Academy Tech Bites S2 Vol.4

Norton (노튼)은 AI PM을 설명하는 두 개의 상반된 글에서 이야기를 시작했습니다. 하나는 PM이 어떤 기술과 개념을 익혀야 하는지 체크리스트처럼 정리하고 있었고, 다른 하나는 AI PM이라는 역할 자체가 아직 굳어지지 않았기 때문에 커리어를 더 주도적으로 설계해야 한다고 말하고 있었습니다. 같은 주제를 다루는 글인데도 하나는 이미 정해진 역할을 학습하는 태도에, 다른 하나는 역할을 새로 정의하는 태도에 가까웠고, Norton은 바로 그 차이에 발표의 중심을 두었습니다.

이 발표에서 특히 선명했던 구분은 Workspace Agent와 Product Agent였습니다. AI를 자기 업무 보조 도구로 활용하는 것과, AI를 실제 제품 기능으로 사용자에게 제공하는 것은 전혀 다른 문제이며, 이 차이를 이해해야 기술이 바뀌어도 흔들리지 않는 질문을 붙잡을 수 있다는 이야기였습니다. 그래서 Foundation Model, Observability, Context/Intent Engineering, RAG 같은 기술적 이해는 분명 중요하지만, 그것만으로는 AI 시대의 PM을 설명할 수 없다고 정리했습니다.

현장에서는 이 발표가 단순히 PM 직군 이야기로 들리지 않았습니다. 세션 후반으로 갈수록 PM, PD, 개발자, 디자이너 같은 직군 이름이 예전만큼 단단한 경계가 아니며, 결국 남는 것은 자기 문제를 어떤 관점으로 정의하는가라는 토론으로 확장됐기 때문입니다. Norton이 던진 "나는 정해진 로드맵을 따라 배우는 쪽에 더 가까운가, 아니면 나만의 답을 만들려고 하는가"라는 질문은 회차 전체를 관통하는 기준점이 됐습니다.

이번 발표가 좋았던 이유는 AI PM을 유행하는 직무명으로 소비하지 않고, 불확실성 속에서 판단 기준을 계속 다시 만드는 역할로 풀어냈기 때문입니다. 기술 체크리스트를 쌓는 속도도 중요하지만, 그 기술을 우리 제품과 사용자 맥락 속에서 어떻게 다시 쪼개고 재조합할지 묻는 태도가 더 중요해지고 있다는 감각이 여기서 시작됐습니다.

Owen (오웬)은 Apple의 M5 시리즈를 단순한 세대교체가 아니라 구조 변화로 읽었습니다. 발표의 핵심은 코어 수가 얼마나 늘었는지보다, Apple Silicon이 SoC 안에 CPU, GPU, Memory Controller, Neural Engine을 통합해온 기존 전략 위에서 이번에는 Fusion Architecture라는 새로운 방식으로 성능 확장 문제를 다시 풀고 있다는 데 있었습니다. Apple이 칩 크기와 수율, Reticle 한계 같은 반도체 제약을 어떻게 우회하려 하는지 설명하는 흐름이 특히 인상적이었습니다.

이 발표가 흥미로웠던 이유는 반도체 구조 이야기가 곧장 온디바이스 AI 이야기로 연결됐기 때문입니다. Owen은 Apple Silicon의 통합 메모리 구조가 일반 GPU의 VRAM 한계와 다른 가능성을 열어준다고 설명했고, 그래서 이번 변화는 단순한 하드웨어 경쟁이 아니라 Apple이 어떤 방식으로 더 큰 모델을 로컬에서 돌리고 서버 의존성을 줄이려 하는지 보여주는 선택으로 읽었습니다. M5 Max의 코어 수가 과감하게 늘지 못한 이유를 MacBook Pro 폼팩터의 전력과 발열 제약에서 찾은 해석도 이 맥락 안에 있었습니다.

발표 이후 토론은 곧바로 비용 구조로 넘어갔습니다. 다른 AI 기업들이 막대한 서버 비용을 부담하는 동안, Apple은 왜 더 강한 기기를 만들어 사용자가 기기 구매 비용으로 그 부담을 나누는 구조를 택하는가라는 질문이 나왔고, 칩 이야기가 어느새 "누가 AI 실행 비용을 내는가"라는 제품 전략의 문제로 번역되면서, 하드웨어 뉴스가 사용자 경험과 사업 구조를 읽는 렌즈로 바뀌었습니다.

Simon (사이먼)은 주말에 다녀온 Hugging Face 서울 밋업을 바탕으로 로컬 모델, 한국어 벤치마크, 형태소 분석기, 공개 말뭉치 같은 이야기들을 폭넓게 엮어냈습니다. 발표는 단순한 밋업 후기라기보다, 우리가 한국어와 한국적 맥락을 가진 모델을 왜 다시 고민해야 하는지에 대한 현장 보고에 가까웠습니다. 특히 영어권 기준으로는 잘 포착되지 않는 한국어의 문화적 뉘앙스와 문맥을 무엇으로 평가할 것인지가 중요한 질문으로 제시됐습니다.

여기서 포인트는 "국산 모델이냐 아니냐"가 아니었습니다. Simon은 오픈 모델의 의미를 내 데이터와 내 글쓰기 방식, 내 도메인 감각을 더 깊게 심을 수 있다는 데서 찾았고, 그래서 로컬 모델은 성능 경쟁보다 맥락 회복의 문제에 가깝다고 설명했습니다. 모두의 말뭉치 같은 공개 자원, 형태소 분석기처럼 오래된 기반 작업, Fine-tuning을 통해 문체를 크게 다듬은 사례들이 함께 언급되면서 이 논의가 결코 추상적이지 않다는 점도 드러났습니다.

토론에서 가장 오래 붙잡힌 질문은 이미 LLM이 한국어를 꽤 잘 말하는 것처럼 보이는데도 왜 별도의 데이터셋과 평가 기준이 더 필요하냐는 것이었습니다. 여기서 대화는 곧바로 번역투 문제로 넘어갔습니다. Not A But B 식 문장, 영어식 Finally 어투, 지정학이나 문화 맥락을 어색하게 반영하는 답변들이 이미 일상 글쓰기의 기본값을 바꾸고 있다는 경험이 이어졌고, 그 순간 로컬 모델은 더 이상 성능 옵션이 아니라 언어 감각을 지키는 인프라처럼 느껴졌습니다.

좋은 모델이란 더 많이 아는 모델이 아니라, 내가 속한 언어와 문화와 작업 맥락을 덜 왜곡하는 모델일 수 있다는 관점이 현장에 남았습니다. AI가 점점 더 유창해질수록, 우리가 진짜 지키고 싶은 것이 정확도만이 아니라 말투와 사고의 결이 아닐까요?