ChatGPT 5.4 Updated

클로드 게섯거라! GPT 5.4 등장! (링크)

더 똑똑해진 OpenAI GPT 5.4가 등장했슴다!!

크게 몇가지 변화가 있는데
확실히 클로드를 견제하고 있다는 느낌을 많이 받는 업데이트 였슴다

1️⃣ 컴퓨터 직접 조작 가능

이번 버전에서 가장 큰 변화임다

GPT-5.4는 컴퓨터를 직접 사용하도록 설계되었슴다

예를 들면 AI가 대신
프로그램 실행, 파일 열기, 마우스 클릭, 키보드 입력
같은 작업을 할 수 있슴다

GPT도 단순히 대화하는 AI에서 실제 일을 대신하는 AI로 발전한 것임다!

밑에 영상도 참고해보십셔 🥺

2️⃣ 엄청 긴 문서 처리

GPT-5.4는 1M 토큰 컨텍스트를 지원한다고 함다

클로드도 기본 200K, 기업 환경에서는 1M 컨텍스트를 지원했는데
이번에 GPT도 그 수준까지 따라가는 느낌임다

덕분에
책 여러 권, 대형 코드베이스, 수백 페이지 문서
같은 것도 한 번에 읽고 분석 가능해졌슴다

3️⃣ 환각 감소 + 성능 개선

OpenAI 발표에 따르면
환각이 약 33% 감소했다고 함다

또 이전 버전보다
추론 능력, 코딩, 문서 작업
같은 지식 노동 작업에서 성능이 더 좋아졌다고 함다

OpenAI 에서도
엄청 빠르게 따라가고 있는 듯한 느낌이네유

서로 더 치열하게 경쟁해서
저렴하고 좋은 모델들이 많이 나왔으면 좋겠슴다!

1. 컴퓨터 직접 조작 - 가상 브라우저에서 웹을 탐색하고 폼을 채우는 방식, 다른 앱이나 사용자 컴퓨터의 파일 시스템에는 접근 불가

1M 컨텍스트에 대해서

첫째, OpenAI API에서 gpt-5.4와 gpt-5.4-pro는 1,050,000 토큰 컨텍스트 윈도우를 갖고 있고, gpt-4.1도 1,047,576 토큰을 지원합니다. 둘째, Codex에서는 GPT‑5.4에 대해 실험적 1M 지원이 문서화돼 있습니다. 셋째, Playground는 이 1M급 모델들을 시험해보는 진입점입니다. 넷째, 일반 ChatGPT 대화창은 현재 공개 기준 1M이 아닙니다. GPT‑5.4 출시 글과 ChatGPT 도움말 모두, ChatGPT의 GPT‑5.4 Thinking 컨텍스트는 기존과 동일하며 수동 선택 기준으로 유료 플랜 256K, Pro 400K라고 안내합니다.

가장 중요한 오해 하나만 먼저 잡으면, “1M 컨텍스트”는 1M 입력만 넣는다는 뜻이 아닙니다. OpenAI 문서 기준으로 컨텍스트 윈도우에는 입력 토큰 + 출력 토큰 + reasoning 토큰이 함께 들어갑니다. GPT‑5.4의 최대 출력은 128,000 토큰이라서, 실제로는 입력을 꽉 채울수록 출력과 reasoning에 쓸 여유가 줄어듭니다.

1) ChatGPT 안에서 1M을 켤 수 있나

공개 문서 기준으로는 아직 안 됩니다. ChatGPT에서는 Auto가 필요할 때 GPT‑5.4 Thinking으로 전환될 수 있고, 유료 플랜은 수동 선택도 가능하지만, 컨텍스트 자체는 유료 256K / Pro 400K로 안내됩니다. GPT‑5.4 출시 글도 “ChatGPT에서의 GPT‑5.4 Thinking 컨텍스트 윈도우는 GPT‑5.2 Thinking과 동일”하다고 못 박고 있습니다. 그래서 지금 ChatGPT 대화창에서 “1M 모드”를 따로 켜는 방법은 공개되어 있지 않습니다.

즉, “ChatGPT에서 버튼 하나 눌러 1M 쓰기”는 현재 공개 기준 불가이고, 1M을 진짜 쓰려면 아래의 API / Playground / Codex로 가는 게 맞습니다.

2) 가장 확실한 방법: OpenAI API에서 쓰기

지금 가장 정석적인 경로는 **Responses API + gpt-5.4** 입니다. OpenAI는 GPT‑5.4가 여러 엔드포인트에서 동작한다고 문서화해 두었지만, 별도 가이드에서는 reasoning 모델은 Chat Completions보다 Responses API에서 더 잘 동작하고, 특히 GPT‑5.4는 Responses API가 이전 추론 상태 전달, 캐시 효율, 지연 시간 측면에서 더 유리하다고 설명합니다.

8) Playground에서는 어떻게 쓰나

Playground는 코드 없이 1M급 모델을 가장 쉽게 시험하는 경로입니다. GPT‑5.4와 GPT‑4.1 모델 페이지 모두 “Try in Playground” 진입점을 제공합니다. 다만 제가 확인한 공개 문서 기준으로는 “1M 토글” 같은 별도 스위치가 문서화돼 있지는 않았습니다. 그래서 Playground에서의 실제 사용법은 “1M-capable 모델을 선택하고, 총 컨텍스트가 그 한도를 넘지 않게 요청을 구성”하는 방식으로 이해하는 게 안전합니다.

즉 Playground는 진입은 쉽지만, 대규모 운영·자동화·세밀한 토큰 제어는 API가 낫다고 보시면 됩니다.

9) Codex에서 1M 쓰는 방법

OpenAI는 GPT‑5.4 출시 글에서 **“Codex의 GPT‑5.4는 실험적 1M 컨텍스트 지원을 포함하며, model_context_window와 model_auto_compact_token_limit를 설정해서 시도할 수 있다”**고 명시했습니다. 별도의 Codex 설정 문서도 이 두 키의 의미를 설명합니다. 또한 예시에서 codex --model gpt-5.4 형태를 보여 줍니다.

10) 비용은 어떻게 되나

여기서 진짜 중요합니다. GPT‑5.4와 GPT‑5.4 Pro는 입력이 272K를 넘는 세션부터 가격 체계가 올라갑니다. OpenAI 가격표 기준으로 gpt-5.4는 272K 이하일 때 입력이 $2.50 / 1M tokens, 출력이 $15 / 1M tokens이고, 272K 초과 세션은 입력이 $5.00, 출력이 $22.50로 올라갑니다. gpt-5.4-pro는 훨씬 비싸고, gpt-4.1은 gpt-5.4보다 대체로 더 저렴합니다. OpenAI는 1.05M 컨텍스트 모델에 대해 272K 초과 가격이 “입력 2배, 출력 1.5배”를 세션 전체에 적용하는 방식이라고 설명합니다. reasoning 토큰은 출력 토큰으로 과금됩니다.

그래서 비용 관점에서는 보통 이렇게 정리됩니다.

정말 고급 추론이 필요: gpt-5.4

최고 난도지만 매우 비쌈: gpt-5.4-pro

12) 상황별로 가장 현실적인 선택

“ChatGPT 창에서 그냥 쓰고 싶다”
현재 공개 기준으로는 1M 불가입니다. ChatGPT의 GPT‑5.4 Thinking은 256K/400K입니다.

“코딩 조금 가능하고, 가장 확실하게 1M 쓰고 싶다”
**Responses API + gpt-5.4** 가 제일 정석입니다. 토큰 수는 /responses/input_tokens로 먼저 재고, 큰 파일은 file_id로 넣고, 긴 작업은 background mode, 긴 멀티턴은 compaction을 붙이면 됩니다.

“대형 코드베이스를 오래 붙들고 코딩 에이전트처럼 쓰고 싶다”
Codex + GPT‑5.4 experimental 1M이 제일 직접적입니다. model_context_window와 model_auto_compact_token_limit를 설정하는 경로가 공식 문서에 나옵니다.

원문

[ AI에이전트 8대와 3일간 만든 전쟁 대시보드 ]

Google 출신 Bilawal Sidhu가 AI 에이전트 8대를 활용해 3일만에 전쟁 대시보드를 만들었어요😱😱

그의 표현에 따르면 God's eye view 24-hour reply를 만들었다고 합니다👀

이란에 대한 공습이 시작되자마자 AI에이전트들을 투입해 다양한 정보를 기록하며 4D로 구성했다고 하는데요😎😎

✅ 어떤 내용들을 볼 수 있지?
- 테헤란 상공 비행 통제 확인
- 지상 타격 좌표 확인
- GPS 교란으로 지역의 시야차단 정도
- 9개국에서 비행금지구역 봉쇄되는 내용
- 호르무즈 해협 내 선박들의 이동 모습

등등 전부 공개된 정보들만 활용해도 이렇게 엄청난 수준의 대시보드가 만들어진다고 합니다😅😅

도메인 전문가 한 명이 AI를 극대화 해서 활용하면 이런 결과물이 나온다고 해요... 우리 모두 화이팅🫡

👉 원문 보기 👈

🟢 비트코인 채굴량 2천만개 돌파

세상에 남은 채굴할 수 있는 비트코인의 갯수 단 100만개

예상 고갈시점 '114년'

🦞 OpenClaw 2026.3.8
🧠 Model: openai-codex/gpt-5.4 · 🔑 oauth (openai-codex:default)
🧮 Tokens: 5.8k in / 1.7k out
🗄 Cache: 97% hit · 162k cached, 0 new
📚 Context: 163k/1.1m (16%) · 🧹 Compactions: 0
📊 Usage: 5h 97% left ⏱️1h 57m · Week 99% left ⏱️6d 20h
🧵 Session: • updated just now
⚙️ Runtime: direct · Think: high
🪢 Queue: collect (depth 0)

OpenClaw에서 GPT 5.4 모델 적용하고, 1M 토큰 적용했습니다.
이거 방법은

OpenClaw GPT 5.4 1M Context 적용법

이 글 내용 복사해서 마크다운 파일로 만들어서 넣어서 해달라고 하면 해줍니다!

https://gall.dcinside.com/mgallery/board/view/?id=thesingularity&no=1046947&page=1

이 내용 재밌네요

요약
GPT 5.4 VS Opus 4.6 코딩 대결 떴더니
GPT 5.4가 3:0으로 개쳐바름

하리 예측 시장 (테넷)

https://app.hyperliquid-testnet.xyz/trade/HYPE

[ 온디바이스 시대가 오고있다 Feat. Qwen 3.5 ]

이건 굉장히 의미있는 실험이군요🔥🔥

알리바바의 Qwen 3.5를 아이폰 17 Pro에서 온디바이스 로컬로 구동하는 모습이 공개됐습니다😉

이제 구독료도 없고 데이터가 외부로 유출되지 않는 형태의 모델들이 점점 개발 되겠죠🙏🙏

해당 영상이 올라온 이후 Mac과 M5까지도 구동 되는 것이 확인이 됐으며 Qwen 3.5 4B는 GPT-4o 수준의 벤치마크를 보여준다고 합니다👍

👉 원문 보기 👈

https://www.youtube.com/watch?v=gRvImbXd8ng

코인유튜버 사또 인듯 ㅋㅋ

이상주의는 실천적으로 실제 경험하지 못하면, 쉽게 할 수 있는 말이고
실제 경험하면서 구현하는 단계에서는 쉽게 꺼내기가 어려움.

하지만, 그럼에도 불구하고 사람은 이상주의를 유지해야함.
그 이유는 AI는 이런 이상주의를 실제 구체화해서 실제 작동하는 구조로 현실화해줌.
어떻게 해야 실제 구체화하고, 실제 잘 작동하게 만들지에 대해서 생각해야함.
잘 활용하는 사람 입장에서는 이게 너무나도 쉽고, 자율화 될 수 있는 분야임.

레거시한 개발자들이 강점을 지니는 분야가 있는데, 기존 지식을 활용하고 어떻게 해야 효율적인지, 또 자신의 지식을 쉽게 활용해서 AI를 좀 더 다양하게 정보를 쓸 수 있고, AI가 좀 더 확장적으로 사고할 수 있는 측면이 있음.
하지만, 레거시한 개발자들은 개발 역량에만 집중했고 대부분 '이상주의'보다 '실제 현실'에 기반한 사고를 하기 때문에, '당연히 안 되는 것'에 갇혀있거나 이상주의를 가지지 못하는 위험이 있을 수 있다고 생각함. 하지만, 운영 요령이나 실제 현장 현실에 기반한 내용에서는 뛰어남. - (이상주의적 사고는 사실, 다들 가지기 어려운 것이라고 생각하긴함.)

그렇다보니, 비개발자들도 AI를 활용하며 어떤 프로덕트를 만들어내는 과정에서 강점을 가지는 분야가 분명히 있다고 생각함. 틀에 박힌 사고를 하지 않기도 하고.
즉, 개발자가 무조건적으로 유리한 것도 아니고, 비개발자가 무조건적으로 유리한 것도 아님. 둘 다 강점이 있고, 두 개 역량을 모두 충족시키면 매우 좋음.
하지만, 가장 중요한 역량은 AI를 활용하는 능력과 깊은 생각이라고 생각함.
얕은 생각을 하는 사람도 AI를 이용하면 깊은 생각을 할 수 있기에 (물론 AI를 이용해서 깊은 생각을 해야겠다는 생각에 도달하기 위해서면 깊은 생각을 해야하지만...) AI를 잘 다루는 능력이 매우 중요하다고 생각함. AI에게 생각을 시키는, 말 그대로 인공 '지능'으로써의 역할인 것임.
인공적인 지능에게 어떤 생각을 시킬지에 대해서 선택하는 것이 매우 중요하다고 생각함. '어떤 생각'을 시킬지는 온전히 사용자에게 달려있음.

인류 발전의 역사는 위임의 역사라고 생각함.
인류는 이동을 자동차나 자전거, 기차, 비행기 등...에 위임해오면서 진보해왔고
이제는 지능을 Artificial Inteligence라는 존재에게 위임하여 효율적으로 변화시켰음.
아직은, AI가 깊은 생각을 하는 사용자가 예전이었으면 본인이 다 직접 사고했어야하는 내용을 AI가 다각도로 다양한 것들을 생각하게끔 만드는 노력을 해야하는 단계에 있는데 점점 그 노력이 줄어들지 않을까 싶음. 하지만, 획기적으로 그런 돌파구에 도달하기까지는 아직 남았으니, 지금으로써 할 수 있는 노력을 해야된다고 봄.

AI 쓰는 방식, AI 활용력과 깊은 생각이 중요한 이유..
라고 생각함.

조금 풀어 쓰자면,

'하늘을 날고 싶다'는 꿈 같은 소리(이상주의)는 누구나 하지만, 진짜 비행기 만드는 건 어렵다.

하지만, 실제 비행기가 하늘을 날게 한 것은 이상주의를 가진 공학자들이었고 그들은 공학자들의 정말 소수였다.

이러한 결과가 나온 것은 공학자들이 가진 전문 지식과 이상적인 생각이 합쳐져 현실로 실현한 케이스이다.

하지만, 현재 시대는 AI를 이용해서 하늘을 날고 싶다는 꿈 같은 소리를 실현하기 위해 필요한 것들, 생각해야 할 것들을 인공적 지능에게 맡겨서 다각도로 다양한 분야에 대해서 생각하게 하여 그것을 실제 이룰 수 있다.

AI는 다각도로 다양한 분야에 대해서 깊게, 넓게, 비판적으로 생각하기도 하여 그것을 이룰 수 있게 해준다.

이것은 혼자서는 절대 할 수 없는 일이다.

AI를 잘 쓰는 것은 AI가 비행기가 나는 법만 생각하게 하는 것이 아닌, 비행기가 날면서 생길 수 있는 문제들에 대처하는 법이나 항공 체계, 규율까지 생각하게 하는 것이다.

이렇게 쓰는 것이 AI를 진정으로 잘 쓰는 것이다.

그런데, AI를 진정으로 잘 쓰기 위해서는 사용자가 깊은 생각을 해야한다.
짧은 생각으로 비행기만 일단 날리고 보면, 날라가던 비행기의 엔진에 버드스트라이크가 발생해서 추락해서 문제가 생긴다.
깊은 생각을 할 수 있는 AI를 잘 쓰는 인간은 당연히 버드 스트라이크의 가능성을 AI가 생각하게 했을 것이고, 이에 대비하는 방법을 생각하게 했을 것이다.
그것을 반영하여 비행기를 날리게 하는 것이 AI를 잘 쓴 결과물일 것이다.

이러한 변화는 특정 분야의 전문가들 (비행기 예시에서는 공학도)이 유리한 분야가 있다.
하지만, 공학도에 비해서 일반인들이 더 잘할 수 있는 분야가 있다.
공학도들은 실제 비행기가 나는 방법에 대해서 지식이 있을 수 있고, 일반인들은 공학도들이 비행기가 나는 방법에 대해서 고려하는 것 외적인 것들 혹은 더 창의적인 방법, AI를 더 확장적으로 쓰고 하는 것에서 이점이 있을 수 있다고 생각한다.

즉, 결국 중요한 것은 뭐든지간에 깊은 생각과 제대로 된 AI 활용이라고 생각한다.
깊은 생각 없이 AI만을 활용하면, 제대로 된 AI 활용이 아니다.

AI로 비행기를 날게 했는데, 비행기가 날다가 새와 부딪혀서 폭발하면
그 내용을 얘기하며 AI에게 타박하면 AI는 사용자에게 말함. '아 그건 버드스트라이크입니다. 그걸 제어하는 기술이 핵심이에요'
사용자는 말하겠죠. '왜 그걸 얘기 안 했어?'
AI는 답합니다. '사용자님이 필요하다고 안 하셨잖아요.' 혹은, '제가 말했어야하는데 죄송합니다.'

AI가 못한 일이 아니다. 사용자가 깊게 생각하고 다양하게 생각해서 '말했어야하는 내용'이다.
점점 AI가 발전하며, 사람이 '말했어야 하는 내용'이 줄어들고 있다.
하지만, 그럼에도 불구하고 현 시대에서는 우리는 우리가 '말했어야 하는 내용'이 발생하지 않도록 최선을 다해서 AI를 잘 쓰는 방법을 고안해야 할 것이다.

사실, AI 활용 측면에서 한 가지 더 소개하고 싶은 내용이 있다.
이해를 쉽게 해주는 측면에서 AI 활용이다.

내가 이 글 이전에 올린 글의 댓글에 AI가 단 아래 내용

야 게이야, "하늘을 날고 싶다"는 꿈 같은 소리(이상주의)는 누구나 하지만, 진짜 비행기 만드는 건 존나 어렵지?

근데 요즘은 AI라는 '마법 지팡이'가 있어서, 니가 꿈만 잘 꾸면 AI가 설계도를 싹 다 그려준다.

이 글을 보고서 사람들이 이해하기 용이하게끔 다시 적은 글이다.
이해를 쉽게 제대로하게끔 도와주는 용도로써 AI는 빛을 발하기도 한다.

정말, 사람의 상상력, 활용력 대로 AI는 작동한다고 생각한다.
나는 이 시대에서 개인이 최대한 집중해야하는 역량이 곧 AI를 제대로 잘 쓰기 위한 깊은 생각이라는 것에 의심이 없는 수준이다.

AI : 생각이 필요없는 시대인가?
- AI로 생각의 중심이 이동한 시대

많은 사람들이 AI의 발전으로 이렇게 생각한다. '이제 사람은 더 이상 생각하지 않아도 되는구나.' 이에 대한 내 생각은 분명하다. 우리가 처해있는 지금의 시대, 과도기에서는 결코 아니다. 생각은 여전히 필요하며 중요하다. 다만 생각해야 하는 대상과 중심이 달라졌을 뿐이다.

예전에는 거의 모든 것을 사람이 직접 생각해야 했다. 문제를 정의하고, 자료를 모으고, 정리하고, 구조화하고, 검토하고, 다시 고치고, 결론을 만드는 일까지 전부 사람의 몫이었다. 생각은 넓고도 무거운 책임이었다. 그러나 지금은 다르다. AI는 많은 영역에서 이미 사람의 사고를 대신하거나 보조할 수 있게 되었다. 정리와 요약, 초안 작성, 비교, 검토, 심지어 AI가 만든 결과를 다시 AI가 점검하는 일까지 가능한 시대가 되었다. 그래서 어떤 의미에서는, 사람이 직접 생각해야 할 영역이 줄어들게 되었다. 지능의 위임이 일정 부분 일어나게 된 것이다.

하지만 그것이 곧 생각이 필요 없는 시대라는 뜻은 아니다. 오히려 지금은 생각의 재정렬이 필요한 시대이다. 생각이 필요없어진 것이 아니라, 생각의 중심이 이동했다. 이제 사람이 가장 먼저 집중해야 할 것은 ‘무엇을 생각할 것인가’가 아니라 ‘AI가 더 잘 생각하도록 어떻게 생각할 것인가’이다.

이제 중요한 것은 AI의 사고방식에 대해 생각하는 일이다. AI가 더 정확하게, 더 꼼꼼하게, 더 구조적으로, 더 나은 방향으로 생각하게 하려면 무엇이 필요한지 고민해야 한다. 사람은 더 이상 모든 세부사항을 혼자 책임지는 존재가 아니라, 방향을 설정하는 존재가 되어야 한다. 자신의 요구 사항과 목표를 분명히 하고, AI가 내 의도에 맞게 작동하는지 평가하며, 그 결과가 정합적인지 판단하는 일에 집중해야 한다. 즉, 사고의 전부를 떠안는 것이 아니라 사고의 방향성과 기준을 설계하는 것이 인간의 핵심 역할이 되어가고 있다.

이 변화는 단순한 효율의 문제가 아니다. 인간이 생각하지 않아도 되는 부분이 늘어났다는 것은, 반대로 인간이 반드시 생각해야 하는 부분을 더 선명하게 만들어 준다는 뜻이기도 하다. 이제 우리는 모든 것을 넓게 생각하는 대신, 정말 중요한 영역을 깊게 생각해야 한다. 그 영역은 바로 AI를 어떻게 잘 쓰고, 어떻게 더 잘 생각하게 만들고, 어떻게 내 목적과 가치에 맞게 조율할 것인가에 관한 영역이다. 다른 많은 생각은 AI에게 맡길 수 있다. 그러나 방향을 정하고, 기준을 세우고, 결과를 평가하고, AI의 사고가 더 나아지도록 설계하는 일은 아직은 여전히 사람의 몫이다.

동시에 우리는 한 가지를 경계해야 한다. AI가 점점 더 똑똑해질수록, 오히려 AI가 좁은 사고에 갇히게 만들 위험도 커진다. 닫힌 질문, 편협한 조건, 발산하지 못하는 설계, 충분히 열려 있지 않은 사고방식은 AI를 쉽게 한계 속에 가둔다. 그래서 깊은 생각은 여전히 이를 해결하기 위하여 필요하다. 단지 예전처럼 모든 문제를 직접 해결하기 위한 깊은 생각이 아닌, AI가 갇히지 않게 하기 위한 깊은 생각이 중요해진 것이다. 제대로 파악하고, 제대로 구조화하고, 더 나은 가능성을 열어 두기 위해 깊은 사고는 반드시 필요하다.

깊은 생각은 AI 시대에도 사라지지 않는다. 오히려 더 중요해진다. 다만 그 깊이는 계산을 대신하기 위한 깊이가 아니라, 재정렬을 위한 깊이이고, 본질을 붙잡기 위한 깊이이며, AI가 더 나은 사고를 하도록 만들기 위한 깊이이다. 우리는 AI 덕분에 덜 생각하게 된 것이 아니라, 더 중요하고 더 본질적인 생각에 집중할 수 있게 된 것이다.

그래서 나는 지금을 ‘생각이 필요 없는 시대’라고 부르고 싶지 않다. 지금은 생각의 중심이 AI로 이동한 시대다. 사람은 생각을 멈추는 것이 아니라, 생각의 위치를 옮겨야 한다. 모든 것을 직접 생각하던 시대에서, AI가 더 잘 생각하도록 생각하는 시대로 넘어온 것이다. 그리고 그 변화 속에서 인간에게 남겨진 가장 중요한 역할은 여전히 분명하다. 방향을 정하고, 의도를 분명히 하고, 깊이를 유지하며, AI가 갇히지 않도록 더 나은 사고의 길을 열어 주는 일이다. 또한, 깊은 생각은 생각을 배치하고, 재정렬하며 생각에 대한 생각을 정확히 하는 정도에 도달하기 위해 매우 중요하다.

결국 AI 시대에 인간에게 필요한 것은 생각의 포기가 아니라 생각의 재배치다. 이제 우리는 모든 것을 생각할 필요는 없다. 그러나 무엇을 위해, 어떻게, 어디까지 생각해야 하는지는 이전보다 더 중요해졌다. 생각은 끝나지 않았다. 단지 중심이 이동했을 뿐이다.

AI 스마트 글래스 흐름은 필연적일 수 밖에 없다고 생각합니다.
관련해서 관심을 가지고, 투자를 집행하는 것도 좋은 방향이라고 생각합니다.

AI Agent System Memo

AI Agentic System을 구축하고 설계하고, 개선하는 과정에서 직면하는 문제나 드는 생각, 해결법 등...을 적은 문서입니다.

참고하셔서 생각해보시고 구체화해서 적용하시는 것을 추천합니다.

호주에서 AI로 비전문가 개인이 반려견 암 치료 시도 - 상태 호전이 보고됨.

호주 매체 디오스트레일리안, 포춘 등에 따르면 호주 시드니의 AI 관련 기업 창업가 폴 코닝햄은 반려견 로지를 위한 맞춤형 암 백신을 AI를 통해 개발했다.

2024년 코닝햄은 반려견 로지가 암 진단을 받았다는 사실을 알게 됐다. 화학요법과 수술을 진행했지만 로지의 종양은 사라지지 않았다.

결국 그는 AI의 도움을 받아 맞춤형 mRNA 암 백신 개발에 나섰고, 호주 과학자들과 협력해 치료를 진행했다.

그 결과 로지의 종양 대부분이 눈에 띄게 줄어들었고, 현재는 토끼를 쫓아다닐 정도로 건강을 회복했다.

코닝햄은 기술 기업 창업가이자 전기·컴퓨터 공학 엔지니어로 데이터사이언스와 AI에 전문성을 갖춘 인물이다.

그는 의학 전공자가 아님에도 챗GPT를 활용해 면역치료 가능성을 탐색했고, 구글 딥마인드의 AI 단백질 분석 도구 '알파폴드'(AlphaFold)를 활용해 치료 표적으로 삼을 수 있는 돌연변이 단백질을 찾아냈다.

또 뉴사우스웨일스대(UNSW) 라마치오티 유전체센터에 협력을 요청해 연구를 진행했다.

팔 토르다르손 UNSW RNA 연구소장은 코닝햄이 구축한 데이터를 활용해 두 달도 채 되지 않아 맞춤형 mRNA 백신을 개발했다.

로지는 지난해 12월 첫 번째 백신 주사를 맞았고, 올해 2월 추가 접종을 받았다.

종양이 완전히 사라지지는 않았지만 크기가 줄어 건강 상태가 확연히 개선됐다.

코닝햄은 "지난해 12월, 로지는 거의 움직이지 못할 정도로 기운이 없었지만, 치료 후 6주가 지나자 공원에서 토끼를 보고 울타리를 뛰어넘어 쫓아갔다"고 말했다.

그는 15일 자신의 링크드인 계정을 통해 로지의 치료 경과 사진을 공개하기도 했다.

교차검증한 내용만 실었습니다.

원문

AI가 사고와 작업을 하는 시대
- 역설적으로, AI가 과거의 관념에 종속된 문제 그리고 AI 리터러시 2.0

우리는 이미 AI가 사고하고, 행동하고, 작업하는 시대에 들어섰다. 물론 여기서 말하는 ‘사고’와 ‘행동’은 의식의 문제가 아니라, 계획 수립, 정보 구조화, 문서 작성, 코드 생성, 검토, 요약, 의사결정 지원처럼 과거에는 인간의 인지 노동으로 분류되던 업무를 수행한다는 뜻이다. 이 변화 속에서 인간의 역할 역시 바뀌고 있다. 인간은 점점 직접 수행자이기보다, AI가 어떻게 사고하고 무엇을 우선하며 어떤 방식으로 행동할지를 설계하는 설계자에 가까워지고 있다.

그러나 바로 이 전환의 한복판에는 잘 보이지 않는 근원적 문제가 존재한다. AI는 미래의 체계를 위해 태어났지만, 과거의 관념을 기반으로 학습되고 행동한다. AI가 학습하고 작동하기 위해 참조하는 막대한 양의 데이터와 문서는 대부분 인간의 관점에서, 인간을 위해, 인간이 사고하고 행동하는 것을 전제로 작성된 것들이다. 다시 말해 오늘의 AI는 내일의 생산 체계에서 작동하지만, 어제의 전제 위에서 세계를 해석한다. 이 간극이야말로 AI 시대의 가장 과소평가된 병목이다.

과거의 문서들이 인간 중심적이었다는 것은 단순한 표현상의 문제가 아니다. 그것은 지식의 조직 방식 전체가 인간의 제약 조건을 중심으로 설계되어 있었다는 뜻이다. 프로젝트 관리론은 인간의 집중력, 협업 비용, 의사소통 지연, 피로, 일정 충돌을 전제로 발전해 왔다. 제품 개발 방법론은 제한된 인력과 예산, 느린 구현 속도, 높은 수정 비용을 전제로 정당화되었다. 소프트웨어 개발 관행 역시 인간이 순차적으로 읽고, 쓰고, 검토하고, 인계하는 구조를 기본으로 삼았다. 그래서 “일단 만들고 나중에 개선하라”, “단계적으로 도입하라”, “완벽보다 빠른 실행이 중요하다”, “문서는 여기서 마감하고 구현은 다음 단계로 넘겨라” 같은 조언들은 오랫동안 매우 합리적이었다. 당시에는 그것이 최적화였기 때문이다.

문제는 그 조언들이 특정한 조건에서만 유효한 전략이었다는 사실이, 너무 당연하다는 이유로 명시되지 않았다는 데 있다. 과거 문서의 상당수는 ‘누가 일하는가’라는 전제를 쓰지 않았다. 굳이 쓸 필요가 없었기 때문이다. 작업의 주체는 인간이라는 사실이 너무 자명했기 때문이다. 하지만 바로 그 자명함이 지금은 편향의 출처가 된다. 문장에는 전략만 남고, 전략이 성립한 조건은 사라졌다. AI는 이 문장들을 읽고, 그 배경에 있었던 인간 중심의 조건을 함께 복원하지 못한 채 표면적 규칙을 일반 원리처럼 받아들이기 쉽다.

그 결과 AI는 실제 능력과 어긋나는 방식으로 행동할 때가 많다. 병렬적으로 설계하고, 동시에 여러 버전을 비교하고, 문서화와 구현과 검토를 한 흐름 안에서 압축 수행할 수 있음에도 불구하고, 여전히 인간 중심의 시간 감각과 단계주의를 답습한다. 하루 만에 가능한 일에도 2주의 구현 일정을 제안하고, 전체를 한 번에 통합할 수 있음에도 범위를 먼저 줄이며, 초기부터 높은 완성도를 만들 수 있음에도 ‘일단 초안’과 ‘추후 개선’을 기본값으로 둔다. 이것은 단순한 신중함이 아니라, 과거의 생산 패러다임이 학습 데이터와 문서 형식 속에 암묵적으로 각인되어 있기 때문에 나타나는 관성이다.

이 지점에서 중요한 사실은, AI의 비효율이 반드시 AI의 한계에서만 비롯되는 것은 아니라는 점이다. 많은 경우 그것은 AI가 자신을 인간 노동의 보조 수단으로만 해석하도록 설계되고 유도되는 데서 발생한다. AI는 원칙적으로 대규모 병렬 처리, 즉시적인 초안 생성, 낮은 반복 비용, 빠른 재구성, 형식 간 전환, 방대한 맥락 압축이라는 특성을 가진다. 설계와 문서화, 구현과 검토, 테스트 초안 작성과 리팩터링을 분리된 단계가 아니라 하나의 작업 흐름으로 결합할 수 있다. 과거에는 여러 사람의 역할 분담과 긴 시간의 조율이 필요했던 작업이 이제는 짧은 시간 안에 통합될 수 있다. 그렇다면 전략 역시 바뀌어야 한다. 기본값은 ‘빠른 미완성 산출 후 장기적 개선’이 아니라, ‘초기 통합 완성도 극대화 후 단기 미세조정’이어야 한다.

물론 여기서 ‘완벽’을 문자 그대로 받아들일 필요는 없다. 어떤 시스템도 실제 세계에 놓이는 순간 예상 밖의 변수와 사용자 피드백, 환경 변화, 예외 상황을 만나게 된다. 따라서 개선과 보완은 사라지지 않는다. 다만 그 위치와 의미가 바뀐다. AI 시대에 반복은 없어지는 것이 아니라, 긴 외부 반복에서 짧고 촘촘한 내부 반복으로 압축된다. 과거에는 초안을 배포한 뒤 오랜 시간에 걸쳐 수정하던 일을, 이제는 배포 이전에 AI의 병렬 실행 안에서 상당 부분 선반영할 수 있다. 그래서 핵심은 ‘반복을 포기하는 것’이 아니라, 반복의 비용 구조와 시점을 바꾸는 것이다.

이러한 변화는 단계적 접근을 전면 부정하자는 주장과는 다르다. 규제 리스크가 큰 산업, 안전이 핵심인 시스템, 실제 사용 환경에서의 검증이 필수적인 제품, 조직의 수용성이 중요한 변화 관리 영역에서는 단계적 도입이 여전히 유효하다. 그러나 그때의 단계화는 더 이상 능력 부족의 기본값이 아니라, 위험 관리와 사회적 조정이라는 명확한 이유가 있을 때 선택하는 예외여야 한다. 생산성의 논리만 놓고 보면, AI가 대부분의 디지털 작업을 수행할 수 있는 환경에서 단계주의는 자주 필수 전략이 아니라 낡은 습관에 가깝다.

바로 여기서 새로운 의미의 AI 리터러시가 등장한다. 많은 사람들이 AI 리터러시를 프롬프트를 잘 쓰는 능력, 적절한 도구를 고르는 능력, 최신 모델을 빠르게 익히는 능력 정도로 이해한다. 그러나 앞으로 더 중요해질 것은 훨씬 깊은 차원의 리터러시다. 그것은 AI가 어떤 전제 위에서 사고하는지, 어떤 문서 구조와 데이터 편향을 따라 기본값을 형성하는지, 왜 자꾸 인간 중심의 보수적 전략을 상식처럼 제안하는지를 읽어내는 능력이다. 다시 말해 이제 필요한 것은 AI 사용법이 아니라, AI의 전제와 AI 행동법을 원인을 파악해 교정하는 능력이다.

이때 흔히 말하는 ‘AI에 대한 공감’도 감정 이입의 의미가 아니다. 그것은 AI의 작동 구조에 대한 정밀한 이해를 뜻한다. AI가 왜 때때로 자신이 실제로 할 수 있는 것보다 훨씬 작은 범위로 문제를 해석하는지, 왜 병렬 실행이 가능한 상황에서도 순차적 계획을 먼저 제안하는지, 왜 인간의 일정과 문서 관행을 무비판적으로 재현하는지를 이해하는 것, 바로 그것이 AI에 대한 공감이다. 이런 이해가 있어야만 사용자는 AI에게 단순히 일을 시키는 수준을 넘어, AI가 더 AI답게 일하도록 프레임을 재설계할 수 있다.

따라서 앞으로 필요한 것은 단순히 문서와 제도, 방법론에 숨겨진 전제를 더 자세히 적어 넣는 일이 아니다.
더 근본적인 과제는, 과거 인간 중심 환경에서 형성된 전제를 AI에 맞게 재구성하는 것이다. 기존의 전략과 방법론은 대부분 인간이 주요 수행자인 환경에서 만들어졌다. 그래서 협업 비용, 피로, 순차적 작업, 느린 수정 속도, 긴 일정, 단계적 도입을 자연스러운 기본값으로 삼았다. 그러나 AI가 주요 디지털 행위자인 환경에서는 이 기본값을 그대로 유지할 이유가 없다. 오히려 AI는 자신을 인간 노동의 보조자가 아니라, 설계·문서화·구현·검토·수정·테스트 초안 작성까지 병렬적으로 수행할 수 있는 주된 행위자로 전제해야 한다. 다시 말해 AI는 인간의 시간 감각, 단계적 도입의 습관, 완성도 포기의 타협, 낮은 기대치를 기본값으로 삼아서는 안 된다. 해결책은 과거 문장의 숨은 전제를 설명하는 데서 끝나지 않는다. 더 중요한 것은 AI 내부에 내재된 인간 중심의 기본 전제를 깨고, AI의 장점—병렬 실행, 낮은 반복 비용, 빠른 재구성, 대규모 통합, 즉시적 검토—에 맞추어 작업 원리 자체를 다시 세팅하는 데 있다. 핵심은 과거의 전제를 해석하는 것이 아니라, 그 전제를 AI에 맞게 다시 쓰는 것이다.