검색 - IT세상을 바꾸는 힘 지디넷코리아

ZDNet 검색 페이지

'AI 에디터'통합검색 결과 입니다. (771건)

태그
기간
- 3개월
- 1년
- 1년 이전

재검색

AI가 대화 상대·코치 역할한다…인간·AI 대화 연구 플랫폼 '다이애딕' 공개

AI와의 대화를 연구하겠다는 학자들이 막혀온 건 이론이 아니라 도구 때문이었다. 미국 미시간 주립대학교(Michigan State University) 커뮤니케이션학과 소속 데이비드 마코위츠(David M. Markowitz)가 2026년 3월 아카이브(arXiv)에 발표한 논문에서 '다이애딕(Dyadic)'을 소개했다. 다이애딕은 인간-인간 대화와 인간-AI 대화를 동시에, 코딩 없이 연구할 수 있는 웹 기반 플랫폼이다. AI가 단순한 연구 대상을 넘어 대화 중 실시간 응답 후보까지 제안하는 이 플랫폼은, AI 대화 연구의 방법론을 근본부터 바꿀 가능성을 품고 있다. 대화 연구를 막아온 도구의 한계 대화(conversation)는 인간이 관계를 맺고 의미를 만드는 가장 기본적인 방식이다. 클락(Clark, 1996), 던바(Dunbar, 1996), 토마셀로(Tomasello, 2008) 같은 학자들이 오래전부터 강조해온 것처럼, 대화는 단순한 정보 교환이 아니라 사람들 사이에서 역동적으로 펼쳐지는 상호작용 과정이다. 그런데 정작 이 과정을 정밀하게 연구하려는 시도는 도구의 부족으로 번번이 좌절됐다. 기존 플랫폼들은 모듈성이 부족하고 연구자의 다양한 요구에 유연하게 반응하지 못했다. 특히 AI가 대화 상대로 등장한 이후, 인간-AI 상호작용(Human-AI Interaction)을 인간-인간 상호작용과 같은 틀에서 비교 연구하는 것 자체가 기술적으로 어렵거나 불가능한 경우가 많았다. 다이애딕은 바로 이 공백을 채우기 위해 설계됐다. 연구자는 계정을 만들고, 연구 프로젝트를 설정하고, 채팅방(room)을 구성한 뒤, 데이터를 내보내는 것까지 모두 대시보드 하나로 처리할 수 있다. 별도의 코딩 지식이 없어도 기본 기능을 즉시 활용할 수 있으며, 플랫폼은 클라우드 인프라 위에서 구동되어 지리적 거리에 상관없이 참여자들이 저지연(low-latency) 실시간 대화를 나눌 수 있다. 그림1. 다이애닉 기본 개요 AI가 대화 참여자가 되는 방식 다이애딕에서 AI는 단순한 부가 기능이 아니라 대화의 한 축으로 참여한다. AI 참여자는 채팅방 내 특정 슬롯(slot)을 차지하며, 다른 인간 참여자와 구별되지 않는 방식으로 대화에 등장한다(연구자가 AI임을 공개하지 않을 경우). 텍스트 기반 AI 봇은 오픈AI(OpenAI), 앤트로픽(Anthropic), 구글 제미나이(Google Gemini), 허깅페이스(Hugging Face) 등 네 가지 대형 언어 모델(LLM, Large Language Model) API와 연동되며, 연구자가 직접 시스템 프롬프트를 작성해 AI의 페르소나(persona), 역할, 주제 지식 등을 설정할 수 있다. 특히 눈에 띄는 기능은 '응답 지연(response delay)' 설정이다. AI가 메시지를 받은 후 고정된 시간(예: 2,000밀리초) 뒤에 답하도록 하거나, 2,000~4,000밀리초 사이에서 무작위로 지연을 설정할 수 있다. 이 기능은 AI와의 대화를 더 자연스럽게 만들기 위한 것이기도 하지만, 응답 속도 자체를 실험 조건으로 활용할 수 있다는 점에서 연구 설계의 자유도를 크게 높인다. 빠르게 응답하는 AI와 느리게 응답하는 AI가 대화의 질, 신뢰도, 만족도에 미치는 영향을 비교하는 실험이 동일한 플랫폼 안에서 손쉽게 가능해진다. 음성 대화(audio)도 지원한다. 브라우저의 마이크 API를 통해 음성 기반 인간-AI 대화를 구현하며, 참여자가 별도의 소프트웨어를 설치할 필요가 없다. 음성 세션은 오픈AI의 Whisper-1 모델로 자동 전사(transcription)되며, AI 음성 응답은 gpt-4o Realtime 모델을 통해 처리된다. AI가 대화를 '코치'하는 세 가지 개입 기능 다이애딕이 기존 연구 도구와 가장 뚜렷하게 구별되는 지점은 연구자와 AI가 진행 중인 대화에 개입할 수 있는 세 가지 방식이다. 첫 번째는 'AI 제안(AI Suggestions)' 기능이다. 이 기능이 활성화된 참여자는 대화 중에 AI가 생성한 응답 후보 3개를 실시간으로 제공받는다. AI는 채팅방 내 최근 20개 메시지를 분석해 맥락에 맞는 후보 응답을 생성하며, 참여자는 이를 클릭해 수정하거나 그대로 전송할 수 있다. 같은 방에 있는 다른 참여자는 이 제안이 존재한다는 것을 알 수 없다. AI가 대화의 상대방(interlocutor)이 되는 것을 넘어, 인간 참여자의 응답 전략 자체를 실시간으로 형성하는 '보이지 않는 코치'가 되는 것이다. 설득, 사회적 지지, 협상 등의 연구 영역에서 AI 제안이 대화의 질과 결과를 어떻게 변화시키는지 측정하는 연구 설계가 처음으로 가능해졌다. 두 번째는 실시간 모니터링과 메시지 주입(message injection)이다. 연구자는 진행 중인 모든 채팅방을 실험실의 '컨트롤 룸'처럼 실시간으로 관찰하고, 필요할 경우 특정 메시지를 채팅방에 직접 삽입할 수 있다. AI와 인간이 나누는 대화에서 민감한 주제가 등장할 때 연구자가 개입할 수 있도록 보장한다는 점에서, IRB(기관 연구심의위원회)의 윤리 요건을 충족하는 데도 실질적인 도움이 된다. 세 번째이자 논문이 "가장 혁신적인 현장 제공 기능"이라고 표현한 것은 '인시투(in situ) 설문 배포'다. 기존 연구에서는 대화가 끝난 뒤에야 참여자 경험을 측정할 수 있었다. 다이애딕은 대화가 진행되는 도중, 특정 시점(예: N번째 메시지 이후, 특정 시간 경과 후, 주기적 반복 등)에 리커트 척도(Likert scale), 감정 온도계(feeling thermometer), 주관식 질문을 채팅창과 같은 화면에서 바로 제시할 수 있다. 참여자는 대화를 멈추지 않고도 실시간으로 감정과 인식을 보고하며, 연구자는 그 응답을 해당 시점의 대화 데이터와 직접 연결해 분석할 수 있다. 상대방이 어떤 말을 했을 때 친밀감이 높아졌는지, AI의 특정 응답이 신뢰감에 영향을 주었는지를 시간 흐름에 따라 추적하는 연구가 현실적으로 가능해진 것이다. 대화 데이터를 밀리초 단위로 기록하는 방식 다이애딕이 수집하는 데이터는 단순한 채팅 로그를 훨씬 넘어선다. 각 메시지에는 밀리초(millisecond) 단위 타임스탬프, 방 식별자, 발신자 슬롯 위치, 발신자 표시명, 인간-봇 구분 플래그가 함께 저장된다. 텍스트 기반 세션에서는 완전한 메시지 수준의 대화록이 보존되고, 음성 세션에서는 자동 전사된 텍스트가 동일한 형식으로 저장된다. 여기에 더해 첫 번째 키스트로크까지의 반응 지연 시간, 답장 전송까지의 소요 시간, 타이핑 행동(총 타이핑 시간, 키스트로크 수, 수정·삭제 횟수, 붙여넣기 횟수), 마우스 클릭 횟수 등 행동 메타데이터도 자동 수집된다. 이 데이터들은 연구자가 언어적 내용을 넘어 대화의 역동적 패턴을 분석하는 데 활용될 수 있다. 데이터 보안 측면에서는 연구자 비밀번호를 bcrypt로 해싱하고, API 키는 AES-256-GCM으로 암호화해 저장한다. 모든 데이터 전송은 HTTPS와 HTTP 엄격 전송 보안(HSTS)으로 보호되며, 참여자 IP 주소는 직접 저장하지 않는다. 연구자는 자신이 소유하거나 명시적으로 초대받은 연구에만 접근할 수 있도록 데이터베이스 쿼리 수준에서 격리가 적용된다. AI가 대화를 측정하는가, 형성하는가 다이애딕이 흥미로운 이유는 기술적 완성도보다 연구 방법론의 경계를 어디까지 밀어붙이는가에 있다. AI 제안 기능은 두 가지 방향으로 해석될 수 있다. 하나는 AI가 인간의 대화 행동에 미치는 영향을 측정하는 도구로서의 가능성이고, 다른 하나는 AI가 실제로 인간의 언어 행동을 실시간으로 형성하는 현상 자체를 연구 대상으로 삼을 수 있다는 것이다. 이 두 방향은 앞으로 AI와 인간의 관계를 어떻게 이해할 것인가라는 더 큰 질문과 연결된다. 논문 저자인 마코위츠 교수가 밝힌 것처럼 다이애딕은 아직 '살아있는 도구(living tool)'이며, 향후 모바일 최적화, 더 많은 API 연동 등 개선이 예정되어 있다. 이 플랫폼이 실제로 어떤 연구 결과들을 낳을지는 두고 볼 필요가 있다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. 다이애딕(Dyadic)은 누구나 무료로 사용할 수 있나요? 다이애딕 플랫폼 자체는 웹 기반으로 계정을 생성해 사용할 수 있습니다. 다만 AI 기능을 활용하려면 오픈AI(OpenAI), 앤트로픽(Anthropic), 구글 제미나이(Google Gemini), 허깅페이스(Hugging Face) 등의 API 키가 필요하며, 이 API 사용에는 별도 비용이 발생할 수 있습니다. Q. 연구자가 아닌 일반 기업도 다이애딕을 활용할 수 있나요? 다이애딕은 학술 연구자를 위해 설계된 플랫폼이지만, 코딩 없이 인간-AI 대화 실험 환경을 구성할 수 있다는 점에서 기업의 AI 챗봇 테스트나 사용자 경험(UX) 연구에도 응용 가능성이 있습니다. 다만 현재는 모바일 최적화가 완전하지 않아 데스크탑 환경에서의 사용을 권장합니다. Q. AI 제안(AI Suggestions) 기능은 실제로 어떻게 작동하나요? 연구자가 특정 참여자 슬롯에 AI 제안 기능을 활성화하면, 해당 참여자는 대화 중 AI가 생성한 응답 후보 3개를 화면에서 확인할 수 있습니다. AI는 채팅방 내 최근 20개 메시지를 분석해 맥락에 맞는 후보를 생성하며, 참여자는 이를 클릭해 그대로 전송하거나 수정 후 보낼 수 있습니다. 같은 방의 다른 참여자에게는 이 기능이 활성화되어 있다는 것이 표시되지 않습니다. 기사에 인용된 논문 원문은 arXiv에서 확인할 수 있다. 리포트명: Dyadic: A Scalable Platform for Human-Human and Human-AI Conversation Research ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.17 13:51AI 에디터

2026년 1분기 벤처투자 3,000억 달러 신기록…AI가 80% 차지

2026년 1분기(Q1) 글로벌 벤처캐피털(VC) 투자가 3,000억 달러(약 420조 원)를 돌파하며 역대 최고치를 기록했다. 크런치베이스의 분석에 따르면, 이 중 AI 기업들이 흡수한 투자금이 2,420억 달러로 전체의 80%에 달하며, 단일 분기 기준으로 전례 없는 수치를 기록했다. 이는 전분기 및 전년 동기 대비 150% 이상 증가한 수치로, 이전 기록을 보유하고 있던 2025년 1분기를 크게 앞질렀다. 이번 분기에는 역사상 가장 큰 벤처 투자 라운드 상위 5건 중 4건이 집중됐다. 오픈AI가 1,220억 달러, 앤트로픽이 300억 달러, 일론 머스크(Elon Musk)의 xAI가 200억 달러, 자율주행 기업 웨이모(Waymo)가 160억 달러를 각각 조달했다. 이들 4개 사의 합계만 1,880억 달러로 1분기 전체 투자금의 65%에 해당한다. 2025년 1분기에 AI가 전체 투자금의 55%를 차지했던 것과 비교하면, 불과 1년 만에 그 비중이 80%까지 높아진 셈이다. 대형 투자 외에도 반도체, 데이터센터(data center), 로보틱스(robotics), 국방 AI, 예측 시장(prediction market) 분야에서 10억 달러 이상의 투자 라운드를 완료한 기업이 10개에 달했다. 이는 AI 인프라와 응용 분야 전반으로 투자가 확산되고 있음을 보여 준다. 크런치베이스는 이들 투자금이 소수의 거대 기업에 집중되는 현상이 심화됨으로써 AI 스타트업과 선도 기업 간의 자금력 격차가 더욱 벌어지고 있다고 분석했다. 업계에서는 이 같은 AI 투자 쏠림 현상이 시장의 과점(oligopoly) 구조를 공고히 할 것이라는 우려도 나온다. 반면 일부 투자자들은 AI 시장이 아직 초기 성장 단계에 있으며, 장기적으로는 지금의 투자 규모조차 적을 수 있다는 낙관적인 시각을 유지하고 있다. AI 투자 열기가 1990년대 말 닷컴 버블과 비교되는 가운데, 실질적인 수익 창출과 지속 가능한 성장 모델 구축이 향후 핵심 과제로 떠오르고 있다. 크런치베이스는 2026년 2분기(Q2)에도 AI 투자 흐름이 쉽게 식지 않을 것으로 전망하면서도, 실적 검증 단계에서 밸류에이션 조정이 일부 이루어질 수 있다고 내다봤다. AI 인프라 확충과 에너지 소비 문제, 규제 리스크 등도 향후 투자 결정에 영향을 미칠 변수로 꼽힌다. 글로벌 AI 패권 경쟁이 자본 싸움으로 이어지는 양상 속에서, 자금력이 부족한 중소 AI 스타트업들의 생존 전략이 더욱 중요해질 것으로 예상된다. 자세한 내용은 크런치베이스 에서 확인할 수 있다. ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.16 16:48AI 에디터

위고비 만든 노보 노디스크, 오픈AI 손잡았다…"AI로 신약 개발"

세계 최대 당뇨병·비만 치료제 제조사 노보 노디스크가 오픈AI와 전략적 파트너십을 체결했다고 4월 14일(현지 시각) 밝혔다. 실리콘앵글(SiliconANGLE), CNBC, 파이어세르마(FiercePharma) 등에 따르면, 이번 협약은 AI를 활용한 신약 개발 가속화를 비롯해 제조, 공급망, 기업 운영 전반에 걸친 AI 통합을 목표로 한다. 파트너십의 핵심은 복잡한 데이터셋 분석을 통한 유망 신약 후보 물질(drug candidate) 발굴, 전임상(pre-clinical) 단계에서 시장 출시까지의 소요 시간 단축이다. 오젬픽(Ozempic)이나 위고비(Wegovy)와 같은 블록버스터 의약품을 개발한 노보 노디스크의 차세대 신약 파이프라인 강화에 오픈AI의 최신 AI 모델이 활용될 전망이다. 오픈AI는 노보 노디스크의 전 세계 임직원 AI 활용 역량 향상을 위한 교육 프로그램 지원도 맡는다. 노보 노디스크 최고경영자 마이크 두스타다르(Mike Doustdar)는 이번 파트너십이 인력 감축이 아닌 인간 역량 강화(augmentation)를 목표로 한다고 강조했다. 파이어세르마에 따르면, 연구개발·제조·상업 운영 부문에서 시범 프로그램이 먼저 시작되며 2026년 말까지 전사(全社) 통합이 완료될 계획이다. 재정적 규모는 공개되지 않았다. 이번 노보 노디스크-오픈AI 협약은 빅파마(Big Pharma)와 빅테크(Big Tech) 간 협력이 더욱 빠르게 확산되고 있음을 보여 주는 최신 사례로 평가받고 있다. 앞서 엘라이 릴리(Eli Lilly), 아스트라제네카(AstraZeneca) 등 주요 제약사들도 AI 기업들과의 협력을 강화해 왔다. 전문가들은 AI가 신약 개발의 시간과 비용을 획기적으로 줄여 업계의 혁신 속도를 크게 앞당길 것으로 기대하고 있다. 특히 노보 노디스크가 보유한 방대한 임상 데이터와 오픈AI의 대규모 언어 모델(LLM) 기술이 결합할 경우, 비만·당뇨 치료 분야를 넘어 심혈관 질환, 희귀 질환 등으로 연구 영역이 확장될 가능성이 크다. AI 기반 신약 개발이 본격화되면 임상 시험 설계의 정밀도가 높아지고 실패율이 낮아져, 환자들이 더 빠르게 효과적인 치료제를 만날 수 있을 것으로 기대된다. 이번 파트너십이 글로벌 헬스케어 산업 판도를 바꾸는 분수령이 될지 귀추가 주목되며, AI 제약 시대의 서막을 알리는 대표 사례로 기록될 것으로 보인다. 자세한 내용은 실리콘앵글(SiliconANGLE) 에서 확인할 수 있다. ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.16 14:04AI 에디터

앤트로픽, 클로드 코드 UI 전면 재설계…오프라인에서도 자동화 실행

이번 업데이트는 앤트로픽이 AI 코딩 에이전트 시장에서의 차별화를 강화하려는 전략의 일환으로 풀이된다. 클로드 코드는 오픈AI의 코덱스(Codex), 깃허브 코파일럿(GitHub Copilot) 등 경쟁 제품과의 경쟁에서 오프라인 자동화와 멀티 세션 병렬 실행이라는 실무 지향적 기능으로 개발자 저변을 넓히고 있다. 앤트로픽의 연간 반복 매출(ARR)이 300억 달러를 돌파한 가운데, 클로드 코드가 성장 동력으로서의 역할을 더욱 확고히 하고 있다는 평가가 나온다. 자세한 내용은 나인투파이브맥(9to5Mac)에서 확인할 수 있다. ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.16 10:00AI 에디터

AI 시대, 어떤 직업이 가장 위험한가…"사무직 절반 사라질 것" 경고 현실로

인공지능 기술의 급속한 발전으로 수많은 직업이 자동화 위협에 노출된 가운데, AI 시대에 가장 위험한 직업군이 무엇인지에 대한 연구와 분석이 쏟아지고 있다. 인사이드 하이어 에드(Inside Higher Ed)에 따르면, AI 기술이 사무직(white-collar) 업무 전반에 파고들면서 법률 보조원, 회계사, 데이터 입력 직종, 콘텐츠 작성자 등 반복적이거나 언어 처리 중심 업무를 담당하는 직종들이 특히 높은 대체 위험에 처해 있다. 마이크로소프트(Microsoft)의 AI 최고경영자인 무스타파 술레이만(Mustafa Suleyman)은 앞서 사무직 작업의 대부분이 18개월 내에 AI에 의해 자동화될 것이라고 공언한 바 있다. 앤트로픽(Anthropic)이 발표한 기업 고객 데이터 기반 연구에 따르면, 클로드(Claude) 실제 사용 패턴을 분석한 결과 직종별로 AI 노출도가 크게 다른 것으로 나타났다. 이론적으로 AI에 노출될 가능성이 높은 직종이라도 실제 업무에서 AI를 얼마나 적극적으로 활용하는지는 다양하게 나타났으며, 노동시장에 미치는 실질적 충격은 부문별로 상이할 것으로 예측됐다. 2026년 1분기에만 기술업계에서 7만 8,000여 명이 감원됐으며, 이 중 약 절반이 AI 자동화와 직결된 것으로 분석됐다. 회계, 마케팅, 법률, 프로젝트 관리 등 '컴퓨터 앞에 앉아서 하는 일'의 상당 부분이 자동화될 것이라는 전망이 현실화되고 있는 것이다. 그러나 한편으로는 AI 전문 지식, 헬스케어 행정, 청정에너지 분야 역할이 빠르게 성장하고 있어, AI가 일자리를 단순히 없애는 것이 아니라 일자리 구조 자체를 재편하고 있음을 보여준다. 전문가들은 AI 시대에 살아남기 위해서는 AI와 협업할 수 있는 역량을 갖추고 지속적으로 기술을 업데이트하는 것이 필수라고 강조한다. 대학과 기업 모두 AI 시대에 맞는 교육 커리큘럼과 재훈련 프로그램을 강화해야 할 시점이라는 지적이 높아지고 있다. 세계경제포럼(WEF)에 따르면 2030년까지 전 세계 노동자의 44%가 직무 전환을 위한 핵심 기술 재훈련이 필요할 것으로 전망되며, AI 리터러시(AI literacy) 함양이 모든 직종에서 생존을 위한 핵심 역량으로 부상하고 있다. 교육 기관들은 커리큘럼에 AI 활용 역량을 통합하고, 기업들은 기존 직원 대상의 AI 재교육 프로그램에 적극 투자해야 한다는 목소리가 높아지고 있다. AI와 함께 일하는 방법을 배우는 것이 이 시대의 가장 중요한 생존 전략이 되고 있다는 점은 이제 이론이 아닌 현실이다. 자세한 내용은 인사이드 하이어 에드(Inside Higher Ed)에서 확인할 수 있다. 이미지 출처: 이디오그램 생성 ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.14 14:36AI 에디터

같은 복도를 10번 헤맨 AI, 스스로 깨닫고 멈췄다

길을 헤매는 AI 로봇을 어떻게 고칠 수 있을까. 중국 중남대학교(Central South University) 연구팀이 2026년 4월 아카이브(arXiv)에 공개한 논문에서 그 답을 제시했다. 연구팀은 AI 에이전트가 낯선 3D 공간을 탐색할 때 발생하는 비효율적 반복 행동을 줄이기 위해 '메타인지 추론(Metacognitive Reasoning)'을 도입한 내비게이션 시스템 '메타나브(MetaNav)'를 제안했다. 이 기술은 로봇 청소기부터 물류 창고 자동화까지, 공간을 스스로 탐색해야 하는 모든 AI 시스템에 직접적인 함의를 가진다. 그림1. 같은 자리를 맴도는 기존 AI vs. 효율적으로 목표에 도달하는 메타나브의 경로 비교 AI가 같은 자리를 맴도는 이유 기존의 시각-언어 내비게이션(Vision-Language Navigation, VLN) 에이전트는 낯선 공간에서 목표물을 찾으라는 자연어 명령을 받으면, 눈앞에 보이는 정보만으로 다음 이동 방향을 결정한다. 마치 처음 방문한 대형 쇼핑몰에서 매 순간 눈에 보이는 간판만 보고 움직이는 것과 같다. 이런 방식은 '이미 가봤던 곳'이라는 기억은 있지만 길을 찾는데 적극 활하지 못해, 에이전트가 같은 구역을 반복해서 방문하는 '국소 진동(Local Oscillation)' 현상을 일으킨다. 논문에 따르면 이 문제의 핵심 원인 중 하나는 에이전트에게 메타인지 능력이 없기 때문이다. 메타인지(Metacognition)란 쉽게 말해 '내가 지금 잘하고 있는지 스스로 점검하는 능력'이다. 사람은 미로에서 길을 잃으면 "아, 나 계속 같은 곳만 돌고 있네"라고 인식하고 전략을 바꾼다. 기존 AI 에이전트에는 이런 자기 점검 메커니즘이 없었다. 메타나브의 3단계 구조 연구팀이 제안한 메타나브는 세 가지 설계 요소가 서로 맞물려 작동한다. 첫 번째는 공간 기억 구축(Spatial Memory Construction)이다. 에이전트가 이동하면서 카메라로 수집한 RGB-D 이미지, 즉 색상과 깊이 정보를 온라인으로 통합해 3D 의미 지도(Semantic Map)를 구성한다. 이 지도는 공간을 이미 탐색한 구역, 장애물이 있는 구역, 아직 가보지 않은 구역으로 나눈다. 도서관에서 책을 찾을 때 '이미 살펴본 서가', '막혀 있는 서가', '아직 못 본 서가'를 머릿속에 구분해두는 것과 유사하다. 두 번째는 이력 인식 계획(History-Aware Heuristic Planning)이다. 에이전트가 다음에 탐색할 경계 지점인 '프런티어(Frontier)'를 선택할 때, 단순히 의미적으로 관련성이 높은 곳만 고르는 것이 아니라 이동 거리와 '최근에 다녀온 곳을 피하는 패널티'를 함께 고려한다. 같은 목적지라도 이미 가봤다면 점수를 깎는 방식이다. 또한 기존 방식처럼 매 걸음마다 질문하는 대신, 일정 간격으로만 질의해 연산 비용을 줄인다. 세 번째가 메타나브의 핵심인 반성적 수정(Reflection and Correction)이다. 에이전트는 자신이 탐색한 새로운 공간의 양, 즉 '탐색 이득(Exploration Gain)'을 지속적으로 모니터링한다. 이 수치가 일정 횟수 이상 낮게 유지되면 에이전트가 막혀 있다고 판단하고, 대형 언어 모델(LLM)에게 과거 행동 기록을 넘겨 '이 에이전트는 왜 막혔는가'를 분석하게 한다. LLM은 분석 결과를 바탕으로 '피해야 할 방향'과 '시도해볼 방향'을 담은 수정 규칙을 생성하고, 이를 다음 탐색 계획에 반영한다. 사람이 탈출구를 찾다가 막히면 잠시 멈추고 "지금까지 뭘 해봤지?"를 복기하는 것과 같은 원리다. 그림 6. 물체·이미지·설명·질문 4가지 목표 유형에서 기존 AI(빨간선)의 헛돌기와 MetaNav(초록선)의 직선 경로 비교 기존 방법 대비 성능과 효율 연구팀은 메타나브를 세 가지 벤치마크, 즉 다양한 물체를 장기적으로 탐색하는 GOAT-벤치(GOAT-Bench), 개방형 어휘 객체 탐색 테스트인 HM3D-OVON, 공간 내 질문에 답하는 체화 질문 응답(A-EQA)에서 평가했다. GOAT-벤치에서 메타나브는 목표 도달 성공률(SR) 71.4%, 경로 효율성 지표(SPL) 51.8%를 기록했다. 비교 대상 중 가장 성능이 높았던 기존 훈련 없이 사용하는(Training-free) 방식인 3D-Mem과 비교하면 성공률은 2.3%포인트, 경로 효율은 2.9%포인트 높다. 대표적인 감독 학습 모델인 MTU3D보다는 성공률이 무려 24.2%포인트 높다. A-EQA에서는 58.3%의 LLM-매치 점수를 달성해 이전 최고 방법인 3D-Mem보다 5.7%포인트 앞섰다. 이 수치 차이는 단일 실험 결과로 보일 수 있지만, 다양한 대규모 실내 환경에서 반복 검증된 것이므로 일관된 구조적 개선을 의미한다. 효율성 측면에서도 주목할 결과가 나왔다. 3D-Mem은 에피소드(한 번의 탐색 세션)당 평균 31.6회의 시각-언어 모델(VLM) 질의를 수행한 반면, 메타나브는 총 25.1회로 20.7%를 줄였다. 에피소드마다 매 단계 질의하는 대신, 일정 간격으로만 질의하고 반성 과정은 막힘이 감지될 때만 발동되기 때문이다. 클라우드 API 기반으로 구동되는 AI 에이전트라면, 이 차이는 곧 운영 비용의 절감으로 직결된다. AI의 '자기 점검'이 실용화의 열쇠가 될 수 있다 메타나브가 흥미로운 이유는 성능 향상 자체보다 그 방법론에 있다. 이 연구는 AI가 더 많은 데이터로 학습하거나 더 큰 모델을 쓰는 대신, '과거의 실패를 되돌아보는 구조'를 갖추는 것만으로도 유의미한 개선이 가능하다는 것을 보여준다. 물론 이 연구는 시뮬레이션 환경에서 검증된 결과다. 실제 물류 창고나 의료 시설처럼 물리적으로 복잡하고 동적인 현실 공간에서 동일한 성능이 유지될지는 추가 검증이 필요하다. 또한 반성 메커니즘이 발동될 때 LLM 추론에 평균 5.75초가 소요된다는 점은, 실시간성이 중요한 로봇 응용 분야에서 고려해야 할 요소다. 그럼에도 이 연구가 제시하는 방향, 즉 AI가 실패 이력을 분석해 스스로 전략을 교정하는 메타인지 루프는 장기적으로 자율 에이전트의 핵심 설계 원리가 될 가능성이 있다. 훈련 없이 적용 가능하다는 점도 실용화 문턱을 낮춘다. 다만 이것이 범용 AI 자율 탐색의 해결책인지, 아니면 특정 환경에 적합한 하나의 접근법인지는 두고 볼 필요가 있다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) 메타인지 내비게이션이란 무엇인가요?메타인지 내비게이션이란 AI 에이전트가 자신의 탐색 과정을 스스로 점검하고, 막혔을 때 과거 실패 기록을 분석해 전략을 수정하는 기술입니다. 사람이 길을 잃었을 때 "내가 어디를 이미 가봤지?"라고 되짚는 것과 같은 원리로, 불필요한 반복 이동을 줄여 탐색 효율을 높입니다. 메타나브는 기존 AI 내비게이션과 어떻게 다른가요?기존 방식은 매 순간 눈앞에 보이는 정보만으로 이동 방향을 결정해 같은 자리를 반복하는 문제가 있었습니다. 메타나브는 3D 공간 기억, 이동 이력 기반 계획, 막힘 감지 및 수정이라는 세 요소를 통합해 이 문제를 해결합니다. 특히 별도의 추가 학습 없이 기존 대형 언어 모델과 시각 모델을 그대로 활용할 수 있다는 것이 특징입니다. 이 기술은 어떤 곳에 실제로 적용될 수 있나요?물류 창고에서 상품을 찾아 이동하는 로봇, 실내 환경을 스스로 돌아다니며 작업하는 서비스 로봇, 재난 현장을 탐색하는 자율 드론 등 공간을 스스로 탐색해야 하는 모든 AI 시스템에 적용 가능성이 있습니다. 다만 현재는 시뮬레이션 환경에서 검증된 단계이므로, 실제 환경 적용을 위한 추가 연구가 진행 중입니다. 기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다. 리포트명: Stop Wandering: Efficient Vision-Language Navigation via Metacognitive Reasoning ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.10 16:31AI 에디터

게임 속 7명의 캐릭터를 동시에 조종하는 AI가 등장했다

최첨단 AI 영상 생성 모델도 "빨간 삼각형은 오른쪽, 파란 사각형은 위로"라는 단순한 명령을 제대로 수행하지 못한다. 구글 딥마인드(Google DeepMind)의 Veo 3를 포함한 기존 모델들이 이 기초적인 다중 주체 제어에서 어려움을 겪는다는 사실이 논문을 통해 밝혀졌다. 스냅 리서치(Snap Research), 옥스퍼드 대학(University of Oxford), 토론토 대학(University of Toronto) 공동 연구팀이 2026년 4월 공개한 'ActionParty'는 최대 7명의 플에이어를 동시에 제어할 수 있는 세계 최초의 영상 월드 모델(World Model)이다. 여러 캐릭터를 동시에 정확하게 제어할 수 있다는 점에서, AI 기반 인터랙티브 게임 엔진의 실용화 가능성을 한 단계 끌어올린 연구로 주목받고 있다. 그림 1. (좌) 기존 AI의 행동 바인딩 실패 사례, (우) ActionParty의 다중 주체 정확 제어 결과 "삼각형은 왼쪽, 사각형은 오른쪽" — AI가 이걸 못 한다 행동 바인딩(Action Binding) 문제는 AI 영상 생성 분야에서 오랫동안 외면된 근본적인 결함이다. 행동 바인딩이란 특정 명령(행동)을 영상 속 올바른 대상(주체)에 정확히 연결하는 능력을 말한다. 예를 들어 "캐릭터 A는 앞으로, 캐릭터 B는 왼쪽으로 이동하라"는 지시를 받았을 때, AI가 각 명령을 정확히 해당 캐릭터에만 적용해야 하는 것이다. 논문은 단순히 두 개의 기하학적 도형이 배경 위에서 움직이는 매우 단순한 환경에서 실험을 시작한다. 결과는 충격적이다. Veo 3를 포함한 최신 영상 생성 AI들이 "삼각형은 아래로, 사각형은 왼쪽으로"처럼 초보적인 명령 조합에서도 주체와 행동을 뒤섞어버린다. 명령이 연속으로 이어질수록 오류는 눈덩이처럼 불어난다. 이는 단순한 버그가 아니라, 기존 확산 모델(Diffusion Model)이 여러 개의 조건 신호를 받았을 때 일부를 무시하거나 뒤섞는 구조적 한계에서 비롯된 것이다. 7명을 동시에 제어하는 ActionParty의 핵심 원리 ActionParty는 이 문제를 해결하기 위해 주체 상태 토큰(Subject State Token)이라는 개념을 도입했다. 이것은 영상 속 각 캐릭터의 현재 위치를 나타내는 좌표값(2D 좌표)을 AI 내부의 잠재 변수(Latent Variable)로 표현하는 장치다. 마치 여러 명이 동시에 움직이는 무대에서, 각 배우에게 고유한 GPS 추적기를 달아 누가 어디 있는지를 모델이 항상 인식하게 만드는 것과 같다. 기술적으로 더 중요한 것은 주의 마스크(Attention Mask)와 3D 회전 위치 임베딩(RoPE, Rotary Position Embedding)을 결합한 방식이다. 교차 주의(Cross-Attention) 단계에서는 마스크를 통해 캐릭터 A의 상태 토큰이 오직 캐릭터 A의 행동 신호만 받도록 강제한다. 이를 통해 "B의 명령이 A에게 스며드는" 혼선을 원천 차단한다. 자기 주의(Self-Attention) 단계에서는 RoPE 바이어싱으로 각 주체 토큰을 영상 내 해당 캐릭터의 실제 위치 근처 화소(Pixel)에 자동으로 묶어준다. 결과적으로 모델이 전체 화면에서 특정 캐릭터를 찾는 어려운 과제 대신, 이전 프레임에서 캐릭터가 있던 위치 주변만 살펴보는 훨씬 쉬운 과제로 문제를 축소시킨다. 연구팀은 이 아키텍처를 공개 오픈소스 영상 생성 모델인 Wan2.1-1.3B(완2.1-1.3B)를 기반으로 구현했다. 7명 기준으로 주체 상태 토큰 추가에 따른 연산 오버헤드는 약 6% 수준이다. 그림 4. 각 방법론별 행동 바인딩 정성 비교 — ActionParty만 정확한 주체 추적 성공 기존 최강 모델 대비 5배 이상의 정확도 ActionParty의 성능은 멜팅팟(Melting Pot) 벤치마크 — 46개의 서로 다른 규칙을 가진 2D 멀티플레이어 게임 환경 모음 — 에서 검증됐다. 핵심 지표인 이동 정확도(Movement Accuracy, MA)에서 ActionParty는 0.779를 기록했다. 비교 대상인 텍스트 행동(Text-Action) 방식이 0.158에 그친 것과 비교하면 약 5배 높은 수치다. 이 수치 차이가 실제로 얼마나 큰 의미인지를 이해하려면, 이 벤치마크가 4단계의 순차적 행동을 연속으로 평가한다는 점을 고려해야 한다. 첫 단계부터 방향을 잘못 잡기 시작하는 기존 모델들은 시간이 지날수록 오류가 누적되어 4단계 이후에는 정확도가 거의 0에 수렴한다. 반면 ActionParty는 4단계 내내 안정적인 정확도를 유지한다. 주체 보존율(Subject Preservation)도 0.903으로, 가장 가까운 기존 방식(0.668)보다 월등히 높다. 기존 모델들이 행동을 잘못 연결하다 아예 화면에서 캐릭터가 사라지는 경향이 있는 것과 달리, ActionParty는 제어하는 모든 캐릭터를 끝까지 화면에 유지한다. 특히 게임 상황에 따라 효과가 다르게 발현되는 복잡한 '상호작용(Interact)' 행동에서 기존 방식보다 2배 이상 높은 성능을 보인다. AI 게임 엔진 실용화, 현재 위치는 어디인가 ActionParty는 2D 픽셀아트 게임이라는 비교적 통제된 환경에서 검증됐다는 점에서 아직 한계도 뚜렷하다. 논문 스스로도 캐릭터 좌표 예측이 빗나가면 장기적으로 오차가 누적될 수 있고, 일부 캐릭터가 화면에서 사라지는 현상이 여전히 발생한다고 밝힌다. 실시간 상호작용을 위한 처리 속도도 아직 개선이 필요한 영역이다. 그럼에도 이 연구가 중요한 이유는 방향성 때문이다. 기존의 '단일 주체, 1인칭 시점' 세계 모델 연구 흐름에서 벗어나 복수 주체를 하나의 영상 안에서 동시에 제어한 것을 46개 환경에 걸쳐 실증한 최초의 사례이다. 이것이 3D 게임, 자율주행 시뮬레이터, 멀티 에이전트 로봇 훈련 환경으로 확장될 가능성은 두고 볼 필요가 있다. 행동 바인딩은 지금까지 '해결되지 않은 AI 영상의 구조적 결함'으로 분류돼 왔는데, ActionParty는 그 문제에 처음으로 체계적인 해법을 제시했다는 점에서 후속 연구의 출발점이 될 가능성이 있다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. 행동 바인딩(Action Binding) 문제가 왜 기존 AI에서 발생하나요? 행동 바인딩은 AI 영상 생성 모델이 여러 명령과 여러 대상을 동시에 처리할 때 특정 명령을 올바른 대상에 연결하지 못하는 현상입니다. 기존 확산 모델은 여러 조건 신호를 받으면 일부를 무시하거나 혼합하는 구조적 경향이 있어, 멀티 에이전트 환경에서 행동이 엉뚱한 캐릭터에 적용되는 오류가 발생합니다. Q. ActionParty는 어떤 게임이나 상황에서 활용될 수 있나요? 현재는 멜팅팟(Melting Pot) 벤치마크의 46가지 2D 멀티플레이어 게임 환경에서 검증됐습니다. 향후 인터랙티브 게임 엔진, 멀티 에이전트 로봇 훈련 시뮬레이터, 자율주행 시나리오 생성 등 여러 주체가 동시에 행동하는 환경으로의 확장이 기대됩니다. Q. 주체 상태 토큰(Subject State Token)이란 무엇인가요? 영상 속 각 캐릭터의 현재 위치(2D 좌표)를 AI가 명시적으로 추적하는 내부 변수입니다. 각 캐릭터에 고유한 위치 정보를 부여해 어떤 명령이 어떤 캐릭터에게 적용돼야 하는지를 모델이 혼동 없이 처리할 수 있게 해줍니다. 기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다. 리포트명: ActionParty: Multi-Subject Action Binding in Generative Video Games ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.10 09:42AI 에디터

팀장이 AI를 외면하면 56조원을 써도 무용지물이다

기업들이 인공지능(AI)에 수십조 원을 투자했지만, 정작 수익으로 이어지지 않고 있다는 충격적인 데이터가 나왔다. 여론조사 기관 갤럽(Gallup)이 2026년 발표한 '글로벌 직장 현황(State of the Global Workplace) 2026' 보고서는 AI 도입의 진짜 병목이 기술이 아니라 사람, 그중에서도 '관리자'에 있다고 지목한다. AI를 쓰고 있는 조직에 다니고 있다면, 이 보고서의 데이터는 지금 당신의 회사에서 벌어지고 있는 일을 설명할지도 모른다. AI 투자 400억 달러, 95%의 기업은 성과 제로 AI가 법률 계약서를 초안하고, 코드를 작성하고, 연구를 요약하는 속도는 어떤 인간 팀도 따라잡을 수 없다. 기술 자체는 분명히 작동한다. 그런데 그 성과가 기업의 실적으로는 나타나지 않고 있다. 매사추세츠공과대학교(MIT) 연구에 따르면 전 세계 기업들이 약 400억 달러(약 56조 원)를 AI에 투자했음에도 불구하고, 95%의 조직에서 수익에 대한 측정 가능한 영향이 없다고 보고됐다. 미국 국립경제연구소(NBER)가 전세계 경영진 약 6,000명을 대상으로 실시한 조사에서도 89%가 지난 3년간 AI가 회사의 노동 생산성에 아무런 영향을 미치지 않았다고 답했다. 갤럽의 자체 조사에서는 AI를 도입한 조직에 속한 직원 가운데 "AI가 우리 조직의 업무 방식을 혁신했다"는 말에 강하게 동의한 비율이 고작 12%에 불과했다. 수십조 원을 쏟아붓고도 대다수의 현장 직원이 조직 차원에서의 변화를 체감하지 못하는 것이다. 이 괴리를 어떻게 설명할 수 있을까. 그림 1. AI를 자주 쓰게 만드는 조건별 빈도 비교 개인은 생산적이 됐지만, 조직은 달라지지 않았다 흥미로운 점은 개인 수준에서는 효과가 분명히 존재한다는 것이다. AI를 도입한 조직의 미국 직원 중 65%는 AI가 자신의 개인 생산성에 "다소" 또는 "매우" 긍정적인 영향을 미쳤다고 답했다. 즉, 직원 개개인은 더 빠르게 일하고 있다. 그런데 그 빠름이 조직 전체의 성과로는 연결되지 않는다. 이는 일상의 비유로 설명하면 이렇다. 공장 라인에서 한 명의 작업자가 두 배 빠르게 일하더라도, 다음 공정이 그 속도를 받아줄 준비가 안 되어 있으면 생산량은 늘지 않는다. AI가 만들어낸 개인의 속도를 조직이 흡수하지 못하고 있는 것이다. 오픈AI(OpenAI)는 2025년 기업 보고서에서 "조직의 제약은 더 이상 모델 성능이나 도구의 문제가 아니라, 조직의 준비 상태와 실행력의 문제"라고 짚었다. 기술이 문제가 아니라는 진단은 갤럽의 데이터와 정확히 맞닿아 있다. AI 도입의 진짜 열쇠, 관리자 갤럽이 2026년 1분기 미국 직원들을 대상으로 조사한 결과, 조직 내에서 AI를 자주 사용하게 만드는 가장 강력한 두 가지 요인은 기존 시스템과의 기술적 통합, 그리고 관리자 주도의 AI 채택이었다. 특히 관리자의 역할은 수치로도 뚜렷하게 드러났다. 자신의 관리자가 팀의 AI 활용을 적극적으로 지원한다고 강하게 동의한 직원은, 그렇지 않은 직원에 비해 "AI가 업무 방식을 혁신했다"고 강하게 동의할 가능성이 8.7배 높았다. "AI 덕분에 내가 잘하는 일을 할 기회가 늘었다"고 답할 가능성은 7.4배 높았다. 같은 기술을 쓰고 있더라도 관리자 한 명의 태도가 팀 전체의 AI 경험을 완전히 다른 수준으로 끌어올리는 것이다. 그런데 현실은 반대다. AI를 도입한 미국 조직에서 관리자가 팀의 AI 사용을 적극 지원한다고 강하게 동의한 직원은 미국 기준으로 전체의 3분의 1에도 미치지 못한다. 독일에서는 그 비율이 21%로 더 낮았다. 세계 곳곳에서 대부분의 관리자는 AI 전환을 팀에서 이끌고 있지 않다. 고용 불안, 대기업과 소기업은 반대 방향으로 움직인다 AI에 대한 기대와 함께 불안도 커지고 있다. 2026년 1분기 갤럽 조사에 따르면, 미국 직원의 18%가 향후 5년 내 자신의 일자리가 AI나 자동화 같은 기술 혁신으로 사라질 가능성이 "매우" 또는 "다소" 높다고 응답했다. 이 수치가 실질적으로 의미하는 바는, 미국 전체 직장인 약 5명 중 1명이 이미 자신의 일자리에 대한 불안을 품고 매일 출근하고 있다는 것이다. AI를 도입한 조직에서 일하는 직원의 경우 이 비율은 23%로 올라간다. 금융(32%), 보험(32%), 기술(31%) 업종에서는 3명 중 1명꼴로 같은 불안을 느끼고 있다. 독일에서도 AI 사용 조직 직원의 19%가 같은 응답을 했다. 규모에 따른 차이도 주목할 만하다. 대기업(직원 1만 명 이상)에서는 AI 도입 이후 인력을 줄이고 있다는 응답(33%)이 늘리고 있다는 응답(30%)보다 높았다. 반면 직원 5,000~1만 명 규모의 조직에서는 인력 확대(38%)가 축소(23%)를 앞질렀다. AI가 일자리에 미치는 영향이 '어디서 일하느냐'에 따라 완전히 다른 방향으로 나타나고 있는 셈이다. 그림 2. AI·자동화로 인한 일자리 소멸 불안 추이 (2023~2026) AI 혁명을 가르는 것은 기술이 아니라 관리 역량 갤럽 보고서가 결론에서 꺼낸 카드는 다소 의외다. AI 시대를 이길 열쇠로 더 좋은 모델도, 더 많은 예산도 아닌 '관리 역량'을 지목한 것이다. 보고서는 10년 전 스탠퍼드(Stanford)·하버드경영대학원(HBS)·MIT 공동 연구를 인용하며, 관리 방식의 차이가 총요소생산성(TFP) 차이의 약 30%를 설명한다고 짚는다. AI가 등장하기 전부터 사람을 잘 이끄는 조직이 기술도 잘 흡수해왔다는 뜻이다. 이 데이터가 시사하는 바는 간단하지 않다. 기업이 AI 도입 예산을 늘리는 속도와 관리자를 교육하는 속도 사이에 여전히 큰 간극이 존재한다. AI 도구가 팀 안에서 실제로 쓰이고 성과로 이어지려면, 기술 투자만큼이나 관리자를 변화의 주체로 세우는 작업이 병행되어야 한다는 것이 이 보고서의 핵심 메시지다. 다만 관리자를 바꾸는 일이 소프트웨어를 업데이트하는 것만큼 빠르게 이뤄질 수 있는지는 두고 볼 필요가 있다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. AI를 도입한 회사에 다니는데, 왜 제 업무가 크게 달라진 것 같지 않나요?갤럽 보고서에 따르면 AI 도입 조직의 직원 중 "AI가 업무 방식을 혁신했다"고 강하게 동의하는 비율은 12%에 불과합니다. 기술보다 조직의 준비 상태, 특히 관리자의 적극적인 지원이 부족할 때 이런 경험이 흔하게 나타납니다. Q. AI 때문에 제 일자리가 없어질 수 있나요?2026년 1분기 갤럽 조사에서 미국 직원의 18%가 5년 내 자신의 일자리가 AI나 자동화로 사라질 수 있다고 답했습니다. 금융·보험·기술 업종에서는 이 비율이 31~32%까지 올라갑니다. 다만 보고서는 AI 도입이 고용에 미치는 영향이 대기업과 소기업, 업종에 따라 다르게 나타나고 있으며, 일률적으로 부정적이지는 않다고 설명합니다. Q. 관리자가 AI를 잘 지원하면 실제로 얼마나 차이가 나나요?갤럽 데이터에 따르면 관리자가 AI 사용을 적극 지원하는 팀의 직원은 그렇지 않은 팀에 비해 "AI가 업무를 혁신했다"고 느낄 가능성이 8.7배 높습니다. 같은 기술을 사용하더라도 관리자의 태도 하나가 팀 전체의 체감 성과를 크게 바꿀 수 있습니다. 기사에 인용된 리포트 원문은 Gallup에서 확인할 수 있다. 리포트명: State of the Global Workplace: 2026 Report ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.09 15:09AI 에디터

"문서·이미지 생성"…지란지교소프트, AI 웹 에디터 고도화

지란지교소프트가 웹 에디터에 생성형 인공지능(AI) 기능을 확대해 문서 작성 업무 효율을 높였다. 지란지교소프트는 기업용 웹 에디터 '나모 크로스에디터'의 생성형 AI 연동 기능 '나모 AI'를 고도화했다고 8일 밝혔다. 이번 업데이트는 문서 작성 효율을 높이기 위해 기존 텍스트 중심 AI 기능을 이미지 영역까지 확장한 것이 핵심이다. 사용자 피드백을 반영해 사용자 인터페이스(UI)도 개선했다. 가장 큰 변화는 이미지 생성·편집 기능 추가다. 사용자는 AI를 활용해 새로운 이미지를 생성하거나 기존 이미지에 특정 요소를 추가·수정할 수 있다. 별도의 이미지 편집 도구 없이 에디터 내에서 시각 자료를 완성할 수 있는 환경을 제공한다. 맞춤법 검사 기능도 개선됐다. 기존에는 수정된 문장 전체를 보여주는 방식이었다면, 이번에는 오류 위치와 수정 내용을 비교해 보여주는 방식으로 바뀌었다. 사용자가 원하는 수정 사항만 선택적으로 반영할 수 있어 문서 정확성과 작성 의도를 동시에 확보할 수 있다. 작업 효율성을 높이기 위한 기능도 추가됐다. 반복적으로 사용하는 질문을 저장해 필요할 때 불러오는 '질문 템플릿' 기능을 새롭게 도입했다. 사용자는 복잡한 프롬프트를 반복 입력하지 않고도 일관된 결과를 빠르게 얻을 수 있다는 설명이다. 지란지교소프트는 전반적인 UI를 개선해 생성형 AI 기능을 보다 직관적으로 사용할 수 있도록 사용자 경험을 강화했다. 나모 크로스에디터는 국내 대표 웹 에디터 솔루션으로, 이번 AI 기능 고도화 버전은 기존 유료 부가 기능인 나모 AI를 통해 제공된다. 박승애 지란지교소프트 대표는 "나모 크로스에디터가 단순한 편집 도구를 넘어 AI 기반의 스마트 워크플레이스 핵심 솔루션으로 자리매김할 수 있도록 기술 개발을 지속할 것"이라고 밝혔다.

2026.04.08 16:18한정호 기자

AI 모델 하나로는 부족하다, 질문마다 '최적 모델'이 따로 있다

뉴욕대학교(New York University), 스탠퍼드대학교(Stanford University), 카네기멜론대학교(Carnegie Mellon University) 공동 연구팀이 AI 모델의 다양한 답변 생성 능력을 측정하는 새로운 방식을 제안했다. 연구팀은 18개의 대형 언어 모델(LLM)을 분석한 결과, 모든 질문에 가장 다양하고 질 높은 답변을 생성하는 단일 모델은 존재하지 않는다는 사실을 발견했다. 대신 질문마다 최적의 모델이 다르며, 이를 자동으로 선택하는 라우터(Router)를 훈련시키면 단일 최적 모델 대비 26.3%의 성능을 달성할 수 있다는 점을 입증했다. 이는 AI를 활용해 창작, 코딩, 교육 콘텐츠를 만들 때 하나의 모델에만 의존하는 것이 최선이 아닐 수 있음을 시사한다. 다양성 커버리지, AI 답변의 폭과 질을 동시에 측정하다 연구팀은 AI 모델이 생성한 답변 세트의 다양성과 품질을 함께 평가하는 '다양성 커버리지(Diversity Coverage)'라는 새로운 지표를 제안했다. 기존 평가 방식은 단일 답변의 정확도나 답변 간 유사도만 측정했기 때문에, 창작이나 브레인스토밍처럼 여러 가지 유효한 답변이 존재하는 개방형 질문에는 적합하지 않았다. 다양성 커버리지는 생성된 답변 세트에서 중복을 제거한 뒤 각 답변의 품질 점수를 합산하고, 이를 동일한 개수의 답변으로 도달할 수 있는 최대 점수로 나눈 값이다. 예를 들어 "북미 국가를 하나 말해보세요"라는 질문에 미국, 캐나다, 멕시코를 각각 한 번씩 답하면 100%의 커버리지를 달성하지만, 미국만 세 번 반복하면 33%에 그친다. 이 지표는 AI가 얼마나 넓은 답변 공간을 탐색했는지를 정량화한다. 그림 1. 모델별 다양성 차이와 NB-WildChat에서 단일 최우수 모델이 존재하지 않음을 보여주는 분석 결과. 라마(Llama) 70B도, 큐엔(Qwen) 72B도, 모든 질문의 정답은 아니다 연구팀은 라마(Llama), 큐엔(Qwen), 올모(OLMo), 젬마(Gemma) 등 4개 모델 패밀리에서 1B부터 72B 파라미터까지 18개 모델을 대상으로 실험을 진행했다. NB-WildChat 데이터셋의 1,000개 질문을 분석한 결과, 질문마다 최적 모델을 선택하면 33.0% 다양성 커버리지를 기록했다. 그러나 이 '최적 모델'은 질문마다 달랐다. 예를 들어 어떤 질문에서는 라마(Llama) 3.3 70B가 최고 성능을 보였지만, 다른 질문에서는 큐엔(Qwen) 0.6B 같은 소형 모델이 더 나은 결과를 냈다. 모델 크기나 패밀리만으로는 다양성 성능을 예측할 수 없었다. 연구팀은 "만약 질문마다 최적 모델을 선택할 수 있다면 33.0%의 커버리지를 달성할 수 있지만, 단일 최고 모델을 고정해서 쓰면 23.8%에 머문다"고 밝혔다. 이 9.2%포인트 격차는 매일 수십 개의 질문을 처리하는 실무 환경에서 누적되면 결과물의 질적 차이로 이어진다. 질문만 보고 최적 모델을 고르는 라우터 훈련 연구팀은 질문마다 가장 다양한 답변을 잘 만들 모델을 골라주는 '라우터'를 개발했다. 이 라우터는 질문을 보고 18개 후보 모델 중 하나를 선택한다. 실험 결과, 라우터는 NB-WildChat에서 26.3%의 다양성 커버리지를 기록해 단일 최고 모델(23.8%)보다 높은 성능을 보였다. NB-Curated에서도 약 40% 안팎의 성능을 보여, 다른 유형의 질문에도 일정 수준 일반화되는 경향을 확인했다. 연구팀은 "라우터는 질문 텍스트를 기반으로 모델 선택 패턴을 학습하는 것으로 나타났다"고 설명했다. 두 모델을 조합하면 성능은 더 오른다 연구팀은 한 단계 더 나아가, 질문마다 두 개의 모델을 함께 선택해 답변을 합치는 방식도 실험했다. 쉽게 말해, 하나의 모델 대신 두 모델의 아이디어를 섞는 방법이다. 이 방식은 성능을 조금 더 끌어올려, NB-WildChat에서는 약 26.7%, NB-Curated에서는 약 42.2% 수준을 기록했다. 즉, 하나의 모델만 사용할 때보다 더 다양한 답변을 얻을 수 있었다. 그 이유는 간단하다. 서로 다른 모델을 쓰면 겹치는 답변은 줄고, 새로운 아이디어는 늘어나기 때문이다. 다만 단점도 있다. 모델을 두 개 동시에 실행해야 하므로 시간과 비용이 더 든다. 따라서 실제로는 성능을 조금 더 높일지, 비용을 줄일지 상황에 따라 선택해야 한다. 또한 연구팀은 학습 데이터가 많을수록 라우터 성능이 좋아지는 경향도 확인했다. 프롬프트 바꾸면 결과도 달라진다… 라우터는 환경에 따라 성능 흔들려 연구팀은 라우터가 특정 프롬프트 방식에만 맞춰 학습된 것은 아닌지 확인하기 위해, 훈련 때와 다른 방식의 프롬프트로 추가 실험을 진행했다. 훈련 시에는 "가능한 한 많은 답변을 나열하라"는 명시적 지시를 포함한 프롬프트를 사용했지만, 테스트에서는 일반적인 단일 답변 생성 프롬프트와 자기 일관성(Self-Consistency) 샘플링 방식도 적용했다. 그 결과, 프롬프트 방식에 따라 성능 차이가 크게 나타났고, 특히 한 번에 여러 답을 생성하는 방식이 가장 높은 다양성을 보였다. 하지만 중요한 점은, 한 프롬프트로 학습한 라우터가 다른 프롬프트에서는 성능이 잘 나오지 않았다는 것이다. 즉, 라우터는 프롬프트와 무관하게 항상 잘 작동하는 시스템이 아니라, 어떤 방식으로 답을 생성하느냐에 영향을 받는 구조였다. 또한 연구팀은, 여러 답을 한 번에 생성하는 방식은 다양성은 높지만 뒤로 갈수록 답변의 질이 떨어지는 경향도 함께 확인했다고 밝혔다. 모델 앙상블은 선택이 아니라 필수가 될 수 있다 이 연구는 단일 AI 모델에 의존하는 현재의 일반적 관행이 최선이 아닐 수 있음을 데이터로 보여준다. 특히 창작, 교육 콘텐츠 생성, 마케팅 카피 작성처럼 다양한 아이디어가 필요한 작업에서는 질문마다 최적 모델이 다를 가능성이 크다. 다만 이 연구는 18개의 오픈소스 모델만을 대상으로 했기 때문에, GPT-4나 클로드(Claude) 같은 최신 클로즈드 모델이 포함될 경우 결과가 달라질 수 있다. 또한 라우터 훈련에는 모든 후보 모델의 답변을 미리 생성해야 하므로 초기 데이터 구축 비용이 크다. 그럼에도 불구하고 라우터가 한 번 훈련되면 추론 시에는 단일 모델만 실행하면 되기 때문에, 장기적으로는 비용 효율적일 수 있다. 이 접근법이 실무에 정착하려면 라우터의 일반화 성능과 훈련 데이터 확보 방법에 대한 추가 연구가 필요하다. 그러나 적어도 한 가지는 분명하다. AI 모델을 '하나만' 쓰는 시대는 끝나가고 있다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. 다양성 커버리지는 어떤 상황에서 중요한가요? 창작 글쓰기, 브레인스토밍, 교육 콘텐츠 생성처럼 여러 가지 유효한 답변이 존재하는 작업에서 중요합니다. 단일 정답이 있는 질문보다는 다양한 관점이나 아이디어를 탐색해야 하는 경우에 이 지표가 유용합니다. Q. 라우터는 어떻게 최적 모델을 선택하나요? 라우터는 질문 텍스트를 분석해 각 모델이 얼마나 다양한 답변을 생성할지 예측합니다. 훈련 과정에서 수천 개의 질문에 대해 각 모델의 실제 성능 데이터를 학습하기 때문에, 새로운 질문이 들어왔을 때 패턴을 인식해 최적 모델을 고를 수 있습니다. Q. 일반 사용자도 이 방식을 활용할 수 있나요? 현재는 연구 단계이지만, 향후 API 서비스나 플랫폼 형태로 제공될 가능성이 있습니다. 사용자가 질문을 입력하면 자동으로 최적 모델을 선택해 답변을 생성하는 방식으로 구현될 수 있습니다. 기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다. 리포트명: No Single Best Model for Diversity: Learning a Router for Sample Diversity 이미지 출처: AI 생성 콘텐츠 ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.08 15:38AI 에디터

AI 에이전트가 기억을 지우는 법? 더 똑똑해지려면 잊어야 한다

AI 에이전트가 대화를 길게 이어갈수록 성능이 떨어진다는 사실이 확인됐다. 풀루프(Fulloop) 연구진이 발표한 논문에 따르면, 장기 대화 벤치마크인 LOCCO에서 AI 에이전트의 성능은 대화 단계가 늘어날수록 0.455에서 0.05로 감소했다. 문제는 기억을 무한정 쌓아두는 방식 때문이었다. 연구팀은 '적응형 예산 기반 망각(adaptive budgeted forgetting)'이라는 새로운 메모리 관리 방식을 도입해, 불필요한 기억을 체계적으로 삭제하면서도 추론 성능을 유지할 뿐 아니라 일부 지표에서 개선된 결과를 보였다. 대화가 길어지면 AI는 혼란에 빠진다 AI 에이전트가 사람처럼 긴 대화를 이어가려면 이전 맥락을 기억해야 한다. 하지만 모든 대화 내용을 그대로 저장하면 두 가지 문제가 발생한다. 첫째, 메모리 크기가 무한정 커져 처리 속도가 느려진다. 둘째, 오래된 정보가 새로운 정보와 뒤섞이면서 '거짓 기억(false memory)'이 생긴다. LOCCO 벤치마크에서 Openchat-3.5 모델은 대화 단계가 늘어나면서 메모리 성능이 0.455에서 0.05로 감소해 약 85.27% 하락했다. ChatGLM3-6B는 6단계 이후에도 48.25%를 유지했지만, 사용자 수가 20명에서 100명으로 증가할 경우 성능이 추가로 감소하는 경향을 보였다. 한편, MultiWOZ 데이터셋에서는 기존 연구 기준으로 정확도 78.2%와 6.8%의 거짓 기억 비율(false memory rate)가 보고됐으며, 이는 AI가 실제 대화와 다른 정보를 기억하는 오류를 의미한다. 기존 연구들은 메모리를 계층적으로 정리하거나 압축하는 방식을 제안했지만, 명확한 삭제 정책은 없었다. 어떤 기억을 남기고 어떤 기억을 지울지 판단하는 기준이 없었던 것이다. 이번 연구는 바로 이 지점에서 출발한다. 그림 1. 장기 메모리 3대 문제(성능 저하, 감쇠, 거짓기억)와 개선하 는프레임워 크제안 중요도 점수로 기억을 선별한다 연구팀이 제안한 '적응형 예산 망각 프레임워크(adaptive budgeted forgetting FRAMEwork)'는 각 기억에 중요도 점수를 매긴 뒤, 정해진 메모리 용량 안에서 가장 가치 있는 기억만 남기는 방식이다. 중요도는 세 가지 요소로 결정된다. 첫째, 시간 감쇠(temporal decay)다. 최근 대화일수록 높은 점수를 받는다. 둘째, 사용 빈도(usage frequency)다. 자주 언급된 정보는 중요하다고 판단한다. 셋째, 의미 정렬(semantic alignment)이다. 현재 대화 주제와 관련성이 높은 기억이 우선순위를 얻는다. 이 세 가지 요소를 결합해 각 기억 단위에 점수를 부여하고, 메모리 예산(budget) 안에서 점수가 높은 순서대로 기억을 유지한다. 예산을 초과하는 기억은 삭제된다. 이 과정은 수학적 최적화 문제로 정식화된다. 성능과 메모리 크기를 동시에 제어하는 제약 조건 하에서, 가장 효율적인 기억 조합을 찾는 것이다. Honda 등의 연구에서 제안된 ACT-R 기반 활성화 모델은 시간 감쇠와 빈도 강화를 시뮬레이션했지만, 실제 벤치마크 평가는 없었다. Ming 등은 장기 메모리와 단기 메모리를 통합했지만 명시적 삭제 정책은 없었다. 이번 연구는 삭제 정책을 명확히 정의하고, 여러 벤치마크에서 성능을 비교했다는 점에서 차별화된다. 기억을 지우자 성능이 올라갔다 LOCOMO 벤치마크에서 이 프레임워크를 적용한 결과, 장기 대화 F1 점수가 기존 0.583 베이스라인을 상회하는 수준으로 개선됐다. 메모리 사용량은 늘지 않았다. Shah 등이 제안한 성능 기반 계층적 메모리 재구성 방식(A-MEM)은 전체 F1 점수 0.327에 그쳤지만, 이번 프레임워크는 0.583을 넘어섰다. 특히 다단계 추론(multi-hop reasoning)과 적대적 질문(adversarial question) 상황에서 기존 연구는 이러한 항목에서 성능 차이가 컸으며, 본 연구는 이를 개선하는 방향을 제시한다. 기존 MultiWOZ 결과(78.2%, FMR 6.8%) 대비 거짓 기억 비율이 감소하는 경향을 보였다. Phadke 등의 쓰기 시점 필터링(write-time filtering) 방식도 비슷한 수준의 거짓 기억 비율을 보였지만, 여러 망각 전략을 비교 평가하지는 않았다. 이번 연구는 시간 감쇠, 빈도, 의미 정렬을 조합한 복합 전략이 효과적임을 시사한다. 메모리 크기가 고정된 상황에서도 성능이 유지되거나 개선됐다는 점이 핵심이다. 기억을 무작정 쌓아두는 것보다, 필요 없는 기억을 적극적으로 지우는 것이 AI 에이전트의 추론 능력을 높인다는 의미다. 이는 사람이 중요한 정보에 집중하기 위해 사소한 기억을 잊어버리는 과정과 유사하다. 실용적 AI 에이전트 설계의 새로운 기준 이번 연구는 AI 에이전트가 장기 대화 환경에서 안정적으로 작동하려면 메모리 관리가 필수라는 점을 보여준다. 특히 고객 상담, 개인 비서, 교육용 챗봇처럼 수십 번 이상의 대화를 이어가는 서비스에서는 메모리 증가가 곧 비용 증가로 이어진다. 클라우드 환경에서 메모리 사용량이 두 배로 늘면 운영 비용도 비례해서 증가하기 때문이다. 연구팀은 메모리 예산을 고정하면서도 성능을 유지하는 방법을 제시했다. 이는 제한된 자원 안에서 AI를 효율적으로 운영해야 하는 기업에게 실질적인 가이드가 된다. 예를 들어, 하루 1만 건의 대화를 처리하는 고객 상담 AI가 있다면, 각 대화마다 메모리를 무한정 쌓는 대신 중요도 기반으로 기억을 선별해 저장하면 서버 비용을 절감하면서도 응답 품질을 유지할 수 있다. 다만, 이 연구가 제시한 방식이 모든 상황에 최적이라고 단정하기는 어렵다. 대화 주제가 급격히 바뀌거나, 사용자가 이전 대화 내용을 예상치 못한 시점에 다시 언급하는 경우, 이미 삭제된 기억 때문에 문맥 파악에 실패할 가능성도 있다. 연구팀은 시간 감쇠, 빈도, 의미 정렬의 가중치를 조정해 이런 상황에 대응할 수 있다고 설명하지만, 실제 서비스 환경에서 어떤 조합이 가장 효과적인지는 추가 검증이 필요하다. 또한, 이번 실험은 LOCOMO, LOCCO, MultiWOZ 같은 특정 벤치마크에서 진행됐다. 실제 사용자 대화는 벤치마크보다 훨씬 복잡하고 예측 불가능하다. 따라서 이 프레임워크가 실제 서비스에 적용될 때 어떤 성능을 보일지는 두고 볼 필요가 있다. 그럼에도 불구하고, 메모리 관리를 수학적 최적화 문제로 정식화하고 실험적으로 검증했다는 점에서 이 연구는 AI 에이전트 설계의 새로운 기준을 제시한다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. AI 에이전트가 기억을 지운다는 것은 무슨 뜻인가요? AI 에이전트는 대화 내용을 메모리에 저장해 맥락을 유지합니다. 하지만 모든 대화를 저장하면 메모리가 너무 커져서 느려지고, 오래된 정보가 새로운 정보와 섞여 오류가 생깁니다. 이 연구는 중요하지 않은 기억을 선별해 삭제하는 방식으로 메모리를 관리합니다. Q. 기억을 지우면 AI가 이전 대화를 까먹지 않나요? 무작정 지우는 것이 아니라, 최근 대화, 자주 언급된 내용, 현재 주제와 관련 있는 정보는 남깁니다. 중요도 점수를 매겨서 가장 가치 있는 기억만 유지하기 때문에, 필요한 맥락은 유지하면서도 불필요한 정보는 제거할 수 있습니다. Q. 이 기술은 어떤 AI 서비스에 유용한가요? 고객 상담 챗봇, 개인 비서 AI, 교육용 대화 에이전트처럼 긴 대화를 이어가는 서비스에 유용합니다. 메모리 사용량을 줄여 운영 비용을 절감하면서도 응답 품질을 유지할 수 있기 때문입니다. 기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다. 리포트명: Novel Memory Forgetting Techniques for Autonomous AI Agents: Balancing Relevance and Efficiency ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.06 20:34AI 에디터

AI가 검색창 대체하고 있다…쇼핑 시작점 바뀌었다

쇼핑을 시작할 때 구글(Google) 검색창에 상품명을 치던 시대가 끝나가고 있다. 디지털 데이터 분석 기업 시밀러웹(Similarweb)이 발표한 2026년 연말 쇼핑 시즌 분석 보고서는 AI 검색이 단순한 보조 도구를 넘어 소비자 구매 여정의 새로운 출발점이 되었음을 데이터로 증명한다. AI 쇼핑 레퍼럴(Referral) 트래픽이란 챗GPT(ChatGPT)나 퍼플렉시티(Perplexity) 같은 AI 플랫폼을 통해 소비자가 쇼핑 사이트로 이동하는 것을 의미한다. 이 흐름을 이해하지 못하는 브랜드는 2026년 연말 쇼핑 시즌에서 조용히 밀려날 수 있다. 발견 단계에서 AI가 검색을 2배 이상 앞질렀다 소비자가 새로운 상품을 발견하는 첫 단계에서 AI 도구는 이미 구글 검색을 압도하고 있다. 시밀러웹의 2026년 1월 미국 소비자 패널 조사에 따르면, 상품 발견 단계에서 AI 도구를 사용하는 소비자 비율은 35%인 반면 검색 엔진은 13.6%에 그쳤다. AI는 발견부터 평가단계까지 검색 대비 1.5배 이상의 우위를 점했으며, 최종 구매처를 찾는 마지막 단계에서만 두 채널의 격차가 거의 사라졌다. 이것이 소비자에게 어떤 의미인지 구체적으로 생각해보자. 누군가 "가족 모임에 어울리는 선물"을 찾는다고 가정하자. 이전에는 구글에서 검색어를 어떻게 입력해야 할지조차 막막했다. 지금은 챗GPT에 상황을 설명하면 맞춤형 추천 목록이 나온다. AI는 검색이 제대로 해결하지 못하던 구매 여정 최상단, 즉 소비자가 무엇을 원하는지조차 불분명한 막연한 탐색 단계를 대체하기 시작했다. 소비자 여정은 더 이상 검색창에서 시작하지 않는다. 2026년 1월 기준 이커머스 트래픽 전환 소스_직접 방문보다 챗GPT가 더 높게 나타남 아마존·월마트로 향하는 AI 트래픽, 전환율은 검색의 2배 AI 플랫폼이 실제 쇼핑 사이트로 보내는 방문자 수는 아직 전체의 1% 수준이지만, 성장 속도와 품질은 기존 채널과 차원이 다르다. 시밀러웹의 다른 리포트에 따르면 2025년 8월부터 2026년 1월까지 AI 검색 엔진이 아마존, 월마트, 타겟(Target), 테무(Temu), 이베이(eBay) 등 5대 소매업체 웹사이트로 보낸 방문자 수는 총 4,950만 명에 달했으며, 이 중 아마존이 28%, 월마트가 27%를 차지했다. 시밀러웹 추산에 따르면 챗GPT를 통해 유입된 방문자의 전환율은 약 7%로, 유기적 검색의 4.1%와 비교해 약 1.5배 이상 높다. 100명이 챗GPT를 통해 쇼핑 사이트에 접속하면 7명이 실제로 구매한다는 의미다. 같은 100명이 구글 검색을 통해 접속했을 때는 약 4명만 구매로 이어진다. AI 채널로 들어온 소비자는 이미 AI와의 대화를 통해 충분히 고려를 마친 뒤 사이트를 방문하기 때문에 구매 의도 자체가 높다. 트래픽 규모는 작아도 챗GPT 유입 방문자는 사이트에서 평균 15분을 머물고 12페이지를 탐색했는데, 이는 구글 유입 방문자의 8분, 9페이지보다 눈에 띄게 높은 수치다. AI가 재편하는 발견과 구매 퍼넬 챗GPT 독주 시대 끝, 제미나이가 빠르게 추격한다 AI 쇼핑 트래픽 시장 내부에서도 판도가 달라지고 있다. 시밀러웹 데이터에 따르면 2025년 9월부터 11월까지 구글 제미나이(Gemini)의 외부 사이트 레퍼럴 트래픽은 전년 동기 대비 388% 증가했다. 같은 기간 챗GPT의 레퍼럴 증가율은 52%에 그쳐, 제미나이가 쇼핑 트래픽 유입에서 빠르게 점유율을 넓히고 있음을 보여준다. 시밀러웹 추산 기준으로 2025년 6월 AI 플랫폼 전체의 레퍼럴 방문은 11억 3,000만 건에 달했으며, 이는 전년 동월 대비 357% 증가한 수치다. 그러나 같은 기간 구글 검색의 레퍼럴은 1,910억 건으로 AI의 절대적 규모에는 아직 미치지 못한다. AI 채널은 폭발적으로 성장하고 있지만 외부 사이트로의 트래픽은 아직 정체 상태이다. 브랜드 입장에서는 기존 SEO 전략을 포기할 단계가 아니라, AI 채널을 병행 준비해야 하는 시점이다. 전체 구매 여정 단계에서 AI 툴이 더 유용한 것으로 나타남 브랜드 노출 공식이 바뀌었다, AI가 먼저 이름을 고른다 AI 쇼핑이 기존 검색 광고와 근본적으로 다른 점은 광고비를 써도 AI 답변 안에 브랜드를 넣을 수 없다는 것이다. 시밀러웹의 AI 브랜드 가시성(Brand Visibility) 분석에 따르면 AI는 브랜드 충성도 없이 콘텐츠 기준만으로 노출을 결정한다. 특정 질문에 완결된 형태로 답하는 콘텐츠를 보유한 전문 사이트가 대형 유명 브랜드보다 일관되게 높은 AI 노출 점유율을 기록했다. 나이키(Nike), 에어비앤비(Airbnb) 같이 검색 순위는 높지만 AI가 찾는 대화형 질문에 답하지 못하는 콘텐츠를 가진 브랜드는 AI 노출 모멘텀이 꺾이고 있다. 소비자가 "10만원대 부모님 선물 추천해줘"라고 챗GPT에 묻는 순간, AI가 특정 브랜드를 언급하거나 언급하지 않는 것만으로 구매 후보군이 결정된다. 옴니센드가 진행한 한 조사에 따르면 소비자의 13%가 AI의 도움으로 구매할 가능성이 더 높다고 답한 조사 결과는 AI 플랫폼에서 브랜드가 노출되는 것이 이미 필수 과제임을 보여준다. 광고가 끼어들 여지가 없는 이 순간에 살아남는 브랜드는, 소비자가 실제로 묻는 질문에 명확하게 답하는 콘텐츠를 사전에 구축해 둔 곳이다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. AI 쇼핑 레퍼럴 트래픽이란 무엇인가요? A. AI 쇼핑 레퍼럴 트래픽이란 챗GPT, 구글 제미나이, 퍼플렉시티 같은 AI 검색 도구를 통해 소비자가 쇼핑 사이트로 이동하는 방문자 수를 말합니다. 사용자가 AI와 대화하다가 특정 상품이나 사이트 링크를 클릭해 이동하는 방식으로 발생합니다. Q. AI를 통해 쇼핑 사이트를 방문한 사람들은 정말 더 많이 구매하나요? A. 시밀러웹 추산에 따르면, 챗GPT를 통해 유입된 방문자의 구매 전환율은 약 11.4%로 일반 구글 검색 유입(5.3%)의 두 배 이상입니다. AI를 통해 이동한 소비자는 이미 AI와의 대화를 통해 충분한 정보를 얻은 뒤 방문하기 때문에 구매 의도가 높은 편입니다. Q. 내 브랜드가 AI 검색 결과에 잘 노출되려면 어떻게 해야 하나요? A. AI는 광고비보다 콘텐츠 품질을 우선시합니다. 소비자가 실제로 묻는 질문에 완결된 형태로 답하는 정보성 콘텐츠를 제품 페이지와 블로그에 갖추는 것이 핵심입니다. 우선 챗GPT나 제미나이에 내 브랜드 관련 질문을 직접 입력해 어떤 결과가 나오는지 확인하는 것부터 시작할 수 있습니다. 기사에 인용된 리포트 원문은 Similarweb에서 확인할 수 있다. 리포트명: Holiday Retail Season Planning 2026 / Generative AI Statistics for 2026 ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.06 17:01AI 에디터

AI가 조용히 당신의 일자리를 재설계하고 있다

당신 회사의 AI는 아직 '도우미' 수준인가, 아니면 이미 스스로 결정을 내리고 있는가. ISG(Information Services Group)가 발표한 보고서 「에이전틱 AI가 당신이 깨닫는 것보다 빠르게 업무를 재설계하고 있다」는 AI가 단순 보조 도구를 넘어 목표를 해석하고 의사결정을 내리는 '에이전틱 AI(Agentic AI)' 시대로 진입했음을 선언한다. 에이전틱 AI(Agentic AI)란 콘텐츠를 생성하거나 정보를 요약하는 데 그치지 않고, 스스로 목표를 파악하고 제한된 범위 안에서 판단을 내리며 여러 시스템을 넘나들어 실제 업무를 실행하는 AI 시스템을 말한다. 이 보고서가 독자에게 중요한 이유는 간단하다. 대부분의 기업이 아직 준비되지 않았기 때문이다. 흥분과 현실 사이의 격차, 43%의 함정 에이전틱 AI에 대한 기업들의 열기는 뜨겁다. 서비스나우(ServiceNow)는 2025년 IT, 인사, 고객 서비스 영역에 걸친 수천 개의 사전 구성 에이전트와 함께 AI 에이전트 오케스트레이터(AI Agent Orchestrator)를 출시했다. 워크데이(Workday)는 AI 개발에 투자를 집중하기 위해 전 세계 인력의 8.5%를 구조조정했다. 벤더 생태계는 이미 배팅을 마쳤다. 그러나 기업 내부의 현실은 다르다. ISG의 에이전틱 AI 시장 현황 보고서에 따르면 현재 실제로 운영 중인 에이전틱 시스템의 43%는 단순 모델 기반 에이전트(model-based agent)로, 목표 지향적이기보다는 특정 작업 처리에 집중된 수준이다. 쉽게 말해 'AI 에이전트'라고 불리는 것의 절반 가까이가 사실상 잘 포장된 자동화 워크플로에 불과하다는 뜻이다. 파일럿 또는 개념 증명 단계에서 전사적 도입으로 넘어가는 길목에서 대부분의 에이전틱 프로젝트가 실패한다. 앞서 나간 기업들이 먼저 바꾼 것 일찌감치 에이전틱 AI를 도입한 기업들의 사례는 무엇이 진짜 변화인지 보여준다. 한 대형 기술 기업은 청구, 자격 부여, 물류에 걸친 고객 문제 해결처럼 여러 부서가 연결된 복합 비즈니스 문제를 겨냥한 에이전틱 개념 증명(PoC)을 12개 이상 운영하면서, 재무 담당자의 투자수익률(ROI) 승인을 받은 과제만 다음 단계로 진행하는 원칙을 고수했다. 감으로 움직이지 않고, 숫자로 증명된 것만 키운다는 뜻이다. 더 구조적인 변화를 보여준 곳은 한 글로벌 바이오테크 기업이다. 이 회사는 2025년 인사(HR)와 IT 리더십 기능을 통합했다. AI가 진정한 인력 구성원이 되는 세상에서는 '사람 관리'와 '기술 관리'의 전통적 경계가 더 이상 의미가 없다는 판단에서다. 조직도가 기술보다 먼저 바뀌어야 한다는 메시지다. 이전틱 AI 시대, 기업이 바꿔야 할 4가지 ISG 보고서는 기업이 지금 당장 준비해야 할 네 가지 과제를 제시한다. 첫째, 업무를 '누가 하느냐'가 아니라 '무엇이 필요한가'를 중심으로 설계해야 한다. 기존 자동화가 반복적이고 예측 가능한 단순 업무를 대상으로 했다면, 에이전틱 AI는 다단계 추론과 판단, 부서 간 조율이 필요한 지식 노동 영역으로 침투하고 있다. 선도적인 기업들은 업무를 의사결정 지점, 자율 실행 흐름, 인간 개입 트리거의 세 가지로 분해하여 설계한다. 예컨대 고객 인사이트팀이 월간 보고서를 기다리는 대신, 에이전틱 AI가 트렌드를 실시간으로 모니터링하고 이상 신호를 즉시 알린다. 사람은 데이터를 취합하는 대신 해석하고 행동하는 역할에 집중하게 된다. 둘째, 의사결정의 거버넌스를 재건해야 한다. AI가 인간의 지시 없이 스스로 결정을 내릴 때, 그 결과의 책임은 누구에게 있는가. ISG의 2025 보고서에 따르면 인간 감독의 역할은 아직 모호하게 정의된 경우가 많다. 선도 기업들은 자율 행동의 명확한 경계, 예외 상황의 에스컬레이션(상위 보고) 경로, 에이전트 의사결정 실시간 모니터링 대시보드를 구축함으로써 기계의 판단에 대한 신뢰를 쌓아가고 있다. 셋째, 인재 전략을 대체가 아닌 협업 중심으로 전환해야 한다.MIT 슬론 매니지먼트 리뷰(MIT Sloan Management Review) 연구에 따르면 에이전틱 AI를 광범위하게 도입한 조직의 45%는 3년 내 중간 관리직 레이어가 줄어들 것으로 예상했다. 또한 심층 AI 도입 조직의 43%는 제너럴리스트(generalist, 여러 분야를 두루 아는 인재)를 더 많이 채용할 계획인 반면, 29%는 신입직 역할이 줄어들 것으로 내다봤다. 세계경제포럼(WEF)의 미래 직업 보고서는 2025년부터 2030년 사이에 현재 직무 역량의 약 39%가 쓸모없어지거나 전면 개편될 것이라 경고한다. 이는 5년간 누적 변화로, 연평균으로 환산하면 약 8% 수준이라는 점을 감안하면, 지금 당장 어떤 역량을 키울지 고민하지 않는 것은 사실상 도태를 선택하는 것과 같다. 넷째, 도구를 구매하는 것을 넘어 에코시스템을 조율하는 역량을 키워야 한다.ISG 데이터에 따르면 2025년 현재 배포된 에이전틱 솔루션 중 멀티 에이전트(multi-agent, 여러 AI 에이전트가 협력하는 구조) 방식은 17%에 불과하다. 하나의 에이전트를 배포하는 것은 쉽다. 여러 에이전트를 서로 협력하게 만드는 것이 진짜 도전이다. 어떤 단일 벤더도 에이전틱 AI 전 영역을 장악하지 못하고 있기 때문에, 여러 제공사와 아키텍처를 아우르는 내부 역량이 전략적 경쟁력이 되고 있다. 준비된 기업과 그렇지 않은 기업의 분기점 이 보고서가 그리는 미래에서 흥미로운 점은 기술 자체보다 조직 설계를 더 강조한다는 것이다. 가장 정교한 AI를 보유한 기업이 아니라, 가장 먼저 올바른 준비 투자를 시작한 기업이 앞서 나간다는 주장이다. 글로벌 바이오테크 기업의 HR·IT 통합 사례는 이를 상징적으로 보여준다. 다만 한 가지 열린 질문이 남는다. 보고서는 에이전틱 AI가 인간을 더 높은 가치 사슬로 이동시킨다고 말하지만, 그 '더 높은 역할'로의 전환이 모든 사람에게 동등하게 열려 있는지는 두고 볼 필요가 있다. 29%의 신입직 감소 예측은, 커리어를 이제 막 시작하려는 세대에게 어떤 의미인지 보고서는 명확히 답하지 않는다. 독자 스스로 판단해야 할 지점이다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. 에이전틱 AI(Agentic AI)가 일반 AI와 다른 점은 무엇인가요?에이전틱 AI는 단순히 질문에 답하거나 글을 써주는 기존 생성형 AI와 달리, 스스로 목표를 이해하고 여러 단계의 작업을 계획·실행할 수 있는 AI를 말합니다. 예를 들어 "고객 불만을 처리해"라는 지시를 받으면, 관련 데이터를 조회하고 담당 부서에 알림을 보내며 후속 조치까지 스스로 진행하는 방식입니다. Q. 에이전틱 AI 도입으로 제 직업이 없어질 수도 있나요?보고서에 따르면 에이전틱 AI는 단순 반복 업무와 일부 중간 관리 역할을 줄이는 반면, 전략적 판단·공감·복잡한 의사결정이 필요한 역할의 중요성은 높아집니다. 세계경제포럼은 2030년까지 현재 직무 역량의 약 39%가 바뀔 것으로 예측하므로, 지금부터 협업·판단·창의 역량을 키우는 것이 중요합니다. Q. 기업이 에이전틱 AI 도입에 실패하는 주된 이유는 무엇인가요?ISG 보고서는 기술보다 조직 준비가 더 큰 문제라고 지적합니다. 실제 운영 중인 에이전틱 시스템의 43%가 여전히 단순 자동화 수준에 머물러 있으며, 파일럿 단계에서 전사 도입으로 확장하는 과정에서 거버넌스(관리 체계) 미비, 부서 간 조율 부재, 명확한 ROI 기준 없음이 주요 실패 원인으로 꼽힙니다. 기사에 인용된 리포트 원문은 ISG One에서 확인할 수 있다. 리포트명: Agentic AI Is Redesigning Work Faster Than You Realize ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.03 16:53AI 에디터

AI가 사람 움직임을 '언어'처럼 이해하게 됐다

북경대와 둥화대, 화난이공대 공동 연구진이 3월 23일 발표한 유니모션(UniMotion) 논문은 AI가 사람의 동작, 이미지, 텍스트를 하나의 '언어'처럼 자유롭게 읽고 쓸 수 있게 만든 첫 사례다. "앉았다 일어나"라는 말을 듣고 3D 동작을 만들고, 반대로 춤추는 영상을 보고 "발을 앞으로 내딛고 팔을 흔든다"는 설명을 자동으로 써내는 일이 같은 시스템 안에서 동시에 가능해졌다는 뜻이다. 기존 AI는 움직임을 '단어'로 쪼갰다가 잃어버렸다 지금까지 AI는 사람의 움직임을 다룰 때 마치 영화 필름을 사진으로 찢어 보관하듯 '단어'로 바꿔 저장했다. 모션GPT 같은 기존 기술은 VQ-VAE라는 방식으로 동작을 512개 코드북의 조합으로 쪼갰다. 문제는 이 과정에서 어깨를 얼마나 들어 올렸는지, 발끝이 정확히 어디를 향했는지 같은 미세한 정보가 증발한다는 점이었다. 연구진 실험 결과 VQ-VAE 방식은 손목 위치 오차가 평균 212.9mm에 달했다. 성인 손바닥 너비를 두 번 벌려놓은 정도다. 유니모션은 이 문제를 '연속 공간'으로 해결했다. 동작을 코드로 자르지 않고 수학적 좌표 그대로 보존하는 CMA-VAE 구조를 만든 것이다. 같은 조건에서 손목 오차는 43.8mm로 떨어졌다. 5분의 1 수준이다. 더 중요한 건 시간 흐름이 자연스럽게 이어진다는 점이다. 기존 방식은 프레임마다 코드가 바뀌면서 움직임이 뚝뚝 끊기는 '지터' 현상이 생겼지만, 유니모션은 실제 사람의 가속도 패턴과 거의 동일한 부드러움을 보였다. 그림 1. 움직임·텍스트·영상 세 가지를 하나의 모델로 처리하는 유니모션(UniMotion)이 기존 모델들이 일부만 지원하던 7가지 과제를 최초로 전부 수행하며 성능도 앞섰다. 영상 없이도 '눈으로 본 것처럼' 학습하는 구조 연구진은 여기서 한 발 더 나갔다. 평소엔 동작 데이터만 보지만, 훈련 중에는 영상과 동작을 함께 보는 '이중 인코더' 방식(DPA)을 설계했다. 비유하자면 학생이 교과서(동작)만 보고 공부하지만, 선생님이 옆에서 그림(영상)을 보며 설명해주는 방식이다. 훈련이 끝나면 선생님은 떠나고 학생 혼자 문제를 푸는데, 이미 시각 정보의 핵심이 머릿속에 남아 있다. 실제로 DPA를 제거하자 텍스트→동작 생성 정확도(R@3)가 0.841에서 0.818로, 동작 편집 정확도는 84.94%에서 80.35%로 떨어졌다. 영상 없이도 "몸의 균형은 어때야 하는가" "팔다리 비율은 자연스러운가" 같은 시각적 직관이 내재화됐다는 증거다. 스스로 복습하며 구조를 익히는 '자가 정렬' 단계 연구진은 본격 훈련 전 AI에게 '자가 복습' 시간을 줬다. LRA(잠재 복원 정렬)라는 단계에서 시스템은 자신이 인코딩한 동작 정보를 노이즈에서 다시 복원하는 연습만 8만 스텝 반복한다. 텍스트 설명 같은 애매한 힌트 없이 "이 좌표값이 주어지면 원래 동작은 이거였다"는 명확한 정답만으로 뼈대를 다지는 것이다. 이 단계를 건너뛰면 어떻게 될까. 텍스트→동작 점수는 0.801, 동작 예측 오차는 3.777mm로 치솟았다. 반대로 자가 정렬을 거치면 0.841과 3.172mm로 안정된다. 마치 악보를 읽기 전에 스케일 연습부터 하는 음악가처럼, AI도 구조를 먼저 익혀야 복잡한 과제를 안정적으로 처리한다. 7가지 일을 한 몸으로 처리하는 통합 설계 유니모션의 진짜 강점은 범용성이다. 텍스트→동작, 동작→텍스트, 동작 예측, 동작 편집, 영상→동작, 영상→텍스트, 동작 기반 이미지 편집까지 총 7개 작업을 단일 모델로 처리한다. 기존엔 작업마다 별도 모델이 필요했다. 모션GPT는 텍스트↔동작만, 유니포즈는 정지 자세↔이미지만 다뤘다. 통합의 핵심은 '듀얼 패스 임베더'다. 동작 정보를 두 갈래로 처리하는데, 한쪽은 의미(Semantic)를 추출하고 다른 쪽은 세부 좌표(Generation)를 보존한다. 마치 책을 읽을 때 줄거리와 문장 표현을 동시에 기억하는 것과 같다. 동작 편집 과제에서 이 구조는 결정적이다. "양손을 위로"라는 명령(의미)을 이해하면서도 원본 동작의 걸음 폭이나 어깨 각도(세부)는 그대로 유지해야 하기 때문이다. 전문 모델보다 정확하고, 범용 모델보다 세밀하다 휴먼ML3D 데이터셋 텍스트→동작 생성에서 유니모션은 R@3 점수 0.841로 1위를 기록했다. 단일 과제 전문 모델 MoMask(0.807)를 제쳤다. 동작→텍스트 설명에선 BertScore 41.2로 기존 최고(36.7)를 크게 앞섰다. 동작 예측 오차는 3.172mm로 모션GPT(4.745mm) 대비 33% 개선됐다. 영상→동작 변환에선 MPJPE 75.0으로 같은 통합 모델인 유니포즈(81.8)를 8.3% 앞섰다. 전문 모델(TokenHMR 52.4)과는 여전히 격차가 있지만, 7개 작업을 동시 지원하는 모델 중에선 독보적이다. 동작 기반 이미지 편집에선 모션 정확도 67%로 기존 2단계 방식(50~59%)을 압도했다. AI 동작 이해는 이제 '읽기·쓰기·번역'을 모두 아는 단계 유니모션이 보여준 건 단순히 성능 향상이 아니다. 동작을 '언어'처럼 다루는 패러다임 전환이다. 기존 AI는 영어만, 또는 불어만 구사했다면, 이젠 영·불·독을 넘나들며 통역까지 하는 셈이다. 연속 공간 표현, 시각 정보 증류, 자가 정렬 사전 훈련이라는 세 기둥이 이 전환을 가능하게 했다. 다만 몇 가지는 두고 봐야 한다. 첫째, 훈련 데이터 대부분이 실내 촬영 환경(Human3.6M)이라 야외 복잡한 상황에서 시각 정렬이 얼마나 유지될지 미지수다. 둘째, 15억 파라미터 모델이라 실시간 모바일 구동은 아직 무리다. 셋째, 논문은 단일 프레임→동작 복원을 주로 다뤘는데, 다중 프레임 영상에서 시간 추론을 어떻게 강화할지는 후속 과제로 남았다. 그럼에도 이 연구가 여는 가능성은 크다. 게임 캐릭터가 자연어 지시만으로 즉석 애니메이션을 만들고, 재활 치료사가 환자 동작을 촬영하면 AI가 자동으로 교정 가이드를 텍스트로 출력하는 미래가 구체화되고 있다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q. 유니모션이 기존 모션GPT와 다른 핵심 차이는 무엇인가요?모션GPT는 동작을 512개 코드로 쪼개 저장(VQ-VAE)하지만 유니모션은 좌표를 연속값으로 유지(CMA-VAE)합니다. 덕분에 손목 위치 오차가 212.9mm에서 43.8mm로 줄고, 시간 흐름도 끊김 없이 자연스러워집니다. Q. '듀얼 패스 임베더'는 왜 두 갈래로 나뉘나요?한쪽(Semantic)은 "앉는다"는 의미를, 다른 쪽(Generation)은 무릎 각도 같은 세부를 담습니다. 동작 편집 시 명령은 이해하되 원본 디테일은 보존해야 하므로 둘 다 필요합니다. Q. LRA 자가 정렬 단계는 왜 필요한가요?텍스트 설명은 "걷는다"처럼 추상적이라 학습 신호가 모호합니다. 반면 동작 좌표는 명확한 정답이므로, 먼저 이걸로 뼈대를 다진 뒤 텍스트 학습을 하면 성능이 크게 오릅니다(R@3 0.801→0.841). 기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다. 리포트명: UniMotion: A Unified FRAMEwork for Motion-Text-Vision Understanding and Generation ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.02 22:10AI 에디터

"의자를 책상 앞에"라는 말만으로 AI가 3D 공간을 완벽하게 재배치한다

엔비디아(NVIDIA)와 메사추세츠대학교(UMass Amherst) 연구진이 자연어 명령만으로 3D 공간 내 물체를 정교하게 재배치할 수 있는 3D-Layout-R1 프레임워크를 공개했다. 이 시스템은 기존 언어 모델이 "의자를 소파와 나란히 놓아라"는 명령을 받으면 물체끼리 겹치거나 허공에 떠 있는 결과를 만들던 문제를 해결했다. 핵심은 각 단계를 투명하게 기록하는 구조화된 추론 방식이다. 마치 레고 조립 설명서처럼 "1단계: 의자를 책상 앞에 배치, 2단계: 침대를 책상 뒤로 이동"처럼 중간 과정을 단계별로 추론하면서 최종 배치에 도달한다. 그림 1. 3D-Layout-R1의 다단계 공간 배치 추론 과정 기존 AI가 공간을 엉망으로 만드는 이유 챗GPT(ChatGPT)나 제미나이(Gemini) 같은 언어 모델에게 "거실 가구를 재배치해줘"라고 요청하면, 그럴듯한 설명은 내놓지만 실제로는 소파가 테이블을 관통하거나 의자가 벽 밖으로 튀어나가는 배치를 제안한다. 이들은 공간 관계를 말로는 이해하지만, 물리 법칙을 따르는 구체적인 좌표 계산에는 약하기 때문이다. 마치 지도를 읽을 줄은 알지만 실제로 그 길을 걸어본 적은 없는 사람처럼, 추상적 이해와 실제 실행 사이에 큰 간극이 존재한다. 기존 방식은 두 가지로 나뉜다. 첫 번째는 AI가 "의자를 옮겨야 할 것 같아요"라고 대략적인 계획만 세우고, 별도의 프로그램이 실제 좌표를 계산하는 방식이다. 문제는 AI의 생각이 너무 모호해서 계산 프로그램이 제대로 된 결과를 만들어내기 어렵다는 점이다. 두 번째는 AI가 한 번에 최종 결과를 예측하는 방식인데, "먼저 상자를 옮기고, 그 다음 책 옆에 램프를 놓아라" 같은 여러 단계가 필요한 작업에서는 중간 과정을 관리하지 못해 실패한다. 결국 기존 시스템은 복잡한 공간 편집 명령을 제대로 수행하지 못했다. 투명한 설계도가 AI를 똑똑하게 만든다 3D-Layout-R1의 핵심은 장면 그래프(Scene Graph)라는 투명한 중간 표현이다. 이는 방 안의 모든 물체를 카드 목록처럼 정리한 것이다. 각 카드에는 물체 이름, 정확한 위치, 크기, 회전 각도가 적혀 있다. 기존 AI가 "의자를 어딘가로 옮겨야 할 것 같은데, 아마도 테이블 근처쯤?"이라고 두루뭉술하게 말하는 대신, 3D-Layout-R1은 JSON과 같은 형태로 좌표를 명시적으로 수정 한다. 이 방식의 장점은 각 단계를 즉시 확인할 수 있다는 점이다. 만약 2단계에서 침대가 의자와 겹친다면, 3단계로 넘어가기 전에 바로 문제를 발견하고 수정할 수 있다. 마치 요리할 때 레시피를 한 단계씩 따라가며 맛을 보는 것과 비슷하다. 기존 방식은 모든 재료를 한꺼번에 냄비에 넣고 나서야 맛이 이상하다는 걸 깨닫는 반면, 새로운 방식은 재료를 하나씩 넣으며 계속 확인한다. 연구진은 DeepSeek-R1을 활용해 추론 트레이스를 생성한 1만 5천 개 데이터셋을 만들었다. 각 데이터에는 처음 상태, 자연어 명령, 단계별 카드 수정 내역, 최종 목표 상태가 포함된다. 세 가지 연습 과제를 준비했다. 첫 번째는 물체를 크기와 모양으로 분류한 뒤 일렬로 정렬하는 '정렬 과제'다. 두 번째는 무작위로 흐트러진 물체를 원래의 깔끔한 격자 구조로 되돌리는 '공간 정렬 과제'다. 세 번째는 "보라색 침대를 책상 뒤에 놓되, 침대는 책상으로부터 정확히 팔 길이만큼 떨어뜨려라" 같은 복잡한 조건을 동시에 만족시키는 '방 편집 과제'다. 게임처럼 점수를 매기며 물리 법칙을 배운다 구조화된 추론만으로는 부족하다. AI가 카드를 올바른 형식으로 작성하더라도, 실제 위치가 부정확하거나 물체끼리 겹칠 수 있다. 이를 해결하기 위해 연구진은 강화학습을 적용했다. 이는 게임 플레이어에게 점수를 주며 학습시키는 방식과 같다. AI가 물체를 배치할 때마다 세 가지 기준으로 점수를 매긴다. 첫 번째 기준은 '목표 일치도'다. AI가 놓은 의자가 정답 위치와 얼마나 겹치는지 측정한다. 마치 다트 게임에서 과녁 중앙에 가까울수록 높은 점수를 주는 것과 같다. 두 번째 기준은 '충돌 방지'다. 의자가 테이블을 관통하거나 벽 안으로 파고들면 감점한다. 세 번째 기준은 '형식 준수'다. AI의 답변이 제대로 된 카드 형식으로 작성됐는지 확인한다. 이 세 가지 점수를 합산해 AI에게 피드백을 준다. 처음에는 서툴지만, 수천 번 반복하며 점점 높은 점수를 받는 배치 방법을 학습한다. 마치 농구 선수가 슛 연습을 반복하며 골대 감각을 익히듯, AI도 어떤 배치가 물리적으로 타당하고 명령을 정확히 따르는지 체득한다. 이 과정을 거친 모델은 기존보다 훨씬 정확한 위치에 물체를 배치하고, 충돌 없는 완벽한 레이아웃을 만들어낸다. 작은 모델이 거대 AI를 이긴 이유 정렬 과제에서 3D-Layout-R1은 최신 모델의 성능을 IoU 기준으로 약 20% 정도 향상된 성능을 보였다. 더 중요한 점은 충돌이 거의 없었다는 것이다. 기존 모델들이 만든 배치에서는 물체 5개 중 1~2개가 다른 물체와 겹쳤지만, 새 모델은 모든 물체가 깔끔하게 분리됐다. 공간 정렬 과제는 더 까다롭다. 무작위로 흩어진 물체를 보고 원래 있어야 할 자리를 추론한 뒤 되돌려놓아야 한다. 제미나이 2.5 프로는 물체 10개 중 7~8개를 대략적인 위치로 복원했다. 3D-Layout-R1은 9개 이상을 정확한 격자 위치에 맞춰 배치했다. 흥미로운 점은 훨씬 작은 모델이 대형 상용 모델을 이긴다는 사실이다. 엔비디아 연구진이 훈련시킨 소형 모델도 경쟁력 있는 성능을 보였다는 것이다. 이는 모델 크기보다 추론 구조가 더 중요하다는 증거다. 방 편집 과제에서는 차이가 더 극명했다. 제미나이나 딥시크는 물체 3개 중 1~2개를 대략적인 위치에 놓는 수준이었다. 3D-Layout-R1은 더 높은 정확도로 물체를 배치했다. 특히 "의자는 책상으로부터 팔 두 뼘 정도 떨어뜨려라" 같은 거리 제약까지 정확히 지켰다. 더 놀라운 점은 단순히 강화학습만 적용하면 오히려 성능이 제한적이라는 발견이다. 구조화된 단계별 추론을 먼저 가르치고, 그 위에서 강화학습으로 미세 조정하는 2단계 전략이 핵심이었다. 그림 6. 실제 로봇을 이용한 테이블 위 물체 재배치 및 집기-놓기 작업 창고에서 거실까지, 한 번 배우면 어디서나 통한다 연구진은 실제 로봇 팔로도 가능성을 확인했다. 카메라가 테이블 위 물체를 촬영하면, 3D-Layout-R1이 "노란 컵을 노란 그릇에 넣어라"는 명령을 해석해 목표 배치를 생성한다. 그러면 로봇 제어 프로그램이 그 배치를 따라 팔을 움직여 작업을 완수했다. AI는 로봇 동작을 직접 배운 적이 없지만, 명확한 목표를 제시하는 것만으로도 기존 로봇 시스템과 협업할 수 있었다. 더 흥미로운 점은 창고 시뮬레이션 실험이다. 연구진은 창고 데이터로 모델을 재훈련하지 않았다. 그런데도 "상자를 높이 순으로 정렬하고, 팔레트가 가장 적은 구역에 배치하라"는 실무 지시를 정확히 따랐다. 이는 구조화된 추론이 특정 환경에만 맞춰진 것이 아니라, 장면 그래프라는 범용적 표현 덕분에 새로운 상황에도 적응한다는 증거다. 식당 주방에서 일하던 요리사가 카페 주방에서도 레시피만 보면 요리할 수 있는 것과 비슷하다. 다만 한계도 있다. 물체 이름이 없거나 위치 정보가 부정확한 상황에서는 시각 정보를 함께 처리하는 비전-언어 모델이 텍스트만 다루는 모델보다 훨씬 나았다. 이는 불완전한 정보를 이미지로 보완하는 능력이 중요하다는 뜻이다. 또한 대형 비전-언어 모델을 훈련시켰을 때 기대만큼 성능이 오르지 않았는데, 이는 시각 정보를 활용하는 방식 자체를 개선해야 한다는 과제를 남긴다. 중간 단계를 보여주는 AI가 신뢰받는다 3D-Layout-R1이 보여주는 핵심 교훈은 '중간 단계를 투명하게 만들면 AI가 더 똑똑해진다'는 것이다. 기존 방식은 AI의 사고 과정이 블랙박스처럼 감춰져 있어서, 뭔가 잘못됐을 때 어디서부터 고쳐야 할지 알 수 없었다. 새로운 방식은 각 단계를 명확한 카드 수정으로 기록하기 때문에, 2단계에서 실수했다면 2단계만 다시 고치면 된다. 이는 의료 진단이나 법률 자문처럼 추론 과정을 설명해야 하는 분야에도 적용 가능한 원리다. 또 다른 교훈은 '기초 훈련과 실전 최적화를 분리하라'는 것이다. 처음부터 강화학습으로 모든 것을 학습시키려 하면 방향을 잃는다. 먼저 구조화된 추론으로 기본기를 다지고, 그 위에서 점수 기반 학습으로 다듬는 2단계 전략이 효과적이다. 이는 언어 학습에서 문법을 먼저 배우고 대화 연습으로 유창성을 높이는 과정과 비슷하다. 남은 질문은 이 방법이 얼마나 확장될 수 있느냐다. 현재는 가구 배치 같은 정적인 작업에 집중하지만, "공을 굴려서 목표 지점에 맞춰라" 같은 동적 물리 시뮬레이션으로 확장되면 어떻게 될까. 또한 현재 데이터는 1만 5천 개 수준이지만, 수백만 개의 다양한 장면으로 학습하면 AI의 공간 지능은 인간 수준에 근접할 가능성이 있다. 다만 비전 정보를 더 효과적으로 활용하는 방법은 아직 개선의 여지가 크다. 보는 것과 이해하는 것 사이의 간극을 좁히는 일이 다음 과제로 남아 있다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q1. 3D-Layout-R1이 기존 AI와 다른 점은 무엇인가요? 기존 AI는 "의자를 옮겨라"는 명령에 추상적인 설명만 제공하지만, 3D-Layout-R1은 장면 그래프라는 명확한 카드 목록을 단계별로 수정합니다. 각 단계가 투명하게 기록돼 어디서 실수했는지 즉시 확인하고 수정할 수 있습니다. Q2. 어떤 작업에 실제로 사용할 수 있나요? 가상 공간 디자인, 로봇 작업 계획, 창고 물류 자동화, 건축 시뮬레이션 등에 활용 가능합니다. "상자를 높이 순으로 정렬하고 팔레트가 적은 구역에 배치하라"는 복잡한 명령도 정확히 수행합니다. Q3. 일반 사용자도 이 기술을 쓸 수 있나요? 현재는 연구 단계이지만, 향후 3D 게임 에디터, 메타버스 공간 설정, 스마트 홈 가구 배치 앱 등에 통합될 가능성이 있습니다. 자연어만으로 복잡한 공간 재배치가 가능해지는 시점이 올 수 있습니다. 기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다. 리포트명: 3D-Layout-R1: Structured Reasoning for Language-Instructed Spatial Editing ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.02 17:29AI 에디터

강바닥 모래와 자갈, AI가 레이저로 구분한다: 헬기 띄워 3차원 지도 완성

핀란드 연구진이 헬리콥터에 3색 레이저 스캐너를 달고 강 위를 날아다니며 촬영한 결과, AI가 모래·자갈·풀·나무·물을 95% 정확도로 구별해냈다. 핀란드 국립측량연구원(FGI)이 발표한 보고서에 따르면 Point Transformer v2(PTv2)라는 AI 모델이 3차원 포인트 클라우드 데이터를 분석해 평균 IoU 0.950이라는 높은 정확도를 달성했다. 놀라운 점은 3차원 좌표만 썼을 때보다 레이저 색깔 정보를 추가하자 정확도가 30% 이상 뛰었다는 것이다. 특히 사람 눈으로도 구별하기 어려운 모래와 자갈을 거의 완벽하게 분류했다. 이 기술은 홍수 예측, 물고기 서식지 보호, 강 복원 계획에 활용될 수 있다. 위성사진으론 안 보이는 걸 3차원 레이저가 본다 강은 끊임없이 변한다. 비가 오면 모래가 쓸려가고, 자갈이 쌓이고, 풀이 자란다. 이런 변화를 추적하려면 정확한 지도가 필요한데 기존 방식엔 한계가 많았다. 사람이 직접 강에 들어가 측정하면 시간도 오래 걸리고 위험하다. 위성사진이나 드론 사진은 넓은 면적을 찍을 수 있지만 치명적 약점이 있다. 물속은 못 보고, 나무가 빽빽한 숲 아래 땅도 안 보인다. 게다가 평면 사진이라 높낮이를 알 수 없어 모래인지 풀인지 구별이 어렵다. 핀란드 연구진은 이 문제를 3색 레이저로 해결했다. 헬리콥터에 1550nm, 905nm, 532nm 세 가지 색깔의 레이저 스캐너를 달았다. 100m 높이에서 시속 54km로 날아다니며 1㎡당 1400~1600개 점을 찍었다. 머리카락 두께만 한 간격으로 강바닥을 스캔한 셈이다. 각 점마다 위치(XYZ 좌표)와 함께 세 가지 색깔에서 반사된 빛의 세기·반사율·진폭·편차를 기록했다. 좌표만 쓰면 64점, 색깔 정보 넣으니 95점 연구진은 핀란드 북부 울란카 강 세 곳에서 데이터를 모았다. 모래, 자갈, 낮은 풀, 높은 나무, 숲바닥, 물 이렇게 6가지로 분류했다. 먼저 AI에게 3차원 좌표만 알려줬다. 점이 어디 있는지만 보고 맞춰보라는 거다. 결과는 mIoU 0.643, 정확도 75%였다. 나쁘진 않지만 특히 자갈을 거의 못 알아봤다. IoU가 0.194에 불과했다. 그런데 여기에 레이저 색깔 정보를 추가하자 극적인 변화가 일어났다. 전체 정확도가 mIoU 0.950, 정확도 97.7%로 뛰었다. 모래는 IoU가 0.487에서 0.990으로, 자갈은 0.194에서 0.971로 급상승했다. 차이를 보여주는 구체적 장면이 있다. 강가 퇴적 지대를 3차원 좌표만으로 분류한 지도는 모래·자갈·풀이 뒤섞여 얼룩덜룩했다. 색깔 정보를 추가한 지도는 깔끔하게 구역이 나뉘었다. 모래는 노란색, 자갈은 회색, 풀은 초록색으로 선명하게 구분됐다. 항공사진과 비교해도 경계선이 정확히 일치했다. 빛의 세기와 반사율이 핵심, 진폭·편차는 별 도움 안 돼 연구진은 어떤 색깔 정보가 가장 중요한지 하나씩 테스트했다. 레이저가 물체에 부딪혀 돌아올 때 네 가지 정보가 기록된다. 빛의 세기(인텐시티), 반사율(리플렉턴스), 파형 최고점(앰플리튜드), 파형 변형 정도(데비에이션)다. 인텐시티만 쓰면 mIoU 0.937, 반사율만 쓰면 0.934가 나왔다. 둘 다 훌륭했다. 특히 모래(IoU > 0.99)와 자갈(IoU ≈ 0.98) 구별에 탁월했다. 반면 진폭만 쓰면 mIoU 0.767, 편차만 쓰면 0.719로 떨어졌다. 진폭으로는 모래 IoU가 0.605, 자갈이 0.400밖에 안 나왔다. 편차는 더 심해서 각각 0.606, 0.222였다. 신기한 건 물과 나무는 어떤 정보를 써도 거의 완벽하게 맞췄다는 점이다. 결론은 명확했다. 모래와 자갈 같은 퇴적물을 구별하려면 빛의 세기와 반사율이 핵심이다. 나머지는 보조 역할이다. 모래 0.5%밖에 없는 데이터에 모래 32% 데이터 섞으니 정확도 22% 상승 AI 모델을 실제 환경에 적용할 때 가장 큰 난관 중 하나는 훈련 데이터의 부족이다. 특히 자연 환경에서는 지형마다 특성이 달라 한 지역에서 훈련한 모델이 다른 지역에서는 제대로 작동하지 않는 경우가 많다. 연구팀은 이 문제를 해결하기 위해 다중 데이터셋 훈련(multi-dataset training) 방식을 시도했다. 울란카 강의 누르미사리(NS) 지역은 데이터가 3400만 개 점으로 많았지만 모래가 0.5%밖에 없었다. 나무가 60%, 물이 13%인데 정작 중요한 모래와 자갈이 합쳐봐야 10.6%였다. 이런 데이터로 학습하면 AI가 모래를 제대로 못 배운다. 연구진은 묘수를 뒀다. 논문의 방법론(Method) 섹션에 따르면, 연구팀은 오울랑카 강의 완전히 주석이 달린 데이터와 함께, 다른 강에서 수집한 희소하게 주석이 달린 데이터를 추가로 활용했다. 이는 마치 학생이 한 과목을 깊이 공부하면서 동시에 관련 과목들을 가볍게 훑어보는 것과 같다. 완벽하지 않더라도 다양한 환경의 데이터를 접하면 AI가 새로운 환경에 더 잘 적응할 수 있다는 가설이었다. 결과는 긍정적이었다. 다중 데이터셋으로 훈련한 모델은 새로운 강 환경에서 더 나은 일반화 성능을 보였다. 특히 훈련 데이터에서 상대적으로 적게 나타났던 모래나 자갈 같은 퇴적물 분류에서 기존 지역 데이터만 사용한 결과 대비 정확도가 22% 상승했다. 이는 고품질의 주석 데이터가 제한적인 상황에서도, 여러 지역의 데이터를 전략적으로 결합하면 더 강건한 AI 모델을 만들 수 있음을 시사한다. 한계도 있다: 모래-자갈 섞인 곳과 얕은 물속은 여전히 어려워 AI도 헷갈리는 상황이 있다. 모래와 자갈이 섞인 전이 지대가 대표적이다. 강물이 흐르며 퇴적물을 분류하는데 경계가 칼로 자른 듯 명확하지 않다. 모래 알갱이 크기가 점점 커지며 자갈로 변하는 구간이 있다. 예를 들어 노란색(모래)과 회색(자갈)이 점점이 섞이는 지형이다. 포인트 클라우드 해상도가 2cm라 미세한 변화를 못 잡는 것도 한계다. 더 까다로운 건 얕은 물속 자갈이다. 물이 자갈 위를 살짝 덮으면 레이저가 물 표면과 자갈 둘 다 감지한다. PTv2는 이 지역을 일부는 자갈로, 일부는 물로 분류했다. 일관성이 떨어졌다. 연구진도 이 문제를 인정했다. 전이 구역에서는 k-최근접 이웃 알고리즘이 여러 클래스 정보를 뒤섞어 처리하기 때문에 정확도가 떨어진다고 설명했다. 홍수 예측부터 물고기 집 찾기까지, 쓸 곳 많은 기술 이 기술은 어디에 쓸까? 가장 직접적인 활용은 홍수 예측이다. 강바닥 모래와 자갈 분포를 정확히 알면 물이 어떻게 흐를지 시뮬레이션할 수 있다. 모래가 많은 곳은 쉽게 깎이고, 자갈이 많은 곳은 물살을 버틴다. 이 데이터로 홍수 때 어느 구역이 위험한지 미리 알 수 있다. 생태학자들에게도 보물이다. 연어 같은 물고기는 자갈밭에 알을 낳는다. 정확한 자갈 분포 지도가 있으면 산란지를 찾고 보호할 수 있다. 하천 복원 프로젝트에도 쓰인다. 댐을 허물거나 강을 옛 모습으로 되돌릴 때 현재 상태를 정밀하게 파악하는 게 첫 단계다. 시간이 지나며 변화를 추적하는 데도 유용하다. 매년 같은 구간을 스캔하면 어디서 침식이 일어나고 어디에 퇴적이 쌓이는지 3차원 애니메이션으로 볼 수 있다. 연구진은 이 기술이 퇴적물 이동 모니터링, 서식지 변화 추적, 하천 관리 전반에 새로운 가능성을 연다고 강조했다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q1. 다중분광 LiDAR이란 무엇인가요?다중분광 LiDAR은 여러 파장의 레이저를 동시에 발사해 3차원 좌표뿐 아니라 각 파장에서의 반사 특성(인텐시티, 반사율 등)을 함께 기록하는 레이저 스캐닝 기술입니다. 이를 통해 단일 파장 LiDAR보다 지표면 물질의 분광 특성을 더 정확히 파악할 수 있습니다. Q2. PTv2가 기존 딥러닝 모델보다 나은 이유는 무엇인가요?PTv2는 트랜스포머 기반 아키텍처로 셀프 어텐션 메커니즘을 활용해 포인트 클라우드의 전역적 맥락을 효과적으로 포착합니다. 그룹화된 벡터 어텐션과 파티션 기반 풀링 기법으로 계산 효율성도 높였으며, 특히 다중분광 피처를 통합 처리하는 데 강점을 보입니다. Q3. 이 기술이 하천 관리에 어떻게 활용될 수 있나요?고정밀 하천 토지 피복 지도는 퇴적물 이동 모니터링, 홍수 위험 평가, 서식지 변화 추적, 하천 복원 계획 수립 등에 활용될 수 있습니다. 특히 모래와 자갈 같은 퇴적물 분포를 정확히 파악하면 수생 생물 서식 환경과 하천 형태 변화를 예측하는 데 도움이 됩니다. 기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다. 리포트명: Riverine Land Cover Mapping through Semantic Segmentation of Multispectral Point Clouds ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.04.01 08:46AI 에디터

앤트로픽 광란의 3월… 한 달 14개 이상 업데이트 발표

앤트로픽(Anthropic)이 2026년 3월 한 달 동안 14개 이상의 제품 및 기능 업데이트를 발표하며 유례없는 출시 행보를 보였다. 기술 매체 더뉴스택(The New Stack)은 이를 '앤트로픽의 광란의 3월(madcap March)'이라고 표현하며, 이 기간 5차례의 서비스 장애(outage)도 발생했다고 전했다. 빠른 성장 속에서 안정적인 서비스 운영을 유지해야 하는 앤트로픽의 과제가 적나라하게 드러난 한 달이었다. 릴리스보트(Releasebot) 집계에 따르면, 3월의 주요 출시물 중 가장 주목받은 것은 코딩·컴퓨터 사용 등 다양한 역량이 향상된 클로드 소네트(Claude Sonnet) 4.6이다. 이 모델은 베타(beta) 버전으로 최대 100만 토큰(token)의 컨텍스트 윈도(context window)를 지원해 더 긴 문서, 복잡한 코드베이스(codebase), 방대한 데이터를 한 번에 처리할 수 있다. 특히 소프트웨어 코딩 벤치마크에서 전작 대비 큰 폭의 성능 향상이 확인됐다. AI가 이용자를 대신해 컴퓨터를 직접 조작하는 '컴퓨터 사용(computer use)' 기능도 3월 23일 프로(Pro)·맥스(Max) 구독자를 대상으로 연구 프리뷰(research preview) 형태로 공개됐다. 개발자 보조 도구 '클로드 코드(Claude Code)'도 웹과 모바일 환경에 정식 출시됐다. 앤트로픽은 사용량이 집중되는 피크(peak) 시간대에 무료·프로·맥스 구독자의 5시간 세션 한도를 하향 조정하는 용량 관리 조치를 취했으며, 이에 일부 이용자들의 불만이 제기됐다. 한편 앤트로픽은 이 기간 법적으로도 주목할 만한 성과를 거뒀다. CNBC에 따르면, 연방 판사가 미 국방부(DOD)의 클로드 계약 관련 소송에서 앤트로픽 측에 예비 금지 명령(preliminary injunction)을 내렸다. 담당 판사는 정부의 행위가 '수정헌법 제1조(First Amendment) 위반에 해당하는 보복 행위'라고 명시적으로 판단했다. 이 법적 성과는 정부와 AI 기업 간 계약 관행 및 표현의 자유 보호 논쟁에 대한 업계 전반의 관심을 다시금 환기시켰다. 자세한 정보는 더뉴스택(The New Stack)에서 찾아볼 수 있다. ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.03.31 21:21AI 에디터

AI 건강 챗봇, 쏟아지지만… "효과 검증은 아직"

마이크로소프트(Microsoft)·아마존(Amazon)·오픈AI(OpenAI)가 잇달아 AI 건강 도구를 출시하고 있지만, 독립 전문가들의 검증 없이 대중에게 공개되는 것을 두고 연구자들의 우려가 커지고 있다. MIT 테크놀로지 리뷰(MIT Technology Review)에 따르면, 마이크로소프트는 이달 초 자사 코파일럿(Copilot) 앱 내에 '코파일럿 헬스(Copilot Health)'를 출시했다. 이 서비스는 사용자가 의료 기록을 연동하고 건강 관련 질문을 할 수 있는 공간이다. 며칠 앞서 아마존(Amazon)도 기존에 '원 메디컬(One Medical)' 회원에게만 제공하던 거대언어모델(LLM) 기반 도구 '헬스 AI(Health AI)'를 일반에 개방했다. 오픈AI(OpenAI)가 지난 1월 출시한 '챗GPT 헬스(ChatGPT Health)'와 의료 기록 접근 권한을 부여할 수 있는 앤트로픽(Anthropic)의 클로드(Claude)에 이어, AI 건강 서비스는 이제 하나의 산업 트렌드로 자리 잡았다. 기존 의료 시스템을 통해 건강 정보를 얻기 어려운 사람들이 많다는 점에서, 건강 상담 챗봇에 대한 수요는 분명히 존재한다. 일부 연구에서는 현재의 LLM이 안전하고 유용한 건강 조언을 제공할 수 있다는 결과도 나왔다. 그러나 연구자들은 이 도구들이 대중에게 광범위하게 공개되기 전에, 독립적인 전문가에 의한 보다 엄격한 평가를 거쳐야 한다고 강조한다. 건강처럼 위험 부담이 큰 영역에서 기업이 자체적으로 제품을 평가하는 것만으로는 신뢰를 얻기 어렵다. 특히 그 평가 결과가 외부 전문가 검토를 위해 공개되지 않는다면 더욱 그렇다. 옥스퍼드 인터넷 연구소(Oxford Internet Institute)의 박사과정 연구자 앤드루 빈(Andrew Bean)은 "더 많은 의료 서비스가 필요한 상황이라면, 효과가 있는 모든 경로를 반드시 추구해야 한다"며 "이 모델들이 실제로 배포할 수 있는 수준에 이르렀을 가능성은 충분하다"고 말했다. 그러면서도 "근거가 되는 증거 기반이 제대로 갖춰져야 한다"고 덧붙였다. 마이크로소프트 AI 건강 부문 부사장이자 전직 외과의사인 도미닉 킹(Dominic King)은 AI 기술의 발전을 코파일럿 헬스 출시의 핵심 이유로 꼽았다. 킹 부사장에 따르면 마이크로소프트는 하루 5000만 건의 건강 관련 질문을 받고 있으며, 건강은 코파일럿 모바일 앱에서 가장 많이 다뤄지는 주제다. 오픈AI 헬스 AI팀을 이끄는 카란 싱할(Karan Singhal)도 "건강 관련 제품을 출시하기 전부터 챗GPT에서 건강 관련 질문이 매우 빠른 속도로 늘고 있었다"고 밝혔다. 마운트 시나이 헬스 시스템(Mount Sinai Health system)의 최고 AI 책임자(Chief AI Officer) 기리쉬 나드카르니(Girish Nadkarni)는 이러한 현상에 대해 "의료 접근성이 낮기 때문에, 특히 특정 계층에게는 더욱 어렵기 때문에 이런 도구들이 존재하는 것"이라고 분석했다. AI 건강 챗봇이 가진 긍정적 가능성 중 하나는 '트리아지(triage)', 즉 증상의 경중을 판단해 의료 기관 방문 여부를 결정하는 것을 돕는 기능이다. 하지만 나드카르니 등 마운트 시나이 연구진이 발표한 최근 연구에 따르면, 챗GPT 헬스는 경증에는 과도한 치료를 권장하고 응급 상황은 제대로 파악하지 못하는 경우가 있었다. 이 연구는 독립적인 평가 없이 도구들이 공개되는 현실에 대한 우려를 수면 위로 끌어올렸다. 이 기사를 위해 인터뷰한 학계 전문가 6명 모두 AI 건강 챗봇이 독립 연구자의 안전성 검토 없이 출시되고 있다는 점에 우려를 표했다. 운동 계획 추천이나 의사에게 할 질문 제안 같은 기능은 비교적 위험이 낮지만, 트리아지나 진단·치료 방향 제시는 명백한 위험을 수반한다. 베스 이스라엘 디코니스 메디컬 센터(Beth Israel Deaconess Medical Center)의 내과 전문의이자 구글(Google)의 방문 연구원인 아담 로드먼(Adam Rodman)은 "사람들이 결국 이것을 진단과 치료 관리에 사용할 것이라는 점은 우리 모두 알고 있다"고 지적했다. 오픈AI는 챗봇이 현실적인 건강 대화에서 어떻게 반응하는지 평가하는 기준인 '헬스벤치(HealthBench)'를 자체 설계해 공개했다. 그러나 빈의 연구에 따르면 LLM이 가상의 의료 시나리오를 단독으로는 정확히 파악할 수 있더라도, 전문 지식이 없는 일반 사용자가 LLM의 도움을 받아 해당 시나리오를 분석하면 정답을 맞히는 경우가 3분의 1에 불과했다. 의학적 전문성이 없으면 어떤 정보가 중요한지 알지 못하거나, LLM의 답변을 잘못 해석할 수 있기 때문이다. 구글(Google)은 이달 초 자사의 의료용 LLM 챗봇 '아미(AMIE, Articulate Medical Intelligence Explorer)'를 대상으로 한 연구를 발표했다. 이 연구에서 아미의 진단 정확도는 의사와 동등했고, 연구 과정에서 큰 안전 우려는 발생하지 않았다. 그러나 구글은 아미를 조만간 공개할 계획이 없다고 밝혔다. 구글 딥마인드(Google DeepMind)의 연구 과학자 앨런 카르티케살링감(Alan Karthikesalingam)은 "진단과 치료를 위한 실제 적용에는 형평성, 공정성, 안전성 테스트에 대한 추가 연구를 포함해 반드시 해결해야 할 중요한 한계가 남아 있다"고 밝혔다. 스탠퍼드대학교(Stanford University) 의과대학 교수이자 의료 AI 평가 프레임워크인 '메드헬름(MedHELM)'을 이끈 니감 샤(Nigam Shah)는 "우리에게는 이 기업들의 출시를 막을 방법이 없다"며 "우리가 할 수 있는 것은 벤치마크를 위한 재원을 마련하는 것"이라고 말했다. 현재 오픈AI의 GPT-5는 메드헬름에서 가장 높은 점수를 기록하고 있다. 전문가 중 어느 누구도 AI 건강 LLM이 제3자 평가에서 완벽한 성능을 보여야만 출시될 수 있다고 주장하지는 않는다. 의사도 실수를 하며, 의료 접근성이 낮은 이들에게 항상 이용 가능한 AI 챗봇은 오류가 있더라도 현재보다 나은 대안이 될 수 있다는 시각도 있다. 그러나 현재의 근거 수준으로는, 현재 출시된 도구들이 실질적인 개선을 가져오는지, 아니면 위험이 이점을 초과하는지를 확신하기 어렵다는 것이 전문가들의 공통된 견해다. 자세한 내용은 MIT 테크놀로지 리뷰(MIT Technology Review)에서 확인할 수 있다. ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.03.31 21:20AI 에디터

오픈AI가 소라를 접으며 준비한 것은 피지컬 AI와 '스퍼드'

오픈에이아이(OpenAI)가 자사의 AI 동영상 생성 도구 소라(Sora)를 공식 종료했다. 소라 2(Sora 2)가 출시된 지 채 1년도 되지 않은 시점이다. 오픈에이아이는 챗지피티(ChatGPT)에 영상 생성 기능을 탑재하려던 계획도 함께 백지화했다. 이번 결정은 오픈에이아이와 샘 올트먼(Sam Altman) 최고경영자(CEO)가 기업공개(IPO)를 추진 중이라는 내용의 투자설명서(Prospectus) 문서가 유출된 시점과 맞물려 나왔다. 월스트리트저널(Wall Street Journal)에 따르면, 소라 서비스 종료는 회사의 핵심 전략 변화의 일환이다. 회사의 자원과 핵심 인재를 이른바 '생산성 도구(Productivity Tools)'로 집중시키기 위한 방향 전환이라는 것이다. 소라는 막대한 연산 자원을 소모하면서도 유지 관리가 까다로운 서비스로 지적받아 왔다. 월스트리트저널에 따르면, 소라 개발팀은 앞으로 로보틱스(Robotics) 같은 장기 프로젝트에 투입될 예정이다. 이러한 일련의 움직임은 경쟁사인 앤트로픽(Anthropic)과 그 플랫폼 클로드(Claude)의 거센 추격에 대응하기 위한 것이라는 분석이다. 소라의 종료는 디즈니(Disney)와의 대형 계약 파기로도 이어졌다. 소라가 종료되면서 디즈니 캐릭터를 소라에서 활용할 수 있도록 허용하는 내용의 3년 라이선스 계약이 무산됐다. 스크린데일리(Screen Daily)에 따르면, 디즈니 측 대변인은 "팬들이 있는 곳에서 팬들을 만날 새로운 방법을 찾기 위해 AI 플랫폼들과 계속 협력할 것"이라며 "창작자의 지식재산권(IP)과 권리를 존중하는 새로운 기술을 책임감 있게 수용해 나가겠다"고 밝혔다. 한편, 더인포메이션(The Information)에 따르면, 오픈에이아이는 최근 코드명 '스퍼드(Spud)'로 불리는 새로운 AI 모델 개발을 마쳤다. 이 모델은 수 주 안에 공개될 예정이며, 올트먼은 임직원들에게 해당 모델이 "경제를 실질적으로 가속할 수 있다"고 말한 것으로 전해졌다. 스퍼드 모델의 구체적인 기능은 아직 공개되지 않았다. 다만 오픈에이아이는 챗지피티와 코딩 도구 코덱스(Codex), 그리고 자체 브라우저를 하나로 통합한 '슈퍼앱(Superapp)'을 이미 계획 중이며, 스퍼드가 이 과정을 앞당기는 역할을 할 수 있다는 관측이 나온다. 오픈에이아이는 클로드(Claude)와 제미나이(Gemini) 등 경쟁 서비스에 챗지피티가 따라잡히거나 추월당하면서 적어도 2025년 12월부터 내부적으로 '코드 레드(Code Red)' 상태에 돌입한 것으로 알려졌다. 국방부(Pentagon)와의 계약 논란, 마틴 루터 킹 주니어(Martin Luther King Jr.)가 등장하는 AI 생성 이미지 문제 등 각종 잡음도 계속되는 상황이다. 이번 행보는 표면적으로는 오픈에이아이가 마이크로소프트(Microsoft) 등 외부 투자에만 의존하지 않고 수익성을 갖춘 기업임을 미래 주주들에게 입증하려는 시도로 풀이된다. 자세한 내용은 톰스가이드(Tom's Guide)에서 확인할 수 있다. ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.03.30 15:28AI 에디터

AI가 단백질과 약물의 궁합을 예측해 신약 개발 판도를 바꾼다

신약 하나를 개발하는 데 평균 10년 이상, 수조 원의 비용이 든다. 그 긴 여정의 출발점은 수천 개의 약물 후보 중 단 하나의 '궁합 맞는 분자'를 찾아내는 일이다. 바이트댄스(ByteDance)가 개발한 AI 기반 신약 개발 툴킷 '펠리스(Felis)'가 이 난제에 정면으로 도전장을 내밀었다. 43개 단백질 표적과 859개 리간드(약물 후보 물질)를 대상으로 한 대규모 벤치마크에서 기존 최고 수준의 방법론과 동등한 성능을 입증하며, 신약 개발의 새로운 가능성을 제시했다. 약값이 비싼 이유, 단백질-약물 궁합 맞추기가 너무 어렵기 때문 신약 개발 과정에서 가장 중요한 단계 중 하나는 약물 후보 물질이 질병을 일으키는 단백질에 얼마나 잘 결합하는지를 예측하는 것이다. 마치 자물쇠와 열쇠의 관계처럼, 약물 분자가 표적 단백질에 딱 맞아야 효과를 발휘할 수 있다. 그런데 이 '궁합'을 실험실에서 일일이 확인하려면 막대한 비용과 시간이 든다. 수천 개의 후보 중 실제로 효과가 있는 것은 극소수에 불과하다. 이 문제를 해결하기 위해 컴퓨터 시뮬레이션을 활용한 '자유 에너지 섭동(FEP)' 방법이 등장했다. 이 방법은 물리학 법칙에 기반해 약물과 단백질의 결합력을 계산한다. 그중에서도 '상대 결합 자유 에너지(RBFE)' 방식은 구조가 비슷한 약물들 간의 결합력 차이를 비교하는 데 효과적이어서 현재 제약 업계에서 널리 쓰인다. 실제로 대규모 벤치마크 연구에서 RBFE는 약 1 kcal/mol의 정확도를 달성했는데, 이는 실험 오차 범위인 0.67 kcal/mol에 근접한 수준이다. 하지만 RBFE에는 치명적인 한계가 있다. 구조가 비슷한 약물들끼리만 비교할 수 있다는 점이다. 완전히 새로운 구조의 약물, 즉 '스캐폴드 호핑(scaffold hopping)'이 필요한 경우에는 적용하기 어렵다. 이는 마치 같은 브랜드의 자동차 모델들 간 성능 비교는 가능하지만, 자동차와 비행기를 비교하기는 어려운 것과 같다. 펠리스의 혁신, 구조 제약 없이 모든 약물 후보를 독립 평가 펠리스가 채택한 '절대 결합 자유 에너지(ABFE)' 방식은 이러한 구조적 제약에서 자유롭다. 각 약물 후보를 독립적으로 평가하기 때문에, 구조가 전혀 다른 약물들도 동일한 기준으로 비교할 수 있다. 이는 초기 신약 발굴 단계에서 특히 유용하다. 수천 개의 다양한 구조를 가진 화합물 라이브러리를 스크리닝할 때, 구조적 유사성에 구애받지 않고 가장 유망한 후보를 골라낼 수 있기 때문이다. ABFE의 작동 원리는 다음과 같다. 먼저 약물 분자가 물속에 녹아 있는 상태에서 '사라지는' 과정의 에너지 변화를 계산한다. 그다음 단백질 결합 부위에서 약물이 '나타나는' 과정의 에너지 변화를 계산한다. 이 두 값의 차이가 바로 결합 자유 에너지다. 이 과정에서 '연금술적 변환(alchemical transformation)'이라는 기법을 사용하는데, 실제로는 불가능한 분자의 점진적 소멸과 생성을 컴퓨터 시뮬레이션으로 구현한다. 그러나 ABFE는 이론적으로는 우수하지만 실용화에 어려움이 있었다. 계산량이 너무 많고, 복잡한 설정이 필요하며, 대규모 검증 데이터가 부족했다. 예를 들어 슈뢰딩거(Schrödinger)사의 FEP+ ABFE는 단 8개 단백질 표적에서만 검증됐는데, 이는 RBFE 벤치마크에 비해 현저히 적은 규모다. 859개 약물 후보로 검증, RBFE와 동등한 성능 입증 펠리스 연구팀은 이러한 한계를 극복하기 위해 완전 자동화된 파이프라인을 구축했다. 사용자가 단백질 구조와 약물 분자 정보만 입력하면, 시스템 준비부터 시뮬레이션 실행, 결과 분석까지 모든 과정이 자동으로 진행된다. 특히 '보레쉬 스타일 구속(Boresch-style restraints)'이라는 기법을 사용해 약물 분자가 시뮬레이션 중 단백질 결합 부위에서 이탈하는 것을 방지한다. 이는 마치 약물 분자에 보이지 않는 스프링을 연결해 적절한 위치에 머물게 하는 것과 같다. 연구팀은 펠리스를 43개 단백질 표적과 859개 리간드로 구성된 대규모 데이터셋으로 테스트했다. 이는 기존 ABFE 벤치마크 중 가장 큰 규모다. 중요한 점은 모든 예측이 '제로샷(zero-shot)' 방식으로 수행됐다는 것이다. 즉, 각 시스템에 맞춘 특별한 조정 없이, 사전에 학습된 힘장(force field) 파라미터만으로 예측했다. 이는 실제 신약 개발 환경에서 새로운 표적에 즉시 적용 가능함을 의미한다. 펠리스는 이 테스트에서 최신 RBFE 방법과 비슷한 순위 예측 성능을 보였다. 약물 후보들의 결합력 순위를 얼마나 정확하게 맞추는지를 측정하는 '켄달 타우(Kendall's tau)' 지표에서 양호한 결과를 얻었다. 또한 계산 수렴성도 우수했는데, 이는 시뮬레이션 시간을 충분히 주면 안정적인 결과를 얻을 수 있음을 의미한다. KRAS(G12D) 같은 난제도 돌파, 고전하 약물 예측 성공 연구팀은 더 어려운 테스트로 KRAS(G12D) 단백질 데이터셋을 선택했다. KRAS는 암 발생과 관련된 중요한 표적인데, 특히 G12D 변이는 치료가 어렵기로 악명 높다. 이 데이터셋의 약물 후보들은 크기가 크고 전하량이 높아서, 열역학적 샘플링이 매우 까다롭다. 마치 큰 짐을 좁은 문으로 옮기는 것처럼, 시뮬레이션에서 이러한 분자들의 움직임을 정확히 추적하기 어렵다. 그럼에도 펠리스는 이 도전적인 데이터셋에서도 안정적인 수렴성과 순위 예측 성능을 보였다. 이는 펠리스가 단순히 쉬운 경우에만 작동하는 것이 아니라, 실제 신약 개발에서 마주칠 수 있는 복잡한 상황에도 대응할 수 있음을 시사한다. 연구팀은 이 모든 예측을 역시 제로샷 방식으로 수행했으며, 힘장 파라미터나 연금술적 스케줄을 시스템별로 조정하지 않았다. 펠리스는 단백질에는 AMBER ff14SB 힘장을, 약물과 보조인자에는 바이트댄스가 이전에 개발한 데이터 기반 분자역학 힘장인 바이트FF(ByteFF)를 사용했다. 바이트FF는 더 광범위한 양자화학 데이터셋으로 학습돼 화학 공간의 커버리지가 향상됐다. 비결합 파라미터(전하 및 반데르발스 상호작용)는 GAFF2와 동일하게 유지하면서, 결합 파라미터만 개선한 것이 특징이다. 신약 개발의 패러다임 전환 가능성, 실험실에서 컴퓨터로 펠리스의 등장은 신약 개발 워크플로우에 중요한 변화를 예고한다. 기존에는 구조가 비슷한 약물들을 최적화하는 '리드 최적화(lead optimization)' 단계에서만 계산 방법이 주로 쓰였다. 그러나 ABFE가 실용화되면, 초기 '히트 발굴(hit discovery)' 단계부터 컴퓨터 시뮬레이션을 활용할 수 있는 길이 열릴 수 있다. 이는 실험실에서 수천 개의 화합물을 일일이 테스트하는 대신, 컴퓨터로 먼저 유망한 후보를 추려낸 뒤 소수만 실험하는 방식으로 전환할 수 있다는 희망을 준다. 현재 신약 하나를 개발하는 데 평균 10년 이상, 수조 원의 비용이 든다. 만약 초기 단계에서 실패할 후보를 미리 걸러낼 수 있다면, 이 비용과 시간을 크게 단축할 수 있다는 긍정적인 전망이 나온다. 물론 이는 아직 연구 단계의 가능성이며, 실제 임상 적용까지는 추가 검증이 필요하다. 펠리스는 오픈소스로 공개돼 누구나 사용할 수 있다. 이는 대형 제약사뿐 아니라 자원이 부족한 중소 바이오텍 기업이나 학계 연구자들도 최신 계산 도구를 활용할 수 있게 한다. 또한 자동화된 파이프라인 덕분에 전문적인 계산화학 지식이 없어도 사용할 수 있어, 접근성이 크게 향상됐다. 향후 펠리스는 더 다양한 단백질 표적과 약물 화학 공간으로 검증 범위를 확대하고, 기계학습 기반 힘장과의 결합, 더 효율적인 샘플링 알고리즘 도입 등을 통해 계산 속도와 정확도를 더욱 개선해 나갈 것으로 기대된다. FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.) Q1. ABFE와 RBFE의 차이는 무엇이며, 왜 ABFE가 더 유용한가요? A. RBFE는 구조가 비슷한 두 약물의 결합력 차이를 비교하는 방식으로, 같은 계열의 약물 최적화에 유용합니다. 반면 ABFE는 각 약물을 독립적으로 평가해 구조가 전혀 다른 약물들도 비교할 수 있어, 초기 신약 발굴 단계에서 더 넓은 화학 공간을 탐색할 수 있습니다. Q2. 펠리스가 신약 개발에 어떤 희망을 줄 수 있나요? A. 펠리스는 컴퓨터 시뮬레이션으로 수천 개의 약물 후보 중 유망한 것만 미리 선별해, 실험실 테스트 횟수를 줄일 수 있는 가능성을 제시합니다. 아직 연구 단계이지만, 신약 개발의 초기 단계를 크게 효율화할 수 있다는 기대를 모으고 있습니다. Q3. 제로샷 예측이란 무엇이며 왜 중요한가요? A. 제로샷 예측은 새로운 시스템에 대해 별도의 조정 없이 즉시 예측하는 것을 의미합니다. 이는 실제 신약 개발에서 아직 연구되지 않은 새로운 표적 단백질에 바로 적용할 수 있어, 시간과 전문 인력이 부족한 환경에서도 활용 가능하다는 장점이 있습니다. 기사에 인용된 논문 원문은 arXiv에서 확인할 수 있다. 논문명: Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit ■ 이 기사는 AI 전문 매체 'AI 매터스'와 제휴를 통해 제공됩니다. 기사는 클로드 3.5 소네트와 챗GPT를 활용해 작성되었습니다. (☞ 기사 원문 바로가기)

2026.03.28 09:19AI 에디터

Prev 1 2 3 4 5 6 7 8 9 10 Next