a16z《2026년 중대 구상: 첫 번째 부분》

기사 저자: a16z New Media
기사 번역: Block unicorn

투자자로서 우리의 책임은 기술 산업의 모든 구석을 깊이 이해하여 미래의 발전 추세를 파악하는 것입니다. 따라서 매년 12월, 우리는 투자 팀을 초대하여 그들이 생각하는 기술 기업이 내년 동안 해결해야 할 중요한 구상을 공유합니다.

오늘은 인프라, 성장, 생물+건강 및 Speedrun 팀의 관점을 공유할 것입니다. 내일 다른 팀의 공유를 기대해 주세요.

인프라

Jennifer Li: 스타트업이 다중 모드 데이터의 혼란을 어떻게 극복할 것인가

비구조적이고 다중 모드 데이터는 기업이 직면한 가장 큰 병목 현상이며, 그들이 아직 개발하지 않은 가장 큰 보물입니다. 모든 회사는 PDF, 스크린샷, 비디오, 로그, 이메일 및 반구조적 데이터의 바다에 깊이 빠져 있습니다. 모델은 점점 더 스마트해지고 있지만 입력 데이터는 점점 더 혼란스러워져 RAG 시스템이 고장 나고, 에이전트는 눈에 띄지 않게 비싼 방식으로 실패하며, 주요 작업 흐름은 여전히 인력의 품질 검사를 심각하게 의존하고 있습니다. 인공지능 회사가 직면한 제약 요소는 현재 데이터 엔트로피입니다: 비구조적 데이터 세계에서 신선도, 구조성 및 진실성이 지속적으로 감소하고 있으며, 현재 80%의 기업 지식이 이러한 비구조적 데이터에 존재합니다.

이로 인해 비구조적 데이터를 정리하는 것은 천재일우의 기회가 되었습니다. 기업은 지속적으로 다중 모드 데이터를 정리하고, 구축하고, 검증하고, 관리할 수 있는 방법이 필요하여 하류 인공지능 작업 부하가 실제로 작동할 수 있도록 해야 합니다. 적용 사례는 어디에나 있습니다: 계약 분석, 온보딩 프로세스, 클레임 처리, 규정 준수, 고객 서비스, 조달, 엔지니어링 검색, 판매 지원, 분석 파이프라인 및 신뢰할 수 있는 컨텍스트에 의존하는 모든 에이전트 작업 흐름. 문서, 이미지 및 비디오에서 구조를 추출하고, 충돌을 해결하고, 파이프라인을 수정하거나 데이터의 신선도와 검색 가능성을 유지할 수 있는 플랫폼을 구축할 수 있는 스타트업이 기업 지식과 프로세스 왕국의 열쇠를 쥐고 있습니다.

Joel de la Garza: 인공지능이 사이버 보안 채용을 재활성화하다

지난 10년 동안, 최고 정보 보안 책임자(CISO)가 직면한 가장 큰 도전 과제는 채용이었습니다. 2013년부터 2021년까지 사이버 보안 직무 공석은 100만 개 미만에서 300만 개로 증가했습니다. 이는 보안 팀이 많은 기술 숙련 엔지니어를 고용하여 매일 지루한 1급 보안 작업인 로그 검토를 하게 했기 때문입니다. 문제의 근본 원인은 사이버 보안 팀이 모든 것을 탐지할 수 있는 제품을 구매하여 이러한 번거로운 작업을 만들어냈다는 것입니다. 이는 팀이 모든 정보를 검토해야 함을 의미하며, 이는 다시 가짜 노동력 부족을 초래합니다. 이것은 악순환입니다.

2026년까지 인공지능은 이 악순환을 깨고 사이버 보안 팀의 많은 반복 작업을 자동화하여 채용 격차를 메울 것입니다. 대규모 보안 팀에서 일한 사람은 누구나 절반의 작업이 자동화로 쉽게 해결될 수 있다는 것을 알고 있지만, 작업이 쌓일 때 어떤 작업을 자동화해야 할지 결정하기가 어렵습니다. 이러한 문제를 해결하는 데 도움을 줄 수 있는 네이티브 AI 도구는 결국 그들이 진정으로 하고 싶어하는 일인 나쁜 사람 추적, 새로운 시스템 구축 및 취약점 수정에 손을 쓸 수 있게 할 것입니다.

Malika Aubakirova: 네이티브 에이전트 인프라가 표준이 될 것이다

2026년까지 가장 큰 인프라 충격은 외부 기업이 아니라 기업 내부에서 발생할 것입니다. 우리는 예측 가능하고 낮은 동시성의 "인간 속도" 트래픽에서 재귀적이고 폭발적이며 대규모의 "에이전트 속도" 작업 부하로 전환하고 있습니다.

현재의 기업 백엔드는 1:1의 인간 작업과 시스템 응답 비율을 위해 설계되었습니다. 이는 단일 에이전트 "목표"가 밀리초 단위로 5000개의 하위 작업, 데이터베이스 쿼리 및 내부 API 호출을 트리거하는 재귀적 분산을 위한 아키텍처 준비가 되어 있지 않습니다. 에이전트가 코드베이스를 재구성하거나 보안 로그를 수정하려고 할 때, 그것은 사용자처럼 보이지 않습니다. 전통적인 데이터베이스나 속도 제한기에게는 DDoS 공격처럼 보입니다.

2026년을 위한 에이전트 시스템 구축은 제어 평면을 재설계하는 것을 의미합니다. 우리는 "에이전트 네이티브" 인프라의 출현을 목격할 것입니다. 차세대 인프라는 "우르르 몰려오는 효과"(thundering herd)를 기본 상태로 간주해야 합니다. 콜드 스타트 시간은 단축되어야 하며, 지연 변동은 크게 줄어들어야 하고, 동시성 제한은 배로 증가해야 합니다. 병목 현상은 조정에 있습니다: 대규모 병렬 실행에서 라우팅, 잠금, 상태 관리 및 정책 실행을 달성하는 것입니다. 그에 따라 도구 실행의 홍수를 처리할 수 있는 플랫폼만이 최종적으로 승리할 것입니다.

Justine Moore: 창의적 도구가 다중 모드로 나아가다

우리는 이제 인공지능으로 이야기를 전할 수 있는 구성 모듈을 보유하고 있습니다: 생성적 음성, 음악, 이미지 및 비디오. 그러나 일회성 조각을 넘어서는 콘텐츠에 대해 필요한 출력을 얻는 것은 종종 시간 소모적이고 실망스러우며, 심지어 불가능하기도 합니다. 특히 전통적인 감독 수준의 제어에 가까워지고 싶을 때 더욱 그렇습니다.

왜 우리는 모델에 30초 비디오를 제공하고, 그것을 참조 이미지와 소리로 생성된 새로운 캐릭터가 이 장면을 계속 연기하도록 할 수 없을까요? 또는 장면을 다른 각도에서 관찰할 수 있도록 비디오를 다시 촬영하거나, 동작을 참조 비디오와 일치시킬 수 없을까요?

2026년은 인공지능이 다중 모드로 나아가는 해가 될 것입니다. 모델에 어떤 형태의 참조 콘텐츠를 제공하고 이를 활용하여 새로운 콘텐츠를 창작하거나 기존 장면을 편집할 수 있습니다. 우리는 Kling O1 및 Runway Aleph와 같은 몇 가지 초기 제품을 이미 보았습니다. 그러나 여전히 해야 할 일이 많습니다. 우리는 모델 계층과 응용 계층 모두에서 혁신이 필요합니다.

콘텐츠 창작은 인공지능의 가장 강력한 응용 사례 중 하나이며, 우리는 다양한 응용 사례와 고객 집단을 아우르는 많은 성공적인 제품이 등장할 것으로 예상합니다. 이에는 이모티콘 제작자부터 할리우드 감독까지 포함됩니다.

Jason Cui: 인공지능 네이티브 데이터 스택의 지속적인 진화

지난 1년 동안 데이터 회사들이 데이터 수집, 변환 및 계산과 같은 전문 분야에서 번들형 통합 플랫폼으로 전환하면서 "현대 데이터 스택"의 통합을 보았습니다. 예를 들어, Fivetran/dbt의 합병 및 Databricks와 같은 통합 플랫폼의 지속적인 부상이 있습니다.

생태계가 분명히 성숙해졌지만, 우리는 여전히 진정한 인공지능 네이티브 데이터 아키텍처의 초기 단계에 있습니다. 우리는 인공지능이 데이터 스택의 여러 단계를 지속적으로 혁신하는 방식에 대해 흥분하고 있으며, 데이터와 인공지능 인프라가 밀접하게 연결되고 있음을 인식하기 시작했습니다.

다음은 우리가 주목하는 몇 가지 방향입니다:

• 데이터가 전통적인 구조화된 데이터와 함께 고성능 벡터 데이터베이스로 어떻게 유입될 것인가

• 인공지능 에이전트가 "컨텍스트 문제"를 어떻게 해결할 것인가: 올바른 비즈니스 데이터 컨텍스트와 의미론적 계층에 지속적으로 접근하여 데이터와 상호작용하고, 이러한 응용 프로그램이 여러 기록 시스템에서 항상 올바른 비즈니스 정의를 갖도록 보장하는 강력한 응용 프로그램을 구축하는 것

• 데이터 작업 흐름이 더욱 에이전트화되고 자동화됨에 따라 전통적인 비즈니스 인텔리전스 도구와 스프레드시트가 어떻게 변화할 것인가

Yoko Li: 우리가 비디오 속으로 들어가는 해

2026년까지 비디오는 우리가 수동적으로 시청하는 콘텐츠가 아니라 우리가 실제로 그 안에 존재할 수 있는 공간이 될 것입니다. 비디오 모델은 궁극적으로 시간을 이해하고, 이미 보여준 내용을 기억하며, 우리의 행동에 반응하고, 현실 세계의 신뢰할 수 있는 일관성을 유지할 수 있게 될 것입니다. 이러한 시스템은 더 이상 몇 초의 단편적인 이미지를 생성하는 것이 아니라, 캐릭터, 물체 및 물리적 효과를 충분히 오랫동안 유지하여 행동이 의미를 갖고 그 결과를 보여줄 수 있게 됩니다. 이러한 변화는 비디오를 지속적으로 발전할 수 있는 매체로 바꿉니다: 로봇이 연습하고, 게임이 발전하며, 디자이너가 프로토타입을 만들고, 에이전트가 실습을 통해 학습하는 공간이 됩니다. 궁극적으로 나타나는 것은 비디오 클립이 아니라 생생한 환경이며, 인식과 행동 간의 간극을 메우기 시작하는 환경입니다. 우리는 처음으로 생성한 비디오 속에 존재할 수 있다는 느낌을 받습니다.

성장

Sarah Wang: 기록 시스템의 지배력 상실

2026년까지 기업 소프트웨어 분야의 진정한 파괴적 변화는 기록 시스템이 결국 그 지배력을 상실할 것이라는 점입니다. 인공지능은 의도와 실행 간의 거리를 좁히고 있습니다: 모델은 이제 운영 데이터를 직접 읽고, 쓰고, 추론할 수 있으며, IT 서비스 관리(ITSM) 및 고객 관계 관리(CRM) 시스템을 수동 데이터베이스에서 자율적인 작업 흐름 엔진으로 전환하고 있습니다. 추론 모델과 에이전트 작업 흐름의 최신 발전이 누적됨에 따라, 이러한 시스템은 단순히 응답하는 것뿐만 아니라 예측하고, 조정하며, 엔드 투 엔드 프로세스를 실행할 수 있습니다. 인터페이스는 동적 에이전트 계층으로 전환되고, 전통적인 기록 시스템은 뒤로 물러나 일반적인 지속 계층이 됩니다. 그 전략적 이점은 직원의 일상 사용을 실제로 통제하는 에이전트 실행 환경을 장악하는 쪽으로 양도될 것입니다.

Alex Immerman: 수직 산업의 인공지능이 정보 검색과 추론에서 다자 협업으로 진화하다

인공지능은 수직 산업 소프트웨어에 전례 없는 성장을 가져왔습니다. 의료, 법률 및 부동산 회사는 불과 몇 년 만에 1억 달러 이상의 연간 반복 수익(ARR)에 도달했습니다. 금융 및 회계 산업이 뒤를 따릅니다. 이 진화는 처음에는 정보 검색이었습니다: 올바른 정보를 찾고, 추출하고, 요약하는 것입니다. 2025년에는 추론 기능이 도입되었습니다: Hebbia는 재무 제표를 분석하고 모델을 구축하며, Basis는 서로 다른 시스템 간의 조정 시트를 맞추고, EliseAI는 유지 보수 문제를 진단하고 적합한 공급업체를 파견합니다.

2026년에는 다자 협업 모드가 열릴 것입니다. 수직 산업 소프트웨어는 특정 분야의 인터페이스, 데이터 및 통합의 혜택을 누립니다. 그러나 수직 산업의 작업은 본질적으로 다자 협업입니다. 에이전트가 노동력을 대표하려면 협업이 필요합니다. 구매자와 판매자, 임차인, 컨설턴트 및 공급업체까지, 각 당사자는 서로 다른 권한, 작업 흐름 및 규정 준수 요구 사항을 가지고 있으며, 이는 오직 수직 산업 소프트웨어만이 이해할 수 있습니다.

현재 모든 당사자는 독립적으로 인공지능을 사용하고 있어 인수인계 과정에서 권한이 부족합니다. 계약 분석을 위한 인공지능은 CFO와 소통하여 모델을 조정하지 않습니다. 유지 보수 인공지능은 현장 직원이 임차인에게 약속한 내용을 알지 못합니다. 다자 협업의 혁신은 이해관계자 간의 조정에 있습니다: 작업을 기능 전문가에게 라우팅하고, 컨텍스트를 유지하며, 변경 사항을 동기화하는 것입니다. 거래 상대방의 인공지능은 정해진 매개변수 내에서 협상하고 비대칭성을 인식하여 수동 검토를 위해 표시합니다. 고위 파트너의 표시는 전체 회사 시스템을 훈련하는 데 사용됩니다. 인공지능이 수행하는 작업은 더 높은 성공률로 완료될 것입니다.

다자 협업과 다중 에이전트 협업의 가치가 증가함에 따라 전환 비용도 증가할 것입니다. 우리는 인공지능 응용 프로그램이 지금까지 이루지 못한 네트워크 효과를 볼 것입니다: 협업 계층이 방어선이 될 것입니다.

Stephenie Zhang: 인간이 아닌 에이전트를 위해 설계하다

2026년까지 사람들은 에이전트를 통해 네트워크와 상호작용하기 시작할 것입니다. 과거에 인간 소비를 위해 최적화된 것들은 에이전트 소비에 대해서는 더 이상 그렇게 중요하지 않을 것입니다.

수년 동안 우리는 예측 가능한 인간 행동을 최적화하는 데 집중해 왔습니다: 구글 검색 결과에서 높은 순위를 차지하고, 아마존 검색 결과에서 상위에 오르며, 짧고 간결한 "TL;DR"로 시작하는 것입니다. 고등학교 시절, 나는 뉴스 수업을 듣고, 선생님이 "5W1H"를 사용하여 뉴스를 작성하라고 가르쳤습니다. 주제 기사는 독자를 끌어들이는 매력적인 시작으로 시작해야 합니다. 아마도 인간 독자는 다섯 번째 페이지에 숨겨진 매우 가치 있고 통찰력 있는 논의를 놓칠 수 있지만, 인공지능은 놓치지 않을 것입니다.

이러한 변화는 소프트웨어 분야에서도 나타납니다. 애플리케이션의 설계 목적은 인간의 시각적 및 클릭 요구를 충족하는 것이며, 최적화는 좋은 사용자 인터페이스와 직관적인 작업 흐름을 의미합니다. 인공지능이 검색 및 해석 작업을 인수함에 따라, 시각적 디자인의 중요성은 점차 감소하고 있습니다. 엔지니어는 더 이상 Grafana 대시보드를 주시하지 않으며, 인공지능 시스템 신뢰성 엔지니어(SRE)는 원거리 측정 데이터를 해석하고 Slack에 분석 결과를 게시할 수 있습니다. 영업 팀은 더 이상 고객 관계 관리 시스템(CRM)을 힘들게 검색할 필요가 없으며, 인공지능이 패턴과 요약을 자동으로 추출할 수 있습니다.

우리는 더 이상 인간을 위해 콘텐츠를 설계하지 않고, 인공지능을 위해 콘텐츠를 설계합니다. 새로운 최적화 목표는 더 이상 시각적 계층이 아니라 기계 가독성입니다. 이는 우리가 창작하는 방식과 사용하는 도구를 변화시킬 것입니다.

Santiago Rodriguez: 인공지능 응용 프로그램에서 "스크린 타임" KPI의 종말

지난 15년 동안 스크린 타임은 소비자와 기업 응용 프로그램의 가치 전달을 측정하는 최고의 지표였습니다. 우리는 Netflix 스트리밍 재생 시간, 의료 전자 기록 사용자 경험에서의 마우스 클릭 수(이를 통해 유효 사용을 입증) 또는 ChatGPT에서 소비한 시간을 핵심 성과 지표로 삼는 패러다임 속에서 살아왔습니다. 결과 기반 가격 모델로 나아가면서, 공급자와 사용자 간의 인센티브 메커니즘을 완벽하게 조정할 수 있는 이 모델은 스크린 타임 보고서를 먼저 폐기할 것입니다.

우리는 이미 이를 실천에서 보았습니다. 내가 ChatGPT에서 DeepResearch 쿼리를 실행할 때, 스크린 타임이 거의 제로일지라도 나는 엄청난 가치를 얻을 수 있습니다. Abridge가 의료 대화를 마법처럼 포착하고 후속 작업을 자동으로 수행할 때, 의사는 거의 스크린을 볼 필요가 없습니다. Cursor가 완전한 엔드 투 엔드 애플리케이션을 개발할 때, 엔지니어들은 다음 기능 개발 주기를 계획하고 있습니다. Hebbia가 수백 개의 공개 문서를 기반으로 프레젠테이션을 작성할 때, 투자 은행가들은 드디어 푹 잘 수 있습니다.

이는 독특한 도전을 가져옵니다: 애플리케이션의 단일 사용자 요금 기준은 더 복잡한 투자 수익률(ROI) 측정 방법이 필요합니다. 인공지능(AI) 응용 프로그램의 보급은 의사 만족도, 개발자 효율성, 재무 분석가의 복지 및 소비자 행복도를 높일 것입니다. 가장 간결한 방식으로 ROI를 설명할 수 있는 회사는 경쟁자를 초과할 것입니다.

생물 + 건강

Julie Yoo: 건강한 월간 활성 사용자(MAU)

2026년까지 새로운 의료 고객 집단이 주목받게 될 것입니다: "건강한 월간 활성 사용자"입니다.

전통적인 의료 시스템은 주로 세 가지 사용자 집단을 대상으로 합니다: (a) "병든 월간 활성 사용자": 수요 변동이 크고 비용이 높은 집단; (b) "병든 일간 활성 사용자": 예를 들어, 장기 중환자 치료가 필요한 환자; (c) "건강한 청년 활성 사용자": 상대적으로 건강하고 거의 병원에 가지 않는 집단. 건강한 청년 활성 사용자는 병든 월간 활성 사용자/일간 활성 사용자로 전환될 위험에 처해 있으며, 예방적 치료가 이러한 전환을 늦출 수 있습니다. 그러나 치료 중심의 의료 보상 시스템은 예방이 아닌 치료를 보상하므로, 능동적인 건강 검진 및 모니터링 서비스는 우선 고려되지 않으며, 보험도 이러한 서비스를 거의 보장하지 않습니다.

이제 건강한 월간 활성 사용자 집단이 등장했습니다: 그들은 병이 없지만 정기적으로 자신의 건강 상태를 모니터링하고 이해하고 싶어합니다. 그리고 그들은 소비자 집단에서 가장 큰 비율을 차지할 가능성이 있습니다. 우리는 인공지능 네이티브 스타트업과 기존 기업의 업그레이드 버전을 포함한 여러 회사가 이 사용자 집단을 위해 정기적인 서비스를 제공하기 시작할 것으로 예상합니다.

인공지능이 의료 서비스 비용을 낮출 수 있는 잠재력, 예방에 초점을 맞춘 새로운 건강 보험 제품의 출현, 그리고 소비자들이 구독 모델 비용을 자발적으로 지불할 의향이 높아짐에 따라, "건강한 월간 활성 사용자"는 의료 기술 분야의 다음으로 큰 잠재 고객 집단을 나타냅니다: 그들은 지속적으로 참여하고, 데이터 기반이며, 예방에 중점을 둡니다.

Speedrun (a16z 내부 투자 팀의 이름)

Jon Lai: 세계 모델이 서사 분야에서 빛나다

2026년, 인공지능 기반의 세계 모델은 상호작용하는 가상 세계와 디지털 경제를 통해 서사 방식을 완전히 변화시킬 것입니다. Marble(월드랩스) 및 Genie 3(딥마인드)와 같은 기술은 이제 텍스트 프롬프트에 따라 완전한 3D 환경을 생성하여 사용자가 게임처럼 탐험할 수 있게 합니다. 창작자들이 이러한 도구를 채택함에 따라, 새로운 서사 형식이 등장할 것이며, 궁극적으로는 "생성적 마인크래프트"로 발전할 수 있습니다. 플레이어는 "내가 만지는 모든 것을 분홍색으로 바꾸는 브러시를 만들어라"와 같은 명령을 발행할 수 있습니다.

이러한 모델은 플레이어와 창작자 간의 경계를 모호하게 하여 사용자가 동적으로 공유된 현실의 공동 창작자가 되게 합니다. 이러한 진화는 서로 연결된 생성적 다중 우주를 촉발할 수 있으며, 판타지, 공포, 모험 등 다양한 장르가 공존할 수 있습니다. 이러한 가상 세계에서 디지털 경제는 번창할 것이며, 창작자는 자산을 만들거나, 초보자를 안내하거나, 새로운 상호작용 도구를 개발하여 수익을 얻을 수 있습니다. 오락 외에도 이러한 생성적 세계는 인공지능 에이전트, 로봇 및 범용 인공지능(AGI)을 훈련하는 풍부한 시뮬레이션 환경이 될 것입니다. 따라서 세계 모델의 출현은 새로운 게임 유형의 출현을 나타낼 뿐만 아니라, 새로운 창의적 매체와 경제의 최전선의 도래를 예고합니다.

Josh Lu: "내가 주인공이 되는 해"

2026년은 "내가 주인공이 되는 해"가 될 것입니다: 그때 제품은 더 이상 대량 생산되지 않고, 당신을 위해 맞춤 제작됩니다.

우리는 이 추세를 곳곳에서 목격하고 있습니다.

교육 분야에서는 Alphaschool과 같은 스타트업이 각 학생의 학습 속도와 관심에 맞춰 조정할 수 있는 인공지능 멘토를 구축하고 있습니다. 이를 통해 각 아이는 자신의 학습 속도와 선호에 맞는 교육을 받을 수 있습니다. 모든 학생에게 수만 달러의 튜터링 비용을 지출하지 않고서는 이러한 수준의 관심을 제공할 수 없습니다.

건강 분야에서는 인공지능이 당신의 생리적 특성에 맞춘 일일 영양 보충제 조합, 운동 계획 및 식단을 설계하고 있습니다. 코치나 실험실이 필요 없습니다.

미디어 분야에서도 인공지능은 창작자가 뉴스, 프로그램 및 이야기를 재조합하여 당신의 관심과 선호에 완전히 맞는 개인화된 정보 흐름을 만들 수 있게 합니다.

지난 세기 가장 큰 회사들이 성공할 수 있었던 이유는 그들이 일반 소비자를 찾았기 때문입니다.

다음 세기 가장 큰 회사들은 일반 소비자 중 개체를 찾아 승리할 것입니다.

2026년, 세계는 더 이상 모든 사람을 위해 최적화되지 않고, 당신을 위해 최적화되기 시작할 것입니다.

Emily Bennett: 첫 번째 인공지능 네이티브 대학

나는 2026년 우리가 첫 번째 인공지능 네이티브 대학의 탄생을 목격할 것이라고 예상합니다. 이는 인공지능 시스템을 중심으로 제로에서 시작하여 구축된 기관입니다.

지난 몇 년 동안 대학들은 인공지능을 채점, 튜터링 및 커리큘럼 조정에 적용하려고 시도해 왔습니다. 그러나 지금 나타나고 있는 것은 실시간으로 학습하고 스스로 최적화할 수 있는 더 깊은 인공지능, 즉 적응형 학문 시스템입니다.

이런 기관에서 수업, 상담, 연구 협력, 심지어 건물 운영이 데이터 피드백 루프에 따라 지속적으로 조정된다고 상상해 보십시오. 수업 일정은 스스로 최적화됩니다. 읽기 목록은 매일 밤 업데이트되며, 새로운 연구가 등장함에 따라 자동으로 재작성됩니다. 학습 경로는 각 학생의 학습 속도와 실제 상황에 맞게 실시간으로 조정됩니다.

우리는 이미 몇 가지 징후를 보았습니다. 애리조나 주립대학교(ASU)와 OpenAI의 전교적 협력은 교육 및 행정 관리를 포함한 수백 개의 AI 기반 프로젝트를 탄생시켰습니다. 뉴욕 주립대학교(SUNY)는 이제 AI 소양을 교양 교육 요구 사항에 포함시켰습니다. 이러한 것들은 더 깊은 배포의 기초입니다.

AI 네이티브 대학에서는 교수들이 학습의 설계자가 되어 데이터 관리, 모델 조정 및 학생들이 기계 추론에 의문을 제기하는 방법을 안내합니다.

평가 방법도 변화할 것입니다. 탐지 도구와 표절 금지는 AI 인식 평가로 대체되며, 학생의 평가 기준은 AI를 사용했는지 여부가 아니라 AI를 어떻게 사용했는지가 됩니다. 투명하고 전략적으로 활용하는 것이 금지를 대체합니다.

모든 산업이 AI 시스템을 설계, 관리 및 협업할 수 있는 인재를 채용하기 위해 노력함에 따라, 이 새로운 유형의 대학은 AI 시스템 조정에 능숙한 졸업생을 양성하여 빠르게 변화하는 노동 시장을 지원하는 교육의 중심지가 될 것입니다.

이 AI 네이티브 대학은 새로운 경제의 인재 엔진이 될 것입니다.

오늘은 여기까지입니다. 다음 부분에서 뵙겠습니다. 기대해 주세요.

```