Academy Tech Bites Vol.3

독일 연구팀의 연구에 따르면, GPT를 사용할 때 사람들은 첫 번째 결과물에 고착되어 이후에는 그것을 수정하는 흐름에만 집중하게 된다고 해요. "이미지 크기 키워줘", "폰트 바꿔줘" 식의 수정 루프만 반복되는 것이죠. 창의적 사고에는 발산(가능성을 확장하는 단계)과 수렴(방향을 좁혀가는 단계)이 반복되어야 하는데, AI가 첫 결과물을 제시하는 순간 발산 단계가 사라져버린다는 거예요.

발표자가 직접 경험한 해커톤 이야기가 인상적이었어요. '아프리카 돼지열병 조기 탐지'라는 아이디어를 미리 정해두고 증명하려 했는데, 당일에 농가 9곳을 직접 방문해보니 완전히 달랐어요. 아프리카 돼지열병은 한 마리만 걸려도 집단 폐사가 의무화되어 조기 탐지가 무의미했고, 진짜 문제는 PRRS(돼지 생식기·호흡기 증후군) — 번식 능력을 무력화하지만 폐사로 이어지지 않아 보험 처리도 안 되고, 농가가 실질적으로 가장 두려워하는 질병이었어요. 방향을 바꾼 발표 직후, 투자 심사위원이 명함을 건네며 투자 의사를 밝혔어요.

CBL(Challenge-Based Learning)도 같은 구조예요. 결과를 미리 정해두는 게 아니라 "모르는 게 뭔지, 아는 게 뭔지, 더 알아야 할 게 뭔지"를 반복하는 사이클이에요. AI와의 대화도 마찬가지인 것 같아요.

Anthropic과 OpenAI가 사모펀드(PE) 구조로 대규모 펀드 운영을 시작했어요. Anthropic은 Blackstone·Goldman Sachs 등과 약 15억 달러(2조 원) 규모의 JV를 구성했고, OpenAI는 19개 기관과 약 100억 달러(13조 원) 규모로 연 17.5% 수익률을 5년간 보장하는 전례 없는 조건을 내걸었어요.

핵심은 팔란티어가 활용해온 FDE(Forward Deployed Engineer) 모델이에요. AI를 잘 활용하는 엔지니어를 고객사에 직접 파견해 사업 전환을 지원하는 방식이에요. Fortune은 이를 "컨설팅 산업에 총을 겨눈 것"이라고 표현했어요. 배경에는 수익성 구조의 변화가 있어요. GPT의 API 가격이 100만 토큰당 60달러에서 2달러로 약 30배 하락했고, AI 기업들은 더 많은 외부 자본 유입이 필요한 시점에 놓여 있습니다.

General Catalyst가 2년 전부터 15억 달러를 투입해 이미 검증한 모델이기도 합니다. 주택관리 회사를 2년 만에 EBITDA 1억 달러로 끌어올려 63억 달러에 매각하거나, 콜센터를 80% 이상 자동화해 마진 60~65%를 달성한 사례가 있어요. 같은 EBITDA 1달러 개선이라도 'AI 네이티브로 전면 재구축'하면 기업 가치가 8~10달러 창출되지만, '컨설팅으로 개선'하면 0.1~0.3달러에 불과해요.

호주 기반 영상 장비 전문 회사 Blackmagic Design의 아이폰용 촬영 앱이 대형 업데이트를 했어요. 세 가지가 핵심인데요. 첫째, 애플 워치 연동으로 아이폰을 손이 닿기 어려운 위치에 거치하고 워치로 원격 녹화 제어가 가능해졌어요. 둘째, ATEM Mini 스위처 연동으로 방송 조정실처럼 여러 카메라 앵글을 실시간 스위칭하는 라이브 프로덕션 카메라로 활용할 수 있어요. 셋째, 시네마 장비 수준의 포커스·줌 조작 장비를 아이폰에 연결해 터치 없이 정밀하게 제어할 수 있게 됐어요.

결과적으로 아이폰(촬영) → 애플 워치(원격 조작) → 아이패드(모니터링) → Mac(DaVinci Resolve 색보정)으로 이어지는 완결된 프로 워크플로우가 구성돼요. 기존에는 이 수준의 촬영 셋업을 대여만 해도 상당한 비용이 들었는데, 아이폰 하나로 추가 장비 대여 비용만으로 구성이 가능해졌어요. Apple Vision Pro 전용 콘텐츠 촬영을 위한 Blackmagic URSA Cine Immersive 카메라도 출시했는데, 약 5,000만 원 수준으로 시네마 장비 기준으로는 상대적으로 합리적이에요.

디자인 패러다임이 바뀌고 있어요. 기존엔 디자이너가 입구부터 과정을 설계해 사용자가 결과에 도달하게 했지만, AI 이후엔 과정이 생략되고 결과만 나왔어요. 이제 에이전트 시대엔 한단계 더 나아가 에이전트가 모든 것을 처리해요. 이 흐름의 끝은 "화면을 그리는 것"이 아니라 "AI와 사람 간의 관계를 구조화하는 일"인것 같습니다.

핵심 개념은 신뢰를 온/오프가 아닌 다이얼(Dial)로 설계하는 거예요. 4단계로 나뉘는데, 1단계는 알림만 제공하고 계획은 세우지 않는 단계, 2단계는 계획은 세우지만 실행은 사람이 하는 단계, 3단계는 행동 직전 승인 요청만 하는 단계, 4단계는 모든 것을 처리하고 사후 통보만 하는 단계예요. 에이전트에게 항공편 예약을 맡긴다면 단순히 "실행/미실행"만 묻는 것이 아니라 "이 플랜대로 진행 / 계획 수정 / 내가 직접 할게" 세 가지 선택지를 제공할 때 사용자의 신뢰감이 훨씬 높아요.

흥미로운 점은 실패가 오히려 신뢰를 만든다는 거예요. "이 부분 실패했습니다. 뭘 잘못 이해했고, 어떻게 수정할 수 있는지 제안하겠습니다" — 이런 방식은 오히려 신뢰를 높여요. 실수를 인지하고 개선하려는 태도 자체가 인간과 일하는 것 같은 신뢰감을 주거든요.

Harness Engineering은 AI에게 일을 어떻게 쪼개고 전달할지, 그 능력들을 어떻게 통제·활용할지에 대한 설계 방법론이에요. CLAUDE.md 같은 지침 파일은 자주 쓰는 프롬프트 모음이 아니라 헌법 체계처럼 구조화되어야 하고, 반복되는 업무를 에이전트 구조로 옮기는 일은 회사를 하나 만드는 것만큼의 고민이 필요하다는 게 핵심이에요.

가장 중요한 개념은 암묵지의 언어화예요. AI에게 일을 줄 때 "이 정도는 알겠거니" 하고 생략하는 것들이 생각보다 많아요. AI는 내가 어디서 무슨 일을 하는 사람인지, 사회적으로 암묵적으로 지켜온 기준들을 모르죠. 업무를 쪼개고 → 지침으로 구성하고 → 아웃풋을 보고 → 피드백을 반복하다 보면 "어, 이 지침을 내가 준 적이 없네"라는 발견이 계속 생깁니다.

발표 후 Simon이 보충했어요. Oh My Open Code 시리즈(Claude Code, Codex 등을 활용한 오픈소스 CLI 에이전트 툴)는 이미 GitHub 리포지터리에서 봇이 이슈를 받아 PR까지 올리는 과정을 수개월째 운영 중이고, 운영자들 스스로도 AI가 어떤 업데이트를 했는지 모르는 "Human in the Loop가 끝난" 단계에 들어섰어요. 이 감각을 아는 것과 모르는 것의 개인 간 격차가 지수적으로 벌어지고 있어요.