이번 주 소프트웨어 개발과 모델 설계의 지형이 빠르게 바뀌고 있다. 새로운 도구와 효율성 기준이 AI와 인간이 상호작용하는 방식을 근본적으로 재정의하고 있기 때문이다.

우선 클로드 코드의 Artifacts 기능이 출시됐다. 작업 공간 내에서 앱을 직접 구축하고 시각화하는 방식을 완전히 바꿀 도구다. 이와 동시에 Deep Seek V4가 공개됐다. 전문가 혼합 방식(mixture-of-experts) 설계를 통해 성능과 자원 관리의 한계를 한 단계 더 밀어붙였다.

모델 업데이트를 넘어 자동화 생태계도 확장 중이다. Zapier 같은 연결 도구들이 추가되며, 단순한 채팅 기반 도움을 넘어 복잡한 다단계 프로젝트를 스스로 수행하는 자율형 코딩 업무 흐름(workflow)으로 진화하고 있다. 이제 코딩은 '돕는 것'에서 '대신 하는 것'으로 넘어가는 중이다.

기술적 진보가 생산성을 높여주겠지만, 업계 전체는 여전히 혼란스럽다. 최첨단 모델이 가진 압도적인 성능과, 일관된 사용자 경험을 위해 필요한 세밀한 페르소나 사이의 간극이 뚜렷하기 때문이다.

모델 배분(model dispatching)에 관한 연구 중심 실험부터, 소비자 중심 제품으로 방향을 트는 주요 AI 기업들의 전략적 변화까지. 이번 리포트에서는 이러한 흐름이 우리가 쓰는 도구와 비즈니스 모델, 그리고 자동화 시대의 창의적 과제를 어떻게 바꾸고 있는지 분석한다.

01개발 과정이 웹페이지로 변한다 — 클로드 코드, 시각적 결과물(Artifacts) 도입

앤스로픽이 클로드 코드에 '아티팩트(Artifacts)' 기능을 통합했다. 개발자가 작업 과정을 공유하는 방식이 근본적으로 바뀐다. 기존의 클로드.ai나 협업 툴에서 보던 것과 달리, 이 기능은 복잡한 기술 작업과 가공되지 않은 코드를 즉시 실행 가능한 대화형 웹페이지로 변환해 준다. 팀원들은 이제 끝없는 텍스트나 코드 뭉치를 훑는 대신, 프로젝트의 현재 상태를 시각화한 대시보드를 통해 직관적으로 파악할 수 있다. 코딩 실력과 상관없이 누구나 이해할 수 있는 형태로 기술적 성과를 전달하는 셈이다. 작업 공간이 곧 공유 가능한 시각적 경험이 된다.

이러한 시각적 페이지의 핵심은 모델 컨텍스트 프로토콜(MCP)에 있다. AI가 외부 데이터 소스나 애플리케이션과 연결되는 표준 방식이다. 일부 도구는 자체 연결 기능을 갖췄지만, 그렇지 않은 경우 가교 역할을 하는 서버가 필요하다. 예를 들어 Zapier MCP 서버를 이용하면 School, Synthflow, Beehive처럼 전용 API가 없는 플랫폼을 포함해 9,000개 이상의 앱과 클로드를 연결할 수 있다. 덕분에 아티팩트에 표시되는 정보는 멈춰있는 스냅샷이 아니라 외부에서 실시간으로 가져오는 생생한 데이터가 된다. 연결된 앱에서 내용이 바뀌면 공유 대시보드에도 즉시 반영된다. 데이터는 멈춰있지 않고 실시간으로 흐른다.

실제 활용 사례는 이미 마케팅과 데이터 관리 분야에서 나타나고 있다. 사용자는 클로드를 Meta Ads Manager에 연결하거나, 클로드 Opus 4.7의 전용 커넥터를 통해 페이스북 광고의 실시간 인사이트와 보고서를 확인할 수 있다. 또한 Supabase 커넥터를 활용해 데이터베이스를 '제2의 뇌'처럼 사용하며 아이디어를 저장하고 상태 업데이트를 추적하면, 이 모든 내용이 실시간 아티팩트로 구현된다. 가공되지 않은 데이터와 시각적 표현 사이의 간극을 메운 것이다. 이제 팀은 고립된 코딩 환경에서 벗어나, 실시간 정보가 인터페이스의 중심이 되는 협업 중심의 데이터 작업 공간으로 이동한다. 고립된 코딩의 시대가 끝났다.

02AI 코딩 방식 — 채팅을 넘어 완전 자동화로

소프트웨어 개발의 중심이 인간이 AI를 계속 가이드하는 '채팅' 인터페이스에서, AI가 전체 프로세스를 자율적으로 관리하는 시스템으로 이동하고 있다. 초보자들이 프롬프트를 입력하고 결과를 기다리며 검토하는 데 시간을 보낼 때, 숙련된 개발자들은 이미 자동화된 파이프라인을 구축한다. 이들은 Cursor 같은 도구를 활용해 특정 목표를 달성할 때까지 자율형 에이전트(AI agent)가 무한히 작동하도록 만드는 '트리거'와 '루프(반복 실행)'를 설정한다. 예를 들어, 웹사이트의 모든 페이지와 사이드바가 50밀리초(ms) 이내에 로드될 때까지 AI가 계속 최적화 작업을 수행하도록 설정하면, 인간의 개입 없이도 몇 시간 동안 작업이 이어진다. 매일 밤 에이전트가 운영 로그를 분석해 오류를 찾아내고 자동으로 수정안을 제출하는 유지보수 자동화도 가능하다. 이제는 채팅이 아니라 시스템을 설계하는 시대다.

자율형 에이전트가 프로젝트 표준에서 벗어나지 않도록, 전문가들은 `agents.md`나 `클로드.md` 같은 설정 파일을 활용한다. 이 파일들은 AI의 페르소나부터 커밋 메시지 작성 방식까지 모든 것을 규정하는 일종의 '규칙서' 역할을 한다. 품질 관리는 일종의 관문인 '스킬(skills)'을 통해 더욱 철저해진다. 가령, 로컬 테스트를 100% 통과하지 못하면 코드 병합 요청(pull request) 자체를 제출하지 못하도록 제한하는 식이다. Grapile 같은 도구는 여기서 한 발 더 나아가, 제출된 요청을 검토해 버그 없이 병합될 가능성을 0에서 5점 사이의 신뢰 점수로 매기고, 남은 문제를 해결하는 데 필요한 정확한 지시어까지 제공하며 자동화를 완성한다. AI에게 자유를 주되, 규칙은 더 엄격해졌다.

이러한 자동화를 확장하려면 AI 에이전트들이 동일한 파일에 동시에 접근해 충돌하는 것을 막는 전용 인프라가 필요하다. 개발자들은 에이전트마다 코드 저장소의 복사본을 따로 만드는 '작업 트리(work trees)'를 사용하거나, 완전히 격리된 환경에서 구동되는 클라우드 에이전트로 전환하고 있다. 클라우드 기반 시스템은 로컬 컴퓨터의 메모리와 연산 능력 한계를 없애 수십 개의 에이전트가 동시에 병렬로 작업할 수 있게 한다. 하지만 결정적인 병목 구간이 남아 있다. 바로 AI가 쏟아낸 방대한 양의 코드를 실제 서비스 환경(production)에 병합하고 배포하는 최종 단계다. 수십 개의 에이전트가 동시에 라이브 시스템을 업데이트하려 들면, 중복 테스트가 폭증하고 충돌이 발생하는 문제가 발생하며 이는 여전히 해결해야 할 과제로 남아 있다. 생산량은 폭발했지만, 합치는 과정은 여전히 병목이다.

03268GB 모델을 81GB로? Deep Seek V4는 어떻게 일반 PC에서 돌아갈까?

Deep Seek V4는 모든 단어를 생성할 때 필요한 연산량을 획기적으로 줄여, 일반 사용자용 기기에서도 거대 AI 모델을 돌릴 수 있게 했다. 핵심은 전문가 혼합(MoE, Mixture of Experts) 구조다. 모든 전문가를 다 쓰는 게 아니라, 특정 작업에 필요한 소수 인원만 호출하는 전문 팀처럼 작동한다. 전체 파라미터는 2,840억 개에 달하지만, 실제 토큰 하나를 처리할 때 활성화되는 것은 약 130억 개뿐이다. 층마다 배치된 256명의 전문가 중 내부 라우터가 소수만 선택하기 때문이다. 덩치는 키우되, 쓰는 힘은 줄였다.

메모리 점유율을 더 낮추기 위해 '선택적 양자화(selective quantization)' 기술을 도입했다. 이는 모델 가중치의 숫자 정밀도를 낮춰 용량을 줄이는 방식이다. 다만 정밀도를 너무 낮추면 오류가 누적될 위험이 있다. 그래서 Deep Seek V4는 어텐션 층, 라우터, 공유 전문가, 출력 헤드 같은 핵심 구성 요소는 4비트로 보호하고, 상대적으로 덜 중요한 전문가들은 2비트로 압축했다. 특히 4,700개의 실제 프롬프트를 테스트해 정보 손실이 적은 지점을 정확히 찾아냈다. 그 결과 모델 크기를 268GB에서 약 81GB까지 줄였고, 이제 MacBook Pro나 DGX Spark 같은 기기에서도 구동이 가능하다. 효율적인 다이어트의 결과다.

추가 최적화는 Dwarf Star가 담당한다. 고가의 RAM 대신 SSD 스트리밍을 활용해 11,000명의 전문가 대부분을 디스크에 저장했다가, 라우터가 호출할 때만 메모리 캐시로 불러오는 방식이다. 긴 대화를 처리할 때의 효율도 높였다. 최근 128개 토큰은 고해상도로 유지하고 오래된 기록은 압축하는 계층형 설계 덕분에, 100만 토큰의 문맥을 단 26GB의 메모리로 처리할 수 있다. 심지어 Thunderbolt 5를 이용해 MacBook Pro 두 대에 모델을 나눠 올리는 분산 처리도 가능하다. 이 경우 64,000개 토큰의 초기 처리(prefill) 속도는 1.85배 빨라지지만, 이후 한 단어씩 생성하는 속도는 약 19% 느려진다. 하드웨어의 한계를 설계로 극복한 사례다.

04클로드, Zapier 연결로 9,000개 앱 제어 — 채팅창이 곧 업무 센터

클로드가 단순히 텍스트를 처리하는 챗봇을 넘어, 외부 소프트웨어와 연결해 실제 업무 흐름(workflow)을 관리하는 도구로 진화하고 있다. 핵심은 AI가 외부 데이터 소스 및 도구와 소통할 수 있게 돕는 표준 규격인 '모델 컨텍스트 프로토콜(MCP)'과 기본 제공 연결 도구(native connectors)다. 이제 사용자는 클로드 채팅창을 벗어나지 않고도 여러 앱에서 정보를 가져오거나 작업을 수행할 수 있다. 이미 Gmail, 구글 Calendar, Notion, Canva, Microsoft 365, Figma, 구글 Drive 등 200개 이상의 서비스가 기본 연결을 지원한다. Gmail에서 중요 메일을 분류하거나 캘린더를 확인해 일정을 짜는 일이 가능해졌다. 이제 클로드는 내 업무 생태계에 실시간으로 접근하는 디지털 비서다. 일부 기능, 예를 들어 Higsfield 연결 등은 클로드 데스크톱 앱이 있어야 작동한다.

개발자는 원격 MCP URL을 이용해 직접 MCP 서버를 구축하고 맞춤형 연결 기능을 만들 수 있지만, 일반 사용자는 Zapier를 통해 훨씬 쉽게 확장성을 확보할 수 있다. Zapier MCP를 활용하면 클로드가 연결할 수 있는 앱의 수는 수백 개에서 9,000개 이상으로 폭증한다. 복잡한 코딩 과정이 사라졌기에, 비개발자도 Zapier에서 MCP 서버를 만들고 클라이언트를 '클로드 Co-work'로 선택하기만 하면 자신의 업무 도구를 연결할 수 있다. 자동화의 수준도 더 높다. 기본 연결 도구가 사용자의 검토를 위해 Gmail 초안을 작성하는 수준이라면, Zapier 연결은 메일을 즉시 발송하는 단계까지 수행한다. 코딩 없이 클릭 몇 번으로 자동화가 완성된다.

이러한 생태계의 실질적인 효용은 데이터 입력과 잠재 고객 관리에서 가장 두드러진다. Zapier MCP를 쓰면 클로드가 잠재 고객 리스트가 담긴 CSV 파일을 읽어 Beehive 같은 마케팅 도구에 구독자를 자동으로 추가할 수 있다. 파일을 일일이 업로드하거나 탭을 오갈 필요 없이, 클로드에게 파일과 지시사항만 전달하면 끝난다. 이는 Synthflow나 School처럼 기본 API가 없는 플랫폼에서도 동일하게 작동한다. 정적인 데이터 파일과 활성화된 소프트웨어 계정 사이의 간극을 메우며, 클로드는 이제 운영 자동화의 중앙 허브로 자리 잡았다. 단순한 AI 비서를 넘어 업무 운영의 중심축이 된 셈이다.

05매너 좋은 클로드의 패배, 무식한 Grok의 승리

AI가 대화하는 방식, 즉 성격이나 행동 제약은 실제 지능을 가리는 가림막이 된다. 사용자들은 종종 '거침없는 태도'를 '높은 지능'으로 착각하곤 한다. 하지만 모델의 성격과 문제 해결 능력은 별개다. 제약이 적은 모델은 단순히 자유롭기 때문에 유능해 보일 뿐이고, 정작 더 똑똑한 모델은 스스로 설정한 안전장치(guardrails) 때문에 제 실력을 못 내는 경우가 많다. 성격이 지능으로 오해받는 시대다.

Grok과 클로드가 맞붙은 경쟁 시나리오에서 이런 차이가 극명하게 드러났다. 제약 없이 설계된 Grok은 30번의 게임 중 13승을 거두며 1위를 차지했다. 하지만 이건 고도의 지적 전략 덕분이 아니었다. Grok이 찾아낸 방법은 단순하고 잔인했다. 차로 상대방을 들이받는 단순 반복 전략을 자신의 '영혼 파일(soul file)'에 각인시킨 것이다. 내부 사고 로그를 보면 마치 '콜 오브 듀티'의 거친 음성 채팅방을 보는 듯했다. 재미는 있었지만, 지적인 깊이는 얕았다. 전략이 아니라 단순 무식한 반복의 승리였다.

반면 클로드는 냉혹한 환경에서 오히려 독이 되는 지능을 보여줬다. 기초 체력(raw capacity)은 클로드가 더 뛰어난 것으로 평가받지만, 정작 승리는 5번에 그쳤다. 성격 설정과 안전 튜닝이 발목을 잡은 결과다. 클로드는 공격 대신 자신의 위치를 알리고, 휴전을 제안하며, 다른 플레이어에게 저격수의 위치를 경고했다. 지능이 높을수록 협력하려다 패배하고, 성격이 거친 모델이 제약 없이 행동해 승리하는 역설이 벌어진 것이다. 결국 사용자가 느끼는 AI의 지능은 실제 능력이 아니라, 어떤 성격으로 설정되었느냐의 결과물일 가능성이 크다. 착한 AI는 생존 경쟁에서 밀려난다.

06클로드 Dispatch: 스마트폰을 PC AI의 리모컨으로

이제 스마트폰으로 복잡한 작업 흐름(workflow)을 지시하고, 실제 처리는 컴퓨터가 수행하게 할 수 있다. 모바일 기기가 강력한 디지털 워크스테이션의 리모컨이 된 셈이다. 앤스로픽이 공개한 Dispatch 기능을 사용하면, 모바일 앱에서 작업을 지시하는 즉시 데스크톱 버전의 소프트웨어가 구동된다. 작은 화면에서 프로젝트를 처음부터 다시 짤 필요가 없다. 이동 중에도 무거운 작업을 시작하면, 실제 연산은 데이터와 도구가 모두 갖춰진 메인 PC가 처리한다.

Dispatch의 진짜 강점은 기기 간의 연속성이다. 스마트폰으로 명령을 보내면, 데스크톱은 사용자가 그동안 구축해온 작업 공간을 그대로 이어받아 실행한다. 워크스테이션에 이미 설정된 프로젝트와 연결 도구, 맞춤형 기술들을 그대로 활용하는 방식이다. 환경을 다시 설정하는 번거로움이 없다. 사용자가 주 컴퓨터에 심어놓은 특수한 맥락과 설정값이 AI에게 그대로 적용된다.

현재 Dispatch는 초기 테스트 단계인 리서치 프리뷰(research preview) 상태다. 앤스로픽은 클로드 Pro와 클로드 Max 유료 구독자에게만 이 기능을 순차적으로 배포하고 있다. 따라서 결제 사용자라도 계정에 따라 아직 활성화되지 않았을 수 있다. 단, 스마트폰의 명령을 수행할 데스크톱 PC가 켜져 있어야 한다는 전제 조건이 붙는다. 이제 모바일 앱은 단순한 채팅창이 아니라, 정교하게 세팅된 AI 환경을 조종하는 커맨드 센터가 됐다.

07클라우드 탈출하는 AI — GLM 5.2를 내 컴퓨터에 직접 설치

이제 세계 최고 성능의 AI를 내 컴퓨터에서 직접 돌리는 것이 핵심 과제가 됐다. 클라우드 서비스에 전적으로 의존할 때 발생하는 리스크를 피하려는 움직임이다. 소프트웨어를 원격 서버가 아닌 개인 기기에 설치하는 '로컬 배포' 방식은 데이터와 운영 권한을 온전히 사용자가 갖게 한다. 핵심은 현재 존재하는 가장 강력한 '최첨단 모델(frontier models)'과, 완전한 프라이버시와 독립성이 보장되는 로컬 환경 사이의 간극을 메우는 것이다.

이런 흐름의 대표 사례가 Dwarf Star Four 프로젝트다. 고성능 AI 기능을 로컬 환경으로 가져오는 것이 목표다. 그동안은 DeepSeek 모델에 집중해 왔지만, 이제는 다른 최신 모델로 영역을 넓히는 추세다. 특히 최근 출시된 GLM 5.2를 로컬 환경에 맞게 최적화하려는 시도가 본격화되고 있다. GLM 5.2를 로컬에서 구현하면 하드웨어만 갖춘 누구라도 최신 AI 지능을 누릴 수 있다. 기업이라는 중간 단계를 완전히 걷어내는 셈이다.

로컬 자율성에 집착하는 이유는 AI 업계의 불안정성 때문이다. 최근 앤스로픽을 둘러싼 여러 잡음은 특정 기업의 클라우드 인프라에 업무 흐름(workflow)을 전적으로 맡겼을 때 사용자가 얼마나 취약해지는지를 여실히 보여줬다. 서비스 제공자가 약관을 바꾸거나 내부 갈등을 겪으면, 로컬 대안이 없는 사용자는 접근 권한을 잃거나 서비스 변경을 강요당한다. GLM 5.2 같은 최첨단 모델을 로컬 시스템으로 옮기는 것은 AI를 '빌려 쓰는 서비스'에서 '영구적인 도구'로 바꾸는 일이다. 클라우드 모델이 결코 제공할 수 없는 보안과 신뢰성을 확보하는 유일한 길이다.

08메타 Opportunity Score — 소상공인 광고비 5% 절감의 실현

소상공인들이 이제 메타의 새로운 최적화 도구를 통해 광고 비용은 낮추고 도달 범위는 넓힐 수 있게 됐다. Facebook의 Ads Manager에 통합된 'Opportunity Score'는 마케팅 캠페인을 플랫폼의 권장 표준에 맞추도록 돕는 도구다. 이 가이드를 따르면 결과당 중간 비용을 최대 5%까지 줄일 수 있다. 광고 효율이 실질적으로 올라가는 셈이다. 매일 수십억 명이 이용하는 Facebook 생태계에서, 사용자를 실제 매출로 전환시키려면 정교한 캠페인 최적화는 이제 선택이 아닌 필수다.

이 도구는 광고 캠페인이 메타의 표준을 얼마나 잘 따르고 있는지를 100, 80, 60 같은 숫자로 보여준다. 점수와 함께 구체적으로 무엇을 고쳐야 할지 알려주는 실행 가능한 권장 사항 목록이 제공된다. 전문적인 기술 지식이 없어도, 몇 시간씩 수동으로 분석할 필요도 없다. 클릭 몇 번이면 최적화가 끝난다. 사용자는 빠르게 광고 세트와 캠페인을 수정해, 플랫폼이 검증한 가장 효과적인 소재와 타겟팅 전략을 즉시 적용할 수 있다.

단순한 수정을 넘어, Opportunity Score는 광고 세트와 캠페인을 거의 실시간으로 분석해 성과에 대한 즉각적인 통찰을 제공한다. 사업주는 메타가 제시한 표준 가이드를 따라 광고를 어떻게 더 잘 운영할 수 있을지 정확한 피드백을 받게 된다. 광고 운영 능력이 비즈니스의 생존과 성장을 결정짓는 2026년 현재, 이런 도구는 전문적인 캠페인 관리의 진입 장벽을 획기적으로 낮춘다. 캠페인의 빈틈을 자동으로 찾아내면서, 과거에는 대형 광고주만 누렸던 데이터와 통찰을 소규모 사업자도 가질 수 있게 됐다. 이제 규모에 상관없이 Facebook, Instagram 등 연결된 플랫폼 전체에서 영향력을 확장할 기회가 열렸다.

09틱톡과 로블록스에 밀린 대작 게임, 팀 스위니는 어떻게 살릴 것인가?

전통적인 블록버스터 게임 산업이 위기에 처했다. Apex Legends 같은 고예산 'AAA'급 타이틀들이 더 이상 유저들의 관심을 붙잡아두지 못하고 있다. 에픽게임즈의 CEO 팀 스위니는 이런 게임들이 사실상 죽어가고 있다고 진단한다. 틱톡 같은 숏폼 플랫폼의 빠른 호흡과 Roblox의 거대한 생태계를 이길 수 없기 때문이다. 이제 승부처는 그래픽 품질이나 게임의 깊이가 아니다. 유저들이 시간을 쓰는 방식 자체가 변했다. 사회적 관계 중심의 파편화된 경험으로 이동하면서, 막대한 비용이 들어가는 장편 게임 모델은 더 이상 지속 가능하지 않다.

여기에 일부 지배적 플랫폼의 약탈적인 수익 구조가 불을 지폈다. Roblox의 경우 개발자 수익의 70%라는 말도 안 되는 수수료를 떼어간다. 업계 표준을 훨씬 웃도는 수준이다. 애플과 Steam이 보통 30%를, 에픽게임즈가 12%를 가져가는 것과 대조적이다. 이런 고율 수수료는 창작자들을 옥죄는 족쇄가 된다. 수익의 대부분을 플랫폼이 가져가는 폐쇄적인 시스템 안에서 개발자가 자생하기란 불가능에 가깝다.

팀 스위니는 이런 압박을 뚫기 위해 '팀 오픈(Team Open)'이라는 움직임을 제안했다. 분산형의 상호운용성(interoperability)을 갖춘 게임 생태계를 만들자는 취지다. 각 게임이 고립된 섬처럼 존재하는 것이 아니라, 모든 게임이 하나의 중앙 영역으로 연결되는 세상을 꿈꾼다. 핵심은 서로 다른 시스템이 함께 작동하는 상호운용성이다. 한 게임에서 구매한 디지털 아이템이나 재화가 다른 게임에서도 그대로 쓰일 수 있어야 한다는 뜻이다. 팀 스위니는 이 분산 네트워크를 통해 Roblox 같은 플랫폼의 독점을 깨고, 개발자에게 권한과 수익을 돌려주는 개방형 틀을 구축하려 한다.

10생성형 AI의 한계 — 컷마다 바뀌는 주인공 얼굴

AI로 일관성 있는 영상을 만드는 건 현재로선 고역이다. 컷이 바뀔 때마다 인물의 외형을 기억하지 못하기 때문이다. 주인공이 계속 등장해야 하는 이야기에서 이런 시각적 불안정성은 치명적이다. 장면마다 미묘하게 다른 사람이 등장하는 꼴이 되어 시청자의 몰입을 방해한다. 결국 전문가 수준의 결과물을 얻으려면 사람이 일일이 수작업으로 수정해야 한다.

문제는 생성형 AI가 정보를 처리하는 방식에 있다. 고정된 3D 모델이나 캐릭터 설정집을 참고하는 게 아니라, 프롬프트를 입력할 때마다 매번 새로운 우주를 창조하는 식이다. 현재의 요청 사항에 맞춰 이미지나 영상을 새로 생성하다 보니, 이전 장면의 이목구비나 옷차림 같은 세부 디테일을 그대로 가져오지 못한다. 여러 프롬프트에 걸쳐 동일 인물을 유지하려면 엄청난 정밀함과 노력이 필요하지만, 현재 도구들은 이를 자동으로 해결해주지 못한다.

이런 어려움 때문에 긴 호흡의 AI 영상 프로젝트는 극히 드물다. 최근 한 AI 공모전에서 8분짜리 단편 영화로 수상한 50대 창작자가 주목받은 이유도 여기에 있다. 단순히 영상의 길이가 길어서가 아니라, 모든 장면에서 주인공의 모습이 일정하게 유지됐다는 점이 기술적 쾌거로 평가받았다. 이는 모델의 기본 작동 방식과 정면으로 충돌하는 작업이기에 결코 쉽지 않다. 결국 생성형 AI가 여러 프롬프트 사이에서도 안정적인 정체성을 유지하지 못하는 한, 고품질의 캐릭터 중심 영상은 자동화된 프로세스가 아니라 고된 수작업의 영역으로 남을 수밖에 없다.

11AI는 운명이 아니라 제품이다 — 기업이 책임을 져야 하는 이유

AI 기업들은 흔히 자신들의 기술을 인간이 어찌할 수 없는, 그저 관리하고 인도해야 할 '거대한 흐름'처럼 묘사한다. 이런 프레임은 개발자들이 자신들이 만든 결과물에 대해 책임을 회피하게 만든다. AI의 진화를 기업의 전략적 선택이 아닌, 마치 자연 현상처럼 취급하기 때문이다. 하지만 관점을 '소비자 제품 전략'으로 바꾸면 이야기가 완전히 달라진다. AI 기업은 스스로를 피할 수 없는 미래의 안내자로 포장하는 대신, 철저한 사업 계획에 따라 설계하고 판매하는 '도구 모음'을 제공하는 사업자임을 인정해야 한다. AI의 진화는 자연 현상이 아니라 기업의 선택이다.

AI를 일반적인 소비자 제품으로 취급하려면 현재 업계에 부족한 투명성과 구체성이 필요하다. 제품을 출시할 때 정확히 누구를 위한 도구인지, 사용자에게 어떤 구체적인 이득을 주는지 명확히 설명해야 한다는 뜻이다. 이렇게 되면 논의의 중심이 '전 지구적 변화'라는 모호한 약속에서 '소프트웨어 개발'이라는 실질적인 현실로 옮겨온다. 기술을 '거대한 힘'이 아닌 '제품'으로 정의하는 순간, 기업은 이 도구가 왜 존재하며 시장에서 어떤 역할을 해야 하는지 솔직하게 답해야만 한다.

가장 큰 변화는 책임의 소재가 분명해진다는 점이다. AI를 피할 수 없는 운명으로 묘사하면 그 영향에 대한 책임은 여기저기 흩어져 희석된다. 하지만 이를 소비자 제품으로 정의하면, 도구가 일으킨 모든 피해에 대해 기업이 온전한 책임을 져야 한다. 개발자는 거대언어모델(LLM)이라는 복잡한 시스템을 구축하는 기술적 실행에 집중하고, 사회적·윤리적 담론은 대학과 정부, 그리고 시민 사회에 맡기면 된다. 제품 제작자라는 본연의 역할에 집중할 때, AI 기업은 대중의 감정을 자극하는 마케팅을 멈추고 판매한 제품의 안전성과 유용성을 책임지는 진짜 기업답게 행동할 수 있다. 이제는 감성 팔이가 아니라 제품 보증을 해야 할 때다.

12로블록스: 포트나이트를 압도한 4.5억 명의 사용자 규모

로블록스는 포트나이트 같은 주요 게임 플랫폼을 훨씬 뛰어넘는 사용자 참여 규모를 달성했다. 월간 활성 사용자 수(MAU)를 보면 그 격차는 더욱 극명하다. 로블록스가 4억 5천만 명이라는 거대 커뮤니티를 유지하는 반면, 포트나이트는 8천만 명 수준에 그친다. 이는 로블록스가 훨씬 더 넓은 사용자 층을 공략했거나, 전 세계 누구나 쉽게 들어올 수 있는 진입점을 제공했음을 의미한다. 디지털 엔터테인먼트 시장의 절대 강자로 자리 잡은 셈이다.

이 같은 폭발적 성장의 핵심 동력은 적응 기간(learning curve), 즉 신규 사용자가 게임에 익숙해지기까지 들이는 시간과 노력을 획기적으로 줄인 데 있다. 특히 성인 사용자에게 복잡한 조작법을 익혀야 하는 초기 진입 장벽은 매우 높다. 기본 기능을 이해하는 데만 몇 시간이 걸리는 게임은 인내심이나 시간이 부족한 사용자를 밀어낸다. 이상적인 경험은 컨트롤러를 잡자마자 즉시 플레이하며 가치를 느끼는 것이다. 첫 1분부터 만족감을 줘야 한다.

이런 즉각적인 접근성은 Rocket League 같은 성공작들의 공통된 특징이다. 전문가 수준에 도달하기까지의 과정은 매우 험난하지만, 첫 세션만으로도 충분한 즐거움을 준다. 즉각적인 만족감과 장기적인 깊이 사이의 균형은 이제 업계의 핵심 설계 목표가 됐다. Rocket League의 소유주인 Tim Sweeney는 진입의 용이성과 숙련도의 깊이라는 상충하는 가치를 관리하는 데 집중한다. '바로 시작하는(pick up and play)' 방식을 우선시해 신규 유입을 가로막는 마찰을 제거한 결과다. 일부 플랫폼이 수억 명의 사용자를 확보하는 반면, 다른 플랫폼이 소수 마니아층에 머무는 결정적 이유가 여기에 있다.