26년 AI 대격변

쇼핑몰에 교환 문의를 보낸 상황을 생각해 보자. AI가 답장을 보내왔다. 사과는 정중하고 설명도 길다. 그런데 물건을 어디로 보내야 하는지, 배송비는 누가 내는지, 교환 접수는 끝났는지 다시 물어야 한다. 말은 다 했는데 일은 남았다. 고객에게 필요한 것은 친절한 문장 한 장보다 자기 일이 실제로 처리됐다는 확인이다.

AI가 회사 업무에 들어갈 때마다 이 차이가 드러난다. 고객의 말을 알아듣고, 요청을 나누고, 규정을 확인한 뒤 실제 시스템을 움직여야 일이 끝난다. 인공지능 경쟁도 답변의 품질을 넘어 일을 맡길 수 있는 범위로 넓어진다. 타입세이프의 제브, 메타의 뮤즈, 오픈AI의 개발자 행사 데브데이는 서로 다른 자리에서 그 변화를 보여준다. 판단을 만드는 모델과 행동을 이어가는 비서가 함께 일하는 공간으로 모인다.

말을 줄이고 판단을 남겼다

타입세이프는 9월 15일 제브(Jev)를 공개했다. 회사가 ‘시스템 원’이라 부르는 모델은 빠르고 좁은 판단에 집중한다. 제브는 답장을 쓰거나 코드를 생성하지 않는다. 고객의 말과 업무 상황을 받아 미리 정한 선택지와 확률을 돌려준다. ‘결제가 두 번 됐으니 환불해 달라’는 문의라면 어느 부서로 보낼지, 얼마나 급한지, 환불 요구가 있는지를 나눠 물을 수 있다. 고르고, 정도를 재고, 맞는지를 판단하는 결과가 프로그램에 바로 들어간다. 소프트웨어가 바로 쓸 판단에 집중한 설계다.

중요한 것은 선택한 답 옆의 확률이다. 반품 부서와 결제 부서의 확률이 비슷하면 담당자에게 넘기고, 명확한 요청은 자동 처리하도록 규칙을 만들 수 있다. 회사가 강조하는 보정(Calibration : 예측한 확률과 실제 결과가 맞는 정도)도 여기서 의미를 얻는다. 비가 올 확률을 80퍼센트라고 예보했던 날들을 모으면 실제로 열에 여덟 번쯤 비가 와야 숫자가 쓸모 있다. 어느 하루에 반드시 비가 온다는 보장은 아니다. 제브의 확률도 실제 업무 결과를 쌓아 평가할 대상이며, 숫자가 붙었다고 정답 인증서가 되지는 않는다.

‘환각이 없다’는 홍보 문구도 같은 주의가 필요하다. 회사가 보장하는 것은 정해진 출력 구조와 선택지를 벗어나지 않는다는 뜻이다. 반품, 배송, 결제 중 하나를 고르게 하면 새로운 부서를 지어내지는 않는다. 그러나 결제 문의를 배송 문의로 잘못 고를 수는 있다. 공식 문서도 계산과 날짜 비교, 복잡한 추론에 약하며 악성 지시가 판단을 흔들 수 있다고 밝힌다. 현재 입력 백만 토큰당 가격은 0.042달러이고 출력에는 요금이 없다. 토큰은 모델이 글을 읽고 쓰는 양을 세는 단위다. 싸게 반복할 여지는 생겼지만, 잘못 넘긴 문의를 사람이 고치는 비용까지 사라지지는 않는다.

판단 다음에는 손이 필요하다

부서를 골랐다고 교환 접수가 끝나지는 않는다. 그 판단을 실제 행동으로 옮길 도구가 필요하다. 메타가 9월 8일 공개한 뮤즈(Muse)는 이 구간을 겨냥한다. 에이전트(Agent : 목표에 맞춰 도구를 써서 일을 처리하는 AI)라는 이름처럼 웹을 찾아보고 양식을 채우며 연결한 서비스에서 작업한다. 여행을 추천하는 데서 멈추지 않고 예약을 준비한다. 목표를 실행 계획으로 바꾸고 앱을 닫은 뒤에도 작업을 이어간다. 사용자가 매번 다음 단계를 지시하고 기다려야 했던 부담을 덜겠다는 제안이다.

이 변화는 생활에서 더 쉽게 이해된다. 인스타그램에 저장한 요리 영상을 보고 저녁을 준비하려면 재료를 적고, 집에 없는 것을 가리고, 장보기 목록을 만들어야 한다. 메타는 뮤즈가 저장한 영상을 재료 목록으로 바꾸고 친구들의 식사 제한을 기억해 모임 메뉴를 제안하는 사례를 들었다. 게시물을 발견한 뒤부터 시작되던 사용자의 수고를 비서가 이어받는다. 소상공인에게도 같은 방식이 확장됐다. 9월 29일 발표에서는 캔바, 쇼피파이, 퀵북스 같은 도구와 사업자 계정을 연결해 운영을 돕는 기능을 소개했다. 메타는 관심을 모으던 공간에서 그 관심으로 생긴 일을 처리하는 공간으로 역할을 넓히려 한다.

일을 맡기는 순간 평가는 엄격해진다. 상품 추천이 틀리면 읽고 넘기지만 구매가 틀리면 돈이 빠져나간다. 메타는 민감한 행동에 사용자 승인을 요구하고, 뮤즈와 별도의 감시자인 센티널이 외부 요청의 권한을 통제하도록 만들었다. 실제 비밀번호도 모델에게 직접 보여주지 않는다. 비서가 일을 제안하고 다른 장치가 실행을 허락하는 구조다. 다만 현재의 작업용 가상 컴퓨터는 서비스 운영과 보안을 위한 메타의 데이터 접근까지 기술적으로 막지는 않는다. 회사도 접근하지 못하게 하는 별도 환경은 올해 후반의 출시 계획이다. 편리함을 판단할 때 현재의 보호 장치와 앞으로의 약속을 합쳐 읽을 수는 없다.

일이 시작되고 끝나는 자리

실행 능력이 생겨도 문제가 하나 더 남는다. 무엇을 요청했고 어디까지 처리했는지, 중간에 조건이 어떻게 바뀌었는지를 다음 작업이 이어받아야 한다. 미국 현지 기준 9월 29일 열린 오픈AI 데브데이는 그 자리를 넓히는 발표였다. 상시 에이전트 닷(Dots)은 자체 클라우드 컴퓨터에서 목표와 피드백을 바탕으로 작업한다. 스페이스와 페이지는 사람과 AI가 자료와 결과를 함께 다루는 공간을 마련한다. 플러그인 확장은 지원하는 외부 앱을 대화 옆에 열어 결과를 보고 고치는 화면까지 붙인다. 좋은 답을 얻은 뒤 사람이 창마다 옮겨 붙이던 일이 플랫폼 안으로 들어오는 셈이다.

같은 행사에서 제한적으로 공개한 디시전스 API도 눈여겨볼 만하다. 개발자가 질문과 가능한 답을 정하면 내용을 분류하거나 다음 행동을 선택하는 데 쓸 결과를 받는다. 제브와 구현이 같다는 뜻은 아니지만, 좁은 판단을 별도 도구로 제공하려는 방향은 겹친다. 새 모델 GPT-6.1 솔도 회사 평가에서 아스트라에 근접한 업무 성능을 아스트라 표준 입출력 가격의 5분의 1에 제공한다고 강조했다. 개발자용 표준 가격은 입력 백만 토큰당 2달러, 출력은 10달러다. 한 번 멋진 답을 만드는 능력에 더해 매일 여러 단계를 반복할 비용도 경쟁력이 된다는 신호다. 닷은 일부 요금제와 지역부터 순차 제공된다. 발표된 기능이 모든 사용자에게 동시에 열린 것은 아니다.

이 발표들을 함께 읽으면 다음 경쟁의 모양이 보인다. 제브는 판단을 프로그램이 쓸 값으로 만들고, 뮤즈는 도구를 움직여 작업을 이어가며, 오픈AI는 그 작업과 맥락을 담을 공간을 넓힌다. 세 제품을 관통하는 방향은 판단과 실행, 기억을 한 업무의 흐름으로 묶는 데 있다. 사용자는 프로그램마다 버튼 위치를 외우는 대신 원하는 결과와 허용할 범위를 설명한다. 개발자의 일도 문장을 잘 뽑는 지시문 작성에서 어떤 판단을 맡기고 어떤 행동을 막을지 정하는 일로 넓어진다. 모델의 성능과 함께 업무를 잘게 나누고 다시 잇는 설계가 중요해진다.

끝까지 맡기려면 멈출 줄도 알아야 한다

그렇다고 사람의 역할이 승인 버튼을 누르는 일로 줄어들지는 않는다. 교환 문의를 분류하는 판단과 실제 환불을 허락하는 판단에는 다른 기준이 필요하다. 주문 기록과 금액은 코드가 확인하고 애매한 사정은 사람이 검토할 수 있다. 틀린 결론을 빠르게 실행하면 답변 한 번의 실수보다 피해가 커진다. 처리 성공률뿐 아니라 잘못된 실행이 얼마나 나왔는지, 수정에 얼마나 시간이 들었는지도 함께 살필 이유다. 일을 빨리 한다는 말은 실패한 뒤의 정리까지 포함할 때 의미가 생긴다.

처음의 교환 문의로 돌아가 보자. 고객이 원하는 것은 맡긴 일이 진행됐다는 확인과 문제가 생겼을 때 이어받을 담당자다. 자동화의 성숙함은 모든 요청을 혼자 끝내는 모습으로만 드러나지 않는다. 규정에 없는 사정이나 판단이 모호한 요청 앞에서 사람에게 넘기는 행동도 제대로 일을 끝내는 과정이다. 교환 문의를 받은 프로그램이 애매한 요청 앞에서 담당자를 부르는 순간, 확률은 비로소 업무의 규칙이 된다.