 쌓았다. 사이클 타임이 중요한 구간은 규칙 기반으로, 비정형 구간은 AI로 처리하는 혼합 기능, 로봇이 실패하면 사람이 개입해 바로잡은 데이터로 단기간에 성공률을 끌어올리는 기능, 안전을 지키며 작업 속도를 높이는 기능이다. 시그마키트로 현장에서 가르치고, 배치 데이터가 다시 사전학습 모델을 개선하는 순환 구조가 회사가 그리는 데이터 플라이휠이다.

중견·중소기업과 지역에서 먼저…창원 허브와 베트남

카본식스는 대기업뿐 아니라 지역 중견·중소기업과 협력을 넓히고 있다. 창원대에서 연 피지컬 AI 세미나에는 제조업체 오너 등 300여 명이 모였고, 전날 받은 현지 업체 샘플로 데이터를 모아 학습한 뒤 다음 날 시연했다. 이후 창원 지사를 세웠다. 문 대표가 소개한 스마트 등대공장 태림산업 오경진 대표 인터뷰에는 중견·중소기업의 사정이 담겼다. 자금 여력이 크지 않은데, 발주사의 자동화 평가 점수가 몇 점 떨어져 수십억 원 규모의 물량을 놓친 일이 있었다는 내용이다. 태림산업은 2021년 중소벤처기업부의 K-스마트등대공장으로 선정된 자동차 조향장치 부품 업체다.

행사 8일 뒤인 9월 30일 카본식스는 창원국가산업단지 태림산업 안 제조데이터 소통공간(MDCG)에 '피지컬 AI 제조 혁신 허브'를 구축한다고 발표했다. 제조기업이 생산 샘플을 가져오면 현장에서 데이터를 모으고 시그마키트로 초기 모델을 만들어 당일 양산 적용 가능성을 검토하는 고객 참여형 공간이다. 회사는 경남 제조 AI 데이터센터와도 학습 인프라 활용을 협의하고 있다.

질의응답에서 기자는 베트남에 진출한 한국 기업 협력사들이 인력난에 시달린다는 현지 이야기를 전했다. 중국 기업들이 미국 규제를 피해 베트남으로 대거 공장을 확장하면서 한국 기업에서 근무하던 인력들이 이동하는 일이 벌어지고 있다.

문 대표는 베트남 출장이 잦고 파트너를 통해 현지 사무소도 운영하고 있다고 답했다. 산업용 로봇 팔과의 호환성도 강조했다. 공장마다 수천 대씩 깔린 ABB, 화낙, 쿠카, 유니버설로봇(UR) 팔에 지능을 얹어 양산부터 하고 싶다는 요구가 많아 협동 로봇, 산업용 로봇, 휴머노이드를 가리지 않고 호환되게 만들었다는 설명이다. 그리퍼 역시 자사 제품을 기본으로 쓰되 다지 로봇 손, 스크루드라이버, 석션 패드 같은 외부 도구와 호환된다. 한 팔 제품에 이어 양팔 제품은 연말 출시를 목표로 한다.

보안과 인프라 질문도 나왔다. 서 CTO는 학습은 클라우드로도 할 수 있지만 추론은 지연 시간 때문에 로봇 안이나 공장 가까운 곳에서 돌려야 한다고 답했다. 문 대표는 대기업 정책상 외부로 못 나가는 데이터는 내부 서버로 대응하고, 여러 공장 데이터를 함께 학습하는 이점 때문에 클라우드를 택하는 기업도 있다고 덧붙였다. 영상만으로 학습하는 접근에 대해 서 CTO는 물체를 얼마나 세게 쥐는지는 영상에 담기지 않는다며 다양한 센서 데이터와 로봇 형태를 아우르는 모델이 필요하다고 말했다.

테크수다의 시각

피지컬 AI 기사는 대개 휴머노이드의 몸놀림으로 시작한다. 카본식스는 반대로 갔다. 시연 영상의 주인공은 비닐 포장, 케이블, 보호 필름, 대차 속 부품이었다. 화려하지 않지만 공장 사람들이 매일 손으로 처리하는 일들이다.

서형주 CTO의 강의가 설득력을 가진 지점은 기술사와 사업 모델을 한 줄로 꿰었다는 데 있다. 모델 기반 제어와 강화학습이 막힌 자리는 결국 시뮬레이션할 수 없는 현실이었다. 모방학습은 그 벽을 사람의 시연 데이터로 넘는다. 그 데이터가 가장 많고 질 높게 쌓이는 곳이 돈을 내는 고객의 공장이라면, 현장에 먼저 들어간 회사가 데이터 경쟁에서 앞설 수 있다. 수아랩 시절 머신비전 검사로 제조 현장의 문을 열어 본 문태연 대표의 경험이 여기에 겹친다.

숙제도 있다. 양산 라인 적용은 고객사 이름과 성과 수치가 공개돼야 검증된다. 사이클 타임, 성공률, 회수 기간 같은 숫자가 회사가 강조한 ROI의 실체다. 연말로 예고한 사전학습 모델이 공장마다 다른 공정에 얼마나 빨리 적응하는지도 지켜봐야 한다. 중견·중소기업과 지역 거점, 베트남으로 향하는 행보는 의미가 크다. 인력난과 원청의 자동화 압박을 동시에 받는 곳이 그들이기 때문이다. 대형 로봇 기업들이 휴머노이드의 범용성을 놓고 경쟁하는 사이, 카본식스는 공장 한 칸 한 칸에서 데이터를 쌓는 길을 택했다. 그 선택이 맞았는지는 올해 4분기 공개될 현장 라인이 먼저 답할 것이다.

[테크수다 Techsuda]

카본식스, 이런 점이 궁금하셨나요?

Q1. 카본식스는 어떤 회사인가?
2024년 설립된 제조업 특화 피지컬 AI 기업이다. 수아랩 공동창업자 문태연 대표, MIT 출신 서형주 CTO, 예일대 박사후연구원 출신 로봇 손 전문가 김제혁 최고하드웨어책임자(CHO)가 함께 세웠다. 올해 7월 4,000만 달러 규모 시리즈A를 유치했다.

Q2. 시그마키트는 어떻게 작동하나?
숙련공이 실제 작업을 한두 시간 시연하면 비전·모션 데이터가 수집되고, 회사의 로봇 파운데이션 모델을 하루 정도 미세조정해 현장에 배치한다. 소프트웨어, 그리퍼, 센서 모듈, 티칭 툴로 구성되며 로봇 팔은 기존 산업용·협동 로봇을 그대로 쓴다.

Q3. 왜 휴머노이드가 아니라 제조 공장인가?
서형주 CTO는 접촉이 많고 다양한 작업 데이터가 공장에 있다고 본다. 현장에 배치돼 돈을 벌어야 데이터가 쌓이고, 그 데이터가 다시 모델을 개선하는 데이터 플라이휠이 돌아간다는 논리다.

Q4. 로봇 지능 연구의 세 물결은 무엇인가?
물리 모델을 직접 세워 제어하던 모델 기반 제어, 시뮬레이터에서 수없이 시도하며 배우는 강화학습, 사람의 시연 데이터를 대량 학습하는 모방학습과 파운데이션 모델이다. 지금의 병목은 사람의 손동작을 담은 행동 데이터다.

Q5. 앞으로 무엇을 지켜봐야 하나?
연말이나 내년 초 공개할 첫 사전학습 모델, 연말 출시 예정인 양팔 제품, 4분기 고객사 동의 아래 공개할 양산 현장, 창원을 시작으로 늘어날 지역 실증 허브다.

[테크수다 기자 도안구 eyeball@techsuda.com]

[테크수다 기자 도안구 eyeball@techsuda.com] 마이크로소프트(Microsoft)가 애저(Azure) 데이터센터에서 물러난 서버와 부품의 92%를 재사용하거나 재활용했다고 밝혔다. 앨리스테어 스피어스 마이크로소프트 글로벌 인프라 총괄은 9월 30일(현지 시간) 애저 블로그에 이런 내용을 공개했다. 마이크로소프트는 영국 웨일스 뉴포트와 호주 시드니에 퇴역 하드웨어 처리 시설 '서큘러 센터(Circular Center)'를 새로 열어 전 세계 8곳 체제를 갖췄다. AI 수요로 인프라 교체 주기가 빨라지는 가운데, 새 장비를 들이는 일과 옛 장비를 처리하는 일을 하나의 수명주기로 관리하겠다는 구상이다.

핵심 요약

1. 재사용·재활용률 92% — 지난해 퇴역 서버와 부품의 92%를 다시 썼거나 재활용했다. 2024년 90.9%로 목표(90%)를 앞당겨 달성한 데 이어 수치를 더 끌어올렸다.
2. 서큘러 센터 8곳 체제 — 뉴포트와 시드니가 합류하면서 북미·유럽·아태 3개 권역 네트워크를 갖췄고, 텍사스주 샌안토니오에도 신규 센터를 계획 중이다.
3. 집적도는 높이고 전력은 낮추고 — 2014년 대비 랙당 코어 수는 약 13배 늘었고 같은 작업에 드는 전력은 약 90% 줄었다고 회사는 밝혔다.

"세대교체마다 두 가지 과제가 생긴다"

스피어스 총괄은 글 첫머리에서 문제를 두 갈래로 나눴다. 그는 "클라우드 인프라는 세대가 바뀔 때마다 두 가지 과제를 만든다"고 썼다. 성능 좋은 새 시스템을 빨리 들이는 일과, 그 자리에서 밀려난 장비를 책임 있게 처리하는 일이다.

그는 두 과제 모두 고객과 무관하지 않다고 강조했다. 새 시스템은 같은 공간과 전력으로 더 많은 연산 용량을 제공한다. 옛 장비를 재사용·재정비·재활용하면 쓸 만한 부품의 수명이 늘고 소재가 공급망으로 돌아간다. 비용 효율과 안정성을 함께 챙기는 셈이다. 이 관리는 반도체, 서버, 네트워크, 데이터센터를 설계할 때부터 시작해 수년간의 운영을 거쳐 퇴역 이후까지 이어진다.

랙당 코어 13배, 같은 작업 전력은 10분의 1

마이크로소프트는 애저 인프라가 해마다 더 촘촘하고 효율적으로 바뀌었다고 설명했다. 회사 자체 분석에 따르면 2014년 이후 랙 하나에 들어가는 프로세서 코어 수는 약 13배로 늘었다. 같은 작업에 드는 전력은 약 90% 줄었다. 초기 시스템에서 100와트 안팎을 쓰던 코드 컴파일 작업을 지금은 10와트도 안 되는 전력으로 끝낸다는 설명이다.

집적도가 높아지면 같은 데이터센터 면적에서 더 많은 서버 용량을 고객에게 내줄 수 있다. 마이크로소프트는 자체 설계 클라우드 프로세서 코발트를 이 '시스템 단위 설계'의 대표 사례로 들었다. 반도체부터 서버, 네트워크, 스토리지, 소프트웨어까지 한꺼번에 최적화한다는 것이다. 회사는 코발트 200이 전작인 코발트 100보다 최대 50% 높은 성능을 낸다고 밝혔다.

문제는 그다음이다. 새 세대 장비가 들어올수록 옛 장비는 그만큼 빨리 현역에서 물러난다. 마이크로소프트가 서큘러 센터에 공을 들이는 이유다.

퇴역 서버의 행선지: 교실, 예비 부품, 그리고 소재

마이크로소프트의 규모에서 서버 한 대를 퇴역시키는 일은 부품을 분리수거하는 수준에서 끝나지 않는다. 먼저 서버를 안전하게 퇴역 처리하고 데이터가 담긴 부품을 완전히 지운다. 그다음 가치를 가장 많이 회수할 방법을 고른다. 시스템 전체를 다른 용도로 쓸 수 있는지, 프로세서와 메모리를 다른 곳에서 계속 돌릴 수 있는지, 어떤 소재를 공급망으로 돌려보낼지를 따진다.

서큘러 센터는 이 판단을 데이터센터 운영의 일부로 처리한다. 통째로 쓸 수 있는 시스템은 마이크로소프트 내부 연구소와 교육 환경으로 가거나, 학교와 대학의 기술 교육에 쓰이거나, 자격을 갖춘 구매자에게 팔린다. 부품은 다른 시스템의 예비 부품이 된다. 재사용이 불가능하면 그때 소재로 재활용한다.

회사는 처리 속도와 규모를 키우기 위해 자동화에도 투자하고 있다. 로봇 분해, 자율 자재 처리 같은 AI 기반 기술로 부품과 소재 회수를 앞당긴다는 계획이다. 앞서 마이크로소프트는 서버, 드라이브, 부품마다 폐기물 제로 처리 계획을 짜는 AI 기반 배분 시스템 'IDARS'를 운영한다고 소개한 바 있다.

암스테르담 시범 센터에서 8곳 네트워크로

서큘러 센터는 2020년 마이크로소프트가 내건 '2030년 폐기물 제로' 공약에서 출발했다. 당시 브래드 스미스 마이크로소프트 사장은 "이 서버들의 평균 수명은 5년이며, 전 세계 전자 폐기물 문제를 키우고 있다"고 지적했다. 회사는 2025년까지 서버와 부품의 재사용률을 최대 90%로 높이겠다는 목표를 세웠다.

첫 센터는 2020년 네덜란드 암스테르담에서 시범 운영을 시작했다. 암스테르담 센터는 핵심 부품의 83%를 재사용하고 17%를 재활용하면서 이산화탄소 환산 14만5000톤 감축에 기여했다. 2022년 1월에는 아일랜드 더블린과 미국 버지니아주 보이드턴 데이터센터 캠퍼스에 센터를 열었고, 같은 해 아시아 첫 센터를 싱가포르에 세웠다.

성과는 예정보다 일찍 나왔다. 마이크로소프트는 2024년 재사용·재활용률 90.9%를 기록했고, 당시 가동 중인 서큘러 센터는 6곳이었다. 같은 해 센터들이 재사용한 부품은 320만 개가 넘었다. 이번 발표로 뉴포트와 시드니가 더해지면서 센터는 8곳이 됐고, 재사용·재활용률은 92%로 올라섰다.

테크수다의 시각

이번 발표의 무게중심은 92%라는 숫자보다 '수명주기'라는 단어에 있다. AI 인프라 경쟁은 지금까지 누가 더 많은 GPU를 더 빨리 확보하느냐의 싸움이었다. 그런데 교체 속도가 빨라질수록 반대편에 쌓이는 퇴역 장비도 그만큼 늘어난다. 하이퍼스케일러가 새 장비의 성능만큼 옛 장비의 처리 능력을 경쟁력으로 내세우기 시작했다는 신호로 읽힌다.

짚어 볼 대목도 있다. 랙당 코어 13배, 전력 90% 절감은 마이크로소프트 자체 분석으로, 외부 검증을 거친 수치가 아니다. 92%라는 비율이 GPU 같은 AI 가속기를 얼마나 포함하는지도 이번 글에서는 드러나지 않는다. 일반 서버와 달리 AI 가속기는 세대교체가 훨씬 빠르고 재사용처도 제한적이다. AI 인프라 비중이 커질수록 이 비율을 지키기가 더 어려워질 수 있다. 앞으로 지속가능성 보고서에서 AI 가속기 처리 실적을 따로 공개하는지 지켜볼 필요가 있다.

국내 시사점도 분명하다. 국내 클라우드 사업자와 공공 데이터센터도 AI 인프라 증설에 속도를 내고 있다. 데이터센터 경쟁력은 이제 전력과 냉각, 부지만으로 설명하기 어렵다. 들여온 장비를 언제, 어떻게 내보내고 그 가치를 얼마나 회수하는지까지 경쟁의 영역이 넓어지고 있다.

마이크로소프트 애저 데이터센터에서 물러난 서버와 부품의 92%를 재사용, 이런 점이 궁금하셨나요?

Q. 마이크로소프트 서큘러 센터는 무엇인가
A. 데이터센터에서 퇴역한 서버와 부품의 다음 용도를 정하는 처리 시설입니다. 데이터를 지운 뒤 시스템 재사용, 부품 재사용, 소재 재활용 순으로 가치를 회수합니다. 2020년 암스테르담 시범 센터에서 시작해 현재 8곳이 가동 중입니다.

Q. 퇴역 서버는 실제로 어디로 가나
A. 통째로 쓸 수 있는 시스템은 사내 연구소와 교육 환경, 학교·대학 교육용으로 가거나 자격을 갖춘 구매자에게 팔립니다. 부품은 다른 서버의 예비 부품이 되고, 재사용이 불가능하면 소재로 재활용합니다.

Q. 재사용·재활용률 92%는 어느 정도 수준인가
A. 마이크로소프트는 2020년 '2025년까지 90%' 목표를 세웠고, 2024년 90.9%로 1년 앞당겨 달성했습니다. 이번 92%는 그 수치를 더 끌어올린 결과입니다.

Q. 랙당 코어 13배, 전력 90% 절감은 무슨 의미인가
A. 2014년과 비교해 같은 공간에 훨씬 많은 연산 자원을 넣고, 같은 작업을 훨씬 적은 전력으로 처리한다는 뜻입니다. 다만 마이크로소프트 자체 분석 수치입니다.

Q. 앞으로 남은 과제는
A. AI 가속기는 교체 주기가 짧고 재사용처가 제한적입니다. AI 인프라 비중이 커지는 상황에서 높은 재사용·재활용률을 유지할 수 있을지가 관건입니다.

[테크수다 기자 도안구 eyeball@techsuda.com]

[테크수다 기자 도안구 eyeball@techsuda.com] 안드레 카파시(Andrej Karpathy)가 2일 자신의 X 계정에 대규모언어모델(LLM)이 내놓은 결과물을 사람이 더 잘 이해하는 방법을 정리해 올렸다. 게시 시각은 한국 시간 2일 오전 9시 37분이다. 그는 통제 언어로 쓴 글에서 출발해 다이어그램, 인터랙티브 웹 페이지, 맞춤형 설명 영상으로 올라가는 네 단계 출력 형식을 제시했다. AI가 실무를 넘겨받을수록 사람의 일은 감독과 이해로 옮겨 가고, 그 이해를 돕는 데도 AI가 만든 일회용 소프트웨어를 쓰자는 제안이다.

핵심 요약

1. 글보다 도식, 도식보다 웹, 웹보다 영상 — 카파시는 출력 형식마다 "더 좋은 방법이 있다"는 말을 붙이며 단계를 올렸고, 가장 기대하는 형식으로 맞춤형 설명 영상을 꼽았다.
2. 항공 정비 규격 ASD-STE100의 재발견 — 오해의 여지를 줄이려 만든 통제 언어 규격을 LLM 글쓰기 지시문으로 쓰자고 제안했다. 규격이 엄격해 '80% 수준'으로 완화해 요청하는 요령도 덧붙였다.
3. 사람의 일은 감독과 이해로 — 지능과 코드가 흔해진 만큼, 과거엔 만들 이유가 없던 맞춤형·일회용 산출물을 적극 요청하라고 권했다.

"결과물을 이해하는 데 더 많은 시간 쓰게 될 것"

카파시는 글을 이렇게 시작했다. 그는 "앞으로 우리는 언어 모델이 내놓은 결과물을 이해하는 데 훨씬 더 많은 시간을 쓰게 될 것"이라고 썼다. 문제 제기는 단순하다. 에이전트가 코드를 짜고 보고서를 쓰고 분석을 끝내도, 그 결과가 맞는지 판단하고 책임지는 몫은 여전히 사람에게 남는다. 결과물의 양이 늘수록 읽고 이해하는 작업이 병목이 된다.

카파시는 오픈AI 공동창업자이자 테슬라 AI 총괄을 지낸 인물로, 현재 AI 교육 스타트업 유레카 랩스(Eureka Labs)를 이끌고 있다. 유튜브 강의로 LLM의 원리를 일반인에게 풀어 온 그가 이번에는 '설명받는 쪽'의 기술을 다뤘다.

1단계 글쓰기: 항공 정비 문서 규격을 지시문으로

첫 단계로 그는 LLM에게 설명을 ASD-STE100 형식으로 써 달라고 요청하는 방법을 소개했다. ASD-STE100, 즉 단순화 기술영어(Simplified Technical English·STE)는 기술 문서를 단순하고 명확하게 쓰도록 설계한 통제 자연어다. 항공기 정비 지시를 잘못 읽으면 인명 사고로 이어질 수 있고, 읽는 사람 상당수가 영어 원어민이 아니며 작성자에게 되물을 길도 없다는 점이 이 규격을 낳았다. 한 단어에 한 뜻, 능동태, 단순 시제, 한 문장에 한 지시, 짧은 문장이 핵심 원칙이다.

규격의 역사도 길다. 유럽 항공우주·방산산업협회(ASD)의 실무 그룹인 STEMG가 1983년부터 관리해 왔다. 현행판인 9판은 2025년 1월 15일 나왔고, 이 판부터 '규격'에서 '국제 표준'으로 지위를 바꿨다. 9판은 새 규칙을 더하지 않는 대신 기존 53개 규칙 가운데 31개의 문구를 손봤다.

카파시는 LLM이 이 언어를 잘 알고 있어 결과물이 훨씬 읽기 쉬워진다고 평가했다. 다만 규격이 워낙 엄격해 'ASD-STE100의 80% 수준으로' 써 달라고 완화해 요청하기도 한다고 밝혔다. 쉽게 말해, 장황한 수식과 얼버무림을 걷어 내는 문체 지시를 이미 검증된 표준 하나로 대신하는 셈이다.

2·3단계: 도식으로 보고, 웹 페이지로 만진다

카파시는 단계를 하나씩 올렸다. 글 대신 다이어그램을 요청하면 처리하고 파악하기가 훨씬 쉽다고 했다. 그다음은 웹 페이지다. 결과를 'HTML로' 달라고 하면 인터랙티브한 페이지를 받을 수 있고, LLM의 프런트엔드 실력이 빠르게 늘어 애니메이션까지 수준급으로 만든다고 설명했다. 읽는 문서에서 보는 그림으로, 다시 직접 조작하는 화면으로 이해의 방식이 바뀌는 구조다.

4단계 설명 영상: "이게 실제로 되기 시작했다"

그가 가장 기대를 건 형식은 어떤 주제든 맞춤형으로 만드는 설명 영상이다. 예시로 수학 유튜브 채널 3Blue1Brown(3b1b) 스타일의 설명 영상을 만들고, 내레이션은 음성 AI 기업 일레븐랩스의 API로 입히는 요청을 들었다. API 키가 없으면 내 컴퓨터에서 돌아가는 무료 대안을 LLM에게 찾아 달라고 하면 된다는 설명도 붙였다. 그는 이 방식에 대해 "이게 실제로 되기 시작했다"고 적었다.

반응은 곧바로 나왔다. 개발자들은 카파시의 네 단계를 그대로 옮긴 에이전트 스킬을 깃허브에 공개하기 시작했다. 한 저장소는 STE 텍스트, 한 장짜리 도식, 인터랙티브 페이지, 내레이션 영상의 네 형식을 각각 기계 검증 절차와 함께 묶었다. 회의론도 있다. 해커뉴스에서는 'ASD-STE100으로 써 달라'는 한 줄 지시만으로 별도 도구가 하는 일 대부분을 해낼 수 있다는 비판이 가장 큰 공감을 얻었다. 모델이 9판 규격을 얼마나 충실히 따르는지는 아직 열린 질문이며, '80%' 우회책 자체가 그 어려움을 드러낸다는 지적도 나왔다.

"한계를 밀어붙여 보라"…쓰고 버리는 소프트웨어의 시대

카파시는 글을 두 가지 결론으로 맺었다. 첫째, LLM이 좋아질수록 실무를 더 많이 스스로 처리하고, 사람의 일은 추상화 단계를 타고 올라가 감독과 이해로 옮겨 간다. 둘째, 그 이해 작업에도 LLM이 쓸모 있다. 지능과 코드가 흔해진 덕분에 예전엔 만들 이유가 없던 크고 맞춤형이며 쓰고 버려도 되는 산출물을 요청할 수 있게 됐다는 것이다. 그는 "이 한계를 밀어붙여 보라. 깜짝 놀랄 것"이라고 권했다.

테크수다의 시각

카파시의 글에서 가장 눈여겨볼 대목은 '일회용'이라는 단어다. 지금까지 소프트웨어는 한 번 만들어 많은 사람이 오래 쓰는 물건이었다. 개발 비용이 컸기 때문이다. 코드를 만드는 비용이 0에 가까워지면 계산이 바뀐다. 보고서 한 건을 이해하려고 웹 앱을 만들고, 버그 하나를 설명하려고 영상을 만드는 일이 낭비가 아니게 된다. 소프트웨어가 '제품'에서 '소모품'으로 내려오는 장면이다.

언론사도 비켜 갈 수 없다. 기자가 AI로 녹취를 정리하고 초안을 받는 일은 이미 흔해졌다. 남는 일은 그 결과물이 맞는지 확인하고 독자가 이해하도록 다시 짜는 일이다. 카파시가 말한 '감독과 이해'가 곧 데스크의 일이다. 독자 입장에서도 같은 기사를 글, 도식, 인터랙티브 페이지, 짧은 영상으로 골라 보는 날이 멀지 않았다.

한계도 분명하다. ASD-STE100은 영어 규격이다. 한국어로 쓰는 우리에게는 그대로 가져다 쓸 표준이 마땅치 않다. 짧은 문장, 한 문장에 한 뜻, 능동형, 같은 개념에는 같은 용어라는 원칙을 한국어 지시문으로 직접 옮겨 정리해 두는 작업이 필요하다. 신문사 교정 원칙이 오래 쌓아 온 내용과도 상당 부분 겹친다. 도식과 영상 역시 보기 좋을수록 오류를 감추기 쉽다. 형식이 화려해질수록 사실 확인의 책임은 더 무거워진다. 결국 AI가 만든 결과물을 이해하는 능력이, 앞으로 일하는 사람의 경쟁력을 가를 것이다.

카파시의 LLM 결과물 이해 사라지, 이런 점이 궁금하셨나요?

Q. ASD-STE100이 뭐길래 LLM 글쓰기에 쓰자는 건가
A. 항공기 정비 문서를 오해 없이 읽히도록 만든 영어 통제 언어 표준입니다. 한 단어 한 뜻, 능동태, 짧은 문장 같은 규칙을 둡니다. 카파시는 이 규격으로 설명해 달라고 하면 LLM의 글이 훨씬 읽기 쉬워진다고 봤습니다.

Q. 왜 '80% 수준'으로 요청하나
A. 규격이 매우 엄격해 그대로 적용하면 표현이 지나치게 딱딱해질 수 있기 때문입니다. 카파시는 원칙의 대부분만 따르게 완화하는 요령을 제시했습니다.

Q. 네 단계 출력 형식은 무엇인가
A. 통제 언어로 쓴 글, 다이어그램·이미지, 인터랙티브 HTML 웹 페이지, 맞춤형 설명 영상 순입니다. 카파시는 단계가 올라갈수록 이해하기 쉬워진다고 보고, 설명 영상에 가장 큰 기대를 걸었습니다.

Q. '쓰고 버리는 소프트웨어'는 무슨 뜻인가
A. 한 번의 이해나 결정을 위해 만들고 버리는 웹 앱, 영상 같은 산출물입니다. 코드 생성 비용이 크게 떨어지면서 예전엔 만들 이유가 없던 맞춤형 도구를 부담 없이 요청할 수 있게 됐다는 의미입니다.

Q. 한국어 사용자도 바로 쓸 수 있나
A. ASD-STE100은 영어 표준이라 한국어에 그대로 적용하기는 어렵습니다. 짧은 문장, 능동형, 용어 통일 같은 원칙을 한국어 지시문으로 정리해 쓰는 방법이 현실적입니다. 다이어그램, HTML, 영상 단계는 언어와 관계없이 바로 시도할 수 있습니다.

참고자료 및 원문 출처

원문

• Andrej Karpathy, X 게시물, 2026.10.2. https://x.com/karpathy/status/2105819303471976479

ASD-STE100 표준

• STEMG, ASD-STE100 공식 홈페이지. https://www.asd-ste100.org/
• ASD, "A milestone in Simplified Technical English: ASD-STE100 Issue 9". https://www.asd-europe.org/news-media/news-events/news/simplified-technical-english-asd-ste100-issue-9/
• tcworld, "ASD-STE100 Issue 9: Setting a standard for technical documentation". https://www.tcworld.info/e-magazine/technical-writing/asd-ste100-issue-9-setting-a-standard-for-technical-documentation

개발자 커뮤니티 반응

• Ray0907, "explain-ladder", GitHub. https://github.com/Ray0907/explain-ladder
• danyuchn, "asd-ste100-skill", GitHub. https://github.com/danyuchn/asd-ste100-skill
• explainx.ai, "ASD-STE100: The Aerospace Standard Fixing AI Slop Writing". https://explainx.ai/blog/asd-ste100-simplified-technical-english-ai-skill-2026
• FourWeekMBA, "Karpathy's Case for Discardable Software", 2026.10.2. https://fourweekmba.com/ai-karpathy-discardable-software-artifacts/

주요 내용:

• 2026년 10월 31일까지 국내 신규 연간 구독자 대상 40% 할인(29만원→17만4000원, 월 환산 1만4500원)
• 5TB 스토리지, 딥 리서치, 개인 AI 에이전트, 안티그래비티, 제미나이 옴니 등 제공
• 배우 이병헌·김고은, 경제 전문가 슈카, 출판편집자 김민경, 크리에이터 미미미누 출연 영상 6편 공개

구글 AI 프로는 기본 제미나이(Gemini)보다 사용량 한도를 늘리고 5TB 스토리지를 제공하는 유료 요금제다. 웹 자료와 학술 자료를 스스로 탐색·분석해 보고서를 만드는 '딥 리서치(Deep Research)'가 대표 기능이다. 구글 워크스페이스(Google Workspace)와 연동하는 개인 AI 에이전트는 메일 정리와 일정 관리, 문서 작성을 24시간 자율 수행한다는 게 회사 측 설명이다. 개발자용 앱 구현 도구 '안티그래비티(Antigravity)'와 영상 제작 도구 '제미나이 옴니(Gemini Omni)'도 이 요금제에 포함됐다.

캠페인 영상은 출연자들이 각자 분야에서 구글 AI 프로를 활용하는 장면을 담았다. 배우 이병헌은 딥 리서치로 영미권의 최근 5년간 한국 콘텐츠 반응과 전망을 분석해 해외 인터뷰를 준비했다. 배우 김고은은 1950년대 1세대 여성 화가 배역에 몰입하려고 논문과 야사, 개인 기록물을 탐구해 연기 가이드를 구축했다. 경제 전문가 슈카는 글로벌 금융 동향 수집과 방송 대본 초안 작성을, 출판편집자 김민경은 메일 분류와 일정 등록, 회신 초안 작성을 개인 AI 에이전트에 맡겼다.

구글은 이번 캠페인의 주요 대상으로 크리에이터와 프리랜서, 1인 기업가를 꼽았다. 구글은 5명의 영상에 이어 테크, 재테크, 비즈니스, 라이프스타일 분야 크리에이터와 협업한 실무 활용 콘텐츠를 차례로 공개할 계획이다.

구글 관계자는 "구글 AI 프로는 복잡하고 방대한 정보 탐색부터 일상 속 반복적인 워크스페이스 업무 자동화에 이르기까지 이용자의 시간과 노력을 획기적으로 줄여주는 가장 강력한 개인 AI 파트너"라며 "더 많은 분들이 각자의 영역에서 '과정은 짧게, 결과는 확실하게' 이뤄내는 AI 혁신을 직접 경험해보시기 바란다"고 말했다.

구글 AI 프로 40% 할인, 이런 점이 궁금하다

Q. 누구나 40% 할인을 받을 수 있나요?

A. 아니다. 국내 신규 연간 구독자 가운데 혜택 적용 대상자에 한해 17만4000원 가격이 적용된다. 신청 기한은 2026년 10월 31일이며 구글 이용약관을 따른다. 월 구독이나 기존 구독자는 이번 할인 대상으로 명시되지 않았다.

Q. 무료 제미나이와 무엇이 다른가요?

A. 사용량 한도가 크게 늘고 5TB 스토리지가 기본 제공된다. 딥 리서치와 개인 AI 에이전트, 지메일(Gmail)·문서·스프레드시트·캘린더와 연동되는 '구글 앱 연동 제미나이(Gemini with Google Apps)'를 쓸 수 있다. 개발 도구 안티그래비티와 영상 제작 도구 제미나이 옴니도 포함된다.

Q. 딥 리서치는 실제로 어떻게 쓰이나요?

A. 이용자가 주제를 주면 AI가 웹과 학술 자료를 스스로 찾아 분석하고 전문 리포트 형태로 정리하는 기능이다. 캠페인 영상에서 크리에이터 미미미누는 딥 리서치로 최신 뷰티 트렌드를 분석한 뒤 구글 슬라이드(Google Slides)로 발표 자료를 완성했다. 시장 조사와 배역 연구, 인터뷰 준비처럼 방대한 자료를 다뤄야 하는 작업에 쓰임새가 크다.

[테크수다 기자 도안구 eyeball@techsuda.com]

주요 내용

• 페어윈드 프로그램 참여 보안 전문가에게 우선 배포하고, 이후 유료 API 이용자 및 구글 AI 울트라(Google AI Ultra) 구독자부터 순차 공개한다.
• 출력 토큰 한도를 6만4000개에서 100만 개로 늘리고, 캐시된 입력 토큰에는 입력 가격 대비 95% 할인을 적용한다.
• 딥SWE(DeepSWE) v1.1 77.9%, CWE 벤치(CWE-bench) v1 68%(공동 1위) 등 코딩·보안 평가에서 최고 수준을 기록했다(구글 발표 기준).

구글은 이미 내부 업무에 아르곤을 쓰고 있다. 회사에 따르면 아르곤은 양자 컴퓨팅 연구에서 병목을 일으키는 서브루틴의 큐비트·게이트 자원을 최적화해 기존 발표 기준치를 몇 분 만에 40% 이상 앞섰다. 아르곤 에이전트 팀은 데이터센터 전체 서버의 프로파일링 데이터를 분석해 메모리 최적화 방안을 스스로 찾아 300TiB가 넘는 메모리를 확보했고, 회사는 최종 절감 규모를 최대 1PiB로 내다봤다. 구글은 80만 줄이 넘는 푸크시아 OS 지르콘(Fuchsia OS Zircon) 커널 등 C/C++ 코드베이스를 러스트(Rust)로 전환하는 작업에도 아르곤을 투입했으며, 오픈소스 비디오 디코더를 기존 러스트 버전보다 2.7배 빠르게 개선했다.

구글 발표 기준으로 아르곤은 장기 소프트웨어 엔지니어링 능력을 평가하는 딥SWE v1.1에서 77.9%, 장편 영상 이해도를 재는 LV벤치(LVBench)에서 91.7%를 기록해 최고 수준에 올랐다. 금융·법률·세무 업무 성과를 평가하는 밸스 인덱스(Vals Index)와 재피어(Zapier)의 업무 자동화 평가 오토메이션벤치(AutomationBench)에서도 1위를 차지했다. 보안 분야에서 아르곤은 취약점 해결 능력을 재는 CWE 벤치 v1에서 68%로 공동 1위를 기록했다. 클라우드 보안 기업 위즈(Wiz)는 공공 인프라 무상 보호 사업 '스캔 포 굿(Scan for Good)'에 아르곤을 투입해 전 세계 병원이 쓰는 헬스케어 소프트웨어에서 개인정보 노출로 이어질 수 있는 치명적 취약점을 찾아냈다.

구글은 신뢰할 수 있는 보안 전문가와 내부 팀에 사이버 가드레일을 해제한 버전을 제공하는 한편, 오용 방지와 프롬프트 인젝션(prompt injection) 방어, 정렬 불일치(misalignment) 감시, 시스템 보안 등 4개 영역에서 안전장치를 보강하고 있다. 미국 정부의 자발적 사전 출시 모델 접근 절차에도 참여했다. 코라이 카바쿨루(Koray Kavukcuoglu) 구글 딥마인드(Google DeepMind) 최고기술책임자(CTO) 겸 구글 수석 AI 아키텍트는 아르곤이 개발자와 전문가, 기업이 가장 까다로운 난제를 푸는 과정에서 든든한 파트너가 되도록 설계했다고 밝혔다. 독립 AI 평가 기관 아티피셜 애널리시스(Artificial Analysis)는 아르곤이 오픈AI(OpenAI)의 GPT-6 아스트라(GPT-6 Astra)와 같은 종합 지능 지수를 기록하면서도 현재 할인가 기준 작업당 비용은 60% 수준이라고 평가했다.

구글 제미나이 4 아르곤, 이런 점이 궁금하다

Q. 지금 바로 쓸 수 있나요?

A. 아직 일반에 공개되지 않았다. 현재는 페어윈드 프로그램에 참여한 보안 전문가와 구글 내부 팀만 쓸 수 있다. 구글은 유료 API 이용자와 구글 AI 울트라 구독자를 시작으로 개발자, 기업, 일반 이용자 순으로 공개 범위를 넓힐 계획이며, 구체적 일정은 밝히지 않았다.

Q. 출력 토큰 한도 100만 개는 어떤 의미인가요?

A. 모델이 한 번 실행에서 생성할 수 있는 결과물의 최대 길이가 기존 6만4000개에서 약 16배로 늘었다는 뜻이다. 아르곤은 단일 실행 안에서 수십만 개의 토큰을 생성하며 깊이 사고할 여유를 확보했다. 대규모 코드 전환이나 다단계 리서치처럼 긴 결과물이 필요한 작업을 중간에 끊지 않고 처리하는 데 유리하다.

Q. 왜 보안 전문가에게 먼저 공개하나요?

A. 아르곤은 소프트웨어 취약점을 자율적으로 찾아 검증하고 패치할 만큼 사이버 역량이 높아 악용 위험도 함께 커졌다. 구글은 방어자에게 먼저 모델을 제공해 보안 역량을 강화하고, 초기 테스터의 피드백으로 안전장치를 정교화한 뒤 공개 범위를 넓히는 단계적 방식을 택했다. 페어윈드 프로그램은 구글이 2026년 9월 초 정부와 구글 클라우드 고객, 보안 파트너를 대상으로 시작한 제한적 접근 프로그램이다.

[테크수다 기자 도안구 eyeball@techsuda.com]

[테크수다 기자 도안구 eyeball@techsuda.com] 오픈AI가 사용자를 대신해 24시간 일하는 AI 에이전트 '닷(dots)'을 꺼내 들었다. 오픈AI는 9월 29일(미국 현지시간) 미국 샌프란시스코 포트 메이슨에서 개발자 행사 '데브데이 2026(DevDay 2026)'을 열고 닷을 비롯해 챗GPT, 코덱스(Codex), 모델, 개발자 도구에 걸쳐 20개 넘는 신제품과 기능을 발표했다.

https://openai.com/ko-KR/index/devday-2026-recap/

샘 올트먼(Sam Altman) 오픈AI 최고경영자(CEO)는 기조연설 첫머리를 닷에 할애하며, 예약이나 항공권 구매를 돕는 수준의 비서가 아니라 사용자의 맥락을 알고 먼저 움직이는 AI를 만들겠다고 밝혔다. 동시에 GPT-6 아스트라(Astra)에 버금가는 성능을 5분의 1 가격에 제공하는 'GPT-6.1 솔(Sol)', 초당 300토큰을 내는 '울트라패스트(Ultrafast)', 에이전트 개발 기반을 통째로 여는 '에이전트 API(Agents API)'를 내놨다.

핵심 요약

• 상시형 에이전트 '닷' — GPT-6 아스트라 기반으로 자체 클라우드 컴퓨터와 브라우저를 갖추고 4,000개 넘는 앱과 연결해 사용자의 업무를 계속 처리한다. 챗GPT 프로와 비즈니스 프리미엄에 순차 제공한다.
• 모델은 더 싸게, 더 빠르게 — GPT-6.1 솔은 아스트라에 가까운 지능을 5분의 1 가격에, 울트라패스트는 표준 대비 8배 속도를 6배 가격에 제공한다. 0.x초 단위로 응답하는 '디시전 API(Decisions API)'도 미리 공개했다.
• 개발자 유통 채널 재설계 — '챗GPT로 로그인(Sign in with ChatGPT)', 플러그인 확장, 오픈AI 마켓플레이스로 주간 사용자 12억 명의 챗GPT를 개발자 사업 무대로 열었다.

영화 속 AI 비서를 현실로…닷은 무엇이 다른가

올트먼 CEO는 닷을 소개하며 사용자가 일일이 지시하지 않아도 무엇이 중요한지 알고 알아서 움직이는 AI를 강조했다. 그는 "우리가 늘 상상해 온 진짜 AI이며, 어릴 적 영화에서 보던 멋진 AI 조수에서 영감을 받았다"고 말했다.

닷은 GPT-6 아스트라를 두뇌로 쓴다. 에이전트마다 자체 클라우드 컴퓨터와 브라우저가 붙고, 필요하면 코드를 작성해 시험한다. 사용자가 이미 챗GPT에 연결해 둔 플러그인을 그대로 물려받아 4,000개 넘는 앱에서 일한다. 사용자가 허용하면 노트북 같은 다른 기기에서도 작업한다.

올트먼 CEO가 제시한 예시는 단순 심부름 수준을 넘는다. 들어오는 버그 보고를 감시하고 수정안을 시험해 풀 리퀘스트(PR) 초안을 올리는 일, 내년 예산 편성 주기를 시작하고 팀별 진행을 챙기는 일, 앱이 느려진 원인을 찾아 고치고 얼마나 빨라졌는지 보여주는 일이다. 그는 곧 종료될 레거시 API에서 앱을 옮기는 작업을 대표 사례로 들었다. 코드베이스 곳곳에 흩어진 의존성을 추적해 바꿀 곳을 찾고, 코드를 고치고, 테스트를 돌려 팀에 PR을 넘기는 과정을 닷이 맡는다는 설명이다. 그는 이런 일을 예전 방식으로 했다면 몇 명이 얼마나 오래 매달렸을지 떠올려 보라고 청중에게 되물었다.

소통 방식도 넓혔다. 사용자는 데스크톱·웹·모바일 챗GPT에서 메시지나 음성으로 닷과 대화한다. 닷에 전화를 걸어 지시하거나 결과를 브리핑받을 수 있고, 곧 문자 메시지로도 주고받을 수 있게 한다. 지금은 닷 하나로 시작하지만 앞으로는 여러 닷을 팀처럼 부리는 구조로 확장한다.

통제 장치는 사용자에게 남겼다. 사용자는 규칙을 정해 특정 행동을 허용하거나, 승인을 거치게 하거나, 막을 수 있다. 계정이나 정보 공유에 영향을 주는 행동에는 자동 검토를 적용하고, 비밀번호 변경 같은 민감한 작업은 사용자가 직접 하도록 했다. 올트먼 CEO는 아스트라를 오픈AI에서 가장 정렬(alignment)이 잘된 모델이라고 소개하며, 사용자가 편하게 느끼는 만큼 책임을 맡기면 된다고 설명했다.

오픈AI 내부에선 닷이 닷을 만든다

오픈AI 프로덕트팀의 홀리 리(Holly Li)는 가상의 음악 앱 '블로섬(Blossom)' 출시를 앞둔 상황을 연출해 닷의 실제 쓰임새를 시연했다. 그의 닷 '도티'는 아침 사이 앞당겨진 출시 검토 회의에 맞춰 일정을 고쳤고, 전날 밤 시험 사용자 피드백을 정리했으며, 디자인팀이 막판에 바꾼 홈 화면 시안을 찾아 먼저 올려놨다. 리가 시안을 직접 만져 보고 싶다고 하자, 도티는 노트북의 코덱스를 움직여 앱을 빌드하고 아이폰 시뮬레이터에서 띄웠다.

리는 슬랙(Slack) 활용이 가장 큰 변화라고 전했다. 사소해 보이던 요청이 큰 프로젝트로 번지는 일이 잦은데, 이제는 스레드를 닷에 넘기고 무엇을 직접 챙길지만 고른다는 얘기다. 오픈AI 직원들은 단체 대화방에 처음부터 닷을 불러들인다. 피드백 채널에 버그 보고가 올라오면 한 엔지니어의 닷이 즉시 원인을 조사해 수정 PR을 올린다. 리는 엔지니어들이 이런 방식으로 하루 수십 건의 버그를 고치고 있다며, 닷의 상당 부분을 닷이 만들었다고 밝혔다.

시연이 매끄럽지만은 않았다. 음성 호출에서 도티가 한동안 응답하지 못했고, 코덱스 스레드에서도 오류가 나 다시 실행해야 했다. 실시간 시연의 한계를 드러낸 장면이지만, 오픈AI는 이를 감추지 않고 그대로 진행했다.

사람과 에이전트가 같이 쓰는 '스페이스'와 '페이지'

오픈AI는 닷과 함께 일할 협업 공간 '챗GPT 스페이스(Space)'도 공개했다. 올트먼 CEO는 지금의 생산성 소프트웨어 대부분이 AI와 사람이 함께 일하도록 설계되지 않았다고 지적했다. 스페이스는 사용자와 동료, 그리고 각자의 닷이 한곳에서 일하는 공간이다.

스페이스의 기본 단위는 문서 도구 '페이지(Pages)'다. 페이지에서 계획을 쓰고, 자료를 조사하고, 이미지와 차트, 표, 실시간 프로토타입을 만든다. 댓글에서 닷을 태그하면 닷이 바로 작업에 들어간다. 페이지에 API 플랫폼 슬랙 채널을 매일 확인해 결과를 갱신하라는 식의 지시를 걸어 두면 문서가 스스로 살아 움직인다. 에이전트가 읽고 고치기 쉬운 공동 작업용 슬라이드도 곧 내놓는다.

기업 고객에는 '스페셜리스트 닷(specialist dots)'을 미리 선보였다. 회사가 회계, 마케팅, 법무 같은 직무에 맞춰 설정하는 가상 팀원이다. 직원들이 결과물을 검토해 피드백을 주면 그 개선 효과가 회사 전체에 공유된다. 오픈AI는 마이크로소프트와 손잡고 스페셜리스트 닷을 '에이전트 365(Agent 365)'에 통합해, 기업이 기존 마이크로소프트 관리 도구로 닷을 관리할 수 있게 한다.

GPT-6.1 솔·울트라패스트…더 싸고 빠르게 해 달라는 요구에 답하다

모델 부문에서 올트먼 CEO는 몇 주 전 내놓은 아스트라를 두고 개발자들이 줄곧 두 가지를 요구했다고 전했다. 더 싸게, 더 빠르게다.

GPT-6.1 솔은 가격 요구에 대한 답이다. 오픈AI는 솔이 아스트라에 매우 근접한 지능을 5분의 1 가격에 제공한다고 밝혔다. 입력 100만 토큰당 2달러, 출력 10달러이며, 캐시 입력은 표준 입력 대비 95% 할인한 0.1달러다.에이전트가 맥락을 되풀이해 쓰고 긴 작업을 반복하는 구조에서 캐시 할인은 비용을 크게 낮춘다. 오픈AI는 실제 코드베이스에서 장시간 개발 작업을 수행하는 'DeepSWE v1.1' 평가에서 솔이 아스트라와 같은 점수를 냈다고 밝혔다.

울트라패스트는 속도 요구에 대한 답이다. 기존 '패스트'가 표준 대비 2배 속도를 2배 가격에 제공했다면, 울트라패스트는 8배 속도를 6배 가격에 제공하며 초당 300토큰을 낸다. 무대에서는 같은 프롬프트로 로켓을 만들어 발사하는 비교 시연을 보였는데, 울트라패스트 쪽 로켓이 이미 날아오를 때 일반 모델은 절반도 완성하지 못했다. 아스트라 울트라패스트는 지금 API와 일부 챗GPT·코덱스 요금제에서 쓸 수 있고, 솔 울트라패스트는 추후 나온다.

요금제도 손봤다. 최상위 '프로 500'은 플러스 대비 25배 사용량과 울트라패스트를 제공하고, 신규 가입을 멈췄던 '프로 200'도 다시 열었다. 여기에 경량 모델 '루나(Luna)'가 미리 정해진 선택지 중 하나를 고르게 해 1초도 안 걸려 응답하는 디시전 API를 미리 공개했다. 요청 라우팅, 이미지 분류, 에이전트의 다음 행동 결정 같은 작업이 대상이다.

테잘 파트와르단(Tejal Patwardhan) 오픈AI 사후학습(post-training) 연구 리드는 모델이 오픈AI의 연구 방식 자체를 바꾸고 있다고 전했다. 모델이 컴퓨터 사용(computer use) 하네스를 연속 루프로 돌며 개선점을 찾았고, 오픈AI는 이를 실제 서비스에 반영해 지연시간을 절반 이하로 줄였다고 밝혔다.

파트와르단 리드에 따르면 올해 1월만 해도 모델은 15분 미만의 짧은 연구 과제만 잘 해냈고 하루 이상 걸리는 과제는 대부분 실패했다. 7월 이후에는 하루짜리 연구 과제의 3분의 1 이상을 사람 개입 없이 완수한다. 올트먼 CEO는 2025년 이맘때 공언한 'AI 연구 인턴' 목표를 몇 주 전 달성했다고 밝혔다. 다만 이 수치는 오픈AI 내부 측정값으로, 외부 검증을 거치지 않았다.

코덱스 하네스 공개·클라우드 이전…내부 도구를 그대로 연다

개발 도구 부문의 핵심은 오픈AI 내부 기반을 외부에 여는 것이다. 코덱스와 닷을 움직이는 '코덱스 하네스'를 오픈소스로 공개했고, 코덱스를 완전히 클라우드로 옮겼다. 휴대폰에서 시작한 작업을 브라우저나 데스크톱에서 이어받고, 노트북을 닫아도 에이전트는 계속 일한다. 클라우드에서 취약점을 상시 찾아 검증된 수정안을 준비하는 '코덱스 시큐리티 클라우드(Codex Security Cloud)'도 이날 출시했다.

에이전트 API는 하네스, 호스팅, 메모리, 멀티 에이전트 제어 등 코덱스와 닷을 움직이는 기술을 공개 베타로 내놓은 것이다. 컴퓨터 사용 기능도 붙였다. 아마존웹서비스(AWS)와는 '베드록 매니지드 에이전트(Bedrock Managed Agents)'로 협력해, AWS 고객이 기존 애플리케이션과 데이터 옆에서 오픈AI 에이전트를 구축하게 했다. 데이터를 서버에 저장하지 않는 '오픈AI 프라이빗 인텔리전스(Private Intelligence)'도 프리뷰로 공개했다. 올트먼 CEO는 응답 API(Responses API) 사용량이 1년 새 100배 늘었지만 99% 이상의 안정성을 지켰고, 첫 토큰까지 걸리는 시간을 45% 줄였다고 밝혔다.

로맹 위에(Romain Huet) 오픈AI 개발자 경험 총괄은 울트라패스트로 3D 공간을 실시간으로 바꾸는 시연, 명령줄에서 앱을 만드는 시연, 백엔드 전체를 러스트(Rust)로 다시 쓰는 작업을 클라우드로 넘기는 시연을 이어 갔다. 허깅페이스(Hugging Face)의 소형 로봇에 아스트라의 비전, 'GPT 이미지 2.5', 음성 모델 'GPT 라이브 1'을 엮어 관객을 그리게 하는 장면도 연출했다. 음성 기능은 이날 여러 차례 먹통이 돼 타이핑으로 대신했다.

챗GPT 12억 사용자를 개발자 시장으로

마지막 축은 유통이다. 올트먼 CEO는 매주 약 12억 명이 챗GPT를 쓴다며, 이 플랫폼 위에서 개발자가 사업을 일구게 하겠다고 밝혔다. 그는 과거 비슷한 시도가 엇갈린 결과를 냈다고 인정하면서도, 이번에는 오픈AI가 챗GPT를 만들 때 쓰는 도구를 그대로 준다는 점에서 자신 있다고 했다.

'챗GPT로 로그인'을 쓰면 이용자는 자신의 챗GPT 요금제에 포함된 토큰으로 외부 앱을 쓴다. 개발자는 신규 이용자의 토큰 비용을 떠안지 않아도 된다. 16개 출시 파트너로 시작한다. '플러그인 확장'은 편집기, 대시보드, 작업 공간 같은 완결된 애플리케이션을 챗GPT와 코덱스 안에 넣게 한다. 피그마(Figma)와 어도비(Adobe)가 초기 파트너로 참여했다. 대화 도중 챗GPT가 도움이 될 플러그인을 알아보고 바로 연결을 제안하는 기능도 넣었다.

'오픈AI 마켓플레이스'는 기업 고객이 오픈AI와 맺은 기존 사용 약정 금액 일부로 파트너 제품을 사게 한다. 코드래빗(CodeRabbit), 노션(Notion), 버셀(Vercel) 등 30여 곳이 출시 파트너로 참여했고, 베이스텐(Baseten)과의 제휴로 오픈소스 모델도 살 수 있다.

테크수다의 시각

이번 데브데이의 메시지는 분명하다. 오픈AI는 더 이상 모델 성능 경쟁만 하는 회사로 남지 않겠다는 것이다. 닷은 사용자 곁에 상주하는 에이전트, 스페이스와 페이지는 그 에이전트가 일하는 작업장, 에이전트 API와 코덱스 하네스는 외부 개발자가 같은 구조를 만드는 부품, 마켓플레이스와 챗GPT로 로그인은 그 결과물을 파는 시장이다. 챗GPT를 사람과 에이전트가 함께 일하는 운영체제로 만들겠다는 그림이 한 무대에 다 올라왔다.

눈여겨볼 대목은 가격 구조다. GPT-6.1 솔은 가격을 5분의 1로 낮췄고 울트라패스트는 6배를 받는다. 지능은 싸게, 속도는 비싸게 파는 이원화 전략이다. 에이전트가 하루 종일 돌아가는 시대에는 토큰 단가와 캐시 할인이 곧 사업성이다. 반대로 사람이 기다리는 순간에는 속도에 돈을 낸다. 오픈AI는 이 두 수요를 모두 잡으려 한다.

국내 기업이 짚어야 할 지점은 두 가지다. 하나는 통제권이다. 닷은 규칙 기반 허용·승인·차단 장치를 갖췄지만, 사용자의 계정과 앱 4,000여 개에 손을 대는 에이전트가 기업 보안 정책과 어떻게 맞물릴지는 실제 도입 사례로 검증해야 한다. 오픈AI가 마이크로소프트 에이전트 365와 AWS 베드록을 통로로 택한 것도 기업 관리 체계 안에 들어가지 않으면 확산이 어렵다는 판단으로 읽힌다. 다른 하나는 종속이다. 챗GPT로 로그인과 마켓플레이스는 개발자에게 손쉬운 유통 채널이지만, 동시에 고객 접점과 과금 구조를 오픈AI 생태계에 묶는다.

올트먼 CEO는 기조연설을 마무리하며 AI를 새로운 산업혁명으로 부르는 시각에 거리를 뒀다. 그는 "잘만 해내면 미래는 새로운 산업혁명보다 새로운 르네상스에 훨씬 가까울 수 있다"고 말했다. 사람을 더 빨리 돌아가는 기계의 톱니로 만드는 AI가 아니라 창작하고 배우고 발견할 힘을 주는 AI를 만들겠다는 다짐이다. 닷이 사용자의 시간과 주의력을 돌려줄지, 아니면 또 하나의 관리 대상이 될지는 이제 현장에서 판가름 난다.

오픈AI 데브데이 2026, 이런 점이 궁금하셨나요?

Q. 닷은 기존 챗GPT 에이전트와 무엇이 다른가?
A. 닷은 사용자가 요청할 때만 움직이지 않고 상시 대기하며 업무를 계속 살핀다. 자체 클라우드 컴퓨터와 브라우저를 갖췄고, 사용자가 연결해 둔 플러그인을 물려받아 4,000개 넘는 앱에서 일한다. 사용자의 업무 방식과 우선순위를 시간이 지나며 익힌다는 점도 다르다.

Q. 누가 언제부터 쓸 수 있나?
A. 챗GPT 프로와 비즈니스 프리미엄 사용자에게 순차 제공하며, 첫 닷은 추가 비용 없이 요금제에 포함된다. 엔터프라이즈 고객은 워크스페이스 관리자가 기능을 켜면 베타 버전을 쓸 수 있다. 첫 설정은 데스크톱 앱이나 데스크톱 브라우저에서 한다.

Q. 에이전트가 멋대로 행동할 위험은 없나?
A. 사용자가 규칙을 정해 행동별로 허용, 승인 요구, 차단을 설정할 수 있다. 계정이나 정보 공유에 영향을 주는 행동에는 자동 검토가 붙고, 비밀번호 변경 같은 민감한 작업은 사용자가 직접 해야 한다.

Q. GPT-6.1 솔과 울트라패스트는 어떻게 골라 쓰나?
A. 솔은 아스트라에 가까운 성능을 5분의 1 가격에 주는 일상용 모델로, 긴 에이전트 작업의 비용을 줄이는 데 맞다. 울트라패스트는 표준 대비 8배 속도를 6배 가격에 제공해 응답 속도가 중요한 작업에 쓴다.

Q. 개발자에게 달라지는 점은 무엇인가?
A. 코덱스 하네스 오픈소스 공개와 에이전트 API로 오픈AI 내부 에이전트 기반을 그대로 쓸 수 있다. 챗GPT로 로그인을 도입하면 이용자의 챗GPT 요금제로 토큰 비용을 충당하고, 마켓플레이스를 통해 오픈AI 기업 고객에게 제품을 팔 수 있다.

[테크수다 기자 도안구 eyeball@techsuda.com]

"AI를 써 보는 것"과 "AI로 바뀌는 것"은 다르다

ChatGPT로 회의록을 요약하고 보고서 초안을 맡기는 일은 이제 낯설지 않다. 그러나 몇몇 직원이 AI 도구를 '써 보는 것'과 회사의 일하는 방식 자체가 AI로 '바뀌는 것(AX)' 사이에는 큰 간극이 있다.

업무 흐름과 사람의 역할, 고객을 만나는 방식까지 달라져야 비로소 AX라 부를 수 있지만, 사람도 예산도 빠듯한 중소기업·개인기업에게는 그 전환이 특히 어렵다. 이번 세미나는 거창한 기술 강연 대신, 현장에서 AX를 직접 해 온 전문가들과 "우리 회사는 지금 어디쯤 와 있는가", "무엇부터 다시 시작해야 하는가"를 솔직하게 '수다' 떠는 형식으로 진행된다.

현장에서 AX를 해 온 전문가들이 발제

세미나는 도안구 테크수다 대표·기자의 인사말 'AX수다를 시작하며'로 문을 연다.

이어 정해준 소셜링커 대표(전 아이보스 CMO)가 '현장에서 만나는 AX 자화상'을 주제로 중소기업 AX의 현황과 장애 요인을 짚는다. 유수호 위드에이아이 대표(전 모두의연구소 기업교육본부 이사)는 '회사에서 쓰는 공용 에이전트'를 통해 조직 차원의 에이전트 활용법을, 김범수 라이브다임 대표(SEO 전문가)는 'Claude for Small Business 사례'로 중소기업의 실제 AI 전환 사례를 소개한다.

마지막에는 발제자 전원이 참여하는 패널 토의와 질의응답이 이어진다.

프로그램

• 10:00~10:10 인사말 'AX수다를 시작하며' — 도안구 (테크수다 대표·기자)
• 10:10~10:30 발제 1. 현장에서 만나는 AX 자화상 — 정해준 (소셜링커 대표)
• 10:30~10:50 발제 2. 회사에서 쓰는 공용 에이전트 — 유수호 (위드에이아이 대표)
• 10:50~11:10 발제 3. Claude for Small Business 사례 — 김범수 (라이브다임 대표)
• 11:10~12:30 패널 토의 및 질의응답 — 전원

테크수다 비즈니스랩 관계자는 "AI 도입을 시작했지만 성과가 잘 보이지 않는 대표님, 어디서부터 AX를 시작해야 할지 막막한 실무 책임자, 우리 규모에 맞는 현실적인 방법을 찾는 분들에게 특히 도움이 될 것"이라며 "토요일 오전 두 시간, 커피 한 잔 들고 편하게 오셔서 우리 회사의 AX를 함께 점검해 보시길 바란다"고 전했다.

참가 신청 안내

• 행사명 : 제1회 AX수다 — 우리 회사도 AX 중입니다. 정말일까요?
• 일시 : 2026년 10월 10일(토) 10:00~12:30
• 장소 : 패스트파이브 선릉센트럴점 지하 3층 컨퍼런스홀 (서울 강남구 선릉로 511, 선릉역 도보 1분)
• 대상 : AX를 준비 중인 중소기업·개인기업 대표 및 실무자
• 참가비 : 무료 · 선착순 50명
• 신청 마감 : 2026년 10월 9일(금)
• 주최·주관 : 테크수다 · 테크수다 비즈니스랩
• 파트너 : 라이브다임 · 위드에이아이 · 소셜링커 (후원 : 패스트파이브)
• 신청 링크 : techsudabizlabs.com/forum/ax-suda/vol-1/

- 2026. 9. 28 -
추석 잘 보내셨나요? 전 고향집에서 방금 돌아왔습니다. 하루 종일 음식을 만들다보니 아시안게임 경기도 제대로 못봤습니다. 명절이 끝나고 나면 홈쇼핑 매출이 급증한다고 하는데 명절 스트레스를 쇼핑으로 보상받는거죠. 지갑이 두번 얇아집니다. 더 열심히 일해야 하는 가을입니다.

그래서 저도 안하던 일을 열심히 하고 있습니다. 제 1회 테크수다 포럼을 했습니다. 전문가들을 모시고 해당 분야에 대해 이야기를 나누는 자리입니다. 첫 포럼 주제는 중견중소기업의 AI에 대해 정해준 소셜링커 대표, 유수호 위드AI 대표, 김범수 라이브다임 대표와 만났습니다. 두 시간 동안 쉬지도 않고 대화를 하다보니 다들 진이 빠졌습니다.

이번 좌담에서 많은 SMB들이 업무 체계는 없고, 목표가 불분명하며, AI 활용에 대한 평과와 보상 구조가 없다고 입을 모았습니다. 저는 제 업무에 AI를 많이 활용하고 있습니다. ChatGPT와 클로드를 활용해 시장 조사를 하고 나온 결과물을 서로 다른 모델로 팩트 체크를 해서 보완합니다. 글로벌 전문가들의 팟캐스트나 인터뷰, 혹은 기술 회사의 기조연설 파일을 활용해 바로 정리해서 기사화하고 있습니다.

보도자료의 경우 받은 메일에서 라벨링해서 별도로 모은 후 이를 업무 자동화 프로세스를 활용해 원하는 형태의 자료로 간단히 정리하는 것도 구축해 놓고 간간히 사용하고 있습니다. 초기부터 스타트업 담당 페르소나, 경제 분석 기자 페르소나 등 다양한 AI 팀원을 운영하면 혼자해도 큰 미디어를 운영할 수 있다고 느끼기도 했습니다. 궁극적으로 그걸 구현하고 운영하는 꿈을 꾸고 있습니다.

좌담 중 더 흥미로웠던 건 단계별로 나아가는 게 결코 최고의 선택은 아니라는 사실이었습니다. 어차피 데이터도 없고 준비도 덜 되었다면 차라리 초기부터 AI 네이티브 기업으로 바로 전환하는 전략이 오히려 유리할 거라는 조언이었습니다.

SMB는 인력과 자본이 상대적으로 부족합니다. 하는 일은 동일하지만 자원이 부족하니 매번 바쁘죠. 오히려 AI를 잘 활용하면 더 큰 혜택과 가치를 얻을 수 있습니다. 물론 기업은 매출을 올리거나 혹은 비용을 줄이거나 두 방법 중 하나를 결정해야 합니다. 잘 섞어쓰지만 경기가 어려울 때 지갑을 쉽게 열기 어렵습니다. 생성형 AI는 비용이 들어갑니다. 나가는 비용 통제도 어려운데 매출을 늘리거나 비용을 획기적으로 줄이지 않으면 투자하기 어려운 영역입니다. 아마도 많은 경영진들이 이 문제를 어떻게 해결해야 할지 고민하고 계실 거 같습니다.

이번 좌담에서는 현재 처한 상황을 먼저 진단해야 한다는 데 의견을 모았습니다. 또 하나 좌담하면서 느낀 건 기술 변화는 어려워도 무조건 따라가야 한다는 사실이었습니다. 생성형 AI 관련해서 다양한 변화가 있었는데 2-3년 지켜보기만 한 분들은 최근 당혹감을 느끼고 있다고 합니다. 배워야 할 게 너무 많아졌기 때문입니다. 매번 사용하면서 기술과 서비스 변화를 체감한 분들은 덜 느끼지만 오히려 너무 빠르니 나중에 올라타야지 했던 분들은 너무나 달라지고 다양해진 서비스를 어디서부터 배우고 적용해야 하는지 몰라 당황한다는 말이었습니다. 서두르지는 않지만 그래도 흐름을 따라가는 게 오히려 기술 변화를 수용할 때 훨씬 유리하다는 조언이었습니다.

앞으로도 전문가 분들 초대해 깊이 있는 대화를 나눠보는 장을 마련하겠습니다.

전 오늘 아침 시골집에서 6시에 출발해 읍내에서 고속버스를 타고 방금 서울 고속버스터미널에 도착했습니다. 잠은 차에서 잤습니다. 어머니와 헤어지는데 얼굴을 비비고 손을 꼭 잡고 안고 했습니다. 막내가 할머니 인생을 기록하고 싶다면서 녹음기를 틀었습니다. 어렸을 시절과 할어버지 만났던 시절 그리고 그 이후 시집와서 사셨던 65년의 삶. 정작 기록하는 일은 제가 못했던 일입니다. 녹음하고 네이버의 클로바노트로 음성을 텍스트로 바꾸면 금방이라고 합니다.

방금 잘 도착했다고 전화드렸습니다. 한 주 또 무탈하시길 기원하고 소망합니다.

“우리 회사도 AX 중입니다”…정말일까? 개인은 날고 조직은 멈춘 SMB의 AI

중소기업 직원들도 이미 생성형 AI를 쓴다. 문서는 빨리 나오고 보고서 형식도 그럴듯해졌다. 그런데 회사의 매출과 비용, 일하는 방식까지 실제로 달라졌느냐고 묻는 순간 이야기가 달라진다.

테크수다가 개최한 첫 번째 ‘테크수다 포럼’은 바로 이 간극이 궁금했기 때문이다.디지털 마케팅·커머스 컨설팅을 하는 정해준 소셜링커 대표, 개발자 출신으로 모두의연구소를 거쳐 AI 교육을 하는 유수호 위드에이아이 대표, SEO·GEO(생성형 엔진 최적화)를 다루는 김범수 라이브다임 대표가 2시간 동안 중소기업(SMB)의 AI 전환(AX) 현실을 진단했다.

세 사람이 공통으로 짚은 병목은 기술 그 자체가 아니었다. 업무 체계가 없고, 목표가 불분명하며, AI 활용에 대한 평가와 보상 구조가 없다는 것. 개인의 생산성이 조직의 성과로 넘어가지 못하는 이유다.

[테크수다 기자 도안구 eyeball@techsuda.com] 중소기업 직원들도 이미 생성형 AI를 쓴다. 문서는 빨리 나오고 보고서 형식도 그럴듯해졌다. 그런데 회사의 매출과 비용, 일하는 방식까지 실제로 달라졌느냐고 묻는 순간 이야기가 달라진다.

테크수다가 개최한 첫 번째 ‘테크수다 포럼’은 바로 이 간극이 궁금했기 때문이다.디지털 마케팅·커머스 컨설팅을 하는 정해준 소셜링커 대표, 개발자 출신으로 모두의연구소를 거쳐 AI 교육을 하는 유수호 위드에이아이 대표, SEO·GEO(생성형 엔진 최적화)를 다루는 김범수 라이브다임 대표가 2시간 동안 중소기업(SMB)의 AI 전환(AX) 현실을 진단했다.

세 사람이 공통으로 짚은 병목은 기술 그 자체가 아니었다. 업무 체계가 없고, 목표가 불분명하며, AI 활용에 대한 평가와 보상 구조가 없다는 것. 개인의 생산성이 조직의 성과로 넘어가지 못하는 이유다.

핵심 요약

• AI를 쓴다고 AX는 아니다 — 상당수 SMB는 개인이 AI를 쓰고 조직이 도구를 탐색하는 1~2단계에 머물러 있다. 결과물 검수 기준이 없어 사용 빈도만 늘고 활용의 깊이는 그대로다.
• 데이터보다 AI 참여 업무가 먼저 — 데이터를 다 쌓은 뒤 AX를 시작하면 첫 단계가 끝나지 않는다. AI 에이전트가 개입하는 프로세스를 먼저 만들면 그때부터 데이터가 쌓인다.
• 병목은 기술이 아니라 평가와 보상 — AI 학습과 데이터 정리는 성과로 인정받지 못하고, 잘 쓰는 직원에게 일만 몰린다. 패널은 TF팀보다 기본 교육, 챌린지, 보상으로 이어지는 방식을 제안했다.

“대부분 아직 1~2단계…AI를 쓴다고 AX는 아니다”

정해준 대표는 현재 SMB의 AI 도입 상황을 ‘혼란’이라고 진단했다.

AI를 해야 한다는 당위에는 대부분 동의하지만, 정작 무엇을 어디에 어떻게 적용할지를 모른다. 초기 프롬프트 교육에서 직급별 활용, 최근에는 AI 에이전트와 업무 자동화로 화두가 옮겨갔지만 조직의 현재 상태를 정의하지 않은 채 ‘AI를 쓰자’는 말부터 앞서고 있다는 것이다.

정 대표는 기업의 AI 전환을 7단계로 정리했다.

정 대표가 보는 상당수 중소기업의 현재 위치는 1~2단계다. 프롬프트로 문서를 만드는 속도는 빨라졌다. 하지만 조직에 결과물을 검수하는 기준이 없다면 AI가 만든 문서가 사실상 그대로 결재선을 탄다. 상급자 역시 잘 정돈된 형식을 보고 넘어가기 쉽다.

정 대표는 이를 “사용 빈도는 늘었지만 활용의 깊이는 깊어지지 않은 상태”라고 표현했다. 최근 만난 한 중소기업 대표도 직원들에게 AI를 적극적으로 쓰게 했지만 기대했던 생산성 향상 대신 성의 없어 보이는 문서가 늘어나면서 오히려 불만이 커졌다고 했다.

AI를 사용하는 것과 AI로 조직이 바뀌는 것은 전혀 다른 문제라는 얘기다.

5인 이하 기업은 AI 이전에 ‘업무 시스템’부터 없다

김범수 대표는 더 작은 기업으로 내려가면 상황이 달라진다고 말했다. 5인 이하, 10인 이하 기업 상당수는 이메일과 구글 드라이브 정도로 일한다. 업무 매뉴얼이나 프로세스 자체가 정립되지 않은 곳도 적지 않다.

“업무 로직 자체가 없는데 그 위에 AI를 붙이는 건 어렵다.”

김 대표는 이런 기업에서 AX는 상당히 먼 이야기처럼 느껴질 수 있다고 말했다. 문제는 개인 간 격차도 빠르게 벌어진다는 점이다. 2~3년 동안 생성형 AI를 계속 써온 사람들은 자신이 원하는 결과물을 얻는 방법을 스스로 찾아간다. 반면 스킬과 오케스트레이션, 에이전트를 활용한 자동화를 이야기하면 “그런 건 연구소나 전문가가 하는 것”이라고 선을 긋는 사람도 많다.

기업 현장에서는 AI가 오히려 ‘추가 업무’가 되기도 한다. 기존 업무는 그대로인데 AI를 배우고, 데이터를 정리하고, 새로운 프로세스를 시험해야 한다. 하지만 그 시간은 성과로 인정받지 못한다.

김 대표는 한 대기업 해외영업 담당자로부터도 “하던 일은 그대로인데 AI 때문에 새로운 일이 그만큼 더 생겼다”는 이야기를 들었다고 전했다. 전 직원에게 AI 계정을 나눠주는 것만으로는 AX가 되지 않는 이유다.

“데이터 다 쌓고 시작한다? 그러면 계속 못 한다”

유수호 대표는 개인 생산성과 기업 성과 사이의 간극을 가장 먼저 짚었다. 직원 개인은 생성형 AI로 생산성을 높이고 있다. 하지만 회사가 비용을 지원해 AI를 쓰게 하는 것과 기업의 성과를 만드는 것은 별개의 문제다.

특히 AI 도입 논의에서 빠지지 않는 전제가 있다.

“데이터가 있어야 한다.”

유 대표는 오히려 순서를 뒤집자고 제안했다.

대기업이라고 모든 데이터가 체계적으로 쌓여 있는 것은 아니다. 하물며 중소기업이 데이터를 모두 정비한 다음 AX를 시작하겠다고 하면 첫 단계부터 끝나지 않을 수 있다.

유 대표는 “사람 중심으로도 쌓지 못했던 데이터를 먼저 다 쌓은 다음 AX로 넘어가겠다고 하면 아마 계속 못 할 것”이라며 “오히려 AI 에이전트가 개입하는 프로세스를 먼저 만들면 그때부터 데이터가 쌓이기 시작한다”고 말했다.

데이터 → AI가 아니라, AI가 참여하는 업무 → 데이터 축적으로 순서를 뒤집자는 것이다.

정 대표도 비슷한 사례를 소개했다.

한 회사는 처음부터 “우리 업무용 AI 솔루션을 만들어달라”고 요청했다. 다른 회사는 “원래 하던 업무가 있는데 굳이 AI를 써야 하느냐”고 반문했다.

정 대표는 두 번째 회사의 업무 흐름부터 분석했다. 이후 에이전트와 스킬을 구성해 키워드만 입력하면 초기 결과물이 나오도록 만들었다. 디자인 관련 부서였던 이 회사는 사전 조사와 목업 디자인까지 걸리던 시간이 짧게는 2~3일, 긴 작업은 7일가량 줄었다고 평가했다.

흥미로운 것은 결과였다.

처음부터 AI 솔루션을 원했던 회사는 “쓸 수 있는 도구 하나가 늘었다”는 인식을 벗어나지 못했다. 반면 “굳이 AI가 필요한가”라고 묻던 회사는 실제 자신의 업무가 달라지는 것을 경험한 뒤 “이건 꼭 해야 한다”고 태도를 바꿨다.

정 대표는 “AI 성능이 너무 좋아져 이제는 업무를 던지면 된다”며 “문제는 사람들이 무엇을, 어떻게 던져야 하는지 모른다는 데 있다”고 말했다.

“그거 하면 팀장님만 좋은 것 아닌가요?”

좌담의 무게중심은 결국 사람과 조직으로 옮겨갔다.

유 대표는 AX가 위에서 시작되든 아래에서 시작되든 최고경영진과 HR이 성과와 보상을 연결하는 구조를 만들지 못하면 조직 차원의 전환은 어렵다고 봤다.

그가 한 회사에서 경험한 장면은 상징적이다.

팀장과 팀원, HR 담당자가 함께 AX 회의를 했다. 데이터를 정리해야 한다는 이야기가 나오자 팀장이 팀원들에게 업무를 나눴다.

그러자 한 직원이 물었다.

“그걸 하면 결국 팀장님만 좋은 것 아닌가요. 왜 제가 해야 하죠?”

회의가 끝난 뒤 HR은 팀장이 동기 부여를 못 했다고 했고, 팀장은 “저런 태도면 AI 시대에 적응하지 못한다”고 말했다. HR은 다시 “우리 회사는 AI 때문에 감원할 계획이 없다”고 맞섰다.

모두 AX가 필요하다고 말하지만, 변화에 필요한 일을 누가 하고 어떤 보상을 받을지는 정해져 있지 않은 현실이다.

정 대표는 그래서 AI를 잘 쓰는 직원들이 오히려 이를 숨기는 현상도 나타난다고 말했다.

회사 차원의 목표와 보상 없이 AI를 잘 쓰는 직원에게 업무만 더 몰리면, 실력을 드러낼 이유가 없다는 것이다.

김 대표도 비슷한 문제를 지적했다. 개인이 어렵게 축적한 프롬프트와 AI 활용 노하우를 아무 보상 없이 조직 전체에 공유하라고 요구하면 자신의 경쟁력을 넘겨주는 것으로 받아들일 수 있다.

AX의 병목이 결국 기술이 아니라 평가와 보상 시스템으로 이동하고 있는 셈이다.

모두가 ‘AI 팀장’ 되는 조직…토큰도 경영 자원이 된다

유 대표는 AI가 조직 구조 자체도 바꿀 수 있다고 전망했다.

과거에는 팀을 운영하려면 사람을 배정받아야 했다. 이제는 개인이 여러 AI 에이전트를 만들어 하나의 팀처럼 운영할 수 있다.

기획, 조사, 디자인, 개발을 담당하는 에이전트를 묶어 한 사람이 팀을 거느리는 형태다.

유 대표는 “예전에는 일을 잘해야 밑에 팀원이 붙었다면 앞으로는 AI 팀원을 붙여주는 것이 곧 토큰을 주는 것과 비슷해질 수 있다”고 말했다.

성과를 잘 내는 직원이나 팀에 더 많은 AI 사용 자원을 배정하는 조직이 나타날 수 있다는 설명이다.

이에 따라 AI 비용도 단순 IT 비용을 넘어 경영 과제로 부상하고 있다.

정 대표는 한 화장품 회사가 직원들의 AI 유료 구독에 매달 700만~800만 원을 지출하고 있다고 전했다.

직원 대부분이 AI를 기본 업무 도구로 사용하기 시작하면 회사가 비용을 부담할지 개인이 낼지, 어떤 업무에 어떤 모델을 쓸지, 모델별 가격과 성능을 누가 관리할지가 모두 경영 이슈가 된다.

김 대표가 맡았던 작가 추천 프로젝트는 비용 격차를 잘 보여준다. 작가 약 2만 명의 이미지를 분석하고 태깅하는 작업에 필요한 토큰은 약 12억 개. 사용하는 모델에 따라 비용은 수천만 원에서 수십만 원 수준까지 크게 달라질 수 있었다고 한다.

김 대표는 향후 멀티 클라우드를 관리하듯 기업이 여러 AI 모델과 토큰을 통합 관리하게 될 것으로 전망했다. 현금뿐 아니라 토큰을 어느 업무와 어느 팀에 얼마나 투입할지를 결정하는 시대가 올 수 있다는 얘기다.

마케팅부터 제조까지…AI는 ‘콘텐츠 생성’ 밖으로 나오고 있다

돈을 버는 부서에서는 변화가 이미 시작됐다.

정 대표는 AI 활용의 중심이 글·이미지·영상 같은 콘텐츠 제작에서 퍼포먼스 마케팅으로 빠르게 이동하고 있다고 봤다. 그는 MCP(Model Context Protocol)를 활용해 광고 기획부터 세팅, 집행, 성과 분석까지 AI로 연결하는 실험을 진행했다. 시장 조사와 기획, 소재 제작에 수 주 걸리던 업무를 크게 단축할 수 있었다는 설명이다.

이 변화는 기존 광고 대행 비즈니스에도 영향을 준다.

그동안 예산이 적은 SMB는 여러 소재를 만들고 A/B 테스트를 반복하기 어려워 전문 대행사에 의존했다. 그러나 기업 내부에 AI와 퍼포먼스 마케팅을 동시에 이해하는 사람이 있다면 상당 부분을 직접 운영할 수 있는 환경이 만들어지고 있다.

정 대표는 “어떤 스킬을 구성하고 기존 전략과 데이터를 AI에 어떻게 제공하느냐에 따라 결과가 완전히 달라진다”고 말했다.

제조 현장에서는 또 다른 형태의 AX가 진행되고 있다.

유 대표는 최근 제조업 교육 과정에서 설비에 센서가 없거나, 센서가 있어도 신호만 발생하고 데이터가 제대로 활용되지 않는 현장을 적지 않게 봤다고 했다.

머신러닝 기반 이상 탐지 시스템이 있어도 경보가 발생하면 현장 직원이 이를 무시하거나 담당자에게 제대로 전달되지 않는 사례도 있다.

여기에 LLM 기반 에이전트를 붙이면 상황이 달라질 수 있다.

기존 시스템이 이상 신호를 감지하면 AI가 “왜 경보가 발생했는지”, “어떤 문제가 예상되는지”, “무엇을 확인해야 하는지”를 작업자가 이해할 수 있는 언어로 전달하는 것이다.

다만 제조업에서는 소프트웨어보다 먼저 하드웨어 비용과 기존 설비의 디지털화 문제가 현실적인 장벽으로 남아 있다.

결국 업종마다 AX의 출발점은 다를 수밖에 없다.

TF팀보다 ‘기본 교육 → 챌린지 → 보상’

그렇다면 SMB는 무엇부터 해야 할까.

유 대표는 기업들이 주로 선택하는 방식으로 전사 AI 교육, 사내 해커톤·챌린지, 전담 TF팀을 꼽았다.

그는 소수 인력으로 구성된 TF가 AI 관련 의사결정과 예산을 독점하는 방식에는 신중해야 한다고 봤다. 전사 확산 과정에서 다른 부서와 마찰이 생길 가능성이 있기 때문이다.

대신 기본 교육을 실시한 뒤 실제 자신의 업무를 AI로 바꾸는 챌린지를 진행하고, 성과를 낸 직원과 팀에 명확한 보상을 제공하는 방식을 제안했다.

정 대표의 방법은 더 단순하다.

우선 직원들이 하는 업무를 목록으로 만든다. 빈도와 주기, 걸리는 시간을 적는다. 그 데이터를 AI에 넣어 자동화 가능한 업무와 우선순위를 찾는다.

그 다음 조직이 결정해야 한다.

AI가 만든 결과물을 어떤 기준으로 검수할 것인가. 어떤 데이터까지 넣을 것인가. 어디까지 AI가 하고 어디부터 사람이 책임질 것인가.

여기까지 가야 AI 사용이 ‘개인의 요령’에서 ‘회사의 운영 체계’로 넘어간다.

테크수다의 시각

AX는 도구 구매가 아니라 ‘운영 설계’다

두 시간 동안 수많은 AI 모델과 에이전트, 자동화 기술이 언급됐다. 하지만 세 패널의 이야기가 도달한 곳은 특정 제품이 아니었다.

목표, 기준, 보상.

회사가 AI로 무엇을 이루려는지 설명하지 않으면 직원은 AI를 자신의 개인 생산성 도구로만 쓴다. 결과물을 판단할 기준이 없으면 형식만 그럴듯한 문서가 조직을 돌아다닌다. AI를 활용해 업무 방식을 개선한 사람에게 보상이 없다면 잘하는 직원부터 노하우를 숨긴다.

가장 흥미로운 대목은 AX의 순서를 뒤집자는 제안이다.

기존 방식은 데이터를 정리하고 시스템을 만든 뒤 그 위에 AI를 도입하는 것이다. 하지만 업무 매뉴얼조차 없는 작은 기업이라면 첫 단계가 영원히 끝나지 않을 수 있다. 그렇다면 처음부터 AI가 참여하는 업무 프로세스를 만들고, 사람이 AI와 일하는 과정에서 데이터와 매뉴얼을 쌓는 방법도 가능하다.

업무 시스템이 없다는 SMB의 약점이 역설적으로 낡은 시스템에 얽매이지 않고 AI 네이티브 프로세스를 처음부터 설계할 기회가 될 수도 있다. SMB에 지금 필요한 것은 거창한 ‘AI 전환 선언’이 아닐지 모른다.

업무 하나를 고르고, 무엇을 개선할지 목표를 정하고, 결과물을 판단할 기준을 만들고, 그 변화를 만들어낸 사람에게 제대로 보상하는 것.

“우리 회사도 AX 중입니다”라는 말이 진짜인지 아닌지는 최신 AI 계정을 몇 개 가지고 있느냐가 아니라, 결국 이 작은 운영 설계가 존재하느냐에서 갈릴 것이다.

SMB의 AI, 이런 점이 궁금하셨나요?

Q1. 직원들이 AI를 쓰는데 왜 회사 성과는 그대로인가?
상당수 SMB가 개인이 AI를 쓰고 조직이 도구를 탐색하는 1~2단계에 머물러 있기 때문이다. 반복 업무 자동화, 에이전트 위임, 프로세스 재설계로 넘어가지 못했고, 결과물을 검수할 기준이 없어 문서의 양만 늘었다.

Q2. 데이터가 없는 중소기업은 AI 도입을 미뤄야 하나?
패널의 답은 반대다. 데이터를 모두 정비한 뒤 시작하겠다는 순서는 첫 단계부터 끝나지 않을 수 있다. AI 에이전트가 개입하는 업무 프로세스를 먼저 만들면 그 과정에서 데이터와 매뉴얼이 쌓인다.

Q3. 직원들이 AI 노하우를 공유하지 않는 이유는 무엇인가?
공유해도 평가와 보상이 따르지 않기 때문이다. AI 학습과 데이터 정리는 추가 업무인데 성과로 인정받지 못하고, 잘 쓰는 직원에게는 일만 더 몰린다. 패널은 경영진과 HR이 성과와 보상을 연결하는 구조를 먼저 만들어야 한다고 강조했다.

Q4. AI 전담 TF팀을 꾸리는 것이 좋은 방법인가?
유수호 대표는 소수 인력의 TF가 의사결정과 예산을 독점하면 전사 확산 과정에서 마찰이 생길 수 있다며 신중해야 한다고 봤다. 대신 기본 교육 뒤 자기 업무를 AI로 바꾸는 챌린지를 열고, 성과를 낸 직원과 팀에 보상하는 방식을 제안했다.

Q5. SMB가 당장 시작할 수 있는 첫걸음은 무엇인가?
정해준 대표는 직원들이 하는 업무를 목록으로 만들고 빈도, 주기, 소요 시간을 적은 뒤 AI에 넣어 자동화 우선순위를 찾으라고 권했다. 이어 결과물 검수 기준, AI에 넣을 데이터의 범위, 사람이 책임질 영역을 조직이 정해야 한다.

[테크수다 기자 도안구 eyeball@techsuda.com]