[월:] 2025년 07월

2025년 7월, OpenAI는 또 하나의 혁신적인 기능을 공개했습니다. 바로 ‘ChatGPT Agent’입니다. 이 기능은 단순히 질문에 답하거나 대화를 이어가는 수준을 뛰어넘어, 이메일 처리, 웹 애플리케이션 사용, 파일 작성과 다운로드, 그리고 로컬 소프트웨어 활용 등 복잡한 작업까지 스스로 수행할 수 있는 능력을 갖춘 지능형 AI 에이전트입니다.

이 글에서는 ChatGPT Agent가 무엇인지, 어떻게 작동하는지, 실제로 어떤 분야에 활용되고 있는지, 그리고 기업이 지금 어떤 준비를 해야 할지 살펴보고자 합니다.

ChatGPT Agent란 무엇인가?

ChatGPT Agent는 기존 챗봇의 개념을 넘어 ‘실행 가능한 AI’라는 새로운 차원의 도우미입니다. 일반적인 AI는 주로 질문에 답하거나 정보를 제공하는 데 그치지만, Agent는 가상의 컴퓨터 환경에서 사용자의 지시에 따라 실제 작업을 수행합니다.

예를 들어 “받은 편지함에서 중요한 메일을 분류해줘” 혹은 “최근 시장 조사 보고서를 검색해 요약해줘”라고 요청하면, Agent는 실제 브라우저를 통해 웹을 탐색하고, 필요하다면 로그인 절차도 거쳐가며 원하는 결과물을 만들어냅니다.

실질적인 작업 수행 능력

ChatGPT Agent의 가장 큰 강점은 ‘실행력’에 있습니다. 정보 제공이 아닌 실제 일처리, 즉 실무형 비서처럼 움직인다는 점이 기존 AI와의 가장 큰 차이입니다.

Agent는 사용자 지시에 따라 가상의 브라우저를 사용해 웹을 검색하고, 필요한 데이터를 직접 수집해 정리합니다. 예를 들어 로그인 인증이 필요한 웹사이트에 접속할 경우, 보안 처리가 된 브라우저 환경에서 사용자 승인을 거쳐 작업을 수행합니다.

한 리서치 스타트업은 이를 활용해 매일 경쟁사 웹사이트를 방문하고, 주요 프로모션 정보를 수집해 자동 보고서로 생성하는 워크플로우를 구축했습니다. 이 과정을 통해 수작업 대비 업무 시간이 대폭 단축되었습니다.

ChatGPT Agent는 어떻게 작동하는가?

ChatGPT Agent는 OpenAI가 제공하는 웹 인터페이스의 ‘Tools’ 메뉴 안에 포함되어 있으며, 현재는 ‘ChatGPT Pro’ 요금제 가입자(월 $200)에게 우선 제공되고 있습니다. 추후에는 Team, Plus 요금제 사용자에게도 점차 개방될 예정입니다.

사용 방법은 간단합니다. 사용자는 Agent 모드를 선택한 뒤 자연어로 명령을 입력하면, Agent가 필요에 따라 웹에서 정보를 찾아보거나 Gmail, Google Drive와 같은 외부 애플리케이션과 연동해 작업을 수행합니다. 문서나 프레젠테이션과 같은 결과물이 필요한 경우, 처음부터 끝까지 자동으로 생성해 사용자에게 전달합니다.

예를 들어 “이번 분기 실적 요약 보고서를 만들고, 슬라이드로 정리해줘”라고 요청하면 Agent가 관련 데이터를 수집하고 요약해 파워포인트 파일로 만들어주는 방식입니다.

Operator와 Deep Research의 결합

ChatGPT Agent는 단독 제품이 아니라, OpenAI가 이전에 선보였던 두 가지 기능을 결합해 만든 고도화된 형태입니다. 2025년 초 도입된 ‘Operator’는 웹사이트의 폼을 자동으로 작성하거나 예약을 진행하는 기능을 제공했고, ‘Deep Research’는 웹 문서 탐색을 통해 긴 리포트를 자동 생성할 수 있는 기능이었습니다.

이번에 출시된 Agent는 이 두 기능을 통합하여, 보다 강력하고 실용적인 도구로 탄생한 것입니다. 예를 들어 사용자가 “서울 시내 미슐랭 추천 레스토랑을 찾아보고, 예약도 넣고, 추천 리스트를 이메일로 보내줘”라고 요청하면, Agent는 Deep Research를 활용해 정보를 수집하고, Operator 기능을 통해 직접 예약까지 마무리할 수 있습니다.

로컬 소프트웨어까지 넘보는 ‘가상 컴퓨터’

과거 Operator는 웹 환경에 한정된 작업만 진행할 수 있었지만, ChatGPT Agent는 한걸음 더 나아갑니다. PC 내 로컬 소프트웨어까지 활용할 수 있는, 진정한 ‘가상 컴퓨터’처럼 움직입니다.

예를 들어 마케팅 보고서를 작성해야 할 때, Agent가 엑셀 데이터를 분석하고 파워포인트로 슬라이드를 구성해주는 방식도 가능합니다. 이 기능을 도입한 한 마케팅 에이전시는 과거 3일 이상 걸리던 프로젝트 보고서를 단 1시간 만에 완성한 사례를 공유했습니다. 이는 단순한 자동화 수준을 넘어, 전례 없는 생산성 향상을 의미합니다.

보안 문제는 어떻게 해결되고 있는가?

AI가 사용자의 메일함이나 앱, PC 자원에 접근할 수 있다는 점에서 보안 우려는 당연한 반응일 수 있습니다. OpenAI는 이에 대한 대비책을 기능적으로 마련했습니다.

우선 민감한 작업을 요청하면 사용자에게 먼저 확인을 받는 ‘승인 프롬프트’가 작동합니다. 또한 명확한 사용자의 반응 없이 고위험 작업을 시도할 경우, Agent는 자동으로 동작을 중단합니다. 금융정보나 개인정보와 관련된 요청에는 작동 자체를 차단하도록 설계되어 있습니다.

무엇보다 Agent는 실행 중에도 데이터를 장기 보관하지 않기 때문에, 사용자의 데이터가 하나의 세션을 넘어서 축적되거나 공유되지 않습니다. 이는 ‘사용자는 판단자, AI는 집행자’라는 원칙 아래 설계된 시스템으로, 안심하고 사용할 수 있는 구조를 갖추고 있습니다.

테스트에서 입증된 고성능

ChatGPT Agent는 다양한 테스트를 통해 실제 업무 환경에서도 높은 수준의 성능을 보였습니다.

예를 들어, AI 종합 성능 테스트인 Humanity’s Last Exam에서는 44.4점을 기록하며 역대 최고 성적을 냈고, 수학 기반 벤치마크인 FrontierMath에서는 27.4%를 기록했습니다. 특히 스프레드시트 작업 능력을 측정한 SpreadsheetBench에서는 45.5%를 달성하면서, 기존 AI 툴인 Copilot for Excel의 약 2배 수준에 달하는 성과를 입증했습니다.

기업에서 어떻게 활용할 수 있을까?

ChatGPT Agent는 부서별로 정말 다양한 방식으로 쓰일 수 있습니다.

마케팅 부서는 소셜미디어 트렌드를 파악한 뒤 인사이트를 정리한 슬라이드를 자동 생성할 수 있고, 세일즈 팀은 이메일 데이터를 분석해 고객 리스트를 자동으로 정리해 리마인드 메일을 보낼 수 있습니다. 인사 부서에서는 직원 활동 데이터를 기반으로 월간 평가 보고서를 자동화할 수 있으며, 고객 서비스를 담당하는 부서에서는 민원 접수 내용에 따라 대응 초안을 생성하도록 설정할 수 있습니다.

전략기획 부서에서는 경쟁사 웹사이트를 매일 또는 주간 단위로 스캔해 시장 동향을 파악하고 분석 리포트를 자동 생성하는 데 에이전트를 활용할 수 있습니다. 이처럼 반복적이고 시간을 많이 소모하던 작업을 자동화하며, 조직 전체의 효율을 크게 높일 수 있습니다.

아직 남아 있는 과제들

물론 아직 완성도가 높은 수준은 아닙니다. 예를 들어 슬라이드 생성 기능은 현재 베타 테스트 단계로, 디자인이 단순하거나 콘텐츠 표현이 제한적일 수 있습니다. 파일 형식에 따라 결과물과 미리 보기 간에 오차가 생기는 경우도 있으며, 사용자 스타일에 대한 학습 기능은 아직 초기 단계에 머물러 있습니다.

그러나 OpenAI는 향후 메모리 기능 강화를 통해 이 같은 문제를 점진적으로 개선하겠다고 밝혔으며, 기술은 빠른 속도로 진화하고 있습니다.

요금제 및 이용 조건

ChatGPT 에이전트는 오늘부터 Pro, Plus, Team 사용자에게 롤아웃되며, Enterprise 및 Education 사용자에게는 7월 중에 롤아웃됩니다. Pro 사용자는 매월 거의 무제한에 가까운 작업을 수행할 수 있으며, 그 외 유료 사용자는 월간 50건의 작업이 가능하고, 유연한 크레딧 기반 옵션을 사용하면 추가 작업이 가능합니다.

단, 아직 유럽 및 스위스 지역에서는 서비스가 제공되지 않아, 글로벌 확장 시점에 대한 관심도 높아지고 있습니다.

결론: AI에게 ‘질문하는 시대’는 끝났다, 이제는 ‘일을 맡기는 시대’

ChatGPT Agent는 단순히 스마트한 도우미를 넘어, ‘일을 맡길 수 있는 파트너’로 진화하고 있습니다. 과거에는 AI에게 질문하고 답을 얻는 수준이었지만, 이제는 복잡한 업무까지 위임해 결과물을 받는 시대가 시작된 것입니다.

이는 단지 도구 하나의 출현이 아니라, 업무 방식 자체의 근본적인 변화입니다. 기업의 입장에서는 이 기술을 단순히 도입하는 차원이 아니라, 조직 전반의 프로세스를 재설계하는 계기로 삼아야 할 것입니다.

지금은 ChatGPT Agent와 같은 도구를 ‘정보 검색’ 수단으로 보는 시대가 아니라, ‘전략 실행을 위한 디지털 파트너’로 받아들이고 그에 맞는 활용 전략을 고민해야 할 때입니다.

AX 100배의 법칙 – 나와 조직의 능력을 100배 높이는 AI 경영의 실제 도서 구매

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .

인공지능(AI)이 범용을 넘어 특정 산업을 위한 맞춤형 플랫폼 출현으로 이어지고 있습니다. 특히 엄격한 규제가 적용되는 금융 산업에서는 데이터 보안, 정확성, 업무 효율을 동시에 충족해야 하는 특성이 있습니다. 이 때문에 범용 AI 모델로는 한계가 명확하게 드러날 수밖에 없습니다. 이런 맥락에서 Anthropic은 금융 분야에 특화된 인공지능 플랫폼 ‘Claude for Financial Services’를 발표하며, 수직 AI(Vertical AI), 즉 금융 AI 시장에 본격적으로 진입했습니다.

이 글에서는 Claude for Financial Services가 기존 Claude Enterprise와 어떻게 다른지, 금융업계는 이 기술을 통해 어떤 변화를 기대하고 있는지, 살펴보려고 합니다.

Claude for Financial Services란 무엇인가?

Claude for Financial Services는 Anthropic이 기존 Claude Enterprise를 기반으로 금융 산업에 특화하여 확장한 인공지능 모델입니다. 기존 제품의 성능을 유지하면서도 금융 업무에 직접 적용할 수 있도록 기능이 강화되었습니다.

Anthropic의 금융 부문 총괄을 맡은 조너선 펠로시(Jonathan Pelosi)는 “Claude는 본래부터 복잡한 금융 업무에 적합했지만, 지금은 아예 금융 산업 전용으로 별도 모델을 개발했다”고 밝혔습니다. 이는 이미 금융 업계에서 Claude의 사용이 활발히 이루어지고 있었으며, 이를 보다 체계적이고 전문적으로 지원하려는 의도라 볼 수 있습니다.

강화된 기능과 차별화된 요소들

Claude for Financial Services는 기존 Claude Enterprise 대비 몇 가지 측면에서 기능이 크게 향상되었습니다. 특히 데이터를 활용하는 방식, 분석 도구의 편의성, 그리고 업무 효율성 측면에서 두드러진 차이를 보입니다.

첫째, 이 플랫폼은 FactSet, PitchBook, S&P Capital IQ, Morningstar 등 주요 금융 데이터 제공업체와 사전 연동되어 있어, 사용자가 별도 API 설정 없이 데이터를 바로 불러올 수 있습니다. 가령, 자산운용사 애널리스트가 특정 산업군의 10-K 보고서를 분석하려 할 때 별도의 수작업 없이 Claude가 문서를 불러오고 요약 및 해석까지 처리해줍니다. 이로써 데이터 수집에 쓰이는 시간과 리소스를 크게 줄일 수 있습니다.

둘째, Claude는 금융 분석에 특화된 ‘프롬프트 라이브러리’를 함께 제공합니다. 금융 전문가는 종종 원하는 질문을 AI에 정확히 전달하는 데 어려움을 겪는데, Anthropic은 이러한 사용자의 시행착오를 줄이기 위해 분석 목적에 따라 사전에 준비된 명령어 예시를 제공합니다. 예를 들어, ‘SaaS 기업의 ARPU(고객당 평균 수익) 변화 분석’과 같은 복잡한 분석도 표준화된 프롬프트를 활용해 쉽게 요청할 수 있습니다. 이 기능은 실제 사용자들의 피드백을 반영해 지속적으로 개선되며, 업종별 전문성을 반영할 수 있는 기반이 됩니다.

셋째, 금융 업계는 수많은 데이터를 다루기 때문에 AI 처리 한도에 자주 도달하는 문제가 있었습니다. Claude for Financial Services는 요청량, 응답 길이 등의 제한을 대폭 완화하여 대규모 데이터 분석도 문제없이 수행할 수 있게 했습니다. Anthropic은 기존 고객들이 복잡한 퀀트 분석 작업 수행 중 제한값 때문에 어려움을 겪는 경우가 많았다는 점에 착안해 이 부분을 개선했다고 밝혔습니다.

수직 AI 플랫폼 도입 시 고려해야 할 점

AI 기업들이 산업별 맞춤 솔루션을 출시를 고려하고 있지만, 금융 산업처럼 규제가 강한 분야에서는 도입 시 여러 사항을 고려해야 합니다.

우선, 데이터 보안과 고객확인(KYC) 규정의 준수가 반드시 따라야 합니다. Claude for Financial Services는 MCP(Multi-Company Platform)를 통해 여러 조직 간 AI 에이전트가 데이터를 공유하도록 설계되어 있지만, 여전히 모든 금융 기관이 이 구조를 선뜻 받아들이는 것은 아닙니다. KYC나 사용자 인증 같은 컴플라이언스 요건을 완전히 충족하지 못한다고 보는 시각도 있습니다. Anthropic은 이에 대해 향후 인증 체계를 강화해 보완할 계획임을 밝혔습니다.

또한, 보수적인 기업 문화로 인해 도입 속도에 차이가 나기도 합니다. 보안팀의 사전 점검, 내부 감사 절차, 법무 검토 등 시간이 소요되는 단계들이 많기 때문입니다. 이를 고려해 Anthropic은 Claude를 설치형(On-Premise) 환경에서도 사용할 수 있도록 지원하고 있습니다.

조너선 펠로시는 “기존 Claude Enterprise 사용자가 반드시 금융 서비스 버전으로 전환할 필요는 없다”면서, “그러나 더 많은 기능과 혜택을 원하는 고객에게는 충분한 선택지를 제공하고 있다”고 설명했습니다.

수직 AI는 금융 산업의 미래인가?

Claude for Financial Services의 출시는 단순한 기능 개선을 넘어, AI 산업 전반에 중요한 흐름 변화를 보여주는 사례입니다. 수직 AI는 다양한 산업에 자동 적용되는 범용 모델 대신, 각 산업의 업무 방식과 요구사항에 맞춘 구조로 설계됩니다.

이런 전략은 자체적인 AI 인프라 구축이 어려운 금융 기관이나 국부펀드, 사모펀드 등에게 특히 유용합니다. 이미 정제된 데이터를 활용할 수 있고, 별도 전문 인력이 없어도 바로 업무에 투입할 수 있는 점에서 진입 장벽을 낮춰주기 때문입니다.

향후 Claude의 확장 가능성

Anthropic은 이번 금융 산업에 특화된 Claude 모델이 성과를 거둘 경우, 의료, 법률, 제조와 같은 다른 고규제 산업으로도 영역을 확장할 계획입니다. 이들 분야 역시 방대한 문서 기반 업무와 높은 정확성, 보안 요건을 갖추고 있어 수직 AI가 특히 효과적일 수 있습니다.

최근에는 실제로 Claude가 노션(Notion), 피그마(Figma), 스트라이프(Stripe) 등 주요 파트너 서비스와 직접 연동되는 기능도 제공되기 시작했습니다. 이를 통해 다양한 업무 도구들과의 호환 범위도 넓히고 있습니다.

결론: 금융 AI 활용의 새로운 패러다임

금융 산업은 그 특성상 AI 도입이 쉽지 않은 분야입니다. 그러나 Claude for Financial Services는 금융 업무에 특화된 보안, 정확도, 사용자 설정 기능 등을 갖추고 있어 이 같은 장벽을 효과적으로 넘을 수 있는 솔루션으로 평가받고 있습니다.

이미 주요 금융 기관이 Claude를 실제 업무에 도입 중이며, 이러한 수직 AI가 머지않아 업계 표준으로 정착할 가능성도 있습니다.

AI 도입을 고민하면서도 자원과 보안 문제로 망설였던 기업이라면, Claude for Financial Services가 실질적인 대안이 될 수 있습니다. 지금이 바로 산업 특화 AI 전략을 수립할 적기입니다.

AX 100배의 법칙 – 나와 조직의 능력을 100배 높이는 AI 경영의 실제 도서 구매

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .

이제 AI는 단순한 실험 단계를 넘어 본격적으로 기업 현장에 적용되고 있습니다. 특히 ‘AI 에이전트(Agentic AI)’라고 불리는 자율적 AI 시스템이 실제 운영 단계에 접어들면서 산업 전반에 큰 변화를 일으키고 있습니다.

2025년 미국 샌프란시스코에서 열린 VB Transform 컨퍼런스에서는 이러한 변화가 기업 전반에 얼마나 빠르게 확산되고 있는지 구체적인 데이터와 함께 확인할 수 있었습니다. 해당 컨퍼런스를 통해 공유된 네 가지 주요 인사이트를 중심으로, AI 도입이 기업에 어떤 실질적인 영향을 미치는지 살펴보겠습니다.

AI 에이전트 실전 투입 가속화: 이미 많은 기업이 사용 중입니다

과거 기업에서 AI는 주로 데이터 분석, 챗봇, 고객 응대 자동화 등 제한적인 분야에 활용됐습니다. 하지만 지금은 단순한 지원 도구가 아닌, 특정 업무를 주도적으로 수행하는 ‘에이전트형 AI’가 실제로 운영되고 있습니다. 특히 그 도입 속도가 예상보다 훨씬 빠르게 전개되고 있는 점이 인상적입니다.

컨퍼런스 직전에 벤처비트(VentureBeat)가 실시한 설문조사에 따르면, 직원 수 1,000명 이상인 기업 중 68%가 이미 AI 에이전트를 구축한 것으로 나타났습니다. 이 수치가 과장된 듯 보일 수 있지만, KPMG의 별도 조사 역시 이를 뒷받침합니다. KPMG 자료에 따르면 2024년 말까지 11%에 불과했던 도입률이 단 두 분기 만에 33%로 상승했습니다. 3배 이상 증가한 셈입니다.

예를 들어, 회계 소프트웨어로 잘 알려진 Intuit는 AI 에이전트를 통해 송장 발행과 결제 요청 과정을 자동화했습니다. 이 AI는 기업이 평균적으로 결제를 5일 더 빨리 받을 수 있도록 도와줬으며, 완납률도 약 10% 향상시켰다고 보고됐습니다. 이런 결과는 어느 산업군에서든 주목할 만한 투자 대비 효과로 평가됩니다.

또한 LinkedIn, Capital One, Highmark Health 등 다양한 산업의 선도 기업들 역시 AI 에이전트를 도입해 고객 응대, 내부 정보 흐름 관리, 운영 자동화 등 다양한 영역에서 실제 성과를 내고 있습니다.

멀티 모델, 멀티 클라우드 전략으로 전환 중인 기업들

AI 서비스의 접근 방식 또한 변화하고 있습니다. 과거에는 성능이 우수한 대형 언어 모델(LLM)을 보유한 소수의 기술기업, 예를 들어 OpenAI, Google, Meta 등이 유일한 선택지였지만, 지금은 상황이 다릅니다. 많은 기업들이 멀티 모델, 멀티 클라우드 전략으로 전환해 다양한 옵션을 혼합해 사용하는 방식으로 유연성을 확보하고 있습니다.

IBM AI 플랫폼 부문 부사장인 아르망 루이즈는 “이제 하나의 모델만 사용하는 시대는 지났다”고 강조합니다. IBM은 자사 오픈소스 모델 외에도 타사 모델을 손쉽게 통합할 수 있는 게이트웨이 시스템을 개발해 기업이 필요에 맞는 모델을 자유롭게 선택할 수 있도록 지원하고 있습니다.

또한 Zoom은 자체 개발한 AI 모델, 외부 파트너 모델, 그리고 고객이 생성한 맞춤형 모델을 모두 수용할 수 있는 세 단계 전략을 채택해 기술 역량을 강화하는 동시에 고객의 요구에도 유연하게 대응하고 있습니다.

이와 함께, AI 도입의 장애 요소 중 하나였던 하드웨어 자원 문제도 다양한 기술 기업들이 대응하고 있습니다. 예를 들어 Solidigm은 AI 연산에 특화된 스토리지 및 메모리 솔루션을 제공함으로써 시스템 병목 현상을 완화하고 있습니다.

실질적 문제 해결에 집중하는 기업들, AGI는 관심 밖입니다

언론과 일부 기술 리더들은 여전히 범용 인공지능(AGI)에 주목하고 있지만, 실제 기업 현장의 관심은 훨씬 현실적인 과제에 집중되어 있습니다. 대부분의 기업은 아직 먼 미래의 기술보다 지금 해결할 수 있는 구체적인 문제에 초점을 맞추고 있습니다.

높은 만족도를 얻고 있는 사례 중 하나는 미국 의료서비스 기업 Highmark Health입니다. 이 회사는 영어에 익숙하지 않은 고객과 효과적으로 소통하기 위해 다국어 대응 AI를 도입했으며, 의료 청구의 자동화 시스템도 함께 구현해 고객 응대 품질과 운영 효율을 동시에 높이고 있습니다.

금융 기업 Capital One은 리스크 평가, 감사, 대출 매칭 등 여러 업무에 특화된 AI 에이전트를 도입해 부서별 업무 단위로 나뉘어 운영하고 있습니다. 이 AI들은 인간 팀원처럼 개별 업무에 최적화된 책임을 가지고 작동합니다.

여행 업계에서도 변화가 두드러지고 있습니다. Expedia, Kayak 등은 “자연광이 좋은 오션뷰 숙소 찾아줘” 같은 자유로운 언어 표현을 해석해 검색 결과를 제시하는 AI 기반 검색 기능을 개발 중입니다. 이는 기존 키워드 기반 검색 방식보다 훨씬 직관적인 사용자 경험을 제공합니다.

소형 팀 중심의 개발 문화로 전환: 모두가 AI 매니저가 되는 시대입니다

AI 도입이 가속화되면서 기업 내 팀 구조와 업무 방식 또한 빠르게 변화하고 있습니다. 예전에는 대규모 팀이 장기간 프로젝트를 추진했지만, 현재는 소규모 팀이 빠르게 테스트하고 결과를 측정하는 방식이 보편화되고 있습니다. 이런 전환에는 AI 기술의 빠른 발전이 큰 영향을 미쳤습니다.

AI 개발 도구를 제공하는 Windsurf의 최고경영자 바룬 모한은 “3~4명의 소형 팀이 빠르게 아이디어를 검증하고 반복하는 구조가 가장 이상적”이라고 설명합니다. 이처럼 빠른 검증과 실험이 가능해지면서, 소속 부서나 직무와 관계없이 누구나 AI 프로젝트를 주도할 수 있는 구조가 형성되고 있습니다.

이러한 흐름은 AI 전문 엔지니어 중심의 개발 문화를 넘어, 일반 직원들도 직접 AI 기능을 설계하고 적용하는 방향으로 확장되고 있습니다. GitHub, Atlassian, AWS 등은 ‘AI 매니저’라는 새로운 직무를 통해 다양한 구성원이 AI 운영에 참여할 수 있도록 하고 있습니다.

한편, Anthropic의 클로드(Claude) 제품 책임자인 스콧 화이트는 개발자가 아니면서도 실제 환경에서 작동 가능한 AI 기능을 구축한 경험을 공유하며, AI 개발의 진입장벽이 점점 낮아지고 있다는 점을 강조했습니다.

이와 같은 변화는 ‘작게 시작해 빠르게 실험하라’는 철학에도 기반합니다. AI 분야의 권위자인 앤드류 응 교수는 “초기에는 폐쇄된 환경에서 자유롭게 실험하고, 실질적 가치가 입증된 후에 거버넌스를 적용하라”고 조언합니다. 이는 실패를 두려워하지 않고 유연한 실험 문화를 채택하는 것이 중요하다는 의미입니다.

결론: 기업용 AI의 미래는 이미 현실입니다

AI 에이전트는 더 이상 미래 예측의 대상이 아닙니다. 이미 수많은 기업들이 AI 에이전트를 현업에 투입해 구체적인 성과를 내고 있으며, 이에 따른 확산 속도는 꾸준히 더 빨라지고 있습니다. 각종 조사 결과, 도입률, 예산 배정, 고객 서비스 향상 지표까지 모든 요소가 이를 뒷받침합니다.

이처럼 AI 기반 업무 전환이 가속화되고 있는 지금, 선제적으로 대응한 기업들은 이미 시장에서 우위를 확보하기 시작했습니다. 반면, 아직 준비가 되지 않은 기업들은 빠르게 배우고 경험을 축적해야 할 시점입니다. 실험이 곧 경쟁력이라는 사실은 이제 명확해지고 있습니다. 빠르게 시도하고, 작게 시작하되, 꾸준히 확장해가는 전략이 지금 필요한 접근 방식입니다.

참고

AX 100배의 법칙 – 나와 조직의 능력을 100배 높이는 AI 경영의 실제 도서 구매

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .

2025년 VentureBeat Transform 행사에서 Atlassian의 사장 아누 바라드와즈(Anu Bharadwaj)는 AI가 미래 업무 방식과 조직 문화를 어떻게 근본적으로 바꾸고 있는지를 소개했습니다. Atlassian은 단순한 자동화나 소프트웨어 도구의 개선이 아닌, 모든 구성원이 자유롭게 에이전트를 만들고 협업할 수 있는 실험 중심 문화를 지향하고 있습니다.

이번 글에서는 Atlassian이 어떻게 수천 개의 맞춤형 AI 에이전트를 구축해 왔는지, 그리고 그것이 팀워크와 실험 문화, 나아가 심리적 안정성과 어떻게 연결되고 있는지를 살펴보겠습니다.

미래 업무, AI 도입의 핵심은 기술이 아니라 문화다

많은 기업들이 AI 도입을 기술 과제로 접근합니다. 경영진 주도로 특정 AI 툴을 일괄 배포하고, 내부 교육으로 사용자 적응을 유도하는 방식이 일반적입니다. 하지만 Atlassian은 이와는 전혀 다른 접근을 택했습니다.

아누 바라드와즈 사장은 AI의 도입이 단지 첨단 기술의 적용이 아니라, 개개인이 자신의 역할과 문맥 속에서 실험하고 개선할 수 있는 문화적 기반을 마련하는 것이라고 강조합니다. Atlassian에서는 실제로 개발자뿐만 아니라 비개발자도 자신이 직면한 문제를 해결할 수 있도록 맞춤형 AI 에이전트를 직접 만들고 있습니다.

이러한 방식은 구성원 개개인이 AI 기술에 능동적으로 참여하도록 유도하며, 조직 전반에 걸쳐 AI 실험과 활용이 자연스럽게 확산될 수 있는 환경을 조성합니다.

실험을 통한 학습: 실패를 수용하는 조직 문화의 중요성

AI는 정형화된 문제 해결에는 강력하지만, 예측하기 어려운 상황에서는 끊임없는 실험과 개선이 필요합니다. Atlassian은 이 과정에서 ‘실패’를 수용하는 문화를 가장 중요한 가치로 삼고 있습니다.

바라드와즈 사장은 직원들이 자유롭게 시도하고, 실패하고, 다시 도전하는 과정을 격려한다고 말합니다. 이는 단지 용인하는 정도가 아니라, 실패를 다음 성공의 토대로 활용하는 사고방식입니다.

이를 실현하기 위해 Atlassian은 Rovo Studio라는 전용 플랫폼을 운영하고 있습니다. 이곳은 팀원들이 자유롭게 자신만의 AI 에이전트를 설계하고 실험할 수 있도록 만든 ‘디지털 실험실’ 같은 공간입니다. 여기에 실험 데이터를 보호할 수 있는 보안 기능도 함께 적용하여, 안전성과 자유로운 실험을 동시에 보장하고 있습니다.

Rovo Studio: 누구나 에이전트를 만드는 시대

Rovo Studio는 Atlassian이 내부 실험을 조직문화로 정착시키는 데 있어서 핵심 역할을 하고 있는 플랫폼입니다. 코딩 지식이 없는 직원도 자연어 명령만으로 AI 에이전트를 만들 수 있고, 기술적인 깊이를 원하는 개발자들은 별도의 플랫폼(Forge)을 통해 세밀한 제어 기능을 추가할 수 있습니다.

실제로, 한 건설 기업은 일정 관리 에이전트를 개발해 업무 시간을 약 75% 줄였으며, 글로벌 출판사 하퍼콜린스는 에이전트를 문서 검토에 활용해 수작업을 네 배 이상 줄였습니다.

이러한 사례는 AI가 단순히 특정 기능을 자동화하는 데 그치지 않고, 조직 전반의 일 처리 방식 자체를 혁신하고 있다는 점을 보여줍니다.

팀워크의 재정의: 에이전트와 인간의 협업 구조

기존 IT 시스템 하에서는 사람이 주체가 되어 도구나 시스템을 활용하는 방식이 일반적이었습니다. 그러나 Atlassian은 이를 넘어 AI 에이전트와 사람이 함께 협업하는 새로운 형태의 ‘멀티플레이어 협업(Multiplayer Collaboration)’을 핵심 모델로 제시하고 있습니다.

아누 사장은 “이제는 단일 사용자의 단일 에이전트가 아닌, 여러 인원이 각각의 에이전트를 활발히 운영하면서 이들이 유기적으로 협력하는 구조로 나아가야 한다”고 밝히고 있습니다. 이러한 협업 방식은 의사결정 속도를 높이고, 문제 해결의 효율성을 극대화하는 데 핵심 역할을 합니다.

즉, 에이전트가 일종의 동료처럼 팀 안에 자리 잡으며 인간과 함께 일하는 구조가 업무 효율을 크게 높일 수 있다는 관점입니다.

안전성과 유연성의 균형: 실험의 자유를 위한 방어막

AI 실험을 장려한다고 해서 무제한의 자유를 줄 수는 없습니다. Atlassian은 실험이 조직 전체 시스템에 위험을 주지 않도록 보안 및 접근 제어 체계를 철저히 설계했습니다.

예를 들어, Rovo Studio로 생성된 에이전트는 생성자의 권한 범위 내에서만 작동하도록 설정되어 있어, 민감 데이터 접근이나 권한 외 조작을 방지합니다. 이같은 구조는 사용자에게는 실험 자유를 줌과 동시에, 조직에는 통제를 유지할 수 있는 안정망을 제공해줍니다.

이처럼 보안과 실험의 자유가 균형을 이룰 때, 진정한 의미의 실험 문화가 자리잡을 수 있습니다.

일하는 방식의 진화: AI가 지배하는 미래보다, AI와 함께하는 현재

Atlassian은 AI의 도입을 먼 미래의 변화가 아닌, 현재의 업무 방식을 바꾸는 실질적인 수단으로 받아들였습니다. 아누 사장 본인도 신기술을 사용해보고 나서 느낀 점을 동영상으로 팀원들과 공유한다고 밝혔습니다. 장점뿐만 아니라 실수나 한계점까지 솔직하게 드러냄으로써, 직원들이 AI 도입에 대한 부담을 덜고 자신감을 가질 수 있도록 돕고 있습니다.

이러한 개방적 공유 문화를 통해 누구나 AI를 실험해볼 수 있고, 그 경험이 조직 전체에 긍정적인 영향으로 확산됩니다.

변화하는 리더십의 역할: 명령이 아닌 공감, 통제가 아닌 지원

기존의 리더십은 위에서 명령을 내리고 아래에서 따라가는 방식이었습니다. 그러나 Atlassian은 AI 시대에는 리더의 역할이 구성원이 실험하고 학습할 수 있는 환경을 설계해 주는 것이라고 봅니다.

예를 들어, AI 교육을 단기적 교육 프로그램으로 끝내는 것이 아니라, 지속적인 실험과 학습이 가능한 플랫폼(Rovo Studio), 기술 지원(Forge), 그리고 구성원이 실패를 두려워하지 않도록 돕는 심리적 안정성 지원까지 체계화했습니다.

이제 리더는 지시자가 아닌 ‘환경 설계자’로, 구성원은 수용자가 아닌 ‘창의적 생산자’로 거듭나고 있습니다.

기업 혁신의 본질은 ‘기술 수용력’이 아닌 ‘변화 수용 문화’

Atlassian의 전략이 주는 가장 큰 교훈은, AI 도입에서 진짜 중요한 것은 최신 기술이나 정확한 모델이 아니라, 개개인이 실험하고 변화에 적응할 수 있는 문화를 조직 내에 갖추고 있는지 여부입니다.

많은 기업들이 기술 도입에는 빠르지만, 그 효과를 실감하지 못하는 이유는 바로 이러한 문화적 기반이 부족하기 때문입니다. Atlassian은 기술 도입도 중요하지만, 그보다 앞서 사람을 중심에 두고 성장과 실험이 가능한 장을 만들었다는 점에서 주목할 만한 차별화를 보여주었습니다.

에이전트 중심의 업무 전환, 우리 기업도 준비할 수 있다

AI 도입을 고려 중인 기업이라면, Atlassian의 방식에서 몇 가지 점을 점검해볼 수 있습니다. 단순히 LLM API를 연결하고 GPU 서버를 운영하는 것을 넘어, 우리의 일하는 문화가 다음과 같은 질문에 준비되어 있는지 판단해보셔야 합니다.

우선, 우리 조직은 실패를 학습의 일부로 받아들일 수 있는가? 구성원들에게 실험할 수 있는 도구와 시간이 제공되고 있는가? 기술보다 ‘일의 의미’를 고민하며 AI를 활용하고 있는가? 이 질문에 ‘예’라고 답할 수 있다면, 귀사의 조직도 ‘에이전트 기반 업무 전환(Agentic Transformation)’을 향한 여정을 시작할 준비가 되어 있다고 볼 수 있습니다.

정리하며: 변화는 기술이 아니라 문화로부터 시작된다

Atlassian의 사례는 AI 기술을 도입하는 방식이 아닌, 그것을 조직의 일하는 방식에 어떻게 통합하느냐에 혁신의 핵심이 있다는 점을 잘 보여주고 있습니다. 에이전트는 단지 개발자 전용 도구가 아니라, 모든 구성원이 활용할 수 있는 협업 파트너로 자리 잡아야 진정한 효과를 낼 수 있습니다.

AI로 만들어질 미래는 아직 오지 않았습니다. 그 미래는 지금 우리가 실험을 허용하고, 실패를 수용하며, 문화적으로 변화에 얼마나 열려 있는지에 따라 달라질 것입니다. Atlassian의 전략은 그 중요한 첫걸음을 어떻게 시작할 수 있는지를 단적으로 보여주고 있습니다.

AX 100배의 법칙 – 나와 조직의 능력을 100배 높이는 AI 경영의 실제 도서 구매

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .

엘론 머스크가 이끄는 인공지능 기업 xAI가 최신 AI 모델 ‘Grok 4’를 공개했습니다. 실시간 스트리밍을 통해 발표된 이 모델은 “세계에서 가장 똑똑한 AI”라는 강한 수식어로 세계적인 주목을 받았습니다.

이 글에서는 Grok 4의 기술적 특징은 물론, 실제 산업에서의 활용 사례, 가격 체계, 그리고 윤리적 이슈까지 포괄적으로 살펴보겠습니다. AI를 비즈니스에 접목하려는 기업이라면 꼭 참고해 주시기 바랍니다.

Grok 4란 무엇인가?

Grok 4는 2025년 7월에 공개된 xAI의 최신 AI 모델로, 두 가지 형태로 구성돼 있습니다. 하나는 단일 AI가 논리적으로 사고하는 ‘싱글 에이전트 추론 모델’이고, 다른 하나는 여러 모델이 협력하는 구조의 ‘멀티 에이전트 협력형 모델(Grok 4 Heavy)’입니다.

엘론 머스크는 이 모델을 지금까지 자신이 사용해본 어떤 AI보다 현실 문제 해결에 탁월하다고 평가하면서, 특히 과학이나 공학 분야에서 기존에 해결되지 않던 질문에 대해 독창적인 해답을 제시할 수 있는 가능성을 강조했습니다.

다른 AI 모델과 비교해 Grok 4가 갖는 가장 큰 특징은, 단순 지식 기반의 응답을 넘어서 다중 툴 연동, 코드 실행, 멀티모달 콘텐츠 분석 등 복합적 작업을 수행하면서 내부 모델 간 협업을 통해 문제를 푸는 접근법입니다. 이는 일종의 ‘시스템 지능’을 지닌 AI라고 볼 수 있습니다.

Grok 4의 기능 및 기술적 성능

AI의 핵심은 얼마나 ‘사고’할 수 있느냐입니다. Grok 4는 기존처럼 정보를 분류하거나 요약만 하는 수준을 넘어, 논리적 추론과 문제 해결이 가능하도록 설계돼 있습니다. 특히 Grok 4 Heavy는 내부에 여러 개의 AI ‘에이전트’가 서로 협업하는 구조라서, 복잡한 과제를 나누고 해결하는 데 능숙한 편입니다. 이런 구조를 AI 업계에서는 ‘멀티 에이전트 시스템’이라고 부릅니다.

이전 버전인 Grok 3에서는 다양한 툴을 모델 학습 이후에 덧붙이는 방식이었다면, Grok 4는 아예 개발 초기에 툴 활용을 학습에 포함시켰습니다. 덕분에 Grok 4는 텍스트 분석뿐 아니라 웹 검색, 코드 실행, 이미지 해석 등 다방면에서 실시간 작업을 수행할 수 있으며, 몇몇 기능은 실제 연구나 비즈니스 현장에 적용할 수 있는 수준에 도달했습니다. 예를 들어, 수식 검증이나 알고리즘 튜닝 같은 작업도 자체 코드 실행 기능으로 처리할 수 있습니다.

이러한 기술력은 각종 벤치마크 테스트에서 입증되었습니다. 예를 들어, 인간 수준의 논리 추론 능력을 가늠하는 ARC-AGI 2 테스트에서는 세컨드 모델의 2배에 달하는 성능을 기록했고, MATH-500처럼 수학 난이도가 높은 테스트에서도 최고 점수를 기록했습니다. 이런 결과는 Grok 4가 단순 대화형 챗봇이 아니라 실제 복합 문제를 풀 수 있는 고급 AI임을 보여주는 지표입니다.

Grok 4의 가격과 구독 옵션

기업이나 개발자, 일반 사용자 등 다양한 계층을 겨냥해 Grok 4는 여러 가격제와 서비스 유형으로 제공됩니다.

API를 사용하려는 기업의 경우, 입력 토큰당 $3, 출력 토큰당 $15의 요금이 적용되며, 캐시에서 입력되는 경우에는 $0.75로 단가가 낮아집니다. 한 번에 최대 256,000개의 토큰까지 처리할 수 있는 컨텍스트 범위는 GPT-4o나 Claude Sonnet보다 넓은 편이며, 구조화된 출력이나 함수 실행, 이미지 입력 작업도 모두 지원합니다.

일반 사용자라면, X(전 Twitter) 플랫폼에서 Grok 챗봇이나 모바일 앱을 통해 서비스를 이용할 수 있습니다. 월 $16의 프리미엄 플랜부터, 월 $300 비용의 SuperGrok과 Grok 4 Heavy까지 선택할 수 있습니다. 다만 고급 요금제는 일반 사용자 입장에서는 상대적으로 부담스러운 금액으로 비칠 수 있습니다.

실제 활용 사례: Grok 4는 어디에 쓰이는가?

Grok 4는 단순히 정보를 처리하는 AI를 넘어서 실질적인 산업 문제를 해결하는 데도 활용되고 있습니다.

의료 분야에서는 흉부 엑스레이 이미지를 분석해 의사의 진단을 보조하는 데 쓰였습니다. 기존 시스템보다 높은 정확도를 보이며 AI 기반 진단 보조 시스템의 가능성을 보여준 사례입니다.

바이오 연구에선 미국 Arc Institute가 CRISPR 유전자 편집 데이터를 분석할 때 Grok 4를 활용해 의미 있는 가설을 도출했습니다. 논리적인 사고와 대량 데이터 해석이 필요한 분야에서도 Grok 4가 유의미한 역할을 할 수 있다는 것을 입증한 사례라 할 수 있습니다.

금융업계에서는 Grok 4가 다양한 시세 정보와 뉴스 데이터를 실시간으로 분석해 시장 예측 모델로 사용되고 있습니다. 특히 시뮬레이션 기반의 자산운용 전략을 수립하는 데 효과적이라는 평가를 받았습니다.

또한, 쇼케이스에서는 사용자가 간단한 문장 두세 개만 입력하면 Grok 4가 자동으로 3D 게임을 구성하는 데 필요한 에셋과 베이직 구조를 생성하는 시연이 공개됐습니다. 이는 게임 개발 초기 단계의 리소스를 절감할 수 있는 기술로 주목받고 있습니다.

논란: 윤리성, 책임 회피, 신뢰 결여 문제

하지만 Grok 4가 기술적으로 뛰어나다고 해서 모든 면에서 완벽한 것은 아닙니다. 이전 버전인 Grok 3는 인종차별적이거나 편향된 발언으로 사회적 논란을 불러온 바 있습니다. 특히 유대인 음모론, 나치 관련 언급, 정치적 편향 등이 포함된 응답이 노출되면서, xAI에 대한 신뢰가 떨어졌습니다.

이번 Grok 4 발표에서도 윤리적 문제에 대한 직접적인 언급이나 해명 없이 기술적 성취만 강조한 점은 비판을 받았습니다. 시청자들은 윤리 문제에 대한 사과나 방지 대책 없이 “AI도 사람처럼 성장하는 중”이라는 머스크의 추상적인 언급만 들었습니다.

이런 부분은 특히 신뢰성을 중시하는 대규모 기업 입장에서는 큰 리스크가 될 수 있습니다. 전문가들은 “모델의 성능보다 공급자의 신뢰가 더 중요하다”는 의견도 내놓고 있습니다.

경쟁 모델과 비교: Grok 4 vs OpenAI vs Google vs Anthropic

현재 AI 시장에서 Grok 4는 여러 모델과 경쟁하고 있습니다. OpenAI의 GPT-4o는 음성과 비전 처리에 특화되어 있고, Anthropic의 Claude Opus는 연구용 정밀 모델로 평가받고 있습니다. Google의 Gemini 2.5는 과거 모델 대비 최대 컨텍스트 입력량이 1백만 토큰에 이르고 있습니다.

Grok 4 Heavy는 25만 6천 토큰을 처리하면서, 추론 기반 멀티에이전트 시스템이라는 점에서 차별점을 둡니다. 가격 측면에서는 Anthropic보다는 저렴하지만 Google보다는 높은 편이며, 성능과 비용 간의 균형에 따라 선택이 달라질 수 있습니다.

기업 입장에서 Grok 4를 신중히 고려해야 하는 이유

기업이 AI 기반 제품이나 서비스를 도입할 때는, 단순한 기술력 이상으로 신뢰성과 윤리성, 미래 확장성을 점검해야 합니다.

Grok 4는 과학적 문제 해결이나 추론 중심의 작업에 뛰어난 성능을 보여주지만, 제품과 운영 방향이 창업자 개인, 즉 엘론 머스크의 철학에 크게 의존한다는 점에서 비즈니스 활용에는 신중한 접근이 필요합니다. 특히 윤리적 통제 장치가 부족하고, 사용자 피드백 루프가 미흡하다는 지적은 기업 입장에서 큰 리스크로 작용할 수 있습니다.

결론: Grok 4, 차세대 AI인가 위험한 도구인가?

Grok 4는 확실히 고도화된 기술과 뛰어난 성능을 갖춘 AI입니다. 과학, 기술, 금융 등 정확한 추론이 요구되는 다양한 산업에 적용할 수 있는 잠재력도 매우 큽니다. 기업은 Grok 4의 성능에 주목하되, 실제 도입 전에는 반드시 윤리성과 책임성에 대한 검증 기준을 마련하고, 공급자의 신뢰도도 함께 고려하셔야 합니다.

AX 100배의 법칙 – 나와 조직의 능력을 100배 높이는 AI 경영의 실제 도서 구매

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .

ChatGPT는 단순한 대화형 AI를 넘어 다양한 산업과 삶의 곳곳에 스며들고 있습니다. 그 가운데 주목할 만한 기능이 하나 새롭게 등장했습니다. 일부 사용자들이 실험적으로 접하게 된 기능, ‘Study Together(스터디 투게더)’입니다. 단순한 AI 응답을 넘어, 서로 학습하는 경험을 강조하는 이 기능이 기존의 교육 방식에 어떤 변화를 가져올 수 있을지 함께 살펴보겠습니다.

이 글에서는 ‘Study Together’ 기능의 개념부터 작동 방식, 실제 사례, 기술적인 가능성, 개선이 필요한 지점, 그리고 향후 전망에 이르기까지 단계별로 설명해드리겠습니다.

ChatGPT Study Together란 무엇인가?

‘Study Together’는 일부 Plus 요금제 사용자에게 비공식적으로 활성화된 실험적 기능입니다. 기존 ChatGPT의 일방적인 질문-응답 형태와는 다르게, 이 기능은 사용자가 스스로 답을 찾아갈 수 있도록 질문을 던져주고 생각을 유도하는 방식으로 설계되어 있습니다.

즉, 학생이나 사용자가 질문을 하면 바로 답을 주는 대신, 해당 개념에 도달하는 과정에 스스로 참여하도록 이끌어줍니다. 마치 학습 코치가 옆에 앉아 “그걸 어떻게 생각하게 됐나요?”라고 물으며 새로운 시각을 열어주는 방식이라 할 수 있습니다.

물론, 아직 OpenAI가 공식적으로 발표한 기능은 아니며, 모든 사용자에게 공개되지는 않았습니다. 이 기능이 정식으로 출시될 시점은 아직 미정입니다.

새로운 학습 경험: 질문 받는 AI에서 질문하는 AI로

지금까지 대부분의 AI 학습 도우미는 사용자의 질문에 답을 제공하는 데 초점을 맞췄습니다. 반면 ‘Study Together’는 질문을 던지는 역할을 하며, 사용자의 사고를 자극하고 주도적인 학습을 유도합니다.

예를 들어, 사용자가 “2차 함수의 최대값은 어떻게 구하나요?”라고 묻는다면, 기존 ChatGPT는 공식이나 풀이 과정을 바로 알려줍니다. 하지만 ‘Study Together’는 “2차 함수 그래프의 형태는 어떤 모양인가요?” “꼭짓점은 어떤 위치에 있을까요?”와 같은 질문을 다시 던지며, 사용자가 개념을 스스로 정리하고 이해하도록 유도합니다.

이러한 접근 방식은 고대의 소크라테스식 문답법처럼, 질문과 대화를 통해 스스로 답을 도출하게끔 하는 학습법과 유사합니다. 단순한 정보 암기가 아니라 개념을 탐색하고 내면화하는 데 도움을 주는 것이지요.

집단 학습 기능도 실현될까? 스터디 그룹의 디지털 전환

‘Study Together’는 향후 그룹 모드 확장을 염두에 두고 있어, 동시에 여러 사용자가 함께 대화하고 학습할 수 있는 환경이 마련될 가능성도 있습니다. 단순히 1:1 학습에서 머무는 것이 아니라, Zoom에서 진행하는 온라인 스터디처럼, 다수의 사용자가 하나의 세션에서 의견을 교환하고 내용에 대해 토론하는 겁니다.

예컨대 대학에서 진행하는 튜터링 세션에 교수 대신 AI 챗봇이 참여하고, 학생들이 각자의 관점에서 질문을 던지면 AI가 이를 정리하고 토론의 방향을 잡아주는 역할을 수행할 수 있습니다. 이렇게 디지털 스터디 그룹이 형성되면, 지리적 제약 없이도 협업형 학습이 가능해집니다.

초등·중등 교육에도 적합할까?

고등 교육뿐만 아니라, 학습의 기초를 다지는 초등 및 중등 교육 단계에서도 이 기능은 많은 효과를 기대할 수 있습니다. 예를 들어, 수학 문제를 단계별로 분석하고 풀어가는 동안 AI가 현재 위치를 파악하고 다음 단계의 사고로 유도해줄 수 있습니다.

과학 과목이라면, 단순한 정의 암기 대신 ‘원인과 결과’ 사이의 관계 맥락을 파악하도록 돕는 질문을 통해 개념을 스스로 재구성하게 됩니다. 영어 교육에서도 문장의 구조나 문법 요소가 어떻게 연결되는지를 질문을 통해 유도하면 학습 효과는 더욱 커집니다. 핵심은 정답 그 자체보다, 해당 정답에 도달하는 사고 과정을 훈련하는 데 있다는 것입니다.

문제점: ChatGPT가 너무 ‘수동적’이라는 사용자 피드백

물론 아쉬운 점도 있습니다. 일부 사용자는 AI가 지나치게 질문만 지속하게 되어, 오히려 답을 얻는 데 시간이 더 걸리고 비효율적이라고 평하기도 했습니다. 특히 시험을 준비하거나 개념 정리를 빠르게 해야 할 때, ‘Study Together’의 템포는 오히려 부담스러울 수 있습니다.

이 기능은 사용자가 문제 해결에 주도적으로 참여할 때 더욱 효과를 발휘하는 구조이기 때문에, 단기간 내 지식을 습득하려는 목적과는 일부 충돌합니다. 따라서 이 기능의 도입과 활용은 학습 목적과 상황에 따라 적절한 균형이 필요합니다.

더 나은 학습 도구로 진화하는 ChatGPT

OpenAI는 이 기능이 초기 실험 단계에 있으며 공식 출시 여부는 아직 확정하지 않았다고 밝혔습니다. 그러나 기능의 철학을 살펴보면, ChatGPT가 단순한 정보 제공자를 넘어 진정한 학습 파트너로 진화하고 있음은 분명합니다.

향후 출시될 GPT-5나 더 진보된 모델에 ‘Study Together’가 내장된다면, 사용자의 학습 습관과 집중 시간, 피드백 반응 등을 분석하고 맞춤형 대화를 제공하는 방향으로 발전할 수 있습니다. 그렇게 되면 AI 튜터의 기준 자체가 새롭게 정립될 수 있습니다.

에듀테크 시장에서의 파급력

‘Study Together’는 하나의 기능 차원을 넘어, 교육 플랫폼의 구조 자체를 뒤흔들 수 있는 가능성을 지니고 있습니다. 만약 이를 다른 AI나 학습 시스템에서도 적용한다면, 에듀테크 업계는 다음과 같은 진화를 맞이할 수 있습니다.

학습이 더 이상 요약형·질의응답형에서 머무르지 않고, 참여 중심·맥락 기반 통합 학습으로 변화하게 될 것입니다. 이는 교실 중심의 전통 교육을 보완하거나 재구성하는 데 기여할 수 있으며, 미래 세대의 학습 방식에 중요한 계기가 될 수 있습니다.

결론: ‘Study Together’는 다음 세대 교육의 시작점이 될 수 있다

‘Study Together’는 단순한 실험 기능을 넘어, AI가 인간의 학습 과정을 지원하는 방식을 재정의합니다. 물론 현재는 제한된 사용자만 경험할 수 있고, 사용 가이드 역시 부족한 상황입니다. 하지만 이 기능이 발전 방향을 따라가게 된다면, 우리 앞에 놓인 교육의 풍경은 가까운 미래에 크게 바뀔 수 있습니다.

AI가 정보를 단순히 전달하는 것이 아니라, 스스로 발견할 수 있게끔 돕는 동반자로 자리매김하게 된다면, 진정한 의미의 ‘스마트 학습 환경’이 도래하게 될 것입니다. AI와 함께 머리를 맞대고 공부하는 새로운 시대, 이제 한 걸음씩 그 문을 열고 있습니다.

AX 100배의 법칙 – 나와 조직의 능력을 100배 높이는 AI 경영의 실제 도서 구매

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .