소프트웨어 복제—유료 소프트웨어는 정말 끝났는가?

최근 개발자들이 AI 도구를 사용해 Adobe를 비롯한 인기 유료 소프트웨어를 복제하고 있다는 보도가 나오면서, 도용이라는 비판부터 무료 오픈소스 도구를 반기는 반응까지 엇갈린 의견이 쏟아지고 있다.

하지만 원본 소프트웨어를 소유한 기술 기업이나, 소프트웨어를 사용하기 위해 값비싼 구독료를 내는 사람들에게는 어떤 의미일까?

ABBYY의 사이버 보안 아키텍처·운영·AI 보안 부문 수석 이사인 Matt Wood는 이러한 우려가 커지는 현상을 조사해 왔으며, AI 기반 소프트웨어 개발의 위험과 기회에 대한 자신의 견해를 전한다.

1996년, Fatboy Slim은 수십 년 동안 거의 아무도 들어 본 적 없는 1960년대 음반에서 가져온 기타 리프를 바탕으로 “Rockafeller Skank”를 만들었다. The Chemical Brothers는 잊힌 펑크 음반의 브레이크비트를 반복해 경기장을 가득 채우는 앤섬으로 만들었다. The Prodigy는 사이렌 소리와 영화 대사, 잘 알려지지 않은 바이닐 음반의 소리를 샘플링해 이전에는 들어 본 적 없는 음악을 만들어 냈다. 샘플링은 음악 제작 비용만 낮춘 것이 아니었다. 누가 음악을 만들 수 있는지를 바꾸었고, 업계 전체가 더 어려운 질문을 던지게 했다. 과연 무엇이 독창적인 것으로 인정되는가?

오늘날 AI는 기업에도 같은 질문을 던지게 한다. 다만 걸려 있는 것은 차트 순위가 아니다. 운영 성과와 규정 준수에 따른 위험, 그리고 기업이 내리는 모든 결정에 고객이 보내는 신뢰다.

복제는 쉽다. 통찰은 그렇지 않다.

대규모 언어 모델 덕분에 기존 지식을 재조합하기가 놀라울 만큼 쉬워졌다. 계약 조항을 작성하고, 보고서를 요약하고, 접근할 수 있는 텍스트를 바탕으로 그럴듯한 답변을 생성할 수 있다. 이러한 역량은 실질적인 가치를 지닌다. 그러나 복제는 발견과 다르며, 이 둘을 혼동하는 지점에서 많은 기업의 AI 프로젝트가 조용히 정체된다.

생성형 시스템은 완성된 것처럼 보이는 결과물을 만드는 데 매우 능숙하므로 이 구분이 중요하다. 놀라울 정도로 유창하게 어조와 구조, 확신에 찬 표현을 흉내 낼 수 있다. 하지만 스스로 결과물이 적절한 근거에 기반하고, 올바른 프로세스와 연결되며, 적절한 판단을 반영한다고 보장할 수는 없다.

이러한 긴장은 기업에만 국한되지 않는다. 창작 분야에서도 나타난다. 2024년 Science Advances 연구에 따르면, AI의 도움은 개별 이야기의 인지된 품질과 창의성을 높였으며, 특히 창의성이 낮은 작가에게 효과가 컸다. 동시에 전체 이야기들은 서로 더 비슷해졌다. 다시 말해, 개별 수준에서는 결과물이 개선됐지만 집단 수준에서는 서로 수렴했다. 더 많이 만들어 낸다고 해서 반드시 독창성이 높아지는 것은 아니었다. 오히려 같은 아이디어를 더 매끄럽게 표현하는 경우가 많았다.

이것이 축소판으로 본 기업의 위험이다. 누구나 동일한 범용 도구를 사용할 수 있을 때 경쟁 우위는 더 많은 글이나 요약, 추천을 생성하는 데서 나오지 않는다. 무엇이 중요한지, 무엇을 신뢰해야 하는지, 무엇을 실행에 옮길 가치가 있는지 아는 데서 나온다.

비즈니스의 문제는 생성이 아니라 현실에 접근하는 것이다

대부분의 기업은 언어가 부족한 것이 아니다. 접근하기 쉽고 신뢰할 수 있는 맥락이 부족하다.

기업이 실제로 보유한 지식은 대개 계약서, 송장, 온보딩 양식, 청구서, 이메일, 보고서, 스캔된 PDF, 그리고 문서를 한 팀에서 다른 팀으로 전달하는 업무 흐름 곳곳에 흩어져 있다. 재무 부문의 지급 예외, 온보딩 과정의 규정 준수 문제, 운영 부문의 서비스 지연은 흔히 구조가 완전하지 않고 형식이 일관되지 않으며, 리더들이 의사결정에 활용하는 시스템과 연결되지 않은 상태에서 시작된다.

그래서 많은 기업의 AI 프로젝트가 시연에서는 인상적으로 보이지만 실제 운영 환경에서는 실패할 수 있다. 모델의 역량은 충분할지 몰라도 맥락은 불완전하다. 모델은 자신이 접근할 수 있는 정보만을 바탕으로 추론할 수 있으며, 많은 조직에서 그 정보는 실제 상황의 일부에 불과하다.

이는 단순한 이론상의 약점이 아니다. 의사결정의 질에 영향을 미친다. 모델이 관련 수정 계약서에 접근하지 못한 채 계약서를 요약한다면, 명료하게 들리는 내용도 불완전할 수 있다. 여러 형식과 공급업체에 걸친 송장 예외를 파악하지 못한 채 매입금 문제를 분석한다면, 깔끔하지만 쓸모없는 권고를 내놓을 수 있다. 주요 정보가 스캔된 양식이나 단절된 업무 흐름에 갇혀 있는 상태에서 고객 온보딩을 돕는다면, 잘못된 결론에 더 빨리 도달하게 할 수 있다.

그 결과는 통찰이 아니다. 확신에 찬 듯 들리는 추측일 뿐이다.

모방이 이해보다 빠르게 확산되는 이유

바로 이 지점에서 음악 샘플링에 빗댄 비유는 단순한 비유를 넘어선다.

샘플링은 음악 제작을 더 빠르고 저렴하며 쉽게 접근할 수 있게 만들었다. 하지만 오래 살아남은 프로듀서는 단편을 그저 베낀 사람들이 아니었다. 그 조각을 변형할 감각과 절제력을 갖춘 사람들이었다. 누구나 비트를 가져다 쓸 수는 있었지만, 그 비트를 바탕으로 새로운 사운드를 만들어 낼 수 있는 사람은 모두가 아니었다.

AI는 소프트웨어와 지식 노동에서도 비슷한 양극화를 낳고 있다. 모방의 장벽은 크게 낮아졌다. 인터페이스를 복제하고, 결과물을 재현하고, 작업 흐름을 흉내 내고, 전문성을 어림잡아 구현하기가 그 어느 때보다 쉬워졌다. 소프트웨어의 전체 범주가 점점 표면적인 수준에서 재현될 위험에 놓이고 있다.

Adobe의 무료 대안을 만든 개발자 Brandon Thomas가 단언했듯이, 그렇다고 유료 소프트웨어가 끝났다는 뜻은 아니다. 소프트웨어의 가치가 이동하고 있다는 뜻이다.

모방 비용이 낮아지면 가치는 다른 곳으로 옮겨간다. 신뢰와 통합, 판단력, 그리고 현실의 조건에서도 유효한 결과를 만들어 내는 능력으로 말이다. 이제 중요한 질문은 AI 시스템이 전문가의 작업과 비슷한 답을 만들어 낼 수 있는지가 아니다. 높은 위험이 따르는 상황에서도 사람들이 신뢰할 수 있을 만큼, 맥락에 맞게 투명성을 갖추고 일관되게 답할 수 있는지가 관건이다.

복제한 결과물을 만들어 내기는 쉽다. 믿을 수 있는 성과를 내기는 그렇지 않다.

숨은 프리미엄은 전문성이다

AI 복제가 보편화된 시대에 전문성이 덜 중요해지는 것이 아니라 더욱 중요해지는 이유가 바로 여기에 있다.

수년 동안 많은 디지털 도구는 전문 역량을 희소하게 제공함으로써 가치를 창출했다. 소프트웨어가 프로세스를 코드화하고, 작업을 표준화하거나, 이전에는 어려웠던 업무 흐름을 간소화할 수 있다면 고객은 그렇게 패키지화된 전문성을 이용하기 위해 비용을 지불했다. 생성형 AI는 이제 전문성의 눈에 보이는 여러 특징을 적은 비용으로 모방할 수 있기 때문에 이런 모델을 흔들고 있다.

하지만 모방은 겉면만 포착할 뿐이다.

진정한 전문성이란 어떤 예외가 중요한지, 어떤 모호함을 간과해서는 안 되는지, 어떤 출처가 권위 있는지, 그리고 시스템의 답을 받아들이지 말고 언제 의문을 제기해야 하는지 아는 것이다. 문서에서 텍스트를 추출하는 것과, 그 텍스트만으로 비즈니스 의사결정을 뒷받침하기에 충분한지 이해하는 것은 다르다. 정책을 요약하는 것과, 그 요약이 잘못됐을 때 어떤 운영상 결과가 생기는지 알아차리는 것도 다르다.

AI와 독창성을 둘러싼 많은 논의가 빗나가는 지점도 바로 여기다. 비즈니스에서 독창성은 대개 새로움 자체를 추구하는 일이 아니다. 다른 사람들이 놓치는 것을 알아보는 일이다. 프로세스의 잡음 속에 숨은 위험, 파편화된 정보에 묻힌 패턴, 서로 연결되지 않은 시스템 때문에 가려진 기회가 그 예다. 이런 독창성은 유려한 결과물을 만드는 능력보다 정확한 해석에 더 크게 좌우된다.

문서가 전부는 아니지만, 이야기는 흔히 문서에서 시작된다

문서가 중요한 이유는 기업의 현실이 가장 흔히 저장되는 곳 중 하나이면서도, 그 내용을 온전히 활용하기는 어려운 곳이기 때문이다.

그렇다고 「문서 AI」가 이 이야기의 주인공이라는 뜻은 아니다. 문서 이해는 운영 정보를 AI 시스템이 책임감 있게 활용할 수 있는 형태로 바꾸는 더 큰 분야의 한 부분일 뿐이다. 조직이 생성형 모델을 통해 더 나은 결과를 얻고자 한다면, 모델이 의존하는 근거에 더 쉽게 접근할 수 있어야 한다. 많은 경우 이를 위해서는 서식과 파일, 단절된 인계 과정에 갇혀 있을 정보를 추출하고 검증해 구조화해야 한다.

이런 역량을 잘 활용한다는 것은 특정 제품 범주를 다른 범주보다 앞세우는 일이 아니다. 기업이 알고 있는 것과 AI 시스템이 실제로 파악할 수 있는 것 사이의 간극을 줄이는 일이다.

이 차이는 중요하다. 가장 강력한 기업 AI 전략은 생성 기능만으로 세워지지 않는다. 활용 가능한 데이터, 프로세스에 대한 이해, 사람의 감독을 결합해 구축된다. 예를 들어 MIT의 Project NANDA가 발표한 최근 기업 연구는 AI 도입의 가장 큰 장벽이 모델 품질 자체에만 있는 경우는 드물며, 오히려 업무 흐름과의 통합이 미흡하고 실제 사용 환경에서 도구가 어떻게 작동하는지에 대한 신뢰가 부족한 데 있는 경우가 많다고 주장한다.

이는 익숙하게 들릴 것이다. 기업은 인공적으로 생성된 결과물을 가장 많이 만들어 낸다고 성공하는 것이 아니다. 방어할 수 있는 정보를 바탕으로 더 나은 결정을 더 빠르고 일관되게 내릴 때 성공한다.

다음 프리미엄은 판단력이다

샘플링은 음악의 가치를 떨어뜨리지 않았다. 독창성의 의미를 바꾸었다.

원재료를 더 쉽게 재사용할 수 있게 되자, 프리미엄은 선별과 편곡, 의도로 옮겨갔다. 접근성보다 판단력이 더 중요해졌다. 지금 기업 AI에서도 같은 일이 일어나고 있다. 소프트웨어 복제가 쉬워질수록 오래가는 경쟁 우위는 유능한 작업을 흉내 낼 수 있는 모델을 보유하는 데서 나오지 않을 것이다. AI를 적절한 맥락에 연결하고, 알맞게 제약하며, 인간의 창의성과 분야별 판단력이 여전히 가장 중요한 곳에 적용하는 능력에서 나올 것이다.

「AI가 소프트웨어를 대체한다」는 주장을 둘러싼 논의에서 많은 사람이 놓치는 부분이 바로 이것이다. 모든 도구를 인터페이스 수준에서 복제할 수 있다면, 진정한 해자는 인터페이스가 아니다. 그 뒤에 있는 깊이 있는 이해, 즉 업무 흐름의 논리와 예외 처리, 신뢰할 수 있는 데이터, 조직의 지식, 그리고 결과물을 의사결정으로 전환하는 데 필요한 인간의 전문성이다.

그렇다면 유료 소프트웨어는 정말 끝난 걸까? 소프트웨어의 가치가 애초에 눈에 보이는 층위에만 있다고 믿었을 때에만 그렇다.

소프트웨어의 범용 기능을 둘러싼 압박은 더욱 커질 것이다. 일부 제품은 복제될 것이다. 일부 범주는 더 좁아질 것이다. 한때 프리미엄을 받을 만큼 가치 있던 기능도 기본 요건이 될 것이다. 그러나 살아남는 도구와 기업은 조직이 모방에서 이해로 나아가도록 돕는 곳일 것이다.

AI의 샘플링 전환점이 중요한 이유가 바로 여기에 있다. 복제 비용이 낮아져도 독창성이 필요 없게 되는 것은 아니라는 점을 일깨워 준다. 독창성이 발휘되는 지점이 달라질 뿐이다.

음악에서는 원재료를 연주하는 데서 이를 변형하는 기술로 독창성의 무게중심이 옮겨 갔다.

기업용 AI에서는 그 무게중심이 그럴듯한 결과물을 생성하는 데서 신뢰할 수 있는 정보와 전문가의 판단, 창의적인 문제 해결을 규율 있게 활용하는 방향으로 옮겨 가고 있다.

복제는 저렴하다. 통찰력은 그렇지 않다. 그래서 AI의 다음 단계는 그저 지능적으로 들리는 시스템의 몫이 아닐 것이다. 이미 알고 있는 것을 활용 가능한 형태로 만들어 진정으로 새로운 무언가를 발견할 줄 아는 조직의 몫이 될 것이다.