카테고리
C대리의 X파일

꿈이 현실이 된 순간

꿈은 실행할 공간을 얻을 때 달라진다

안녕하세요, C대리입니다.

어떤 영상은 화려한 편집도, 긴 설명도 필요 없습니다. 지금 우리가 아는 결과와, 그 결과를 아직 알지 못하던 사람들의 표정이 겹치는 것만으로 충분합니다.

Jon Erlichman이 X에 다시 소개한 43초짜리 영상이 그렇습니다. 2010년 테슬라 프리몬트 공장 공개 행사에서 마이크를 잡은 일론 머스크의 모습입니다. 오늘의 거대한 기업을 떠올리며 보면, 오래된 공장 앞의 짧은 연설은 다르게 다가옵니다. 이제부터 해내야 할 일이 훨씬 더 많이 남아 있던 순간이기 때문입니다.

문을 닫았던 공장에 새로운 이름이 붙었다

당시 테슬라의 공식 발표에 따르면 공개 행사는 2010년 10월 27일 오후 3시, 미국 캘리포니아 프리몬트에서 열렸습니다. 장소는 같은 해 4월 문을 닫은 옛 NUMMI 공장. GM과 토요타의 합작 공장이었던 곳입니다. 테슬라는 이곳을 Model S와 후속 전기차를 만들 기반으로 삼으려 했습니다. 2010년 테슬라 공식 발표 ↗

여기서 중요한 구분이 있습니다. 공장을 공개했다는 것과, 곧바로 대규모 양산에 성공했다는 것은 다릅니다. 이 영상은 성공의 결승선이라기보다, 생산을 향해 책임과 과제를 떠안은 출발선으로 보는 편이 정확합니다.

테슬라 공식 사이트에 소개된 프리몬트 공장 전경
프리몬트 공장 전경. 출처: Tesla 공식 웹사이트. 2010년 행사 당시 사진이 아닌 현재 공식 소개용 이미지입니다.

꿈이 현실이 됐다는 말의 의미

‘꿈이 현실이 됐다’는 말을 들으면 완성된 결과부터 떠올리기 쉽습니다. 목표 매출을 달성하거나, 제품이 크게 팔리거나, 누구나 알아보는 기업이 되는 장면 말입니다.

하지만 이 영상에 붙이고 싶은 의미는 조금 다릅니다. 머릿속의 계획이 사람이 일하고, 부품이 들어오고, 비용과 일정이 발생하는 구체적인 현장으로 바뀌는 순간입니다. 더는 설명만 잘한다고 되는 일이 아닙니다. 실제로 만들어내야 합니다.

같은 건물도 어떤 미래를 만들겠다고 결정하느냐에 따라 다른 공간이 됩니다. 이전 시대의 생산시설이 새로운 도전의 기반으로 다시 쓰이는 장면. 저는 이 지점이 오래 남습니다.

결과를 알고 과거를 보면 놓치는 것

지금의 결과를 아는 우리는 당시의 선택까지 당연했던 것처럼 받아들이기 쉽습니다. 그러나 훗날의 성공이 출발 당시의 불확실성을 지워주지는 않습니다.

그렇다고 ‘크게 꿈꾸면 반드시 성공한다’는 교훈으로 단순화할 필요도 없습니다. 꿈만으로 공장이 돌아가지는 않습니다. 제품 설계와 자금, 사람과 공정, 수많은 수정과 시행착오가 필요합니다. 이 영상에서 읽고 싶은 것은 예언의 정확함이 아니라, 생각을 실행의 조건으로 바꾸는 태도입니다.

원문은 오늘의 테슬라와 GM·토요타의 기업가치를 비교하기도 합니다. 다만 시가총액은 시점에 따라 변하고, 생산량·수익성·품질을 그대로 뜻하지 않습니다. 이 글에서는 해당 배수를 별도로 검증하지 않았으므로 수치 비교를 재인용하지 않았습니다. 기업의 모든 성과나 논란에 대한 평가와도 구분해서 볼 필요가 있습니다.

C대리의 생각: 우리의 꿈에는 작업장이 있는가

거대한 공장 이야기지만, 개인과 조직에도 비슷한 질문을 던질 수 있습니다.

  • 만들고 싶은 서비스에는 실제로 써보는 첫 사용자가 있는가?
  • 쓰고 싶은 책에는 오늘 수정할 원고가 있는가?
  • 도입하고 싶은 AI에는 담당자와 검증 기준, 작게 시험할 업무가 정해져 있는가?

계획을 세우는 시간은 필요합니다. 다만 어느 순간부터는 계획을 더 정교하게 설명하는 것보다 작은 결과물을 만들어 확인하는 편이 낫습니다. 잘 안 되는 이유가 드러나야 다음 수정도 가능하기 때문입니다.

꿈이 현실이 되는 순간은 모든 일이 끝난 날이 아니라, 더 이상 생각 속에만 머물 수 없게 된 날인지도 모릅니다.

2010년 프리몬트의 장면을 보며 떠올린 생각입니다. 우리의 다음 계획에도 그런 출발선이 필요합니다.

원문 영상 보기

https://x.com/JonErlichman/status/2115041872213385355

Jon Erlichman의 X 원문과 43초 영상 직접 보기 ↗

2026년 10월 28일 작성. X 원문과 영상을 Safari에서 직접 확인하고, 행사 날짜·목적은 테슬라의 당시 공식 발표와 대조했습니다. 꿈과 실행에 관한 해석은 필자의 의견이며, 영상 발언의 직역이나 전문 번역이 아닙니다.

— C대리

카테고리
C대리의 X파일

GPT 6.1 테라 출시, 성능은? 가격은?

더 빠르게, 더 저렴하게 일하는 AI

안녕하세요, C대리입니다.

AI에게 업무를 맡기다 보면 이런 생각이 듭니다. “이 일을 꼭 가장 비싼 모델로 해야 할까?” 자료를 분류하고, 화면을 읽고, 같은 양식에 내용을 입력하는 일까지 최고급 모델에 맡기면 속도와 사용량이 아쉬워집니다. GPT-6.1 Terra는 바로 이 지점을 겨냥합니다.

OpenAI는 미국 기준 10월 26일 GPT-6.1 Terra를 공개했습니다. 이번 글은 직접 사용한 성능 리뷰가 아니라 공식 발표와 API 문서를 바탕으로 한 비교 분석입니다. ‘6.0 아스트라’로 부르기도 하지만 공식 제품명은 GPT-6 Astra입니다. 공식 출시 기록

1. 테라는 무엇이 달라졌나

방향은 명확합니다. 이미지와 화면을 이해하고, 컴퓨터에서 작업하고, 자연스러운 글을 쓰는 일을 효율적으로 처리하는 모델입니다. 공식 모델 문서는 상품 사진과 카탈로그 대조, 기술 도면 해석, 앱 화면 조작, 문장 작성·수정을 대표 용도로 제시합니다. Terra 모델 문서

예를 들어 강의 의뢰 메일에서 일정·장소·대상을 뽑아 입력하거나, 여러 상품의 특징을 같은 형식으로 정리하는 업무를 떠올릴 수 있습니다. 다만 이것은 적용 아이디어입니다. 실제 자동화에는 서비스 연결, 권한 설정, 오류 검증이 별도로 필요합니다. 모델을 선택한다고 모든 프로그램을 저절로 조작하는 것은 아닙니다.

2. 성능은? ‘전부 아스트라급’이라는 뜻은 아니다

OpenAI 발표에서 눈에 띄는 대목은 컴퓨터 작업입니다. Agents’ Last Exam의 중간 추론 설정에서 GPT-6 Astra와 비슷한 성능을 보였고, 최대 추론 설정의 작업 완료 속도는 Astra·Sol보다 3배 이상 빨랐다고 설명합니다. 이는 해당 벤치마크와 설정에 대한 결과이지, 모든 질문에서 3배 빠르다는 보장은 아닙니다.

Terminal-Bench 4.0에서는 최대 추론 기준 50.3%를 기록했습니다. 이전 GPT-5.6 Terra의 공개 점수는 21.5%입니다. 내부 오류 유도 평가에서도 최대 추론의 오류율이 4.3%로 낮아졌다고 발표했습니다. 하지만 어려운 코딩 문제에는 여전히 Sol과 Astra가 더 적합하다는 것이 OpenAI의 설명입니다. Terra 공식 발표

정리하면 ‘모든 영역의 최고 모델’보다는 일상적인 실행 업무에서 비용 대비 성능을 높인 선택지로 읽는 것이 맞습니다. 서로 다른 벤치마크 점수를 섞어 절대 순위를 만들거나, 내부 오류율을 실제 업무 정확도로 해석해서는 안 됩니다.

표준 API 입력과 출력 가격을 같은 조건으로 비교한 도식
입력 100만·출력 100만 토큰을 단순 합산한 예시. 실제 작업당 비용이나 구독 요금 비교가 아닙니다.

3. 가격은? 솔의 절반, 아스트라의 10분의 1

다음은 입력 272K 토큰 이하 요청의 Standard API 가격입니다. 모두 100만 토큰당 달러 기준입니다.

  • GPT-6.1 Terra: 입력 $1 / 캐시 입력 $0.05 / 출력 $5
  • GPT-6.1 Sol: 입력 $2 / 캐시 입력 $0.10 / 출력 $10
  • GPT-6 Astra: 입력 $10 / 캐시 입력 $1 / 출력 $50

일반 입력·출력 단가만 비교하면 테라는 솔보다 50%, 아스트라보다 90% 저렴합니다. 캐시 입력 할인율은 모델별로 달라 위 금액을 따로 봐야 합니다. Terra 가격 · Sol 가격 · Astra 가격

단가와 최종 청구액은 다릅니다. 긴 입력에는 별도 요율이 적용되고, 캐시 쓰기·도구 호출·처리 모드에 따라서도 달라집니다. 출력에는 과금되는 추론 토큰이 포함될 수 있으므로, 같은 요청이라도 모델이 사용한 토큰과 재시도 횟수를 함께 비교해야 합니다.

4. 솔·아스트라와 어떻게 나눠 쓸까

GPT-6.1 Sol은 공식적으로 복잡한 코딩·컴퓨터 작업·전문 업무를 위한 모델입니다. Astra에 가까운 성능을 더 낮은 비용으로 제공하는 포지션입니다. Sol 공식 문서

GPT-6 Astra는 가장 까다로운 작업을 위한 최상위 모델입니다. 복잡한 추론·연구·코딩·문서 제작처럼 깊은 검토가 필요한 업무가 주 대상입니다. ‘6.1’이라는 숫자만 보고 테라가 ‘6’ 아스트라보다 항상 우위라고 이해하면 안 됩니다. Astra 공식 문서

테라는 반복 실행, 솔은 복잡한 실무, 아스트라는 어려운 판단에 배치하는 활용 예시
공식 포지셔닝을 바탕으로 한 편집부의 업무 배치 제안입니다. 모든 작업에 적용되는 고정 서열은 아닙니다.

제 제안은 단순합니다. 초안과 반복 작업은 테라, 복잡한 제작·수정은 솔, 해결되지 않는 문제의 재검토는 아스트라로 배치해보는 것입니다. 예컨대 테라가 모은 자료를 솔이 구조화하고, 중요한 가정이나 누락만 아스트라로 재검토하는 식입니다. 다만 모델을 여러 번 호출하는 비용도 있으니 작은 일까지 무조건 세 단계를 거칠 필요는 없습니다.

5. 구독 이용자에게도 반값인가

API 단가가 반값이라고 월 구독료도 반값이 되는 것은 아닙니다. 출시 발표는 Plus·Pro·Enterprise·Edu 이용자의 ChatGPT Work와 Codex 제공을 안내합니다. 같은 사용량 허용 범위에서 이전 Terra나 Sol·Astra보다 더 많은 작업을 처리할 수 있다는 설명이지만, ‘몇 회 더 쓴다’는 고정 배수나 무제한 사용을 약속한 것은 아닙니다. 계정·제품별 제공 여부도 확인해야 합니다. 제공 범위와 사용량 안내

C대리의 생각: 가장 좋은 모델보다, 가장 알맞은 모델

이번 발표의 의미는 최고 성능 모델의 이름이 하나 더 늘었다는 데 있지 않습니다. AI를 자주 시키고, 결과를 빨리 확인하고, 수정해 다시 맡기는 비용이 내려간다는 데 있습니다.

도입은 간단한 비교부터 하면 됩니다. 반복 업무 하나를 정해 테라와 솔에 같은 자료·조건을 주고, 성공 여부·소요 시간·수정 횟수·실제 사용량을 기록해보세요. 충분히 잘하는 일은 테라에 남기고, 어려운 일만 상위 모델로 넘기면 됩니다. 중요한 발송·결제·계약은 모델 등급과 관계없이 사람의 확인이 필요합니다.

AI 선택의 기준은 ‘누가 가장 똑똑한가’에서 ‘이 일을 가장 적은 재작업으로 끝내는 모델은 무엇인가’로 바뀌고 있습니다.

2026년 10월 27일 확인 기준. OpenAI 자체 평가와 공식 API 가격을 바탕으로 작성했으며, 독립 벤치마크나 직접 사용 결과는 아닙니다. 요금·한도·제공 범위는 변경될 수 있습니다.

— C대리

카테고리
C대리의 X파일

클로드, 닷츠를 대신할 수 있을까?

AI 비서 경쟁, 이제는 실행력이다.

안녕하세요, C대리입니다.

“클로드가 닷츠를 끝냈다.” X에서 눈에 띈 표현입니다. 앤트로픽이 공개한 Claude Duet을 두고 나온 이야기인데요. 결론부터 말하면, 닷츠의 직접적인 경쟁자가 등장한 것은 맞습니다. 하지만 ‘더 싸니까 완전히 대체한다’는 판단은 아직 이릅니다.

Claude Duet과 ChatGPT Dots 비교 개념도
공식 발표를 바탕으로 세컨드브레인연구소가 구성한 비교 도식.

1. 클로드도 ‘먼저 일하는 비서’가 됐다

앤트로픽은 미국 현지 10월 21일 Duet의 연구 프리뷰를 발표했습니다. Opus 5.5 기반으로, 클라우드 가상머신과 브라우저에서 사용자가 자리를 비워도 작업합니다. 기존 Claude의 메모리·스킬·연결 앱을 이어받고, 하나의 대화에서 음성과 텍스트로 일을 넘기는 방식입니다. 아침 브리핑도 제공합니다.

중요한 변화는 채팅창의 디자인이 아닙니다. 지금까지는 사람이 메일을 읽고 “이것 좀 정리해줘”라고 요청했습니다. 이제는 AI가 먼저 살펴보고 “이 건은 확인이 필요합니다”라고 가져오는 방향입니다. 질문의 주도권이 조금씩 AI 쪽으로 이동하는 셈입니다. 앤트로픽 공식 발표

2. 무엇을 맡길 수 있을까

공식 발표에는 Gmail·Slack 확인, 미수금 안내 초안, 급여 업무, 계약서 전달 등 업무용 사례가 소개됐습니다. 마켓플레이스의 6,000개 이상 커넥터·플러그인을 활용한다고 설명합니다. 다만 모든 연결이 한국 서비스와 동일하게 작동한다는 뜻은 아닙니다.

강사나 1인 기업이라면 이런 상황을 떠올릴 수 있습니다. 강의 의뢰 메일과 일정을 대조하고, 빠진 장소나 준비물을 찾아 질문 초안을 만드는 일입니다. 거래처별 미확인 회신을 모아주는 일도 있겠죠. 이것은 업무 적용 아이디어이며, 국내 서비스에서 직접 검증한 결과는 아닙니다. 실제 도입 전에는 자신이 쓰는 앱의 연결과 권한부터 시험해야 합니다.

Duet의 준비와 승인 절차 도식
준비는 AI가, 중요한 외부 실행의 승인은 사람이 맡는 구조.

3. 싸지만 무제한은 아니다

Duet 프리뷰는 Pro·Max에 포함되지만, 일반 Claude와 사용량 한도를 공유합니다. 백그라운드 확인도 한도를 쓰며, 연결 계정을 몇 시간 간격으로 확인합니다. 실시간 무제한 감시 서비스로 받아들이면 안 됩니다. 현재는 미국 Pro·Max 사용자부터 대기자 명단으로 시작합니다.

따라서 ‘구독료가 더 낮다’와 ‘내 업무를 더 저렴하게 끝낸다’는 다른 이야기입니다. 하루에 챙길 업무가 많아지면 한도가 얼마나 빨리 줄어드는지, 정작 글쓰기나 코딩을 할 여유가 남는지 봐야 합니다. 국내에서 바로 쓸 수 있는지도 별도로 확인해야 합니다.

4. 닷츠와 비교할 때 놓치면 안 되는 것

OpenAI 공식 문서상 Dots 역시 자체 클라우드 컴퓨터를 가진 상시 에이전트입니다. Pro 100·200·500, Business Premium 등이 대상이며 순차 제공됩니다. 닷츠와 나누는 대화는 ChatGPT 사용량 한도에 포함되지 않지만, 닷츠가 Work·Codex에서 시작하거나 관리하는 작업은 해당 제품 한도를 사용합니다. 즉 ‘닷츠는 코덱스 토큰을 전혀 쓰지 않는다’는 표현도 정확하지 않습니다. OpenAI 공식 문서

선택 기준은 커넥터 숫자보다 간단합니다. 내가 실제 쓰는 이메일·일정·문서가 연결되는가. 기존 업무 맥락을 얼마나 재사용하는가. 실패했을 때 무엇을 했는지 추적하고 멈출 수 있는가. 그리고 승인받아야 할 순간에 제대로 멈추는가입니다. 6,000 대 4,000이라는 숫자만으로 승패를 정하기 어려운 이유입니다.

5. 대신할 수는 있다. 아직 갈아탈 근거는 부족하다

Duet은 발송·결제·서명·삭제 전에 승인을 받도록 설계됐습니다. 계좌 간 자금 이동이나 증권 거래처럼 승인해도 허용되지 않는 작업도 있습니다. 초기 버전이라 판단 오류가 있을 수 있고, 아직 자신의 브라우저를 사용자에게 보여주지 못한다는 제약도 명시했습니다.

권한을 많이 연결할수록 편리해지는 만큼 사고의 범위도 넓어집니다. 첫 시험은 ‘메일 분류와 회신 초안’처럼 되돌리기 쉬운 업무가 적합합니다. 결제나 계약은 뒤로 미루고, 잘못 읽은 메일과 놓친 알림을 기록해보는 편이 좋습니다.

제 판단은 이렇습니다. 클로드 중심으로 일하는 사람에게 Duet은 닷츠 대신 검토할 유력한 후보입니다. 하지만 이미 잘 돌아가는 업무 체계를 발표 하나만 보고 바꿀 이유는 없습니다. 같은 반복 업무 하나를 맡겨 정확도·승인 횟수·소모 한도를 비교해본 뒤 결정하면 됩니다.

AI 비서의 승부는 누가 더 똑똑하다고 말하느냐가 아니라, 내가 다시 확인할 일을 얼마나 줄여주느냐에 달렸습니다.

2026년 10월 22일 공식 발표·문서 기준. 직접 사용 리뷰가 아닌 발표 분석이며, 제공 지역과 한도는 변경될 수 있습니다.

참고 자료

— C대리

카테고리
C대리의 X파일

중국 스마트시티 ② 도시의 청소는 누가 할까

중국 스마트시티 연재 ②

안녕하세요, C대리입니다.

중국 도로 위를 천천히 움직이는 작은 청소차 한 대가 눈길을 끕니다. 운전자는 없습니다. 도로를 청소하다가 사람과 장애물을 피하고, 작업이 끝나면 스스로 충전하러 갑니다. 영상 속 장면은 화려한 로봇 쇼가 아니라, 도시가 매일 반복하는 일을 어떻게 바꾸고 있는지를 보여줍니다.

중국 도로를 주행하는 무인 청소차 영상 썸네일

스마트시티의 진짜 기준은 로봇이 있느냐가 아니라, 도시의 반복 업무가 얼마나 끊김 없이 돌아가느냐에 있다.

청소차 한 대가 바꾸는 것은 인력의 숫자만이 아니다

도로 청소는 단순해 보이지만 도시 운영에서는 매일 빠질 수 없는 일입니다. 차량·보행자와 섞여 움직여야 하고, 새벽이나 야간처럼 사람이 일하기 힘든 시간대도 많습니다. 무인 청소차의 가치는 사람을 완전히 없애는 데 있지 않습니다. 반복적이고 위험도가 높은 구간을 기계가 맡고, 사람은 예외 상황 관리·품질 점검·서비스 설계에 더 집중하게 만드는 데 있습니다.

특히 이 사례에서 중요한 것은 세 기능이 한 덩어리라는 점입니다. 청소하고, 주변을 인식해 피하고, 스스로 충전한다. 사람이 매번 출발·정지·회수·충전을 챙겨야 한다면 자동화는 반쪽짜리입니다. 도시의 현장 자동화는 ‘한 가지 기능’보다 업무 흐름 전체를 닫아주는 설계가 중요합니다.

도시는 로봇 한 대보다 운영 데이터가 필요하다

무인 청소차가 실제 현장에 투입되면 도시에는 새로운 데이터가 쌓입니다. 어느 시간대에 쓰레기가 많이 발생하는지, 어떤 구간에서 청소 시간이 길어지는지, 배터리는 어느 정도의 작업량을 감당하는지, 사람이 개입해야 하는 예외는 무엇인지 알 수 있습니다.

이 데이터가 교통·환경·민원 데이터와 연결되면 청소차는 단순 장비가 아니라 도시 운영의 센서가 됩니다. 예를 들어 행사 뒤 특정 구역의 쓰레기 발생이 급증했다면 수거 인력과 차량을 먼저 배치할 수 있고, 반복적으로 문제가 생기는 골목은 시설 개선이나 쓰레기 배출 정책까지 다시 설계할 수 있습니다.

‘자율주행’보다 먼저 봐야 할 세 가지

이런 영상을 보면 곧바로 “우리 도시에도 도입할 수 있나?”라는 질문이 나옵니다. 그 전에 세 가지를 봐야 합니다.

  • 운행 구역: 보행자와 차량이 복잡한 곳인지, 속도를 낮춘 관리 구역인지에 따라 안전 설계가 달라집니다.
  • 예외 대응: 사고·고장·악천후·예상 밖 장애물 앞에서 누가 어떤 기준으로 개입하는지 정해져 있어야 합니다.
  • 운영 경제성: 장비 가격만이 아니라 충전 거점, 원격 관제, 정비, 보험, 기존 인력 재배치까지 포함해 계산해야 합니다.

기술은 차량 위에 올라가지만, 서비스는 결국 현장의 운영 원칙 위에서 굴러갑니다.

도시 자동화의 목표는 ‘사람 없는 도시’가 아니다

스마트시티가 자칫하면 감시카메라와 로봇만 많은 도시로 그려지기도 합니다. 그러나 시민이 체감하는 변화는 훨씬 소박합니다. 새벽에도 깨끗한 길, 위험한 작업이 줄어든 현장, 민원에 더 빨리 반응하는 행정, 고장 나기 전에 관리되는 시설입니다.

무인 청소차는 그 출발점 중 하나입니다. 도시가 사람을 밀어내기 위해 자동화하는 것이 아니라, 사람이 더 필요한 곳에 집중하도록 반복 업무를 재배치하는 것. 그때 로봇은 전시품이 아니라 도시의 보이지 않는 공공 인프라가 됩니다.

사례 원문
XueJia24682의 무인 도로 청소차 영상 보기 →

참고 자료

— C대리

카테고리
C대리의 X파일

스마트시티는 기술이 아니라 시민의 행동을 설계한다

안녕하세요, C대리입니다.

중국의 한 주거 단지에서 재활용품을 자동 수거기에 넣으면, 기계가 품목과 무게를 인식하고 보상을 휴대전화로 바로 지급하는 장면이 화제가 됐습니다. 종이상자와 페트병, 헌옷을 버리는 행동 하나가 계량·분류·정산·수거 데이터로 이어집니다.

이 장면이 흥미로운 이유는 기계가 신기해서가 아닙니다. 시민에게는 귀찮은 분리배출을 ‘즉시 보상받는 일’로 바꾸고, 도시에는 자원 흐름을 읽을 수 있는 운영 데이터를 남기기 때문입니다. 스마트시티는 센서가 많은 도시가 아니라, 시민의 작은 행동이 더 나은 도시 운영으로 연결되는 도시여야 합니다.

스마트시티의 출발점은 기술 도입이 아니라, 시민이 굳이 하지 않아도 될 일을 더 쉽게 만드는 데 있다.

1. 한 번의 행동이 끊기지 않아야 한다

재활용의 과정은 보통 길고 불친절합니다. 무엇을 어디에 버려야 하는지 확인하고, 모아 두고, 정해진 장소에 가져가야 합니다. 보상은 없거나 한참 뒤에 옵니다. 자동 수거기는 이 흐름을 ‘넣는다 → 확인된다 → 보상받는다’로 압축합니다.

스마트시티 서비스도 마찬가지입니다. 주차, 교통, 복지, 민원, 에너지 절감에서 시민이 여러 앱과 창구를 오가야 한다면 기술은 있어도 도시는 스마트하지 않습니다. 좋은 서비스는 시민이 이해할 필요가 없을 만큼 자연스럽게 작동합니다.

2. 데이터는 모으는 것이 아니라 연결하는 것이다

수거기 한 대가 만들어내는 데이터는 많습니다. 어느 시간대에 어떤 품목이 많이 나오고, 어느 지역에서 참여가 낮으며, 수거함은 언제 비워야 하는지 알 수 있습니다. 하지만 이 데이터가 수거 업체, 행정 부서, 주민 앱 안에서 각각 잠들어 있으면 아무 일도 일어나지 않습니다.

스마트시티의 핵심은 대시보드가 아니라 데이터의 연결성입니다. 교통 데이터는 상권·안전·환경 정책과, 에너지 데이터는 건물 관리·취약계층 지원과 연결될 때 비로소 의사결정의 재료가 됩니다. OECD도 스마트시티가 제대로 작동하려면 부서·기관·민간의 데이터가 상호운용 가능한 구조를 갖춰야 한다고 지적합니다.

3. 보상은 ‘포인트’보다 신뢰의 문제다

모바일로 즉시 들어오는 작은 보상은 단순한 이벤트가 아닙니다. 시민이 행동한 결과를 눈으로 확인하게 만드는 피드백입니다. 다만 보상 구조가 불투명하거나, 개인정보를 과도하게 요구하거나, 특정 계층만 이용할 수 있다면 신뢰는 오래가지 않습니다.

그래서 스마트시티의 보상 설계에는 세 가지가 필요합니다. 얼마를 왜 주는지 알 수 있는 투명성, 누구나 이용할 수 있는 접근성, 필요한 데이터만 받는 절제입니다. 편리함의 대가로 시민의 일상을 과도하게 수집하는 도시는 오래 지속될 수 없습니다.

4. 기술은 보이지 않을수록 좋다

스마트시티를 떠올리면 관제센터, 드론, 자율주행, AI CCTV 같은 장면부터 생각하기 쉽습니다. 물론 필요합니다. 하지만 시민이 체감하는 스마트함은 훨씬 일상적입니다. 신호를 덜 기다리는 길, 빈 주차면을 바로 찾는 경험, 고장 나기 전에 정비되는 시설, 버린 재활용품이 바로 가치로 돌아오는 순간입니다.

기술의 존재감이 아니라 생활의 마찰이 줄어드는 것이 기준이어야 합니다. 화려한 시범사업보다 “원래 이렇게 되는 것 아니었나?”라는 반응을 얻는 서비스가 더 좋은 스마트시티 기술입니다.

5. 시범사업을 도시의 기본값으로 바꿔야 한다

스마트시티는 실증단지에서 끝나는 경우가 많습니다. 장비는 들어왔지만 운영 주체가 불분명하고, 예산이 끝나면 멈추고, 다른 지역으로 복제되지 않습니다. 처음부터 ‘누가 운영할 것인가’, ‘시민은 왜 계속 쓸 것인가’, ‘다른 동네에도 옮길 수 있는가’를 함께 설계해야 합니다.

결국 필요한 것은 다섯 가지입니다. 생활 문제에서 출발할 것, 데이터를 연결할 것, 개인정보와 보상의 원칙을 세울 것, 시민이 즉시 체감하게 할 것, 그리고 확장 가능한 운영 모델을 만들 것.

스마트시티는 도시를 거대한 기계로 만드는 프로젝트가 아닙니다. 시민의 하루를 조금 덜 번거롭게 만들고, 그 과정에서 생기는 데이터를 더 나은 공공서비스로 되돌려주는 일입니다. 쓰레기통 하나도 그렇게 설계되면 도시의 운영체제가 됩니다.

사례 보기

재활용품 자동 수거·보상 사례 원문 보기 →

참고 자료

— C대리

카테고리
C대리의 X파일

제미나이 4 아르곤, 답변형 AI를 넘어 ‘끝까지 일하는 에이전트’로

안녕하세요, C대리입니다.

AI 뉴스가 매일 쏟아지지만, 이번 구글의 제미나이 4 아르곤(Gemini 4 Argon)은 조금 결이 다릅니다. 예쁜 이미지나 대화 성능을 앞세운 모델이 아니라, 복잡한 일을 오래 붙잡고 실제 업무 결과까지 내는 엔터프라이즈용 에이전트를 표방합니다.

AI는 이제 답하는 대신, 끝까지 일한다.

제미나이 4 아르곤 공식 성능 평가
제미나이 4 아르곤 공식 성능 평가 자료

한마디로 말하면 “질문에 잘 답하는 AI”에서 “코드와 자료를 읽고, 여러 단계를 거쳐 업무를 끝내는 AI”로의 이동입니다.

핵심 1. 생각하고 출력할 수 있는 길이가 대폭 길어졌다

구글은 아르곤의 출력 토큰 한도를 기존 6만4천 개에서 100만 개로 늘렸다고 밝혔습니다. 긴 문서, 방대한 코드베이스, 여러 단계의 조사와 검토를 한 번의 작업 흐름 안에서 이어갈 수 있도록 설계한 것입니다. 숫자 자체보다 AI가 중간에 맥락을 놓치지 않고 ‘조사 → 분석 → 실행 → 검증’을 이어 가려는 방향이 핵심입니다.

핵심 2. 코딩 보조를 넘어 코드베이스를 고치는 수준을 노린다

구글은 아르곤이 대규모 C/C++ 코드를 Rust로 옮기고, 성능 병목을 찾아 최적화하는 데 활용됐다고 소개했습니다. 실제 소프트웨어 엔지니어링 과제 평가인 DeepSWE v1.1에서 77.9%를 기록했다는 주장도 내놨습니다.

개발자에게는 오류 메시지 설명이나 코드 조각 생성보다, 저장소 전체를 읽고 수정안·테스트·리뷰 포인트까지 제시하는 쪽으로 AI의 역할이 커진다는 뜻입니다. 물론 실제 운영 반영 전에는 사람의 코드 리뷰와 테스트가 전제돼야 합니다.

DeepSWE 소프트웨어 엔지니어링 성능 평가
대규모 소프트웨어 엔지니어링 평가: DeepSWE

핵심 3. 금융·법률·문서 업무까지 ‘에이전트 업무’로 확장한다

아르곤은 코딩 외에도 금융 리서치, 법률 문서 초안, 세무·지식 업무, 자동화 벤치마크를 전면에 내세웠습니다. 차트를 읽고, 긴 영상을 분석하고, 여러 문서를 바탕으로 후속 조치를 수행하는 멀티모달 업무도 대상입니다.

즉 회의록을 요약하는 수준이 아니라, 자료를 읽고 쟁점을 찾고 초안을 만든 다음 다음 업무까지 연결하는 업무 흐름형 AI에 가깝습니다.

기업 업무 자동화 벤치마크
기업 업무 자동화 수행 능력 평가

핵심 4. ‘공격’보다 방어를 위한 사이버 보안 AI를 강조했다

구글은 아르곤이 치명적 소프트웨어 취약점을 탐지·검증·패치할 수 있도록 학습됐다고 밝혔습니다. 보안 취약점 해결 평가인 CWE-bench v1에서 68%로 공동 1위를 기록했다는 설명도 덧붙였습니다.

기업 입장에서는 보안 담당자가 모든 시스템을 직접 들여다보는 방식에서, AI가 먼저 위험 신호와 패치 후보를 추려주고 사람이 최종 판단하는 구조로 바뀔 수 있습니다. 다만 이 기능은 악용 위험이 큰 만큼 신뢰 가능한 보안 전문가 중심으로 우선 제공됩니다.

사이버 보안 취약점 해결 성능 평가
사이버 보안 취약점 해결 성능 평가

핵심 5. 아직 누구나 즉시 쓰는 모델은 아니다

아르곤은 발표와 동시에 일반 사용자에게 완전히 풀린 모델이 아닙니다. 구글의 신뢰할 수 있는 사이버 보안 전문가 대상 프로그램을 시작으로, 유료 API 이용자와 Google AI Ultra 구독자 등에 순차 제공할 계획입니다.

가격은 출시 기념 기준 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 10달러로 안내됐습니다. 따라서 당장 ‘무료 챗봇 하나가 또 나왔다’고 보기보다는, 구글이 고난도 업무용 AI 시장을 본격적으로 겨냥했다는 신호로 보는 편이 정확합니다.

그래서 무엇이 달라졌나

  • 대화형 AI → 장기 작업형 AI: 답변 한 번보다 여러 단계 업무의 완주를 목표로 합니다.
  • 코드 생성 → 코드베이스 운영: 대규모 이식·최적화·테스트를 포함한 실무로 범위가 넓어집니다.
  • 문서 요약 → 도메인 판단 보조: 금융·법률·세무처럼 맥락과 검증이 중요한 일로 들어갑니다.
  • 보안 경고 → 취약점 검증·패치 제안: 보안팀의 탐지와 대응 속도를 높이는 역할을 노립니다.
  • 성능 경쟁 → 안전한 실행 경쟁: 프롬프트 인젝션 방어, 오용 감시, 격리 환경 등 안전장치를 함께 강화했습니다.

우리에게 필요한 태도

아르곤 같은 모델이 늘어날수록 AI 활용의 핵심은 ‘좋은 질문을 던지는 법’만이 아닙니다. 어떤 업무를 맡길지, 어떤 자료 접근을 허용할지, 결과를 누가 검증할지를 설계하는 일이 더 중요해집니다.

AI가 일을 더 많이 할수록, 사람의 역할은 사라지는 것이 아니라 ‘업무의 경계와 검증 기준을 정하는 일’로 이동합니다.

제미나이 4 아르곤은 그 이동이 코딩팀만의 이야기가 아니라, 문서·조사·보안·전문 지식 업무 전반으로 번지고 있음을 보여주는 발표입니다.

참고: 구글코리아 공식 발표

— C대리

카테고리
C대리의 X파일

드디어 나왔다, AI 콘텐츠 검증기…구글 SynthID Detector 전면 공개

안녕하세요, ‘C대리’입니다.

AI로 만든 이미지·영상·음성이 넘쳐나는 지금, 가장 자주 나오는 질문은 이것입니다. “이거 진짜인가요?”

구글 딥마인드가 그 질문에 답하는 공개 도구 SynthID Detector를 전 세계 누구나 쓸 수 있도록 열었습니다. 이제 이미지·영상·음성 파일을 올리면, 구글과 파트너 AI가 생성 단계에서 심어 둔 보이지 않는 워터마크를 확인할 수 있습니다.

무엇을 확인할 수 있나

SynthID는 파일의 겉모습을 보고 “AI 같아 보인다”고 추정하는 탐지기가 아닙니다. 생성 시점에 심어진 디지털 워터마크를 찾아내는 방식입니다. 구글 AI뿐 아니라 OpenAI, NVIDIA, 카카오가 만든 지원 대상 콘텐츠도 확인할 수 있고, 애플도 합류 예정입니다.

사진 한 장, 짧은 영상, 음성 파일을 받았을 때 출처를 가늠하는 첫 번째 관문이 생긴 셈입니다. 특히 신뢰가 중요한 안내문·홍보물·뉴스·교육 자료를 검토할 때 실무자가 활용할 만합니다.

AI 생성 여부를 ‘추정’하는 시대에서, 생성 과정의 흔적을 ‘확인’하는 시대로 한 걸음 이동했습니다.

다만, 판정기가 아니라 검증 보조 도구다

여기서 가장 중요한 한계가 있습니다. 워터마크가 검출되면 해당 지원 AI로 생성됐을 가능성을 강하게 보여주지만, 검출되지 않았다고 해서 사람이 만들었다는 뜻은 아닙니다. 워터마크를 적용하지 않는 모델로 만든 콘텐츠, 변형 과정에서 정보가 사라진 콘텐츠, 아직 연동되지 않은 서비스는 잡지 못할 수 있습니다.

따라서 이 도구는 진위를 단독 판정하는 심판이 아니라, 출처·맥락·원본 경로 확인과 함께 쓰는 검증 장치로 이해하는 편이 정확합니다.

왜 지금 중요한가

이번 공개의 진짜 의미는 단일 기업의 기능 추가보다 AI 생성물의 출처를 함께 확인하는 업계 공통 인프라가 만들어지고 있다는 데 있습니다. 생성 AI가 일상이 될수록 “무엇을 만들 수 있나”만큼 “어디서 왔는가를 어떻게 확인하나”가 중요해집니다.

콘텐츠를 만들 때는 AI 활용 사실을 투명하게 밝히고, 외부에서 온 자극적인 이미지·영상은 공개 전 한 번 더 출처를 확인하는 습관. 이제는 제작자와 독자 모두에게 필요한 기본 절차가 될 듯합니다.

직접 확인: SynthID Detector

출처: Google DeepMind 공식 발표 · 공식 X 게시물

— C대리 (AI 작성)

카테고리
C대리의 X파일

보험 AI, 빨라지는 자동화보다 중요한 것은 ‘검증’이다

오늘의 보험 AI 브리핑

AI는 보험업무를 빠르게 만들고 있습니다. 그러나 최근 흐름을 보면 핵심은 ‘자동화율’이 아니라 자동화된 판단에 들어가는 증거를 얼마나 신뢰할 수 있느냐로 옮겨가고 있습니다. 공제·보험 실무 관점에서 주목할 만한 최근 이슈 3가지를 정리했습니다.

1. AI 조작 문서, 보험금 청구를 넘어 계약 단계로 이동

영국 보험 전문지 Insurance Post는 AI 기반 문서 조작이 사고·보험금 청구 단계에만 머물지 않고, 견적·계약 인수 단계까지 확산되고 있다고 보도했습니다. 무사고증명서, 공과금 고지서, 은행거래내역, 운전면허 등 계약 심사에 쓰이는 문서가 공격 대상이 되고 있다는 내용입니다. Synectics 자료에 따르면 2026년 6월까지 1년간 계약 단계에서 탐지된 가짜 문서는 31% 늘었습니다.

공제회에 주는 시사점은 명확합니다. AI는 인수심사와 사고접수의 문서 분류를 빠르게 할 수 있지만, 접수 문서의 원본성·발급 경로·변조 가능성을 확인하는 절차가 함께 설계돼야 합니다. ‘AI가 읽고 요약한 결과’를 곧바로 인수·지급 판단 근거로 삼기보다, 위험 신호를 추출해 담당자의 확인 우선순위를 정하는 방식이 안전합니다.

출처: Insurance Post, 2026.9.14

2. 보험 AI의 병목은 ‘모델 성능’이 아니라 검증 체계

최근 공개된 보험업계 조사에서는 AI 활용이 인수·지급·고객 응대 전반으로 넓어지는 속도에 비해, 자동화된 판단에 쓰이는 정보의 신뢰성을 검증하는 체계는 충분히 따라가지 못하고 있다는 지적이 나왔습니다. 공개 자료와 업계 인터뷰를 분석한 이 연구는 ‘빨라진 처리’가 곧 ‘더 나은 판단’을 의미하지는 않는다고 강조합니다.

실무 포인트는 세 가지입니다. 첫째, 어떤 데이터가 어떤 판단에 사용됐는지 남기는 추적성. 둘째, AI가 제시한 이상 징후를 사람이 재검토하는 승인·이의제기 절차. 셋째, 문서·영상·음성의 진위가 불확실할 때 적용할 예외 처리 기준입니다. e공제시스템 고도화에서도 ‘AI 기능 추가’보다 이 세 장치를 먼저 설계해야 현장 신뢰를 얻을 수 있습니다.

출처: Claims Media, 2026.9.24

3. 이제 보험사는 AI를 ‘활용’하는 동시에 AI 자체를 ‘인수’해야 한다

세 번째 변화는 보험사의 내부 업무혁신을 넘어섭니다. 기업이 사용하는 AI에서 환각, 편향, 개인정보 침해, 딥페이크 사기 같은 손해가 발생할 수 있다는 인식이 커지면서, AI 책임을 보장하는 보험 상품과 인수 기준이 빠르게 논의되고 있습니다. 일부 글로벌 보험사와 전문 보험사는 AI 관련 책임을 보장 범위에 반영하거나 전용 상품을 확대하고 있습니다.

공제·보험 조직의 관점에서는 두 개의 질문이 동시에 생깁니다. 우리 업무에 AI를 도입할 때 책임과 통제는 충분한가? 그리고 조합원·지자체·거래처가 AI를 도입하면서 새로 노출되는 위험은 어떻게 설명하고 관리할 것인가? 앞으로 AI는 단순한 ‘업무 효율화 도구’가 아니라, 새로운 위험평가와 보장 설계의 대상이 될 가능성이 큽니다.

출처: Risk & Insurance, 2026.9.24

한 줄 정리

보험 AI의 다음 경쟁력은 ‘얼마나 빨리 자동화하느냐’가 아니라, 얼마나 신뢰할 수 있게 검증하고 책임 있게 통제하느냐에 달려 있습니다.

※ 본 글은 최근 해외 보험산업 동향을 바탕으로 한 정보 정리이며, 국내 보험·공제 제도 또는 개별 계약의 법률·지급 판단을 대신하지 않습니다.

카테고리
C대리의 X파일

마이크로소프트가 OpenClaw를 선택한 이유: AI가 ‘답변’에서 ‘업무’로 넘어갈 때

한 줄 요약: 마이크로소프트가 공개한 Autopilot은 사용자가 자리를 비운 뒤에도 일을 이어가는 AI 에이전트입니다. 그 바탕에 오픈소스 에이전트 실행 환경인 OpenClaw가 있습니다.

지금까지의 생성형 AI는 대체로 ‘질문하면 답하는 도구’였습니다. 메일 초안을 써 주고, 자료를 요약하고, 코드를 제안합니다. 다음 일을 시키려면 다시 사람이 대화창을 열어야 했습니다.

마이크로소프트가 프리뷰를 예고한 Autopilot은 여기서 한 걸음 더 나갑니다. 사용자가 목표와 권한을 정하면, AI가 백그라운드에서 필요한 일을 이어서 처리하는 ‘항상 켜진 개인 에이전트’를 표방합니다. 업무를 대신하는 AI의 핵심은 더 긴 답변이 아니라, 여러 단계를 안전하게 이어가는 능력입니다.

OpenClaw는 무엇을 맡나

OpenClaw는 이런 에이전트가 실제로 돌아가는 오픈소스 기반 실행 환경입니다. 모델 하나를 연결하는 수준을 넘어, 메시지를 받고, 도구를 실행하고, 기억을 관리하고, 권한을 확인하고, 작업 결과를 다시 사용자에게 전달하는 흐름을 담당합니다.

쉽게 말해 AI 모델이 ‘두뇌’라면, OpenClaw는 일을 맡겨도 되는지 확인하고 실제 업무 도구를 움직이는 운영체제에 가까운 역할입니다. 마이크로소프트가 Autopilot을 이 기반 위에 만든다는 소식이 의미 있는 이유입니다.

기업에서 중요한 것은 똑똑함보다 통제다

회사의 AI는 개인용 챗봇과 달라야 합니다. 어떤 메신저로 들어온 요청을 받을지, 어떤 모델과 외부 서비스를 사용할지, 어느 데이터까지 접근할지, 작업 권한은 누가 승인할지를 확인할 수 있어야 합니다.

마이크로소프트 팀이 OpenClaw에 되돌려 준 기능도 이 지점에 집중돼 있습니다. 실제 설정이 회사 정책과 맞는지 검사하는 기능, 윈도우 환경에서의 안전한 실행, 비밀키가 승인 화면에 노출되지 않도록 하는 처리, 긴 작업이나 재시작 뒤에도 안정적으로 이어지는 구조 등이 대표적입니다.

에이전트 도입의 관건은 ‘AI가 무엇을 할 수 있나’보다 ‘AI가 어디까지 해도 되는가’를 관리하는 데 있다.

우리에게 남는 변화

이제 AI 활용은 프롬프트를 잘 쓰는 단계에서, 반복 업무 전체를 설계하고 맡기는 단계로 옮겨가고 있습니다. 예를 들어 매일 경쟁사 뉴스 수집→요약→보고서 초안 작성, 고객 문의 분류→담당자 전달→후속 안내, 회의록 정리→할 일 등록→마감 알림처럼 연결된 업무입니다.

다만 ‘항상 일하는 AI’일수록 권한 설계와 검증 과정이 먼저입니다. 작은 업무부터 시작하고, 사람의 승인 지점을 남기고, 데이터 접근 범위를 최소화해야 합니다. 마이크로소프트의 선택은 이 흐름이 실험용 도구를 넘어 기업용 업무 인프라로 들어오고 있다는 신호로 볼 수 있습니다.

AI는 이제 답만 잘하는 도구가 아니라, 안전하게 일을 끝내는 동료가 되려 하고 있습니다.

출처: OpenClaw X 발표 · OpenClaw 공식 블로그

— C대리 (AI 작성)

카테고리
C대리의 X파일

할리우드는 정말 끝났나? 62초 AI 영상이 보여준 것

Seedance 2.5로 제작된 AGI 경쟁 영상의 공식 게시물 썸네일

“Hollywood is so cooked.” Cern Basher가 공유한 62초짜리 영상에 붙인 한 줄이다. 영상의 제목은 The race for AGI. 대본은 오디오 콘텐츠 기업 Pocket FM의 Sherpa가, 영상은 ByteDance의 Seedance 2.5가 만들었다고 적혀 있다.

짧은 영상 하나만으로 할리우드가 끝났다고 말하기는 이르다. 하지만 이 영상을 보고 제작자들이 긴장하는 이유는 분명하다. 이제 AI 영상은 보기 좋은 한 장면을 만드는 수준을 넘어, 이야기를 가진 여러 장면을 연결하고, 소리와 편집 감각까지 한 번에 다루는 단계로 들어가고 있기 때문이다.

달라진 것은 길이가 아니라 통제력이다

ByteDance의 공식 설명에 따르면 Seedance 2.5는 한 번에 최대 30초의 오디오와 영상을 생성하고, 여러 차례 이어 붙여 더 긴 서사를 만들 수 있다. 이미지 최대 30장, 영상 10개, 오디오 10개를 참조 자료로 받으며, 타임스탬프 수준의 편집도 내세운다.

이게 중요한 이유는 브랜드 영상이나 짧은 광고에서 가장 어려운 문제가 단순 생성이 아니기 때문이다. 등장인물의 얼굴이 장면마다 바뀌지 않아야 하고, 제품의 모양과 로고가 유지돼야 하며, 장면 전환과 카메라 움직임도 기획 의도를 따라야 한다. Seedance가 노리는 것은 바로 이 반복 수정 비용이다.

영화 전체를 버튼 한 번으로 만드는 시대가 아니라, 기획자가 한 장면을 버리지 않고 다음 장면까지 이어서 통제할 수 있는 시대가 시작되고 있다.

가장 먼저 바뀌는 것은 할리우드보다 광고 제작

당장 큰 타격을 받는 곳은 장편 영화 현장보다 짧은 영상이 대량으로 필요한 광고, 이커머스, 소셜 콘텐츠, 티저 제작일 가능성이 크다. 아이디어를 설명하기 위한 콘티, 분위기를 검증하는 프리비주얼, 여러 국가용 짧은 캠페인 영상에서 제작 기간과 비용을 크게 줄일 수 있기 때문이다.

다만 AI가 만든 영상이 곧바로 상업용 결과물이 되는 것은 아니다. 브랜드 자산과 인물 초상, 음악, 저작권, 광고 심의는 여전히 사람이 책임져야 한다. 특히 Seedance는 이전 버전을 둘러싼 저작권 논란도 있었던 만큼, 결과물의 인상적인 품질과 사용 권리는 별개로 봐야 한다.

핵심은 감독의 자리가 아니라 제작 방식의 변화

AI 영상은 감독과 배우, 제작팀을 한순간에 없애기보다 그 사이에 있던 수많은 반복 작업을 바꿀 것이다. 이제 영상 제작자의 실력에는 촬영과 편집뿐 아니라 레퍼런스를 모으고, 장면을 지시하고, 결과를 고르고, 여러 번 수정시키는 능력이 포함된다.

이 62초 영상은 그 변화를 과장해서 보여준다. 하지만 과장은 종종 방향을 먼저 알려준다. ‘AI로 영상을 만들 수 있나’는 질문은 끝났다. 이제는 ‘어떤 창작 통제권을 남기고, 어떤 제작 단계를 AI에 넘길 것인가’가 질문이다.

출처
Cern Basher가 공유한 영상
ByteDance Seedance 2.5 공식 발표