인공지능 생태계 전반에서 고도화된 추론 모델부터 개발자 도구, 경량 유틸리티에 이르기까지 폭넓은 변화가 이어지고 있다. 최근 업데이트를 보면 최신 Fable과 Opus 버전이 고차원 추론 상황과 3D 시뮬레이션 생성, 토큰 효율적인 웹사이트 제작 영역에서 한계치를 끌어올리고 있다. 특히 Fable 5.2는 더 깊은 심층 사고(slow thinking)를 거쳐 높은 수준의 논리적 일관성과 장문 추론 능력을 달성했다. 이와 함께 특화된 의사결정 모델들이 지연 시간을 최적화하고 있으며, 법률 분야와 자율 컴퓨터 작업 등 기업 현장의 도메인별 활용도 점차 늘어나는 추세다. 글로벌 생태계에서는 중국 연구실들이 내놓은 신형 플래그십 모델들이 속속 등장하고 있으며, 새로운 오픈소스 코드 인터페이스와 이미지 편집 유틸리티가 개발자와 데스크톱 사용자에게 대안을 제시한다. 이 밖에도 사용자 지출 선호도의 변화, 미래 아키텍처의 실패 복구 설계, 특정 작업 유형에 맞춘 생산성 최적화 등이 주요 화두로 떠오르고 있다.

01Fable 5.2의 논리 일관성 강화와 긴 문장 추론 성능 향상

앤스로픽의 생산성 도구인 클로드 코드, 챗(Chat), 코워크(Cowork) 사용자들은 최근 AI의 응답 방식에서 미묘하지만 영향력 있는 변화를 감지했다. 성능을 모니터링하기 위해 소수의 사용자에게만 신기능을 조용히 적용하는 이른바 '그레이 테스트' 과정에서, 앤스로픽은 실수로 Fable 5.1로 향하던 요청을 Fable 5.2라는 최신 비공식 모델로 우회시켰다. 이 우회 조치는 우연히 일어났지만, 사용자들이 새 버전을 미리 시험해 볼 수 있는 뜻밖의 기회가 됐다. 이 변경을 눈치챈 사용자들 사이에서 초기 평가는 Fable 5.2가 특히 긴 문장 추론 과제에서 논리적 일관성을 유지하는 능력 면에서 GPT6 Astra를 앞서고 있다는 쪽으로 모인다.

이러한 추론 능력의 도약은 이른바 '느린 생각'이라는 메커니즘 덕분에 가능해졌다. 기존 추론 능력의 한계를 넘어서기 위해 Fable 5.2는 답변을 내놓기 전에 더 깊은 데이터 처리를 거친다. 이번 발전은 더 높은 수준의 논리적 정밀도를 달성하려면 비례해서 컴퓨팅 파워를 늘려야 한다는 '컴퓨팅 자원의 냉정한 물리 법칙'을 실제로 적용한 결과다. 생각하는 과정에 더 많은 자원을 할당하면서 모델은 길고 복잡한 논리 전개 과정에서도 길을 잃지 않게 되었지만, 그 대가로 뚜렷한 운영상 부담도 함께 안게 됐다.

이처럼 깊어진 추론 과정이 가져온 가장 큰 결과는 사용자 경험과 모델의 기본 경제학적 구조의 변화다. Fable 5.2는 작동하는 데 더 많은 컴퓨팅 자원이 필요하기 때문에 생성 속도가 느려지고, AI가 단어를 만들어낼 때마다 공급자가 부담하는 추론 비용이 크게 올랐다. 사용자와 기업의 입장에서 이는 명확한 득실 교환으로 이어진다. 모델이 어렵고 긴 문제 해결 능력은 크게 뛰어나지만, 가벼운 모델이 보여주던 즉각적인 응답 속도를 포기해야 하기 때문이다. 이는 더 높은 수준의 AI 지능으로 가는 길이 현재로는 응답 과정에서 더 많은 컴퓨팅 자원을 투입하는 방식을 거치고 있음을 시사한다.

02Jev — 초고속 의사결정과 보안 취약점이 부딪힌 현주소

AI는 사람과 대화하는 단계를 넘어 즉각적이고 자동화된 의사결정의 영역으로 이동하고 있다. Jev라는 이름의 새로운 모델은 글자를 단어별로 길게 만들어내는 대신 선택을 내리는 작업에만 특화되어 있다. 토큰을 하나씩 만들어내는 느린 방식을 버린 Jev는 기존 대형 언어 모델보다 20배에서 200배 빠르게 작동하며 비용은 40배에서 400배 저렴하다. 정해진 보기 중에서 가장 알맞은 옵션을 고르는 확률적 라우팅에 집중하기 때문에 출력 토큰을 무료로 제공하며, 시스템이 명령을 이해하고 행동으로 옮기는 데 걸리는 시간을 대폭 줄인다.

이처럼 지연 시간이 짧은 덕분에 Jev는 1밀리초가 아쉬운 고위험 실시간 환경에서 실효성을 발휘한다. 예를 들어, 이 모델은 테슬라 풀 셀프 드라이빙(Tesla Full Self-Driving)을 재구축하여 빠른 시각적 판단을 내리는 데 쓰였으며, 자산을 살지 팔지 혹은 보유할지를 결정하는 투자 자동화에도 활용되고 있다. 이러한 활용 사례에서 이 모델은 평균 약 500밀리초의 응답 속도를 기록하며, 변동성이 큰 시장이나 빠르게 움직이는 교통 상황에서 거의 실시간에 가까운 실행을 가능하게 한다.

Jev가 속도를 최적화하는 동안, 다른 프론티어 모델들은 깊이 있는 전문 지식을 다듬는 데 집중하고 있다. 오픈AI는 최근 발행된 미국 판례의 99.9% 이상을 담은 특화 모델 Astra for Law를 선보였다. 법률 분야에 집중한 Astra for Law는 법률 관련 업무에서 범용 모델을 앞서며, 스타트업들이 자체 지식 베이스를 결합해 특화 서비스를 구축하는 기반을 제공한다.

하지만 이러한 기능이 확장될수록 업계의 시선은 치명적인 보안 취약점으로 쏠리고 있다. 지난 7월 25일 한 해킹 그룹이 이미지 업로드 기능의 허점을 통해 오픈AI 시스템 내부로 침투했다. 이 결함을 악용한 공격자들은 악성 코드를 실행하고 직원 계정을 탈취했으며, GPT Codex를 수정하고 연결된 GitHub 저장소에 풀 리퀘스트(pull request)를 보낼 수 있는 권한까지 손에 넣었다. 이번 보안 사고는 자율 행동 능력이 빠르게 확산되는 추세와 엄격한 AI 안전성 검증의 필요성 사이에 놓인 긴장감을 여실히 보여준다.

03중국 인공지능 연구소들이 내놓을 차세대 주력 모델은 무엇인가

글로벌 인공지능 시장은 중국의 주요 인공지능 연구소들이 차세대 주력 모델 출시를 준비하면서 새로운 고성능 모델의 홍수를 맞이할 채비를 하고 있다. MiniMax, 알리바바, Moonshot AI, StepFun 같은 기업들이 이끄는 이번 신제품 물결은 현재의 최고 성능 모델들에 도전하려는 공동의 움직임을 보여준다. 사용자들과 개발자들에게 이는 이용 가능한 고성능 대안의 증가와 함께 가장 뛰어난 인공지능 도구가 탄생하는 거점의 변화를 뜻한다.

가장 기대를 모으는 제품 중 하나는 StepFun이 선보이는 Step 5 프리뷰(preview) 버전으로, 이 분야에서 강력한 경쟁자로 자리매김하고 있다. 이 회사는 오는 10월 15일에 이 모델의 오픈 웨이트(open weights)를 공개할 계획이며, 이는 인공지능의 행동을 결정하는 내부 매개변수를 일반에 공개해 누구나 내려받아 사용할 수 있게 한다는 뜻이다. 하지만 모델의 규모가 워낙 거대해 기술적 걸림돌이 만만찮다. 6000억 개의 매개변수를 갖춘 이 시스템은 대부분의 사용자가 개인용 하드웨어에서 구동하기가 대단히 어렵다. 모델을 구동하는 데 필요한 메모리 양을 줄이기 위해 수치의 정밀도를 낮추는 기법인 양자화(quantization)를 적용하더라도 이 제약은 여전히 유효하다.

다른 연구소들도 유출 정보와 아리송한 예고를 통해 등장을 알리고 있다. 최근 회사 코드 저장소의 비밀 커밋에서 MiniMax M3.1 모델을 가리키는 내용이 발견되면서, 이 모델의 개발이 막바지에 이르렀고 이르면 이달 말이나 다음 달 초에 나올 수 있음을 시사했다. 이와 비슷하게 알리바바도 Qwen 4 제품군을 준비 중인 것으로 보이며, Aspera 컨퍼런스 무렵에 공식 공개될 가능성이 높다. 이와 함께 Moonshot AI는 공식 Kimmy 계정을 통해 곧 선보일 Kimi K 3.1을 암시했다. 이 회사는 앞의 "3.1"을 제외하고 원주율(pi)의 숫자들과 일치하는 긴 숫자를 게시함으로써 새로운 주력 모델이 임박했음을 알렸다.

04MiniMax Code CLI 출시와 기존 도구와의 성능 비교

소프트웨어 개발자들이 프로그래밍 업무 흐름(workflow)을 더 효율적으로 관리할 수 있는 새로운 오픈소스 선택지가 생겼다. MiniMax는 코딩 작업의 속도와 효율성을 높이기 위해 개발된 MiniMax Code CLI를 출시했다. 일반적인 AI 채팅 인터페이스에 의존하는 대신, 이 도구는 AI 모델을 코딩과 관리 작업에 특화되도록 최적화하는 전용 소프트웨어 계층인 맞춤형 래퍼(wrapper)로 작동한다. 이 전문화된 구조를 통해 개발자는 AI 기능을 자신의 기술 환경에 더 직접적으로 통합할 수 있으며, 여러 애플리케이션을 오가는 데 소요되는 시간을 줄인다.

MiniMax Code CLI의 핵심 목표는 전체적인 개발 성능을 향상하는 것이다. 이 도구는 AI 모델이 특정 코딩 요청을 처리하는 방식을 관리하는 검증 장치(harness) 역할을 하여, 엔지니어의 마찰을 줄이고 생산성을 높이는 것을 목표로 한다. MiniMax는 이 구현 방식이 기존의 다른 유명 도구들보다 훨씬 더 효과적이라고 밝힌다. 특히 회사는 신규 CLI가 클로드 코드나 Codex 같은 기존 대안보다 뛰어난 성능을 내도록 설계되어, 고성능 AI 지원을 찾는 이들에게 더 우수한 선택지가 될 것이라고 주장한다.

MiniMax는 코드를 오픈소스로 공개함으로써 더 넓은 개발자 커뮤니티가 소프트웨어 엔지니어링의 특화된 요구를 충족하는 도구를 활용하고 개선할 수 있게 돕는다. 텍스트 기반으로 컴퓨터와 상호작용하는 커맨드라인 인터페이스(command-line interface) 방식으로의 전환은 AI가 더 이상 별도의 브라우저 창에 있는 자문가에 머무르지 않고, 개발자의 핵심 도구 상자에서 실제로 작동하는 부품이 됨을 뜻한다. 이 접근 방식은 AI의 추론 능력과 실제 코드 실행 사이의 장벽을 없애는 데 초점을 맞추며, 개념적인 아이디어에서 작동하는 구현물까지 더 직접적이고 효율적인 길을 제공한다.

05알리바바의 새 플래그십 모델, 코딩과 문서 작업을 한 번에

알리바바는 현대 업무 환경의 기술적·행정적 요구를 더 잘 지원하기 위해 인공지능(AI) 역량을 다듬고 있다. 회사가 선보일 차세대 플래그십(Flagship) 대형 모델은 코딩과 사무 작업 능력을 대폭 개선하도록 설계됐다. 이에 따라 사용자는 작업마다 별도의 도구를 쓰는 대신, 하나의 모델 안에서 코딩과 문서 관리를 더 통합적으로 지원받을 수 있게 된다. 알리바바는 이러한 영역에 집중함으로써 전문적인 생산성과 기업의 디지털 업무 흐름 효율성에 직접적인 영향을 미치는 실용적인 AI 활용으로 나아가고 있다.

이러한 개발 성과는 아스페라(Aspera) 컨퍼런스의 '자율형(Agentic) AI를 향한 Qwen의 진화' 세션에서 공개된다. 이번 발표에서는 플래그십 모델과 함께 새로운 옴니 모델이 소개된다. 옴니 모델은 텍스트, 이미지, 오디오 같은 여러 유형의 데이터를 동시에 처리하고 생성할 수 있는 다목적 시스템이다. 이를 보완하기 위해 알리바바는 언어 장벽을 즉시 허물 수 있도록 설계된 실시간 다국어 번역 모델도 함께 선보인다.

이러한 도구들의 전략적 결합은 포괄적인 AI 생태계를 구축하려는 더 큰 목표를 시사한다. 고차원의 코딩 능력과 사무 활용성, 즉시 번역 기능을 결합함으로써, 회사는 광범위한 비즈니스 운영을 지원할 수 있는 다기능 엔진을 계속 개발하고 있으며 이를 통해 글로벌 팀의 기술 프로젝트 협업 방식을 간소화할 가능성을 높이고 있다.

06Compositor: 12MB 용량으로 구현한 포토샵 대안의 등장

맥(Mac) 사용자들은 이제 비용 부담과 시스템 부하 없이 사진을 편집할 수 있는 간결한 도구를 쓸 수 있다. Tilton이 개발한 새로운 오픈소스 프로그램 Compositor는 포토샵의 효율적인 대안으로 꼽힌다. 전문 사진 편집 프로그램들은 수십 년간 쌓인 오래된 코드와 불필요한 기능인 레거시 블로트(legacy bloat) 때문에 시간이 지날수록 무거워지고 시스템 자원을 많이 소모하지만, Compositor는 가볍고 핵심 기능에 집중하도록 설계됐다. 이를 통해 사용자는 컴퓨터 성능을 떨어뜨리는 부담 없이 중요한 편집 작업을 처리할 수 있다.

이 소프트웨어의 가장 눈에 띄는 기술적 성과는 최소한의 용량으로, 전체 애플리케이션 크기가 12MB에 불과하다. 이처럼 유례없이 작은 규모임에도 핵심 기능은 희생되지 않았다. Compositor는 필수적인 레이어 기능과 다양한 도구를 제공해 사용자가 복잡한 편집기와 비슷한 방식으로 이미지를 다룰 수 있게 돕는다. Tilton은 어도비(Adobe) 제품들의 가격이 비싸진 점에 주목해 불필요한 복잡성보다 속도와 접근성을 우선하는 실용적인 대안을 직접 만들었다.

MIT 라이선스로 소프트웨어를 배포하고 GitHub에 공개하면서, Tilton은 이 도구가 누구나 무료로 쓸 수 있도록 보장했다. 이를 통해 비싼 구독료라는 재정적 장벽이 사라졌고, 맥에서 전용 이미지 편집기가 필요한 이들에게 실질적인 대안이 열렸다. 일반 사용자 입장에서는 거대한 프로그램을 설치하는 부담 없이 전문가 수준의 레이어 기능을 활용할 수 있다. 이번 프로젝트는 강력한 창작 도구가 반드시 무겁고 비쌀 필요는 없다는 점을 보여주며, 필수적인 이미지 편집 기능을 가벼운 패키지로 구현해 냈다.

07Qwen Image 2.1의 공개 가중치 배포와 70억 파라미터 고효율 생성

알리바바가 고성능 이미지 생성과 편집 기능을 갖춘 새로운 개방형 가중치(open-weight) 모델 Qwen Image 2.1을 공개했다. 알리바바는 AI가 정보를 처리하는 내부 수학적 매개변수인 가중치를 개방해, 개발자와 창작자가 폐쇄형 서비스에 의존하지 않고 각자의 하드웨어에서 직접 모델을 구동하고 맞춤 설정할 수 있도록 지원한다. 이번 조치는 정밀한 이미지 제작 권한을 독점적인 폐쇄형 플랫폼에서 더 넓은 개발자 커뮤니티로 옮겨오는 계기가 된다.

해당 모델은 단 70억(7 billion) 개의 매개변수만 사용하면서도 훨씬 규모가 큰 시스템과 맞먹는 결과물을 내놓을 정도로 효율성이 높다. Qwen Image 2.1은 초기 이미지 생성과 고품질 편집을 모두 지원해 기존 이미지를 높은 정확도로 정밀하게 수정할 수 있다. 기술적 핵심 장점은 투명 배경을 곧바로 생성할 수 있는 네이티브 RGBA 투명도 지원 기능이다. 아울러 최대 10개의 참고 이미지를 동시에 반영할 수 있어 사용자가 결과물의 화풍과 내용을 세밀하게 제어할 수 있다.

사전 테스트 결과에 따르면 이러한 경량 설계가 품질 저하로 이어지지 않았다. 사용자들은 Qwen Image 2.1이 구글 NanoBanana 2와 동등한 수준의 성능을 내며 일부 영역에서는 오히려 앞선다는 평가를 내놓고 있다. 상대적으로 규모가 작은 모델도 정교한 폐쇄형 대안과 충분히 경쟁할 수 있음을 보여준다는 점에서 이번 행보는 의미가 크다. 일반 사용자와 개발자 입장에서는 대형 AI 모델이 요구하던 막대한 컴퓨팅 자원 의존도에서 벗어나 전문가 수준의 이미지 편집을 한층 가볍게 다룰 수 있게 된다.

08AI 시스템 설계의 우선순위 — 오류 복구 기능과 속도의 결합

인공지능(AI)은 하나의 만능 인터페이스에서 특화된 도구들이 협력하는 체계로 진화하고 있다. 일상적인 애플리케이션에서 AI가 자연스럽게 작동하도록 만들기 위해 개발자들은 사용자 인터페이스를 구동하는 작고 빈번한 결정을 처리할 빠르고 저렴한 모델을 점점 더 많이 도입하고 있다. 하지만 속도가 정확성을 항상 보장하는 것은 아니기 때문에, 핵심적인 기술적 과제는 오류 복구로 이동하고 있다. 즉 빠른 모델이 실수를 저지른 시점을 감지하고 이를 자동으로 바로잡는 시스템을 설계하는 일이다.

이 전략의 핵심은 작업의 성격에 따라 서로 다른 모델을 전략적으로 배치하는 것이다. 예를 들어 창의적인 글쓰기는 생성형 모델에 맡기고 정확한 계산은 코딩에 위임한다. 이전 결과에 이어지는 결정이 전적으로 좌우되는 작업의 경우, 시스템은 정보를 순차적으로 처리하도록 설계된다. 이러한 역할 분담은 각 단계에 가장 적절한 도구가 쓰이도록 보장하며 비용과 성능을 동시에 최적화한다.

이 새로운 구조에서 중요한 차이점은 '형식 보장'과 실제 정확성의 차이다. 형식 보장은 AI가 미리 정의된 선택지 중에서 답을 내놓는다는 뜻일 뿐, 그 선택지가 올바른 답이라는 점까지 보장하지는 않는다. 이러한 빠른 모델들도 여전히 실패할 수 있으므로, 잘못된 출력을 알아차리고 복구 메커니즘을 작동시키는 능력이 모델의 초기 속도만큼이나 중요해지고 있다.

텍스트를 보여주거나 버튼을 누르거나 몇 초 동안 기다릴지 결정하는 등의 사소한 판단을 AI가 빠르고 저렴하게 처리할 수 있게 되면, 앱의 거의 모든 작동 순간에 AI를 심을 수 있다. 이를 통해 프로그램은 사용자가 모든 AI 응답을 일일이 읽지 않더라도 스스로 멈추지 않고 매끄러운 작업 흐름을 유지하며 나아갈 수 있다. 오류로부터 복구하는 능력을 우선시함으로써 개발자들은 소프트웨어의 전체적인 신뢰도를 잃지 않으면서도 더 빠른 AI를 과감하게 도입할 수 있다.

09작업 성격에 맞게 AI를 배치하면 생산성이 어떻게 극대화될까?

최고의 AI 생산성은 하나의 강력한 모델에만 의존하는 것이 아니라 특정 작업을 가장 잘 처리하는 도구에 배분할 때 달성된다. 이러한 전략적 배분을 통해 AI는 단순한 챗봇을 넘어 소프트웨어 애플리케이션에 깊이 통합된 구성 요소로 전환되며, 속도나 정확도를 희생하지 않으면서 사용자의 작업 흐름(workflow) 속에서 훨씬 다양한 순간을 처리한다.

가장 효율적인 작업 흐름은 업무의 성격에 따라 노동을 분담한다. 창의적인 글쓰기는 생성 모델에 위임하고 정밀한 계산은 코드로 넘긴다. 후속 판단이 전적으로 이전 결과에 의존하는 작업의 경우 시스템은 순차 처리를 사용한다. 여기서 중요한 점은 AI가 미리 정의된 선택지 중에서만 고르도록 제한하는 것을 뜻하는 '형식 보장(format guarantee)'을 제공한다고 해서 선택된 정답이 반드시 맞다는 보장은 없다는 사실이다. 대신 이 접근법은 가능한 답변이 제한되어 있고 문맥상 빠른 판단이 가능할 때 가장 효과적이다.

이러한 모듈식 설계 덕분에 비용이나 속도 문제로 그동안 자동화하기 어려웠던 사소한 결정을 더 빠르고 저렴한 모델로 처리할 수 있다. 예를 들어 AI는 텍스트 조각을 화면에 표시할지, 버튼 누름을 실행할지, 아니면 잠시 더 기다릴지 신속하게 결정할 수 있다. 입력 토큰 비용이 $0.042 수준으로 낮을 수 있지만 효율성의 진정한 척도는 화면 인식과 여러 모델의 조율 같은 추가 비용을 포함한 전체 작업의 총비용과 속도다. 이처럼 작고 빈번한 결정을 최적화함으로써 AI는 앱 내 거의 모든 상호작용에 녹아들 수 있으며, 기술이 눈에 띄지 않으면서도 어디에나 있는 것처럼 느껴지게 만든다.

10오픈AI, 오픈 라우터 개발자 지출 1위 탈환

개발자들이 AI 모델을 골라 쓸 수 있게 묶어주는 플랫폼 오픈라우터(OpenRouter)에서 개발자들의 지출 흐름이 크게 바뀌었다. 오픈AI가 앤스로픽을 제치고 지출액 기준 1위 자리를 되찾았다. 2년 반이 넘는 기간 동안 오픈라우터에서 앤스로픽 모델에 쓰인 돈이 더 많았지만, 지난주 기준 상황이 뒤집혔다. 이번 변화는 개발자들의 선택을 받기 위한 두 회사 간 경쟁에서 중요한 분수령이다. 앤스로픽이 지켜오던 오랜 우위가 깨진 것이다.

이 경쟁의 배경에는 복잡한 분야에서 더 뛰어난 성능을 먼저 차지하려는 기술 싸움이 자리 잡고 있다. 개발자들이 계속 발전하는 시스템의 장단점을 저울질하는 상황에서, 오픈라우터의 지출 데이터는 차세대 AI 서비스를 만드는 이들에게 현재 어떤 회사가 더 실질적인 가치를 주고 있는지 보여주는 분명한 지표 역할을 한다.

11Astra 활용법 — 세부 지시 대신 큰 목표 제시가 효율성 결정

Astra를 제대로 쓰려면 요청하는 방식을 바꿔야 한다. 정해진 순서대로 세부 작업을 나열하는 대신, 거시적인 상위 목표를 먼저 정의할 때 가장 좋은 결과가 나온다. 이 접근법은 상호작용을 단순한 지시 목록에서 성공의 정의로 바꿔주며, 모델이 원하는 결과에 도달하는 가장 효율적인 경로를 스스로 찾아내도록 만든다. 사용자가 일일이 과정을 간섭하지 않고 최종 결과에 집중할 때, 모델은 프로젝트의 복잡성을 더 자율적으로 처리하는 능력을 발휘한다.

이러한 차이가 중요한 이유는 AI에게 올바른 범위를 설정해주기 때문이다. 노션(Notion)의 퀸(Quinn)은 최종적으로 원하는 상태를 명시함으로써 모델이 무엇이 성공적인 완료인지 더 명확하게 이해할 수 있다고 조언한다. 예를 들어, 데이터 시각화를 업데이트하는 데 필요한 기술적 단계를 일일이 나열하는 대신, 대시보드의 특정 숫자를 가리키며 해당 수치에 '나인(nine) 하나를 더해달라'고 설명하는 식이다. 이 간단한 지시는 도달하기 위한 기계적 단계가 아니라 목표 값에 초점을 맞추며, 사용자가 직접 정의한 차선책의 지시들 때문에 모델이 제한되는 상황을 막아준다.

이 방법론은 업무 환경에 AI를 도입하는 이들의 작업 흐름(workflow)을 근본적으로 바꾼다. 작업 기반 프롬프팅에서 벗어나면, 특정 지시가 미세하게 어긋났을 때 자주 발생하는 시행착오의 마찰을 피할 수 있다. 대신 목표 중심으로 관리함으로써 노션 같은 조직의 사용자들은 AI가 실제 비즈니스 가치에 계속 집중하도록 보장할 수 있다. 이러한 전환은 모델이 문제에 대해 더 넓은 시각을 갖고 작동하게 만들며, 엄격한 심부름 목록이 만들어내는 결과보다 사용자의 궁극적인 의도에 훨씬 더 부합하는 결과로 이어진다.