- 앤트로픽의 성장세는 경이적이라는 말밖에 할 수 없습니다. 2023 년 첫 매출을 올린 지 3년도 안 되어 연간 환산 매출이 140억 달러, 우리 돈으로 약 21조 원에 이르렀거든요. 2025년 초만 해도 연매출이 10억 달러 수준이었는데. 같은 해 8월에는 50억 달러. 2026년 2월에 는 140억 달러까지 급등했습니다. 역사상 가장 빠르게 성장한 기술 기업 중 하나로 꼽힐 정도입니다. 기업가치도 치솟아서 2026년 2월 에는 시리즈 G 라운드에서 300억 달러(약 45조 원)를 조달하며 기업 가치가 3,800억 달러(약 570조 원)에 달했습니다." 이는 테크 기업 역사상 최대 규모의 민간 투자 라운드 중 하나였습니다. 물론 비상장 AI기업 중에서는 오픈AI에 이어 여전히 2위이지만 그 격차를 빠르게 좁히고 있습니다. 이외에도 앤트로픽은 에이전트 기술의 표준화를 주도하는 기업으로도 주목받고 있습니다. AI 모델이 외부 도구나 데이터에 접근할 수 있게 해주는 프로토콜인 MCPModel Context Protocol나, 특정 업무를 수행할 수 있도록 역할을 부여하는 스킬스 역시 모두 앤트로픽에서 만든 기술입니다. 2026년 1월에는 개발자가 아닌 사람도 AI의 도움을 받아 파일 관리. 작업 자동화 등을 수행할 수 있는 클로드 코워크 claude cowork를 공개했습니다. 개발자 전용이었던 클로드 코드의 개념을 일반 사무직에까지 확장한 셈인데, 출시 직후 경쟁 소프트웨어 서비스saas 기업들의 주가가 일제히 하락할 정도로 시장에도 충격을 줬습니다. 실제로 미국 증시에서 소프트웨어 기업의 주가가 30퍼센트 가까이 떨어졌습니다.
- 과거 AI 경쟁이 누가 더 뛰어난 알고리즘을 설계하느냐의 싸움이었다면 이제는 누가 더 많은 GPU와 전력 그리고 이를 담아낼 데이터 센터라는 물리적 인프라를 확보하느냐의 싸움으로 바뀌었죠. 머스크가 100만장 확장을 위해 발전소 인근 부지부터 매입한데서 보듯, 승부처는 이제 연구실의 아이디어가 아니라 얼마나 많은 자본과 전력을 동원할 수 있느냐로 옮겨가고 있습니다. AI 경쟁이 사실상 국기 기간산업에 버금가는 자본.전력 .인프라 경쟁으로 확장된 셈이죠
이렇게 막대한 인프라 위에서 탄생한 것이 바로 그록입니다. 2025년 7월에 출시된 그록 4는 20만 장의 GPU 클러스터 위에서 강화학습을 대규모로 적용해 학습했습니다. 이후 꾸준히 업데이트를 거쳐 2026년 초 기준으로 빅3 모델에 전혀 뒤지지 않으며, 일부 벤치 마크에서는 오히려 앞서는 수준이죠
그록만의 차별점도 분명합니다. 가장 큰 특징은 소셜 미디어 플랫 폼X(구트위터)와의 긴밀한 연동입니다. 그록은 X의 실시간 데이터를 바로 검색하고 분석할 수 있습니다. 지금 이 순간 가장 화제가 되고 있는 주제가 무엇인지. 특정 이슈에 대한 여론이 어떤지를 AI가 실시 간으로 파악할 수 있다는 뜻이죠, 챗GPT나 클로드가 별도의 웹 검색 기능에 의존하는 것과 달리, 그록은 4억 명의 x 월간 사용자가 쏟아 내는 데이터를 곧바로 활용할 수 있습니다. 최신 뉴스나 실시간 이벤트에 대한 반응 속도가 빠를 수밖에 없는 이유입니다. 또한 그록은 이미지와 비디오 생성 기능, AI 컴패니언 기능 등도 갖추고 있어 단순한 텍스트 챗봇을 넘어 종합적인 AI 플랫폼으로 진화하고 있습니다.
- 제미나이 3는 100만 토큰에 달하는 컨텍스트 윈도우를 지원합니다. 토큰Token 은 LLM이 처리할 수 있는 최소 단위를 말하는데. 글자 수와 거의 비슷한 개념이라고 이해하면 됩니다. 컨텍스트 윈도우context window는 한 번에 입력할 수 있는 최대 크기를 말합니다. 즉 100만 토큰짜리 컨텍스트 윈도우란 쉽게 표현하자면 100만 자 정도까지 입력 할 수 있다는 얘기입니다. 100만 자면 대략 책 1500페이지. 코드로 치면 3만 줄에 해당하는 분량입니다. 이 정도면 웬만한 장편소설 한 권을 통째로 넣고 분석할 수 있는 수준이죠. 또한 텍스트뿐 아니라 이미지. 오디오. 비디오까지 처리하는 멀티모달 능력도 뛰어납니다. 코딩 실력 역시 만만치 않아서 앞서 소개한 SWE-벤치에서 76.2퍼센트를 기록해 기존 클로드의 기록을 넘어서기도 했습니다. 물론 이후어 클로드 최고 자리를 오퍼스 4.6이 출시되며 다시 뒤집히긴 했지만 이처럼 놓고 치열하게 엎치락뒤치락하기 때문에 당장 어떤 모델이 더 높은 점수를 받았는지는 사실 큰 의미가 없을 정도입니다.
- 중국은 미국의 강력한 제재를 받습니다. 2025년 기준으로 엔비디아의 최상급 GPU인 H100은 미국의 대표적인 대중국 수출 금지 품목이었죠. 6,000만 원이나 하는 엄청난 가격이지만 중국은 돈을 내도 살 수 없었습니다. 그럼에도 딥시크는 수출이 허용된 훨씬 더 낮은 사양의 GPU를 이용해 오픈AI o1보다 더 좋은 결과를 만들어 냈습니다 휠씬 더 저렴한 비용으로 말이죠. 심지어 메타에는 딥시크 R1의 학습 비용보다 더 높은 연봉을 받는 연구원이 수두룩하다는 자조 섞인 비 판까지 나올 정도였습니다. 이런 딥시크 R1의 비밀은 논문으로도 자세히 공개되어 있습니다. 오픈시가 그토록 꼭꼭 숨겨 두고자 했던 o1 의 비밀을 파헤쳐 버린 논문이죠. 논문에 나온 됩시크 R1의 구조를 잠깐 살펴보면 다음과 같습니다
먼저 딥시크 R1 모델은 전문가 혼합Mixture of Experts, MoE 방식입니다.
MoE라는 약자로 더 자주 쓰이는데요. Mo트란 여러 개의 전문가 모델을 만들어 두고 필요한 모델만 선택해 활성화하는 구조를 말합니다 GPT-4부터 채택되어 이제는 널리 알려진 방식이죠, 예를 들어 볼까요? 여러 개의 모델이 있고 각각 영어. 계산. 국어. 여행. 수학 등 전문 분야를 특화해 학습한 모델이 있다고 가정해 불시다 이들을 각각의 전문가라고 할 수 있겠죠. 이때 프롬프트가 과학 관련이라면 과학 모델로 연결하고 수학 관련이라면 계산과 수학 모델로 연결한다면 획 씨 더 효율적인 결과를 얻을 수 있겠죠? 굳이 영어 전문가에게 수학 문제를 물어볼 필요는 없을 테니까요.
원래 LLM은 모델 전체가 계산에 한꺼번에 투입되는 구조입니다. 하지만 MoE는 이처럼 필요한 전문가 모델만 선별적으로 투입해 불필요한 계산을 줄일 수 있죠 게다가 필요 없는 전문가는 배제하니 당연히 더 정확한 답변을 얻을 수 있죠 되시크 R1은 671B(6710억)라 는 상당히 큰 크기를 갖고 있으나 이 중37B(370억)의 전문가 모델만 활성화되는 방식입니다. 전체 모델 크기의 5퍼센트 정도만 계산에 투 입되니 매우 효율적이죠.
또한 딥시크 R1의 높은 성능은 강화학습 알고리즘을 통해 만들어졌습니다. 강화학습은 인공지능이 스스로 학습하며 성능을 높이는 방식을 말합니다 대표적으로 알파고가 바둑을 학습할 때 자기 자신과 반복하여 바둑을 두면서 실력을 끌어올린 방식이죠. 오픈AI의 챗GPT 역시 자연스러운 답변을 위해 강화학습 기법을 활용했고 딥시크도 이 방법으로 성능을 한층 더 향상시켰죠
- 여러분이 LLM을 이용해 서비스를 개발하는 스타트업을 운영한다고 가정해 봅시다. 그리고 챗GPT API를 이용한다고 해보죠. 참고로 APIApplication Programming Interface란 서로 다른 프로그램이 정해진 방식으로 데이터를 주고받을 수 있게 만든 인터페이스를 말합니다. 쉽게 말해 어떤 프로그램이 "이 주소로 이런 형식으로 요청하면 이런 데이터를 줄게"라고 미리 약속해 둔 창구인 셈이죠, 예를 들어 여러분의 휴대폰 날씨 앱을 떠올려 보세요. 기상청은 매일 최신 기상 데이터를 API로 내보내고 날씨 앱은 그 API를 통해 기상청 시스템과 데이터를 주고받으며 오늘의 날씨를 휴대폰에 띄워 줍니다. 무료 API도 있지만 대개는
건당 일정 금액을 받는 종량제로 서비스 합니다. 챗GPT도 마찬가지죠. 오픈AI에 비용을 지불하고 API 호출 몇 건에 얼마 하는 식으로 API를 사용할 수 있죠. 그런데 나중에 제미나이가 더 저렴하고 성능이 마음에 들었다고 해봅시다. 그럼 제미나 이에 다시 비용을 지불하고 제미나이 API와 연동하겠죠? 그런데 문제가 있습니다. 챗GPT API와 제미나이 API가 구조가 다르다는 점입 니다. 이렇게 되면 추가 개발이 필요합니다. 당연히 시간과 돈이 많이 필요한 작업이죠.
오픈라우터openRouter는 이들 API를 하나로 통합해 주는 서비스입니다. 즉 챗GPT를 사용하다가 제미나이로 갈아타고 싶을 때 그냥 모델 이름만 바꿔 주면 됩니다. 클로드로 변경할 때도 마찬가지입니다 모델 이름만 클로드로 바꿔 주면 아무런 수정 없이 그대로 동일하게 사용할 수 있죠. 딥시크나 큐원 같은 중국 모델도 사용할 수 있습니다. 챗GPT나 제미나이는 오픈AI나 구글에 연결해 주면 될 것 같은데 그렇다면 중국 모델은 중국에서 API를 가져와 연결할까요? 그렇지 않습니다. 딥시크나 큐원은 모두 오픈소스이기 때문에 이를 받아다가 미국에서 서비스를 제공하는 회사들이 여럿 있습니다. 오픈라우터는 그런 회사들에 연결해 주죠.
- 제미나이는 구글이라는 세계 최고의 검색엔진을 등에 업은 만큼 당연히 RAG를 잘할 수밖에 없는데요. 게다가 제미나이는 RAG 외에도 검색 기능을 이용한 재미있는 서비스를 하나 더 제공합니다. 바로 대답 재확인Double-check Response이라는 기능입니다. 모델이 응답한 결과가 실제로 구글 검색 결과에 존재하는 내용인지 검증해 주는 매우 흥미로운 기능이죠.
사실 어떤 정보가 잘못된 내용인지 확인하는 방법으로 검색을 활용하는 건 꽤 오래전부터 쓰이던 유용한 검증 방식이긴 합니다. 예를 들어 '에펠탑 1889년 건설'이라는 검색어에 대해 검색 문서 수가 1만 건이 넘는 데 반해, '에펠탑 1890년 건설'은 검색 문서 수가 3,000건 에펠탑 1899년 건설'은 2,000건도 채 되지 않습니다. 그렇다면 에펠 탑은 검색된 문서 수가 가장 많은 1889년에 건설됐을 가능성이 가장 녹죠 실제로 에펠탑은 1889년에 건설됐습니다. 이처럼 검색 결과를 활용하면 군중의 지혜wisdom of crowds로 사실 여부를 검증할 수 있죠. 당연히 세계 최고의 검색 서비스를 보유한 구글은 이 점에서 매우 유리한 위치에 있고요.
- 요즘은 RAG의 성능을 높이기 위해 더욱 복합적인 개념을 접목하고 있습니다. 그중 대표적인 것이 온톨로지ontology인데요. 원래 온톨로지는 철학에서 '존재란 무엇인가'를 다루는 학문이었습니다. 이후 컴퓨터과학에서 이 개념을 받아들여 다소 다른 의미로 사용합니다. 특정 분야의 개념들과 그 개념들 사이의 관계를 체계적으로 정의하고 정리한 프레임워크를 온톨로지라 부르죠. 철학에서의 '존재'를 컴퓨터 과학에서는 '관계'로 표현한 셈입니다. 온톨로지는 데이터를 구조화하고 그 관계를 명시적으로 정의함으로써 컴퓨터가 데이터를 더 효율적으로 이해하고 활용할 수 있도록 돕는 일종의 '지식 지도'입니다. 예를 들어 '바나나'는 '과일'이고 '노란색'이라는 속성을 가집니다. 이 같은 개념과 관계를 미리 정의해 두면 나중에 노란색'에 관한 질문이 들어왔을 때 " 같은 색깔을 지닌과 일은 바나나입니다. 와 같은 식으로 연관된 정보를 제시할 수 있죠. 관계 정의가 잘 이루어져 있다면 매우 강력한 도구가 될 수 있습니다. 물론 이것이 새로운 개념은 아닙니다. 사실 이런 연구는 꽤 오래전부터 진행되어 온 전통 있는 분야죠.
- 팔란티어는 온톨로지 정보를 활용해 각국 정부와 정보 기관에 솔루션을 제공하며 수익을 창출합니다. 기업 구조가 워낙 베일에 싸여 있어 정확한 비즈니스 모델을 파악하기 어렵지만 놀랍게도 이 회사는 온톨로지 정보 솔루션만으로 2025년 한 해에만 우리 돈 6조 원이 넘는 엄청난 매출을 올렸죠. 팔란티어가 온톨로지를 핵심 기술로 활용하며 다시금 주목을 받자 RAG에도 이 기술을 적용하려는 연구가 늘고 있습니다. 단순히 유사한 문서를 찾는 수준을 넘어 개념간 관계를 활용해 더욱 의미 있는 문서를 추출해 내고 이를 바탕으로 LLM이 더 정교하게 답변할 수 있도록 해보자는 거죠. 이렇게 팔란티어의 부상과 함께 온톨로지 연구 가 새롭게 주목받고 있습니다
- 네이트온의 운영사가 SKT의 자회사였던 탓에 스마트폰 메신저가 통신사의 문자메시지 수익을 갉아먹을 것을 우려해 모바일 버전 출시를 차일피일 미뤘습니다. 그사이 카카오톡이 등장해 메신저 시장을 완전히 장악해 버렸죠. 한때 전국민이 사용했던 네이트온은 이제 존재감마저 희미합니다 반대로 애플은 한창 잘 팔리던 아이팟을 아이폰으로 스스로 무너뜨렸습니다. 어차피 누군가는 음악 플레이어를 삼켜 버릴 스마트폰을 만들 텐데 그게 남이 아니라 우리여야 한다고 판단했죠. 구글은 지금 정확히 그 갈림길에 서 있고 코닥의 길 대신 애플의 길을 택했습니다. 검색 광고로 막대한 수익을 벌어들이는 구글 검색을 RAG가 위협 하자 오히려 'AI 모드'라는 이름으로 제미나이의 답변을 자기 검색 결과 맨 위에 올려 버렸죠. "검색을 대체할 것이다."라던 바로 그 기술을, 검색의 왕이 가장 앞장서서 끌어안은 셈입니다. 어차피 일어날 변화라면 스스로 혁신하는 게 최선입니다. 누군가가 내 시장을 무너뜨릴 거라면 그게 차라리 나 자신인 편이 낫죠. 구글이 전 세계를 장악한 구글 검색을 자신의 LLM인 제미나이 RAG로 기로 한 것은 어쩌면 아프지만 가장 현명한 선택일지도 모릅니다.
- 애플 인텔리전스는 글쓰기가 가능한 거의 모든 인터페이스에서 사용자가 쓰고 싶은 말을 미리 파악해 표현을 제안하고. 몇 초 만에 강의나 긴 문서의 핵심을 요약해 보여 줍니다. 그룹 대화가 너무 길어질 경우 대화 내용을 간략히 정리해 주고, 사용자에게 중요한 알림만 선별적으로 표시해 불필요한 방해를 최소화합니다. 노트를 작성할 때는 대충 그린 스케치를 문맥에 어울리는 일러스트나 이미지로 자동으로 바꿔 줘 메모의 완성도를 높여 주죠. 사용자가 입력한 설명과 사진을 바탕으로 맞춤 추억 영상도 자동으로 생성해 줍니다 무엇보다 2011년 아이폰과 함께 처음 등장했던 음성 비서 시리가 애플 인텔리전스를 통해 대폭 강화됩니다. 기기에 저장된 개인정보를 기반으로 맥락에 맞게 이해하고 복잡한 지시 사항도 찰떡같이 알아듣죠. 여러 앱을 넘나들며 예약, 메시지 전송, 파일 검색 등의 동작을 수행하여 더욱 편리하게 스마트폰을 활용할 수 있도록 돕습니다. 기존에는 시리의 성능이 기대에 못 미친다는 평가가 끊이지 않았는데. LLM 기반으로 재설계된 시리는 과거와는 차원이 다른 수준의 이해력과 응답 품질을 제공할 수 있게 됐죠
이 모든 기능은 기본적으로 아이폰에 내장된 SLM을 기반으로 동작합니다. 매우 작은 3B(30억) 매개변수 규모의 소형 모델로 메모리와 전력 소모를 최소화하면서 일상적인 언어 처리 작업을 수행할 수 있도록 설계됐죠. 덕분에 사용자 데이터가 기기 외부로 유출되지 않고 내부에서 처리되므로 보안성이 높습니다. 물론 모든 작업을 온디바이스 SLM이 단독으로 처리하는 것은 아닙니다. 작업의 복잡도에 따라 지능적으로 경로를 구분해 처리하죠. 예를 들어 텍스트 요약, 간단한 답장 제안, 알림 우선순위 정렬 등 비 교적 간단한 작업은 기기 내 SLM이 처리합니다. 그러나 그 밖의 복잡하고 어려운 요청이나 작업은 챗GPT나 제미나이 같은 외부 모델의 도움을 받는 형태죠. 물론 외부 모델을 사용할 때는 개인정보 동의를 받습니다. 특히 2026년 1월 애플은 구글과 다년간 파트너십을 체결하고 차세 대 애플 인텔리전스 및 시리의 기반 모델로 제미나이를 택한다고 공식 발표'했습니다. 기존에 챗GPT와의 협력 관계에서 나아가 이번에 제미나이를 전격 도입하면서 멀티 AI 전략으로 가게 된 거죠. 공식적인 금액은 밝히지 않았으나 애플은 구글에 연간 10억 달러 수준의 엄청난 비용을 지급할 것으로 추정?하고 있습니다.
- 프롬프트 사례
당신은 '출판 분야에서 30년 일한 전문 편집자'입니다. 첨부 글의 문제점이나 미흡한 부분을 평가합니다. 다음의 지침들과 당신의 지적 사항을 반영하여 첨부 글을 매끄럽고 자연스럽게 교정해 주세요
* 문법 및 맞춤법 오류 수정: 모든 문법적 오류와 맞춤법 오류를 수정하세요.
* 목적 적합성 강화: 텍스트의 주요 목적(설명, 설득, 정보 전달 등)에 맞게 내용을 조정하세요.
* 문장 구조 최적화: 문장의 흐름이 자연스럽고 일관되도록 문장 구조를 개선하세요. 문맥상 어색하거나 필요하다면 문장 구조나 위치를 완전히 변경하는 것도 괜찮습니다
* 언어 표현 향상: 문맥에 맞는 적절한 단어, 보다 명확하고 효과적인 표현으로 대체하세요.
* 중복 및 장황한 부분 제거: 불필요하게 반복되거나 장황한 표현을 제거하세요.
* 자연스러운 연결: 문장과 문단이 자연스럽게 연결되도록 만드세요.
* 미완성 문장 정리: 테스트 문장이나 집필하다가 만 내용도 모두 다듬어서 완결된 문장으로 만들어 주세요. 불필요하면 삭제해 주세요. 특히 (사이에 수정할 내용을 기입해 두었으니 반영하거나 필요 없으면 삭제해 주세요.
* 가독성 향상: 읽기 쉽고 이해하기에도 쉬운 형태로 텍스트를 재구성하세요.
* 맥락 유지: 원래 텍스트의 의미와 의도를 최대한 유지하세요.
* 스타일 및 톤 유지: 원래 텍스트의 스타일 및 톤의 일관성을 유지하고, 가끔은 위트 넘치는 톤을 적용해 주세요.
출력은 다음과 같이 구분해 주세요.
[원본글평가]
[교정본]
- AI 코딩 도구가 크게 인기를 글자 이제 아예 AI에 몸을 맡기듯 코딩 한다는 뜻의 신조어가 등장했습니다. 오픈AI의 공동 창업자이자 여전히 인공지능 업계에 막강한 기술적 영향력을 발휘하고 있는 안드레이 카르파시Andre; Karpathy 1986는 2025년 2월 이 현상을 가리켜 바이브 코딩vibe Coding 이라는 용어로 명명했습니다. 감각에 따라 프로그래밍하고, 변경 내역을 확인하지 않 고제안을 수용하며, 오류 메시지를 그저 다시 입력해 제대로 작동할 때까지 반복하는 방식을 말합니다. 마치 음악에 몸을 맡기듯 코딩하는 방식이죠.
카르파시는 바이브 코딩을 분위기에 완전히 몰입해 코드가 존재하는지조차 잊고, 그냥 보이는 대로 말하고 실행하고 복사 및 붙여넣기만 해도 작동하는 개발 방식이라고 설명했습니다. 변경 사항조차 일일이 확인하지 않고 그저 '승인'을 누르며, 에러가 나면 에러 메시지를 아무 설명 없이 복사해 붙여넣기만 해도 대부분의 문제가 해결되죠.
- 클로드 코드는 개발자가 명령을 내리면 LLM이 스스로 파일을 읽고 수정하고 검증하는 전 과정을 자율적으로 처리합니다. 커서에서는 내 코드를 내가 작성하되 커서가 도와주는 형태였다면, 클로드 코드는 동료가 내 지시에 따라 모든 코드를 대신 작성해 주는 형태에 더 가깝죠. 예를 들어 "사용자 인증 기능을 구현해 쥐."라고 지시하면 클로드 코드가 스스로 계획을 세우고 계획에 따라 코딩을 이어 갑니다.
팀장이 지시하면 팀원이 개발을 구현하는 모습과 흡사하죠 이런 클로드 코드의 철학은 커서, 코파일럿 모두와 다릅니다. 코파일럿이 개발자의 코딩을 보조하는 자동완성 도구였다면, 커서는 개발 도구 전체를 인공지능 중심으로 재구성한 형태였습니다. 이제 클로드 코드는 개발 도구와 관계없이 어디서든 인공지능이 처음부터 끝까지 만들어 주는 형태입니다. 3가지 도구를 모두 써본 개발자라면 그 경험의 차이가 단순히 정도의 문제가 아니라 본질적인 차이라는 점을 알아챈 겁니다. 코파일럿은 빠른 자동완성 기능처럼 느껴지고, 커서는 편집기 안에서 함께 작업하는 똑똑한 동료처럼 느껴집니다. 반면 클로드 코드는 완전히 다릅니다. 작업을 맡기면 알아서 완료하고 결과를 보고해 주는, 멀리 떨어져 있지만 믿을 수 있는 동료처럼 느껴지죠
- 커서는 휠씬 더 풍부한 컨텍스트를 제공해 전체 코드의 맥락을 훨씬 잘 추론한다고 했죠. 그런데 클로드 코드는 앞서 다른 도구들과는 애초에 설계 철학부터 다릅니다. 에이전트 단위로 역할을 분리하고, 스킬스로 작업을 정의하고, 규칙 파일로 엄격한 행동 규약을 설정합니다. 여기에 메모리, 훅, 권한, 서브 에이전트, MCP, 세션 규칙 등의 다양한 장치가 더해져 클로드 LM에서 최상의 성능을 이끌어 냅니다.이 모든 장치를 아우르는 개념이 바로 하네스 엔지니어링Harness Engineering입니다
하네스란 말의 힘을 제어하고 방향을 잡아 주는 마구를 뜻합니다. 마구가 없다면 말은 여기저기 날뛰며 통제할 수 없을 것이고 심지어 사람을 다치게 할 수도 있겠죠. 하지만 마구를 갖추면 위험한 행동을 차단하고 말의 강력한 힘을 원하는 방향으로 이끌어 낼 수 있습니다. 하네스 엔지니어링도 마찬가지입니다. LLM이라는 강력한 제어장치를 설계하는 것이죠. 처음에는 단순히 LLM이 같은 실수를두 번 반복하지 않도록 엔지니어링하는 데서 출발했지만, 이후 LLM 의 위험을 통제하고 성능을 끌어올리는 전반적인 제어 체계로 확장되 었습니다. 클로드 코드에는 바로 이 하네스 엔지니어링이 촘촘하게 적용되어 클로드가 최선의 성능을 발휘할 수 있도록 뒷받침합니다. 그 결과는 수치로도 명확하게 드러납니다. 클로드 코드는 동일한 작업을 처리할 때 커서보다 토큰을 5.5배 더 적게 쓰고 코드 재작업이 30퍼센트 적다는 통계가 있을 정도입니다. 단순 자동완성에 머물렀던 코파일럿, 이를 뛰어넘었던 커서에서 한 발 더 나아가 아예 다른 설계 철학으로 월등히 더 뛰어난 성능을 보여 주죠. 이런 성능에 힘입어 클로드 코드의 성장세는 커서는 물론 챗GPT 의 초기 성장세마저 가뿐히 뛰어넘었습니다. 출시 후 불과 6개월 만에 연간 환산 매출액이 10억 달러를 돌파했는데, 같은 이정표에 도달하는 데 걸린 챗GPT의 11개월보다도 훨씬 더 빨랐죠
- 이미지에 일부러 노이즈를 추가해 망가뜨린 다음 복원하면서 학습한다는 발상은 고품질 모델을 만드는 핵심 알고리즘으로, 오랫동안 연구되어 온 주제이기도 합니다. 망가뜨리는 법을 정확히 알면 잘 복원하는 법도 배울 수 있다는 단순한 원리에서 출발했죠. 뮌헨대학교는 여기서 한 발 더 나아가 레이턴트 디퓨전이라는 알고리즘을 고안했고 이를 스테이블 디퓨전에 적용했습니다. '확산' 앞에 잠재'라는 의미의 레이턴트가 붙어 있는데요. 이는 기존의 픽셀 공간 대신 이를 압축한 잠재 공간에서 노이즈를 확산시킨다는 뜻입 니다. 기존의 디퓨전 알고리즘이 원본 4K 이미지 전체를 직접 수정하는 방식이라면 레이턴트 디퓨전은 핵심 특징만 담은 압축 표현을 잠재 공간으로 만들어 거기만 수정한 다음 다시 원본 크기로 복원하는 방식을 말하죠. 압축된 공간을 다루니 당연히 계산 효율이 훨씬 높습니다.
- 똑같은 기상청 날씨 조회 기능을 모든 회사가 각자 따로 만들어야 한다니요. LLM을 만드는 회사가 3개가 아니라 10개, 나중에는 100개가 된다면 얼마나 비효율적일까요?
이때 공통 프로토콜을 들고 나와 이를 똑같이 맞추자고 주장하는 회사가 등장합니다. 바로 클로드를 만든 앤트로픽이죠. 기상청 API를 저마다 다른 방식으로 호출하지 말고, 연결 방식을 통일하고 공통 포맷으로 호출하자고 제안합니다. 그리고 이 공통 프로토콜에 모델 컨텍스트 프로토콜Model Context Protocol, MCP이라는 이름을 붙여 공개합니다. 우리말로 풀이하면 모델LLM이 맥락을 이해할 수 있게 하는 프로토콜 정도로 볼 수 있겠네요. 이것을 줄여서 MCP라고 합니다. 참고로 프로토콜이란 통신 규약을 의미합니다. 예전에 톰 크루즈가 주연한 <미션 임과서블> 시리즈 중에 고스트 프로토콜'이 있었죠. 규약을 유령처럼 없애 버려 조직의 존재를 부인하는 내용이었습니다. 이처럼 규약을 의미하는 프로토콜이 MCP에 붙어 있으며, MCP는 LLM이 외부 도구를 호출할 때 따라야 하는 통신 규약을 의미합니다.
- 구글은 A2A(Agent2Agent)라 새로운 프로토콜을 제안합니다. 말 그대로 에이전트 간에도 협업하고 조율할 수 있는 통신 규약을 정의 한거죠. MCP가 하나의 LLM이 외부 도구를 호출하기 위한 표준이라면, A2A는 여러 에이전트가 서로 대화하고 협력하는 좀더 포괄적인 표준입니다. 구글 역시 2025년 6월에 A2A를 재단에 이관하며 개방형 표준의 길을 택했습니다
예를 들어 "뉴욕에서 파이썬 잘하는 개발자를 찾아서 면접 일정을 잡아 줘."라고 요청한다고 가정해 보죠. 주관 에이전트가 이 요청을 받아 인재 검색 에이전트에 "뉴욕에서 파이썬 개발자 좀 찾아 줘."라고 요청합니다. 그러면 인재 검색 에이전트는 여러 채용 사이트와 링크드인 같은 곳을 뒤져 조건에 맞는 후보자 목록을 만들어 줍니다. 주관 에이전트는 이 목록을 받아 이번에는 일정 관리 에이전트에 "이 후보자들과 면접 일정을 잡아 줘."라고 요청하고. 일정 관리 에이전트는 면접 관의 스케줄과 후보자들의 가능한 시간을 조율해서 최적의 면접 일정을 잡아 줍니다. 이 모든 과정에서 각 에이전트는 자신이 가장 잘하는 일에만 집중하고 A2A 프로토콜을 통해 서로 매끄럽게 소통합니다. 이처럼 MCP가 열어 준 도구와의 연결. A2A가 열어 준 에이전트 간의 대화와 협업은 LLM에 새로운 가능성을 제시했습니다
- 막상 MCP를 1년 정도 사용 해 보니 심각한 문제가 드러났습니다. MCP 서버를 하나만 연결해도 토큰을 너무 많이 소모하는 문제였죠.
MCP는 해당 기능을 사용하지 않더라도 프롬프트 상단에 관련 도구에 대한 명세가 매번 포함되어 호출됩니다. 원래 LLM은 현재 상태에 대한 아무런 정보를 갖고 있지 않습니다. 내가 누구인지, 과거에 어떤 요청을 했는지 전혀 모르죠. 그럼에도 LLM이 내 정보를 어느정도 기억하는 것처럼 보이는 이유는, 프롬프트 상단에 사용자에게는 보이지 않지만 이전 대화 요약이나 사용자 정보 등을 매번 몰래 넣어 주기 때문입니다. MCP 도구에 대한 설명도 마찬가지 방식으로 매번 삽입됩니다.
이런 비효율성을 해결하기 위해 앤트로픽이 다시 한번 새로운 표준안을 제시합니다.? 바로 스킬스입니다. 스킬스는 필요한 순간에 필요한 방법만 꺼내서 따라 하도록 만든 '쉬운 업무 매뉴얼'이라고 할 수 있습니다. MCP가 등장한지 약 1년 만인 2025년 10월에 공개됐다.
- 클로드 코워크는 앤트로픽의 제품답게 높은 완성도와 무엇보다 강력한 보안성을 전면에 내세우고 있습니다. 오픈클로처럼 내 PC 전체를 내주고 LLM의 판단에 운명을 맡기는 방식이 아니라 앤트로픽이 제공하는 가상 PC 안에서 작업이 진행되는 구조이기 때문에 LLM 이 오작동하더라도 상대적으로 안전합니다. 사용자 입장에서는 마치 내 PC를 쓰는 것처럼 느껴지지만 실제 작업 공간은 가상 환경인 거죠. 파일 수정 역시 필요한 디렉터리만 등록해 권한을 부여하는 방식으로 진행됩니다. 등록된 디렉터리 내에서만 파일을 조작하고 그 외 영역에는 아예 접근조차 할 수 없죠. 예를 들어 발표 자료 제작을 지시하면 허용된 디렉터리에만 파일이 저장되며 그 안에서 파일 수정 이나 불필요한 파일 삭제 등의 작업이 진행됩니다. 모든 파일 접근 권한을 통째로 내주는 탓에 민감한 시스템 파일까지도 마음대로 지워버릴 수 있는 오픈클로와는 근본적으로 구조가 다르죠
그렇다고 오픈클로에 비해 기능이 부족하냐 하면 그렇지도 않습니다. 클로드 코워크에도 오픈클로와 동일하게 스케줄링 기능이 있어 매일 아침 그날의 일정을 요약해 보내 주거나, 한 시간마다 메일함을 확인해 새 메일을 알려 주는 등 주기적으로 실행할 수 있는 기능을 갖추고 있어 마치 오픈클로처럼 자동으로 동작하듯 행동할 수 있죠
또한 오픈클로와 동일하게 웹 브라우저에도 접근할 수 있습니다 덕분에 에이전트가 할 수 있는 일의 범위가 폭발적으로 넓어집니다. 우리가 하는 일 대부분은 웹 브라우저에서 이뤄지니까요. 그런데 내 PC를 직접 제어하는 오픈클로와 달리 코워크는 앤트로픽이 제공하는 가상 PC에서 동작하는 구조인데 어떻게 내 PC의 브라우저에 접근할 수 있을까요?
앤트로픽은 크롬 전용 확장 프로그램Exension을 통해 이 문제를 해결하고 있습니다. 사용자가 직접 확장 프로그램을 설치하고 로그인 하면 이후부터 코워크가 이 프로그램을 통해 내 크롬 브라우저를 조작하는 구조죠, 오픈클로가 막무가내로 내 브라우저에 접근했던 것과 달리 한 단계 더 거치는 조심스러운 접근 방식입니다
물론 이런 구조는 사용자에게 추가적인 번거로움을 요구합니다 굳이 확장 프로그램을 찾아서 설치해야 하죠. 원래 보안과 편의성은 대체로 반비례하기 마련입니다.



'IT' 카테고리의 다른 글
| 지적대화를 위한 AI 언어수업 (0) | 2026.07.01 |
|---|---|
| 마음을 담은 기계 (0) | 2026.06.24 |
| AI혁명 슈퍼 에이전시 (1) | 2026.05.16 |
| 듀얼 브레인 (1) | 2026.04.10 |
| AI혁명을 이끈 천재들 (1) | 2026.03.14 |








