기본

Generative AI

제너레이티브 AI

AI 활용 분야에서 쓰이는 용어로, 글·이미지·코드·음성·영상처럼 새로운 콘텐츠를 사람의 요청에 따라 생성해 내는 AI(Artificial Intelligence, 인공지능) 기술 전반을 가리킵니다.

쉬운 풀이

팀플 발표 자료를 처음부터 다시 디자인해 달라고 시키면 슬라이드·이미지·대본까지 한 번에 만들어 주는 도우미가 생성 AI예요. 학교에 비유하면, 작년 선배가 만든 보고서 수만 건을 읽은 조교가 옆에 앉아 있다가 주제만 던지면 새 초안을 즉석에서 그려 주는 셈입니다. 검색은 기존 자료를 찾아 주지만, 생성 AI는 질문에 맞춰 새 글·새 그림·새 코드를 직접 만들어 낸다는 점이 다릅니다. ChatGPT, Midjourney, Sora처럼 우리가 자주 듣는 이름들이 모두 이 범주에 들어가요.

한 줄 비유

모든 양식·도면·매뉴얼을 본 신입이 새 초안을 그려내는 도구입니다.

활용 예시

Case 1

Klarna — 생성 AI 고객 응대 어시스턴트

스웨덴 핀테크 Klarna는 OpenAI 기반 어시스턴트를 도입해 출시 첫 달 동안 230만 건의 상담을 처리했습니다. 평균 응대 시간은 11분에서 2분으로 줄었고, 23개 시장·35개 언어를 동시에 다루는 구조로 운영됩니다.^[4] 회사는 2024년 한 해 동안 약 4천만 달러 규모의 수익 개선 효과를 전망했습니다. 정형 문의가 많은 CS 조직에서 인력을 늘리지 않고 처리량을 키우는 적용처가 분명합니다.

Case 2

삼성전자 — 사내 생성 AI 「삼성 가우스」

삼성전자는 2023년 11월 자체 개발한 생성 AI 모델 「삼성 가우스」(Samsung Gauss)를 공개하고, 2023년 12월부터 사내 업무에 적용했습니다.^[5] 가우스는 문서 요약·번역을 담당하는 Language, 코딩 보조 도구 code.i를 구동하는 Code, 이미지 생성을 담당하는 Image 세 모듈로 구성되며, 사내 데이터를 외부 클라우드로 보내지 않는 온디바이스 처리를 전제로 설계되었습니다.^[5] 보안 요건이 강한 제조·R&D 조직의 문서·코드 작업에 적용처가 있습니다.

Case 3

GitHub Copilot — 코드 생성 생산성 검증

GitHub와 Accenture가 4,800명의 개발자를 대상으로 진행한 연구에서, Copilot 사용 그룹은 동일 과제를 평균 2시간 41분에서 1시간 11분에 완료했습니다.^[6] 시간 단축률은 55%로, 통계적 유의성(P=0.0017)까지 확보되었습니다.^[6] 엔터프라이즈 환경에서는 풀 리퀘스트 개시까지의 평균 시간이 9.6일에서 2.4일로 줄었다는 결과도 함께 보고되었습니다. 반복 보일러플레이트가 많은 개발 조직에서 처리량을 늘리는 적용처가 분명합니다.

Case 4

McKinsey 2024 설문 — 글로벌 도입률 65%

McKinsey가 2024년 발표한 「The State of AI in early 2024」 설문에서 응답 조직의 65%가 생성 AI를 정기적으로 사용한다고 답했습니다. 10개월 전 조사 대비 거의 2배 수준이며, 마케팅·세일즈와 제품·서비스 개발이 가장 빈번한 적용 영역으로 집계됐습니다.^[7] Gartner는 같은 해 하이프 사이클에서 생성 AI가 「환멸의 골(Trough of Disillusionment)」 구간에 진입했다고 평가하며, 다음 과제로 ROI(Return on Investment, 투자 대비 효과) 검증을 지목했습니다.^[8] 도입은 정착 단계로 들어섰고, 가시적 사용처 정의가 우선되는 적용처가 있습니다.

참고사항

자사 업무 중 「초안 작성」이 들어가는 작업 10개(이메일·보고서·계약서 비교표·고객 응답 등)를 목록화하고 우선순위를 매깁니다.
같은 업무 지시문을 ChatGPT·Claude·HyperCLOVA X 세 모델에 동일하게 던져 결과 품질·톤·정확성을 비교 메모합니다.
McKinsey 「The Economic Potential of Generative AI」(2023) 보고서를 다운로드해 자사 산업·기능(63개 활용 사례 중 하나)에 해당하는 챕터를 정독합니다.
사내 보안 정책을 확인하고, 외부 API 사용이 어려운 경우 온프레미스·VPC 옵션(엑사원, 삼성 가우스, OpenAI Enterprise) 견적을 받아 비교표를 만듭니다.
도입 PoC(Proof of Concept, 개념 검증)용 KPI를 「처리 시간·재작업 비율·만족도」 3개 지표로 정의하고 4주 단위 측정 계획을 작성합니다.

생성 AI는 학습되지 않은 사실을 그럴듯하게 만들어 내는 환각(hallucination, 사실이 아닌 내용을 그럴듯하게 지어내는 현상), 학습 데이터의 저작권·출처 문제, ROI 입증 난항이라는 세 가지 한계를 안고 있습니다. Gartner의 2024년 하이프 사이클은 평균 190만 달러를 투자한 조직 중 30% 미만의 CEO만이 ROI에 만족했다고 보고하며, 「환멸의 골」 진입을 공식화했습니다.^[8] McKinsey도 가치의 약 75%가 고객 운영·마케팅·소프트웨어 엔지니어링·R&D 4개 기능에 집중된다고 분석해, 무작위 도입의 비효율성을 지적합니다.^[9] 즉, 빠른 도입 자체가 곧 좋은 결과를 보장하지는 않습니다.^[8]

진화 방향은 세 갈래로 보입니다.

멀티모달화로 텍스트·이미지·음성·영상이 한 모델 안에서 동시에 처리되는 흐름입니다. Midjourney는 2024년 이미지 모델, OpenAI는 Sora로 영상 생성 영역까지 확장하며 단일 입력에서 여러 형태의 산출물을 만드는 방향이 가속화됐습니다.^[10]
온디바이스·소형 모델 경량화로 삼성 가우스처럼 사내 데이터를 외부로 보내지 않는 폐쇄형 배포가 늘고 있습니다.^[5]
에이전트화로 단순 생성이 아닌 도구 호출·다단계 실행이 가능한 형태로 진화 중이며, McKinsey는 2025년 보고서에서 AI 에이전트와 「AI-ready 데이터」를 다음 단계 핵심으로 지목했습니다.^[9] 보는 시각에 따라서는, 생성 AI의 다음 경쟁축이 모델 성능 자체가 아니라 적용 워크플로의 설계 역량으로 옮겨 가고 있다는 분석도 있습니다.^[9]

이 용어와의 관계

유사 개념
Throughput같은 기본 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
Latency같은 기본 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
SWE-bench같은 기본 갈래에서 자주 함께 등장하는 개념입니다.