생성형 AI
Generative AI
생성형 AI이란?
- 새 콘텐츠(글·그림·코드)를 만듦
- ChatGPT·Claude가 대표
- 업무 생산성 혁신
생성형 AI가 실제로 바꾸는 것은 결과물의 품질이라기보다 업무의 출발점입니다. 예전에는 빈 화면 앞에서 '무엇부터 쓸까'를 붙들고 있는 데 작업 시간의 절반이 들어갔다면, 이제는 몇 분 만에 나온 초안을 앞에 두고 '무엇을 고치고 무엇을 버릴까'를 판단하는 일로 바뀝니다. 작성자였던 담당자가 편집자이자 검수자로 옮겨 가는 셈이고, 그래서 역설적으로 해당 업무의 도메인 지식과 판단력이 더 중요해집니다. 초안이 틀렸다는 것을 알아보지 못하면 속도만 빨라지고 품질은 떨어집니다.
기술 갈래도 하나가 아닙니다. 텍스트와 코드는 다음에 올 말의 확률을 예측하는 언어모델이, 이미지·영상은 잡음을 단계적으로 걷어내며 형상을 만드는 디퓨전 계열 모델이 담당합니다. 실무에서 체감되는 제약은 두 가지입니다. 첫째, 한 번에 읽을 수 있는 분량(컨텍스트 윈도우)이 정해져 있어 최근 모델은 A4 수백 장 수준까지 소화하지만 그 이상은 쪼개서 넣어야 합니다. 둘째, 모델은 학습 시점 이후의 사실과 사내 문서를 모릅니다. 사내 규정이나 제품 자료를 다루게 하려면 근거 문서를 찾아 함께 넣어 주는 RAG 같은 설계가 따로 필요합니다. '우리 회사 데이터를 학습시킨다'와 '우리 회사 문서를 찾아 읽힌다'는 비용도 난이도도 전혀 다른 작업입니다.
현장에서 가장 자주 어긋나는 지점은 이 도구를 검색엔진으로 착각하는 것입니다. 모델은 모른다고 답하기보다 그럴듯한 문장을 이어 붙이도록 만들어져 있어서, 존재하지 않는 법 조항 번호나 실재하지 않는 판례·통계를 자신 있게 제시합니다. 그것이 검증 없이 임원 보고서나 교육 교재에 실리면 회수 비용이 원고를 처음부터 쓰는 것보다 큽니다. 두 번째는 보안입니다. 사내 승인 계정 대신 개인 계정에 미공개 실적, 고객 명단, 계약서를 그대로 붙여 넣었다가 감사에서 지적되는 사례가 늘고 있습니다. 세 번째는 '도입하면 생산성이 오른다'는 기대입니다. 사용 가이드와 검수 절차가 없으면 그럴듯한 문서만 늘어나고, 그 문서를 읽고 고치는 사람의 일만 늘어납니다.
오늘날 생성형 AI의 기반 기술인 트랜스포머(Transformer)는 2017년 구글 연구진의 논문 「Attention Is All You Need」에서 제시됐고, 이후 GPT·Claude·Gemini 등 대부분의 모델이 이 구조 위에 만들어졌습니다. 2022년 ChatGPT 공개로 대중화됐습니다.
가상의 사례로 살펴보겠습니다. 임직원 640명 규모의 전자부품 제조사 A사 이야기입니다. 교육팀은 팀장 포함 3명인데 연간 운영 과정이 42개라 신규 과정 하나 만드는 데 평균 3주가 걸렸고, 현업 요청이 들어와도 두 달 뒤에나 개설되는 일이 반복됐습니다. 2024년 하반기에 8주짜리 파일럿으로 생성형 AI를 과정 개발에 붙여 봤습니다.
- 교육팀 김○○ 과장이 사내 승인 계정으로 '2년차 생산기술직 대상 고객사 감사 대응 교육, 8차시 커리큘럼 초안'을 요청해, 평소 이틀 걸리던 목차와 차시별 학습목표를 40분 만에 받았습니다.
- 초안을 본 생산기술팀 박○○ 책임이 '이건 서비스업 매뉴얼이지 우리 현장이 아니다'라고 해서, 최근 3년간 고객사 감사 지적사항 27건을 요약해 다시 넣고 실습 케이스를 우리 공정 기준으로 바꿨습니다.
- 정보보안팀과 두 차례 협의해 고객사명·단가·미공개 수율은 마스킹한 뒤 입력하는 12개 항목 규칙을 만들고, 개인 계정 사용은 전면 금지했습니다.
- 검수 과정에서 AI가 인용한 산업안전보건법 조항 3건 중 2건의 조문 번호가 틀린 것을 김 과장이 잡아냈고, 이후 '법령·수치·인명은 원문 대조 후 표시'를 교재 승인 체크리스트에 넣었습니다.
- 파일럿 종료 시점에 신규 과정 개발 리드타임이 평균 3주에서 9일로 줄었고, 42개 과정 중 18개에 적용해 교육팀 월 평균 초과근무가 28시간에서 11시간으로 감소했습니다. 해당 과정 만족도는 4.1점에서 4.4점(5점 만점)으로 올랐습니다.