이터너스 기고 | 우리는 아직 개인화를 경험한 적이 없다

겉으로 드러난 상태에 라벨을 붙이는 일은 이제 어렵지 않다. 사용자가 얼마나 머물렀는지, 무엇을 클릭했는지, 어떤 영상을 반복해서 봤는지, 심박이 높아졌는지, 회의가 몇 번 있었는지 등 시스템은 이런 정보들을 꽤 정확히 기록한다. 문제는 그 다음이다. ‘피곤함’이라는 신호가 잡혔다고 해서, 그 피로가 수면 부족 때문인지 업무 압박 때문인지 관계의 피로 때문인지 단순한 이동 피로 때문인지는 전혀 다른 질문이다. 지금 우리가 개인화라고 부르는 많은 기술은 여기서 멈춘다. 결과는 보여주지만 원인은 모른다. 라벨은 붙이지만 맥락은 비워둔다. 추천은 하지만 왜 지금 그것이 필요한지는 설명하지 못한다. AI 글래스의 등장은 이 한계를 더 선명하게 드러낸다. 구글은 안드로이드 XR과 제미나이를 결합한 지능형 안경을 공개했고, 엑스리얼(XREAL)의 프로젝트 아우라(Project Aura)도 같은 생태계 위에서 AI 글래스의 가능성을 보여줬다. AI는 더 이상 스마트폰 화면 안에 머물지 않는다. 이제 사용자의 시야로, 현장의 업무 환경으로 들어오고 있다. 그러나 진짜 질문은 하드웨어가 아니다. 디스플레이가 얼마나 선명한지, 카메라가 몇 개인지, 어떤 대규모 언어 모델(LLM)이 탑재되는지보다 더 중요한 것은 ‘AI가 사용자의 눈앞에 무엇을 보여줘야 하며, 그보다 먼저 무엇을 보여주지 말아야 하는가’라는 질문이다. 스마트폰에서는 잘못된 추천을 스크롤로 넘기면 그만이다. 구글 AI글래스에서는 그 잘못된 정보가 시야를 그대로 가로막는다. 스마트폰의 불필요한 알림은 불편함이지만, 글래스의 불필요한 알림은 인지 부하가 된다. 이건 글래스만의 문제가 아니다. 제조 공정, 바이오 신호, 방산 현장, 기업용 AI 에이전트 모두 결국 같은 질문 앞에 선다. 수많은 데이터 중 지금 계산해야 할 것은 무엇이고, 버려야 할 것은 무엇인가? 우리는 왜 개인화를 경험하지 못했나 첫 번째 착각: 비슷한 사람들이 좋아한 것은 나에게도 맞을 것이다. 추천 알고리즘은 오랫동안 이 전제 위에서 발전했다. 나와 비슷한 사람들이 본 영상, 구매한 물건, 방문한 식당을 내게도 보여준다. 분명 효과가 있는 방식이다. 하지만 그것은 타인과의 유사성일 뿐, 지금 나의 상태와 목적을 이해했다는 뜻은 아니다. 별점이 높은 식당도 오늘 내 몸 상태와 맞지 않으면 좋은 추천이 아니다. 비슷한 사람들이 좋아한 영상도 지금 내 집중력을 회복시키지 못하면 의미가 없다. 개인화는 ‘비슷한 사람’을 찾는 일이 아니라 ‘지금 이 사람’을 이해하는 일이어야 한다. 두 번째 착각: 과거 행동이 현재 의도를 설명한다. 어제 본 영상, 지난주 검색어, 지난달 구매 이력은 모두 의미 있는 데이터다. 그러나 그것들은 과거의 흔적일 뿐이다. 같은 사람이라도 출근길, 회의 직전, 야근 후, 병원 대기실, 가족과 함께 있는 시간의 필요는 저마다 다르다. 사용자는 고정된 프로필이 아니다. 같은 행동도 맥락에 따라 다른 의미를 갖는다. 늦은 밤 영상을 오래 본 행동을 시스템은 ‘높은 관심’으로 해석할 수 있지만, 실제로는 불면이나 스트레스 때문일 수 있다. 과거 행동을 많이 모으는 것과 현재 의도를 읽는 것은 전혀 다른 차원의 문제다. 세 번째 착각: 컨텍스트가 길어지면 이해도 깊어진다. 생성형 AI가 더 긴 문맥을 처리할 수 있게 되자 기업들은 더 많은 데이터를 모델에 밀어넣기 시작했다. 고객 상담 이력, 구매 데이터, 내부 문서, 대화 로그, 센서 데이터까지 모두 연결하면 AI가 더 잘 이해할 것처럼 보인다. 하지만 많은 데이터가 곧 좋은 맥락은 아니다. 컨텍스트가 길어질수록 비용은 늘고 응답은 느려지며, 핵심 정보는 노이즈 속에 묻힌다. 이른바 컨텍스트의 저주에 빠진다. 기업용 AI에서 중요한 건 모든 데이터를 기억하는 능력이 아니라, 지금 필요한 데이터만 남기는 능력이다. 네 번째 착각: AI는 답을 잘하면 충분하다. 오늘의 AI는 대체로 답변 엔진으로 설계돼 있다. 사용자가 묻고 AI가 답한다. 그러나 진짜 개인화는 답변 이전에 시작된다. 무엇을 원하는지 불명확할 때, 좋은 사람은 바로 답하지 않고 먼저 묻는다. 빠른 식사가 필요한지, 조용한 장소가 필요한지, 단순한 기분 전환이 필요한지 확인한다. AI도 마찬가지여야 한다. 의도가 충분히 선명하지 않은데도 바로 추천하는 시스템은 친절해 보이지만, 실제로는 맥락을 건너뛴 것이다. 진짜 개인화 AI는 답을 내기 전에 언제 물어야 하는지부터 알아야 한다. 개인화의 단위는 ‘프로필’에서 ‘상태공간’으로 이동한다 진정한 의미의 개인화가 구현되려면 고객을 하나의 프로필로 보는 방식에서 벗어나야 한다. 나이, 성별, 지역, 관심사, 구매 이력은 여전히 필요하다. 다만 그것만으로는 부족하다. 진짜 중요한 건 지금 고객의 상태다. 지금 이동 중인가. 집중해야 하는가. 피로한가. 결정을 앞두고 있는가. 평소 기준선에서 얼마나 벗어나 있는가. 상태가 나빠지고 있는가, 회복되고 있는가 — 이런 질문이 개인화의 중심으로 들어와야 한다. 이 관점은 소비자 서비스에만 머물지 않는다. 제조 공정에서는 평균적으로 정상인 설비가 특정 장비·챔버·레시피·공정 단계의 조합에서만 미세하게 흔들릴 수 있다. 바이오 데이터에서는 같은 수치라도 개인의 기준선과 시간 변화에 따라 의미가 달라진다. 방산 현장에서는 같은 객체라도 위치, 속도, 임무 맥락에 따라 위협도가 달라진다. 형태는 다르지만 문제는 하나다. 개별 데이터가 아니라 상태와 궤적을 읽어야 한다. 평균값이 아니라 기준선에서의 이탈(산포)을 봐야 한다. 단일 이벤트가 아니라 시간에 따른 방향성을 봐야 한다. 이것이 차세대 개인화 엔진이 필요한 이유다. 클릭을 더 많이 모으는 엔진이 아니라 사람과 기계와 환경의 상태 변화를 해석하는 엔진. 모든 데이터를 계산하는 엔진이 아니라 지금 필요한 맥락만 남기는 엔진. 이것이 AI 시대의 새로운 개인화 레이어다. AI글래스는 하나의 예시일 뿐이다 AI 글래스는 이 문제를 가장 눈에 잘 보이게 드러내는 사례다. 사용자의 시야는 좁고 주의력은 제한돼 있어서, 정보가 잘못 올라오면 즉시 피로로 이어진다. 그래서 글래스에서는 ‘더 많이 보여주는 것’보다 ‘덜 보여주는 것’이 더 중요하다. 같은 문제는 이미 다른 산업에도 있다. 기업용 RAG 시스템은 너무 많은 문서를 검색해 모델에 밀어넣는다. 제조 현장의 모니터링 시스템은 너무 많은 알람을 띄운다. 헬스케어 앱은 너무 많은 수치를 보여주지만, 개인의 기준선에서 무엇이 변했는지는 설명하지 못한다. 방산 시스템은 수많은 객체와 센서 신호를 다루지만, 핵심은 지금 판단해야 할 위험 후보를 얼마나 정확히 줄이느냐에 있다. 결국 중요한 건 화면의 종류가 아니다. 스마트폰이든 글래스든 공장 대시보드든 의료 모니터링이든 지휘통제 화면이든, 본질은 같다. 무엇을 계산해야 하는가. 무엇을 버려야 하는가. 무엇을 사람에게 보여줘야 하는가. 웨어러블 상태 신호가 HUD형 인터페이스로 전환되는 개인화 레이어 PoC. 핵심은 디바이스가 아니라, 어떤 맥락을 선별해 전달할 것인가다. 기업이 지금 던져야 할 세 가지 질문 첫째, 우리 AI는 데이터를 더 넣기 전에 무엇을 버릴지 결정하는 기준을 갖고 있는가. 대부분의 기업은 더 많은 데이터를 연결하는 데만 집중한다. 그러나 AI 운영비와 응답 품질을 가르는 건 데이터의 양이 아니라 선택의 기준이다. 어떤 문서를 검색할 것인가. 어떤 로그를 남길 것인가. 어떤 센서 신호는 무시할 것인가. 어떤 순간엔 알림을 보내지 않을 것인가. 이 기준이 없다면 AI는 똑똑해지는 게 아니라 그저 무거워질 뿐이다. 둘째, 우리 시스템은 평균값이 아니라 개별 기준선을 알고 있는가. 고객, 환자, 장비, 공정, 객체는 모두 자신만의 기준선을 갖는다. 같은 스트레스 수치, 같은 온도 변화, 같은 클릭 행동도 누구에게서, 어떤 상황에서, 어떤 시간 흐름 속에 발생했는지에 따라 의미가 달라진다. 평균적인 정상과 개별적인 정상은 다르다. 진짜 개인화는 이 차이를 구분하는 데서 시작한다. 셋째, 우리 AI는 답을 내기 전에 의도가 불분명한 순간을 감지하고 되물을 수 있는가. AI가 항상 즉답해야 하는 건 아니다. 오히려 중요한 순간엔 질문할 수 있어야 한다. 고객의 목적이 불명확할 때, 공정 이상의 원인이 불분명할 때, 생체 신호의 해석이 모호할 때, 현장 객체의 위협도가 애매할 때 — 시스템은 곧장 결론을 내리기보다 추가 맥락을 요청해야 한다. 질문할 수 없는 AI는 사용자의 의도를 끝까지 따라갈 수 없다. ‘눈치’라는 오래된 K-Technic 한국어에는 글로벌 AI 업계가 아직 충분히 번역하지 못한 단어가 있다. 눈치다. 단순한 추측이 아니다. 상대의 말과 표정, 상황과 관계, 시간과 목적을 종합해 지금 무엇이 필요한지 알아차리는 능력이다. AI 시대의 개인화가 향해야 할 방향도 여기에 있다. 화면을 더 많은 정보로 채우는 AI가 아니라, 지금 필요 없는 정보를 조용히 덜어내는 AI. 사용자가 모든 걸 설명하게 만드는 AI가 아니라, 상태와 맥락을 읽고 필요할 때 짧게 되묻는 AI. 더 많이 계산하는 AI가 아니라, 무엇을 계산해야 하는지 먼저 고르는 AI. 우리는 아직 개인화를 충분히 경험하지 못했다. 지금까지의 개인화가 “당신과 비슷한 사람들이 좋아한 것”을 보여주는 기술이었다면, 앞으로의 개인화는 “지금 당신에게 필요한 맥락만 남기고 나머지는 보여주지 않는” 기술이 될 것이다. AI 개인화의 다음 전쟁터는 더 큰 모델도, 더 긴 컨텍스트도, 더 많은 데이터도 아니다. 다음 전쟁터는 맥락 선택이다. 그 맥락을 선별하는 능력, 디지털 시대의 눈치가 결국 기업의 AI 경쟁력을 가를 것이다. *필자 도흥국은 주식회사 이터너스(ETERNERS)의 대표이사이자 창업자다. 이터너스는 사용자 상태와 의도, 시간에 따른 맥락 변화를 해석하는 차세대 개인화 AI 메타 레이어인 Evolution AI Model을 연구·개발하고 있다. 도 대표는 AI 개인화, 온디바이스 AI, 의도 기반 질문 생성 알고리즘, 데이터·토큰 I/O 최적화 분야의 사업화와 기술 라이선싱을 추진하고 있으며, 위상적 데이터 구조와 벡터 공간 분석을 활용한 차세대 개인화 AI 원천기술을 개발하고 있다.dl-ciokorea@foundryco.com