이번 주는 삼성전자와 SK하이닉스가 그동안 막아 두던 외부 생성형 AI를 임직원에게 열어 주기 시작했고, 구글이 글을 한 글자씩이 아니라 한 번에 다듬어 더 빨리 써 내는 새 모델 DiffusionGemma를 내놨으며, Perplexity는 조사부터 보고서·슬라이드까지 한 번에 묶어 주는 흐름을 보여 줬답니다. 책상에서 바로 써볼 개발·법무·교육 도구, 식당·배달 사장님과 1인 온라인 셀러가 월요일에 바로 시작할 수 있는 활용법까지 한 자리에 모아봤어요.
이번 주, 따로 짚고 가는 큰 사건
클로드 Fable 5가 출시 사흘 만에 멈췄어요
지난주에 일반 공개 모델 중 가장 강력하다고 소개되며 풀린 클로드 Fable 5(페이블 5)가, 출시 사흘 만인 6월 12일(미국 시간) 미국 정부의 수출통제 지침으로 Mythos 5(미토스 5)와 함께 접근이 전 세계에서 막혔어요. 미국 안팎의 모든 외국 국적자가 대상이라 — 한국 사용자도 여기에 포함돼 — 국내에서도 두 모델을 쓸 수 없게 됐지요. (Opus 같은 다른 클로드 모델은 영향이 없답니다.)
같은 사건을 두고 양쪽 설명이 정반대예요. 미국 정부 측은 이 모델에서 안전장치를 우회하는 좁은 방법이 발견됐다는 안보 우려를 들었고, Anthropic(앤트로픽)은 “그 정도 취약점은 다른 모델에도 흔하고, 수억 명이 쓰는 모델을 통째로 회수할 만한 사유가 아니다”며 과도한 조치라고 맞섰답니다. 회사는 “오해라고 보며 빨리 되돌리도록 작업 중”이라는 입장이고요.
어제까지 멀쩡히 쓰던 AI 도구가 정책 한 줄에 하루아침에 막힐 수 있다는 걸 보여 준 일이라, 특정 외부 AI에 업무를 크게 기대고 있다면 한 번쯤 짚어 둘 만하지요.
삼성·SK하이닉스가 외부 AI를 임직원에게 열었어요 — 회사가 AI를 풀어 줬을 때 첫 달에 뭘 해야 할지 정리해 봤답니다
회사가 그동안 보안을 이유로 막아 두던 외부 AI를 갑자기 열어 주면, 막상 무엇부터 어떻게 써야 할지 막막한 직장인이 많지요.
삼성전자 DX(디바이스경험)부문이 2026-06-12부터 임직원에게 외부 생성형 AI 3종 — ChatGPT(챗GPT) · Gemini Enterprise(제미나이) · Claude(클로드) — 을 공식 도입했어요. 한 서비스에 묶어 두지 않고 업무 목적에 따라 골라 쓰도록 복수 모델을 동시에 지원한 점이 특징이랍니다. 삼성전자 DS(반도체)부문은 이미 Claude를 쓰고 있고 ChatGPT 추가와 연내 Gemini 도입도 계획돼 있다고 보도됐어요. 비슷한 시점에 SK하이닉스도 같은 방향으로 움직이기 시작했답니다. 곽노정 CEO가 ‘2026 뉴 이천포럼’의 CEO 타운홀에서 “AI 시대에는 누가 더 빨리 배우고 적응하느냐가 중요하다”는 취지로 발언했고, ChatGPT 등 외부 생성형 AI와 Microsoft 365 Copilot(코파일럿 — 마이크로소프트가 오피스 앱 안에 붙여 둔 AI 비서예요) 도입을 함께 검토하고 있다고 전해졌어요. 다만 SK하이닉스 쪽은 아직 도입을 추진·검토하는 단계이고, 국가핵심기술과 무관한 영역부터 단계적으로 들이면서 보안·시스템 아키텍처(시스템의 전체 구조와 설계 방식이에요)를 함께 점검하겠다는 입장이라, 삼성처럼 도입일이 못 박힌 단계는 아니랍니다. 현재는 오픈소스 기반 사내 AI 서비스를 운영하고 있다고 해요.
이 소식이 직장인에게 의미 있는 건 “보안에 가장 민감하던 반도체 대기업까지 외부 AI를 업무에 들이기 시작했다”는 신호이기 때문이네요. 쉽게 말하면, 그동안 “우리 회사는 보안 때문에 외부 AI 못 써”라던 분위기가 큰 회사부터 조금씩 바뀌고 있다는 뜻이지요. 아시아경제는 SK하이닉스의 움직임을 “삼성에 이어 외부 생성형 AI 도입을 추진하며 AI 활용을 새 경쟁력으로 본 흐름”이라고 정리했어요. 다만 두 회사 모두 외부 공식 발표가 아니라 사내 도입·사내 발언을 매체가 전한 것이고, 도입으로 업무가 얼마나 빨라졌다 같은 효과 수치는 아직 나오지 않았다는 점은 함께 봐 주시면 좋겠네요. 직장인 입장에서는 “우리 회사도 곧 열어 줄 수 있겠구나” 하고 미리 마음의 준비를 해 둘 만한 흐름이랍니다.
회사가 외부 AI를 열어 줬을 때 첫 달을 어떻게 보내면 좋은지 한 발 더 들어가 보겠습니다.
AI를 열어 줬다고 곧장 모든 일에 다 써 보려 하면 오히려 손에 익지 않아요. 가장 안전하고 빠르게 효과를 보는 길은 “내가 매주 반복하는 일 가운데 굳이 사람이 머리를 쥐어짤 필요 없는 작업 하나”부터 넘기는 거랍니다. 예를 들어 회의 끝에 핵심만 정리하는 일, 받은 메일에 회신 초안을 잡는 일, 표·자료를 보기 좋게 다듬는 일처럼요. 삼성처럼 여러 모델을 함께 쓸 수 있다면, 같은 작업을 두세 모델에 똑같이 시켜 보고 우리 일에 어느 쪽이 잘 맞는지 가볍게 비교해 두시면 좋아요 — 글의 한국어 자연스러움, 표 정리 솜씨, 긴 문서 요약 정확도는 모델마다 조금씩 다르거든요. 그리고 무엇보다 중요한 건 민감 정보 입력 금지선을 처음부터 분명히 정해 두는 일이에요. 고객 개인정보(PII — Personally Identifiable Information, 이름·연락처·주민번호처럼 특정 개인을 알아볼 수 있는 정보예요), 미공개 매출, 계약서 원문 같은 건 회사가 허용한 범위 안에서만 다뤄야 하지요. 회사가 어떤 도구를 어떤 데이터까지 허용했는지 사내 안내를 먼저 확인하고, 그 경계 안에서 반복 업무부터 한 칸씩 넘기시는 게 가장 단단한 첫 달 사용법이랍니다.
회사가 외부 AI를 열어 줬을 때 — 첫 달 점검표
[1] 반복 업무 10개 적기
- 우리 부서가 매주 반복하는 일 10개를 한 줄씩
- 예: 회의 핵심 정리 / 메일 회신 초안 / 표·자료 다듬기 / 보고서 1장 초안
[2] 작업별 모델 골라 보기 (여러 모델을 쓸 수 있다면)
- 같은 작업을 2~3개 모델에 똑같이 시켜 비교
- 한국어 자연스러움 / 표 정리 / 긴 문서 요약 — 우리 일에 맞는 쪽
[3] 민감 정보 입력 금지선 정하기
- 고객 개인정보(PII)·미공개 매출·계약서 원문은 회사 허용 범위 안에서만
- 사내에서 어떤 도구를 어떤 데이터까지 허용했는지 먼저 확인
[4] 한 칸씩 넓히기
- 가벼운 반복 업무부터 한 달 / 익으면 다음 업무로
구글이 글을 ‘한 번에 다듬어’ 더 빨리 써 주는 모델을 내놨어요 — AI 응답을 기다리는 시간이 줄어들 수 있답니다
AI에게 긴 답을 시켰을 때 글자가 한 줄씩 천천히 채워지는 걸 멀거니 기다린 적이 있다면, 그 ‘응답 속도’ 자체를 바꾸려는 새 방식이 나왔어요.
구글 딥마인드(Google DeepMind)가 2026-06-10 오픈 모델 DiffusionGemma를 공개했어요. 보통 AI는 글을 왼쪽에서 오른쪽으로 한 글자(토큰)씩 차례로 만들어 내는데, 이 모델은 그림을 그리듯 흐릿한 전체 문장을 한 번에 잡아 두고 점점 또렷하게 다듬어 가는 방식이랍니다. 이걸 텍스트 확산(text diffusion — 무작위 상태에서 시작해 전체를 동시에 다듬어 가는 생성 방식이에요)이라고 불러요. 쉽게 말하면, 받아쓰기처럼 한 글자씩 적어 나가는 대신, 사진을 인화할 때 흐릿한 상이 한꺼번에 또렷해지는 것과 비슷한 거지요. 구글 발표에 따르면 같은 GPU(Graphics Processing Unit — 원래 그래픽용 칩인데 지금은 AI 연산에 가장 많이 쓰는 부품이에요)에서 기존 방식보다 최대 4배 빠르게 글을 생성하고, NVIDIA RTX 5090에서 초당 700토큰 이상, H100에서 초당 1,000토큰 이상이 나온다고 해요. 전체 규모는 260억(26B)이지만 입력마다 일부만 골라 쓰는 MoE(Mixture of Experts — 입력마다 필요한 전문가 부분망만 골라 쓰는 구조예요)라 한 번에 실제로 쓰는 부분은 약 38억(3.8B)이고, 생성 도중에 앞뒤 문맥을 동시에 보며 실시간으로 오류를 고칠 수 있다는 점도 특징이지요. Apache 2.0 오픈 라이선스라 개발자가 받아 쓸 수 있고, 개발자 가이드도 함께 나왔답니다.
이 모델이 일하는 사람에게 의미 있는 건 “AI의 똑똑함이 아니라 ‘응답이 얼마나 빨리 나오느냐’를 끌어올리려는 새 흐름”이라는 점이네요. 다른 말로 하면, 그동안 모델 경쟁은 “더 정확하게”에 쏠려 있었는데, 이번엔 “더 빠르게”를 정면으로 노린 거지요. 다만 구글도 이 모델을 실험(experimental) 단계로 표기했고, 4배·초당 토큰 같은 속도 수치는 모두 구글 자체 발표라는 점은 함께 적어 두시면 좋겠네요. 직장인 입장에서 당장 이 모델을 직접 쓸 일은 드물지만, 앞으로 우리가 쓰는 챗봇·자동완성·실시간 분류 도구의 응답이 점점 빨라질 수 있는 배경 흐름으로 알아 두시면 된답니다.
이 흐름을 회사 일에서 어떻게 받아들이면 좋은지 한 발 더 들어가 보겠습니다.
여기서 직장인이 실제로 챙겨 두면 좋은 건 모델 이름이 아니라 “우리 일에는 속도가 중요한가, 정확성이 중요한가”를 구분하는 눈이에요. 모든 작업에 가장 똑똑하고 느린 모델을 쓸 필요는 없거든요. 예를 들어 고객 문의를 빠르게 분류해 담당자에게 넘기는 일, 입력하는 동안 다음 문장을 추천해 주는 자동완성, 대량의 짧은 글을 후루룩 분류하는 일처럼 “빨리, 많이”가 중요한 작업에는 빠른 모델이 어울려요. 반대로 계약서 검토나 중요한 보고서 초안처럼 한 글자도 틀리면 안 되는 일에는 느리더라도 꼼꼼한 모델이 맞지요. 그래서 회사에서 AI 도구를 여러 개 쓰게 된다면, “어떤 작업에 어떤 성격의 모델을 붙일지”를 한 장에 정리해 두시면 나중에 도구가 늘어나도 헷갈리지 않는답니다. 빠른 모델이 좋다는 게 아니라, 일의 성격에 모델을 맞추는 습관이 핵심이에요.
‘속도냐 정확성이냐’ — 작업별 모델 선택 기준 1장
[속도가 중요한 작업 → 빠른 모델]
- 고객 문의 자동 분류 / 실시간 자동완성 / 대량 짧은 글 분류
- 사람이 곧바로 받아 보거나, 양이 많아 처리 속도가 중요한 일
[정확성이 중요한 작업 → 꼼꼼한 모델]
- 계약서·법무 검토 / 중요한 보고서·기획서 초안
- 한 글자라도 틀리면 안 되는 일, 느려도 정확함이 우선
[정리 규칙]
- 우리 부서 AI 작업 목록 옆에 '속도형 / 정확형' 한 글자 표시
- 도구가 늘어도 이 표에 맞춰 배치
AI가 글을 처리하는 최소 단위예요. 한국어는 보통 한 글자~한 음절 정도가 1토큰에 해당하지요.
text diffusion (텍스트 확산)
글을 한 글자씩 쓰는 대신, 흐릿한 전체를 한 번에 잡아 점점 또렷하게 다듬어 만드는 방식이에요.
MoE (Mixture of Experts, 전문가 혼합)
모델 안에 여러 전문가 부분망을 두고, 입력마다 필요한 일부만 골라 쓰는 구조예요.
GPU (Graphics Processing Unit)
원래 그래픽용 칩인데, 지금은 AI 학습·추론에 가장 많이 쓰는 핵심 부품이에요.
Perplexity가 조사부터 보고서·슬라이드까지 한 번에 묶어 줘요 — 리서치를 다시 옮겨 적던 수고를 줄일 흐름이랍니다
시장조사·자료조사를 잔뜩 해 놓고도, 그걸 다시 보고서나 발표 슬라이드로 옮겨 적느라 한나절을 쓰는 직장인이 많지요.
AI 검색 회사 Perplexity가 심층 조사 기능 ‘딥 리서치(Deep Research)’를 자사 멀티모델 플랫폼 ‘컴퓨터(Computer)’ 안으로 옮겼다는 소식이에요. 컴퓨터는 2026년 2월 말 나온 시스템으로, 한 작업에 최대 20여 개 AI 모델을 동시에 조율한다고 해요. 어떻게 동작하느냐면, 복잡한 질문 하나를 잘게 쪼개 여러 하위 작업으로 나눈 뒤, 각 조각을 그 일에 가장 잘 맞는 모델에 나눠 맡기는 방식이랍니다. 이걸 라우팅(routing — 작업을 가장 적합한 곳으로 갈라 보내는 것이에요)이라고 불러요. 예를 들어 깊은 조사는 한 모델에, 핵심 추론은 또 다른 모델에 보내는 식이지요. 보도에 따르면 핵심 추론 엔진으로는 Claude Opus 4.6(클로드 오푸스 4.6)을 쓰고, 특화된 하위 작업은 전용 sub-agent(서브 에이전트 — 큰 작업을 돕도록 따로 맡겨진 작은 보조 AI예요)가 맡는다고 해요. 결과는 단순한 글 덩어리가 아니라 보고서·덱(슬라이드)·대시보드처럼 바로 쓰는 형태로 돌려주고, 수백 개 출처에서 1차 자료를 찾아 모든 주장에 출처를 단다고 합니다.
이 흐름이 일하는 사람에게 의미 있는 건 “조사 → 정리 → 산출물 만들기”라는 세 단계를 한 줄로 묶으려는 시도라는 점이네요. 쉽게 말하면, 예전에는 자료를 찾고, 그걸 머릿속에서 정리하고, 다시 슬라이드로 옮기는 일을 사람이 다 했다면, 이 흐름은 그 세 단계를 한 번에 이으려는 거지요. 다만 이 소식은 Perplexity 공식 발표가 아니라 MarkTechPost라는 매체가 정리한 보도라, 세부 사양은 공식 변경 안내에서 한 번 더 확인하시는 게 좋답니다. 직장인 입장에서는 “리서치 도구를 고를 때 무엇을 봐야 하나”의 기준을 잡는 참고로 보시면 돼요.
이 흐름을 리서치·보고 업무에 어떻게 옮기면 좋은지 한 발 더 들어가 보겠습니다.
이런 도구를 회사 일에 들일 때 가장 먼저 따져야 할 건 화려한 기능이 아니라 “믿을 수 있게 만들어 주느냐”예요. AI가 만든 리서치 결과는 그럴듯해 보여도 출처가 흐릿하면 보고에 그대로 쓰기 어렵거든요. 그래서 ① 모든 주장에 출처가 또렷이 달리는가, ② 그 출처가 2차 요약이 아니라 1차 자료(원 보고서·공식 발표)까지 닿는가, ③ 결과를 보고서·표·슬라이드처럼 바로 쓰는 형태로 주는가 — 이 세 가지를 점검하시면 좋답니다. 그리고 아무리 출처를 잘 달아 주는 도구라도, 핵심 수치와 인용은 사람이 한 번 원문과 대조하는 절차는 꼭 남겨 두셔야 해요. AI가 출처를 달았다고 해서 그 내용이 항상 정확한 건 아니니까요. 결국 이런 도구는 “사람이 처음부터 끝까지 하던 리서치”를 “AI가 1차로 모아 오고 사람이 검증·결정하는” 흐름으로 바꿔 주는 보조라고 보시면 된답니다.
AI 리서치 도구 점검 체크리스트
[믿을 수 있는가]
① 모든 주장에 출처가 또렷이 달리는가
② 출처가 2차 요약이 아니라 1차 자료(원 보고서·공식 발표)까지 닿는가
[바로 쓸 수 있는가]
③ 결과를 보고서·표·슬라이드 형태로 바로 주는가
④ 우리 회사 양식에 맞춰 다듬기 쉬운가
[사람이 지킬 선]
⑤ 핵심 수치·인용은 사람이 원문과 한 번 대조
⑥ 출처가 달려 있어도 내용 정확성은 따로 확인
현직 개발자들은 AI로 무엇을 자동화하고 있을까요 — 절반이 ‘개인 실험’에 머문다는 솔직한 현실까지 짚었답니다
AI로 업무를 자동화했다는 이야기는 많이 들리는데, 정작 내 옆자리는 왜 여전히 바쁜지 궁금한 데이터·개발·운영 담당자라면, 개인 실험을 팀 자산으로 옮기는 길이 궁금하지요.
현직 개발자들이 실제 업무를 AI로 자동화한 사례를 정리한 글이에요. 정리에 따르면 개발자들이 AI를 가장 많이 붙인 영역은 사내 문서·지식 검색(52.9%)과 코드 리뷰(PR 리뷰 — Pull Request, 동료가 작성한 코드 변경을 검토하는 일이에요) 보조·배포 로그 점검(52.9%)이었고, 슬랙 알림·보고서 생성 같은 반복 운영(35.3%), CS(Customer Service — 고객 응대·문의 처리예요) 챗봇·문의 분류(11.8%)가 뒤를 이었답니다. 구체적으로는 팀 위키 검색과 회의록 요약, 코드 리뷰 보조, 매일 데이터를 자동으로 모아 대시보드에 띄우기, 정보를 수집·분석해 메일로 보내기 같은 작업이 꼽혔어요. 그런데 솔직한 현실도 함께 담겼지요 — 이렇게 만든 자동화의 58.8%가 아직 개인 사용 단계에만 머물러 있고, 팀의 공식 업무 흐름에 통합된 건 23.5%뿐이라는 점이에요. 64.7%가 업무 속도가 빨라졌다고 답했지만 검토·검증 부담도 함께 늘었고, 팀 도입을 막는 가장 큰 벽은 보안·권한(37.5%)으로 나타났답니다.
이 정리가 직장인에게 유용한 건 “AI 자동화의 진짜 어려움은 만드는 게 아니라, 개인이 만든 걸 팀이 함께 쓰게 만드는 데 있다”는 점을 또렷이 보여 주기 때문이네요. 다른 말로 하면, 똑똑한 개인이 혼자 쓰는 도구는 그 사람이 자리를 비우면 멈춰 버리지요. 이 글은 잡코리아와 코드 품질 분석 회사 SonarSource 자료를 바탕으로 정리됐는데, 개별 개발자나 회사 실명은 설문 기반이라 공개되지 않았어요. 그래서 개별 사례라기보다 “현직 개발자들이 실제로 어디에 AI를 쓰는지”의 큰 그림으로 봐 주시면 좋답니다.
이 현실을 우리 팀에 어떻게 적용하면 좋은지 한 발 더 들어가 보겠습니다.
핵심은 “내가 만든 AI 자동화를 다른 사람도 쓸 수 있게 옮기는” 작업이에요. 개인 실험을 팀 자산으로 바꾸려면 몇 가지가 필요하답니다. 먼저 어떤 입력을 넣으면 어떤 결과가 나오는지, 무엇을 주의해야 하는지를 누구나 읽을 수 있게 짧게 문서로 남겨야 해요. 머릿속에만 있으면 그건 여전히 개인 도구거든요. 그다음 보안·권한 범위를 분명히 해야 하지요 — 이 자동화가 어떤 데이터에 접근하는지, 그 데이터를 봐도 되는 사람은 누구까지인지를 정해 두는 거예요. 설문에서도 팀 도입을 막는 가장 큰 벽이 보안·권한이었으니까요. 또 AI 결과를 그대로 믿지 않고 사람이 한 번 검증하는 절차를 끼워 두고, 그 자동화가 고장 났을 때 누가 고칠지 유지보수 담당도 미리 정해 두시면 좋답니다. 이 네 가지 — 문서화, 보안·권한, 검증, 유지보수 — 만 갖추면 “한 사람의 잔재주”가 “팀이 함께 쓰는 도구”로 올라선답니다.
개인 AI 자동화 → 팀 자산으로 옮기는 점검 4가지
[1] 문서화
- 어떤 입력 → 어떤 결과 / 주의할 점을 누구나 읽게 짧게 정리
[2] 보안·권한
- 이 자동화가 접근하는 데이터는 무엇인가
- 그 데이터를 봐도 되는 사람은 누구까지인가
[3] 검증
- AI 결과를 사람이 한 번 확인하는 절차 끼우기
- 특히 외부로 나가는 결과·수치는 반드시
[4] 유지보수
- 고장 났을 때 누가 고칠지 담당 정하기
- 만든 사람이 떠나도 멈추지 않게
법률에 특화된 AI 에이전트가 나왔어요 — 엘박스는 “AI는 도구일 뿐, 본질은 법률 데이터”라고 강조했답니다
사내 법무팀에 계약·검토가 몰리는데 범용 AI 답변은 어딘가 미덥지 않다면, 법률에 특화된 도구가 어디까지 왔는지 살펴볼 때예요.
한국 리걸테크(legaltech — 법률 서비스에 기술을 접목한 분야예요) 기업 엘박스(Lbox)가 국내 최대 판결문 데이터를 기반으로 한 법률 AI 에이전트를 소개했어요. 2019년 창립한 회사로, 지난해 단순히 답만 주는 AI에서 스스로 단계를 밟아 일을 처리하는 에이전트형(agentic — 정한 목표를 위해 여러 단계 작업을 스스로 수행하는 방식이에요)으로 전환을 마쳤다고 해요. 엘박스 자체 발표 기준으로는, 이 시스템이 변호사시험 선택형에서 94% 정답률, 사례형에서 528점을 받아 ChatGPT · Gemini · Claude 같은 범용 모델보다 점수가 높았다고 합니다. 또 회사 측 설명·보도로는 2026년 3월 말 기준 국내 변호사의 약 70%가 가입했고 1,600여 개 로펌·대기업을 고객으로 확보했다고 해요. 이진 대표는 핵심을 분명히 했답니다 — “데이터가 핵심 경쟁력이고, 데이터 기반 없이는 아무리 우수한 모델이라도 법률 실무에서는 쓸모가 없다”는 거지요. 회사는 AI에 최적화된 법률 데이터 플랫폼 ‘Scala’도 개발했다고 밝혔어요.
이 사례가 직장인에게 의미 있는 건 “법률처럼 정확성이 생명인 분야에서는 어떤 모델을 쓰느냐보다 어떤 데이터를 쌓았느냐가 승부를 가른다”는 메시지네요. 쉽게 말하면, 같은 요리사라도 좋은 재료가 있어야 좋은 요리가 나오는 것과 비슷한 거지요. 다만 변호사시험 점수·가입률 같은 수치는 모두 엘박스 자체 발표·보도 기반이라, 외부 독립 검증 수치가 아니라는 점은 함께 봐 주셔야 해요. 회사 발표를 매체가 전한 내용이니, “법률 특화 도구가 이런 방향으로 가고 있다”는 흐름으로 받아들이시면 좋답니다.
이 흐름을 법무·계약 업무에 어떻게 적용하면 좋은지 한 발 더 들어가 보겠습니다.
법무·계약 일에 AI를 들일 때 가장 먼저 따질 건 “우리 분야 자료에 특화돼 있느냐”예요. 엘박스 사례의 핵심도 결국 “법률 데이터”였지요. 범용 챗봇은 그럴듯한 법률 문장을 만들어 내지만, 실제 판례·법령에 근거하지 않으면 위험하거든요. 그래서 도구를 고를 때 우리가 다루는 분야의 판례·법령·계약서 양식을 제대로 학습했는지를 먼저 보셔야 한답니다. 그리고 법무는 무엇보다 정보 보안과 사람 검토가 생명이에요. 고객 정보·계약 상대방 정보 같은 민감한 내용을 어디까지 입력해도 되는지 금지선을 정하고, AI가 1차로 검토·정리한 결과는 반드시 변호사나 법무 담당자가 다시 확인하는 절차를 지키셔야 하지요. AI가 “이 조항은 문제없어 보입니다”라고 해도 그 판단의 책임은 결국 사람에게 있으니까요. 정리하면, AI는 산더미 같은 계약서에서 빠르게 쟁점을 추려 주는 1차 조수로 쓰되, 마지막 판단과 책임은 사람이 쥐는 흐름이 가장 안전하답니다.
법무·계약 AI 도구 점검 체크리스트
[특화]
- 우리 분야 판례·법령·계약 양식을 제대로 학습했는가
- 범용 챗봇이 아니라 법률 데이터에 근거하는가
[보안]
- 고객·상대방 정보를 어디까지 입력해도 되는지 금지선
- 입력한 데이터가 외부로 나가거나 학습에 쓰이지 않는가
[사람 검토]
- AI 1차 검토·정리 → 변호사·법무 담당자 재검토 절차
- 최종 판단·책임은 사람이 진다는 원칙 명시
법률 서비스에 기술을 접목한 분야예요. 판례 검색·계약 검토 자동화 등이 여기에 속하지요.
agentic (에이전틱)
답만 주는 게 아니라, 정한 목표를 위해 여러 단계 작업을 스스로 수행하는 방식이에요.
agent (에이전트)
사람이 정한 목표를 위해 여러 단계 행동을 스스로 계획·실행하는 AI예요.
사내 AI 교육을 했는데 정작 쓰는 사람이 없다면 — ‘도구를 배우자’에서 ‘문제를 푼다’로 무게를 옮길 때랍니다
사내 AI 교육을 한 번 돌렸는데 정작 업무에 쓰는 사람이 없어 고민인 교육·인사 담당자라면, 무엇이 빠졌는지 짚어 볼 때예요.
기업 사내 AI 교육을 어떻게 설계할지 다룬 HRD(Human Resource Development — 임직원의 역량을 키우는 교육·개발 업무예요) 포럼 정리예요. 지난해 한국HRD협회 특별포럼에서 정리된 내용으로, 핵심은 교육의 무게중심을 “ChatGPT 사용법을 배우자”는 도구 중심에서 “우리 부서의 실제 문제를 AI로 푼다”는 문제 중심으로 옮기자는 거랍니다. 구체적인 목표 두 가지가 제시됐는데, 전 임직원의 50% 이상이 생성형 AI의 변화 잠재력을 이해하고, 최소 15%가 AI로 스스로 문제를 해결하게 만들자는 것이었어요. 이 15%라는 숫자는 새로운 것이 빠르게 퍼질 때 먼저 받아들이는 ‘얼리어답터(early adopter — 새 기술을 남보다 먼저 받아들여 써 보는 사람들이에요)’ 비율에서 끌어온 수치라고 해요. 발표에서는 익명 H사 사례도 소개됐는데, H사 자체 수치로는 임직원 40% 이상이 생성형 AI 교육에 참여하고 7%가 직접 손으로 해 보는(핸즈온) 과정을 거쳐 실제 업무 사례를 만들어 냈으며, 연 초과근무가 31% 줄었다고(2023년 약 3.2만 시간 → 2025년 약 2.2만 시간) 합니다.
이 정리가 교육·인사 담당자에게 유용한 건 “AI 교육이 일회성 강의로 끝나면 업무에 거의 남지 않는다”는 흔한 실패의 원인을 짚어 주기 때문이네요. 다른 말로 하면, “버튼 누르는 법”을 가르치는 데서 그치면 교육이 끝나는 순간 잊히지만, “내 업무의 이 문제를 AI로 풀어 보라”고 시키면 그건 실제 자산으로 남는다는 거지요. 다만 H사의 초과근무 31% 감소 같은 수치는 그 회사 자체 수치이고 익명 사례라, 우리 회사에 그대로 옮겨 기대하기보다 설계 방향의 참고로 보시면 좋답니다.
이 방향을 우리 회사 교육에 어떻게 옮기면 좋은지 한 발 더 들어가 보겠습니다.
가장 큰 차이는 교육이 끝났을 때 “무엇이 남느냐”예요. 도구 사용법만 가르치면 강의 자료가 남지만, 문제 중심으로 설계하면 임직원이 직접 만든 ‘우리 부서 실제 업무 사례’가 남지요. 그래서 교육을 설계하실 때, 강의 마지막에 “각자 자기 업무에서 AI로 풀어 볼 문제 하나”를 정해 실제로 해 보고 결과물을 제출하게 하시는 게 좋답니다. 그렇게 나온 사례 가운데 잘된 것을 검증해 부서에 공유하면, 그게 다음 교육의 살아 있는 교재가 되지요. 목표도 막연히 “다 같이 AI 잘 쓰자”가 아니라, “임직원 절반은 AI가 무엇을 바꾸는지 이해하고, 그중 일부는 직접 자기 일에 적용한다”처럼 단계로 나눠 두시면 진행 상황을 가늠하기 쉬워요. 처음부터 모두를 전문가로 만들 필요는 없답니다 — 먼저 받아들인 소수가 좋은 사례를 만들면, 그 사례가 나머지를 자연스럽게 끌어당기거든요.
사내 AI 교육 설계 점검표
[무게중심]
- '도구 사용법' 이 아니라 '우리 부서 실제 문제 풀기' 로
- 강의 끝에 각자 자기 업무 문제 1개를 AI 로 풀어 제출
[남는 것]
- 임직원이 만든 실제 업무 사례를 검증해 부서 공유
- 잘된 사례를 다음 교육의 살아 있는 교재로
[목표를 단계로]
- 절반 이상이 'AI 가 무엇을 바꾸는지' 이해
- 그중 일부가 직접 자기 일에 적용
- 먼저 받아들인 소수의 사례가 나머지를 끌어당기게
식당·배달 사장님의 리뷰·매장·장부를 AI가 도와줘요 — 마감 후에도 끝나지 않던 일을 덜어 주는 도구들이랍니다
손님 리뷰에 일일이 답글 달고, 메뉴·재고 고치고, 영수증 정리까지 하느라 마감 후에도 일이 끝나지 않는 식당·배달 사장님이라면, 손을 덜어 줄 도구가 절실하지요.
식당·배달 사장님이 매일 마주하는 일을 AI가 대신해 주는 국내 서비스 몇 가지를 정리한 기사예요. 첫째는 캐시노트의 AI 리뷰 관리(한국신용데이터)인데, 배달앱·지도 리뷰를 ① 감정 분석 → ② 분류 → ③ 답변 생성의 3단계로 자동 처리해요. 부정 리뷰를 ‘불편·불만·악성’ 단계로 구분하고 거기에 맞는 답변 문구를 제안하며, 영업시간이 끝난 뒤 들어온 부정 리뷰는 따로 알림을 준답니다. 한국신용데이터 측 집계로는 전국 220만 사업장이 캐시노트를 쓰고 있다고 해요. 둘째는 티오더의 티오더 GPT로, 따로 프로그램을 깔지 않고 카카오톡으로 상품명 변경·재고 설정·이미지 수정 같은 반복 작업을 시킬 수 있고, 일부 POS(Point of Sale — 주문·결제를 처리하고 매출을 기록하는 매장 계산 시스템이에요) 매장은 실시간 매출·주문도 조회할 수 있지요. 셋째는 페이히어의 AI 가계부인데, 영수증이나 세금계산서를 사진으로 찍으면 항목·거래처별로 지출을 자동 분류하고 일·주 단위 구매 패턴을 정리해 준답니다.
이 사례가 소상공인에게 의미 있는 건 “사장님이 손님 응대에 써야 할 시간을, 리뷰·재고·장부 같은 반복 업무가 갉아먹고 있었다”는 점을 정확히 짚어 주기 때문이네요. 쉽게 말하면, 진짜 중요한 건 음식과 손님인데 정작 그 주변 잡무에 저녁이 다 갔던 거지요. 아시아경제는 이런 서비스들을 “AI가 소상공인 현장에 파고드는 흐름”으로 정리했어요. 다만 220만 사업장 같은 수치는 한국신용데이터 측 집계라는 점은 함께 봐 주시면 좋겠네요. 우리 가게 입장에서는 “어떤 반복 업무부터 넘길 수 있나”를 고르는 참고가 된답니다.
이 도구들을 우리 가게에 어떻게 들이면 좋은지 한 발 더 들어가 보겠습니다.
가장 먼저 시작하기 좋은 건 리뷰 답변이에요. 매일 쌓이는 리뷰에 답글을 다는 건 시간도 들고 감정 소모도 크지요. AI가 1차 답변 초안을 만들어 주면 사장님은 검토만 하면 되니 부담이 확 줄어요. 다만 한 가지 꼭 지키실 점이 있답니다 — 악성 리뷰나 민감한 항의에 대한 답변은 그대로 올리지 말고 사장님이 직접 읽고 확인하셔야 해요. AI가 만든 무난한 문장이 오히려 손님 감정을 건드릴 수도 있으니까요. 메뉴·재고 수정처럼 단순 반복 작업은 자동화에 맡기기 좋고, 영수증·지출 정리도 사진 한 장으로 분류되니 장부 정리 시간이 크게 줄지요. 다만 이런 도구는 매출·거래처 같은 민감한 가게 정보를 다루니, 그 데이터가 어디에 보관되고 안전한지를 가입 전에 한 번 확인하시는 게 좋답니다. 정리하면, 반복되고 감정 소모가 큰 일(리뷰 1차 답변·재고 수정·장부 분류)은 AI에 넘기고, 사장님은 최종 확인과 손님을 마주하는 일에 집중하시는 게 가장 단단한 활용법이에요.
식당·배달 AI 위임 점검표
[리뷰]
- AI 가 답변 1차 초안 작성 → 사장님 검토 후 등록
- 악성·민감 리뷰는 반드시 사장님이 직접 읽고 확인
[매장 관리]
- 메뉴·가격·재고 수정 같은 단순 반복은 자동화
- 영업시간 외 부정 리뷰는 알림 받기
[장부]
- 영수증·세금계산서 사진 → 항목·거래처 자동 분류
- 주 1회 지출 패턴만 사장님이 훑어보기
[안전]
- 매출·거래처 정보가 어디에 보관되는지 가입 전 확인
- 손님에게 나가는 답변은 사람이 최종 확인
캐시노트(한국신용데이터) AI 리뷰 관리, 티오더 GPT, 페이히어 AI 가계부 등 실명 서비스가 소개된 기사예요. 전국 220만 사업장 같은 수치는 한국신용데이터 측 집계이니, 도입 전 각 서비스의 최신 기능·요금을 한 번 더 확인하시면 좋답니다.
아시아경제 — “리뷰 답변부터 매장 관리까지…AI, 소상공인 현장 파고든다” →
🔖 용어 풀이
POS (Point of Sale)
주문·결제를 처리하고 매출을 기록하는 매장 계산 시스템이에요.
감정 분석 (sentiment analysis)
글이 긍정인지 부정인지, 어떤 감정을 담았는지 AI가 가려내는 것이에요.
혼자 온라인 가게를 꾸리는 1인 셀러에게 ‘AI 직원’이 생겼어요 — 상품 등록부터 CS까지 한곳에서 묶어 준답니다
혼자 온라인 가게를 운영하며 상품 등록·문의 응대·재고까지 다 떠안아 하루가 모자란 1인 셀러라면, 반복 일을 덜어 줄 도구가 절실하지요.
한국 스타트업 레비오사AI(LeviosaAI)가 1인 셀러를 위해 상품 등록·재고·CS·마케팅 콘텐츠 제작을 하나의 AI 에이전트로 묶은 플랫폼을 만들고 있어요. 2025년 9월 설립된 회사로, 주하람 대표(KAIST AI 박사)와 주하담 COO(서울대)가 공동 창업했답니다. 무엇을 해 주느냐면, 상품을 등록하고 재고·주문을 관리하며 고객 문의에 응대하고, 가격을 분석해 판매 전략을 추천하고, 카드뉴스·숏폼 같은 마케팅 콘텐츠까지 만들어 줘요. 게다가 네이버·쿠팡·자사몰처럼 흩어진 판매 채널을 한 대시보드에서 통합 관리한다는 점이 특징이지요. 특히 눈에 띄는 건 재고 관리인데, SKU(Stock Keeping Unit — 상품을 종류·색·크기별로 구분해 관리하는 최소 단위예요)별로 최소 재고를 정해 두면 AI가 실시간으로 지켜보다가 기준 이하로 떨어지면 알림과 함께 발주서 초안까지 자동으로 만들어 주고, 담당자는 검토·승인만 하면 된답니다. 주하담 COO 본인도 셀러 경험이 있는데, 회사 측 설명으로는 월 매출이 수십만 원대에서 1억 원까지 늘어난 사례로 언급됐어요. 서울대기술지주에서 투자를 받았다고 합니다.
이 사례가 소상공인에게 의미 있는 건 “혼자 다 하느라 정작 중요한 일에 쓸 시간이 없던 1인 셀러의 손을 덜어 준다”는 점이네요. 다른 말로 하면, 직원을 둘 형편은 안 되지만 일은 직원 몫만큼 쏟아지는 1인 사업자에게 ‘AI 직원’ 한 명이 생긴 셈이지요. 다만 월 매출 1억 원이라는 수치는 창업자 주하담 COO 본인의 경험·회사 측 설명이라는 점, 그리고 플랫폼의 일부 기능은 아직 구축 중인 단계라 출시가 완전히 끝난 건 아니라는 점은 함께 봐 주셔야 해요. 우리 가게 입장에서는 “1인 사업에서 어떤 반복 업무를 AI에 넘길 수 있나”의 그림으로 참고하시면 좋답니다.
이 발상을 우리 1인 사업에 어떻게 옮기면 좋은지 한 발 더 들어가 보겠습니다.
레비오사AI 같은 통합 플랫폼을 그대로 쓰지 못하더라도, 핵심 발상은 1인 셀러 누구나 바로 따라 할 수 있어요. 바로 “가장 손이 많이 가는 반복 업무 하나부터 AI에 넘기고, 나는 사람이 해야 하는 일에 집중하는” 거지요. 먼저 하루를 돌아보며 “이건 굳이 내가 안 해도 되는데” 싶은 일을 하나 고르세요 — 보통은 상품 설명 글 쓰기, 같은 질문에 반복 답하는 CS, 재고 확인이 여기에 들지요. 그 한 가지부터 AI에 맡겨 보고, 손에 익으면 다음 업무로 넓혀 가시면 부담이 적답니다. 재고처럼 숫자가 분명한 일은 자동 알림·발주 초안을 맡기기 좋고, CS도 자주 묻는 질문은 AI가 1차로 답하게 두면 되지요. 다만 마지막 한 단계 — 발주 승인, 가격 결정, 손님과의 민감한 대화 — 는 사람이 쥐고 계셔야 해요. AI가 발주서 초안을 만들어도 “정말 지금 주문할지”는 사장님이 정하는 식이지요. 그래야 AI가 실수해도 큰일로 번지지 않는답니다.
1인 셀러 AI 위임 4단계
[1] 가장 손 많이 가는 반복 업무 1개 고르기
- 보통: 상품 설명 글 / 반복 CS 응대 / 재고 확인
[2] 그 하나부터 AI 에 맡겨 한 달
- 처음부터 전부 X, 하나에 익숙해지면 다음으로
[3] 숫자가 분명한 일은 자동 알림·초안
- 재고 기준 이하 알림 / 발주서 초안 / 자주 묻는 질문 1차 응답
[4] 마지막 결정은 사람이
- 발주 승인 / 가격 결정 / 손님과 민감한 대화는 사장님이
- AI 가 실수해도 큰일로 번지지 않게
레비오사AI는 주하람 대표·주하담 COO가 2025년 9월 창업한 회사이고, 월 매출 1억 원 사례는 주하담 COO 본인 경험·회사 측 설명이에요. 플랫폼의 일부 기능은 아직 구축 중인 단계라, 도입을 검토하신다면 현재 쓸 수 있는 기능 범위를 먼저 확인하시는 게 안전하답니다.
머니투데이 — “상품 등록부터 CS까지 ‘척척’…1인 셀러 숨통 틔운 AI 직원” →
🔖 용어 풀이
SKU (Stock Keeping Unit, 재고 관리 단위)
상품을 종류·색·크기별로 구분해 관리하는 최소 단위예요.
CS (Customer Service, 고객 응대)
고객 문의·요청을 받아 처리하는 업무예요.
발주서 (purchase order)
거래처에 물건을 주문할 때 보내는 주문 문서예요.
📋
Chapter 04
이번 주 다른 뉴스 8건
같은 주에 함께 본 다른 흐름은 짧은 한국어 요약으로 정리해 두었답니다.
— 글로벌 모델·도구
또 하나의 오픈 코딩 모델이 무료로 풀렸어요 — 사내에서 직접 돌릴 선택지를 찾는 개발팀이 살펴볼 만하답니다
중국 Moonshot AI가 코딩에 특화된 오픈 모델 Kimi K2.7 Code를 2026-06-12 공개했어요. 전체 1조(1T) 파라미터의 큰 모델이지만 입력마다 일부(약 320억)만 쓰는 구조라 무료로 받아 자체 호스팅할 수 있고, 회사 자체 평가로는 이전 버전보다 코딩 성능이 오르고 생각에 쓰는 토큰은 줄었다고 해요. 사내 코드를 외부 클라우드에 올리기 부담스러운 개발팀이라면, 라이선스의 상업 사용 조건을 확인한 뒤 우리 작업 몇 건으로 직접 비교해 보시면 좋답니다.
외부 매체가 DiffusionGemma를 개발자 관점에서 풀어 줬어요 — 공식 발표와 함께 보면 그림이 또렷해진답니다
위에서 다룬 구글 DiffusionGemma를 외부 매체 MarkTechPost가 개발자 시각으로 정리한 분석이에요. 26B 규모의 MoE 구조와 텍스트 확산 방식, 최대 4배 빠른 생성 이점을 풀어 줬지요. 새 모델을 검토하실 때는 회사 공식 발표와 외부 분석을 함께 보고, 결국 우리 실제 작업으로 직접 시험해 보시는 게 가장 정확하답니다.
xAI가 새 Grok 모델 출시를 예고했어요 — 아직 나오지 않았으니 정식 출시 후 비교하시면 된답니다
xAI의 차세대 Grok 모델이 파라미터 규모를 현재의 약 3배로 키워 코딩 성능 선두를 노린다는 보도가 나왔어요. 6월 중순 공개가 예상된다고 거론됐는데, 보도 시점 기준으로는 아직 출시 전 예고라 실제 성능은 정식 공개 후에야 확인할 수 있답니다. 코딩 모델 선택지가 또 늘어날지 지켜보는 개발팀이라면, 출시 예고만 메모해 두고 정식 출시 후 우리 작업으로 비교하시면 되겠네요.
AI 코딩 도구들이 요금 체계를 한꺼번에 바꿨어요 — ‘무제한’이 끝나가니 팀 사용량을 점검할 때랍니다
GitHub Copilot · Cursor · Windsurf 같은 주요 AI 코딩 도구가 정액 무제한에서 쓴 만큼 내는 사용량 과금으로 옮겨가는 흐름을 한 매체가 정리했어요. Copilot은 요청 단위를 크레딧 기반으로 바꿨고, Cursor는 요금제를 여러 단계로 나눴으며, Windsurf는 ‘Devin Desktop’으로 이름을 바꿨다고 해요. 코딩 도구를 팀으로 쓰는 곳이라면, 월 사용량을 측정하고 한도 초과 시 비용을 미리 따져 두시면 갑작스러운 요금 부담을 막을 수 있답니다.
제프 베이조스의 새 회사가 ‘물리 세계의 만능 엔지니어’를 내걸었어요 — AI가 글·코드를 넘어 설계로 가는 흐름이랍니다
제프 베이조스가 공동 창업한 물리 AI 스타트업 프로메테우스(Prometheus)가 410억 달러 기업가치로 120억 달러를 조달했다고 TechCrunch가 전했어요. 제트엔진부터 신약까지 복잡한 물리 시스템의 설계·제조를 자동화하는 소프트웨어를 만들겠다는 회사인데, 진척 세부는 비공개라 사업 실체보다 자본·방향의 흐름으로 보는 게 안전하답니다. 물리 제품을 다루는 제조·하드웨어 회사라면 “설계·시제품 단계에 AI가 들어올 여지” 정도를 한 줄 메모해 두실 만하지요.
AI가 만든 가상 도로에서 자율주행을 무한히 시험하는 기술이 나왔어요 — 현장을 바꾸기 전 미리 돌려보는 발상이랍니다
Decart가 실시간으로 사실적인 주행 영상을 만들어 내는 ‘월드 모델’ Oasis 3를 API로 공개했어요. 자율주행·로봇이 현실에서 겪기 힘든 드문 상황을 자연어 설명만으로 무한히 만들어 학습·시험하게 해 주는 기술인데, TechCrunch는 한계(caveats)도 함께 짚었지요. 자율주행 전문 영역이라 일반 직장인에 바로 닿기보다, 현장(매장·공장·동선)을 바꾸기 전 가상으로 미리 점검한다는 발상의 참고로 보시면 좋답니다.
기업용 AI 에이전트에 ‘기록·통제’를 함께 묶은 흐름이 나왔어요 — AI에 일을 맡기되 감사 로그가 걱정인 회사가 참고할 만하답니다
ServiceNow와 NVIDIA가 기업용 자율 에이전트 ‘Project Arc’를 선보였어요. 미리 짜둔 절차 없이도 여러 단계 업무를 스스로 처리하되, 어떤 파일에 접근하고 어떤 명령을 호출했는지 로그로 남기고 통제(거버넌스)하는 점이 특징이지요. AI 에이전트에 일을 맡기되 “누가 무엇을 했는지” 기록이 걱정인 회사라면, 사내 도입 시 접근 권한 범위·감사 로그·승인 절차를 점검 항목으로 들고 계시면 도움이 된답니다.
동네 가게가 네이버 플레이스 검색·추천에 잘 걸리려면 — 정보를 또렷한 문장으로 채우는 게 먼저랍니다
동네 가게가 네이버 플레이스의 AI 검색·추천에 노출되려면 무엇을 해야 하는지 정리한 글이에요. 이제 AI가 위치·시간·과거 선호를 분석해 검색 결과를 사람마다 다르게 보여 주고, 키워드를 많이 넣는 것보다 전화·길찾기 클릭·저장 같은 ‘의미 있는 반응’이 중요해졌다고 해요. 우리 가게가 검색·추천에서 안 보일까 걱정인 사장님이라면, 영업시간·메뉴·위치를 또렷한 문장으로 채우고 자주 묻는 질문에 짧은 답을 달아 두는 것부터 시작하시면 좋답니다.
“AI를 막아 두던 큰 회사들이 문을 열기 시작하고, 그 AI가 점점 빠르고 손에 잡히게 바뀐 한 주”였어요
이번 주를 한 줄로 모으면, “AI를 막아 두던 큰 회사들이 문을 열기 시작하고, 그 AI가 점점 빠르고 손에 잡히게 바뀐 한 주”였답니다. 삼성·SK하이닉스가 임직원에게 외부 AI를 풀어 주고, 구글이 응답 속도를 끌어올린 모델을 내놓고, Perplexity가 조사부터 산출물까지 한 줄로 묶어 준 흐름은 모두 “AI가 점점 일터 가까이 들어온다”는 같은 그림이었지요.
특별히 눈에 띄는 건 식당·배달 사장님과 1인 셀러의 이야기예요. 거창한 시스템이 아니라, 마감 후에도 끝나지 않던 리뷰 답글·재고·장부 같은 일 하나를 AI에 넘기고 그만큼 손님과 음식에 집중하게 됐다는 — 작은 가게·1인 사업에서도 오늘 바로 시작할 수 있는 현실적인 모습이었답니다. 큰 회사의 큰 발표는 흐름으로 알아 두시되, 막상 우리 일이 가벼워지는 건 늘 “내가 매일 반복하는 일 하나”를 골라 넘기는 데서 시작하지요.
회사가 외부 AI를 열어 줬든, 작은 가게에서 혼자 다 떠안고 있든, 이번 주에는 가장 손이 많이 가는 반복 업무 하나만 골라 AI 도구 하나를 한 달 시범으로 써 보시는 건 어떨까요. 다음 주 월요일에 또 새로운 활용법으로 찾아뵙겠습니다.
매주 월요일, 메일함으로 받아보기
이메일을 남기시면 다음 호부터 자동으로 보내드려요. 언제든 한 번 클릭으로 끊으실 수 있답니다.