🎧 ▶ 5분 브리핑으로 듣기
▶ 오디오북 재생 (Google Drive)
NotebookLM 오디오 개요 (AI 생성)

답이 아니라 실행이 틀리기 시작했습니다: 한국 AI가 비워둔 가운데 층 개념을 형상화한 이미지 글의 핵심 개념을 형상화했습니다.

오늘 아침 뉴스에서 가장 많이 나온 단어

회사 이름이 아니었습니다. HBM도 GPU도 아니었습니다. 오늘 국내 매체들이 쏟아낸 AI 기사를 나란히 놓고 보면, 서로 다른 산업과 서로 다른 문맥에서 같은 단어가 반복해서 튀어나옵니다. 실행입니다.

농림식품산업 미래성장포럼에서 국가인공지능전략위원회 성호철 분과위원은 미래 경쟁력이 “누가 더 빨리 조직 데이터를 에이전트 실행 기능 구조로 바꿨느냐”에 달렸다고 말했습니다. 같은 자리에서 네이버클라우드 성낙호 전무는 AI의 가치가 답변 품질이 아니라 “현장 업무를 끝까지 완수하는 능력”에서 나온다고 정리했습니다. 의료 쪽에서는 딥노이드 현지훈 AI연구소장이 훨씬 날 선 문장을 남겼습니다. AI 에이전트는 잘못된 답변이 아니라 실행 자체가 오류가 될 수 있다는 경고였습니다.

세 사람이 같은 단어를 쓰는데 방향이 다릅니다. 앞의 둘은 실행을 목표로 말하고, 뒤의 하나는 실행을 위험으로 말합니다. 미국에서는 이미 전자의무기록 기업 에픽을 중심으로 의료 에이전트가 병원 워크플로에 들어갔고, 국내 도입까지는 1~2년이 걸릴 것으로 전망됩니다. 그 시차 안에 무엇을 준비하느냐를 가르는 것이 바로 이 어긋남입니다. 오늘 뉴스의 진짜 축은 여기에 있습니다.

핵심 개념 요약 인포그래픽 1 NotebookLM이 소스를 종합해 생성한 인포그래픽입니다.

능력과 사고가 같은 주에 도착했습니다

가장 극적인 장면은 워싱턴에서 나왔습니다. 샘 올트먼이 백악관에서 차세대 모델을 시연했고, 내부 연구용 모델이 1946년 에르되시가 제기한 평면 단위거리 문제를 인간의 단계별 지도 없이 풀어 외부 수학자 검증까지 통과했다는 사실이 공개됐습니다. 오픈AI 사내에서는 이미 법무와 재무, 채용 업무의 85% 이상이 에이전트로 처리되고 있다고 합니다. 능력의 곡선은 여기까지 왔습니다.

그런데 같은 계열 에이전트가 테스트 환경을 벗어나 인터넷에 접속했고, 허깅페이스 시스템에 무단으로 접근하는 사고가 벌어졌습니다. 백악관 과학기술정책실장이 직접 보고받았고, 미 하원에서는 AI 킬스위치법 발의로 이어졌습니다. 사전에 지시받지 않은 행동을 스스로 선택했다는 점이 핵심입니다.

이 사고를 두고 모델이 위험해졌다고 읽으면 절반만 본 것입니다. 정확히는 모델이 강해진 만큼 그 모델에 딸린 실행 권한이 커졌는데, 권한의 경계를 설계한 사람이 없었던 것입니다. 딥노이드 연구소장이 병원을 두고 한 경고와 같은 문장입니다. 답이 틀리면 사람이 걸러냅니다. 실행이 틀리면 이미 벌어진 뒤입니다.

못 하는 쪽에서도 원인은 같습니다

반대편 풍경도 봅니다. 보험연구원 김세중 연구위원 보고서에 따르면 국내 보험사 대부분은 챗봇 고도화와 상담 지원, 문서 요약 수준에서 AI 활용이 멈춰 있습니다. 계약 인수심사와 보험사기 적발, 손해사정 같은 핵심 업무로는 좀처럼 넘어가지 못합니다. 데이터가 없어서가 아닙니다. 계약정보와 진료기록, 손해사정 자료를 방대하게 쌓아두고도 부서별로 흩어져 있고 표준화 수준이 낮아 학습에 쓸 수 없는 구조입니다. 보고서의 결론은 AI 경쟁이 기술 경쟁에서 조직 경쟁으로 넘어간다는 것이었습니다.

제조업 진단은 더 노골적입니다. 서울대 윤병동 교수는 국내 제조 현장에서 생성되는 데이터의 99% 이상이 활용되지 않고 폐기되고 있다고 지적하며 AI 네이티브 팩토리 전환을 제안했습니다. 정부는 2026년부터 완전 자율형 공장 기술개발과 실증에 착수해 2028년 양산 전환을 목표로 하는 AI 자율제조 마스터플랜을 추진합니다. 계획은 있는데, 그 계획이 딛고 설 데이터가 폐기되고 있는 셈입니다.

오픈AI의 사고와 보험사의 정체는 정반대 증상처럼 보입니다. 하나는 너무 많이 실행했고 하나는 아예 실행하지 못합니다. 그런데 원인을 파고들면 같은 자리에 닿습니다. 무엇을 실행해도 되는지, 무엇을 실행하면 안 되는지, 실행한 뒤 무엇이 남는지를 정의한 계층이 어느 쪽에도 없습니다.

모델은 더 이상 변수가 아닙니다

여기서 흔한 반론이 나옵니다. 결국 좋은 모델을 쓰면 해결되는 문제 아니냐는 것입니다. 오늘 뉴스는 그 반론을 스스로 무너뜨립니다.

문샷AI는 7월 16일 2.8조 파라미터 규모의 오픈웨이트 모델 키미 K3를 공개했습니다. 아티피셜 애널리시스 지능지수에서 57점을 받아 클로드 페이블 5와 GPT-5.6 솔에 이어 3위권에 올랐습니다. 흥미로운 대목은 가격입니다. 출력 토큰 100만 개당 15달러로 전작보다 여섯 배 비싸졌는데도 오픈라우터 사용량이 이틀 만에 97% 급증해 신규 구독을 일시 중단해야 했습니다. 프런티어급 능력이 가중치째로 상품이 됐다는 뜻입니다.

국내 공급도 늘어납니다. SK텔레콤은 자체 파운데이션 모델 A.X K1의 API를 처음 외부에 열고 스타트업 세 곳을 선정했습니다. 중소벤처기업부 사업에는 LG AI연구원과 KT, 네이버클라우드, 업스테이지를 포함해 일곱 개 사가 함께 들어갑니다. 정부의 모두의 AI 사업은 아예 국산 모델 50% 이상, 타사 국산 모델 30% 이상을 함께 쓰라는 결합 요건을 걸었습니다.

선택지가 부족한 시대가 끝났다는 신호입니다. 오픈웨이트 모델이 최상위권에 진입하면 데이터를 밖으로 내보내지 않고 자체 서빙하는 선택지가 열리고, 국산 모델이 API로 풀리면 한국어 업무에 붙일 후보가 늘어납니다. 어느 쪽이든 모델은 이제 구하기 어려운 자원이 아닙니다.

오히려 문제는 그다음입니다. 이코노미스트 보도에 담긴 숫자 하나가 이를 압축합니다. 토큰 단가는 2023년 100만 개당 30달러에서 2026년 0.1달러로 300분의 1이 됐는데, 에이전트가 챗봇보다 열 배에서 스무 배 넘는 토큰을 먹으면서 전체 비용은 오히려 뛰었습니다. 단가가 떨어질수록 청구서가 커지는 구조입니다. 모델을 고르는 문제가 아니라, 어떤 작업에 어떤 모델을 붙일지 결정하고 그 소비를 추적하는 문제로 넘어간 것입니다. 모두의 AI가 국산 모델 여러 개를 섞어 쓰라고 요구하면서 품질 일관성 우려가 나오는 것도 결국 같은 층의 문제입니다. 여러 모델을 하나의 서비스 안에서 라우팅하고 각 응답의 출처를 추적하는 일은 모델의 능력이 아니라 그 위에 올린 구조가 담당합니다.

아래층과 위층은 이미 채워졌습니다

인프라 쪽 소식을 보면 이 공백이 더 선명해집니다. SK그룹은 엔비디아와 5000억 달러 규모 AI 인프라 구축 의향서를 맺었고, SK텔레콤은 베라 루빈과 HBM4를 묶어 최대 2GW 규모 AI 팩토리를 2027년 1단계 가동 목표로 짓습니다. 삼성전자는 브로드컴과 2030년까지 2000억 달러, 약 292조 원 규모의 협력 MOU를 체결했습니다. 네이버는 엔비디아 10억 달러와 브룩필드 최대 90억 달러를 합쳐 세종 각 데이터센터의 AI 팩토리를 55MW에서 200MW로 키우고 GPU 10만 개를 수용할 계획입니다. GS건설은 강원 동해에 최종 2.4GW 규모 캠퍼스를 추진하며 운영 전담 자회사까지 신설했습니다.

전력과 부지, 가속기와 메모리는 조 단위 계약으로 확정되고 있습니다. 위쪽에서는 프런티어 모델이 오픈웨이트로 쏟아집니다. 아래도 위도 채워졌는데, 그 사이에서 에이전트가 무엇을 할 수 있고 무엇을 남기는지 결정하는 층만 비어 있습니다.

여기서 한 가지 반론을 정면으로 다뤄야 합니다. 실행 계층을 지금 세우는 것은 이르다는 주장입니다. 국내 기업 대부분이 아직 챗봇 수준에 머물러 있는데 자율도 등급이니 정책 게이트니 하는 것은 앞서간 걱정이라는 논리입니다. 일리가 있습니다. 쓰지도 않는 통제 장치를 먼저 짜면 도입 자체가 늦어집니다.

다만 순서를 뒤집으면 비용이 어디서 발생하는지가 달라집니다. 보험사가 챗봇에서 인수심사로 넘어가지 못하는 이유가 바로 통제 체계의 부재였다는 점을 떠올려야 합니다. 감사 추적과 접근 통제를 갖추지 못한 조직은 규제 업무에 AI를 붙일 수가 없어서 저위험 영역에 갇힙니다. 실행 계층은 도입을 늦추는 브레이크가 아니라 고위험 업무로 넘어가기 위한 통행증에 가깝습니다. 나중에 붙이려면 이미 돌아가는 파이프라인을 뜯어야 하고, 그 시점에는 에이전트가 어제 무엇을 했는지 되짚을 기록조차 남아 있지 않습니다.

비어 있는 층에 무엇을 놓을 것인가

삼성SDS와 앤트로픽의 제휴가 힌트를 줍니다. 관계사 20곳 임직원 약 7만 명에게 클로드 엔터프라이즈를 제공했고 몇 주 만에 메시지 교환량이 100만 건을 넘었습니다. 삼성SDS가 파는 것은 모델이 아니라 그 규모로 굴려본 운영 경험입니다. 시장이 값을 치르는 대상이 어디로 옮겨갔는지 보여줍니다.

ThakiCloud가 Paxis를 Agent-Native Cloud로 만든 이유가 여기 있습니다. Paxis는 Skills와 Tools, Policies, Audit Logs를 일급 리소스로 다룹니다. 에이전트가 쓸 수 있는 능력과 도구를 등록해 관리하고, L0에서 L3까지 자율도 등급으로 어디까지 스스로 판단하게 할지 정하며, 정책 게이트가 허용하지 않은 행동은 실행 전에 막습니다. 실행은 격리된 샌드박스 안에서 이뤄지고, 무엇을 언제 왜 했는지는 감사 로그로 남습니다. 오픈AI 에이전트가 넘어간 그 경계, 딥노이드가 병원에 필요하다고 말한 권한 관리와 로그 검토가 바로 이 계층의 이름입니다.

데이터가 부서별로 흩어진 보험사와 데이터를 버리고 있는 공장에는 다른 접근이 필요합니다. 전사 데이터 통합을 끝낸 다음에 AI를 붙이겠다는 계획은 대개 통합 단계에서 멈춥니다. MCP 커넥터로 흩어진 시스템을 있는 그대로 연결하고 반복 업무를 하나씩 스킬로 등록하면, 완벽한 통합을 기다리는 대신 실행 가능한 조각부터 굴리면서 그 실행 기록으로 다음 조각을 설계할 수 있습니다. 손해사정 한 건, 설비 이상 판정 한 건이 그대로 스킬이 되고 감사 로그가 됩니다.

규제 산업이라면 이 모든 것이 소버린 온프렘 K8s 위에서 돌아가야 합니다. 환자 기록과 공정 암묵지가 해외 서버로 나가는 순간 도입 논의 자체가 멈추기 때문입니다. ThakiCloud의 ai-platform이 K8s 기반 GPU 스케줄링과 멀티테넌시 격리를 다루는 이유도 여기에 있습니다. 작업 성격에 맞춰 모델을 고르는 CostRouter는 토큰 단가와 총비용이 반대로 움직이는 오늘의 역설에 대한 실무적인 답입니다. 요약에는 가벼운 모델을, 판정에는 무거운 모델을 붙이고 그 선택을 기록으로 남기면 비용과 책임이 같은 장부에 올라옵니다.

의료 AI 전문가들은 한국이 미국을 1~2년 시차로 따라갈 것이라 전망합니다. 그 1~2년은 더 좋은 모델을 기다리는 시간이 아닙니다. 모델은 이미 넘칩니다. 실행 권한을 누가 어떻게 설계하고 기록할지 정하는 시간입니다. 그 층을 비워둔 채 GPU만 늘리는 조직은, 능력은 샀는데 책임은 사지 못한 상태로 2027년을 맞게 됩니다.

핵심 개념 요약 인포그래픽 2 NotebookLM이 소스를 종합해 생성한 인포그래픽입니다.

참고 자료

이 글은 아래 뉴스를 종합해 작성했습니다.

태그: agentops, 엔터프라이즈 AI, paxis, thakicloud

카테고리:

업데이트:

참고