AI는 왜 계속 바뀌어야 했을까

애딥 GPR이 등장한 이유

오늘날 우리는 인공지능(Artificial Intelligence, AI)이 너무 익숙한 시대를 살고 있습니다.
이제 AI는 질문에 답하고, 이미지를 만들고, 영상을 편집하고, 심지어 사람처럼 대화까지 합니다. 그래서 많은 사람들이 이렇게 생각합니다.

“이제 AI는 거의 완성된 것 아닌가?”

하지만 조금만 깊이 들어가 보면, 현재의 AI에는 여전히 아주 큰 한계가 있습니다.
특히 사람을 이해해야 하는 문제, 그리고 사람에게 정말 맞는 경험을 설계해야 하는 문제에서는 기존 방식만으로는 충분하지 않습니다.

애딥이 GPR(Generative Pre-trained Recommender)이라는 구조를 이야기하는 이유도 바로 여기에 있습니다.
이 글에서는 AI가 어떻게 발전해 왔는지, 기존 추천 시스템과 생성형 AI가 어디에서 한계를 드러냈는지, 그리고 왜 애딥이 상태(State) 중심 AI로 방향을 바꾸었는지를 차근차근 설명해보겠습니다.

AI는 처음부터 지금 모습이 아니었다

지금의 AI를 이해하려면 먼저 아주 중요한 사실 하나를 기억해야 합니다.
AI는 어느 날 갑자기 완성된 기술이 아닙니다. 문제를 풀다가 한계를 만나고, 그 한계를 넘기 위해 구조를 바꾸면서 발전해 온 흐름입니다.

쉽게 정리하면 AI의 발전은 대략 이렇게 볼 수 있습니다.

처음에는 “분류”를 잘하는 방향으로 발전했습니다.
그다음에는 “이미지”를 이해하는 방향으로 발전했습니다.
그다음에는 “순서”와 “시간의 흐름”을 이해하려고 했습니다.
그리고 최근에는 “문맥 전체”를 한 번에 이해하는 방향으로 진화했습니다.

이 흐름은 단순한 기술사 정리가 아닙니다.
왜 다음 모델이 필요했는지를 이해하면, 왜 지금 애딥이 GPR 같은 구조를 말하는지도 자연스럽게 이해할 수 있습니다.

처음의 AI는 ‘판단하는 기계’

초기 AI가 풀던 문제는 대부분 명확했습니다.

이 메일은 스팸인가 아닌가
이 고객은 이탈할 가능성이 높은가 아닌가
이 문서는 어떤 카테고리인가

즉 구조는 아주 단순했습니다.

입력 → 분류

이 시기의 대표적인 출발점이 퍼셉트론(Perceptron)입니다. 퍼셉트론은 여러 입력에 가중치를 곱해 점수를 만들고, 그 점수가 기준을 넘으면 A, 아니면 B로 분류하는 구조입니다. 쉽게 말해 “점수 계산기”에 가깝습니다.

이 방식은 단순한 분류 문제에서는 잘 작동했습니다. 하지만 현실의 데이터는 직선 하나로 깔끔하게 나눌 수 없는 경우가 훨씬 많았습니다. 그래서 등장한 것이 다층 퍼셉트론(Multi Layer Perceptron, MLP)입니다.

MLP는 층을 여러 개 쌓아 복잡한 경계를 표현할 수 있게 만들었습니다.
이 덕분에 AI는 단순한 규칙 분류를 넘어, 더 복잡한 패턴도 다룰 수 있게 되었습니다.

하지만 또 한계가 있었습니다.
이미지는 단순한 숫자 목록이 아니라 공간 구조를 가진 정보인데, MLP는 그 공간적 관계를 잘 다루지 못했습니다.

이미지 시대를 연 CNN

이 한계를 넘어서며 등장한 것이 합성곱 신경망(Convolutional Neural Network, CNN)입니다.

CNN의 핵심은 아주 명확합니다.
이미지는 전체를 한 번에 보는 것이 아니라, 작은 영역부터 차례대로 읽어야 한다는 것입니다.

예를 들어 얼굴을 인식할 때도 처음부터 “얼굴 전체”를 한 번에 이해하는 것이 아니라,

선과 모서리
눈과 코, 입
얼굴 전체 구조

처럼 점진적으로 특징을 쌓아 올라갑니다.

이 계층적 특징 추출 덕분에 CNN은 이미지 인식, 영상 분석, 의료 영상, 자율주행 등에서 큰 성과를 냈습니다.

하지만 세상에는 이미지 말고도 중요한 데이터가 많습니다.
텍스트, 음성, 사용자 행동 로그처럼 “순서”가 중요한 데이터입니다.

여기서 또 다른 전환이 필요해졌습니다.

순서를 이해하려는 시도, RNN과 LSTM

텍스트나 시계열 데이터에서는 “무엇이 먼저 나왔는가”가 매우 중요합니다.
사람도 문장을 읽을 때 앞 단어를 기억한 상태에서 다음 단어를 이해합니다.

이 흐름을 모델링하려는 첫 시도가 순환 신경망(Recurrent Neural Network, RNN)입니다.
RNN은 앞에서 본 정보를 어느 정도 기억한 채 다음 입력을 처리하는 구조입니다.

하지만 RNN은 문장이 길어지거나 시계열이 길어질수록 초반 정보가 희미해지는 문제가 있었습니다. 이른바 장기 의존성(Long-term Dependency) 문제입니다.

이를 보완하기 위해 등장한 것이 장단기 메모리(Long Short-Term Memory, LSTM)입니다.
LSTM은 기억을 무작정 쌓는 것이 아니라, 어떤 정보는 유지하고 어떤 정보는 버릴지를 결정하는 게이트(Gate) 구조를 도입했습니다.

이로써 AI는 단순한 순서를 넘어, 어느 정도 긴 흐름도 다룰 수 있게 되었습니다.

문맥 전체를 한 번에 보는 Transformer의 등장

이후 AI는 또 한 번 큰 도약을 합니다.
바로 트랜스포머(Transformer)의 등장입니다.

트랜스포머의 핵심은 순서를 한 칸씩 따라가는 대신, 전체 문맥을 동시에 보면서 관계를 파악한다는 점입니다. 이 구조는 어텐션(Attention) 메커니즘을 통해 어떤 정보가 지금 더 중요한지를 유연하게 계산합니다.

이 덕분에 AI는 긴 문맥을 더 잘 이해하고, 병렬 처리 효율도 크게 높아졌습니다. 오늘날의 대규모 언어 모델(Large Language Model, LLM) 대부분도 이 흐름 위에 서 있습니다.

하지만 여기서 많은 사람들이 놓치는 것이 있습니다.
트랜스포머는 문맥을 잘 읽지만, 사람의 상태를 지속적으로 추적하는 데 최적화된 구조는 아닙니다.

바로 이 지점이 중요합니다.

지금 AI가 잘하는 것과, 아직 못하는 것

현재의 생성형 AI는 정말 많은 것을 할 수 있습니다.

글을 쓸 수 있습니다.
그림을 만들 수 있습니다.
요약과 번역을 할 수 있습니다.
검색된 정보를 바탕으로 답변할 수 있습니다.

하지만 사람을 깊이 이해해야 하는 문제에서는 여전히 부족합니다.

예를 들어 플랫폼 환경을 생각해 보겠습니다.
기존 AI 시스템은 대체로 이런 구조를 가지고 있습니다.

콘텐츠 → 알고리즘 → 사용자

즉 이미 존재하는 콘텐츠 중에서, 반응이 높을 것 같은 것을 골라 보여주는 구조입니다. 이때 AI의 역할은 “선택”입니다.

이 구조에서 목표는 대개 클릭률(Click-Through Rate, CTR), 시청 시간, 전환율 같은 단기 지표를 높이는 것입니다.
그래서 지금의 플랫폼 AI는 대체로 “무엇을 보여주면 지금 반응이 높을까”에 집중합니다.

문제는 이 최적화가 계속 반복될수록 플랫폼 전체에는 다른 부작용이 생길 수 있다는 점입니다.

콘텐츠 피로
알고리즘 중독
사용자 불신
집단 과열
장기 안정성 저하

즉 단기 반응 최적화가 장기 건강성을 해칠 수 있습니다.

진짜 문제는 ‘무엇을 보여줄까’가 아니다

애딥은 질문 자체를 바꿉니다.

기존 플랫폼이 묻는 질문이
“어떤 콘텐츠가 반응이 높을까?”였다면,

애딥이 묻는 질문은
“지금 이 사용자와 플랫폼의 상태는 무엇인가?”입니다.

이 차이는 매우 큽니다.

기존 시스템은 콘텐츠가 먼저 존재하고, 그중에서 고르는 구조입니다.
반면 애딥의 GPR은 사용자의 현재 상태, 맥락, 흐름, 그리고 앞으로의 변화 가능성을 먼저 봅니다.

즉 중심이 콘텐츠가 아니라 상태(State)입니다.

이 관점에서는 클릭도 단순 결과가 아닙니다.
그 클릭이 어떤 마음 상태에서 나왔는지, 그 이전에 어떤 경험이 누적되었는지, 그리고 그 이후에 어떤 상태 변화가 이어질지를 함께 봐야 합니다.

이 때문에 애딥은 GPR을 단순 추천 시스템이 아니라 상태 기반 운영 엔진으로 바라봅니다.

왜 사람을 상태를 가진 존재로 봐야 할까?

사람은 박제된 데이터가 아니기 때문입니다.

같은 사람이더라도 아침과 밤의 상태가 다르고, 피곤한 날과 의욕적인 날의 반응이 다릅니다.
어제는 소비 모드였지만 오늘은 탐색 모드일 수 있고, 방금 전까지는 즐거웠지만 특정 경험 이후 피로도가 급격히 높아질 수도 있습니다.

그런데 기존 로그 기반 시스템은 대개 행동 자체만 기록합니다.

클릭했다 / 안 했다
오래 봤다 / 빨리 넘겼다

하지만 행동만으로는 상태를 충분히 알 수 없습니다.

클릭하지 않았다는 사실 하나만 봐도 그 이유는 매우 다를 수 있습니다.

관심이 없었을 수도 있습니다.
이미 같은 주제에 피로를 느끼고 있었을 수도 있습니다.
시간이 없었을 수도 있습니다.
지금 감정 상태와 맞지 않았을 수도 있습니다.

즉 행동은 결과이지, 원인 자체가 아닙니다.
그래서 사람을 이해하려면 행동 이전의 상태를 추정하는 구조가 필요합니다.

여기서 등장하는 것이 GPR

애딥의 GPR은 이 문제를 해결하기 위해 설계된 구조입니다.
핵심은 세 가지입니다.

1. AI의 중심을 콘텐츠에서 사용자 상태로 이동

GPR은 사용자가 무엇을 클릭했는지만 보지 않습니다.
지금 어떤 상태에 있는지, 그 상태가 시간에 따라 어떻게 움직이고 있는지를 봅니다.

즉 추천이 아니라 상태 추론이 중심이 됩니다.

2. 추천, 생성, 광고를 하나의 엔진으로 통합

지금의 플랫폼은 대체로 시스템이 나뉘어 있습니다.

추천 시스템은 추천팀이 만듦
광고 시스템은 광고팀이 만듦
생성 AI는 AI팀이 만듦

그래서 실제 서비스 안에서는 이 세 시스템이 서로 다른 기준으로 움직입니다.
추천은 추천대로 흐르고, 광고는 중간에 끼어들고, 생성 콘텐츠는 또 별도의 논리로 동작합니다.

그 결과 사용자 경험이 자주 끊깁니다.

반면 GPR에서는 추천, 광고, 생성이 서로 따로 움직이는 기능이 아니라 하나의 의미 공간 안에서 함께 작동합니다. 콘텐츠, 상품, 브랜드, 사용자 행동이 같은 의미 좌표계 안에서 연결됩니다.

그래서 시스템의 질문도 달라집니다.

“이 콘텐츠를 보여줄까?”가 아니라
“이 사용자의 상태라면 어떤 경험이 가장 자연스러울까?”가 됩니다.

3. 개인 초개인화와 플랫폼 전체 운영을 동시에 다룸

애딥은 개인 상태만 보지 않습니다.
플랫폼 전체의 집단 상태(Field State)도 함께 봅니다.

예를 들어,

플랫폼 전체의 소비 열기는 어떤가
피로도는 올라가고 있는가
신뢰도는 유지되고 있는가
특정 유형의 콘텐츠가 과열되고 있는가

이런 것까지 함께 고려합니다.

즉 GPR은 단순 추천 기술이 아니라 플랫폼 운영 시스템입니다.
개인에게 맞는 경험을 만들면서도, 플랫폼 전체가 건강한 균형을 유지하도록 설계하는 구조입니다.

GPR의 핵심은 ‘선택’이 아니라 ‘설계’

기존 AI 시스템의 역할은 선택이었습니다.
이미 있는 것 중에서 고르는 것이었습니다.

하지만 GPR은 한 단계 더 나아갑니다.
사용자의 상태를 기준으로 콘텐츠, 광고, 상품, 생성 결과를 하나의 장면(Scene)으로 설계합니다.

이때 결과물은 반드시 기존 콘텐츠일 필요도 없습니다.

기존 콘텐츠일 수도 있고
광고 콘텐츠일 수도 있고
상품 결합 콘텐츠일 수도 있고
새로 생성된 콘텐츠일 수도 있습니다

중요한 것은 이것들이 따로 개인화되는 것이 아니라, 하나의 흐름으로 개인화된다는 점입니다.

그래서 GPR은 단순 추천 엔진이 아니라 사용자 경험 설계 엔진에 가깝습니다.

왜 이것이 ‘비대화형 AI(Non-conversational AI)’인가?

많은 사람들은 AI를 떠올리면 먼저 챗봇을 생각합니다.
즉 질문을 입력하면 답을 주는 구조입니다.

하지만 애딥이 지향하는 방향은 조금 다릅니다.
애딥은 사용자가 매번 프롬프트를 입력하지 않아도, 사용자의 상태와 맥락을 바탕으로 가장 적절한 경험을 먼저 구성하는 방향을 지향합니다.

이것이 비대화형 AI(Non-conversational AI)라는 표현이 중요한 이유입니다.

애딥의 AI는 “말을 많이 하는 AI”가 아니라
“더 깊이 이해하고, 더 자연스럽게 개입하는 AI”를 지향합니다.

즉 사용자에게 계속 질문을 요구하지 않고, 사용자의 흐름을 읽고 그에 맞는 콘텐츠·광고·커머스 경험을 조립합니다.

Augmented AI와 Augmenting AI는 다르다

애딥이 사용하는 표현 중 중요한 것이 하나 더 있습니다.
바로 Augmented AI와 Augmenting AI의 차이입니다.

Augmented AI는 기능이 강화된 AI라는 의미에 가깝습니다.
즉 성능이 높아지고, 더 많은 일을 할 수 있는 AI입니다.

하지만 Augmenting AI는 조금 다릅니다.
이것은 인간의 경험 자체를 지속적으로 증강하는 AI를 뜻합니다.

즉 애딥의 GPR은 단순히 “더 똑똑한 모델”이 아니라,
사람의 상태와 맥락에 맞추어 더 나은 경험을 설계하고, 더 나은 선택 가능성을 열어주는 시스템이라는 뜻입니다.

이 관점에서 보면 애딥이 만들고자 하는 것은 단순한 AI 기능이 아닙니다.
사람과 플랫폼, 콘텐츠와 커머스, 경험과 보상이 하나의 흐름으로 연결되는 새로운 운영 구조입니다.

결국 애딥이 바꾸려는 것은 추천 기술이 아니다

정리해보겠습니다.

애딥 GPR의 핵심은 다음 세 가지입니다.

첫째, AI의 중심을 콘텐츠에서 사용자 상태로 옮겼습니다.
둘째, 추천·생성·광고를 하나의 의미 체계로 통합했습니다.
셋째, 개인 초개인화와 플랫폼 전체의 장기 건강성을 동시에 다루도록 만들었습니다.

이 세 가지가 결합되면 AI의 역할은 완전히 달라집니다.

AI는 더 이상
“무엇을 추천할까”를 계산하는 도구가 아니라,

“이 사람에게 지금 어떤 경험이 가장 자연스럽고 바람직한가”를 설계하는 시스템이 됩니다.

그리고 바로 그 지점에서 애딥의 GPR은 기존 AI 시스템과 다른 길 위에 서게 됩니다.