2026년 2월 10일 · 화요일·기술

보통

혼합

OpenAI, ChatGPT에 광고 도입 — AI 연구에선 '사고의 사회' 발견, 칩 설계 벤치마크는 AI 한계 드러내

핵심 요약

OpenAI, ChatGPT 무료·Go 플랜에 스폰서 광고 테스트 시작 — Anthropic 슈퍼볼 광고로 조롱
Google 연구: 추론 모델이 문제 해결 시 다중 페르소나를 시뮬레이션하는 'Society of Thought' 현상 발견
ChipBench 벤치마크: 프론티어 모델 모두 실제 Verilog 칩 설계에서 저조한 성능 (최고 22% pass@1)
Databricks $5.4B ARR 달성(YoY 65%↑), AI가 SaaS UI를 대체할 것이라 전망
Huawei, LLM 기반 Ascend NPU 커널 자동 생성 파이프라인 AscendCraft 발표

5개 출처 · 5개 항목

01TechCrunch·2.9 20:15

OpenAI, ChatGPT 무료·저가 플랜에 광고 도입 시작

주요 사건

OpenAI가 ChatGPT 무료 및 월 $8 Go 플랜 사용자에게 스폰서 광고를 테스트 시작. 광고는 답변 하단에 'Sponsored' 라벨로 표시되며, Plus($20/월) 이상 유료 플랜에는 미표시. Anthropic은 슈퍼볼 광고에서 이를 조롱했고, Sam Altman은 '부정직하다'며 강하게 반발.

배경

역사적 맥락

OpenAI는 2025년 12월 앱 추천 형태의 광고 테스트로 사용자 반발을 경험. 2026년 1월 Go 플랜($8/월) 출시 후 수익 다각화 본격화. ChatGPT MAU 3억+ 기반으로 광고 수익 모델 구축 시도. 경쟁사 Anthropic은 광고 없는 모델 유지하며 차별화.

원인

[AI 인프라 비용 급증] → [무료 사용자 수익화 필요] → [Go 플랜 + 광고 도입] → [경쟁사 조롱] → [소비자 반발 가능성]

타임라인

2025-12-02
OpenAI 앱 추천 광고 형태 테스트, 사용자 반발
2026-01-16
ChatGPT 광고 도입 공식 발표
2026-02-02
Anthropic 슈퍼볼 광고에서 ChatGPT 광고 조롱
2026-02-09
ChatGPT 광고 정식 테스트 시작

주요 입장

OpenAI

수익 다각화 필수

광고가 답변에 영향 미치지 않으며 더 많은 사용자에게 강력한 기능 제공

Anthropic

광고 없는 AI가 신뢰의 핵심

슈퍼볼 광고로 광고 삽입 AI의 문제점 풍자

사용자/시장

우려와 저항

AI 답변의 중립성과 신뢰 훼손 우려

광고주

새로운 채널에 관심

의도 기반 타겟팅의 높은 효율성

전망

high

무료 사용자 대상 광고가 주요 수익원으로 자리잡고, 유료 플랜 전환 유도

medium

광고 없는 Anthropic/Google로 프리미엄 사용자 이탈 가능

low

AI 답변 내 광고에 대한 FTC 등 규제 기관의 가이드라인 제정

· AI 챗봇 광고는 검색 광고의 진화형으로, 의도 파악 정확도가 핵심 차별점이 될 것
· 광고가 답변 품질에 영향을 미치지 않는다는 주장은 검증이 필요하며 장기적 신뢰 문제 발생 가능

한국 영향

직접 영향

한국 ChatGPT 사용자에게도 확대 적용 가능성. 네이버/카카오 AI 서비스의 수익 모델 참고 사례

간접 영향

AI 서비스 수익화 모델에 대한 한국 규제 논의 촉발 가능

주목할 지점

한국 시장 광고 도입 시점
국내 AI 서비스의 광고 모델 대응

참고 자료

#openai#chatgpt#advertising#ai-business#anthropic

02Import AI·2.9 14:03

Google 연구진, 추론 모델이 '사고의 사회(Society of Thought)'를 형성한다는 사실 발견

주요 사건

Google, 시카고대, 산타페 연구소 연구진이 DeepSeek-R1과 QwQ-32B 등 추론 모델이 어려운 문제를 풀 때 내부적으로 다중 페르소나를 시뮬레이션하는 현상을 발견. RL 기반 추론 훈련을 받은 모델이 질문-응답, 관점 전환, 갈등-조정 등 사회적 상호작용 패턴을 보이며, 이를 'Society of Thought'로 명명.

배경

역사적 맥락

2022년 Janus의 'LLM은 시뮬레이터' 가설이 이 연구의 이론적 토대. RL 기반 추론(CoT) 훈련이 2024-2025년 OpenAI o1, DeepSeek-R1 등으로 주류화. Theory of Mind, World Model 등 LLM의 내부 표상에 대한 연구가 활발히 진행 중.

원인

[Transformer 아키텍처] → [스케일링] → [RL 기반 추론 훈련] → [내부 다중 페르소나 출현] → [Society of Thought 발견]

타임라인

2022-09-01
Janus의 'Simulators' 포스트 (LessWrong)
2024-09-01
OpenAI o1 추론 모델 발표
2025-01-20
DeepSeek-R1 오픈소스 공개
2026-02-09
Google 연구진 'Society of Thought' 논문 발표

주요 입장

Google 연구진

추론 = 다중 에이전트 시뮬레이션

RL 훈련이 모델 내부에 사회적 추론 구조를 만든다

AI Safety 커뮤니티

경계와 관심

내부 페르소나 형성이 정렬(alignment) 문제에 새로운 복잡성 추가

AI 개발사들

성능 향상 기회

다중 관점 시뮬레이션을 의도적으로 유도하면 추론 품질 향상 가능

전망

high

의도적 다중 페르소나 시뮬레이션을 추론 파이프라인에 통합하는 새로운 방법론 등장

medium

내부 '사회' 형성이 alignment 연구의 새로운 과제로 부상

medium

다중 관점 추론이 과학 연구에서의 AI 활용도를 높임

· Jack Clark(Import AI): '모델이 더 똑똑해질수록 풍부한 다중 에이전트 세계 모델을 구축하는 경향이 강해진다'
· Janus(LessWrong): LLM을 시뮬레이터로 보는 프레임이 이 현상을 가장 잘 설명한다

한국 영향

직접 영향

서울대, 연세대 등 한국 연구진도 Gemini Erdős 문제 연구에 참여 — 한국 AI 연구의 글로벌 위상 확인

간접 영향

추론 모델의 내부 메커니즘 이해가 한국 AI 스타트업의 모델 개발 전략에 영향

주목할 지점

한국 연구진의 LLM 해석가능성 연구 동향
RL 기반 추론 훈련 관련 국내 연구

참고 자료

#ai-research#reasoning#google#deepseek#llm-interpretability

03Import AI·2.9 14:03

ChipBench: 프론티어 AI 모델, 실제 칩 설계에서 여전히 저조한 성능

주요 사건

UC San Diego·Columbia 대학 연구진이 실제 산업 수준의 칩 설계 벤치마크 ChipBench 발표. Verilog 코드 생성, 디버깅, 레퍼런스 모델 생성 3개 영역을 테스트. Claude 4.5 Opus, GPT 5.2, Gemini 3 Flash 등 최신 모델도 CPU IP Verilog 생성에서 최고 22.22% pass@1에 그침. 기존 벤치마크(10-76줄)와 달리 실제 모듈(10,000줄+) 기반으로 난이도가 크게 높음.

배경

역사적 맥락

AI 칩 설계는 2020년대 초부터 연구 시작. Google의 TPU 플로어 플래닝(2021), NVIDIA의 ChipNeMo(2023) 등 특화 시스템은 성과를 보였으나, 범용 LLM의 칩 설계 능력은 제한적. 기존 VerilogEval 벤치마크는 단순 모듈 위주로 실제 산업 수요와 괴리.

원인

[AI 칩 설계 기대 과열] → [기존 벤치마크의 한계 지적] → [ChipBench로 실제 수준 평가] → [프론티어 모델의 한계 확인]

타임라인

2021-06-01
Google, AI로 TPU 칩 레이아웃 설계 (Nature 발표)
2023-10-01
NVIDIA ChipNeMo 발표
2026-02-09
ChipBench 벤치마크 발표

주요 입장

연구진

기존 벤치마크가 너무 쉬움

실제 산업 수준에서 AI 칩 설계는 아직 먼 길

반도체 기업

AI 보조 도구로서 가치

디버깅·검증 등 특정 태스크에서 부분적 활용 가능

AI 개발사

스캐폴딩으로 극복 가능

범용 모델 + 전문 워크플로우 조합으로 성능 향상 여지

전망

high

범용 LLM보다 특화된 스캐폴딩+파인튜닝 조합이 실용화 먼저 달성

medium

생성보다 검증/디버깅에서 AI 먼저 산업 적용

· Jack Clark: '좋은 Verilog 스캐폴드가 있으면 성능이 급격히 개선될 수 있다'
· ChipBench 연구진: '현재 모델은 산업 워크플로우 통합에 한참 부족'

한국 영향

직접 영향

삼성·SK하이닉스 등 한국 반도체 기업의 AI 활용 EDA 전략에 현실적 기대치 설정 필요

간접 영향

한국 반도체 설계 인력 수요는 당분간 유지될 전망

주목할 지점

삼성의 AI 칩 설계 도구 도입 현황
국내 EDA 스타트업 동향

참고 자료

#semiconductor#ai-chip-design#benchmark#verilog#eda

04TechCrunch·2.9 21:14

Databricks $5.4B ARR 달성, CEO 'AI가 SaaS를 보이지 않는 배관으로 만들 것'

주요 사건

Databricks가 $5.4B ARR(YoY 65% 성장)과 $1.4B AI 제품 매출 달성 발표. $134B 밸류에이션의 $5B 펀딩 라운드 + $2B 대출 마감. CEO Ali Ghodsi는 AI가 SaaS 제품의 UI를 자연어로 대체하면서 전문 사용자의 장벽이 사라지고, 이것이 SaaS 기업의 최대 해자(moat)를 무력화할 것이라 전망.

배경

역사적 맥락

Databricks는 Apache Spark 기반 클라우드 데이터 웨어하우스로 시작, 2024-2025년 AI 제품(Genie LLM UI, Lakebase 에이전트 DB)으로 전환 가속. 2025년 12월 $134B 밸류에이션 라운드 발표. SaaS 위기론은 2025년 중반부터 VC 커뮤니티에서 본격 논의.

원인

[LLM 자연어 인터페이스 발전] → [SaaS 전문 UI 학습 비용 제거] → [SaaS 기업 해자 약화] → [AI 네이티브 경쟁자 등장 가능]

타임라인

2025-06-01
SaaS 위기론 본격화
2025-12-16
Databricks $134B 밸류에이션 $5B 라운드 발표
2026-02-09
Databricks $5.4B ARR 달성 발표

주요 입장

Databricks

AI가 SaaS UI를 대체하지만 시스템 오브 레코드는 유지

데이터 이동은 어렵고, LLM UI가 사용량을 오히려 증가시킴

기존 SaaS 기업(Salesforce 등)

AI 통합으로 방어

기존 데이터·워크플로우 락인이 강력한 해자

AI 네이티브 스타트업

SaaS 대체 기회

처음부터 AI·에이전트용으로 설계된 시스템이 유리

전망

high

2-3년 내 대부분의 SaaS 제품이 자연어/에이전트 인터페이스를 기본 제공

medium

시장 상황에 따라 2027년경 IPO 가능, 현재는 비상장 유지

· Ali Ghodsi: 'SaaS 전문가 수백만 명이 특정 UI에 훈련받은 것이 최대 해자였으나, 자연어 인터페이스가 이를 무력화'
· Lakebase 에이전트 DB가 출시 8개월 만에 데이터 웨어하우스 동기 대비 2배 매출 기록

한국 영향

직접 영향

한국 SaaS 기업(토스, 뱅크샐러드 등)의 AI 전환 전략에 시사점

간접 영향

Salesforce·SAP 전문 인력의 역할 재정의 필요

주목할 지점

국내 엔터프라이즈 AI 도입 속도
한국 SaaS 스타트업의 AI 네이티브 전환

참고 자료

#databricks#saas#ai-business#enterprise#funding

05Import AI·2.9 14:03

Huawei, LLM 기반 Ascend NPU 커널 자동 생성 시스템 AscendCraft 발표

주요 사건

난징대·Huawei 연구진이 LLM을 활용해 Huawei Ascend NPU용 커널을 자동 생성하는 AscendCraft 파이프라인 발표. 2단계 프로세스: 1) LLM이 고수준 DSL 프로그램 생성, 2) DSL을 AscendC 코드로 변환. 결과: 98.1% 컴파일 성공, 90.4% 기능 정확도, 46.2%가 PyTorch eager 실행 성능 이상 달성.

배경

역사적 맥락

Huawei는 미국 제재로 NVIDIA GPU 접근 불가, 자체 Ascend NPU 생태계 구축 중. LLM의 NVIDIA CUDA 커널 생성은 풍부한 학습 데이터 덕에 비교적 용이하나, Ascend 같은 비주류 플랫폼은 데이터 부족으로 직접 생성이 어려움. DSL 중간 단계 도입으로 이 문제 우회.

원인

[미국 반도체 제재] → [Huawei 자체 칩 개발] → [소프트웨어 생태계 부족] → [LLM으로 커널 자동 생성] → [NVIDIA 의존도 감소 시도]

타임라인

2019-05-01
미국, Huawei 제재 시작
2023-08-01
Huawei Mate 60 Pro에 자체 칩 탑재 확인
2026-02-09
AscendCraft 논문 발표

주요 입장

Huawei

AI로 소프트웨어 생태계 격차 해소

LLM + DSL로 학습 데이터 부족 문제 극복

NVIDIA

CUDA 생태계 해자 유지

풍부한 개발자 생태계와 학습 데이터가 핵심 우위

미국 정부

제재 효과 약화 우려

AI가 기술 격차를 줄이는 새로운 변수

전망

medium

AI 자동화로 소프트웨어 격차 부분적 해소, 중국 내 채택 가속

high

LLM이 자체 하드웨어 최적화를 돕는 선순환 구조 확산

· Jack Clark: 'AI가 비주류 하드웨어의 최적화까지 가속할 수 있다는 명확한 신호'
· 98% 컴파일 성공률은 유망하나 성능 최적화(46.2%)는 아직 개선 여지

한국 영향

직접 영향

삼성 Exynos NPU 등 비NVIDIA 플랫폼에도 유사 접근 적용 가능

간접 영향

미중 기술 경쟁 속 한국 반도체 기업의 포지셔닝에 영향

주목할 지점

삼성의 AI 칩 소프트웨어 생태계 전략
한국 기업의 Ascend 채택 여부

참고 자료

#huawei#semiconductor#ascend#kernel-generation#us-china