저자: 빅데이터닥터BIGDATADOCTOR · 한국인
요약 보기
진행자는 최근 몇 달간 팔란티어 위험론 콘텐츠를 만들었으나 자신이 착각했다고 밝힘. 클로드 코드는 앱 제작이 AIP FDE보다 약 3배 빠르지만, 팔란티어의 '결정론적 온톨로지 로직이 AI 에이전트보다 나을 때가 있다'는 발표에 충격을 받아 재점검. 사회 변화는 AI가 기존 노동을 대체할 때가 아니라 인간이 더 상위 문제에 집중할 때 일어나며(산업혁명 사례), 다음 단계는 조직 전체의 사고판단을 AI에 위임하는 것이고 이를 위해 기업의 공통 모델(온톨로지)이 필요함. 팔란티어는 FDE 현장 경험을 본사 플랫폼에 피드백하는 학습 루프(테슬라 방식 유사)를 갖춰 디지털 트윈 역량이 고객 증가와 함께 진화한다고 주장. 예측 발언 대상은 팔란티어 중심의 장기 견해.
다듬은 글
최근 몇 개월 동안 제가 팔란티어와 앤트로픽 대립 구도의 콘텐츠를 계속 만들었었죠. 그때마다 영상을 보신 구독자분들의 반응이 이랬어요. 이거 팔란티어 위험하다는 얘기 아니냐고. 그런데 사실 그런 반응이 나오는 게 당연합니다. 왜냐하면 그런 뉘앙스가 저도 모르게 제 콘텐츠 속에 들어갔던 것 같아요. 아마도 그걸 여러분께서 느끼셨던 거겠죠.
실제로 팔란티어를 쓰고 있는 고객사의 실무자들조차 클로드 코드를 극찬하더라고요. 반면에 팔란티어 AIP에 대한 후기는 의외로 나쁜 경우가 종종 있었습니다. 생각보다 어렵고 복잡하다는 거죠. 그게 정말인지 알아보려고 저도 클로드 코드와 AIFDE로 애플리케이션들을 만들어 봤는데, 왜 그렇게 상반되는 반응이 나왔는지 어느 정도 이해가 되더라고요.
개인적인 체감으로는 앱을 만드는 과정이 클로드 코드가 AIFDE보다 한 세 배 정도는 더 빨랐습니다. 클로드 코드는 정말 엉터리로 얘기해도 척척 알아듣고 원하는 걸 뚝딱 만들어 주거든요. 그런데 AIFDE는 계속 유저에게 질문을 하고, 중간중간 허락을 받아요. 사용자에게 "온톨로지는 이렇게 만들 겁니다" 하고 계속 개념을 인지시키고 허락을 받는 거죠. 온톨로지를 연결하는 과정도 생각보다 쉽게 안 되는 경우가 종종 있었고, 보완 절차도 훨씬 많았습니다. 당연히 시간이 더 오래 걸릴 수밖에 없었겠죠.
사실 최근까지 저도 좀 흔들렸습니다. 클로드의 AI 에이전트를 구현하는 능력이 너무 뛰어나고, 너무 쉽게 만들어내니까요. 이런 발전 속도가 지속된다면 결국 기업의 운영 체제 영역까지 따라잡히게 되지 않을까 하는 생각을 떨칠 수가 없었습니다. 그래서 최근 한 달 동안은 팔란티어에 대해 굉장히 많이 되물어 봤어요. 팔란티어가 정말 독보적인 기업인가? 오랜 시간 투자를 해 왔기 때문에 나 자신을 스스로 속이고 있던 건 아닐까? 하루 종일 이 생각을 했습니다. 팔란티어의 에이전트가 클로드 에이전트보다 정말 뛰어날까?
그러던 와중에 이번 팔란티어 데브콘 발표를 보게 됐는데, 그 내용을 듣고 머리를 한 대 맞은 듯한 느낌이 들었어요. 대략 이런 내용이었습니다. 여러 에이전트들이 복합적으로 연결된 한 프로젝트가 있었는데, 이 프로젝트의 전체 효율을 올리려면 특정 구간에서는 AI 에이전트를 오히려 제거하고 결정론적인 온톨로지 로직으로 대체하는 것이 더 나은 선택이라는 거였죠. 여러분이 보기에는 대단한 내용이 아닐 수도 있지만, 오랜 시간 고민해 온 저에게는 굉장히 큰 충격이었어요.
AI 프로세스를 제거하는 것이 오히려 더 나은 선택이라는 말이 저에게는 이렇게 들렸습니다. 본질로 되돌아가라는, 팔란티어가 따끔한 충고를 해 주는 것 같았다고 할까요. 아마 이때부터 처음으로 다시 돌아가서, 제 원칙으로 팔란티어와 AI를 다시 바라볼 수 있었던 것 같습니다. 그 과정에서 아, 지난 몇 개월 동안 내가 착각하고 있었구나 하는 생각으로 전환할 수 있었습니다. 그리고 그 착각의 프레임에서 빠져나와 다시 팔란티어를 바라보니, 여전히 독보적인 기업으로 보이더라고요.
자, 그럼 지금부터 팔란티어에 대한 제 사고의 흐름이 어떻게 재정립됐는지 보여 드리겠습니다. 작년 CES에서 젠슨 황이 미래 AI 로드맵에 대해 발표를 했죠. 생성형 AI 다음은 에이전틱 AI, 그다음은 피지컬 AI라는 내용이었습니다. 저는 이 발표가 저와 여러분 모두를 좁은 시야에 가두고, AI 시대의 본질을 놓치게 만들었다고 생각해요. 그래서 우리가 지금 헷갈리고 있는 거죠. "팔란티어, 이거 앤트로픽에 의해 정말 대체되는 거 아니야?" 이 프레임의 가장 큰 문제는, 우리가 가야 할 도착지가 AI 에이전트인 것처럼 보이게 만든다는 점입니다.
그런데 AI 에이전트 구축이 목적이라면, 미래 사회는 지금과 크게 달라질 것이 없어요. 예를 들어 볼게요. 자율주행차도 AI 에이전트의 한 형태입니다. 내 운전이라는 노동을 AI에게 위임하는 거니까요. 그런데 운전 행위가 AI에게 완벽하게 위임된다는 것만으로는 사회 구조가 변하지 않습니다. 내가 하던 일을 AI가 그대로 따라 하는 것뿐이니까요. 차가 나 대신 운전을 해 주는데 내가 창밖을 보며 멍하니 있다면, 세상은 바뀌지 않는다는 거죠.
그럼 언제 사회가 변하느냐? 운전으로부터 자유로워진 시간에 내가 어떤 새로운 가치를 창출할 수 있을지 고민하기 시작할 때, 그때 세상이 바뀌기 시작합니다. 만약 출퇴근 시간에 운전을 하지 않고 투잡을 해서 수익을 낼 수 있게 된다면, 그때는 정말로 사회 구조가 달라지겠죠. 정리하면, 운전이라는 문제가 AI로 해결되었을 때 인간은 그보다 상위의 문제에 집중할 수 있게 됩니다. 과거에는 그 상위 문제를 아무도 건드리지 못했는데, 그 문제가 풀리기 시작하면서 사회 구조가 변하기 시작하는 거죠. 이건 산업 혁명의 역사에서도 그대로 증명되고 있어요.
1차 산업 혁명은 인간의 동력원을 증기 기관으로 대체하면서 시작됐죠. 그런데 1차 산업 혁명이 가져온 진짜 여파는 증기 기관 자체가 아니었습니다. 증기 기관을 이용해 대량 생산이라는 문제를 어떻게 해결할까, 즉 더 상위의 문제를 재정의하고 집중하면서 변화가 나타나기 시작한 거죠. 공장이 늘고, 철도가 깔리고, 교통 시스템이 갖춰지면서 세상이 바뀌었습니다.
2차 산업 혁명은 강철, 내연기관, 전기 시스템의 개발로 시작됐죠. 대량 생산 능력을 갖추게 됐는데, 본격적인 변화는 역시 더 상위의 문제에 집중하면서 나타났어요. 대량 생산 능력을 어떻게 관리하고 체계적으로 시스템화할 것인가. 기업 조직이 커지고 수많은 도시 인프라가 생기면서 세상이 바뀌었습니다.
3차 산업 혁명은 컴퓨터와 인터넷으로 시작됐지만, 본격적인 변화는 마찬가지로 상위 문제에 집중하면서 나타났습니다. 정보 처리 능력과 연결성을 이용해 어떻게 전 세계를 하나로 묶을 수 있을까, 어떻게 물리적 공간의 제약을 벗어나 가상의 온라인 공간을 인류의 활동 공간으로 만들 수 있을까. 그렇게 오늘날의 세상이 된 거죠.
4차 산업 혁명은 인간의 사고 판단을 AI에게 위임하기 시작하면서 막 시작되려 하고 있습니다. 그 형태가 AI 에이전트인 거고요. 그러나 앞서 말했듯이, AI 에이전트 자체가 미래 사회의 모습은 아닙니다. 역사적 패턴으로 보면, 진짜 미래 사회의 모습은 인류가 그보다 상위의 문제에 집중하면서 나타나겠죠.
그렇다면 무엇이 더 상위의 문제일까요? AI가 인간의 사고 판단을 대신해 준다면, 인간은 이제 무엇을 해결하려고 할까요? 이게 오늘 영상의 핵심 주제입니다. 정답은 없어요. 제가 개인적으로 떠올리는 건 크게 두 가지입니다.
첫 번째는, 인간이 그동안 풀지 못한 문제를 AI가 풀 수 있을까입니다. 대표적인 예가 알파폴드죠. AI가 아직 단백질 접힘 구조를 완벽하게 밝혀낸 건 아니지만 가능성은 입증됐고, 그 가능성이 실현되기 시작하면 지금과는 완전히 다른 인간 세상이 되어 있을 겁니다.
두 번째는, 제가 개인적으로 추정하는 곧 다가올 미래의 방향인데요. 단 한 명의 사고 판단을 AI에게 쉽게 위임할 수 있다면, 더 상위의 문제는 인간들이 모여 있는 이 조직 전체의 사고 판단을 어떻게 AI에게 위임할 수 있을까가 되지 않을까 합니다. 사실 이건 이미 일어나고 있는 미래죠. 너 나 할 것 없이 모든 기업이 엔터프라이즈 AI를 구현하려고 노력하고 있잖아요. 물론 제대로 안 되고 있지만요.
제대로 안 되는 이유를 저는 이렇게 생각합니다. 조직의 사고 판단이라는 건 결국 그 조직에서 굴러가는 프로세스를 말하는 거죠. 그런데 그 프로세스들이 모이고 모이면 결국 하나의 조직이 됩니다. 그렇다면 조직 전체의 사고 판단을 AI에게 위임하려면 가장 먼저 무엇을 해야 할까요? 우리 조직이란 무엇인가를 정의해야 합니다.
생각해 보세요. 여러분이 몸담은 회사의 동료 10명에게 "너희 회사를 정의해 봐"라고 물으면 어떨까요? 다 똑같이 대답할까요? 아마 열 명이면 열 명 다르게 대답할 겁니다. 우리는 지금까지 이런 추상적인 존재를 제대로 정의해 본 적이 없거든요. 각자 다른 방식으로 일해 왔죠. 그동안은 이렇게 정의가 안 된 상황이 크게 문제 되지 않았습니다. 그런데 AI에게 위임하려고 하니 이제 문제가 되기 시작한 거죠. 기업을 완벽하게 정의해서 AI에게 넘겨야 하는데, 우리 기업의 실체를 완벽히 파악하고 있는 사람이 회사에 단 한 명도 없으니까요. 그래서 아무도 정답이 무엇인지 모르는 겁니다.
그런데 모르는 게 당연합니다. 지금까지 모두가 이해할 수 있는 공통의 언어로 기업을 표현해 본 적이 없으니까요. 표현하지 않으면 정답을 찾아갈 수도 없겠죠. 요즘에야 막 표현을 시작하는 단계입니다. 참고로 마이크로소프트조차 작년 말에야 플랫폼에 온톨로지 기능을 추가했으니까요. 기업의 사고 판단을 AI에게 위임하려다 보니, 기업의 공통 모델이 중요하다는 걸 이제 와서 모두가 깨닫기 시작한 겁니다. 그래서 다들 온톨로지 레이어를 구축하려고 하고 있는 거죠.
그렇다면 다음 질문은 자연스럽게 이것이 될 겁니다. 어떤 플랫폼 위에서 온톨로지를 구축해야 우리 기업의 실제 모습을 가장 정확하게 표현할 수 있을까? 바꿔 말하면, 고객사의 공통 모델, 즉 디지털 트윈을 현실에 가장 가깝게 구현해 내고 지속적으로 진화시킬 수 있는 운영 인프라를 어떤 기업이 갖고 있느냐는 질문이 됩니다.
당연히 팔란티어 투자자들은 "팔란티어"라고 말하겠죠. 반대파들은 다른 IT 기업들도 다 할 수 있다고 말할 거고요. 저는 여기서 질문을 이렇게 바꿔 보고 싶습니다. 고객사의 디지털 트윈을 고객사의 현실에 가장 가깝게 구현시킬 수 있는 운영 인프라, 그 운영 인프라를 개발하는 데 가장 중요한 것은 무엇일까? 정답은 하나입니다. 고객사의 현장으로 직접 가야 한다는 것이죠. 그곳에서 발생하는 실제 비즈니스 문제와 시스템의 구조적 문제를 확인하고, 진짜로 구현하고 해결해 낼 수 있어야 합니다.
더 중요한 건, 특정 한 고객사의 문제만 해결하면 안 된다는 점입니다. 다음에 만나는 고객사의 문제도 함께 해결할 수 있어야 하죠. 지금 팔란티어의 공식 고객사는 약 1,000개 정도 됩니다. 1,000개 고객사 각각에 디지털 트윈을 구현하는 과정에서 문제가 발생하겠죠. 분명히 다를 거예요. 그 각기 다른 문제를 모두 해결할 수 있는 하나의 운영 인프라를 만들 수 있어야 한다는 겁니다.
그러려면 당연히 전방 배치 엔지니어, 즉 FDE의 존재가 필수일 겁니다. FDE가 쌓은 해결 경험 데이터를 모아야 하니까요. 많은 분들이 착각하는 게 있습니다. FDE를 본사의 프로그램을 고객사에 가서 맞춤 설치해 주는 엔지니어 정도로만 생각한다는 거예요. 그런데 팔란티어에서 FDE의 진짜 목적은 솔루션 맞춤 구축이 아닙니다. 수많은 고객사 현장에서 발견된 서로 다른 현실의 문제들을 해결하면서, 그 해결 경험을 다시 본사로 피드백해 팔란티어의 운영 인프라 자체를 진화시켜 나가는 데 있습니다.
앞의 질문으로 돌아가 볼까요? 고객사의 디지털 트윈을 현실에 가장 가깝게 구현시킬 수 있는 운영 인프라. 그 인프라를 만들기 위해 가장 중요한 곳은 어디일까? 현장에 있는 FDE들의 경험을 통해 거꾸로 전체 운영 인프라를 만들어 가는 시스템이 되어야 합니다. 그러니까 FDE는 팔란티어 운영 인프라 자체의 근간인 거죠. 그래서 팔란티어는 조직 전체가 FDE를 지원하는 방식을 중심으로 설계되어 있습니다. 그냥 TF 팀처럼 곁가지로 붙어 있는 소규모 조직이 아니라는 거죠.
마지막으로 이 얘기를 해 볼게요. 테슬라가 자율주행에서 선두에 설 수 있는 이유는 하나입니다. 운전 알고리즘을 먼저 만들고 그걸 현실의 각 운전 상황에 맞게 커스터마이징한 게 아니라, 현실에서 발생하는 상황을 토대로 거꾸로 운전 알고리즘을 만들었기 때문이죠. 이게 머신러닝의 원리입니다. 그렇다면 이런 거꾸로 시스템이 가능하려면 회사 차원에서 무엇이 가장 중요할까요? 테슬라 자동차를 전 세계에 배포해 실제 운전 데이터를 수집하고, 본사에서 그 데이터를 공통 모델로 추상화한 뒤 다시 현실의 자동차에 배포하는 학습 루프 시스템이 조직 차원에서 구축되어 있어야 합니다.
팔란티어도 그런 학습 루프 시스템이 완벽히 구축되어 있습니다. FDE들이 각 고객사 현장의 문제를 해결하고, 그 해결 경험을 본사로 피드백하면, 본사는 그 경험을 공통 모델로 추상화해 아폴로를 통해 각 고객사 환경에 다시 배포하죠. 그래서 고객사가 늘어날수록, 즉 FDE의 활동이 많아질수록, 고객사의 디지털 트윈을 실제와 흡사하게 구현해 내는 인프라의 능력도 점점 진화하게 됩니다. 그리고 그것은 곧 조직의 사고 판단을 AI에게 위임할 수 있는 능력이 진화하는 것과 같다고 할 수 있겠죠.
Comments 0