Summary of "생성형AI 트렌드 및 AX 상용화 사례(2025.3.13. 42maru 김동환 대표)"

요약: 생성형 AI 트렌드와 AX(상용화) 사례(42마루 김동환 CEO 강연)

1) 핵심 개념: Generative AI → AX 전환

기존 DX(디지털 전환)에서 AI 중심으로 업무 환경을 재구성하는 AX로 흐름이 이동 중.
생성형AI는 특히 LM(대형 언어 모델, Large Language Model) 기반이며, 이를 산업 전반에 적용하는 것이 AX라고 정리.

2) 기술/서비스 관점의 “과거 vs 현재” 차이

과거: 키워드 기반 검색/처리
- 문서 링크 제공 후 사용자가 탐색
현재: 의미·맥락 기반 이해
- 질문에 즉시 답(QA, Question Answering) 제공
42마루는 2015년부터 로그/데이터 기반 QA를 운영했고, 기반 기술로 MRC(머신러닝 기반 독해/리딩 컴프리헨션)를 강조.
GPT 출시 “이후”가 아니라, 생성형/요약/독해 계열 기술을 더 이르게 연구·상용화해 왔다고 언급.

3) LM 발전 속도와 멀티모달로의 확장

(공개된) 챗터/유사 모델 계열 이후, 2~3일 단위로 신기술이 나올 정도로 빠르게 발전.
GPT류 이후 버전/파생 모델이 계속 증가.
Google의 제미나이(Gemini, 표기: JemiNai) 등도 텍스트QA를 넘어 음악/이미지/영상 생성으로 확장.
영화제에서 AI 제작 영화가 등장할 정도로 제작 파이프라인이 고도화
- 예: 대본 생성 → 음성/대사 자동화 등

4) 파라미터/토큰과 비용 구조(“초거대 AI”의 현실)

파라미터를 “케이스 수”처럼 비유: 조합 탐색 규모가 커짐.
최근 모델은 1조~수조 파라미터급으로 계산량이 급증 → GPU 등 연산 인프라 수요 증가.
학습/서비스 비용이 매우 큼:
- 예: GPT 계열 개발에 누적 수십~수백 조 원 규모(표현상 “100조 원”) 언급
- 사용자 요금도 무료/유료(수만~수십만 원/월), Pro/에이전트(수백만~수천만 원/월) 등 구체 형태 언급
API 연동 시 질문당 비용은 점차 낮아지지만, 여전히 부담이 존재.

5) 초거대 AI 적용 시 3대 과제

환각(Hallucination): 그럴듯한 틀린 정보 생성
- 예: 조선시대 ‘맥북’, ‘티타늄 자전거’ 같은 오류 서사 사례로 설명
보안(Security): 문서 업로드 시 내부 문서가 외부 서버(GPT 등)로 갈 수 있어 기밀 유출 위험 고려 필요
비용(Cost): 모델 사용/운영 비용이 크므로 효율화 전략 필요

6) 해결 방향: 도메인 특화 + RAG + 경량 모델(SLM)

도메인 특화 LM
- 범용보다 특정 산업(예: 반도체/금융)에 맞춰 성능 대비 비용을 낮추는 방향
RAG(지식검색/오픈북형)
- LLM이 “내부 지식”이 아니라 제공된 문서 기반으로만 답하게 하여 오류 확률 감소
정확도 지향 기술 결합
- MRC 등 정확도 기반 기술을 함께 활용
SLM(Small LM, 경량화)
- 예: Meta 라마(표기 Ra), Anthropic 클로드(Claude), Perplexity 등
- 중국의 경량 고성능 모델(표기 DeepS) 언급
- 약 10~13B 수준(또는 더 작은 모델)에서도 스마트폰/노트북 동작을 목표로 제시
42마루 역시 LGM 42 같은 경량 모델을 도메인별로 전문화한다고 설명.

7) AX 상용화 “현업” 사례들(산업별)

(1) 엔지니어링/조선·해양

선박 설계 문서는 방대하며 여러 엔지니어가 수개월~1년 협업 → 부품/배관 정합 문제가 발생.
AI 활용:
- 설계 문서 초안을 AI가 생성
  - 기존 수십 명·수주~수개월 → 약 10일 수준 단축 목표
- 생성 과정에서 정합 이슈(배관 두께/위치 충돌 등) 감소 기대
- 향후 3~5년 내 설계 문서 80~90% 생성 전망
예측정비/고장 예측
- 30년치 데이터가 있어도 분류 표준 부재로 학습이 어려웠던 문제를 AI로 표준화·그룹핑
- 인간이 30년 데이터 정리하는 데 수년 걸릴 일을 AI가 수일(2일+α)로 수행

(2) 금융/콜센터·보험

음성 인식(STT) → AI 처리 → 정책/보장 정보 즉시 표시 형태의 AI 컨택센터
기존: 상담원이 약관/매뉴얼 찾아 응답
현재 흐름(설명된 예):
- 본인확인 후 “골절 진단” 같은 요청이 들어오면 AI가 보장 가능 비율/조건을 즉시 화면에 표시
일부는 인간 검토가 남아 있지만, 학습/자동화로 점진적 무인 처리 가능성을 전망

(3) 이상거래 탐지/자금세탁

사람이 랜덤하게 일부 거래만 보던 방식의 한계(누락/사후 탐지)를 지적.
AI 기반으로 실시간 탐지·자동 조사로 전환되는 흐름 설명.
장기간 숙련(수십 년급 경험)이 필요했던 영역을 AI가 보조/대체할 수 있다는 취지.

(4) 계약 검토/생성(법무)

계약서의 불일치·누락·유해 조항·과도한 형식 문구 등을 기계적으로 탐지
“분쟁 가능성” 같은 판단은 결국 법조인 역할이 필요하다고 단서
AI가 단순 계약 초안도 실시간 작성 가능(초임 변호사 업무 상당 부분), 비용 절감 효과 언급

(5) 뉴스/요약/추천·초개인화

요약: Chaech PT(표기), Claude, Perplexity 등 공개 모델 활용
추천: 역할/부서/개인 성향별 마이크로 세그먼테이션으로 고도화(자동차/AI 스피커 등)
음성 비서 고도화:
- 음성 인식 정확도 상승 + 음성 합성(TTS) 및 목소리 복제가 빨라졌다고 설명
- (예: 몇 분 녹음만으로 화자 목소리 흉내, 중국어 프레젠테이션 음성 생성 등)

8) 2025 키워드: AI-Agile / 에이전트로 “행동”까지

단순 질의응답을 넘어 결정하고 실행하는 AI 에이전트 강조(질문 → 행동 수행).
예시:
- “대전-서울 내일 2시 이후 가장 빠른 KTX를 찾아 예매·결제까지” 처리
- “가장 싼 달걀 구매” 같은 자동 구매 시도(초기 단계라 오작동 가능성도 언급)
금융계 예시: Salesforce의 Agentforce 같은 업무 특화 에이전트 언급
결론: 실행형 AI는 위험/오작동에 대한 더 높은 수준의 정교함이 필요하다는 경고.

9) 하드웨어 결합: LLM → LAM(또는 Large Action Model)·Physical AI

단순 언어(LLM)에서 나아가, 하드웨어와 결합해 행동/로봇/웨어러블로 확장되는 흐름 언급.
NVIDIA CES 관련 예시로 “Physical AI” 전환 기대:
- 모델을 하드웨어에 탑재/통합하는 플랫폼(COSMOS) 계획 언급
결국 “몸(body)”에 붙는 방향으로 LLM/LAM이 변화할 것이라는 전망.

10) 교육/인재 관점 Q&A(강의 후 질의응답)

질문: AI가 거의 모든 일을 하는 시대에 전문가가 어떻게 준비해야 하는가?
답변 요지:
- 현업에서는 AI 활용 경험(시스템 사용 능력)을 선호하는 경향
- AX가 확산되면 AI 활용 능력은 선택이 아니라 필수가 될 가능성
- 같은 AI라도 질문을 어떻게 하느냐에 따라 결과가 크게 달라져, “좋은 질문” 훈련이 중요
- 인간의 강점은 창의/새로운 스타일 정착 등 완전히 새로운 영역에서 더 강할 수 있음

주요 연사/출처(스피커)

김동환 (Kim Dong-hwan) — 42마루(42maru) 대표/CEO (강연자)
질의응답에 교수(이름: 김영국, Kim Young-guk 표기) 및 학생/청중 일부가 참여 (대화 형식의 질문 출처)
강의 도중 기술·사례 언급 출처: OpenAI(GPT), Google(예: Gemini류), Naver Cloud(HyperCLOVA X), LG AI Research(예: Sa-in), Meta, Anthropic, Perplexity, Microsoft, NVIDIA 등

Category

Technology

Share this summary

Is the summary off?

If you think the summary is inaccurate, you can reprocess it with the latest model.

Summarize another video

Video