AI 인사이트

[카테고리:] 전문가

  • 챗GPT 실무 활용법: 15년 차 기획자가 실제로 쓰는 방식

    챗GPT를 처음 써본 사람들이 몇 주 지나면 꼭 하는 말이 있어요. “처음엔 신기했는데, 요즘은 뭘 물어봐야 할지 모르겠어요.” 맞아요. 사실 챗GPT의 진짜 활용법은 ‘어떻게 쓰느냐’에 달려 있고, 그 차이가 생각보다 크더라고요. 저도 기획 업무에 본격적으로 붙여 쓴 건 한 1년 넘었는데, 초반 3개월이랑 지금이랑 완전히 다른 도구처럼 느껴질 정도예요.

    단발성 질문을 버리고 ‘역할 설정 + 컨텍스트 주입’ 구조로 전환하기

    가장 먼저 바꿔야 할 습관이 바로 이거예요. “이거 정리해줘”, “이 글 요약해줘” 같은 단발성 요청만 쓰면 챗GPT는 그냥 일반적인 답만 뱉거든요. 반면에 역할(Role)과 배경(Context)을 먼저 설정하면 결과물의 품질이 확 달라져요.

    제가 실제로 쓰는 패턴 하나 보여드릴게요.

    예시 프롬프트 구조:

    • 역할 설정: “너는 B2B SaaS 서비스의 제품 기획자야. 주요 독자는 중소기업 IT 담당자이고, 기술 이해도는 중간 수준이야.”
    • 컨텍스트 주입: “아래는 이번 분기 신기능 업데이트 내용이야. [내용 붙여넣기]”
    • 요청 명세: “이 내용을 바탕으로 고객사 이메일 뉴스레터를 써줘. 300자 이내, 혜택 중심으로, 행동 유도 문구 포함해서.”

    이렇게 하면 챗GPT가 맥락을 유지하면서 훨씬 목적에 맞는 글을 써줘요. ‘역할 + 독자 + 제약 조건 + 구체적 요청’이 세트로 들어가야 실무에서 바로 쓸 수 있는 아웃풋이 나오거든요.

    추가로 같은 대화창에서 이어가면 컨텍스트가 누적되니까, 처음 역할 설정을 잘 해두면 후속 요청이 훨씬 편해요. 저는 자주 쓰는 역할 설정 프롬프트를 노션에 저장해두고 복붙해서 씁니다.

    반복 업무에 챗GPT 붙이는 실제 워크플로우

    실무에서 챗GPT를 ‘도구’로 쓰려면, 어떤 업무 단계에 끼워 넣을지를 먼저 정리하는 게 중요해요. 제가 자주 쓰는 패턴 몇 가지를 공유할게요.

    1. 회의록 → 액션 아이템 추출

    회의 후 클로바노트나 팀즈 자동 전사 텍스트를 챗GPT에 붙여 넣고 이렇게 요청해요. “이 회의록에서 결정된 사항과 각 담당자별 액션 아이템을 표 형식으로 정리해줘.” 15분짜리 정리 작업이 1분으로 줄더라고요. 완벽하진 않지만, 초안을 잡아주는 것만으로도 충분히 값어치 있어요.

    2. 리서치 → 구조화 요약

    경쟁사 블로그 글이나 보도자료를 여러 개 긁어다가 한 번에 넣고 “이 자료들에서 공통적으로 강조하는 포인트 3가지와, 우리 서비스와 비교했을 때 차별점이 될 수 있는 부분을 뽑아줘”라고 하면 꽤 쓸만한 인사이트 초안이 나와요. 리서치 -> 구조화 -> 초안 작성까지 플로우가 연결되는 거죠.

    3. 초안 글쓰기 → 톤앤매너 조정

    제가 가장 많이 쓰는 패턴이에요. 초안은 빠르게 쓰고, 그걸 특정 톤으로 바꾸는 데 챗GPT를 써요. “위 글을 좀 더 친근하고 캐주얼하게 바꿔줘”, “전문적이고 신뢰감 있는 B2B 보고서 스타일로 다듬어줘” 이런 식으로요. 직접 여러 번 고치는 것보다 훨씬 빠릅니다.

    GPT-4o와 커스텀 인스트럭션을 제대로 쓰고 있나요?

    챗GPT를 실무에 붙이는 분들 중에서도 커스텀 인스트럭션(Custom Instructions)을 안 쓰는 경우가 꽤 많더라고요. 설정 메뉴에 있는 이 기능, 제대로 활용하면 매번 역할 설정을 반복하지 않아도 돼요.

    저는 커스텀 인스트럭션에 이런 내용을 넣어뒀어요.

    • 내 직업과 주요 업무 영역 (IT 서비스 기획, 콘텐츠 전략)
    • 선호하는 답변 형식 (불릿보다 문단 형식, 한국어 경어체 유지)
    • 자주 다루는 프로덕트 유형과 독자 수준
    • 피해야 할 표현 패턴 (과도한 칭찬, 불필요한 면책 문구 등)

    이걸 설정해두면 새 대화를 열어도 기본 설정이 적용된 상태로 시작해요. 특히 GPT-4o 기반으로 작업할 때 일관성이 많이 올라가서 체감이 꽤 돼요.

    그리고 GPT-4o의 이미지 인식 기능도 기획 업무에 유용해요. 화면 캡처나 와이어프레임 이미지를 올리고 “이 UI 구조에서 UX 문제가 될 수 있는 부분을 짚어줘”라고 하면 꽤 날카로운 피드백이 나올 때가 있어요. 물론 맹신은 금물이고, 출발점으로 활용하는 게 맞아요.

    챗GPT 실무 활용에서 제가 실제로 느낀 한계

    좋은 얘기만 하면 글이 너무 홍보처럼 되니까, 솔직하게 한계도 정리할게요.

    첫째, 최신 정보 반영이 안 된다는 점이에요. 검색 기능을 켜지 않으면 특정 날짜 이후 정보는 없거나 틀릴 수 있어요. 시장 트렌드나 최신 기사 기반 분석이 필요한 작업엔 반드시 웹 검색 기능을 활성화해야 해요.

    둘째, 숫자와 데이터는 직접 검증이 필수예요. 수치를 그럴 듯하게 만들어내는 경향이 있어서, 데이터가 들어간 내용은 원본 소스를 꼭 확인해야 해요. 저도 초반에 몇 번 낭패를 본 적 있어요.

    셋째, 긴 컨텍스트에서 일관성이 흔들릴 수 있어요. 대화가 길어지면 앞서 설정한 조건을 슬슬 잊는 경우가 있더라고요. 중요한 작업은 새 대화창 열고 다시 역할 설정하는 게 더 안전해요.

    이런 한계를 알고 쓰면 훨씬 효과적으로 활용할 수 있어요. 챗GPT는 만능 도구가 아니라, 잘 쓰는 사람과 못 쓰는 사람의 차이가 분명히 나는 도구거든요. 그 차이를 만드는 게 결국 프롬프트 설계와 워크플로우 통합 방식이에요. 한 번 제대로 세팅해두면, 진짜 쓸만한 업무 파트너가 됩니다.

  • 실무에서 AI 글쓰기를 제대로 쓰는 법 — 프롬프트 설계부터 품질 관리까지

    AI 글쓰기 툴을 쓴다고 해서 결과물이 자동으로 좋아지는 건 아니더라고요. 챗GPT든 클로드든 제미나이든, 입력을 어떻게 설계하느냐에 따라 산출물 품질이 하늘과 땅 차이가 납니다. 막연하게 “이 주제로 블로그 글 써줘” 라고 넣는 것과, 목적·독자·형식·제약 조건을 구조화해서 넣는 것은 결과가 완전히 다릅니다. 제가 실무에서 직접 쌓아온 AI 글쓰기 워크플로우를 이번 글에 다 풀어볼게요.

    AI 글쓰기 품질을 가르는 건 프롬프트 구조다

    많은 분들이 프롬프트를 “지시문” 정도로 생각하는데, 저는 이걸 “편집 브리프”처럼 씁니다. 잡지사 에디터가 기자에게 원고를 의뢰할 때 보내는 그 문서요. 거기엔 단순히 주제만 있는 게 아니라 독자 프로필, 어조, 금기어, 분량, 레퍼런스가 다 들어가잖아요. AI한테도 똑같이 줘야 합니다.

    제가 실제로 쓰는 프롬프트 골격은 이렇습니다.

    • Role(역할): 어떤 전문가로서 쓸 것인지. 예) “10년 경력의 B2B SaaS 마케터로서”
    • Goal(목표): 이 글이 궁극적으로 달성해야 하는 것. 예) “신규 도입을 고려 중인 CTO를 설득하는 것”
    • Audience(독자): 기술 배경, 관심사, 이미 아는 것과 모르는 것. 구체적일수록 좋습니다.
    • Format(형식): H2·H3 구조, 분량, 포함할 요소(예시·표·번호 목록 등).
    • Constraints(제약): 쓰지 말아야 할 표현, 피해야 할 논조, 경쟁사 이름 언급 금지 등.

    이 다섯 가지를 다 채워서 넣으면, 모델이 “뭘 써야 하는지”를 헤매지 않아요. 특히 Constraints를 빠뜨리면 AI가 관성적으로 쓰는 상투적 문장들이 그대로 올라오더라고요. “결론적으로”, “이번 글에서는 ~에 대해 알아보겠습니다” 같은 표현들이요. 이걸 명시적으로 금지해야 결과물이 훨씬 사람 목소리에 가까워집니다.

    클로드·챗GPT·제미나이, 글쓰기 용도별로 어떻게 다르게 쓰나

    세 모델을 다 실무에 써보면, 글쓰기 쪽에서 성격 차이가 꽤 느껴집니다. 어떤 게 낫다기보다 용도가 다릅니다.

    클로드(Claude)는 긴 문서 작업에서 일관성이 좋습니다. 특히 브랜드 보이스 가이드라인이나 스타일 가이드를 시스템 프롬프트에 넣어두면, 긴 문서 전체에서 어조가 흔들리지 않고 유지돼요. 보고서나 제안서처럼 수천 자 넘어가는 단일 문서 초안 작업에 주로 씁니다. 또 퇴고 지시를 줄 때 이유를 같이 달아주면 클로드는 단순히 수정만 하지 않고 왜 그렇게 바꿨는지를 설명해줘서 글쓰기 피드백 루프를 돌리기 편합니다.

    챗GPT(GPT-4o 기준)는 반복 작업에 강합니다. 동일한 포맷의 콘텐츠를 대량으로 생산해야 할 때, 예를 들어 제품 카탈로그 설명문 100개 혹은 뉴스레터 섹션 10개를 비슷한 구조로 뽑아야 할 때 지시 사항을 잘 따라오는 편이에요. 플러그인과 Custom GPT를 조합하면 특정 글쓰기 워크플로우를 팀 단위로 표준화할 수 있다는 것도 장점이고요.

    제미나이(Gemini)는 구글 워크스페이스와 연결되는 맥락에서 빛납니다. 구글 독스 내에서 실시간으로 문서를 다듬거나, 구글 드라이브의 기존 문서를 참고해서 새 글을 쓰는 흐름이 자연스러워요. 특히 팀 공용 구글 독스에서 협업 문서 작성 속도를 높이고 싶다면 제미나이 통합이 꽤 실용적입니다.

    AI 초안을 실무에 바로 못 쓰는 이유와 편집 워크플로우

    솔직히 말하면, AI가 뽑은 초안을 아무런 손질 없이 그대로 쓰는 경우는 거의 없어요. 특히 외부에 나가는 문서일수록요. 제가 실무에서 AI 초안을 편집할 때 체크하는 포인트 몇 가지를 공유할게요.

    첫 번째는 사실 확인입니다. AI는 수치, 날짜, 고유명사를 자연스럽게 생성하는데 틀리는 경우가 있습니다. 특히 구체적인 통계나 최신 정보가 들어간 문장은 반드시 원출처를 직접 확인해요. 이 과정을 건너뛰면 나중에 훨씬 큰 비용을 치릅니다.

    두 번째는 목소리(voice) 교정입니다. AI가 쓴 글은 아무리 잘 써도 특유의 매끈함이 있어요. 너무 정돈되어 있고, 리듬이 균일합니다. 실제 필자의 어투가 있는 글은 짧은 문장과 긴 문장이 섞이고, 가끔 구어체가 들어오고, 의도적인 반복이 있거든요. 저는 AI 초안에 이런 텍스처를 수작업으로 넣습니다.

    세 번째는 구조 재배열입니다. AI는 논리 흐름을 나름 맞추지만, 실제 독자가 읽는 순서와 다를 때가 많아요. 독자가 가장 궁금해하는 것, 즉 “그래서 나한테 뭐가 좋은 건데?”에 대한 답이 도입부에 없으면 이탈이 빠릅니다. 저는 이 부분을 항상 앞으로 끌어올립니다.

    반복 재사용하는 프롬프트 자산을 만들어야 한다

    글쓰기 작업에서 AI를 쓸 때 진짜 효율이 나기 시작하는 건, 매번 프롬프트를 새로 짜는 게 아니라 재사용 가능한 프롬프트 템플릿을 축적할 때입니다. 저는 Notion에 글쓰기 유형별로 프롬프트 라이브러리를 관리합니다. 보도자료용, 기능 소개 문서용, 이메일 뉴스레터용, 사용자 인터뷰 정리용 등으로 나눠서요.

    각 템플릿에는 기본 프롬프트 구조뿐 아니라, 그 프롬프트가 잘 안 됐을 때 쓰는 개선 변형 버전도 함께 저장해둡니다. 예를 들어 첫 번째 결과물이 너무 딱딱하게 나왔을 때 “좀 더 구어체로, 1인칭 관점에서 재작성해줘. 문장 길이를 다양하게 섞어서” 같은 후속 지시도 세트로 관리하는 거예요.

    팀으로 일한다면 이 프롬프트 라이브러리를 공유 자산으로 운영하는 게 좋습니다. 사람마다 프롬프트 실력이 다르면 결과물 품질이 들쭉날쭉해지거든요. 팀 공용 베이스라인 프롬프트를 정해두면, 누가 돌려도 일정 수준 이상이 나오는 구조를 만들 수 있어요. 이게 AI 글쓰기를 개인 생산성 도구에서 팀 역량으로 끌어올리는 핵심이라고 생각합니다.

    AI 글쓰기는 쓰면 쓸수록, 그리고 피드백 루프를 얼마나 빠르게 돌리느냐에 따라 실력이 빠르게 올라가요. 처음엔 편집 시간이 초안 작성보다 더 오래 걸리더라도, 나만의 프롬프트 자산이 쌓이면 어느 순간 균형점이 역전됩니다. 그 시점이 오면, AI 글쓰기가 단순한 보조 도구가 아니라 진짜 업무 레버리지가 됩니다.

  • AI 글쓰기, 실무에서 제대로 쓰려면 이렇게 접근해야 합니다

    AI 글쓰기 툴을 한 번쯤 써봤는데 결과물이 생각보다 밋밋해서 결국 손으로 다 고쳤다는 분들, 꽤 많더라고요. 저도 처음엔 그랬어요. 근데 지금은 보도자료, 기획서 요약, 서비스 소개 문구, 내부 공지 등 실무 글쓰기의 70% 이상을 AI로 초안을 뽑고 있고, 수정 시간이 확실히 줄었습니다. 차이는 단순히 “어떤 툴을 쓰냐”가 아니라 어떻게 쓰냐에 있었어요.

    AI 글쓰기가 실무에서 잘 안 되는 진짜 이유

    많은 분들이 챗GPT나 클로드 창을 열고 “~에 대한 글 써줘”라고 입력합니다. 그러면 분명 뭔가 나오긴 하는데, 읽어보면 어디서 본 것 같은 평범한 문장들의 조합이에요. 톤도 내 브랜드랑 다르고, 구체적인 수치나 맥락도 없고, 전달하려는 메시지의 핵심이 흐릿합니다.

    이건 AI가 부족해서가 아니에요. AI는 맥락을 모르는 상태에서 최대한 무난한 결과를 냅니다. 반대로 말하면, 맥락을 잘 줄수록 결과물의 품질이 급격히 올라가요. 프롬프트를 설계한다기보다 “AI한테 브리핑을 한다”고 생각하면 훨씬 이해하기 쉽습니다. 신입 팀원에게 글을 맡길 때 배경 설명, 독자 정보, 원하는 톤, 피해야 할 표현 등을 알려주는 것처럼요.

    실무에서 AI 글쓰기가 기대에 못 미치는 가장 흔한 패턴을 정리하면 이렇습니다.

    • 목적과 독자를 명시하지 않아서 방향성이 없는 글이 나온다
    • 참고할 기존 자료나 사실 정보를 주지 않아서 빈 말 위주로 채운다
    • 원하는 분량, 구조, 톤을 구체적으로 지정하지 않았다
    • 한 번에 완성본을 기대하고, 반복 수정 없이 포기한다

    실무에서 바로 써먹는 프롬프트 설계 방법

    저는 실무 글쓰기 프롬프트를 짤 때 크게 네 가지 요소를 항상 챙깁니다. 역할 지정, 배경 정보, 출력 조건, 제약 조건이에요.

    역할 지정은 AI가 어떤 포지션에서 글을 써야 하는지 알려주는 겁니다. “마케팅 카피라이터로서”, “B2B SaaS 기업의 콘텐츠 매니저로서” 처럼 구체적일수록 어조와 구성이 달라져요. 특히 클로드는 역할 지정에 꽤 민감하게 반응하는 편이라 이 부분만 바꿔도 결과물 톤이 눈에 띄게 달라집니다.

    배경 정보는 사람들이 가장 많이 생략하는 부분이에요. “우리 서비스는 중소기업 인사담당자를 대상으로 하고, 온보딩 과정에서의 불편함을 줄이는 게 핵심 가치입니다”처럼 실제 맥락을 넣어줘야 AI가 엉뚱한 방향으로 가지 않습니다. 내부 문서, 기존 작성 글, 경쟁사 자료 일부를 붙여넣기 해서 주는 것도 아주 효과적이에요.

    출력 조건은 분량, 구조, 형식을 구체적으로 명시하는 겁니다. “600자 내외로, 소제목 없이, 부드러운 구어체로” 혹은 “H2 소제목 3개, 각 섹션 150자 이내, 블릿 포인트 없이”처럼요. 이 부분을 명확히 할수록 후편집 시간이 확 줄어듭니다.

    제약 조건은 쓰면 안 되는 표현이나 피해야 할 방향을 알려주는 거예요. “지나치게 감정적인 표현 금지”, “경쟁사 직접 언급 금지”, “전문 용어는 반드시 괄호 안에 한 줄 설명 추가” 같은 식으로요. 이게 없으면 AI가 무난하게 좋아 보이는 방향으로 가버리는 경우가 많아요.

    챗GPT vs 클로드, 글쓰기 용도로는 어떻게 다른가

    요즘 실무자들 사이에서 가장 많이 받는 질문 중 하나가 이거예요. 짧게 정리하면, 긴 문서 작업과 맥락 유지는 클로드가 강하고, 빠른 초안 생성이나 구조화된 포맷 출력은 챗GPT도 충분히 좋습니다.

    제가 실제로 쓰는 방식을 공유하자면, 긴 기획서나 보고서처럼 앞뒤 맥락을 유지하면서 여러 섹션을 한꺼번에 다뤄야 할 때는 클로드를 씁니다. 특히 긴 참고 자료를 붙여넣고 “이 내용을 바탕으로~”라고 할 때 클로드가 흐름을 더 잘 잡아요. 반면 짧은 홍보 문구 여러 버전 뽑기, 이메일 초안, 간단한 공지 같은 건 챗GPT로도 빠르게 해결됩니다.

    둘 다 시스템 프롬프트(또는 커스텀 인스트럭션)를 잘 활용하면 매번 같은 맥락 설명을 반복하지 않아도 되니까, 자주 쓰는 글쓰기 용도가 있다면 미리 세팅해두는 게 시간 절약에 크게 도움이 됩니다.

    결과물 품질을 실제로 올리는 반복 수정 루틴

    AI 글쓰기에서 한 번에 완성본이 나오길 기대하면 실망하기 쉽습니다. 저는 보통 초안 → 피드백 → 재작성 → 부분 수정 이렇게 3~4번의 사이클을 돌려요. 근데 이게 생각보다 빠릅니다. 각 사이클이 30초~1분이면 되거든요.

    피드백을 줄 때도 “더 좋게 써줘” 같은 막연한 말보다는 구체적으로 줘야 효과가 있어요. “세 번째 문단의 톤이 너무 딱딱해요. 같은 내용을 독자와 대화하는 느낌으로 다시 써줘”, “두 번째 문장이 너무 길어서 두 문장으로 나눠줘”, “결론 부분에 독자가 다음에 취해야 할 행동을 한 문장으로 추가해줘” 이런 식의 지시가 훨씬 잘 먹힙니다.

    또 한 가지 팁은, 내가 잘 쓴 기존 글이 있다면 그걸 참고 스타일로 함께 주는 거예요. “아래 글의 톤과 구조를 참고해서 새 글을 써줘”라고 하면 브랜드 보이스 통일성을 맞추는 데 꽤 효과적입니다. 특히 여러 사람이 콘텐츠를 만들어야 하는 팀 단위 작업에서 이 방법이 정말 유용하더라고요.

    AI 글쓰기는 결국 내가 원하는 걸 얼마나 명확하게 전달하느냐의 커뮤니케이션 기술이에요. 툴이 좋아졌다고 해서 내 판단과 편집 감각이 필요 없어지는 건 아니고, 오히려 그 감각이 있어야 AI를 더 잘 쓸 수 있습니다. 그 점에서 AI는 글을 대신 써주는 게 아니라, 글 쓰는 속도와 범위를 늘려주는 도구라고 보는 게 맞는 것 같아요.

  • 퓨리오사AI(FuriosaAI) 국산 AI 반도체, 실무자 시각으로 뜯어보기

    국산 AI 반도체 이야기가 나올 때마다 빠지지 않는 이름이 있어요. 퓨리오사AI(FuriosaAI)입니다. 2017년 설립된 이 팹리스 스타트업은 지금 국내에서 가장 진지하게 AI 추론 가속기를 만들고 있는 곳이고, 실제로 양산 칩까지 내놓은 몇 안 되는 사례예요. 저도 AI 인프라 관련 프로젝트를 기획할 때 한 번은 꼭 검토 선상에 올리게 되더라고요.

    이 글에서는 마케팅 자료나 보도자료 수준이 아니라, 실무에서 AI 추론 인프라를 고민하는 분들이 알아야 할 포인트를 중심으로 퓨리오사AI를 정리해봤습니다.

    WARBOY에서 RNGD로, 칩 세대가 의미하는 것

    퓨리오사AI의 첫 번째 양산 칩은 WARBOY입니다. TSMC 14nm 공정으로 제작됐고, 주된 설계 타깃은 CNN 기반의 비전 추론 워크로드였어요. 이미지 분류, 객체 탐지, OCR처럼 엣지-서버 경계에 있는 작업에서 전력 대비 성능이 괜찮다는 평가를 받았고, 실제로 SKT, KT 같은 국내 통신사와 일부 클라우드 사업자들이 파일럿 형태로 도입한 바 있습니다.

    그런데 WARBOY가 나온 시점과 대형 언어모델(LLM) 열풍이 겹치면서 상황이 달라졌어요. CNN 중심의 설계로는 트랜스포머 기반 모델을 효율적으로 돌리는 데 한계가 있거든요. 어텐션 연산의 특성상 메모리 대역폭과 유연한 텐서 처리 구조가 중요한데, WARBOY는 그 지점에서 제약이 있었어요.

    그래서 나온 게 두 번째 세대 칩인 RNGD(Rebellions Next Generation Device가 아니라 퓨리오사 내부 코드명 기반 제품명)입니다. TSMC 5nm 공정을 채택했고, 멀티-다이 구조와 대용량 HBM을 결합해 LLM 추론을 포함한 훨씬 넓은 워크로드 스펙트럼을 커버할 수 있도록 설계했어요. 공개된 벤치마크에 따르면 특정 추론 시나리오에서 NVIDIA A100에 준하거나 일부 작업에선 경쟁력 있는 수치를 보여주고 있습니다. 물론 엔비디아의 H100/H200과 비교하면 아직 간극이 있고, CUDA 생태계만큼의 소프트웨어 성숙도는 솔직히 따라잡기 쉽지 않은 게 사실이에요.

    실무에서 퓨리오사AI 칩을 쓸 수 있는 현실적인 시나리오

    AI 반도체를 도입할 때 기술 스펙보다 더 중요한 게 에코시스템이에요. 얼마나 많은 모델 프레임워크를 지원하는지, 컴파일러가 얼마나 안정적인지, 문제가 생겼을 때 디버깅 환경이 갖춰져 있는지가 실제 운영 비용을 좌우하거든요.

    퓨리오사AI는 Furiosa SDK를 자체 제공하고 있어요. PyTorch, ONNX 모델을 변환해서 칩에 올리는 파이프라인이 있고, 양자화(Quantization) 지원도 포함돼 있습니다. 다만 엔비디아의 TensorRT나 구글 TPU의 XLA 컴파일러처럼 수년간 수만 명이 쓰면서 갈고닦인 툴체인과 같은 수준을 기대하기는 어렵고, 아직 엣지 케이스가 제법 남아 있는 단계라고 보는 게 현실적이에요.

    그렇다면 어떤 상황에서 퓨리오사AI 칩이 현실적인 선택지가 될 수 있을까요? 제가 보기엔 세 가지 시나리오가 있어요.

    • 데이터 주권과 온프레미스 요건이 강한 환경: 금융, 공공, 의료처럼 데이터를 외부 클라우드로 보내기 어려운 곳에서, 국산 칩 기반의 온프레미스 추론 서버를 구성하는 방향입니다. 조달 경로, 보안 인증, 기술 지원 측면에서 국내 벤더 생태계와 연결이 더 수월해요.
    • 특정 추론 워크로드에 최적화된 커스텀 배포: LLM 전체 파인튜닝보다 특정 비전·언어 추론 파이프라인에 집중하는 서비스라면, RNGD의 전력 효율과 단가 경쟁력을 활용한 비용 구조 최적화가 가능할 수 있어요.
    • 기술 주권 차원의 파일럿 도입: 대기업이나 공공기관에서 엔비디아 의존도를 분산하는 벤더 다변화 전략의 일환으로, 실 운영 트래픽 일부를 퓨리오사 칩으로 서빙해보는 식이에요. 생태계 성숙도를 직접 확인하면서 향후 스케일업을 판단할 수 있죠.

    리벨리온 합병 시도와 그 이후, 업계 맥락 읽기

    2024년에 퓨리오사AI와 또 다른 국산 AI 반도체 팹리스인 리벨리온(Rebellions) 사이의 합병 논의가 공론화되면서 업계가 한바탕 술렁였어요. 정부 주도의 반도체 경쟁력 집중 전략과 맞물려 있었는데, 결국 합병은 성사되지 않았습니다. 양측의 기술 방향성과 투자자 구조, 그리고 각각의 고객 파이프라인이 충분히 달랐던 게 주요 이유로 알려져 있어요.

    이 사건이 실무자 입장에서 시사하는 건 뭘까요? 국내 AI 반도체 생태계가 아직 파편화돼 있고, 한 벤더에 전사적으로 베팅하기에는 트랙 레코드가 충분히 쌓이지 않았다는 거예요. 퓨리오사AI 자체의 기술력은 분명히 인정받고 있지만, 긴 납기나 소프트웨어 지원 연속성 같은 공급망 리스크는 의사결정 과정에서 꼭 체크해야 할 항목입니다.

    한편으로는 이 경쟁 구도가 결과적으로 두 회사 모두를 더 빠르게 발전시키는 동력이 되고 있기도 해요. 리벨리온이 ATOM, ATOM+를 고도화하는 동안 퓨리오사AI는 RNGD 기반의 서버 플랫폼 완성도를 높이고 있고, 국내 시장에서 실제 레퍼런스를 쌓아가는 중입니다.

    지금 시점에서 퓨리오사AI를 바라보는 현실적인 시선

    저는 퓨리오사AI를 보면서 늘 두 가지 감정이 교차해요. 하나는 ‘이 팀이 진짜 칩을 양산까지 가져왔다’는 진심 어린 존중이고, 다른 하나는 ‘소프트웨어 생태계와 공급 안정성 측면에서 아직 갈 길이 멀다’는 냉정한 판단이에요.

    엔비디아 GPU 대비 단순 성능 숫자 비교보다, 어떤 워크로드에 얼마나 안정적으로 쓸 수 있는가를 기준으로 보는 게 맞아요. RNGD가 클라우드 기업과 통신사의 실 서비스에서 일정 트래픽을 안정적으로 소화하는 레퍼런스를 몇 개 더 쌓는다면, 평가는 빠르게 달라질 수 있습니다.

    AI 인프라를 기획하거나 조달하는 분이라면, 지금 단계에서 퓨리오사AI는 ‘메인 스택 교체’ 대상이 아니라 ‘병행 검토 및 파일럿’ 대상으로 두는 게 현실적이에요. 하지만 2~3년 후를 내다보면서 포트폴리오를 다변화하는 관점에서는, 지금부터 SDK를 직접 만져보고 기술팀과 관계를 쌓아두는 게 분명히 의미 있는 투자라고 생각합니다.