AI는 어떻게 지금이 되었나

인공지능은 가장 큰 상자다. 사람이 하던 판단을 기계가 대신하게 만드는 것 전부를 말한다. 옛날에는 사람이 규칙을 하나하나 적어 넣는 방식도 여기 들어갔다.

머신러닝은 그 안의 상자다. 규칙을 사람이 적지 않고 데이터를 잔뜩 보여 주고 기계가 알아서 찾게 하는 방법이다.

딥러닝은 또 그 안의 상자다. 머신러닝 방법 중에서 층을 깊게 여러 겹 쌓은 것을 말한다. 요즘 이야기되는 AI는 거의 다 여기 있다.

생성 AI는 상자가 아니다. "무엇을 하느냐"로 부르는 이름이다. 골라내거나 맞히는 게 아니라 새로 만들어 내면 생성 AI다. 그래서 딥러닝 상자 안에 있기도 하고 걸쳐 있기도 하다.

AI에게 시킨 연습은 이거 하나다. 글을 앞부분만 보여 주고, 다음에 올 낱말을 맞히게 한다. 인터넷에 있는 글로 이걸 수십억 번 반복한다.

이상하게 들리지만, 이것만 잘하게 되면 많은 게 따라온다. "다음 문장을 영어로 옮기면:" 다음에 올 자연스러운 말은 영어 번역문이다. "요약하면:" 다음에 올 말은 요약이다.

그래서 AI는 번역을 따로 배운 게 아니다. 다음 말 맞히기를 잘하다 보니 번역도 되는 것이다.

아래에서 직접 해 보자. AI가 다음 낱말 후보를 여러 개 떠올리고 그중에서 고르는 모습이다. 손잡이를 돌리면 얼마나 안전한 답을 고를지, 얼마나 모험을 할지가 바뀐다.

AI를 만드는 데는 세 단계가 있다.

첫째, 글을 잔뜩 읽힌다(사전학습). 컴퓨터 수만 대를 몇 달 동안 돌린다. 여기가 제일 비싸다.

둘째, 예의를 가르친다(후속학습). 시키는 대로 하기, 위험한 걸 안 하기 같은 걸 가르친다. 첫째보다는 훨씬 싸다.

셋째, 실제로 쓴다(추론). 우리가 질문할 때마다 돈이 조금씩 나간다.

첫째는 한 번만 하면 되지만 셋째는 사람들이 쓸 때마다 계속이다. 그래서 회사들은 만들 때 조금 더 고생해서라도 쓸 때 싸지는 쪽을 고른다.

모델은 머리다. 글을 읽고 다음 말을 떠올린다.

프롬프트는 부탁하는 말이다. 무엇을 어떻게 해 달라고 적는 부분이다.

컨텍스트는 지금 눈앞에 펼쳐 놓은 자료다. 방금 나눈 대화, 찾아온 문서, 붙여 넣은 파일 같은 것.

도구는 손에 쥔 것이다. 계산기, 검색, 파일 읽기 같은 걸 AI가 직접 부를 수 있다.

답이 이상할 때 사람들은 "머리가 나쁘다"고 생각하기 쉽다. 그런데 실제로는 부탁을 애매하게 했거나, 필요한 자료를 안 줬거나, 도구가 없어서인 경우가 훨씬 많다.

이 자료는 22개의 칸으로 나뉘어 있다. 나누는 기준은 기술 이름이 아니라 문제다.

예를 들어 "프롬프트 엔지니어링"이라는 칸은 기법 이름 같지만, 실제로 담는 것은 "AI에게 어떻게 말해야 잘 알아듣나"라는 문제다. 기법 이름이 바뀌어도 그 문제는 안 없어진다.

아래에서 22개 칸이 각각 몇 건씩 쌓였는지 볼 수 있다. 숫자가 큰 칸이 요즘 세상이 많이 움직이는 곳이다.

2020년의 AI는 한 번에 책 몇 쪽 정도만 읽을 수 있었다. 그보다 길면 앞부분을 잊어버렸다.

2024년에는 책 여러 권 분량을 한 번에 읽게 됐다. 아래 그림으로 보면 차이가 실감 난다.

같은 해에 또 하나 큰 게 있었다. AI가 화면을 보고 마우스를 움직여 컴퓨터를 직접 쓰기 시작한 것이다. 프로그램이 AI용 연결 통로를 안 만들어 놨어도 사람처럼 클릭해서 쓸 수 있다는 뜻이다.

다만 조심할 게 있다. 많이 넣는다고 다 읽는 건 아니다. 사람도 두꺼운 책을 받으면 가운데를 대충 넘기듯이, AI도 긴 글의 가운데를 덜 본다는 게 밝혀졌다.

2024년 가을 o1, 2025년 1월 DeepSeek-R1이 나왔다. 둘 다 답하기 전에 혼자 오래 생각하는 AI다.

가르친 방법이 재미있다. 사람이 푸는 과정을 보여 준 게 아니라, 정답인지 자동으로 확인되는 문제(수학·코딩)를 잔뜩 주고 맞히면 점수를 줬다. 그랬더니 AI가 되돌아가 검토하고 방법을 바꾸는 습관을 혼자 만들어 냈다.

그런데 걱정거리도 생겼다. AI가 생각하는 과정을 우리가 읽을 수 있으니 속마음을 알 수 있겠다 싶었는데, 조사해 보니 생각한 것을 다 적지는 않는다는 게 드러났다.

AI에게 도구를 쥐어 주려면, 도구마다 연결 방식을 따로 만들어야 했다. 도구가 100개면 연결도 100가지였다.

MCP는 그 연결 방식을 하나로 정한 규칙이다. 콘센트 모양을 통일한 것과 비슷하다. 규칙을 지키는 도구라면 어떤 AI에도 꽂힌다.

Agent Skills는 다른 쪽 문제를 푼다. AI에게 능력을 가르칠 때 설명서를 통째로 읽히지 않고, 제목만 보여 줬다가 필요할 때 펼쳐 보게 하는 방식이다.

둘 다 같은 생각에서 나왔다. AI가 한 번에 볼 수 있는 양은 정해져 있으니, 필요한 것만 그때그때 올리자.

말을 부릴 때 쓰는 마구(하네스)는 말의 힘을 안전하게 수레로 옮겨 주는 장치다.

2026년의 AI 이야기가 딱 그 모양이다. 모델 자체보다 그 힘을 어디로 어떻게 흘려보낼지 정하는 장치가 더 중요해졌다.

어떤 도구를 줄지, 무엇을 기억하게 할지, 언제 사람이 확인할지, 실수하면 다음번엔 어떻게 막을지 — 이런 것들이다.

예전에는 좋은 AI를 쓰려면 만든 회사의 서비스에 접속해야 했다. 지금은 내 컴퓨터에 받아서 돌릴 수 있는 AI가 아주 많아졌다.

2026년 8월 기준으로 어떤 순위표에서는 176개 중 96개가 내려받을 수 있는 모델이었다. 절반이 넘는다.

다만 "공개"라는 말이 다 똑같은 뜻은 아니다. 받아서 쓰기만 되는 것, 상업적으로 써도 되는 것, 회사 규모가 크면 따로 계약해야 하는 것이 다 다르다.

법도 실제로 움직였다. 한국은 AI 기본법 시행령이 2026년 7월 21일부터 시행됐다.

AI는 박사 수준 문제를 풀면서 초등학생도 하는 일에서 실패하기도 한다. 이걸 "뾰족한 지능"이라고 부른다.

2026년 3월에 나온 새 시험(ARC-AGI-3)이 그걸 보여 준다. 지시 없이 게임을 스스로 파악해 푸는 문제인데, 사람은 100%를 푸는데 최고 AI는 0.51%를 풀었다.

또 하나. 회사들이 AI를 많이 도입하고 있지만 실제로 돈을 벌었다고 인정하는 비율은 그만큼 오르지 않았다. 2026년 조사에서 전사 확산은 44%인데 이익 기여 인정은 37%였다.