제 구글 노트북에 업로드된 Automated Fact-Checking 관련 18개 연구를 분석한 결과(노트북이 제공하는 AI를 활용했습니다), AI 팩트체킹의 정확도는 외부 증거를 검색하고 이를 구조적으로 대조할수록 높아지는 경향을 보였습니다. 다만 환각, 비용, 시간에 따른 정보 변화, 복잡한 논증 구성 등은 여전히 해결되지 않은 과제로 남아 있습니다.

2025년 이전, 표준 파이프라인이 자리 잡다

2018~2022년경까지의 AI 팩트체킹 시스템은 대체로 ‘주장 감지 → 증거 검색 → 판정 예측 → 요약 설명 생성’으로 이어지는 4~5단계 파이프라인을 따랐습니다. 시스템은 입력된 문장에서 검증할 만한 주장을 찾아내고, 관련 증거를 검색한 뒤, 해당 주장이 참인지 거짓인지 분류했습니다. 마지막 단계에서는 판정 근거를 짧게 요약하는 방식이 활용됐습니다.

이 시기에는 SVM(Support Vector Machine) 기반의 ClaimBuster와 BERT, RoBERTa, T5 등 지도학습 기반 모델이 주로 사용됐습니다. 특히 판별형 인코더 모델은 입력된 문장과 증거 사이의 관계를 분석하는 데 적합했습니다. 위키피디아 기반의 FEVER(Fact Extraction and VERification) 데이터셋처럼 지식 범위가 제한된 닫힌 지식 베이스에서는 키워드 표면 일치와 자연어 추론(NLI)이 핵심 기법으로 활용됐습니다.

통제된 정적 벤치마크에서는 일정 수준의 성능이 나타났습니다. 그러나 외부 증거 없이 모델이 보유한 지식만으로 실세계 웹의 복잡한 문서를 판단할 때는 정확도가 크게 떨어졌습니다. DeBERTa-v3 같은 인코더 모델은 0.1초 미만의 빠른 처리 속도를 보였지만, 여러 문맥을 합성하거나 복잡한 추론을 수행하는 데는 한계가 있었습니다.

이 때문에 당시 AI는 독립적인 판정자라기보다 전문 팩트체커의 탐색 시간을 줄여주는 인간 개입형 도구로 평가됐습니다. 정적인 지식 출처에 고정된 구조는 실시간으로 변하는 정보나 복잡한 주장을 처리하기 어려웠습니다. 여러 문서의 내용이 서로 충돌할 때 이를 조정하는 능력도 부족했으며, 결과가 참·거짓과 같은 단문 레이블에 머물러 설명력이 낮았습니다.

2025년, 생성형 RAG와 소형 언어 모델의 결합

2025년에는 대규모 언어 모델(LLM)과 실시간 웹 검색을 결합한 검색 증강 생성(RAG)이 주요 흐름으로 부상했습니다. 제 구글 노트북에 수록된 연구 가운데 50.6%가 생성형 RAG를 핵심 기술로 다뤘습니다. 모델이 자체 지식에만 의존하지 않고, 최신 웹 자료를 검색해 판정 과정에 반영하는 구조입니다.

고비용의 초대형 모델 대신 Mistral 7B, Qwen2.5-7B, LLaMA 3.1의 8B·70B 모델 등 소형 언어 모델(SLM)을 미세조정하는 방식도 확산됐습니다. 연구진은 파인튜닝과 QLoRA를 활용해 소형 모델을 특정 팩트체킹 작업에 맞게 조정했습니다. 이 방식은 대규모 모델의 비용과 지연시간을 줄이면서도 검색, 판정, 설명 생성 등 파이프라인의 각 단계에 모델을 배치할 수 있다는 점에서 주목받았습니다.

웹 수집 에이전트와 대화형 사용자 인터페이스를 결합한 플랫폼도 등장했습니다. Veracity와 ClaimCheck 같은 시스템은 실시간으로 자료를 수집하고, 신뢰도 점수와 판정 설명을 화면에 표시하는 방식을 사용했습니다. 검색 결과를 단순히 나열하는 대신 사용자가 판정 과정과 근거를 확인할 수 있도록 설계된 것이 특징입니다.

증거 간 충돌을 처리하려는 시도도 이어졌습니다. CONFACT는 출처의 신뢰도와 미디어 배경 정보를 파이프라인에 반영했습니다. 또 일부 연구는 주장을 하나의 문장으로만 다루지 않고, 주장과 전제의 관계를 분석하는 논증 마이닝(Argument Mining)을 결합했습니다.

외부 실시간 증거를 활용한 RAG 시스템은 통제된 환경을 넘어 실세계 벤치마크에서도 성능 향상을 보였습니다. AVeriTeC에서 증거를 제공하지 않은 Naive LLM의 성능은 Qwen2.5-7B가 26.0%, GPT-4o가 53.2%였습니다. 반면 RAG와 소형 언어 모델 미세조정을 결합한 ClaimCheck는 62.6%를 기록했습니다.

InFact는 Knowledge Store를 정밀하게 활용해 72.4%를 기록했고, HerO는 75.2%까지 도달했습니다. PolitiFact 1만7,000건 데이터셋에서는 LLaMA-3.3-70B와 RAG를 결합한 시스템이 이분법 분류에서 74.7%의 정확도를 보였습니다. 다만 참, 거짓, 일부 사실 등 5개 클래스로 세분화하면 정확도는 40.5%로 낮아졌습니다.

GPT-4o는 별도 평가에서 73.31%로 가장 높은 정확도를 기록했습니다. 그러나 판정에 확신이 없다는 이유로 결론을 내리지 않은 ‘No Verdict’ 비율도 43.02%에 달했습니다. 이는 높은 평균 정확도가 항상 실무에서의 판정 완결성으로 이어지는 것은 아니라는 점을 보여줍니다.

2025년의 한계, 사실형 주장과 환각

2025년 연구에서는 AI가 주관적 의견보다 사실처럼 보이는 진술을 더 취약하게 처리하는 구조적 문제가 확인됐습니다. 모델이 문장의 실제 근거보다 어조나 문체 같은 표면적 단서에 의존하는 경향이 나타났기 때문입니다. 특히 ‘사실 진술’은 겉보기에는 객관적이지만, 세부 맥락과 출처를 따져야 하므로 오분류 가능성이 커졌습니다.

GPT-4o의 경우 의견 진술에 대한 정확도는 78.79%였지만 사실형 진술에서는 64.83%로 낮아졌습니다. LLaMA 3.1 70B도 의견 진술은 57.48%, 사실형 진술은 44.97%를 기록했습니다. 수치상 두 모델 모두 의견보다 사실형 진술에서 낮은 성능을 보였습니다.

RAG를 적용해도 환각 위험은 사라지지 않았습니다. 일부 연구에서는 시스템이 실제로 존재하지 않는 URL이나 논거를 만들어내는 비율이 48.2%에 달했습니다. 대형 모델을 사용할 경우 건당 연산 비용이 GPT-4o 기준 0.46달러에 이르고, 처리 지연시간이 최대 2분에 달하는 문제도 제기됐습니다.

시간에 따라 사실의 의미와 유효성이 바뀌는 문제도 충분히 반영되지 않았습니다. 연구의 60.0%는 사실을 시간에 따라 변하지 않는 정적인 속성으로 다뤘습니다. 이 때문에 개념 변화(Concept Drift)와 모델의 지식 기준 시점(Knowledge Cutoff)에 대응하는 능력이 제한됐습니다.

2026년, AI 에이전트가 기사를 함께 작성하다

2026년에는 AI 팩트체킹의 범위가 단순한 판정과 근거 요약을 넘어 전체 기사 작성으로 확대됐습니다. QRAFT 다중 에이전트 아키텍처는 기획자(Planner), 작성자(Writer), 편집자(Editor) 역할을 나눈 뒤, 에이전트들이 서로의 결과를 검토하고 수정하도록 설계됐습니다. 이는 전문 저널리스트의 기사 작성 과정을 모방한 구조입니다.

QRAFT는 단문 형태의 판정 설명이 아니라, 주장과 증거를 연결한 완성형 팩트체킹 기사 생성을 목표로 했습니다. 기획자는 필요한 자료와 기사 구성을 정리하고, 작성자는 초안을 만들며, 편집자는 논리와 인용을 검토합니다. 이후 여러 에이전트가 대화형으로 교정하는 방식이 적용됐습니다.

CLUE 프레임워크는 불확실성을 단순한 숫자로 표시하지 않는 접근을 제시했습니다. 증거 문서 사이에서 내용이 일치하거나 충돌하는 구간을 찾아 문장 단위로 매핑하고, Attention Steering을 통해 모델이 불확실성의 원인을 자연어로 설명하도록 했습니다. 사용자는 결과 점수뿐 아니라 어떤 증거가 서로 맞지 않는지 확인할 수 있습니다.

KG-CRAFT는 지식 그래프를 활용한 대조 추론 구조를 제시했습니다. 먼저 주장의 인물, 기관, 사건 등 엔티티와 이들 사이의 관계를 지식 그래프로 구축합니다. 이후 구조적 대조 질문(Contrastive Questions)을 생성하고, 그 질문에 답하는 과정에서 대규모 언어 모델의 추론을 유도합니다.

평가 방식도 정교해졌습니다. Prometheus-2를 활용한 LLM-as-a-Judge 평가가 적용됐고, 현직 저널리스트가 작성된 기사의 게재 가능성(Publishability)을 평가했습니다. 증거를 세부 단위로 나누어 검증하는 Ev2R 원자적 증거 평가 지표도 마련됐습니다.

2026년 성능 향상, 소형 모델도 초대형 모델 추월

KG-CRAFT는 LIAR-RAW 데이터셋에서 Naive LLM 대비 F1-score(F1-score(F1 점수)는 AI 및 머신러닝 모델의 성능을 평가할 때 사용하는 대표적인 지표로, 정밀도(Precision)와 재현율(Recall)의 조화평균(Harmonic Mean)값)를 크게 끌어올렸습니다. Llama 3.3 70B는 31.4%에서 73.87%로, Claude 3.7 Sonnet은 27.4%에서 72.36%로 향상됐습니다. 각각 42~44%포인트 수준의 상승폭입니다.

소형 모델의 성능도 눈에 띄었습니다. 17억 개 매개변수 규모의 SmolLM2는 KG-CRAFT를 적용했을 때 F1-score 73.40%를 기록했습니다. 이는 단일 프롬프트 조건의 초대형 모델인 Naive Claude 3.7 Sonnet의 62.22%보다 높은 수치입니다. 모델의 크기만으로 팩트체킹 성능이 결정되는 것이 아니라, 증거를 조직하고 대조하는 구조가 결과에 큰 영향을 줄 수 있다는 의미입니다.

QRAFT는 FactScore에서 기존 GPT 및 기준선 모델보다 11점 높은 81~85%를 기록했습니다. 환각 인용 비율도 1.29%까지 낮아졌습니다. 다중 에이전트 검토 구조가 인용 오류를 줄이는 데 기여했지만, 모든 오류를 제거한 것은 아닙니다.

여전히 남은 과제, 논증과 맥락 유지

2026년 시스템은 증거 데이터를 정확하게 전달하는 데는 진전을 보였지만, 여러 자료를 하나의 설득력 있는 논증으로 결합하는 능력에서는 인간 전문가에 미치지 못했습니다. 수집된 자료를 나열하는 것과 주장의 진위를 논리적으로 입증하는 것은 다른 작업이기 때문입니다. 특히 기사 전체의 흐름과 독자의 이해를 고려한 서사 구성에서 차이가 나타났습니다.

QRAFT가 작성한 기사의 게재 가능성 점수는 3.25점이었습니다. 인간이 작성한 기사는 4.83점을 기록했습니다. 이 결과는 AI가 사실과 인용을 일정 수준 정확하게 제시하더라도, 전문 기자가 작성한 기사와 같은 논리적 연결과 서사적 설득력을 확보하기는 아직 어렵다는 점을 보여줍니다.

복잡한 맥락을 다루는 과정에서도 문제가 남아 있습니다. 주장과 직접 연결되지 않은 간접적 맥락이나 여러 단계로 떨어져 있는 정보가 포함되면, AI가 앞뒤 관계를 유지하지 못하거나 인용을 잘못 연결할 수 있습니다. 이에 따라 전문가의 검토와 감독은 여전히 필요합니다.

다중 에이전트 구조는 정확도와 설명력을 높이는 대신 비용과 지연시간을 늘릴 수 있습니다. 기획, 작성, 편집, 재검토가 여러 차례 반복되면서 단일 모델을 사용하는 시스템보다 연산 부담이 커집니다. 따라서 향후에는 정확도뿐 아니라 처리 속도, 운영 비용, 검토 과정의 투명성까지 함께 평가해야 합니다.

팩트체킹 AI의 다음 단계

18개 연구가 보여주는 변화는 팩트체킹 AI가 ‘정답을 맞히는 분류기’에서 ‘증거를 찾고 대조하며 설명하는 협업형 시스템’으로 이동하고 있다는 점입니다. 2025년 이전에는 닫힌 지식 베이스와 판별형 인코더가 중심이었지만, 2025년에는 실시간 웹 검색과 생성형 모델의 결합이 핵심이 됐습니다. 2026년에는 지식 그래프, 다중 에이전트, 불확실성 설명이 새로운 구성 요소로 추가됐습니다.

정확도는 외부 증거와 구조적 추론을 결합할수록 높아지는 흐름을 보였습니다. 그러나 높은 F1-score나 정확도가 곧바로 신뢰할 수 있는 기사 작성으로 이어지지는 않았습니다. 사실형 주장(Factual Claim) 오분류, 가짜 인용, 시간에 따른 정보 변화, 비용과 지연시간, 서사적 논증 부족은 여전히 해결해야 할 핵심 문제입니다.

따라서 현재의 AI 팩트체킹은 인간을 완전히 대체하는 기술이라기보다, 검색과 비교, 초안 작성, 증거 정리를 자동화하는 도구에 가깝습니다. 최종 판정과 게재 여부를 결정하는 과정에서는 출처의 신뢰도와 정보의 시점, 문맥의 적절성, 논증의 완성도를 사람이 확인해야 합니다. 다시 강조하지만 '사람'(인간 기자)이 확인해야 합니다.

참고 문헌

2026년 발표 논문 (총 4개)

• Akhtar, M., Schlichtkrull, M., & Vlachos, A. (2026). Ev2R: Evaluating evidence retrieval in automated fact-checking. Transactions of the Association for Computational Linguistics, 14, 530–561. https://doi.org/10.1162/TACL.a.647
• Carvalho, L. H. M., & Goldschmidt, R. R. (2026). Large language models for automated fact-checking: A systematic literature review. IEEE Access, 14, 71200–71225. https://doi.org/10.1109/ACCESS.2026.3707805
• Rivas-de-Roca, R., Mesquita, L., Munoriyarwa, A., de-Lima-Santos, M.-F., & Elega, A. A. (2026). Fact-checking and investigative journalism’s artificial intelligence revolution. Journalism Practice, 20(10), 1–21. https://doi.org/10.1080/17512786.2026.2734505
• Sahnan, D., Corney, D., Larraz, I., Zagni, G., Miguez, R., Xie, Z., Gurevych, I., Churchill, E., Chakraborty, T., & Nakov, P. (2026). Can LLMs automate fact-checking article writing? Transactions of the Association for Computational Linguistics, 14, 489–509. https://doi.org/10.1162/TACL.a.644

2025년 발표 논문 (총 11개)

• Curtis, T. L., Touzel, M. P., Garneau, W., Gruaz, M., Pinder, M., Wang, L. W., Krishna, S., Cohen, L., Godbout, J.-F., Rabbany, R., & Pelrine, K. (2025). Veracity: An open-source AI fact-checking system. Proceedings of the 34th International Joint Conference on Artificial Intelligence (IJCAI 2025) Demo Track.
• Fontana, N., Corso, F., Zuccolotto, E., & Pierri, F. (2025). Evaluating open-source large language models for automated fact-checking. arXiv preprint, arXiv:2503.05565.
• Ge, Z., Wu, Y., Chin, D. W. K., Lee, R. K.-W., & Cao, R. (2025). Resolving conflicting evidence in automated fact-checking: A study on retrieval-augmented LLMs. Proceedings of the 34th International Joint Conference on Artificial Intelligence (IJCAI 2025).
• Kavtaradze, L. (2025). Dominant disciplinary and thematic approaches to automated fact-checking: A scoping review and reflection. Digital Journalism, 13(9), 1552–1577. https://doi.org/10.1080/21670811.2024.2427036
• Lourenço, V. N., Paes, A., Weyde, T., Depeige, A., & Dubey, M. (2025). KG-CRAFT: Knowledge graph-based contrastive reasoning with LLMs for enhancing automated fact-checking. Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (ACL 2025), 6418–6436.
• Panchendrarajan, R., & Zubiaga, A. (2025). EX-Claim: Entity-aware cross-lingual claim detection for automated fact-checking. Natural Language Processing Journal, 7, 100066.
• Putta, A. R., Devasier, J., & Li, C. (2025). ClaimCheck: Automatic fact-checking of textual claims using web evidence. Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (ACL 2025) System Demonstrations, 303–312.
• Sahitaj, P., Maab, I., Yamagishi, J., Kolanowski, J., Möller, S., & Schmitt, V. (2025). Towards automated fact-checking of real-world claims: Exploring task formulation and assessment with LLMs. CEUR Workshop Proceedings, 3986, 11–23.
• Saju, L., Bleier, A., Lasser, J., & Wagner, C. (2025). Facts are harder than opinions: A multilingual, comparative analysis of LLM-based fact-checking reliability. arXiv preprint, arXiv:2510.12345.
• Sun, J., Warren, G., Shklovski, I., & Augenstein, I. (2025). Explaining sources of uncertainty in automated fact-checking. arXiv preprint, arXiv:2505.45510.
• Wang, X., Cabrio, E., & Villata, S. (2025). When automated fact-checking meets argumentation: Unveiling fake news through argumentative evidence. Argument & Computation, 16(3), 405–424. https://doi.org/10.1177/19462174251330980

2025년 이전 발표 논문 (총 3개 / 2021~2022년)

• Guo, Z., Schlichtkrull, M., & Vlachos, A. (2022). A survey on automated fact-checking. Transactions of the Association for Computational Linguistics, 10, 178–206. https://doi.org/10.1162/tacl_a_00454
• Nakov, P., Corney, D., Hasanain, M., Alam, F., Elsayed, T., Barrón-Cedeño, A., Papotti, P., Shaar, S., & Da San Martino, G. (2021). Automated fact-checking for assisting human fact-checkers. Proceedings of the 30th International Joint Conference on Artificial Intelligence (IJCAI-21), 4551–4558. https://doi.org/10.24963/ijcai.2021/619
• Nakov, P., Corney, D., Hasanain, M., Alam, F., Elsayed, T., Barrón-Cedeño, A., Papotti, P., Shaar, S., & Da San Martino, G. (2022). Automated fact-checking for assisting human fact-checkers: A survey. Journal of Artificial Intelligence Research.

뮤즈(Muse): 일상에 들어가는 실행형 에이전트

뮤즈는 전용 브라우저를 갖춘 클라우드 가상 컴퓨터에서 작동합니다. 이메일 발송과 여행 관련 예약, 웹 문서 작성, 구매 등의 과제를 맡길 수 있고, 앱을 닫아도 작업을 이어갑니다. 이용자는 뮤즈 앱이나 왓츠앱에서 대화할 수 있고요. 메타는 대부분의 기능을 무료로 제공하며 미국에서 먼저 선보였고 순차적으로 출시할 계획입니다. 생활 속 여러 과제를 한곳에 맡기는 낮은 진입장벽과 실행력이 강점입니다.

다만 그 실행력에서 단점도 제기됩니다. 이메일·쇼핑·외부 계정에 접근하는 에이전트일수록 잘못된 발송이나 구매, 정보 노출의 영향이 클 수 있습니다. 메타측에선 별도 감시 에이전트 ‘센티널’과 권한 설정, 민감한 행동에 대한 사용자 승인 등을 안전장치로 제시하고 있습니다. 그러나 승인 절차는 위험을 줄이는 장치이지, 결과를 검토할 필요까지 없애지는 않는다는 비판적 목소리도 나옵니다.

닷츠(Dots): 업무 맥락을 이어가는 상시 동료

Dots는 개별 클라우드 컴퓨터를 갖춘 상시 작동 에이전트입니다. 오픈AI는 4,000개 이상의 앱 연결을 내세우며, ChatGPT·슬랙·팀즈 등에서 나눈 맥락을 이어받아 여러 프로젝트를 병행할 수 있다고 설명합니다. 고객 피드백에 따른 코드 수정이나 변경된 요구사항을 반영한 자료 작성처럼 계속 진행되는 업무가 주된 활용 사례로 등장합니다. 다만 지금은 서비스 지원 지역에서도 Pro·Business Premium 사용자에게만 먼저 순차적으로 제공되고, 기업용 ‘전문 Dot’은 파일럿 단계라고 합니다. 업무 연속성이 장점인 반면 초기 접근성은 제한적입니다.

‘상시 작동’을 무제한 자율 실행으로 해석해서도 안 됩니다. 사용자가 직접 대화하지 않을 때 Dots가 수행하는 ‘선제적 조사’는 읽기 전용 도구로 제한되고, 메시지를 보내거나 앱 내용을 수정할 수는 없다고 합니다.

두 서비스 모두 사람의 확인과 권한 관리가 경쟁력의 일부인 셈입니다. 한편 메타도 최근 소규모 사업자를 위한 뮤즈 활용을 발표한 만큼, ‘뮤즈는 일상, Dots는 업무’라는 구분은 현재의 주력 방향이지 고정된 시장 경계는 아닌 것으로 보입니다.

시사점: 앱 경쟁을 넘어 ‘이용자의 첫 접점’ 경쟁으로

기술 분석가 벤 톰슨은 9월 28일 글("Apps, Agents, and Aggregation")에서 웹의 희소성이 콘텐츠의 ‘발견’이었다면, 에이전트 시대에는 이용자가 하고 싶은 일을 포착하는 ‘영감·의도’가 중요해진다고 분석했습니다. 이용자가 목적을 에이전트에 먼저 말하고 나면, 개별 앱과 서비스는 에이전트가 결과를 만들기 위해 선택하는 수단이 된다는 것이죠. 톰슨은 에이전트를 이용자 수요 뿐 아니라 욕구까지 매개하는 관문으로 봤습니다. ‘AI 시대의 포털’이라는 비유가 설득력을 얻는 이유입니다.

그래서 뮤즈와 Dots의 경쟁은 어느 쪽이 일을 더 빨리 처리하느냐에 그치지 않을 것입니다. 결국 '누가 이용자의 목표를 먼저 듣고, 맥락을 오래 기억하며, 다음 행동에 쓰일 서비스를 고르는가'의 경쟁으로 이어질 것입니다. 그 시작점을 차지한 에이전트에는 이용자와 서비스 공급자를 연결하는 힘이 모일 수 있습니다. 반대로 이용자에게는 편리함만큼이나 선택 기준의 투명성과 개인정보 통제, 결과를 바로잡을 수 있는 권한이 중요해집니다. 에이전트 경쟁이 중요한 이유는 새로운 앱 하나의 승부가 아니라, 디지털 서비스로 향하는 첫 접점을 누가 맡을지 결정하는 승부이기 때문입니다.

🎬 뉴욕타임스, 영화판 ‘소셜네트워크’ Letterboxd 노린다

영화 리뷰·기록 커뮤니티 Letterboxd가 매각을 추진하는 가운데 뉴욕타임스와 A24가 최근 인수 후보로 거론되고 있습니다. 소니 픽쳐스와 파라마운트, 넷플릭스 등도 앞서 관심을 보인 것으로 알려졌으며, 거래가 성사되면 기업가치는 약 3억 달러 수준이 될 수 있다는 보도가 나왔습니다.

🤖 검색 대신 ‘직접 처리하는 AI’

Muse의 가장 큰 차별점은 실제 행동입니다. 사용자가 요청하면 브라우저를 열고 양식을 작성하거나 여행을 예약하고, 결제 직전에는 이용자의 승인을 받는 식으로 작업을 수행합니다. 메타는 사용자마다 별도의 가상머신을 제공해 에이전트와 데이터를 분리하고, 어떤 행동을 했는지도 감사 기록으로 보여준다고 설명합니다.

🏦 가치 높아진 현금

• 한동안 금융시장에서는 ‘현금은 쓰레기(Cash is trash)’라는 말이 통했습니다. 금리가 제로에 가까워 예금이나 단기 국채, 머니마켓펀드(MMF)에 돈을 넣어둬도 이자가 거의 붙지 않았기 때문입니다. 은행 역시 고객에게 높은 예금금리를 줄 필요가 없었습니다.
• 하지만 2022년 미국 연방준비제도(Fed)가 금리를 빠르게 올리면서 상황이 달라졌습니다. 현금을 어디에 두느냐에 따라 받을 수 있는 이자가 크게 달라졌고, 시장에서는 높은 금리가 예상보다 오래 지속될 것이라는 전망도 커지고 있습니다. 은행 입장에서는 싸게 조달할 수 있었던 고객 예금의 가치가 그만큼 높아진 것입니다.
• 문제는 경쟁자도 크게 늘었다는 점입니다. 기존 은행뿐 아니라 인터넷전문은행과 네오뱅크, 스테이블코인, 토큰화된 미국 국채, 국채 ETF까지 고객의 현금을 노립니다. 예전에는 은행 계좌에 그냥 놔뒀던 돈이 이제 조금만 움직이면 더 높은 수익률을 얻을 수 있습니다.

📺 Paramount+에 ‘무료 입구’ 만든다

Business Insider가 확인한 내부 자료에 따르면 파라마운트는 Paramount+에 무료 요금제를 추가하는 방안을 준비하고 있습니다. 일부 콘텐츠를 무료로 시청할 수 있고, 일정 에피소드나 기간을 넘기면 유료 구독을 요구하는 방식이 검토되고 있습니다. 무료 이용자를 대규모로 끌어들여 광고 매출을 만들고, 이후 유료 가입자로 전환시키는 것이 목표입니다.

📱 정상들의 ‘AI 단톡방’

• 노르웨이 총리 요나스 가르 스퇴레가 캐나다 총리 마크 카니에게 문자메시지를 보냈습니다. AI를 통제할 새로운 국제 규칙을 함께 만들어보자는 제안이었습니다. 답장은 10분 만에 왔습니다. “물론이죠. 함께하겠습니다.”
• 비슷한 시기 카니 총리는 에마뉘엘 마크롱 프랑스 대통령과 AI 규제를 논의했고, 스퇴레 총리와 알렉산데르 스투브 핀란드 대통령은 AI가 반드시 인간의 지시와 감독, 통제 아래 있어야 한다는 내용의 공동 제안서를 내놨습니다. 카니 총리는 국제적인 AI 규칙과 제한을 논의할 ‘기술 안정성’ 기구도 제안했습니다.
• 이들이 떠올리는 모델은 냉전시대의 핵무기 통제 체제입니다. 원자폭탄이라는 압도적인 신기술이 등장한 뒤 경쟁국들이 군비통제와 안전규칙을 만들었던 것처럼, 인간보다 강력해질 수 있는 AI에도 국제적인 관리체계가 필요하다는 겁니다.

🇺🇸 미국은 “글로벌 규제 반대”

🔥 AI의 새 병목은 ‘전기’

• AI 경쟁이 반도체를 넘어 전력 확보 경쟁으로 번지고 있습니다. 거대한 AI 데이터센터를 지어도 전력망에 연결되기까지 오랜 시간이 걸리고, 발전소에 들어가는 대형 가스터빈마저 주문이 밀려 몇 년씩 기다려야 하는 상황입니다. 데이터센터 사업자들이 아예 현장에 자체 발전시설을 짓는 ‘Bring Your Own Power’에 나서는 이유입니다.
• 이런 가운데 올해 설립된 캘리포니아 스타트업 ‘패럴랙스(Parallax)’가 가스터빈 시장에 뛰어들었습니다. 스탠퍼드대 출신으로 방산 하드웨어 회사를 공동 창업했던 칼 쇨러가 세운 회사로, 설립 첫해에 벌써 1억1700만달러를 투자받았습니다. GE버노바 같은 전통적인 산업기업들이 장악해온 발전설비 시장에 스타트업이 뛰어든 건 이례적입니다.

🖨️ 터빈도 3D 프린팅으로

😨 ‘스마트 안경’의 불편한 시선

• 메타가 안경업체 에실로룩소티카와 함께 판매하는 AI 글래스 ‘레이밴 메타’가 뜻밖의 역풍을 맞고 있습니다. 최근 일부 남성이 스마트 안경으로 여성들을 몰래 촬영하거나 괴롭히는 영상이 공개되면서 일부에서는 이 제품을 아예 ‘변태 안경(pervert glasses)’이라고 부르기 시작했습니다. 2014년 구글의 스마트 안경 ‘구글 글래스’ 사용자에게 붙었던 ‘Glasshole’이라는 멸칭이 다시 떠오를 정도입니다.
• 반발이 커지자 스마트 안경을 찾아내는 앱까지 등장했습니다. ‘Nearby Glasses’나 ‘ZuckOff’ 등 블루투스 신호를 이용해 주변에 스마트 안경이 있는지 감지하는 무료 앱도 있는데요. 실제 악용 사례는 일부에 불과하지만, 문제는 안경을 쓴 사람이 촬영 중인지 주변 사람이 쉽게 알기 어렵다는 데 있습니다. 스마트폰은 촬영하려면 기기를 꺼내 들어야 하지만 안경은 그냥 바라보는 것만으로 촬영할 수 있기 때문입니다.

📈 논란에도 판매량은 두 배

가능하다. 메타의 개인용 AI 에이전트 뮤즈(Muse)가 그 가능성을 보여주고 있다. 세계 최고 성능 AI라는 타이틀이 없어도, 이용자를 이해하고 실제 일을 끝내주는 서비스는 만들 수 있다. 그런 서비스가 일상에 자리 잡으면 AI 모델의 순위보다 더 강력한 경쟁력이 생긴다.

챗봇 시대의 경쟁이 ‘누가 이용자에게 답을 보여주느냐’였다면, 에이전트 시대의 경쟁은 ‘누가 이용자를 대신해 실제 상거래를 실행하느냐’로 넓어지고 있다. 이 변화는 OpenAI와 Anthropic뿐 아니라 아마존, 구글, 그리고 한국의 쿠팡, 네이버, 카카오에도 같은 질문을 던진다. “이용자가 가장 먼저 찾아오는 곳은 앞으로도 우리일까?”

나는 지난 사흘 동안 뮤즈를 설치해 이용하고 있다. 매우 만족스럽다. 짧은 이용 경험만으로 장기적인 성공을 단정할 수는 없다. 그러나 일상에서 왜 이런 서비스를 쓰게 되는지는 분명히 느낄 수 있다. AI를 써야 할 이유를 찾아다니기보다, AI와 상관없이 해야 하는 일을 AI에 맡길 수 있다는 점이 중요하다.

AI가 컵을 집는 순간, 문제가 달라진다

AI에게 탁자 위의 컵을 싱크대로 옮기는 방법을 물어보면, 꽤 훌륭하게 설명합니다. 컵의 위치를 확인하고, 손잡이를 잡고, 기울어지지 않게 들어 올린 뒤 장애물을 피해 이동하라고 할 것입니다.

말로 들으면 간단합니다.

앞선 4편은 이렇게 끝맺었습니다.

“검증의 고리가 닫힌 분야에서 AI는 스스로 배우며 빨라집니다. 수학과 코드에서 벌어진 일이 실험실에서도 벌어질 수 있을까요.”

이번 편은 바로 그 질문에서 출발합니다.

🚀 우주군 다음은 ‘AI 포스’

• 도널드 트럼프 미국 대통령이 첫 임기 때 창설한 우주군(Space Force)에 이어 이번에는 ‘AI 포스(A.I. Force)’를 만들겠다고 밝혔습니다. 백악관에 새로운 AI ‘차르(Czar)’도 임명하겠다고 했습니다. 다만 AI 포스가 군 조직인지, 민간 정부기관인지, 구체적으로 무슨 일을 하는 조직인지는 설명하지 않았습니다. 백악관도 구체적인 조직 형태나 역할을 밝히지 않았습니다.
• 중요한 것은 이름보다 트럼프가 AI 산업을 바라보는 방향입니다. 그는 "AI 산업을 소중히 여기고, 돕고, 지켜보겠다"고 말했습니다. 최근 첨단 AI 모델의 위험성과 AI 에이전트의 통제 이탈 사례가 잇따르면서 워싱턴에서는 개발 속도를 늦추거나 연방정부의 감독을 강화해야 한다는 논쟁이 커지고 있습니다. 트럼프는 이 가운데 규제보다 개발을 앞세우는 ‘가속론자(accelerationists)’ 쪽에 분명하게 서고 있습니다.

🇨🇳 “멈추면 중국이 가져간다”

만드는 비용은 낮아졌지만, 무엇을 만들지는 더 어려워졌다

⚡ 완전히 뒤집힌 개발 순서

• AI가 제품을 만드는 방식을 완전히 바꾸고 있습니다. 과거에는 아이디어가 생기면 먼저 기획서를 쓰고, 기능을 정하고, 디자인과 개발 비용을 따져본 뒤 실제 제작에 들어갔습니다. 개발자의 시간이 비쌌기 때문에 엉뚱한 아이디어에 자원을 낭비하지 않도록 앞단에서 수많은 회의와 검토를 거쳐야 했습니다. 한 해에 제품 개발 사이클을 여섯 번이나 여덟 번밖에 돌리지 못하던 시절에는 당연한 방식이었습니다.
• AI는 이 순서를 거꾸로 만들었습니다. 이제는 아이디어가 떠오르면 일단 AI로 빠르게 만들어보고 직접 써볼 수 있습니다. 실제로 만져보면서 괜찮은지 확인한 뒤 디자인과 엔지니어링을 다듬어 제품으로 발전시키는 겁니다. ‘기획하고 설계한 뒤 만든다’에서 ‘먼저 만들고 써본다’로 바뀐 셈입니다. 회의실에서 “이렇게 만들면 어떨까”를 오래 논쟁하는 것보다 프로토타입 하나를 직접 만들어보는 편이 훨씬 싸고 빨라졌습니다.
  

이런 질문을 꽤 자주 받고 있습니다. 포털 등으로 들어온 트래픽으로 수익을 영위해왔던 국내 언론사들이 지배적 기술의 변동 앞에 무기력함을 호소하고 있습니다. 주로 경영진들의 고민이 깊어지고 있다는 걸 확인할 수 있었습니다. 지금의 이 큰 파고를 넘어서지 않으면, '불패의 신화'를 써왔던 국내 언론사들 또한 더 큰 위기에 직면할 수 있다는 걸 직감하고 있어서일 겁니다.

'트래픽의 시대는 갔다'라고 단정적으로 말할 순 없습니다. 하지만 트래픽에만 의존하던 기존 사업 모델이 작동하지 않는 환경으로 넘어가고 있다는 것만큼은 분명합니다. 이전처럼 호혜적으로 트래픽을 넘겨주던 그런 검색 사업자나 포털은 더이상 없습니다. 그들 또한 생존과 성장을 위해 자사 검색창 안에 더 많이 사용자들이 머무르고, 그곳에서 구매 행위까지 종결하길 기대하고 있습니다. 또한 그 공간 안에서 광고 상품을 운영하고 있는 상황입니다. 외부로 트래픽을 넘겨주는 방식은 당분간 그들의 수익에도 도움이 되지는 환경인 것이죠.