GPT 아스트라, 이런 게임 만드는데 딱 13분 걸렸습니다
📺 원본 영상: GPT 아스트라, 이런 게임 만드는데 딱 13분 걸렸습니다 IT커뮤니케이션연구소 김덕진 소장 1부
🎙️ 채널: 언더스탠딩 : 세상의 모든 지식
📅 정리 일자: 2026-09-11
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환한 STT 자료를 바탕으로 재구성한 것입니다. 화면에 표시된 게임, 코드, 벤치마크, 슬라이드 및 수치의 세부 내용은 포함되지 않을 수 있으며, 제품명과 일부 기술 용어 및 수치는 문맥에 따라 교정하거나 불확실성을 표시했습니다.
개요
이번 대담의 중심에는 강연자가 ‘아스트라’라고 부르는 고성능 GPT 기반 에이전틱 AI가 있다. 영상은 한 문단짜리 요구사항만으로 농장 게임을 약 13분 만에 제작한 사례에서 출발해, 모션 그래픽과 3D 콘텐츠, 교육용 이미지, 일정 관리 서비스까지 AI가 스스로 기획하고 완성하는 과정을 살펴본다. 핵심은 생성 결과물 하나가 아니라, AI가 목표를 해석하고 작업 순서를 결정하며 필요한 도구를 선택한 뒤 실제 파일이나 서비스로 결과를 내놓기 시작했다는 변화에 있다.
김덕진 소장은 이러한 현상을 단순한 언어 모델의 성능 향상만으로 설명하지 않는다. 더 강력한 연산 자원과 긴 맥락 기억, 정교한 강화학습, 도구 연결 체계, 전체 작업을 지휘하는 하네스(Harness)가 함께 발전하면서 AI의 실용성이 임계점을 넘고 있다는 해석이다. 동시에 누구나 평균 이상의 결과물을 만들 수 있게 될수록 전문가의 안목과 개성, 비용에 맞는 모델 선택 능력이 더욱 중요해진다는 역설도 강조한다.
한 문단의 아이디어가 실행 가능한 게임이 되기까지
시연의 출발점은 전문적인 게임 기획서가 아니었다. 제작을 요청한 작가는 농지를 경작하고, 두더지가 농작물을 망치면 이를 막으며, 수확물을 팔아 집과 농지, 도구를 업그레이드하는 농장 게임을 만들고 싶다는 정도의 설명만 전달했다. 김덕진 소장은 여기에 누구나 접속할 수 있게 해달라는 조건을 한 줄 덧붙였고, AI는 약 13분 22초 동안 작업한 뒤 실제로 플레이할 수 있는 결과물을 내놓았다고 설명한다.
완성된 게임에는 밭 갈기, 씨앗 심기, 물 주기, 수확과 판매, 보상 획득, 농장 확장이라는 기본적인 순환 구조가 들어갔다. 두더지가 출몰하면 망치로 퇴치해야 했으며, 효과음과 배경음악도 적용되어 있었다. 모바일에서는 화면을 직접 터치하며 작물을 수확하고 두더지를 잡을 수 있었고, 농작물을 판매해 번 돈으로 농지나 집을 업그레이드하는 진행 체계도 작동했다. 이는 단순히 화면에 버튼 몇 개를 배치한 프로토타입을 넘어, 사용자가 반복해서 행동할 수 있는 최소한의 게임 루프(Game Loop)를 AI가 스스로 구성했다는 의미가 있다.
03:43 - 작물을 수확하고 두더지를 퇴치하는 농장 게임의 실제 플레이 화면
💡 [영상 참조] 강연자는 이 구간에서 AI가 제작한 농장 게임을 직접 실행하며 경작, 수확, 두더지 퇴치, 판매 및 업그레이드 과정을 보여준다.
📺 원본 영상에서 실제 화면과 조작 반응을 확인할 수 있다.
더 흥미로운 부분은 수정 과정이었다. 출연진의 사진을 제공하고 기존 두더지 대신 사진 속 인물이 등장하게 해달라고 요청하자, AI는 약 14분의 추가 작업을 거쳐 캐릭터를 교체하고 자동 플레이 기능까지 포함한 변형 버전을 만들었다. 자연어로 전달된 유머와 방송 맥락이 게임의 캐릭터와 문구에 반영되었다는 점에서, 이 사례는 코드를 생성하는 AI보다 요구를 해석하고 제품을 갱신하는 제작 에이전트에 가깝다.
05:45 - 출연진 사진을 활용한 캐릭터와 자동 플레이 기능이 적용된 변형 게임
김덕진 소장이 특히 놀란 지점은 결과물의 완성도뿐 아니라 실제로 느껴지는 재미였다. 이전의 AI 제작 게임은 기능이 단순하고 시각적으로도 1990년대 아케이드 게임을 연상시키는 경우가 많았지만, 이번 결과물은 디자인과 음향, 상호작용이 한층 세련되었다고 평가한다. 그동안 AI가 초안에 해당하는 0점에서 80점까지는 빠르게 도달해도 마지막 20점에는 인간 전문가가 필요하다는 인식이 강했다면, 이번 사례에서는 별다른 전문 지시 없이도 사용 가능한 수준에 가까워졌다는 것이다.
코드를 작성하는 AI에서 일을 완수하는 AI로
과거의 생성형 AI는 사용자의 요청에 답하거나 코드 조각을 만들어주는 데 강했지만, 그 코드가 실제로 실행되도록 파일을 구성하고 오류를 점검하며 배포 가능한 형태로 만드는 일은 여전히 사람의 몫인 경우가 많았다. 반면 영상 속 AI는 게임의 이름과 캐릭터를 정하고, 규칙을 점검하며, 접속 가능한 형태로 구현하는 여러 단계를 연속적으로 수행했다. 사용자가 일일이 작업 순서를 지정하지 않았는데도 목표를 하위 과제로 분해하고 필요한 절차를 이어갔다는 점이 변화의 핵심이다.
이러한 능력은 에이전틱 AI(Agentic AI)의 전형적인 특징과 연결된다. 에이전틱 AI는 질문에 한 번 답하고 멈추는 대신, 목표 달성에 필요한 계획을 만들고 도구를 사용하며 결과를 검토한 뒤 필요하면 수정 작업을 이어간다. 여기서 중요한 것은 단순한 자동화가 아니라, 어떤 작업을 먼저 해야 하고 어떤 작업을 동시에 처리할 수 있는지를 맥락에 따라 결정하는 조정 능력이다.
강연자는 이러한 조정 체계를 ‘하네스’라고 설명한다. 하네스는 기반 모델을 둘러싸고 작업 계획, 도구 선택, 실행 순서, 파일 관리 및 결과 검증을 통제하는 소프트웨어 계층으로 이해할 수 있다. 이전에는 사용자가 병렬 처리와 순차 처리, 데이터 분석 방식 등을 프롬프트나 시스템 설정으로 세밀하게 지정해야 했다면, 이번 AI는 최종 목표를 비교적 명확하게 전달받은 뒤 자체적으로 실행 구조를 정하는 모습을 보였다고 한다.
이 때문에 프롬프트 작성법도 달라질 수 있다. 기존에는 조건을 세분화하고 금지 사항과 출력 형식을 촘촘하게 적는 것이 좋은 결과를 얻는 방법으로 여겨졌지만, 충분히 강한 에이전트에게 지나치게 많은 절차를 강요하면 자체 계획 능력과 충돌할 가능성이 있다. 강연자가 실험한 범위에서는 방법을 과도하게 지시하기보다 원하는 결과와 목적을 명확히 설명했을 때 더 좋은 결과가 나오는 경우가 있었다.
3D와 모션 그래픽까지 확장된 제작 능력
게임 제작 다음으로 소개된 변화는 3D 모델링과 모션 그래픽 영역이다. 이러한 작업은 Blender나 Unreal Engine, After Effects와 같은 전문 도구의 조작법을 익혀야 하며, 모델링과 애니메이션, 렌더링, 영상 합성에 대한 실무 지식도 요구된다. 강연자는 이번 AI가 사용자가 전문 프로그램을 직접 다루지 않아도 상당 부분의 작업을 대신 수행하기 시작했다고 설명한다.
시연에서는 언더스탠딩 유튜브 채널을 홍보하는 모션 그래픽을 만들어달라는 짧은 요청이 사용되었다. 강연자는 AI가 자료를 어떻게 찾는지 확인하기 위해 이미지 파일을 별도로 제공하지 않았고, 채널과 출연 영상, 책에 관한 맥락만 전달했다. AI는 약 15분 12초 동안 채널의 영상 분위기를 조사하고 시안을 구성한 뒤 렌더링과 MP4 합성, 디코딩 검사를 거쳐 약 76초 분량의 영상을 완성했다고 한다.
09:31 - 렌더링, MP4 합성 및 디코딩 검사 등 AI가 수행한 작업 과정
💡 [영상 참조] 강연자는 이 부분에서 AI가 제작한 언더스탠딩 홍보 영상을 재생한다. 기존 출연 영상과 사진, 책 이미지, 텍스트 및 모션 그래픽이 어떤 방식으로 조합되었는지는 원본 영상에서 확인할 수 있다.
📺 원본 영상에서 실제 결과물을 확인할 수 있다.
결과물에는 과거 출연 장면과 얼굴 이미지, 채널 관련 자료, 책 정보가 자동으로 포함되었다. 강연자가 개별 장면의 위치나 전환 효과를 지정하지 않았는데도 AI가 관련 자료를 찾고 영상의 맥락에 맞춰 배치했다는 설명이다. 출연진은 이를 움직이는 프레젠테이션과 비슷하다고 평했지만, 기존에는 수작업으로 구성해야 했던 여러 모션 효과가 자동으로 구현되었다는 점에서 제작 비용과 진입 장벽을 낮출 가능성이 크다.
14:43 - 기존 유튜브 영상과 사진을 활용해 구성한 홍보 영상의 모션 그래픽 효과
강연자는 AI 영상 생성과 3D 작업의 결합에도 주목한다. 처음부터 모든 프레임을 생성형 영상 모델로 만들면 움직임의 일관성과 품질이 떨어질 수 있지만, 먼저 3D로 자동차나 카메라의 움직임을 설계한 뒤 생성형 영상을 입히면 특수효과와 유사한 결과를 얻을 수 있다는 설명이다. 이는 AI가 기존 전문 제작 도구를 없애기보다, 우선 그 도구를 조작하고 연결하는 새로운 인터페이스로 발전하고 있음을 보여준다.
교육용 이미지와 지식 시각화의 변화
영상에서는 OpenAI의 이미지 생성 기능이 발전하면서 교육용 도식 제작도 훨씬 쉬워졌다는 사례가 제시된다. 강연자는 HBM(High Bandwidth Memory, 고대역폭 메모리)의 구조를 흰 배경의 깔끔한 교육용 단면도로 만들어달라는 식의 요청만으로 상당한 품질의 결과가 생성되었다고 설명한다. 과거에는 디자이너가 기술 자료를 읽고 구조를 이해한 다음 도형과 라벨을 직접 배치해야 했지만, 이제 AI가 주제를 조사하고 시각적 설명의 초안을 함께 만들 수 있게 되었다는 것이다.
16:29 - 자연어 요청만으로 생성한 HBM 구조 교육용 이미지의 품질 설명
STT에 기록된 “단무연도”는 문맥상 ‘단면도’의 오인식으로 판단된다. 다만 화면에 표시된 HBM 구조의 기술적 정확성은 음성만으로 검증할 수 없다. 따라서 이 사례에서 확인할 수 있는 것은 AI가 교육용 이미지를 빠르게 제작했다는 강연자의 평가이며, 메모리 다이와 인터포저 등 세부 구조가 정확하게 표현되었는지는 원본 화면과 별도의 기술 검수가 필요하다.
💡 [영상 참조] 강연자는 HBM 구조를 설명하는 교육용 이미지와 이를 생성하기 위해 사용한 자연어 요청을 화면에 제시한다.
📺 원본 영상에서 이미지의 구성과 세부 표현을 확인할 수 있다.
이 변화는 지식 전달자의 역할을 없애기보다 재구성할 가능성이 높다. 제작자는 도형을 직접 그리는 시간은 줄일 수 있지만, 무엇을 강조해야 하는지 결정하고 사실관계를 검증하며 학습자의 수준에 맞게 설명하는 책임은 여전히 져야 한다. 시각적으로 그럴듯한 이미지가 기술적으로도 정확하다는 보장은 없기 때문에, 교육과 과학 분야에서는 생성 속도만큼 검수 체계가 중요해진다.
추론 과정의 공개가 새로운 학습 도구가 되는 이유
시연 화면에는 AI가 자료를 조사하고 시안을 구성하며 파일을 합치고 검사하는 과정이 단계별로 표시되었다. 출연진은 AI가 알아서 처리하면 될 일을 왜 굳이 보여주는지 질문했지만, 김덕진 소장은 이 가시성이 중요한 변화라고 평가한다. AI가 블랙박스처럼 작동하면 사용자는 결과가 잘못되었을 때 어느 단계에서 문제가 생겼는지 알기 어렵지만, 작업 흐름을 볼 수 있으면 중간에 방향을 수정하거나 특정 단계를 다시 수행하도록 요청할 수 있기 때문이다.
이 과정은 해당 분야를 배우는 보조 교재가 될 수도 있다. 영상 편집을 모르는 사람은 AI가 자료 조사, 구성안 작성, 렌더링과 검사를 어떤 순서로 수행하는지 보면서 작업의 뼈대를 익힐 수 있다. 반대로 숙련자는 AI가 자신과 다른 방법을 사용하는 지점을 관찰하고, 더 효율적인 절차나 새로운 도구를 발견할 수 있다.
물론 화면에 표시되는 설명이 모델 내부에서 실제로 일어난 모든 계산을 그대로 재현한다고 단정할 수는 없다. 강연자도 공개된 추론 설명과 실제 내부 연산이 완전히 동일하지 않을 수 있다는 논의를 언급한다. 그럼에도 사용자 관점에서는 작업 계획과 실행 상태를 확인할 수 있다는 사실 자체가 통제 가능성을 높이며, AI를 단순한 결과 생성기가 아니라 협업 대상으로 다루는 데 도움을 준다.
도구 사용 능력이 AI의 실용성을 바꾼다
최신 AI의 경쟁력은 언어 모델이라는 ‘두뇌’만으로 결정되지 않는다. 검색 엔진과 코드 실행 환경, 이미지·영상 편집기, 문서 작성 프로그램, 외부 서비스가 연결되어야 사용자의 요청을 실제 결과물로 전환할 수 있다. 영상에서 소개된 AI는 작업의 성격을 판단해 영상 편집, 3D 모델링, 문서 생성과 같은 적절한 스킬을 선택하고 실행하는 것으로 설명된다.
도구를 사용하는 방식은 크게 두 가지로 나뉜다. 첫 번째는 사람이 하듯 화면을 보고 키보드와 마우스를 조작하는 Computer Use 방식이다. 범용성이 높아 별도의 연동 장치가 없는 프로그램에도 접근할 수 있지만, 화면 상태를 반복해서 해석하고 행동해야 하므로 속도와 비용, 오류 가능성 측면에서 부담이 크다.
두 번째는 프로그램이 제공하는 API나 플러그인, MCP(Model Context Protocol)와 같은 표준 연결 체계를 이용하는 방식이다. 이 경우 AI는 화면을 우회해 구조화된 명령을 직접 전달할 수 있으므로 더 빠르고 안정적인 작업이 가능하다. 강연자는 현재 많은 실용 사례가 서비스 제공자와 AI 플랫폼 사이의 사전 연동을 바탕으로 작동한다고 설명한다.
영상 제작 서비스 Higgsfield의 사례는 이 연결 구조의 가치를 보여준다. 사용자가 대화형 AI에서 이미지를 만든 뒤 그 이미지를 Higgsfield로 보내 영상으로 변환하도록 요청하면, 별도로 사이트를 방문하지 않아도 연결된 도구가 작업을 수행하고 결과를 돌려주는 방식이다. 결국 경쟁력은 개별 AI 모델의 성능뿐 아니라, 얼마나 많은 전문 도구를 안정적으로 연결하고 적절한 순간에 호출할 수 있는지에 의해 좌우될 가능성이 크다.
거대한 연산 자원과 긴 맥락이 만든 변화
강연자는 성능 향상의 배경으로 대규모 데이터센터와 최신 NVIDIA GPU의 투입을 든다. STT에 “에빌린”과 “블랙웹”으로 기록된 명칭은 문맥상 각각 미국 텍사스주의 애빌린(Abilene) 데이터센터와 NVIDIA Blackwell 계열 시스템을 가리킨다. 한 랙에 72개의 GPU가 구성된 구조와 10만 개 이상의 GPU가 학습에 사용되었다는 설명도 등장하며, 향후 규모가 최대 40만 개 수준까지 확대될 수 있다는 전망이 제시된다.
이 수치는 화면 자료를 직접 확인하지 못한 상태에서 강연자의 발언을 옮긴 것이므로, 정확한 시스템 구성과 학습 투입량은 원본 영상 및 공식 자료로 별도 검증할 필요가 있다. 다만 강연의 핵심은 GPU 숫자 자체보다 연산 자원이 사전학습에만 쓰이지 않는다는 데 있다. 강화학습, 안전성 조정, 장시간 추론, 실제 서비스 운영에도 막대한 연산이 필요하며, 이 모든 과정의 규모가 커지면서 최종 사용자가 체감하는 성능도 달라졌다는 설명이다.
더 긴 Context Window(맥락 창)도 핵심 요소로 제시된다. AI가 앞서 수행한 작업과 사용자의 요구, 중간 결과를 더 많이 기억할수록 복잡한 프로젝트에서 일관성을 유지하기 쉬워진다. 그러나 기억해야 할 정보가 늘어나면 추론 과정에서 사용하는 메모리와 GPU 자원도 함께 증가하기 때문에, 긴 맥락은 곧 인프라 수요의 확대로 이어진다.
영상에서는 새로운 환경의 규칙을 스스로 파악하는 ARC-AGI-3 평가 결과도 언급된다. STT에 “AR Surprise”로 기록된 명칭은 ARC-AGI-3의 오인식으로 판단된다. 강연에서는 기본 조건에서 62.7%, 추가 맥락과 맞춤형 실행 환경을 제공했을 때 99.9%가 나왔다는 취지의 수치가 제시된다. 두 점수는 단순히 동일 조건에서 기억 유무만 바꾼 결과라기보다 실행 환경과 제공된 맥락이 다른 평가이므로, 모델 자체의 성능 차이로만 해석해서는 안 된다.
25:06 - 기본 조건의 62.7%와 추가 맥락·맞춤형 실행 환경을 적용한 99.9% 결과 비교
| 강연에서 언급된 항목 | 언급된 내용 | 해석 시 주의점 |
|---|---|---|
| 게임 제작 시간 | 약 13분 22초 | 최초 농장 게임 생성 작업 기준 |
| 변형 게임 제작 | 약 14분 | 캐릭터 교체와 자동 플레이 추가 |
| 홍보 영상 제작 | 약 15분 12초 | 약 76초 분량의 영상 결과물 |
| 초기 GPU 규모 | 10만 개 이상 | 화면 및 공식 자료를 통한 별도 검증 필요 |
| 향후 GPU 규모 | 최대 40만 개 | 계획 또는 전망으로 언급된 수치 |
| ARC-AGI-3 기본 조건 | 62.7% | 추가 맥락과 맞춤형 실행 환경을 적용하지 않은 조건 |
| ARC-AGI-3 맞춤형 조건 | 99.9% | 추가 맥락과 맞춤형 실행 환경이 포함된 결과 |
이 비교가 전달하는 메시지는 AI의 지능이 모델 파라미터만으로 완성되지 않는다는 것이다. 긴 기억과 충분한 추론 시간, 도구 접근 권한, 반복적인 피드백이 함께 주어졌을 때 동일한 모델도 훨씬 나은 문제 해결 능력을 보일 수 있다. 따라서 앞으로의 AI 경쟁은 모델의 단일 점수보다 시스템 전체가 얼마나 긴 작업을 안정적으로 관리하는가를 중심으로 전개될 가능성이 있다.
AGI 논쟁과 비즈니스 계약의 복잡한 관계
AI가 다양한 과제를 스스로 수행하기 시작하면서 AGI(Artificial General Intelligence, 범용인공지능)라는 표현도 다시 등장한다. 강연자는 AGI에 보편적으로 합의된 단일 기준이 없다는 점을 분명히 한다. 어떤 사람은 인간과 유사한 신체적 활동까지 수행해야 AGI라고 보고, 다른 사람은 바둑에만 특화된 AlphaGo와 달리 다양한 지적 과제를 두루 해결할 수 있다면 AGI에 가까워졌다고 판단한다.
영상은 AGI라는 표현이 기술적 개념인 동시에 기업 간 계약과 투자 구조에도 영향을 받았다고 설명한다. OpenAI와 Microsoft의 과거 계약에는 AGI 도달 여부가 독점적 인프라 관계에 영향을 주는 조건이 있었다는 취지의 설명이 나온다. 다만 구체적인 계약 문구와 최근 변경 사항은 STT만으로 확인할 수 없으므로, 이를 확정된 법률적 사실이라기보다 강연자가 제시한 산업적 맥락으로 이해하는 편이 안전하다.
강연자의 해석에 따르면 OpenAI가 여러 인프라 공급자를 활용할 여지가 커지면서, AGI라는 표현을 사업적 필요 때문에 강조해야 할 유인은 과거와 달라졌다. 반면 NVIDIA 관계자나 AI 연구자들이 최근의 성능 향상을 보며 기술적 의미에서 AGI 가능성을 거론하기 시작했다는 것이다. 이 관점은 AGI 논쟁을 단순한 성능 경쟁이 아니라, 기술 정의와 자본 조달, 클라우드 계약, 기업 전략이 얽힌 문제로 보게 한다.
개인용 소프트웨어의 시대와 기존 SaaS의 위기
AI가 앱을 빠르게 제작할 수 있게 되면 사용자는 범용 서비스를 자신의 방식에 맞추기보다, 자신의 규칙을 반영한 작은 프로그램을 직접 만들 수 있다. 김덕진 소장은 본인의 일정 관리 문제를 해결하기 위해 맞춤형 예약 도구를 제작한 사례를 소개한다. 일반 일정 조율 앱은 존재하지만 강의 일정, 이동 거리, 점심과 티타임의 구분처럼 개인적인 규칙을 세세하게 적용하기 어려웠기 때문이다.
그가 만든 도구는 캘린더와 개인 규칙을 연결해 가능한 약속 시간을 보여주고, 앞뒤 일정의 장소까지 고려해 위험한 시간대를 경고한다. 상대방이 미팅 시간을 선택하면 Slack으로 요청이 전달되고, 사용자가 승인하면 이메일 초안이 작성되며, 최종 확인 후 일정이 캘린더에 등록되는 흐름이다. 이 프로그램은 전문적인 요구사항 문서에서 시작된 것이 아니라, 후배와 나눈 메신저 대화를 캡처해 Claude에 전달하고 몇 차례 수정 요청을 주고받는 방식으로 만들어졌다고 한다.
34:14 - 미팅 요청을 Slack으로 전달하고 사용자 승인을 거치는 맞춤형 일정 관리 흐름
💡 [영상 참조] 강연자는 맞춤형 일정 관리 화면을 직접 보여주며 가능한 티타임과 점심·저녁 시간, 이동 위험 경고, Slack 승인 절차를 설명한다.
📺 원본 영상에서 실제 인터페이스와 작업 흐름을 확인할 수 있다.
이 사례는 소프트웨어 시장의 구조적 변화를 암시한다. 그동안 사용자는 완성된 SaaS(Software as a Service)를 구독하고 서비스가 제공하는 설정 범위 안에서 업무를 조정했다. 그러나 AI가 개인의 대화와 업무 규칙만으로 작은 전용 앱을 만들 수 있다면, 일부 틈새 서비스는 구매 대상이 아니라 필요할 때 생성하는 도구가 될 수 있다.
영상에서는 한글 문서 형식인 HWP와 HWPX를 읽고 기본적인 편집을 수행하는 워드프로세서를 AI로 개발한 국내 프로젝트도 언급된다. STT에 “ACW”, “ACWP”, “ATOPL X”로 기록된 명칭은 문맥상 HWP 또는 HWPX의 오인식으로 판단된다. 모든 기능을 재현한 것은 아니더라도 특정 사용 목적에 필요한 부분만 구현할 수 있다면, 사용자가 거대한 범용 소프트웨어 대신 자신에게 필요한 최소 기능을 직접 확보하는 흐름이 생길 수 있다.
보안과 신뢰는 여전히 가장 높은 장벽이다
개인이 자신만의 일정 관리 앱을 만들어 사용하는 것과 기업이 핵심 업무를 AI 생성 소프트웨어에 맡기는 것은 전혀 다른 문제다. 기업 환경에서는 개인정보와 영업비밀, 접근 권한, 감사 기록, 장애 대응, 법적 책임이 함께 고려되어야 한다. 생성된 프로그램이 지금 정상적으로 작동하더라도 취약점이나 데이터 유출 가능성을 충분히 검증하지 않았다면 조직 전체에 위험을 초래할 수 있다.
강연자도 개인 차원에서는 다양한 도구를 만들 수 있지만 기업에는 보안이라는 허들이 남아 있다고 지적한다. AI가 보안 설계와 검증까지 신뢰할 수 있는 수준으로 수행하게 된다면 기존 소프트웨어 기업의 비즈니스 모델은 더 큰 압박을 받을 수 있다. 반대로 그 수준에 도달하기 전까지는 검증된 보안과 안정성, 지원 체계를 제공하는 전문 소프트웨어의 가치가 유지될 가능성이 높다.
따라서 단기적으로는 AI가 모든 전문 도구를 대체하기보다, AI 플랫폼과 잘 연결되는 소프트웨어가 더 많은 선택을 받을 가능성이 크다. 사용자는 ChatGPT나 Claude 안에서 곧바로 호출할 수 있는 서비스를 선호할 수 있고, 전문 도구 업체는 API와 MCP, 플러그인을 통해 AI가 기능을 안전하게 사용할 수 있도록 만들어야 한다. 다만 장기적으로 AI가 필요한 기능을 직접 생성하는 비용이 계속 낮아진다면, 단순 기능만 제공하는 도구는 차별화 전략을 다시 세워야 한다.
좋은 프롬프트보다 중요한 것은 업의 맥락이다
강연자가 아스트라를 사용하며 발견한 실용적인 교훈은 요구를 무조건 길고 세밀하게 적는 것이 항상 정답은 아니라는 점이다. 한 사용자가 “모바일로 간단히 즐길 수 있는 게임”을 만들어달라고 요청했을 때, AI가 ‘간단히’라는 표현을 낮은 그래픽 품질과 단순한 결과물로 해석해 기대보다 떨어지는 게임을 만들었다는 사례가 소개된다. 인간에게는 가벼운 플레이 방식을 뜻하는 표현이 AI에게는 제작 품질까지 낮춰도 된다는 신호로 작용한 셈이다.
강한 에이전트에게는 작업 절차를 모두 지정하기보다 목적과 성공 조건, 실제 사용 맥락을 선명하게 전달하는 방식이 유효할 수 있다. 다만 이는 아무 말이나 해도 된다는 뜻은 아니다. 결과물의 대상과 용도, 반드시 지켜야 할 제약, 기대 품질은 명확히 설명하되, AI가 자체적으로 잘 처리할 수 있는 구현 순서까지 불필요하게 통제하지 않는 균형이 필요하다.
그럼에도 AI가 만들어내는 결과에는 표준화의 위험이 있다. 학습 데이터에서 자주 등장한 구성과 표현을 조합하기 때문에 처음에는 세련되게 보여도 반복해서 접하면 어디선가 본 듯한 음악과 화면, 문장 구조가 느껴질 수 있다. 김덕진 소장은 누구나 그럴듯한 80점 또는 90점짜리 결과를 만들 수 있게 되더라도, 그 다음 수준으로 가려면 해당 분야에 대한 인간의 안목과 해석, 개성 있는 아이디어가 필요하다고 주장한다.
영상 전문가가 AI를 사용할 때와 비전문가가 사용할 때의 차이도 여기에서 벌어진다. 비전문가는 예전에는 만들 수 없었던 강의 오프닝 영상을 손쉽게 확보할 수 있지만, 이를 고객에게 판매할 만큼 고도화하려면 영상 언어와 제작 원리를 아는 사람이 더 정확하게 방향을 잡아야 한다. 결국 AI는 전문성을 무의미하게 만들기보다 기초 제작 능력을 보편화하고, 전문가의 역할을 직접 실행에서 판단과 차별화로 이동시킨다.
모델 선택과 비용 감각도 새로운 전문성이다
고성능 에이전트는 결과가 뛰어난 만큼 사용 비용도 크다. 강연자는 게임을 여러 번 제작하는 과정에서 처음 사용한 월 100달러 수준의 요금만으로는 부족해 추가 결제가 필요했고, 더 높은 요금제를 사용해도 토큰이 빠르게 소진되는 경험을 했다고 말한다. 이 금액과 제공 조건은 녹화 당시 기준이며 이후 변경될 수 있으므로 현재 가격으로 간주해서는 안 된다.
앞으로 사용자는 모든 작업에 가장 비싼 모델을 투입하기보다 과제 난이도에 따라 모델을 구분해야 한다. 강연자가 든 비유처럼 소를 잡는 칼과 닭을 잡는 칼이 다르듯, 복잡한 기획과 핵심 판단에는 최상위 모델을 쓰고 반복 실행이나 단순 변환에는 더 저렴한 모델을 배치하는 방식이 경제적이다. 중요한 것은 모델 순위표를 외우는 것이 아니라, 자신의 업무에서 어떤 단계가 많은 추론을 필요로 하는지 경험적으로 파악하는 일이다.
AI 서비스가 작업별 토큰 소모와 비용을 충분히 투명하게 설명하지 않는 경우, 이러한 감각은 반복적인 사용을 통해 익혀야 한다. 어떤 요청이 긴 맥락과 수많은 도구 호출을 유발하는지, 어느 수준의 모델로도 품질이 유지되는지 직접 확인해야 한다는 것이다. 따라서 미래의 AI 활용 능력에는 프롬프트 작성뿐 아니라 모델 라우팅(Model Routing), 비용 통제, 결과 검수 역량도 포함된다.
빠르게 순환하는 모델 경쟁
강연자는 어떤 AI가 가장 좋은지 묻는 질문에 “가장 최근에 나온 모델”이라는 실용적인 답을 제시한다. 특정 기업이 항상 모든 영역에서 우위를 유지하기보다 이미지, 글쓰기, 가격, 에이전트 실행 능력 등 분야별 강점이 달라지고, 대규모 업데이트 주기도 수개월 수준으로 짧아지고 있기 때문이다. 따라서 ChatGPT, Claude, Gemini 가운데 영구적인 단일 승자를 고르기보다는 작업별 성능과 최신 상태를 계속 확인하는 태도가 현실적이라는 주장이다.
업데이트 속도가 빨라지는 배경에는 AI가 AI 개발 과정에 참여하는 재귀적 개선도 있다. 모델이 사용자 피드백과 평가 데이터를 분석하고, 학습 자료와 실험 설계를 지원하며, 새로운 모델의 코드와 검증 과정 일부를 수행하면 인간만으로 개발할 때보다 순환 속도가 빨라질 수 있다. 강연자는 AI가 전체 개발을 독자적으로 수행한다는 의미는 아니지만, 모델 제작의 일부를 담당하기 시작했다고 설명한다.
지식 증류(Distillation)를 둘러싼 방어 방식에도 AI가 사용되고 있다는 언급이 나온다. 경쟁 모델이 출력 데이터를 대량으로 수집해 학습에 이용하는 패턴을 탐지하면 의도적으로 품질이 낮은 응답이나 잘못된 정보를 제공하는 대응 기법이 논의된다는 것이다. 이 대목은 구체적인 시스템이나 검증 자료가 제시되지 않았으므로 확정된 업계 관행으로 일반화하기보다, 모델 개발과 방어 양쪽에서 자동화 경쟁이 가속되고 있다는 강연자의 문제 제기로 받아들일 필요가 있다.
AI 네이티브 조직은 어떻게 등장하는가
AI가 일부 반복 업무를 대신하는 수준을 넘어 작업 방법 자체를 제안하기 시작하면 조직 운영 방식도 달라질 수 있다. 기존 조직은 이미 구축된 승인 절차와 부서 구조, 레거시 시스템 때문에 업무를 AI 중심으로 재설계하기 어렵다. 반면 작은 조직은 처음부터 AI를 중심에 놓고 사람이 맡을 판단과 에이전트가 수행할 실행을 새롭게 나눌 수 있다.
김덕진 소장은 이러한 AI 네이티브 조직이 적은 인원으로도 큰 매출을 만드는 사례를 먼저 만들어낼 가능성이 있다고 전망한다. 이 조직에서는 AI를 기존 업무에 덧붙이는 보조 도구로 취급하지 않고, 조사와 제작, 검증, 고객 대응의 흐름 전체를 AI가 수행할 수 있도록 설계한다. 사람은 목표 설정과 품질 기준, 예외 판단, 책임이 필요한 결정을 중심으로 역할을 재편하게 된다.
대기업도 장기적으로는 기존 부서에 AI 도구를 하나씩 추가하는 방식의 한계를 느낄 수 있다. 강연자는 일부 태스크포스가 기존 시스템과 다른 규칙을 적용한 AI 네이티브 조직으로 만들어지고, 그 성과가 전체 조직 변화의 실험장이 될 수 있다고 내다본다. 다만 보안과 책임, 노동 재설계 문제를 해결하지 않은 채 자동화 규모만 확대하면 새로운 운영 위험이 생길 수 있으므로 기술 도입과 조직 거버넌스가 함께 발전해야 한다.
AlphaGo 이후의 바둑계가 보여주는 미래
대담의 후반부에서는 AlphaGo 충격을 먼저 경험한 바둑계가 다른 산업의 미래를 보여주는 사례로 등장한다. 현대 프로기사들은 AI를 단순한 경쟁자가 아니라 인간이 발견하지 못한 수를 제시하는 상위 학습 대상으로 받아들이고, AI의 선택을 분석하며 자신의 기량을 높인다. 인간이 AI를 이길 수 있느냐는 질문보다 AI가 왜 그 수를 선택했는지를 이해하는 일이 더 중요해진 것이다.
대부분의 직업 영역에서 AI는 아직 바둑에서처럼 절대적인 ‘신계’에 도달하지 않았다. 그러나 강연자는 이번 세대의 AI가 그 방향으로 이동하는 변곡점처럼 느껴진다고 평가한다. 과거에는 AI가 초안을 만들더라도 마지막 수정은 반드시 사람이 해야 했지만, 이제는 별도 수정 없이 바로 사용할 만한 결과가 나오기 시작했기 때문이다.
이때 전문가가 해야 할 일은 자신의 방법만 고집하거나 AI의 결과를 그대로 받아들이는 것이 아니다. AI가 문제를 어떤 단계로 나누고 어떤 도구를 사용하며 자신과 다른 방식으로 해결하는지 지속적으로 관찰해야 한다. 그 과정을 자신의 전문 지식과 결합해야 AI의 평균적인 결과를 넘어서는 개성과 경쟁력을 만들 수 있다.
마무리 / 핵심 정리
영상 속 농장 게임은 13분이라는 제작 시간 때문에 시선을 끌지만, 더 중요한 변화는 AI가 한 번의 요청으로 기획과 구현, 테스트, 수정, 배포에 가까운 흐름을 이어갔다는 점이다. 여기에 3D와 모션 그래픽, 교육용 이미지, 외부 서비스 연결, 개인 일정 관리 앱까지 더해지면서 생성형 AI는 콘텐츠를 제안하는 도구에서 실제 업무를 수행하는 에이전트로 이동하고 있다.
이 도약은 더 큰 모델 하나만으로 이루어진 것이 아니다. 대규모 GPU 인프라와 긴 Context Window, 강화학습, 안전성 조정, 도구 연결 표준, 작업을 지휘하는 하네스가 결합한 시스템 차원의 성과로 해석해야 한다. AI의 실용적 지능은 무엇을 아느냐뿐 아니라, 목표를 얼마나 오래 기억하고 어떤 도구를 선택해 실제 결과로 바꿀 수 있느냐에 의해 평가되기 시작했다.
그렇다고 전문성이 사라지는 것은 아니다. AI가 누구에게나 평균 이상의 결과를 제공할수록 어디서 본 듯한 표준 결과가 넘쳐날 수 있으며, 마지막 차이를 만드는 것은 업에 대한 안목과 문제 정의, 개성 있는 해석이다. 동시에 사용자는 작업 난이도에 맞는 모델을 선택하고 토큰 비용과 보안 위험을 관리하는 새로운 감각도 익혀야 한다.
결국 이번 변화가 던지는 질문은 AI가 인간의 일을 빼앗을지 여부에만 머물지 않는다. 더 중요한 질문은 AI가 일을 해석하고 수행하는 방식을 인간이 얼마나 빠르게 이해하며, 그 능력을 자신의 전문성과 조직 구조 안에 어떻게 재배치할 것인가이다. 김덕진 소장의 결론처럼 지금 필요한 것은 낯선 분야에서 AI를 구경하는 일이 아니라, 자신이 가장 잘 아는 영역에서 AI와 함께 실제 업무를 반복해보는 경험이다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | GPT 아스트라, 이런 게임 만드는데 딱 13분 걸렸습니다 IT커뮤니케이션연구소 김덕진 소장 1부 |
| 채널 | 언더스탠딩 : 세상의 모든 지식 |
| 영상 길이 | 약 48분 14초 |
| 리포트 작성 | 2026-09-11 |
| 작성 방식 | YouTube 영상 STT 변환 후 문맥 교정 및 서술형 에디팅 |
| 검증 범위 | 제공된 음성 전사와 화면 자료를 기준으로 검토했으며, 외부 계약 및 일부 인프라 수치는 별도 검증이 필요함 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 제품명, 계약 조건, 인프라 규모 등 정확한 내용은 원본 영상과 관련 공식 자료를 함께 참조해 주세요.