이 영상은 2026년 5월 30일에 녹화된 것으로, 최근 AI 업계의 주요 동향과 함의를 노정석님과 최승준님이 대담하는 형식으로 다룹니다.

1. LLM 개발 주기의 단축 및 '두 달 리듬'의 무의미화
Anthropic의 Opus 4.8이 Opus 4.7 출시(4월 16일) 이후 불과 43일 만인 5월 말에 기습적으로 출시되면서, 기존에 예상되던 '두 달' 주기의 모델 출시 및 retire 패턴이 무너지고 있음을 지적합니다. Dwarkesh나 Sam Altman 등이 언급했던 이 '두 달 리듬'은 프론티어 모델의 배포 및 교체 주기를 의미했으나, 현재는 발전 속도가 가속화되어 이 주기가 계속 단축되고 있습니다. 이는 기술 발전 속도가 무한히 증가하는 '싱귤래리티(Singularity)' 지점을 향해 가고 있다는 예측과 맥을 같이 합니다.

2. Anthropic의 전략 변화 및 향후 계획
Opus 4.8은 이전 모델 대비 '작지만 체감할 수 있는 개선'을 이루면서도 효율화된 형태를 띠고 있습니다. Anthropic은 현재 일부 소수 조직에 제공 중인 'Mythos Preview' 모델을 앞으로 몇 주 안에 모든 고객에게 공개할 예정이며, 이는 Opus와 동일한 역량을 더 낮은 비용으로 제공하거나, 더 높은 지능을 갖춘 새로운 계열의 모델이 될 것이라고 밝힙니다. 이는 모델 라인업의 체급 조정을 시사하며, Mythos가 새로운 Opus의 위치를, 기존 Opus가 Sonnet의 위치를 대체하는 형태가 될 것으로 예상됩니다. 이는 여름 또는 초가을에 걸쳐 AI 모델 시장에 큰 변화를 가져올 것으로 전망됩니다.

3. Google I/O와 Gemini 3.5 Flash: Latency 및 효율성 강조
Google I/O에서는 Gemini 3.5 Flash가 주역으로 소개되었습니다. 이는 대형 모델의 성능 유지와 더불어 '빠르고 좋은 모델'이라는 개념처럼 Latency와 효율성에 중점을 둔 모델입니다. Varun Mohan의 Doom 구동 데모를 통해 Gemini 3.5 Flash가 93개의 sub-agent와 15,000번의 model call을 사용하여 custom kernel, filesystem, driver를 처음부터 작성하고 Doom을 부팅하는 'long-horizon' 작업을 낮은 토큰 소모로 해내는 능력을 강조했습니다. 이는 단순히 모델의 성능을 넘어, 실제 작업 환경에서의 실용성과 효율성이 중요해지고 있음을 보여줍니다.

4. Dynamic Workflows와 'Code as Harness' 개념 (Agentic Workflow의 진화)
Anthropic은 Opus 4.8과 함께 'Dynamic Workflows'를 선보였습니다. 이는 LLM이 자체 context 내에서 sub-agent를 조율하는 방식이 아니라, 외부의 JavaScript 스크립트와 같이 '결정적인 코드(decisive tools)'를 통해 전체 오케스트레이션(orchestration)을 제어하는 방식입니다. 이를 통해 모델의 '게으름'이나 '환각(hallucination)'을 줄이고, 보다 정밀하게 워크플로우를 통제할 수 있습니다.
이 개념은 'Code as Harness'로 요약될 수 있으며, 다음과 같은 기존 연구 및 개념들과 연관됩니다.

• Recursive Language Models (RLM) / DSPy: LLM이 코드 실행 및 재귀적인 sub-LLM 호출을 가능하게 합니다. DSPy는 프롬프트 자체의 성능을 메타 옵티마이저(meta-optimizer)로 최적화하는 'auto-research' 개념을 포함합니다.
• Managed Agents: 세션 추상화(session abstraction)를 context 밖의 객체로 두고 샌드박스(sandbox)와 REPL(Read-Eval-Print Loop) 환경을 활용합니다.

Dynamic Workflows는 이러한 아이디어들을 바탕으로 LLM에게 작업을 맡겼을 때 발생하는 불확실성을 줄이고, 장기 실행 작업(long-horizon tasks)을 보다 안정적으로 수행하기 위한 구조적인 접근 방식입니다. 이는 Google의 Gemini 3.5 Flash 데모에서도 유사한 'scaffold' 또는 'harness'를 활용하여 long-horizon task를 수행했으리라는 추측을 가능하게 합니다.

5. AI와 수학의 상호작용: '지능 증강(Intelligence Augmentation)'의 사례
5월 중순, OpenAI의 내부 모델이 Erdos 문제 중 하나를 해결하면서 수학계에 큰 파장을 일으켰습니다. 흥미로운 점은 OpenAI 모델이 Erdos 문제를 해결한 이후, 인간 수학자들이 AI 해법과 관련된 방법론(예: 서로 다른 수학 분야의 문헌을 연결하는 방식)을 활용하여 다른 중요한 수학 문제를 해결했다는 것입니다 (Timothy Gowers). 이는 AlphaGo 이후 인간 바둑 기사들의 실력이 향상된 것과 유사하게, AI가 인간의 '탐색 공간(exploration space)'과 '직관(intuition)'을 확장시키는 '지능 증강'의 사례로 해석됩니다. AI가 단순히 문제를 푸는 것을 넘어, 인간의 창의성 지형을 변화시키고 있음을 시사합니다.

6. '생성형 인지 저하(Generative Cognitive Decline)'와 '지능 증강'의 양면성
AI 사용이 늘면서 '생성형 인지 저하'에 대한 우려가 제기됩니다. LLM에게 사고 과정을 위임하면서 인간의 생각하는 힘이나 근육이 줄어들 수 있다는 것입니다. 그러나 동시에 AI가 인간의 능력을 획득하고 증강시키는 '지능 증강'의 사례도 나타나고 있습니다. 이는 기술이 격차의 도구로 작용하는 양면성을 보여주며, 궁극적으로는 평균적인 능력 수준을 높여 격차를 줄이는 방향으로 나아갈 수 있다는 관점도 제시됩니다. 이는 과거에 육체노동을 대체했던 기계(예: 포크레인)가 새로운 종류의 자격증과 능력을 요구하게 된 것처럼, 지식 산업에서도 문제 해결 방식과 요구되는 능력이 근본적으로 변화하고 있음을 의미합니다.

7. OpenAI와 Anthropic의 'Product-Market Fit' 및 시장 확장
Simon Willison의 분석에 따르면, OpenAI(703개)와 Anthropic(390개)의 활발한 채용 공고는 이들이 제품-시장 적합성(product-market fit)을 찾았음을 보여줍니다. 기업 고객들이 API 비용을 지불하며 AI 모델에 '록인(lock-in)'되고 있고, 이는 두 회사가 IPO를 준비하는 과정에서 흑자 전환 가능성을 시사합니다. 토큰 가격은 단기적으로 상승하고 있지만, 장기적으로는 전기처럼 보편화되고 낮아질 가능성이 높다는 견해도 있습니다.

8. '엔지니어' 개념의 변화와 AI 네이티브 인재의 등장
AI 시대에는 '엔지니어'라는 용어의 의미가 확장되고 있습니다. 단순히 코딩을 하는 사람을 넘어, Claude Code와 같은 AI 도구를 사용하여 다양한 도메인의 문제를 해결하는 '문제 해결사(problem solver)' 또는 '단위 사업의 사업가(unit business entrepreneur)'의 역량이 중요해지고 있습니다. AWS, 웹 서버, Redis, DB 최적화 등 다양한 기술 스택에 대한 이해와 고객의 문제를 파악하는 능력을 갖춘 사람이 AI 도구를 활용할 때 더욱 강력한 문제 해결자가 됩니다. AI는 이러한 암묵지(tacit knowledge)를 Workflow 내에 쌓아 encapsulation 시키므로, 전통적인 엔지니어링 역량 자체가 하위 레이어로 내려가게 됩니다. 이러한 변화는 'AI native talent'라는 새로운 인재 유형의 등장을 예고합니다.

9. AI 붐의 지속 가능성과 미래 전망
현재 AI 붐은 과거 인터넷이나 모바일 시대의 초기와 유사하게, 칩(NVIDIA, Hynix), 플랫폼(iPhone, Android), 애플리케이션(Uber, KakaoTalk)으로 이어지는 발전 단계를 밟고 있다는 비유가 제시됩니다. AI는 '지능(intelligence)'이라는 특성상 인간의 욕구가 무한하므로 수요의 상방이 없다는 Vinod Khosla의 관점을 인용하며, 현재의 AI 붐이 시작에 불과하다는 긍정적인 전망을 내놓습니다. 여름에는 Anthropic의 Mythos, Google의 Gemini 3.5 Pro, OpenAI의 GPT-5.5/5.6 등 메이저 플레이어들의 신규 모델 출시가 예상되며, 이는 또 한 번의 큰 변화와 함께 기존 시스템의 마이그레이션(migration) 및 재정비라는 과제를 안겨줄 것으로 보입니다.

결론적으로, 이 대담은 AI 기술 발전의 가속화, 모델 개발 주기의 단축, 에이전트 기반 작업 흐름의 진화, AI가 인간의 능력을 증강시키는 방식, 그리고 AI 시장의 성장과 함께 변화하는 인재상에 대한 심도 있는 통찰을 제공합니다.