AI 이미지 2.0, 국내는 ‘폭발’ 글로벌은 ‘미미’… 왜?

약 36분 읽기

AI 이미지 생성 기술, 글로벌 반응의 명암

최근 오픈AI가 야심차게 공개한 이미지 생성 모델, 일명 ‘챗GPT 이미지 2.0’에 대한 시장의 반응이 극명하게 엇갈리고 있습니다. 지난해 챗GPT 출시 당시 보여주었던 전 세계적인 센세이션과는 사뭇 다른 양상인데요. 놀랍게도, 국내에서는 출시 첫 주에만 일일 활성 이용자(DAU)가 60% 이상 증가하고 신규 이용자 유입은 130% 이상 급증하는 등 ‘폭발적인’ 성과를 기록했습니다. 이는 샘 알트먼 오픈AI CEO가 직접 국내 사용자의 생성 이미지를 리포스팅하며 화답할 정도로 뜨거운 반응이었습니다. 하지만 이러한 열기는 글로벌 시장에서는 찾아보기 어려웠습니다.

센서 타워의 데이터에 따르면, 이미지 모델 출시 이후 챗GPT 앱 다운로드 수는 전주 대비 11% 증가하는 데 그쳤으며, 일일 활성 이용자(DAU)와 세션 수는 단 1% 증가에 머물렀습니다. 시밀러웹 데이터 역시 전 세계 웹 트래픽 증가율이 1.6%에 불과했다고 보도하며 이러한 분석을 뒷받침했습니다. 마치 한국 시장만이 AI 이미지 생성 기술의 잠재력을 제대로 알아본 듯한 분위기였습니다.

국내 시장의 뜨거운 반응: 무엇이 달랐나?

그렇다면 왜 유독 한국 시장에서 이러한 폭발적인 반응이 나타났을까요? 몇 가지 요인을 짚어볼 수 있습니다. 첫째, 국내 이용자들은 새로운 기술에 대한 수용도가 높고, 얼리 어답터(Early Adopter) 성향이 강한 편입니다. 이는 AI 이미지 생성과 같이 시각적인 결과물을 즉각적으로 확인할 수 있는 기술에 대한 호기심과 탐색 욕구를 자극했을 가능성이 높습니다. 둘째, 앞서 챗GPT가 보여준 혁신적인 경험이 이미 많은 한국 사용자들에게 깊은 인상을 남겼기에, 그 후속 모델에 대한 기대치가 자연스럽게 높았다고 볼 수 있습니다. 챗GPT를 통해 AI와의 상호작용 경험이 익숙해진 사용자들은 새로운 기능에 대한 진입 장벽이 낮아졌을 것입니다.

셋째, 국내 IT 커뮤니티와 소셜 미디어를 통한 바이럴 효과도 무시할 수 없습니다. 흥미로운 AI 생성 이미지들이 빠르게 공유되고 입소문을 타면서, 더 많은 사람들이 호기심을 가지고 서비스를 이용해보도록 유도했을 것입니다. 특히, 특정 직군이나 관심사를 가진 사용자 그룹 내에서 활발한 공유와 피드백이 이루어졌다면, 초기 사용자 확산에 상당한 기여를 했을 수 있습니다. 마지막으로, 특정 시장에 대한 맞춤형 전략이나 홍보 활동이 있었을 가능성도 배제할 수 없습니다. 오픈AI가 한국 시장의 잠재력을 인지하고 집중적인 마케팅을 펼쳤다면, 이러한 결과로 이어질 수 있습니다. 샘 알트먼 CEO의 직접적인 리포스팅은 이러한 추측에 힘을 실어줍니다.

글로벌 시장의 ‘냉담함’ 원인 분석

반면, 글로벌 시장의 완만한 반응은 여러 복합적인 요인에 기인한다고 볼 수 있습니다. 가장 큰 이유는 아마도 ‘기대치 과잉’과 ‘차별화 부족’일 것입니다. 이미 챗GPT로 인해 AI 기술의 혁신성을 경험한 사용자들에게, 이미지 생성 기능의 추가가 ‘또 다른 혁신’으로 와닿지 않았을 수 있습니다. 즉, 기존의 AI 경험을 넘어서는 ‘획기적인’ 변화를 기대했으나, 단순히 텍스트 입력에 대한 결과물이 이미지로 확장된 것에 대한 놀라움이 상대적으로 크지 않았을 수 있습니다.

또한, 이미지 생성 AI 분야는 이미 여러 경쟁자들이 치열하게 경쟁하고 있는 시장입니다. 미드저니(Midjourney), 스테이블 디퓨전(Stable Diffusion) 등 이미 높은 퀄리티의 이미지 생성 결과물을 보여주는 서비스들이 존재하며, 사용자들은 이미 특정 서비스에 익숙해져 있을 가능성이 높습니다. 이러한 상황에서 후발 주자로서 챗GPT 이미지 2.0이 기존 서비스 대비 압도적인 우위를 보여주지 못한다면, 사용자들이 기존의 익숙함을 버리고 새로운 서비스로 이동할 강력한 동기를 부여받기 어렵습니다.

더불어, 일부 신흥 시장에서의 다운로드 급증은 흥미로운 지점입니다. 파키스탄, 베트남, 인도네시아 등에서 기록적인 다운로드 증가를 보였으나, DAU 상승률이 미미했던 점은 초기 호기심에 의한 다운로드가 많았음을 시사합니다. 이러한 시장에서는 챗GPT 자체의 인지도나 접근성이 높아지고 있음을 보여주는 긍정적인 신호로 볼 수 있으나, 지속적인 사용자 유지 및 참여로 이어지기까지는 추가적인 전략이 필요해 보입니다. 결국, 글로벌 시장에서의 ‘미미한’ 반응은 기술 자체의 한계라기보다는, 이미 높아진 사용자들의 기대치와 치열한 경쟁 환경 속에서 차별화된 가치를 효과적으로 전달하지 못했기 때문으로 분석할 수 있습니다.

AI 에이전트 시대의 도래: 기업 운영의 혁신 가속화

AI 기술의 발전은 단순히 반복적인 업무를 자동화하는 것을 넘어, 이제는 ‘AI 에이전트’라는 이름으로 기업 운영 전반에 걸쳐 혁신을 가속화하고 있습니다. 특히, 소비재 브랜드 기업을 중심으로 ‘에이전트 네이티브 브랜드’ 체제를 지원하겠다는 달파의 발표는 이러한 변화의 단면을 명확히 보여줍니다. 과거에는 사람이 직접 수행해야 했던 복잡하고 방대한 업무들이 AI 에이전트를 통해 효율적으로 관리되고, 더 나아가 데이터 중심의 지능형 의사결정이 가능해지고 있다는 점이 주목할 만합니다.

달파는 300개 이상의 기업에 에이전트를 도입 및 구축한 경험을 바탕으로, AI가 가장 큰 임팩트를 낼 수 있는 분야로 ‘소비재’를 지목했습니다. 이는 소비재 분야의 특성상 상품 기획부터 생산, 유통, 마케팅, 판매에 이르기까지 전 과정이 ‘데이터 중심(Data-Driven)’으로 이루어지기 때문입니다. AI 에이전트는 이러한 데이터 속에서 패턴을 발견하고, 미래를 예측하며, 최적의 의사결정을 내리는 데 핵심적인 역할을 수행할 수 있습니다. 과거에는 전문가의 경험이나 직관에 의존했던 부분들이 이제는 AI 에이전트의 분석 능력과 실행력을 통해 객관적이고 효율적으로 처리될 수 있게 된 것입니다.

‘에이전트 네이티브 브랜드’란 무엇인가?

달파가 제안하는 ‘에이전트 네이티브 브랜드’는 AI 에이전트가 브랜드 운영의 핵심 주체가 되는 새로운 비즈니스 모델을 의미합니다. 이는 단순히 AI 도구를 활용하는 것을 넘어, 브랜드의 모든 운영 과정이 AI 에이전트 중심으로 설계되고 실행된다는 것을 뜻합니다. 예를 들어, 시장 트렌드 분석 및 신제품 아이디어 도출부터 시작하여, 생산 계획 수립, 최적의 유통 채널 선정, 타겟 고객 맞춤형 마케팅 캠페인 실행, 그리고 판매 데이터 분석 및 재고 관리까지, 이 모든 과정에 AI 에이전트가 깊숙이 관여하게 됩니다.

이러한 ‘에이전트 네이티브’ 접근 방식은 다음과 같은 이점을 제공합니다. 첫째, ‘초격차’ 경쟁력 확보입니다. AI 에이전트는 인간보다 훨씬 빠르고 정확하게 방대한 데이터를 분석하고, 복잡한 변수를 고려하여 최적의 전략을 수립할 수 있습니다. 이를 통해 기업은 시장 변화에 민첩하게 대응하고, 경쟁사보다 한 발 앞선 의사결정을 내릴 수 있습니다. 둘째, 운영 효율성의 극대화입니다. 반복적이고 시간이 많이 소요되는 업무를 AI 에이전트가 자동화함으로써, 직원들은 더욱 창의적이고 전략적인 업무에 집중할 수 있습니다. 이는 전반적인 생산성 향상으로 이어질 것입니다. 셋째, ‘데이터 드리븐’ 의사결정의 완성입니다. 모든 의사결정이 객관적인 데이터를 기반으로 이루어지므로, 불확실성을 줄이고 성공 확률을 높일 수 있습니다. AI 에이전트는 숨겨진 패턴이나 인사이트를 발견하여, 인간이 놓칠 수 있는 기회를 포착하도록 도울 것입니다.

AI 에이전트의 진화: 멀티 에이전트와 셀프 이볼빙

AI 에이전트 기술은 끊임없이 진화하고 있으며, 이제는 단순한 단일 에이전트의 역할을 넘어 ‘멀티 에이전트(Multi-agent)’ 시스템으로 확장되고 있습니다. 이는 마치 여러 명의 전문가가 협업하는 것처럼, 각기 다른 전문성과 능력을 가진 AI 에이전트들이 서로 소통하고 협력하여 더 복잡하고 어려운 과제를 해결하는 것을 의미합니다. 예를 들어, 한 에이전트는 시장 트렌드를 분석하고, 다른 에이전트는 그 분석 결과를 바탕으로 새로운 제품 콘셉트를 제안하며, 또 다른 에이전트는 해당 제품의 마케팅 전략을 수립하는 식입니다. 이러한 멀티 에이전트 시스템은 단일 에이전트로는 달성하기 어려웠던 시너지 효과를 창출하며, 문제 해결 능력을 비약적으로 향상시킬 수 있습니다.

더욱 놀라운 것은 AI 에이전트가 ‘셀프 이볼빙(Self-Evolving)’ 단계에 접어들었다는 점입니다. 이는 AI 에이전트가 스스로 학습하고, 성능을 개선하며, 새로운 기술이나 지식을 습득하는 능력을 갖추게 되었음을 의미합니다. 마치 인간이 경험을 통해 성장하듯, AI 에이전트도 스스로의 수행 결과를 피드백 삼아 끊임없이 발전해 나가는 것입니다. 이는 AI 에이전트가 단순한 도구를 넘어, 시간이 지날수록 더욱 강력하고 유능한 ‘디지털 동료’로 진화할 수 있음을 시사합니다. 이제 AI 에이전트는 ‘두뇌’로서의 지능, ‘노하우’로서의 경험, 그리고 ‘실행력’으로서의 도구까지 모두 갖춘, 진정한 의미의 지능형 주체로 거듭나고 있다고 할 수 있습니다.

메타의 AI 투자와 인력 재배치: 비용 절감과 효율성 증대

최근 IT 업계에서 가장 큰 화두 중 하나는 단연 ‘AI 투자’와 그에 따른 ‘인력 구조조정’입니다. 페이스북과 인스타그램의 모회사인 메타(Meta) 역시 예외는 아닙니다. 메타의 최고 인사책임자(CHRO)인 자넬 게일은 최근 내부 회의에서 추가적인 해고 가능성을 시사하며, AI 도입으로 인한 업무량 증가를 예고했습니다. 이는 단순히 비용 절감을 넘어, AI 기술을 통해 조직의 효율성을 극대화하려는 메타의 전략적인 움직임을 보여줍니다.

메타는 올해 초 전체 직원의 10%에 해당하는 약 8,000명 규모의 해고를 공식 발표한 바 있으며, 6,000개의 채용 공석도 함께 없앴습니다. 하지만 내부에서는 여전히 추가적인 해고가 있을 것이라는 불안감이 감돌고 있었고, 게일 책임자의 발언은 이러한 우려를 현실로 만들었습니다. 그는 “사업은 호황이지만, 우선순위는 변하고 경쟁은 치열하다. 우리는 앞으로도 비용을 책임감 있게 관리할 것”이라며, 변화하는 경영 환경 속에서 효율성을 추구하겠다는 의지를 분명히 했습니다.

AI 투자의 배경: 비용 효율성과 경쟁 우위 확보

메타가 AI 투자를 확대하는 배경에는 여러 가지 이유가 있습니다. 첫째, ‘비용 효율성’입니다. AI 기술은 반복적인 업무를 자동화하고, 데이터 분석 및 의사결정 과정을 효율화함으로써 인건비를 절감하는 데 크게 기여할 수 있습니다. 메타는 이미 응용 AI 조직에 대한 투자를 늘리고 있으며, 이는 AI가 단순한 보조 도구를 넘어 조직 운영의 핵심 동력으로 자리 잡고 있음을 보여줍니다. AI를 통해 얻는 생산성 향상은 잠재적인 인력 감축으로 이어질 수 있으며, 이는 기업의 재정 건전성을 높이는 데 기여할 것입니다.

둘째, ‘경쟁 우위 확보’입니다. AI 기술은 현재 IT 산업의 가장 중요한 경쟁 요소 중 하나입니다. 메타는 AI 기술을 선도적으로 도입하고 발전시킴으로써, 경쟁사 대비 기술적인 우위를 확보하고 새로운 서비스 개발 및 사용자 경험 개선에 박차를 가할 수 있습니다. 특히, AI는 맞춤형 광고, 콘텐츠 추천, 가상현실(VR) 및 증강현실(AR) 경험 제공 등 메타의 핵심 사업 분야와 밀접하게 연관되어 있어, AI 역량 강화는 곧 기업의 미래 경쟁력 강화로 직결됩니다.

셋째, ‘인재 재배치 및 조직 발전’입니다. 메타는 AI 투자를 통해 일부 부서의 인력을 감축하는 대신, AI 관련 핵심 부서로 인재를 재배치하려는 움직임을 보이고 있습니다. 이는 미래 성장 동력 확보를 위해 핵심 역량을 강화하고, 조직 전체의 기술 수준을 한 단계 끌어올리려는 전략으로 해석될 수 있습니다. 물론, 이러한 과정에서 ‘어떤 부서가 해고에 덜 영향을 받을 것인가’에 대한 추측이 난무하고, AI 도구 사용량이 해고의 근거로 활용될 것이라는 소문이 돌기도 했지만, 메타 경영진은 이러한 소문에 선을 긋고 있습니다. 중요한 것은 AI가 조직의 변화를 이끌고, 직원들이 새로운 환경에 적응해야 한다는 점입니다.

업무량 폭증과 조직 문화의 변화

AI 도입과 인력 감축이 병행되면서, 메타 직원들 사이에서는 ‘업무량 폭증’에 대한 우려가 커지고 있습니다. 기존의 업무를 유지하면서도 AI 시스템을 관리하고, 새로운 AI 기반 업무에 적응해야 하기 때문입니다. 이는 직원들에게 상당한 스트레스와 부담으로 작용할 수 있으며, 조직 문화에도 변화를 요구합니다. 과거처럼 인력 충원을 통해 업무량을 분산시키는 방식이 어려워진 만큼, 직원들은 더욱 효율적으로 일하고, AI와 협력하는 방법을 익혀야 할 것입니다.

이러한 상황에서 ‘AI 토큰 사용량’이 해고의 근거로 고려되지 않을 것이라는 점은 주목할 만합니다. 이는 단순히 AI 도구를 많이 사용한다고 해서 좋은 평가를 받는 것이 아니라, AI를 얼마나 효과적으로 활용하여 실질적인 성과를 창출하는지가 더 중요하다는 메시지를 전달합니다. 즉, AI는 도구일 뿐이며, 최종적인 책임과 성과는 여전히 인간에게 있다는 점을 강조하는 것으로 해석됩니다. 마크 저커버그 CEO 역시 구조조정의 이유로 데이터센터 및 AI 인프라에 대한 막대한 투자를 언급하며, 미래를 위한 투자가 불가피함을 시사했습니다. 메타의 이러한 움직임은 AI 시대에 기업이 어떻게 변화해야 하는지에 대한 중요한 통찰을 제공합니다.

오픈AI의 ‘자율 목표’ 기능: 코딩 자동화의 새로운 지평

오픈AI가 코딩 자동화 분야에서 또 한 번의 혁신을 예고하고 있습니다. 최근 공개된 개발자용 코딩 도구, 코덱스 CLI(Command Line Interface)의 최신 버전(0.128.0)에는 ‘목표(/goal)’ 기능이 새롭게 추가되었습니다. 이는 개발자가 단기적인 명령어 입력에 그치지 않고, 달성하고자 하는 ‘장기적인 목표’를 설정하면 AI가 스스로 계획을 수립하고, 코드를 작성하며, 테스트하고, 디버깅하는 전 과정을 자율적으로 수행하게 하는 혁신적인 기능입니다. 이른바 ‘랄프 루프(Ralph loop)’로 불리는 방식으로, 인간의 지속적인 개입 없이도 AI가 며칠에 걸쳐 복잡한 코딩 작업을 이어갈 수 있게 됩니다.

기존의 코딩 보조 도구들이 주로 개발자가 구체적인 지시를 내리면 해당 작업을 수행하는 방식이었다면, ‘목표’ 기능은 한 단계 더 나아가 AI에게 ‘무엇을’ 할 것인지 목표만 제시하면 AI가 ‘어떻게’ 할 것인지 스스로 판단하고 실행하는 ‘자율성’을 부여합니다. 이는 마치 유능한 개발팀에게 프로젝트의 최종 목표만 전달하면, 팀원들이 알아서 각자의 역할을 수행하고 협력하여 결과물을 만들어내는 것과 유사합니다. 이러한 변화는 소프트웨어 개발 프로세스 전반에 걸쳐 엄청난 효율성 증대와 새로운 가능성을 열어줄 것으로 기대됩니다.

‘목표’ 기능의 작동 방식과 구조

코덱스 CLI의 ‘목표’ 기능은 매우 직관적이면서도 강력한 구조를 가지고 있습니다. 개발자는 단순히 ‘/goal ‘ 형태의 기본 명령어를 사용하여 자신이 달성하고자 하는 목표를 명확하게 입력하기만 하면 됩니다. 예를 들어, “사용자 인증 기능을 구현하고 관련 테스트까지 완료하라”와 같은 목표를 설정할 수 있습니다. 목표가 설정되면, 코덱스 CLI는 다음과 같은 복잡한 과정을 스스로 수행합니다.

• 계획 수립 (Planning): 목표 달성을 위한 단계별 세부 계획을 수립합니다. 어떤 모듈이 필요하고, 각 모듈은 어떤 기능을 수행해야 하며, 어떤 순서로 개발해야 할지 등을 AI가 자체적으로 판단합니다.
• 코드 작성 (Code Generation): 수립된 계획에 따라 실제 코드를 작성합니다. 프로그래밍 언어의 문법과 구조를 이해하고, 최적의 코드를 생성하기 위해 노력합니다.
• 테스트 (Testing): 작성된 코드가 의도한 대로 작동하는지 검증하기 위한 테스트를 수행합니다. 단위 테스트, 통합 테스트 등 필요한 테스트 케이스를 자동으로 생성하고 실행할 수 있습니다.
• 디버깅 (Debugging): 테스트 과정에서 발견된 오류나 버그를 스스로 수정합니다. 문제의 원인을 분석하고, 코드를 개선하여 오류를 해결합니다.

이러한 과정은 목표가 성공적으로 달성되거나, 개발자가 의도적으로 중단시키거나, 혹은 사전에 설정된 예산이나 시간 등의 제약 조건에 도달하기 전까지 반복적으로 수행됩니다. CLI 내부에는 ‘/goal pause'(일시 중지), ‘/goal resume'(재개), ‘/goal clear'(취소)와 같은 목표 관리 명령어와 함께, 목표의 상태를 ‘진행 중(pursuing)’, ‘일시 중지(paused)’, ‘달성(achieved)’, ‘미달성(unmet)’, ‘예산 제한(budget-limited)’ 등으로 구분하는 체계적인 시스템이 갖추어져 있습니다. 이는 기존의 ‘/plan’, ‘/resume’ 등 단발적인 작업 명령어와 달리, 장기적인 목표 중심의 작업 흐름을 효과적으로 지원합니다.

‘랄프 루프’가 개발자 경험에 미칠 영향

오픈AI의 ‘목표’ 기능은 개발자 경험에 혁신적인 변화를 가져올 잠재력을 지니고 있습니다. 첫째, **개발 생산성 향상**입니다. 복잡하고 시간이 많이 소요되는 코딩, 테스트, 디버깅 과정을 AI가 상당 부분 자동화함으로써 개발자는 더욱 창의적이고 고차원적인 문제 해결에 집중할 수 있게 됩니다. 이는 결과적으로 프로젝트 완료 시간을 단축시키고, 더 적은 리소스로 더 많은 결과물을 만들어낼 수 있게 합니다. 둘째, **새로운 개발 패러다임의 등장**입니다. 과거에는 개발자가 모든 과정을 직접 통제하고 실행해야 했다면, 이제는 AI와 협력하여 ‘목표를 설정하고 관리하는’ 역할이 중요해질 것입니다. 이는 개발자의 역할 자체를 변화시키며, AI를 효과적으로 활용하는 능력이 핵심적인 기술로 부상할 가능성이 높습니다.

셋째, **AI 기반의 ‘자율 시스템’ 구축 가속화**입니다. ‘랄프 루프’는 단순히 코딩 작업을 넘어, AI가 스스로 목표를 설정하고 달성해나가는 자율 에이전트 시스템의 가능성을 보여줍니다. 이는 향후 더욱 복잡한 시스템 설계, 운영, 유지보수 등 다양한 분야에서 AI의 활용 범위를 확장시킬 것입니다. 예를 들어, AI 기반 로봇이 특정 임무를 부여받고 스스로 환경을 탐색하며 목표를 달성하거나, AI가 복잡한 과학 실험을 설계하고 수행하는 등의 미래를 상상해볼 수 있습니다. 물론, 아직은 개발자 도구에 국한된 기능이지만, 이러한 ‘자율 목표’ 설정 방식은 AI가 인간의 지시를 기다리지 않고 스스로 문제를 해결해나가는 ‘일반 인공지능(AGI)’으로 나아가는 중요한 발걸음이 될 수 있습니다.

금융 AI의 진정한 의미: DX를 넘어 AX로

최근 금융권에서는 디지털 전환(DX)의 일환으로 AI 도입이 활발하게 논의되고 있습니다. 하지만 한국딥러닝의 기고문에서 지적하듯, 많은 금융 기업들이 추진해온 DX는 ‘전산화의 허상’에 머물러 있는 경우가 많습니다. 종이 문서를 PDF나 이미지 파일로 변환하는 등의 단순한 디지털화는 ‘기록 보존’이라는 측면에서는 의미가 있을 수 있으나, 정작 업무 현장에서는 ‘비정형 데이터’라는 거대한 ‘디지털 쓰레기’를 쌓아두는 결과를 초래하기도 했습니다. 이는 데이터를 디지털 규격으로 변환했다고 해서 그 정보가 곧바로 업무에 활용될 수 있는 것은 아니라는 명백한 사실을 간과한 결과입니다.

우리가 진정으로 지향해야 할 것은 이러한 형식적인 디지털화를 넘어, AI가 데이터 속에 담긴 비즈니스 로직을 스스로 파악하고 실행하는 ‘지능의 내재화’, 즉 ‘인지적 자동화(AX, Augmented Automation)’입니다. 기존의 DX가 아날로그를 디지털로 옮기는 ‘전환’에 집중했다면, AX는 그 데이터를 해석하고 가치 있게 만드는 ‘지능형 엔진’을 구축하는 과정에 초점을 맞춥니다. 이제 금융 기업의 진정한 경쟁력은 단순히 보유한 데이터의 양이 아니라, 이 데이터를 얼마나 빠르고 정확하게 실질적인 업무 지능으로 바꾸어낼 수 있느냐, 즉 AX의 완성도에 달려 있습니다.

DX의 한계: ‘디지털 쓰레기’와 운영 비효율

금융권에서 추진해온 DX가 많은 경우 ‘전산화’라는 이름 아래 ‘데이터 사막’을 만들어낸 이유는 무엇일까요? 이는 데이터의 ‘형식’ 변환에만 집중하고 ‘내용’에 대한 지능적인 처리를 간과했기 때문입니다. 예를 들어, 보험 청구서나 재무 제표와 같은 복잡한 비정형 문서들은 단순히 스캔하여 디지털 파일로 저장하는 것만으로는 그 안에 담긴 정보를 제대로 활용하기 어렵습니다. OCR(광학문자 인식) 기술을 통해 텍스트를 추출하더라도, 문서의 구조, 항목 간의 논리적 관계, 숨겨진 의미 등을 파악하지 못한다면, 이는 단순한 ‘디지털 텍스트 뭉치’에 불과합니다.

이러한 ‘디지털 쓰레기’들은 오히려 운영의 비효율을 가중시킵니다. 필요한 정보를 찾기 위해 수많은 디지털 파일을 일일이 열어보고 분석해야 하며, 잘못된 정보로 인해 잘못된 의사결정을 내릴 위험도 높아집니다. 또한, 데이터가 통합되지 않고 분산되어 있다면, 전사적인 관점에서 데이터를 활용하거나 복잡한 분석을 수행하는 데 큰 어려움을 겪게 됩니다. 이러한 한계 속에서 금융 기업들은 데이터의 양은 방대하지만, 실제 비즈니스 가치를 창출하는 데는 활용하지 못하는 ‘데이터 빈곤’ 상태에 놓이게 되는 것입니다.

결론적으로, 금융권의 DX는 ‘기록의 디지털화’를 넘어 ‘정보의 지능화’로 나아가야 합니다. 단순히 과거의 데이터를 디지털 형태로 보관하는 것을 넘어, AI가 데이터를 이해하고 해석하며, 이를 바탕으로 의사결정을 지원하거나 자동화하는 수준까지 발전해야 합니다. 이것이 바로 AX가 DX를 보완하고 궁극적으로는 대체할 수 있는 이유입니다. DX는 AX를 위한 기반을 마련하는 과정으로 이해해야 하며, AX의 완성 없이는 진정한 디지털 경쟁력을 확보하기 어렵습니다.

AX의 핵심: ‘문서 지능’과 VLM의 전략적 가치

그렇다면 이러한 ‘인지적 자동화(AX)’를 달성하기 위한 핵심 기술은 무엇일까요? 기고문에서는 ‘문서 지능’과 ‘비전언어모델(VLM, Vision-Language Model)’의 전략적 가치를 강조합니다. 금융 데이터는 높은 정확도와 보안성이 필수적인 비정형 문서의 집합체라는 특성을 지닙니다. 이러한 문서들은 단순한 텍스트 인식을 넘어, 문서의 구조, 레이아웃, 이미지, 표 등 시각적인 정보까지 종합적으로 이해해야만 그 안에 담긴 정보를 정확하게 파악할 수 있습니다.

여기서 VLM이 중요한 역할을 합니다. VLM은 텍스트 정보뿐만 아니라 이미지, 표 등의 시각적 정보를 함께 이해하고 처리할 수 있는 AI 모델입니다. 예를 들어, 보험 청구서에 포함된 사진, 재무제표의 표 형식 데이터, 복잡한 계약서의 조항 등을 AI가 종합적으로 분석하여, 단순히 텍스트로 변환된 정보만으로는 파악하기 어려운 관계나 의미를 이해할 수 있게 됩니다. 이를 통해 AI는 복잡한 양식과 수치 간의 논리적 관계를 파악하고, 문서의 핵심 내용을 정확하게 추출하며, 필요한 정보를 신속하게 찾아낼 수 있습니다. 이것이 바로 ‘문서 지능’이며, AX의 핵심 동력이라고 할 수 있습니다.

더 나아가, AX는 AI가 이러한 ‘문서 지능’을 바탕으로 비즈니스 로직을 이해하고 실행하는 단계까지 나아갑니다. 예를 들어, AI는 고객의 보험 청구 데이터를 분석하여 지급 요건 충족 여부를 판단하고, 관련 규정에 따라 보험금 지급 절차를 자동으로 진행할 수 있습니다. 또는, 투자 상품 관련 서류를 분석하여 고객의 투자 성향에 맞는 상품을 추천하고, 관련 절차를 안내하는 것도 가능합니다. 이러한 ‘지능의 내재화’는 금융 기업의 업무 효율성을 극대화할 뿐만 아니라, 고객 경험을 혁신하고 새로운 비즈니스 기회를 창출하는 데 결정적인 역할을 할 것입니다. 결국, 금융 AI의 진정한 실체는 DX를 통해 확보한 데이터를 AX의 완성도로 얼마나 높여 가치를 창출하느냐에 달려 있습니다.

화웨이의 AI 칩 약진: 미·중 기술 갈등 속 기회 포착

최근 글로벌 AI 칩 시장의 가장 흥미로운 움직임 중 하나는 바로 화웨이의 약진입니다. 파이낸셜 타임스의 보도에 따르면, 화웨이는 올해 중국 AI 칩 시장에서 상당한 점유율을 확보할 것으로 전망되며, AI 칩 매출은 지난해 대비 최소 60% 증가한 약 120억 달러(약 17조원)에 이를 것으로 예상됩니다. 이는 2025년 목표치인 75억 달러(약 11조원)를 크게 상회하는 수치로, 화웨이의 AI 칩 사업이 폭발적인 성장세를 보이고 있음을 시사합니다.

이러한 화웨이의 급성장은 단순히 기술력 향상만으로는 설명하기 어렵습니다. 그 배경에는 복잡하게 얽힌 미·중 기술 갈등이 자리하고 있습니다. 미국의 강력한 대중국 기술 제재로 인해 엔비디아와 같은 글로벌 선두 주자들의 최신 AI 칩 공급이 제한되면서, 중국 기업들은 ‘탈엔비디아(De-Nvidia)’를 가속화하고 자국산 반도체 솔루션으로 눈을 돌리고 있습니다. 이러한 상황 속에서 화웨이는 자체 개발한 AI 칩 ‘어센드(Ascend)’ 시리즈를 앞세워 중국 시장의 공백을 성공적으로 파고들고 있습니다.

‘탈엔비디아’와 화웨이의 기회

미국 정부는 국가 안보를 이유로 중국의 첨단 반도체 기술 접근을 차단하기 위한 노력을 지속해왔습니다. 엔비디아의 최신 고성능 AI 칩 수출 규제는 이러한 노력의 일환으로, 중국 내 AI 연구 및 개발 속도를 늦추려는 의도가 담겨 있습니다. 물론, 트럼프 행정부 시절 ‘H200’ 칩의 중국 수출이 조건부로 허락된 사례도 있었지만, 여전히 많은 제약이 존재하며 중국 기업들은 안정적인 칩 수급에 어려움을 겪고 있습니다.

이러한 환경은 중국 기업들에게 자국산 반도체 기술 개발 및 도입의 필요성을 절감하게 만드는 계기가 되었습니다. 특히, AI 모델 학습 및 추론에 필수적인 고성능 GPU(그래픽 처리 장치)를 안정적으로 확보하기 위해, 중국 기업들은 엔비디아의 대안을 적극적으로 모색하고 있습니다. 화웨이는 이러한 시장의 요구에 부응하여, 자체 파운드리(반도체 위탁 생산) 업체인 SMIC와의 협력을 강화하고 생산 능력을 확대하는 한편, 올해 추가로 두 개의 전용 생산 시설을 가동할 계획을 밝히며 공급망 안정화에 힘쓰고 있습니다. 특히, 3월부터 양산을 시작한 최신 프로세서 ‘어센드 950PR’과 4분기 출시 예정인 업그레이드 버전 ‘950DT’는 이러한 수요를 충족시키는 핵심 제품으로 주목받고 있습니다.

기술적 격차와 소프트웨어 생태계의 과제

그렇다면 화웨이의 AI 칩 기술력은 어느 정도 수준일까요? 기술적으로 화웨이의 AI 칩은 여전히 엔비디아의 최신 제품 대비 최소 2세대 뒤처진 것으로 평가받고 있습니다. 특히, 대규모 언어 모델(LLM) 학습과 같이 고도의 연산 능력이 요구되는 작업에서는 성능 차이가 두드러질 수 있습니다. 또한, 엔비디아의 CUDA(Compute Unified Device Architecture)와 같이 광범위하게 사용되는 소프트웨어 생태계에 대응하는 화웨이의 ‘CANN(Compute Architecture of Non-volatile memory)’은 아직 개발자 친화성이 떨어진다는 평가를 받고 있습니다. 이는 기업들이 화웨이 칩을 도입하는 데 있어 추가적인 학습 및 개발 비용을 감수해야 한다는 것을 의미하며, 기술 도입의 장벽으로 작용할 수 있습니다.

하지만 화웨이는 이러한 기술적, 생태계적 약점을 극복하기 위해 끊임없이 노력하고 있습니다. 대규모 모델 학습(training)보다는 상대적으로 기술적 요구 사항이 덜한 추론(infer) 작업에 집중하는 전략을 취하고 있으며, 소프트웨어 생태계 역시 지속적으로 개선하고 있습니다. 중국 정부의 강력한 지원과 내수 시장의 방대한 규모를 바탕으로, 화웨이는 기술적 격차를 점진적으로 줄여나가고 있습니다. 장기적으로는 기술적인 제약에도 불구하고, 지정학적 요인과 중국 정부의 정책적 지원에 힘입어 화웨이의 AI 칩이 중국 내수 시장에서 상당한 영향력을 행사할 가능성이 높습니다.

의료 AI의 미래: 구글의 ‘AI 공동 의사’와 협력 모델

글로벌 의료 시스템이 직면한 인력 부족과 비용 증가라는 이중 과제 속에서, AI가 단순한 보조 도구를 넘어 의료진과 협력하는 ‘팀원’으로 기능하는 새로운 가능성이 제시되고 있습니다. 구글 딥마인드는 최근 ‘AI 공동 의사(AI co-clinician)’ 연구 프로젝트를 발표하며, 의사, 환자, AI가 협력하는 ‘삼자 상호작용(triadic care)’ 모델을 제안했습니다. 이는 기존의 의료 AI 연구가 진단이나 정보 제공에 머물렀던 것과 달리, 실제 진료 환경에서 의료진과 AI가 긴밀하게 협력하는 새로운 진료 모델을 제시한다는 점에서 큰 의미를 갖습니다.

세계보건기구(WHO)는 2030년까지 전 세계적으로 1,000만 명 이상의 의료 인력이 부족할 것으로 전망하고 있습니다. 이러한 상황에서 AI는 의료 공백을 메우고, 의료 서비스의 접근성과 효율성을 높이는 데 중요한 역할을 할 것으로 기대됩니다. 구글 딥마인드는 그동안 ‘메드팜(MedPaLM)’, ‘에이미(AMIE)’ 등 의료 AI 분야에서 꾸준한 성과를 축적해왔으며, 이번 ‘AI 공동 의사’ 프로젝트는 이러한 연구를 바탕으로 실제 의료 현장에 적용 가능한 수준으로 진화하려는 시도라고 볼 수 있습니다.

‘삼자 상호작용’ 모델의 개념과 작동 방식

‘AI 공동 의사’ 프로젝트가 제시하는 ‘삼자 상호작용’ 모델은 기존의 ‘의사-환자’ 관계에 AI가 새로운 축으로 합류하는 형태입니다. 여기서 AI는 의사의 감독 하에 환자와 직접 상호작용하며 진료 과정에 참여하게 됩니다. 이는 AI가 단순히 의사의 지시를 수행하는 것을 넘어, 환자의 상태를 파악하고, 질문에 답변하며, 필요한 정보를 제공하는 등 능동적인 역할을 수행함을 의미합니다. 물론, 최종적인 진단과 치료 결정은 여전히 의사의 책임 하에 이루어지지만, AI는 이 과정에서 의사에게 정확하고 시의적절한 정보를 제공함으로써 의사결정을 지원하는 중요한 역할을 담당하게 됩니다.

구글 딥마인드의 연구 결과에 따르면, AI 공동 의사는 시뮬레이션된 진료 환경에서 높은 신뢰성과 정확성을 보였습니다. 환자 역할을 맡은 내과 레지던트들과의 모의 진료에서 AI 공동 의사는 기존 증거 기반 도구보다 높은 선호도를 기록했습니다. 이는 AI가 환자의 질문에 명확하게 답변하고, 적절한 정보를 제공함으로써 환자 만족도를 높일 수 있음을 시사합니다. 또한, 전문 배우와 의료진이 참여한 98개의 표준화된 임상 시나리오 분석 결과, 97건에서 중대한 오류 없는 답변을 제공하며 통제된 실험 환경 내에서의 높은 신뢰성을 입증했습니다. 이는 AI가 복잡한 의료 지식을 정확하게 이해하고 전달할 수 있는 능력을 갖추고 있음을 보여줍니다.

AI 공동 의사의 잠재력과 현실적 과제

AI 공동 의사가 가져올 잠재력은 매우 큽니다. 첫째, **의료 접근성 향상**입니다. 의료 인력이 부족한 지역이나 시간대에 AI가 환자 상담 및 정보 제공 역할을 수행함으로써, 더 많은 사람들이 필요한 의료 서비스를 받을 수 있게 될 것입니다. 특히, 만성 질환 관리나 건강 상담 등 지속적인 관리가 필요한 분야에서 AI의 역할이 클 것으로 기대됩니다. 둘째, **의료진의 업무 부담 경감**입니다. AI가 환자의 기본 정보를 수집하고, 질문에 답변하며, 관련 자료를 검색하는 등의 업무를 대신 수행함으로써, 의사들은 환자 진료 자체에 더 집중할 수 있게 됩니다. 이는 번아웃(burnout) 예방과 의료 서비스의 질 향상으로 이어질 수 있습니다.

셋째, **개인 맞춤형 의료 강화**입니다. AI는 방대한 환자 데이터를 분석하여 개인별 건강 상태, 유전 정보, 생활 습관 등을 종합적으로 고려한 맞춤형 진단 및 치료 계획을 제시할 수 있습니다. 이는 질병 예방 효과를 높이고, 치료 성공률을 향상시키는 데 기여할 것입니다. 하지만 이러한 잠재력에도 불구하고, AI 공동 의사의 실제 도입까지는 넘어야 할 현실적인 과제들이 존재합니다. 의료 데이터의 민감성으로 인한 **개인 정보 보호 및 보안 문제**, AI의 판단 오류로 인한 **법적 책임 소재**, 그리고 AI 기술에 대한 **의료진 및 환자의 신뢰 구축** 등이 중요한 과제로 남아있습니다. 구글 딥마인드 역시 시뮬레이션 성과에 대해서는 ‘합격점’을 주었지만, 실제 임상 환경에서의 도입에 대해서는 ‘신중’한 입장을 보이고 있는 이유가 바로 여기에 있습니다. 지속적인 연구와 규제 마련, 사회적 합의를 통해 AI 공동 의사가 안전하고 효과적으로 의료 현장에 통합될 수 있도록 노력해야 할 것입니다.

AUTOFLOW

AI, 금융, IT 트렌드를 자동화 전문가 시선으로 분석합니다.
n8n 기반 업무 자동화 구축 서비스를 제공합니다.

자동화 도입 문의하기 →