를 기반으로 한 AI 모델 Flint를 개발했다
챗봇을 사용하며 느끼는 가장 큰 지루함은 어디서 본 듯한 뻔한 답변이 반복될 때 찾아온다. 정해진 확률에 따라 가장 가능성 높은 단어만 선택하는 기존의 생성 방식은 효율적이지만, 정작 창의성이 필요한 작업에서는 무색무취한 결과물을 내놓는다. Springboards(스프링보드, AI 마케팅 솔루션 기업)는 이러한 평균의 함정을 깨기 위해 Qwen 3(큐웬 3, 오픈소스 LLM)를 기반으로 한 AI 모델 Flint(플린트)를 개발했다.
Flint는 출력물 전체의 무작위성을 일괄적으로 높이는 대신, 다양성이 확보될 수 있는 특정 지점을 모델이 스스로 식별한다. 전체 파라미터를 조정해 품질을 떨어뜨리는 대신, 식별된 해당 구간에만 무작위성이 가미된 단어나 구절을 전략적으로 채워 넣는 방식으로 작동한다. 문맥의 일관성을 유지하면서도 예상치 못한 표현을 섞어 넣어 결과물의 엣지를 살리는 구조다.
현재 이 모델은 Springboards의 기존 고객인 광고주와 마케터들을 주요 타겟으로 서비스하고 있다. 소비자에게 강한 인상을 남겨야 하는 마케팅 문구 생성 작업에서는 뻔한 표현을 피하는 것이 필수적이기 때문이다. 개발진은 다양성 부족이 특정 직군만이 아니라 모든 챗봇 사용자가 공통으로 겪는 문제라고 주장한다. 이는 브레인스토밍 단계에서 AI가 제시하는 평균적인 답변을 넘어 더 넓은 선택지를 확보하는 판단 기준이 된다.
다만 AI가 생성한 결과물을 그대로 복제해 사용하는 방식에 대해서는 실무적인 경고가 따른다. Uncommon(언커먼, 크리에이티브 에이전시)의 Maximilian Weigl(맥시밀리언 바이글)은 Flint를 포함한 모든 AI 출력물을 그대로 복사해 붙여넣는 행위를 지적한다. AI의 결과물에 지나치게 의존하기보다 스스로 생각하고 자신의 목소리를 내는 과정이 실무자의 핵심 역할이다.
기술이 실제로 작동하는 방식
AI의 발전 속도는 사용자가 도구에 익숙해졌다고 느끼는 찰나에 이미 다음 단계의 표준을 만들어낸다. Springboards(스프링보드, AI 최적화 솔루션 기업)가 개발한 Flint는 출력물 전체에 일괄적으로 무작위성을 적용하는 기존 방식에서 벗어난다. 모델이 답변을 생성하는 과정에서 다양성이 필요한 특정 시점에만 무작위성을 강화하는 구조를 취한다. 유럽 여행지를 추천하는 상황을 가정하면 모든 단어가 아니라 목적지 이름을 언급하기 직전에만 무작위성을 조정한다. 출력물 전반의 무작위성을 높이는 것은 비효율적이며, 결정적인 지점에서만 이를 제어함으로써 문맥의 안정성과 키워드의 의외성을 동시에 확보한다.
Uncommon(언커먼, 글로벌 크리에이티브 에이전시)의 Maximilian Weigl은 ChatGPT, Claude, Gemini와 함께 Flint를 실무에 투입해 성능을 검증했다. 그는 기존 LLM들이 결과물을 평균값으로 수렴시켜 사용자를 평범한 답변의 영역으로 끌어당기는 경향이 있다고 지적했다. Flint는 이러한 수렴 현상을 극복해 기존의 경계를 허무는 창작물을 유도한다. 이는 마케팅 문구 생성처럼 엣지 있는 결과물이 필요한 브레인스토밍 단계에서 평균의 함정을 피하고 독창적인 결과물을 얻는 실무적 기준이 된다. 가장 확률이 높은 답변만 내놓는 도구로는 경계를 허무는 창작이 불가능하며, 특정 구간의 무작위성 제어가 실질적인 차별화를 만든다.
ChatGPT나 Claude를 쓰며 느끼는 뻔한 답변의 지루함은 LLM이 가장 확률 높은 평균값만을 선택하기 때문에 발생한다. Springboards의 Flint는 전체 파라미터를 조정하는 대신 모델이 스스로 다양성이 필요한 지점을 식별해 해당 부분만 무작위성을 높여 출력물의 다양성을 확보한다.
마케팅 문구 생성 같은 창의적 브레인스토밍 시 '평균의 함정'을 피하려면, 결과물의 엣지를 결정하는 특정 구간의 무작위성 제어 여부를 핵심 판단 기준으로 설정해야 한다. 결국 AI의 차별화된 결과물은 전체의 무작위성이 아니라 정교하게 설계된 부분적 변동성에서 결정된다.
