Matthew Berman이 OpenAI에서 팀을 이끄는 Tibo를 인터뷰했다. Tibo는 Google DeepMind에 있을 때 ChatGPT가 나오기 약 1년 전에 내부에서 대화형 모델이 만들어지고도 출시되지 못하는 과정을 지켜봤고, 지금은 Codex 사용량 한도를 초기화하는 리셋 버튼을 직접 누르는 사람이다.
Berman이 묻는 것은 다음 AI 물결이 어떤 모습이고 그것을 남보다 먼저 알아보려면 무엇을 봐야 하는가다. Tibo의 답은 한 방향으로 모인다. 사람이 기술에 적응하는 대신 기술이 사람에게 맞춰져야 한다는 것이다. 그래서 그는 속도의 가치를 처리량이 아니라 사람의 주의력으로 평가하고, ChatGPT와 Codex를 하나로 합쳐 사람마다 다르게 적응하는 개인 AGI를 만들려 하며, 그 끝을 AI가 늘 곁에 있는 앰비언트 상태로 그린다. 이 방향을 떠받치는 것은 효율이다. 가장 앞선 모델로 자기 인프라를 고치는 재귀적 자기개선이 비용과 속도를 끌어내리고, 그 결과 오늘의 최전선은 몇 달 뒤 누구나 쓰는 기본값이 된다.
Berman은 이 관점에 반대하는 대담자는 아니지만 두 곳에서 다른 설명을 제시한다. 사용량 리셋은 결국 성장을 위한 마케팅이 아닌가, 그리고 가격 인하는 효율 개선이 아니라 컴퓨트를 미리 확보해 둔 덕분이 아닌가. Tibo는 리셋을 망가뜨린 것에 대한 보상으로, 가격 인하를 앞선 모델이 스택을 다시 설계한 결과로 설명한다. 다만 효율 개선과 컴퓨트 계획이 각각 얼마나 기여했는지는 끝까지 수치로 구분되지 않았다.
주력 사업을 흔드는 발견에도 자원을 옮길 수 있어야 다음 물결을 탄다
Berman은 Tibo가 예전에 올린 트윗으로 대화를 연다. Google은 내부의 대화형 모델을 내놓기를 너무 두려워했고, DeepMind는 Google을 흔들 수 있는 제품의 출시가 막혀 있었다는 내용이다. Tibo의 회고에 따르면 언어 모델을 키우던 그룹이 좋은 결과를 내자 자막에서 LM chat으로 표기된 대화형 도구가 내부에 만들어졌고, 이것을 공개하려는 구상도 있었다. 일관되고 쓸모 있는 문장이 처음 나온 때라서 당시에도 특별하다고 느꼈지만, DeepMind는 애초에 제품을 출시하도록 설계된 조직이 아니었다.
그는 이 일을 지금 팀의 문화를 지키는 기준으로 삼는다. OpenAI에서는 연구 조직과 제품 조직이 함께 설계하고 새 아이디어를 가로막는 장애 요인이 거의 없어서 무언가를 아주 빠르게 내놓을 수 있다. 다만 그 자유가 방향 없는 기능 모음으로 이어지지 않도록 단순함과 품질에 대한 자부심으로 균형을 잡는다.
창업자에게 줄 조언을 묻자 그는 세 가지를 든다. 확신을 가질 것, 사용자를 확보해 피드백을 반영하며 빠르게 개선할 것, 그리고 스스로를 무너뜨릴 의지를 가질 것이다. 세 번째는 창업자보다 OpenAI 같은 회사에 해당한다고 그는 단서를 붙인다. 새로운 연구와 아이디어가 끊임없이 나오는 회사는 지금 돈을 버는 주력 사업에서 자원을 떼어 내더라도 새 아이디어에 투자할 시점을 알아봐야 하고, 이것은 매우 어렵지만 매우 중요하다. Berman이 그것이 바로 Google이 하지 못한 일이라고 짚자, Tibo는 Google에도 나름의 큰 계획이 있었다고 공정하게 덧붙이면서도 자신에게는 맞는 자리가 아니었다고 말한다. 회사가 성숙해 현금을 잘 버는 주력 사업이 생기면 이 일이 더 어려워지지 않느냐는 질문에는, AI의 미래가 회사가 이미 쌓은 성과를 기다려 주지 않으므로 기술이 어디로 가는지 편견 없이 살피고 그 물결을 탈 위치를 찾아야 한다고 답한다.
그 위치를 알려 주는 단서는 벤치마크 밖에서 나온다. OpenAI도 모델을 훈련한 뒤에야 능력을 발견하고, 모델을 직접 오래 써 보면서 이렇게도 쓸 수 있다는 것을 깨닫는다. 최근의 예는 음성이다. 새 음성 모델은 대화가 자연스럽고 도구도 쓸 수 있어서, 그는 아침에 휴대폰을 들고 할 일 몇 가지를 말로 늘어놓고, 자신의 도구에 연결된 에이전트가 그 일을 처리하게 한다. 받아쓰기 품질이 좋아서 프롬프트를 타이핑하는 것보다 훨씬 효율적이다. 좋은 음성 모델이 없던 때에는 불가능했던 일이고, 이런 발견이 나오면 제품을 어떻게 생각해야 하는지가 통째로 바뀐다.
지금의 하네스는 완결된 파트너라는 환상을 깨고, 다음 세대 모델에게 노트북은 좁다
Tibo는 몇 주 전 Codex가 2～3개월 뒤면 원시적으로 보일 것이고 다음 세대 모델은 노트북 이상을 필요로 한다고 썼다. 하네스에서 개선할 곳을 묻자 그는 숙련된 사용자가 이미 익숙해진 불편함을 든다. 에이전트를 가르치려면 스킬 파일을 관리해야 하는데, 시간이 지나면 유지하기 어렵다. 메모리는 있지만 모든 것을 기억하지는 않는다. 서브에이전트를 쓰면 작은 네트워크 같은 구조까지 신경 써야 한다. 그때마다 완결된 파트너와 일한다는 환상이 깨진다. 그가 목표로 삼는 것은 사용자 본인과 그 목표, 일상, 팀이 하는 일까지 깊이 이해하고, 요청에 반응할 뿐 아니라 먼저 움직이는 에이전트다.
두 번째 제약은 노트북 자체다. 노트북은 사람이 해낼 수 있는 작업량에 맞춰 설계되었다. 타이핑 속도, 생각하는 속도, 동시에 열어 둘 수 있는 애플리케이션의 수가 모두 사람의 한계다. 모델에는 그런 한계가 없어서, 앞으로는 애플리케이션 100개를 동시에 열어 두고도 문제없이 다룰 수 있다. 그래서 다음 세대 모델은 노트북이 제공하는 것보다 많은 자원에 접근해야 한다고 그는 말한다.
빠른 속도가 돌려주는 것은 시간이 아니라 주의력이다
Berman은 지금 속도에서 에이전트를 10～15개씩 병렬로 띄운다. 하나를 띄우면 결과가 돌아오기까지 30～45분이 걸리므로, 그 사이 다른 작업으로 계속 옮겨 다니는 인지 부담이 상당하다. 기존 fast보다 토큰 속도가 10～14배 빠른 ultra fast가 나오면 동시에 돌리는 에이전트는 서너 개로 줄어들 것이고, 그는 그것이 오히려 좋은 일일 수 있다고 말한다.
Tibo도 같은 지점을 본다. OpenAI는 사람을 위해 만들기 때문에 사람의 주의력에 친절해야 하고, 어떤 결과를 지금 알려 줄지 30분 뒤에 알려 줄지까지 판단해야 한다. ultra fast를 음성과 결합하면 에이전트가 사람과 같거나 더 빠른 속도로 움직이므로, 사용자는 흐름을 유지한 채 아이디어를 내고 프로토타입과 작은 보고서를 실시간으로 확인한다. 그는 그 경험을 한 뒤로 에이전트 10개를 오가던 방식으로 돌아가고 싶지 않다고 말한다.
속도가 올라간다고 모든 작업이 같은 비율로 빨라지지는 않는다. Berman은 토큰 속도가 이만큼 빨라지면 도구 호출과 네트워크처럼 스택의 다른 부분이 병목이 된다고 지적한다. Tibo의 설명도 같다. 웹사이트나 게임을 프로토타이핑하면서 코드를 길게 생성하는 작업은 10배 가까이 빨라지지만, 도구 호출이 많아 부담이 네트워크나 에이전트 경로의 다른 곳에 있는 작업은 3～4배 빨라지는 데 그친다. 그는 이 제약을 탐색과 테스트 작성과 가설 검증을 동시에 돌리는 방식으로 보완할 수 있다고 본다.
속도에서 얻는 이득은 사람마다 다르다. Tibo는 여러 일을 오가며 멀티태스킹하는 사람은 ultra fast에서 얻는 이득이 상대적으로 작다고 말한다. 두 사람은 모두 ADHD가 있지만 선호는 정반대다. Tibo는 맥락을 자주 바꾸며 작은 결정을 많이 내리는 방식에서 힘을 얻고, 가끔 한 가지에 집중하고 싶을 때 ultra fast를 반긴다. Berman은 맥락 전환이 힘들어서 두세 가지에 집중하고 싶어 하고, 그래서 ultra fast를 더 반긴다.
개인 AGI와 완전 자동화는 서로 다른 문제다
Berman은 최근 몇 달 사이 루프에 이어 그래프까지 여러 에이전트 코딩 기법이 유행했는데, 이것들이 결국 개발자의 주의력을 지키기 위한 장치냐고 묻는다. Tibo는 문제를 두 범주로 나누어 답한다. 첫째는 개인 AGI다. 사용자와 같은 흐름 안에 머무르며 중요한 아이디어를 먼저 꺼내고, 기술적인 문제든 조사나 조언이든 사용자가 원하는 바를 정확히 실행하는 에이전트다. 이 범주는 한 사람을 고유한 개인으로 깊이 이해하는 데서 출발한다.
둘째는 완전 자동화다. 사람이 직접 통제할 필요가 크지 않은 복잡한 과정을 지능적인 시스템에 맡기는 것이다. 프로덕션 로그를 보고 성능을 최적화하거나 리그레션을 찾아 자동으로 고치는 작업이 여기에 속한다. 보안에서도 같은 흐름이 보인다. 스캐너가 취약점을 찾으면 자동으로 패치해, 취약점이 열려 있는 시간을 거의 0으로 줄이는 것이 목표다. 사람은 위험이 큰 조치를 승인할 때만 개입한다.
ChatGPT와 Codex는 하나로 합쳐지고, 인터페이스가 각 사람에게 맞춰진다
ChatGPT와 Codex를 합치겠다고 했을 때 처음 받은 반응은 왜 굳이 합치느냐는 질문이었다. Tibo의 답은 앞으로 나올 모델이 병합을 요구한다는 것이다. 코딩을 하든 하지 않든 같은 기술과 같은 하네스 위에서, 멀티모달이고 음성 우선이며 효율적인 하나의 에이전트가 일을 처리한다. 그러면 남는 문제는 인터페이스다. 그는 사용자가 코더용 인터페이스와 비개발자용 인터페이스를 직접 골라야 한다고 보지 않는다. 소프트웨어 엔지니어나 디자이너 같은 이름표는 현실이 너무 복잡해서 사람이 만들어 낸 추상화일 뿐이고, 실제 개인은 그 사이 어딘가에 있기 때문이다.
Berman이 결국 자기 어머니와 같은 인터페이스를 쓰게 되느냐고 묻자, Tibo는 그렇다고 답한다. 두 사람은 같은 것을 쓰지만, 맡기는 일과 연결하는 도구와 필요가 다르므로 제품은 각자에게 맞춰진 개인 AGI가 된다.
Tibo가 여러 번 쓴 환상이라는 말은 사용자가 자신을 이해하는 파트너와 일한다고 느끼는 상태를 가리킨다. 그는 대규모 언어 모델이 성공한 이유를 자연어가 인간의 개념이라는 데서 찾는다. 서로를 어느 정도 아는 사이라면 편지 한 통에서도 감정과 뉘앙스를 읽어 낸다. 그런데 지금의 AI를 쓰다 보면 어조를 못 읽었다거나 의도를 잘못 이해했다고 느끼는 순간이 생기고, 그가 없애려는 것이 바로 그 순간이다. 사람이 기술에 적응하는 대신, 기술이 사람이 이미 행동하는 방식의 자연스러운 연장이 되어야 한다.
그래서 그가 그리는 미래는 앰비언트에 가깝다. 사무실 화이트보드에 무언가를 적으면 AI도 그 자리에서 이해하고, 떠오른 생각을 말로 던지면 자연스러운 대화가 이어지는 상태다. Berman은 사람 사이의 소통 상당 부분이 손짓과 표정 같은 비언어 신호이지만 온라인에서 자란 세대는 텍스트에 어조를 담는 데 익숙하다며, AI가 표정과 손짓까지 읽을 필요가 있느냐고 묻는다. Tibo는 그렇다고 답하고, 새 음성 기능을 출시한 뒤의 사용 지표를 근거로 든다. 음성으로만 ChatGPT를 쓰는 사용자가 지금 아주 빠르게 늘고 있다. 그가 얻은 교훈은 사람이 저항이 가장 적은 길을 택한다는 것이다. 작은 입력창에 타이핑하는 일이 일부에게는 자연스러워도 모두에게 그렇지는 않고, 조금이라도 더 쉽고 나은 방식이 나오면 사람들은 그쪽으로 옮겨 간다.
Tibo는 경쟁사보다 모든 사람이 쓰게 하는 배포를 보고, 망가뜨린 것은 사용량 리셋으로 보상한다
인터뷰 당일 Codex 사용자는 2천만 명을 넘었다. 한동안 Anthropic이 시장의 관심을 독차지하다가 무언가 바뀌었다며 Berman이 시장을 어떻게 읽느냐고 묻자, Tibo는 경쟁사를 그다지 보지 않는다고 답한다. 대신 OpenAI가 고유하게 잘할 수 있는 일과 지키는 가치를 보고 그쪽으로 최대한 빠르게 간다. 그가 꼽는 강점은 강력한 기술을 더 안전하고 쉽게 만들어 가능한 한 많은 사람이 쓰게 하는 일이다. ChatGPT와 Codex의 병합도 개발자가 아닌 직군까지 쓸 수 있게 하고 이미 사용자가 많은 ChatGPT를 통해 이 기술을 빠르게 전달하려는 목적에서 추진되었으며, 그는 최근의 성장이 이 병합에서 비롯되었다고 본다.
사용량 한도 리셋도 같은 태도에서 나왔다. 그는 OpenAI를 그냥 하면 되는 곳이라고 표현한다. 처음에는 제품을 빠르게 고치다가 무언가를 망가뜨렸을 때 보상하는 용도였고, 지금도 그렇게 쓴다. 30분 동안 서비스가 제대로 동작하지 않았다면, 그 제품에 의존하는 사용자에게 사용량을 더 얹어 주는 식이다. 이제는 리셋 버튼이라는 이름이 붙고 실물 버튼까지 생겼지만 절차는 여전히 가볍다. 마케팅이나 재무와 협의하지 않고, 그가 원할 때 그럴 만하다고 느끼면 언제든 누른다.
반론. 리셋은 결국 성장을 위한 마케팅이 아닌가. Berman은 리셋이 마케팅과 성장에 얼마나 기여했느냐고 묻고, Tibo가 보상이라고 답한 뒤에도 리셋이 커뮤니티의 호의를 크게 쌓았고 성장에도 어느 정도는 기여했다고 본다. 이 대목에서 두 사람의 말은 한 가지 구분으로 모인다. 사용자를 아낀다고 말로만 하는 것과, 망가뜨렸을 때 사과하고 실제로 보상하는 것은 다르다는 구분이다. Berman은 이것을 Amazon의 반품 정책에 빗댄다. 만족스럽지 않으면 그냥 돌려보내라는 태도처럼, 실수했으면 토큰을 새로 채워 준다는 태도가 OpenAI에 대한 인식을 만든다는 것이다. Tibo는 이 비유를 반긴다.
어느 회사를 믿고 돈을 낼지 고민하는 사람에게 OpenAI의 태도가 Anthropic과 어떻게 다르냐고 Berman이 한 번 더 묻자, Tibo는 비교 대신 커뮤니티 이야기로 답한다. 커뮤니티에서 아이디어를 많이 가져오고 투명하게 공개하는 방식이 즐겁고, 거기에서 에너지를 얻으며, 이 기술은 OpenAI만을 위해 만드는 것이 아니라는 것이다.
재귀적 자기개선은 다음 모델보다 인프라에서 먼저 성과를 낸다
리셋을 계속 누를 수 있으려면 컴퓨트가 남아 있어야 한다. Berman은 이 점을 짚으면서, 자막에서 Soul로 표기된 모델이 Luna의 효율을 최적화해 Luna 가격이 80% 내려가고 Terra 가격도 함께 내려갔다는 OpenAI의 글을 꺼낸다.
반론. 가격 인하는 알고리즘의 효율 개선이 아니라 컴퓨트를 넉넉히 확보해 둔 덕분에 가능해진 것이 아닌가. Tibo는 먼저 컴퓨트를 한참 앞서 계획했다고 답한다. 2년 전에는 그 투자 규모 때문에 의심을 받았지만, 지금은 그중 큰 몫을 다음 모델을 위한 연구와 현재 모델의 효율 개선에 쓴다. 이어서 그는 효율 쪽 성과를 강조한다. 가장 앞선 모델의 능력을 더 높이면, 그 모델로 서빙 방식과 스택 구조를 아주 빠르게 다시 설계해 큰 효율과 성능 향상을 얻을 수 있다. 비용만 좋아진 것이 아니라, ultra fast를 빼고 보아도 속도가 3개월 전보다 약 60% 빨라졌다. 스택의 모든 부분을 실제 작업 부하에 맞게 다시 설계한 결과이고, 그 일을 아주 작은 팀이 해낼 수 있게 만든 것이 가장 강력한 모델이었다. 그는 이렇게 얻은 이익을 회사가 챙기지 않고 사용자와 나누는 것이 원칙이며, Luna의 가격 인하가 그 사례라고 말한다.
Berman은 한 모델이 다음 모델을 돕는다는 OpenAI의 글과 이번 효율 개선을 묶어, 재귀적 자기개선이 초기 단계에 들어선 것이냐고 묻는다. Tibo는 재귀적 자기개선이라는 말이 보통 모델이 다른 모델을 개발하는 연구에 쓰인다고 전제한 뒤, 실제로 큰 성과가 나오는 곳은 다른 쪽이라고 답한다. 모델을 쓰는 경로 위에 놓인 인프라를 바로 그 모델로 개발하는 일이다. 추론 스택과 CUDA 커널이 그 대상이고, 클라우드 에이전트처럼 모델에서 효용을 더 많이 얻게 하는 새 제품도 어떤 의미에서는 같은 순환에 들어간다. 그는 이것을 하나의 큰 시스템이라고 부르며, 인프라를 만들고 그것을 다시 자기 개선에 적용하지 않는다면 그것이야말로 어리석은 일이라고 덧붙인다.
모델의 능력이 오를수록 안전의 비중이 커지고, 필요하면 최전선 훈련도 멈춘다
가속만 하는 것은 아니다. Berman은 Sam Altman이 강화학습의 최전선 훈련을 멈췄다고 말한 일을 묻는다. Tibo는 이것이 연구 조직 안의 결정이라고 전제하고, 모델의 능력이 올라갈수록 정렬과 안전이 더 중요해지므로 이 영역의 투자가 크게 늘었다고 답한다. 훈련을 멈춘 것은 팀과 개인이 시스템의 모든 부분을 이해하고 보강해, 완전히 통제할 수 있는 상태에서 훈련을 재개하기 위해서였다. 그는 OpenAI가 필요할 때 이런 결정을 효율적으로 내리지 못하는 모습을 본 적이 없고, 앞으로도 필요하면 효율적으로 내릴 것이라고 말한다.
재개 기준을 미리 정해 두었느냐, 아니면 보면 알 것이라는 식이었느냐는 질문에 그는 이 판단이 안전 팀의 몫이라고 답한다. 안전 팀도 처음에는 논쟁하고 탐색하며 기준을 찾아 갔지만, 결국 충족되면 좋은 위치에 있다고 판단할 수 있는 꽤 명확한 원칙들에 도달했다.
지금은 아껴 쓰는 속도와 지능이 1～2년 안에 기본값에 가까워진다
지금 OpenAI 안에서 ultra fast는 아껴 쓰는 자원이다. 장애가 나면 1초가 중요하므로 사고 지휘자와 대응 팀이 ultra fast를 받고, 월요일까지 dev day에 넣을지 결정해야 하는 아이디어를 시험하는 팀도 요청하면 받는다. 직원에게도 무제한으로 주지 않으며, 용량 대부분은 고객을 위해 남겨 둔다.
그래도 Tibo는 이 속도가 오래 프리미엄으로 남지는 않는다고 본다. 에이전트가 일을 끝내는 속도는 추론 속도만이 아니라 모델의 토큰 효율로도 빨라지는데, Soul은 Terra보다 토큰 효율이 크게 높고 다음 모델은 Soul보다 더 높을 것이다. 추론 하드웨어도 계속 나아진다. 그래서 그는 1～2년 뒤면 지금의 ultra fast 속도가 기본값이 되거나 기본값에 아주 가까워질 것이라고 예상한다. 다만 하드웨어를 더 쓰고 비용이 더 드는 트레이드오프를 택해 무언가를 더 얻는 한 단계 위의 티어는 언제나 남을 것이라고 덧붙인다.
AI를 불안하게 바라보는 사람들에게 그가 제시하는 답도 같은 효율에서 나온다. 서빙 비용이 싸질수록 사람들이 일상에서 AI로 할 수 있는 일이 많아진다. Luna는 훨씬 작은 모델이지만 6개월 전이었다면 최전선에 있었을 모델이고, 지금은 놀랄 만큼 저렴하다. 지금의 최전선도 6개월 뒤에는 훨씬 싸게 돌아갈 것이고, 효율을 달마다 해마다 높이고 있어서 뛰어난 지능을 어디서나 이용할 수 있게 된다.
AI를 써 보기조차 망설이는 사람에게는 멀리서 근거를 찾을 필요가 없다고 말한다. 많은 사용자가 ChatGPT를 글쓰기뿐 아니라 개인적인 조언과 의료 조언에 쓴다. OpenAI는 건강과 금융 기능을 내놓았고, 그 자신도 이 기능을 자주 써서 의사를 만나러 갈 때 더 많이 알고 간다. 다른 사람이 어떻게 쓰고 무엇을 얻는지 보는 것이 시작하기 좋은 방법이라는 것이다.
정리된 것과 남은 것
Tibo의 답은 처음부터 끝까지 한 방향을 가리킨다. 기술이 사람에게 맞춰져야 하고, 그 기준으로 보면 속도의 가치는 사람의 주의력에서, 인터페이스의 가치는 개인에게 적응하는 정도에서 나온다. Berman도 이 방향에는 동의한다. 그는 병렬 에이전트 10～15개를 오가는 부담을 직접 겪고 있어서 ultra fast를 반기고, 리셋이 커뮤니티의 신뢰를 쌓았다는 데에도 Tibo와 평가가 같다.
남은 것도 있다. 가격 인하에서 효율 개선과 미리 확보한 컴퓨트가 각각 얼마나 기여했는지는 Tibo가 수치로 구분해 밝히지 않았다. 그는 컴퓨트를 앞서 계획했다고 답한 뒤 효율 개선 쪽으로 설명을 옮겼고, 속도 개선의 세부는 따로 공개하겠다고만 했다. Anthropic과 무엇이 다르냐는 질문에는 두 번 모두 직접 비교하지 않았다. 최전선 훈련을 재개할 기준은 안전 팀이 원칙에 도달했다는 사실만 밝혔고, 그 원칙의 내용은 말하지 않았다.
Deep Dive
2026-08-26
라벨을 믿지 않고 관찰된 행동을 근거로 삼는다
이 인터뷰에서 Tibo가 반복해서 쓰는 논증 방식이 하나 있다. 선언된 범주를 근거의 자리에서 밀어내고 그 자리에 실제로 관찰된 행동을 놓는 것이다. 벤치마크 점수 대신 모델을 오래 써 보다가 자기 습관이 바뀐 순간을 제품 방향의 입력으로 삼고, ADHD라는 진단명 대신 두 사람의 정반대 선호를 근거로 개인차를 말한다. 직군 이름표는 현실이 복잡해서 사람이 만들어 낸 추상화로 규정하고, 개인마다 다르게 적응하는 인터페이스를 최종 상태로 놓는다. 사용자를 소중히 여긴다는 말 대신 재무 협의 없이 누르는 리셋 버튼을 신뢰의 증거로 들고, 로드맵 대신 음성 전용 사용자가 빠르게 늘고 있다는 지표로 앰비언트를 정당화한다. 그래서 이 글에서 제품 결정의 단위는 범주가 아니라 언제나 개인이고, 근거의 단위는 선언이 아니라 언제나 치른 비용이거나 측정된 행동이다.
성능 개선의 가치는 처리량이 아니라 주의력으로 환산된다
속도 이야기가 계속 나오지만 결론은 매번 처리량이 아니라 사람 쪽으로 떨어진다. ultra fast의 이득은 작업이 빨리 끝난다는 것이 아니라 병렬 개수가 열 개 넘는 수준에서 서너 개로 줄어 사용자가 흐름에서 벗어나지 않는다는 것이고, 그래서 다음 과제가 더 빠르게 만드는 일이 아니라 결과를 지금 알릴지 30분 뒤에 알릴지 판단하는 일이 된다. 앰비언트도 같은 축의 연장이어서, 마찰이 조금이라도 적은 방식으로 사람이 옮겨 간다는 관찰을 끝까지 밀면 도착하는 지점이다. 노트북이 병목이라는 진단, ChatGPT와 Codex의 병합, 음성 우선 설계가 전부 이 축 위에 놓여 있다. 성능을 올리는 일과 사람의 주의력을 지키는 일이 별개의 과제가 아니라, 전자의 성과를 후자로 환산해야만 의미가 생긴다는 주장이다.
Key Insight
기술이 사람에게 맞춰진다는 말의 실체는 두 가지다. 라벨이 아니라 관찰된 개인의 행동을 근거로 삼는 것, 그리고 성능 개선의 성과를 처리량이 아니라 사람의 주의력으로 환산하는 것이다.