모두보다 먼저 차세대 AI 흐름을 이해하는 방법 | Tibo 인터뷰

URL: https://www.youtube.com/watch?v=YRqpmwIDOX0
날짜: 2026-08-27
채널: Tech Bridge
영상 ID: YRqpmwIDOX0

---

📌 핵심 질문 / 차세대 AI의 다음 물결은 무엇으로 구성되는가

==차세대 AI는 더 똑똑한 단일 모델에 머무르지 않고, 사람의 목표·일상·팀 맥락을 이해하는 개인용 AGI(Personal AGI)와 복잡한 업무를 거의 자율적으로 수행하는 자동화 시스템으로 나아간다.==

• 제품 조직은 모델의 잠재력을 벤치마크만으로 판단하지 않고 실제 사용 과정에서 새 능력을 발견해 제품 방향을 바꿔야 한다.
• 빠른 추론, 음성(Voice), 멀티모달(Multimodal) 인터페이스와 클라우드 에이전트(Cloud Agent)가 사람의 주의력과 노트북이라는 병목을 재설계한다.
• 모델이 모델과 인프라를 개선하는 재귀적 자기개선(Recursive Self-Improvement)은 연구 모델의 연쇄 학습뿐 아니라 추론 스택·CUDA 커널·제품 인터페이스를 최적화하는 일까지 포함한다.
• 효율성 향상은 더 낮은 가격과 더 넓은 접근성으로 이어져, 현재의 최전선 지능이 수개월 뒤 일상적인 도구가 되는 흐름을 만든다.

Thibault “Tibo” Sottiaux가 제시한 연속된 관점은 Google·DeepMind에서 얻은 제품화의 교훈, OpenAI의 바텀업 문화, ChatGPT와 Codex의 통합, Ultra Fast 추론, 개인용 AI와 완전 자동화의 차이, 재귀적 자기개선, 안전을 위한 프런티어 학습 일시 중단, AI를 처음 쓰는 사람을 위한 조언을 연결한다. 핵심은 경쟁사의 움직임을 좇는 대신 자신만의 강점과 가치에 집중하면서, 빠른 실험·사용자 피드백·효율성 개선을 동시에 밀어붙이는 것이다.

1. Google·DeepMind에서 OpenAI로 이어진 제품 문화의 교훈

연구 성과가 실제 제품으로 이어지려면 창의적인 연구 환경과 빠른 출시를 허용하는 제품 문화가 함께 있어야 한다.

1.1. LM Chat에서 확인한 언어 모델의 전환점

1. DeepMind의 창의적 연구 환경

   1. Tibo의 전문 영역: Tibo는 연구를 가속하는 인프라와 제품을 주로 담당했다. 언어 모델을 연구하고 규모를 키우는 별도 그룹이 있었고, 좋은 결과가 쌓이자 모델을 대화형 도구로 바꾸자는 발상이 자연스럽게 등장했다.
   2. LM Chat의 탄생: 내부적으로 사용할 수 있는 LM Chat이 만들어졌고, 여러 작업에 실제로 쓸 수 있는 공개 도구로 발전시키려는 야심도 생겼다. 시점은 ChatGPT가 세상에 나오기 대략 1년 전이었다.
   3. 초기 경험의 성격: 당시 모델은 처음으로 일관된 문장과 유용한 답을 만들어냈다. 처음에는 도움보다 웃음을 주는 일이 많았지만, 시간이 지나면서 유용성이 점점 커졌다.

2. DeepMind의 제품 출시 제약

   1. 연구 중심 구조: DeepMind는 매우 창의적이었지만 제품을 출시하도록 설계된 조직은 아니었다. 좋은 아이디어와 모델을 실제 사용자에게 내놓는 마지막 단계에서 구조적 제약이 생겼다.
   2. Google에서의 교훈: Google에는 계획과 질서가 있었지만, 기존 사업을 흔들 수 있는 제품을 내보내는 데에는 신중함이 컸다. 연구 성과가 특별하다는 사실을 알아도 기존 조직의 관성과 제품 출시 구조가 발목을 잡을 수 있었다.

1.2. OpenAI가 보존하려는 바텀업 문화와 품질 균형

1. 아이디어를 빠르게 현실로 만드는 구조

   1. 바텀업(Bottom-up) 권한 위임: OpenAI 구성원은 다양한 아이디어를 스스로 만들고 사람을 모아 빠르게 무언가를 출시할 수 있다. 새로운 제품 아이디어를 막는 ‘정지 에너지(stop energy)’가 전반적으로 적다.
   2. 긍정적 영향에 대한 동력: 빠른 실행은 단순한 속도 경쟁이 아니라 세상에 긍정적인 영향을 주려는 목표와 연결된다. Tibo에게는 이 활기와 권한 위임을 보존하는 일이 중요하다.
   3. 연구와 제품의 밀착: 연구자와 제품 담당자가 함께 아이디어를 내고 공동 설계(co-design)한다. 결과적으로 ‘연구가 끝난 뒤 제품팀에 넘기는’ 단절이 줄어든다.

2. 빠른 실험이 혼란으로 변하지 않게 하는 원칙

   1. 제품의 일관성: 기능을 무작정 쌓아 올린 잡동사니(hodgepodge)가 되면 안 된다. 전체 방향과 구조적 일관성이 없는 제품은 빠르게 만들어도 자랑스러워하기 어렵다.
   2. 단순함과 완성도: 자유로운 실험은 단순성(simplicity), 품질에 대한 자부심, 즐거움(delight), 성능(performance), 효율성(efficiency)이라는 원칙으로 균형을 잡는다.
   3. ChatGPT iOS 앱의 기준: ChatGPT iOS 앱은 가장 좋은 앱 중 하나라는 자부심의 사례로 제시된다. 누구나 빠르게 시도할 수 있게 하면서도 결과물은 정제된 제품이어야 한다.

1.3. 창업자와 성숙한 회사가 실천할 일

1. 빠른 제품 학습의 기본 동작

   1. 확신을 갖고 시작하기: 창업자는 무엇을 만들지에 대한 확신을 갖고, 사용자가 실제로 써보게 해야 한다.
   2. 사용자 피드백의 반복: 사용자를 확보한 뒤 피드백을 빠르게 받아 제품을 반복 개선한다. 계획을 완벽하게 만든 뒤 출시하는 것보다 현실의 사용에서 배우는 편이 중요하다.
   3. 새로운 아이디어를 출시하기: 모두가 실험하고 빠르게 내보낼 수 있어야 문화가 살아난다. 다만 제품 전체의 단순성과 품질 기준은 계속 유지한다.

2. 자기 파괴(Self-disruption)의 타이밍

   1. 주력 사업에서 자원 이동: OpenAI처럼 새로운 연구와 아이디어가 계속 나오는 회사는, 그것이 주력 사업의 자원을 일부 재배치하는 일이더라도 투자할 적절한 순간을 찾아야 한다.
   2. 현금 창출원의 함정: 이미 돈을 벌어주는 사업이 있다고 해서 그 옆에서 자라나는 새로운 흐름을 기다리게 만들면 안 된다. AI의 미래와 인류의 편익은 기존 회사가 한 달 또는 석 달 동안 준비될 때까지 기다려주지 않는다.
   3. 파도를 먼저 포착하기: 회사는 어디로 가는지 열린 눈으로 관찰하고, 새로운 흐름에 올라탈 수 있도록 스스로의 위치를 조정해야 한다. 자기 파괴는 어렵지만 성숙한 회사일수록 더 중요하다.

3. 벤치마크를 넘어 능력을 발견하기

   1. 벤치마크의 한계: 모델을 훈련하고 점수를 측정하는 것만으로는 모델이 무엇을 할 수 있는지 모두 알 수 없다.
   2. 직접 사용의 발견: 모델을 실제로 가지고 놀아야 ‘이 방식으로도 사람을 도울 수 있겠구나’, ‘이런 능력도 있었구나’라는 발견이 나온다.
   3. 제품 관점의 전환: 새 능력이 드러나면 제품을 생각하는 방식 자체가 바뀐다. 제품 계획은 모델 출시 시점에 고정되는 것이 아니라 사용 과정에서 갱신된다.

2. 다음 세대 에이전트가 바꿀 하네스와 개발 방식

강력한 모델의 가치는 모델 자체뿐 아니라 모델이 사람의 맥락과 자원에 접근하도록 만드는 하네스(Harness)에 의해 결정된다.

2.1. 현재 코딩 에이전트의 불편함과 ‘완벽한 파트너’의 조건

1. 숙련 사용자가 감수하는 클렁키함

   1. 스킬 파일(Skill File) 관리: 사용자는 에이전트에게 지식을 가르치기 위해 스킬 파일을 관리한다. 유용한 방식이지만 시간이 지나면 유지보수가 어려워진다.
   2. 불완전한 메모리(Memory): 메모리 기능이 있어도 모든 것을 항상 기억하지는 않는다. 사용자가 기대하는 연속성이 쉽게 끊긴다.
   3. 서브에이전트(Sub-agent) 네트워크: 서브에이전트를 쓰면 여러 작업을 연결해야 하고 작은 네트워크를 직접 구성해야 한다. 각 부분에서 ‘하나의 완벽한 파트너’라는 느낌이 깨진다.

2. 개인용 에이전트의 이상형

   1. 사람의 목표와 일상 이해: 에이전트는 사용자의 목표와 매일의 업무를 깊이 이해해야 한다.
   2. 팀 맥락 이해: 개인의 일뿐 아니라 사용자가 속한 팀이 무엇을 하고 있는지도 파악해야 한다. 그래야 도움의 맥락이 작업 단위보다 넓어진다.
   3. 반응성과 선제성: 요청에 반응하는 것에서 끝나지 않고, 중요한 내용을 먼저 제안하는 선제적(proactive) 파트너가 되어야 한다.
   4. 환상을 깨지 않는 상호작용: 사용자가 여러 파일·메모리·서브에이전트를 조립하고 있다는 느낌 대신, 자신을 깊이 아는 완벽한 파트너와 함께 일한다는 자연스러운 경험을 제공해야 한다.

2.2. 노트북을 넘어서는 자원과 동시성

1. 노트북은 인간의 작업량에 맞춰진 장치다

   1. 인간 기준의 설계: 노트북은 사람이 흡수할 수 있는 일의 양, 타이핑 속도, 생각하는 속도, 동시에 열어둘 애플리케이션 수에 맞춰 설계됐다.
   2. 모델의 비인간적 규모: 모델은 인간과 같은 제약을 받지 않는다. 미래 모델은 100개의 애플리케이션을 동시에 열어도 문제없이 다룰 수 있다.
   3. 클라우드 에이전트(Cloud Agent): 강력한 모델이 노트북 안에 갇히지 않고 클라우드의 더 큰 자원과 연결되는 방향이 필연적이다.

2. 토큰 속도가 바꾸는 병목

   1. Ultra Fast의 속도: Ultra Fast는 Fast 모드보다 약 14배 빠른 토큰 생성 속도를 목표로 한다. 모델이 빨라지면 사용자가 기다리는 시간이 줄어들고, 작업을 한 번에 여러 방향으로 전개할 수 있다.
   2. 네트워크·도구 호출의 부상: 생성 속도가 극도로 빨라지면 CPU 자체보다 네트워크, 도구 호출(tool call), 에이전트 궤적(trajectory)의 오버헤드가 병목이 된다.
   3. 동시 작업: 탐색, 테스트 작성, 컴파일, 새로운 가설 검증을 한꺼번에 진행할 수 있다. 사람의 작업 흐름이 순차 처리에서 병렬 처리로 이동한다.
   4. 병목의 이동: 모델이 매우 빠르고 효율적으로 생각하면 무엇을 먼저 시킬지 고민하는 사람의 주의력과 인터페이스가 새 병목이 된다.

2.3. 솔로 개발자의 주의력과 에이전트 수

1. 현재의 멀티에이전트 부담

   1. 10~15개 에이전트의 실행: 일반적인 토큰 속도에서는 솔로 개발자가 10~15개 에이전트를 병렬로 시작하기도 한다.
   2. 컨텍스트 스위칭 비용: 각 에이전트의 진행 상황을 계속 확인하면 인지 부하가 커진다. 한 작업의 결과가 돌아오기까지 30~45분이 걸릴 수 있어, 사람은 그동안 여러 맥락을 오가야 한다.
   3. 적은 수의 동시 작업: Ultra Fast 환경에서는 10~15개를 흩어 놓기보다 한 번에 3~4개의 작업에 집중하는 흐름이 더 자연스러울 수 있다.

2. 사람의 주의력에 맞춘 설계

   1. 주의력 친화성: 사람을 위한 기술이라면 멀티태스킹 능력과 주의력 관리 방식을 중심에 둬야 한다.
   2. 알림의 타이밍: 에이전트 결과를 즉시 보여줄지 30분 뒤에 보여줄지 사용자의 흐름에 맞춰 판단해야 한다.
   3. 흐름의 유지: Ultra Fast와 음성을 결합하면 에이전트가 사람과 비슷하거나 더 빠른 속도로 움직인다. 사용자는 아이디어를 구상하고, 실시간 프로토타입과 짧은 보고서를 확인하며 작업의 흐름을 유지할 수 있다.
   4. 기술이 사람에게 적응: 사용자가 기술에 맞춰 컨텍스트를 관리하는 대신, 기술이 사용자의 주의력과 습관에 적응해야 한다. 10개의 에이전트를 관리하던 방식으로 돌아가고 싶지 않을 만큼 자연스러운 경험이 목표다.

2.4. 루프·그래프와 두 종류의 에이전트 문제

루프(Loop), 그래프(Graph) 같은 에이전트 코딩 기법은 모두 같은 목적을 갖지는 않는다. 개인과 함께 흐르는 에이전트와 사람의 직접 통제를 최소화한 자동화 시스템은 서로 다른 문제다.

1. 개인용 AGI(Personal AGI)

   1. 개인에 대한 깊은 이해: 각각의 고유한 인간을 이해하고 그 사람과 흐름을 맞추는 개인용 AGI가 첫 번째 범주다.
   2. 선제적인 아이디어 제안: 필요할 때 중요한 새 아이디어를 올리고, 사용자가 원하는 일을 정확히 수행해야 한다.
   3. 업무 범위의 확장: 기술적 작업뿐 아니라 조사, 조언, 정보 정리까지 한 에이전트가 개인의 목적에 맞춰 처리한다.
   4. 고도의 맞춤화: 개인용 AGI의 핵심은 평균적인 사용자 유형이 아니라 독특한 한 사람을 깊이 이해하는 데 있다.

2. 완전 자동화(Full-on Automation)

   1. 복잡한 프로세스의 자동 처리: 두 번째 범주는 지능이 필요한 복잡한 과정을 통째로 맡는 지능형 시스템이다.
   2. 운영 최적화 사례: 프로덕션 로그를 읽고 성능을 자동 최적화하거나, 회귀(regression)를 찾아 자동으로 패치하는 시스템이 가능하다.
   3. 사이버 보안 사례: 보안 스캐너가 취약점을 발견하면 자동으로 패치해 취약점이 열린 시간을 거의 0에 가깝게 줄일 수 있다.
   4. 인간 개입의 축소: 고위험 작업만 사람이 승인하고 나머지는 자동으로 처리하는 구조가 목표다. 사용자가 모든 단계의 직접 통제권을 갖는 것이 항상 중요한 것은 아니다.

3. ChatGPT와 Codex 통합이 지향하는 개인용 AGI

ChatGPT와 Codex의 통합은 코딩 제품을 없애는 단순한 합병이 아니라, 동일한 지능과 하네스를 모든 작업에 적용하는 개인용 에이전트 전략이다.

3.1. 왜 두 제품을 하나로 합치는가

1. 미래 모델이 요구하는 통합

   1. 초기의 의문: 통합을 처음 접한 사용자들은 왜 두 제품을 합쳐야 하는지, 정말 합쳐야 하는지 의문을 제기했다.
   2. 미래 모델의 방향: 미래 모델은 하나로 합쳐진 구조를 요구한다. 따라서 통합은 단순한 마케팅 선택이 아니라 단순하고 올바른 설계다.
   3. 개인용 슈퍼 에이전트: 목표는 코딩·조사·일상 지원을 모두 할 수 있는 개인용 초고성능 에이전트를 만드는 것이다.

2. 하나의 지능, 여러 표현 방식

   1. 동일한 기술과 하네스: ChatGPT와 Codex는 같은 기술과 같은 방식의 하네스를 기반으로 움직인다.
   2. 멀티모달·음성 우선: 텍스트만이 아니라 여러 양식을 이해하고, 음성을 첫 번째 인터페이스로 삼으며, 매우 효율적으로 작업한다.
   3. 코딩에 한정되지 않음: 사용자가 코드를 작성하든 전혀 기술적이지 않든 같은 에이전트가 모든 일을 처리할 수 있다.

3.2. 인터페이스가 직업명이 아니라 개인에게 맞춰지는 이유

1. 직업 레이블의 한계

   1. 추상화 도구: 소프트웨어 엔지니어, 디자이너, 비기술 사용자 같은 레이블은 복잡한 현실을 다루기 위해 사람이 만든 추상화다.
   2. 개인의 스펙트럼: 실제 개인은 어느 한 레이블에 완전히 들어맞지 않는다. 사람마다 기술 수준·관심사·업무 방식이 스펙트럼 위의 다른 위치에 있다.
   3. 적응형 인터페이스: ‘코더용 화면’과 ‘비기술자용 화면’을 사용자가 먼저 고르는 것이 아니라, 시스템이 구체적인 개인성(individuality)에 맞춰 인터페이스를 조정해야 한다.

2. 같은 제품, 다른 개인용 AGI

   1. 사용자와 가족의 공통 기반: 개발자와 가족 구성원이 같은 제품을 사용할 수 있다. 기반은 같지만 얻는 효용과 수행할 작업은 완전히 다르다.
   2. 도구와 정보의 차이: 사용자는 각자의 삶에 다른 도구를 연결하고, 서로 다른 아이디어와 필요를 가져온다.
   3. 계속되는 맞춤화: 에이전트는 사용자의 삶에서 최대의 이익을 내도록 계속 적응한다. 같은 원리는 친구와 다른 모든 사람에게도 적용된다.

4. 인간과 AI의 자연스러운 상호작용

개인용 AI의 종착점은 사람이 AI의 작동 방식에 맞추는 것이 아니라, AI가 인간의 의사소통과 행동 방식을 자연스럽게 확장하는 상태다.

4.1. ‘완벽한 환상’이 뜻하는 것

1. 자연어가 성공한 이유

   1. 인간의 개념: 자연어(Natural Language)는 인간이 이미 사용하던 의사소통 방식이다. 서로 말하고 글을 읽는 행동에 AI가 들어오므로 대규모 언어 모델이 성공할 수 있었다.
   2. 문맥과 감정의 해석: 서로를 어느 정도 아는 사람이 편지를 읽으면 문장 뒤의 감정과 뉘앙스를 해석할 수 있다. 개인용 AI도 단어만이 아니라 맥락을 이해해야 한다.
   3. 오해의 감소: ‘말투의 뉘앙스를 해석하지 못했다’, ‘글의 의도를 이해하지 못했다’는 식의 오해를 줄이는 것이 목표다.

2. AI를 인간 행동의 자연스러운 확장으로 만들기

   1. 적응의 방향 전환: 사람이 기술의 규칙에 맞춰 말하는 대신 기술이 사람이 이미 행동하는 방식에 맞춰야 한다.
   2. 일상 속 자연스러움: 이상적인 AI는 별도의 기계와 사용법을 의식하지 않아도 되는 자연스러운 확장이다.
   3. 개인의 맥락 보존: 각자의 말투, 목표, 일상, 팀 상황을 이해해 같은 문장이라도 사용자에게 맞는 의미로 처리해야 한다.

4.2. 음성·시각·주변 환경으로 확장되는 상호작용

1. 음성의 빠른 확산

   1. GPT 음성의 자연스러움: 새 ChatGPT 음성 기능은 대화가 매우 자연스럽고 도구 사용(tool use)도 가능하다.
   2. 사용 시간의 변화: 음성 기능이 출시된 뒤 ChatGPT와 음성만으로 상호작용하는 사용자가 빠르게 늘고 있다.
   3. 경로의 저항 최소화: 사람은 가장 저항이 적은 경로를 택한다. 작은 상자에 타이핑하는 방식이 익숙한 사람도 있지만 모두에게 자연스러운 방법은 아니다.
   4. 개인적 사용 사례: Tibo는 아침에 휴대전화를 들고 해야 할 일을 말로 길게 받아 적는다. 음성으로 입력한 내용이 자신의 도구에 접근해 후속 작업을 수행하므로 프롬프트를 직접 타이핑하는 것보다 효율적이다.

2. 주변 환경(Ambient)과 비언어적 정보

   1. 주변에 존재하는 AI: 미래의 AI는 매우 주변적이고(ambient) 자연스러워야 한다. 사용자가 일부러 창을 열어 호출하지 않아도 적절한 맥락에 존재한다.
   2. 화이트보드 사례: 사무실에서 화이트보드에 아이디어를 적으면 AI가 그 내용을 보고 이해할 수 있어야 한다.
   3. 즉석 음성 대화: 사용자가 “이건 어때?”라고 말하면 AI가 그 자리에서 자연스럽게 대화하며 아이디어를 발전시켜야 한다.
   4. 몸짓과 표정: 인간의 의사소통에는 손동작과 얼굴 표정 같은 비언어적 요소가 많다. 텍스트 중심의 온라인 세대도 텍스트에 뉘앙스를 추가하지만, 장기적으로는 시각적·비언어적 신호를 읽는 능력도 자연스러운 상호작용의 일부가 된다.

5. 경쟁, 커뮤니티, 그리고 Codex 사용량 리셋

OpenAI의 전략은 Anthropic과의 비교를 계속 추적하기보다 독특한 능력과 가치, 광범위한 접근성을 실현하는 데 초점을 둔다.

5.1. 시장 경쟁보다 독특한 강점에 집중하기

1. 제품과 접근성의 우선순위

   1. 고성능·고효율 모델: OpenAI는 가장 유능한 모델과 높은 효율성을 동시에 추구한다.
   2. 모두를 위한 제품: 강력한 기술을 가능한 많은 사람의 손에 넣는 일에 자부심을 둔다. 제품 관리자, 디자이너, 영업, 마케팅, 커뮤니케이션 담당자도 같은 기술을 사용할 수 있어야 한다.
   3. 통합을 통한 배포: 이미 사용자가 많은 ChatGPT 안에 Codex를 통합하면 강력한 기능을 더 안전하고 쉽게 넓은 사용자층에 배포할 수 있다. 이 통합이 성장 곡선을 밀어 올린 요인이다.

2. 경쟁사와의 차이를 바라보는 관점

   1. 경쟁사 집착의 회피: Tibo는 경쟁사를 많이 들여다보기보다 OpenAI가 독특하게 잘할 수 있는 일과 지켜야 할 가치를 본다.
   2. 커뮤니티를 통한 구축: 세계를 위한 커뮤니티를 만들고 모두가 기술 발전에 함께 따라오게 하는 것이 중요하다.
   3. 투명성과 아이디어 순환: OpenAI는 커뮤니티에 비교적 투명하게 접근하고 커뮤니티에서 아이디어를 얻는다. 외부 사용자와의 상호작용은 에너지를 주며, 그 자체로 즐거운 과정이다.
   4. 미션의 실용성: 기술을 OpenAI만 가속하는 데 쓰는 것이 아니라 사회 전체를 위한 미션에 연결한다. 이 태도가 조직을 현실에 발붙이게 하고 좋은 결과를 만든다.

5.2. ‘Reset’ 버튼이 시작된 배경

1. 보상으로서의 사용량 리셋

   1. 제품 결함에 대한 보상: 제품을 반복 개선하는 과정에서 무언가를 망가뜨리거나 설정을 잘못해 경험이 나빠지면, 사용자의 시도에 대해 추가 사용량을 제공한다.
   2. 초기 제품에 대한 감사: Codex는 아직 초기 단계이고 사용자들이 실제 업무에 의존한다. 사용자가 불편을 겪은 시간을 이해하고 토큰을 보충하는 것이 출발점이었다.
   3. 사용자 배려의 구체화: ‘사용자를 중요하게 여긴다’고 말하는 데 그치지 않고, 실제로 문제가 생기면 사용량 제한을 리셋해 보상한다.

2. 마케팅 캠페인이 아닌 운영 원칙

   1. 누구와도 사전 협의하지 않음: 리셋은 마케팅이나 재무 부서와 만든 캠페인이 아니다.
   2. 판단의 재량: Tibo는 상황이 맞다고 느끼면 물리적 버튼을 눌러 사용량을 리셋할 수 있다. “원할 때, 맞다고 느낄 때 누른다”는 원칙이다.
   3. Amazon 반품 정책과의 유사성: 만족하지 못하면 돌려보내도 된다는 Amazon의 반품 정책처럼, 실수했을 때 다시 사용할 토큰을 주는 인식을 만들었다.

3. 성장과 커뮤니티 호감의 관계

   1. 신뢰의 축적: 사용자를 실제로 배려하면 커뮤니티의 호감과 신뢰가 쌓인다. 그 결과 성장이 빨라졌을 가능성은 있지만, 리셋의 출발점은 마케팅 계산이 아니라 배려였다.
   2. 축하의 도구: 리셋은 장애 보상뿐 아니라 새로운 기능을 널리 알리고 함께 탐험하는 축하의 표시로도 쓰인다.
   3. Ultra 기능의 탐험: 새 기능을 아직 써보지 않은 사용자에게 추가 사용량을 제공해 직접 사용해보게 하는 방식이다.
   4. 유머와 물리적 버튼: ‘실제 리셋 버튼이 있느냐’는 화제에 Tibo는 실제 버튼이 있으며 나중에 보여주겠다고 답했다. 반려동물용 Codex 작업을 중요한 일로 볼 수 있느냐는 농담과 웃음도 이어졌지만, 버튼은 실제 운영 도구로 존재한다.

6. 컴퓨트·효율성·재귀적 자기개선

모델 능력의 발전은 더 많은 컴퓨트만 투입하는 방식이 아니라, 강력한 모델을 이용해 서비스 스택 자체를 개선하는 선순환으로 이어진다.

6.1. Luna 가격 80% 인하와 선제적 컴퓨트 투자

1. 대규모 컴퓨트 베팅의 결과

   1. 과거의 의문: 약 2년 전에는 OpenAI가 컴퓨트에 그렇게 많은 투자를 하는 이유를 두고 의문이 제기됐다.
   2. 현재의 평가: 이제는 연구와 미래 모델을 위해 매우 큰 컴퓨트 자원을 확보한 것이 뛰어난 판단이었다고 평가한다.
   3. 연구와 서비스의 동시 지원: 컴퓨터 자원의 상당 부분은 연구와 더 나은 모델에 쓰이며, 다른 부분은 현재 모델을 더 효율적으로 서비스하는 데 쓰인다.

2. 모델을 이용한 스택 최적화

   1. 프런티어 모델의 역할: 가장 앞선 모델을 만들면 그 모델을 이용해 서비스를 어떻게 제공할지, 스택을 어떻게 재구성하고 재설계할지 빠르게 찾을 수 있다.
   2. Luna의 비용 효율성: 강력한 모델이 Luna 서비스의 구조를 분석·최적화한 결과 Luna 가격이 80% 내려갔고 Terra 가격도 낮아졌다.
   3. 같은 컴퓨트 봉투의 처리량 증가: 효율성 개선은 단순히 더 많은 자원을 추가한 결과가 아니다. 거의 같은 컴퓨트 예산(compute envelope)으로 훨씬 큰 처리량을 서비스할 수 있었다.
   4. 속도 효율성: 비용뿐 아니라 속도도 개선됐다. Ultra Fast 외의 일반적인 사용 환경도 약 3개월 전보다 대략 60% 빨라졌고, 스택의 모든 부분을 해당 워크로드에 맞춰 최적화했다.

6.2. 연구·제품·추론 사이의 자원 배분

1. 첫 원칙에서 출발하는 배분

   1. 연구 몫: 새로운 모델과 미래 능력을 위한 컴퓨트가 별도로 배정된다.
   2. 제품 몫: 사용자가 실제로 이용하는 제품을 위한 자원이 배정된다. 제품 안에서도 다양한 효용과 성능 사이의 트레이드오프를 조정한다.
   3. 효율성 개선의 예외성: Luna 사례는 새로운 모델 연구와 기존 제품 개선 사이에서 큰 희생을 감수한 선택이 아니었다. 이미 눈앞에 있던 효율성 이득을 같은 자원으로 실현할 수 있었다.

2. 작은 팀과 전면적 개선

   1. 모든 스택의 최적화: 추론 서비스, 모델 실행, 제품 인터페이스, 도구 연결 등 전체 스택을 워크로드에 맞춰 다시 설계한다.
   2. 작은 팀의 레버리지: 가장 강력한 모델은 작은 팀도 큰 효율성 개선을 찾아낼 수 있게 해준다.
   3. 이득의 공유: 비용·성능 개선을 회사의 마진으로만 보관하지 않고 사용자와 고객에게 공유해 성능 대비 가격을 최전선에 유지한다.

6.3. 재귀적 자기개선의 현실적인 초기 형태

1. 연구 모델 간의 자기개선만이 아니다

   1. 통상적인 정의: 재귀적 자기개선은 흔히 한 모델이 다른 모델을 개발하거나 모델이 다음 모델을 훈련하는 장면으로 이해된다.
   2. 인프라 개선도 자기개선: 실제로 큰 성과가 나타나는 영역은 모델이 자신을 서비스하는 인프라를 개발하는 일이다. 모델의 능력을 이용해 모델이 작동하는 기반을 더 좋아지게 만들므로 넓은 의미의 재귀적 자기개선이다.
   3. 하나의 시스템: 모델, 추론 스택, 하드웨어 커널, 제품, 사용자의 상호작용은 하나의 큰 시스템을 구성한다.

2. 구체적인 개선 대상

   1. 추론 스택(Inference Stack): 모델을 서비스하는 전체 경로의 병목을 찾고 재설계한다.
   2. CUDA 커널: 더 나은 CUDA 커널과 저수준 연산을 개발해 모델 실행의 속도와 비용을 개선한다.
   3. 새 제품과 인터페이스: 모델과 상호작용하는 방식을 새로 설계해 같은 모델에서 더 큰 효용을 뽑아낸다.
   4. 클라우드 에이전트: 클라우드 에이전트를 제대로 구현하면 사용자가 모델에서 얻는 생산성이 다시 높아진다. 모델을 더 잘 쓰는 능력이 모델의 실질적 효용을 키우는 자기개선 고리가 된다.

3. 자기 자신을 다시 겨냥하는 고리

   1. 모델이 만든 인프라를 다시 모델에 적용: 모델이 개선한 실행 환경을 다시 모델의 서비스에 적용하고, 그 결과를 또 다른 최적화에 활용한다.
   2. 현재 진행 중인 작업: 이런 순환을 하지 않는다면 오히려 이상하다. 모델을 가장 잘 아는 도구로 모델의 핵심 경로를 개선하는 것이 자연스럽다.
   3. 초기 단계의 의미: 완전한 자율 연구 시스템보다 인프라·제품·추론 경로의 반복 개선이 먼저 현실화되고 있다.

6.4. 프런티어 강화학습 일시 중단과 안전

1. 능력이 커질수록 안전 투자가 커져야 한다

   1. 정렬(Alignment)과 안전(Safety): 모델의 능력이 증가할수록 정렬과 안전의 중요성도 함께 커진다.
   2. 투자 확대: OpenAI는 안전 연구에 큰 규모의 투자를 늘리고 있다. 자원을 가장 중요한 곳에 배정한다는 연구 원칙의 일부다.
   3. 프런티어 RL 일시 중단: 최전선 강화학습(frontier RL)을 잠시 멈춘 것은 안전팀이 시스템의 모든 부분을 다시 이해하고 강화할 시간을 확보하기 위한 조치였다.

2. 재개 조건을 정하는 방식

   1. 단일 숫자 목표가 아님: ‘몇 점을 달성하면 재개한다’는 식의 하나의 공개 수치보다 안전팀의 토론과 발견 과정이 중요하다.
   2. 원칙의 도출: 안전팀은 시스템을 충분히 이해하고 좋은 위치에 있다고 판단할 수 있는 비교적 명확한 원칙 집합에 도달했다.
   3. 통제된 재개: 필요한 조건에 도달하면 훈련을 다시 시작하되, 시스템을 완전히 파악하고 통제할 수 있는 상태를 지향한다.
   4. 필요할 때 반복할 수 있는 결정: 능력과 위험이 다시 커지면 OpenAI는 앞으로도 필요한 시점에 훈련을 멈출 수 있어야 한다.

7. Ultra Fast가 여는 새로운 작업 흐름

Ultra Fast의 핵심 가치는 단순히 숫자로 표시되는 지연시간 감소가 아니라, 사람이 AI와 같은 흐름에 머무르며 즉시 창작·검증·대응하는 방식에 있다.

7.1. 고위험 대응과 조직 내부 사용

1. 장애 대응(Incident Response)

   1. 매초가 중요한 상황: 서비스 장애가 발생하면 인시던트 커맨더(Incident Commander)와 대응팀이 Ultra Fast를 사용할 수 있다.
   2. 시간 민감도: 고위험 상황에서는 1초가 중요하므로 일반 속도로 기다리는 것이 적절하지 않다.
   3. 사용 승인의 기준: 매우 중요한 일을 한다고 생각하는 팀들은 Ultra Fast를 요청한다. 실제 긴급성과 팀의 판단이 함께 고려된다.

2. ‘반려동물’ 농담이 보여주는 운영 현실

   1. Codex Pets: 반려동물 관련 작업은 당장 초중요한(hypercritical) 일은 아니지만, 조직 구성원의 화면과 화상회의에 반려동물이 자주 등장해 기쁨을 준다.
   2. 중요하지 않아도 돌봄은 필요함: 반려동물 관련 기능을 유지하고 잘 관리하지만, 장애 대응과 같은 긴급 업무와 같은 우선순위는 아니다.
   3. 개인적 즐거움의 가치: 기술의 우선순위가 모두 생산성 수치로만 결정되지는 않는다. 화면에 반려동물이 보이는 일도 사람에게 기쁨을 주는 제품 경험이다.

7.2. ADHD와 컨텍스트 스위칭의 개인차

1. 서로 다른 주의력 패턴

   1. Tibo의 방식: Tibo는 ADHD가 있으며 계속 컨텍스트를 전환하고 작은 결정을 많이 내리는 방식에서 활력을 얻는다.
   2. 집중을 원하는 사용자: 같은 ADHD가 있어도 어떤 사용자는 컨텍스트를 계속 바꾸는 일이 매우 힘들어 2~3개의 일에 집중하기를 원한다.
   3. 개인별 최적화: Ultra Fast는 멀티태스킹을 좋아하는 사람보다 한 가지에 머물고 싶은 사람에게 특히 큰 만족을 줄 수 있다.

2. 흐름을 유지하는 속도

   1. 집중 모드의 즐거움: Tibo도 때로는 한 가지 일에 머물고 싶어 하며, 그때 Ultra Fast는 사용자를 흐름 안에 계속 붙잡아 주는 즐거운 도구가 된다.
   2. 음성과의 결합: 빠른 생성과 음성을 결합하면 생각을 말하고 결과를 바로 확인하며 아이디어를 다듬을 수 있다.
   3. 사용자에게 맞는 선택: Ultra Fast 자체보다 주의력 패턴에 맞춰 에이전트 수, 결과 알림, 작업 순서를 조절하는 일이 중요하다.

7.3. 실제 체감 속도는 도구 호출 수에 따라 달라진다

1. 생성 중심 작업

   1. 웹사이트·비디오 게임 프로토타입: 많은 코드를 한 번에 작성하는 프로토타입 작업은 Ultra Fast가 특히 잘 맞는다.
   2. 약 10배 빠른 생성: 순수 코드 생성처럼 도구 호출이 적고 컨텍스트를 많이 생성하는 작업은 대략 10배 빠르게 느껴질 수 있다.
   3. 즉시 검증: 결과를 기다리는 시간이 줄어들어 아이디어를 여러 번 시도하고 바로 실제 동작을 확인할 수 있다.

2. 도구 호출 중심 작업

   1. 네트워크 오버헤드: 파일을 읽고, 명령을 실행하고, 외부 서비스를 호출하는 과정에서는 모델의 생성 속도 외에 네트워크 지연이 남는다.
   2. 에이전트 궤적의 지연: 여러 단계의 도구 호출이 이어지면 각 단계의 오버헤드가 누적된다.
   3. 현실적인 체감치: 이 경우 전체 체감 속도 향상은 약 3~4배 정도이며, 생성 속도의 최대 14배가 그대로 전달되지는 않는다.

7.4. 내부 사용량 제한과 외부 고객 우선

1. 직원에게 무제한을 주지 않는 이유
   1. 잠재적 소비량: 직원이 무제한 토큰과 Ultra Fast를 마음껏 사용하면 OpenAI의 생산 GPU와 Ultra Fast 용량을 모두 소진할 수 있다.
   2. 용량의 균형: 직원은 제품을 직접 사용하며 개선점을 찾아야 하지만, 외부 사용자와 고객에게 제공할 용량도 남겨야 한다.
   3. 합리적인 제한: 내부 사용량을 합리적인 수준으로 제한해 제품을 이해하고 재귀적 자기개선에 기여하도록 한다.
   4. 고객 우선 배분: Ultra Fast 용량의 대다수는 외부 고객과 사용자에게 예약된다.

7.5. 비텍스트 창작과 실시간 프로토타이핑

1. 공유 캔버스(Shared Canvas)

   1. 공동 작업 공간: AI와 사람이 같은 캔버스 위에서 만들고 수정하는 상호작용이 기대된다.
   2. 아이디어 생성: 여러 아이디어와 이미지를 빠르게 만들고, 그중 하나를 선택하는 ‘모험 선택(choose your adventure)’ 방식이 가능하다.
   3. 음성·텍스트 조종: 선택한 결과를 음성이나 텍스트로 실시간 조종해 짧은 시간에 프로토타입으로 발전시킨다.

2. 엔지니어링 설계 방식의 변화

   1. 기존의 설계 부담: 엔지니어는 전체 시스템을 설계하기 전에 요구사항, 트레이드오프, 구조를 머릿속으로 오래 생각해야 한다.
   2. 1분 안에 실체 확인: AI가 설계 후보를 빠르게 만들면 실제로 어떻게 작동하는지 1분 안에 보고 판단할 수 있다.
   3. 생각과 제작의 결합: 추상적으로만 고민하는 시간이 줄고, 눈앞의 결과를 보며 시스템을 더 잘 이해하는 흐름이 만들어진다.

8. 속도와 지능이 대중화되는 방향

Ultra Fast와 최전선 모델은 영원히 비싼 특수 기능으로 남기보다, 하드웨어·추론·토큰 효율 개선을 통해 넓은 사용자가 이용하는 기본값에 가까워진다.

8.1. Ultra Fast가 기본값에 가까워지는 이유

1. 기술의 일반적 확산 패턴

   1. 더 넓은 접근성: 기술은 시간이 지나면서 더 많은 사람이 접근할 수 있는 형태로 확산된다.
   2. 월 단위의 개선: 에이전트가 일을 끝내는 속도는 매달 크게 개선되고 있다. 단순히 토큰 생성 속도만이 아니라 작업에 필요한 토큰 수 자체가 줄어든다.
   3. 토큰 효율성의 세대교체: Sol은 Terra보다 토큰 효율성이 크게 높고, 다음 모델은 Sol보다 더 효율적일 것으로 예상된다.
   4. 하드웨어의 발전: 추론 하드웨어도 계속 혁신되며 같은 비용과 전력으로 더 빠른 처리를 제공한다.

2. 1~2년의 시간표와 프리미엄 계층

   1. 기본값에 근접: 현재의 Ultra Fast 수준은 1~2년 안에 기본값이 되거나 기본값에 매우 가까워질 수 있다.
   2. 상위 계층의 지속: 기본 속도가 빨라져도 더 많은 하드웨어와 다른 비용·성능 트레이드오프를 적용한 한 단계 위의 프리미엄 계층은 남는다.
   3. 속도의 계단식 확장: ‘빠른 속도’의 기준이 전체적으로 올라가면서, 지금의 특수한 속도가 내일의 보통 속도가 되고 새로운 최상위 계층이 다시 등장한다.

8.2. Luna가 보여주는 효율성의 경제학

1. 작고 효율적인 모델의 의미

   1. 6개월 전의 최전선: Luna는 현재 작은 모델이지만 약 6개월 전 기준으로는 최전선에 놓였을 만한 능력을 제공한다.
   2. 비용의 급락: 강력한 능력을 훨씬 작은 비용으로 제공하며, 가격이 80% 내려간 뒤에는 놀라울 정도로 저렴해졌다.
   3. 무료 접근의 가능성: 일부 무료 모드에서 이런 지능을 제공할 수 있을 만큼 효율성이 높아졌다.

2. 지능의 보편화

   1. 값싼 서비스의 누적 효과: 서비스를 제공하는 비용이 내려가면 같은 컴퓨트로 더 많은 요청을 처리할 수 있다.
   2. 일상 효용의 증가: 비용이 낮아질수록 더 많은 사람이 글쓰기, 조사, 조언, 업무 지원에 AI를 사용할 수 있다.
   3. 현재의 최전선이 미래의 일상: 지금 최전선에 있는 기능도 6개월 뒤에는 훨씬 저렴하게 실행될 가능성이 높다.

9. AI를 걱정하거나 처음 써보는 사람을 위한 실용적 관점

AI의 고용 자동화, 환경 영향, 낯선 변화에 대한 불안은 추상적인 미래 예측보다 이미 발생한 개인적 효용을 직접 확인하는 방식으로 접근할 수 있다.

9.1. 효율성은 접근성과 직접 연결된다

1. 더 싼 지능, 더 넓은 사용

   1. 세상을 위한 제품: ChatGPT는 특정 전문가 집단만을 위한 것이 아니라 세계 전체를 위한 제품으로 설계된다.
   2. 효율성과 접근성의 정렬: 서비스 비용이 내려가면 더 많은 사람이 쓰고, 같은 사람도 일상에서 더 많은 도움을 받을 수 있다.
   3. 월·년 단위의 누적: 효율성은 한 번의 획기적 발표보다 매달, 매년 이어지는 개선을 통해 지능을 보편화한다.

2. 구체적인 개인 효용

   1. 글쓰기 지원: 많은 사용자가 글쓰기 도움을 받는다.
   2. 개인적 조언: 개인의 상황을 설명하고 조언을 얻는 방식으로도 사용한다.
   3. 의료 정보와 준비: Health 기능과 Finance 기능이 출시됐으며, Tibo는 이를 자주 사용한다. 의료 정보를 미리 정리해 의사를 만날 때 더 잘 informed된 상태로 대화할 수 있다.
   4. 대체하기 어려운 지원: AI가 제공하는 정리와 지원은 그렇지 않았다면 얻기 어려웠을 개인적 도움을 제공할 수 있다.

9.2. 첫 사용을 시작하는 방법

1. 멀리서 찾지 않기

   1. 이미 존재하는 사례: AI가 세상을 돕는 미래는 먼 가정이 아니라 글쓰기, 개인 조언, 건강·재무 정보 같은 현재 사용 사례에서 확인할 수 있다.
   2. 효용을 직접 확인: 거대한 미래 비전을 먼저 믿으려 하기보다, 자신의 일상에서 시간을 줄이거나 이해를 높이는 작은 작업부터 맡겨본다.

2. 다른 사람에게서 배우기

   1. 사용 사례의 다양성: 다른 사람들이 어떻게 AI를 쓰고 어떤 혜택을 얻는지 이야기하는 것만으로도 새로운 가능성을 발견할 수 있다.
   2. 자기 상황에 번역하기: 남의 사용법을 그대로 복제하는 것이 아니라, 자신의 목표·업무·관심사에 맞는 도움의 형태를 찾아야 한다.
   3. 낮은 저항부터 시작: 타이핑보다 음성이 편하다면 음성으로 말하고, 직접 입력보다 자료 정리가 편하다면 문서·메모를 건네는 방식으로 시작한다.

주요 발언 모음

“나는 경쟁사를 그렇게 많이 보지 않는다. 우리가 독특하게 잘할 수 있는 일과 우리의 가치를 보고, 그쪽으로 최대한 빠르게 나아간다.”

“기술이 당신에게 적응해야지, 당신이 기술에 적응할 필요는 없다.”

“당신이 코더인지 아닌지를 고르는 문제가 아니다. 개인의 구체적인 정체성에 맞춰 인터페이스가 적응해야 한다.”

“모델의 능력은 벤치마크만으로 전부 알 수 없다. 모델을 직접 가지고 놀아야 어떤 방식으로 혜택을 줄 수 있는지 깨닫는다.”

“원할 때, 맞다고 느낄 때 버튼을 누를 수 있다.”

“기술은 시간이 지나면서 아주 효율적으로 변하는 방법을 갖고 있다.”

“지금 최전선에 있는 것은 6개월 뒤 훨씬 훨씬 싸게 실행될 것이다.”

핵심 데이터 & 수치

• ChatGPT 이전 시점: DeepMind의 LM Chat 공개 제품화 구상은 ChatGPT 출시보다 대략 1년 앞선 시기에 있었다.
• Codex 사용자: Codex 사용자가 2,000만 명에 도달했다.
• Luna 가격 인하: 서비스 효율성 개선으로 Luna 가격이 80% 내려갔다.
• 일반 속도 개선: Ultra Fast 외의 사용 환경도 약 3개월 전보다 대략 60% 빨라졌다.
• Ultra Fast 생성 속도: Fast 모드 대비 약 14배 빠른 토큰 속도가 언급됐다.
• 도구 호출이 적은 작업: 코드 생성 중심 작업은 약 10배 빠르게 체감될 수 있다.
• 도구 호출이 많은 작업: 네트워크와 에이전트 궤적 오버헤드 때문에 전체 체감 속도는 약 3~4배로 줄어든다.
• 동시 에이전트 수: 현재 솔로 개발자는 10~15개 에이전트를 병렬 실행할 수 있지만, Ultra Fast 환경에서는 3~4개에 집중하는 흐름이 더 적합할 수 있다.
• 현재 작업 대기 시간: 일반 토큰 속도에서는 병렬 작업 결과를 받기까지 30~45분이 걸릴 수 있다.
• 미래 시간표: Ultra Fast급 속도는 1~2년 안에 기본값 또는 기본값에 가까운 수준이 될 가능성이 있다.
• Luna의 모델 위치: 약 6개월 전 기준으로는 최전선에 놓일 수 있었던 작은 모델이며, 현재는 매우 낮은 비용으로 제공된다.

결론 및 시사점

1. AI의 다음 경쟁 단위는 모델이 아니라 시스템이다. 모델의 지능, 하네스, 메모리, 음성, 도구 호출, 클라우드 자원, 제품 인터페이스를 하나의 경험으로 묶어야 한다.
2. 개인용 AGI와 완전 자동화를 분리해 설계해야 한다. 개인용 AGI는 사람의 목표와 주의력에 맞춰 선제적으로 협력하고, 완전 자동화는 고위험 승인만 남긴 채 복잡한 운영 과정을 맡는다.
3. ChatGPT와 Codex 통합은 직업별 제품의 종말에 가깝다. 같은 에이전트가 코딩과 비코딩 작업을 모두 수행하고, 사용자의 실제 개인성에 따라 인터페이스를 바꾼다.
4. 빠른 모델은 에이전트의 수보다 사람의 흐름을 중요하게 만든다. 생성 속도가 높아질수록 10~15개 작업을 흩어 놓는 방식보다 몇 가지 일에 머무르며 즉시 결과를 확인하는 방식이 효율적이다.
5. 벤치마크보다 실제 사용이 중요하다. 새 모델의 진짜 가치는 점수표보다 직접 사용하면서 발견하는 능력과 그 능력이 제품 방향을 바꾸는 순간에 드러난다.
6. 재귀적 자기개선은 이미 인프라 수준에서 시작됐다. 모델이 추론 스택, CUDA 커널, 제품 인터페이스를 개선하고 그 결과를 다시 모델 서비스에 적용하는 순환이 핵심이다.
7. 효율성은 안전·접근성과 함께 봐야 한다. 같은 컴퓨트로 더 많은 사람에게 더 낮은 가격에 서비스를 제공하는 동시에, 능력이 커질수록 정렬과 안전 연구에 더 많은 자원을 배정해야 한다.
8. 현재의 최전선은 빠르게 일상화된다. Luna의 가격 인하와 속도 개선은 오늘의 비싼 고성능 지능이 수개월 뒤 널리 쓰이는 기본 도구로 내려오는 경로를 보여준다.
9. AI에 대한 불안은 작은 개인적 실험으로 다룰 수 있다. 글쓰기, 정보 정리, 개인 조언, 의사와의 상담 준비처럼 자신의 삶에서 즉시 효용을 확인하는 작업부터 시작하면 된다.
10. 제품 문화의 최종 원칙은 빠른 실행과 품질의 동시 추구다. 사용자의 피드백을 빠르게 반영하되, 단순성·성능·효율성·즐거움·전체 방향의 일관성을 잃지 않아야 한다.

핵심 요약 (20줄)

1. Thibault “Tibo” Sottiaux는 DeepMind에서 연구 가속 인프라와 제품을 담당하며 ChatGPT보다 약 1년 앞서 LM Chat의 가능성을 경험했다.

2. LM Chat은 처음에는 유용함보다 웃음을 많이 줬지만, 시간이 지나면서 일관되고 실제로 도움이 되는 언어 모델로 발전했다.

3. DeepMind의 창의성은 강력했지만 제품 출시 구조가 약했고, OpenAI는 연구와 제품이 함께 아이디어를 내고 빠르게 출시하는 문화를 구축했다.

4. OpenAI의 바텀업 권한 위임은 빠른 실험을 가능하게 하지만, 기능의 잡동사니화를 막기 위해 단순성·성능·효율성·완성도를 함께 지켜야 한다.

5. 창업자는 확신을 갖고 사용자를 확보해 빠르게 반복해야 하며, 성숙한 회사는 새 연구에 자원을 옮기는 자기 파괴를 주저하지 않아야 한다.

6. AI의 실제 능력은 벤치마크만으로 드러나지 않으며, 모델을 직접 사용하고 새로운 활용법을 발견하는 과정에서 제품의 방향이 바뀐다.

7. 차세대 코딩 에이전트는 스킬 파일·메모리·서브에이전트 네트워크를 사용자가 관리하게 만드는 클렁키함을 줄여야 한다.

8. 개인용 에이전트는 사용자의 목표·일상·팀 맥락을 이해하고 반응성과 선제성을 갖춘 완벽한 파트너처럼 작동해야 한다.

9. 모델은 인간보다 훨씬 많은 애플리케이션과 작업을 다룰 수 있으므로, 미래 에이전트는 노트북을 넘어 클라우드 자원에 접근해야 한다.

10. Ultra Fast의 약 14배 토큰 속도는 생성보다 네트워크·도구 호출·에이전트 궤적이 새로운 병목이 되게 만든다.

11. 10~15개 에이전트를 30~45분씩 기다리는 현재의 방식은 Ultra Fast와 음성이 결합되면 3~4개 작업에 집중하는 흐름으로 바뀔 수 있다.

12. 개인용 AGI는 사람의 흐름에 맞춰 기술·조사·조언을 수행하고, 완전 자동화는 운영 최적화·회귀 패치·보안 취약점 수정 같은 복잡한 과정을 맡는다.

13. ChatGPT와 Codex 통합은 코딩 여부와 관계없이 같은 기술·하네스·음성 중심 에이전트를 제공하려는 전략이다.

14. 직업명은 현실을 단순화한 추상화일 뿐이므로, 인터페이스는 코더·디자이너 구분보다 각 개인의 도구·목표·필요에 맞춰 적응해야 한다.

15. 자연어·음성·화이트보드·시각 신호를 이해하는 주변적 AI는 사람이 기술에 맞추지 않고 인간의 행동을 자연스럽게 확장하게 만든다.

16. Codex 리셋 버튼은 제품 장애와 초기 사용 불편을 보상하고 새 기능을 함께 탐험하게 하는 사용자 배려에서 출발했으며, 마케팅 캠페인으로 설계되지 않았다.

17. 강력한 모델은 추론 스택·CUDA 커널·제품 인터페이스를 개선해 다시 자신을 더 효율적으로 서비스하는 재귀적 자기개선 고리를 만든다.

18. 프런티어 강화학습 일시 중단은 능력 향상에 맞춰 정렬·안전 투자를 늘리고 시스템을 이해·강화한 뒤 통제된 방식으로 재개하려는 결정이다.

19. Luna 가격은 80% 내려갔고 일반 속도도 약 3개월 전보다 60% 빨라졌으며, 같은 컴퓨트로 더 많은 사용자를 지원하는 효율성 선순환이 진행된다.

20. 현재 최전선 지능도 수개월 뒤 저렴해지므로, AI를 걱정하거나 처음 접하는 사람은 글쓰기·조언·건강 정보처럼 자신의 일상에서 작은 효용부터 확인하면 된다.