야, 구글 Gemini Omni 1.1 Flash 기사 봤어? 이제 비디오 생성할 때 장면 확장 최대 40초까지 되고, 시작/끝 프레임도 딱 지정해서 만들 수 있대. 4K 업스케일링도 되고. 예전엔 '와! 비디오 만든다!' 였는데, 이젠 '내가 원하는 대로 만든다'에 훨씬 초점이 맞춰진 느낌이야. 심지어 OpenAI가 Sora에 대한 언급이 없는데, 구글은 이렇게 계속 비디오 생성에 공격적으로 투자하는 것도 흥미롭지. 아마 이게 '월드 모델' 같은 더 큰 그림의 핵심이라고 보는 걸지도 모르겠어.

AI, 이제 '그냥 잘하는' 시대는 끝났다

이런 거 보면 AI의 방향이 단순히 '더 큰 모델', '더 잘하는 모델'을 넘어선 것 같아. 중요한 건 결국 우리 손에 쥐어지는 '정교한 제어' 아니겠어? 우리가 개발하는 서비스나 워크플로우에 AI를 얼마나 섬세하게 통합하고, 원하는 결과를 정확하게 뽑아낼 수 있느냐가 관건이라는 거지. 마치 예전엔 그냥 '자동차'가 좋았다면, 이젠 '내비게이션, 차선 유지, 자동 주차'처럼 특정 기능을 얼마나 잘 제어하느냐가 중요해진 느낌?

모델 이름만 보고 판단하면 안 되는 이유

OpenAI 쪽 기사도 딱 이 얘기랑 연결돼. ChatGPT/GPT-5.6의 Max, Pro, Ultra, Sol 같은 용어들 있잖아? 이게 그냥 '더 좋은 단계'를 의미하는 게 아니라는 거야. Max는 추론 시간, Pro는 실행 방식, Ultra는 다중 에이전트 오케스트레이션 방식이고, 심지어 Sol도 환경에 따라 다른 버전이 적용된대. 같은 GPT-5.6 Sol이라도 ChatGPT는 8월 버전, Codex나 ChatGPT Work는 7월 버전을 쓴다는 거지.

모델 이름이나 버전만 보고 '이게 더 좋다!' 하고 쓰면 큰 오산이라는 말이야. 내부적으로 어떤 아키텍처와 추론 방식을 쓰는지, 내가 어떤 목적에 맞게 모델을 설정하고 사용하는지에 따라 결과가 확 달라지는 거지. 그러니까 이제는 '어떤 모델 쓸까?'가 아니라 '이 모델을 어떻게 설정해서 쓸까?'를 훨씬 더 고민해야 하는 상황인 거야.

한 회사, 여러 모델, 그리고 똑똑한 제어

법률 AI 회사 하비(Harvey) 사례는 이런 흐름의 결정판 같아. 하비는 단 하나의 범용 모델을 쓰지 않아. Kimi, GLM, Qwen 같은 여러 LLM을 조합하고, 각기 다른 법률 업무에 맞춰 커스텀 학습 환경을 구축했대. 예를 들어, 리서치 업무에는 특정 모델을, M&A 실사에는 또 다른 모델을 활용하는 식이지. 단순히 데이터를 많이 넣는 게 아니라, 실제 업무 환경을 '학습 환경'으로 통째로 바꿔버린 거야.

여기서 핵심은 '정확한 결과'뿐 아니라 '비용 효율성'까지 학습시켰다는 점이야. 같은 성능이면 토큰을 덜 쓰는 추론 방식을 선호하도록 리워드를 설계했다고 하더라. 게다가 한 번 학습으로 끝나는 게 아니라, 실제 사용자의 피드백을 받아 모델이나 학습 환경을 계속 개선하는 '지속적인 학습 루프'를 만들고 있어. '1 company, 1 model'이 아니라 '1 company, 1 learning stack, many models'라는 말이 딱 맞아.

결국 AI는 이제 '모델' 자체의 성능 싸움이라기보다, 우리 서비스나 워크플로우에 맞춰 이 모델들을 얼마나 똑똑하게 '설계하고 제어하느냐'의 싸움으로 바뀌는 중이야. 단순히 좋은 모델을 가져다 쓰는 걸 넘어, 우리 비즈니스에 최적화된 AI '시스템'을 어떻게 만들어낼지 고민할 때가 된 거지.

우리 팀은 지금 어떤 AI 작업에 어떤 모델을, 어떤 방식으로 설정해서 쓰고 있을까?

참고