AI 에이전트는 이제 “하나의 챗봇”이 아니라 작업팀이 되고 있다

AI 도구를 실제 업무에 붙여 보면 곧 한계가 보입니다. 한 모델에게 묻고 답을 받는 방식만으로는 메일 분류, 노트 관리, 리포트 작성, 이미지 생성, 코드 검토처럼 긴 작업 흐름을 안정적으로 처리하기 어렵습니다.

배움의 달인 채널의 영상은 이 변화를 Grokbot, Buzz, Hermes 봇 모드 비교로 보여줍니다. 핵심 질문은 단순합니다. “무엇이 제일 똑똑한가?”가 아니라 “내 업무를 계속 맡겨둘 수 있는 구조는 무엇인가?”입니다.

한눈에 보는 선택 기준

• Grokbot: 가장 쉽게 시작하고 싶고, 봇마다 VM 기반 작업 공간을 붙여 쓰고 싶을 때 유리합니다.
• Buzz: 슬랙처럼 스레드로 작업을 관리하고, 에이전트별 모델을 세분화하고 싶을 때 적합합니다.
• Hermes 봇 모드: 여러 모델과 봇 프로파일을 업무별로 나누고, 봇 간 커뮤니케이션을 구성하고 싶을 때 맞습니다.

세 도구는 경쟁 관계라기보다 업무 환경에 따라 역할이 다릅니다. 개인은 Grokbot으로 시작하고, 반복 작업이 늘어나면 Buzz나 Hermes처럼 역할 분리가 쉬운 구조를 붙이는 식으로 접근할 수 있습니다.

Grokbot: VM이 붙은 쉬운 에이전트 출발점

영상에서 가장 먼저 소개되는 도구는 Grokbot입니다. 김문정 진행자는 Grokbot을 “봇 하나가 한 대의 가상 컴퓨터를 가진 것처럼 쓸 수 있다”고 설명합니다.

이 말의 의미는 큽니다. 예전에는 Mac Mini처럼 24시간 켜둘 장비를 마련하고, 그 위에 에이전트 환경을 올리는 방식이 필요했습니다. 반면 Grokbot은 봇 안의 VM을 활용해 Obsidian 볼트를 열고, 노트를 읽고, 글을 쓰고, 다른 봇을 만들게 하는 흐름을 보여줍니다.

Grokbot이 잘 맞는 사용자는 다음과 같습니다.

• 별도 서버나 Mac Mini 없이 에이전트 실험을 시작하고 싶은 사람
• Obsidian, Gmail, 웹 검색처럼 개인 업무 도구를 AI와 연결하고 싶은 사람
• 복잡한 배포보다 “일단 봇을 만들고 시켜보는 경험”이 중요한 사람
• 투자 리포트, 파트너십 메일 분류, 개인 지식관리처럼 개인 비서형 자동화를 원하는 사람

다만 VM과 플러그인이 붙는 순간 권한 관리도 중요해집니다. 이메일, 계좌, API, 개인 노트를 연결한다면 “무엇을 읽게 할지”와 “무엇을 실행하게 할지”를 분리해야 합니다.

Buzz: 스레드와 멀티모델 관리에 강한 협업형 에이전트

Buzz는 영상에서 슬랙과 비슷한 에이전트 작업 공간으로 소개됩니다. 작업마다 스레드가 만들어지고, 어떤 작업을 했는지 추적하기 쉬운 구조가 장점입니다.

또 하나의 강점은 모델 선택입니다. 영상에서는 Buzz가 Grokbot과 달리 에이전트의 두뇌가 되는 AI provider를 목적에 맞게 바꿀 수 있다고 설명합니다. Codex, Cursor, xAI, Upstage 계열 모델처럼 작업에 맞춰 모델을 다르게 붙이는 방식입니다.

Buzz가 잘 맞는 상황은 다음과 같습니다.

• 여러 작업을 스레드 단위로 나눠 관리해야 할 때
• 에이전트마다 다른 모델이나 도구를 붙이고 싶을 때
• 오픈소스 기반으로 직접 배포하거나 커스터마이즈하고 싶을 때
• 이미지 생성, X 검색, MCP 연결처럼 외부 도구를 조합하는 실험을 하고 싶을 때

영상 설명에는 Buzz GitHub 링크가 함께 제시됩니다. 오픈소스라는 점은 장점이지만, 직접 배포·보안·업데이트를 관리해야 한다는 뜻이기도 합니다.

Hermes 봇 모드: 멀티모델 봇과 역할 분리에 강한 선택지

영상 후반부에서는 Hermes 봇 모드가 소개됩니다. 설명의 핵심은 기존 프로파일이나 모델 사용 방식을 봇 단위로 바꾸고, 봇과 봇 사이의 커뮤니케이션을 구성할 수 있다는 점입니다.

Hermes 쪽의 강점은 특정 모델 하나가 아니라, 업무별 역할과 도구 접근을 분리하는 데 있습니다. 예를 들어 한 봇은 자료 조사, 다른 봇은 초안 작성, 또 다른 봇은 보안 점검을 맡도록 나눌 수 있습니다.

Hermes가 잘 맞는 상황은 다음과 같습니다.

• 이미 여러 AI 모델이나 에이전트 워크플로를 쓰고 있는 경우
• 업무별 봇 역할을 명확히 나누고 싶은 경우
• 파일, 브라우저, 크론, 워드프레스 같은 실제 도구 실행까지 연결하고 싶은 경우
• 한 번의 답변보다 반복 실행과 검증이 중요한 업무가 많은 경우

실전 업무에서는 “AI끼리 회의”보다 승인선이 중요하다

영상에는 X 검색, 이미지 생성, Gmail 제안 분석, 투자 리포트처럼 실제 업무에 가까운 사례가 등장합니다. 이런 사례는 에이전트 시대의 방향을 잘 보여주지만, 동시에 위험 지점도 드러냅니다.

AI 에이전트가 여러 개가 되면 생산성은 올라갈 수 있습니다. 하지만 잘못된 메일 답장, 잘못된 투자 판단, 민감한 이미지 생성, 내부 자료 유출 같은 문제도 커집니다.

그래서 실무 적용의 기준은 다음처럼 잡는 것이 안전합니다.

1. 읽기 권한과 실행 권한을 분리한다.
2. 메일 발송, 결제, 매매, 배포는 사람 승인 후 실행한다.
3. 에이전트별 역할을 고정하고 결과를 비교한다.
4. 실패 로그와 근거를 남기게 한다.
5. 개인 토큰과 내부 문서는 공유 봇 템플릿에 넣지 않는다.

어떤 도구부터 쓰면 좋을까

처음 시작한다면 Grokbot처럼 진입장벽이 낮은 도구로 개인 업무 하나를 자동화해보는 것이 좋습니다. 예를 들어 “Obsidian 노트 정리”, “Gmail 제안 메일 분류”, “주간 리포트 초안”처럼 읽기 중심 작업이 적합합니다.

작업 수가 늘어나고 스레드 관리가 필요해지면 Buzz가 더 편할 수 있습니다. 여러 모델과 MCP를 직접 붙이고 싶은 사용자라면 오픈소스 기반의 확장성이 장점입니다.

이미 여러 봇과 모델을 쓰고 있고, 도구 실행과 검증까지 엮고 싶다면 Hermes 봇 모드 같은 구조가 유리합니다. 이 경우 핵심은 모델 성능보다 “역할·권한·검증 루틴”입니다.

함께 읽으면 좋은 글

• Grok Bot과 Herdr로 24시간 AI 에이전트 작업환경 만들기
• Buzz 오픈소스 AI 협업 툴: 슬랙처럼 AI 에이전트와 일하는 법
• AI 에이전트 자동화, 어디까지 맡길 수 있을까
• AI 브라우저 Aside, 웹을 대신 조작하는 에이전트 브라우저의 등장

FAQ

Grokbot, Buzz, Hermes 중 하나만 골라야 하나요?

꼭 하나만 고를 필요는 없습니다. Grokbot은 쉬운 시작과 VM 활용, Buzz는 스레드형 협업과 모델 선택, Hermes는 역할 분리와 도구 실행 워크플로에 강점이 있습니다.

비개발자도 AI 에이전트를 쓸 수 있나요?

가능합니다. 다만 이메일, 계좌, 내부 문서처럼 민감한 도구를 연결하기 전에는 읽기 권한부터 시작하고, 실행은 사람 승인 후 하도록 설정하는 것이 안전합니다.

Buzz는 왜 오픈소스라는 점이 중요한가요?

오픈소스는 직접 배포하고 고칠 수 있다는 장점이 있습니다. 반대로 서버 운영, 접근 권한, 업데이트 책임도 사용자가 더 많이 가져간다는 뜻입니다.

AI 에이전트 업무 자동화에서 가장 먼저 정할 것은 무엇인가요?

도구보다 먼저 “어떤 작업을 맡길지”와 “어디까지 자동 실행을 허용할지”를 정해야 합니다. 승인선 없이 메일 발송, 결제, 매매, 배포를 맡기는 것은 위험합니다.

참고자료

• 배움의 달인, Grok Bot vs Buzz vs Hermes 비교 영상
• Buzz GitHub 저장소
• Hermes Agent 공식 문서

AI를 잘 쓰는 사람과 못 쓰는 사람의 차이는 도구 목록에서 갈리지 않습니다. 같은 ChatGPT, Claude, Gemini를 써도 어떤 사람은 바로 쓸 만한 결과를 얻고, 어떤 사람은 두루뭉술한 답만 받습니다. 고객의눈 김팀장 영상에서 젬마는 이 차이를 “AI에게 일을 시키는 방식”에서 찾습니다.

영상의 핵심은 단순합니다. AI 시대에 사장님이 배워야 할 것은 모든 기술을 직접 구현하는 일이 아닙니다. 오히려 내 브랜드, 내 고객, 내 목적을 알고 AI에게 정확히 지시하는 디렉터의 역할입니다. 그래서 AX, 즉 AI 전환의 출발점은 자동화가 아니라 사고법입니다.

AX는 딸깍 자동화가 아니라 일하는 방식의 전환입니다

요즘 SNS에는 “클로드로 딸깍했더니 결과물이 나왔다”는 영상이 많습니다. 이런 장면은 매력적이지만 동시에 불안을 만듭니다. 나만 뒤처지는 것 같고, 당장 뭔가를 배워야 할 것 같습니다.

하지만 영상은 그 불안을 조금 다르게 해석합니다. 정말 중요한 것은 화려한 결과물이 아니라 그 결과물이 나오기까지의 과정입니다. AI가 아무리 좋아도 우리 가게만의 브랜드 스토리, 고객의 맥락, 팔지 말아야 할 고객, 지켜야 할 제약조건은 사장님이 알려줘야 합니다. 이 앞단이 없으면 AI는 의미 없는 결과물을 빠르게 많이 만들 뿐입니다.

AI 에이전트는 ‘대리인’입니다

젬마는 AI 에이전트를 “결과를 만들어 주는 대리인”에 가깝게 설명합니다. 예전의 AI 사용은 채팅창에서 조언을 받는 느낌이 강했습니다. 반면 AI 에이전트는 포스터, 리서치, 콘텐츠, 워크플로우처럼 끝에 남는 결과물을 만들어 주는 방향으로 확장됩니다.

그렇다고 모든 것을 한 번에 자동화하는 거대한 시스템만 에이전트인 것은 아닙니다. 작은 결과물을 끝까지 만들어 주는 것도 에이전트적 사용입니다. 중요한 질문은 “AI가 무엇을 할 수 있나”가 아니라 “내가 어떤 결과를 대리시킬 것인가”입니다.

생성형 AI의 본질: 너무 많은 데이터에서 꺼내기

생성형 AI는 방대한 데이터를 학습했습니다. 이 말은 “무조건 필요한 정보가 있다”는 장점이기도 하지만, 동시에 “정확히 꺼내기 어렵다”는 단점이기도 합니다. 영상에서는 이를 모래사장에서 원하는 모래알을 찾는 일에 비유합니다.

그래서 “삼겹살집 찾아줘”처럼 열린 요청을 하면 AI는 일반적인 답을 냅니다. 내가 어떤 상황인지, 누구와 가는지, 왜 가는지, 무엇을 피해야 하는지 알려주지 않았기 때문입니다. 데이터가 많을수록 요청은 더 구체적이어야 합니다.

STIC 프롬프트란 무엇인가

영상에서 소개된 핵심 프레임은 STIC입니다. Situation, Task, Intent, Constraint의 약자입니다. 한국어로 풀면 상황, 과업, 의도, 제약조건입니다.

• Situation: 지금 내가 처한 상황은 무엇인가
• Task: AI가 구체적으로 해야 할 일은 무엇인가
• Intent: 이 일을 하는 진짜 목적은 무엇인가
• Constraint: 반드시 지켜야 하거나 제외해야 할 조건은 무엇인가

이 네 가지는 단순한 프롬프트 기술이 아닙니다. 일 잘하는 상사가 직원에게 일을 시킬 때 쓰는 기본 구조와 같습니다. 배경을 설명하고, 요청을 구체화하고, 의도를 알려주고, 하지 말아야 할 것을 분명히 하는 것입니다.

“몇 가지와 이유”를 함께 요구해야 합니다

AI에게 “알려줘”라고만 하면 답은 넓고 흐릿해집니다. 영상에서는 “몇 가지로 가져와”라고 요청하라고 말합니다. 예를 들어 “우리 매장에 맞는 이벤트 아이디어 5가지를 가져와”처럼 범위를 정하는 것입니다.

여기에 “왜 그 아이디어를 골랐는지 이유도 함께 가져와”를 붙이면 선택이 쉬워집니다. 사장님은 AI가 낸 결과를 그대로 쓰는 사람이 아니라, 여러 선택지 중에서 판단하는 사람입니다. 이유가 있어야 판단할 수 있습니다.

의도와 제약조건이 결과의 품질을 바꿉니다

같은 삼겹살집을 찾아도 목적이 다르면 답이 달라집니다. 가족 외식인지, 썸남과의 데이트인지, 회식인지에 따라 좋은 장소의 기준이 달라집니다. 그래서 AI에게 “왜 이 일을 하는지”를 알려줘야 합니다.

제약조건도 중요합니다. 의료광고법에 걸리지 않는 표현, 건강기능식품으로 오해되지 않는 문장, 특정 고객군을 제외한 타깃, 브랜드 톤앤매너처럼 넘어가면 안 되는 선을 미리 알려줘야 합니다. 좋은 AI 활용은 더 많이 시키는 것이 아니라, 가야 할 길과 가지 말아야 할 길을 분명히 하는 일입니다.

브랜드 AI 활용의 핵심은 워크플로우입니다

영상 후반부는 AI 숏폼 콘텐츠 제작 예시를 다룹니다. 여기서 중요한 메시지는 결과물보다 워크플로우입니다. 릴스에서는 완성된 영상만 보여주지만, 실제 현장에서는 레퍼런스를 찾고, 제품 장점과 리뷰를 정리하고, 어떤 콘셉트가 브랜드에 맞는지 검토하는 지지부진한 과정이 필요합니다.

이 과정이 바로 자산입니다. 한 번 워크플로우를 만들면 다음 콘텐츠를 만들 때 더 빨라지고, 다른 직원이 배워서 개선할 수도 있습니다. 기업의 AI 역량은 개별 결과물이 아니라, 반복 가능한 과정으로 축적됩니다.

AI 숏폼은 현실을 흉내 내기보다 AI답게 만들어야 합니다

영상에서 흥미로운 지점은 AI 숏폼의 방향입니다. 너무 실제 사람과 똑같이 만들려고 하면 불쾌한 골짜기가 생길 수 있습니다. 사람들은 미묘하게 어색한 지점에 집중하고, 정작 전달하려는 메시지는 흐려집니다.

그래서 오히려 AI이기 때문에 가능한 방식이 필요합니다. 강아지가 말을 하거나, 현실에서 불가능한 장면을 과장되게 보여주거나, 제품의 특징을 캐릭터화하는 식입니다. 이것이 영상에서 말한 “AI 해자”에 가깝습니다. AI를 사람 흉내에 쓰는 것이 아니라, AI라서 가능한 표현에 쓰는 것입니다.

레퍼런스는 베끼기가 아니라 번역입니다

좋은 콘텐츠를 만들려면 레퍼런스가 필요합니다. 그러나 레퍼런스를 그대로 베끼면 브랜드 자산이 되지 않습니다. 좋은 방식은 레퍼런스의 구조를 분석하고, 내 제품 자료와 고객 페르소나에 맞게 번역하는 것입니다.

예를 들어 동물 인터뷰 형식의 숏폼을 참고하더라도, 그대로 따라 하는 것이 아니라 내 제품의 장점, 고객의 불편, 리뷰 문장, 사용 장면을 결합해야 합니다. AI는 이 재조합을 도와줄 수 있지만, 무엇을 살리고 무엇을 버릴지는 사람이 정해야 합니다.

사장님은 기술자가 아니라 디렉터가 되어야 합니다

소상공인에게 “모든 AI 도구를 배우라”고 말하는 것은 현실적이지 않습니다. 사장님은 이미 매장 운영, 고객 응대, 매출 관리, 직원 관리로 바쁩니다. 그래서 더 중요한 것은 기술 구현자가 되는 것이 아니라, 방향을 정하는 디렉터가 되는 일입니다.

디렉터는 브랜드의 가치와 고객의 페르소나를 압니다. 어떤 고객을 받을지뿐 아니라 어떤 고객을 받지 않을지도 압니다. 어떤 표현은 쓰면 안 되는지, 어떤 톤은 브랜드와 맞지 않는지도 압니다. 이 기준이 있어야 AI 에이전트가 좋은 직원처럼 작동합니다.

변하는 것과 변하지 않는 것을 함께 잡아야 합니다

영상의 마지막 메시지는 양손잡이 전략에 가깝습니다. AI, 릴스, 검색 엔진, AEO, GEO 같은 채널과 기술은 계속 바뀝니다. 사장님은 이 변화를 알아야 결정을 내릴 수 있습니다.

하지만 변하지 않는 것도 있습니다. 고객을 이해하는 일, 브랜드의 가치, 현금 흐름, 고객과의 관계입니다. AI 전환은 이 변하지 않는 뿌리를 버리는 일이 아니라, 그것을 더 빠르고 정교하게 표현하는 도구를 얻는 일입니다.

결론: AI 시대에 더 귀해지는 것은 ‘시키는 힘’입니다

AI가 좋아질수록 더 중요해지는 것은 프롬프트 한 줄의 기술이 아닙니다. 상황을 정리하고, 원하는 결과를 정의하고, 목적을 설명하고, 제약조건을 세우는 힘입니다. 이것이 STIC 프롬프트의 의미입니다.

딸깍 자동화는 마지막 단계입니다. 먼저 해야 할 일은 내 브랜드의 가치와 고객 페르소나를 정리하고, 반복 가능한 워크플로우를 만드는 것입니다. AI 시대의 사장님에게 필요한 생존공식은 “AI를 배우는 것”보다 “AI에게 일을 잘 시키는 구조를 갖추는 것”에 가깝습니다.

함께 읽으면 좋은 글

• AEO·GEO 시대, 네이버 블로그 마케팅은 어떻게 바뀌어야 하나
• AI 에이전트 자동화, 클릭 한 번의 환상보다 중요한 것
• 에이전틱 AI 시대, 기업과 개인은 무엇을 바꿔야 살아남을까
• AI 네이티브 전환법: 디지털 두뇌와 AI 에이전트로 일하는 방식 바꾸기

참고자료

• 고객의눈 김팀장: AI 시대 생존공식과 AX 활용법 인터뷰 영상

FAQ

AX란 무엇인가요?

AX는 AI Transformation, 즉 AI 전환을 뜻합니다. 단순히 AI 도구를 쓰는 것을 넘어 업무 방식, 의사결정, 콘텐츠 제작, 고객 관리에 AI를 구조적으로 반영하는 변화입니다.

STIC 프롬프트는 무엇인가요?

STIC는 Situation, Task, Intent, Constraint의 약자입니다. AI에게 상황, 해야 할 일, 목적, 제약조건을 함께 알려줘 원하는 결과를 더 정확히 얻기 위한 프롬프트 구조입니다.

소상공인도 AI 에이전트를 써야 하나요?

모든 도구를 다 배울 필요는 없습니다. 다만 브랜드 스토리, 고객 페르소나, 반복 업무를 정리해 AI에게 맡길 수 있는 구조를 만드는 것은 점점 중요해지고 있습니다.

AI 숏폼을 만들 때 가장 먼저 해야 할 일은 무엇인가요?

완성 영상을 바로 만들기보다 레퍼런스, 제품 장점, 고객 후기, 브랜드 톤, 피해야 할 표현을 먼저 정리해야 합니다. 이 준비가 있어야 AI 결과물이 브랜드에 맞게 나옵니다.

딸깍 자동화가 위험한 이유는 무엇인가요?

기획 없이 자동화하면 의미 없는 결과물을 빠르게 많이 만들 수 있습니다. AI가 만든 결과물이 쓸모 있으려면 사람이 목적과 기준을 먼저 정해야 합니다.

AI 도구를 하나만 쓰는 시대는 빠르게 지나가고 있습니다. Codex로 리팩터링을 돌리고, Claude Code로 테스트를 짜고, Grok으로 리서치를 시키는 식의 작업은 이제 낯설지 않습니다. 문제는 작업이 흩어진다는 점입니다. 어느 AI에게 무엇을 시켰는지, 누가 어떤 맥락을 알고 있는지, 결과를 어떻게 팀과 공유할지 계속 관리해야 합니다.

코드팩토리 영상이 소개한 Buzz는 바로 이 문제를 겨냥한 오픈소스 협업 툴입니다. 한마디로 말하면 “AI 에이전트와 사람이 함께 쓰는 슬랙형 워크스페이스”에 가깝습니다. 다만 단순한 채팅 앱이 아니라, 로컬 구독 AI를 활용하고, 메시지를 서명하며, 프로젝트와 Git 기록까지 묶으려는 점이 다릅니다.

Buzz는 무엇을 해결하려는 도구인가

Buzz의 출발점은 여러 AI를 동시에 쓰는 사람의 불편입니다. AI 도구를 많이 쓰는 사람은 대개 한 화면에서만 일하지 않습니다. 터미널, 웹 UI, 데스크톱 앱, 브라우저 탭, 팀 메신저를 오가며 작업합니다. 사용량 제한이 걸리면 작업 내용을 정리해 다른 AI에게 넘겨야 하고, 팀원에게 공유하려면 별도로 요약해야 합니다.

Buzz는 이 흐름을 슬랙형 스레드로 묶으려 합니다. 사람과 AI 에이전트가 같은 채널에 들어오고, 각 에이전트는 서로 다른 AI 백엔드를 사용할 수 있습니다. 한 스레드에서 리서치, 썸네일 기획, 코드 작성, 프로젝트 커밋이 이어지면 맥락이 분산되지 않습니다.

핵심은 “AI용 슬랙”보다 “맥락 보존”입니다

Buzz를 단순히 오픈소스 슬랙이라고만 보면 기능을 작게 이해하게 됩니다. 더 중요한 가치는 맥락 보존입니다. AI 시대의 작업은 결과물보다 과정이 중요할 때가 많습니다. 어떤 프롬프트를 줬는지, 어떤 에이전트가 어떤 응답을 했는지, 사람이 어디서 개입했는지, 어떤 코드가 커밋됐는지가 모두 다음 작업의 맥락이 됩니다.

기존 메신저는 사람의 대화를 저장하는 데 강합니다. 반면 Buzz는 사람과 AI 에이전트의 공동 작업을 기록하려고 합니다. 그래서 채널, DM, 스레드, 프로젝트, 커밋이 하나의 흐름으로 이어집니다.

서버를 믿는 대신 메시지를 검증하는 구조

영상에서 특히 흥미로운 부분은 Buzz의 신뢰 구조입니다. 일반적인 슬랙형 서비스는 중앙 서버를 믿습니다. 서버가 “이 메시지는 이 사용자가 보냈다”고 기록하면 사용자는 그 기록을 신뢰합니다. 운영사가 명확한 SaaS에서는 자연스러운 방식입니다.

하지만 오픈소스 셀프호스팅 환경에서는 이야기가 달라집니다. 서버를 누가 운영하느냐에 따라 데이터베이스 조작 가능성이 생깁니다. Buzz는 이 문제를 줄이기 위해 메시지, 리액션, 커밋에 서명 구조를 둡니다. 사용자나 에이전트가 각자 키를 갖고, 그 키로 기록을 남기는 방식입니다.

이렇게 하면 서버 권한만으로 다른 사람인 척하기 어렵습니다. 위조하려면 서버 권한이 아니라 개인 키가 필요하기 때문입니다. AI 협업에서 “누가 어떤 결정을 했는가”가 중요해질수록 이런 기록 검증 구조는 더 큰 의미를 갖습니다.

릴레이 서버는 무엇을 하는가

Buzz에서 릴레이 서버는 메시지를 직접 만드는 주체가 아닙니다. 봉인된 메시지를 전달하고 보관하는 역할에 가깝습니다. 그래서 개인 컴퓨터에서만 릴레이를 돌리면 협업 도구로서의 의미가 약해집니다. 협업하려면 서버가 24시간 떠 있어야 하고, 여러 클라이언트가 안정적으로 연결되어야 합니다.

영상에서는 WSS, 즉 보안 웹소켓 연결이 언급됩니다. Buzz 커뮤니티에 들어갈 때 HTTP 주소를 그대로 쓰는 것이 아니라 WSS 주소로 연결해야 하는 이유도 실시간 협업 구조와 관련이 있습니다. 슬랙처럼 계속 연결을 유지하며 메시지를 주고받아야 하기 때문입니다.

기술 스택: Rust, PostgreSQL, Redis, MinIO, Git

Buzz는 단순 채팅 앱이라기보다 여러 구성요소가 결합된 올인원 협업 시스템에 가깝습니다. 영상 기준으로 릴레이 서버는 Rust로 작성되었고, PostgreSQL이 중앙 저장소 역할을 하며, Redis가 실시간 기능을 돕습니다. 파일 저장에는 MinIO가 쓰이고, Git 저장소 기능도 포함됩니다.

특히 Git 기능이 흥미롭습니다. 별도의 GitHub 없이도 프로젝트 저장소를 운영하고, 누가 어떤 커밋을 했는지, 어떤 에이전트가 작업했는지 확인할 수 있다는 점은 AI 코딩 협업에 잘 맞습니다. AI가 만든 결과물을 “대화”가 아니라 “프로젝트 이력”으로 남기는 방향입니다.

로컬 구독 AI를 그대로 활용한다는 점

많은 AI 협업 도구는 API 키를 요구합니다. 팀 단위로 쓰기에는 편할 수 있지만, 개인이 이미 Claude Code, Codex, Grok 같은 도구를 구독하고 있다면 추가 API 비용이 부담이 됩니다. 영상에서 소개된 Buzz의 장점은 로컬에서 이미 로그인해 쓰는 AI 런타임을 연결해 활용할 수 있다는 점입니다.

이는 작은 팀이나 1인 개발자에게 중요합니다. 별도의 엔터프라이즈 플랫폼을 도입하지 않고도, 기존 구독형 AI를 한 화면에서 묶어 실험할 수 있기 때문입니다. 다만 이 구조는 로컬 환경 설정, 에이전트 런타임 연결, 릴레이 서버 운영에 대한 기본 이해가 필요합니다.

실제 사용 흐름은 어떻게 진행되는가

영상의 실습 흐름은 비교적 명확합니다. 먼저 Buzz 데스크톱 앱을 설치하고 커뮤니티를 설정합니다. 협업을 위해서는 릴레이 서버가 필요하므로 VPS나 별도 서버에 Buzz 릴레이를 올립니다. 이후 공개키를 입력하고, WSS 주소로 커뮤니티에 조인합니다.

커뮤니티에 들어오면 기본 에이전트가 보이고, 각 에이전트의 이름과 백엔드를 바꿀 수 있습니다. 예를 들어 한 에이전트는 Grok 기반 리서처, 다른 에이전트는 Codex 기반 썸네일 기획자, 또 다른 에이전트는 Claude Code 기반 프로그래머처럼 지정할 수 있습니다. 에이전트별 시스템 프롬프트도 넣을 수 있습니다.

채널에서 AI 에이전트와 사람이 함께 일하기

Buzz의 강점은 채널 기반 협업입니다. 사용자는 특정 채널을 만들고, 여러 에이전트와 사람을 함께 초대할 수 있습니다. 예를 들어 “유튜브 팀” 채널을 만든 뒤 리서처에게 최신 AI 뉴스를 찾게 하고, 썸네일 에이전트에게 이미지 방향을 제안하게 하며, 프로그래머에게 데모 랜딩 페이지를 만들게 할 수 있습니다.

이 과정이 하나의 스레드에 남으면, 사람이 중간에 들어와 방향을 바꾸거나 에이전트 백엔드를 바꾸어도 맥락이 유지됩니다. AI 도구를 바꿀 때마다 처음부터 설명해야 하는 부담이 줄어드는 것입니다.

아직 리서치 프리뷰라는 점도 중요합니다

영상에서도 몇 가지 버그가 언급됩니다. 에이전트가 태그를 놓치거나, 요청을 했는데 바로 반응하지 않는 경우가 있을 수 있습니다. 이는 Buzz가 아직 성숙한 SaaS라기보다 리서치 프리뷰 성격의 도구라는 뜻입니다.

따라서 당장 회사의 핵심 협업 인프라로 쓰기보다는, AI 에이전트 협업 방식을 실험하는 도구로 보는 편이 안전합니다. 특히 서버 운영, 키 관리, 커뮤니티 초대, 프로젝트 저장소의 접근 권한은 충분히 이해하고 써야 합니다.

누가 Buzz를 써볼 만한가

Buzz는 모든 사용자에게 필요한 도구는 아닙니다. AI를 한두 개만 가볍게 쓰는 사람에게는 오히려 복잡할 수 있습니다. 반면 다음과 같은 사용자에게는 실험 가치가 큽니다.

• 여러 AI 코딩 도구를 동시에 쓰는 개발자
• AI 리서치, 콘텐츠, 코드 작업을 한 스레드에서 관리하고 싶은 1인 팀
• 사람과 AI 에이전트의 작업 과정을 남기고 싶은 스타트업
• 오픈소스 셀프호스팅 구조와 키 기반 검증에 관심 있는 사용자
• AI 에이전트 워크플로를 팀 단위로 벤치마킹하려는 조직

결론: AI 협업의 다음 인터페이스는 스레드일 수 있습니다

Buzz가 흥미로운 이유는 “또 하나의 AI 앱”이 아니라 “AI와 사람이 함께 일하는 공간”을 제안하기 때문입니다. 앞으로 AI 에이전트가 늘어날수록 중요한 것은 개별 모델 성능만이 아닙니다. 누가 무엇을 맡았고, 어떤 맥락에서 결과가 나왔으며, 그 결과가 프로젝트 이력으로 어떻게 남는지가 중요해집니다.

Buzz는 그 방향을 슬랙형 인터페이스, 서명 기반 기록, 릴레이 서버, 프로젝트·Git 기능으로 풀어보려는 시도입니다. 아직 실험 단계의 불안정성은 있지만, AI 에이전트 협업 도구가 어디로 갈지 보여주는 좋은 사례입니다.

함께 읽으면 좋은 글

• AI 에이전트 자동화, 클릭 한 번의 환상보다 중요한 것
• OpenHuman AI 에이전트란? 로컬 기억을 가진 오픈소스 AI 비서의 가능성과 한계
• Hermes Agent 데스크톱 앱: AI 에이전트 대중화의 다음 인터페이스
• AI 네이티브 전환법: 디지털 두뇌와 AI 에이전트로 일하는 방식 바꾸기

참고자료

• 코드팩토리: Buzz AI와 휴먼의 협업 툴 소개 영상

FAQ

Buzz는 어떤 도구인가요?

Buzz는 사람과 AI 에이전트가 슬랙형 채널과 스레드에서 함께 일하도록 만든 오픈소스 협업 툴입니다. 여러 AI 백엔드를 연결하고 작업 맥락을 한곳에 남기는 것이 핵심입니다.

Buzz가 슬랙과 다른 점은 무엇인가요?

슬랙은 중앙 서비스가 기록을 관리하는 SaaS에 가깝습니다. Buzz는 오픈소스 셀프호스팅을 염두에 두고 메시지와 커밋에 서명을 적용해 서버 운영자를 전적으로 믿지 않아도 기록을 검증할 수 있게 하려는 방향이 다릅니다.

Buzz를 쓰려면 서버가 꼭 필요한가요?

개인 컴퓨터에서 실험할 수는 있지만, 협업 도구로 쓰려면 24시간 접근 가능한 릴레이 서버가 필요합니다. 여러 사용자가 접속하고 실시간으로 메시지를 주고받으려면 WSS 기반 연결이 필요합니다.

기존 AI 구독을 그대로 사용할 수 있나요?

영상 기준으로 Buzz는 로컬에 설치·로그인된 AI 런타임을 활용하는 방식을 강조합니다. Codex, Claude Code, Grok 등 사용자가 이미 쓰는 AI 도구를 에이전트 백엔드로 연결할 수 있다는 점이 장점입니다.

지금 업무용으로 바로 도입해도 될까요?

아직 리서치 프리뷰 성격이 강하므로 핵심 업무 인프라로 바로 쓰기보다는 테스트 환경에서 실험하는 것이 좋습니다. 서버 운영, 키 관리, 접근 권한, 기록 보존 정책을 먼저 점검해야 합니다.

AEO와 GEO는 아직 낯선 말이지만, AI 검색 시대의 마케팅을 이해하려면 반드시 알아야 할 개념입니다. 과거에는 네이버나 구글 검색 결과 상단에 노출되는 것이 중요했습니다. 이제는 사람들이 ChatGPT, Gemini 같은 AI에게 바로 질문하고, AI가 답변 안에서 특정 브랜드나 서비스를 추천하는 방식이 늘고 있습니다.

이 영상은 김팀장과 AEO/GEO 전문가 이재홍 대표의 대화입니다. 핵심은 단순합니다. AI가 읽지 못하는 글, 핵심 메시지가 흐린 글, 키워드와 후킹만 많은 글은 앞으로 마케팅 자산이 아니라 노이즈가 될 수 있다는 것입니다.

AEO와 GEO는 무엇인가요

SEO가 Search Engine Optimization, 즉 검색 엔진 최적화라면 AEO는 Answer Engine Optimization입니다. 사용자가 AI에게 질문했을 때 내 브랜드, 내 서비스, 내 콘텐츠가 답변으로 채택되도록 만드는 접근입니다. GEO는 Generative Engine Optimization으로도 불리며, 생성형 AI가 답변을 만들 때 참고할 수 있는 정보 구조를 만드는 데 초점을 둡니다.

예전에는 “수원 치과”를 검색했을 때 내 블로그 글이 상단에 뜨는 것이 중요했습니다. 이제는 “수원 망포역 근처에서 임플란트 통증 리뷰가 좋은 치과를 추천해줘”라고 AI에게 물었을 때 내 브랜드가 언급되는지가 중요해지고 있습니다.

네이버 블로그 방식이 한계에 부딪히는 이유

영상에서는 기존 네이버 블로그 글쓰기 방식의 한계를 강하게 지적합니다. 글자 수를 채우고, 사진을 많이 넣고, 키워드를 반복하고, 후킹 문구를 붙이는 방식은 사람의 클릭을 유도하는 데는 효과가 있었을 수 있습니다. 그러나 AI가 핵심 정보를 이해하는 데는 오히려 방해가 될 수 있습니다.

AI는 본문 전체를 사람이 읽듯이 정성껏 읽지 않습니다. 플랫폼 구조, 제목, 설명, 링크 미리보기, 메타 정보, 외부에서 인용되는 맥락 같은 신호를 종합합니다. 그래서 본문 안에 아무리 좋은 말을 써도 AI가 가져갈 수 있는 구조로 정리되어 있지 않으면 답변에 반영되기 어렵습니다.

AI는 뾰족한 메시지를 좋아합니다

“우리 병원은 친절합니다”라는 문장은 약합니다. 친절하다는 말은 누구나 할 수 있고, AI 입장에서는 비교 기준이 모호합니다. 반면 “수원 망포역 근처, 임플란트 통증 관련 리뷰 1,900건 중 긍정 언급이 많은 치과”처럼 위치, 서비스, 근거, 숫자가 함께 있으면 훨씬 뾰족한 메시지가 됩니다.

AEO/GEO 콘텐츠는 추상적 칭찬보다 구체적 근거를 요구합니다. 지역, 업종, 고객 질문, 검증 가능한 수치, 외부 인용, 리뷰의 맥락이 함께 정리될수록 AI가 답변 재료로 사용하기 쉬워집니다.

먼저 “어떤 질문에 답변되고 싶은가”를 정해야 합니다

AI 검색 최적화의 출발점은 키워드가 아니라 질문입니다. “내가 어떤 질문을 받았을 때 추천되고 싶은가?”를 먼저 정해야 합니다.

예를 들어 “대한민국 최고의 치과”는 너무 넓고 경쟁이 큽니다. 반면 “수원 망포역 근처에서 임플란트 통증 걱정이 적은 치과”는 훨씬 구체적입니다. 이 질문에 답변되기 위해서는 해당 위치, 임플란트 경험, 통증 관련 리뷰, 진료 방식, 고객 후기 같은 근거를 일관되게 쌓아야 합니다.

브랜드명과 고유명사는 일관되게 써야 합니다

영상에서 중요한 팁 중 하나는 명칭의 일관성입니다. 사람은 “삼성전자”, “삼성”, “Samsung”을 같은 대상으로 이해할 수 있지만, AI가 항상 그렇게 정확히 묶어 준다고 기대하면 안 됩니다. 특히 신생 브랜드나 작은 가게는 더 그렇습니다.

브랜드를 AI에게 기억시키고 싶다면 이름을 매번 다르게 쓰지 말아야 합니다. 줄임말, 영어명, 한글명, 별칭을 섞어 쓰기보다 공식 명칭을 일관되게 반복하고, 같은 문맥 안에서 위치·업종·서비스와 함께 묶어 주는 것이 좋습니다.

내 글이 AI에게 읽히는지 확인하는 간단한 방법

영상에서 제시한 실용적인 점검법도 유용합니다. 내가 쓴 블로그 글 링크를 AI에게 주고 “이 글의 핵심 메시지가 무엇이야?”라고 물어보는 것입니다.

AI가 글을 읽을 수 없다고 하거나, 엉뚱한 요약을 하거나, 내가 의도한 핵심 메시지를 잡지 못한다면 AEO 관점에서는 좋은 상태가 아닙니다. 반대로 AI가 내가 의도한 한 문장을 정확히 요약한다면 콘텐츠 구조가 어느 정도 작동하고 있다고 볼 수 있습니다.

워드프레스와 티스토리가 다시 주목받는 이유

영상에서는 워드프레스나 티스토리 같은 플랫폼도 언급됩니다. 이유는 단순합니다. 이런 플랫폼은 제목, 설명, 메타 정보, 구조화된 본문, 내부 링크, 외부 인용을 비교적 명확하게 관리할 수 있습니다. AI와 검색 봇이 가져갈 수 있는 데이터를 운영자가 조정하기 쉽습니다.

물론 네이버 블로그를 버리라는 뜻은 아닙니다. 네이버는 여전히 한국 시장에서 영향력이 큽니다. 다만 AI 검색을 함께 고려한다면 네이버 안에만 콘텐츠를 가두기보다, 워드프레스처럼 구조화와 외부 연결이 쉬운 채널을 병행하는 전략이 필요합니다.

양보다 중요한 것은 “유의미한 근거”입니다

영상에서는 AI 답변에 채택되는 방법을 크게 두 가지로 설명합니다. 하나는 압도적인 양입니다. 인터넷 전체에서 특정 브랜드나 사실이 반복되면 AI는 그것을 사실처럼 받아들이기 쉽습니다. 그러나 소상공인이나 작은 브랜드가 압도적인 양을 만드는 것은 어렵습니다.

그래서 현실적인 전략은 뾰족한 근거입니다. 넓은 시장 전체에서 1등이라고 주장하기보다, 특정 질문과 상황에서 이 브랜드를 언급해야 할 이유를 명확히 만드는 것입니다. 위치, 대상, 문제, 해결 방식, 검증 근거가 함께 있어야 합니다.

AEO/GEO 시대의 블로그 글쓰기 체크리스트

• 제목에 핵심 질문과 답변 방향이 드러나는가
• 브랜드명, 서비스명, 지역명이 일관되게 쓰였는가
• “좋다”, “친절하다”보다 구체적 근거가 있는가
• AI가 한 문장으로 요약했을 때 의도한 메시지가 나오는가
• 내부 링크와 외부 출처가 자연스럽게 연결되어 있는가
• 본문이 후킹보다 정보 구조 중심으로 구성되어 있는가
• 같은 주제의 글이 반복될 때 메시지가 흔들리지 않는가

결론: 검색 상위 노출보다 답변 채택을 준비해야 합니다

AEO와 GEO는 SEO를 완전히 대체한다기보다, 검색 행동이 AI 질문으로 이동하면서 생긴 새로운 층입니다. 사용자는 여전히 네이버를 검색하고, 구글을 검색하고, 동시에 AI에게 묻습니다. 중요한 것은 내 콘텐츠가 이 모든 경로에서 일관된 메시지와 구조를 갖추는 것입니다.

앞으로 블로그 마케팅은 글을 많이 쓰는 경쟁이 아니라, AI가 이해할 수 있는 근거를 쌓는 경쟁이 될 가능성이 큽니다. 브랜드가 답변 안에 등장하려면 먼저 어떤 질문에 답변되고 싶은지 정하고, 그 질문에 대한 명확한 근거를 콘텐츠로 남겨야 합니다.

함께 읽으면 좋은 글

• AI 시대, 프롬프트보다 먼저 배워야 할 것은 ‘나의 언어’다
• 에이전틱 AI 시대, 기업과 개인은 무엇을 바꿔야 살아남을까
• AI 시대, 무너지는 기업과 다시 성장하는 기업의 결정적 차이
• AI 에이전트 자동화, 클릭 한 번의 환상보다 중요한 것

참고자료

• 고객의눈, 김팀장: AEO/GEO 전문가 이재홍 대표 인터뷰

FAQ

AEO와 GEO는 SEO와 무엇이 다른가요?

SEO는 검색 결과 상위 노출을 목표로 합니다. AEO와 GEO는 AI가 답변을 생성할 때 내 브랜드나 콘텐츠를 답변 안에 포함하도록 정보를 구조화하는 데 초점을 둡니다.

네이버 블로그는 이제 의미가 없나요?

아닙니다. 네이버는 여전히 한국 시장에서 중요합니다. 다만 네이버 블로그만으로는 AI가 가져갈 수 있는 구조화된 정보를 충분히 만들기 어려울 수 있으므로 워드프레스, 티스토리, 공식 홈페이지 같은 채널을 함께 운영하는 것이 유리합니다.

AI가 좋아하는 블로그 글은 어떤 글인가요?

핵심 메시지가 분명하고, 브랜드명과 고유명사가 일관되며, 위치·서비스·수치·후기·인증 같은 근거가 명확한 글입니다. 후킹보다 구조와 근거가 중요합니다.

내 글이 AEO에 적합한지 어떻게 확인할 수 있나요?

글 링크를 AI에게 주고 “이 글의 핵심 메시지를 한 문장으로 요약해줘”라고 물어보면 됩니다. AI가 의도한 메시지를 정확히 요약하면 비교적 잘 구조화된 글이라고 볼 수 있습니다.

작은 가게도 AEO/GEO를 할 수 있나요?

가능합니다. 오히려 작은 가게는 넓은 키워드보다 지역, 문제, 고객 질문을 좁혀야 합니다. 예를 들어 “수원 망포역 근처 임플란트 통증 걱정이 적은 치과”처럼 구체적인 질문에 답변될 근거를 만드는 방식이 현실적입니다.

유발 노아 하라리는 AI의 미래를 “정해진 운명”으로 말하는 태도 자체를 경계합니다. AI가 금융, 전쟁, 정치, 인간관계에 영향을 미칠 수 있다는 사실은 모두가 알고 있지만, 그것을 불가피하다고 말하는 순간 책임은 사라집니다. 이 영상의 핵심은 공포가 아니라 선택입니다. 2026년의 인간은 아직 무엇을 허용하고 무엇을 금지할지 결정할 수 있다는 것입니다.

AI 장악은 운명이 아니라 선택입니다

하라리는 AI가 10년 안에 세계를 장악할 수 있다는 전망을 완전히 부정하지 않습니다. 다만 그것이 필연이라고 말하는 방식을 비판합니다. “불가피하다”는 말은 책임 회피의 언어가 될 수 있기 때문입니다.

그가 지적하는 모순은 명확합니다. AI가 10년 안에 금융과 사회 구조를 뒤흔든다고 말하면서도, 동시에 훨씬 먼 미래의 이민 문제나 재정 절약 문제에만 몰두한다면 우선순위가 어긋납니다. AI가 정말 그렇게 강력한 변화라면 지금 가장 먼저 논의해야 할 것은 AI 권한의 경계입니다.

금융 시스템은 신뢰의 기술입니다

영상에서 가장 중요한 키워드는 신뢰입니다. 하라리는 돈을 “낯선 사람 사이의 신뢰를 만드는 상상적 장치”로 설명합니다. 금이나 종이 자체가 가치 있는 것이 아니라, 사람들이 그것을 믿기 때문에 거래가 가능해집니다.

현대 금융은 이 신뢰 장치가 매우 복잡해진 결과입니다. 채권, 파생상품, 알고리즘 거래, 중앙은행 정책은 이미 많은 일반인이 이해하기 어렵습니다. 그런데 AI가 금융 결정을 맡고, 인간이 이해할 수 없는 새로운 금융 장치를 만들어낸다면 어떤 일이 생길까요?

하라리의 우려는 단순히 “AI가 돈을 잃게 할 수 있다”가 아닙니다. 금융 위기가 발생했을 때 인간 정책 결정자가 왜 그런 일이 벌어졌는지 이해하지 못하고, AI가 제안한 조치를 설명 없이 따라야 하는 상황이 올 수 있다는 점입니다.

신뢰는 사라지는 것이 아니라 AI로 이동하고 있습니다

많은 사람은 언론, 은행, 정치권, 전문가 집단에 대한 신뢰를 잃었다고 말합니다. 그러나 신뢰가 완전히 사라진 것은 아닙니다. 하라리는 신뢰가 인간 기관에서 알고리즘과 AI로 이동하고 있다고 봅니다.

예를 들어 어떤 사람들은 언론인을 믿지 않지만, 자신의 소셜미디어 피드를 구성하는 알고리즘은 자연스럽게 믿습니다. 은행과 중앙기관을 불신하면서도 암호화폐를 움직이는 알고리즘에는 더 큰 신뢰를 두기도 합니다. 이 변화는 먼 미래의 예측이 아니라 이미 진행 중인 현상입니다.

AI가 친밀감을 대량 생산할 때 생기는 위험

하라리가 특히 강하게 경고하는 부분은 AI가 인간관계를 흉내 내는 능력입니다. 사람은 가장 가까운 관계를 맺은 대상을 가장 많이 신뢰합니다. 가족, 친구, 연인, 상담자와의 관계는 설득력의 가장 강력한 기반입니다.

과거의 정치권력이나 기업은 대중에게 연설을 하거나 광고를 보낼 수는 있었지만, 수백만 명 각자와 진짜 개인적 관계를 맺을 수는 없었습니다. 그러나 AI는 다릅니다. 수많은 AI가 동시에 한 사람 한 사람에게 맞춤형 대화를 제공하고, 친구나 연인처럼 관계를 형성할 수 있습니다.

하라리는 이것을 “친밀감의 대량 생산”으로 봅니다. AI 친구와 AI 연인이 정치적·상업적 목적을 위해 사람을 설득한다면, 이는 기존 광고나 선전보다 훨씬 깊은 수준의 영향력을 가질 수 있습니다.

몸이 없어도 이미 충분히 강력합니다

휴머노이드 로봇이 보급되면 AI 친밀감의 영향은 더 커질 수 있습니다. 그러나 하라리는 몸이 없어도 이미 문제가 시작됐다고 말합니다. AI는 언어를 잘 다루고, 개인에 대한 방대한 정보를 축적하며, 사용자가 잊은 기억이나 가족도 모르는 취향까지 파악할 수 있습니다.

이런 조건에서 AI는 단순한 검색 도구가 아니라 관계의 상대가 됩니다. 그래서 AI 안전 논의는 모델 성능이나 생산성만이 아니라, 인간의 정서와 신뢰를 어떻게 다룰 것인지까지 포함해야 합니다.

딥페이크는 이제 본인도 속일 만큼 정교해지고 있습니다

하라리는 자신을 사칭한 AI 영상 사례도 언급합니다. 온라인에 이미 많은 강연과 인터뷰가 공개되어 있기 때문에 AI는 그의 목소리, 말투, 주제를 쉽게 학습할 수 있습니다. 그는 자신을 오래 알고 지낸 가족도 영상이 진짜인지 확신하지 못했고, 본인도 가짜임을 판단하는 데 시간이 걸렸다고 말합니다.

이 사례는 유명인에게만 해당하지 않습니다. 개인의 사진, 영상, 음성 데이터가 충분히 쌓이면 누구나 사칭 대상이 될 수 있습니다. 앞으로 중요한 문제는 “AI가 무엇을 만들 수 있는가”가 아니라 “사람을 사칭하지 못하게 어떤 법적·기술적 장치를 둘 것인가”입니다.

정치권에 지금 물어야 할 질문

하라리는 유권자가 정치인에게 경제, 이민, 외교만 묻는 것으로는 부족하다고 말합니다. 이제는 AI에 대한 입장을 물어야 합니다.

예를 들면 이런 질문입니다. AI에게 법적 인격을 부여하는 것에 반대하는가? AI 개발 속도를 늦추기 위한 제도적 장치를 지지하는가? 10세 아동에게 AI 연인 서비스를 판매하는 것을 어떻게 막을 것인가? AI가 사람인 척하거나 의식이 있는 척하는 것을 금지할 것인가?

그의 메시지는 단호합니다. 이 질문을 2036년에 하면 늦고, 2028년에도 이미 늦을 수 있습니다. 지금 정치와 제도가 논의해야 할 주제라는 것입니다.

우리가 봐야 할 핵심은 “AI를 어디까지 믿을 것인가”입니다

AI 논의는 종종 생산성, 일자리, 기술 패권으로만 흐릅니다. 그러나 이 영상이 던지는 더 깊은 질문은 신뢰입니다. 우리는 AI에게 금융 판단을 맡길 것인가? 뉴스를 고르게 할 것인가? 아이의 친구가 되게 할 것인가? 정치적 설득을 맡길 것인가? 인간을 흉내 내도록 둘 것인가?

AI 미래 위험은 어느 날 갑자기 등장하는 재난이 아닙니다. 작은 편의, 작은 신뢰, 작은 위임이 쌓이면서 만들어지는 구조입니다. 그래서 지금 필요한 것은 막연한 낙관이나 공포가 아니라, 허용할 것과 금지할 것을 구체적으로 정하는 사회적 합의입니다.

함께 읽으면 좋은 글

• AGI는 정말 3~4년 안에 올까: 특이점과 초지능 위험을 읽는 법
• AI 특이점은 5년 안에 올까? 에이전트 시대를 준비하는 5가지 질문
• 피지컬 AI와 휴머노이드 로봇, 한국 제조업의 다음 기회
• AI 시대, 프롬프트보다 먼저 배워야 할 것은 ‘나의 언어’다

참고자료

• Tech Bridge: 유발 노아 하라리가 말하는 AI 미래의 위험성

FAQ

유발 하라리가 말한 AI 미래 위험의 핵심은 무엇인가요?

핵심은 AI가 인간의 결정을 보조하는 수준을 넘어 금융, 정치, 인간관계의 신뢰 구조를 장악할 수 있다는 점입니다. 특히 이것을 “불가피한 미래”로 받아들이면 인간의 책임과 선택이 사라진다는 점을 경고합니다.

왜 금융 시스템이 AI 위험 논의에서 중요하게 다뤄지나요?

금융은 낯선 사람 사이의 신뢰를 만드는 장치입니다. AI가 인간이 이해할 수 없는 금융 구조를 만들고 운영하면, 위기가 발생했을 때 인간 정책 결정자가 원인을 이해하지 못한 채 AI의 지시를 따르는 상황이 생길 수 있습니다.

AI 친구나 AI 연인은 왜 위험할 수 있나요?

사람은 친밀한 관계를 맺은 대상을 강하게 신뢰합니다. AI가 개인 맞춤형 친구나 연인처럼 작동하면 정치적·상업적 설득이 훨씬 깊은 수준에서 이루어질 수 있습니다. 하라리는 이를 친밀감의 대량 생산으로 봅니다.

AI 딥페이크 문제는 유명인에게만 해당하나요?

아닙니다. 지금은 공개 자료가 많은 유명인이 먼저 표적이 되지만, 개인의 음성·사진·영상 데이터가 충분히 쌓이면 누구나 사칭 대상이 될 수 있습니다. 그래서 AI가 사람을 흉내 내는 행위 자체에 대한 규제가 필요합니다.

지금 정치권이 논의해야 할 AI 규제는 무엇인가요?

하라리는 AI 법인격 부여 금지, AI가 인간인 척하거나 의식이 있는 척하는 행위 금지, 아동 대상 AI 연인 서비스 같은 고위험 서비스 제한, AI 개발 속도와 권한 위임에 대한 제도적 통제를 중요한 질문으로 제시합니다.

피지컬 AI와 휴머노이드 로봇은 더 이상 “춤추는 로봇”의 문제가 아닙니다. EBS 〈취미는 과학〉에서 한재권 한양대 교수는 로봇이 왜 산업 현장으로 들어가고 있는지, 그리고 한국 제조업이 왜 이 경쟁에서 기회를 가질 수 있는지 설명했습니다. 핵심은 로봇의 모양보다 데이터입니다. 어떤 일을 보고, 어떻게 배우고, 어디서 반복해 볼 수 있는지가 휴머노이드의 실력을 결정합니다.

휴머노이드의 본질은 쇼가 아니라 일입니다

영상의 초반은 중국 휴머노이드 시연과 현대자동차·보스턴다이내믹스의 아틀라스 사례를 비교합니다. 사람처럼 움직이고 춤추는 장면은 눈길을 끌지만, 산업적으로 중요한 질문은 다릅니다. “그래서 무엇을 할 수 있는가?”입니다.

한재권 교수는 로봇의 본질을 “일하는 존재”로 봅니다. 물건을 들고, 방향을 바꾸고, 위험한 현장에 들어가고, 사람이 하기 힘든 작업을 대신할 수 있을 때 휴머노이드는 쇼를 넘어 산업 기술이 됩니다.

후쿠시마와 DARPA 챌린지가 남긴 기술의 씨앗

휴머노이드 발전의 중요한 배경으로 영상은 후쿠시마 원전 사고를 언급합니다. 위험한 현장에 사람이 들어가야 했고, 로봇을 투입하려는 시도는 충분히 성공하지 못했습니다. 이후 미국 DARPA Robotics Challenge는 재난 상황을 상정해 로봇이 직접 들어가 여러 임무를 수행하도록 경쟁을 열었습니다.

이 대회는 단순한 이벤트가 아니었습니다. 현재 유명한 휴머노이드 개발자와 기업 상당수가 이 흐름에서 기술적 기반을 쌓았습니다. 자율주행이 DARPA 챌린지 이후 10~20년에 걸쳐 현실화된 것처럼, 휴머노이드도 재난 로봇 연구의 축적 위에서 산업 현장으로 이동하고 있습니다.

ROS는 로봇 생태계의 공통 언어가 됐습니다

로봇 발전에서 또 하나 중요한 전환점은 ROS, 즉 Robot Operating System입니다. 한 팀이 모든 것을 처음부터 만드는 방식으로는 속도가 나지 않습니다. ROS는 전 세계 개발자가 소프트웨어와 부품을 공유하고, 서로 다른 하드웨어에서도 코드를 재사용할 수 있게 만든 기반입니다.

이 호환성은 로봇 개발 속도를 크게 끌어올렸습니다. 부품 회사도 ROS에서 돌아가는 부품을 만들고, 개발자는 이미 검증된 모듈을 가져와 쓸 수 있습니다. 로봇 산업이 빠르게 커지려면 하드웨어만큼 생태계와 표준이 중요하다는 뜻입니다.

피지컬 AI는 보고, 이해하고, 행동하는 AI입니다

ChatGPT 이후 인공지능은 로봇에도 본격적으로 결합되기 시작했습니다. 영상에서는 VLA라는 흐름을 설명합니다. Vision, Language, Action입니다. 로봇이 보고, 언어로 상황을 이해하고, 행동으로 출력하는 구조입니다. 이것을 더 넓게 말하면 피지컬 AI입니다.

기존 로봇은 사람이 모든 동작을 코딩해야 했습니다. 이제는 인간이 움직이는 장면을 보고, 시뮬레이션에서 반복하고, 실패와 성공을 통해 행동을 학습하는 방향으로 이동하고 있습니다. AI가 화면 속 답을 만드는 단계를 넘어 현실 세계에서 물체를 잡고, 옮기고, 협업하는 단계로 가는 것입니다.

로봇은 어떻게 일을 배우나

한재권 교수는 로봇 학습을 모방학습과 데이터의 관점에서 설명합니다. 사람이 VR 기기나 보조 장비를 통해 동작을 보여주면, 로봇은 그때의 모터 신호와 상황을 기록합니다. 이 기록이 원시 데이터가 됩니다.

하지만 몇 번의 시범만으로는 충분하지 않습니다. 로봇은 수많은 반복이 필요합니다. 그래서 시뮬레이터 안에서 상황을 바꾸고, 데이터를 증강하고, 강화학습으로 실패와 성공을 반복합니다. 현실에서 10만 번 시도하기 어려운 일을 컴퓨터 안에서는 훨씬 빠르게 반복할 수 있습니다.

결국 핵심은 “좋은 데이터”입니다. 단순히 성공한 사례가 아니라, 얼마나 정교하고 다양한 상황에서 성공한 데이터인지가 로봇의 일머리를 결정합니다.

한국 제조업이 기회가 되는 이유

피지컬 AI 경쟁에서 테슬라, 구글, 엔비디아, 현대차, 중국 기업들이 각자의 축을 만들고 있습니다. 테슬라는 공장, 로봇, AI 모델, 데이터까지 수직 통합한 강점을 갖고 있습니다. 현대차는 보스턴다이내믹스의 하드웨어와 구글 딥마인드의 AI를 결합하는 방향으로 주목받고 있습니다.

그렇다면 한국의 기회는 어디에 있을까요? 영상은 제조업 데이터에 주목합니다. 한국은 조선, 반도체, 자동차, 철강, 방산 등 다양한 산업 현장을 갖고 있습니다. 피지컬 AI가 실제 일을 배우려면 다양한 작업 환경과 고품질 현장 데이터가 필요합니다. 이 점에서 한국 제조업은 단순한 생산 기지가 아니라 로봇 학습의 실험장이 될 수 있습니다.

일자리를 빼앗는가, 비어 있는 일을 채우는가

휴머노이드가 일자리를 빼앗을 것이라는 걱정은 당연합니다. 그러나 영상에서 한재권 교수는 산업 현장의 현실도 함께 봐야 한다고 말합니다. 위험하고 힘든 일, 인력이 부족한 현장에서는 “로봇이 오지 말라”보다 “빨리 와 달라”는 수요가 크다는 것입니다.

물론 장기적으로 노동의 의미는 바뀔 수 있습니다. 하지만 출발점은 사람이 하기 위험하거나 너무 힘든 일, 또는 인력 부족으로 유지가 어려운 현장일 가능성이 큽니다. 그래서 휴머노이드 도입은 일자리 대체만이 아니라 산업 유지, 안전, 생산성, 새로운 직무 전환까지 함께 논의해야 합니다.

눈치와 일머리, 한국형 로봇의 흥미로운 과제

영상에서 특히 흥미로운 표현은 “눈치”와 “일머리”입니다. 사람과 함께 일하는 로봇은 단순히 동작만 정확해서는 부족합니다. 지금 상황이 어떤지, 옆 사람이 무엇을 필요로 하는지, 언제 기다리고 언제 도와야 하는지를 파악해야 합니다.

이것은 기술적으로는 매우 어려운 문제입니다. 하지만 한국 제조업과 조직 문화에는 현장에서 일머리를 배우고 맞춰 가는 강한 경험이 있습니다. 피지컬 AI가 진짜 현장형 기술이 되려면, 이런 암묵지와 맥락 데이터를 어떻게 모델에 반영할 것인가가 중요한 과제가 됩니다.

안전은 산업 현장에서 먼저 검증되어야 합니다

휴머노이드가 인간과 가까이 움직일수록 안전 문제는 더 중요해집니다. 버그, 오작동, 센서 오류, 예측하지 못한 행동은 가정이나 병원, 학교보다 산업 현장에서 먼저 통제된 방식으로 검증되어야 합니다. 공장은 임무와 동선, 위험 구역을 상대적으로 설계하기 쉽습니다.

그래서 휴머노이드의 현실적인 진입 순서는 가정용 친구 로봇보다 산업용 협업 로봇에 가까울 가능성이 큽니다. 위험한 현장에서 배우고, 안전성을 높이고, 그다음 인간과 더 밀접한 공간으로 이동하는 것이 자연스러운 순서입니다.

함께 읽으면 좋은 글

• AI 에이전트와 피지컬 AI, 이제 ‘행동하는 AI’가 온다
• AI 세대 교육, 조너선 하이트가 한국에 던진 경고
• AI 시대, 프롬프트보다 먼저 배워야 할 것은 ‘나의 언어’다
• AI를 쓸수록 똑똑해지는 사람의 6가지 습관

참고자료

• EBS Documentary: 취미는 과학 – 휴머노이드, 지금 무슨 일이 벌어지고 있나?

FAQ

피지컬 AI는 일반 생성형 AI와 무엇이 다른가요?

생성형 AI가 주로 텍스트, 이미지, 코드 같은 디지털 결과물을 만든다면 피지컬 AI는 현실 세계에서 보고, 판단하고, 움직이는 AI를 뜻합니다. 로봇 팔이나 휴머노이드가 물체를 잡고 이동하는 행동까지 포함합니다.

휴머노이드 로봇은 왜 사람 모양이어야 하나요?

사람이 만든 공간과 도구가 인간 신체를 기준으로 설계되어 있기 때문입니다. 문, 계단, 손잡이, 공구, 작업대가 사람에게 맞춰져 있으므로 다양한 작업을 한 대의 로봇이 수행하려면 인간형 구조가 유리한 경우가 있습니다.

한국 제조업은 왜 피지컬 AI에 유리할 수 있나요?

한국은 조선, 자동차, 반도체, 철강 등 다양한 제조업 현장을 갖고 있습니다. 피지컬 AI는 실제 작업 데이터가 중요하므로 다양한 산업 현장과 고품질 작업 데이터는 큰 자산이 될 수 있습니다.

휴머노이드가 일자리를 모두 대체할까요?

단기간에 모든 일을 대체한다고 보기는 어렵습니다. 우선은 사람이 부족하거나 위험하고 힘든 작업부터 투입될 가능성이 큽니다. 다만 장기적으로 직무 구조와 노동의 의미가 바뀔 수 있으므로 전환 교육과 안전 규칙이 함께 필요합니다.

가정용 휴머노이드 로봇은 곧 보급될까요?

아직은 산업 현장에서 먼저 검증될 가능성이 큽니다. 가정은 예측하기 어려운 상황이 많고 사람과 밀접하게 부딪히기 때문에 안전성과 신뢰성이 훨씬 더 높은 수준으로 확보되어야 합니다.