2026년 10월 5주차 - Flitto AI Picks 2026년 10월 5주차 Flitto AI Picks |
|
|
|
안녕하세요, Flitto AI Picks 구독자 여러분.
다섯 번만 더 Flitto AI Picks를 읽으시면 2027년이 된다는 사실 알고 계셨나요? 시간이 참빠르죠?⏰
- "꿈꾸던 어른이 되었나요?" 멜론 3위 노래, 알고 보니 AI 작품?
- AI 시대 직장인의 역설…일은 빨라졌는데 회의는 길어졌다🧑💻
- 쿼카 쌤이 알려주는 AI Tech 용어 #20 👩🏫
- 모델 붕괴의 시작 - AI가 만든 데이터가 AI를 망치는 이유
연말까지 뉴스레터 재밌게 즐겨주세요! |
|
|
"꿈꾸던 어른이 되었나요?"🎵 멜론 3위 노래, 알고 보니 AI 작품? |
|
|
"꿈꾸던 어른이 되었나요?" 최근 인스타그램 릴스나 유튜브 쇼츠에서 한 번쯤 들어보셨을 노래입니다. 공감을 자아내는 가사와 감성적인 목소리로 인기를 끌고 있는데요. 실제로 멜론 차트 3위까지 올랐습니다. 그런데 이 노래, 사람이 아닌 AI가 부른 곡이라는 사실 알고 계셨나요? 머무르의 '꿈꾸던 어른이 되었나요?'는 음악 생성 AI '수노(SUNO)'를 활용해 제작됐습니다. AI가 만든 노래도 사람의 마음을 움직일 수 있다는 사실을 보여준 사례입니다.
AI 음악은 빠르게 늘고 있습니다. 프랑스 음원 플랫폼 디저(Deezer)에 매일 등록되는 신곡 중 절반 이상이 AI 생성곡일 정도입니다. 기업들도 AI 음악을 마케팅에 활용하고 있는데요. 삼성증권이 자체 제작한 4인조 AI 걸그룹 '루미나'의 데뷔곡 뮤직비디오는 공개 한 달 만에 조회수 250만 회를 돌파했습니다. AI 음악이 개인 창작을 넘어 기업의 새로운 홍보 수단으로도 활용되고 있습니다. |
|
|
|
AI 음악의 확산은 새로운 과제도 남겼습니다. AI가 기존 음악을 학습하는 과정에서 발생하는 저작권 문제와 창작자에 대한 정당한 보상입니다. 다만 AI를 활용해 음악을 제작하는 것 자체가 문제는 아닙니다. 실제로 스포티파이도 창작자가 AI 활용 사실을 공개할 수 있도록 지원하고 있습니다. 누구나 쉽게 음악을 만드는 시대, 이제는 AI를 얼마나 활용했는지보다 어떻게 활용하고 창작자의 권리를 보호할지가 중요해지고 있습니다.
|
|
|
AI 시대 직장인의 역설…일은 빨라졌는데 회의는 길어졌다🧑💻 |
|
|
AI 도입이 기업의 업무 효율을 높이고 있습니다. 베스핀글로벌이 최근 발표한 '2026 산업별 AX 고객 사례집'에 따르면, 한국수력원자력은 AI를 활용해 서류 검토 시간을 90% 줄였습니다. 해외 전자상거래 기업은 상품 콘텐츠 제작을 자동화해 60일 만에 1,700만 달러의 추가 매출을 기록했습니다. 이처럼 AI는 업무 시간 단축을 넘어 실질적인 경영 성과로 이어지고 있습니다.
그렇다면 AI 덕분에 직장인들의 업무 부담도 줄었을까요? AI 기업 앤트로픽이 발표한 자체 고용·업무 변화 보고서는 조금 다른 결과를 보여줍니다. 앤트로픽 직원들의 회의 시간은 1년 전보다 20% 늘었습니다. AI가 코드와 문서를 빠르게 만들어도 결과물을 검토하고 중요한 결정을 내리는 과정에는 여전히 사람의 논의가 필요했기 때문입니다. |
|
|
AI의 작업 속도와 사람의 검토 속도에도 차이가 나타났습니다. 지난 8월 기준 앤트로픽 직원들이 활용한 AI 에이전트의 작업 시간은 직원 근무 시간의 6배에 달했습니다. 하지만 대화형 클로드 세션 시간의 약 80%는 사람의 응답이나 추가 지시를 기다리는 데 쓰였습니다. AI가 결과물을 쏟아내는 속도를 사람의 판단이 따라가지 못하는 병목현상이 나타난 것입니다.
직장인들의 역할도 달라지고 있습니다. 앤트로픽에서 AI에 지시를 내리고 결과물을 검토하는 등 AI를 관리하는 업무 비중은 10%에서 22%로 높아졌습니다. 직접 업무를 수행하는 대신 여러 AI의 작업을 관리하고 방향을 결정하는 일이 늘어난 것입니다. AI가 업무의 많은 부분을 맡게 되면서, 앞으로는 AI의 결과물을 판단하고 활용하는 역량이 더욱 중요해질 것으로 보입니다.
|
|
|
쿼카 쌤이 알려주는 AI Tech 용어 #20 👩🏫
안녕하세요, 쿼카 쌤입니다.🐨
어느덧 함께 배운 AI 용어가 60개를 돌파했습니다! 축하합니다! 🥳
|
|
|
🧠STT (Speech-to-Text, 음성 텍스트 변환)
: 사람의 음성을 인식해 말한 내용을 텍스트로 변환하는 AI 기술이에요. 음성의 발음과 문맥을 분석해 글자로 기록하며, 회의록 자동 작성이나 영상 자막 생성, 음성 명령 인식 등에 활용된답니다.
✅ 포인트
- 사람의 음성을 인식해 텍스트로 자동 변환
- AI가 발음과 문맥을 분석해 음성 내용 기록
- 회의록 작성·자동 자막·음성 비서 등에 활용
|
|
|
🔭 NMT (Neural Machine Translation, 신경망 기계번역)
: 인공신경망을 활용해 한 언어의 문장을 다른 언어로 자연스럽게 번역하는 AI 기술이에요. 단어를 개별적으로 바꾸는 대신 문장 전체의 문맥과 의미를 고려해 번역하기 때문에 보다 자연스럽고 정확한 번역 결과를 제공할 수 있답니다.
✅ 포인트
- 인공신경망을 활용해 서로 다른 언어 간 번역 수행
- 문장 전체의 문맥과 의미를 고려해 번역 품질 향상
- 실시간 통번역·다국어 번역 서비스 등에 활용
|
|
|
🔊 TTS (Text-to-Speech, 텍스트 음성 변환)
: 글자로 작성된 내용을 사람의 목소리처럼 자연스러운 음성으로 변환하는 AI 기술이에요. AI가 문장의 발음과 억양, 말하는 속도 등을 조절해 음성을 생성하며, 오디오북이나 AI 음성 안내, 음성 비서 등에 활용된답니다.
✅ 포인트
- 텍스트를 사람이 말하는 듯한 음성으로 변환
- 발음·억양·속도 등을 조절해 자연스러운 음성 생성
- 오디오북·AI 음성 안내·음성 비서 등에 활용 확장
|
|
|
모델 붕괴의 시작 - AI가 만든 데이터가 AI를 망치는 이유
|
|
|
복사기로 복사한 종이를 다시 복사하고, 그 복사본을 또 복사하는 장면을 떠올려 봅시다. 처음 몇 장은 원본과 거의 구별되지 않습니다. 그러나 열 번, 스무 번을 거듭하면 글자의 획은 뭉개지고 여백의 미세한 얼룩은 사라지며, 결국 남는 것은 원본의 흐릿한 윤곽뿐이게 됩니다. 지금 인공지능 산업이 맞닥뜨린 위기는 이 복사기의 비유와 놀라울 만큼 닮아 있습니다.
ChatGPT를 비롯한 생성형 AI는 불과 몇 년 사이에 인터넷 생태계를 근본적으로 바꿔 놓았습니다. 블로그 글, 상품 리뷰, 뉴스 요약, 커뮤니티 댓글, 심지어 학술 초록까지 AI가 쓴 문장이 빠르게 웹을 채우고 있으며, 머지않아 온라인 텍스트의 상당 부분이 기계의 손에서 나올 것이라는 전망은 더 이상 과장이 아닙니다. 문제는 테크 기업들이 더 뛰어난 모델을 만들기 위해 지금까지 의존해 온 방식이 바로 이 웹을 대규모로 긁어모으는 스크래핑이라는 데 있습니다. 웹이 곧 학습 데이터였던 시대에, 웹 자체가 AI의 산출물로 오염되기 시작한 것입니다.
|
|
|
옥스퍼드와 케임브리지 대학의 연구진은 이 지점에서 대형 언어 모델이 직면한 거대한 위협을 경고했습니다. 바로 모델 붕괴(Model Collapse)입니다. 모델 붕괴란 미래의 AI 모델, 이를테면 GPT-n이 이전 세대 AI가 생성한 웹 데이터를 바탕으로 학습을 거듭할 때 발생하는 구조적 결함을 뜻합니다. AI가 만든 콘텐츠를 무분별하게 학습에 쓰면 모델에는 돌이킬 수 없는 결함이 생깁니다. 모델은 원본 데이터 분포의 꼬리(tails) 영역, 즉 드물지만 의미 있는 사례들을 잃어버리고, 인간의 글이 지닌 창의적이고 독특한 뉘앙스를 잊은 채 비슷한 말만 되풀이하는 반향실(echo chamber)에 갇히게 됩니다.
왜 하필 꼬리부터 사라질까요. 그 이유는 생성 모델이 작동하는 방식 자체에 있습니다. 언어 모델은 본질적으로 다음에 올 가능성이 높은 것을 고르는 확률 기계입니다. 학습 데이터에서 자주 등장한 표현은 더 자주 생성되고, 드물게 등장한 표현은 더 드물게 생성되거나 아예 생성되지 않습니다. 이렇게 만들어진 데이터로 다음 세대를 학습시키면, 이미 희미해진 드문 사례는 한 번 더 깎여 나갑니다. 유한한 표본에서 생기는 통계적 오차, 모델 구조가 현실의 복잡한 분포를 온전히 담지 못하는 표현력의 한계, 학습 과정 자체의 근사 오차가 세대를 넘어 누적되면서 오류는 상쇄되지 않고 증폭됩니다. 처음에는 소수 방언, 전문 분야의 특수 용어, 독특한 문체처럼 꼬리에 있던 정보가 조용히 사라지는 초기 붕괴가 진행되고, 이것이 계속되면 출력이 원래 분포와 전혀 닮지 않은 좁고 단조로운 형태로 수렴하는 후기 붕괴에 이릅니다. 실제로 연구진이 언어 모델을 세대별로 재학습시키는 실험을 했을 때, 중세 건축에 관한 글로 시작한 출력이 몇 세대 뒤에는 주제와 무관한 단어를 기계적으로 나열하는 문장으로 무너져 내렸습니다.
이 문제는 특정 서비스나 특정 모델에만 국한되지 않습니다. 연구진은 모델 붕괴가 대형 언어 모델뿐 아니라 변분 자동인코더(VAE)와 가우시안 혼합 모델(GMM) 등 생성 모델 전반에서 보편적으로 일어나는 현상임을 이론적으로 입증했습니다. 다시 말해 이것은 어느 회사의 기술력이 부족해서 생기는 버그가 아니라, 생성 모델이 자기 자신의 출력을 먹고 자랄 때 필연적으로 마주하는 수학적 귀결입니다. 누군가 이를 근친교배에 빗대어 합스부르크 AI라고 불렀는데, 유전적 다양성을 잃은 왕가가 대를 거듭하며 쇠약해졌듯 데이터의 다양성을 잃은 모델도 세대를 거듭하며 퇴화한다는 점에서 꽤 정확한 비유입니다.
모델 붕괴는 기존에 알려진 파국적 망각(catastrophic forgetting)이나 데이터 중독(data poisoning)과 맞닿아 있지만 결이 다릅니다. 파국적 망각은 지속적 학습 과정에서 모델이 새로운 정보를 배우며 이전 샘플을 잊어버리는 현상이고, 데이터 중독은 누군가 의도적으로 오염된 데이터를 주입해 모델을 망가뜨리는 공격입니다. 반면 모델 붕괴에는 악의를 가진 공격자도, 급격한 과제 전환도 없습니다. 이전 세대의 모델이 스스로 왜곡한 데이터 분포를 다음 세대가 다시 학습하면서, 아무도 의도하지 않은 채 서서히 진행됩니다. 그래서 더 위험합니다. 눈에 띄는 사고 없이 품질이 조금씩 낮아지기 때문에, 문제를 알아챘을 때는 이미 꼬리가 상당 부분 잘려 나간 뒤일 수 있습니다.
AI 생성 데이터로 학습을 거듭할수록 극단치와 독특한 변형을 담은 꼬리 영역은 씻겨 나가고, 모델은 결국 데이터의 평균적 표현(mean representation)으로 모여듭니다. 평균은 무난하지만 평범합니다. 평균으로 수렴한 모델은 그럴듯한 문장은 쓰지만 새로운 문장은 쓰지 못하고, 다수의 관점은 잘 요약하지만 소수의 관점은 지워 버립니다. 이는 단지 성능의 문제가 아니라 공정성의 문제이기도 합니다. 사용자가 적은 언어, 주류에서 벗어난 문화, 드물지만 결정적인 의학적 사례처럼 원래부터 데이터가 부족했던 영역이 가장 먼저, 가장 크게 손상되기 때문입니다.
|
|
|
물론 합성 데이터 자체가 악은 아닙니다. 최근의 연구들은 인간이 만든 원본 데이터를 버리지 않고 그 위에 합성 데이터를 누적하는 방식이라면 붕괴를 상당 부분 피할 수 있음을 보여 줍니다. 수학 풀이나 코드처럼 정답을 검증할 수 있는 영역에서는 모델이 만든 데이터를 걸러 쓰는 방식이 오히려 성능을 끌어올리는 핵심 기법으로 자리 잡았습니다. 결국 핵심은 합성 데이터를 쓰느냐 마느냐가 아니라, 그 데이터가 어디서 왔는지 알고 있느냐, 그리고 진짜 세계와의 연결 고리를 유지하고 있느냐입니다. 무엇이 인간의 것이고 무엇이 기계의 것인지 구분할 수 없는 상태에서 웹을 통째로 긁어 학습하는 순간, 우리는 복사본의 복사본을 원본이라 믿게 됩니다.
그래서 웹 데이터 학습의 이점을 계속 누리려면 모델 붕괴를 진지하게 다뤄야 합니다. 데이터의 출처를 추적하는 체계, AI 생성물을 식별하는 기술, 그리고 무엇보다 오염되지 않은 인간 데이터를 체계적으로 확보하고 보존하는 노력이 필요합니다. 핵실험 이후 대기 중 방사성 물질에 오염되지 않은 저배경 강철이 귀해졌듯이, 생성형 AI 이전에 쓰인 인간의 텍스트와 지금도 실제 사람들이 만들어 내는 생생한 상호작용 데이터는 이미 다시 만들 수 없는 자원이 되어 가고 있습니다.
AI가 만든 콘텐츠가 웹을 가득 채울수록, 역설적으로 진짜 인간의 상호작용에서 나온 데이터의 가치는 더욱 높아집니다. 사람이 직접 말하고 쓰고 고민하고 틀리고 고쳐 나간 흔적, 평균에서 벗어난 생각과 낯선 표현, 소수의 언어와 현장의 감각은 모델이 스스로 만들어 낼 수 없는 것들입니다. 인공지능이 고도화될수록 AI의 한계를 넘어서게 해 줄 가장 귀중한 자산은 더 큰 연산이나 더 많은 데이터가 아니라, 인간이 만든 순수한 데이터입니다. 기계가 기계를 가르치는 시대에도 결국 기준점은 인간에게 있습니다.
|
|
|
애플이 화면 정보와 사용자 맥락을 파악해 복잡한 작업을 연속 수행하는 '시리 AI'를 이달 중 국내에 선보입니다. 구글 제미나이를 기반 엔진으로 탑재했으며, 개인 데이터 탐색과 일정 등록 등 여러 앱 간의 연계 작업을 하나의 흐름으로 처리합니다. 또한 전용 앱을 통한 기기 간 작업 동기화는 물론 네이버·카카오 등 국내 주요 플랫폼과의 서비스 연동도 함께 확대합니다. 서버 연산 시에는 데이터 처리 직후 세션을 종료하고 정보를 삭제하는 자체 보안 구조를 적용했습니다. 이번 출시는 단순 질의응답을 넘어 실제 행동을 대행하는 AI 비서가 국내 서비스 생태계와 본격적으로 결합하는 계기가 될 것으로 평가됩니다.
|
|
|
중국 딥시크가 추론과 코딩 역량을 강화한 신규 AI 모델 '딥시크 V4.1-플래시-1017'을 공개했습니다. 이 모델은 자체 피드백 기반 강화학습을 적용해 응답 속도를 높이고 3차원 모델링 등 복잡한 프로젝트 수행 능력을 개선했습니다. 소프트웨어 개발 벤치마크인 '딥SWE v1.1'에서 77.0점을 기록해 미국 주요 빅테크 모델의 점수를 앞섰습니다. 또한 코딩 작업당 비용을 약 0.2달러 수준으로 낮추고 100만 토큰당 최저 0.59달러의 API 요금을 책정해 높은 가격 경쟁력을 갖췄습니다. 이번 출시는 AI 모델 개발 경쟁이 성능 고도화를 넘어 실질적인 비용 절감과 업무 자동화 효율성 중심으로 재편되고 있음을 보여줍니다.
|
|
|
보스턴컨설팅그룹(BCG)의 'AI 성숙도 매트릭스 2026' 보고서에서 한국과 일본이 최상위 'AI 선도국' 그룹에 신규 진입했습니다. 한국은 독자적인 AI 모델 개발 성과와 국가 차원의 대규모 인프라 투자를 인정받아 미국·중국 등과 함께 이름을 올렸습니다. 이번 조사는 75개 이상 국가를 대상으로 산업별 AI 노출도와 인재·정책 등 6개 영역의 준비도를 종합 분석했습니다. 보고서는 향후 국가 경쟁력의 핵심이 전략 수립 자체보다 컴퓨팅 인프라와 전문 인력 확보 등 실행 속도에 달려 있다고 분석했습니다. 이에 따라 보유한 AI 역량을 제조업 등 핵심 산업 현장과 연계해 실질적인 비즈니스 성과로 연결하는 것이 주요 과제로 꼽힙니다.
|
|
|
플리토가 교보문고 주요 매장에 AI 통번역 솔루션 'Vogl Zone(보글 존)'을 공급하며 오프라인 다국어 응대 지원에 나섰습니다. 매장 환경에 맞춘 디스플레이와 태블릿 형태로 배치되었으며, 자동 언어 감지 기능을 지원합니다. 도서 분류명과 작가명 등 특화 고유명사를 사전 학습시켜 범용 번역기 대비 현장 정확도를 높였습니다. 이번 도입은 오프라인 AI 통번역 기술을 문화적 맥락이 집약된 도서 유통 현장에 적용한 첫 사례입니다. 플리토는 향후 호텔과 의료 등 전문 응대가 필요한 서비스 산업 전반으로 솔루션 공급을 확대할 계획입니다.
|
|
|
플리토가 3분기 누적 영업이익 103억원을 기록하며 지난해 연간 실적을 3분기 만에 초과 달성했습니다. 3분기 기준 매출 178억원과 영업이익 90억원을 올려 50.4%의 분기 영업이익률을 기록했습니다. 실시간 AI 통번역 솔루션 '보글'의 유저가 8만 명을 돌파하며 행사와 유통 매장 등으로 적용처를 넓힌 점이 주효했습니다. 글로벌 반도체 기업 대상 39억원 규모 솔루션 공급 계약과 학습용 데이터 사업 등 B2B 수주도 성장을 뒷받침했습니다. 이번 성과는 선제적 기술 투자를 바탕으로 한 AI 통번역과 데이터 사업이 실질적인 고수익 선순환 궤도에 안착했음을 시사합니다
|
|
|
오늘의 Flitto AI Picks는 어떠셨나요?
아래에 의견을 남겨주시면,
피드백을 반영해서 더 재밌고 유익한 콘텐츠로 찾아올게요. |
|
|
플리토 (Fliitto Inc.)
서울 강남구 영동대로96길 20 대화빌딩 6층
|
|
|
|
|
