a16z 빅 아이디어 2026: 1부

저자: a16z 뉴미디어, 블록 유니콘 편집

투자자로서 기술 산업의 구석구석을 더 깊이 파고들어 미래를 활용하는 것이 우리의 임무입니다. 그리고 기술 산업의 미래. 그렇기 때문에 매년 12월에는 투자팀을 초대해 내년에 기술 기업이 다룰 것으로 예상되는 큰 아이디어 중 하나를 공유합니다.

오늘은 인프라, 성장, 바이오+헬스, 스피드런 팀의 관점을 공유하고자 합니다. 내일 다른 팀들이 공유할 내용을 기대해 주세요.

인프라

제니퍼 리: 스타트업이 멀티모달 데이터의 혼돈을 헤쳐나가는 방법

비구조화된 멀티모달 데이터는 항상 기업이 직면하는 가장 큰 병목 현상이자 아직 개발되지 않은 가장 큰 보물입니다. 모든 기업은 PDF, 스크린샷, 동영상, 로그, 이메일, 반정형 데이터의 바다에 빠져 있습니다. 모델은 계속 더 똑똑해지고 있지만 입력 데이터는 점점 더 혼란스러워지고 있으며, 이로 인해 시스템이 고장 나고 에이전트가 눈에 띄지 않고 비용이 많이 드는 방식으로 실패하며 중요한 워크플로가 여전히 수동 QA에 크게 의존하는 등 'RAG'가 발생하고 있습니다. 오늘날 AI 기업이 직면한 제약 조건은 데이터 엔트로피로, 기업 지식의 80%가 존재하는 비정형 데이터의 세계에서 최신성, 구조, 신뢰성이 계속 저하되고 있습니다.

이것이 바로 지금이 비정형 데이터를 이해할 수 있는 일생일대의 기회인 이유입니다. 기업은 다운스트림 AI 워크로드가 실질적인 변화를 가져올 수 있도록 멀티모달 데이터를 정리, 구조화, 검증 및 관리하기 위한 지속적인 접근 방식이 필요합니다. 계약 분석, 온보딩 프로세스, 클레임 처리, 규정 준수, 고객 서비스, 조달, 엔지니어링 검색, 영업 지원, 분석 파이프라인 및 신뢰할 수 있는 컨텍스트에 의존하는 모든 상담원 워크플로 등 모든 곳에 적용 시나리오가 존재합니다. 문서, 이미지, 동영상에서 구조를 추출하고, 충돌을 해결하고, 파이프라인을 수정하거나, 데이터를 최신 상태로 검색 가능하게 유지하는 플랫폼을 구축하는 스타트업은 기업 지식과 프로세스의 왕국을 여는 열쇠를 쥐고 있습니다.

조엘 드 라 가르자: 인공지능이 사이버 보안 채용에 활기를 불어넣고 있다

지난 10년 동안 최고 정보 보안 책임자( CISO)는 지난 10년 대부분 동안 채용에 있어 가장 큰 어려움에 직면해 있었습니다. 2013년부터 2021년 사이에 사이버 보안 분야 채용 공고는 100만 개 미만에서 300만 개로 증가했습니다. 이는 보안팀이 로그 검토와 같은 지루한 1급 보안 업무를 수행하기 위해 많은 수의 숙련된 엔지니어를 고용하고 있지만 아무도 매일 하고 싶어하지 않기 때문입니다. 문제의 근원은 사이버 보안 팀이 모든 것을 탐지할 수 있는 제품을 구매함으로써 이러한 지루한 작업을 만들어내고, 이는 곧 모든 정보를 검토해야 한다는 것을 의미하며, 이는 다시 인력 부족을 야기합니다. 악순환의 연속입니다.

2026년까지 AI는 사이버 보안 팀의 반복적인 업무를 자동화하여 이 악순환을 끊고 채용 공백을 메울 것입니다. 대규모 보안팀에서 일해 본 사람이라면 누구나 업무의 절반은 자동화를 통해 쉽게 해결할 수 있지만, 업무가 쌓이면 무엇을 자동화해야 하는지 판단하기 어려울 수 있다는 것을 알고 있습니다. 보안팀이 이러한 문제를 해결하는 데 도움이 되는 네이티브 AI 도구는 결국 보안팀이 진정으로 하고 싶은 일, 즉 악당을 추적하고 새로운 시스템을 구축하며 취약점을 수정하는 데 집중할 수 있도록 해줍니다.

말리카 오바키로바: 네이티브 에이전트 인프라가 표준이 될 것이다

2026년까지 가장 큰 인프라 영향은 외부 기업이 아닌 외부 기업이 아니라 기업 내부에서 발생합니다. 예측 가능하고 동시성이 낮은 '인간 속도' 트래픽에서 재귀적이고 폭주하는 대규모 '에이전트 속도' 워크로드로 전환되고 있습니다.

오늘날의 엔터프라이즈 백엔드는 사람의 작업과 시스템 응답의 비율이 1:1이 되도록 설계되어 있습니다. 밀리초 단위로 5000개의 하위 작업, 데이터베이스 쿼리 및 내부 API 호출의 재귀적 팬아웃을 트리거하는 단일 에이전트 기반 '목표'를 위해 구조적으로 준비되어 있지 않습니다. 에이전트가 코드베이스를 리팩터링하거나 보안 로그를 수정하려고 하면 사용자처럼 보이지 않습니다. 기존 데이터베이스나 플로우 리미터가 보기에는 디도스 공격으로 보입니다.

2026년 에이전트를 위한 시스템을 구축한다는 것은 컨트롤 플레인을 재설계한다는 것을 의미합니다. 우리는 '에이전트 네이티브' 인프라의 부상을 목격하게 될 것입니다. 차세대 인프라는 '천둥 치는 무리'를 기본 상태로 인식해야 합니다. 콜드 스타트 시간을 줄이고, 지연 시간 변동을 대폭 줄여야 하며, 동시성 제한을 기하급수적으로 늘려야 합니다. 병목 현상은 대규모 병렬 실행에서 라우팅, 잠금, 상태 관리, 정책 시행과 같은 조율입니다. 계속되는 도구 실행의 홍수에 대처할 수 있는 플랫폼만이 궁극적으로 승리할 것입니다.

Justine Moore: 크리에이티브 도구의 멀티모달

우리는 이제 AI를 활용한 스토리텔링을 위한 구성 요소인 제너레이티브 스피치를 갖추게 되었습니다, 음악, 이미지, 동영상. 하지만 일회성 클립 이상의 결과물을 얻으려면, 특히 전통적인 감독 수준의 제어에 접근하려는 경우 불가능하지는 않더라도 시간이 많이 걸리고 실망스러운 경우가 많습니다.

모델에게 30초짜리 동영상을 제공한 다음 참조 이미지와 사운드로 만든 새로운 캐릭터로 장면을 계속 연기하도록 할 수는 없을까요? 아니면 다른 각도에서 장면을 볼 수 있도록 비디오를 다시 촬영하거나 액션이 레퍼런스 비디오와 일치하도록 하면 어떨까요?

2026년은 AI가 멀티모달리티로 전환하는 해입니다. 모델에 모든 종류의 레퍼런스 콘텐츠를 제공하여 새로운 콘텐츠를 만들거나 기존 장면을 편집하는 데 사용할 수 있습니다. 이미 Kling O1과 Runway Aleph와 같은 초기 제품을 보았지만 모델 계층과 애플리케이션 계층 모두에서 혁신해야 하는 등 아직 해야 할 일이 많이 남아 있습니다.

콘텐츠 제작은 AI를 가장 잘 활용할 수 있는 애플리케이션 시나리오 중 하나로, 이모티콘 제작자부터 할리우드 감독에 이르기까지 다양한 애플리케이션 시나리오와 고객층에서 성공적인 제품이 많이 등장할 것으로 예상합니다.

Jason Cui: AI 네이티브 데이터 스택의 진화는 계속됩니다

지난 해에는 데이터 기업들이 데이터 수집, 변환, 계산 등 전문화된 영역에 집중하는 것에서 벗어나 번들화된 통합 플랫폼으로 전환하는 모습을 보였습니다. 도메인에서 번들로 제공되는 통합 플랫폼으로 전환하면서 '최신 데이터 스택'이 통합되는 것을 목격했습니다. 그 예로는 Fivetran/dbt 합병과 데이터브릭스 같은 통합 플랫폼의 지속적인 부상을 들 수 있습니다.

생태계 전체가 확실히 성숙해졌지만, 진정한 의미의 AI 네이티브 데이터 아키텍처는 아직 초기 단계에 머물러 있습니다. 데이터 스택의 여러 부분을 계속해서 혁신하는 AI의 방식에 기대가 크며, 데이터와 AI 인프라가 불가분의 관계가 되어가고 있다는 사실을 깨닫기 시작하고 있습니다.

우리가 낙관하고 있는 몇 가지 방향은 다음과 같습니다.

• 데이터가 기존 데이터베이스와 함께 고성능의 정형 데이터베이스에 유입되는 방식 벡터 데이터베이스

• AI 에이전트가 '컨텍스트 난제'를 해결하는 방법: 비즈니스 데이터의 올바른 컨텍스트 및 의미 계층에 일관되게 액세스하여 데이터와 상호 작용하고 이러한 애플리케이션이 여러 기록 시스템에서 항상 올바른 비즈니스를 수행하도록 보장하는 강력한 애플리케이션을 구축하는 방법 정의

• 데이터 워크플로우가 에이전트 기반 및 자동화됨에 따라 기존 BI 도구 및 스프레드시트가 어떻게 변화할 것인가

Yoko Li: 비디오에 발을 들여놓은 해

2026년이 되면 비디오는 수동적으로 시청하는 것이 아니라 실제로 참여할 수 있는 공간이 될 것입니다. 비디오 모델은 결국 시간을 이해하고, 이미 보여준 내용을 기억하고, 우리의 행동에 반응하며, 실제 세계와 신뢰할 수 있는 일관성을 유지할 수 있게 될 것입니다. 이러한 시스템은 몇 초 동안 흩어져 있는 이미지를 생성하는 대신 캐릭터, 사물, 물리적 효과를 충분히 오래 유지하여 행동을 이해하고 그 결과를 보여줄 수 있습니다. 이러한 변화는 비디오를 로봇이 연습하고, 게임이 발전하고, 디자이너가 프로토타입을 만들고, 에이전트가 실행을 통해 학습할 수 있는 공간으로 진화할 수 있는 매체로 전환합니다. 궁극적으로 제시되는 것은 비디오 클립이 아니라 지각과 행동 사이의 간극을 메우기 시작하는 살아있는 환경과 같은 것입니다. 처음으로 우리가 제작하는 영상에 직접 참여할 수 있다는 느낌을 받았습니다.

성장

Sarah Wang: 기록된 시스템이 지배력을 잃다

2026년까지 엔터프라이즈 소프트웨어의 진정한 파괴적 변화는 기록 시스템이 마침내 지배력을 잃게 될 것이라는 점입니다. 인공지능은 의도와 실행 사이의 거리를 좁히고 있습니다. 이제 모델은 운영 데이터를 직접 읽고, 쓰고, 추론할 수 있게 되어 IT 서비스 관리(ITSM)와 고객 관계 관리(CRM) 시스템이 수동적인 데이터베이스에서 자율적인 워크플로 엔진으로 변모하고 있습니다. 추론 모델과 상담원 워크플로우의 최신 발전이 축적됨에 따라 이러한 시스템은 응답뿐만 아니라 엔드투엔드 프로세스를 예측, 오케스트레이션 및 실행할 수 있습니다. 인터페이스는 동적 상담원 계층으로 변모하고, 기존의 기록 시스템은 일종의 일반 지속성 계층으로 뒷전으로 물러나 직원들이 매일 사용하는 상담원 실행 환경을 진정으로 제어하는 쪽에 전략적 이점을 양도합니다.

Alex Immerman: 정보 검색과 추론에서 다자간 협업으로 진화하는 버티컬 분야의 인공 지능

인공 지능이 소프트웨어 버티컬 분야에서 전례 없는 성장을 주도하고 있습니다. 전례 없는 성장. 의료, 법률, 부동산 기업들은 불과 몇 년 만에 연간 반복 매출(ARR) 1억 달러 이상을 달성했으며, 금융과 회계 분야가 그 뒤를 바짝 쫓고 있습니다. 이러한 진화는 올바른 정보를 찾고, 추출하고, 집계하는 정보 검색에서 시작됩니다. 2025년에는 Hebbia가 재무제표를 분석하고 모델을 구축하고, Basis가 시스템 전반의 스프레드시트를 조정하며, EliseAI가 유지보수 문제를 진단하고 적합한 공급업체를 파견하는 등 추론 기능이 추가됩니다.

멀티플레이어 협업 모델은 2026년에 출시될 예정입니다. 수직 산업 소프트웨어는 도메인별 인터페이스, 데이터 및 통합의 이점을 누릴 수 있습니다. 하지만 수직적 산업 업무는 본질적으로 다자간 협업이 필요합니다. 에이전트가 인력을 대표하려면 협업이 필요합니다. 구매자와 판매자, 임차인, 컨설턴트, 공급업체에 이르기까지 각 당사자는 수직 산업 소프트웨어만이 이해할 수 있는 서로 다른 권한, 워크플로 및 규정 준수 요구 사항을 가지고 있습니다.

오늘날 각 당사자는 독립적으로 AI를 사용하므로 인수인계 프로세스에서 권한 부여가 부족합니다. 구매 계약을 분석하는 AI는 모델을 조정하기 위해 CFO와 소통하지 않습니다. 또한 유지보수 AI는 현장 직원이 임차인에게 어떤 약속을 했는지 알지 못합니다. 다자간 협업의 변화는 기능 전문가에게 작업을 라우팅하고, 컨텍스트를 유지하며, 변경 사항을 동기화하는 등 이해관계자 간의 조율에 있습니다. 상대방의 AI는 정해진 매개변수 내에서 협상하고 사람이 검토할 수 있도록 비대칭성을 플래그합니다. 시니어 파트너의 플래그는 회사 전체의 시스템을 훈련하는 데 사용됩니다. AI가 수행하는 작업은 더 높은 성공률로 완료됩니다.

다인 및 다중 에이전트 협업의 가치가 증가함에 따라 전환 비용도 증가할 것입니다. AI 앱이 실현하지 못했던 네트워크 효과, 즉 협업 계층이 해자가 되는 것을 보게 될 것입니다.

스테파니 장: 인간이 아닌 에이전트를 위한 디자인

2026년이면 사람들은 에이전트를 통해 웹과 상호 작용하기 시작할 것입니다. 사람이 소비하는 데 최적화되었던 콘텐츠는 더 이상 에이전트가 소비하는 데에도 똑같이 중요해질 것입니다.

지난 몇 년 동안 우리는 Google 검색 결과에서 높은 순위를 차지하고, Amazon 검색 결과에서 상위권에 오르고, 짧고 간결한 '요약'으로 시작하는 등 예측 가능한 인간 행동에 최적화하기 위해 노력해 왔습니다. 고등학교 때 저널리즘 수업을 들었는데, 선생님이 '5W1H'를 사용하여 뉴스를 작성하는 방법과 특집 기사는 매력적인 시작 부분으로 독자를 끌어들여야 한다고 가르쳤습니다. 인간 독자는 5페이지에 숨겨진 매우 가치 있고 통찰력 있는 설명을 놓칠 수 있지만, 인공지능은 그렇지 않습니다.

이러한 변화는 소프트웨어에도 반영되어 있습니다. 앱은 원래 인간의 시각과 클릭 욕구를 충족시키기 위해 설계되었으며, 최적화는 우수한 사용자 인터페이스와 직관적인 작업 흐름을 의미합니다. AI가 검색과 해석을 대신하면서 시각적 디자인의 중요성은 점점 줄어들고 있습니다. 엔지니어는 더 이상 Grafana 대시보드를 쳐다볼 필요가 없으며, AI 시스템 안정성 엔지니어(SRE)는 원격 분석 데이터를 해석하고 Slack에 분석을 게시할 수 있습니다. 영업팀은 더 이상 고객 관계 관리(CRM) 시스템을 뒤적일 필요가 없으며, AI가 자동으로 패턴과 요약을 추출할 수 있습니다.

우리는 더 이상 사람을 위한 콘텐츠가 아니라 AI를 위한 콘텐츠를 디자인하고 있습니다. 새로운 최적화 목표는 더 이상 시각적 계층 구조가 아니라 기계 가독성이며, 이는 우리가 제작하는 방식과 사용하는 도구를 변화시킬 것입니다.

산티아고 로드리게스: AI 앱에서 '스크린 타임' KPI의 종말

지난 15년 동안, 스크린 타임은 지난 15년간 소비자 및 기업용 애플리케이션에서 가치를 제공하는 최고의 지표였습니다. 우리는 넷플릭스 스트리밍 시간, 의료 EHR 사용자 경험에서 마우스 클릭 수(효과적인 사용의 증거), 심지어 ChatGPT에 소요된 시간까지 핵심 성과 지표로 사용하는 패러다임에 살아왔습니다. 제공자와 사용자의 인센티브를 완벽하게 조율하는 성과 기반 과금 모델로 전환함에 따라 먼저 화면 시간 보고에서 벗어날 것입니다.

이미 실제로 이러한 현상이 나타나고 있습니다. ChatGPT에서 딥리서치 쿼리를 실행하면 화면 시간이 거의 0에 가까워도 엄청난 가치를 얻을 수 있습니다. Abridge가 의사와 환자의 대화를 마술처럼 캡처하고 후속 조치를 자동화하면 의사는 화면을 거의 볼 필요가 없습니다. Cursor가 완전한 엔드투엔드 애플리케이션을 개발하면 엔지니어는 다음 기능 개발 주기를 계획합니다. 그리고 헤비아가 수백 개의 공개 문서를 기반으로 프레젠테이션을 작성하면 투자 은행가들은 마침내 숙면을 취할 수 있습니다.

앱의 단일 사용자 비율은 보다 정교한 투자 수익률(ROI) 측정이 필요하다는 독특한 과제를 안고 있습니다. 인공지능(AI) 애플리케이션의 확산은 의사의 만족도, 개발자의 효율성, 재무 분석가의 행복, 소비자의 행복을 향상시킬 것입니다. 가장 간결한 방식으로 ROI를 설명할 수 있는 기업은 계속해서 경쟁사보다 우월한 성과를 거둘 것입니다.

바이오 + 건강

줄리 유: 건강한 월간 활성 사용자 수(MAU)

2026년에는 '건강한 월간 활성 사용자'라는 새로운 헬스케어 고객 세그먼트가 주목받을 것입니다.

기존의 헬스케어 시스템은 (a) '아픈 월간 활성 사용자': 의료 수요가 변동이 심하고 비용이 많이 드는 사용자, (b) '아픈 일일 활성 사용자*': 장기 집중 치료가 필요한 환자, (c) '건강한 젊은 활성 사용자*': 비교적 건강하고 치료를 거의 받지 않는 사용자 등 세 가지 주요 사용자 그룹을 대상으로 서비스를 제공합니다. 건강하며 치료를 거의 받지 않습니다. 건강한 젊은 활동 사용자는 아픈 월간/일일 활동 사용자로 전환될 위험이 있으며, 예방적 치료는 이러한 전환을 늦출 수 있습니다. 하지만 치료 중심의 의료비 환급 시스템은 예방보다 치료에 더 많은 보상을 제공하기 때문에 사전 건강 검진 및 모니터링 서비스는 우선 순위가 높지 않고 보험 적용도 거의 되지 않습니다.

이제, 아프지는 않지만 정기적으로 자신의 건강을 모니터링하고 이해하고자 하는 건강한 월간 활성 사용자 그룹이 생겨났고, 이들이 소비자층에서 가장 큰 비중을 차지할 가능성이 높습니다. AI 기반 스타트업과 기존 비즈니스의 업그레이드 버전 모두 이 사용자 그룹을 위한 정기적인 서비스를 제공하기 시작할 것으로 예상됩니다.

AI가 의료 서비스 제공 비용을 절감할 수 있는 잠재력, 예방에 초점을 맞춘 새로운 건강보험 상품의 등장, 구독 모델에 대한 소비자의 본인 부담금 지불 의사가 증가함에 따라 '건강한 월간 활성 사용자'는 헬스케어 기술 분야에서 잠재력이 높은 차세대 고객층으로, 지속적으로 참여하며 데이터에 기반하고 데이터 중심적이며 예방에 중점을 둡니다.

Speedrun(a16z 내 투자팀 이름)

존 라이: 내러티브 공간에서 빛나는 세계 모델

2026년에는 AI 기반 월드 모델이 인터랙티브 가상 세계와 디지털 경제를 통해 내러티브에 혁명을 일으킬 것입니다. Marble(World Labs)과 Genie 3(DeepMind)와 같은 기술은 이미 텍스트 단서를 기반으로 풀 3D 환경을 생성하여 사용자가 마치 게임에서처럼 탐색할 수 있도록 지원합니다. 크리에이터가 이러한 도구를 도입함에 따라 완전히 새로운 형태의 내러티브가 등장할 것이며, 이는 결국 플레이어가 광활하고 진화하는 우주를 함께 만들 수 있는 '생성형 마이 월드'로 발전할 수 있습니다. 이러한 월드에는 게임 메커니즘과 자연어 프로그래밍이 결합되어, 예를 들어 플레이어가 '내가 만지는 모든 것을 분홍색으로 바꾸는 페인트 브러시를 만들어'와 같은 명령을 내릴 수 있습니다.

이러한 모델은 플레이어와 제작자 사이의 경계를 허물어 사용자들이 역동적인 공유 현실의 공동 제작자가 될 수 있습니다. 이러한 진화는 상호 연결된 생성적 멀티버스를 탄생시켜 판타지, 호러, 어드벤처와 같은 다양한 장르가 공존할 수 있게 할 수 있습니다. 이러한 가상 세계에서는 크리에이터가 자산을 구축하거나 초보자를 멘토링하거나 새로운 인터랙티브 도구를 개발하여 수익을 창출하는 등 디지털 경제가 번창할 것입니다. 이러한 생성 월드는 엔터테인먼트 외에도 AI 에이전트, 봇, 심지어 일반 인공지능(AGI)을 훈련할 수 있는 풍부한 시뮬레이션 환경이 될 것입니다. 이처럼 월드 모델링의 등장은 새로운 게임 장르의 출현을 의미할 뿐만 아니라 새로운 창작 매체이자 경제 영역의 도래를 예고합니다.

조쉬 루: 나의 해

2026년은 제품이 더 이상 대량 생산되지 않고 나만을 위한 맞춤형 제품이 생산되는 '나의 해'가 될 것입니다.

우리는 이미 이러한 트렌드를 곳곳에서 목격하고 있습니다.

교육 분야에서는 Alphaschool과 같은 스타트업이 각 학생의 학습 속도와 관심사에 적응하는 인공 지능 튜터를 개발하여 각 학생이 자신의 학습 속도와 선호도에 맞는 교육을 받을 수 있도록 하고 있습니다. 이 정도 수준의 집중력은 학생 한 명당 수만 달러를 투자하지 않고는 달성할 수 없는 수준입니다.

건강 분야에서는 AI가 사용자의 생리에 맞는 보충제, 운동 계획, 식사 계획을 매일 조합하여 설계하고 있습니다. 트레이너나 실험실이 필요 없습니다.

미디어 분야에서도 크리에이터는 AI를 통해 뉴스, 쇼, 스토리를 리믹스하여 사용자의 관심사와 선호도에 완벽하게 부합하는 개인 맞춤형 스트림을 만들 수 있습니다.

지난 세기의 가장 큰 기업들은 평균적인 소비자를 발견했기 때문에 성공할 수 있었습니다.

다음 세기의 가장 큰 기업은 평균적인 소비자 속의 개인을 발견함으로써 승리할 것입니다.

2026년, 세상은 모두를 위한 최적화를 멈추고 나를 위한 최적화를 시작할 것입니다.

에밀리 베넷: 최초의 토종 AI 대학

2026년에는 최초의 토종 AI 대학이 탄생할 것으로 예상합니다. 탄생할 것으로 예상합니다.

대학은 지난 몇 년 동안 채점, 튜터링, 강의 스케줄링에 AI를 활용하는 실험을 해왔습니다. 그러나 오늘날 떠오르고 있는 것은 실시간으로 학습하고 스스로 최적화할 수 있는 적응형 학업 시스템인 보다 심층적인 종류의 AI입니다.

데이터 피드백 루프를 기반으로 강의, 상담, 연구 협업, 심지어 건물 운영까지 지속적으로 조정되는 교육기관을 상상해 보세요. 커리큘럼이 스스로 최적화될 것입니다. 독서 목록은 매일 밤 업데이트되고 새로운 연구가 나오면 자동으로 다시 작성됩니다. 학습 경로는 각 학생의 속도와 현실에 맞게 실시간으로 조정됩니다.

우리는 이미 몇 가지 선구자를 보았습니다. 애리조나주립대학교(ASU)는 OpenAI와의 대학 전체 파트너십을 통해 교육 및 행정 분야를 아우르는 수백 개의 AI 기반 프로젝트를 탄생시켰습니다. 뉴욕주립대학교(SUNY)는 이제 일반 교육 요건에 AI 리터러시를 통합했습니다. 이는 더 심층적인 배포를 위한 토대입니다.

AI 네이티브 대학에서는 교수가 학습의 설계자가 되어 데이터 관리, 모델 튜닝을 담당하고 학생들에게 기계 추론에 의문을 제기하는 방법을 안내합니다.

평가도 달라질 것입니다. 탐지 도구와 표절 금지가 AI 인식 평가로 대체되고, 학생은 더 이상 AI 사용 여부가 아니라 사용 방법에 따라 채점되며, 투명성과 전략적 사용이 금지 조치를 대체하게 됩니다.

산업계가 AI 시스템을 설계, 관리, 협업할 수 있는 인재 채용에 어려움을 겪고 있는 가운데, 이 새로운 대학은 AI 시스템 조율에 능숙한 졸업생을 양성하여 급변하는 노동 시장에 활력을 불어넣는 교육장이 될 것입니다.

이 AI 네이티브 대학은 새로운 경제의 인재 엔진이 될 것입니다.

오늘은 여기까지입니다. 다음 편에서 다시 뵙겠습니다.