미국 Plus·Pro 사용자부터 적용되는 새 메모리 시스템

매번 새로운 채팅창을 열 때마다 "나는 어떤 환경에서 일하는 사람이고, 어떤 도구를 쓴다"라고 구구절절 적어 넣는 일은 꽤나 소모적이다. OpenAI는 이런 반복 작업을 없애기 위해 수억 명의 사용자와 수년 치의 대화 데이터를 처리할 수 있는 확장 가능한 메모리 합성 시스템을 내놓았다. 이번 업데이트는 미국 내 Plus와 Pro 사용자에게 먼저 적용됐으며, 앞으로 몇 주 안에 다른 국가의 사용자나 Free, Go 요금제 이용자에게도 확대 배포될 예정이다.

기억 기능의 시작은 2024년 4월에 출시된 저장된 메모리(Saved Memories)였다. 당시에는 "7월에 싱가포르 여행 간다는 걸 기억해 줘"처럼 사용자가 명확하게 요청해야만 정보를 기록하는 방식이었다. 마치 메모지에 적어준 내용만 겨우 기억하고 나머지는 전부 잊어버리는 비서와 대화하는 느낌에 가까웠다. 특히 시간이 흐르며 정보가 낡아져도 스스로 내용을 갱신하지 못해, 결국 실제 상황과 맞지 않는 엉뚱한 답변을 내놓는 한계가 있었다.

이를 해결하기 위해 2025년 4월부터 배경에서 기억을 정리하는 드림(Dreaming) 1세대 버전이 도입됐다. 사용자가 따로 요청하지 않아도 AI가 대화 기록을 스스로 훑어보며 중요한 맥락을 큐레이션하고 합성하는 프로세스다. 이제는 굳이 기억해 달라고 말하지 않아도 자연스러운 대화 속에서 사용자의 취향이나 특수한 작업 환경을 스스로 학습한다. 명시적인 명령 없이도 맥락을 파악해 기억 상태를 최신으로 유지하는 구조를 갖춘 것이다.

사용자는 메모리 요약 페이지를 통해 AI가 나에 대해 무엇을 알고 있는지 한눈에 확인하고 직접 수정할 수 있다. 잘못 기억하고 있는 정보를 바로잡거나 특정 주제를 어느 시점에 언급할지 세부 지침을 내리는 제어권이 주어진 셈이다. 복잡한 프로젝트를 수행하거나 개인 설정이 많은 작업을 할 때, 매번 배경 설명을 입력하는 시간을 획기적으로 줄이면서 응답의 정확도를 높이는 판단 기준이 된다.

저장'에서 '합성'으로, 드림(Dreaming)의 작동 원리

매번 똑같은 배경 설명을 입력하는 게 왜 이렇게 번거로울까? 기존의 저장된 메모리는 사용자가 7월에 싱가포르 여행을 간다는 사실을 기억해 달라고 명시적으로 요청했을 때만 기록을 남겼다. 특정 신호가 있어야만 작동하는 방식이라 메모리에 적히지 않은 세세한 맥락은 금방 잊어버렸다. 마치 중요한 포인트만 메모지에 짧게 적어두고 그 외의 대화 내용은 전부 놓치는 조수와 일하는 기분이었다. 사용자가 AI에게 무엇을 기억해야 할지 일일이 지정하고 관리해야 하는 수동적인 구조였다.

드림(Dreaming) 아키텍처는 배경 프로세스가 수많은 대화 내용을 스스로 분석해 기억 상태를 합성한다. 사용자가 기억해 달라고 따로 말하지 않아도 대화 속에 자연스럽게 섞인 정보들을 AI가 알아서 엮어내는 방식이다. 여러 개의 채팅 세션에 흩어져 있는 정보 조각들을 모아 하나의 통합된 상태로 만드는 과정이 백그라운드에서 계속 일어난다. 사용자가 의식적으로 입력하지 않은 취향이나 작업 습관까지도 대화의 흐름 속에서 포착해낸다. 대화의 패턴을 읽어내어 중요한 정보를 추출하고 이를 기존 기억과 결합하는 자동화된 큐레이션 시스템이다.

이 시스템은 시간이 흘러 낡은 정보가 되면 이를 최신 상태로 갱신해 정확도를 유지하는 최신성을 확보했다. 서로 다른 채팅 세션에서도 일관된 맥락을 이어가는 연속성을 유지하며 현재 질문에 가장 적합한 기억만 골라내어 응답에 반영하는 관련성까지 높였다. 과거에는 예전에 입력한 설정이 현재 상황과 맞지 않아도 그대로 출력되는 문제가 있었지만 이제는 스스로 정보를 정제하고 업데이트한다. 불필요한 정보는 걸러내고 지금 이 순간에 꼭 필요한 맥락만 호출하여 응답의 품질을 결정한다. 이는 복잡한 프로젝트나 개인 설정이 많은 작업에서 프롬프트 입력 시간을 줄이고 응답의 정확도를 높이는 핵심 기준이 된다.

현장에서 달라지는 비용과 판단

매번 새로운 채팅창을 열 때마다 처음 보는 사람에게 자기소개를 하는 기분이 든다. 기존 방식에서는 수중 사진 촬영을 위한 TTL(카메라와 플래시가 자동으로 빛의 양을 조절하는 기술) 장비를 추천해달라고 하면 일반적인 가이드만 내놓았다. 광섬유 방식과 전기 방식의 차이점을 설명하며 사용자가 직접 호환성을 확인하라고 안내하는 수준이었다. 결국 정밀한 장비 매칭이라는 핵심 작업은 여전히 사람의 몫이었고 사용자는 수많은 제품 페이지를 직접 뒤져야 했다.

드림 아키텍처를 적용하면 답변의 단위가 제품 번호 수준으로 정밀해진다. 사용자가 사용하는 Sony A1 II 카메라와 Nauticam NA-A1II 하우징, Inon Z-330 스트로브 설정을 AI가 이미 기억하고 있기 때문이다. 단순히 호환되는 제품을 찾으라고 말하는 대신 BS-TR-SN2라는 구체적인 제품 번호를 찍어서 추천한다. 사용자가 매크로 촬영을 선호한다는 점까지 고려해 Mini Flash 3에 최적화된 트리거를 제안하고 다른 컨버터와의 차이점까지 짚어준다. 일반적인 정보 제공을 넘어 실무 수준의 조달 리스트를 짜주는 셈이다.

이런 정밀함은 장기 프로젝트나 개인의 세밀한 취향이 반영되어야 하는 작업에서 더 빛을 발한다. 매번 배경 설명을 반복할 필요 없이 이전 대화의 맥락에서 바로 작업을 이어갈 수 있다. 싱가포르 여행 일정을 짤 때도 사용자가 야생 동물 사진 촬영을 즐기고 에어컨이 강한 호텔을 선호한다는 사실을 기억해 맞춤형 동선을 제안한다. AI가 사용자의 고유한 제약 사항과 선호도를 학습해 개인 비서처럼 움직이며 응답의 정확도를 높인다.

실무자가 체감하는 가장 큰 변화는 프롬프트 입력에 들어가는 물리적 시간의 단축이다. 복잡한 작업 환경이나 장비 설정을 매번 입력하던 반복 작업이 사라지며 응답의 하한선이 올라간다. 이제 사용자는 AI에게 상황을 설명하는 데 에너지를 쓰는 대신 AI가 내놓은 정밀한 선택지를 검토하고 최종 결정을 내리는 판단의 영역에 더 집중하게 된다. 이는 도구와의 소통 비용이 줄어들고 실제 작업 생산성이 올라가는 결과로 이어진다.

한국 AI 실무자가 주목할 '개인화'의 실익

매번 대화를 시작할 때마다 "너는 10년 차 전략 기획자고, 보고서는 개조식으로 작성해 줘" 같은 페르소나 설정을 복사해서 붙여넣고 있지는 않은가. 실무자가 AI를 활용하며 가장 피로감을 느끼는 지점은 정작 핵심 질문보다 그 앞단에 붙는 제약 조건과 배경 설명의 반복이다. 드림 아키텍처는 이런 반복적인 입력 과정을 배경 프로세스가 스스로 처리하도록 설계했다. 이제 프롬프트 엔지니어링의 무게중심은 매번 정성껏 명령어를 입력하는 기술에서, AI가 나를 어떻게 기억하고 정의하게 할지 결정하는 관리 영역으로 완전히 옮겨간다.

메모리 요약 페이지에서는 AI가 나에 대해 학습한 정보들을 목록 형태로 확인하고 즉시 수정할 수 있다. 특정 프로젝트의 핵심 목표나 선호하는 커뮤니케이션 스타일을 AI가 잘못 이해했다면, 해당 항목만 골라 내용을 바꾸거나 삭제하는 방식으로 기억을 교정한다. 이 과정에서 사용자는 AI가 어떤 데이터를 근거로 응답하는지 투명하게 파악하며 신뢰도를 높일 수 있다. 사용자가 AI의 기억 상태를 직접 제어하며 일종의 맞춤형 업무 매뉴얼을 실시간으로 튜닝하는 셈이다. 이는 AI를 단순한 일회성 도구가 아니라 내 업무 성향과 맥락을 완벽히 공유하는 숙련된 전담 비서로 활용하는 단계로 진입하게 한다.

기업 내부의 복잡한 워크플로우나 개인의 특수한 작업 환경이 배경에서 학습되면 응답 품질의 하한선이 획기적으로 상승한다. 일반적인 이론이나 범용 가이드가 아니라, 우리 팀이 실제로 사용하는 소프트웨어의 명칭과 내부 결재 규칙이 반영된 결과물이 나오기 때문이다. 배경 맥락을 일일이 설명하는 시간을 덜어내고도 AI가 알아서 최적의 맥락을 찾아내므로, 첫 번째 응답부터 즉시 실무에 적용 가능한 수준의 초안을 얻을 수 있다. 결과적으로 개별 작업자의 프롬프트 작성 숙련도와 상관없이 조직 전체의 AI 활용 결과물을 일정 수준 이상으로 상향 평준화하는 강력한 기준점이 된다.

매번 복사해서 붙여넣던 페르소나 설정과 배경 설명의 시대가 끝났다. 드림 아키텍처는 사용자가 명시적으로 요청하지 않아도 대화의 맥락을 스스로 요약하고 합성해 메모리에 저장한다. AI가 내 업무 스타일과 선호를 배경에서 미리 학습해 두는 구조다.

이제 작업의 효율은 얼마나 정교한 프롬프트를 작성하느냐가 아니라, AI가 나의 맥락을 얼마나 정확하게 쥐고 있느냐에서 결정된다. 도구에 나를 맞추는 시대에서 도구가 나를 학습하는 시대로 완전히 넘어갔다.