제너레이티브 AI(Generative AI)는 인공 지능의 규칙을 다시 쓰고 있습니다. 이에 대한 준비가 되셨나요?

생성 AI란 무엇인가?

뉴스를 빠르게 살펴보면 GenAI가 어디에나 있다는 것이 분명해집니다. GenAI가 붐을 일으키기 전에는 "인공지능"이라는 용어가 기계 학습 모델과 관련이 있었습니다. GenAI는 특정 데이터 세트에 대한 예측을 하기보다는 새로운 데이터를 제공하기 위해 만들어진 기계 학습 모델로 볼 수 있습니다. 이는 인간 두뇌의 의사 결정과 학습 과정을 자극하는 딥 러닝 모델로 알려진 정교한 기계 학습 모델에 크게 의존합니다. 지난 몇 년부터 연구자들은 특정 데이터 세트를 최대한 활용하는 기계 학습 알고리즘을 찾는 것에서 모델을 훈련하고 인상적인 결과를 생성하기 위해 수백만 또는 수십억 개의 데이터 포인트로 구성된 더 큰 데이터 세트로 초점을 전환했습니다.

Adobe는 Adobe 2026 AI 및 디지털 트렌드 보고서 및 연구 프로그램을 위해 CX 역할을 담당하는 3000명의 임원 및 실무자를 대상으로 설문 조사를 실시하여 생성 AI에 대한 초기 성과와 에이전트 AI에 대한 계획을 발표했습니다. 보고서는 조직이 획기적인 고객 경험을 제공하는 것이 필수적이며 향후 몇 년 안에 다음과 같이 정의될 것이라고 믿습니다.

●      고도로 개인화되고 고객 요구를 실시간으로 예측합니다(80%).

●      디지털 및 물리적 터치포인트 전반에 걸쳐 원활하게 연결됩니다(72%).

●      AI 기반이면서도 여전히 인간과 브랜드에 부합한다는 느낌을 받습니다(60%).

 2024년 3월 McKinsey가 게시한 데이터에 따르면 전 세계 약 1/3의 조직이 이미 비즈니스 기능 중 하나 이상을 위해 매일 GenAI를 사용하고 있습니다. NVIDIA는 AMD와 Huawei를 도전자로 삼아 GPU를 통해 GenAI 환경을 지배하고 있습니다. 기초 모델로는 Open AI의 GPT 3.5 및 GPT-4 모델, Anthropic(Claude), Google(Gemini), Mistral AI, Meta(Llama) 등이 인기 있고 잘 알려진 모델입니다. Microsoft Azure, AWS, Google Cloud 및 Oracle은 클라우드 및 플랫폼의 주요 제공업체입니다. Accenture, IBM, Deloitte 및 McKinsey는 엔터프라이즈 시리즈/컨설팅에 영향력을 행사하는 업체입니다.

GenAI 모델은 어떻게 작동하나요?

훈련:

GenAI 모델은 심층 신경망을 사용하여 방대한 데이터 세트에 대한 학습으로 시작하는 기본 대규모 AI 모델을 기반으로 구축되었습니다. 이들은 수많은 AI 애플리케이션의 기반이 되는 방식으로 훈련되었습니다. 가장 일반적인 기반 모델은 변환기 기반 아키텍처, GAN(생성적 적대 네트워크), LLM(대형 언어 모델) 및 다중 모드 기반 모델입니다.

개발:

모델 개발에는 일반적으로 작업별 지식을 위한 SFT(감독 미세 조정)와 특정 콘텐츠 생성 작업을 실행해야 하는 행동 정렬을 위한 RLHF(인간 피드백 강화 학습)의 조합이 포함됩니다. 이는 인간 피드백을 통한 미세 조정 또는 강화 학습을 통해 수행될 수 있습니다.

배포 및 평가:

교육 및 개발 후에 개발자와 사용자는 GenAI 모델의 출력을 지속적으로 평가하고 정확도와 관련성을 높이기 위해 개선해야 합니다. 이 외에도 검색 증강 생성(RAG)을 통해 이러한 모델의 성능을 향상할 수 있습니다. 이 프레임워크는 GenAI 모델이 최신 정보에 액세스할 수 있도록 해줍니다.

AI의 파워 리스트: AI 분야에서 가장 영향력 있는 사람들

혁신과 기반 마련 

AI의 대부로 알려진 Geoffrey Hinton은 최신 GenAI 개발을 가능하게 한 심층 신경망과 역전파의 기반을 마련했습니다.

Mila(Quebec AI Institute)의 설립자인 Yoshua Bengio는 딥 러닝, 생성적 적대 신경망(GAN) 및 단어 임베딩 분야로 인정받고 있습니다.

• 이안 굿펠로우(애플 ML 디렉터)는 GAN(Generative Adversarial Networks)을 발명한 유명 연구원으로 딥러닝 분야의 전문가입니다. 그의 기여는 적대적인 기계 학습 및 보안에 있으며, 그의 최종 교과서인 딥 러닝은 모든 GenAI 모델의 기초가 되었습니다.

• 제리 리우(LlamaIndex)는 LLM용 데이터 프레임워크 개발자입니다.

• 해리슨 체이스(LangChain)은 AI 에이전트 워크플로우 구축을 위한 주요 프레임워크를 개발했습니다.

생성시대의 최고 리더와 임원

• 페이 페이 리, 스탠포드 인간 중심 AI 연구소의 공동 이사이자 ImageNet의 발명가는 딥 러닝 모델을 훈련하는 데 필요한 데이터를 제공했습니다.

• 앤드류 응DeepLearning.AI의 ​​창립자이자 Coursera의 공동 창립자인 그는 커뮤니티를 교육하고 AI 교육을 대중화하는 데 중요한 역할을 해왔습니다.

• OpenAI의 공동 창립자이자 전 수석 과학자인 이스라엘계 캐나다인 AI 연구원 Ilya Sutskever는 GPT 모델 및 AI 안전의 핵심 아키텍처를 구축하는 작업으로 가장 잘 알려져 있습니다.

GenAI의 활용: 업계 리더들은 GenAI에 대해 어떻게 생각하나요?

젠슨 황, GPU 및 CUDA 플랫폼 개발을 통해 현대 Generative AI 교육에 필요한 엄청난 컴퓨팅 성능을 구현한 NVIDIA의 CEO입니다. 그는 생성 AI를 산업 혁명의 새로운 시작을 알리는 신호로 봅니다. 그는 가속 컴퓨팅 및 GPU 하드웨어가 기초 모델 배포 및 교육을 위한 핵심 인프라인 NVIDIA의 CUDA 플랫폼과 함께 "새로운 오일"임을 강조합니다.

샘 알트만, 2022년 ChatGPT 출시로 GenAI를 연구에서 주류로 전환시킨 OpenAI의 CEO. 그는 400억 달러에 달하는 대규모 자금이 필요한 "연구 호기심에서 주류 기술로의 GenAI 전환을 추진해 왔습니다." 그의 시장 형성 비전과 NVIDIA의 하드웨어 인프라 관계는 AI의 현재 환경을 정의하고 있습니다.

엘론 머스크의xAI를 통한 출품은 LLM에 대한 "진실 추구" 대안을 만들려는 그의 시도를 보여줍니다. 그의 회사인 Neuralink는 X를 통해 고유한 훈련 데이터를 생성하기 위해 고급 AI를 활용하는 뇌-컴퓨터 인터페이스를 개발합니다.

얀 르쿤, Meta의 수석 AI 과학자는 CNN(컨볼루션 신경망)과 이미지 처리 분야의 선구적인 작업으로 높은 평가를 받고 있습니다. LeChun의 신경망은 이미지 인식에 혁명을 일으켜 컴퓨팅 분야의 노벨상이라고도 알려진 Turing Award를 수상했습니다. 그는 종말론적 AI 예측 개념에 도전하면서 수십억 명이 사용하는 플랫폼을 위한 AI 전략을 수립합니다.

데미스 허사비스, Google DeepMind의 CEO는 다중 모드 기능(Gemini)의 발전을 주도하고 있습니다. DeepMind와 Google Brain의 합병으로 Alphabet의 AI 노력이 통합되었습니다. Hassabis의 노력으로 AlphaGo와 AlphaFold가 탄생했습니다.

텍스트에서 이미지까지, 그리고 그 이상으로: 주의해야 할 AI 도구

1)     GitHub 부조종사:GitHub와 OpenAI의 파트너십을 통해 개발된 AI 기반 페어 프로그래머입니다. VS Code, Visual Studio, JetBrains와 같은 IDE 내에서 직접 실시간 코드 제안, 자동 완성, 채팅 기반 도움말을 제공하는 데 도움이 됩니다.

2)     어도비 파이어플라이Adobe에서 개발한 생성 AI 모델 제품군에서 제공되는 도구로, 간단한 텍스트 프롬프트를 사용하여 이미지, 텍스트 및 벡터 그래픽을 생성, 편집 및 향상하도록 설계되었습니다.

3)     재스퍼 AI브랜드에 맞는 고품질 콘텐츠를 생성하기 위한 마케팅 도메인과 제작자의 요구를 염두에 두고 설계된 AI 플랫폼입니다. 이 플랫폼은 특히 블로그 작성, 소셜 미디어 목적, 광고 및 콘텐츠 용도 변경에 사용됩니다.

4)     클로드:Anthropic이 개발한 고성능 고급 대형 언어 모델 및 대화형 AI 제품군입니다. 이 도구는 복잡한 추론 생성, 대규모 데이터 세트 분석 및 창의적인 글쓰기로 유명합니다.

5)     제스트 AI:은행, 신용 조합 및 기타 대출 기관을 위한 신용 인수 현대화를 위한 AI 도구 모음입니다. 

• 이미지 생성:어도비 파이어플라이, DALL-E 3

• 오디오/비디오 생성: 일레븐랩스, 런웨이ML

• 티차세대:ChatGPT, 클로드, 제미니 AI

• 마케팅: 재스퍼 AI, Anyword, Midjourney, Perplexity, HubSpot

• 개발자의 경우:GitHub Copilot, AlphaCode, Cohere

• 보안을 위해:다크트레이스 AI, 아야스디, 제스트 AI

개방형 vs 폐쇄형 AI 프론티어

AI 구현 속도를 높이기 위한 경쟁이 가열되면서 개방형 AI와 폐쇄형 AI에 대한 오랜 논쟁이 여전히 남아 있습니다. 이 문제는 AI 모델이 공개 검사, 수정 및 재배포를 위해 접근 가능해야 하는지, 아니면 접근이 제한된 독점권으로 보유되어야 하는지에 대한 특별한 관심을 불러일으켰습니다. Mistral 및 Llama를 포함한 개방형 모델을 통해 사용자는 자신의 필요에 맞게 모델을 수정하고 보고 적용할 수 있습니다. 반대로, 폐쇄형 모델은 대중에게 공개되지 않으며 모델의 인터페이스하고만 상호 작용할 수 있습니다. 폐쇄형 AI 모델은 GPT-4 및 Gemini가 선보인 개방형 모델과 비교할 때 높은 성능, 보안 및 쉬운 사용을 제공합니다. 경쟁 우위를 유지하기 위해 데이터와 아키텍처를 비공개로 유지합니다. 안전과 관련된 경우 독점 제어를 통해 안전 제어 및 데이터 보호가 가능합니다.

2026년의 개방형 모델 환경: DeepSeek, Qwen 3, Llama 및 Mistral Large 3는 가장 큰 개방형 모델 제공업체 중 일부이며 Claude Opus 4.5, GPT-5.2, GPT-5, GPT-4.1, o3, Claude Sonnet 및 Gemini Pro 3는 주요 폐쇄형 모델 제공업체 중 일부입니다. 대부분의 사람들이 "오픈 소스 LLM"이라고 부르는 것을 더 정확하게는 "오픈 가중치 모델"이라고 부릅니다. 두 접근 방식 모두 뚜렷한 장점, 위험 및 장기적인 적용을 제공합니다. 폐쇄형 AI 모델이 총 토큰 볼륨 측면에서 여전히 널리 사용되고 있음에도 불구하고. 2025년 후반에는 기업이 일반적인 작업에는 폐쇄형 모델을 사용하고 도메인별 민감한 워크플로에는 개방형 모델을 사용하는 하이브리드 접근 방식이 채택되었습니다.

스타트업은 업데이트를 유지하기 위해 폐쇄형 모델로 시작한 다음 운영 비용을 줄이기 위해 천천히 개방형 모델로 전환하는 경우가 많습니다. 이들은 고객 지원 챗봇, 마케팅 콘텐츠 생성, 신속한 프로토타이핑, 중소기업 자동화, 단기 AI 실험 분야에서 우위를 점하고 있습니다. 오픈 소스 모델은 기업 관련 내부 도구, AI 기반 분석 플랫폼, 채용 및 HR 자동화, 사이버 보안 시스템, 스마트 시티 인프라, 의료 진단, 맞춤형 AI 에이전트 및 부조종사를 위해 기업에서 채택됩니다.

GenAI의 광범위한 성능: 생성 AI 모델이 해결할 수 있는 문제

LLM, 확산 모델, GAN을 포함한 GenAI 모델은 패턴과 데이터 세트를 통해 새롭고 독창적인 콘텐츠를 개발하도록 설계되었습니다. 다양한 산업 분야에서 데이터 분석, 개인화, 콘텐츠 제작, 자동화와 관련된 문제를 해결할 수 있습니다. 

1)      콘텐츠 생성 및 창의성

 Gen AI는 마케팅 카피, 이메일, 기사, 기술 문서 및 창의적 글쓰기를 작성하고 초안을 작성하는 데 사용되어 수동으로 초안을 작성하는 데 소요되는 시간을 줄입니다. 또한 텍스트 프롬프트에서 사실적인 이미지, 3D 모델, 로고 및 애니메이션을 생성합니다. 마지막으로, 비디오 클립 생성, 특수 효과 적용, 음악 작곡도 가능하여 값비싼 제작 장비의 필요성을 줄여줍니다. ChatGPT(OpenAI), Claude 3.5 Sonnet(Anthropic) 및 Gemini 1.5 Pro(Google)는 블로그 초안 작성 및 마케팅 카피에 널리 사용됩니다. McKinsey는 2026년까지 최소 88%의 기업이 비즈니스 기능 중 하나 이상에서 GenAI를 사용할 것이며, 주요 부분은 콘텐츠 생성, 창의적 작업 및 마케팅에 전념할 것이라고 보고합니다.

2)     비즈니스 생산성 및 자동화

PwC의 2025년 글로벌 인력 희망 및 두려움 설문조사에 따르면 48개국의 근로자 50,000명 중 일일 GenAI 사용자가 92%의 생산성 향상을 보고한다고 응답했습니다. 비즈니스 생산성을 높이기 위해 GenAI는 데이터 입력, 정렬, 보고서 생성, 자동 코드 완성, 테스트 사례 생성, 언어 간 번역, 디버그 등 일상적이고 반복적인 작업을 자동화합니다. 이는 맞춤형 자연어 응답을 제공하고 복잡한 문의를 처리하는 고급형 연중무휴 챗봇입니다.

3)     데이터 분석 및 통찰력

GenAI 모델은 주요 통찰력을 도출하기 위해 대규모 문서, 회의 기록 또는 고객 피드백을 광범위하게 분석하고 요약하는 기능을 보유하고 있습니다. 또한 공급망 수요에 대한 데이터 패턴을 인식하고 사기 거래를 식별할 수 있습니다. 실제 데이터를 모방할 수 있는 인공 데이터 세트를 개발할 수 있으며, 이는 개인 정보를 보호하면서 다른 AI 모델을 훈련하는 데 유용합니다. 

경쟁 분석 재정의

조직은 GenAI 모델을 사용하여 고해상도 이미지, 명확하게 작성된 자료와 같은 더 많은 기술 자료를 생성할 수 있으며 시간과 자원을 절약하여 조직은 새로운 비즈니스 기회를 추구할 수 있습니다. 월마트는 생성 AI를 사용해 경쟁 행동과 수요 패턴에 대한 예측 분석을 기반으로 재고 요구 사항을 예측하는 '기계 주도 쇼핑' 시스템을 개발했습니다. GenAI에서 파생된 결과는 대규모 데이터 세트로 인해 알고리즘을 훈련하는 데 사용되는 데이터의 조합으로 신중하게 선별됩니다. Generative AI는 시장 경쟁업체가 사용되기 전에 다양한 가격 책정 전략에 어떻게 반응할지 시뮬레이션하는 기능을 갖추고 있습니다. 이러한 모델을 통해 수행되는 예측 분석은 시장 반응, 수요 탄력성 및 시장이 속한 부문에 따른 과거 데이터 및 패턴을 통해 수행됩니다. 이러한 시뮬레이션에는 계절성, 기존 프로모션 데이터, 사용 가능한 재고 및 규제 변동이 동시에 포함됩니다.

AI 시스템은 경쟁 환경을 지속적으로 분석하는 방법과 경쟁 참가자가 의사소통하는 방법을 알고 있습니다. 제품 설명과 카피라이팅부터 시각 자료와 핵심 메시지까지, 이들은 기회를 식별하는 것으로 알려져 있습니다. 예를 들어 Amazon은 경쟁사의 제품을 자동으로 분석하는 실시간 시각적 검색 도구인 Lens Live를 출시했습니다. 생성 AI와 통합된 개인화 및 제품 설명 시스템을 통해 경쟁사 카탈로그에서 식별된 격차를 기반으로 제안을 조정할 수 있습니다. 또한 이 기술은 효과적인 해결이 필요한 주제, 키워드, 접근 방식 등 경쟁 콘텐츠의 격차를 찾아냅니다. 이러한 격차는 서비스가 부족한 청중을 사로잡을 수 있는 기회를 상징합니다. AI는 검색, 카탈로그, 소셜 미디어를 교차 점검하여 충족되지 않은 요구 사항을 식별합니다. 소비자가 경쟁사가 제공하는 제품을 검색하면 모델은 즉시 조직에 알립니다. 또한 기업이 확장할 수 있는 인접 그룹을 식별합니다. 새로운 트렌드를 정확히 찾아내기 위해 매일 수많은 데이터 포인트를 처리합니다.

전통적인 감정 분석은 의견을 긍정적, 부정적, 중립으로 분류합니다. GenAI는 기존의 전통적인 감정 분석을 더욱 정교하게 만들어 보다 복잡한 내러티브, 감정적 맥락, 하위 텍스트를 이해하도록 함으로써 강화합니다. Marriott는 GenAI를 사용하여 AI를 사용하여 고객 만족도를 평가하는 7,000개 이상의 자산에 대한 고객 리뷰를 처리합니다. 예를 들어, 소비자가 경쟁업체를 지속 가능성 속성과 연관시키기 시작하는 시기 또는 제품과 관련하여 특정 문제가 발생하는 시기를 식별합니다. 또한 영향력 있는 사람, 디지털 커뮤니티 또는 전문 미디어 등 이러한 내러티브를 주도하는 사람이 누구인지도 표시합니다. Wayfair는 또한 Decorify를 사용하여 인테리어 디자인에 대한 소비자 정서와 선호도를 분석합니다. 

업계가 GenAI의 언어를 사용하는 방법

GenAI가 화제가 되는 혁신 중 하나라는 점에는 의심의 여지가 없습니다. 과대광고로 인해 업계 리더의 의견을 고려하는 것이 더욱 중요해졌습니다. 합의에 따르면 GenAI는 대화형 챗봇에서 에이전트 AI로 전환하여 복잡한 작업을 수행하고 있다고 결론지었습니다. AI 우선 기업은 항상 금융, 소매에서 의료에 이르기까지 각자의 산업을 변화시키려고 노력하고 있습니다.

헬스케어

• 베이록스 연구소 AI 우선 혁신의 선두주자가 되기 위해 NLP(자연어 처리), 컴퓨터 비전, 머신러닝에 막대한 투자를 해왔습니다.

• GE헬스케어AI를 이미징 장치에 주입하기 위해 Edison 플랫폼을 활용해 왔으며, Siemens Healthneers는 정확한 진단을 위해 AI 기반 디지털 트윈과 지능형 이미징 컴패니언을 사용하고 있으며, Epic Systems는 Cosmos 플랫폼을 통해 예측 모델을 EHR에 직접 내장하고 있습니다.

• Butterfly 네트워크는 CMUT(Ultrasound-on-Chip™)를 사용합니다.기존의 압전 결정을 대체하여 하나의 프로브로 전신 이미징을 수행할 수 있습니다. 이 회사는 이미지 안내, 클라우드 저장 및 해석을 위해 하드웨어와 AI 기반 소프트웨어를 통합합니다. 마찬가지로 Tempus Pixel 플랫폼을 기반으로 하는 Tempus Radiology라는 또 다른 조직에서는 AI를 사용하여 의료 이미지를 분석하여 방사선 전문의를 지원합니다. 

재원

• BlackRock 자금 관리의 "두뇌"인 Aladdin(자산, 부채, 부채 및 파생 투자 네트워크)은 위험 및 투자 성과에 대한 통합적이고 포괄적인 실시간 보기를 제공하는 회사의 중앙 독점 기술 플랫폼입니다.

• 마스터 카드는 손상된 카드에서 두 배의 속도로 관찰된 이상 현상에 대한 새로운 사기 패턴을 탐지하고 오탐지를 줄이기 위해 "Decision Intelligence" 시스템에 GenAI를 많이 사용하고 있습니다. Napier는 지능형 규정 준수 플랫폼에서 생성적 AI와 기계 학습을 사용하여 자금 세탁 방지(AML) 및 금융 범죄 규정 준수를 강화합니다.

• 누뱅크,"AI 우선" 모델을 활용해 온 라틴 아메리카 네오 뱅크는 위험 관리, 수금 및 마케팅에 GenAI를 사용하고 있습니다.

소매

• 자라GenAI를 사용하여 의류 라인을 표시하기 위한 마케팅 이미지용 모델의 디지털 트윈을 생성하고 있으며, H&M은 이 기술을 사용하여 재고와 개인화된 스타일링 조언을 예측 및 최적화하고 있으며, Nike는 운동선수 성과 데이터를 기반으로 디자인 스타일을 생성하고 개인화되고 정확한 측정을 위해 AI 기반 앱(Nike Fit)을 사용하고 있습니다. 

• 세포라 는 LVMH의 디지털 및 IT 부서를 본격적으로 활용하여 15개 이상의 국가에서 운영을 최적화하고 고객 경험을 향상시키고 있습니다. OpenAI와 파트너십을 맺은 또 다른 회사인 Carrefour는 전자상거래 플랫폼에 Hopla를 도입하여 고객의 개인화된 선호도에 따라 장바구니를 관리했습니다.

• LVMH에서는 Google Cloud와 협력하여 75개 주택의 고유한 요구사항을 충족하도록 서비스를 제공하고 있습니다. 회사에서는 이를 '조용한 접근 방식'이라고 부릅니다. 대기업은 또한 Rigsters 및 OKCC와 제휴하여 제품 디지털화 및 GenAI를 사용하여 물리적 제품을 광범위한 디지털 자산으로 변환하는 사내 자산 생산 모델을 개발했습니다.

• 로레알 그룹과 NVIDIA2025년 6월, 뷰티의 다양한 측면에서 AI의 잠재력을 활용하여 이전에는 상상하지 못했던 뷰티 경험을 창출하기 위해 협력했습니다. L'Oréal은 NVIDIA AI Enterprise 플랫폼을 활용하고 L'Oréal 제품의 3D 디지털 렌더링 확장, 물리적 AI와 생성적 AI의 융합을 위해 CREAITECH를 출시하여 창의적 가능성을 확대할 예정입니다.

조작

• BMW 그룹 생산 라인의 구성 요소 결함을 실시간으로 식별하기 위해 GenAI를 사용하고, 맞춤형 차량 내 음성 보조를 위해 Mercedes-Benz를 사용하고 AI 전문가가 될 수 있도록 직원 교육에 막대한 자금을 투자했으며, Nissan은 GenAI를 시험하여 자동차 그릴을 디자인하고 미적, 냉각 및 공기 역학적 요구 사항의 균형을 맞추는 시험을 진행했습니다.

• 항공우주 및 중장비 분야에서 Airbus는 더 가벼운 항공기 부품을 개발하고 엔지니어링 및 데이터 과학 전반에 걸쳐 600개 이상의 잠재적인 GenAI 사용 사례를 식별하기 위한 생성 설계를 담당합니다. Rolls-Royce는 제트 엔진의 예측 유지 관리를 위해 테스트 실행에서 센서 데이터를 분석하기 위해 GenAI를 배포합니다.

• 가전제품 산업에서 보쉬는 이를 이용해 AI 훈련을 위한 합성 이미지 데이터를 생성해 검사 시스템 개발 시간을 단축하고, 플렉시트론(Flexitron)은 전자제품 제조를 위한 생산 일정을 최적화하고 사이클 시간을 단축하며, 슈나이더 일렉트릭(Schneider Electric)은 AI 기반 자동화 알고리즘을 활용해 기계 성능을 모니터링하고 에너지 효율성을 최적화한다.

• 2025년 5월 Capgemini는 Mistral AI & SAP와의 전략적 파트너십을 확장했습니다. 이번 협력을 통해 엄격한 데이터 요구 사항이 있는 산업 분야에 SAP를 통한 맞춤형 AI 솔루션을 성공적으로 배포할 수 있습니다. Mistral AI의 혁신적인 GenAI 모델과 SAP의 BTP인 Capgemini는 더 낮은 탄소 배출량으로 쉽게 액세스할 수 있는 다양한 비즈니스 AI 사용 사례를 개발할 것입니다. 

AI의 지역 및 국가별 채택 매핑

AI 발전을 주도하고 있는 국가는 몇 군데 있다. 2024년 미국 AI 민간부문은 약 1,091억 달러를 투자해 기업 R&D의 약 40%를 차지했다. 북반구(Global North)가 AI 인프라에 막대한 투자를 하고 있는 가운데, 중간 소득 국가(브라질, 인도, 필리핀, 인도네시아)에서 AI 모델의 채택과 통합이 빠른 속도로 가속화되고 있습니다.

89개 국가와 다양한 국제기구가 참여해 뉴델리 선언에 서명한 인도-AI 임팩트 서밋 2026에서는 AI 혜택의 공평한 공유를 강조했다. 이번 정상회담에서는 다양한 부문에서 AI 채택을 늘리고 데이터세트와 컴퓨터 인프라를 확장하는 데 초점을 맞춘 국가 AI 전략의 다음 단계 출시를 계획했습니다. 이번 정상회담에서 인도의 풀스택 주권 AI 플랫폼 Sarvam AI는 Sarvam-30B(300억 매개변수)와 Sarvam-105B(1050억 매개변수)라는 두 개의 LLM을 공개했습니다. 이는 인도가 첨단 AI 모델을 개발할 수 있는 국가 그룹에 진입할 수 있는 길을 열었습니다.

2026년 초 현재 UAE, 인도, 싱가포르는 GenAI 도입률 1위를 꾸준히 유지하고 있습니다. UAE는 노동 인구의 50% 이상이 AI 도구를 사용하고 있다고 보고했습니다. 정부는 AI를 공공부문에 적극적으로 통합하고 디지털 인프라에 투자해 왔다. 싱가포르는 정부의 강력한 지원을 받고 있으며 R&D에 전략적 초점을 두고 있습니다. 한국은 정부가 고품질 한국어 모델 성능을 개발하는 가장 빠르게 성장하는 AI 채택 국가 중 하나입니다.

2026년 미국은 'AI 스택' 수출에 초점을 맞춘 정부 전체 전략을 통해 재무부와 수출입 은행을 통해 AI에 대한 새로운 국제 자금 조달을 시작하고 에이전트 AI에 대한 NIST 지원 표준을 확립했습니다. 주요 이니셔티브에는 AI를 위한 "U.S. Tech Corps" 배치, AI를 안전한 정부 조달(GovRAMP)로 통합, GenAI를 파일럿에서 생산으로 전환하기 위한 민관 파트너십 육성이 포함됩니다.

유럽은 "Apply AI" 전략을 통해 GenAI 도입을 가속화하기 위해 공격적으로 준비하고 있으며, Horizon Europe을 통해 10개 주요 부문에 걸쳐 11억 5천만 달러 이상의 자금을 조달하고 있습니다. 정부의 주요 이니셔티브에는 범용 모델을 감독하기 위한 AI 사무국 출범, 개방형 혁신 생태계 추진을 위한 'GenAI4EU' 확장, 신뢰할 수 있는 주권 AI 추진을 위한 AI 법의 규제 프레임워크 구현 등이 포함됩니다.

2026년에 중동 정부는 주권 AI에 초점을 맞추고 기업 전반에 에이전트 AI를 통합하는 대규모 국가 지원 인프라 투자를 통해 GenAI 채택을 가속화하고 있습니다. 주요 이니셔티브로는 사우디아라비아의 1000억 달러 규모 프로젝트 트랜센던스(Project Transcendence), UAE의 5기가와트 AI 캠퍼스 프로젝트(G42/NVIDIA), AI 산업화를 목표로 하는 대규모 데이터센터 개발 등이 있다.

GenAI와 Agentic AI: 주요 차이점 설명

• 기업과 개발자가 더욱 스마트한 시스템을 통합하고 기존 시스템을 AI로 업그레이드하려는 경쟁에서 계속해서 발전함에 따라. GenAI와 에이전트 AI라는 용어는 종종 같은 의미로 사용되지만 진화된 AI 패러다임의 세 가지 유형입니다. 이들은 다양한 자율성, 작업 복잡성 및 기능을 나타냅니다.

• GenAI는 데이터 세트에서 새로운 콘텐츠를 생성하고 에이전트 AI는 목표 달성을 위해 독립적인 조치를 취합니다. 즉, 에이전트 AI는 복잡한 문제를 해결하기 위해 능동적이고 자율적이며 GenAI는 프롬프트를 기반으로 콘텐츠를 생성합니다.

• Agentic AI는 다단계 워크플로를 통해 복잡한 문제를 처리하고, 진행 상황을 추적하고, 중간 결과에 따라 전략을 조정할 수 있습니다. 필요한 단계, 종속성, 리소스 및 실행을 결정할 수 있다는 목표를 고려할 때 계획 기능은 매우 강력합니다. GenAI는 정의된 입력 및 출력을 통해 특정 작업에 탁월합니다. 모든 단계에서 복잡한 작업을 처리하려면 사람의 개입이 필요합니다. 에이전트 AI와 달리 GenAI는 진행 상황을 추적하거나 리소스를 조정하거나 시간 입장을 조정할 수 없습니다.

• GenAI는 반응적인 방식으로 작동합니다. 즉, 모든 작업에는 사람의 시작이 필요하며 가장 정교한 LLM도 휴면 상태로 유지됩니다. 주어진 자율성을 갖춘 Agentic AI는 조치가 필요한 시기를 식별하고 적절한 대응을 결정하며 의사 결정 프로세스를 수행하고 결과를 평가합니다.

•  Agentic AI 애플리케이션에는 자율 소프트웨어 테스트, 공급망 최적화, 알고리즘 거래, 로봇 프로세스 자동화 및 예측 유지 관리가 포함됩니다. 반대로 GenAI의 애플리케이션은 고객 지원, 데이터 분석, 디자인 및 아트, 코드 생성, 콘텐츠 생성으로 구성됩니다. 

GenAI 구현을 위한 KPI: GenAI 모델의 성공 측정

GenAI 모델의 성공적인 확장성과 구현을 위해서는 기업이 중앙 집중식 거버넌스에서 분산형 비즈니스 내장 모델에 이르기까지 다양한 운영 모델을 채택해야 합니다. 모든 조직에 적합하고 올바른 모델은 AI 성숙도, 기존 기술 역량 및 데이터 인프라에 따라 달라집니다. 새로운 단계에 있는 기업은 엄격한 거버넌스를 위해 중앙 집중식 모델을 선호하는 반면, AI 프레임워크가 잘 구축된 기업은 더 큰 유연성과 혁신을 위해 분산형 모델을 채택할 가능성이 높습니다. 오늘날 우리가 보고 있는 성공적인 GenAI 모델은 한때 개발 단계에 있었다가 이후 생산 단계로 밀려났습니다. 이러한 모델은 설정된 측정 지표에서 성공을 입증했습니다. GenAI 프로젝트는 운영을 효율적으로 만들고, 고객 인터페이스를 영향력 있게 만들고, 더 빠르고 더 나은 정보로 의사 결정을 내림으로써 성공을 입증합니다. 문제는 그들의 성공이 어떻게 측정되는지에 관한 것입니다.

모델 품질 지표는 효율성과 정확성을 측정하는 데 도움이 되므로 필수적입니다. 온보드 지표는 GenAI 프로젝트의 개선 방향부터 시작하여 방향을 제시합니다. GenAI는 프로세스를 자동화하고 인적 오류를 줄이는 능력을 갖추고 있으며 Amazon을 포함한 기업은 창고에서 AI 기반 로봇을 사용하여 프로세스를 간소화하고 운영 비용을 절감하며 효율성을 높입니다. 명확한 지표를 설정하면 GenAI가 해결할 문제를 설계하는 데 도움이 됩니다. 광범위한 무제한 출력을 생성하는 기능은 보다 주관적인 평가를 요구합니다. 아직 실험 단계에 있는 모델 기반 측정 기준을 사용하면 응집성, 안전성, 유창성, 텍스트 품질, 장황함, 지시 사항 준수, 요약 및 기초성에 대한 결과를 면밀히 관찰할 수 있어 보다 풍부한 평가가 가능합니다.

GenAI의 잠재력을 최대한 활용하기 위해 기업은 엔드투엔드 AI 플랫폼에 투자합니다. 이러한 플랫폼은 모델을 개발, 배포 및 관리하는 데 필요한 모든 주요 구성 요소를 통합할 수 있습니다. 시스템 메트릭은 AI 시스템의 운영 측면을 담당하여 조직의 모든 요구 사항을 지원하는 효율성, 안정성 및 확장성을 보장합니다. 배포 측정항목은 배포된 파이프라인 및 모델 아티팩트를 추적하는 데 도움이 되며 AI 플랫폼의 용량, 거버넌스 및 조직 전반에 미치는 영향에 대한 통찰력을 제공합니다.

개인화된 대화를 통해 고객 경험과 판매 성과를 향상시키는 GenAI 모델의 능력. 응답 시간, 정확성 및 채택은 고객 참여, 의사 결정 품질 및 신뢰에 영향을 미치고 가치를 측정하므로 중요합니다. Netflix와 Spotify는 AI를 사용하여 사용자 행동을 분석하고 선호도를 예측합니다. 이를 통해 매출이 증가하고 새로운 리드를 유치하며 고객의 관심을 유지할 수 있습니다.

생성적 AI 윤리: 두드러진 우려와 위험

모든 조직은 AI 우선 조직이 되기를 원하지만, AI 및 기타 신기술을 채택, 구현 및 통합하기 위해 서두르다 보면 반대편의 우세한 측면을 간과하는 경우가 많습니다. AI 분야의 선구자이자 선두주자 중 한 명인 Elon Musk는 생성 AI에 관해 목소리를 높이면서도 역설적이었습니다. 그의 우려는 GenAI가 잘못된 정보를 대규모로 퍼뜨릴 수 있는 잠재력에서 비롯됩니다. 비전 있는 기업가인 머스크는 GenAI가 가져올 이점을 알고 있는 동시에 이러한 이점이 기술과 관련된 잠재적 위험과 균형을 이루어야 한다고 믿습니다.

업계 리더들은 GenAI가 데이터 보안, 지적 재산 도난, "환각" 및 "딥페이크" 생성과 관련된 새로운 위험, 주요 우려 사항을 도입한다는 데 대체로 동의합니다. AI의 환각은 LLM에서 생성된 텍스트가 그럴듯하지만 실제 사실, 교육 데이터 또는 사용자 컨텍스트에 의해 뒷받침될 때 발생합니다. Sophos는 새로운 보고서 "과장을 넘어서: 사이버 보안을 위한 AI의 비즈니스 현실"에서 400명의 IT 리더를 대상으로 보안에 AI를 사용하는 방법에 대해 설문조사를 실시했습니다. 설문조사에서는 65%가 GenAI 기능을 채택했음에도 불구하고 IT 리더의 89%가 GenAI 사이버 보안 도구의 결함으로 인해 조직이 위험에 빠질 수 있다고 우려하고 있는 것으로 평가했습니다.

• 데이터 보안과 관련하여 민감한 개인 데이터 또는 기밀 정보를 공개 GenAI 도구에 입력하면 데이터 유출이 발생할 수 있습니다. 또 다른 우려 사항은 이러한 모델에 입력된 데이터가 저장되어 향후 모델을 교육하는 데 사용될 수 있으며 잠재적으로 기밀 정보가 제3자에게 노출될 수 있다는 것입니다.

• GenAI는 사이버 범죄자가 고도로 개인화되고 설득력 있고 문법적으로 완벽한 피싱 이메일과 사회 공학 캠페인을 생성할 수 있는 정교한 피싱을 허용합니다. 딥페이크 생성의 용이성은 주요 노출 사기이며 공격자는 보안 데이터를 공개하기 위해 모드를 조작할 수도 있습니다.

• 공개적으로 이용 가능한 데이터를 기반으로 훈련된 모델이 지적 재산권을 침해하는지 여부에 관한 중요하고 지속적인 소송이 진행 중입니다. 채택 속도가 공식 규제를 앞지르면서 EU AI법과 같은 새로운 법률을 준수하는 데 위험이 발생하고 있습니다. AI가 생성한 콘텐츠의 저작권이 누구에게 있는지에 대한 모호성이 지속됩니다.

• 과거 데이터를 기반으로 학습된 모델은 인종, 성별, 정치적 편견으로 이어질 수 있습니다. 또한 일부 리더들은 코딩, 콘텐츠 제작, 고객 서비스 부문에서 직원이 통제되지 않게 이동하는 것을 우려하고 있습니다. 마지막으로, 대형 모델을 훈련하고 실행하는 데 필요한 막대한 에너지 소비도 지속 가능성 문제를 제기하고 있습니다.

GenAI 환경을 주도하는 투자

인프라 및 클라우드 제공업체를 포함한 GenAI의 주요 기술 기업의 전체 벤처는 2025년 첫 11개월 동안 약 870억 달러로 추산되었으며, 이는 2024년 첫 11개월의 거의 2배에 해당합니다. AI는 2026년에 또 다른 새로운 단계로 진입하고 있으며 Alphabet, Amazon, Microsoft 및 Meta는 2026년에 6,500억 달러가 넘는 누적 자본을 투자할 것으로 예상됩니다. 그들은 GenAI의 막대한 투자로 강세를 보이고 있습니다. Google은 광고 및 검색에 AI를 사용하기 위해 750억 달러를, OpenAI는 Oracle 및 Softbank로부터 1000억 달러의 자금을 지원 받았습니다. Oracle은 또한 클라우드 기반 AI에 초점을 맞춘 파트너십을 통해 500억 달러 규모의 파트너십을 목표로 하고 있습니다. 2026년 2월, Capgemini는 기업 AI 혁신의 차세대 시대를 가속화하기 위해 Frontier와 함께 OpenAI와 힘을 합쳤습니다. OpenAI Frontier Alliance의 창립 멤버인 Capgemini는 고객이 직면한 비즈니스, 데이터, 조직 및 시스템 통합 문제에 중점을 두고 AI 기회 격차를 해소하고 전사적으로 AI를 배포하기 위해 노력할 것입니다.

GenAI는 모델 중심에서 애플리케이션, 에이전트 워크플로 및 통합으로 전환하고 있습니다. 수년간의 실험을 거쳐 조직은 파일럿 모델을 넘어서고 있습니다. 성공적인 채택을 위해서는 AI를 안전하고 책임감 있게 관리하기 위한 프로세스 조화, 기술 향상 및 거버넌스가 필요합니다. 업계 분석에 따르면 2030년까지 엔터프라이즈 소프트웨어의 80%가 다중 모드가 될 것이며, 2024년에는 5% 미만의 엄청난 증가세를 보일 것입니다. 주요 추세에는 자율적으로 작동하는 다중 모드 에이전트 시스템, 기존 소프트웨어에 내장된 AI, 모델 성능의 수렴이 포함됩니다.

Agentic AI는 다단계 복잡한 프로세스를 실행할 수 있는 자율 에이전트를 통해 워크플로와 의사 결정 프로세스를 변화시키고 있습니다. 동시에 DSLM과 SLM은 엄격한 규정을 충족하고 확장 가능한 인텔리전스를 제공하는 개인 정보 보호 및 맞춤형 솔루션으로 인정을 받고 있습니다. 자금 세탁 방지, 사기 온보딩, 추심 프로세스 및 KYC가 지속적으로 확대됨에 따라 금융 범죄가 진화하고 있으며, 특히 딥페이크 및 합성 문서에 대한 고급 사기 방지 방어가 필수적이 되었습니다. 또한, 사용자가 보다 수동적인 AI 경험을 선호함에 따라 기존 소프트웨어에 내장된 AI가 독립형 도구보다 보편화될 것으로 예측됩니다. 앞으로 선도적인 AI 연구소에서는 일반 지능보다는 더욱 맞춤화된 사용자 경험을 제공하기 위해 보다 수직화되고 도메인별 애플리케이션에 초점을 맞출 것입니다.