[1강] 생성형 AI란 무엇인가 — 검색과 무엇이 다르고, 왜 지금 모두가 쓰는가

01

3년 만에 세상을 바꾼 도구 — 왜 지금 생성형 AI인가

생성형 AI라는 말이 일상어가 된 것은 사실 얼마 되지 않았습니다. 출발점은 2022년 11월 30일, OpenAI가 ChatGPT를 일반에 공개한 날입니다. 그 전까지 인공지능은 연구실과 일부 서비스 뒤편에 숨어 있었지만, "대화하듯 질문하면 답을 만들어 주는" 경험이 처음으로 누구나 손에 쥘 수 있는 형태가 되면서 폭발적으로 번졌습니다.

그 확산 속도는 기록적이었습니다. ChatGPT는 공개 5일 만에 사용자 100만 명을 넘겼고, 약 두 달 만에 월간 사용자 1억 명에 도달했습니다. 투자은행 UBS는 이를 두고 "역사상 가장 빠르게 성장한 소비자 애플리케이션"이라고 평가했습니다. 같은 1억 사용자를 모으는 데 틱톡은 약 9개월, 인스타그램은 약 2년 반이 걸렸던 것과 비교됩니다.

요컨대 생성형 AI는 "한때의 유행"을 넘어, 일하는 방식과 배우는 방식의 기본 도구로 자리 잡는 중입니다. 그렇다면 이 도구의 정체는 정확히 무엇일까요? 김지백 강사는 강의 현장에서 "쓰기 전에 정체부터 아는 사람이 결국 가장 잘 쓴다"고 강조합니다. 정의부터 차근히 보겠습니다.

02

생성형 AI란 무엇인가 — 정의와 'AI 가족' 안에서의 위치

생성형 AI(Generative AI)란, 사람이 입력한 요청을 이해하고 글·이미지·영상·음악·코드 같은 새로운 결과물을 만들어 내는 인공지능을 말합니다. 핵심 단어는 '생성(Generative)' — 기존 데이터를 분류하거나 예측만 하는 것이 아니라, 세상에 없던 콘텐츠를 새로 만들어 낸다는 뜻입니다.

인공지능이라는 큰 가족 안에서의 위치를 잡아 보면 이해가 쉽습니다. 가장 넓은 개념이 인공지능(AI)이고, 그 안에 데이터로 규칙을 스스로 학습하는 머신러닝이 있으며, 다시 그 안에 인간의 뇌 신경망을 본뜬 딥러닝이 있습니다. 생성형 AI는 이 딥러닝 기술을 바탕으로, 특히 글을 다루는 거대 언어 모델(LLM, Large Language Model) 위에서 작동합니다. ChatGPT, Claude, Gemini가 모두 이 LLM 기반 서비스입니다.

과거의 AI는 대부분 "분류하고 판단하는" 역할이었습니다. 스팸 메일을 걸러내고, 사진 속 고양이를 알아보고, 다음 달 매출을 예측하는 식이었죠. 생성형 AI가 가져온 결정적 변화는 여기에 "만들어 낸다"가 더해진 것입니다. 판단을 넘어 창작과 작성이 가능해지면서, 보고서 초안·이메일·그림·작곡까지 사람의 손이 닿던 영역으로 성큼 들어왔습니다.

한 가지 더 알아두면 좋은 점은, 요즘 생성형 AI가 대부분 '파운데이션 모델(기반 모델)' 위에 서 있다는 것입니다. 하나의 거대한 모델을 방대한 데이터로 미리 학습시켜 두고, 그 위에서 글쓰기·번역·요약·코딩 등 다양한 작업을 두루 처리하게 하는 방식입니다. 그래서 우리는 작업마다 다른 프로그램을 따로 배울 필요 없이, 같은 AI에게 말로 부탁하기만 하면 됩니다. '하나의 도구로 여러 일을 한다'는 이 범용성이야말로 생성형 AI가 이토록 빠르게 퍼진 또 하나의 이유입니다.

03

검색과 무엇이 다른가 — 가장 흔한 오해

입문자가 가장 많이 하는 오해가 "생성형 AI는 똑똑한 검색"이라는 생각입니다. 둘은 닮은 듯 보이지만 작동 방식이 근본적으로 다릅니다. 검색은 인터넷에 이미 존재하는 문서들 중 관련 있는 페이지 목록을 찾아 보여 주고, 그중 무엇이 답인지는 우리가 직접 읽고 골라야 합니다. 반면 생성형 AI는 질문에 대한 답 자체를 문장으로 새로 써 줍니다.

또 하나 큰 차이는 '대화'입니다. 검색은 검색어를 바꿔 가며 매번 처음부터 시작하지만, 생성형 AI는 앞의 대화를 기억한 채 "더 짧게", "표로 정리해줘", "임원 보고용 말투로"처럼 이어서 다듬을 수 있습니다. 마치 옆자리 동료에게 일을 부탁하고 피드백을 주고받듯 협업하는 것이 생성형 AI의 진짜 특징입니다.

그렇다고 검색이 필요 없어진 것은 아닙니다. 최신 뉴스, 정확한 통계, 공식 출처가 중요할 때는 검색이 여전히 강합니다. 실제로 둘은 점점 합쳐지는 중이라, 구글 검색과 연동된 Gemini나 검색 기능을 갖춘 ChatGPT처럼 "찾기 + 만들기"를 한 번에 하는 형태도 늘고 있습니다.

04

어떻게 답을 '만들어' 내는가 — 다음 단어 예측의 원리

생성형 AI를 잘 쓰려면 "어떻게 답을 만드는가"를 한 번은 짚고 가야 합니다. 어렵지 않습니다. 거대 언어 모델은 인터넷의 방대한 글을 학습하면서 "이 말 다음에는 보통 어떤 말이 오는가"를 익힙니다. 그리고 답을 만들 때는 한 단어(정확히는 '토큰')씩, 가장 그럴듯한 다음 말을 확률적으로 골라 이어 붙입니다.

예를 들어 "아침에 일어나서 나는 ___"라는 문장이 있으면, AI는 학습한 패턴을 바탕으로 '커피를', '세수를', '출근', '물을' 같은 후보 중 확률이 높은 말을 골라 문장을 완성해 갑니다. 이 과정을 엄청난 규모로, 아주 빠르게 반복하는 것이 답변 생성의 본질입니다. 그래서 생성형 AI는 "정답을 데이터베이스에서 꺼내 오는" 것이 아니라, "그럴듯한 문장을 그 자리에서 새로 써 내려가는" 것에 가깝습니다.

조금 더 구체적으로 그려 볼까요? 우리가 "건강에 좋은 아침 식단 알려줘"라고 입력하면, AI는 그 말 뒤에 올 법한 단어들을 확률적으로 이어 갑니다 — '계란', '오트밀', '제철 과일'… 이런 식으로요. 누군가 정답표를 펴 놓고 베껴 주는 것이 아니라, 학습한 수많은 글에서 '이런 질문에는 보통 이런 답이 따라온다'는 패턴을 끌어와 문장을 빚어내는 것입니다. 결과가 놀랍도록 그럴듯한 이유도, 동시에 '그럴듯함'이 곧 '정확함'은 아니라는 한계도 모두 같은 원리에서 나옵니다.

이 원리를 알면 두 가지가 단번에 이해됩니다. 첫째, 왜 같은 질문에도 매번 답이 조금씩 다른가 — 확률적으로 단어를 고르기 때문입니다. 둘째, 왜 AI가 자신 있게 틀리는가 — 정답을 검증하는 게 아니라 '그럴듯함'을 이어 붙이다 보니, 사실이 아닌 내용도 매끄러운 문장으로 만들어 버립니다. 이렇게 없는 사실을 지어내는 현상을 환각(hallucination)이라 하며, 이 시리즈 6강에서 다루는 핵심 주제입니다.

05

무엇을 만들 수 있나 — 글을 넘어 이미지·영상·음악까지

초기의 생성형 AI는 주로 '글'을 다뤘지만, 지금은 거의 모든 종류의 콘텐츠로 확장됐습니다. 입문자가 알아둘 대표 영역은 다음과 같습니다.

• 글(텍스트) — 요약·번역·이메일·보고서 초안·아이디어. 가장 안정적이고 활용도가 높은 영역입니다. (시리즈 4강)
• 이미지 — 설명만으로 그림·일러스트·사진풍 이미지를 생성합니다. (5강)
• 영상 — 짧은 장면을 글 설명으로 만들어 냅니다. 아직 생성이 무겁지만 빠르게 발전 중입니다. (5강)
• 음악·음성 — 가사와 분위기를 주면 작곡을 하고, 글을 자연스러운 음성으로 읽어 줍니다. (5강)
• 코드 — 프로그램 코드를 작성·수정합니다. 비개발자도 간단한 도구를 만들 수 있게 되었습니다. (자료실 '에이전틱 코딩' 참고)

중요한 것은, 이 모든 영역에서 우리가 다루는 방법의 원리가 똑같다는 점입니다. "무엇을, 어떤 조건으로 만들지"를 말로 설명하면 AI가 결과물을 만들어 줍니다. 그 '설명하는 법'이 바로 다음 강에서 배울 프롬프트이고, 이 시리즈의 핵심 기술입니다.

실제로 이렇게 쓰입니다 — 일상 속 장면들

추상적으로 느껴진다면, 사람들이 매일 어디에 쓰는지 보면 단번에 와닿습니다.

• 직장 — 회의록을 핵심만 요약하고, 보고서·이메일 초안을 만들고, 외국어 메일을 자연스럽게 다듬고, 막히는 엑셀 수식을 물어봅니다.
• 학교·공부 — 어려운 개념을 쉬운 말로 다시 설명받고, 긴 자료를 요약하고, 문제 풀이 과정을 단계별로 확인합니다.
• 일상 — 여행 일정을 짜고, 식단·운동 계획을 받고, 축하 문구나 자기소개 글을 다듬습니다.
• 창작 — 블로그 글의 초안을 잡고, 발표용 이미지를 만들고, 짧은 영상이나 배경 음악을 생성합니다.

공통점이 보이시나요? 모두 "사람이 처음부터 끝까지 하던 일의 '초안'을 AI가 빠르게 만들어 주고, 사람이 다듬어 완성"하는 구조입니다. AI가 사람을 대체한다기보다, 출발점을 앞당겨 주고 반복을 덜어 주는 유능한 조수에 가깝습니다. 앞서 본 스탠퍼드 「2025 AI Index」의 '업무에 생성형 AI 활용 71%'라는 숫자도, 거창한 무언가가 아니라 바로 이런 평범한 장면들이 쌓인 결과입니다.

06

대표 도구 빠르게 보기 — ChatGPT·Claude·Gemini

입문자라면 대표 세 가지만 알면 충분합니다. 셋 다 무료로 시작할 수 있고 한국어도 잘 됩니다. 자세한 선택법은 2강에서 다루고, 여기서는 큰 그림만 잡겠습니다.

처음이라면 가장 자료가 많은 ChatGPT로 시작하는 것을 권합니다. 다만 정답은 없습니다. 같은 질문을 세 곳에 똑같이 던져 답을 비교해 보면, 내 일에 맞는 도구를 가장 빨리 찾을 수 있습니다.

07

강력하지만 완벽하지 않다 — 꼭 알아야 할 3가지 한계

생성형 AI를 잘 쓰는 사람일수록 그 한계를 정확히 압니다. 처음부터 세 가지만 기억해 두세요.

① 환각 — 자신 있게 틀린다

앞서 본 '다음 단어 예측' 원리 때문에, AI는 사실이 아닌 내용을 그럴듯하게 지어낼 수 있습니다. 특히 숫자·통계·출처·인용문·법규는 한 번 더 확인해야 합니다. "그 근거(출처)가 뭐야?"라고 되묻는 습관이 큰 도움이 됩니다. (6강)

② 최신 정보에 약하다

모델은 특정 시점까지의 데이터로 학습되어, 그 이후의 사건은 모르거나 추측할 수 있습니다. 어제 환율, 오늘 뉴스 같은 실시간 정보는 검색 연동 기능을 쓰거나 원본을 직접 확인해야 합니다.

③ 편향과 민감정보

AI는 학습한 데이터에 담긴 편향을 그대로 반영할 수 있고, 입력한 내용이 저장·학습에 쓰일 수도 있습니다. 그래서 고객 정보나 회사 기밀처럼 민감한 데이터는 함부로 넣지 않아야 합니다. (7강)

이 한계들은 'AI가 부족해서'가 아니라 'AI가 작동하는 방식의 특성'입니다. 그래서 두려워하며 피하기보다, 한계가 어디에 있는지 알고 그 부분만 사람이 확인하는 것이 현명한 사용법입니다. 김지백 강사의 표현을 빌리면, "AI의 답은 정답이 아니라 잘 쓴 초안"이며, 최종 판단과 책임은 늘 사람의 몫입니다.

그렇다면 한계가 있으니 쓰지 말아야 할까요? 정반대입니다. 자동차에 사고 위험이 있다고 안 타는 게 아니라 안전벨트를 매듯, AI도 한계를 알고 '확인하는 습관'이라는 안전벨트를 매면 됩니다. 사실이 중요한 곳에서는 출처를 묻고 교차 확인하기, 민감정보는 넣지 않기, 결과는 사람이 최종 검토하기 — 이 세 가지만 지켜도 한계의 대부분은 관리됩니다. 이어지는 강의들이 바로 그 '안전벨트 매는 법'을 하나씩 알려 드립니다.

08

지금 바로 — 5분 첫 대화 실습

개념을 잡았으니 직접 경험해 볼 차례입니다. 무엇을 물어볼지 막막하다면, 아래 첫 질문을 그대로 복사해 ChatGPT·Claude·Gemini 중 한 곳에 붙여넣어 보세요. AI가 어떻게 답을 '만들어' 내는지 감을 잡는 데 가장 좋은 출발점입니다.

나는 생성형 AI를 처음 써보는 사람이야.
네가 도와줄 수 있는 일을 초보자도 이해할 수 있게
실생활 예시 5가지로 알려줘.
그다음, 그중 하나를 골라 같이 해보자고 제안해줘.

답이 나오면 거기서 멈추지 말고 "더 쉽게 설명해줘", "표로 정리해줘"처럼 이어서 다듬어 보세요. 바로 그 '대화로 다듬는 경험'이 검색과의 가장 큰 차이를 몸으로 알게 해 줍니다.