AI 특이점 이야기는 대개 두 갈래로 흐릅니다. 하나는 “언제 인간을 넘어설 것인가”라는 날짜 맞히기입니다. 다른 하나는 “그래서 내 일과 생활은 언제 달라지는가”라는 체감의 문제입니다.

Read in English: Will the AI Singularity Arrive Within Five Years? Five Questions for Preparing for the Agent Era

EBS 교양 영상 “가장 늦게 온다는 게 5년 뒤입니다”는 두 번째 질문에 더 가깝습니다. 핵심은 거창한 미래 예언이 아닙니다. 챗봇을 넘어, AI가 실제 일을 처리하는 에이전트 단계에 가까워질 때 우리가 무엇을 준비해야 하느냐입니다.

특이점은 날짜보다 ‘체감 지점’이 중요하다

영상에서 특이점은 인공지능이 인간 지능을 넘어서는 전환점으로 설명됩니다. 출연자는 일부 AI 과학자들이 2030년 전후를 말한다는 점을 언급합니다. 그래서 “5년 안에 올 수 있다”는 표현이 나옵니다.

하지만 날짜만 붙잡으면 논의가 쉽게 과장됩니다. 더 중요한 질문은 따로 있습니다. 사람들이 언제 AI를 단순 도구가 아니라 일의 동료, 혹은 대체자로 느끼기 시작하느냐입니다.

그 체감 지점은 초지능이라는 거대한 단어보다 에이전트에 더 가깝습니다. 문서 찾기, 비교 검토, 엑셀 계산, 이메일 발송, 일정 조율처럼 여러 단계를 가진 일을 AI가 이어서 처리하면 사람들은 이미 “이건 다른 국면”이라고 느끼게 됩니다.

관련해서 Thinknote의 AGI와 초지능 위험 정리 글도 함께 보면 좋습니다. 그 글이 큰 위험 지형을 본다면, 이 글은 일상 업무에서 체감되는 변화를 중심으로 봅니다.

왜 디지털 지능은 다르게 움직이나

영상에서 흥미로운 대목은 자연 지능과 디지털 지능의 차이입니다. 인간의 천재성은 개인에게 묶입니다. 한 사람이 평생 쌓은 경험은 기록으로 남더라도 그대로 다른 사람의 능력이 되지는 않습니다.

AI는 다릅니다. 하나의 모델이 도달한 수준은 다음 모델의 출발선이 될 수 있습니다. 로봇 하나가 배운 동작이 전체 로봇군에 복제될 수도 있습니다. 영상에서는 이를 “AI 쪽에서는 아인슈타인이 하나 생기면 바텀 라인이 된다”는 식으로 설명합니다.

또 하나의 차이는 시간입니다. AI는 인간이 수백 년에 걸쳐 반복할 시행착오를 압축된 시간 안에서 시뮬레이션할 수 있습니다. 그래서 특이점 논의는 단순히 “더 똑똑한 기계”의 문제가 아닙니다. 학습 속도, 복제 가능성, 지식 전이 방식이 함께 바뀌는 문제입니다.

에이전트 단계가 오면 무엇이 달라질까

오픈AI의 AGI 단계 논의처럼, AI 발전은 챗봇에서 추론, 에이전트, 혁신가, 조직 수준으로 설명되곤 합니다. 여기서 대중이 가장 먼저 강하게 체감할 단계는 에이전트입니다.

에이전트는 답을 말하는 데서 끝나지 않습니다. 사용자의 목표를 받아 여러 앱과 도구를 다루고, 중간 결과를 확인하며, 필요한 작업을 이어 갑니다. 그래서 에이전틱 AI 시대의 일하는 방식은 이미 개인과 기업 모두에게 현실적인 주제가 됐습니다.

준비도 달라져야 합니다. 프롬프트를 잘 쓰는 수준만으로는 부족합니다. 어떤 작업을 AI에게 맡길지, 어떤 데이터는 맡기면 안 되는지, 결과를 누가 검토할지, 실패했을 때 로그를 어떻게 남길지까지 설계해야 합니다.

할루시네이션은 위험이자 창의성의 그림자다

영상은 할루시네이션 문제도 길게 다룹니다. AI가 그럴듯하지만 틀린 답을 내놓는 문제입니다. 특히 의료, 약, 법률, 금융처럼 틀리면 피해가 큰 영역에서는 치명적입니다.

그런데 할루시네이션을 단순한 버그로만 보면 AI의 성격을 놓치게 됩니다. 영상에서는 “할루시네이션은 버그가 아니라 피처”라는 관점도 소개됩니다. 새로운 조합과 창의적 답변은 어느 정도 상상과 추론의 여지를 필요로 하기 때문입니다.

그래서 실무적 결론은 “AI를 믿지 말자”가 아닙니다. 검증 장치를 붙여서 쓰자에 가깝습니다. 검색 증강, 출처 확인, 계산 도구, 전문가 검토, 업무 로그가 함께 있어야 합니다. 옵시디언 딥리서치 자동화 글에서 다룬 것처럼, AI 활용의 품질은 답변 자체보다 검증 루프에서 갈립니다.

몸을 가진 AI와 현실 세계의 문제

후반부에서는 휴머노이드와 임보디드 AI가 등장합니다. 텍스트와 이미지로만 배운 AI가 과연 세계를 제대로 이해할 수 있느냐는 질문입니다. 연구실에서 실험하고, 물건을 잡고, 넘어지고, 다시 조정하는 경험은 말로만 배운 지식과 다릅니다.

엔비디아의 Cosmos 같은 플랫폼은 이 문제를 가상 세계에서 풀려는 시도입니다. 현실과 비슷한 물리 환경을 시뮬레이션하고, 로봇이나 자율주행 시스템이 그 안에서 대량의 경험을 쌓게 하는 방식입니다.

이 대목은 특이점 논의를 더 현실적으로 만듭니다. 인간을 넘어서는 AI가 어느 날 갑자기 등장한다기보다, 소프트웨어 에이전트와 물리 세계의 로봇이 서로 다른 속도로 발전하며 사회의 여러 영역에 들어오는 그림에 가깝습니다.

개인과 조직이 지금 던져야 할 5가지 질문

영상의 결론은 공포보다 준비에 가깝습니다. AI는 모두를 똑같이 성장시키는 도구가 아닐 수 있습니다. 이미 지식과 자원을 가진 사람을 더 크게 증폭하는 장치가 될 수 있습니다.

그래서 다음 다섯 가지 질문이 필요합니다.

1. 내 일에서 AI가 이미 대신할 수 있는 반복 업무는 무엇인가? 보고서 초안, 자료 조사, 요약, 일정 조율처럼 작은 작업부터 분리해 봐야 합니다.
2. AI에게 맡기면 안 되는 판단은 무엇인가? 법적 책임, 인사 평가, 의료·재무 판단처럼 오류 비용이 큰 영역은 사람의 검토가 필수입니다.
3. AI 결과를 검증하는 루프가 있는가? 출처, 계산, 로그, 재현 가능성을 확인하지 않으면 AI는 빠른 오류 생산기가 될 수 있습니다.
4. 우리 조직의 데이터와 권한은 안전하게 설계되어 있는가? 에이전트가 실제 도구를 조작하려면 권한 관리와 작업 기록이 중요해집니다.
5. 나는 AI에게 좋은 질문을 던질 만큼 배경지식을 갖고 있는가? 영상의 표현처럼 AI 시대는 교양의 복권일 수 있습니다. 질문이 얕으면 답도 얕아집니다.

결론: 특이점보다 먼저 오는 것은 일하는 방식의 변화다

AI 특이점이 정확히 몇 년 뒤에 오는지는 누구도 단정하기 어렵습니다. 지능의 정의도 아직 분명하지 않습니다. 그래서 “2030년”이라는 숫자는 예언이 아니라 경고 신호로 읽는 편이 낫습니다.

분명한 것은 챗봇에서 에이전트로 넘어가는 변화가 이미 시작됐다는 점입니다. AI는 답변 도구에서 실행 도구로 이동하고 있습니다. 이 변화는 개인의 생산성, 조직의 권한 설계, 교육의 방향, 사회적 분배 논의까지 건드립니다.

결국 준비의 핵심은 하나입니다. AI를 더 많이 쓰는 것이 아니라, 무엇을 맡기고 무엇을 검증하며 어떤 질문을 던질지 설계하는 것입니다.

함께 읽기

• AGI는 정말 3~4년 안에 올까: 특이점과 초지능 위험을 읽는 법
• 에이전틱 AI 시대, 기업과 개인은 무엇을 바꿔야 살아남을까
• OpenHuman AI 에이전트란? 로컬 기억을 가진 오픈소스 AI 비서의 가능성과 한계
• 옵시디언 딥리서치 자동화: NotebookLM과 Tavily를 한 번에 쓰는 방법

FAQ

AI 특이점은 정말 5년 안에 오나요?

정확한 시점은 단정할 수 없습니다. 다만 영상은 일부 전문가들이 2030년 전후를 말할 만큼 논의의 시간이 앞당겨졌다는 점을 강조합니다. 날짜보다 중요한 것은 에이전트형 AI가 실제 업무를 처리하기 시작하는 체감 변화입니다.

AGI와 AI 에이전트는 같은 말인가요?

같지는 않습니다. AGI는 인간처럼 다양한 문제를 일반적으로 해결하는 지능을 뜻합니다. AI 에이전트는 목표를 받아 여러 단계를 실행하는 시스템에 가깝습니다. 다만 많은 사람은 에이전트 단계에서 AGI에 가까운 변화를 먼저 체감할 수 있습니다.

AI의 할루시네이션은 없어질 수 있나요?

완전히 사라진다고 보기는 어렵습니다. 대신 검색 증강, 출처 확인, 계산 도구, 전문가 검토를 붙이면 위험을 줄일 수 있습니다. 중요한 영역일수록 AI 답변을 최종 판단으로 쓰지 말고 검증 루프 안에 넣어야 합니다.

AI 시대에 개인이 가장 먼저 준비할 것은 무엇인가요?

도구 목록보다 업무 분해가 먼저입니다. 내 일 중 반복되는 부분, 판단이 필요한 부분, 책임이 큰 부분을 나눠야 합니다. 그다음 AI에게 맡길 일과 사람이 검토해야 할 일을 정할 수 있습니다.

왜 AI 시대에 교양과 질문 능력이 중요해지나요?

AI는 질문의 수준에 크게 영향을 받습니다. 배경지식이 있어야 좋은 질문을 만들고, 그 답이 맞는지 판단할 수 있습니다. 그래서 AI를 잘 쓰는 능력은 단순한 프롬프트 기술이 아니라 지식과 맥락을 다루는 능력에 가깝습니다.

참고자료

• EBS 교양 YouTube 원본 영상
• Google DeepMind, AlphaFold
• NVIDIA, Cosmos
• DeepSeek-R1 논문, arXiv

이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 있습니다.

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.

Read in English: Obsidian Deep Research Automation: How to Use NotebookLM and Tavily Together

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

이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 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

Read in English: Anthropic Mythos Shock: As AI Becomes a Strategic Asset, What Should Korea Prepare?

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

AI 자동화 이야기는 요즘 너무 쉽게 부풀려진다. “AI 에이전트 50개로 회사를 돌린다”, “하루 한 시간만 일한다”, “댓글을 남기면 돈 버는 자동화 레시피를 준다” 같은 문장이 피드에 계속 뜬다.

EO Korea가 공개한 Gumloop 창업자 Max Brodeur-Urbas 인터뷰는 그 흐름에 정면으로 브레이크를 건다. 영상의 주인공은 AI 자동화 플랫폼 회사를 만들고, 대규모 투자를 유치한 창업자다. 그런데 그가 반복해서 말하는 핵심은 의외로 차갑다. AI는 이해를 건너뛰는 지름길이 아니라, 이미 이해한 일을 더 빠르게 실행하게 만드는 도구라는 것이다.

EO Korea 영상 캡처. 이 글은 영상 내용을 그대로 요약하기보다, Gumloop 사례와 외부 자료를 함께 읽어 AI 에이전트 자동화의 현실 조건을 분석한다.

AI 에이전트 자동화의 문제는 ‘에이전트 수’가 아니다

영상 초반 Max는 “AI 에이전트가 회사를 다 운영한다”는 식의 주장을 거의 마케팅으로 본다. 그가 비판하는 지점은 AI 자체가 아니다. 문제는 자동화가 마치 이해와 시행착오를 생략해 주는 것처럼 팔리는 방식이다.

Gumloop의 공식 사이트 문구도 이 관점과 맞닿아 있다. “업무를 이해하는 것이 자동화의 유일한 전제여야 한다”는 메시지를 전면에 내세운다. 즉, 핵심은 개발자가 아닌 사람도 자동화할 수 있게 만드는 것이다. 하지만 그 사람은 최소한 자신이 자동화하려는 업무를 알아야 한다.

이 차이가 중요하다. AI 에이전트 자동화는 “무엇이든 대신 해주는 비서”에 가깝지 않다. 오히려 여러 도구, 데이터, 승인 절차, 반복 작업을 하나의 흐름으로 묶는 실행 인프라에 가깝다.

Gumloop 사례가 보여주는 새로운 자동화 시장

YC 회사 페이지는 Gumloop을 “AI로 반복적이고 복잡한 워크플로를 끝까지 자동화하는 플랫폼”으로 설명한다. 사용자는 모듈을 드래그 앤 드롭 방식으로 연결해 자동화를 만든다. 코드 작성보다 빠르게 테스트하고 운영할 수 있게 만드는 것이 목표다.

EO 기사와 TechCrunch, BetaKit 보도도 비슷한 흐름을 보여준다. Gumloop은 2026년 3월 Benchmark가 주도한 5,000만 달러 규모의 Series B 투자를 유치했고, 누적 조달액은 약 7,000만 달러 수준으로 소개된다. 이 숫자보다 더 중요한 것은 투자자들이 본 시장의 방향이다. 기업 안의 직원이 직접 AI 에이전트를 만들고, 반복 업무를 운영 가능한 형태로 묶는 시장이다.

Gumloop이 흥미로운 이유는 “모델 성능 경쟁”만을 이야기하지 않기 때문이다. 공식 사이트는 데이터 분석, 지원 티켓 분류, CRM 관리, 회의 준비, 통화 분석 같은 구체적인 업무 에이전트를 전면에 배치한다. 추상적인 AGI보다 실제 부서의 반복 업무가 앞에 나온다.

클릭 한 번 자동화가 실패하는 4가지 이유

AI 에이전트 자동화가 실패하는 이유는 대개 기술 부족 하나로 끝나지 않는다. 영상과 외부 자료를 종합하면 네 가지 조건이 보인다.

1. 업무를 모르면 자동화할 기준도 없다

AI가 결과를 내더라도 그 결과가 맞는지 판단할 사람이 필요하다. 영업 리드 분류, 고객 문의 triage, 보고서 작성, 회의 준비는 모두 조직마다 기준이 다르다. 업무 맥락을 모르면 자동화는 빠른 실행이 아니라 빠른 오류가 된다.

2. 데이터 연결 없이는 에이전트가 빈손이다

기업 자동화는 챗봇 하나로 끝나지 않는다. CRM, 문서, 이메일, 데이터베이스, 티켓 시스템, 캘린더가 연결되어야 한다. 그래서 Gumloop 같은 플랫폼은 모델보다 연결과 실행 흐름을 강조한다.

3. 반복 실행에는 통제와 관찰이 필요하다

한 번 성공한 프롬프트와 매일 돌아가는 업무 자동화는 다르다. 반복 작업에는 실패 알림, 승인 단계, 로그, 권한 관리가 필요하다. AI 에이전트가 많아질수록 “누가 무엇을 했는지”를 볼 수 있어야 한다.

4. 자동화는 학습을 대신하지 않는다

Max는 AI를 학습 도구로 쓰는 것과 이해를 건너뛰는 것을 구분한다. AI가 설명하고 도와줄 수는 있다. 하지만 사용자가 왜 그런 결과가 나왔는지 전혀 모른다면, 자동화는 실력의 확장이 아니라 의존의 확대가 된다.

비개발자 자동화의 진짜 의미

Gumloop이 말하는 비개발자 자동화는 “아무나 아무렇게나 만든다”가 아니다. 더 정확히 말하면 업무 담당자가 엔지니어에게 모든 요구사항을 번역해 넘기지 않아도 된다는 뜻이다.

마케터는 캠페인 리드 흐름을 안다. 영업 담당자는 CRM 업데이트의 귀찮은 지점을 안다. HR 담당자는 반복되는 후보자 커뮤니케이션을 안다. 운영 담당자는 예외 처리가 어디서 터지는지 안다. 이들이 자동화의 설계자가 될 수 있다면, 기업의 AI 도입 속도는 확실히 빨라진다.

다만 여기에도 조건이 있다. 조직은 자동화 권한을 어디까지 줄지 정해야 한다. 어떤 데이터에 접근할 수 있는지, 어떤 작업은 승인 후 실행해야 하는지, 실패했을 때 누가 책임지는지도 정해야 한다. AI 에이전트 도입은 도구 구매가 아니라 운영 방식의 재설계다.

AI 업무 자동화를 시작할 때 확인할 체크리스트

AI 에이전트 자동화를 도입하려는 개인이나 조직이라면, 먼저 다음 질문을 던지는 편이 낫다.

1. 반복되는 업무가 실제로 존재하는가?
2. 그 업무의 성공 기준을 담당자가 말로 설명할 수 있는가?
3. 필요한 데이터와 도구가 연결 가능한가?
4. 실패했을 때 멈추거나 검토할 장치가 있는가?
5. 자동화 결과를 개선할 피드백 루프가 있는가?

이 다섯 가지가 없다면 에이전트를 늘리는 일은 큰 의미가 없다. 반대로 이 조건이 있다면 작은 자동화 하나도 조직의 일하는 방식을 바꿀 수 있다.

Thinknote의 AI 에이전트 글과 함께 읽기

이 글의 관점은 Thinknote의 기존 AI 에이전트 글과도 이어진다.

• Hermes Agent 데스크톱 앱: AI 에이전트 대중화의 다음 인터페이스 — 에이전트를 실제로 쓰게 만드는 인터페이스 문제를 다룬 글이다.
• AI 에이전트를 학습시키는 법: Hermes Agent로 AI 네이티브 조직 만들기 — 반복 가능한 업무 방식과 스킬화 관점을 설명한다.
• AI 네이티브 전환법: 디지털 두뇌와 AI 에이전트로 일하는 방식 바꾸기 — 개인과 조직의 지식 시스템 관점에서 AI 활용을 바라본다.
• AI 에이전트 시대, 나의 완벽한 비서는 어디까지 믿을 수 있을까 — AI 비서에 대한 기대와 검증 문제를 함께 볼 수 있다.

결론: AI 에이전트는 ‘대체’보다 ‘운영’의 문제다

Gumloop 창업자 인터뷰가 던지는 메시지는 단순하다. AI가 모든 일을 알아서 해준다는 약속은 매력적이지만 위험하다. 실제 가치는 자신이 잘 아는 업무를 더 빠르고 안정적으로 실행할 때 나온다.

그래서 AI 에이전트 자동화의 질문은 “몇 개의 에이전트를 쓰느냐”가 아니다. 더 좋은 질문은 이것이다.

내가 자동화하려는 업무를 충분히 이해하고 있는가. 그리고 그 자동화가 매일 돌아가도 괜찮을 만큼 검증·권한·피드백 구조를 갖추고 있는가.

이 질문에 답할 수 있을 때, AI 에이전트는 유행어가 아니라 일하는 방식의 인프라가 된다.

FAQ

AI 에이전트 자동화는 무엇인가요?

AI 에이전트 자동화는 AI 모델을 이용해 반복 업무, 데이터 처리, 도구 간 작업, 알림, 보고, 분류 등을 하나의 실행 흐름으로 묶는 방식입니다. 단순한 챗봇보다 업무 시스템과 연결되는 실행성이 중요합니다.

Gumloop은 어떤 회사인가요?

Gumloop은 비개발자도 모듈을 연결해 AI 기반 업무 자동화를 만들 수 있게 하는 플랫폼입니다. YC 회사 페이지와 공식 사이트는 반복적이고 복잡한 워크플로를 AI로 자동화하는 데 초점을 둔다고 설명합니다.

AI 에이전트가 있으면 업무 이해가 필요 없나요?

아닙니다. 영상에서 Max Brodeur-Urbas가 강조하듯 AI는 이해를 대체하기보다 이미 이해한 일을 더 빠르게 실행하도록 돕는 도구에 가깝습니다. 결과를 평가하고 개선할 기준은 여전히 사람이 가져야 합니다.

기업이 AI 자동화를 도입할 때 가장 먼저 볼 것은 무엇인가요?

반복 업무의 존재, 성공 기준, 데이터 연결 가능성, 권한 관리, 실패 시 검토 체계가 먼저입니다. 도구 선택은 그다음입니다.

AI 자동화 플랫폼과 일반 챗봇의 차이는 무엇인가요?

일반 챗봇은 대화와 답변에 초점이 있습니다. AI 자동화 플랫폼은 데이터 소스, 업무 도구, 반복 실행, 승인 단계, 결과 기록까지 포함한 워크플로 운영에 초점을 둡니다.

참고자료

• EO Korea, 1,000억 투자 받은 AI 스타트업 대표의 찐 조언 | Gumloop, Max Brodeur-Urbas
• EO, Zapier Won No-Code. Claude Has the Models. Why Did Benchmark Bet $50M on Gumloop?
• Gumloop 공식 사이트
• Gumloop, Announcing Gumloop’s $50M Series B
• Y Combinator, Gumloop company profile
• TechCrunch, Gumloop lands $50M from Benchmark
• BetaKit, Gumloop sticks $50-million USD Series B round

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