다음 AI 물결을 남보다 먼저 이해하는 법 - OpenAI Tibo 인터뷰

OpenAI에서 팀을 이끌고 있는 Tibo는 다음 AI 물결의 핵심을 모델 성능 자체로 보지 않는다. 그가 반복해서 말하는 것은 방향이다. 사람이 기술에 적응하는 대신 기술이 사람에게 맞춰지는 쪽으로 제품 전체가 다시 짜인다는 것이다. 이 인터뷰는 그 변화가 조직 문화, 개발 도구, 인터페이스, 추론 비용이라는 네 층위에서 동시에 일어나고 있음을 보여준다.

스스로를 무너뜨릴 수 있는 조직만 다음 물결에 올라탄다

Tibo는 Google DeepMind에서 연구를 가속하는 인프라와 제품을 담당했다. 그는 그곳을 대단히 창의적인 곳이었다고 회고한다. 언어 모델을 키우는 그룹이 꽤 좋은 결과를 내자, 그것을 대화할 수 있는 무언가로 바꿔 보자는 발상이 자연스럽게 나왔다. 그렇게 LM chat이 내부에 만들어졌고, 이것을 공개된 도구로 내놓자는 구상도 있었다. ChatGPT가 나오기 약 1년 전의 일이다. 결과적으로 출시되지는 않았다. 그가 짚는 이유는 기술이 아니라 구조다. DeepMind는 애초에 제품을 출하하도록 설계된 조직이 아니었다.

그는 당시에도 이것이 특별하다고 느꼈다고 말한다. 일관된 문장이 나오고 그 문장이 도움이 된다는 것을 처음 확인한 시점이었기 때문이다. 처음에는 유용하다기보다 재미있는 쪽에 가까웠지만, 점차 실제로 쓸모 있는 방향으로 나아갔다. Google이 움직이지 않은 것 자체는 나름의 큰 계획에 따른 것이었다고 그는 공정하게 덧붙인다. 다만 그에게는 맞는 자리가 아니었다. 그를 OpenAI로 옮기게 한 것은 사명과 사람, 그리고 밀도 높은 인재 구성이었다.

OpenAI는 정반대였다고 그는 말한다. 연구와 제품이 아주 가까이에서 함께 아이디어를 내고 함께 설계한다. 새로운 제품 아이디어를 가로막는 힘이 거의 없어서, 사람들이 모여 무언가를 아주 빠르게 내놓는다. 다만 그는 이 자유가 제품을 어수선하게 만들지 않도록 균형을 잡는 일도 중요하다고 덧붙인다. 방향성과 일관성이 없는 기능이 쌓이면 곤란하기 때문에, 단순함과 품질에 대한 자부심으로 이 자유를 상쇄한다. 그는 ChatGPT iOS 앱을 세상에서 가장 잘 만든 앱 가운데 하나로 여기고, 만족감과 성능과 효율과 단순함에 계속 투자하겠다고 말한다.

창업자에게 줄 조언을 묻자 그는 세 가지를 들었다. 확신을 갖는 것, 사용자를 확보해 피드백으로 빠르게 반복하는 것, 그리고 스스로를 무너뜨릴 의지를 갖는 것이다. 세 번째가 가장 어렵고 가장 중요하다. 새로운 연구와 새로운 아이디어가 나왔을 때, 지금 돈을 벌고 있는 주력 사업에서 자원을 떼어 옮길 시점을 알아차려야 하기 때문이다. 회사가 성숙하고 현금을 잘 벌어들일수록 이 문화를 지키기 어려워지지 않느냐는 질문에, 그는 시선을 앞에 두는 것으로 답한다. AI가 어디로 가고 인류가 거기에서 무엇을 얻을지는 회사가 지난 3개월 동안 무엇을 쌓아 올렸는지 기다려 주지 않는다.

그가 드는 구체적인 사례는 음성이다. 벤치마크는 모델의 능력을 다 알려 주지 않기 때문에, OpenAI는 모델을 직접 오래 써 보면서 무엇이 가능한지 발견한다. 새 음성 모델이 도구 사용까지 하게 되자 그의 사용 방식 자체가 바뀌었다. 아침에 휴대폰을 들고 할 일을 말로 늘어놓으면 에이전트가 연결된 도구를 써서 처리한다. 받아쓰기 품질이 좋아서 프롬프트를 타이핑하는 것보다 훨씬 효율적이다. 제품을 어떻게 생각해야 하는지가 이런 발견에서 통째로 바뀐다.

Deep Dive: "제품을 어떻게 생각해야 하는지"는 기능 목록이 아니라 무엇을 만드는 물건인가에 대한 전제를 가리킨다. 음성이 도구까지 쓰게 되면서 바뀐 것은 마이크 버튼 하나가 아니다. 입력 방식이 타이핑에서 말하기로, 쓰는 자리가 책상 앞에서 이동 중으로, 한 번의 상호작용이 질문하고 답을 읽는 것에서 지시하고 결과를 나중에 확인하는 것으로, 잘 만들었다는 기준이 답변의 정확성에서 맡긴 일이 실제로 끝났는가로 옮겨간다. 기능이 하나 늘어난 것이 아니라 전제가 교체되기 때문에 "통째로"라고 쓴 것이다. 이 문장이 하필 자기 파괴를 다루는 문단에 붙어 있는 이유도 여기에 있다. 지금 돈을 벌어 주는 것은 타이핑 대화창인데 발견은 그것이 진짜 형태가 아니라고 말하므로, 발견을 인정하는 순간 주력 사업에서 자원을 떼어 옮겨야 한다. 음성 사례는 세 번째 조언의 근거로 붙어 있는 셈이다.

병목은 노트북과 사람의 주의력으로 옮겨간다

그는 몇 주 전 Codex가 2～3개월 뒤면 원시적으로 보일 것이고 다음 세대 모델은 노트북 이상을 필요로 한다고 적었다. 지금의 하네스에 개선할 여지가 많이 남아 있다는 뜻이다. 숙련된 사용자는 이미 어느 정도의 불편함에 익숙해져 있다. 스킬 파일을 관리해서 에이전트를 가르쳐야 하고, 그 파일은 시간이 지나면 유지하기 어려워진다. 메모리는 있지만 늘 기억하지는 않는다. 서브에이전트를 쓰면 작은 네트워크 같은 구조까지 신경 써야 하고, 그 지점마다 완결된 파트너라는 인상이 깨진다. 그가 목표로 삼는 것은 나와 내 목표와 내 팀의 상황까지 깊이 이해하고, 반응할 뿐 아니라 먼저 움직이는 상대다.

두 번째 제약은 하드웨어다. 노트북은 사람이 낼 수 있는 작업량에 맞춰 설계된 기계다. 타이핑 속도, 사고 속도, 동시에 열어 둘 수 있는 애플리케이션 수는 모두 사람의 한계다. 모델에는 그 한계가 없어서, 앞으로는 애플리케이션 100개를 동시에 열어 놓고 다뤄도 문제가 없을 것이다. 그래서 다음 세대 모델은 노트북이 제공하는 것보다 많은 자원을 필요로 한다.

속도가 올라가면 병목은 사라지지 않고 자리를 옮긴다. ultra fast는 기존 fast보다 토큰 속도가 10배에서 14배 빠른데, 그러면 네트워크와 도구 호출처럼 스택의 다른 부분이 새로운 제약이 된다. 실제로 도구 호출이 적고 생성이 많은 작업에서는 체감 속도가 10배까지 올라가지만, 도구 호출이 많고 에이전트가 거쳐 가는 경로에 부담이 몰리는 작업에서는 3～4배 정도에 그친다. 웹사이트나 게임을 프로토타이핑하면서 코드를 길게 써 내려가는 경우가 전자에 해당한다. 그는 이 제약을 동시 실행으로 상쇄할 수 있다고 본다. 한쪽에서 탐색하고, 다른 쪽에서 테스트를 작성하고, 또 다른 쪽에서 새 가설을 검증하면 된다.

진행자는 현재 속도에서 자신이 에이전트를 10개에서 15개까지 병렬로 돌린다고 말한다. 하나를 띄우고 결과를 30～45분 기다리는 동안 다른 작업으로 옮겨 다니는 인지 부담이 상당하다. 속도가 충분히 빨라지면 이 방식은 서너 개로 줄고, 사용자는 흐름에서 벗어나지 않는다. Tibo는 이것을 주의력에 친절한 설계라고 부른다. 어떤 결과를 지금 알려 줄지 30분 뒤에 알려 줄지까지 기술이 판단해야 한다는 것이다. 여기에는 개인차가 있어서, 맥락을 자주 바꾸며 여러 일을 동시에 다루는 사람은 ultra fast에서 얻는 이득이 상대적으로 작다. 두 사람 모두 ADHD가 있지만 선호는 정반대였다. Tibo는 잦은 맥락 전환과 작은 결정을 반복하는 방식에서 힘을 얻는 편이고, 진행자는 두세 가지에 집중하는 편이라서 빠른 속도를 더 반겼다.

Deep Dive: 에이전트 10개에서 15개를 동시에 굴리는 것은 원해서 고른 방식이 아니라 30분에서 45분에 이르는 대기 시간이 강제한 방식이다. 그래서 속도가 올라갈 때 실제로 회수되는 것은 시간이 아니라 주의력이고, 병렬 개수가 서너 개로 줄어 사용자가 흐름에서 벗어나지 않게 되는 것이 이득의 실체다. 개인차가 생기는 이유도 여기서 나온다. Tibo처럼 맥락 전환 자체에서 힘을 얻는 사람에게 대기 시간은 애초에 고통이 아니었으므로 없애 줘도 남는 것이 적고, 두세 가지에 집중하는 진행자는 대기가 강제하던 멀티태스킹에서 풀려나므로 이득이 크다. 없앨 고통이 없는 사람에게는 없애 줘도 남는 것이 적다는 뜻이다. 둘 다 ADHD인데 선호가 정반대라는 사실은 곁가지가 아니라 논거다. 진단명이라는 범주로는 그 사람이 무엇을 원하는지 예측되지 않는다는 것이고, 뒤에 나오는 직군 이름표 비판과 개인 AGI 구상이 같은 주장을 회사 규모로 확대한 것이다.

OpenAI 내부에서 ultra fast는 위험 부담이 큰 상황에 배정된다. 장애가 발생하면 사고 지휘자와 대응 팀이 우선적으로 쓴다. 1초가 중요한 상황이기 때문이다. 무언가 결정적인 것을 만들고 있다고 스스로 판단한 팀도 요청하면 받을 수 있다. 다만 직원이라고 해서 무제한으로 쓰지는 못한다. 마음만 먹으면 프로덕션 GPU와 ultra fast 용량을 전부 소진할 수 있기 때문에, 합리적인 선을 정해 제한하고 용량의 대부분은 외부 사용자와 고객을 위해 남겨 둔다. 그가 특히 기대하는 활용은 텍스트가 아닌 상호작용이다. 공유 캔버스에서 함께 작업하고, 이미지를 여러 장 만들어 고르고, 1분 만에 만든 프로토타입을 음성이나 텍스트로 실시간으로 고쳐 나가는 방식이다. 설계와 트레이드오프를 오래 고민하는 대신 일단 만들어서 확인하는 쪽으로 엔지니어의 작업 방식이 바뀔 수 있다.

개인 AGI와 완전 자동화는 서로 다른 문제다

루프에 이어 그래프까지, 최근 몇 달 동안 에이전트 코딩 기법이 여러 가지 논의되었다. 이것들이 결국 개발자의 주의력을 지키기 위한 장치냐는 질문에 그는 문제를 두 범주로 나누어 답한다.

첫째는 개인 AGI다. 나와 같은 흐름 안에 머무르면서 중요한 아이디어를 먼저 꺼내 주고, 내가 원하는 바를 정확히 실행하는 에이전트다. 기술적인 문제든 조사나 조언이든 가리지 않는다. 이 범주의 핵심은 성능이 아니라 나라는 개인에 대한 이해다. 그는 이 문제가 한 사람을 고유한 개인으로 이해하는 데에 깊이 뿌리내리고 있다고 말한다.

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 해당한다. 보안 영역에서도 같은 흐름이 보인다. 스캐너가 취약점을 찾아내면 자동으로 패치해서, 취약점이 노출되는 시간을 거의 0에 가깝게 줄이는 것이 목표다. 사람은 위험이 큰 조치를 승인할 때만 개입한다.

인터페이스는 하나로 합쳐지고, 기술이 사람에게 맞춰진다

ChatGPT와 Codex를 병합할 때 처음 받은 반응은 왜 굳이 합치느냐는 질문이었다. 그의 답은 단순하다. 앞으로 나올 모델이 병합된 상태를 요구한다는 것이다. 같은 기술, 같은 하네스, 멀티모달과 음성 우선이라는 같은 설계 위에서 코딩을 하든 하지 않든 하나의 에이전트가 처리한다. 그러면 남는 문제는 인터페이스뿐이다.

여기서 그는 직군이라는 구분 자체를 문제 삼는다. 소프트웨어 엔지니어나 디자이너 같은 이름표는 현실이 너무 복잡해서 사람이 만들어 낸 추상화일 뿐이고, 실제 개인은 그 사이 어딘가에 있다. 그래서 사용자가 코더용 인터페이스와 비코더용 인터페이스를 직접 고르게 하는 대신, 인터페이스가 각 사람에게 맞춰 변형되어야 한다. 최종 상태는 나와 내 어머니가 같은 것을 쓰되, 각자에게 다르게 적응하는 하나의 개인 AGI다. 사람마다 맡기는 일이 다르고, 연결하는 도구가 다르고, 가져오는 아이디어와 필요가 다르다. 제품은 그 차이에 맞춰 계속 자신을 조정한다.

그가 말하는 좋은 상태는 환상이 깨지지 않는 상태다. 대규모 언어 모델이 성공한 이유도 여기에 있다고 그는 본다. 자연어는 인간이 만든 개념이고, 우리는 이미 서로 그렇게 소통한다. 서로를 어느 정도 아는 사이라면 편지 한 통에서 감정과 뉘앙스까지 읽어 낸다. 그런데 지금의 AI를 쓰다 보면 어조를 못 읽었다거나 의도를 잘못 이해했다는 순간이 생긴다. 그가 없애려는 것이 바로 그 순간이다. 사람이 기술에 맞추는 대신, 기술이 사람이 이미 행동하는 방식의 자연스러운 연장이 되어야 한다.

그래서 그가 그리는 미래는 앰비언트에 가깝다. 사무실에서 화이트보드에 무언가를 적으면 AI도 그 자리에 함께 있어야 하고, 떠오른 생각을 음성으로 던지면 자연스러운 대화가 이어져야 한다. 손짓과 표정 같은 비언어 신호까지 읽어야 하느냐는 질문에 그는 그렇다고 답한다. 근거는 새 음성 기능을 내놓은 뒤에 확인한 실제 지표다. 음성으로만 ChatGPT를 쓰는 사용자가 아주 빠르게 늘고 있다. 사람은 저항이 가장 적은 길을 택하기 때문에, 조금이라도 더 자연스럽고 조금이라도 더 편한 방식이 나오면 그쪽으로 옮겨 간다.

Deep Dive: 앰비언트는 조명이나 공기처럼 환경의 일부로 늘 깔려 있는 상태를 가리키고, 여기서는 AI를 여는 행위 자체가 사라진 미래를 뜻한다. 지금은 앱을 열고 프롬프트를 쳐서 세션을 시작해야 하지만, 앰비언트에는 시작이라는 단계가 없고 화이트보드에 적은 글씨와 툭 던진 말과 손짓이 그대로 입력이 된다. 앞 문단의 "기술이 사람이 이미 행동하는 방식의 자연스러운 연장이 되어야 한다"를 물리적 형태로 옮기면 이 결론이 나오기 때문에 "그래서"로 이어진다. 비언어 신호까지 읽어야 한다고 답한 이유도 같다. 사람끼리는 표정과 손짓으로 상당 부분을 주고받으므로, 그것을 못 읽으면 환상이 깨지는 순간이 계속 생긴다. 근거가 취향이 아니라 지표라는 점도 중요하다. 사람은 저항이 가장 적은 길을 택하므로, 마찰을 끝까지 줄였을 때 도착하는 지점이 앰비언트라는 외삽이다. 개념 자체는 새롭지 않아서 Mark Weiser가 1980년대 후반에 제시한 유비쿼터스 컴퓨팅과 캄 테크놀로지가 같은 발상이다. 다만 늘 그 자리에 있으려면 늘 보고 듣고 있어야 하므로 상시 센싱과 프라이버시 비용을 반드시 동반하는데, 이 인터뷰는 그 대가를 다루지 않는다.

사용자에게 돌려주는 방식이 성장으로 이어진다

인터뷰 당일 Codex 사용자는 2천만 명을 넘었다. 한동안 완만하던 그래프가 어느 시점부터 수직으로 올라갔다. Anthropic과의 경쟁 구도를 묻자 그는 경쟁사를 그다지 보지 않는다고 답한다. 대신 우리가 고유하게 잘할 수 있는 일과 우리가 지키는 가치가 무엇인지 보고, 그 방향으로 최대한 빠르게 간다고 말한다. 어느 회사를 믿고 매달 돈을 낼지 고민하는 사용자에게 두 회사의 태도가 어떻게 다르냐고 묻자, 그는 커뮤니티를 만들고 모두를 함께 데려가는 일을 자신이 가장 중요하게 여긴다고 답한다. 그가 강조하는 차별점은 성능이 아니라 배포다. 강력한 기술을 더 안전하고 더 쓰기 쉽게 만들어서 가능한 한 많은 사람의 손에 쥐여 주는 것이다. ChatGPT와 Codex의 병합도 같은 목적에서 나왔다. 제품 관리자든 디자이너든 영업이나 마케팅이나 커뮤니케이션 담당자든 모두 쓸 수 있어야 하고, 이미 사용자가 많은 ChatGPT를 통해 아주 빠르게 전달할 수 있어야 한다. 그는 최근의 성장이 여기에서 나왔다고 본다.

사용량 한도 리셋도 같은 태도에서 나왔다. 그는 OpenAI를 그냥 하면 되는 곳이라고 표현한다. 처음에는 제품을 빠르게 고치다가 무언가를 망가뜨렸을 때 보상하는 용도였다. 30분 동안 서비스가 제대로 동작하지 않았다면, 그 제품에 의존하는 사용자에게 사용량을 더 얹어 주는 식이다. 지금은 리셋 버튼이라는 이름이 붙고 실물 버튼까지 생겼지만, 절차는 여전히 가볍다. 마케팅이나 재무와 협의해서 누르는 것이 아니다.

저는 원할 때, 그럴 만하다고 느껴질 때 언제든 버튼을 누를 수 있습니다.

진행자는 이것을 Amazon의 반품 정책에 빗댄다. 만족스럽지 않으면 그냥 돌려보내라는 태도가 신뢰를 쌓듯이, 우리가 망가뜨렸으면 우리가 메운다는 태도가 개발자 커뮤니티의 호의를 만들었다는 것이다. Tibo는 여기에 축하라는 용도를 하나 더 붙인다. 새 기능을 최대한 넓게 출시하는 것과 별개로, 커뮤니티 전체와 함께 순간을 기념할 방법으로 사용량을 나눠 준다. 아직 ultra fast를 써 보지 않았다면 여유분을 얹어 줄 테니 한번 써 보라고 권하는 식이다. 아낀다고 말하는 것과 실제로 보상하는 것은 다르다는 것이 그의 요지다. 그는 커뮤니티에서 아이디어를 많이 가져오고 투명하게 공개하는 방식 자체가 즐겁고, 거기에서 에너지를 얻는다고 말한다.

Deep Dive: 여기서 "아끼다"는 절약한다는 뜻이 아니라 소중히 여긴다는 뜻이다. 사용자를 소중히 여긴다고 말하는 것은 공짜지만 사용량 한도 리셋은 실제로 GPU 시간이 나가기 때문에 마음에 없으면 흉내 내기 어렵다. 신뢰가 선언이 아니라 비용을 치른 행동에서 생긴다는 값비싼 신호의 구조다. 절차가 가볍다는 대목이 이 주장을 지탱한다. 승인 절차가 붙는 순간 캠페인이 되고 캠페인은 마케팅으로 읽히지만, 협의 없이 누를 수 있으면 태도로 읽힌다. 반품을 심사하기 시작하면 그냥 돌려보내라는 정책이 주던 신뢰가 사라지는 것과 같은 이치다. 커뮤니티에서 에너지를 얻는다는 문장이 곧바로 붙은 이유는 지속 가능성 때문이다. 계산에서만 나온 되돌려주기는 비용 압박이 오면 끊기지만, 본인이 그 방식에서 에너지를 얻는다면 계속된다. 다만 다음 섹션의 첫 문장이 "리셋을 계속 누를 수 있으려면 컴퓨트가 남아 있어야 한다"인 만큼, 이 관대함은 컴퓨트 우위라는 조건 위에 서 있는 태도이기도 하다.

효율은 재귀적으로 개선되고, 그래서 지능은 싸진다

리셋을 계속 누를 수 있으려면 컴퓨트가 남아 있어야 한다. OpenAI는 컴퓨트를 한참 앞서 확보했고, 2년 전에는 그 투자 규모 때문에 의심을 받기도 했다. 지금은 그중 큰 몫이 연구에 쓰인다. 자원 배분은 원칙에서 출발한다. 연구 몫과 제품 몫을 먼저 나누고 제품 안에서 다시 조정하는 방식이다. 다만 이번 효율 개선은 트레이드오프라고 부르기도 어려웠다고 그는 말한다. 같은 컴퓨트 범위 안에서 처리량을 크게 늘릴 수 있었기 때문이다.

여기서 흥미로운 순환이 생긴다. 가장 앞선 모델의 능력을 밀어 올리면, 그 모델을 이용해 서빙 방식과 스택 구조를 아주 빠르게 다시 설계할 수 있다. Soul이 Luna의 효율을 최적화한 결과 Luna의 가격이 80% 내려갔고 Terra의 가격도 함께 내려갔다. 비용만 좋아진 것이 아니다. 그는 이 내용을 따로 공개할 예정이라고 말하면서, ultra fast를 빼고 보아도 3개월 전보다 약 60% 빨라졌다는 수치를 든다. 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 그대로 가져가지 않고 사용자에게 넘기는 것이 원칙이라고 말한다.

재귀적 자기개선이라고 하면 보통 모델이 다음 모델을 만드는 장면을 떠올린다. 그런데 실제로 성과가 크게 나오고 있는 곳은 다른 쪽이라고 그는 말한다. 모델을 쓰는 경로 위에 놓인 인프라를 바로 그 모델로 개선하는 일이다. 추론 스택과 CUDA 커널이 그 대상이고, 클라우드 에이전트처럼 모델에서 효용을 더 끌어내는 새로운 제품도 같은 순환에 들어간다. 그는 이것을 하나의 큰 시스템이라고 표현하면서, 이렇게 하지 않는다면 그것이야말로 어리석은 일이라고 덧붙인다.

가속만 하는 것은 아니다. OpenAI는 최전선의 강화학습 훈련을 일시적으로 멈춘 적이 있다. 모델의 능력이 올라갈수록 정렬과 안전이 더 중요해지기 때문에 이 영역의 투자가 크게 늘었고, 훈련을 멈춘 것은 팀이 시스템의 모든 부분을 이해하고 단단하게 만들 시간을 확보하기 위해서였다. 안전 팀이 처음부터 명확한 기준을 가지고 있지는 않았지만, 논의와 탐색을 거쳐 재개를 판단할 일련의 원칙에 도달했다. 그는 필요할 때 이런 결정을 내리는 데에 회사가 주저하는 모습을 본 적이 없다고 말한다.

이 모든 흐름이 가리키는 결론은 접근성이다. 그는 지금의 ultra fast 속도가 1～2년 뒤에는 기본값에 아주 가까워질 것으로 본다. 추론 속도만 빨라지는 것이 아니라 모델의 토큰 효율도 함께 좋아지기 때문이다. Soul은 Terra보다 토큰 효율이 크게 높고, 다음 모델은 Soul보다 더 높을 것이다. 추론 하드웨어도 계속 나아진다. 다만 하드웨어를 더 쓰고 다른 트레이드오프를 선택해서 무언가를 더 얻는 상위 티어는 언제나 하나쯤 남아 있을 것이라고 그는 덧붙인다.

AI를 불안하게 바라보는 사람들에게 그가 내놓는 답도 같은 자리에서 나온다. Luna는 6개월 전이었다면 최전선에 있었을 모델인데, 지금은 훨씬 작고 놀랄 만큼 저렴하다. 지금의 최전선도 6개월 뒤에는 훨씬 싸게 돌아간다. 효율을 매달 매년 밀어붙였기 때문에 가능한 일이고, 그래서 뛰어난 지능에 대한 접근은 결국 어디에나 있는 것이 된다. 아직 AI를 써 보지 않은 사람에게는 멀리서 근거를 찾을 필요가 없다고 말한다. 이미 많은 사용자가 글쓰기뿐 아니라 개인적인 조언이나 의료 관련 조언에 ChatGPT를 쓰고 있다. 그 자신도 건강과 금융 기능을 자주 써서, 덕분에 의사를 만나러 갈 때 더 잘 준비된 상태로 간다. 다른 사람이 그것을 어떻게 쓰고 무엇을 얻는지 보는 것이 시작하기 좋은 방법이다.

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.