GaJiGotJi | 투자·경제 지식 쌓기

아침 코스피를 보면서 겁이 났다. "또 빠지네". 시작부터 2% 넘게 밀리더니 장중에는 낙폭이 3%를 넘어갔다. 그런데 오후가 되니 이상하다. 슬금슬금 올라오더니 종가는 오히려 6,742.74, +0.68% 로 끝났다. 점심 먹는 사이에 무슨 엄청난 호재라도 터졌나? 그건 아니었다. 엔비디아 실적은 아직 나오지도 않았다. 원/달러 환율이 갑자기 편안해진 것도 아니고, 외국인은 오히려 코스피에서 3조 8,200억원 가량을 팔았다. 그럼 아침에 그렇게 겁을 먹었던 이유는 어디로 간 거지? 오늘 시장 자료와 미국 기술주 흐름을 따라가 보니 이번에는 수급 숫자보다 한 가지가 더 있었다. AI가 계속 성장하느냐보다, AI에 쏟아붓는 막대한 돈이 실제 이익으로 돌아올 수 있느냐. 요즘 시장이 엔비디아 실적을 기다리면서 예민해진 부분은 바로 이쪽에 가까워 보인다. AI는 잘 팔리고 있다. 그런데 시장은 왜 불안해졌을까 조금 묘하다. AI 수요가 사라졌다는 뉴스가 나온 것도 아니다. 엔비디아의 분기 매출은 이번에도 큰 폭의 성장이 예상되고 있다. 그런데 시장 분위기는 몇 달 전처럼 “AI니까 무조건 좋다”는 쪽에서 조금씩 달라지고 있다. 이유는 돈이다. 정확히는 AI에 들어가는 돈과 AI가 벌어오는 돈 사이의 시간차 다. AI 데이터센터 하나를 늘리려면 GPU만 사는 게 아니다. 서버가 필요하고 HBM이 들어가고, 전력망을 깔고, 냉각설비를 붙이고, 건물과 네트워크까지 갖춰야 한다. 돈이 어마어마하게 먼저 들어간다. 그런데 이 돈을 쓴 뒤 기업이 언제부터 충분한 현금을 벌 수 있느냐는 또 다른 문제다. 최근 알리바바가 보여준 숫자가 꽤 상징적이다. AI와 클라우드 사업 매출은 빠르게 늘었는데, AI 인프라 투자가 크게 증가하면서 분기 순이익은 전년 대비 75% 감소했다. 사업이 망해서 이익이 줄어든 게 아니다. 미래를 위해 지금 돈을 엄청...

독파모? 처음에는 이름부터 감이 안 왔다. 업스테이지는 또 회사 이름인가? 이게 추론 AI를 만드는 건지, 휴머노이드 로봇에 들어갈 두뇌를 만드는 건지도 헷갈렸다. 그런데 중국의 Kimi 와 알리바바의 Qwen 을 함께 생각해보니 얼추 감은 오는 듯 했다. 아하, 이거구나. 한국도 남의 AI만 가져다 쓰지 말고 우리 손으로 기본 AI 두뇌를 만들어보자는 이야기 였다. 독파모를 가장 쉽게 설명하면 중국에 Kimi와 Qwen이 있고 미국에 GPT·Gemini·Claude 같은 AI 모델이 있다면, 한국도 Solar·A.X·EXAONE 같은 자체 AI 파운데이션 모델을 세계 수준으로 키우자 는 프로젝트다. 독파모, 도대체 무슨 뜻이야? 독파모는 '독자 AI 파운데이션 모델' 을 줄여 부르는 말이다. 여기서 또 '파운데이션 모델'이라는 말이 튀어나온다. AI 공부 좀 해보려 하면 영어가 한 놈씩 꼭 끼어든다. 어렵게 생각할 필요는 없다. 파운데이션 모델은 여러 종류의 AI 서비스를 만들어낼 수 있는 기본 두뇌 라고 이해하면 된다. 질문에 답하고, 글을 쓰고, 긴 문서를 읽고, 수학 문제를 풀고, 코딩하고, 사진을 이해하고, 필요한 도구를 불러서 일을 처리하는 능력의 밑바탕이다. 자동차로 치면 완성차 한 대라기보다 여러 차종을 만들 수 있는 엔진과 플랫폼 에 가깝다. 그래서 독파모는 '한국판 챗봇 하나를 뽑는 대회'가 아니다. 한국에서 개발한 AI 모델을 바탕으로 앞으로 기업용 AI도 만들고, AI 에이전트도 만들고, 제조·의료·국방·금융 같은 산업용 서비스도 만들 수 있게 하자는 것이다. 그럼 중국 Kimi·Qwen하고 비슷한 건가? 이렇게 물으면 이해가 훨씬 빨라진다. 큰 틀에서는 그렇다. 중국의 Moonshot AI는 Kimi를 개발하고 있고, 알리바바는 Qwen이라는 AI 모델 계열을 키우고 있다. ...

AI가 보고서를 쓰고 데이터를 정리해도 사람이 할 일은 남습니다. 무엇을 해결하려는지 정하고, AI가 만든 결과가 그 목적에 맞는지 판단하는 일 입니다. 일을 빨리 하는 것과 필요한 일을 하는 것은 다르기 때문입니다.   목차 열심히 했는데 필요 없는 일이었다 AI에 맡기기 전에 먼저 정해야 할 것 AI 시대에 사람에게 남는 역할 AI를 쓰는 조직일수록 리더가 해야 할 일    열심히 했는데 필요 없는 일이었다 예전에 다른 본부에서 데이터 분석에 필요하다며 여러 부서에 자료를 요청한 적이 있었습니다. 받아 본 엑셀은 AF열까지 이어졌습니다. 문제는 양이 아니었습니다. 각 컬럼이 무엇을 뜻하는지 제대로 정의돼 있지 않았습니다. ERP의 어느 데이터를 가져와야 하는지, 완제품 기준인지 구성품 기준인지도 분명하지 않았습니다. 같은 항목을 놓고 부서마다 다른 숫자를 제출할 수 있는 구조였습니다. 이런 상황에서는 엑셀을 빨리 작성하는 것이 해결책이 아니라고 생각했습니다. 관련 부서와 회의를 하면서 먼저 물었습니다. “이 자료로 최종적으로 무엇을 보려고 합니까?” 그리고 최종 분석 보고서를 보여 달라고 요청했습니다. 보고서를 확인하니 이상한 점이 바로 보였습니다. 최종 보고서는 완제품 기준 으로 작성되고 있었는데, 각 부서에 요청한 엑셀에는 구성품 단위의 상세 데이터 가 상당수 들어 있었습니다. 보고서에서 쓰지도 않을 자료를 찾느라 여러 부서가 ERP를 뒤지고 엑셀을 채우고 있었던 것입니다. 누군가 일을 대충해서 생긴 문제가 아니었습니다. 오히려 모두 열심히 하고 있었습니다. 처음에 왜 이 자료가 필요한지를 충분히 확인하지 않은 것이 문제였습니다.   AI에 맡기기 전에 먼저 정해야 할 것 지금 같은 일이 생긴다면 예전보다 훨씬 빨리 처리할 수 있습니다. 생성형 AI에 엑셀 구조를 보여주고 데이터를 정리하게 할 수 있습니다. 함수도 만들 수 있고, ...