title
sub_title
(부산) 🔎 2026년도 AI·SW마에스트로 제17기 연수생 모집합니다.
입소문을 증폭시키는 기획 방법
지난번에 아래와 같은 글을 작성 이후로 실제 감탄스러운 서비스를 만들고 난 이후에 이를 증폭할 수 있는 여러가지 기획에 대해서 조사해봤습니다아래 글을 한번 읽어보시고나서 아래를 보시면 더 좋을것 같습니다입소문보다 감탄이 먼저다 서비스 추천의 진짜 본질httpsletsplmequest1823입소문이 퍼질 수 있게 설계하자많은 브랜드가 입소문을 우연히 터지는 바이럴로 인식합니다하지만 실상은 그렇지 않습니다 입소문은 철저하게 설계된 기획의 결과입니다고객이 자발적으로 제품을 알리고 싶게 만들려면 단순히 좋은 제품을 넘어서 사람들에게 이야기하고 싶은 무언가를 제공해야 합니다입소문을 의도적으로 만들기 위해선 서비스 기획 단계부터 이를 구조화할 필요가 있습니다예컨대 미국의 브랜드 Dollar Shave Club은 면도날 정기 배송 서비스라는 단순한 개념을 코믹하고 직설적인 영상과 함께 런칭해유튜브에서 수천만 회 이상의 조회수를 기록했습니다 단지 기능이 좋은 제품이 아닌 사람들 사이에서 말하고 싶게 만드는 포인트가 있었습니다요약하자면 입소문은 다음과 같은 질문에 대한 답을 포함하고 있어야 합니다 사람들이 이 서비스를 왜 친구에게 말할까 공유하고 싶은 포인트는 무엇인가 퍼질 수 있도록 구조화된 설계가 있는가Remarkable – 이야기 거리가 필요하다사람들이 어떤 브랜드나 제품을 언급하는 이유는 대부분 이야기할 가치가 있기 때문입니다그 가치란 전혀 새롭거나 놀랍거나 반전이 있는 특징들입니다이를 브루킹스 연구소는 remarkable이라 표현했으며 말 그대로 remark언급할 수 있을 만큼의 가치가 있는 것입니다이러한 remarkable 요소는 여러 방식으로 구현될 수 있습니다 제품 기능의 차별화 예 Dyson 청소기의 사이클론 기술 비주얼적 특이성 예 Apple의 최초 아이맥 색상 극단적 혜택 또는 파격적 조건 예 Robinhood의 수수료 없는 주식 거래 유쾌하거나 충격적인 콘텐츠 예 배민의 광고 문구들Remarkable한 기획은 의도적으로 만들어져야 합니다이를 위해 제품 혹은 서비스의 핵심 메시지를 한 문장으로 요약하고 그것이 사람들이 입으로 옮길 수 있게끔 만드는 것이 중요합니다예시 이 앱은 나 대신 회사에 퇴사 통보해줘 Exit 앱 이 책은 하루에 단 3분만 읽으면 돼 짧은 시간 독서 앱즉 이야깃거리의 밀도가 입소문을 결정합니다Relatable하게 – 사용자와 정체성을 공유하라입소문이 발생하는 두 번째 큰 축은 정체성의 연결입니다사람들은 자신이 누구인지 보여주기 위해 콘텐츠나 제품을 공유합니다 이는 브랜드가 단순한 기능성 너머로 사용자의 가치관과 연결될 때 강력해집니다예컨대 비건 밀키트를 판매하는 브랜드는 단순히 음식을 파는 것이 아니라 고객의 생활 방식과 철학을 공유합니다고객은 이 브랜드를 비건 생활을 지지한다는 증거로 삼아 다른 사람에게 공유합니다이러한 연결이 가능하려면 브랜드 또는 기획이 다음의 질문에 답해야 합니다 우리 브랜드는 어떤 가치관을 대변하는가 어떤 집단커뮤니티이 이 가치를 공유할 수 있는가 사람들이 우리 서비스를 공유할 때 자신이 더 멋져 보이는가정체성을 자극하는 요소는 종종 다음과 같은 형태로 나타납니다사회적 캠페인 참여 예 Earth Hour개인화된 결과 공유 예 Spotify Wrapped전문성 과시 가능 예 토스 퀴즈 공유하기정체성을 공유할 수 있는 기획은 입소문이 아닌 소속감 기반 전파를 유도합니다 그것은 더 길고 강력한 효과를 만듭니다Participative하게 – 사용자가 주체가 되게 하라사람들은 스스로 무언가에 참여할 때 그것을 훨씬 더 깊이 기억하고 퍼뜨립니다따라서 입소문을 유도하는 기획은 항상 참여형 요소를 포함하고 있어야 합니다 이때 핵심은 사용자가 결과의 일부를 직접 만들어냈다는 감각입니다참여형 기획의 대표적인 형태 테스트 퀴즈 결과 공유 예 MBTI 테스트 토스 퀴즈 사용자 맞춤 콘텐츠 생성 예 연말 회고 영상 캐릭터 커스터마이징 챌린지 해시태그 캠페인 예 TikTok 챌린지이러한 참여는 자연스럽게 자랑하고 싶은 콘텐츠로 이어집니다 특히 결과물의 시각화가 중요합니다사람들이 자신의 결과를 캡처해서 공유할 수 있도록 디자인하는 것이 필요합니다구체적인 사례 배민 너의 주문 스타일은 테스트 → SNS 대량 공유 구글 올해의 나 리포트 → 이메일 SNS로 회고 공유기획자는 항상 질문해야 합니다“이 결과물을 친구에게 자랑하고 싶을까”“이 테스트를 다시 해보게 만들 유인은 뭘까”Social하게 – 관계 구조를 활용하라입소문은 결국 사람과 사람 사이의 ‘관계’를 타고 흐릅니다 따라서 입소문을 만들기 위해선 서비스 설계 안에 자연스러운 추천 구조를 심어야 합니다초기 페이스북 클럽하우스 드롭박스의 성장 모두 강력한 추천 기반 구조에서 시작됐습니다드롭박스는 “친구를 초대하면 500MB 추가 용량”이라는 단순한 구조로 사용자 수를 폭증시켰습니다관계 기반 입소문 유도의 핵심 기획 방법 초대 기반 가입 예 클럽하우스 추천 보상 구조 예 쿠팡 친구 초대 리워드 공동 작업 기반 콘텐츠 예 구글 문서 공동 편집 공유이때 중요한 점은 보상 구조가 지나치게 금전적이면 오히려 진정성이 떨어질 수 있다는 점입니다‘친구와 함께 쓰면 더 좋은 경험이 된다’는 구조가 자연스러워야 합니다또한 추천 구조는 다음과 같이 감성적으로 강화할 수 있습니다“OO님이 추천한 서비스예요”“친구와 함께 하실래요” 버튼이처럼 기획 내에 관계를 전제로 한 설계를 담는 것은 입소문을 유도하는 중요한 도구입니다기획 단계부터 입소문을 목표로 하라마지막으로 강조하고 싶은 건 입소문은 사후 마케팅의 이슈가 아니라 사전 기획의 목표라는 점입니다제품을 다 만든 후에 이걸 어떻게 입소문나게 하지라고 고민하는 것은 순서가 잘못됐습니다기획 초기부터 입소문을 전제로 한다면 제품의 구조 기능 메시지 콘텐츠 방향성까지도 달라질 수 있습니다입소문은 브랜딩의 결과이자 퍼포먼스의 시작이기 때문입니다정리하자면 입소문을 위한 기획은 아래 5가지를 고려해야 합니다 Remarkable – 이야기거리를 만들자 Relatable – 사용자의 정체성과 연결하자 Participative – 직접 참여할 수 있게 하자 Social – 관계 기반 구조를 설계하자 Initial – 기획 초기에 입소문을 목표로 삼자마치며입소문은 ‘의도된 기획’과 ‘사용자의 자발성’이 만날 때 비로소 폭발력을 갖습니다그 중간에는 반드시 전략적 구조가 존재해야 하며 기획자는 이 구조를 설계할 수 있어야 합니다다음 프로젝트를 기획할 때 사람들의 입에서 자연스럽게 오르내릴 수 있는 이야기 구조를 함께 설계해보세요 그것이 마케팅을 넘어 브랜드를 만드는 첫걸음이 될 것입니다Need to validate your businessThen bunzeeai will be your solution
연예인은 AI로 대체될 수 있을까?
연예인의 자리를 넘보는 AI최근 몇 년간 AI 기술은 단순한 도구를 넘어 인간의 창작과 정체성에 도전장을 내밀고 있다특히 예술과 대중문화 분야에서 AI는 노래를 부르고 춤을 추며 연기까지 하는 연예인의 역할을 일부 대체하고 있다버추얼 유튜버VTuber 버추얼 인플루언서 AI 캐릭터를 앞세운 ‘이세계 아이돌’ 같은 프로젝트는 더 이상 실험이 아니다팬들은 실존하지 않는 캐릭터에 열광하고 기업들은 AI 연예인에게 광고 모델을 맡긴다그렇다면 과연 인간 연예인은 AI에게 자리를 내줄까 아니면 공존의 시대가 오는 걸까2022년 등장한 ‘이세계 아이돌’은 스트리머 기획자 우왁굳이 기획하고 여러 인기 스트리머들이 참여한 가상 아이돌 프로젝트다이들은 실제 사람이지만 방송에선 3D 아바타로 활동하며 설정된 세계관과 스토리 속 캐릭터로 살아간다실제로 이들은 디지털 싱글을 발매하고 콘서트를 열며 진짜 아이돌 못지않은 팬덤과 영향력을 얻었다흥미로운 점은 이 아이돌들이 ‘실제로 존재하지 않는다’는 것 무대에 서는 존재는 사람이 아니라 캐릭터고 팬들은 이 가상의 존재에 감정이입한다이세계 아이돌의 성공은 다음과 같은 질문을 남긴다“연예인이 반드시 실제 존재해야 할까”관객은 결국 ‘서사’와 ‘콘텐츠’에 반응한다 만약 AI가 그럴듯한 감정과 관계성을 만들어낸다면 실존 여부는 점점 중요하지 않게 될지도 모른다버추얼 인플루언서 이미 시장에 들어온 AI 연예인AI 연예인의 대표적인 사례로는 ‘릴 미켈라Lil Miquela’가 있다2016년 등장한 이 가상 인플루언서는 실제 사람이 아닌 CG로 만들어진 AI 기반의 캐릭터다하지만 그녀는 실제 브랜드 광고를 찍고 SNS에 일상을 공유하며 패션 잡지의 표지를 장식하고 인터뷰도 진행한다팔로워 수는 수백만 명에 달하며 실제 인플루언서 못지않은 영향력을 가진다버추얼 인플루언서는 다음과 같은 강점을 갖고 있다 나이가 들지 않는다 항상 비슷하거나 똑같은 모습을 유지할 수 있다 논란에 휘말릴 가능성이 적다 과거 성격 발언 논란이 없고 철저히 기획 가능하다 24시간 활동이 가능하다 피로도 없이 무한한 콘텐츠 생산이 가능하다 캐릭터성을 일관되게 유지할 수 있다 브랜드 이미지와 충돌하지 않고 목적에 맞춰 커스터마이징된다특히 Z세대나 알파세대에게는 이질감보다는 신선함으로 받아들여지고 있다누구나 만들 수 있는 AI 인플루언서 계정최근에는 일반인도 자신만의 AI 연예인을 만들 수 있다CharacterAI Deep Agency Fictional AI Influencer Generator 같은 플랫폼은몇 장의 이미지와 간단한 설정만으로 SNS를 운영하는 AI 캐릭터를 생성해준다이 AI 인플루언서들은 단순히 사진을 올리는 데 그치지 않는다실시간 댓글 자동화된 콘텐츠 제작 팬과의 QampA 기능까지 지원되며 일종의 ‘자율적 연예인’으로 활동한다이제 연예인은 소수의 특권이 아니라 누구나 만들 수 있는 ‘브랜드 자산’이 되어가고 있다AI로만 구성된 ‘완전한’ 가상 아이돌 그룹 사례들1 MAVE 메이브 – 메타버스 기반 AI 걸그룹 소속사 메타버스엔터테인먼트 넷마블 자회사 데뷔 2023년 1월 구성원 SIU ZENA TYRA MARTY – 전원 가상 캐릭터 특징멤버 전원이 100 가상이며 모션캡처와 음성합성 AI 기반 감정 연기 기술로 제작됨AI가 창작한 목소리로 노래하고 SNS 활동도 AI가 직접 수행다국어 인터뷰 실시간 팬 소통 등도 AI가 자동으로 처리2 Eternity 이터니티 – 딥러닝으로 만든 얼굴 보컬 모델 소속사 PULSE9 AI 전문 스타트업 데뷔 2021년 구성원 11명의 완전 가상 캐릭터 특징Deep Real AI 기술로 가상의 얼굴 생성기존 사람의 목소리를 딥페이크 처리하거나 합성해 가상 아이돌의 음성과 얼굴을 만들어냄인터뷰나 팬 커뮤니케이션은 실시간으로 AI가 직접 생성3 KDA 케이디에이 – 리그 오브 레전드 기반 버추얼 걸그룹 소속사 라이엇 게임즈 Riot Games 데뷔 2018년 구성원 Ahri Akali Evelynn Kai’Sa – LoL 캐릭터 기반 특징게임 캐릭터를 기반으로 한 글로벌 AI버추얼 그룹실제 보컬은 인간 가수가 맡지만 캐릭터 활동 자체는 완전히 가상뮤직비디오 라이브 무대 SNS 활동까지 전방위적으로 AI·CG 기술 활용대표곡 “POPSTARS” “More”예전 가상 연예인은 왜 실패했을까그렇다면 과거에도 시도된 가상 연예인은 왜 성공하지 못했을까사실 1990년대에도 일본의 사이버 아이돌 다테 쿄코 2000년대 초 한국의 사이버 가수 아담 같은 존재들이 있었다하지만 이들은 일시적인 화제성에 그쳤고 팬덤이 오래 유지되지 못했다스토리텔링의 부재이전 가상 연예인들은 단순히 ‘가상의 존재’였을 뿐 감정이입할 서사와 인간적인 서브 텍스트가 부족했다팬들은 캐릭터를 좋아할 이유를 찾기 어려웠고 콘텐츠는 수동적으로 소비되었다플랫폼의 한계유튜브 틱톡 인스타그램 같은 양방향 소통 채널이 없던 시절에는 팬과의 관계 형성이 어려웠다팬덤이 자발적으로 세계관에 참여하는 구조가 만들어지기 힘들었다실재감 부족과 기술의 제약예전에는 표정 몸짓 음성 등에서 현실감을 구현할 기술이 부족했다지금은 AI 음성합성 모션캡처 실시간 스트리밍 기술 덕분에 AI가 인간처럼 느껴질 수 있다이처럼 과거에는 기술적·사회적 환경이 성숙되지 않았지만 지금은 상황이 다르다진정성과 공감만 있다면 연예인도 AI가 대체가능하지 않을까그럼에도 불구하고 인간 연예인은 장점이 있다바로 진정성과 공감이다 팬들은 단순히 콘텐츠를 소비하는 것이 아니라 ‘성장 서사’를 함께한다어린 시절부터 연습생 생활을 거쳐 데뷔하고 점점 발전해가는 모습을 보며 감정적으로 연결된다또한 인간 연예인은 리얼리티 예능 팬미팅 라이브 공연 등에서 비예측적인 감정의 순간을 보여준다AI는 시나리오 안에서 완벽하게 움직일 수 있지만 때때로 그 불완전함이 오히려 팬들에게 감동을 주는 요소가 되기도 한다그럼에도 불구하고 연예인은 AI로 완전히 대체될 수 있을까콘텐츠 제작 브랜드 광고 이미지 관리 같은 영역에선 AI가 훨씬 효율적이다앞으로는 인간 연예인 버추얼 캐릭터 그리고 하이브리드 형태의 연예인이 함께 존재하는 시대가 될 것이다연예인의 본질이 ‘사람’이 아니라 ‘스토리를 전달하고 감정을 불러일으키는 존재’라면 그 역할은 인간이든 AI든 누구나 될 수 있다
3D 인터페이스의 부활과 디자인의 재정의
UI는 평면을 벗어난다 평면 중심의 UI 시대가 끝나간다한동안 디지털 UI는 플랫 디자인의 시대였습니다불필요한 입체감은 배제하고 그림자도 최소화하며 정보 전달과 기능성에 집중하는 흐름이었죠하지만 최근 다시 입체감 있는 UI 실시간 3D 그래픽 공간 기반 디자인이 주목받고 있습니다왜일까요그 배경엔 Apple Vision Pro 메타 퀘스트 3 WebGL 기반 웹디자인 그리고 AI 생성 3D 그래픽 기술의 진화가 있습니다이제는 보기 위한 UI에서 머무는 UI 움직이는 UI로 UX의 스펙트럼이 확장된 거죠3D UI가 다시 주목받는 이유1 공간 디바이스의 대중화Apple Vision Pro Meta Quest 등 공간 기반 컴퓨팅 기기 확산인터페이스가 ‘스크린 위’가 아니라 ‘현실 위’에 배치됨→ 결과적으로 UI가 입체적일 수밖에 없음2 몰입형 웹 경험의 필요성제품 소개 브랜드 캠페인 온보딩 등의 핵심 페이지에서→ 움직이고 만질 수 있는 인터페이스가 더 큰 임팩트 제공3 생성형 3D 기술의 접근성 향상Spline Rive Threejs 같은 툴이 전문 모델링 지식 없이도 사용 가능AI 기반 모델 자동 생성 애니메이션 도구의 발전지금 쓰이는 3D UI 활용 사례분야사례제품 소개 페이지Apple Vision Pro Nothing Phone 웹사이트 등 입체적 카메라 시점브랜드 캠페인Nike 3D 웹 캠페인 제품 회전 마우스 반응형온보딩 경험비행기 예약 서비스에서 좌석을 실제 배치대로 3D 시각화포트폴리오디자이너 포트폴리오 사이트에서 자신을 입체 공간에 배치하여 소개도구의 진화 디자이너를 위한 3D 툴 3가지1 Splinehttpssplinedesign실시간으로 조작 가능한 3D UI를 직접 만들 수 있음드래그 앤 드롭만으로 모델링 애니메이션 가능Figma와 연동하여 2D → 3D로 전환 용이2 Threejshttpsthreejsorg자바스크립트 기반으로 웹에서 3D 구현 가능인터랙션 카메라 제어 등 정밀한 커스터마이징 가능프론트엔드 개발자와 협업 시 매우 유용3 Zdoghttpszzzdog단순한 벡터 3D를 구현할 수 있는 경량 라이브러리로딩 시간 걱정 없이 가벼운 입체 애니메이션 가능이러한 도구들의 공통점은 전통적 3D 모델링 소프트웨어의 복잡함 없이 접근 가능하다는 것입니다3D는 언제 쓰면 안 좋을까3D UI가 무조건 좋은 것은 아닙니다다음의 경우에는 오히려 역효과가 날 수 있어요상황3D UI가 불리한 이유복잡한 정보 구조텍스트 위주 페이지에서는 오히려 시선 분산낮은 사양 디바이스렌더링 성능 저하로 로딩버벅임 발생접근성이 중요한 환경스크린 리더 키보드 탐색과의 충돌 가능성결국 중요한 건 “3D가 필요하냐”보다 “왜 필요한가”에 대한 설계 이유입니다3D 디자인을 위한 새로운 사고 방식평면 UI에서는 ‘좌표’를 기준으로 사고했다면3D UI는 ‘시점’ ‘깊이’ ‘움직임’을 고려한 디자인 사고가 필요합니다필수 고려 요소 Z축 중심의 계층 구조 Depth Management 시점 기준 인터랙션 시나리오 실시간 반응형 애니메이션 플로우 360도 상태 관리 UX 회전 축소 확대기존의 UX Flowchart 대신→ 3D 공간 기반의 인터랙션 맵이 필요해지는 거죠디자이너의 새로운 기회 3D를 아는 인터페이스 설계자3D UI는 단순한 디자인 트렌드가 아닙니다완전히 새로운 환경과 UX를 상상할 수 있는 도구입니다특히 다음과 같은 배경을 가진 디자이너라면 기회가 큽니다 제품 디자이너 → 실물 제품의 질감을 디지털로 옮기는 역할 게임 UI 디자이너 → 몰입형 웹이나 XR 앱으로 이동 UX 디자이너 → 시점 전환 중심의 공간 내 인터페이스 설계마무리하며 UI는 공간으로 확장된다우리는 지금 UI의 역사상 전환점에 서 있습니다‘2D 화면 중심의 UI’에서 벗어나 공간 속 UI 움직이는 UI 몰입하는 UI로 가고 있죠이제는 어떤 레이아웃을 짤까에서 어떤 환경 속에서 어떤 방식으로 사용자와 만날까라는 질문으로 나아가야 합니다디자이너에게 3D는 어렵고 낯선 도구가 아니라 새로운 무대에 올라가는 티켓입니다지금 바로 Spline을 켜보세요UI는 더 이상 평면에 머무르지 않습니다3D UI reference by bunzeeai
사내 데이터 검색증강 – RAG에서 KG²RAG로
AI 성과의 진짜 열쇠는 데이터2025년 현재 많은 기업이 생성형 AI를 도입하고 있지만 기대한 만큼의 성과를 내지 못하는 경우가 많습니다그 이유는 단순합니다 모델의 성능 자체보다는 모델이 접근하는 데이터의 품질이 낮기 때문입니다엔터프라이즈 환경에서는 사내 문서 이메일 ERP·CRM 데이터 그리고 로그·이미지·음성과 같은 방대한 비정형 데이터가 쌓여 있습니다하지만 대부분은 부서별로 사일로화되어 있고 정합성이나 최신성이 떨어지는 경우가 많습니다결국 AI 프로젝트의 ROI는 “얼마나 좋은 데이터를 준비했는가”에 달려 있습니다특히 최근에는 단순한 RAGRetrievalAugmented Generation에서 더 나아가 지식그래프 기반 RAGKG²RAG 접근이 주목받고 있습니다이 글에서는 기업의 데이터 준비성을 점검하는 방법과 함께 KG²RAG의 의미 그리고 실제 적용 사례를 다뤄보겠습니다RAG의 원리와 한계RAG란 무엇인가RAG는 검색Retrieval과 생성Generation을 결합한 방식입니다검색 단계 사용자의 질문과 관련 있는 문서를 벡터DB에서 찾아냄생성 단계 검색된 문서를 기반으로 LLM이 자연어 답변 생성예를 들어 직원이 “우리 회사의 휴가 정책은”이라고 묻는다면 RAG는 HR 문서를 검색해 LLM이 요약한 답변을 제공합니다RAG의 장점모델 자체를 수정할 필요 없이 기업 데이터를 활용 가능최신 데이터 업데이트가 즉시 반영특정 도메인에 특화된 지식 제공그러나 이런 한계도 있다검색 데이터가 부정확하면 답변도 왜곡됨벡터DB 쿼리와 LLM 호출 비용이 계속 쌓임데이터가 많아질수록 검색 품질이 떨어질 수 있음KG²RAG 한 단계 더 나아간 접근KG²RAG란KG²RAG는 지식그래프Knowledge Graph를 RAG에 결합한 방식입니다단순히 문서를 검색하는 것이 아니라 데이터 간의 관계를 구조적으로 이해합니다 전통적 RAG → “A사와 B사의 계약서” 문서를 검색 KG²RAG → “A사가 2023년에 B사와 맺은 계약 조건”이라는 구체적 관계 지식 검색KG²RAG의 장점 정확성 단순 키워드가 아닌 관계 기반 검색 설명 가능성 답변의 근거를 그래프 경로로 추적 가능 비용 절감 불필요한 문서 검색과 LLM 호출을 줄임1 스키마화 테이블화 엔티티관계 추출계약 문서를 벡터로만 저장하지 않고 엔티티 추출Entity Extraction 과정을 거쳐 구조화합니다 엔티티 회사명A사 B사 날짜2023년 계약 조건예 납품 수량 금액 위약 조항 관계 “A사 계약 B사 2023년 조건XX”이렇게 추출한 정보를 테이블DB 또는 그래프DB에 저장합니다질문이 들어오면 단순 문서 검색 전에 구조화된 엔티티관계 데이터에서 먼저 후보를 좁힙니다2벡터 그래프 혼합 접근 KG²RAG 방식1차 벡터 검색→ 질문과 관련된 문서 후보를 찾음2차 지식그래프 쿼리→ 문서에서 추출해둔 관계 구조를 활용 조건연도2023 회사A사·B사을 만족하는 노드를 탐색3차 LLM 조합→ 최종적으로 추출된 관계·조건을 자연어 답변으로 조립3 기존 벡터만 쓴다면 제한적 방법계약 문서를 세분화된 chunk로 나누고 각 chunk에 메타데이터 필드를 달아둡니다예 company1A사 company2B사 year2023 type계약조건검색 시 벡터 유사도 메타데이터 필터링을 같이 적용합니다하지만 이 방식은 관계 추적보다는 단순 필터링에 가까워서 복잡한 질문일수록 한계가 있습니다정리하면단순 벡터 검색은 “계약서 전체 문서”를 찾는 수준입니다테이블화그래프화를 하면 “계약 조건”이라는 관계 단위까지 구조적으로 접근 가능해요그래서 KG²RAG로 가려면 문서에서 엔티티와 관계를 추출해 그래프DB나 스키마 기반 저장소에 넣고 벡터 검색과 결합하는 추가 단계가 필요합니다데이터 준비성을 위한 체크리스트데이터 수집 ERP CRM HR 등 사내 시스템 인벤토리 작성 문서·이미지·음성 등 비정형 데이터 확보 접근 권한과 보안 규정 점검데이터 정제 중복 제거 문서와 계약서 등에 메타데이터 부여 PDF → 텍스트 이미지 → OCR 등 변환그래프 설계 도메인 스키마 정의 예 고객–계약–상품–결제 공통 키를 이용한 엔티티 연결 자동 갱신 프로세스 마련운영 단계 검색 정확도 응답 시간 비용 모니터링 잘못된 응답 피드백 → 데이터와 그래프 개선 보안 및 권한 관리실행 프레임워크 DARE 모델 Discover 사내 데이터 자산 식별 Align 데이터 표준화와 스키마 설계 Refine 품질 검증 중복 제거 보안 필터링 Enable 그래프 기반 검색 RAG 시스템 운영결론AI 도입의 성패는 결국 데이터 준비성에서 갈립니다아무리 뛰어난 모델도 부정확한 데이터를 바탕으로 하면 신뢰할 수 없는 결과를 내놓습니다RAG는 좋은 출발점이지만 정확성과 비용 문제에 부딪힙니다KG²RAG는 이를 보완할 차세대 접근이지만 그래프 설계와 데이터 거버넌스가 필수입니다따라서 기업이 지금 해야 할 일은 명확합니다 사내 데이터 인벤토리 구축 데이터 표준화 및 스키마 설계 RAG 운영 경험 축적 후 KG²RAG로 확장
2026년 LLM은 당신의 대화를 기억하기 시작했다.(이전엔 안했다?!)
GPT‑5 출시일 2025년 8월 샘 올트만 Sam Altman은 직접 아래와 같이 강조했다When I first saw GPT5 in action I sat back in my chair and felt a sense of powerlessnessWatching it perfectly execute tasks that I thought only I should be able to do made me realize we are entering a new paradigm of intelligence그러나 실제 사용한 사람들은 5버전이 AGI가 아닌 퇴보에 가깝다고 비난을 했지만이제 제미나이 등의 발전을 보고 있다보니 이제는 어느정도 이해할 수 있을 것 같다위의 말은 GPT‑5 이후버전부터 LLM의 구조가 완전히 바뀐것을 이야기한것이었다즉 멀티에이전트 구조와 기억구조의 근본적인 변화가 발생했다 Stateful ConversationResponses API 덕분에 모델이 이전 대화를 기억하고 이어가는 환경 내장개발자가 전체 history를 매번 관리할 필요 없음 Tool Orchestration 내장웹 검색 파일 조회 계산 등 외부 도구 사용을 모델 내부에서 처리 가능반복 루프와 상태 관리 코드는 API가 자동 처리 멀티모달 에이전틱 구조텍스트 이미지 코드 데이터까지 통합 처리모델이 스스로 목표를 달성하도록 행동멀티턴 Multiturn 여러 번 주고받는 대화로 이전 질문과 답을 기억하고 연결하고 문맥 이해 기반 대화가 가능샘 올트만의 발언은 단순 마케팅이 아니라 구조적 변화를 반영한 선언이었다즉 GPT‑5 출시 이후부터는 개발자가 직접 에이전트를 설계하지 않아도 모델이 “판단하고 행동하는 AI”다시 말해 AGI에 한발 더 가까운 형태로 활용될 수 있다는 의미였다그럼 이전에는 대화를 기억하지 못했어 맞다 대화를 기억하지 않았다 그렇게 보이도록 뒤에 만든것일뿐20232024년까지의 API 구조는 기본적으로 stateless상태값이 없음였다개발자가 아닌 사람들은 모르겠지만 실제 개발자는 매 요청마다 messages 전체를 다시 보내야 했고 이전 대화를 서버가 기억하지 않았고 tool 호출도 우리가 루프를 짜서 처리해야 했다이 시기의 대표 API는 모두 상태 값을 보존하지 않았다기억하지 않음 OpenAI의 Chat Completions Anthropic의 Claude Messages API Google의 초기 Gemini API모델은 똑똑했지만 에이전트는 아니었다각자의 개발자들이 대화를 이어나가는 것처럼 만들기 위해서 대화 상태 저장 토큰 관리 tool 호출 후 재요청 오류 처리 반복 루프 설계즉 “에이전틱 AI”를 만들려면 모델 위에 우리가 에이전트를 직접 구현해야 했다2025년 하반기부터 모델이 근본적으로 변경되었고 2026년부터 정말 적용이 되기 시작했다🚀 Responses API 공개 2025년 3월 → 그러나 실제 제대로 사용가능한것은 GPT 5부터2025년 8월OpenAI는 2025년 3월 Responses API를 공개했다이 API는 단순한 리네이밍이 아니었다previousresponseid 기반 상태 유지 서버 측 대화 관리 내장 tool 호출 통합 웹 검색 파일 검색 컴퓨터 사용 내장이제 개발자는 이전 응답 이어서 계속해라고 요청할 수 있게 됐다이건 엄청난 변화였다🚀 GPT‑4o의 구조적 한계한계이유상태 유지 어려움모델 자체가 stateless 모든 context를 개발자가 전달해야 함tool orchestration 제한외부 tool 호출과 반복 루프를 직접 구현해야 함멀티턴 안정성 부족context window와 session 관리 기능 한계에이전틱 AI 구현 난이도모델 개발자가 만들어야 할 agent 로직이 많음즉 GPT‑4o는 강력했지만 “에이전틱 AI 구현 환경”으로 쓰기에는 구조적 제약이 있었다반대로 GPT‑5 이후 구조는 stateful session 내장 tool orchestration 통합 multiturn multitool 안정성 확보덕분에 개발자가 복잡한 agent를 구현하지 않아도 모델이 스스로 판단하고 행동하는 환경을 만들 수 있게 된 것이다🔁 Gemini Interactions API 2025년 12월 베타Gemini API 위에 Interactions API를 베타로 공개했다여기서도 핵심은 같다 멀티턴 상태 유지 tool orchestration 세션 기반 흐름 관리Google은 원래 Gemini에서 멀티턴은 지원했지만 이걸 명확하게 agent형 API로 추상화한 건 2025년 12월이었다그래서 이전 vs 이후를 비교해보자이 두 사건은 단순한 API 업데이트가 아니었다이건 “AI를 어떻게 호출하느냐”의 패러다임 전환이었다구분2024년 이전2025년 이후상태 관리개발자가 직접API가 일부 관리tool 루프직접 구현내장 지원에이전트 구현복잡간단구조LLM 호출Agent 실행이 시점부터 모델은 단순 “텍스트 생성기”가 아니라 상태를 유지하는 실행 엔진에 가까워졌다기술적으로 그래서 무엇이 달라졌나1 Stateless → Stateful 추상화이전모델은 기억하지 않는다이후세션과 응답 ID 기반으로 흐름을 이어간다2 Tool이 “외부 기능”이 아니라 “내장 기능”이 됨웹 검색 파일 검색 시스템 제어가 이제 모델 외부 확장이 아니라 API 구조 안으로 들어왔다이건 모델이 아니라 플랫폼이 에이전트화된 것이다3 LLM → Agent Runtime2024년LLM 우리가 만든 로직2025년Agent Runtime LLM이 차이는 구조적으로 크다LLM에이전틱 AI 구조 비교 앤트로픽 오픈AI 제미나이항목Anthropic ClaudeOpenAI GPT‑5 Responses APIGoogle Gemini Interactions API상태 유지❌ Stateless – 매 요청 전체 메시지 전달 필요✅ Stateful – previousresponseid로 세션 유지✅ Stateful – multiturn session 기반tool orchestration❌ 직접 구현 필요 호출 후 결과 전달✅ 내장 – 웹파일계산 자동✅ 내장 – API 내 도구 호출 통합멀티턴 지원가능하지만 개발자 직접 관리내장 multiturn 안정적내장 multiturn 안정적토큰비용 효율❌ 대화 길수록 선형 증가 컴팩팅 필요✅ 이전 응답 ID만 전달 → 효율적✅ 서버 관리 → 효율적멀티에이전트 구현❌ 개발자 책임 반복 루프 직접 설계✅ API 내장으로 간단✅ API 내장으로 간단compacting최적화✅ SDK클라이언트 수준 메시지 요약✅ 필요 없음 API 상태 관리✅ 필요 없음 API 상태 관리개발자 부담높음 – 상태 tool multiturn 비용 최적화 모두 직접낮음 – 목표전략 설계만낮음 – 목표전략 설계만에이전틱 AI 적합도제한적높음 – 내장 agent 환경높음 – 내장 agent 환경2026년부터 우리가 이것을 기반으로 만들 수 있는 것들GPT‑5 이후 구조와 OpenAI Responses API Google Gemini Interactions API 덕분에개발자는 단순 텍스트 생성기를 넘어 ‘실행 가능한 에이전트’를 설계할 수 있는 환경을 갖게 되었다이제 가능해진 것들을 정리하면 다음과 같다1 멀티에이전트 에코시스템여러 AI 에이전트를 동시에 배치하고 협업하게 할 수 있다예 하나의 에이전트는 데이터 수집 다른 에이전트는 분석 또 다른 에이전트는 보고서 작성이전에는 각 에이전트별 반복 루프와 상태 관리 코드를 개발자가 구현해야 했지만 지금은 모델과 API가 이를 자동으로 관리2 자동화된 연구분석 도구모델이 웹 검색 데이터베이스 조회 코드 실행까지 수행하며 연속적인 분석 흐름을 생성 가능예 시장 보고서 작성 → 경쟁사 동향 조사 → 시각화 자료 생성 → 보고서 초안 작성까지 모델 단독 실행 가능개발자는 단지 “목표와 전략”만 설계하면 됨3 멀티모달 에이전틱 AI텍스트 이미지 코드 데이터 등 다양한 형식의 정보를 통합해 처리할 수 있다예 디자인 콘셉트 생성 → 이미지 프로토타입 제작 → 피드백 반영 → 최종 산출물 생성까지 모델이 단일 세션 안에서 수행이전에는 각 미디어마다 별도 루프와 상태 관리 필요4 개인화·컨텍스트 기반 에이전트모델이 대화와 행동을 사용자별 컨텍스트에 맞게 유지예 개인 비서 고객 대응 AI 학습 도우미 등이전에는 개발자가 매번 사용자의 모든 history를 관리해야 했지만 지금은 세션과 previousresponseid로 자연스럽게 유지 가능5 에이전틱 AI 플랫폼화단일 모델이 아니라 모델 API tool orchestration Agent Runtime 구조즉 AI 자체가 플랫폼이 되어 다양한 서비스를 구축 가능예 기업 내 자동화된 업무 처리 AI 기반 프로젝트 관리 멀티툴 통합 서비스 등2025년 GPT‑5 이후 구조에서 달라진 점은 단순히 “모델 성능”이 아니라 모델 API 도구 상태 유지가 하나의 환경으로 통합된 것이다덕분에 개발자는 이제반복 루프를 설계하지 않고도 상태와 툴 관리를 신경쓰지 않고도 모델을 자율적 판단과 행동이 가능한 에이전트로 활용할 수 있다즉 “에이전틱 AI” 시대가 본격적으로 열린 것이고 실제 서비스와 플랫폼 수준의 AI 개발이 가능해진 것이다
BOND–Artificial Intelligence#2
1 AI는 어떻게 인터넷보다 빠르게 확산됐는가 변화의 기하급수 곡선→ 여기서 확인하세요2 AI 기술의 진화 모델 성능 비용 개발자 생태계우리는 지금 AI 기술의 비약적인 발전을 목격하고 있습니다 과거 몇 년 간 AI 모델은 급격히 커졌고기술적인 성능도 연산량 데이터 양 모델 파라미터 등에서 극적인 성장을 이루었습니다특히 GPT1에서 GPT4로의 발전은 AI가 단순한 기술을 넘어서 산업 전반에 걸쳐 중요한 혁신적 변화를 일으키고 있다는 사실을 증명합니다AI의 기술적 진화를 여러 측면에서 살펴보며 성능 비용 그리고 개발자 생태계의 변화를 탐구해 보겠습니다AI 모델의 크기와 성능 향상모델 파라미터의 증가AI의 성능 향상에서 가장 중요한 요소 중 하나는 바로 모델 파라미터의 급격한 증가입니다GPT1은 약 15억 개의 파라미터를 사용했으나 GPT4는 그 수가 1조 개를 넘는다고 추정됩니다이러한 파라미터의 증가는 AI가 데이터를 더 잘 이해하고 더 정확한 결과를 제공할 수 있게 만든 핵심적인 이유입니다BOND 보고서에서는 이 같은 연산량 증가와 함께 학습 모델의 개선이 어떻게 AI의 정확도와 응답 시간을 단축시켰는지 설명하고 있습니다특히 GPT4는 기존의 모델보다 5배 효율적으로 학습을 하면서도 추론 속도는 더 빨라졌습니다이런 성능 향상은 AI의 응용 가능성을 대폭 확대시켰습니다연산량 증가와 알고리즘 개선GPT1부터 GPT4까지 연산량FLOPs은 36배 증가했으며 알고리즘의 효율성도 크게 향상되었습니다예를 들어 GPT4는 기존 모델보다 훨씬 적은 데이터로 높은 정확도를 달성할 수 있게 되었습니다BOND 보고서에서는 이를 AI 훈련에서의 효율성으로 설명하며 알고리즘 개선이 성능 향상에 미친 영향을 강조하고 있습니다AI 모델의 학습과 데이터데이터셋의 성장과 진화AI가 비약적인 성장을 이룰 수 있었던 또 다른 중요한 요소는 바로 학습에 사용되는 데이터셋의 급격한 확장입니다ImageNet부터 시작해 Pile과 RefinedWeb 등 대규모 데이터셋을 기반으로 훈련된 AI 모델들은이전에는 상상도 할 수 없었던 수준의 텍스트 생성 이미지 생성 음성 처리 등을 가능하게 만들었습니다AI가 이렇게 다양한 데이터를 처리할 수 있게 된 것은 멀티모달 학습 덕분입니다GPT4V나 Gemini와 같은 모델들은 텍스트 이미지 음성을 모두 다룰 수 있으며 그 결과 AI의 활용 범위가 엄청나게 넓어졌습니다데이터 품질 개선데이터의 양뿐만 아니라 데이터의 품질도 AI 발전에 중요한 역할을 했습니다Human Preference 데이터 즉 사용자 피드백을 반영한 데이터는 AI의 직관성과 정확도를 높이는 데 중요한 기여를 했습니다BOND 보고서에서는 데이터 라벨링과 정제의 중요성을 강조하며RLHF Reinforcement Learning from Human Feedback 방식의 학습 모델을 설명하고 있습니다AI의 비용과 경제적 영향연산 비용의 하락과 AI 모델의 경제성AI 모델의 성능 향상과 함께 AI 훈련에 드는 비용은 어떻게 변화했을까요GPT3에 비해 GPT4는 성능이 훨씬 좋아졌지만 훈련에 드는 비용은 크게 절감되었습니다NVIDIA A100에서 H100으로의 전환 그리고 데이터 센터의 최적화가 이 비용 절감의 핵심이었습니다BOND 보고서에서는 AI 훈련 비용의 절감과 함께 AI 추론 비용도 눈에 띄게 감소한 점을 강조합니다이는 기업들이 AI 기술을 상용화하고 비즈니스 모델로 전환하는 데 있어 중요한 역할을 합니다AI 개발자 생태계의 변화AI 기술의 발전은 AI 개발자 생태계에도 큰 영향을 미쳤습니다AI 툴과 프레임워크가 발전하면서 개발자들은 이제 더 쉽게 AI 모델을 훈련시키고 응용할 수 있는 도구를 손에 넣게 되었습니다Hugging Face TensorFlow PyTorch와 같은 오픈소스 플랫폼은 AI 개발자들이 보다 협업적으로 기술을 발전시킬 수 있도록 해주었습니다또한 NVIDIA와 같은 기업은 AI 칩 개발에 집중하며 하드웨어와 소프트웨어의 통합을 추진하고 있습니다이를 통해 AI 생태계는 시장의 여러 기업들이 참여할 수 있는 보다 개방적이고 협력적인 환경으로 바뀌고 있습니다AI 기술의 미래를 위한 준비AI 기술은 성능 향상 비용 절감 데이터셋의 발전 덕분에 엄청난 속도로 진화하고 있습니다이 변화는 단지 기술적인 발전을 넘어서 사회 경제 산업 전반에 걸쳐 근본적인 변화를 일으키고 있습니다기업들이 AI를 상용화하고 이를 통해 비즈니스 모델을 혁신할 수 있는 환경이 마련되었습니다우리는 이제 AI의 기술적 진화가 만들어내는 기회와 도전을 준비해야 합니다AI 개발자 생태계의 확장과 함께 AI 기술을 이해하고 적극적으로 활용하는 것이 중요해졌습니다AI가 만든 새로운 산업 생태계에서 선도적인 역할을 하려면 AI 기술의 진화를 지속적으로 따라잡고 준비하는 것이 필수적입니다Report reference by Bunzeeai
