오늘의 구조

장강명, <먼저 온 미래>

2016년, 이세돌 9단이 알파고에게 4-1로 패배했다. 인공지능이 인간 직관을 무력화했을 때, 기사(棋士)들은 '인간적인 것'의 정의를 다시 물었다. 2026년, 그 질문이 모든 업계에 다시 온다.

3년 뒤면 누군가는 22세기에 살고 있을 것이다

특징 1: General Purpose Technology

증기기관, 전기, 인터넷처럼 거의 모든 산업에 적용되는 범용기술(GPT). 적용 속도는 점점 빨라진다.

특징 2: 기술을 만드는 기술

다른 기술은 써도 기술 자체가 늘어나지 않는다. AI는 다르다.

자기강화 루프: 쓰는 만큼 더 잘 쓸 수 있게 된다.

버니바 부시 (Vannevar Bush) -- 1890-1974

• 레이더 개발
• 맨해튼 프로젝트 초기 참여
• 미국 국립과학재단 (NSF) 설립
• 하이퍼텍스트 / 하이퍼미디어 개념 제안
• 인터넷의 선구적 개념 제시

As We May Think 한글 요약

메멕스 (Memex) = Memory + Extension

• "As We May Think" (1945) -- 예언적 에세이
• 하이퍼링크와 지식 그래프의 원형 제시
• 정보 과부하(information overload) 예언
• 구글, 위키피디아 모두 메멕스가 현실이 된 것
• 최근 화제가 되는 세컨드 브레인 역시 메멕스 머신

새로운 컨텐츠를 만드는 것도 하나의 컨텐츠이지만,
기존의 컨텐츠를 새로운 방식으로 연결하는 것
그 자체가 다시 컨텐츠가 됨

생성형 AI 시대에 돌아보는 부시의 말

• 부시는 메멕스를 통해 기억의 외재화는 가능하다고 봤다. 실제로 그것은 현실이 되었다 -- 구글, 위키피디아, 세컨드 브레인.
• 그러나 부시는 기억의 외재화와 성숙한 사고의 외재화는 다른 문제라고 구분했다. "For mature thought there is no mechanical substitute."
• 그런데 기억을 충분히 외재화하여 기계에 대량으로 먹였더니, 결국 성숙한 사고의 외재화, 기계화도 가능해진 것으로 보인다.
• 물론 그것이 정말 성숙한 사고인지, 성숙한 사고를 흉내 내는 것인지 -- 이 철학적 논쟁은 여전히 열려 있다.

바벨의 도서관 (The Library of Babel)

• 호르헤 루이스 보르헤스 (1941)
• 25개 기본 기호(글자, 쉼표, 마침표, 공백)로 만들 수 있는 모든 조합을 담은 우주
• 의미 있는 책은 극히 일부. 대부분은 무작위적 조합
• 우리가 알 수 있는 모든 지식과 지혜는 이미 존재한다
• 그저 우리가 그 책에 도달할 방법이 거의 확실히 0에 가까울 뿐

libraryofbabel.info

LLM = 바벨 도서관에 신과 같은 사서가 등장한 것

• LLM은 무한의 노이즈가 주는 역설을 다른 방식으로 타파.
  질문에 맞는 답을 왜 "찾아?" 그에 가장 맞는 답을 "만들면" 되지 않나?
• 바벨의 도서관에서는 만드는 것과 찾는 것의 구분이 사라진다. 모든 가능한 조합이 이미 존재하는 공간에서, 만든다는 것은 곧 찾아낸다는 것이고, 찾아낸다는 것은 곧 만든 것이다.
• LLM이 하는 일이 바로 그것 -- 인간 언어의 의미 있는 패턴만 학습하여, 바벨의 도서관에서 읽을 수 있는 책만 모아놓은 매대를 만든 것

창작의 재정의: Create ≠ Make. Create = Discover.

"해 아래에는 새 것이 없나니."
전도서 1:9

이 구절을 뒤집으면 -- '새로운 것이 없다'가 아니라, 이미 있는 것 중에서 우리가 아직 꺼내지 못한 것이 남아 있다는 말도 된다.

AI는 대리석을 무한대로 공급한다. 그 안에서 무엇을 발견할 것인가가 이 시대의 창작이다.

차별화는 안목이다

AI는 내가 impose하는 quality까지 뽑아낼 수 있다.
내 눈이 고급이면 고급인 것이 나온다. 요구하지 못하면 나오지 않는다.

AI는 요구한 수준까지만 일하는 사서.

생성 비용은 0에 수렴하고, 검증 비용은 급증한다

이것이 "안목이 차별화"인 경제학적 이유.

월 $200을 내고, 하루에 $300을 쓴다

현재 AI 구독 경제의 구조.

이 구조가 sustainable한가? 그렇지 않다면 가격이 올라갈 것이고, 그때 준비된 사람과 아닌 사람의 격차가 벌어진다.

AI = 슬롯머신. 유튜브보다 강한 도파민.

AI는 기술로서 슬롯머신과 유사한 특성을 가진다.

• 내가 생각하는 것에 맞는 잭팟이 계속 터진다
• 레버를 당기면 내 기대에 맞는 결과가 나오고, 그 도파민이 유튜브·웹툰·SNS보다 훨씬 강하다
• 개인 경험: 2026년 2월 5일 이후 유튜브도 웹툰도 안 봄. 그냥 끊겼다.
• 도파민의 원리는 유튜브·웹툰·SNS와 본질적으로 같다. 다만 결과물이 남는다는 점에서 더 위험할 수도 있다

디자인 스페이스가 정수에서 실수가 되었다

메타인지란 무엇인가

무엇을 아는가 × 무엇을 의식하는가

일머리의 격차가 비선형으로 벌어진다

Unknown Unknown이 끌려 나오는 경험

이것이 구글 검색과 본질적으로 다른 점. 검색은 내가 뭘 모르는지 알아야 검색할 수 있다. AI는 대화 속에서 내가 모르는 것까지 드러내 준다.

AI를 쓰는 네 가지 인터페이스

1→4로 갈수록 자유도와 위험이 동시에 올라간다.

2024-2026: 코딩 에이전트 타임라인

시장 현황 스냅샷 (2026년 5월)

GitHub 커밋의 4%를 AI가 쓰고 있다

90%의 AI 코드가 스타가 적은 개인 프로젝트에서 나온다. 대기업이 아닌 개인과 소규모 팀이 가장 적극적.

코딩 에이전트 생태계 분류

왜 갑자기 AI가 이렇게 좋아졌나?

모델이 더 똑똑해진 것도 있지만, 결정적 변화는 도구를 부르는 능력이 생긴 것.

하네스 = AI를 감싸는 도구적 환경

모델(두뇌)은 비슷해지고 있다. 차별화는 하네스(도구 환경)에서 나온다.

기업에서 AI 도입 = 하네스 설계 = 워크플로우 재설계

Raw Intelligence는 포화되고 있다

사건 1: 14일간 잘못된 정보를 투자 자문에 사용

교훈: AI는 자신이 확신하는 것과 실제로 맞는 것을 구분하지 못한다.

사건 2: Rubric에 없는 점수를 만들어내 제출

교훈: AI 출력을 검증 없이 공식 문서에 사용하면 신뢰를 잃는다.

사건 3: AI가 AI를 무한 호출 — 이메일 9통 폭발

교훈: AI에게 도구 권한을 줄 때, 입력 데이터의 오염 가능성을 반드시 고려해야 한다.

세 사건의 공통점: 검증의 부재

Part I에서 말한 "검증 비용 급증"이 이런 뜻이다. 만드는 건 쉬워졌지만, 확인하는 일은 절대 줄지 않았다.

어젯밤에 직접 해봤습니다

Twelve Labs = 영상을 이해하는 AI. 영상 안에서 장면을 검색하고, 내용을 분석하고, 의미 단위로 자동 분할한다.

처음에 트레일러로 테스트했는데, QRoad는 트레일러가 아니라 게임을 직접 플레이하는 회사잖아요. 그래서 라운드를 추가했습니다.

Twelve Labs가 뭔가?

테스트 설계 -- 3라운드

연령등급 자동 판정 -- 즉시 활용 가능한 수준

GRAC 심사 보조 도구로 즉시 사용 가능. 리뷰어가 전체 영상을 보지 않고 플래그된 구간만 확인하면 리뷰 시간 60-70% 절감.

세그멘테이션 -- 가장 인상적인 기능

세그멘테이션 = 영상을 의미 단위로 자르는 것. 90초 영상을 4개 축으로 동시 분석.

QC 체크리스트를 AI가 자동으로 만들어주는 것과 같습니다.

그랑사가 테스트 -- 한국어 자막 16줄 완벽 인식

버그 리포트 자동 분류

매일 수백 개 생성하는 버그 녹화를 AI가 1차 분류. QA 리드가 전체 영상을 볼 필요 없이 분류된 대시보드에서 우선순위 결정.

솔직한 한계 -- 도구의 한계를 아는 게 첫걸음

Twelve Labs vs Gemini -- 경쟁이 아니라 보완

최적 조합: Twelve Labs로 구조화 → Gemini로 검증

QRoad 워크플로우 어디에 끼워넣을 수 있나?

게임을 직접 플레이하는 건 여전히 사람의 일. AI는 그 과정에서 생기는 영상 자산을 효율화.

비용 구조 -- order-of-magnitude 추정

⚠ 세그멘테이션은 축(definition) 수만큼 과금이 곱해짐. 4축 = 4배. 실제 POC에서 정밀 측정 필요.

제안: 3단계 로드맵

기술 제휴로 시작해서, 검증되면 JV로 확대.