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.

---

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

AI 경쟁을 이야기할 때 가장 먼저 떠오르는 단어는 GPU, 초거대 모델, 빅테크입니다. 하지만 스탠포드대 최예진 교수는 조금 다른 질문을 던집니다. “더 크게 만드는 것”만으로 충분한가, 그리고 AI는 정말 더 많은 사람과 조직이 만들고 통제할 수 있는 기술이 되고 있는가라는 질문입니다.

PLUS TV 인터뷰에서 최예진 교수는 대형 언어 모델 중심의 승자독식 구도, 소형 언어 모델의 가능성, 한국의 피지컬 AI 전략. 그리고 AI 시대 개인에게 필요한 역량을 폭넓게 설명했습니다. 이 글은 영상을 단순 요약하기보다, 한국 기업과 개인이 실제로 가져가야 할 판단 기준으로 묶어 봤습니다.

Read in English: Small Language Models and Open Source AI: Can They Break Big Tech Winner-Take-All?

출처 영상

• PLUS TV, “실패하더라도, 남들이 안하는 선택을 하세요”

AI 업계는 하이프에서 현실 점검으로 이동했다

최예진 교수는 지난 1년 사이 AI 업계의 분위기가 바뀌었다고 말합니다. 이전에는 “AI가 곧 모든 것을 바꿀 것”이라는 기대가 컸습니다. 지금은 산업 현장에서 실제 이익이 얼마나 빠르게 확산되는지, 현재 AI가 무엇을 잘 못하는지, 어떤 방식으로 부족한 부분을 보완해야 하는지에 대한 대화가 많아졌습니다.

먼저 볼 부분은 학습 방식입니다. 지금의 생성형 AI는 방대한 데이터를 수동적으로 읽고 패턴을 익히는 방식에 많이 의존합니다. 최 교수는 이를 “문제집을 많이 풀어 성적을 올리는 학생”에 비유합니다. 문제집을 많이 푼다고 창의력이 반드시 좋아지는 것은 아닙니다.

사람은 모르는 것을 다시 묻고, 이해가 안 되는 부분을 되짚고, 자기 방식으로 공부합니다. 반면 현재 AI는 주어진 문장과 문서를 그대로 받아들이는 경우가 많습니다. 앞으로의 중요한 연구 방향은 AI가 더 능동적으로 배우고 추론하도록 만드는 데 있습니다.

왜 ‘남들이 안 하는 선택’이 중요했나

최예진 교수의 커리어에서 흥미로운 지점은 안정적인 길보다 어려운 길을 선택했다는 점입니다. 그는 마이크로소프트에서 소프트웨어 개발자로 일하다가 AI 연구로 방향을 바꿨습니다. 당시 AI는 지금처럼 각광받는 분야가 아니었습니다. 오히려 “AI의 겨울” 이후 전망이 불확실한 비주류 분야에 가까웠습니다.

그럼에도 그는 어렵고 도전적인 분야에 먼저 뛰어드는 것이 장기적으로 의미 있다고 판단했습니다. 특히 자연어 처리 분야에서도 문법 분석보다 ‘상식’과 ‘맥락’을 이해하는 문제에 집중했습니다. 당시에는 상식 연구가 낮게 평가받기도 했지만, 언어를 진짜로 이해하려면 문법만으로는 부족합니다.

문장이 맞아도 맥락을 모르면 의미를 놓칩니다. 사람은 말을 생략하고, 암시하고, 당연한 배경지식을 전제로 대화합니다. AI가 인간 언어를 제대로 이해하려면 이런 상식과 맥락을 다룰 수 있어야 합니다.

대형 모델 경쟁만으로는 부족하다

최 교수는 스케일링 자체를 부정하지 않습니다. 모델을 크게 만들고 데이터를 많이 넣으면 성능이 좋아지는 것은 사실입니다. 문제는 모두가 같은 방향으로만 달릴 때 생깁니다. 초대형 모델 경쟁은 막대한 자본과 GPU를 가진 기업과 국가에 유리합니다.

그렇다면 자본이 상대적으로 작은 국가는 영원히 뒤처질까요? 최 교수는 그렇지 않다고 봅니다. 알고리즘, 데이터 품질, 학습 방식의 개선으로 더 작고 효율적인 모델을 만들 수 있기 때문입니다.

그 근거로 그는 인간의 두뇌를 듭니다. 인간의 뇌는 LED 전구 하나보다 적은 전력을 쓰면서도 복합적 사고를 하고, 적은 데이터로도 많은 것을 배웁니다. 자연이 이미 효율적인 지능 시스템을 보여주고 있다면, AI 연구도 언젠가는 더 작은 자원으로 강력한 성능을 내는 방향을 찾을 수 있습니다.

한국 AI 전략의 먼저 볼 부분은 GPU만이 아니다

한국이 AI 경쟁에서 살아남기 위해 GPU를 확보하는 일은 더 봐야 합니다. 하지만 그것만으로는 충분하지 않습니다. 최예진 교수는 한국이 미국·중국과 같은 자본 규모로만 경쟁하기 어렵다면, 인재와 아이디어, 협력 문화에서 승부해야 한다고 말합니다.

특히 인재 육성은 장기 전략으로 볼 수 있습니다. 중국 AI 생태계가 빠르게 성장한 배경에는 미국에서 공부하고 돌아간 연구자들이 수년간 학생을 길러낸 구조가 있습니다. 단기간의 장비 투자도 필요하지만, 더 멀리 보면 훌륭한 연구자와 엔지니어를 계속 배출하는 시스템이 더 봐야 합니다.

또 하나의 조건은 협력 문화입니다. 조직 내부 정치와 중복 경쟁은 시간과 자원의 낭비입니다. 같은 문제를 각자 따로 풀기보다, 지식과 데이터를 공유하고 서로의 성과를 연결하는 방식이 해야 합니다. AI 경쟁은 개인 천재 한 명의 승부가 아니라 생태계의 승부에 가깝습니다.

피지컬 AI는 한국이 노릴 수 있는 전략적 영역이다

최 교수는 한국의 제조 기반 피지컬 AI 전략을 긍정적으로 봅니다. 피지컬 AI는 로봇, 제조, 물류, 현실 세계의 행동과 관련된 AI를 뜻합니다. 텍스트나 이미지처럼 인터넷에 풍부하게 쌓인 데이터와 달리, 제조 현장과 로봇 행동 데이터는 쉽게 구하기 어렵습니다.

이 점이 오히려 기회입니다. 피지컬 AI는 자본만 투입한다고 빠르게 풀리는 문제가 아닙니다. 현장 지식, 숙련된 인력, 제조 데이터, 실제 문제를 이해하는 역량이 함께 해야 합니다. 한국은 제조업 기반과 현장 운영 경험이 강하기 때문에 이 영역에서 차별화할 수 있습니다.

피지컬 AI가 발전하면 기존 제품을 자동화하는 데 그치지 않습니다. 이전에는 불가능하다고 여겼던 가전, 로봇, 산업 장비, 서비스가 새로 나올 수 있습니다. 이는 새로운 브랜드와 일자리로 이어질 가능성도 있습니다.

관련 흐름은 이전에 정리한 AI 에이전트와 피지컬 AI 글과 함께 보면 더 입체적으로 이해할 수 있습니다.

AI 민주화는 ‘사용 가능’보다 ‘제작 가능’에 가깝다

많은 사람이 이미 ChatGPT 같은 AI 서비스를 쓰고 있습니다. 그래서 “AI는 이미 민주화된 것 아닌가?”라고 생각할 수 있습니다. 하지만 최예진 교수가 말하는 AI 민주화는 그냥 AI를 소비하는 상태와 다릅니다.

그는 링컨의 민주주의 정의를 AI에 빗대어 설명합니다. 생성형 AI는 인간의 지식과 가치를 반영해야 하고, 인간이 만들 수 있어야 하며, 인간 전체에게 도움이 되어야 합니다. 즉 AI 민주화는 “누구나 쓸 수 있다”를 넘어 “다양한 나라와 조직이 만들고 개선하고 통제할 수 있다”에 가깝습니다.

여기서 소형 언어 모델과 오픈소스가 더 봐야 합니다. 모든 조직이 초대형 모델을 만들 만큼의 GPU를 살 수는 없습니다. 하지만 소형 모델이 충분히 좋아지고, 학습 데이터와 훈련 방법이 공유된다면 더 많은 주체가 자기 목적에 맞는 AI를 만들 수 있습니다.

오픈소스는 단순한 무료 공개가 아닙니다. 좋은 연구를 공개하면 전 세계 개발자와 연구자가 모이고, 인재 유입이 생기며, 생태계의 신뢰도 높아집니다. 중국의 일부 AI 기업들이 오픈소스를 통해 인재와 관심을 끌어모은 사례도 이 맥락에서 이해할 수 있습니다.

소형 언어 모델은 어디서 강점을 가질까

대형 언어 모델은 큰 신경망과 막대한 데이터, 대규모 자본을 바탕으로 만들어집니다. 반면 소형 언어 모델은 크기가 작기 때문에 부족한 부분을 다른 방식으로 채워야 합니다. 최 교수는 그 핵심을 데이터 품질에서 찾습니다.

이미 인터넷 데이터는 대형 모델이 대부분 학습했습니다. 같은 데이터를 다시 많이 넣는다고 작은 모델이 큰 모델을 쉽게 따라잡기는 어렵습니다. 대신 인터넷에 없는 고품질 데이터, 특정 분야에 맞춘 데이터, 알고리즘으로 선별된 데이터가 더 봐야 합니다.

소형 모델이 모든 면에서 초대형 모델을 이길 필요는 없습니다. 특정 업무나 기관, 산업 현장에서는 충분히 잘 작동하면서 비용이 훨씬 낮은 모델이 더 현실적인 선택일 수 있습니다. 예를 들어 내부 문서 검색, 고객 응대, 공공기관의 제한된 업무, 제조 현장의 특화 작업에서는 “가장 큰 모델”보다 “충분히 좋고 통제 가능한 모델”이 더 유리할 수 있습니다.

로컬 LLM과 경량 서빙 흐름은 SGLang 로컬 LLM 서빙 엔진 글에서 다룬 흐름과도 연결됩니다.

AI 시대 리더에게 필요한 능력

AI가 많은 지식을 제공하는 시대에는 단순 암기형 전문성이 약해질 수 있습니다. 전문 지식을 많이 외우는 것만으로는 AI와 차별화되기 어렵습니다. 대신 먼저 볼 부분은 AI가 제시한 정보를 바탕으로 다음 질문을 만들고, 자기 관점으로 추론하며, 새로운 가치를 만드는 능력입니다.

최예진 교수는 AI 시대의 리더에게 독창적 사고와 창의력이 필요하다고 말합니다. AI는 거대한 라이브러리처럼 지식을 꺼내 줄 수 있지만, 그 지식을 어디에 연결하고 무엇을 만들지는 사람이 결정해야 합니다.

또 하나의 중요한 능력은 개별성입니다. 최 교수는 인간만이 가진 다양성과 고유한 특징을 AI가 쉽게 대체하기 어렵다고 봅니다. 모두가 같은 답을 빠르게 얻는 시대일수록, 각자가 가진 문제의식과 경험, 질문의 방향이 더 더 봐야 합니다.

이 관점은 AI 시대 필수 역량과 AI 시대 인간의 가치를 다룬 글과도 함께 읽을 만합니다.

개인과 조직을 위한 체크리스트

이 인터뷰를 개인과 조직의 전략으로 바꾸면 다음 다섯 가지 질문이 남습니다.

1. 우리는 AI를 그냥 사용하는가, 아니면 우리 문제에 맞게 만들고 개선할 역량을 갖추고 있는가?
2. GPU와 모델 크기 외에 데이터 품질, 알고리즘, 업무 맥락을 어떻게 축적하고 있는가?
3. 우리 산업의 현장 데이터는 무엇이며, 그것을 피지컬 AI나 특화 모델로 연결할 수 있는가?
4. 내부 경쟁과 정치보다 협력과 공유가 잘 작동하는 구조를 만들고 있는가?
5. 구성원들이 AI 답변을 소비하는 데 그치지 않고, 스스로 질문하고 추론하는 훈련을 하고 있는가?

이 질문에 답하지 못하면 AI 도입은 도구 사용에 머물 수 있습니다. 반대로 이 질문을 조직적으로 다루면 AI는 비용 절감 도구를 넘어 새로운 제품, 서비스, 학습 방식으로 확장될 수 있습니다.

결론: 한국 AI의 승부처는 ‘크기’가 아니라 ‘방향’이다

AI 경쟁에서 큰 모델과 많은 GPU는 분명 더 봐야 합니다. 하지만 그것이 전부라면 승자는 이미 정해져 있을지도 모릅니다. 최예진 교수의 메시지는 여기서 출발합니다. 모두가 같은 방향으로 달릴 때, 다른 질문을 던지는 것이 더 큰 기회가 될 수 있습니다.

한국은 제조 현장, 인재, 빠른 실행력, 협력 구조를 묶어 피지컬 AI와 특화 모델에서 강점을 만들 수 있습니다. 개인은 AI를 잘 쓰는 사람을 넘어, AI와 함께 더 좋은 질문을 만드는 사람이 되어야 합니다.

결국 AI 민주화의 먼저 볼 부분은 더 많은 사람이 버튼을 누르는 것이 아닙니다. 더 많은 사람과 조직이 AI를 이해하고, 만들고, 통제하며, 인간에게 도움이 되는 방향으로 발전시키는 것입니다.

FAQ

AI 민주화란 무엇인가요?

AI 민주화는 그냥 많은 사람이 AI 서비스를 쓰는 상태를 뜻하지 않습니다. 다양한 나라, 조직, 개인이 AI를 만들고 개선하고 통제할 수 있으며, 그 혜택이 특정 기업이나 국가에만 집중되지 않는 상태에 가깝습니다.

소형 언어 모델은 대형 언어 모델을 대체할 수 있나요?

모든 영역에서 완전히 대체하기는 어렵습니다. 주의할 점은 특정 업무, 특정 산업, 제한된 예산의 조직에서는 충분히 좋은 성능과 낮은 비용, 높은 통제 가능성을 제공할 수 있습니다.

한국이 AI 경쟁에서 노릴 수 있는 분야는 무엇인가요?

영상에서 강조된 분야는 피지컬 AI입니다. 제조, 로봇, 물류, 현실 세계의 행동 데이터가 필요한 영역은 인터넷 데이터만으로 해결하기 어렵기 때문에 한국의 제조 역량이 강점이 될 수 있습니다.

AI 시대 개인에게 가장 중요한 역량은 무엇인가요?

AI가 제공한 지식을 그대로 받아들이는 능력보다, 스스로 질문하고 추론하며 새로운 관점을 만드는 능력이 더 봐야 합니다. 최예진 교수는 독창적 사고와 창의력을 핵심 역량으로 강조합니다.

참고자료

• PLUS TV, 실패하더라도 남들이 안하는 선택을 하세요
• Stanford University, Yejin Choi profile
• TIME, TIME100 AI