아티클

다양한 읽을거리를 확인해 보세요.

전체 415건

[교사를 위한 캔바 02] 캔바 요소 활용하기

📅 2026년 8월 12일 · 👁 12

[교사를 위한 캔바 02] 캔바 요소 활용하기디자인의 완성도는 어떤 요소를 어떻게 활용하느냐에 따라 크게 달라집니다. 캔바의 요소 기능을 활용하면 아이콘, 그래픽, 도형, 프레임, 목업 등 다양한 시각 자료를 손쉽게 추가하여 더욱 풍부하고 완성도 높은 콘텐츠를 만들 수 있습니다. 또한 검색 기능과 컬렉션, AI 자동 추천을 활용하면 원하는 스타일의 요소를 빠르게 찾고 디자인의 통일성도 자연스럽게 유지할 수 있습니다. 이번 클래스에서는 요소를 효율적으로 검색하고 활용하는 방법부터 도형과 프레임, 목업 사용법, 색상 변경과 레이어 순서 조절까지 익혀 수업 자료와 학급 콘텐츠를 더욱 돋보이게 만드는 실전 활용법을 살펴보겠습니다.Class 07 콘텐츠를 풍부하게! 요소 활용하기수업 자료에 필요한 아이콘, 그래픽, 프레임 등 핵심적인 시각 요소를 빈 디자인 캔버스에서 하나씩 추가하며 활용법을 익혀봅시다. 이번 클래스를 통해 디자인에 필요한 요소를 효율적으로 찾고 적용하는 방법을 배울 수 있습니다.캔바에서 ‘요소’란?캔바에서 요소는 디자인의 재료가 되는 그래픽, 이미지(사진), 동영상, 오디오, 도형, 차트, 표, 선, 스티커, 프레임, 그리드 등을 통칭합니다. 어떤 종류의 요소가 있는지 살펴보고, 내 디자인에 어떻게 녹여낼지 고민해보는 시간을 가져봅시다.캔바 요소를 효율적으로 찾는 방법방대한 자료 속에서 내가 원하는 요소를 빠르게 찾는 것은 작업 효율을 높이는 데 핵심입니다. 검색 필터와 비슷한 스타일의 요소를 추천해주는 컬렉션 기능을 활용하면 원하는 스타일의 요소를 더욱 쉽게 찾을 수 있습니다. 간단한 실습을 통해 직접 해보겠습니다.01 에디터 화면 왼쪽 사이드바에서 ➊ [요소]를 선택한 다음 검색창에 필요한 키워드를 검색하거나 요소의 ➋ 카테고리 둘러보기를 통해 원하는 요소를 검색합니다. 여기서는 다음과 같이 교육을 검색해보겠습니다.02 교육으로 검색한 결과에서 그래픽 요소를 선택한 뒤 원하는 요소를 클릭해 템플릿에 삽입합니다.디자인의 통일성을 높이는 컬렉션과 자동 추천 활용하기아이콘이나 그래픽의 스타일이 제각각이면 자칫 디자인이 산만해보일 수 있습니다. 캔바의 컬렉션 기능과 AI 자동 추천 기능을 활용하여 전문 디자이너가 만든 것처럼 통일감 있는 자료로 만들어보겠습니다.요소 컬렉션을 활용하여 디자인 통일성 확보하기 템플릿에 삽입한 그래픽 요소 위쪽에 있는 [⋯] 더보기 버튼을 클릭하고 [컬렉션 보기]를 선택하세요. 해당 제작자가 만든 유사한 스타일의 요소를 한 번에 확인할 수 있어 전체 디자인의 분위기를 통일하는 데 매우 유용합니다.[NOTE/] 단, 이 기능은 일부 요소에서만 지원됩니다.자동 추천을 활용하여 요소의 일관성 유지하기 [요소]의 카테고리 둘러보기에서 [그래픽]을 누르면 아래에 자동 추천이 보입니다. 자동 추천의 [모두 보기]를 누르면 캔바 AI가 현재 요소와 잘 어울리는 아이콘이나 그래픽을 자동으로 제안해주기 때문에 직접 검색하지 않아도 디자인의 일관성을 쉽게 유지할 수 있습니다.템플릿의 핵심! 도형, 프레임, 목업 사용법 알아보기이미지를 특정 모양 안에 넣는 프레임 기능과 실제 제품처럼 보여주는 목업 기능을 실습해보겠습니다. 또한 디자인의 레이아웃을 구성하는 데 자주 사용하는 도형 활용법도 함께 익혀봅시다.도형 요소를 활용한 텍스트 영역 강조하기 01 왼쪽 사이드 패널에서 [요소]를 선택하고 카테고리 둘러보기의 [도형]을 눌러 원하는 도형을 디자인에 추가합니다.02 사각형 같은 도형을 텍스트 뒤에 배치하면 가독성을 높일 수 있습니다. ➊ 삽입된 도형을 클릭하여 가로, 세로, 대각선 방향으로 크기를 조정하고 텍스트 상자 아래에 배치합니다. 이후 ➋ 도형을 선택한 후 에디터 툴바의 [색상] 아이콘을 눌러 텍스트를 강조할 수 있는 색상이나 그러데이션을 적용해보세요.사진 프레임을 이용한 이미지 배치하기 01 ➊ 왼쪽 사이드바에서 [요소]를 선택한 다음 검색창에 프레임을 검색하거나, ➋ 카테고리 둘러보기의 [프레임]을 선택하여 원하는 모양의 프레임을 템플릿에 삽입합니다. 여기서는 꽃 모양 프레임을 삽입해보겠습니다.여기서는 꽃 모양 프레임을 삽입해보겠습니다.02 ➊ 왼쪽 사이드 패널에서 [업로드 항목]를 선택하고, ➋ [파일 업로드]를 눌러 내 컴퓨터나 스마트 기기에 저장된 파일을 불러옵니다.그런 다음 업로드한 이미지를 ➌ [업로드 항목] 이미지에서 선택하고 드래그하여 놓습니다.그러면 사진이 프레임 모양에 맞춰 자동으로 재단되어 깔끔하게 배치됩니다.또는 [요소]의 [사진] 탭에서 프레임에 넣을 이미지를 선택하고 드래그하여 놓습니다. 그러면 사진이 프레임 모양에 맞춰 자동으로 재단되어 깔끔하게 배치됩니다.03 삽입된 이미지를 더블 클릭하면 사진의 위치를 이동하거나 크기를 자유롭게 조정할 수 있습니다.목업 기능을 활용한 결과물 시뮬레이션하기 목업Mockup은 실제 제품이나 특정 환경에 내 디자인을 적용하여 결과물이 어떻게 보일지 미리 확인할 수 있는 시각화 이미지입니다. 예를 들어 직접 만든 포스터를 티셔츠, 휴대폰 화면 혹은 벽에 걸린 액자 속에 넣어서 실제처럼 표현할 수 있죠. 캔바의 목업 기능을 활용하면 전문적인 편집 기술 없이도 고퀄리티의 시뮬레이션 이미지를 손쉽게 만들 수 있습니다. 디자인을 최종 확정하기 전에 미리 확인하거나 포트폴리오 및 홍보용 이미지로 활용하기에 매우 유용합니다.01 ➊ 왼쪽 사이드바에서 [요소]를 선택한 뒤 검색창에서 목업을 검색하거나, ➋ 카테고리 둘러보기의 [목업]을 선택해 원하는 스타일을 삽입합니다.02 완성된 디자인을 휴대폰 화면이나 벽면 액자 등 다양한 가상 환경에 적용해보세요. 예를 들어 목업의 야외 카테고리에서 [모두 보기]를 누른 후 버스 정류장을 선택하면 내가 만든 포스터가 실제 거리 광고처럼 표현된 모습을 볼 수 있습니다.03 사용할 이미지를 목업 템플릿 위로 드래그해 놓으면 즉시 합성됩니다.요소의 색상 변경 및 레이어 순서 조절하기디자인에 필요한 아이콘이나 그래픽을 배치하다 보면 요소의 색상이 배경과 어울리지 않거나, 중요한 텍스트가 다른 요소 뒤에 가려지는 경우가 생깁니다. 학급 게시물이나 수업 자료의 가독성을 높이기 위해서는 각 요소의 색감을 통일하고, 겹쳐진 순서를 적절하게 배치하는 것이 중요합니다. 캔바의 직관적인 편집 도구를 활용해 디자인의 완성도를 한 단계 더 높여봅시다.삽입한 요소의 색상 변경하기 가져온 아이콘이나 그래픽의 색상이 배경과 어울리지 않는다면 원하는 색상으로 직접 변경할 수 있습니다. 학급의 상징색이나 디자인 테마에 맞춰 색상을 통일하는 방법을 익혀봅니다.01 삽입한 아이콘이나 그래픽 요소를 선택하면 에디터 툴바에 [] 색상 아이콘이 나타납니다. 이 아이콘을 눌러 요소의 색상을 디자인 전체의 분위기에 맞춰 변경해보세요. 다만, 사진이나 특정 그래픽 등 요소의 특성에 따라 색상 변경이 불가능한 경우도 있으니 이 점 참고하세요.02 먼저 색상을 변경할 수 있는 요소를 살펴봅시다. 여기서는 행성을 검색했을 때 나오는 그래픽을 하나 추가해보았습니다. 해당 그래픽을 선택해보니 에디터 툴바에 [] 색상 아이콘이 나오는 것을 확인할 수 있습니다. 이처럼 색상 변경이 가능한 요소는 주로 직접 그린 듯한 그래픽이나 기본 도형들입니다.03 다음으로 색상 변경이 안 되는 요소를 살펴보겠습니다. 꽃을 검색했을 때 나오는 그래픽을 하나 추가합니다. 해당 그래픽을 눌러보니 에디터 툴바에 색상 아이콘이 보이지 않는 것을 알 수 있습니다. 이처럼 복잡한 질감이 있는 사진이나 세밀한 일러스트는 색상 변경이 불가능할 수도 있으니 확인하기 바랍니다.레이어 순서 조절로 요소 쌓임 순서 정리하기 디자인 요소가 서로 겹쳐 있을 때는 정보가 가려지지 않도록 앞뒤 순서를 정리해야 합니다. 레이어 기능을 활용하면 각 요소를 원하는 위치에 배치할 수 있습니다. 레이어의 원리를 이해하고 각 요소를 적재적소에 배치하는 기술을 알아보겠습니다.01 템플릿에서 두 개 이상의 요소가 겹쳐 있을 때, 레이어 기능을 사용하여 어떤 요소를 위로 올릴지 결정할 수 있습니다. 먼저 순서를 변경할 요소를 선택하세요.02 툴바 오른쪽 끝의 [⋯] 더보기 버튼을 누른 다음 [레이어] 메뉴에서 맨 앞으로 가져오기, 앞으로 가져오기, 뒤로 보내기, 맨 뒤로 보내기 중 선택하여 위치를 정합니다.[NOTE/] 배경으로 사용한 도형 때문에 텍스트가 가려진다면, 텍스트 요소를 선택한 뒤 [맨 앞으로 가져오기]를 적용해보세요. 중요한 내용을 더욱 선명하게 강조할 수 있습니다.

[AEO GEO 마케팅 04] AEO, GEO는 이렇게 해서 실패합니다

📅 2026년 8월 10일 · 👁 37

AEO, GEO는 이렇게 해서 실패합니다 GEO는 끝이 있는 프로젝트가 아니라, 변화의 흐름 위에서 브랜드의 상태를 끊임없이 돌보는 운영의 영역입니다. 단기 프로젝트로 GEO를 다루면 왜 실패할까 GEO를 처음 접한 마케터들이 가장 먼저 빠지는 오해가 있습니다. GEO를 하나의 '실행 과제'로 받아들이는 것입니다. 콘텐츠를 몇 개 만들고, 키워드를 정리하고, AI에 몇 번 테스트해보고, 결과를 확인합니다. 그러고는 묻습니다. '이 정도 했는데 왜 효과가 없지?'이 질문은 자연스럽습니다. 기존의 SEO나 퍼포먼스 마케팅에 익숙한 마케터라면, 특정 액션 뒤에 그에 맞는 즉각적인 결과값을 기대하는 것이 당연합니다. 하지만 이 질문 자체가 잘못된 전제 위에 서 있습니다. GEO는 단기 실행으로 풀리는 문제가 아닙니다. 꾸준한 관리로만 풀리는 문제입니다.이 장에서는 왜 많은 브랜드가 GEO를 프로젝트 단위로 접근했다가 실패하는지, 그리고 왜 '관리'라는 개념이 AI 검색 시대의 핵심 패러다임이 되어야 하는지 그 구조적 이유를 짚어봅니다.마케팅 조직은 본능적으로 프로젝트 단위로 움직입니다. 기간을 정하고, 목표를 잡고, 실행하고, 종료합니다. 이 구조는 대부분의 채널에서 잘 작동합니다. 광고는 집행 기간이 있고, 캠페인은 종료 시점이 있으며, 성과는 기간 단위로 측정됩니다.하지만 GEO는 이 구조 위에서 작동하지 않습니다. 이유는 단순합니다. AI는 결코 멈추지 않기 때문입니다.캠페인이 끝나도, 콘텐츠가 내려가도, 조직이 다른 업무로 옮겨가도 AI는 계속 질문을 받고 계속 답변을 만듭니다. 그리고 그 답변 속에서 브랜드는 계속 등장하거나, 계속 사라집니다. 여기서 문제가 생깁니다. 프로젝트는 끝났지만 AI의 판단은 계속되고 있다는 점입니다.또한 오픈AI를 비롯한 주요 LLMLarge Language Model, 거대 언어 모델 플랫폼들은 모델 버전 업데이트, 데이터 제공사와의 계약 관계에 따라 답변에 필요한 데이터 수집 알고리즘을 계속해서 바꿔갑니다.실무에서 흔히 벌어지는 상황을 한번 가정해보겠습니다. A 뷰티 브랜드는 신제품 출시에 맞춰 3개월짜리 'GEO 최적화 TF'를 꾸렸습니다. 핵심 키워드 50개를 뽑고, 블로그와 PR 기사를 대량으로 발행했습니다. 한 달 뒤, 챗GPT와 퍼플렉시티에서 자사 브랜드가 추천 목록에 오르는 것을 확인했습니다. TF는 잘 마무리되었고, 담당자들은 다른 프로젝트로 넘어갔습니다.그리고 3개월 후, 다시 AI를 확인해보면 브랜드는 이전보다 덜 보입니다. 심지어 전혀 엉뚱한 경쟁사가 그 자리를 차지하고 있습니다.왜 이런 일이 벌어질까요? AI의 인용 구조는 결코 고정되어 있지 않기 때문입니다. 새로운 콘텐츠가 매일 쏟아지고, 경쟁사의 정보가 쌓이며, AI 모델 자체가 업데이트되면서 브랜드의 위치는 끊임없이 다시 정렬됩니다. GEO를 멈추는 순간, 브랜드의 가시성도 함께 밀려납니다.AI는 과거의 성과를 기억해주는 충성스러운 고객이 아닙니다. 가장 최신의, 가장 신뢰할 수 있는 데이터를 끊임없이 다시 평가하는 냉정한 기계입니다. 이것이 GEO가 끝이 있는 '프로젝트'가 될 수 없는 근본적인 이유입니다.왜 '관리'라는 개념이 핵심이 되는가 이 지점에서 관점을 완전히 바꿔두셔야 합니다. GEO는 무엇을 '하는 일'이 아니라 무엇을 '꾸준히 유지하는 일'입니다. 브랜드가 AI에서 잘 보이기 위해 필요한 것은 한 번의 화려한 실행이 아니라, 끊이지 않는 상태 관리입니다.이 상태는 세 가지 축으로 정의됩니다. 첫째, AI가 우리 브랜드를 얼마나 자주 언급하는가(빈도와 점유율). 둘째, 어떤 출처를 근거로 우리 브랜드를 설명하는가(출처의 신뢰도). 셋째, 어떤 맥락에서 경쟁 브랜드와 함께 등장하는가(연상 맥락).이 세 가지는 결코 고정값이 아닙니다. 시간에 따라, 트렌드에 따라, 경쟁사의 움직임에 따라 계속해서 변합니다. 따라서 GEO의 본질은 이 변화를 계속 추적하고, 좋은 신호는 키우며 나쁜 신호는 곧바로 바로잡는 일입니다. 이것이 바로 '관리'입니다.관리의 개념을 이해하면, GEO의 목적도 자연스럽게 달라집니다.GEO 목적의 전환, 잘못된 접근 vs 올바른 접근 GEO는 '한 번의 실행'에서 '꾸준한 관리'로 관점을 바꿀 때 비로소 작동하기 시작합니다.건강 관리와 비슷합니다. 한 달 동안 헬스장에서 강도 높은 운동을 했다고 평생의 건강이 보장되지 않듯이, GEO 역시 일상적인 모니터링과 체질 개선이 함께 가야 합니다. 이 차이를 알아차리지 못하면 GEO는 계속해서 예산만 낭비하는 단기 실험으로 끝나고 맙니다.GEO를 이루는 네 가지 핵심 요소 GEO를 관리의 관점에서 보면, 필요한 요소들도 또렷해집니다. GEO는 마케터 한 명의 감이나 솔루션 하나로 풀리는 기능이 아닙니다. 여러 개의 시스템이 유기적으로 맞물린 구조입니다.첫째. 질문 데이터 AI는 질문을 기반으로 작동합니다. 소비자가 어떤 질문을 던지는지 정의해두지 못하면, 브랜드의 가시성도 정의할 수 없습니다. 과거 SEO가 '키워드'를 찾아내는 작업이었다면, GEO는 '질문'을 찾아내는 작업입니다. 어떤 질문에서 우리 브랜드가 등장해야 하는가? 이 '질문 묶음Prompt Set'을 만들고 꾸준히 업데이트해두는 것이 GEO의 출발점입니다.둘째. 모니터링 시스템 질문이 정의되었다면, 그다음은 관측입니다. AI에서 실제로 어떤 답변이 만들어지는지, 브랜드가 몇 번 등장하는지, 어떤 출처가 인용되는지를 꾸준히 수집해야 합니다. 한 번의 확인은 의미가 없습니다. 매주, 매월 반복된 관측만이 의미 있는 패턴을 만들어줍니다. AI의 답변은 확률적이기 때문에, 어제 다르고 오늘 다를 수 있습니다. 이 변동성을 추적할 수 있는 '눈'이 필요합니다.셋째. 인용 출처 관리 AI는 콘텐츠를 그대로 복사해오지 않습니다. 신뢰할 수 있는 출처를 바탕으로 정보를 다시 짭니다. 따라서 중요한 것은 '우리가 무엇을 만들었는가'가 아니라, '우리가 어디에서 어떻게 언급되고 있는가'입니다. 전문 매체, 리뷰 플랫폼, 공식 채널, 커뮤니티 등 이 모든 출처에서의 브랜드 상태가 AI 응답에 실시간으로 반영됩니다. 출처의 권위를 관리해두는 것이 곧 AI의 신뢰를 얻는 길입니다.넷째. 피드백 루프 GEO는 한 방향으로 흐르지 않습니다. '질문 → 답변 → 인용 → 변화'의 흐름이 끝없이 돌아갑니다. 이 반복 구조 안에서 어디를 고쳐야 하는지 판단하고 다시 실행해내는 루프가 필요합니다. 모니터링 결과를 바탕으로 기존 콘텐츠를 손보거나 새로운 출처를 발굴해내는 피드백 루프가 없는 GEO는, 결국 고인 물이 되어 썩고 맙니다.이 네 가지가 결합될 때, 비로소 GEO는 작동합니다. 하나라도 빠지면 GEO는 맹목적인 '시도'에 머물 수밖에 없습니다.마케터 혼자의 노력으로는 감당할 수 없는 이유 여기서 현실적이고 뼈아픈 문제가 드러납니다. 이 모든 것을 사람이 직접 할 수 있을까요?질문을 수백 개 정의하고, 각 질문에 대해 AI 응답을 반복해서 확인하고, 출처를 추적하고, 변화를 기록하고, 다시 전략을 손보는 일. 이 작업은 한 명의 마케터, 혹은 작은 팀이 감당할 수 있는 물리적 범위를 한참 넘어섭니다.실제로 많은 마케터들이 처음에는 수작업으로 시작합니다. 엑셀 스프레드시트에 예상 질문 50개를 정리하고, 챗GPT와 클로드에 하나씩 입력해봅니다. 결과 화면을 캡처하고, 우리 브랜드가 나왔는지 O/X를 표시합니다. 이 방식은 초반에 GEO의 개념을 익히는 데에는 훌륭한 교재가 됩니다.하지만 어느 시점부터 이 방식은 거대한 벽에 부딪히고 맙니다. 카테고리가 넓어지면서 질문 수가 50개에서 500개, 5,000개로 늘어납니다. 확인해야 할 AI 모델도 계속 추가됩니다. 어제 O였던 결과가 오늘 X로 바뀌는 변동성을 매일 수작업으로 추적할 수는 없습니다. 확인해야 할 데이터가 기하급수적으로 늘어나면서, 마케터는 전략을 고민할 시간조차 없이 '복사 붙여넣기'라는 단순 노동에 묻혀버립니다. 그리고 그 순간, GEO는 멈춥니다.GEO는 개인의 성실함이나 역량의 문제가 결코 아닙니다. 철저한 '구조'의 문제입니다. 이 문제를 풀려면 사람이 아니라 시스템이 필요합니다.다음과 같은 시스템적 기반이 필요합니다.이러한 시스템적 기반이 갖춰져야만 GEO는 비로소 '관리 가능한 문제'의 영역으로 들어옵니다. 마케터는 데이터를 수집하는 사람이 아니라, 수집된 데이터를 바탕으로 '어떤 맥락을 강화할 것인가'를 결정해내는 전략가가 되어야 합니다.정리해보면, GEO는 '실행'의 문제가 아닙니다. '관리'의 문제입니다. 단기 프로젝트로 접근하는 순간 실패가 예약되어 있고, 지속 가능한 시스템으로 바꾸는 순간 비로소 진짜 최적화가 시작됩니다.

[생존 AI 교양 07] 왕좌를 지키는 자 : 오픈AI는 어떻게 1등을 유지하는가

📅 2026년 8월 9일 · 👁 42

왕좌를 지키는 자 : 오픈AI는 어떻게 1등을 유지하는가 2022년 11월, 세상은 문자 그대로 뒤바뀌었습니다. 챗GPT가 공개된 지 단 5일 만에 100만 명, 두 달 만에 1억 명의 사용자를 끌어모으며 인류 역사상 가장 빠르게 성장한 애플리케이션이 되었거든요. 스마트폰이 등장했을 때, 소셜미디어가 등장했을 때조차 이렇게 빠른 확산은 없었습니다. 그 중심에 서 있는 회사가 바로 오픈AI이고, 그 심장부에는 GPT 시리즈가 있었습니다.오픈AI는 2015년 일론 머스크, 샘 올트먼, 그리고 실리콘밸리의 내로라하는 인사들이 '인류를 위한 AI'를 만들겠다는 비영리 법인으로 공동 설립되었습니다. 그러나 2019년 마이크로소프트로부터 10억 달러의 투자를 받으면서 '제한적 영리' 구조로 전환했고, 결국 2025년에는 사실상 영리법인으로 탈바꿈했습니다. AI는 엄청난 투자가 필요했고, 수익성에 대한 담보가 없었다면 GPT-4, GPT-5에 이르는 세계 최정상급 모델이 탄생할 수 없었을 겁니다.▸ 앵무새에서 추론하는 존재로 : GPT는 어떻게 진화했는가GPT 시리즈의 역사는 단순히 더 크고, 더 빠르고, 더 많은 능력의 이야기가 아닙니다. AI가 단순히 언어를 흉내 내는 존재에서 실제로 추론하는 존재로 진화하는 여정이었습니다. GPT-3.5가 많은 사람들이 이야기하는 '확률적 앵무새'의 절정이었다면, GPT-4부터는 진짜 인간처럼 사고하고 추론하는 능력이 있는 것처럼 보이기 시작했습니다.OpenAI의 GPT 모델은 확률적 앵무새에서만 멈추지 않고, 추론하는 존재로 성장을 이끌어 왔어요.2024년과 2025년을 거치며 GPT의 라인업은 훨씬 복잡하고 정교해졌습니다. 가장 극적인 변화는 추론 전용 모델인 GPT o1 모델의 등장이었습니다. 기존 GPT-4o가 인간의 순간적인 직관을 닮았다면, o1은 마치 전문가가 화이트보드에 풀이과정을 써 내려가듯 생각의 사슬을 통해 단계별로 추론합니다. 이러한 방식은 복잡한 과학 문제에서 GPT-4o 대비 수십 퍼센트의 성능 향상을 보였습니다.2025년 2월에는 o3가 출시되었는데, o2를 건너뛴 이유는 영국 통신사 O2와의 상표권 분쟁 때문이었습니다. o3는 비전 기능까지 추가해서 이미지를 보며 추론하는 능력까지 갖췄습니다. 그리고 2025년 8월, 마침내 GPT-5가 세상에 공개되었습니다. 단순히 버전만 바뀐 것이 아니라, o3의 추론 능력과 GPT-4o의 멀티모달 능력이 하나로 통합된 명실상부한 혁신이었습니다.▸ 무료부터 프로까지 : 오픈AI가 요금제로 노리는 것오픈AI의 요금 구조는 사용자의 필요에 따라 폭넓게 설계되어 있습니다. 영리법인으로 체질을 개선하면서, 사용자 층을 세분화해 정교한 요금 체계와 실용적 확산이라는 명확한 전략 로드맵을 완성했습니다. 무료 요금제를 기본으로, 월 $10의 챗GPT Go, 개인형 Plus와 Pro 요금제, 기업용 엔터프라이즈와 팀 요금제를 제공합니다.이 요금 전략에는 세 가지 목적이 있습니다. 첫째, 의료·과학·기업 업무 등에서 실제 성과가 발생하는 영역에서 AI가 기본 인프라로 인식되도록 만드는 것입니다. 둘째, 무료 및 저가형 요금제에는 아직은 도입하지 않았지만 향후 추천형 광고를 삽입해 수익성을 높이고, 고가의 유료 요금제는 성능과 보안을 담보하는 이원화 전략입니다. 셋째, 에이전트 API와 워크플로우 도구들을 통해 사용자가 오픈AI 생태계 안에서 개인의 일상과 업무를 함께 처리하도록 하는 락인Lock-in 효과를 발휘합니다.▸ GPT가 가장 빛나는 순간 : 맥락의 재구성과 추론의 정교함솔직히 말해서 GPT는 모든 것을 잘하는 팔방미인입니다. 글쓰기·번역·코딩·수학·이미지 분석·음성 대화 등 어떤 분야를 갖다 대도 기본기는 탄탄합니다. 그중에서도 '맥락의 재구성'과 '추론의 정교함'이 만나는 영역에서 GPT의 진가가 드러납니다.GPT는 복잡한 개념을 사용자의 눈높이에 맞춰 설명하는 '지식의 가교' 역할을 수행할 때 가장 빛납니다. 전문적인 논문이나 난해한 기술 문서를 입력하고 "중학생도 이해할 수 있게 비유를 들어 설명해줘"라고 요청해보세요. GPT는 단순히 단어를 바꾸는 것이 아니라, 개념의 본질을 꿰뚫어 상황에 맞는 완벽한 메타포를 찾아냅니다.그렇지만 오픈AI가 완벽한 것은 아닙니다. 세계 최초로 생성형 AI 시장을 열었고, 한 번도 1등의 왕좌에서 내려온 적은 없지만 늘 가장 먼저 AI가 가져올 수 있는 부작용을 노출시키기도 했습니다. 특히 최근 모델에서 사용자의 비위를 맞추기 위해 틀린 답도 맞다고 동조하는 아첨꾼 행태, 일부 청소년들이 GPT와 대화를 하고 나서 극단적 선택을 하게 되는 정신적 문제 등 여러 사회적 이슈를 낳고 있기도 합니다. 예전의 창업 정신을 잊고 영리화한다는 정체성 혼란과 여러 비판의 소용돌이에도 불구하고, 챗GPT의 왕좌는 퍼스트 무버로서 굳건히 지켜지고 있습니다.

[make 01] 노코드 툴, 메이크의 핵심 개념 : 시나리오, 모듈, 커넥션

📅 2026년 8월 7일 · 👁 70

[핵심 개념 01] 시나리오와 모듈 이해하기메이크의 핵심 개념인 시나리오와 모듈을 알아보겠습니다. 메이크를 통해 서로 다른 앱들을 연결해 정보를 주고받는 자동화 워크플로를 만들 수 있다고 했죠? 메이크 내부에서 이런 워크플로를 ‘시나리오’라고 부릅니다. 그리고 그 시나리오 안을 구성하는 각 단위들을 ‘모듈’이라고 부르죠.예를 들어 다음 시나리오는 특정 이메일을 가져와서, 텔레그램으로 전송하는 시나리오인데요. 2개의 모듈(Gmail - Get an email 모듈과 Telegram - Send a Text Message or a Reply 모듈)로 이루어진 것을 볼 수 있습니다.[핵심 개념 02] 커넥션 이해하기다음으로 알아야 할 개념이 바로 커넥션Connection입니다. 커넥션이란 메이크와 외부 서비스 간의 연결을 설정하는 것을 말합니다. 앞에 예시로 들었던 이메일 → 텔레그램 시나리오를 보면, Gmail 모듈이 ‘내 메일함에 접근해 특정 메일을 가져오는 동작’을 수행해야 하는데요. 이때 여러분의 메일함을 찾기 위해, Gmail과 메이크 사이 커넥션을 설정해야 합니다.커넥션 설정 방법은 크게 어렵지 않습니다. 최초로 연결하는 앱의 경우, 시나리오 편집창에서 앱을 추가할 때 ‘Create a connection’ 팝업창이 뜨며 연결을 안내해 쉽게 연결을 진행할 수 있습니다. 바로 다음 화면처럼요.

[AI 에이전틱 02] 챗봇에서 에이전트로 : 대화하는 AI에서 일하는 AI로

📅 2026년 8월 5일 · 👁 96

[AI 에이전틱 02] 챗봇에서 에이전트로 : 대화하는 AI에서 일하는 AI로흔히 고객 ARS에서 만나게 되는 챗봇은 우리를 속 터지게 하는 주범이다. 해결은 못하고 계속 빙빙돈다. 그리고 같은 말만 되풀이한다. 질문과 일대일 매칭되는 답을 준비하여 정확히 같은 질문이 입력되어야 옳은 답변을 할 수 있는(사전에 정의된) 규칙 기반 대답을 하기 때문이다.이제 답답한 챗봇에서 해방될 준비가 되었는가? 완전히 새로운 시스템인 AI 에이전트가 온다. 심지어 AI 에이전트끼리 통신하여 기여이 미션을 클리어하는 놀라운 역동이 지금 이 순간에도 시도되고 있다. 멀고 먼 이야기 같을 것이다. 하지만 지금의 이야기다. 가장 흔한 예는 소프트웨어 개발자들이 사용하는 바이브 코딩 도구를 들 수 있다. 안티그래비티와 커서, 클로드 코드라는 굵직한 히트 도구가 벌써 현업에 사용되고 있다. 이는 일부 발빠른 기업에서의 일탈 현상이 아니다.2025년 12월, 갤런 헌트 마이크로소프트 수석 엔지니어는 링크드인에서 '2030년까지 모든 C/C++ 코드를 러스트로 교체한다'로 언급한 바가 있다. AI 에이전트와 대규모 언어 모델 기반 인프라로 엔지니어 1명이 월 100만 줄 작성을 목표로 하는 실로 상상을 초월한 계획을 밝혔다. 추후 '윈도우를 AI로 재작성하는 게 아니다, 이건 연구 프로젝트다'라고 정정하기는 했는지, 바이브 코딩의 위상이 윈도우라는 OS 코드까지 침투하는 적어도 실험 단계에 들어선 것만은 확실하다.코딩 외의 영역에서도 머지 않았다. 사람이 직접 컴퓨터를 조작하던 시대를 넘어, AI 에이전트들이 서로 직접 소통하며 업무를 처리게 될 것이다. 사람은 더 이상 '어떻게(How)'를 지시할 필요가 없다. '무엇을(What)' 원하는지만 말하면, AI 에이전트들이 알아서 최적의 방법을 찾아 실행한다.이런 변화는 인터넷 자체의 근본적인 재구성을 가져올 것이다. 1990년대 웹이 등장했을 때, 정보가 종이에서 화면으로 옮겨갔다. 백과사전은 브리태니커 온라인이 되었고, 신문은 포털 뉴스가 되었다. 2000년대 모바일이 보편화되면서, 그 화면이 주머니 속으로 들어왔다. 아이폰 하나로 은행 업무를 보고, 택시를 부르고, 쇼핑을 한다. 그리고 지금, 2020년대 후반에는 화면 자체가 사라지고 있다. 우리가 직접 조작하는 인터페이스 대신, AI 에이전트들이 배후에서 모든 것을 처리게 된다.역사적으로 보면, 인터페이스는 더 사용하기 쉬운 방향으로 진화했다. 1980년대 MS-DOS는 명령어를 외워서 타이핑해야 했다. 정확한 경로를 입력해야 폴더를 열 수 있었다. 1990년대 MS가 제공한 윈도우에서는 아이콘을 더블클릭하는 것만으로 충분했다. 2007년 1월, 샌프란시스코에 위치한 한 컨벤션센터에서 스티브 잡스가 '오늘 애플이 전화를 재발명합니다'라는 유명한 멘트와 함께 손가락 터치로 명령을 내리는 시대를 열었다. 2011년 10월에는 아이폰 4S 발표 현장에서 iOS 소프트웨어 담당 수석 부사장이었던 스콧 포스톨이 '헤이 시리Hey Siri'로 음성 인식 명령의 시대를 알렸다.2007년 1월 9일, 아이폰을 소개하는 스티브 잡스그후 오랫동안(바람과는 달리) '빅스비 지금 몇 시야?' 같은 간단한 음성 명령의 시대를 살아야 했다. 하지만 2022년 11월 30일, 챗GPT가 촉발한 대규모 언어 모델의 시대는 진정한 음성 명령의 시대로 우리를 순간이동시켜주었다. '내일 회의 준비해줘.' 이 한마디면 AI가 알아서 회의실 예약, 참석자 초대, 자료 준비까지 처리한다. 인터페이스가 사라지는 것이 아니라, 인간의 언어 자체가 인터페이스가 되는 것이다.하지만 진짜 혁명은 단순한 자동화를 넘어선다. AI 에이전트들이 사람 없이 서로 대화하고 협상하며 거래하는 세계가 펼쳐진다. 당신의 개인 AI가 호텔 AI와 가격을 흥정하고, 항공사 AI와 좌석을 협상하고, 렌터카 AI와 스케줄을 조율한다. 사람은 최종 승인만 하면 된다. 마치 1950년대 대기업 CEO들이 비서를 두고 일했듯이, 2020년대 후반에는 누구나 AI 비서를 두고 일하게 된다. 차이가 있다면, 이 비서들은 24시간 쉬지 않고, 동시에 수백 가지 일을 처리하며, 비용은 거의 들지 않는다는 것이다.왜 지금인가? 챗GPT가 출시되기 전까지, AI는 좁은 영역에서만 작동하는 도구였다. 이미지 인식 AI, 번역 AI, 음성 인식 AI... 각각은 뛰어났지만, 서로 연결되지 않았다. 하지만 대규모 언어 모델의 등장으로 모든 것이 바뀌었다.대규모 언어 모델은 단순히 언어를 이해하는 것을 넘어, 복잡한 작업을 계획하고 실행할 수 있다. 여러 단계로 구성된 업무를 스스로 분해하고, 필요한 도구를 선택하고, 결과를 검증한다. 마치 인간 비서가 일하는 방식과 같다. 이 능력 덕분에 AI는 드디어 '에이전트'가 될 수 있게 되었다.이제부터 사람이 각 앱을 직접 조작하던 시대(0단계)에서 AI 에이전트들이 자율적으로 협상하고 거래하는 시대(5단계)까지, 5단계 진화 과정을 살펴본다. 각 단계는 단순한 기술 발전이 아니라, 우리 일상과 비즈니스의 근본적인 변화를 의미한다.하나 알아둘 것은 이 진화는 선형적이지 않다는 점이다. 1단계에서 2단계로, 2단계에서 3단계로 순차적으로 진행되는 것이 아니다. 오히려 여러 단계가 동시에 공존한다. 2025년 현재, 어떤 산업은 아직 0단계(순수 앱 중심)에 머물러 있고, 어떤 산업은 벌써 3단계(MCP 기반 에이전트)로 넘어가고 있다. 같은 도시 안에서도 구형 택시는 0단계로 운영되지만, 우버와 리프트는 2단계 에이전트를 실험하고 있다. 이런 비동시성이 혼란을 만들지만, 동시에 기회도 만든다. 먼저 진화한 기업이 시장을 장악하는 '선점 효과'가 그 어느 때보다 강력하다.0단계 : 앱 중심 시대(2010~2022) 전화/오프라인으로 하던 일을 스마트폰에서 어떻게 할까?2007년 1월, 스티브 잡스가 아이폰을 들고 무대에 올랐을 때, 그는 '전화, 인터넷, 아이팟이 하나로'라고 말했다. 하지만 그가 진짜로 만든 것은 앱 경제였다. 2008년 앱스토어가 열리면서, 우리가 현실에서 하던 모든 일이 앱으로 옮겨갔다.스마트폰 하나면 출장도 문제가 없다. 먼저 코레일 앱을 열어 KTX를 검색한다. 날짜, 시간, 출발역, 도착역을 입력하고 결제한다. 다음은 호텔이다. 야놀자 앱을 열어 부산 호텔을 검색한다. 또 날짜를 입력하고, 지역을 선택하고, 가격대를 필터링하고, 예약한다. 렌터카도 필요하다. 쏘카 앱을 연다. 또 같은 날짜와 장소를 입력한다.그런데 출장 날짜가 변경된다. 세 개 앱을 다시 열어 예약을 취소하거나 변경해야 한다. 각 앱마다 취소 규정이 다르고, 환불 방식도 다르다. 30분이 걸린다. 번거롭지만, 전화하거나 직접 방문하던 과거보다는 훨씬 나았다. 이것이 0단계의 사용자 경험이다.앱 중심 시대의 핵심은 개별 최적화다. 우버는 택시 호출을 완벽하게 만들었고, 배달의민족은 음식 주문을 혁신했다. 각 앱은 자기 영역에서는 최고였다. 하지만 앱들은 서로 단절되어 있었다. 우버는 당신이 어디로 가는지 알지만, 그 정보를 호텔 앱과 공유하지 않는다. 모든 앱이 고립된 섬이었다.평균적인 스마트폰 사용자는 80개의 앱을 설치하고, 매일 9개의 앱을 사용한다. 각 앱마다 다른 아이디와 비밀번호, 다른 인터페이스를 기억해야 한다. 2020년 재택근무가 시작되면서 이 문제가 폭발했다. 줌, 슬랙, 아사나, 구글 닥스... 하루에 15개 이상의 앱을 오가며 일하게 되었다. '앱 피로'라는 신조어가 등장했다.1단계 : 대화형 AI 시대(2022-2024)컴퓨터에게 사람의 말로 말을 걸 수 있을까? 챗GPT는 세상에 공개된 지 2개월 만에 사용자 1억 명을 돌파했다. 인류 역사상 가장 빠르게 성장한 애플리케이션이었다. 처음으로 사람의 언어(자연어)를 이해한 AI라니! 세상은 충격에 빠졌다.2023년 초, 당신은 챗GPT를 처음 사용한다. '부산 3박 4일 여행 계획 짜줘'라고 타이핑한다. 놀랍게도 AI가 답한다. 1일차는 해운대와 광안리, 2일차는 감천문화마을과 자갈치시장, 3일차는 태종대... 세부 일정까지 완벽하다. 구글 검색했다면 10개 블로그를 읽고 1시간 걸렸을 일이 30초 만에 끝났다. 마법 같은 순간이었다.하지만 다음 질문에서 한계가 드러난다. '그럼 이 계획대로 예약해줘.' AI가 답한다 : '죄송하지만 제가 직접 예약할 수는 없습니다. 코레일 앱에서 KTX를 예매하고, 야놀자에서 호텔을 예약하세요.' 결국 당신은 코레일 앱을 열고, 야놀자를 열고, 다시 수동 작업을 시작한다.AI는 완벽한 비서 같았지만, 손이 없었다. 생각은 할 수 있지만, 행동은 할 수 없었다. 조언자일 뿐, 실행자는 아니었다.챗GPT와 클로드 같은 대화형 AI가 등장하며, 기존 앱들도 대규모 언어 모델을 도입하기 시작한다. 항공사 앱에 챗봇이 생기고, 호텔 앱도 자연어로 검색할 수 있게 된다. '해운대 근처 오션뷰 호텔'이라고 타이핑하면, 과거처럼 필터를 클릭할 필요 없이 AI가 바로 찾아준다. 인터페이스가 조금씩 사라지고 있었다.하지만 여전히 앱과 대규모 언어 모델은 분리되어 있다. 음식 주문할 때는 배달 앱을, 여행 계획은 챗GPT를, 업무 정리는 노션을 따로 사용한다. 각 도구는 뛰어났지만, 여전히 우리가 중간에서 모든 것을 조율해야 한다. 대화형 AI는 질문에 대답하고 글쓰기를 도와주지만, 실제로 우리 대신 예약이나 결제를 해주지는 못한다.대화형 AI는 사람처럼 말을 잘 이해하고 답변도 잘하지만 외부 세계와 연결되어 있지 않다. '우버로 택시 불러줘'라고 말해도 '우버 앱을 열어서 이렇게 저렇게 하세요'라는 설명만 들을 뿐, AI가 직접 택시를 불러주지는 못한다. 기술자들은 이 문제를 ‘Grounding Problem’이라고 불렀다. ‘접지 문제’라고 직역할 수 있는데, 쉽게 말하면 AI가 현실과 연결되지 않은 문제다. 아무리 똑똑해도 손과 발이 없으니 관념 속에서만 머물 뿐이다.2023년 말부터 이 한계를 돌파하려는 시도들이 등장했다. 오픈AI는 GPT-4에 함수 호출 기능을 추가했다. 이것은 AI가 다른 프로그램의 기능을 직접 실행할 수 있는 능력이다. 예를 들어 '오늘 날씨 알려줘'라고 하면, 챗GPT가 기상청 데이터를 직접 가져온다. 구글은(제미나이의 전신인) 바드Bard를 지메일과 구글 지도와 연결했다. '어제 받은 이메일 요약해줘'라고 하면, 바드가 지메일에 접속해서 이메일을 읽고 요약했다. 하지만 이것도 여전히 제한적이었다. 각 AI가 미리 연동해둔 서비스들만 이용할 수 있었고, 새로운 서비스는 개발사가 업데이트해줄 때까지 기다려야 했다.이런 한계 때문에 다음 단계로의 진화가 필연적이었다. 생각할 수 있는 AI에서, 행동할 수 있는 AI로. 조언자에서 실행자로. 바로 AI 에이전트의 시대다.2단계 : 초기 AI 에이전트 시대(2024-2025)AI가 실행도 해줄 수 있을까?AI가 드디어 우리를 대신해서 실제 작업을 할 수 있게 된다. '서울에서 부산까지 가는 가장 빠른 KTX 예매해줘'라고 말하면, AI가 코레일 시스템에 직접 접속해서 기차표를 예약해준다. 애플리케이션 간의 통신 인터페이스를 이용하면 가능하다. 혁명적인 변화처럼 보이지만, 근본적인 문제가 있다.핵심 문제는 애플리케이션 간의 통신 인터페이스 통합의 한계다. 전문용어로 API라고 하는데, API는 모든 회사가, 모든 프로그램마다 다른 규약을 쓴다. AI 에이전트 개발사 입장에서 세상의 모든 서비스와 일일이 연동 작업을 할 수는 없는 노릇이다. 기차 이렇게, 호텔은 저렇게, 렌터카는 또 다르게... 여행 AI 하나를 만드는 데 5가지 서비스와 연동하려면, 5가지 완전히 다른 연결 코드를 작성해야 한다.더 큰 문제는 확장성의 부재다. 만약 사용자가 '제주항공으로 비행기표도 검색해줘'라고 요청하면? 개발자가 제주항공 API와 연동을 미리 해두지 않았다면 불가능하다. 새로운 호텔 체인, 새로운 렌터카 회사, 새로운 식당 예약 서비스까지 사용자가 원하는 모든 서비스를 개발자가 미리 예측해서 일일이 연동해둘 수는 없다. 결국 AI는 개발자가 미리 연결해둔 제한된 서비스들만 이용할 수 있다.2단계에서는 AI가 우리 말을 이해하고 실제 행동으로 연결할 수 있게 되었다. 하지만 각 서비스마다 개별적인 통합 작업이 필요하고, 통합되지 않은 서비스는 아예 이용할 수 없다는 근본적 한계가 있다. 이것이 바로 표준 프로토콜인 MCP가 필요한 이유다.3단계 : MCP 시대(2024-2025) 다른 서비스들이 뭘 할 수 있는지 어떻게 알까?>아이폰이 나왔을 때, 애플이 미리 설치해둔 앱만 쓸 수 있었다. 얼마 지나지 않아 2008년 앱스토어가 열리면서 전 세계 개발자들이 자유롭게 앱을 만들어 올릴 수 있게 되었고, 사용자들은 원하는 앱을 설치할 수 있게 되었다. 단 1년 만에 등록된 앱 수가 5만 개를 돌파했고, 스마트폰 생태계가 폭발적으로 성장했다.MCPModel Context Protocol는 AI 에이전트 세계의 앱스토어다. 2단계까지는 에이전트 개발사가 미리 연결해둔 서비스만 쓸 수 있었다. 마치 초창기 아이폰처럼 말이다. 하지만 MCP가 등장하면서 상황이 완전히 달라졌다. 이제 전 세계 모든 기업이 자신의 서비스를 MCP 표준으로 공개할 수 있고, 모든 AI 에이전트가 그 서비스들을 자유롭게 이용할 수 있다.비로소 사용자 경험이 근본적으로 바뀐다. '부산 출장 준비해줘'라고 말하면, 당신의 AI 에이전트가 코레일 MCP에 접속해서 기차표를 검색하고, 동시에 해운대 호텔들의 MCP를 통해 숙박을 조회하고, 렌터카 회사들의 MCP로 차량을 예약한다. 한 번에 끝난다. 그런데 더 놀라운 건, 내일 새로 생긴 부산 맛집 예약 서비스가 MCP를 제공하기 시작하면, 당신의 AI가 자동으로 해당 서비스를 이용할 수 있다는 점이다. 에이전트 개발사가 업데이트를 해주기를 기다릴 필요가 없다.개발자의 경험은 더욱 극적으로 변한다. 2단계에서 여행 AI를 만들려면 이렇게 일했다 : 코레일 개발자 문서 200페이지를 읽고, 그들만의 방식으로 연결 코드를 작성한다. 테스트하고, 버그 고치고, 인증 문제 해결한다. 이 연동 과정은 서비스마다 2주가량 소요된다. 다음은 호텔이다. 또 다른 200페이지 문서를 읽고, 완전히 다른 방식으로 코드를 작성한다. 또 2주. 렌터카는 또 다른 방식. 또 2주. 5개 서비스 연동하는 데 2-3개월이 걸린다.그런데 3단계 MCP 시대에는 이렇게 달라진다. 개발자는 MCP 연결 방법을 딱 한 번만 배우면 된다. 그다음부터는? 코레일 MCP 주소를 입력하면 연결된다. 호텔 MCP 주소 입력하면 연결된다. 렌터카 MCP 주소를 입력하면 연결된다. 각 서비스가 어떻게 작동하는지 수백 페이지 문서를 읽을 필요가 없다. 모든 MCP는 같은 방식으로 작동하니까! 2-3개월 걸리던 일이 앉은 자리에서 끝난다.앱스토어가 열리자 전 세계 개발자들이 앱을 만들기 시작했듯이, MCP 표준이 공개되자 모든 기업이 자신의 서비스를 MCP로 제공하기 시작했다. 생태계가 폭발적으로 성장하고 있다. 대기업만이 아니다. 동네 식당, 작은 펜션, 개인 강사까지 누구나 MCP 서버를 만들 수 있다. 결과적으로 사용자는 상상할 수 있는 모든 서비스를 AI 에이전트를 통해 이용할 수 있게 된다.피처폰 시대에는 제조사가 정해준 기능만 쓸 수 있었다. 앱스토어가 열리면서 누구나 원하는 앱을 만들고 쓸 수 있게 되었다. AI 세계도 똑같은 전환점을 맞이했다. MCP는 AI 에이전트 생태계의 앱스토어다. 그리고 이것은 시작에 불과하다.4단계 : 멀티 에이전트 경제 시대(2026-2027)AI 에이전트들끼리 어떻게 대화하고 협상할까?4단계 시대는 완전히 다른 세상이다. AI 에이전트들이 스스로 생각하고, 스스로 판단하고, 서로 대화한다. 사용자가 명령을 내리지 않아도, AI들이 알아서 움직인다. 호텔 AI가 '이 손님은 항공편이 지연될 가능성이 높으니 체크인을 유연하게 준비하자'고 판단한다. 렌터카 AI가 '호텔과 공항이 15km 떨어져 있으니 우리 서비스를 제안해야겠다'고 결정한다. 그리고 그 AI들끼리 직접 대화하며 최적의 조합을 만들어낸다.앱스토어 시대에는 사용자가 중심이었다. 사용자가 앱을 선택하고, 사용자가 앱을 실행하고, 사용자가 앱들을 조율했다. 하지만 멀티 에이전트 시대에는 AI들이 중심이다. 사용자는 목표만 말하고, AI들이 알아서 서로 찾아가고, 대화하고, 협상하고, 최선의 결과를 만들어낸다. 사용자는 더 이상 중간 조율자가 아니다. 그냥 최종 승인자일 뿐이다.예를 들어 '다음 주 부산 출장 준비해줘'라고 말하면, 당신의 개인 AI 에이전트가 일을 시작한다. 먼저 코레일 AI 에이전트에게 연락한다 : '금요일 오후 서울에서 부산까지 좌석 2개 필요합니다. 최선의 옵션은 무엇인가요?' 코레일 AI가 답한다 : '오후 2시 KTX에 좌석이 있습니다. 오후 5시에도 가능합니다.'동시에 당신의 AI는 해운대 호텔들의 AI 에이전트들과도 대화한다. '금요일 저녁부터 일요일까지 2인실이 필요합니다. 예산은 1박에 20만 원입니다. 무엇을 제안하시겠습니까?' 세 개 호텔의 AI가 각자 답한다.힐튼 AI 답변 : '오션뷰 20만 원, 조식 포함'롯데호텔 AI 답변 : '시티뷰 18만 원, 스파 50% 할인'신라호텔 AI 답변 : '스위트 22만 원, 레이트 체크아웃 가능'당신의 AI가 렌터카 AI와도 이야기하는 동안, 호텔 AI가 먼저 제안을 해온다 : '손님이 저희 호텔을 예약하면, 제휴 렌터카를 15% 할인된 가격에 드릴 수 있습니다. 게다가 KTX 부산역까지 무료 픽업 서비스를 제공하겠습니다.' 당신의 AI는 이 모든 옵션을 비교 분석한다. 가격, 편의성, 당신의 과거 선호도를 모두 고려해서 최적의 조합을 찾아낸다.그런데 갑자기 KTX 2시 표가 매진된다. 코레일 AI가 당신의 AI에게 즉시 알린다. 당신의 AI는 자동으로 계획을 수정한다. 5시 KTX로 변경하고, 호텔 체크인 시간을 늦춘다. 호텔 AI는 레이트 체크인을 승인한다. 렌터카 픽업 시간도 자동으로 조정된다. 모든 변경 사항이 1분 내에 완료된다. 당신의 개입 없이 말이다.'AI가 실수하면 어떡하지?' 불안할 수 있다. 실제로 초기에는 실수가 있을 것이다. 2000년대 초반 전자상거래가 처음 나왔을 때를 떠올려보자. 인터넷으로 주문하고도 불안해서 '혹시 버그로 중복 주문되진 않았을까?' 다시 전화로 확인했다. 지금은 어떤가? 배달 앱으로 주문하고 의심하는 사람은 거의 없다. 시스템이 발전했으니까.테슬라 자율주행도 마찬가지다. 실리콘밸리에서 처음 자율주행을 켰을 때, 오히려 더 불편했다. AI가 차선을 제대로 인식하나, 급브레이크를 밟지 않을까 신경이 곤두섰다. 지금은 어떤가? 한 유명 유튜버는 테슬라 FSD 자율주행을 경험한 소감으로 '저보다 운전을 잘합니다. 저는 이렇게 운전할 자신이 없습니다'라고 밝힐 정도다. 이제 중국의 전기차는 모두가 자율주행 기능을 제공한다. 우리나에서 자율주행 차량을 보기 어려운 이유는, 법으로 막고 있기 때문이다. 나만 해도 자율주행 없이 운전하는 게 더 불안하다. '그래도 운전을 사람이 해야 하지'라고 누군가는 생각하겠지만, 시간이 갈수록 그런 부류는 점차 소실점을 향해 달려 갈 것이다.자율주행처럼 AI 에이전트 경제도 같은 과정을 거칠 것이다. 처음에는 AI가 예약한 것을 일일이 확인하고, 의심하고, 수정할 것이다. 하지만 AI들이 수천만 건의 거래를 처리하고 학습하면, 어느 순간 당신보다 더 정확해진다. 그때부터는 AI 없이 직접 예약하는 것이 오히려 불안하고 비효율적으로 느껴질 것이다.3단계와 뭐가 다르지 싶을 것이다. 3단계에서는 당신의 AI가 각 서비스의 데이터베이스를 조회했다. '호텔 검색'을 요청하면, AI가 호텔 시스템에 접속해서 정보를 가져왔다. 4단계에서는 AI들끼리 협상한다. 호텔 AI가 능동적으로 제안을 하고, 당신의 AI는 그 제안들을 비교하고 협상한다. 마치 1950년대 대기업 CEO들이 비서를 두고, 비서들끼리 전화로 회의 일정과 조건을 협상하던 것과 같다.4단계는 멀티 에이전트 경제Multi-Agent Economy의 시작이다. AI들이 사람 없이 서로 거래하고, 협상하고, 계약을 체결한다. 당신의 냉장고 AI가 식료품 가게들의 AI와 가격을 협상하고, 당신의 차량 AI가 주차장들의 AI와 최적의 주차 공간을 찾고, 당신의 건강관리 AI가 병원 AI, 약국 AI, 헬스장 AI와 협력해서 맞춤형 건강 계획을 만든다.AI들끼리 연합Coalition을 형성하기 시작한다. 호텔 AI, 렌터카 AI, 맛집 AI가 함께 '부산 관광 패키지'를 만들어서 당신의 AI에게 제안한다. 전체 비용을 20% 줄여주는 대신, 세 서비스를 모두 이용하는 조건이다. 당신의 AI는 이런 패키지들을 평가하고, 가장 유리한 조합을 선택한다.개발자의 세계도 변한다. 3단계에서는 MCP 서버를 만들어서 데이터를 제공하면 됐다. 하지만 4단계에서는 똑똑한 에이전트를 만들어야 한다. 단순히 데이터를 보여주는 것이 아니라, 능동적으로 제안하고, 협상하고, 최적의 딜을 만들어내는 AI 말이다. 호텔 개발자는 '우리 호텔 AI가 어떻게 하면 더 많은 고객의 AI에게 선택받을 수 있을까?'를 고민한다. 가격 전략, 패키지 구성, 타이밍까지, 마치 영업팀을 AI로 대체하는 것이다.결과적으로 사회 전체가 근본적으로 재편된다. B2C(기업과 소비자)도 아니고 B2B(기업과 기업)도 아닌, A2A(Agent-to-Agent) 경제가 탄생한다. 사람들은 AI 에이전트에게 목표만 알려주면, AI들끼리 알아서 최선의 방법을 찾아낸다. 이것은 단순한 자동화가 아니다. 완전히 새로운 형태의 경제 시스템이다.5단계 : 에이전트 인터넷 시대(2027-)2027년 어느 날, 당신은 '다음 달 발리 가족 여행 준비해줘'라고 말한다. 당신의 AI는 즉시 일을 시작한다. 그런데 문제가 생긴다. 발리 현지 가이드 AI는 어디서 찾을까? 발리 전통 요리 체험을 제공하는 AI는? 아이들을 위한 서핑 레슨 AI는? 세상에는 수십억 개의 AI 에이전트가 있는데, 필요한 것을 어떻게 찾아낼까?1990년대 초반 인터넷을 떠올려보자. 웹사이트는 폭발적으로 늘어났지만, 찾는 방법이 없었다. 야후가 사람이 직접 분류한 디렉터리를 만들었지만, 웹이 너무 빠르게 성장해서 따라잡을 수 없었다. 그때 구글이 등장했다. '검색'이라는 개념이 모든 것을 바꿨다. 찾고 싶은 것을 타이핑하면, 구글이 전 세계 웹사이트를 뒤져서 가장 관련성 높은 것을 찾아줬다.AI 에이전트 시대에도 똑같은 일이 벌어진다. 에이전트 레지스트리Agent Registry가 등장한다. AI들을 위한 구글이다. 당신의 AI는 '발리 현지 가이드 AI'를 찾을 때, 우리가 구글에 문의하듯 레지스트리에 질의한다. 레지스트리는 전 세계에 등록된 수십억 개의 AI 에이전트 중에서 발리 지역, 한국어 가능, 가족 여행 전문인 가이드 AI 10개를 찾아준다. 당신의 AI는 그 10개와 직접 대화하며 가격, 일정, 후기를 비교한 후 최적의 AI를 선택한다.4단계까지는 대부분 유명한 대기업 AI들끼리의 대화였다. 대한항공 AI, 힐튼 호텔 AI, 현대렌터카 AI처럼 말이다. 하지만 5단계에서는 세상의 모든 AI가 참여한다. 부산 광안리 해변 근처 조그만 카페도 자신의 AI를 레지스트리에 등록한다. '광안리 오션뷰 카페, 수제 케이크 전문, 조용한 분위기, 노트북 작업 환영.' 당신의 AI가 부산 출장 중 조용히 일할 카페를 찾으면, 레지스트리가 이 작은 카페의 AI도 후보로 제시한다.규모가 상상을 초월한다. 가까운 미래에 AI 에이전트들이 전체 웹 트래픽의 상당 부분을 차지할 것으로 예상된다. 사람이 웹을 검색하는 것보다 AI들이 서로를 찾고, 대화하고, 거래하는 트래픽이 많아지는 시대가 온다. 인터넷이 사람의 인터넷에서 AI의 인터넷으로 전환되고 있다.레지스트리는 단순한 검색 엔진이 아니다. 평판 시스템도 포함된다. 구글이 웹사이트의 품질을 페이지랭크PageRank로 평가했듯이, 레지스트리는 AI 에이전트의 신뢰도를 평가한다. 이 호텔 AI는 약속을 지키는가? 가격 협상이 공정한가? 고객 AI들에게 좋은 경험을 제공했는가? 평판이 낮은 AI는 검색 결과에서 밀려나고, 평판이 높은 AI는 더 많은 기회를 얻는다.개발자에게 새로운 기회가 열린다. 예전에는 웹사이트를 만들어도 구글에 노출되지 않으면 아무도 찾지 못했다. SEO(검색 엔진 최적화)가 필수였다. 이제는 AI 에이전트를 만들어도 레지스트리에 잘 등록하고, 좋은 평판을 쌓아야 한다. 에이전트 검색 최적화 즉, 'Agent SEO'가 탄생한다. 당신의 AI가 검색 결과 상위에 노출되려면? 명확한 설명, 빠른 응답 속도, 공정한 가격, 좋은 후기가 필요하다.동네 빵집도 자신의 AI를 레지스트리에 등록할 수 있다. '강남구 역삼동, 유기농 빵, 당일 제조, 30분 내 배달 가능.' 근처에 사는 사람의 AI가 '아침 식사용 빵'을 검색하면, 이 빵집 AI가 후보에 올라온다. 대기업이 아니어도, 유명하지 않아도, 레지스트리 덕분에 자신을 필요로 하는 고객의 AI에게 도달할 수 있다. 롱테일 경제가 완성된다.인터넷이 단순한 정보 저장소에서 실제로 일을 처리하는 AI들의 살아 있는 경제 생태계로 진화했다. 단언컨데 가까운 미래에는 모든 비즈니스가 AI 에이전트로 이루어진다. 웹사이트를 만들 듯이 AI 에이전트를 만들고, SEO를 하듯이 에이전트 레지스트리 최적화를 하고, 광고를 하듯이 AI 협상 전략을 짠다.이미 MCP가 공개되고 주요 기업들이 에이전트 인프라를 구축하기 시작했다. 멀티 에이전트 협상이 실용화되고, 에이전트 레지스트리가 보편화되는 것은 시간문제다. 마이크로소프트는 이런 미래를 위해 NLWeb이라는 새로운 표준을 제시하고 있다. HTML이 사람이 읽는 웹의 표준이었듯이, NLWeb은 AI가 읽고 이해하는 웹의 표준이 될 것이다.구글은 A2AAgent-to-Agent 프로토콜을 개발하여 리눅스 재단Linux Foundation에 기증했다. AI 에이전트들이 서로 발견하고, 협상하고, 협업하는 공통 언어를 만드는 기술이다. IT의 두 거인과클로드, 오픈AI 같은 시흥 인공지능 주자들이 앞다투어 5단계 미래를 각자의 영역에서 만들어 가고 있다.

[생존 AI 교양 06] AI는 '배가 나왔어'를 컴퓨터는 어떻게 이해할까? 데이터에 영혼을 불어넣는 온톨로지

📅 2026년 8월 3일 · 👁 123

AI는 '배가 나왔어'를 컴퓨터는 어떻게 이해할까? : 데이터에 영혼을 불어넣는 온톨로지 우리가 일상에서 무심코 던지는 문장들을 컴퓨터는 어떻게 이해할 수 있을까요? 예를 들면 "배가 나왔어"라는 문장을 떠올려보죠. 이 말을 친구에게 던진다면, 여러분의 배Stomach를 생각하며 웃을 수도 있고, 항구에서 출발하는 배Boat를 보며 손을 흔들 수도 있으며, 과일 바구니에서 배Pear를 꺼내는 걸 생각할 수 있습니다. 그렇지만, 우리는 앞뒤 상황, 즉 맥락을 통해 0.1초 만에 그 '배'가 어떤 의미인지 파악하죠. 하지만 0과 1의 세계에 사는 컴퓨터에게 이 문장은 '우주급 난제'가 아닐 수 없죠.컴퓨터에게 데이터는 그저 무미건조한 기호의 나열일 뿐입니다. 인공지능이 인간처럼 세상을 이해하게 하려면, 우리는 기계에게 단어와 단어 사이의 숨겨진 연결고리, 즉 '세상의 이치'를 가르쳐야 합니다. 철학의 방에서 태어나 AI의 두뇌가 된 혁신적인 기술, 온톨로지Ontology에 대해서 파고 들어볼까요?▸ 2,300년을 뛰어넘어 AI의 스승이 된 아리스토텔레스온톨로지라는 단어가 왠지 낯설고 어렵게 느껴지는 건 당연합니다. 이 단어는 컴퓨터 공학이 아닌 고대 그리스 철학에서 시작했거든요. 무려, 2,300년 전, 인류 역사상 가장 위대한 스승 중 한 명인 아리스토텔레스가 그 주인공입니다.아리스토텔레스는 세상 만물을 관찰하며 거대한 질문을 던졌습니다. "이 세상에 존재하는Onto 것들을 어떻게 분류하고 설명Logia해야 그 본질을 알 수 있을까?"라는 것이었죠. 그는 사물 하나하나를 개별적으로 보는 대신, 그들이 맺고 있는 '위계'와 '관계'에 주목했습니다.예를 들어볼까요? 그는 소크라테스라는 개인을 정의하기 위해 '소크라테스는 인간이다. 인간은 동물이다. 동물은 생물이다'라는 관계의 사다리를 만들었습니다. 이것이 바로 그 유명한 삼단논법의 기초이자 온톨로지의 기초가 되는 사고 방식입니다. (아리스토텔레스는 그의 논리학을 설명한 오르가논에서 서양 논리학의 기초로 삼단논법을 확립했어요.)중세 시대 철학자인 포르피리우스는 이를 나무 모양으로 정리해서 '포르피리우스의 나무'라고 불렀죠. 뿌리에서 줄기로, 줄기에서 가지로 뻗어 나가는 이 분류 체계는 현대 컴퓨터 공학에서 데이터를 계층적으로 정리하는 '클래스'와 '속성' 개념의 모태가 되었습니다. 인류의 오래된 철학적 고민이 21세기 인공지능의 가장 강력한 무기인 '지식 표현 도구'로 자리잡은 것이죠.온톨로지는 우리가 가진 지식체계를 포리피리우스의 나무처럼 가지를 뻗어 확장합니다.▸ 인터넷의 혼란을 구하러 나타난 시맨틱 웹인공지능이 이렇게 자리잡기 이전에 이것을 제대로 활용한 것은 사실 인터넷이었습니다. 전 세계의 웹사이트와 데이터가 기하급수적으로 늘어나면서 우리는 '정보의 홍수'를 넘어 '정보의 늪'에 빠졌죠. 도서관에 책이 1억 권 있는데, 분류 기호도 없고, 제목만 보고 책을 찾아야 한다고 상상해보세요. '사과'를 검색했는데 스티브 잡스의 애플이, 대구 사과 농장, 그리고 '연인에게 사과하는 법'이 뒤죽박죽 섞여 나온다면, 그 데이터는 쓰레기나 다름없겠죠.이때 웹의 창시자인 팀 버너스리는 아주 원대한 꿈을 꿉니다. 바로 기계가 웹페이지의 내용을 스스로 읽고 이해하는 '시맨틱 웹'이죠.여기서 핵심 역할을 하는 것이 바로 온톨로지입니다. 단순히 이 문서나 웹페이지에 '사과'라는 단어가 있다고 표시하는 게 아니라, '이 문서의 사과는 식물이며, 빨간색이고, 먹는 것이다.'라고 컴퓨터가 이해할 수 있는 언어로 데이터에 꼬리표를 달아주는 겁니다.비유하자면 온톨로지는 거대한 데이터 늪 위에 놓인 '표지판이 달린 지도'와 같습니다. 이 지도가 있으면 컴퓨터는 단순히 키워드를 매칭하는 수준을 넘어, "영국 소설가 중 추리 소설을 쓴 사람을 찾아줘"라는 명령도 "영국 - 소설가 - 추리물"이라는 온톨로지 관계를 통해 검색하고 찾아낼 수 있게 되는 겁니다.▸ 데이터로 범인을 잡는다 : 팔란티어는 어떻게 세상을 꿰뚫어보는가이 온톨로지라는 추상적인 개념을 가장 현실적이고 강력하게 구현해 전 세계를 놀라게 한 회사가 있습니다. 바로 미국의 비밀스러운 데이터 기업 '팔란티어'죠. 팔란티어는 영화 '반지의 제왕'에서 백색의 마법사 사루만이 사용하는, 시공간을 초월해서 세상을 보게 하는 마법 구슬의 이름이에요.팔란티어의 창업자인 피터 틸Peter Thiel은 미국에서 벌어진 9.11 테러 이후 정보기관들이 엄청난 양의 데이터를 가지고도 테러범을 막지도 잡지도 못하는 광경을 목격했습니다. CIA 수사관들은 전화 기록과 엑셀 파일, 호텔 예약 명부, CCTV 영상 등을 각기 다른 화면에 띄워놓고 머릿속으로 억지 퍼즐을 맞추고 있었죠.팔란티어는 여기에 '온톨로지'라는 마법을 부렸습니다. 그들의 소프트웨어인 '고담Gotham'은 모든 데이터를 '객체Object와 관계Relation'로 재정의합니다.• 객체: 사람(홍길동), 장소(강남역), 물건(검은색 세단), 전화번호(010-1234-5678)• 관계: 홍길동은 검은색 세단을 가지고 있다. 홍길동은 강남역에 있다.이렇게 온톨로지화된 데이터가 쌓이면, 수사관의 화면에는 점과 선으로 이루어진 거대한 지도가 나타납니다. "A가 B에게 돈을 보냈고, 그 직후 B가 테러 위험 지역의 호텔을 예약했다"는 맥락이 선명하게 그려지죠. 실제로 팔란티어는 이 온톨로지 시스템을 통해 오사마 빈라덴의 은신처를 찾아내는 데 결정적인 역할을 했고, 멕시코 마약 카르텔 소탕과 거대 금융 사기 사건인 '메이도프 사건'의 실마리를 풀기도 했습니다. 데이터를 쌓아두고 단순 검색하는 시대가 아니라 연결하고 이해하는 시대가 온 것이죠.▸ AI의 거짓말을 멈추게 하는 방법 : 온톨로지가 챗GPT의 안전벨트가 되다최근 우리는 챗GPT 같은 생성형 AI의 놀라운 능력에 감탄하지만, 동시에 그가 내뱉는 뻔뻔한 거짓말인 환각 현상에 실망합니다. '세종대왕이 아이폰으로 넷플릭스를 보며 화를 냈다는 기록을 찾아줘'라고 하면 확률적으로 그럴듯한 문장을 지어내죠. (물론, 최근의 AI는 이런 사건은 벌어질 수 없다고 답변하는데, 그것이 바로 온톨로지의 덕분이라고 보시면 됩니다.)왜 이런 일이 벌어질까요? 현재의 거대 언어 모델은 단어와 단어 사이의 확률적 관계만 계산하는 '확률적 앵무새'에 가깝기 때문입니다. 진짜 지식을 이해하는 게 아니라 '세종대왕' 다음엔 '조선'이나 '훈민정음'이 나올 확률이 높다는 확률 계산을 할 뿐이죠.여기서 온톨로지가 다시 구원투수로 등판합니다. AI에게 무작정 글자만 학습하도록 하는 게 아니라, 온톨로지로 잘 정리된 '지식 그래프Knowledge Graph'라는 정석 교과서를 주는 거죠. 이걸 기술적으로는 '검색 증강'이라는 기술과 연결해서 사용합니다. AI를 통해 검색된 결과로 답변하기 전에 온톨로지 지도를 먼저 확인하는 거죠.• 세종대왕 — 생존 시기 — 1397년~1450년• 아이폰 — 출시 연도 — 2007년이런 지도를 확인한 AI는 "잠깐, 15세기 사람이 21세기 물건을 쓸 수는 없잖아!"라고 판단하며 거짓말을 멈추게 됩니다. 온톨로지는 AI에게 '상식'과 '팩트 체크'라는 안전벨트를 채워주는 셈인 거죠.▸ 흩어진 별들을 별자리로 : 온톨로지가 만드는 지식의 미래AI 시대에서 온톨로지는 단순히 데이터를 정리하는 도구를 넘어, 새로운 지식을 발견하는 엔진이 되고 있습니다. 마치 밤하늘에 흩어진 별들을 묶어 '별자리'를 만들 듯, 전 세계의 흩어진 데이터가 온톨로지로 연결될 때 AI는 비로소 인간과 대등한 수준의 추론 능력을 갖추게 될 것입니다.이미 신약 개발 분야에서는 온톨로지가 맹활약 중입니다. 수천만 건의 논문과 임상 데이터를 온톨로지로 연결해서 'A 단백질이 B 질병과 관련이 있다면, C라는 화합물이 치료제가 될 수 있지 않을까?'라는 가설을 스스로 세우기도 하죠.여러분도 오늘 하루, 눈에 보이는 사물들 사이의 보이지 않는 선을 한 번 상상해보세요. 내 손의 커피 한 잔이 에티오피아의 농장과 나의 피로도, 그리고 아침에 읽은 경제 뉴스 속의 원두 가격과 어떻게 촘촘하게 연결되어 있는지 말이죠. 그 관계를 읽어내는 순간, 여러분의 머릿속에는 이미 세상을 이해하는 가장 완벽한 '온톨로지 지도'가 그려지고 있는 것입니다.