김지현 지음 / 1만 9800원 / 한빛미디어 기업 경영진과 팀장급 이상 리더를 위한 인공지능(AI) 실천 지침서가 나왔다. 한빛미디어가 출간한 이 책은 최근 AI가 조직 전반에 빠르게 침투하면서 발생하는 역설적인 현상들과 이에 대응하는 리더의 역할을 심도 있게 다룬다. AI의 대중화로 누구나 높은 수준의 결과물을 빠르게 만들어낼 수 있게 되었지만, 조직 내부에서는 검증 없이 AI 산출물을 승인하는 형식적 결재, 방향성 없는 AX(AI 전환) 추진, 구성원의 번아웃과 도태가 동시에 일어나는 등 리더십의 위기가 관찰되고 있다. 이 책은 이러한 비즈니스 현장의 현실을 정면으로 파고든다. 저자는 30여 년간 ICT 분야 전문가로 활동하며 현장에서 직접 목격한 AX의 실패와 성공 사례를 바탕으로, 리더가 AI를 직접 써보지 않고서는 조직의 AI 전환을 결코 이끌 수 없다는 명제를 제시한다. 단순히 보고서 요약이나 반복 업무를 줄여 시간을 아끼는 도구적 접근을 넘어, AI와의 끊임없는 질문 확장을 통해 새로운 사고법을 정립해야 한다고 강조한다. 본문에서는 챗GPT, 퍼플렉시티, 노트북LM, 젠스파크, 에이닷 등 목적에 맞는 주요 AI 도구 활용법을 다룬다. 이를 통해 시장과 고객 트렌드를 읽어내는 실전 사례는 물론, 조직 구조를 재설계하고 진정한 AX를 성공시키는 리더의 역할까지 현장 중심의 통찰을 깊이 있게 담아냈다. 저자는 기업의 AX 성과를 결정짓는 핵심이 리더가 직접 발을 담그는 솔선수범형 현장 참여에 있다고 짚는다. 단순 반복 업무는 AI에 위임하되, 문제 정의와 가정 점검, 장기적인 방향 설계만큼은 리더가 책임져야 한다는 뜻이다. 아울러 AI 에이전트를 조직 내 하나의 직원처럼 배치하는 조직 설계 관점을 포함해 차별화된 경영 전략으로서의 깊이를 더했다. 독자들이 책 내용을 토대로 실시간 질의응답을 나누며 통찰을 확장할 수 있도록, 저자가 직접 제작한  AI 리더십 코치 GPT 링크도 함께 수록되어 실용성을 높였다.  

트렌드에서 얻은 것 No. 33   ‘뭐든 척척’ − 그리고 숨은 간극 요즘 주변의 엔지니어와 동료를 만나 AI 이야기를 꺼내면 반응이 한결같이 밝다. 설계 검토를 거들고, 반복적인 코드를 대신 짜 주고, 장문의 보고서까지 매끄럽게 뽑아 주니 “뭐든 척척 해낸다”며 만족스러워한다. 실제로 손에 익혀 본 사람일수록 호의적이다. 그리고 이 체감은 결코 과장이 아니다. 일하는 방식이 눈에 띄게 가벼워졌다는 증언은 이제 도처에서 들린다. 데이터도 이를 뒷받침한다. 맥킨지(McKinsey)의 ‘2025 AI 현황(State of AI)’ 조사에서 기업의 88%가 이미 AI를 쓰고 있다고 답했다. AI는 더 이상 실험이 아니라 일상이 됐다. 다만 한 꺼풀 더 들어가면 흥미로운 간극이 보인다. 같은 조사에서 AI로 전사 영업이익(EBIT)에 5% 이상 기여한 ‘고성과 기업’은 6%에 그쳤고, MIT의 ‘GenAI Divide’ 보고서는 전 세계가 생성형 AI에 300~400억 달러를 쏟아부었음에도 파일럿의 95%가 손익을 측정할 만한 성과를 내지 못했다고 진단했다. 개인의 만족은 분명한 사실인데, 그 만족이 아직 조직 전체의 성과로는 충분히 번지지 못한 셈이다. 그렇다면 이 ‘척척 해내는’ 개인의 경험을, 어떻게 조직의 성과로 키울 수 있을까. 기업 현장의 AI 활용을 영역별로 따라가 본다.   ▲ 클릭하면 큰 그림으로 볼 수 있습니다.   AI 비서(코파일럿) : 만족이 시작되는 곳 대부분의 만족은 ‘AI 비서’에서 출발한다. 메일 초안, 회의록 요약, 번역, 규격 문서 검색, 매크로·코드 작성, 보고서 정리까지 대화 몇 번이면 결과물이 나온다. 사무용 협업 도구와 개발 환경에 비서가 기본 탑재되면서, 개인의 생산성 향상은 누구나 체감하는 현실이 됐다. 지인들이 “뭐든 척척”이라고 말하는 바로 그 지점이다. 이 효용은 진짜이고, AI 여정의 소중한 출발점이다. 여기서 한 걸음 더 나아갈 여지도 분명하다. MIT가 짚었듯, 범용 비서는 개인의 생산성은 확실히 높이지만 조직 전체의 워크플로까지 바꾸지는 못한다. 그래서 ‘AI를 쓴다’고 답한 88% 가운데 다수가 이 단계의 만족에 머문다. 비서는 훌륭한 시작점이며, 다음 단계는 이 개인의 성과를 팀과 공정의 성과로 잇는 일이다.   AI, 기업 속으로 파고들다 − 프리미엄 구독과 ‘섀도 AI’ 흥미로운 변화는 위에서 내려오는 도입만이 아니라, 아래에서 올라오는 침투에서 일어나고 있다. 직원들이 회사의 공식 승인과 무관하게, 개인 프리미엄 구독으로 일상 업무에 AI를 끌어다 쓰는 흐름이다. 예컨대 클로드(Claude)의 상위 요금제인 맥스(Max)는 월 100달러(5배)~200달러(20배) 수준으로, 표준 프로(Pro) 요금제 대비 사용량을 크게 늘리고 코딩 도구(Claude Code)까지 온전히 열어준다. 하루 4~5시간씩 복잡한 업무에 AI를 붙들고 사는 지식근로자·개발자·분석가를 겨냥한 요금제다. 이런 고사용 구독을 개인이 직접 결제해, 문서 작성부터 코드·분석까지 ‘하루 종일 쓰는 주력 도구’로 삼는 사람이 빠르게 늘고 있다. 그만큼 효용을 강하게 체감한다는 방증이다. 문제는 이 사용의 상당수가 회사의 레이더망 밖에서 일어난다는 점이다. MIT 조사에 따르면, 직원들이 개인 챗봇 계정을 업무에 쓰는 기업이 90%를 넘는 반면, 회사 차원의 공식 LLM 구독을 갖춘 곳은 40%에 그쳤다. 공식 도입이 정체된 사이, ‘섀도 AI(shadow AI)’ 경제가 음지에서 번창하고 있는 셈이다. 한 보고서는 지식근로자의 71%가 여전히 IT 승인 없이 AI 도구를 쓴다고 집계했다. 이에 대한 기업의 대응은 크게 갈린다. 한쪽은 보안을 이유로 외부 AI를 차단한다. 분기 보고서를 요약하려고 마진 데이터를 외부 챗봇에 붙여 넣는 식의 정보 유출이 실제로 벌어지고, 섀도 AI가 관련된 유출 사고는 건당 평균 약 67만 달러의 추가 비용을 낳는다는 조사도 있다. 우려는 정당하다. 그러나 차단이 곧 사용 중단으로 이어지지는 않는다. 한 도구를 막으면 직원들은 다른 도구로 옮겨갈 뿐이고, 차단은 기업이 얻을 수 있는 AI 가치의 상당 부분까지 함께 버리는 결과가 된다. 그래서 다른 한쪽, 그리고 점점 더 많은 기업은 ‘막기’가 아니라 ‘잘 쓰게 하기’로 방향을 튼다. 승인된 안전한 도구(팀·엔터프라이즈 요금제, 거버넌스가 적용된 사내 환경)를 적극적으로 제공해 직원의 만족과 생산성을 동시에 끌어올리는 것이다. 실제로 한 의료 기관은 승인된 AI 도구를 제공한 뒤 비승인 사용이 89% 줄고, 임상의 1인당 하루 32분을 절약했다고 보고했다. 요컨대 AI는 이미 기업 안으로 깊숙이 들어와 있고, 관건은 그것을 음지에 둘 것인가, 양지로 끌어내 성과로 전환할 것인가다.   로컬 LLM과 주권 AI : 데이터를 안에 두기 물론 ‘잘 쓰게 하기’의 출발점은 보안이다. 사내 정보가 외부 서비스로 흘러가는 것에 대한 우려가 크다. 국내 조사에서도 AI 도입을 가로막는 가장 큰 이유로 ‘정보 유출 우려(41.9%)’가 꼽혔다. 그 결과, 모델과 데이터를 자사 통제 영역 안에 두려는 흐름이 뚜렷해졌다. 핵심 키워드는 ‘로컬 LLM’과 ‘주권 AI(sovereign AI)’다. 거대 범용 모델 대신, 규모는 작지만 특정 도메인에 맞춘 소형 언어 모델(sLLM)을 온프레미스나 사설 클라우드에 올려 민감 데이터가 회사 울타리를 벗어나지 않게 하는 방식이다. 한 조사에서는 데이터 주권을 추구하는 기업의 약 67%가 이미 어떤 형태로든 사설 AI 인프라로 옮겨갔다고 한다. 국내에서도 보안 민감도가 높은 제조·금융 대기업이 외부 서비스 대신 자체 모델(예컨대 삼성전자의 ‘가우스’)과 ‘사내 GPT’를 구축하는 배경이 여기에 있다. 이렇게 안전한 사내 환경이 갖춰지면, 직원들은 마음 놓고 더 적극적으로 AI를 쓸 수 있게 된다. 그리고 보안이 사실상 전부인 일부 영역에서는, 이 로컬·온프레미스 전략이 ‘트렌드’가 아니라 ‘유일한 선택지’가 된다. 대표적인 곳이 국방과 규제 산업이다.   시나리오 중심의 구축 : 국방과 규제 산업 이들 영역의 키워드는 ‘에어갭(air-gap, 폐쇄망)’이다. 시스템이 런타임에 필요로 하는 모든 것—모델, 토크나이저, 검색 엔진—을 경계 안에 미리 갖춰 두고, 외부 API 호출과 클라우드 의존을 0으로 만드는 구조다. 오픈웨이트 모델(라마·미스트랄·큐원 등)을 자체 GPU 클러스터에 올려, 토큰 생성이 단 한 번도 경계를 벗어나지 않게 한다. 여기서 AI는 비서에 그치지 않고, ‘시나리오에 맞춰 짓는’ 대상이 된다.   국방 해외에서는 미 로스앨러모스 국립연구소가 2025년 초, 핵·방산 관련 통제정보(CUI·ITAR)를 다루기 위해 클라우드 대신 LLM 자체 호스팅이라는 ‘더 어려운 길’을 택했다. 미 육군은 로컬에서 호스팅하는 보안 LLM에 접근하는 ‘엔터프라이즈 LLM 워크스페이스’를 배치했고, 이를 군사 영향등급 IL5에서 기밀 작전용 IL6로 확장하고 있다. 데이터 유출 우려 때문에 육군이 타군의 AI 프로그램을 자기 망에서 차단한 일까지 있었을 만큼, 보안 민감도는 절대적이다. 국내도 빠르게 움직인다. 방위사업청은 방위력 개선사업 관련 법령·규정·용어를 학습시켜 내부망에서 문서 요약·초안 작성·특화 번역을 제공하는 생성형 AI 서비스 구축을 추진 중이다. 1단계로 내부 포털에 ‘AI 비서’를 얹고, 2단계에서 사업보고서 초안 생성·현황 분석까지 수행하는 단계적 구상이다. 국방통합데이터센터(DIDC)는 국방 생성형 AI 운영을 위한 GPU 서버 구축을 진행하고, 국내 클라우드 기업은 국방 AI 전환 전담 조직을 신설해 정찰· 감시 영상 분석, 작전 교신 분석 등 군사 데이터를 통합하는 ‘한국형 국방 AI 플랫폼’ 구축에 나섰다. 특히 보안 기관에 엔지니어가 상주하며 현장 시나리오에 맞춰 시스템을 직접 설계·운영하는 ‘전방 배치 엔지니어(FDE)’ 방식까지 등장했다. 그 바탕에는 병력 감소라는 구조적 압박—적은 인력으로 더 많은 일을 해야 한다는 현실—이 있다.   규제 산업 제약(GxP 하의 배치 이력·공정 레시피), 금융(FINRA·SEC 규제), 의료(환자정보 PHI), 그리고 전력·플랜트 같은 중요 인프라와 OT(운영기술) 환경도 같은 길을 걷는다. 이들에게 에어갭은 ‘기능’이 아니라, 규제·감사·국가안보를 동시에 만족시키는 ‘유일한 컴플라이언스 자세’다. 이런 환경의 AI 에이전트는 범용이 아니라 임무 특화로 지어진다. 폐쇄망 안에서 기밀 문서 분석·정보 요약을 수행하고, 공장에서는 인터넷 없이 예지보전·비전 검사·에이전틱 워크플로를 돌린다. 공정 레시피도, 환자 정보도, 공급사 IP도 시설 밖으로 한 줄도 나가지 않는다. 핵심은 ‘범용’이 아니라 ‘시나리오’다. 작전·공정·규제라는 구체적 맥락에 맞춰, 모델과 에이전트를 그 경계 안에서 설계하고 길들인다.   사내 정보 학습과 엔지니어링 지식센터(RAG) 모델을 안으로 들였다면, 다음은 ‘우리 지식을 먹이는 일’이다. 핵심 기술이 RAG(검색 증강 생성)다. 사양서·도면·작업표준·장애 이력·회의록처럼 흩어진 사내 문서를 색인하고, AI가 답을 만들 때 그 근거를 실시간으로 끌어오게 하는 구조다. 이렇게 하면 환각(hallucination)을 크게 줄이고 ‘우리 회사 맥락’에 맞는 답을 얻을 수 있다. 엔지니어링 관점에서 이는 곧 ‘엔지니어링 지식센터’의 구축으로 이어진다. 베테랑의 머릿속과 개인 폴더에 흩어져 있던 설계 노하우·실패 사례·검토 기준을, 질문하면 출처와 함께 답하는 살아있는 지식 베이스로 바꾸는 것이다. 신입도 베테랑의 경험을 즉시 꺼내 쓸 수 있게 되니, ‘척척 해내는’ 경험이 개인을 넘어 조직 전체로 확장된다. 실제로 한 유럽 은행은 RAG 기반으로 감사·컴플라이언스 업무를 자동화해 3년간 약 2천만 유로를 절감하고 36명분의 업무 시간을 돌려받았다고 보고했다. 다만 전제가 있다. RAG의 답은 먹인 데이터의 품질을 넘지 못한다. 사내 문서가 정돈돼 있지 않고 표준이 없으면, 지식센터는 ‘쓰레기를 빠르게 찾아 주는’ 시스템이 될 뿐이다. 8개월 전에 폐기된 규정을 자신 있게 답하는 AI는 모델의 문제가 아니라 데이터·구조의 문제다. 접근권한 통제와 최신성 관리도 필수다.   실행하는 에이전트 : 인사·재무·엔지니어링 가장 앞선 활용은 ‘실행하는 에이전트’다. 질문에 답하는 비서를 넘어, 여러 시스템을 넘나들며 다단계 업무를 스스로 수행한다. 가트너(Gartner)는 2025년 5% 미만이던 ‘업무 특화 에이전트 내장 애플리케이션’이 2026년 말 약 40%까지 늘 것으로 내다봤다. 부서별로 보면 현주소가 좀 더 구체적으로 잡힌다. 인사(HR) : 이력서 스크리닝, 면접 일정 조율, 입사 온보딩 오케스트레이션, 휴가·급여·복리후생 문의 응대 등 정형·반복 업무를 메신저 안에서 처리해, HR 인력을 채용 전략·조직문화 같은 고부가 업무로 돌린다. 재무(finance) : 인보이스-발주서 자동 대사(matching), 비용 승인 흐름, 이상 거래·부정 징후 탐지, ERP 연계 결제 처리. 한 글로벌 투자은행은 450개 이상의 AI 활용 사례를 매일 운영하고, 한 결제 서비스 기업은 단일 고객상담 에이전트로 850여 명분의 업무량을 처리했다고 밝혔다. 엔지니어링 : 현장 엔지니어들이 가장 높은 만족을 표하는 영역이기도 하다. 설계 검토 보조, 생성형 설계(generative design), 코드 자동화, 사내 지식 검색이 일상에 녹아든다. 맥킨지의 조사에서도 에이전트 도입 선도 분야로 IT·지식 관리와 함께 ‘엔지니어링’이 꼽혔고, 소프트웨어·IT 영역에서는 10~20%의 비용 절감이 보고된다. 공통점은 분명하다. 좁고, 반복적이며, 오류 비용이 관리 가능한 업무에서 에이전트는 빛난다. 반대로 과제가 열려 있고 판단의 무게가 클수록, 사람의 검증(human-in-the-loop)은 여전히 필수다.   벤더는 어떻게 대응하나 − PLM·ERP·SaaS의 공통 행보 그렇다면 설루션 벤더들은 이 흐름에 어떻게 대응하고 있을까. 특정 회사를 떠나, PLM·ERP·SaaS 진영 전반에서 관찰되는 공통점은 세 가지다. 첫째, ‘기록의 시스템’에서 ‘실행의 시스템’으로의 전환이다. 과거 데이터를 저장·조회하던 플랫폼들이, 이제 자연어 비서와 에이전트를 기본 기능으로 내장해 사용자가 시스템 안에서 직접 일을 처리하게 만든다. PLM은 BOM·도면 탐색 비서를, ERP는 구매·인사·재무 워크플로 에이전트를, SaaS는 자사 데이터 위에서 동작하는 코파일럿을 전면에 내세운다. 둘째, 보안과 주권을 전제로 한 배치다. 거대 파운데이션 모델을 활용하되, 전용 인스턴스·온프레미스·지역별 데이터 처리 옵션을 제공해 규제와 데이터 주권 요구를 흡수하려 한다. 앞서 본 ‘로컬 LLM’ 수요에 벤더가 응답하는 방식이다. 셋째, ‘담장 안의 지능’이라는 한계다. 어느 벤더든 AI는 결국 자사 플랫폼이 관리하는 데이터 안에서만 똑똑하다. PLM의 AI는 PLM 데이터를, ERP의 AI는 ERP 데이터를 본다. 정작 제품 개발 의 진짜 병목인 PLM−ERP−MES-품질을 가로지르는 단절은 아직 어느 벤더의 AI도 풀어 주지 못한다. ‘에이전트 네이티브’로 시스템을 재설계하기보다, 기존 시스템에 비서를 끼워 넣는 단계에 머 물러 있는 셈이다.   맺음말 − 만족을 성과로 기업의 AI 활용을 비서 → 기업 속으로의 침투 → 로컬화 → 시나리오별 구축 → 지식 학습 → 에이전트로 늘어놓고 보면, 정작 중요한 질문이 떠오른다. “우리 조직은 지금 어느 지점에 있는가?” 분명한 것은, AI가 이미 많은 이들에게 ‘뭐든 척척 해내는’ 든든한 동료가 되었다는 사실이다. 설계도, 보고서도, 코드도 거뜬히 거들어 주니 현장의 만족이 높을 수밖에 없다. 그 만족은 진짜이고, 변화의 가장 강력한 연료다. 다만 88%와 6%를 가른 결정적 차이는 도구의 보유가 아니라 ‘워크플로의 재설계’였다. 개인이 느끼는 만족을 조직의 성과로 키우려면, 그 만족 위에 정돈된 데이터와 다시 짠 일의 흐름을 얹어야 한다. 국방과 규제 산업이 보여주듯, 가장 큰 성과는 막연한 범용이 아니라 구체적 시나리오 위에서 만들어진다. 그래서 좋은 소식은, 이미 AI의 효용을 몸으로 느낀 사람들이야말로 다음 단계로 갈 준비가 가장 잘 되어 있다는 점이다. 도입은 쉽고 전환은 어렵지만, ‘척척’의 경험을 가진 현장이 그 어려운 길을 가장 앞서 갈 수 있다. 그리고 그 끝에, 6%의 자리가 있다.   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

마이크로소프트는 복잡하고 오랜 시간이 걸리는 업무를 여러 도구로 처리해 완성된 결과물을 제공하는 에이전틱 시스템 코파일럿 코워크(Copilot Cowork)를 전 세계에 정식 출시했다. 이 시스템은 지난 3개월 동안 마이크로소프트 프론티어 프로그램에서 프리뷰로 운영된 뒤 정식 버전으로 선보였다. 코파일럿 코워크의 특징은 복잡하고 장시간 실행되는 작업을 실제로 수행하며, 초안이나 권고안에 그치지 않고 완성된 결과물을 제공하는 데 있다. 주요 특징으로는 클라우드 호스팅 기반 실행, 업무 IQ(Work IQ) 기반 업무 콘텍스트 반영, 엔터프라이즈급 보안 및 규정 준수, 멀티 모델 설계, 사용량 기반 비용 효율 등이 꼽힌다. 클라우드 호스팅 기반 실행은 파일을 로컬에 저장하지 않고, 사용 중인 기기의 전원이 꺼져 있어도 작업이 계속 실행되도록 설계한 방식이다. 업무 IQ 기반 업무 콘텍스트 반영은 기업이 이미 사용 중인 시스템을 바탕으로 작업을 수행해 실제 업무 맥락을 반영하는 구조다.     보안과 규정 준수도 엔터프라이즈 환경에 맞췄다. 마이크로소프트 365 환경에서 작동하며, 조직의 기존 정책과 제어 체계에 부합하는 보안을 지원한다. 멀티 모델 설계를 통해 작업에 필요한 모델을 선택해 실행할 수도 있다. 사용량 기반 비용 효율도 특징이다. 적절한 정보와 도구를 효율적으로 찾는 런타임, 작업별로 적합한 모델을 선택하는 방식, 실제 사용량을 반영하는 과금 구조를 바탕으로 비용 경쟁력을 확보했다. 마이크로소프트는 내부 테스트에서 마이크로소프트 365 커넥터를 사용하는 클로드 코워크(Claude Cowork)와 비교할 때 프롬프트당 비용이 평균 30%에서 40% 정도 낮게 나타났다고 밝혔다. 코파일럿 코워크는 코파일럿 크레딧 기반의 사용량 방식으로 과금된다. 각 작업의 가격은 모델 사용량, 콘텍스트 검색, 도구 호출, 런타임 등 네 가지 요소를 기준으로 산정된다. 이 시스템을 사용하려면 마이크로소프트 365 코파일럿 구독 라이선스가 필요하다. 해당 라이선스에는 코파일럿 챗과 워드, 엑셀, 파워포인트, 아웃룩, 팀즈용 코파일럿, 업무 IQ, 멀티 모델 시스템, 리서처 및 애널리스트 같은 사전 구축 에이전트, 에이전트 빌더 기반 맞춤형 에이전트가 포함된다. 마이크로소프트는 프론티어 프로그램 사용 데이터를 바탕으로 작업 유형을 경량, 중간, 고난도 세 가지로 구분했다. 경량 작업은 적은 수의 지식 소스를 사용하고 제한적인 추론을 적용하며 결과물은 1개 이하로 생성된다. 중간 작업은 여러 소스를 바탕으로 구조화된 추론을 수행하고 2개 이상의 결과물을 생성한다. 고난도 작업은 광범위한 정보를 종합하고 심층 추론을 거쳐 많은 결과물을 만들어낸다. 이와 함께 기업 내 지식 근로자, 경영진 및 고위 관리자, 고객 접점 지식 근로자, 기술 직군 등 작업 유형별 사용 패턴이 서로 다른 네 가지 사용자 페르소나도 식별했다. 고객은 사용자군별 작업 유형 비중과 예상 프롬프트 사용량, 작업 유형별 단가를 조합해 비용 추정 모델을 구성할 수 있다. 현재 코파일럿 코워크는 앤트로픽의 오푸스 4.8(Opus 4.8)과 소넷 4.6(Sonnet 4.6) 모델을 기반으로 실행된다. 프론티어 환경에서는 GPT 5.5도 사용할 수 있으며, 비용 효율적인 파인 튜닝 모델인 코워크 1(Cowork 1)도 곧 추가될 예정이다. 사용자는 작업에 따라 더 효율적이거나 최신 업데이트된 모델을 선택할 수 있다. 정식 출시와 함께 비용 관리 기능도 강화했다. 관련 기능은 통제, 가시성, 효율 등 세 가지 축으로 구성된다. 우선 코파일럿 코워크는 기본 비활성화 상태로 제공된다. 관리자는 활성화 시점과 사용자 접근 권한, 테넌트, 그룹, 사용자 수준의 지출 한도, 조직 및 그룹별 사용량 알림 기준과 수신 대상을 설정할 수 있다. 사용자는 추가 크레딧이 필요할 경우 제품 내에서 직접 요청할 수 있다. 관리자는 사용자, 그룹, 기능별 사용량을 확인할 수 있으며, 각 작업의 비용을 크레딧 단위로 보여주는 사용자 수준 가격 표시 기능은 정식 출시 이후 순차적으로 추가된다. 결제 방식은 두 가지다. 고객은 종량제 방식의 페이고(PayGo)와 일정 사용량을 사전에 약정하고 할인 혜택을 받는 P3 가운데 선택할 수 있다. 페이고 가격은 코파일럿 크레딧당 0.01달러다. 앱 전환 기능도 개선됐다. 마이크로소프트 365 코파일럿 앱에서는 채팅에서 코파일럿 코워크로 바로 전환할 수 있어, 사용자가 실제 업무 수행 단계로 더 빠르게 이동할 수 있다. 플러그인 지원 범위도 넓어졌다. 현재 9종의 신규 파트너 플러그인이 제공되며, 추가로 8종의 플러그인이 출시를 앞두고 있다. 이와 함께 패브릭(Fabric)과 다이내믹스 365 세일즈(Dynamics 365 Sales), 다이내믹스 365 커스터머 서비스(Dynamics 365 Customer Service), 다이내믹스 365 ERP 앱과의 연동도 정식으로 제공된다. 프론티어 환경에서는 코파일럿 코워크가 사용자의 기존 엔터프라이즈 정책을 준수하면서 로컬 에지 브라우저를 통해 웹을 탐색할 수 있다. 또한 보안 및 규정 준수 기능도 강화되어, 코워크에서 생성되는 프롬프트와 응답, 결과물은 기존 마이크로소프트 365 보안 체계 내에서 관리되며 안전하게 검색하고 보존할 수 있다. 현재 포춘 500대 기업의 절반 이상이 코파일럿 코워크를 사용하고 있다고 전한 마이크로소프트는 제품 출시와 함께 실제 고객의 활용 사례를 소개했다. 한 엔지니어링 팀은 배치 작업용 스프레드시트를 수정하고, 변경이 일어날 때마다 종속 관계 흐름도를 만드는 업무를 자동화했다. 다른 팀은 두 제품 버전 사이의 파일 약 4000개를 비교해 몇 주씩 걸리던 작업을 반나절 만에 수행했다. 영업 담당자가 정체된 영업 파이프라인을 분석해 리스크가 있는 기회의 우선순위를 정하고, 후속 조치가 끊긴 지점을 파악하는 데도 이 시스템을 활용했다. 마이크로소프트의 찰스 라만나 코파일럿·에이전트 및 플랫폼 부문 수석 부사장은 “코파일럿 코워크는 프론티어 프로그램에서 가장 빠르게 성장한 기능으로, 출시된 코파일럿 및 에이전트 경험 가운데서도 높은 사용자 만족도를 보였다”면서, “마이크로소프트는 운영 과정에서 얻은 학습과 고객 피드백을 바탕으로 품질을 개선하고, 모델 선택 기능과 플러그인 확장성, 비용 관리 기능을 추가했다”고 말했다.

AI 컴퓨팅의 다양화와 메모리 장벽으로 인해 반도체 경쟁의 중심이 미세화를 넘어 시스템 수준의 공동 최적화로 이동하고 있다. 이에 대응하기 위해 한국 반도체 소부장 생태계는 공통 의미 체계인 온톨로지와 인과추론을 도입하여 현장 데이터의 한계를 극복하고 제조 AX(AI 전환)의 기반을 다져야 한다. 또한 다목적 베이지안 최적화(MOBO)와 물리 정보 신경망(PINN) 기반의 자율 실험실을 구축하고, 고객사 인증을 설계 단계부터 통합하는 혁신이 필요하다. 궁극적으로는 단순한 기술 확보를 넘어 의사결정을 가속화하는 새로운 운영체계를 짜야 한다.   ■ 이 글은 지난 4월 17일 진행된 'SIMTOS 2026 뿌리산업 & 소부장 콘퍼런스'에서 발표된 내용을 정리한 것이다.   AI는 어떻게 반도체 산업의 게임 규칙을 바꾸고 있는가 지난 2년간 생성형 AI는 두 단계의 진화를 거쳐 왔다. 첫 번째 단계는 ‘지식 Al(knowledge Al)’의 시대로, GPT-4o, 클로드(Claude), 제미나이(Gemini) 같은 생성형 AI 모델과 같이 사전 학습과 후처리(post-training)를 통해 글을 잘 쓰는 모델이 주류였다. 두 번째 단계는 강화학습 기반의 ‘추론 Al(thinking Al)’의 시대다. 긴 사고연쇄(chain-of-thought), 에이전트 워크플로, 수리적 추론을 수행하는 모델들이 등장하면서, AI는 단순한 정보 생성기가 아니라 의사결정 보조 도구로 진화하고 있다. 이 변화는 반도체 하드웨어 수요 구조 자체를 흔든다. 한때 GPU 일변도였던 AI 가속기 시장은 이제 구글 TPU, 메타 MTIA, AWS Trainium(트레이니움), 마이크로소프트 Maia(마이아), 오픈AI(OpenAI) 자체 칩, 애플 자체 칩 등 ‘ASIC 다극화’ 국면에 들어섰다. 핵심은 이들 칩이 모두 첨단 노드(N2~N3급)와 HBM3e/HBM4 같은 고대역폭 메모리, 그리고 CoWoS 계열 첨단 패키징을 공통의 토대로 삼는다는 점이다. 다시 말해, AI 컴퓨팅의 다양화가 진행될수록 메모리, 패키징, 소부장 같은 한국이 상대적으로 강하거나 육성하려는 영역의 수요는 오히려 더 두꺼워지고 있다. 엔비디아가 그리는 ‘AI 팩토리’ 청사진도 이 흐름과 정확히 맞물린다.(그림 1) CPU(오케스트레이터), GPU(병렬 연산), DPU(데이터 이동 및 보안), 추론 ASIC(주문형 반도체), 그리고 미래에는 QPU(양자처리장치)까지 워크로드를 분해해 각 엔진에 최적 배분한 뒤 다시 하나의 플랫폼으로 묶는 구조다. 이 구조에서 가장 큰 병목은 ‘연산 그 자체’가 아니라, 엔진 사이를 흐르는 데이터의 대역폭과 지연시간이다. 결국 AI 시대의 반도체 경쟁력은 단일 노드의 미세화가 아니라, ‘시스템 수준에서 얼마나 잘 합치는가(co-optimization)’로 옮겨가고 있다.   그림 1. AI 워크로드는 분해되어 각 엔진에 배분된 뒤 통합 플랫폼으로 다시 결합된다. 메모리-인터커넥트-전력-냉각이 반도체 소부장의 새로운 경쟁축으로 자리매김하고 있다.   AI를 반도체 제조에 적용한다는 것의 진짜 의미 AX(AI 전환, Al transformation)는 단순히 ‘공정에 AI를 붙이는 일’이 아니다. AX의 본질은 산업 전반에 걸쳐 데이터와 의사결정 구조를 재편하는 작업이며, 반도체 소부장 영역은 그중에서도 가장 까다로운 사례로 볼 수 있다. 산업통상부와 주요 제조업계가 추진하는 ‘제조 AX 얼라이언스(M.AX)’가 한국 산업 특화 AI 모델, AI 반도체 집적 데이터센터(AIDC), 피지컬 AI, 디지털 트윈, 합성 데이터 증강 등을 묶어 다루는 이유도 여기에 있다. 무인화, 자동화, 예지보전, 다품종 소량생산을 동시에 달성해야 하기 때문이다.   LLM이 부딪히는 ‘보이지 않는 벽’ 그렇다면 왜 그토록 뛰어난 LLM이 막상 제조 현장에 들어가면 “그럴듯한 예측과 묘사” 수준에 머무는가? 핵심 원인은 네 가지다. 첫째, 산업 데이터의 대부분은 통제된 실험 데이터가 아니라 관측 데이터이며, 인과관계가 아닌 상관관계만을 학습한 모델은 ‘만약 X를 바꾸면 Y가 어떻게 변할까’라는 개입(intervention) 질문에 답하지 못한다. 둘째, 숨겨진 변수(confounder)와 운영 편향이 거짓된 상관을 만든다. 예를 들어 불량률이 높은 날 숙련자를 더 투입하다 보면, ‘숙련자가 늘면 불량이 늘어난다’는 엉뚱한 역상관이 데이터에 새겨진다. 셋째, 설비 교체나 원료 변경 혹은 계절 변화로 인해 분포가 끊임없이 이동(distribution shift)하므로, 상관관계 기반 모델은 학습한 분포를 벗어나는 순간 급격히 성능이 저하된다. 넷째, 제조의 목적함수는 수율만이 아니라 에너지, 안전, 비용, 납기를 동시에 만족시키는 다목적 최적화이며, 이는 본질적으로 인과적 이해를 요구한다.   벽을 넘어서기 위한 두 개의 다리: 온톨로지와 인과추론 온톨로지 : 기계가 현장을 이해하게 만드는 번역기 데이터-DX-AX-AI로 이어지는 모든 연결 부위가 제대로 연결되어 있지 않다면 아무리 큰 모델도 무용지물이다. 이 단절을 잇는 첫 번째 다리가 ‘온톨로지(ontology)’다.(그림 2) 온톨로지는 설비, 공정, 제품, 품질이라는 현장의 모든 대상을 기계가 이해하는 ‘공통 사전’이자 ‘공통 의미 체계’다. 의미가 부여된 측정치, 체계적인 식별자, MES(제어 시스템)와 ERP(전사 관리 시스템)의 시간축 통합, 그리고 작업 규정, 안전 규칙, 노하우와 같은 암묵지의 디지털화. 이 네 가지가 온톨로지의 출발점이다. 현실적인 접근은 ‘대형 완성형 온톨로지’가 아니라 ‘최소기능 온톨로지(minimum viable ontology)’의 3층 구조다. 공장별로 매핑(local mapping) 위에 산업별 확장(industry extension)을 얹고, 그 위에 산업 간 호환을 보장하는 공통 코어(core)를 두는 식이다. 반도체 소부장의 경우, 제품 온톨로지 아래로 소재(조성 및 물성), 부품(설계 및 공정), 장비(파라미터 및 유지보수)의 세 갈래가 뻗고, 각 도메인 사이를 지식 그래프로 연결한 뒤 ISO 23247(디지털 트윈), SEMI E10/E79(장비), MatML(소재), EMMO(유럽 멀티스케일 온톨로지) 같은 표준 인터페이스 계층 위에 AI 신소재 탐색·공정 최적화, 예측 정비, 공급망 추적 응용을 올리는 구조가 자연스럽다.   인과추론 : 전면 규명보다 국소 의사결정부터 두 번째 다리는 인과추론이다. 시스템 전체에 대한 인과 모델을 한 번에 짜는 것은 거의 불가능하다. 따라서 단계적 접근이 필요하다. 가까운 미래(phase 1)에는 국소 인과효과 추정(local causal effects)에 집중한다. 예컨대 ‘특정 온도 구간에서 압력 변경이 수율에 미치는 평균 처치효과(ATE)와 조건부 처치효과(CATE)’를 추정해 즉시 의사결정에 반영하는 식이다. 디지털 트윈과 제어 로그를 활용해 자연실험이나 A/B 테스트와 유사한 준-실험 설계(quasi-experimental design)도 가능하다. 이 단계의 목적은 ‘원인을 완벽히 규명하는 것’이 아니라, ‘외부 조건이 바뀌어도 덜 실패하는 강건한 운영 정책’을 설계하는 것이다. 더 먼 미래(phase 2)의 목표는 미국 에너지부의 ‘제네시스 미션(Genesis Mission)’이 그리는 그림과 닮아 있다. 로봇 실험실과 AI를 연동해 ‘개입 데이터’를 체계적으로 생성하고, 인과 모델과 정책 학습을 닫힌 순환구조(closed-Loop)로 가속하는 것이다. 한국 소부장 산업이 단번에 거기까지 갈 필요는 없다. 다만 그 방향성을 분명히 인지하고, 매 단계에서 인과적 사고를 선택지에 올려두어야 한다.   그림 2. 소부장 도메인은 지식 그래프와 표준 인터페이스(ISO 23247, SEMI E10/E79, MatML, EMMO)를 통해 통합되며, 그 위에 AI 신소재 탐색·공정 최적화·예측 정 비·공급망 추적 응용이 작동한다.   메모리 장벽이 만드는 새로운 반도체 소부장 혁신 압력 AI 반도체의 성능은 더 이상 연산 코어만으로 결정되지 않는다. 지난 20년간 하드웨어 FLOPS(초당 부동소수점 연산)는 9만 배 증가했지만, DRAM 대역폭과 인터커넥트 대역폭은 30배 성장에 그쳤다. 이른바 ‘메모리 장벽(memory wall)’이다. AI 칩에서 90~95%의 에너지가 메모리의 입출력과 로드·언로드에 소비되며, 연산 지연시간(latency)의 60~70%는 이 메모리 장벽에서 발생한다. 산술연산강도(arithmetic intensity)가 낮은 워크로드일수록 더 빨리 포화되기 때문에, AI 반도체의 진짜 경쟁은 ‘얼마나 많은 코어를 박느냐’가 아니라 ‘메모리에 얼마나 가까이 붙느냐’의 싸움이 되었다. 이 압력은 한국이 강한 메모리·패키징 영역으로 곧장 전이된다. 첫째, 어드밴스드 메모리 장치 자체의 혁신이 필요하다. 임의접근 지연시간 단축, MRAM/ReRAM/PCRAM 같은 비휘발성 소자, TSV 기반 3D 적층이 핵심이다. 둘째, 패키징 인터커넥트는 광 링크(photonics link), 칩렛 기반 모듈, 에너지 효율 극대화로 진화한다. 셋째, 아키텍처와 소프트웨어가 함께 최적화되는 DTCO(design-technology co-optimization), PIM(processing-in-memory), 스마트 스크래치패드, 메모리 소프트웨어, 데이터 레이아웃 프리패칭 등이 빠르게 부상한다. 현장의 본딩 기술 경쟁이 이를 단적으로 보여준다. SK하이닉스의 MR-MUF는 매스 리플로 몰디드 언더필 방식으로 열전도 성능을 극대화하며 현재 가장 검증된 주력 방식이다. 삼성전자는 NCF(비전도성 필름)+TCB(열압착) 조합으로 미세 피치에서의 정밀도와 고단 적층을 노리고 있다. 그리고 모두가 16단 이상 고적층을 위한 차세대 해법으로 ‘하이브리드 본딩(hybrid Bonding : 범프(bump) 자체를 없애고 구리 접점으로 직연결하는 방식)’을 향해 가고 있다. 결합 밀도, 정렬 정밀도, 장기 신뢰성 관점에서 수율을 어떻게 극복할 것인가가 향후 5년의 승부처다. 그러나 GPU-HBM 패키지(SiP)에서 일단 불량이 발생하면, 원인 규명에 들어가는 자원은 천문학적이다. AI 기반 검사·신호 모델링, 디지털 트윈을 활용한 가상 테스트, 그리고 연합 학습을 통한 현장 데이터 학습 전략이 ‘선택’이 아니라 ‘필수’가 되는 이유가 여기에 있다. 더 본질적으로, 첨단 패키징 소재에는 기계·열·전기·광학·계면 등 최소 다섯 가지 이상의 물성이 동시에 요구된다. 소재-소자-접합-양산 최적화는 더 이상 순차적 방식으로 풀리지 않는다. 동시 병렬-가속적 방식이 요구되고 있는 것이다.   소재 설계의 패러다임 전환 : Al-Driven Materials Discovery 전통적인 실험계획법(DOE)은 명확한 한계를 안고 있다. 선형적·순차적이며, 다중 스케일/차원/물리의 동시 최적화는 기본적으로 수학적으로 해결하기 쉽지 않다. ‘아직 모르는 것을 모른다(unknown unknowns)’가 가득한 N차원 공간에서 제한 요소들을 뭉뚱그려 가정하고 시간 스케일 차이를 무시한 결과, 시간과 자원은 낭비되고 초기 후보군 필터링 효율은 낮다. 결정적으로 고객사 인증 데이터와 추론을 반영하기 어려워, 인증 라운드가 곧 비용 증가와 시장 진입 지연으로 직결된다. 패러다임 전환의 방향은 분명하다. 과거의 ‘인간 직관 중심의 순방향 시뮬레이션’과 현재의 ‘대량 계산 데이터 기반 데이터 드리븐 AI’를 거쳐, 미래는 ‘자율 실험실(autonomous labs)’이다. AI 에이전트와 로봇이 능동적으로 가설을 수립·실행하고, 성공한 데이터뿐 아니라 실패한 네거티브 데이터까지 100% 무손실 자동 캡처하며, 다중 목적함수를 동시에 최적화한다. 단일 소재의 상용화에 10~20년이 걸리던 시간 축이, 이론적으로는 한 자릿수 배수로 압축될 수 있다.   MOBO와 PINN : 두 개의 핵심 엔진 이 패러다임을 떠받치는 두 엔진이 다목적 베이지안 최적화(MOBO : multi-objective bayesian optimization)와 물리 정보 신경망(PINN : physics-informed neural network)이다. MOBO는 다출력 가우시안 프로세스(MOGP) 같은 서로게이트 모델, qEHVI나 CEHVI 같은 획득함수, 그리고 베이지안 최적화 진화 알고리즘 강화학습 같은 탐색 패러다임을 조합해, 적은 실험 횟수로 파레토 프론트(Pareto front)를 효율적으로 탐색한다. PINN은 AI가 추상적으로 상상하는 공간을 물리법칙(나비에-스토크스 방정식, 픽의 법칙, 아레니우스 동역학 등)이 작동하는 현실 공간으로 ‘편집’해 준다. 전통적 머신러닝이 2nm 식각 프로파일을 학습하기 위해 500장 이상의 웨이퍼 데이터를 요구할 때, 손실 함수에 유체역학을 직접 박아 넣은 PINN은 데이터를 약 10배 줄이고 비물리적 환각(hallucination)을 차단한다. 10nm에서 학습한 물리 계층을 그대로 동결한 채 50장의 2nm 웨이퍼 데이터만으로 미세 조정해 만족할 만한 정확도에 도달하는 ‘전이 학습’도 가능해진다. 이 흐름이 가져오는 산업적 효과는 결코 추상적이지 않다. 시장 진입 시간(time-to-market) 30~40% 단축, R&D 시뮬레이션 예산 50~60% 절감, 동일 노드 성숙도에서 5~10%포인트의 수율 향상, 그리고 CHIPS Act 세액공제 같은 정책 지원의 적극적 활용 가능성 등은 모두 정량적으로 추적 가능한 효과다.   사례 : EUV 리소그래피용 금속산화물 포토레지스트 이 모든 논의가 너무 이론적으로 추상적 방향으로 치우치지 않도록, 한 가지 구체적 사례를 들어보자. 0.55 NA 아나모픽(anamorphic) 광학을 사용하는 차세대 EUV 리소그래피의 핵심 난제는 ‘RLS 트릴레마(resolution-LER-sensitivity trilemma)’다. 30nm 이하로 떨어지는 초점 심도(DoF)는 20nm 미만의 초박막 포토레지스트(PR, 광감응재)를 강요하고, 얇아진 막은 광자를 12% 적게 흡수하므로 광자 산탄 잡음(photon shot noise)이 지배적이 된다. 14nm 피치, 20mJ 도즈 조건에서 가장자리 부피에 도달하는 광자는 약 1130개 수준에 불과해 푸아송 잡음(Poisson noise)이 선예도(LER : line-edge roughness)을 1.36nm 이상으로 끌어올린다. 잡음을 잡으려 도즈를 높이면 처리량이 떨어지고, 후노광 베이크(PEB) 온도를 낮추면 반응이 불완전해진다. 단일 소재로는 풀리지 않는 ‘물리 한계 트릴레마’다. 기존의 화학증폭형 레지스트(CAR)는 EUV 흡수율이 낮고 PFAS 규제 리스크에 취약하다. 금속산화물 레지스트(MOR)는 EUV 흡수율이 5배 높고 PFAS 컴플라이언스를 통과하지만, 결함 밀도가 여전히 도전적이다. 이 문제를 푸는 접근이 PINN과 머신러닝 원자간 포텐셜(MLIP)의 결합이다. 약 300개의 DFT 구조(금속산화물 클러스터 + 유기물 리간드 분자)에 대한 능동 학습(active learning), 이완 에너지, HOMO-LUMO 갭 기준 스크리닝, 학습된 모델의 DFT 검증, 그리고 시간의존 밀도범함수론(TD-DFT)을 통한 들뜬 상태 계산을 결합하면, DFT-MD-KMC-연속체 역학·광학에 걸친 다중 스케일 다중 물리 문제를 ‘가상 팹 퍼널(Virtual Fab Funnel)’ 방식으로 처리할 수 있다.(그림 3) 10만 개의 생성형 후보군에서 시작해 빠른 물리 필터-중간 충실도 시뮬레이션-고충실도 TCAD를 거쳐 실제 합성 검증할 2~3종의 후보로 압축하는 이 접근은, 전통적 다구치 L27 DOE 대비 비용을 약 절반, 시간을 약 60% 줄이는 것으로 추정된다.   그림 3. 생성형 풀 → 물리 필터 → 중간 충실도 시뮬레이션 → 고충실도 TCAD → 실험 합성으로 이어지는 ‘가상 팹 퍼널’은 시간을 50%, 비용을 40% 줄이고 성공률 을 10~20배 끌어올린다.   진짜 병목은 Lab이 아니라 Lab-to-Fab 그러나 한 가지 냉정한 사실을 짚어야 한다. AI가 소재 발굴을 10배 가속해도, 실제 매출까지의 주기(time-to-revenue)는 50% 정도밖에 줄지 않는다. 진짜 병목은 ‘고객 승인 대기’ 구간이다. 기존 방식에서는 소재 발굴 12개월, 공정 최적화 6개월, 내부 인증 4개월, 고객 재인증 12개월의 총 34개월이 소요된다. AI를 도입해 발굴 단계를 12개월에서 1.2개월로 압축해도, 고객 승인 대기 10개월이 그대로 남아 총 16.2개월 수준에 머문다. 90%를 단축한 것 같지만 전체 리드타임은 절반밖에 줄지 않는 셈이다. 패러다임 전환이 한 번 더 필요하다. AI 기반 소재·공정 개발 가속화를 ‘내부용 도구’ 차원을 넘어 ‘고객 인터페이스’로 격상시켜야 한다. 사후 검증에 불과했던 고객사 인증을 아예 설계 단계부터 반영하고, 고객사의 인증 데이터를 가우시안 프로세스의 사전분포(prior)로 인코딩해 두는 식이다. 인증 관점은 사후 병목(afterthought)에서 ‘설계 단계 통합(by design)’으로, 고객 관계는 단순 공급자-구매자에서 ‘리스크 셰어링 파트너’로, 정보 흐름은 단절된 블랙박스에서 ‘투명한 대시보드’로, 인증 모드는 점진적·단절적 이벤트에서 ‘연속적 상태 모니터링’으로 옮겨가야 한다. 이것이 단순한 ‘AI 적용’이 아니라 ‘AI 기반 파운드리(Al-Driven Foundry)’ 전략의 본질이다.   자율 실험실이라는 종착점 이 흐름의 자연스러운 종착점이 자율 실험실(SDL : self-driving lab)이다. AI가 다음 실험을 제안하고, 로봇이 합성하며, 자동화된 측정 장비가 데이터를 수집해 다시 AI에 피드백하는 폐쇄 루프다. HBM packaging 소재를 예로 들면, 충전재 종류, 충전율, 입자 크기, 에폭시 수지 조성 등을 설계 공간으로 정의한 뒤, 분자 동역학(MD) 시뮬레이션과 소량 도포, 레오미터(rheometer)의 중간 충실도 유체역학 실험, 실제 패키징이나 열충격(TCT) 신뢰성 평가의 다중 충실도 실험을 GP-MOGP 서로게이트와 EHVI 획득함수로 묶어 운영한다. 액상 분배 로봇, 자동 경화 오븐, 레이저 플래시법(열전도), TMA/DMA(CTE), 열충격 챔버를 자동 측정으로 묶고 나면, 탐색 횟수는 약 1/20로, 실험 사이클은 2~3일에서 6시간 수준으로 줄어든다. OLED 발광 소재의 경우는 SMILES 표현을 GP에 직접 입력하는 타니모토(Tanimoto) 커널을 활용해 이산적인 분자 공간을 연속 파라미터 없이 탐색하고, 톰슨 샘플링으로 병렬 합성을 분산시키는 식이다.   AX 전환 프레임워크와 시뮬레이터 이상의 논의를 '무엇을 어떻게 할 것인가'의 단계론으로 정리하면 다섯 단계가 도출된다. 1단계 : DX 기반 구축(데이터 수집-표준화 온톨로지 설계 디지털 인프라) 2단계 : AI 파운데이션 모델 도입(LLM, GNN, 확산, 서로게이트 모델 선택과 사전학습) 3단계 : 도메인 특화 파인튜닝(소재 물성, 장비 공정, 부품 신뢰성 데이터 기반의 미세조정) 4단계 : 디지털 트윈과 서로게이트 모델(실시간 공정 시뮬레이션, 가상 실험, 예측적 품질 관리) 5단계 : 산업적 가치 창출(개발 주기 단축, 수율 개선, 비용 절감, 한계 극복) 이 다섯 단계는 소부장의 세 도메인에서 동시에 진행되어야 하며, 각 도메인은 자체 핵심 모델을 갖는다. 소재는 IBM의 Materials Foundation Model에 MACE와 베이지안 최적화를 결합한 형태, 부품은 비전 트랜스포머와 PINN, 디지털 트윈의 결합, 장비는 PINN과 트랜스포머, 강화학습 에이전트의 조합이 자연스럽다. 전공정의 8단계(산화 – 포토리소그래피 – 식각 – CVD – 이온주입 – CMP – PVD – 열처리)를 하나의 디지털 트윈으로 묶으면, 각 단계의 수율을 곱한 누적 수율(cascading yield)이 시각화된다. 여기에 소재 순도(3N~6N), 장비 노후화, 다운타임, 대기시간(0~24시간) 같은 외부 영향 요인을 ‘섭동 계층(perturbation layer)’으로 얹으면, 시나리오 엔진이 ‘소부장 교체 효과 추정’, ‘민감도 분석’, ‘병목 공정 식별’, ‘ROI 계산’ 같은 왓이프(what-lf) 분석을 즉시 수행한다. 개별 챔버 단위에서는 PECVD SiN 증착 공정 시뮬레이터처럼 챔버 온도, 압력, 전구체 유량, RF 파워를 슬라이더로 조절하면서 증착 속도 균일도·막 응력·표면 거칠기, 파티클 리스크, 건강도를 실시간 모니터링하는 것도 가능하다. 결국 이런 챔버 시뮬레이터는 ‘보기 좋은 그림’이 아니라 ‘의사결정 도구’로 활용될 수 있다.   맺음말 : 한국 반도체 소부장의 새로운 운영체계 AI 시대의 반도체 경쟁력은 단일 노드의 미세화에서 시스템 수준의 공동 최적화로 무게 중심이 옮겨갔다. 메모리 장벽이 만드는 혁신 압력, HBM4–HBM4E–하이브리드 본딩으로 이어지는 적층 경쟁, 첨단 패키징 소재의 다물리 동시 최적화, 그리고 EUV MOR 같은 차세대 소재 개발, 이 모든 영역에서 한국이 가진 자산은 결코 작지 않다. 그러나 그 자산이 ‘제조 AX’라는 새로운 운영체계 위에서 작동하지 않으면, 자산의 잠재력은 빠르게 평가절하된다. 앞에서 짚었듯이, 제조 AX의 본질은 ‘좋은 모델을 가져와서 데이터에 적용하는 일’이 아니다. 데이터–DX–AX–AI로 이어지는 단절된 조인트를 잇는 ‘온톨로지’라는 다리, 상관관계가 아닌 인과관계로 의사결정을 개선하는 ‘인과추론’이라는 다리, 그리고 사후 검증이 아닌 설계 단계 통합으로 격상되는 ‘고객 인증’이라는 다리를 동시에 놓는 작업이다. 이 세 다리 위에 MOBO, PINN, SDL이라는 도구가 얹히고, 그 위에서 비로소 한국 반도체 소부장은 ‘기술 경쟁’을 넘어 ‘운영체계 경쟁’의 무대에 오른다. 기술 확보 자체가 최종 목적이 되어서는 안된다. AI도, 디지털 트윈도, 자율 실험실도 결국은 ‘더 빨리, 더 정확하게, 더 적은 비용으로 의사결정하기 위한 수단’이다. 이 점을 분명히 하는 순간 ‘무엇부터 시작할 것인가’라는 질문에 대한 답은 의외로 단순해진다. 가장 작은 의사결정 단위에서 데이터를 잇고, 그 데이터에 의미를 부여하고, 의미가 부여된 데이터로 인과적 질문을 던지는 것부터 시작되어야 한다. 한국 반도체 소부장의 다음 10년은 그 작은 출발점에서 결정될 것이다.   ■ 권석준 성균관대학교 화학공학부 교수 및 공과대학 부학장     ■ 기사 내용은 PDF로도 제공됩니다.

마이크로소프트는 자사의 싱크탱크인 AI 이코노미 인스티튜트를 통해 ‘AI 확산 보고서 2026년 1분기 트렌드와 인사이트’를 발표했다. 이번 보고서는 디지털 격차와 소프트웨어 개발을 중심으로 한 산업 변화를 분석한 결과를 담고 있다. 분석 결과, 2026년 1분기 동안 전 세계 근로 연령 인구 중 생성형 AI를 사용한 비율은 16.3%에서 17.8%로 1.5%포인트 증가했다. AI 확산 수준이 높은 경제권에서는 사용 강도도 함께 높아지는 경향을 보였다. 현재 26개 경제권에서 근로 연령 인구의 30% 이상이 AI를 사용하는 것으로 집계됐다. 생성형 AI 사용률이 30% 기준선을 넘어선 국가는 전 분기 18개국에서 26개국으로 늘어났다. 국가별로는 아랍에미리트가 70.1%로 처음으로 70%를 돌파하며 선두에 섰다. 싱가포르, 노르웨이, 아일랜드, 프랑스 등이 뒤를 이었다. 한국은 전 분기 대비 6.4%포인트 상승한 37.1%를 기록하며 가장 가파른 성장세를 보였다. 글로벌 순위도 18위에서 16위로 두 계단 올라섰다. 보고서는 이러한 모멘텀이 아시아 전반의 확산 패턴을 보여주는 대표적인 사례라고 설명한다. 실제로 성장 속도가 가장 빠른 15개 시장 중 12개가 아시아에 위치한 것으로 나타났다. 마이크로소프트는 아시아의 성장 배경으로 디지털 인프라에 대한 장기 투자와 국가 차원의 AI 전략, 높은 소비자 수용도를 꼽았다. 아시아 현지 언어에서의 주요 모델 성능 개선과 신기술을 일상 및 경제 활동에 빠르게 통합하는 역량도 주요 요인으로 제시됐다.     하지만 지역 간 불균형은 더욱 심화되는 양상을 보였다. 보고서는 선진국 중심의 글로벌 노스와 신흥국 중심의 글로벌 사우스 사이의 사용 격차가 지속적으로 확대되고 있다고 진단했다. 2026년 1분기 글로벌 노스의 생성형 AI 사용률은 27.5%로 지난 하반기보다 2.8%포인트 증가했으나, 글로벌 사우스는 1.3%포인트 증가한 15.4%에 그쳤다. 이러한 격차는 전력 공급과 인터넷 연결성, 디지털 역량 부족 등 글로벌 사우스의 구조적인 인프라 한계에서 비롯된 것으로 분석된다. 기술적으로는 현지 언어 지원 강화와 멀티모달 상호작용 역량의 확대가 확산을 이끈 핵심 동력이 됐다. 14개 언어로 지식 과제를 평가하는 다국어 벤치마크 등에서 비영어권 성능이 개선되면서, AI 도구가 다국어 작업을 더 효과적으로 처리하게 됐다. 그 결과 메시징과 검색, 학습, 콘텐츠 제작 등 일상적인 사례에서 접근성이 높아졌다. 이는 스마트폰의 보급과 높은 디지털 참여도가 맞물려 아시아 지역 전반에서 빠른 확산을 가능하게 했다. 소프트웨어 개발 분야에서도 AI의 영향력은 뚜렷하게 나타났다. 앤트로픽과 오픈AI 등 주요 기업의 코딩 특화 시스템은 복잡한 엔지니어링 작업을 처리하는 역량을 입증했다. 특히 GPT-5.3-코덱스는 주요 에이전트 역량 평가에서 강력한 성능을 기록했다. 깃허브 코파일럿은 단순한 코드 추천 도구를 넘어 AI 네이티브 개발 플랫폼으로 진화하며 개발 수명주기 전반으로 역할을 넓히고 있다. 최소한의 인간 개입으로 코드 작성과 디버깅, 테스트 등을 수행하는 에이전트 기능이 통합되면서 개발 방식의 변화가 가속화되는 추세다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   루비 온 레일즈(Ruby on Rails)는 루비(Ruby) 프로그래밍 언어로 작성된 서버 측 웹 애플리케이션 프레임워크이다. 일반적으로 ‘레일즈(Rails)’로 줄여 부르며, 2004년 데이비드 하이네마이어 한손(David Heinemeier Hansson)에 의해 처음 공개되었다. 이번 호에서는 루비 온 레일즈의 설치 및 개발 방법을 정리하고, 이를 기반으로 개발된 빌딩 모니터링 구현 결과를 설명한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | https://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1   루비는 베이스캠프(Basecamp)란 곳을 시작으로, 세계 최대의 코드 호스팅 플랫폼 깃허브(GitHub), 글로벌 이커머스 설루션 쇼피파이(Shopify), 숙박 공유 서비스 에어비앤비(Airbnb), 그리고 트위치(Twitch) 등이 레일즈를 기반으로 탄생하고 성장했다. 국내에서도 빠른 서비스 출시와 성장이 핵심인 스타트업 신을 중심으로 널리 사용되었다. 대표적으로 지역 기반 커뮤니티 당근, 온라인 동영상 서비스(OTT) 왓챠 등이 초기부터 레일즈를 활용해 서비스를 구축하고 확장해온 대표 사례로 꼽힌다. 레일즈의 핵심 개발 철학은 ‘설정보다 관례(Convention over Configuration : CoC)’와 ‘반복하지 마라(Don’t Repeat Yourself : DRY)’이다. 이는 개발자가 반복적인 설정 작업에서 벗어나 비즈니스 로직에 집중하게 함으로써, 웹 개발의 생산성을 획기적으로 향상시키는 것을 목표로 한다.   배경 및 핵심 개념 레일즈는 MVC(Model – View – Controller) 아키텍처 패턴을 근간으로 설계되었다. 이는 애플리케이션의 구성 요소를 세 가지 역할로 명확히 분리하여 코드의 구조를 체계적으로 관리하는 방식이다. 모델(Model) : 애플리케이션의 데이터와 비즈니스 로직을 담당한다. 데이터베이스 테이블에 직접 대응되며, 데이터의 유효성 검사, 처리, 저장 등의 역할을 수행한다. 뷰(View) : 사용자에게 보여지는 UI(사용자 인터페이스)를 생성하는 할을 한다. HTML, CSS, 자바스크립트(JavaScript) 코드를 동적으로 생성하여 웹 브라우저에 표시할 최종 결과물을 만든다. 컨트롤러(Controller) : 모델과 뷰 사이의 중재자 역할을 한다. 사용자의 요청(HTTP request)을 받아 분석하고, 필요한 모델을 호출하여 데이터를 처리한 뒤, 그 결과를 다시 뷰에 전달하여 사용자에게 응답(HTTP response)을 보낸다. 이러한 구조 덕분에 개발자는 데이터, 로직, 화면 표시 코드를 분리하여 유지보수가 용이하고 확장성 높은 애플리케이션을 구축할 수 있다.   장점 및 단점 레일즈의 장점은 다음과 같다. 높은 생산성과 개발 속도 : CoC 철학과 스캐폴딩(scaffolding) 같은 강력한 코드 자동 생성 기능은 CRUD(생성, 읽기, 갱신, 삭제) 기반의 기능을 매우 빠르게 구현하게 해준다. 거대하고 활발한 생태계 : ‘젬(Gem)’이라고 불리는 수많은 오픈소스 라이브러리가 존재하여 인증, 결제, 파일 업로드 등 다양한 기능을 몇 줄의 코드로 손쉽게 추가할 수 있다. 가독성 및 유지보수성 : 루비 언어 자체의 간결하고 우아한 문법과 레일즈의 잘 정립된 관례는 코드의 가독성을 높여 팀 단위 협업과 장기적인 유지보수를 용이하게 한다. 한편, 단점은 다음과 같다. 상대적으로 느린 실행 속도 : 인터프리터 언어인 루비의 특성상, Go나 Java와 같은 컴파일 언어 기반의 프레임워크에 비해 요청 처리 속도가 느릴 수 있다. 초기 학습 곡선 : 레일즈의 많은 부분이 ‘마법’처럼 자동으로 동작하기 때문에, 내부 동작 원리를 깊이 이해하기 전까지는 문제 발생 시 원인을 파악하고 디버깅하는 데 어려움을 겪을 수 있다. 제한적인 유연성 : 레일즈가 제시하는 강력한 관례는 대부분의 웹 애플리케이션 개발에 최적화되어 있지만, 매우 특수하거나 비표준적인 구조를 가진 시스템을 개발할 때는 오히려 제약이 될 수 있다. 젬은 현재 인공지능 기술 스택을 고려해 발전 중이다. 루비 생태계의 중심에는 ‘루비젬스(RubyGems)’라는 강력한 패키지 관리 시스템이 자리 잡고 있다. 이는 전 세계의 루비 개발자들이 만든 수많은 라이브러리를 젬이라는 표준화된 패키지 형태로 공유하고 재사용할 수 있도록 하는 핵심 기반이다. 개발자는 젬을 통해 인증, 데이터베이스 연동, 웹 서버 구동과 같은 복잡한 기능을 직접 구현할 필요 없이, 이미 검증된 코드를 자신의 프로젝트에 손쉽게 통합하여 개발 생산성을 극대화할 수 있다. 이러한 의존성을 체계적으로 관리하는 도구가 바로 ‘번들러(Bundler)’이다. 프로젝트의 Gemfile에 필요한 젬의 이름과 버전을 명시하면, 번들러는 해당 젬뿐만 아니라 그 젬이 의존하는 다른 모든 젬까지 정확한 버전으로 설치하여 개발 환경의 일관성을 보장한다. 이는 여러 개발자가 협업하는 환경에서 발생할 수 있는 잠재적인 충돌을 방지하고 안정적인 애플리케이션 운영을 가능하게 하는 필수 과정이다. 최근 인공지능, 특히 거대 언어 모델(LLM)이 기술의 새로운 패러다임으로 부상하면서 루비 커뮤니티 역시 이러한 변화에 발 빠르게 대응하고 있다. 루비의 강점인 뛰어난 가독성과 개발 편의성을 바탕으로, 복잡한 AI 기능을 애플리케이션에 통합하기 위한 다양한 젬들이 활발하게 개발되는 중이다. 가장 대표적인 것은 ruby-openai 젬으로, 오픈AI (OpenAI)가 제공하는 GPT, 달리(DALL-E)와 같은 강력한 모델의 API를 루비 코드 내에서 직관적으로 호출할 수 있게 해준다. 이를 통해 개발자는 손쉽게 챗봇, 콘텐츠 생성, 이미지 생성과 같은 최신 AI 기능을 자신의 서비스에 접목할 수 있다. 여기서 한 걸음 더 나아가, langchainrb는 LLM을 활용한 고수준의 애플리케이션을 구축하기 위한 프레임워크를 제공한다. 이는 단순히 API를 한 번 호출하는 것을 넘어, 여러 단계의 프롬프트를 연결하는 ‘체인’이나 LLM이 특정 도구를 사용하도록 만드는 ‘에이전트’와 같은 복잡한 로직을 구조적으로 설계할 수 있도록 돕는다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

HP Z북 울트라 G1a는 고성능 AI 작업과 3D 제작을 동시에 염두에 둔 14인치 모바일 워크스테이션이다. 이 글에서는 필자가 실제로 자주 사용하는 AI 리서처와 3D 제작 작업 시나리오를 바탕으로, 기존에 사용해 온 게이밍 노트북과 비교하면서 HP Z북 울트라 G1a의 장단점을 조명해보고자 한다.   HP Z북 울트라 G1a(ZBook Ultra G1a)는 프로세서 성능과 메모리 용량에 명확하게 집중한 구성을 취함으로써, 기존의 노트북 선택 방법과는 다른 노선을 제시한다. 일반적으로 노트북을 선택할 때 대부분의 사용자는 성능, 휴대성, 가격, 배터리 지속 시간, 확장성 등 여러 요소를 종합적으로 고려한다. 그러나 특정 작업 환경에서는 이러한 균형 중심의 접근이 오히려 비효율로 작용하기도 한다. 대용량 데이터 전처리, 로컬 AI 추론, 3D 콘텐츠 제작과 같이 CPU와 메모리 자원 의존도가 높은 워크로드에서는, 그래픽 성능이나 휴대성보다 연산 자원과 메모리 용량이 작업 효율을 결정짓는 핵심 요소가 되기 때문이다. HP Z북 울트라 G1a는 바로 이러한 관점에서 색다른 접근법을 채택한 기기라고 볼 수 있다. AMD의 라이젠 AI 맥스+ 프로 395(Ryzen AI Max+ PRO 395) 프로세서를 탑재해 128GB에 달하는 대용량 메모리를 제공하는 반면, 그래픽 카드는 외장 GPU가 아닌 내장 그래픽으로 구성된 14인치 노트북이다. 이처럼 극명하게 갈린 사양 구성은 과연 AI 개발과 3D 콘텐츠 제작이라는 두 가지 작업을 모두 감당할 수 있는 선택지일까?   제품 개요 워크스테이션은 일반적으로 크고 무거운 데스크톱 형태로, ‘들고 다니는 기기’와는 거리가 멀다는 인식이 강하다. 그러나 HP Z북 울트라 G1a는 이러한 고정관념을 벗어나, 14인치 폼팩터 안에 워크스테이션급 성능을 담아냈다. 앞서 언급했듯 이 제품은 AMD 라이젠 AI 맥스+ 프로 395 프로세서와 라데온 8060S(Radeon 8060S) 그래픽을 기반으로 설계되었으며, 최대 128GB LPDDR5x 메모리와 대용량 NVMe SSD를 탑재했다. 정량적인 하드웨어 스펙상 무게는 약 1.57~1.59kg으로, 여타 게이밍 노트북과 비교해도 크게 무겁지 않은 수준이다. 실제로 가방에 넣어 휴대했을 때도 다른 노트북에 비해 체감 무게가 과하게 느껴지지는 않았다. 기기 양쪽에는 USB-C 타입 포트 2개(충전 포트 포함)를 비롯해 HDMI, USB-A 타입 단자, 3.5mm 이어폰 단자가 배치되어 있어, 워크스테이션으로서 요구되는 기본적인 확장성도 충분히 갖추고 있다.   디자인 본격적인 사용기에 앞서 디자인을 살펴보자. 보기 좋은 떡이 먹기도 좋다는 말도 있듯이, 매일 사용하는 기기는 사용자의 마음에 들 정도로는 아름다워야 한다. HP Z북 울트라 G1a의 디자인은 간결하고 군더더기 없었다. 특히, 전반적인 제품의 마감 품질이 높다는 것이 느껴졌다. 처음 노트북이 닫힌 상태에서 보았을 때는 매끄럽고 둥근 디자인의 겉모습이 단정하다는 느낌이 들고, 화면을 열어 전원을 켰을 때에는 베젤이 얇고 깔끔하여 프로페셔널하다는 인상을 준다. 디자인에서 가장 좋았던 점은 키보드이다. 처음에는 짙은 회색의 평범한 플라스틱 소재로 느껴졌지만, 사용하다 보니 키보드의 키감이 좋을 뿐만 아니라 이물질이 잘 묻지 않는 코팅으로 되어 있어 사용 시 편리했다. 외부 작업 중 노트북을 열었을 때, 손때 묻은 키보드를 다른 사람에게 드러내는 것이 걱정인 사람이라면 이 노트북의 키보드 마감이 더욱 마음에 들 것이라 생각한다. 또한 카메라에는 오픈·클로즈 방식의 물리적 커버가 적용되어, 노트북 내장 웹캠을 사용하지 않을 때는 완전히 가릴 수 있다. 사소해 보일 수 있지만, 사용자를 고려한 세심한 설계라는 점에서 인상 깊은 부분이었다.   그림 1. 노트북 전면. 디자인이 깔끔하고 단정하여 외부 미팅에도 무난하게 사용할 수 있었다.   AI 및 데이터 전처리 워크로드 이제 AI 엔지니어의 관점에서 이 제품을 살펴보자. AI 제품 개발 과정에서 절실하게 체감하는 주요 요소 중 하나는 CPU 메모리의 여유이다. 모델 학습은 클라우드 GPU나 서버 자원을 활용하는 경우가 많아졌지만, 탐색적 데이터 분석, 실험을 위한 데이터 전처리는 대부분 로컬 환경에서 수행해야 하기 때문이다. 따라서 CPU 성능과 GPU 성능 둘 중 하나를 선택해야 한다면, 많은 사람들의 예상과 달리 GPU보다는 CPU를 선택하는 것이 합리적이다. CPU 메모리가 여유가 있다면 데이터셋을 실험 가능한 요건에 맞춰 수정 및 조정하는 것이 조금 더 편리해질 뿐만 아니라, 데이터셋 전처리와 동시에 다른 작업이 가능하기 때문이다. HP Z북 울트라 G1a의 128GB 메모리와 라이젠 AI 맥스+ 프로 395의 조합은 대용량 데이터 전처리와 모델 로딩 과정에서 매우 안정적인 모습을 보였다. 텍스트·이미지 데이터 전처리 작업에서 메모리 부족 현상은 거의 발생하지 않았으며, 기존에 사용하던 게이밍 노트북(32GB RAM, RTX 4060 기준) 대비 체감상 약 절반 수준의 시간으로 작업을 마칠 수 있었다. 이는 대규모 로컬 데이터셋을 다루는 리서처에게 매우 중요한 요소다. AI 허브나 대학·연구기관에서 제공하는 공공 데이터셋의 경우 단일 데이터셋만으로도 수백 GB를 훌쩍 넘기는 경우가 많고, 이를 포맷에 맞게 전처리하는 데 상당한 시간이 소요되기 때문이다. HP Z북 울트라 G1a는 메모리의 양이 크기 때문에, 작업 중간 중간에 메모리 부족으로 인해 컴퓨터가 멈추거나 작업 수행 완료를 위해 컴퓨터를 손 놓고 기다리는 일 없이 여유롭게 전처리를 수행할 수 있었다. 몇 가지 사례를 들어보면, 첫째 <그림 2>와 같이 데이터의 압축 해제, 복사와 같은 간단한 작업에서 매우 빠른 처리 속도를 보여주었다. 데이터 전처리 성능을 실험하기 위해 활용한 ‘음식 분류’ 데이터셋의 경우, 각 클래스마다 1천 개의 고화질 사진이 저장되어 있어 전체 용량이 1TB에 육박하는 매우 큰 데이터셋이다. 그러나 HP Z북 울트라 G1a에서는 30GB 용량의 데이터를 압축 해제하는 데 8분밖에 소요되지 않았고, 일관적으로 140MB/s 전후의 속도를 유지하였다. 이는 HP Z북 울트라 G1a의 메모리 대역폭 확대, 멀티채널 구성 안정성 증가가 큰 영향을 미쳤기 때문으로 생각할 수 있다. 일반적인 환경에서는 압축 해제 단계에서 CPU 처리 속도가 병목으로 작용하여, 저장장치가 충분한 성능을 갖추고 있음에도 불구하고 연속적인 읽기·쓰기 작업이 지연되는 현상이 발생하기도 한다.   그림 2. 대용량 데이터의 전처리에도 빠른 속도를 유지하였고, 프로그램 운용에 여유가 있었다.   반면, HP Z북 울트라 G1a에서는 향상된 프로세서 구조와 메모리 서브시스템을 통해 병목이 제거되었으며, 그 결과 압축 해제와 동시에 디스크 I/O가 지속적으로 최대 대역폭에 가깝게 활용될 수 있었다. 이로 인해 사용자 관점에서는 압축 해제뿐 아니라 파일 복사 속도까지 향상된 것처럼 느껴져 직접적으로 작업 효율 향상이 체감되었다. 기존의 게이밍 노트북이 동일한 작업을 수행하는데 평균 60MB/s의 속도로 약 12분 정도가 소요된 것을 고려하면, 이 작업이 전체 데이터셋에 적용될 때 얼마만큼의 작업 시간을 아낄 수 있을 지 기대해 볼 만하다. 둘째, 파이썬 코드를 활용한 데이터 전처리에서도 높은 성능 개선을 보여주었다. CSV 파일을 활용하여 3D 복셀 데이터를 만드는 작업을 수행하는 코드를 기준으로 실험해보았다. 이는 앞에서와 동일하게 CPU·메모리에 집중된 작업을 할 때의 효율을 검사하기 위한 실험으로, 동일한 SVC 파일을 대상으로 데이터의 시각화를 수행하였을 때를 비교한 것이다. 결과적으로, HP Z북 울트라 G1a는 평균적으로 75FPS(초당 프레임)를 유지하였고, 시각화된 데이터를 360도 회전시켜 확인하는 데에 큰 문제가 없었다. 반면, 기준이 된 다른 기기는 평균 42FPS를 유지하고, 시각화된 데이터를 360도로 회전시켜 확인하는 데 약간의 로딩이 필요했다. 특히, 시각화 결과물을 회전하는 과정에서 약간의 버벅임과 끊김이 발생하여 데이터를 세부적으로 확인할 때 약간의 어려움이 따랐다. 기준 기기 또한 일반적인 사무용 노트북을 기준으로 보았을 때보다는 훨씬 빠르고 원활한 데이터 전처리 성능을 보여주었으나, HP Z북 울트라 G1a는 전처리뿐 아니라 시각화 데이터 인터랙션에서도 안정적으로 동작함으로써 실시간에 가까운 시각화 환경을 제공했다는 점에서 차별화된 사용 경험을 제공하였다.   그림 3. 3D 복셀화에 소요된 시간과 프레임률을 tqdm으로 측정한 결과. 동일한 작업을 수행하는 데 HP Z북 울트라는 75FPS, 기준 기기(HX370 CPU, 32RAM)는 42FPS의 성능을 보여주었다.   로컬 AI 추론 로컬 AI 추론 작업에서도 HP Z북 울트라 G1a는 충분히 인상적인 성능을 보여주었다. 로컬 AI 세팅에는 올라마(Ollama)를 사용하였다. 올라마는 다양한 오픈소스 LLM을 간편히 사용할 수 있게 하는 프로그램으로 윈도우, 맥, 리눅스 등 다양한 환경을 지원하며 CLI 및 GUI 환경을 모두 지원하여 확장성이 좋다. 또한, 로컬에서 REST API 형태로 모델을 노출할 수 있어 파이썬(Python), 노드.js(Node.js), 자바(JAVA(Spring)), 랭체인(LangChain) 등과 연동이 용이하며, 프로토타입 서비스 제작 및 온디바이스 AI, 사내 전용 LLM 구축을 위해 다양하게 쓰인다. 필자는 윈도우에서 GUI 기반의 올라마 클라이언트를 설치하여 로컬 AI 추론을 수행하였으며, 엔비디아 그래픽 카드 드라이버(CUDA 포함)를 설치하지 않고 올라마를 구동하였다. 이 지점에서 HP Z북 울트라 G1a의 프로세서의 특장점이 드러난다. 바로 SoC(System on a Chip) 설계를 통해 프로세서 자체에서 CPU·GPU·NPU를 통합하여 활용한다는 것이다. 따라서 이 워크스테이션을 사용하는 사람은 일반적으로 말하는 CPU-Only와 같이 GPU 드라이버를 따로 설치하지 않더라도, AI 추론 및 훈련을 수행할 때 GPU·NPU를 사용하는 것과 같은 효과를 체감할 수 있다.   그림 4. 올라마의 공식 홈페이지. 윈도우, 맥, 리눅스 등 다양한 OS를 지원하며 오픈소스로 활용 가능한 LLM 모델의 가중치를 제공하여 로컬 추론을 가능하게 하는 프로그램이다.   올라마를 활용해 중·대형 언어 모델(gpt-oss:120B)과 소형 언어 모델(qwen3:8B)을 각각 다운로드한 뒤, 동일한 조건에서 추론 시간을 비교해 보았다. 결과는 예상 이상이었다. 중·대형 언어 모델의 추론에는 (약간의 쿨링 소음이 발생하였지만) 약 10초가 소요되었고, 소형 언어 모델 역시 약 13초 내외로 추론을 마쳤다. 비교 대상으로 사용한 다른 노트북에서는 중·대형 모델이 추론 도중 오류를 일으켰고, 소형 모델조차 358초가 걸렸던 점을 감안하면 상당한 차이다. ‘메모리 용량 차이가 얼마나 크겠어’라고 생각한 필자의 판단을 무색하게 만들 정도로, 128GB 메모리와 라이젠 AI 맥스+ 프로 395의 조합은 로컬 AI 추론 환경에서 분명한 강점으로 작용했다. 이러한 특성은 AI 개발자에게만 국한된 장점은 아니다. 성능이 검증된 오픈소스 언어 모델을 노트북에 직접 탑재해 휴대할 수 있다는 것은, 인터넷 연결이 원활하지 않은 환경에서도 개인화된 AI 비서를 여러 개 운용하며 작업을 이어갈 수 있음을 의미한다. 로컬 환경에서의 AI 활용 가능성을 실질적인 수준으로 끌어올렸다는 점에서, HP Z북 울트라 G1a의 방향성과 장점이 명확히 드러나는 지점이었다.   그림 5. qwen3:8b로 로컬 추론을 수행한 결과   그림 6. GPT-oss:120b로 로컬 추론을 수행한 결과   3D 작업 워크플로 다음은 3D 작업 워크플로로 넘어가 보자. 필자가 주로 사용하는 캐릭터 크리에이터(Character Creator), 지브러시(Zbrush) 등을 통하여 내장 그래픽만을 가지고 있음에도 ‘충분히 작업이 가능한가?’라는 요소를 살펴보고, 다음으로는 고화질을 요구하는 3D 게임을 실행시켜 성능을 테스트해 보았다. 먼저, 리얼루션(Reallusion)의 캐릭터 크리에이터 5 소프트웨어를 설치하여 작업 가능 여부를 확인해 보았다. 이 소프트웨어는 사실적 묘사를 담은 메타 휴먼을 만들기 위한 소프트웨어이다. 얼굴, 체형, 옷 및 장신구 같은 다양한 요소를 조합하는 자유도가 높고, 피부 결이나 머리카락 같은 요소까지 섬세하게 구현해야 하기 때문에 일반적인 게이밍 노트북에서도 원활한 작업이 어려운 소프트웨어 중 하나이다. 실제로, 필자가 보유한 게이밍 노트북 기기에서는 동일한 작업을 수행하며 컴퓨터가 다운되는 경우가 종종 있었고, 새로운 스킨으로 교체하거나 요소를 변형할 때 1 ~ 5분 정도의 로딩 타임을 요구했다.   그림 7. 캐릭터 크리에이터로 작업하는 모습   그러나, HP Z북 울트라 G1a에서는 로딩 시간이 1 ~ 3분 이하로 줄어드는 모습을 보여주었을 뿐만 아니라, 컴퓨터가 다운되는 경우도 발생하지 않아 상당히 쾌적하게 작업을 진행할 수 있었다. 물론 다루는 데이터의 크기 자체가 큰 만큼 약간의 로딩 시간은 피해갈 수 없었으나, 대부분 1분 이내의 로딩으로 작업이 완료되어 작업 완료를 기다리는 시간이 줄어들었다. 다음으로는 지브러시를 통해 추가 검증을 진행하였다. 지브러시의 경우 매끄러운 표면을 위해 의도적으로 폴리곤을 많이 나누면서 메모리 부하가 발생하는 경우가 많은데, <그림 8>과 같이 복잡한 인간형 모델링, 특히 상업적으로 판매 가능한 정도의 모델링을 테스트하였음에도 데이터의 로드 및 조형에 시간이 소요되지 않고 바로 진행할 수 있는 정도의 원활함을 보여주었다.   그림 8. 매끄러운 곡선으로 폴리곤의 수가 많아지더라도 원활히 처리하는 모습을 볼 수 있다.   마지막으로, 3D 게임을 통해 성능을 확인하였다. 대상이 된 게임은 ‘호그와트 레거시’로, 언리얼 엔진으로 만들어졌으며 비교적 실사화 스타일의 그래픽, 다양한 파티클 사용으로 고난도의 그래픽 컨트롤을 요구하는 게임이다. 게임에서는 플레이를 진행하며 기기의 사양을 자동으로 측정하여 적절한 그래픽 옵션을 정해주는데, 이 기기는 자동으로 중간 단계의 그래픽 옵션으로 세팅되는 것을 확인하였다.   그림 9. 기기 옵션을 자동으로 분석하여 적절한 수준의 그래픽 구현. 이 기기는 중간 옵션을 배정받았다.   물론 기존의 작업에 비해 3D 게임을 진행할 때는 기기의 쿨링팬 소음이 두드러지게 들리는 편이었다. 앞서 수행한 작업에서는 쿨링이 필요하지 않거나, 쿨링이 필요하더라도 비교적 짧고 조용하게 한 번의 ‘쏴아아’하는 소리가 들렸다면, 3D 게임을 실행 중일 때는 지속적인 쿨링 소음이 발생하였기 때문이다. 그러나, 여기에서도 HP Z북 울트라 G1a의 탁월한 점을 발견할 수 있었다. 그것은 바로 ‘소음이 발생하는 만큼 쿨링이 잘 되고 있다’는 점이다. 랩톱을 주로 사용하는 사용자는 공감하겠지만, 일부 랩톱의 경우 쿨링 소음이 큰데도 불구하고 쿨링이 제대로 되지 않아 기기 아래쪽의 키보드 부분이 상당히 뜨거워지는 경우가 잦다. 그러나 이 기기는 소음이 크더라도 쿨링이 확실히 진행되고 있었고, 피부에 장시간 접촉시킬 수 있을 정도의 발열만 있었다. 아울러, 게임 내의 실사화 그래픽은 모두 끊기는 부분 없이 자연스럽게 재생되었고, 게임 진행에 이상이 없이 원활히 진행되었다.   그림 10. 그림 내 실사화 시나리오 중 그래픽 재현성이 좋은 부분의 캡처. 왼쪽의 바다 물결 표현, 전면의 포그 표현 등이 끊기지 않고 자연스럽게 재생되었다.   맺음말 HP Z북 울트라 G1a는 AI 리서처와 3D 제작 작업을 병행하는 사용자에게 모바일 워크스테이션으로서 분명한 가치를 지닌 기기다. 이 제품의 구성은 모든 요소를 고르게 끌어올리기보다는, 프로세서와 메모리 성능에 명확하게 힘을 준 제품이다. 이에 사용 목적이 분명한 사용자에게 강점으로 작용한다. AI 전처리, 로컬 추론, 3D 제작 작업과 같이 CPU·메모리 의존도가 높은 워크로드에서는 이러한 설계 방향이 체감 성능으로 직결되기 때문이다. 그런 의미에서 HP Z북 울트라 G1a는 특히 다음과 같은 사용자에게 추천하고 싶다. 첫째, 대용량 데이터 전처리가 일상적인 AI 엔지니어, 둘째, 3D 콘텐츠 제작 과정에서 초안과 검증 단계의 결과물을 빠르게 만들어야 하는 사용자, 셋째, 이 모든 작업을 데스크톱이나 서버에 의존하지 않고 모바일 환경에서도 이어가야 하는 사용자다. HP Z북 울트라 G1a를 사용하는 사용자라면, 적어도 서버급 연산을 요구하는 극단적인 작업을 제외하고는 대부분의 실무 환경에서 성능으로 인한 제약을 체감할 일은 드물 것이다. 견적 상담 문의하기 >> https://www.hp.com/kr-ko/shop/hp-workstation-amd-app   ■ 박정은 AI 융합 분야 연구자이자 엔지니어로, 컴퓨터 비전, 게임 엔진, 머신러닝, 딥러닝 기반 실무를 수행하며 대용량 AI 데이터 전처리와 AI 실험 파이프라인을 설계·운용해왔다. 필적, 운동학, 감정 인식 중심의 AI 프로덕트 R&D를 수행하며, 모바일 워크스테이션 환경에서 CPU·GPU 자원을 밀도 있게 활용하는 실험 구조를 활용하였다. 산업 연계 교육 현장에서 연구와 실무를 연결하는 엔지니어이자 교육자로 활동하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

알리바바그룹이 최신 추론 모델인 ‘큐원3-맥스-싱킹(Qwen3-Max-Thinking)’을 공개했다. 이 모델은 강화학습(Reinforcement Learning)을 위해 1조 개 이상의 파라미터로 모델 규모를 대폭 확장했으며, 이를 통해 사실적 지식 처리, 복합 추론, 지시 수행, 인간 선호도 정렬, 에이전트 기능 등 여러 핵심 영역에서 성능 향상을 달성했다. 알리바바에 따르면 큐원3-맥스-싱킹은 총 19개 주요 벤치마크 평가에서 클로드 오푸스 4.5(Claude Opus 4.5), 제미나이 3 프로(Gemini 3 Pro), GPT-5.2-Thinking-xhigh 등 최신 고성능 모델과 비교해 경쟁력 있는 성능을 보였다. 과학·수학·코딩 문제 해결은 물론 검색 도구를 활용해 다양한 분야의 전문가급 질문을 해결하는 평가 항목에서도 높은 수준의 결과를 보였다.     큐원3-맥스-싱킹의 이런 성능은 두 가지 핵심 기술 혁신에서 비롯된다. 첫째는 적응형 도구 활용(Adaptive Tool-use) 기능으로, 모델이 상황에 따라 정보를 검색하고 내장된 코드 인터프리터를 필요 시 자동으로 호출해 활용함으로써, 사용자가 도구를 직접 선택하지 않아도 보다 효율적인 문제 해결이 가능하도록 설계됐다. 둘째는 고도화된 테스트 단계 확장(Test-time Scaling) 기법으로, 이를 통해 추론 성능을 향상시키고 주요 추론 벤치마크에서 다른 고성능 모델에 뒤지지 않는 수준의 결과를 기록했다. 기존에는 작업마다 사용자가 도구를 직접 선택해야 했던 반면, 큐원3-맥스-싱킹은 대화 중 검색(search), 메모리(memory), 코드 인터프리터(code interpreter)를 동적으로 선택·활용한다. 이러한 기능은 도구 활용을 위한 초기 미세 조정(fine-tuning) 이후, 규칙 기반(rule-based) 및 모델 기반(model-based) 피드백을 결합한 다양한 과제 학습을 통해 구현됐다. 특히 검색 및 메모리 기능은 환각(hallucination)을 줄이고 실시간 정보 접근성을 높이며, 사용자의 개인적인 필요에 맞춘 응답 생성을 가능하게 한다. 또한 코드 인터프리터는 코드 실행이나 계산 기반 추론이 필요한 복잡한 문제를 보다 효율적으로 해결할 수 있도록 지원한다. 알리바바는 여기에 더해 경험 누적형 다회차 테스트 단계 확장(experience-cumulative, multi-round test-time scaling) 전략을 도입했다. 이 방식은 이전 상호작용에서 도출된 핵심 정보를 정제·활용함으로써, 이미 알려진 결론을 반복적으로 재추론하지 않고 남아 있는 불확실성 해결에 집중하도록 설계됐다. 이를 통해 단순히 대화 기록을 그대로 참조하는 방식보다 문맥 효율(context efficiency)을 높였으며, 유사한 토큰 비용으로 기존 표준 방식인 병렬 샘플링 및 집계(parallel sampling plus aggregation) 대비 지속적으로 높은 성능을 기록했다. 큐원3-맥스-싱킹은 현재 큐원 챗(Qwen Chat)을 통해 제공되고 있으며, 모델 API는 알리바바의 생성형 AI 개발 플랫폼 ‘모델 스튜디오(Model Studio)’에서 이용할 수 있다.

마이크로소프트가 대규모 AI 토큰 생성의 경제성을 개선하기 위해 설계된 추론 가속기 ‘마이아 200(Maia 200)’을 공개했다. 마이아 200은 마이크로소프트 애저(Azure) 환경에서 AI 모델을 더욱 빠르고 경제적으로 구동할 수 있도록 지원하며 차세대 AI 인프라의 핵심 역할을 수행할 예정이다. 마이아 200은 TSMC의 3나노미터(nm) 공정을 기반으로 고성능 AI 추론에 최적화된 구조를 갖췄다. 특히 초당 7TB 대역폭의 216GB HBM3e 메모리 시스템과 네이티브 FP8/FP4 텐서 코어, 그리고 데이터 이동 엔진을 유기적으로 결합해 거대 모델에 최적화된 추론 성능을 제공하는 것이 특징이다. 마이아 200은 1400억 개 이상의 트랜지스터를 탑재해 대규모 AI 워크로드에 특화된 설계를 갖췄다. 750W SoC TDP(설계 전력) 범위 내에서 각 칩은 FP4 기준 10 PFLOPS 초과, FP8 기준 5 PFLOPS 초과 성능을 제공한다. 이러한 연산 성능은 대규모 모델 구동을 원활히 지원하며, 향후 등장할 차세대 모델까지 대응 가능한 수준의 성능 여유를 확보한다. 또한 데이터 공급 병목 현상 해결을 위해 메모리 하위 시스템을 전면 재설계해 토큰 처리량을 최적화했다.     이러한 성능은 대규모 클러스터 환경에서도 일관되게 구현된다. 마이크로소프트는 표준 이더넷 기반의 새로운 2계층 스케일업 네트워크를 도입했으며, 맞춤형 전송 계층과 통합 NIC를 통해 독점적인 패브릭 없이도 성능과 신뢰성, 비용 이점을 확보했다. 각 가속기는 초당 2.8TB의 양방향 전용 스케일업 대역폭을 지원하며, 이는 최대 6144개의 가속기를 연결하는 대규모 클러스터 전체에서 일관된 성능을 유지하고 애저 인프라의 전력 소모와 전체 소유 비용(TCO)을 절감하는 기반이 된다. 시스템 효율은 개별 단위인 트레이와 랙 수준의 정밀한 연결 구조를 통해 구현된다. 하나의 트레이 내부에 탑재된 4개의 가속기를 직접 연결해 내부 통신 효율을 높였으며, 동일한 통신 프로토콜을 사용해 랙 단위까지 원활하게 확장할 수 있도록 설계했다. 이러한 통합 네트워킹 환경은 프로그래밍을 단순화하고 워크로드의 유연성을 높여 시스템 운영 효율을 강화한다. 마이크로소프트는 “실제 연산 성능에서 마이아 200은 4비트 정밀도(FP4) 기준 3세대 아마존 트레이니움(Amazon Trainium) 대비 3배 높은 처리량을 기록했으며, 8비트 정밀도(FP8)에서도 구글의 7세대 TPU를 상회한다”고 소개했다. 마이크로소프트는 이러한 기술력을 바탕으로 자사 인벤토리 내 최신 하드웨어 대비 달러당 성능을 30% 개선하며 효율적인 추론 시스템을 구축했다. 마이크로소프트의 이기종AI 인프라에서 핵심 역할을 수행할 마이아 200은 오픈AI의 최신 GPT-5.2 모델을 비롯한 다양한 모델을 지원한다. 이로써 마이크로소프트 파운드리(Microsoft Foundry)와 마이크로소프트 365 코파일럿(Microsoft 365 Copilot)의 가격 대비 성능 효율을 제공한다. 마이크로소프트 슈퍼인텔리전스 팀은 차세대 사내 모델 개선을 위한 합성 데이터 생성 및 강화 학습에 마이아 200을 투입할 계획이다. 이 칩은 고품질 도메인 특정 데이터의 생성 및 필터링 속도를 가속화해 후속 학습에 정교한 신호를 공급하는 중추 역할을 맡게 된다. 마이아 200은 아이오와주 디모인(Des Moines) 인근 미국 중부(US Central) 데이터 센터 지역을 시작으로 배포가 진행된다. 향후 애리조나주 피닉스(Phoenix) 인근 US West 3 지역 등으로 확대될 예정이다. 마이크로소프트 실리콘 개발 프로그램은 칩 출시 전 시스템 전반을 검증하는 엔드 투 엔드 방식을 원칙으로 한다. 설계 초기부터 LLM의 연산 및 통신 패턴을 모델링하는 프리 실리콘 환경을 구축해, 실제 칩 제작 전 이미 실리콘과 네트워킹, 시스템 소프트웨어를 하나의 체계로 최적화했다. 데이터센터 투입 준비도 설계 단계부터 병행했다. 백엔드 네트워크와 2세대 액체 냉각 시스템 등 복잡한 요소를 조기 검증하고 애저 제어 플레인)과 네이티브로 통합했다. 그 결과 마이아 200은 첫 부품 입고 수일 만에 실제 모델 구동에 성공했으며, 칩 입고부터 데이터 센터 배치까지의 기간을 기존 대비 절반 이하로 단축했다. 칩부터 소프트웨어, 데이터 센터를 아우르는 엔드투엔드 방식은 자원 활용률을 높이고 클라우드 규모에서의 비용 및 전력 효율을 지속적으로 개선한다. 마이크로소프트는 대규모 AI 시대가 본격화됨에 따라 인프라가 기술적 가능성을 결정짓는 핵심 요소가 될 것으로 내다보고 있다. 마이아 가속기 프로그램은 다세대 로드맵을 기반으로 설계됐으며, 향후 지속적인 혁신을 통해 새로운 벤치마크를 제시하고 핵심 AI 워크로드에 최적화된 성능과 효율을 제공할 예정이다.

마이크로소프트의 싱크탱크 AI 이코노미 인스티튜트가 2025년 하반기 AI 도입 현황과 디지털 격차 문제를 심층 분석한 ‘AI 확산 보고서 : 심화되는 디지털 격차(AI Diffusion Report : A Widening Digital Divide)’를 발표했다. AI 이코노미 인스티튜트는 글로벌 AI 생태계에 대한 포괄적인 시각을 제시하기 위해 국가별 도입률, 혁신 허브, 기술 트렌드 및 인프라의 역할을 정기적으로 분석해 발표하고 있다. 이번 보고서에는 국가별 도입률 추정치(해당 기간 중 생성형 AI를 1회 이상 사용한 근로 연령 인구 비율)를 비롯해 최신 AI 기술 트렌드와 공평한 접근을 가능하게 하는 디지털 인프라의 핵심적인 역할 등이 포함됐다. 마이크로소프트는 정기적인 데이터 및 연구 업데이트를 바탕으로, 국가별 도입률 추이와 주요 지표에 대한 지속적인 평가 결과를 발표할 계획이다. 보고서에 따르면 2025년 하반기 기준 전 세계 생성형 AI 채택률은 상반기 대비 1.2%포인트 상승한 16.3%를 기록하며 꾸준한 성장세를 보였다. 전 세계 근로 연령 인구 6명 중 1명이 AI를 사용하는 수준이다. 하지만 선진국 중심의 글로벌 노스(Global North)와 신흥국 중심의 글로벌 사우스(Global South) 간 AI 채택률 격차가 확대되며, 초기 인프라 투자 여부에 따른 지역 간 디지털 격차가 심화되는 양상을 보였다. 글로벌 노스의 채택률(24.7%)은 글로벌 사우스(14.1%)에 비해 두 배 가까이 높았으며, 두 지역 간 격차는 2025년 상반기 9.8% 포인트에서 하반기 10.6% 포인트로 확대됐다.     국가별로는 아랍에미리트(64.0%), 싱가포르(60.9%), 노르웨이(46.4%), 스페인(41.8%) 등 디지털 인프라에 조기 투자한 국가들이 도입률 선두를 지속했다. 반면, 미국은 절대적인 사용량 면에서는 세계 최고 수준을 유지했으나, 인프라가 밀집된 소규모 디지털 경제 국가들에 비해 인구 대비 사용 비율이 낮게 나타나며 글로벌 순위는 24위를 기록했다. 대한민국은 7계단 상승한 18위에 오르면서, 이번 하반기 조사 대상국 중 가장 눈에 띄는 성장세를 기록했다. 사용률은 전체 근로 연령 인구의 30%를 돌파했으며, 2024년 10월 이후 누적 성장률은 80%를 넘어 글로벌 평균(35%) 및 미국(25%)의 성장 속도를 크게 앞지른 것으로 나타났다.  보고서는 한국의 이러한 급성장이 국가 정책, 모델 성능 고도화, 대중적 문화 현상이라는 세 가지 동력이 맞물린 결과라고 분석했다 기술적으로는 프론티어 모델의 한국어 처리 능력이 비약적으로 향상된 점이 주효했다. 실제로 GPT-4o 및 GPT-5 등 최신 모델은 한국 대학수학능력시험(CSAT) 벤치마크에서 우수한 성과를 거두며 전문적인 업무와 교육 분야 등 실무 환경에서의 활용도를 높였다. 보고서는 특히 한국의 사례가 모델의 언어 역량이 정교해질수록 실제 사용량 또한 비례하여 증가할 수 있음을 보여주는 중요한 지표라고 짚었다. 이는 학습 데이터가 부족한 다른 언어권 국가들 역시 현지어 모델 성능 강화에 따라 향후 AI 도입이 비약적으로 확대될 수 있음을 시사한다. 아울러 ‘지브리 스타일’ 이미지 생성과 같은 대중적 문화 현상이 신규 사용자의 유입을 촉발했으며, 이러한 초기 경험이 일시적 유행을 넘어 장기적인 사용으로 안착하는 양상을 보였다고 분석했다. 마이크로소프트는 이러한 소비자 차원의 관심이 정부의 정책 및 기술 고도화와 맞물려 한국의 AI 사용량 증가를 견인한 핵심 동력이 되었다고 설명했다. 한편, 보고서는 오픈소스 AI 플랫폼 ‘딥시크(DeepSeek)’가 경제적·기술적 진입 장벽을 낮추며 글로벌 지형을 재편하는 양상을 보이고 있다고 분석했다. 중국, 러시아, 아프리카 전역에서 딥시크의 사용량이 급증했으며, 특히 아프리카 지역의 사용량은 타 지역 대비 2~4배 높은 것으로 추정됐다. 반면, 서비스가 이미 안정적으로 구축된 한국이나 이스라엘과 같은 국가에서는 도입이 미미한 수준에 그치며 지역별로 뚜렷한 차이를 보였다. 마이크로소프트는 이러한 변화에 대해 글로벌 AI 도입 결정 요인이 모델의 품질뿐만 아니라 ‘접근성과 가용성’에 있음을 시사한다고 짚었다. 오픈 모델이 빠르게 확산되면서, 상대적으로 감독이나 통제가 어려운 구조상 AI의 안전 기준과 관리 체계에 대한 논의 필요성도 함께 커지고 있다. 보고서는 10억 명의 차세대 AI 사용자가 오픈소스 혁신이 가능해진 ‘글로벌 사우스’ 지역을 중심으로 형성될 수 있다고 분석하면서, 향후 혁신이 격차를 좁히는 방향으로 확산되도록 보장하는 것이 글로벌 생태계의 핵심 과제라고 전했다.