2026년 10월 3주차 - Flitto AI Picks 2026년 10월 3주차 Flitto AI Picks |
|
|
|
안녕하세요, Flitto AI Picks 구독자 여러분. 연휴 잘 보내셨나요? 환절기라 감기가 유행하고 있습니다. 모두 건강 관리 잘 하시길 바랍니다.😷
- 글 한 줄 못 쓰는 AI가 개발자에게 사랑받는 이유💻
- 오픈AI의 dots부터 메타의 Muse까지… '일하는 AI'의 진화💼
- 쿼카 쌤이 알려주는 AI Tech 용어 #19 👩🏫
- 글로 답변하지 않고 판단만 하는 AI, 결정 모델(Decision Model)은 무엇일까
오늘도 재밌게 즐겨주세요~! |
|
|
글 한 줄 못 쓰는 AI가 개발자에게 사랑받는 이유💻 |
|
|
고객 문의가 들어왔을 때 담당 부서를 바로 골라야 한다면 어떨까요? 악성 댓글인지 아닌지만 빠르게 판단해야 한다면요? 자율주행차가 '직진 or 좌회전 or 우회전' 중 하나를 즉시 선택해야 하는 순간도 있겠죠. 이런 상황에서는 긴 설명을 잘하는 AI보다, 빠르게 답을 고르는 AI가 더 유용할 수 있습니다. 최근 개발자 사이에서 주목받는 '제브(Jev)'가 바로 이런 AI입니다.
|
|
|
그렇다면 개발자들은 왜 제브에 열광할까요? 핵심은 속도와 비용, 그리고 안정성입니다. 실제 소프트웨어에서는 '이 요청을 어디로 보낼지', '이 작업을 계속할지', '이 콘텐츠를 허용할지'처럼 단순한 판단이 초당 수천 번씩 필요합니다. 이때마다 거대한 LLM을 호출할 필요는 없습니다. 제브처럼 정해진 답 안에서 판단하는 모델을 사용하면 불필요한 생성 과정과 토큰 비용을 줄이고, 엉뚱한 형식의 답변이 나오는 문제도 피할 수 있습니다.
제브의 등장은 AI가 꼭 '더 풍성하게 답변을 생성하는 방향'으로만 발전하지는 않는다는 점을 보여줍니다. 앞으로는 복잡한 추론은 거대 LLM이, 반복적인 판단은 제브 같은 경량 모델이 맡는 식의 AI 역할 분담이 자연스러워질지도 모릅니다. AI가 무엇을 말할지뿐만 아니라, 무엇을 선택할지까지 빠르게 결정하는 시대가 열리고 있습니다.
|
|
|
오픈AI의 dots부터 메타의 Muse까지… '일하는 AI'의 진화💼 |
|
|
오픈AI가 사용자가 일일이 지시하지 않아도 맡겨둔 업무를 계속 수행하는 AI 에이전트 '닷(dots)'을 공개해 화제입니다. 기존 AI가 사용자의 질문에 답하거나 요청받은 작업을 수행했다면, 닷은 사용자가 목표를 맡기면 필요한 일을 스스로 찾아 진행하는데요. AI가 '대답하는 도구'를 넘어 '일하는 동료'로 한 걸음 더 나아간 모습입니다.
닷은 GPT-6 아스트라를 기반으로 자체 클라우드 컴퓨터와 브라우저를 활용합니다. 사용자가 프로젝트를 맡기면 필요한 작업을 수행하고, 진행 상황을 확인하거나 중간에 방향을 수정할 수도 있습니다. 예를 들어 제품 출시를 담당하는 직원이 업무를 맡기면 제품 범위가 바뀌었을 때 출시 계획이나 관련 자료의 수정안을 마련해 제안할 수 있습니다. 단순히 결과물을 만들어주는 것을 넘어 업무의 흐름을 이어가는 것이죠. |
|
|
비슷한 흐름은 메타의 '뮤즈(Muse)'에서도 찾아볼 수 있습니다. 뮤즈는 이메일과 일정 확인, 여행 예약, 쇼핑 등 일상적인 업무를 대신 수행하는 개인용 AI 에이전트입니다. 닷이 업무와 생산성에 초점을 맞췄다면, 뮤즈는 개인의 일상에 좀 더 가까운데요. 서로 다른 영역에서 AI가 사용자의 요청을 기다리는 것이 아니라, 필요한 작업을 직접 수행하는 모습을 보여주고 있습니다.
닷과 뮤즈가 보여주는 변화는 분명합니다. 앞으로 AI는 필요할 때 불러 답을 얻는 도구를 넘어, 목표를 맡기고 함께 일하는 존재에 가까워질 수 있습니다. 물론 모든 일을 AI에게 맡길 수 있는 것은 아닙니다. 사용자가 접근 권한을 설정하고 민감한 작업은 직접 승인하는 등 통제 장치도 함께 마련됐습니다. 결국 AI 에이전트 시대에는 '얼마나 똑똑한가'만큼 '얼마나 믿고 일을 맡길 수 있는가'가 중요해질지도 모르겠습니다.
|
|
|
쿼카 쌤이 알려주는 AI Tech 용어 #19 👩🏫
안녕하세요, 쿼카 쌤입니다.🐨
알아두면 유용한 AI 용어! 오늘도 알차게 담아왔습니다. 함께 보러 가시죠!
|
|
|
🧠Decision Model (결정 모델)
: 대화나 글을 생성하기보다, 주어진 데이터를 바탕으로 특정한 판단을 내리는 데 특화된 AI 모델이에요. 이메일을 스팸으로 분류하거나 신용 위험도를 평가하는 것처럼 '무엇을 선택할지' 결정하는 작업에 활용된답니다.
✅ 포인트
- 입력된 데이터를 분석해 특정 결과를 판단
- 분류·예측·위험 평가 등 의사결정 작업에 활용
- 생성형 AI와 달리 결과를 직접 만들어내기보다 판단에 초점
|
|
|
🔭 Teleoperation (원격 조작 데이터 수집)
: 사람이 VR 헤드셋이나 특수 장갑 등의 장비를 착용하고 로봇을 직접 조작하면서 동작 데이터를 수집하는 방법이에요. 사람이 실제로 수행한 움직임을 기록하기 때문에 로봇이 물체를 집거나 움직이는 방법을 학습하는 데 활용할 수 있답니다.
✅ 포인트
- 사람의 실제 조작을 로봇 학습 데이터로 기록
- VR 헤드셋·모션 캡처 장비 등으로 정교한 동작 수집
- 로봇의 조작·이동·작업 수행 능력 학습에 활용
|
|
|
🧭 Spatial Intelligence (공간 지능)
: AI가 주변 공간의 깊이·거리·위치·형태를 이해하고, 사물 간의 관계를 파악하는 능력이에요. 단순히 물체를 인식하는 것을 넘어, 공간 안에서 어떻게 움직이고 상호작용할 수 있는지 이해하는 데 중요한 역할을 한답니다.
✅ 포인트
- 3D 공간의 깊이·거리·위치 관계를 파악
- 주변 환경을 이해하고 움직임을 예측하는 데 활용
- 로봇·자율주행·XR 등 물리적 환경과 상호작용하는 AI의 핵심 능력
|
|
|
글로 답변하지 않고 판단만 하는 AI, 결정 모델(Decision Model)은 무엇일까?
|
|
|
2022년 말 챗GPT가 등장한 이후부터 AI는 사람이 쓰는 언어로 질문하면 역시 사람이 쓰는 언어로 답변을 하는 존재로 인식되고 있습니다. 그런데 AI에게 물어보는 질문 중에는 자세한 답변이 필요 없는 경우도 있습니다. 고객센터에 들어온 문의를 어느 부서로 전달할지, 메일이 스팸인지 아닌지, AI 에이전트의 검색 결과가 충분한지 그렇지 않은지 등의 질문에서는 주어진 선택지 중에서 하나를 선택하고 선택에 대해 얼마나 확신하는지 확률만 있으면 됩니다.
몇 주 전 미국의 스타트업인 TypeSafe AI는 이런 판단만 전문적으로 하는 모델 Jev를 공개1)하면서 이슈가 되었습니다. 이후 OpenAI에서도 비슷한 서비스를 내놓았고, 국내에서는 업스테이지가 솔라 디사이드(Solar Decide)를 공개2)하였습니다. OpenAI, Anthropic, Google 등은 수시로 새로운 AI 모델을 출시하고 있고, 발표할 때마다 비약적인 성능 향상을 보여주고 있는데 결정 모델이 왜 갑자기 화제가 되었을까요.
Jev와 기존 LLM은 어떻게 다를까
기존 LLM은 답변을 할 때 자연어로 합니다. 확률에 따라 토큰을 하나씩 이어가면서 문장을 만들기 때문에 같은 질문을 하더라도 표현이 달라질 수 있으며, 사람이 아니라 프로그램이 LLM을 이용한다면 프로그램은 LLM의 답변에서 원하는 부분만 추출해야 합니다. 간혹 답변의 포맷이 틀려서 처리되지 않을 수도 있기 때문에 필요하면 재요청을 해야 할 수도 있습니다.
Jev는 질문과 함께 사전에 정해놓은 선택지를 같이 보내면 각 선택지에 대한 확률을 답변으로 돌려줍니다. Jev에 질문할 수 있는 유형에는 세 가지가 있습니다.
|
|
|
고객이 고객센터에 문의하는 시나리오를 예로 들어보겠습니다.
고객 문의: 배송이 5일째 안 오고 있습니다. 환불해 주세요.
고객 문의가 어떤 유형인지 구분하기 위해 LLM에 프롬프트로 질문한다면 아래와 같은 답변을 얻을 것입니다.
LLM에 질문: 고객 문의가 어떤 유형인지 알려주세요. (배송/환불/결제/기타)
LLM 답변: 이 문의는 배송 지연으로 인한 환불 요청으로 보이며, 환불로 분류하는 것이 적절합니다.
하지만 결정 모델에서는 아래와 같이 답변합니다.
결정 모델 답변: 환불 0.71, 배송 0.26, 결제 0.02, 기타 0.01
LLM은 이유를 설명하기 때문에 사람이 쉽게 이해할 수 있지만 프로그램이 쓰기에는 별도의 처리 과정을 거쳐야 하므로 불편합니다. 결정 모델에서는 설명이 없는 대신 각각의 선택지에 해당하는 확률이 숫자로 나와서 바로 사용할 수 있습니다. 확률이 높으면 프로그램이 자동으로 처리하도록 하고, 판단하기 어려우면 사람이 개입해서 결정하도록 할 수도 있습니다.
결정 모델은 새로 나온 개념일까
최근에 크게 이슈가 되었지만 과거에도 분류 모델은 있었습니다. 현재 우리가 사용하는 AI는 LLM(Large Language Model)으로 자연어로 대화를 주고 받을 수 있습니다. LLM이 나오기 전의 AI 모델은 특정 기능만 할 수 있었는데 스팸 메일 필터, 리뷰 긍정/부정 분류기 등이 대표적입니다.
이러한 AI 모델은 분류할 선택지가 학습할 때 고정되어 있어서 다른 질문에 대한 대답을 할 수 없고, 선택지를 추가하거나 삭제해야 한다면 학습을 다시 해야 하는 문제가 있었습니다. 결정 모델은 특정 목적을 위한 AI 모델 대신 LLM에서 구현한다는 점이 다릅니다.
결정 모델의 장점과 단점
결정 모델의 가장 큰 장점은 빠른 응답 속도입니다. LLM과는 다르게 답변을 문장으로 생성하는 과정이 없고 확률만 계산하므로 처리 시간이 짧습니다. 최근에는 LLM이 평가하는 LLM-as-a-Judge 방식이 널리 사용되고 있는데 Jev의 경우 GPT-6 보다 처리 시간이 짧으면서 토큰 비용이 훨씬 적었다는 연구 결과3)도 있습니다. AI 에이전트는 작업 하나를 처리하는 동안 여러 판단을 내리므로 한 번의 차이는 적을 수 있지만 누적될수록 그 차이는 크게 벌어집니다.
또, 답변을 바로 쓸 수 있다는 것도 장점입니다. 출력은 형식에 맞춰서 숫자로 나오기 때문에 답변을 따로 해석하거나 형식 오류로 인해 재요청을 할 필요도 없습니다. 결정 모델의 확신도를 보고 확신도가 높으면 결과를 그대로 사용하고, 확신도가 낮으면 성능이 뛰어난 LLM이 재판단을 할 수 있도록 맡길 수 있기 때문에 유연하게 구조를 설계하는 것도 가능합니다.
다만 한계도 명확합니다. 왜 그러한 결과가 나왔는지 추론 과정을 알 수 없으므로 결과가 맞는지 틀린지 검증할 수 없습니다.
장단점이 있는 만큼 결정 모델을 도입하기 전에 실제 데이터를 이용해서 처리하려는 업무에 적합한지 사전에 검증할 필요가 있습니다.
정리
글을 쓰는 AI와 판단하는 AI는 서로 사용하는 목적이 다릅니다. 결정 모델은 이미 있던 분류 모델의 아이디어를 LLM에 맞게 만든 것으로, AI 에이전트가 판단을 수없이 반복하는 환경에서는 빠르고 저렴하며 확신도까지 알려 준다는 점에서 효용이 큽니다.
어떤 모델이든 판단이 믿을 만한가를 결정하는 것은 결국 사람이 확인한 정답 데이터셋입니다. 플리토는 독자 파운데이션 모델 개발에 다양한 AI 학습용 데이터를 제공해 오고 있으며, 이러한 경험을 바탕으로 결정 모델의 정확도를 높이는 데에도 기여하겠습니다. 플리토가 만들어 나가고 있는 학습 데이터셋이 궁금하다면 플리토 마켓플레이스4)를 방문해 보세요.
|
|
|
구글이 코딩과 사이버 보안, 주요 업무 추론 등 핵심 영역에서 업계 최고 수준의 성능을 제공하는 차세대 AI 모델 '제미나이 4 아르곤(Gemini 4 Argon)'을 공개했습니다. 기존 '제미나이 3.5 프로'의 개발을 중단하고 선보인 이번 신모델은 이전 대비 16배 확대된 컨텍스트 윈도를 바탕으로 고도의 다단계 작업 처리 능력을 갖추었으며, 프롬프트 인젝션 방어 등 보안 에이전트의 안전장치를 한층 강화한 것이 특징입니다. 경쟁사인 오픈AI의 최고급 모델 '아스트라' 대비 절반 이하 수준의 가격 파격성을 앞세운 구글은, 향상된 성능과 압도적인 가격 경쟁력을 바탕으로 소프트웨어·금융·법률 등 고부가가치 기업용(B2B) AI 시장의 주도권을 본격적으로 확보할 것으로 전망됩니다.
|
|
|
중국 사이버 보안 엔지니어가 개발한 오픈소스 AI 에이전트 'ARTEX'가 한국 금융권 해킹 공격에 악용된 정황이 확인되었습니다. ARTEX는 GPT, 클로드, 딥시크 등 복수의 AI 모델을 연동해 시스템 취약점을 점검하는 보안 도구이나, 오픈소스 특성상 코드가 수정되며 역으로 공격용 플랫폼으로 전환되었습니다. 개발자 측은 사건 이후 악의적 사용 금지 지침을 명시했으나, 코드 수준의 원천 차단 기능이 없어 오남용을 막기에는 역부족이라는 지적이 나옵니다. 해외 IP를 우회해 감행된 이번 사건은 방어 목적의 보안 AI 도구가 사이버 무기로 전복될 수 있음을 증명한 대표적 사례입니다. 향후 AI 에이전트를 활용한 사이버 위협이 더욱 정교해질 것으로 예상됨에 따라, 오픈소스 AI 도구의 안전성 확보와 오남용 방지 대책 마련이 시급한 과제로 떠올랐습니다.
|
|
|
프랑스 AI 스타트업 미스트랄이 1조 개 이상의 파라미터를 탑재한 대규모 오픈웨이트 모델 '미스트랄 라지 4'를 공개했습니다. 이 모델은 추론 시 490억 개의 파라미터를 활성화하는 전문가혼합(MoE) 구조로, 100만 토큰의 문맥 처리와 160여 개 언어를 지원합니다. 가중치를 직접 내려받아 자체 인프라에서 구동할 수 있어 데이터 보안과 통제권을 중시하는 기업 및 공공 기관에 최적화되어 있습니다. 특히 사이버보안 분야 등에서 중국 개방형 모델을 능가하는 강력한 성능을 입증했습니다. 이번 발표는 미국 중심의 폐쇄형 모델과 중국 중심의 개방형 모델 구도 속에서 유럽 역시 독자적인 B2B 경쟁력과 주도권을 확보했음을 보여줍니다.
|
|
|
플리토가 기존의 AI 통번역 서비스를 하나로 묶은 통합 브랜드 '보글(Vogl)'을 전격 공개하고 기업 및 공공기관 시장 공략에 박차를 가합니다. 보글은 이용자의 음성, 전문용어, 고유명사를 지속 학습하는 '개인화' 기술을 차별점으로 내세워 번역 정확도를 대폭 끌어올렸으며, 내년에는 강의실용 및 휴대용 등 전용 하드웨어 출시와 온프레미스 보안 솔루션 확대도 추진할 계획입니다. 소프트웨어 기반 서비스를 전용 기기와 온프레미스 생태계로 확장하고 피지컬 AI 데이터 사업까지 영역을 넓히는 이번 행보는, 플리토가 단순 데이터 공급사를 넘어 글로벌 종합 AI 솔루션 기업으로 도약하기 위한 핵심 성장 동력이 될 것으로 전망됩니다.
|
|
|
플리토가 AI서밋 행사에서 통합 AI 통번역 서비스 '보글(Vogl)'의 현장 실황 통역 및 기록 성능을 선보였습니다. 보글은 최대 34개 언어를 지원하며 행사장의 한·영 자막 제공뿐만 아니라 스마트폰 앱을 통해 개인 맞춤형 멀티 언어 통역, 실시간 후처리 문맥 교정, 강연 녹취록 생성 및 자동 요약 기능을 지원합니다. 기존 단순 통역을 넘어 현장 이해부터 강연 기록 및 요약까지 일원화된 AI 워크플로를 구현함으로써, B2B 국제 행사 및 전문 취재 환경에서 AI 에이전트 기반 통번역 솔루션의 실용성을 증명하고 시장 입지를 대폭 강화했습니다.
|
|
|
오늘의 Flitto AI Picks는 어떠셨나요?
아래에 의견을 남겨주시면,
피드백을 반영해서 더 재밌고 유익한 콘텐츠로 찾아올게요. |
|
|
플리토 (Fliitto Inc.)
서울 강남구 영동대로96길 20 대화빌딩 6층
|
|
|
|
|
