여섯 건을 직접 읽었습니다. 고객 사례 발표는 광고지만, 광고 안에 숫자가 숨어 있습니다. 그 숫자만 꺼내 한국 인건비와 채산성으로 환산했습니다.
Codex 사례를 한국 인건비로 환산하면
1. Proaction boosts sales 60% and saves 75+ hours with Codex
차량 관제 스타트업 프로액션의 발표입니다. 비개발자 공동창업자가 영업 통화 녹취와 메일, 스프레드시트를 Codex에 넣어 고객 차량 구성 그대로 반영된 데모를 30분에서 45분에 뽑았고, 엔지니어링 월 40~60시간을 살렸고, 매출은 60% 늘었습니다.
진짜 숫자는 60%가 아니라 시간입니다. 국내 개발자 연봉 6,000만원을 4대 보험과 관리비 포함 원가로 환산하면 시간당 대략 3만원입니다. 월 50시간이면 150만원. AI 도구 좌석비는 이 앞에서 장난감입니다. 그런데 쇼크는 다른 데 있습니다. 시연 제작이 보통 이틀에서 30분으로 줄면, 그 격차는 곧 견적 속도이고 파이프라인 건수 그 자체입니다.
국내 B2B 조직이 훔칠 것은 툴이 아니라 구조입니다. 요구사항 정의와 시연 제작이 부서로 나뉘어 있는 한 이 회의는 견적 속도를 잃습니다. 부서를 못 바꾸면 영업 담당 임원이 직접 쓰는 판이라도 만들라는 뜻입니다.
GPT-6 Astra 사례 세 건의 공통 키워드: 컨텍스트는 자산, 추론 단계는 원가
2. Harvey, legal context를 draft 품질로 바꾼 방법
법률 AI Harvey가 공개한 것 중에 모델 성능보다 메모리 패널이 눈에 들어옵니다. 변호사별 취향, 번호 목록이나 EDGAR 우선, 우선순위 색상 같은 규칙을 저장해 초안에 관철시키는 장치입니다. 컨텍스트창이 길어졌다는 주장보다 이 구조가 중요합니다.
모델은 모든 회사가 빌리지만 취향 데이터는 자기 몫이기 때문입니다. 3년 뒤 법률 AI 격차는 모델이 아니라 사무소별 선호 축적을 누가 점유했느냐로 갈립니다. 국내 로펌과 리걸테크에 던지는 질문도 같아집니다. 오늘 변호사 입에서 나온 수정 지시가 데이터로 등록되고 있습니까, 아니면 그냥 고치고 끝납니까. 등록되는 것만 모입니다.
3. invideo, color 보정 성공률이 3배 오른 계산서
영상 편집 에이전트 invideo가 색보정류 성공률 3배 상승을 발표했습니다. 그 문장보다 다른 한마디가 계산기에 박힙니다. 같은 작업을 훨씬 적은 추론 단계로 끝낸다.
에이전트 제품에서 추론 단계는 그대로 매출원가입니다. 20단계 작업을 4단계로 줄이면 그 서비스의 총이익률이 단계 감소 배율로 뜁니다. 이번 시리즈는 성능 발표가 아니라 원가 구조 개편 발표로 읽어야 합니다. 자체 에이전트를 굴리는 팀은 오늘 같은 작업의 평균 단계 수를 세어두세요. 반 년 뒤 모델 세대 비교표에서 이 숫자가 단위 경제성을 대신 증명합니다.
4. Airbnb, 모델 접근 확대를 발표하며 공개한 숫자 두 개
숫자 두 개가 핵심입니다. 코딩이 아닌 전략 문서 작업에서 다른 모델 20회 넘게 고치던 게 3~4회로 끝났다. 그리고 채용을 늘리지 않고 출시 기능이 전년 대비 80% 늘었다.
첫 번째 숫자는 엔터프라이즈 계약 협상의 순서를 바꿉니다. 좌석당 가격보다 시도 횟당 성공률을 걸어야 합니다. 4회면 끝날 일에 25회 값을 줄 수는 없으니까요. 계약서에 넣을 항목은 사용자가 아니라 통과 횟수입니다. 두 번째 숫자는 채용 동결 조직의 논리입니다. 채용이 막혀 있으면 인원당 산출량 증가가 곧 채용이고, 80%는 그 증명서입니다.
챗GPT 광고: 한국은 이미 판 안이다
5. ChatGPT Ads expands to Southeast Asia and Taiwan
동남아 7개국 추가가 이번 뉴스지만, 한국은 이미 앞선 배포 대상에 들어 있었습니다. 무료와 Go 플랜에만 광고가 뜨고 Plus와 Pro, Enterprise는 광고 없음. 대행사 쪽은 dentsu, Publicis, WPP가 붙었습니다.
구매 문맥이 검색창 키워드에서 대화 문단으로 이동하는 게 본질입니다. 같은 상품 문의도 채팅은 발화가 두 배 이상 길고, 광고 소재와 랜딩 길이도 같이 늘어나야 합니다. 검색 지면은 포화라 입찰 단가가 이미 비싸고, 대화형은 초기라 상대적으로 쌉니다. 국내 마케터에게 이번 분기의 실험 과제는 하나입니다. 검색 광고 예산의 5%를 떼어 대화형에 붙이고, 전환율을 같은 기준으로 비교하는 것.
transformers가 GGUF를 삼켰다: 병목은 RAM으로 이동한다
6. Transformers now runs llama.cpp quants
허깅페이스가 GGUF를 from_pretrained로 바로 받는다고 발표했습니다. llama.cpp의 ggml 커널을 재사용해 속도를 맞췄고, Qwen3.5 4B 기준 BF16 8.42GB가 Q4_K_M에서 2.74GB로 줄어드는 표를 실었습니다. 1순위는 애플 실리콘, Qwen3.5 아키텍처. transformers serve로 OpenAI 호환 서버까지 나옵니다.
하드웨어 관점의 결론은 하나입니다. llama.cpp가 독점하던 성능이 표준 파이썬 생태계와 합쳐지는 순간, 로컬 추론은 실험실에서 개발 의무 장비로 편입됩니다. 첫 병목은 GPU가 아니라 통합메모리 용량입니다. 이미 32GB 맥북에서 27B급을 돌리는 사례가 인용되죠. DRAM 현물가가 AI 사이클의 선행지표라는 시각과 정확히 겹칩니다. 앞서 제가 산대한 4090도 결국 다음 세대의 메모리 용량 문제로 돌아오고요.
그래서 추천은 단순합니다. 다음 조립에서 VGA 한 단계 대신 DDR 한 단계 늘리세요. 모델이 작아지는 게 아니라 같은 메모리에 더 많이 올려서 쓰는 방향으로 가고 있습니다.
댓글 남기기