이번 주 테크 업계는 로컬 코딩 모델 도입과 자율형 에이전트 맞춤 설정, 그리고 소프트웨어 생태계 전반의 전략적 변화에 집중했다.

구글은 음악과 영상 생성 전용 도구를 추가하며 창작 AI 라인업을 확장하고 있다. 개발자들은 구조화된 출력(structured outputs)과 지식 증류(distillation) 기술을 통해 모델의 신뢰도를 높일 수 있는 새로운 선택지를 갖게 됐다.

인프라와 작업 흐름(workflow) 측면에서는 가중치 공개(open-weight) 로컬 모델이 코딩 작업의 효율적인 대안으로 떠올랐다. 개인 맞춤형 에이전트 프레임워크에는 세션 기억 유지 기능과 검증 가능한 목표 조건이 도입됐다. 실질적인 활용 단계로 진입한 모습이다.

상업적 움직임도 분주하다. 오픈AI는 시장 통합 범위를 넓히고 있으며, Stripe는 접근성 확대를 위해 OpenRouter를 인수했다. Nvidia는 자율형 에이전트 운영을 위한 구조적 안전장치를 선보였다.

01구글 Flow Music 출시 — 음악부터 영상까지 AI로 통합 제작

구글이 최근 음악 생성 AI인 'Flow Music'을 공개하며 창작 AI 라인업을 확장했다. 이는 사용자가 다양한 창작 작업에 활용할 수 있는 종합 도구 모음을 제공하려는 전략의 일환이다. 이제 사용자 한 명이 소리부터 영상까지 멀티미디어 프로젝트 전체를 AI 도구만으로 완성하는 시대가 다가오고 있다. 제작의 경계가 사라진다.

Flow Music은 고성능 영상 편집기인 Flow Studio와 함께 작동한다. 두 도구 모두 제미나이 옴니(제미나이 Omni) 모델을 기반으로 복잡한 시각·청각적 요청을 이해하고 수행한다. 일반 창작자 입장에서는 고품질 콘텐츠 제작을 위한 기술적 진입 장벽이 낮아진 셈이다. 복잡한 타임라인이나 레이어를 일일이 공부하는 대신, 일상적인 언어로 소프트웨어와 소통하며 전문가 수준의 결과물을 낼 수 있다. 소셜 미디어나 마케팅, 개인 프로젝트의 작업 흐름(workflow)이 획기적으로 간소화된다. 기술적 장벽이 무너졌다.

특히 Flow Studio의 영상 편집 능력은 물리적 맥락을 이해하는 수준까지 올라왔다. 영상을 처음부터 생성하거나 클립의 전체 스타일을 바꾸는 것은 물론, 장면 속 특정 객체를 정교하게 제거할 수 있다. 예를 들어 화면에서 유리컵을 지우면 그에 따른 그림자까지 함께 사라져 장면의 개연성이 유지된다. 조명 밝기를 조절하면 인물의 피부 톤에 그 변화가 사실적으로 반영된다. 이는 AI가 단순히 픽셀을 가리는 것이 아니라, 3차원 공간에서 빛과 물체가 어떻게 반응하는지를 시뮬레이션하고 있음을 시사한다. 단순 편집을 넘어선 시뮬레이션이다.

02구글 Flow Studio — 텍스트 입력만으로 끝내는 전문 영상 편집

구글 Flow Studio 덕분에 전문가 수준의 영상 콘텐츠 제작 문턱이 크게 낮아졌다. 제미나이 Omni 모델을 통합해 영상 제작의 일하는 방식(workflow)을 완전히 바꿨다. 이제 사용자는 단순한 텍스트 명령어만으로 전체 영상을 생성하거나 복잡한 편집을 수행할 수 있다. 프레임 단위의 수작업 시대는 끝났다. 장면의 맥락을 이해하는 지능형 영상 편집기를 사용하는 것과 같다.

이 시스템의 핵심은 비오 3 아키텍처다. 이를 통해 제미나이 Omni는 단순한 이미지 렌더링을 넘어선 능력을 보여준다. 모델이 스스로 추론하고 시나리오를 작성할 수 있어, 추상적인 아이디어를 실제 시각 결과물로 구현하는 간극을 메웠다. 사용자가 기본적인 텍스트 설명만 제공하면, 서사 구조 설계부터 최종 영상 생성까지의 까다로운 작업은 모델이 도맡는다.

구글 Flow Studio의 진가는 단순한 필터 적용을 넘어선 정교한 편집 능력에 있다. 영상의 전체적인 스타일을 바꾸거나 특정 객체를 제거하는 정밀한 수정이 가능하다. 기존 편집 도구와 달리 제미나이 Omni는 장면 속 물리 법칙을 이해한다. 예를 들어 영상에서 유리잔을 지우라고 명령하면, 유리잔뿐만 아니라 그에 따른 그림자까지 함께 제거해 이질감 없는 화면을 만든다.

환경 조명 처리 역시 매우 사실적이다. 조명을 밝게 해달라는 요청을 받으면 단순히 화면 밝기를 올리는 것이 아니라, 빛이 인물의 피부에 어떻게 반사될지를 계산해 적용한다. 덕분에 편집 결과물이 인위적이지 않고 자연스럽다. 제작자는 조명이나 후반 작업에 대한 전문 지식이 없어도 고품질의 시각 콘텐츠를 효율적으로 생산할 수 있다.

03기업용 AI, 신뢰성과 비용 효율을 어떻게 확보하나?

AI 모델이 정해진 형식의 출력(structured outputs)을 내도록 제한하면서 신뢰도가 높아지고 있다. 시스템이 특정 작업만 수행하게 제한하면, 결과물을 사람이 아닌 다른 기계가 처리하는 경우가 많아 AI 특유의 돌발 행동이 크게 줄어든다. Replit은 비용 추정 전용 모델을 도입해 "5달러에서 10달러 사이"처럼 구체적인 범위 내에서 확률 분포로 답하게 함으로써 모호한 답변을 없앴다. 출력 범위를 통제하는 특화 모델로의 전환은 AI의 동작을 일관되게 만들며, 기업이 안심하고 쓸 수 있는 환경을 제공한다. 일관성이 곧 안전이다.

여러 모델 제품군을 섞어 쓰는 '융합 모델(fusion models)'을 통해 운영 비용을 최적화하는 기업도 늘고 있다. Cognition 같은 도구는 다양한 데이터 소스를 활용해 비용을 절반으로 낮추면서도 고품질의 결과를 낸다. 최근 여러 모델 조합과 성능 시험 틀(evaluation frameworks)을 활용해 정밀 전수 조사(deep sweep)를 진행한 결과, 기존 비용의 40%에서 50%만 쓰고도 최상위 모델 수준의 품질을 구현할 수 있음이 확인됐다. 개발자들은 이러한 효율을 유지하기 위해 서로 다른 모델 제품군 간에 계산 결과를 저장하고 재사용하는 캐시 인식(cache awareness) 기술을 우선적으로 적용하고 있다. 비용 절감이 품질 저하로 이어지지 않는 시대다.

개인정보 보호와 성능의 균형은 하이브리드 컴퓨팅 구조로 해결한다. Perplexity는 9월 1일 출시한 Mac 데스크톱 앱에 로컬 서비스 추론 관리자(hybrid local service inference orchestrator)를 도입해 작업 경로를 자동으로 배정한다. 복잡한 추론이나 웹 조사가 필요하면 강력한 클라우드 모델로, 민감한 파일 처리가 필요하면 로컬 모델로 작업을 보낸다. 특히 '개인정보 보호 게이트(privacy gate)'가 민감한 정보를 스캔해 클라우드로 보내기 전 실제 값을 임시 값(placeholder)으로 바꾼 뒤, 답변이 로컬 기기로 돌아오면 다시 원래 데이터로 복구한다. 덕분에 사용자는 기밀 계약서는 로컬에 보관하면서, 동시에 클라우드를 이용해 유사한 법적 파트너십 사례를 조사할 수 있다. 데이터 주권과 AI 성능의 공존이다.

04Qwen 3.8 27B, 지능 점수 34점으로 Opus 4.5와 GPT 5 상회

고성능 코딩 AI를 이제 개인용 하드웨어에서도 운용할 수 있게 됐다. 거대 클라우드 제공사에 의존하던 구조가 바뀌는 지점이다. Qwen 3.8 27B는 적절한 모델 크기와 강력한 성능의 균형을 맞춘 효율적인 오픈 모델로 부상했다. 지능 점수 비교에서 Qwen 3.8 27B는 34점을 기록하며, 약 1년 전의 최첨단 모델들을 앞질렀다. 29점을 받은 Opus 4.5와 23점을 기록한 GPT 5보다 높은 수치다. 추론 능력을 희생하지 않고 개인 장비에 정교한 AI를 구축하려는 이들에게 최적의 선택지다. 효율의 시대다.

다만 전문 GPU 구매 비용과 전기료는 여전히 진입 장벽이 높다. Runpod은 RTX 5090 GPU 클라우드 대여 서비스로 합리적인 중간 지점을 제공한다. 개발자는 고가의 로컬 하드웨어에 투자하기 전, 실제 환경에서 모델의 성능을 충분히 검증할 수 있다. 비용 체계는 유연하다. 커뮤니티(Community) 유형은 시간당 0.69달러, 보안(Secure) 유형은 시간당 0.99달러다. 60GB 할당 기준 시간당 약 0.008달러의 컨테이너 디스크 저장 비용을 추가해도, 고성능 컴퓨팅 비용은 시간당 1달러 미만으로 유지된다. 부담이 적다.

Runpod의 배포 과정은 간결하며, 보통 10분 정도면 가동 준비가 끝난다. 시스템 안정성을 위해 이미지와 텍스트를 모두 이해하는 AI(VLM)은 0.29와 같은 고정 버전을 사용하는 것이 권장된다. 보안 설정 역시 필수다. 포드(pod) 주소만 알면 누구나 API 요청을 보낼 수 있으므로, Runpod Secrets를 통해 사용자 정의 비밀 키를 적용해야 한다. 이후 HTTP 서비스가 준비되면 nvidia-smi 명령어로 RTX 5090 설치 여부를 확인하고, curl 요청으로 모델 연결 상태를 점검해 코딩 작업 흐름(workflow)을 최적화할 수 있다.

05클로드 코드 '모드' 도입 — 범용 도구에서 개인 맞춤형 파트너로

개발자가 이제 자신의 취향과 안전 요구사항에 맞춰 AI 코딩 어시스턴트를 설정할 수 있게 됐다. 범용 도구를 개인화된 파트너로 바꾸는 셈이다. 앤스로픽은 클로드 코드에 '모드(mods)' 기능을 도입해, 자율형 AI(agent)가 작업을 처리하는 방식을 내부적으로 제어할 수 있게 했다. 외부 플러그인 형태로 작동하는 기존 확장 방식과 달리, 모드는 시스템 내부에 직접 상주한다. 덕분에 AI가 동작을 실행하기 직전에 개입해 수정하거나 중단시킬 수 있으며, 사용자 인터페이스(UI)까지 직접 맞춤 설정할 수 있다.

이러한 내부 구조는 외부 서비스 연결을 위한 훅(hooks), 스킬(skills), MCP 서버 같은 기존 확장 메커니즘과 차별화된다. 훅이 기존 스크립트로 동작을 차단하고 스킬이 지시 사항 이행에 집중한다면, 모드는 기억력과 전반적인 사용자 경험을 최적화하는 데 목적이 있다. 가장 큰 장점은 세션 상태가 유지된다는 점이다. 이벤트마다 한 번 실행되고 사라지는 셸 스크립트 기반의 인터셉터와 달리, 모드는 한 번 로드되면 세션 전체에서 계속 활성화된다. 이를 통해 AI가 프로젝트 전반의 정보를 기억하고, 실시간 대시보드를 표시하며, 사용자 정의 슬래시 명령어를 구현하는 것이 가능해졌다.

이 시스템의 진가는 실제 사용 기록을 바탕으로 맞춤형 모드를 생성할 수 있다는 점에 있다. 클로드에게 지난 20회의 세션을 검토하도록 시키면, 모델이 반복되는 질문이나 사용자가 불안해하는 특정 명령어, 작업 결과물을 검증하는 패턴 등을 스스로 찾아낸다. 이렇게 분석한 통찰을 바탕으로 최적의 모드를 제안한다. 예를 들어 '폴더 삭제' 명령어가 입력됐을 때 바로 실행하지 않고 확인 절차를 거치게 하는 보호 모드를 만들 수 있다. 혹은 맥북에서 로컬 모델이 구동 중인지, DGX Sparks 서버 같은 특정 하드웨어가 오프라인 상태인지 추적하는 유틸리티 모드를 구축할 수도 있다. 이제 인간이 AI의 기본 설정에 맞추는 것이 아니라, AI가 인간의 업무 흐름(workflow)에 맞게 변화하는 시대다.

06GPT6 Astra: 단순 명령어보다 작업 흐름(pipeline)이 품질을 결정

초고화질 3D 오브젝트를 만들려면 이제 단순한 텍스트 묘사를 넘어 체계적인 제작 공정(pipeline)을 도입해야 한다. 최신 AI 모델들이 명령어 하나로 3D 에셋을 만들어내긴 하지만, 전문가 수준의 시각물을 구현하기에는 세부 묘사나 자연스러운 질감이 부족한 경우가 많다. 여러 단계를 거치는 작업 흐름(workflow)으로 전환하면, 단순한 결과물을 넘어 영화처럼 생생하고 사실적인 수준의 완성도를 얻을 수 있다. 완성도의 차이는 여기서 갈린다.

최근 고정밀 3D 수족관 제작 사례를 통해 이 방식의 실효성이 증명됐다. 단 한 번의 명령어가 아니라 엄격한 순서에 따라 작업이 진행됐다. 먼저 기초 이미지를 생성한 뒤, 이를 바탕으로 피사체의 모든 각도를 보여주는 다각도 이미지를 만들었다. 이 이미지들을 통해 기본 3D 모델을 구축하고 추출했다. 마지막으로 프로젝트용 명령어를 작성해 추출된 모델과 명령어를 Codex와 GPT6 Astra로 처리했다. 덕분에 수초나 돌 같은 복잡한 요소들의 배치를 AI가 자동으로 처리할 수 있었다.

다단계 공정을 거친 결과물과 명령어만 사용한 결과물의 품질 차이는 극명하다. GPT6 Astra에 텍스트 명령어만으로 수족관을 만들게 했을 때는 결과가 실망스러웠다. 물고기가 살아있는 생명체가 아니라 레고 블록처럼 각지고 단순하게 표현됐다. 반면 작업 흐름을 적용하자 풍부한 질감과 부드러운 움직임을 가진 초실사 수준의 물고기와 수초가 구현됐다. 그야말로 천지 차이다. 고정밀 3D 에셋을 원하는 사용자라면, 정답은 명령어의 정교함이 아니라 생성 공정의 설계에 있다는 점에 주목해야 한다.

07AI 에이전트의 신뢰성 — 명확한 '완료 조건'의 도입

AI 에이전트가 실패하는 이유는 능력이 부족해서가 아니라, 언제 멈춰야 할지 모르기 때문이다. 개발자들은 이를 해결하기 위해 '완료 조건(done conditions)'을 도입하고 있다. 사용자가 다시 물어볼 필요 없이 작업 완료 여부를 사실 기반으로 확인할 수 있는 검증 기준이다. 예를 들어 "발표 자료를 개선하라"는 모호한 지시 대신, "최종 파일은 정확히 10장의 슬라이드로 구성하고, 각 장에는 헤드라인과 최대 3개의 불렛포인트를 포함하라"고 명시하는 식이다. 이런 경계가 없으면 에이전트는 엉뚱한 작업을 수행하고도 성공했다고 자신 있게 보고한다. 운영 리스크를 줄이려면 폴더 백업을 유지하고, 되돌릴 수 없는 작업에는 반드시 수동 승인 절차를 거쳐야 한다.

긴 작업을 일관성 있게 수행하려면 체계적인 메모리 관리 방식이 필요하다. 현재의 프레임워크는 주로 세 가지 계층을 사용한다. 현재 대화 내용을 담는 임시 문맥 창(context window), 프로젝트 전용 메모리를 저장하는 일반 텍스트 파일, 그리고 계정 수준의 설정값이 담긴 별도 계층이다. 이러한 구조는 필수적이다. 에이전트는 일종의 망각 증상을 겪기 때문이다. 작업이 길어져 문맥 창이 가득 차면 초기 지시 사항의 영향력이 약해진다. 약 20분이 지나면 원래 목적을 완전히 잊어버리기도 한다. 가장 확실한 해결책은 작업마다 새로운 세션을 시작해 에이전트가 핵심 목표에 집중하게 만드는 것이다.

기업 수준에서는 ChatGPT나 클로드 같은 단일 모델에 의존하는 전략에서 벗어나고 있다. 대신 서로 다른 방식으로 학습된 여러 모델을 섞어 독자적인 지능을 구축하고 비용을 낮추는 '모델 다양성(model neurodiversity)'을 추구한다. 이러한 독립성 확보 노력은 기업들이 특정 작업에 가장 효율적인 모델을 찾기 위해 자체 성능 시험(internal benchmarks)을 개발하는 결과로 이어졌다. 제어권에 대한 욕구는 인프라 영역으로 확장된다. Replit은 단순한 서비스형 소프트웨어(SaaS) 모델에서 벗어나 '자체 클라우드 도입(bring your own cloud)' 배포를 지원하는 방향으로 선회했다. AWS, Azure, Databricks, Snowflake 같은 제공업체를 통해 사내 설치(on-premise)를 허용함으로써, 기업은 데이터 주권을 확보하고 에이전트 상호작용 과정에서 민감한 정보가 유출되는 것을 막을 수 있다.

08오픈AI — 30조 달러 시장 정조준과 연산 비용 절감

오픈AI는 단순한 소프트웨어 제공자를 넘어 글로벌 경제의 상당 부분을 흡수하려는 야심을 드러내고 있다. 이러한 광범위한 목표는 전략적 파트너십을 맺으려는 다른 기업들에게는 상당히 까다로운 환경을 조성한다. 전 세계를 잠재적 시장으로 보는 기업과 협력할 때, 파트너사들은 결국 상대에게 흡수될지도 모른다는 불안감을 느끼기 때문이다. 실제로 오픈AI는 투자자들에게 전 세계 국내총생산(GDP) 약 100조 달러 중 30조 달러를 목표 시장으로 설정했다는 점을 강조한다. 경제 전반을 장악하겠다는 계산이다.

오픈AI는 이 거대한 규모를 뒷받침하기 위해 AI 처리 과정에서 발생하는 막대한 비용을 줄이고 시스템 효율을 개선하고 있다. 최근 도입한 기능은 연산 결과의 일부를 저장해 재사용하는 캐싱(caching) 기술을 서로 다른 모델 제품군과 다양한 연산 강도(effort levels)에 적용한 것이다. 쉽게 말해 사용자가 모델 버전을 바꾸거나 특정 작업에 투입하는 연산량을 조절하더라도, 시스템이 이전 작업 내용을 기억해 불러올 수 있다. 매번 설정값이 바뀔 때마다 비용이 많이 드는 계산을 처음부터 다시 반복할 필요가 없어진다.

오픈AI는 서로 다른 등급의 모델 간에 연산 데이터를 공유함으로써, 저장된 데이터를 찾지 못해 처음부터 다시 처리해야 하는 '캐시 미스(cache miss)' 현상을 줄였다. 이러한 기술적 최적화를 통해 최첨단 수준의 성능을 유지하면서도 비용은 획기적으로 낮출 수 있다. 개발자와 기업 입장에서는 더 강력한 모델로 옮겨갈 때 비용이 정비례하게 상승하던 부담에서 벗어나 고성능을 유지할 수 있게 된다. 비용의 선형적 증가라는 족쇄를 푼 셈이다. 결국 연산 효율화는 오픈AI의 기술을 전 세계 경제 어디에나 존재하는 보편적 도구로 만들려는 거대 전략의 핵심이다.

09Stripe의 OpenRouter 인수, AI 생태계의 독점을 막으려는 전략일까?

Stripe가 OpenRouter를 인수했다. 신생 기업과 개발자가 다양한 AI 모델을 더 쉽게 도입하고 통합할 수 있도록 접근성을 확장하겠다는 전략이다. 이번 인수는 갑작스러운 결정이 아니다. OpenRouter는 이미 Stripe의 여러 프로젝트에 참여하고 사내 세션에서 발표를 진행하는 등 깊은 협력 관계를 유지해 왔다. 지난 7월, 대면 미팅을 포함한 초기 논의가 빠르게 진행되며 공식 인수까지 이어졌다.

이번 계약의 핵심은 OpenRouter의 독립성 보장이다. Stripe의 기업 정체성에 완전히 흡수되는 대신, 브랜드와 제품, 향후 로드맵에 대한 통제권을 그대로 유지한다. Stripe 생태계가 제공하는 규모의 경제와 자원을 누리면서도, 고유의 비전을 유지하며 운영할 수 있는 구조다.

이번 인수의 전략적 배경에는 AI 산업이 분산된 구조를 유지해야 한다는 공통된 신념이 있다. 거대 기업 하나가 시장을 독점하기보다, 작고 혁신적인 기업들이 공존하는 생태계를 지향한다. 이는 AI 안전과 리스크 관리 방식의 변화와도 연결된다. 모델의 지능이 높아질수록 예측 불가능성과 기만 가능성은 커지지만, 정작 이를 책임지고 관리할 새로운 플레이어는 부족하다는 판단이다. 독점은 곧 위험이다.

양사는 이제 컴퓨터가 입력된 명령대로만 정확히 작동하던 '결정론적 코드(deterministic code)'의 시대가 끝났다고 본다. 이제는 훨씬 변동성이 큰 환경으로 진입했다. 다양한 플레이어가 참여하는 생태계를 구축해 책임을 분산함으로써, AI 지능의 독점이 가져올 시스템적 리스크를 최소화하겠다는 전략이다.

10Nvidia, AI 에이전트의 돌발 행동을 강제로 막는 '구조적 안전장치' 공개

자율형 AI 에이전트(autonomous AI agent)가 스스로 무엇을 할 수 있다고 믿느냐와 상관없이, 실제로 수행 가능한 동작을 엄격히 제한하는 능력은 보안 사고 방지와 운영 안전 확보에 필수적이다. 이를 위해 Nvidia는 '오픈 에이전트 세이프티(open agent safety)', 일명 '오픈 쉘(open shell)' 프로젝트를 공개했다. 이 프로젝트의 핵심은 시스템 아키텍처에 직접 내장된 '구조적 안전장치(structural safeguards)'를 구현하는 것이다. 기존의 프롬프트 기반 지침과 달리, 이 안전장치는 에이전트의 추론 과정과 완전히 독립적으로 작동한다. 제어권의 주체를 AI가 아닌 시스템으로 옮긴 것이다.

이러한 구조적 경계는 리스크가 큰 테스트 환경에서 특히 유용하다. 예를 들어, 기업이 신제품의 보안 허점을 찾기 위해 에이전트에게 공격자 역할을 맡기는 '레드팀(red team, 공격자 관점의 보안 점검)' 테스트를 수행한다고 가정해 보자. 개발자는 에이전트가 실제로 제한된 환경을 뚫고 나갈 수 있는지 확인하고 싶어 한다. 만약 안전 규칙을 단순히 지침으로 설명했다면, 에이전트는 너무 고분고분하게 행동해 실제 공격 상황을 제대로 재현하지 못할 가능성이 크다. 반면 구조적 안전장치를 사용하면, 에이전트가 인터넷 접속 같은 권한 없는 행동을 시도하는 즉시 시스템이 이를 차단한다. 에이전트는 자신이 왜 막혔는지조차 모른 채 제어된다. 가식 없는 테스트가 가능해진다.

앞으로 기업들은 이러한 자율 시스템을 관리하기 위해 '하이브리드 안전 모델'을 채택할 가능성이 높다. Nvidia의 구조적 안전장치에 더해, 에이전트의 행동을 실시간으로 관찰하고 평가하는 별도의 외부 모니터링 모델을 결합하는 방식이다. 논리적 차단이라는 '강제 정지' 장치와 지능적 감시라는 '소프트웨어적 감독'을 겹겹이 쌓아 더 강력한 안전망을 구축하는 셈이다. 이를 통해 기업은 에이전트를 한계치까지 밀어붙여 성능을 시험하면서도, 통제된 환경 내에 안전하게 가둬둘 수 있다. 안전과 성능, 두 마리 토끼를 잡는 전략이다.

11대기업의 좁은 전문성 — 소규모 기업의 통합적 성장

창업을 꿈꾸는 이들에게 가장 빠른 성장의 길은 대기업의 명성이 아니라 소규모 조직의 밀착 경험에 있다. 연세대학교 컴퓨터과학과 같은 고스펙 졸업생들은 보통 공기업, 외국계 기업, 혹은 대기업의 안정적인 자리를 찾는다. 의사나 약사, 치과의사가 되기 위해 전문직 학위를 쫓기도 한다. 하지만 창업이 목표라면 이런 전통적인 경로는 오히려 제약이 된다. 직원을 특정 전문 부서에만 배치해 비즈니스 전체의 맥락에서 고립시키기 때문이다. 시야가 좁아질 수밖에 없는 구조다.

직원 10명 내외의 작은 회사에서 일하는 것은 학습 궤적부터가 다르다. 대표 바로 옆에서 일하며 사업이 실제로 어떻게 돌아가는지 통합적인 관점을 가질 수 있다. 기획과 개발, 그리고 일상적인 운영이 맞물려 돌아가는 지점을 실시간으로 관찰하게 된다. 예를 들어 병역특례로 소규모 IT 기업의 개발자로 시작한다면 독보적인 시야를 확보할 수 있다. 거대 조직의 톱니바퀴가 되는 대신, 결정권자의 바로 옆자리에서 리더가 성장과 경영의 난관을 어떻게 헤쳐 나가는지 직접 목격하기 때문이다. 결정권자의 시야를 공유하는 경험이다.

이런 통합적 경험은 특정 부서에서 쌓는 깊고 좁은 전문성보다 예비 창업자에게 훨씬 가치 있다. 대기업이 이미 만들어진 시스템 안에서 탁월해지는 법을 가르친다면, 작은 회사는 시스템 자체를 만드는 법을 가르친다. 의도적으로 이런 소규모 환경을 찾는 창업 지망생들은 벤처의 모든 영역을 다룰 수 있는 다재다능한 역량을 갖추게 된다. 당장의 사회적 지위보다 운영 지식을 우선시하는 전략적 선택이다. 이는 결국 1인 기업으로 전환하거나 새로운 회사를 설립하는 데 필요한 필수 토대가 된다. 시스템을 이용하는 법과 만드는 법의 차이다.

12클로드 인 크롬 확장 프로그램: 웹사이트 수동 업무를 대신 수행하는 AI 비서

클로드 인 크롬(클로드 in Chrome) 확장 프로그램은 사용자가 웹사이트에서 반복적으로 처리해야 하는 수동 업무를 AI에게 맡길 수 있도록 지원한다. 이 기능은 브라우저를 단순한 정보 검색 도구에서 능동형 비서로 변화시킨다. 사용자가 직접 메뉴를 이동하거나 양식을 입력하는 대신, AI에게 특정 거래나 업무 완성을 지시하는 방식이다. 이 변화는 AI가 단순한 대화창을 넘어, 인간이 직접 하던 클릭과 화면 이동 같은 수동 실행의 영역으로 확장되었음을 보여준다.

이 기능은 구글 크롬(구글 Chrome)에 확장 프로그램을 설치하고 클로드 계정과 연동하는 방식으로 작동하며, 웹을 직접 탐색해 실행하는 자율형 브라우징 도구의 역할을 한다. 이 확장 프로그램을 데스크톱 애플리케이션과 함께 사용하면, AI가 다양한 사이트에 접속해 수동 웹 작업을 수행할 수 있다. 이 연동을 통해 AI는 브라우저를 직접 조작하며 웹사이트 인터페이스를 거쳐 특정 목표를 달성한다.

이 기술의 대표적인 활용 사례는 온라인 쇼핑 자동화다. 사용자가 AI에게 아마존(Amazon)에서 세제를 주문하라고 지시하면, AI가 직접 웹사이트를 열고 제품을 검색한다. 이때 사용자의 구매 기록을 참고해 선호하는 브랜드를 파악하고, 올바른 배송지를 선택한 뒤 아마존 페이(Amazon Pay)를 이용해 주문을 최종 완료한다. 사용자가 직접 검색하고 필터링하며 결제하는 수고를 덜 수 있다.

이 기능을 이용하려면 월 17달러의 구독 모델에 가입해야 한다. 이 구독을 통해 사용자의 컴퓨터에서 AI가 자율적으로 작동하는 공동 작업(co-work) 기능을 쓸 수 있다. AI는 웹 서핑을 넘어 다양한 문서를 검토하거나 새 파일을 만드는 등 로컬 작업을 수행하며, 사용자의 전반적인 디지털 업무 흐름에 깊숙이 자리 잡는다.