AI 리서치 도구는 많아졌습니다. 문제는 결과가 흩어진다는 점입니다. NotebookLM에서 정리한 내용, 웹 검색 기반 리포트, AI CLI가 만든 요약, 그리고 내가 실제로 쓰는 노트가 따로 놀면 다시 붙이는 시간이 꽤 듭니다.

이번 영상에서 소개된 ReallyGood Research는 그 간격을 줄이려는 Obsidian 플러그인입니다. 질문 하나로 NotebookLM MCP와 Tavily 리서치를 실행하고, 결과를 Markdown과 HTML 리포트로 Vault 안에 저장하는 방식입니다. 핵심은 “검색을 잘하는 도구”가 아니라 “리서치 결과가 내 지식 작업 흐름 안에 남는 구조”입니다.

영상에서 보여준 핵심 흐름

영상은 완성된 리포트 화면에서 시작합니다. 브라우저로 열린 HTML 리포트를 확인하고, Gemini Canvas 공유 링크로 확장하는 장면도 먼저 보여줍니다. 그래서 이 플러그인의 목적이 분명해집니다. 단순 검색이 아니라, 공유 가능한 리서치 산출물을 만드는 것입니다.

그다음 진행자는 Obsidian 안에서 플러그인을 설치하는 과정을 설명합니다. 커뮤니티 플러그인에서 ReallyGood Research를 검색하고 설치한 뒤, 왼쪽 패널에서 리서치 콘솔을 여는 흐름입니다. 별도 BRAT 설치 없이 커뮤니티 플러그인으로 접근할 수 있다는 점도 영상에서 강조됩니다.

NotebookLM과 Tavily를 왜 함께 쓰나

Tavily는 웹 검색과 리서치 API에 강점이 있습니다. 공개 웹에서 자료를 찾고, 주제별 리포트를 생성하는 데 적합합니다. 반면 NotebookLM은 사용자가 넣은 소스 기반으로 답을 구성하는 데 장점이 있습니다. 두 도구를 함께 쓰면 “웹에서 넓게 찾기”와 “소스 기반으로 다시 검토하기”를 분리할 수 있습니다.

ReallyGood Research는 이 둘을 Provider로 연결합니다. 영상에서는 Tavily API 키를 넣고, NotebookLM MCP를 설치한 뒤 로그인하는 과정을 보여줍니다. 이후 AI CLI Provider로 Antigravity를 선택해 실행 환경을 맞춥니다. Claude Code, Codex, Gemini 같은 CLI를 고를 수 있다는 설명도 나옵니다.

실제 사용 장면: 질문 하나가 두 개의 리포트로 바뀐다

시연 질문은 “AI 챗봇을 사용한 서비스 활용이 고객 만족도, 충성도, 신뢰도에 어떤 영향을 미치는가”에 가깝습니다. 사용자가 질문을 입력하고 Start를 누르면, 플러그인은 Tavily 리서치와 NotebookLM 리서치를 각각 실행합니다.

중요한 장면은 결과 확인입니다. 하나의 질문에서 Tavily 기반 딥리서치 리포트와 NotebookLM 기반 리서치 결과가 따로 생성됩니다. 사용자는 둘을 비교하면서 근거가 충분한지, 관점이 한쪽으로 치우치지 않았는지 확인할 수 있습니다.

이 방식이 지식 작업에 주는 의미

이 플러그인의 장점은 자동화 그 자체보다 작업 위치에 있습니다. 리서치 결과가 Obsidian Vault 안에 저장되면, 이후 글쓰기·보고서·강의안·제안서로 이어가기 쉽습니다. 검색 결과를 다시 찾지 않아도 되고, HTML 리포트로 빠르게 공유할 수도 있습니다.

다만 확인할 점도 있습니다. Tavily API 키와 NotebookLM 로그인, 로컬 MCP 실행, AI CLI 권한이 필요합니다. 회사 자료나 민감한 고객 데이터를 넣을 때는 어떤 Provider로 정보가 전달되는지 먼저 봐야 합니다. 자동화가 편해질수록 로그, 출처, 계정 권한을 함께 관리해야 합니다.

도입 전에 확인할 체크리스트

• Obsidian을 실제 지식 저장소로 쓰고 있는가?
• Tavily API 키와 사용량 한도를 관리할 수 있는가?
• NotebookLM MCP 설치와 Google 로그인을 안전하게 처리할 수 있는가?
• 리서치 결과를 바로 글쓰기나 보고서로 이어갈 업무가 있는가?
• 자동 생성 결과를 검증할 기준과 출처 확인 습관이 있는가?

이 다섯 가지가 맞으면 테스트해 볼 만합니다. 반대로 단발성 검색만 필요하다면 과한 구성일 수 있습니다. ReallyGood Research는 검색 도구라기보다, Obsidian을 리서치 작업대처럼 쓰는 사람에게 더 잘 맞습니다.

함께 읽으면 좋은 글

• AI-Native Workflows: How to Rebuild Work Around a Digital Brain and AI Agents
• AI Second Brain: Building a Personal Knowledge System for AI Agents
• Antigravity CLI and Obsidian Automation: Turning Notes Into an AI Work Hub
• AI 코딩의 본질은 모델이 아니라 하네스다

FAQ

ReallyGood Research는 무엇인가요?

Obsidian에서 NotebookLM MCP와 Tavily 기반 딥리서치를 실행하고, 결과를 Markdown과 HTML 리포트로 저장하는 플러그인입니다. 영상 기준으로는 커뮤니티 플러그인 설치와 Provider 설정 흐름이 소개됩니다.

Tavily와 NotebookLM을 동시에 쓰는 이유는 무엇인가요?

Tavily는 웹 기반 리서치에 강하고, NotebookLM은 사용자가 제공한 소스 기반 검토에 강합니다. 둘을 함께 쓰면 넓은 탐색과 소스 기반 확인을 나눠 볼 수 있습니다.

Obsidian을 쓰지 않아도 필요한 도구인가요?

Obsidian을 중심 지식 저장소로 쓰지 않는다면 장점이 줄어듭니다. 이 플러그인은 결과를 Vault 안에 저장하고 다시 활용하는 흐름에 초점이 있습니다.

업무 자료를 넣어도 안전한가요?

도구 자체보다 Provider 설정이 중요합니다. Tavily, NotebookLM, AI CLI로 어떤 데이터가 전달되는지 확인해야 합니다. 민감한 자료는 조직 보안 기준에 맞춰 별도로 검토하는 것이 좋습니다.

이 플러그인은 누구에게 가장 잘 맞나요?

AI 리서치를 자주 하고, 결과를 글·보고서·강의안·제안서로 다시 쓰는 사람에게 잘 맞습니다. 특히 Obsidian을 세컨드 브레인이나 업무 지식 허브로 쓰는 사용자에게 유용합니다.

참고자료

• 배움의 달인, 옵시디언에서 AI 딥리서치 자동화 영상
• Obsidian Community Plugins 목록
• ReallyGood Research GitHub 저장소
• Tavily 공식 문서
• Google NotebookLM

LA 도심에 문을 연 DATALAND는 “AI가 만든 그림을 전시하는 곳”이라는 한 문장으로는 설명하기 어렵습니다. MBC America 뉴스가 보여준 장면의 핵심은 작품 하나가 아니라, 데이터·센서·생성형 AI·공간 연출이 한꺼번에 작동하는 새로운 미술관 모델입니다.

공식 자료를 대조해 보면 DATALAND는 Refik Anadol과 Efsun Erkılıç가 공동 설립한 세계 최초의 AI Arts Museum입니다. 첫 전시는 Machine Dreams: Rainforest이고, 장소는 LA 다운타운 The Grand LA입니다.

뉴스가 보여준 것은 “움직이는 그림”이 아니라 “반응하는 미술관”이다

영상은 숲, 새, 빛, 향기, 관람객의 움직임이 결합된 몰입형 장면을 보여줍니다. 관람객이 센서를 착용하면 심박, 체온, 움직임 같은 데이터가 실시간으로 해석되고, 그 정보가 전시 환경에 반영됩니다.

여기서 중요한 변화는 관람객이 더 이상 작품 앞에 서 있는 외부자가 아니라는 점입니다. 관람객의 상태와 행동이 전시의 일부가 되고, 작품은 매번 조금씩 다른 모습으로 재구성됩니다.

공식 자료로 확인한 DATALAND의 기본 정보

• 공식 명칭: DATALAND, Museum of AI Arts
• 위치: The Grand LA, 100 S Grand Ave, Los Angeles, CA 90012
• 개관 전시: Machine Dreams: Rainforest
• 전시 기간: 공식 전시 페이지 기준 2027년 1월 31일까지
• 핵심 기술: Large Nature Model, Google Cloud, Gemini Enterprise Agent Platform, Compute Engine, 생성 모델과 실시간 상호작용 기술

DATALAND 공식 사이트는 이 공간을 “data becomes pigment”, 즉 데이터가 물감이 되는 미술관으로 설명합니다. Google 공식 블로그는 개관 전시가 자연 세계의 대규모 데이터셋을 학습한 Large Nature Model을 기반으로 하며, 12억 픽셀 규모의 초생성적 현실을 구현한다고 설명합니다.

왜 ‘AI 미술관’이라는 표현이 중요한가

기존 미디어아트 전시는 대형 화면과 프로젝션으로 관람객을 압도하는 방식이 많았습니다. DATALAND가 다른 지점은 AI를 단순 제작 도구가 아니라 전시 운영의 핵심 인프라로 끌어들인다는 데 있습니다.

Google 공식 블로그에 따르면 DATALAND는 관람객 반응을 처리하고, 생성 사운드스케이프를 만들며, 감정 신호와 향기까지 알고리즘적으로 조정합니다. 미술관은 정해진 파일을 재생하는 장소가 아니라, 입력 데이터를 계속 받아들이며 장면을 갱신하는 시스템에 가까워집니다.

예술인가, 기술 시연인가: 논쟁의 지점

AI 미술을 둘러싼 질문은 여전히 남아 있습니다. AI가 만든 결과물을 어디까지 예술로 볼 것인가, 데이터의 출처와 동의는 어떻게 다뤄야 하는가, 관람객의 생체 데이터는 어떤 기준으로 보호되어야 하는가가 핵심 쟁점입니다.

DATALAND는 공식적으로 윤리적 데이터 수집과 AI 실천을 강조합니다. 그러나 AI 예술이 대중 공간으로 들어올수록, 작품 감상뿐 아니라 데이터 거버넌스와 프라이버시 기준도 함께 평가해야 합니다.

개인과 조직이 읽어야 할 변화

DATALAND의 의미는 미술관 산업에만 머물지 않습니다. 교육, 전시, 브랜드 경험, 도시 관광, 엔터테인먼트가 앞으로 어떤 방향으로 바뀔지 보여주는 신호입니다.

• 콘텐츠는 고정된 결과물에서 실시간 경험으로 이동합니다.
• AI는 백오피스 도구가 아니라 공간을 운영하는 인터페이스가 됩니다.
• 데이터 신뢰, 저작권, 생체정보 보호가 콘텐츠 경쟁력의 일부가 됩니다.
• 창작자는 프롬프트 작성자를 넘어 데이터·공간·관람 흐름을 설계하는 사람으로 확장됩니다.

이 흐름은 AI 시대 인간의 가치나 AI 시대의 창조적 사고에서 다룬 질문과도 이어집니다. 결국 관건은 AI가 무엇을 만들 수 있느냐보다, 사람이 어떤 경험과 의미를 설계할 수 있느냐입니다.

DATALAND를 볼 때 체크할 세 가지

1. 기술보다 경험 구조를 보자

대형 화면, 센서, 생성 모델 자체보다 중요한 것은 관람객이 어떤 순서로 공간을 지나가고, 어떤 데이터가 어떤 경험으로 번역되는지입니다.

2. 공식 수치와 설명을 기준으로 보자

영상은 현장감과 이슈를 전달하는 데 강점이 있습니다. 다만 기술 수치와 운영 정보는 DATALAND 공식 사이트, Google 공식 블로그, Related Companies 보도자료처럼 원 출처를 함께 확인하는 편이 안전합니다.

3. AI 예술을 산업 변화의 조기 신호로 보자

AI 미술관은 예술계의 특수 사례가 아니라, 에이전틱 AI 시대의 일하는 방식 변화와 맞물린 변화입니다. 앞으로 전시, 교육, 업무 공간도 더 많이 “반응하는 시스템”으로 바뀔 가능성이 큽니다.

FAQ

DATALAND는 어디에 있나요?

DATALAND는 미국 로스앤젤레스 다운타운의 The Grand LA, 100 S Grand Ave에 있습니다. 공식 사이트 기준 화요일부터 일요일까지 운영하며 월요일은 휴관입니다.

DATALAND의 첫 전시는 무엇인가요?

첫 전시는 Refik Anadol Studio의 Machine Dreams: Rainforest입니다. 공식 전시 페이지는 이 전시를 열대우림 생태계의 지능을 몰입형 이미지, 소리, 향기, 상호작용으로 번역하는 프로젝트로 설명합니다.

DATALAND는 단순한 미디어아트 전시와 무엇이 다른가요?

관람객의 움직임과 생체 신호, 공간 정보가 실시간으로 작품에 반영된다는 점이 다릅니다. 정해진 영상을 반복 재생하는 전시보다, AI와 관람객의 상호작용을 전시 구조 안에 넣은 미술관에 가깝습니다.

공식 이미지를 사용할 때 주의할 점은 무엇인가요?

공식 사이트와 Google 공식 블로그의 이미지는 출처와 크레딧을 명확히 표시해 소개·비평 목적으로 제한적으로 활용하는 것이 안전합니다. 상업적 재사용이나 2차 가공은 각 원 출처의 이용 조건을 별도로 확인해야 합니다.

참고자료

• MBC America News 유튜브 원본
• DATALAND 공식 사이트
• DATALAND 공식 전시 페이지: Machine Dreams: Rainforest
• Google 공식 블로그: Powering the world’s first AI arts museum
• Related Companies 보도자료: DATALAND opens to the public

인공지능이 똑똑해지는 속도보다 더 중요한 질문이 있습니다. AGI가 정말 몇 년 안에 온다면, 우리는 무엇을 준비해야 할까라는 질문입니다.

최근 독서연구소 영상은 구글 딥마인드 CEO 데미스 하사비스의 발언과 초지능 위험론을 연결해, AGI와 특이점 논의가 더 이상 공상과학의 소재만은 아니라고 말합니다. 다만 이 주제를 볼 때는 두 가지를 구분해야 합니다. 하나는 “AGI가 언제 오느냐”라는 예측이고, 다른 하나는 “그 가능성에 대비해 어떤 제도와 습관을 만들 것인가”라는 준비입니다.

영상은 AGI와 특이점이 더 이상 먼 미래의 이야기만은 아니라고 문제를 제기한다.

AGI 3~4년 전망은 ‘정답’이 아니라 시간표의 변화다

영상의 출발점은 강한 문장입니다. “우리는 지금 특이점 근처에 있다. AGI, 즉 일반 인공지능은 3~4년 안에 이루어질 것이다.” 이런 문장은 사람을 쉽게 둘로 나눕니다. 한쪽은 “과장이다”라고 말하고, 다른 한쪽은 “곧 모든 것이 끝난다”고 말합니다.

하지만 블로그 독자에게 필요한 관점은 양극단이 아닙니다. 예측의 정확도보다 중요한 것은 예측이 당겨지고 있다는 사실입니다. Stanford GSB 인터뷰와 The Verge 보도에 따르면 하사비스는 Google I/O 맥락에서 지금을 “특이점의 산기슭”에 비유했습니다. 이 표현은 AGI가 이미 완성됐다는 뜻이 아닙니다. 다만 AI 연구자와 기업 리더들이 기술 발전의 다음 단계를 훨씬 가까운 시간표로 이야기하기 시작했다는 신호입니다.

AGI 도래 시점 전망은 사람과 기관마다 다르지만, 최근 논의의 시간축은 확실히 짧아졌다.

여기서 한 가지 사실관계는 바로잡아야 합니다. 영상 자막에는 하사비스가 “2014년 노벨 화학상”을 받았다는 식의 표현이 보이지만, NobelPrize.org의 공식 기록은 2024년 노벨 화학상입니다. 데미스 하사비스와 존 점퍼는 AlphaFold를 통한 단백질 구조 예측 공로로 수상했습니다. 이 점이 중요한 이유는, 그의 AGI 발언이 단순한 홍보 문구가 아니라 실제 과학적 성과를 낸 연구 조직의 책임자 발언이라는 점 때문입니다.

특이점 논의의 핵심은 ‘기술 낙관’과 ‘통제 가능성’의 충돌이다

특이점이라는 말은 종종 신비롭게 들립니다. 그러나 실무적으로 번역하면 훨씬 단순합니다. AI가 인간의 도움 없이 연구·개발·실험·코딩·전략 수립 능력을 빠르게 개선하기 시작하면, 인간 사회가 그 변화를 따라잡기 어려워질 수 있다는 뜻입니다.

영상은 이 지점을 초지능 위험론과 연결합니다. 유드코스키와 네이트 소아레스의 『If Anyone Builds It, Everyone Dies』는 초지능 AI가 인간을 미워해서가 아니라, 목표를 수행하는 과정에서 인간의 생존을 고려하지 않을 수 있다는 점을 강조합니다. 출판사 소개 역시 이 책을 “초인간 AI 개발 경쟁이 인류를 멸종 경로로 밀어 넣을 수 있다”는 경고로 설명합니다.

핵심 쟁점은 AI가 똑똑해지는 속도보다 인간이 안전하게 통제할 수 있느냐에 있다.

물론 이 주장은 AI 업계 전체의 합의가 아닙니다. 일부 연구자는 초지능 위험을 가장 중요한 문명 위험으로 보고, 다른 연구자는 단기적으로는 일자리, 저작권, 허위정보, 권력 집중, 보안 사고가 더 시급하다고 봅니다. 따라서 좋은 독해법은 “맞다/틀리다”가 아닙니다. 가능성은 낮아도 피해가 극단적으로 큰 위험과, 이미 현실화된 단기 위험을 동시에 관리해야 한다는 균형입니다.

AI 2027 같은 시나리오가 주는 의미

추가로 볼 만한 자료는 AI Futures Project의 AI 2027 시나리오입니다. 이 자료는 하나의 예언서가 아니라, 빠른 AI 발전이 연구 자동화, 보안 경쟁, 정책 압박, 기업 간 속도 경쟁을 어떻게 키울 수 있는지 보여주는 사고 실험에 가깝습니다.

이런 시나리오가 유용한 이유는 날짜를 맞히기 위해서가 아닙니다. 조직과 개인이 “만약 AI 능력이 지금보다 10배 더 강해지고, 비용은 더 낮아지고, 누구나 에이전트형 도구를 쓰게 된다면 무엇이 취약해질까”를 미리 점검하게 만들기 때문입니다.

기업이라면 다음 질문을 던져야 합니다.

• 핵심 업무 지식이 일부 사람의 머릿속에만 있는가?
• AI가 만든 결과물을 검증하는 기준이 있는가?
• 보안·개인정보·저작권 책임자가 AI 사용 흐름을 알고 있는가?
• 구성원이 AI를 금지된 도구가 아니라 통제 가능한 협업 도구로 쓰고 있는가?
• 빠른 자동화가 고객 신뢰와 품질을 해치지 않도록 중간 점검 장치가 있는가?

초지능을 두려워하기 전에, 먼저 ‘AI와 일하는 능력’을 만들어야 한다

영상의 후반부에서 가장 실용적인 메시지는 “작업할 때 항상 AI를 초대한다”는 문장입니다. 이 말은 모든 판단을 AI에게 맡기라는 뜻이 아닙니다. 오히려 반대입니다. AI를 옆에 두되, 인간이 문제를 정의하고, 답을 검토하고, 맥락을 보완하는 훈련을 반복하라는 뜻입니다.

공포만으로는 부족하다. 개인과 조직은 AI를 실제 업무의 협업 대상으로 다루는 훈련이 필요하다.

AGI 논의가 멀게 느껴진다면 이렇게 바꿔 생각해도 됩니다. “3~4년 뒤 AGI가 오느냐”보다 더 가까운 질문은 “올해 안에 내 업무의 절반 이상이 AI와 함께 수행되는가”입니다. 이 질문에는 이미 많은 사람이 “그렇다”고 답할 수 있습니다.

개인에게 필요한 준비는 세 가지입니다.

1. 질문력: AI에게 맡길 문제와 사람이 직접 판단해야 할 문제를 구분하는 능력.
2. 검증력: 그럴듯한 답을 사실, 출처, 수치, 맥락으로 다시 확인하는 능력.
3. 재설계력: 기존 업무 절차를 AI 협업에 맞게 다시 짜는 능력.

이 세 가지는 코딩 직군만의 역량이 아닙니다. 기획, HR, 교육, 마케팅, 행정, 연구, 영업 모두에게 필요한 기본 문해력입니다.

그래서 우리는 무엇을 해야 하나

AGI와 특이점 담론을 읽을 때 가장 위험한 태도는 두 가지입니다. 하나는 “전부 과장”이라며 무시하는 것이고, 다른 하나는 “곧 끝장”이라며 손을 놓는 것입니다.

현실적인 태도는 중간에 있습니다. 기술 발전의 속도는 진지하게 받아들이되, 공포를 실행 가능한 체크리스트로 바꾸는 것입니다.

개인과 조직은 지금부터 다음 네 가지를 시작해야 합니다.

• AI 사용 원칙을 문서화한다.
• 중요한 의사결정에는 사람의 검토 단계를 남긴다.
• 반복 업무는 AI와 함께 재설계한다.
• AI가 틀렸을 때 손실이 커지는 영역부터 통제 장치를 만든다.

초지능이 실제로 몇 년 안에 올지는 아무도 확정할 수 없습니다. 그러나 AI가 일과 학습의 기본 인프라가 되는 흐름은 이미 시작됐습니다. 따라서 가장 좋은 준비는 공포를 소비하는 것이 아니라, AI를 안전하게 쓰는 습관과 조직 운영체계를 먼저 만드는 것입니다.

함께 읽어볼 글

• 초지능 AI 위험, 『If Anyone Builds It, Everyone Dies』가 던지는 가장 불편한 질문
• AI 시대의 메타인지: 똑똑한 답보다 중요한 ‘내 생각 점검법’
• 에이전틱 AI 시대, 기업과 개인은 무엇을 바꿔야 살아남을까
• 최태원이 말한 AI 시대 미래 인재: 생각하는 힘과 AI 네이션 전략

참고자료

• 원본 영상: 독서연구소, AGI 3~4년 안에 이루어진다 — 영상 원천
• The Verge, Google I/O에서 하사비스가 말한 “foothills of the singularity” — 보도
• Stanford GSB, Demis Hassabis 인터뷰 — 인터뷰
• NobelPrize.org, Demis Hassabis Facts — 공식 약력
• NobelPrize.org, 2024 Chemistry Prize press release — 공식 발표
• Penguin Books, If Anyone Builds It, Everyone Dies — 출판사 책 소개
• AI 2027, research-backed scenario forecast — 시나리오
• Anthropic, updated Responsible Scaling Policy — AI 안전 거버넌스

FAQ

AGI는 정확히 무엇인가요?

AGI는 특정 과제만 잘하는 좁은 AI가 아니라, 다양한 영역에서 인간 수준 또는 그 이상의 일반 문제 해결 능력을 보이는 인공지능을 뜻합니다. 다만 연구자마다 정의와 판정 기준은 다릅니다.

특이점은 이미 시작됐다는 뜻인가요?

아닙니다. “특이점의 산기슭”이라는 표현은 AI 발전이 매우 빠르게 진행되고 있다는 비유에 가깝습니다. AGI가 이미 완성됐다는 뜻으로 읽기보다는, 준비 시간이 짧아지고 있다는 신호로 보는 편이 안전합니다.

초지능 AI 위험론은 과장인가요?

일부 주장은 매우 강한 경고에 가깝습니다. 그러나 피해 규모가 극단적으로 클 수 있는 위험은 낮은 확률이라도 관리해야 합니다. 동시에 일자리, 보안, 허위정보, 개인정보 같은 단기 위험도 함께 봐야 합니다.

개인은 지금 무엇부터 해야 하나요?

AI 도구를 무작정 많이 쓰기보다, 질문을 잘게 나누고 결과를 검증하며 업무 절차를 재설계하는 연습부터 시작하는 것이 좋습니다. 핵심은 AI 사용량이 아니라 검증 가능한 협업 방식입니다.

바이브 코딩을 시작하면 곧 낯선 단어들이 몰려옵니다. React, Next.js, API, CSR, SSR, NPM, 빌드, 번들링…. 처음에는 전부 외워야 할 것처럼 보입니다.

그런데 실제로 중요한 것은 단어 암기가 아닙니다. “이 기술이 왜 생겼는가”를 아는 것입니다. 그래야 AI가 짜준 코드가 어디에서 동작하고, 무엇을 고쳐 달라고 해야 하는지 감이 잡힙니다.

이 글은 양실장의 바이브코딩대학 영상 「비개발자 바이브코더를 위해 만든, 가볍게 들어도 깊게 남는 프론트엔드 기본 지식」을 바탕으로, 초보자가 먼저 알아야 할 프론트엔드 개념을 쉬운 말로 정리한 글입니다.

1. 인터넷과 웹은 다르다

가장 먼저 헷갈리는 말이 인터넷과 웹입니다.

인터넷은 전 세계 컴퓨터를 연결한 거대한 통신망입니다. 도로, 전기망, 수도관처럼 기반 시설에 가깝습니다. 반면 웹은 그 인터넷 위에서 문서를 주고받고, 링크를 따라 이동하게 만든 서비스입니다.

쉽게 말하면 이렇습니다.

• 인터넷: 컴퓨터들이 서로 연결되는 길
• 웹: 그 길 위에서 문서와 화면을 주고받는 서비스
• 브라우저: 웹을 보기 위해 사용하는 앱

그래서 “웹사이트를 만든다”는 말은 인터넷 자체를 만드는 것이 아닙니다. 인터넷이라는 기반 위에서 사용자가 볼 수 있는 문서와 기능을 설계한다는 뜻입니다.

2. 웹의 출발은 문서와 링크였다

웹은 처음부터 지금처럼 복잡하지 않았습니다. 팀 버너스리가 만든 초기 웹의 핵심은 연구 문서를 서로 연결하는 것이었습니다. 문서 안의 특정 단어를 누르면 다른 문서로 이동하는 방식, 즉 하이퍼링크가 핵심이었습니다.

이때 필요한 기본 기술이 세 가지였습니다.

1. HTML: 문서의 구조를 표시하는 언어
2. URL: 문서의 주소
3. HTTP: 브라우저와 서버가 문서를 주고받는 약속

이 세 가지는 지금도 웹의 뿌리입니다. React나 Next.js를 쓰더라도 결국 브라우저는 HTML을 해석하고, URL로 위치를 찾고, HTTP로 데이터를 주고받습니다.

3. HTML은 뼈대, CSS는 옷, JavaScript는 행동이다

초보자가 프론트엔드를 이해할 때 가장 쉬운 비유는 사람입니다.

HTML은 뼈대입니다. 제목, 문단, 이미지, 버튼, 입력창처럼 화면에 무엇이 있는지를 정합니다.

CSS는 옷과 분위기입니다. 색상, 크기, 위치, 간격, 글꼴처럼 어떻게 보일지를 담당합니다.

JavaScript는 행동입니다. 버튼을 눌렀을 때 메뉴가 열리고, 입력값이 검사되고, 장바구니 수량이 바뀌는 동작을 만듭니다.

처음 웹은 거의 문서에 가까웠습니다. 예쁘게 꾸미는 문제 때문에 CSS가 필요해졌고, 사용자의 클릭과 입력에 반응해야 하면서 JavaScript가 중요해졌습니다.

4. 브라우저는 코드를 그림으로 바꾼다

프론트엔드 코드는 사람이 보는 화면이 아닙니다. 브라우저가 해석해야 하는 재료입니다.

브라우저는 대략 이런 과정을 거칩니다.

1. HTML과 CSS를 읽는다.
2. 화면에 어떤 요소가 있는지 구조를 만든다.
3. 각 요소의 크기와 위치를 계산한다.
4. 픽셀로 칠해서 화면에 보여준다.

이 과정을 렌더링이라고 합니다. 화면의 요소가 바뀌면 브라우저는 다시 계산해야 합니다. 위치 계산이 다시 일어나는 일을 리플로우라고 부르고, 다시 그리는 일을 리페인트라고 부릅니다.

이 개념을 알면 AI에게 더 구체적으로 말할 수 있습니다. “버튼 색을 바꿔 줘”와 “버튼을 누를 때 레이아웃이 흔들리지 않도록 수정해 줘”는 전혀 다른 요청입니다.

5. jQuery와 React는 서로 다른 문제를 풀었다

예전에는 브라우저마다 JavaScript 동작 방식이 조금씩 달랐습니다. 개발자는 같은 기능을 여러 브라우저에서 맞추느라 고생했습니다. 이 문제를 쉽게 만들어 준 도구가 jQuery였습니다. DOM 조작을 더 간단하고 일관되게 해준 것입니다.

그 뒤 웹은 더 복잡해졌습니다. 단순히 버튼 하나를 움직이는 수준이 아니라, 로그인 상태, 장바구니, 알림, 실시간 데이터처럼 화면 전체가 계속 변하게 됐습니다.

React는 이 복잡성을 “상태” 중심으로 다루게 해줍니다. 상태란 화면이 기억해야 하는 현재 값입니다. 예를 들어 로그인 여부, 장바구니 개수, 선택된 탭, 검색어 같은 것입니다.

React식 사고는 이렇습니다.

• 상태가 바뀐다.
• 화면은 그 상태에 맞게 다시 그려진다.
• 같은 UI 조각은 컴포넌트로 재사용한다.

바이브 코딩에서 React 코드를 자주 만나는 이유도 여기에 있습니다. 요즘 웹앱은 상태가 많고, 재사용할 UI가 많기 때문입니다.

6. Node.js와 NPM은 프론트엔드를 ‘생태계’로 만들었다

JavaScript는 원래 브라우저 안에서만 움직이는 언어였습니다. 그런데 Node.js가 등장하면서 JavaScript를 서버나 개발 도구에서도 실행할 수 있게 됐습니다.

NPM은 JavaScript 패키지를 설치하고 관리하는 도구입니다. 패키지는 누군가 만들어 둔 코드 묶음입니다. 우리가 직접 모든 기능을 만들지 않고도 날짜 처리, 화면 구성, 아이콘, 빌드 도구를 가져다 쓸 수 있게 해줍니다.

초보자에게 NPM은 조금 무섭게 느껴질 수 있습니다. 하지만 핵심은 간단합니다.

• Node.js: JavaScript를 브라우저 밖에서도 실행하게 해주는 환경
• NPM: 필요한 코드 묶음을 설치하고 관리하는 창고
• package.json: 이 프로젝트가 어떤 패키지에 의존하는지 적어 둔 목록

7. 빌드는 개발용 코드를 배포용 코드로 정리하는 과정이다

요즘 프론트엔드 프로젝트에는 파일이 많습니다. JavaScript, TypeScript, CSS, 이미지, 폰트, 라이브러리가 함께 들어갑니다. 이 상태 그대로 브라우저에 던지면 비효율적입니다.

그래서 빌드가 필요합니다. 빌드는 개발자가 작업하기 좋은 코드를 사용자가 빠르게 볼 수 있는 코드로 정리하는 과정입니다.

대표적인 작업은 다음과 같습니다.

• 트랜스파일링: 최신 문법을 더 넓은 브라우저가 이해할 수 있게 바꾼다.
• 번들링: 여러 파일을 적절히 묶는다.
• 트리쉐이킹: 실제로 쓰지 않는 코드를 덜어낸다.
• 최적화: 파일 크기를 줄이고 로딩 속도를 높인다.

AI에게 “빌드 오류를 고쳐 줘”라고만 말하면 범위가 너무 넓습니다. “NPM 패키지 충돌인지, TypeScript 변환 오류인지, 번들링 단계 오류인지 확인해 줘”라고 말하면 훨씬 정확한 답을 받을 수 있습니다.

8. MPA와 SPA는 페이지를 바꾸는 방식이 다르다

전통적인 웹사이트는 페이지를 이동할 때마다 서버에서 새 HTML을 받아왔습니다. 이것을 MPA, 즉 Multi Page Application이라고 부릅니다.

반면 SPA는 처음에 앱 껍데기를 받아온 뒤, 필요한 데이터만 주고받으며 화면을 바꿉니다. 페이지 전체가 매번 새로고침되지 않기 때문에 앱처럼 부드럽게 느껴집니다.

둘 중 하나가 무조건 좋은 것은 아닙니다.

• MPA: 구조가 단순하고 검색엔진이 이해하기 쉽다.
• SPA: 사용자 경험이 부드럽지만 초기 로딩과 SEO가 어려울 수 있다.

바이브 코딩으로 웹앱을 만들 때 “왜 화면은 바뀌는데 주소는 그대로인가”, “왜 검색엔진에 잘 안 잡히는가” 같은 문제가 생긴다면 이 차이를 떠올리면 됩니다.

9. CSR, SSR, 하이드레이션은 ‘누가 먼저 그리느냐’의 문제다

CSR은 Client Side Rendering입니다. 브라우저가 JavaScript를 받아서 화면을 그리는 방식입니다. 사용자는 처음에 빈 화면을 잠깐 볼 수 있고, 검색엔진도 내용을 늦게 이해할 수 있습니다.

SSR은 Server Side Rendering입니다. 서버가 미리 HTML을 만들어서 브라우저에 보내는 방식입니다. 첫 화면이 빠르게 보이고 검색엔진에도 유리합니다.

하이드레이션은 서버가 먼저 그려 준 HTML에 JavaScript 기능을 붙이는 과정입니다. 겉으로 보이는 화면은 이미 있지만, 버튼 클릭이나 상태 변경 같은 상호작용을 나중에 연결하는 것입니다.

Next.js 같은 프레임워크가 주목받는 이유도 여기에 있습니다. 페이지 성격에 따라 CSR, SSR, 정적 생성 같은 방식을 섞어 쓸 수 있기 때문입니다.

10. API는 프론트엔드와 백엔드 사이의 약속이다

프론트엔드는 사용자가 보는 화면을 담당합니다. 백엔드는 데이터 저장, 인증, 결제, 권한 같은 뒤쪽 일을 맡습니다. 둘 사이에는 데이터를 주고받는 약속이 필요합니다. 이것이 API입니다.

예를 들어 사용자가 로그인 버튼을 누르면 프론트엔드는 백엔드에 “이 아이디와 비밀번호가 맞나요?”라고 요청합니다. 백엔드는 결과를 돌려줍니다. 프론트엔드는 그 결과에 따라 화면을 바꿉니다.

초보자는 API를 “화면과 데이터 창고 사이의 주문서”로 이해하면 됩니다. 어떤 주소로, 어떤 형식의 데이터를 보내고, 어떤 응답을 받을지 정한 약속입니다.

바이브 코딩 초보자가 기억할 핵심 체크리스트

프론트엔드 용어가 쏟아질 때는 아래 질문으로 정리하면 좋습니다.

1. 이 기술은 구조, 디자인, 동작, 데이터 중 무엇을 다루는가?
2. 이 문제는 브라우저에서 생긴 문제인가, 서버에서 생긴 문제인가?
3. 화면이 느린 문제인가, 데이터가 안 오는 문제인가, 상태가 꼬인 문제인가?
4. 지금 필요한 것은 기능 구현인가, 빌드 오류 해결인가, 배포 최적화인가?
5. AI에게 요청할 때 문제 위치와 기대 결과를 함께 말했는가?

이 다섯 가지를 구분하면 프롬프트가 달라집니다. “잘 안 돼요”가 아니라 “React 상태가 바뀌었는데 화면이 갱신되지 않습니다. 원인을 찾아 주세요”라고 말할 수 있습니다.

함께 읽으면 좋은 글

• 바이브 코딩 입문자가 막히는 이유, 코딩보다 먼저 알아야 할 IT 지도
• AI 시대의 메타인지: 똑똑한 답보다 중요한 ‘내 생각 점검법’
• AI 네이티브 전환법: 디지털 두뇌와 AI 에이전트로 일하는 방식 바꾸기
• 에이전틱 AI 시대, 기업과 개인은 무엇을 바꿔야 살아남을까

FAQ

바이브 코딩을 하려면 프론트엔드를 꼭 배워야 하나요?

전문 개발자처럼 모든 문법을 외울 필요는 없습니다. 다만 HTML, CSS, JavaScript, API, 렌더링 방식 같은 기본 개념을 알면 AI에게 훨씬 정확한 요청을 할 수 있습니다.

React와 Next.js는 같은 건가요?

같지 않습니다. React는 UI를 만들기 위한 라이브러리이고, Next.js는 React를 기반으로 라우팅, 서버 렌더링, 정적 생성, 배포 구조까지 더 넓게 다루는 프레임워크입니다.

CSR과 SSR은 왜 중요한가요?

화면을 브라우저가 그리느냐, 서버가 먼저 그려 보내느냐의 차이입니다. 초기 로딩 속도, 검색엔진 노출, 사용자 경험에 영향을 줍니다.

빌드 오류가 나면 무엇부터 봐야 하나요?

먼저 오류가 패키지 설치 문제인지, 문법 변환 문제인지, 타입 검사 문제인지, 번들링 문제인지 나눠 봐야 합니다. 그다음 오류 메시지와 실행한 명령어를 함께 AI에게 알려 주면 좋습니다.

초보자가 가장 먼저 익혀야 할 프론트엔드 개념은 무엇인가요?

HTML·CSS·JavaScript의 역할, 브라우저 렌더링, 상태, API, 빌드, CSR·SSR의 차이를 먼저 잡는 것이 좋습니다. 이 개념들이 잡히면 React나 Next.js 문서도 덜 낯설게 보입니다.

참고자료

• 양실장의 바이브코딩대학, 비개발자 바이브코더를 위해 만든 프론트엔드 기본 지식
• MDN Web Docs, HTML 기본
• MDN Web Docs, CSS 기본
• MDN Web Docs, JavaScript 기본
• Next.js 공식 문서, Rendering

프론트엔드는 외울 단어가 많은 분야처럼 보이지만, 실제로는 웹이 겪어 온 문제 해결의 역사에 가깝습니다. 문서를 연결하던 웹이 디자인을 입고, 상호작용을 얻고, 앱처럼 움직이고, 다시 검색성과 속도를 고민하게 된 흐름입니다.

바이브 코딩 입문자에게 필요한 것도 바로 이 흐름입니다. 흐름을 알면 AI가 만든 코드를 더 잘 읽고, 더 구체적으로 질문하고, 더 안전하게 수정할 수 있습니다.

앤트로픽의 ‘미토스(Mythos)’ 이슈는 새로운 AI 모델이 나왔다는 뉴스로만 보기 어렵습니다. 핵심은 더 차갑습니다. 이제 최상위 AI 모델은 클라우드 서비스이면서 동시에 전략자산입니다.

반도체 장비나 첨단 GPU처럼, 모델 접근권 자체가 외교와 안보의 대상이 되고 있습니다. 한국도 이 변화를 남의 나라 규제 뉴스로만 넘기기 어렵습니다.

미토스 이슈의 핵심은 무엇인가

앤트로픽은 Claude Mythos 5를 사이버보안과 생물학 연구에 강한 모델로 소개했습니다. Project Glasswing을 통해 핵심 소프트웨어의 취약점을 찾고 방어하는 데 활용하겠다는 구상이었습니다.

공식 설명에 따르면 초기 파트너들은 Mythos Preview를 활용해 중요 소프트웨어에서 1만 건이 넘는 고위험 또는 치명적 취약점을 찾았습니다. 방어 목적이라면 매우 매력적인 결과입니다.

문제는 같은 능력이 공격에도 쓰일 수 있다는 점입니다. 취약점을 빨리 찾는 모델은 방어팀의 무기이기도 하지만, 통제가 무너지면 공격자의 무기가 될 수도 있습니다.

그래서 미토스는 처음부터 제한된 파트너에게만 제공됐습니다. 그리고 미국 정부가 Fable 5와 Mythos 5에 대한 외국인 접근 중단 지침을 내리면서, 이 이슈는 기술 뉴스에서 국가 전략 뉴스로 바뀌었습니다.

왜 ‘AI도 전략자산’이라는 말이 나왔나

미국 정부의 지침은 최첨단 AI 모델 접근권이 국가안보 판단의 대상이 될 수 있음을 보여줬습니다. 반도체 수출통제와 비슷한 흐름이 모델 자체로 이동한 셈입니다.

여기서 중요한 변화가 하나 있습니다. 과거에는 연산자원, 칩, 장비가 병목이었습니다. 앞으로는 모델 가중치, API 접근권, 안전장치 해제 여부, 데이터 보존 조건까지 통제 대상이 될 수 있습니다.

기업 입장에서는 더 복잡합니다. 어제까지 쓸 수 있던 모델이 오늘 갑자기 막힐 수 있습니다. 공공기관, 금융, 의료, 국방, 연구개발처럼 고위험 영역에서는 이 문제가 단순한 불편을 넘어 운영 리스크가 됩니다.

한국이 봐야 할 세 가지 위험

1. 해외 모델 의존 리스크

한국 기업과 공공기관은 글로벌 AI 모델을 빠르게 도입해 왔습니다. 생산성 측면에서는 자연스러운 선택입니다. 하지만 핵심 업무가 특정 해외 모델에 깊게 묶이면, 공급 중단이나 접근 제한이 곧 업무 중단으로 이어질 수 있습니다.

특히 행정, 국방, 보안, 의료, 에너지, 금융처럼 국가 기능과 연결된 영역은 별도 기준이 필요합니다. 모든 AI를 국산으로만 쓰자는 뜻은 아닙니다. 다만 끊기면 안 되는 영역은 대체 경로를 갖춰야 합니다.

2. 보안 모델의 양면성

미토스가 보여준 가장 어려운 질문은 이것입니다. “강력한 보안 AI를 넓게 풀수록 세상은 더 안전해질까, 더 위험해질까?”

취약점 탐지 AI는 방어팀에 큰 힘이 됩니다. 그러나 검증, 공개, 패치 속도가 따라오지 못하면 취약점 목록만 빠르게 쌓일 수 있습니다. 앤트로픽도 취약점 발견 이후에는 검증과 공개, 패치가 병목이 된다고 설명했습니다.

한국도 AI 보안 역량을 키울 때 탐지 모델만 보면 안 됩니다. 취약점 조정 공개, 패치 책임, 공급망 대응, 사고 대응 훈련이 함께 설계돼야 합니다.

3. 소버린 AI의 현실성 문제

소버린 AI는 멋진 구호로 끝나면 안 됩니다. 한국어 모델 하나를 만드는 문제도 아닙니다. 공공 데이터 거버넌스, 국내 컴퓨팅 인프라, 고위험 AI 평가, 산업별 표준, 조달 제도까지 묶여야 합니다.

한국은 AI 기본법 시행, 국가 AI위원회, AI 안전연구소, 국가 AI컴퓨팅센터 같은 제도와 인프라를 준비하고 있습니다. 방향은 맞습니다. 다만 미토스 이슈는 속도를 더 요구합니다.

한국의 미래 전략: ‘모델 확보’보다 ‘통제 가능한 AI 체계’가 먼저다

한국의 대응은 단순히 “우리도 초거대 모델을 만들자”에서 끝나면 부족합니다. 더 중요한 질문은 “어떤 영역에서, 어떤 수준의 통제권을, 어떤 비용으로 확보할 것인가”입니다.

첫째, 국가 핵심 영역의 AI 의존도를 분류해야 한다

공공기관과 기간산업은 사용 중인 AI 서비스를 업무 중요도별로 나눠야 합니다. 단순 문서 작성 도구와 사이버보안·의료·행정 의사결정 보조 도구를 같은 기준으로 볼 수 없습니다.

핵심 영역에는 최소한 세 가지 조건이 필요합니다. 대체 가능한 모델, 국내 또는 신뢰권역 내 추론 경로, 장애 시 수동 운영 절차입니다.

둘째, 한국형 AI 안전평가 체계를 실전형으로 바꿔야 한다

AI 안전평가는 문서 심사로 끝나면 안 됩니다. 사이버보안, 생물학, 금융사기, 허위정보, 개인정보 유출처럼 실제 피해가 큰 영역에서는 레드팀 평가와 반복 테스트가 필요합니다.

특히 고성능 모델의 경우 “사용 금지”와 “무제한 개방” 사이에 여러 단계가 있어야 합니다. 제한된 파트너 접근, 사용 로그 보존, 고위험 질의 라우팅, 독립 평가, 사고 보고 체계가 함께 움직여야 합니다.

셋째, 국가 AI컴퓨팅센터는 연구 인프라를 넘어 전략 인프라가 돼야 한다

정부는 최대 2조 원 규모의 국가 AI컴퓨팅센터 구축을 추진하고 있습니다. 이 인프라는 단순히 GPU를 빌려주는 시설이 아니라, 한국형 모델과 안전평가, 공공 AI 실증을 연결하는 기반이 되어야 합니다.

중요한 것은 접근성입니다. 대기업만 쓰는 인프라가 되면 산업 전체의 회복력은 커지지 않습니다. 대학, 스타트업, 보안 연구기관, 공공기관이 실제로 쓸 수 있는 구조가 필요합니다.

넷째, 국제 협력은 하되 ‘차단 시나리오’를 전제로 해야 한다

한국이 모든 AI 기술을 혼자 만들 수는 없습니다. 미국, 유럽, 일본, 싱가포르 등과의 협력은 계속 필요합니다. 다만 협력은 의존과 다릅니다.

계약서에는 데이터 위치, 모델 접근 중단, 긴급 패치, 대체 모델 전환, 감사권 조항이 들어가야 합니다. 공공 조달에서도 “성능이 가장 좋은 모델”만 볼 것이 아니라 “위기 때 운영 가능한 모델”을 봐야 합니다.

기업과 개인은 무엇을 확인해야 하나

기업은 지금 쓰는 AI 도구를 목록화해야 합니다. 어떤 업무가 어떤 모델에 연결되어 있는지, 데이터가 어디에 저장되는지, 서비스가 중단되면 며칠 안에 대체 가능한지 확인해야 합니다.

개인은 더 단순하게 볼 수 있습니다. AI를 잘 쓰는 능력은 중요합니다. 하지만 특정 모델의 답을 그대로 믿는 습관은 위험합니다. AI 시대에는 프롬프트보다 먼저 자기 언어와 판단 기준을 갖추는 일이 중요합니다.

관련해서는 Thinknote의 AI 시대, 프롬프트보다 먼저 배워야 할 것은 ‘나의 언어’다와 AI 시대의 메타인지: 똑똑한 답보다 중요한 ‘내 생각 점검법’도 함께 읽어볼 만합니다.

AI 에이전트 흐름이 궁금하다면 AI Agent Evolution: What OpenClaw Shows About the Next Step Beyond Chatbots와 AI-Native Workflows도 연결해서 볼 수 있습니다.

결론: 한국의 AI 전략은 ‘접근권의 정치’를 준비해야 한다

미토스 이슈가 남긴 메시지는 분명합니다. 앞으로 AI 경쟁은 성능 경쟁만이 아닙니다. 누가 모델에 접근할 수 있는가, 누가 안전장치를 조정할 수 있는가, 누가 장애 상황에서도 서비스를 유지할 수 있는가의 경쟁입니다.

한국은 글로벌 모델을 쓰되, 핵심 영역에서는 통제 가능한 대안을 가져야 합니다. 소버린 AI는 고립이 아니라 보험입니다. 그리고 그 보험은 모델, 데이터, 컴퓨팅, 안전평가, 조달 제도가 함께 움직일 때만 작동합니다.

FAQ

앤트로픽 미토스는 일반인이 쓸 수 있는 AI인가요?

아닙니다. 앤트로픽은 Mythos 5를 사이버보안과 생물학 연구에 강한 제한 접근 모델로 설명했습니다. 일반 지식 업무용으로는 별도 안전장치를 둔 Fable 5를 공개하려 했지만, 이 모델 역시 미국 정부 지침 이후 접근이 중단됐습니다.

미토스 이슈가 한국 기업에 바로 영향을 주나요?

모든 기업에 즉시 영향을 주는 것은 아닙니다. 다만 핵심 업무를 해외 최상위 AI 모델에 의존하는 기업에는 경고 신호입니다. 접근권, 데이터 위치, 대체 모델, 장애 대응 계획을 점검해야 합니다.

소버린 AI는 해외 AI를 쓰지 말자는 뜻인가요?

그렇지 않습니다. 소버린 AI의 핵심은 필요한 영역에서 통제권과 선택권을 확보하는 것입니다. 글로벌 AI를 활용하되, 공공·안보·산업 핵심 영역에서는 대체 가능성과 국내 운영 역량을 갖춰야 합니다.

한국 정부는 이미 무엇을 준비하고 있나요?

AI 기본법 시행, 국가 AI위원회, AI 안전연구소, 국가 AI컴퓨팅센터 등이 준비되고 있습니다. 특히 국가 AI컴퓨팅센터는 국내 AI 연구와 산업 활용을 위한 핵심 인프라로 추진되고 있습니다.

개인은 무엇을 준비하면 좋을까요?

특정 모델 하나에만 의존하지 않는 습관이 중요합니다. 중요한 판단은 여러 출처로 확인하고, AI가 제시한 답을 자기 언어로 다시 설명해보는 훈련이 필요합니다.

참고자료

• Anthropic, Claude Mythos
• Anthropic, Statement on the US government directive to suspend access to Fable 5 and Mythos 5
• Anthropic, Claude Fable 5 and Claude Mythos 5
• Anthropic, Project Glasswing: Securing critical software for the AI era
• Anthropic, Project Glasswing: An initial update
• 대한민국 정책브리핑, 2조 규모 국가 AI컴퓨팅센터 구축
• 과학기술정보통신부, AI Basic Act passed at the National Assembly
• 노컷뉴스, 미국의 앤트로픽 차단이 던진 경고

서울시가 서울런 회원을 대상으로 생성형 AI 서비스 지원을 시작합니다. 핵심은 간단합니다. 고등학생 이상 서울런 참여 학생 가운데 선착순 1,000명을 모집해, 유료 생성형 AI 서비스를 별도 가입이나 구독료 부담 없이 이용할 수 있도록 지원하는 방식입니다.

요즘 학습에서 AI는 단순한 검색 도구를 넘어섰습니다. 글을 요약하고, 문제 풀이 방향을 잡고, 영어 문장을 다듬고, 진로 탐색 질문까지 도와주는 보조 학습 도구가 됐습니다. 다만 유료 AI 서비스는 학생에게 비용 부담이 될 수 있습니다. 이번 서울런 AI 지원은 그 장벽을 낮추는 데 초점이 있습니다.

서울런 생성형 AI 서비스 지원이란?

서울런 생성형 AI 서비스 지원은 서울런에 참여하는 학생들이 최신 인공지능 서비스를 학습에 활용할 수 있도록 돕는 프로그램입니다. 이미지 안내에 따르면 지원 대상자는 챗GPT, 클로드, 제미나이, 퍼플렉시티 등을 포함한 총 9종의 유료 생성형 AI를 무료로 이용할 수 있습니다.

단순히 AI 계정을 나눠주는 성격이라기보다, 학습 격차를 줄이고 AI 활용 경험을 넓히려는 교육 지원 사업에 가깝습니다. 특히 고등학생 이상이라면 과제, 입시 준비, 자기소개서 초안, 진로 탐색, 외국어 학습 등에서 AI를 활용할 일이 많습니다.

모집기간과 지원기간

이미지에 표시된 주요 일정은 다음과 같습니다.

지원기간이 2027년 2월까지로 안내되어 있어, 선정되면 한 학기 단기 체험이 아니라 비교적 긴 기간 동안 AI 서비스를 학습에 활용할 수 있습니다.

누가 신청할 수 있나?

모집대상은 서울런 참여 학생 중 고등학생 이상 1,000명입니다. 여기서 중요한 점은 ‘서울런 회원’이라는 전제입니다. 누구나 바로 신청하는 일반 공개 이벤트라기보다는, 서울런 참여 학생을 대상으로 한 교육 지원 프로그램으로 이해하는 것이 좋습니다.

다만 이미지에도 “자격 요건 및 신청은 서울런 홈페이지에서 확인하세요”라고 안내되어 있습니다. 따라서 실제 신청 전에는 서울런 홈페이지에서 본인의 참여 자격, 학년 기준, 선발 방식, 사전진단 참여 조건을 반드시 확인해야 합니다.

어떤 AI를 무료로 이용할 수 있나?

안내 문구에는 챗GPT, 클로드, 제미나이, 퍼플렉시티 등 총 9종의 유료 생성형 AI가 언급되어 있습니다. 각각의 도구는 쓰임새가 조금씩 다릅니다.

• 챗GPT: 글쓰기, 요약, 문제 풀이 방향 정리, 아이디어 확장에 활용하기 좋습니다.
• 클로드: 긴 글 읽기, 자료 요약, 문장 다듬기 등에 강점이 있습니다.
• 제미나이: 구글 생태계와 연결된 정보 탐색, 문서 작업 보조에 활용할 수 있습니다.
• 퍼플렉시티: 검색형 AI로 자료 조사와 출처 확인에 유용합니다.

학생 입장에서는 “어떤 AI가 제일 좋은가”보다 “과제와 학습 상황에 맞게 어떤 AI를 써야 하는가”를 익히는 것이 더 중요합니다. 예를 들어 개념을 처음 이해할 때는 설명형 AI를 쓰고, 자료 조사를 할 때는 검색형 AI를 쓰는 식입니다.

신청방법은?

이미지 기준 신청방법은 두 가지로 안내되어 있습니다.

1. 서울런 홈페이지 온라인 신청

서울런 홈페이지에서 신청할 수 있습니다. 이미지에는 http://slearn.seoul.go.kr 주소가 표시되어 있습니다.

1. 사전진단 QR 참여

AI 올리 가이드 숙지 후 사전 역량진단에 참여한 학생을 최종 선발한다고 안내되어 있습니다.

즉, 단순히 신청 버튼만 누르는 방식이 아닐 수 있습니다. AI 활용 가이드 확인과 사전진단 참여가 선발 과정에 포함될 가능성이 있으므로, 신청 페이지의 절차를 끝까지 확인해야 합니다.

학생들은 어떻게 활용하면 좋을까?

이번 지원을 받게 된다면, AI를 ‘정답 생성기’처럼 쓰기보다 학습 코치처럼 활용하는 것이 좋습니다.

예를 들어 수학 문제를 풀 때 바로 답을 물어보기보다 “이 문제에서 먼저 확인해야 할 개념이 무엇인지 설명해 줘”라고 질문할 수 있습니다. 영어 작문을 할 때도 “이 문장을 더 자연스럽게 고쳐주고, 왜 그렇게 고쳤는지 설명해 줘”라고 요청하면 학습 효과가 커집니다.

추천 활용 방식은 다음과 같습니다.

• 모르는 개념을 중학생도 이해할 수 있는 수준으로 다시 설명받기
• 긴 지문이나 교과 내용을 핵심 문장으로 요약하기
• 영어 문장 첨삭 후 수정 이유 확인하기
• 진로·전공 관련 질문 목록 만들기
• 수행평가 발표 자료의 구조 잡기
• 자료 조사 시 출처와 근거를 함께 확인하기

AI가 만들어준 답을 그대로 제출하는 방식은 위험합니다. 오류가 있을 수 있고, 학교 과제 기준에 맞지 않을 수도 있습니다. AI의 답변은 초안과 참고자료로 활용하고, 최종 판단과 표현은 학생 스스로 정리해야 합니다.

신청 전 확인할 체크리스트

신청 전에는 아래 내용을 확인해 보세요.

• 내가 서울런 참여 학생에 해당하는가?
• 고등학생 이상 기준에 포함되는가?
• 모집기간인 6월 9일~6월 26일 안에 신청하는가?
• 사전진단 QR 또는 AI 활용 가이드 절차가 필요한가?
• 선정 후 어떤 AI 서비스를 언제까지 이용할 수 있는가?
• 학교 과제나 시험 준비에 AI를 사용할 때 지켜야 할 기준을 알고 있는가?

특히 선착순 1,000명 모집으로 안내되어 있으므로, 관심이 있다면 신청기간 안에 빠르게 확인하는 것이 좋습니다.

마무리

서울런 생성형 AI 서비스 지원은 학생들이 비용 부담 없이 최신 AI 도구를 경험할 수 있는 기회입니다. 중요한 것은 무료 이용 자체보다, AI를 학습에 제대로 연결하는 경험입니다.

AI는 대신 공부해 주는 도구가 아닙니다. 하지만 질문을 잘 던지면 개념 이해, 글쓰기, 자료 조사, 진로 탐색을 도와주는 든든한 조력자가 될 수 있습니다. 서울런 참여 학생 중 고등학생 이상이라면 모집기간과 신청 조건을 확인해 볼 만합니다.

FAQ

서울런 생성형 AI 서비스 지원은 누구를 대상으로 하나요?

이미지 안내 기준으로 서울런 참여 학생 중 고등학생 이상이 대상이며, 모집인원은 1,000명입니다.

모집기간은 언제인가요?

모집기간은 6월 9일부터 6월 26일까지로 안내되어 있습니다.

어떤 AI 서비스를 무료로 이용할 수 있나요?

챗GPT, 클로드, 제미나이, 퍼플렉시티 등을 포함한 총 9종의 유료 생성형 AI를 무료로 이용할 수 있다고 안내되어 있습니다.

신청은 어디에서 하나요?

서울런 홈페이지 온라인 신청 또는 이미지에 포함된 사전진단 QR을 통해 신청 절차를 진행하는 방식으로 안내되어 있습니다.

신청만 하면 바로 선정되나요?

이미지에는 AI 올리 가이드 숙지 후 사전 역량진단에 참여한 학생을 최종 선발한다고 되어 있습니다. 최종 조건은 서울런 홈페이지에서 확인해야 합니다.

참고자료

이미지 원본 확인: 더팩트, 서울런 회원 1000명에 챗GPT·클로드 무료 지원

• 서울런 홈페이지
• 서울런 생성형 AI 서비스 지원 안내 이미지

함께 읽으면 좋은 글

• AI 시대, 프롬프트보다 먼저 배워야 할 것은 ‘나의 언어’다
• AI 시대의 메타인지: 똑똑한 답보다 중요한 ‘내 생각 점검법’
• AI Agent 시대, 지식근로자는 어떻게 달라져야 할까

AI를 잘 쓰는 사람과 그렇지 못한 사람의 차이는 어디서 생길까. 흔히 “좋은 프롬프트를 아느냐”라고 답하지만, 실제로는 조금 다르다. 핵심은 프롬프트 문장 몇 개가 아니라, 내가 원하는 것을 맥락과 기준까지 포함해 말할 수 있는가에 있다.

일당백 영상 「언어로 섬세하게 표현되는 인간의 지능! AI 프롬프트 엔지니어링의 시작」은 이 지점을 잘 보여준다. 영상의 출발점은 책 《지적 대화를 위한 AI 언어 수업》이지만, 단순한 책 소개라기보다 AI 시대의 언어 감각을 묻는 대화에 가깝다. 특히 한국어 사용자에게는 더 중요한 질문이 있다. 한국어처럼 생략과 뉘앙스가 많은 언어로 AI와 대화할 때, 우리는 무엇을 더 분명하게 말해야 할까.

AI 활용 격차는 ‘도구 사용법’보다 ‘언어의 해상도’에서 생긴다

많은 사람이 AI를 처음 쓸 때 이렇게 말한다.

“이거 알아서 정리해 줘.” “너무 길게 쓰지 마.” “딱딱한 말투 쓰지 마.” “그림 그리지 말고 프롬프트만 보여 줘.”

사람끼리는 이 정도 말로도 어느 정도 통한다. 앞뒤 상황, 표정, 이전 대화, 조직 문화, 말투까지 함께 읽기 때문이다. 그런데 AI는 사용자가 제공하지 않은 맥락을 추측한다. 추측이 맞으면 편리하지만, 틀리면 결과는 엉뚱해진다.

OpenAI와 Anthropic의 프롬프트 가이드도 공통적으로 “명확한 지시, 충분한 맥락, 원하는 출력 형식”을 강조한다. 결국 좋은 프롬프트란 마법 문장이 아니라 AI가 추측해야 할 부분을 줄이는 문장이다.

여기서 중요한 차이가 생긴다. AI를 잘 쓰는 사람은 질문을 길게 쓰는 사람이 아니다. 맥락을 구조화하는 사람이다. 목적, 독자, 제약, 예시, 금지보다 선호, 출력 형식, 검증 기준을 함께 준다.

한국어는 왜 AI에게 더 까다로운 언어인가

영상에서 가장 흥미로운 대목은 한국어의 고맥락성이다. 한국어는 주어와 목적어를 자주 생략한다. 조사 하나로 초점이 바뀐다. 높임말은 표면적으로는 잘 처리되지만, 비꼼이나 반어는 전혀 다른 문제다.

예를 들어 “철수는 학교에 갔다”와 “철수가 학교에 갔다”는 비슷해 보이지만 초점이 다르다. “괜찮습니다”도 정말 괜찮다는 뜻일 수 있고, 거절일 수도 있다. “시원섭섭하다”는 시원함과 섭섭함의 비율이 상황마다 다르다.

사람은 이 차이를 상황으로 읽는다. AI는 대부분 텍스트로만 받는다. 그래서 한국어 사용자는 AI에게 더 많은 맥락을 제공해야 한다. “알아서 해 줘”는 편하지만, AI 입장에서는 정보가 부족한 명령이다.

이 문제는 번역에서도 드러난다. Anthropic의 해석가능성 연구는 대형 언어모델이 여러 언어 입력을 내부적으로 공통 개념 공간과 연결해 처리할 수 있음을 보여준다. 다만 이것이 곧 한국어의 뉘앙스까지 완벽히 보존한다는 뜻은 아니다. 언어 간 이동 과정에서 정서, 생략, 반어, 화자의 의도가 손실될 수 있다.

프롬프트 엔지니어링은 ‘질문 잘하기’가 아니라 시스템을 다루는 일이다

영상에서는 프롬프트와 프롬프트 엔지니어링을 구분한다. 일상 사용자는 AI와 대화하듯 질문하면 된다. 그러나 업무 시스템, 고객 서비스, 자동화, 콘텐츠 생산 파이프라인에서는 이야기가 달라진다.

프롬프트 엔지니어링은 단순히 “예쁘게 질문하는 기술”이 아니다. 모델마다 답변 성향이 어떻게 다른지 본다. 오답이 왜 나왔는지 분석한다. 비용을 줄이는 구조를 설계한다. 여러 단계의 작업을 안정적으로 연결한다. 결과의 일관성을 조절한다.

예를 들어 글쓰기는 창의성이 필요하지만, 고객 안내 문구나 법률·정책 안내는 매번 달라지면 곤란하다. 이때는 temperature 같은 생성 설정, 예시 기반 출력, 검증 단계, 재시도 조건이 필요하다.

즉 프롬프트 엔지니어링은 말의 기술이면서 동시에 운영의 기술이다. 개인의 질문법에서 출발하지만, 조직에서는 품질관리와 비용관리의 문제로 확장된다.

“하지 마”보다 “이렇게 해”가 더 강하다

영상에서 반복되는 실전 팁 중 하나는 부정문보다 긍정문을 쓰라는 것이다. “전문 용어 쓰지 마”보다 “일상적인 단어를 사용해”가 낫다. “길게 쓰지 마”보다 “문단당 3문장 이내로 써”가 낫다. “목록식으로 쓰지 마”보다 “짧은 설명문 형태로 써”가 더 분명하다.

AI는 사용자의 부정 표현을 언제나 안정적으로 처리하지 못한다. 특히 이미지·영상 모델이나 멀티모달 모델에서는 부정어가 원하는 결과를 흐릴 수 있다. 텍스트 모델에서도 “하지 말라”는 말이 오히려 금지한 요소를 문맥 중심에 올려놓는 경우가 있다.

업무에서는 다음처럼 바꾸면 좋다.

이 차이는 작아 보이지만 결과는 크게 달라진다. AI가 추측할 공간을 줄이면, 사용자는 수정 시간을 줄인다.

AI 생산성 논쟁의 핵심은 ‘얼마나 썼나’가 아니라 ‘무엇을 맡겼나’다

AI가 실제 생산성을 높이는지에 대해서는 의견이 갈린다. 다만 이미 일부 연구에서는 구체적 효과가 관찰됐다. NBER의 「Generative AI at Work」는 고객지원 업무에서 생성형 AI 도구가 평균 생산성을 높였고, 특히 경험이 적은 직원에게 더 큰 효과가 있었다고 분석했다.

반대로 ILO의 생성형 AI와 일자리 분석은 많은 직무가 완전히 대체되기보다 일부 과업이 자동화·보조될 가능성이 크다고 본다. 이 관점은 영상의 결론과도 맞닿아 있다. AI가 모든 일을 없애기보다, 일의 구성 요소를 다시 나눈다는 것이다.

문제는 “AI를 많이 쓰는가”가 아니다. 무엇을 맡기고, 무엇을 사람이 판단할지 정하는 능력이다. 단순 요약, 초안, 형식 변환, 반복 응답은 AI에 맡기기 쉽다. 그러나 고객의 불안한 마음을 읽는 일, 현장 맥락을 판단하는 일, 말하지 않은 요구를 조심스럽게 확인하는 일은 아직 사람의 몫이 크다.

한국어 사용자를 위한 5가지 프롬프트 원칙

1. 생략한 주어와 목적어를 되살린다

“정리해 줘”라고 쓰기 전에 무엇을, 누구에게, 어떤 목적으로 정리하는지 적는다. 한국어 대화에서는 생략이 자연스럽지만 AI에게는 빈칸이 된다.

2. 부정문을 긍정문으로 바꾼다

“딱딱하게 쓰지 마”보다 “친근하지만 과장 없는 말투로 써”라고 말한다. 금지보다 목표를 주는 편이 안정적이다.

3. 결과물의 형식을 먼저 정한다

표, 목록, 문단, 보고서, 블로그, 이메일, 발표 대본은 서로 다른 출력이다. 형식을 정하지 않으면 AI는 평균적인 답을 낸다.

4. 맥락과 기준을 분리해서 준다

배경은 배경대로, 요구사항은 요구사항대로, 검증 기준은 검증 기준대로 나눈다. 한 문장에 모두 섞으면 AI도 중요도를 놓친다.

5. 한 번에 끝내려 하지 않는다

좋은 AI 활용은 싱글 턴보다 멀티 턴에 가깝다. 초안을 받고, 기준을 보강하고, 다시 고치고, 마지막에 검증한다. 이것은 명령이 아니라 협력이다.

결국 프롬프트는 기술이 아니라 대화 습관이다

UNESCO의 AI 역량 프레임워크는 AI 시대에 필요한 능력을 단순한 도구 사용이 아니라 인간 중심적 사고, 윤리, 비판적 판단, 실제 활용 역량으로 본다. 프롬프트도 마찬가지다. 단축키처럼 외울 문제가 아니다.

AI와 대화한다는 것은 내 생각을 더 선명하게 만드는 과정이다. 내가 무엇을 원하는지 모르면 AI도 모른다. 내가 기준을 주지 않으면 AI는 평균값을 낸다. 내가 맥락을 생략하면 AI는 추측한다.

그래서 영상의 핵심은 “프롬프트를 잘 쓰자”보다 깊다. AI 시대의 경쟁력은 기술을 많이 아는 사람이 아니라, 자신의 언어를 점검하고 맥락을 설계할 수 있는 사람에게 생긴다.

조금 과장해 말하면, 앞으로의 AI 리터러시는 코딩보다 먼저 언어의 문제일 수 있다. 특히 한국어 사용자에게는 더 그렇다. 우리가 당연하게 생략했던 말, 분위기로 넘겼던 말, “알아서”라고 맡겼던 말이 AI 앞에서는 모두 다시 문장이 되어야 한다.

함께 읽으면 좋은 글

• AI 시대의 메타인지: 똑똑한 답보다 중요한 ‘내 생각 점검법’
• AI Agent 시대, 지식근로자는 어떻게 달라져야 할까
• AI를 쓸수록 똑똑해지는 사람의 6가지 습관

참고자료

• 일당백, 「언어로 섬세하게 표현되는 인간의 지능! AI 프롬프트 엔지니어링의 시작」, YouTube, 자료 보기
• OpenAI, 「Prompt engineering」, 자료 보기
• Anthropic, 「Prompt engineering overview」, 자료 보기
• Anthropic, 「Tracing the thoughts of a large language model」, 자료 보기
• Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, 「Generative AI at Work」, NBER Working Paper No. 31161, 자료 보기
• International Labour Organization, 「Generative AI and Jobs」, 자료 보기
• UNESCO, 「AI competency framework for teachers」, 자료 보기

FAQ

한국어 프롬프트는 영어 프롬프트보다 불리한가요?

항상 불리하다고 말할 수는 없습니다. 다만 한국어는 생략, 조사, 높임, 맥락 의존이 강해 AI가 사용자의 의도를 추측해야 하는 경우가 많습니다. 그래서 한국어로 쓸 때는 상황과 기준을 더 분명히 적는 편이 좋습니다.

프롬프트 엔지니어링을 꼭 배워야 하나요?

일상 사용자는 거창한 엔지니어링까지 배울 필요는 없습니다. 그러나 업무에 AI를 쓰려면 목적, 맥락, 출력 형식, 검증 기준을 주는 기본 습관은 필요합니다.

AI에게 “하지 마”라고 하면 왜 잘 안 통하나요?

부정문은 금지 대상을 문맥 안에 함께 넣습니다. 일부 모델은 그 금지 의도를 안정적으로 반영하지 못합니다. 그래서 “하지 마”보다 원하는 행동을 긍정문으로 구체화하는 편이 좋습니다.

AI가 쓴 글을 사람처럼 만들 수 있나요?

어느 정도는 가능합니다. 문장 길이, 반복 표현, 주어·목적어 생략, 도치, 리듬, 구체적 상황을 조정하면 기계적인 느낌을 줄일 수 있습니다. 다만 실제 경험이나 판단까지 AI가 대신 가진 것은 아닙니다.

AI 시대에 사람이 맡아야 할 일은 무엇인가요?

맥락을 해석하고, 기준을 세우고, 최종 판단을 내리는 일입니다. 고객의 감정, 현장 상황, 조직의 암묵지, 윤리적 판단처럼 말로 완전히 표준화하기 어려운 영역은 여전히 사람의 역할이 큽니다.

AI를 잘 쓰는 교육보다 중요한 것: AI와 함께 일하는 방식을 바꾸는 교육

Read in English: Knowledge Workers in the AI Agent Era: From Content Producers to Judgment Designers

AI가 일상적인 업무 도구가 되면서 교육의 질문도 달라지고 있습니다. 이제 중요한 질문은 “AI를 어떻게 쓸 것인가”가 아닙니다. 이미 많은 사람이 AI를 씁니다. 앞으로의 차이는 AI를 어떤 업무 맥락에 연결하고, 어떤 가치 있는 결과로 바꾸는가에서 만들어집니다.

2026년 6월 4일, 나주에서 진행한 강의의 주제는 “AI Agent 시대 효율적이고 가치 있는 교육 실현”이었습니다.

AI Agent 시대의 교육은 기능을 알려주는 시간이 아니라, 지식근로자가 일하는 방식을 다시 설계하는 과정이어야 합니다.

이 글은 강의 내용을 바탕으로 AI Agent 시대의 교육이 왜 달라져야 하는지, 지식근로자의 역할이 어떻게 바뀌는지, 조직은 어떤 방향으로 학습을 설계해야 하는지 정리합니다.

*기술 변화는 유행에서 끝나지 않고 조직 전략과 일하는 방식의 변화로 이어집니다.*

AI를 쓰는 사람과 쓰지 않는 사람의 경쟁은 이미 지나가고 있다

처음 생성형 AI가 확산되었을 때는 “AI를 쓰는 사람”과 “쓰지 않는 사람”의 차이가 크게 보였습니다. 하지만 지금은 상황이 달라졌습니다. 검색, 요약, 번역, 보고서 초안 작성, 회의 정리, 이미지 생성까지 많은 업무에서 AI 활용은 자연스러운 선택지가 되었습니다.

그래서 경쟁의 기준도 바뀝니다.

• AI를 쓰는가
• 어떤 도구를 쓰는가
• 질문을 얼마나 잘 쓰는가
• 업무 맥락을 얼마나 정확히 제공하는가
• 결과를 얼마나 잘 검토하고 판단하는가
• 조직의 일하는 방식과 어떻게 연결하는가

AI 활용 수준은 단순한 개인 생산성 문제가 아닙니다. 조직이 지식을 만들고 공유하고 실행하는 방식 전체와 연결됩니다.

프롬프트보다 중요한 것은 업무 맥락이다

AI 활용을 이야기하면 먼저 프롬프트가 떠오릅니다. 좋은 질문은 분명히 더 봐야 합니다. 원하는 산출물, 역할, 형식, 조건을 분명히 줄수록 결과가 좋아집니다.

하지만 프롬프트만으로는 충분하지 않습니다.

AI가 좋은 답을 만들려면 다음 정보가 해야 합니다.

• 이 업무의 목적
• 현재 조직의 상황
• 참고해야 할 자료
• 적용해야 할 기준
• 결과물을 사용할 사람
• 판단해야 할 제약 조건
• 최종 산출물의 형태

같은 질문이라도 맥락이 달라지면 답은 달라져야 합니다. 교육과정 설계, 정책자료 검토, 보고서 작성, 성과관리처럼 맥락이 중요한 업무에서는 더욱 그렇습니다.

프롬프트 엔지니어링은 질문을 잘 쓰는 기술입니다. 컨텍스트 엔지니어링은 AI가 일할 수 있도록 필요한 맥락과 자료를 구성하는 방식입니다. Agent 시대에는 여기에 한 단계가 더해집니다. AI가 목표를 이해하고, 필요한 절차를 수행하고, 산출물을 만들 수 있도록 업무 흐름 자체를 설계해야 합니다.

*AI Agent 시대에는 AI가 답변 도구를 넘어 업무 수행의 파트너로 이동합니다.*

지식근로자의 역할은 작성자에서 판단자로 이동한다

지식근로자는 문서를 만들고, 자료를 찾고, 분석하고, 보고하고, 의사결정을 지원하는 사람입니다. AI는 이 과정의 상당 부분을 빠르게 처리합니다.

보고서 초안을 만들 수 있습니다. 긴 문서를 요약할 수 있습니다. 자료를 비교할 수 있습니다. 회의 내용을 정리할 수 있습니다. 아이디어를 구조화할 수 있습니다.

그렇다고 지식근로자의 가치가 사라지는 것은 아닙니다. 오히려 역할이 바뀝니다.

앞으로 더 중요해지는 역할은 이렇게 볼 수 있습니다.

1. 문제를 정의하는 역할

무엇을 해결해야 하는지 분명히 잡아야 합니다.

1. 맥락을 제공하는 역할

AI가 참고할 자료와 기준을 정리해야 합니다.

1. 결과를 검토하는 역할

그럴듯한 답과 실제로 맞는 답을 구분해야 합니다.

1. 판단하고 선택하는 역할

조직의 목적, 사람의 상황, 책임의 범위를 고려해 최종 결정을 내려야 합니다.

1. 업무 흐름을 개선하는 역할

반복되는 일을 AI에 맡기고, 사람은 더 높은 수준의 문제해결에 집중해야 합니다.

AI가 일을 대신하는 만큼, 사람은 더 깊이 이해하고 더 정확히 판단해야 합니다.

지식을 소비하는 조직에서 지식을 만드는 조직으로

AI 시대의 조직은 그냥 외부 지식을 빠르게 가져오는 데서 멈추면 안 됩니다. 조직 내부의 경험, 기준, 사례, 판단 과정을 축적해야 합니다.

교육 조직도 마찬가지입니다. 교육과정을 운영하는 일은 일정 관리나 강사 섭외만으로 끝나지 않습니다. 교육이 실제 업무 성과와 연결되려면 조직 안에 지식이 남아야 합니다.

예를 들어 다음과 같은 자료가 쌓여야 합니다.

• 교육과정 설계 기준
• 과정별 학습 목표
• 실제 현장에서 반복되는 문제
• 교육생의 질문과 어려움
• 강의 후 적용 사례
• 성과를 확인할 수 있는 지표
• 다음 교육에 반영할 개선점

AI는 이런 자료를 정리하고 연결하는 데 강합니다. 하지만 어떤 자료가 중요하고, 어떤 기준으로 해석해야 하며, 어떤 방향으로 개선해야 하는지는 사람이 결정해야 합니다.

*AI는 자료 정리와 구조화를 돕지만, 가치 있는 지식은 조직의 판단과 경험에서 만들어집니다.*

교육은 기능 전달이 아니라 문제해결 역량을 키우는 과정이 된다

AI 교육을 도구 사용법 중심으로만 구성하면 금방 한계가 옵니다. 버튼 위치와 기능은 계속 바뀝니다. 모델도 바뀌고 요금제도 바뀌고 플랫폼의 강점도 달라집니다.

그래서 AI 교육의 중심은 기능 설명보다 문제해결에 가까워져야 합니다.

교육에서 다뤄야 할 질문은 이런 것들입니다.

• 내 업무에서 AI가 맡을 수 있는 일은 무엇인가
• 사람이 반드시 판단해야 하는 일은 무엇인가
• 어떤 자료를 AI에게 제공해야 결과가 좋아지는가
• AI 결과를 검증하는 기준은 무엇인가
• 반복되는 업무를 어떤 흐름으로 자동화할 수 있는가
• 조직 차원에서 어떤 지식 DB를 만들어야 하는가

이런 질문을 다루면 교육은 단순한 “AI 활용법”을 넘어섭니다. 학습자는 자신의 업무를 다시 바라보게 됩니다. 조직은 교육을 통해 일하는 방식의 변화를 시작할 수 있습니다.

AI가 대신할 일과 사람이 남겨야 할 가치를 구분해야 한다

AI는 빠릅니다. 많은 자료를 읽고, 초안을 만들고, 비교하고, 요약하는 데 강합니다.

하지만 AI가 빠르게 만든 결과가 항상 가치 있는 결과는 아닙니다. 가치는 사람의 문제의식, 목적, 해석, 선택에서 나옵니다.

AI가 잘하는 일은 AI에게 맡길 수 있습니다.

• 초안 작성
• 자료 요약
• 표 정리
• 반복 조사
• 문장 다듬기
• 아이디어 확장
• 형식 변환

사람이 집중해야 할 일은 다릅니다.

• 왜 이 일을 하는지 정하기
• 누구에게 필요한 결과인지 판단하기
• 현장 맥락을 반영하기
• 위험과 책임을 검토하기
• 최종 방향을 선택하기
• 사람에게 의미 있는 경험으로 바꾸기

AI Agent 시대의 교육은 이 경계를 분명히 도와야 합니다. 그래야 AI가 사람을 대체하는 도구가 아니라, 사람이 더 가치 있는 일을 하도록 돕는 도구가 됩니다.

*AI는 실행을 도울 수 있지만, 가치는 문제를 해석하고 판단하는 사람에게서 나옵니다.*

조직 변화 없이 AI 교육만 늘리면 효과가 제한된다

AI 교육을 많이 해도 조직의 업무 방식이 그대로라면 효과는 작아집니다. 개인이 배운 내용을 실제 업무에서 쓰기 어렵기 때문입니다.

AI 활용은 개인의 기술만으로 완성되지 않습니다. 업무, 구성원, 문화, 구조, 전략이 함께 움직여야 합니다.

조직이 함께 점검해야 할 질문은 이렇게 볼 수 있습니다.

• 어떤 업무를 AI와 함께 다시 설계할 것인가
• 어떤 자료를 조직의 공통 지식으로 관리할 것인가
• AI 사용에 필요한 권한과 보안 기준은 무엇인가
• 결과 검토 책임은 누가 가질 것인가
• 교육 성과를 현업 적용과 어떻게 연결할 것인가
• 개인 실험을 조직 프로세스로 어떻게 확장할 것인가

AI가 팀원이 되는 시대에는 조직도 팀처럼 움직여야 합니다. 한 사람의 생산성 향상에서 끝나지 않고, 조직의 학습 구조와 업무 구조가 함께 바뀌어야 합니다.

*AI 활용은 개인 역량의 문제가 아니라 조직 설계의 문제와 연결됩니다.*

효율적인 교육과 가치 있는 교육은 함께 가야 한다

AI는 교육의 효율을 높일 수 있습니다. 자료 조사 시간이 줄어들고, 교육과정 초안을 빠르게 만들 수 있으며, 학습자료도 다양하게 변환할 수 있습니다.

하지만 효율만으로는 충분하지 않습니다. 교육의 목적은 시간을 줄이는 데 있지 않습니다. 더 나은 판단, 더 깊은 이해, 더 실제적인 문제해결을 가능하게 만드는 데 있습니다.

효율적인 교육은 빠르게 운영되는 교육입니다. 가치 있는 교육은 학습자가 실제 업무에서 다르게 행동하도록 돕는 교육입니다.

AI Agent 시대에는 이 둘을 함께 설계해야 합니다.

• AI로 반복 업무를 줄인다.
• 자료를 체계적으로 모은다.
• 학습자의 업무 맥락을 반영한다.
• 문제해결형 과제를 설계한다.
• 결과를 현업 적용과 연결한다.
• 교육 후 남는 지식을 조직 자산으로 축적한다.

이렇게 접근하면 AI 교육은 도구 교육을 넘어 조직 변화의 출발점이 됩니다.

마무리: AI 시대의 교육담당자는 일하는 방식을 설계하는 사람이다

AI Agent 시대에는 교육담당자의 역할도 넓어집니다. 교육을 운영하는 사람에서, 조직의 일하는 방식을 새롭게 설계하는 사람으로 이동합니다.

앞으로의 교육은 질문을 바꿔야 합니다.

“어떤 AI 도구를 알려줄 것인가?”에서 멈추지 말아야 합니다. “이 조직은 AI와 함께 어떤 방식으로 더 좋은 결과를 만들 것인가?”까지 가야 합니다.

AI는 일을 빠르게 처리합니다. 사람은 의미를 만들고 판단합니다. 교육은 그 둘을 연결합니다.

AI Agent 시대의 효율적이고 가치 있는 교육은 바로 그 연결을 설계하는 일에서 시작됩니다.

---

함께 읽으면 좋은 글

• AI 에이전트를 학습시키는 법: Hermes Agent로 AI 네이티브 조직 만들기
• AI를 쓸수록 똑똑해지는 사람의 6가지 습관
• AI 네이티브 전환법: 디지털 두뇌와 AI 에이전트로 일하는 방식 바꾸기

---

FAQ

AI Agent 시대 교육은 기존 AI 활용 교육과 무엇이 다른가요?

기존 AI 활용 교육은 주로 도구 사용법과 프롬프트 작성에 집중합니다. AI Agent 시대 교육은 업무 목표, 자료, 권한, 검증, 조직 프로세스까지 함께 다룹니다.

지식근로자는 AI 때문에 역할이 줄어드나요?

반복적인 작성과 정리 업무는 줄어들 수 있습니다. 대신 문제 정의, 맥락 제공, 결과 검토, 책임 있는 판단의 중요성은 더 커집니다.

교육 조직은 AI를 어디부터 적용하면 좋을까요?

교육과정 기획, 자료 정리, 강의안 초안 작성, 교육생 질문 분석, 성과 피드백 정리처럼 반복되지만 판단이 필요한 업무부터 시작하는 것이 좋습니다.

프롬프트를 잘 쓰는 것만으로 충분한가요?

충분하지 않습니다. 좋은 프롬프트는 출발점입니다. 실제 업무에서는 신뢰할 수 있는 자료, 조직 맥락, 검증 기준, 결과 활용 방식이 함께 해야 합니다.

AI 교육의 최종 목표는 무엇이어야 하나요?

그냥 AI 사용법을 익히는 것이 아니라, 학습자가 자신의 업무를 더 잘 이해하고 AI와 함께 더 가치 있는 결과를 만들 수 있도록 돕는 것입니다.

---

마이크로소프트의 사티아 나델라를 볼 때, 흔히 떠올리는 키워드는 클라우드와 OpenAI입니다. 하지만 지금 더 눈여겨볼 변화는 PC 쪽에서 일어나고 있습니다. 마이크로소프트는 AI를 거대한 서버에서만 돌리는 서비스가 아니라, 사용자의 노트북과 앱 안에서 즉시 실행되는 기본 기능으로 만들려 합니다.

Read in English: Satya Nadella’s Next Bet: How Microsoft Is Rebuilding the On-Device AI Ecosystem

이 관점에서 Copilot+ PC, NPU, Windows AI Foundry, Foundry Local, Phi 계열 소형 모델은 서로 따로 움직이는 제품이 아닙니다. 나델라식 플랫폼 전략이 클라우드에서 PC로 내려오는 흐름입니다. 핵심 질문은 하나입니다. 마이크로소프트는 온디바이스 AI 생태계를 어떻게 바꾸려 하는가입니다.

사티아 나델라를 이해하는 먼저 볼 부분은 제품보다 플랫폼이다

나델라는 2014년 마이크로소프트 CEO가 된 뒤 회사를 Windows 패키지 중심 기업에서 Azure, Microsoft 365, GitHub, Teams, Copilot을 잇는 플랫폼 기업으로 바꿨습니다. Microsoft 2024 Annual Report의 주주 서한에서도 그는 AI를 새로운 플랫폼 전환으로 설명합니다. 이는 그냥 챗봇 하나를 더 붙이는 문제가 아닙니다.

나델라의 방식은 반복적입니다. 먼저 개발자와 기업이 모이는 기반을 만들고, 그 위에 도구와 배포 경로를 얹습니다. Azure가 클라우드 개발의 기반이었다면, 온디바이스 AI 시대의 기반은 Windows PC, NPU, 로컬 모델 런타임, 앱 생태계가 됩니다.

그래서 마이크로소프트의 온디바이스 AI 전략은 “PC에도 AI 기능을 넣는다” 정도로 보면 부족합니다. 더 정확히는 Windows를 AI 앱의 실행 환경으로 다시 정의하려는 시도입니다.

Copilot+ PC는 AI 기능이 아니라 새 기준선을 만든다

Copilot+ PC에서 중요한 단어는 Copilot보다 NPU입니다. Microsoft Learn의 Copilot+ PC 개발자 가이드는 Copilot+ PC를 고성능 NPU를 갖춘 새로운 Windows 11 하드웨어로 설명합니다. 이 NPU는 실시간 번역, 이미지 생성 같은 AI 작업을 위해 설계된 칩이며, 40 TOPS 이상의 성능을 기준으로 보입니다.

이 기준은 PC 시장에 중요한 메시지를 줍니다. 앞으로 좋은 노트북은 CPU와 GPU만 빠른 기계가 아니라, AI 작업을 배터리 소모와 지연을 줄이면서 처리할 수 있는 기계여야 한다는 뜻입니다.

마이크로소프트 입장에서는 더 큰 효과가 있습니다. Windows 앱 개발자가 “사용자 기기에 AI 가속기가 있다”고 가정할 수 있는 순간, 로컬 요약, 이미지 보정, 문서 검색, 개인화 추천, 실시간 보조 기능이 앱 기본 기능으로 내려옵니다.

Windows AI Foundry는 개발자 생태계를 묶는 장치다

온디바이스 AI가 확산되려면 하드웨어만으로는 부족합니다. 개발자가 모델을 가져오고, 압축하고, 실행하고, 여러 장치에서 성능을 맞출 수 있어야 합니다. 여기서 Windows AI Foundry와 Foundry Local이 등장합니다.

Microsoft Learn은 Windows의 로컬 AI 개발 흐름에서 DirectML, ONNX Runtime, Windows ML, Foundry Local을 함께 설명합니다. 특히 DirectML과 ONNX Runtime은 GPU나 NPU를 활용해 모델 성능을 끌어올리는 경로입니다. Foundry Local은 기기 안에서 AI 애플리케이션과 에이전트를 설계하고 관리하는 문서 체계로 제시됩니다.

이 조합은 마이크로소프트가 원하는 생태계를 보입니다. 개발자는 클라우드 모델만 호출하는 앱이 아니라, 로컬 모델과 클라우드 모델을 섞어 쓰는 앱을 만들게 됩니다. 사용자는 더 빠른 응답과 개인정보 보호 이점을 얻습니다. 마이크로소프트는 Windows를 다시 개발자 플랫폼의 중심에 놓습니다.

Phi 소형 모델은 클라우드 독점 구조를 흔든다

온디바이스 AI에서 소형 언어 모델은 결정적입니다. 거대한 모델을 모두 노트북에서 돌릴 수는 없습니다. 대신 특정 작업을 잘 수행하는 작은 모델이 해야 합니다. Microsoft의 Phi-3 발표는 이 방향을 잘 보입니다.

Phi-3는 소형 언어 모델의 품질과 비용 효율을 강조합니다. Microsoft는 Phi-3가 Azure AI뿐 아니라 Ollama로 로컬 노트북에서도 실행될 수 있고, ONNX Runtime과 Windows DirectML 지원을 통해 GPU, CPU, 모바일 하드웨어까지 폭넓게 활용할 수 있다고 설명합니다.

이 전략은 클라우드 AI를 버리자는 뜻이 아닙니다. 오히려 작업을 나누자는 뜻에 가깝습니다. 민감하거나 반복적인 작업은 로컬에서 처리합니다. 복잡한 추론이나 대규모 지식 검색은 클라우드 모델을 씁니다. 이렇게 되면 AI 비용, 지연 시간, 개인정보, 배터리 사용량을 동시에 조정할 수 있습니다.

Recall 논쟁은 온디바이스 AI의 신뢰 문제를 드러냈다

마이크로소프트의 방향이 항상 순조로운 것은 아닙니다. Recall은 좋은 사례입니다. Recall은 사용자의 화면 활동을 기기에서 분석해 과거 작업을 찾게 해주는 Copilot+ PC 기능입니다. 하지만 화면 스냅샷과 민감 정보 처리 문제로 큰 개인정보 논쟁을 불러왔습니다.

Microsoft Learn의 Recall 문서는 Copilot+ PC, Windows 업데이트, 정책 설정, 사용자 동의와 제어를 전제로 설명합니다. 이 논점은 온디바이스 AI의 본질을 보입니다. 데이터를 클라우드로 보내지 않는다고 해서 자동으로 신뢰가 생기지는 않습니다. 사용자가 무엇이 저장되는지 알고, 끄고, 삭제하고, 통제할 수 있어야 합니다.

그래서 온디바이스 AI 생태계의 승부는 성능만으로 결정되지 않습니다. 로컬 처리, 암호화, 접근 권한, 투명한 UI, 기업 정책 제어가 함께 설계되어야 합니다. 나델라의 마이크로소프트가 이 문제를 풀지 못하면, AI PC는 편리한 플랫폼이 아니라 감시 논란의 플랫폼이 될 수 있습니다.

마이크로소프트가 바꾸려는 생태계의 구조

마이크로소프트의 전략은 네 개 층으로 볼 수 있습니다.

이 표에서 가장 중요한 변화는 마지막 줄입니다. AI가 브라우저에서 접속하는 서비스로만 남지 않고, 운영체제와 앱의 기본 경험으로 들어갑니다. 사용자는 별도의 챗봇 창을 열지 않아도 문서, 사진, 회의, 검색, 코딩 도구 안에서 AI를 쓰게 됩니다.

애플·구글과 다른 마이크로소프트의 강점

애플은 기기와 운영체제를 강하게 통합합니다. 구글은 Android와 검색, Gemini 생태계를 갖고 있습니다. 마이크로소프트의 강점은 기업 업무 환경과 개발자 생태계입니다. Windows, Microsoft 365, Azure, GitHub, Visual Studio, Teams가 이미 업무 흐름 속에 들어가 있습니다.

그래서 마이크로소프트가 온디바이스 AI에서 노리는 시장은 단순한 개인 비서가 아닙니다. 기업 문서, 보안 정책, 회의, 개발, 고객 응대, 현장 업무까지 이어지는 생산성 플랫폼입니다. 이 지점에서 나델라의 전략은 명확합니다. 클라우드 AI와 PC AI를 경쟁시키는 것이 아니라, 하나의 Microsoft 생태계 안에서 연결하려 합니다.

사용자는 무엇을 준비해야 할까

온디바이스 AI 생태계가 본격화되면 사용자와 기업은 PC를 고르는 기준부터 바꿔야 합니다. CPU, RAM, 저장장치만 볼 것이 아니라 NPU 성능, 로컬 모델 지원, 메모리 용량, 보안 정책, 배터리 효율을 함께 봐야 합니다.

기업은 더 신중해야 합니다. 로컬 AI는 개인정보 보호에 유리할 수 있지만, 화면 캡처, 파일 접근, 앱 권한, 로그 저장 방식이 불투명하면 오히려 위험해질 수 있습니다. AI PC 도입은 장비 교체 사업이 아니라 데이터 거버넌스와 업무 설계의 문제입니다.

개인 사용자에게는 새로운 기회도 있습니다. 로컬 LLM과 소형 모델이 좋아질수록 인터넷 연결 없이도 글쓰기, 요약, 검색, 코딩 보조, 지식 관리가 가능해집니다. 이미 로컬 LLM 실사용과 AI 에이전트 학습법은 별도 글에서도 다룬 바 있습니다.

함께 읽으면 좋은 글

• M5 Pro Max 128GB 로컬 LLM 실사용
• AI 에이전트를 학습시키는 법
• 소형 언어 모델과 오픈소스 AI
• AI 취업 공포가 던진 질문
• AI 시대 인간의 가치

결론: 나델라의 목표는 AI PC가 아니라 Windows의 재플랫폼화다

사티아 나델라가 온디바이스 AI에서 노리는 것은 그냥 Copilot 버튼이 달린 PC를 많이 파는 일이 아닙니다. 더 큰 목표는 Windows를 AI 앱과 에이전트가 실행되는 기본 플랫폼으로 다시 세우는 것입니다.

이 변화가 성공하면 PC는 다시 중요한 AI 플랫폼이 됩니다. 클라우드 모델은 더 강력한 두뇌가 되고, 로컬 모델은 빠르고 개인적인 손발이 됩니다. 실패하면 AI PC는 마케팅 용어로 끝날 수 있습니다. 관전 포인트는 명확합니다. 마이크로소프트가 성능, 개발자 도구, 개인정보 신뢰를 동시에 설계할 수 있는가입니다.

FAQ

사티아 나델라는 왜 온디바이스 AI에 집중할까?

AI가 클라우드 서비스에만 머물면 Windows와 PC의 전략적 가치가 약해집니다. 반대로 AI가 PC와 앱 안에서 실행되면 Windows는 다시 핵심 플랫폼이 됩니다.

Copilot+ PC의 먼저 볼 부분은 무엇인가?

먼저 볼 부분은 NPU입니다. 40 TOPS 이상급 AI 가속 성능을 기준으로 로컬 AI 기능을 더 빠르고 전력 효율적으로 실행하려는 하드웨어 기준입니다.

Windows AI Foundry와 Foundry Local은 왜 중요한가?

개발자가 로컬 모델을 앱에 넣고, ONNX Runtime·DirectML·Windows ML 같은 실행 경로를 활용하게 해줍니다. 즉 온디바이스 AI 앱 생태계를 만드는 개발자 도구입니다.

온디바이스 AI는 클라우드 AI를 대체하나?

아닙니다. 민감하고 반복적인 작업은 로컬에서 처리하고, 복잡한 추론과 대규모 지식 처리는 클라우드가 맡는 하이브리드 구조가 유력합니다.

Recall 논쟁이 주는 교훈은 무엇인가?

로컬 처리만으로 신뢰가 생기지는 않는다는 점입니다. 사용자의 명확한 동의, 저장 범위 제어, 삭제 권한, 기업 정책 관리가 함께 있어야 합니다.

참고자료

• Microsoft, Annual Report 2024
• Microsoft Learn, Copilot+ PCs developer guide
• Microsoft Learn, Use local AI with Microsoft Foundry on Windows
• Microsoft Learn, Foundry Local architecture overview
• Microsoft Learn, Foundry Local documentation
• Microsoft Azure Blog, Introducing Phi-3
• Microsoft Learn, Recall overview
• Wikipedia, Satya Nadella

Read in English: What Should Humans Learn When AI Knows Every Answer?

AI 시대 배움의 먼저 볼 부분은 더 많이 아는 사람이 되는 것이 아닙니다. 켄 오노는 EO Korea 강연에서 지식이 가장 싼 자원이 된 시대에도 인간에게 남는 힘을 질문, 연결, 정체성에서 찾습니다.

AI 시대 배움은 왜 지식 경쟁이 아니게 되었나

켄 오노는 대형 언어모델을 처음 진지하게 마주했을 때 큰 충격을 받았다고 말합니다. 전문 수학자들이 만든 어려운 문제조차 AI가 빠르게 따라오는 장면을 보며, “AI보다 앞서야 한다”는 질문이 얼마나 불안정한지 깨달았다는 것입니다.

그는 인간과 AI의 관계를 달리 봅니다. 우사인 볼트와 오토바이를 100m 경주에 세우지 않는 것처럼, 인간은 기계와 같은 방식으로 경쟁할 필요가 없습니다. 이미 사회는 기계가 인간의 신체 능력을 압도한다는 사실을 받아들였습니다. 이제는 지식과 계산에서도 같은 전환을 받아들여야 합니다.

먼저 볼 부분은 지식의 양이 아닙니다. AI가 더 많은 사실을 알고 더 빠르게 계산하는 시대에는, 어떤 문제를 붙들 것인지가 더 더 봐야 합니다. 무엇을 외웠는가보다 왜 그 질문을 해야 하는지, 서로 다른 지식을 어떻게 연결할지가 인간의 차이를 만듭니다.

켄 오노가 말하는 딥 인텔리전스

영상에서 반복되는 메시지는 딥 인텔리전스입니다. 여기서 말하는 지능은 시험 점수나 정답률만 뜻하지 않습니다. 자기 문제를 발견하고, 오래 붙들고, 실패를 겪으면서도 다시 질문하는 힘에 가깝습니다.

오노는 자신의 성장기를 이야기합니다. 그는 수학자 아버지의 기대 속에서 자랐지만, 오히려 그 기대가 정체성의 압박으로 다가왔습니다. “나는 누가 정한 사람이 되어야 하는가”라는 질문이 그를 흔들었습니다. 이 지점에서 그는 라마누잔의 이야기를 만납니다.

라마누잔은 제도권 교육의 전형적인 성공 경로와 거리가 있었습니다. 하지만 그는 자기 방식으로 수학을 붙들었습니다. 오노에게 라마누잔은 천재의 신화가 아니라, 시스템이 놓칠 수 있는 인간의 가능성을 보여주는 사례입니다.

AI 시대에도 같은 질문이 남습니다. 표준화된 시험과 순위는 사람의 일부만 봅니다. 하지만 인간의 배움은 더 넓습니다. 관심, 고집, 불편함, 우연한 만남, 실패 후 다시 시작하는 태도까지 포함합니다.

교육은 체크박스가 아니라 호기심의 회복이다

켄 오노는 학생들이 좋은 학교, 좋은 점수, 좋은 이력이라는 체크박스에 너무 일찍 갇힌다고 지적합니다. 물론 현실의 입시와 평가를 무시할 수는 없습니다. 주의할 점은 그 시스템에 참여하고 있다는 사실을 인식해야 한다고 말합니다.

교육의 출발점은 “무엇을 맞혔는가”가 아니라 “왜 더 알고 싶은가”입니다. 어린아이가 블록을 쌓고 무너뜨리며 노는 장면은 과학의 시작입니다. 아이는 중력이라는 단어를 몰라도 세계가 어떻게 작동하는지 몸으로 탐색합니다.

AI 시대 배움도 이 방향으로 돌아가야 합니다. 지식을 빨리 찾아내는 능력은 AI가 맡을 수 있습니다. 하지만 어떤 질문이 중요한지 느끼고, 질문을 자기 삶의 방향과 연결하는 일은 여전히 인간의 몫입니다.

학생과 직장인이 지금 다시 배워야 할 것

이 강연을 블로그 독자 관점에서 정리하면, AI 시대 배움은 세 가지 훈련으로 바뀝니다.

구분	예전의 학습 관성	AI 시대에 더 중요한 학습
지식	많이 외우고 빠르게 재현하기	필요한 지식을 찾고 검증하고 연결하기
질문	정답이 있는 문제를 풀기	아직 정답이 없는 문제를 정의하기
정체성	평가 기준에 자신을 맞추기	내가 오래 붙들 문제를 선택하기
성과	점수와 스펙으로 증명하기	실제 문제 해결과 기여로 증명하기

학생에게는 “AI를 쓰면 공부가 쉬워진다”보다 더 큰 질문이 해야 합니다. AI가 설명해 주는 답을 받아 적는 것이 아니라, 그 답이 어떤 전제 위에 있는지 묻는 습관이 해야 합니다.

직장인에게도 마찬가지입니다. 보고서 초안, 코드, 요약, 검색은 AI가 빠르게 도와줄 수 있습니다. 하지만 조직의 진짜 문제를 정의하고, 고객의 불편을 읽고, 여러 정보 사이의 관계를 해석하는 일은 사람의 책임으로 남습니다.

완벽주의보다 자기 문제를 끝까지 붙잡는 힘

영상에서 가장 인상적인 문장은 “정체성은 누가 소유하는가”라는 질문입니다. 부모, 학교, 시험, 직장, 알고리즘이 사람의 선택을 대신 정해 주는 순간이 많습니다. 켄 오노는 그 정체성을 자기 자신이 소유해야 한다고 말합니다.

AI 시대에는 이 문제가 더 더 봐야 합니다. AI가 추천하는 진로, AI가 써 준 자기소개서, AI가 정리한 공부 계획은 유용합니다. 하지만 그것이 내 문제인지, 남이 만든 체크리스트인지 구분하지 못하면 배움은 얕아집니다.

좋은 배움은 자기 질문을 남깁니다. “나는 무엇을 더 알고 싶은가”, “나는 어떤 문제에 시간을 쓰고 싶은가”, “내가 배운 것을 누구에게 어떻게 기여할 것인가” 같은 질문입니다.

함께 읽으면 좋은 글

• AI를 쓸수록 똑똑해지는 사람의 6가지 습관
• AI 시대 인간의 가치
• AI 시대 필수 역량, 데미스 하사비스 인터뷰로 정리한 공부의 방향
• 최태원이 말한 AI 시대 미래 인재

정리: AI 시대 배움의 방향

켄 오노의 강연은 AI 시대에 공부를 포기하자는 이야기가 아닙니다. 오히려 배움의 기준을 더 깊게 바꾸자는 제안입니다.

정답을 더 많이 아는 능력은 점점 흔해집니다. 대신 좋은 질문을 세우는 사람, 낯선 지식을 연결하는 사람, 자기 정체성을 잃지 않는 사람이 더 더 봐야 합니다. 그래서 AI 시대 배움의 목표는 AI를 이기는 것이 아니라, AI와 함께 더 인간적인 질문을 할 수 있는 사람이 되는 것입니다.

FAQ

AI 시대에는 암기 공부가 필요 없나요?

기본 지식은 여전히 해야 합니다. 주의할 점은 암기 자체가 목표가 되면 한계가 큽니다. 먼저 볼 부분은 지식을 기억하는 데서 끝내지 않고, 그 지식으로 질문을 만들고 문제를 해석하는 데 있습니다.

켄 오노가 말한 딥 인텔리전스는 무엇인가요?

영상의 맥락에서 딥 인텔리전스는 단순한 지식량이나 계산 능력이 아닙니다. 자기 문제를 발견하고, 서로 다른 지식을 연결하고, 정체성을 걸고 오래 탐구하는 힘에 가깝습니다.

학생에게 가장 중요한 AI 시대 역량은 무엇인가요?

정답을 빨리 찾는 능력보다 질문을 세우는 능력이 더 봐야 합니다. AI가 제시한 답을 검증하고, 그 답을 자기 관심사와 실제 문제에 연결하는 훈련이 해야 합니다.

직장인은 이 강연에서 무엇을 배울 수 있나요?

AI 도구를 쓰는 기술만으로는 부족합니다. 직장인은 조직의 진짜 문제를 정의하고, 여러 정보의 관계를 해석하고, AI 결과물을 현실의 의사결정으로 바꾸는 역할을 강화해야 합니다.

참고자료

• EO Korea YouTube 영상: AI가 모든 답을 아는 시대, 우리가 진짜 배워야 할 단 한 가지
• Axiom Math