🤖
1312 in / 3145 out / 4457 total tokens
이번 주 눈에 띄는 흐름은 LLM이 실제 업무에 얼마나 깊이 스며들고 있는가다. Simon Willison이 Claude로 SpaceX S-1 문서를 분석한 사례는 단순 데모가 아니라 실무자의 도구로 자리잡았다는 신호다. 동시에 Google이 검색 광고에 Gemini를 끌어넣는 움직임은 AI 상업화의 다음 단계를 보여준다. 두 사례 모두 개발자에게 직접적인 영향을 미친다.
🔥 핫 토픽
Simon Willison, Claude로 SpaceX S-1 분석
https://simonwillison.net/2026/May/20/spacex-s1/#atom-everything
Simon Willison이 Claude를 활용해 SpaceX의 S-1 등록문서를 분석하는 과정을 공유했다. S-1은 기업이 상장할 때 SEC에 제출하는 문서로, 수십 페이지의 재무 데이터, 위험 요소, 비즈니스 모델 설명이 담긴다. Willison은 이 방대한 문서를 Claude에 넣고 핵심을 추출하는 작업을 시연했다.
이 사례가 중요한 이유는 "LLM으로 문서 요약하기" 같은 뻔한 데모가 아니라는 점이다. Willison은 데이터 저널리즘과 오픈소스 개발로 유명한 인물이다. 그가 실제 업무 흐름에 Claude를 녹여냈다는 건 도구의 성숙도를 보여준다. 경쟁 구도에서 보면, ChatGPT나 Gemini도 비슷한 기능을 제공하지만 Claude의 장문 컨텍스트 처리 능력이 문서 분석에 특히 적합하다는 평가가 많다.
개발자 관점에서 이건 단순히 "AI가 문서를 잘 읽는다"로 끝나지 않는다. 게임 개발에서도 비슷한 패턴이 있다. 예를 들어, UE5 프로젝트의 빌드 로그나 프로파일링 결과를 Claude에 던져서 병목 지점을 찾거나, 엔진 소스 코드의 특정 모듈을 분석하는 식이다. 서버 아키텍처 설계할 때도 레퍼런스 문서를 빠르게 파악해야 하는 상황이 많다. 이런 작업에 LLM을 파이프라인으로 연결하면 반복 작업을 상당히 줄일 수 있다.
기술적 배경을 살펴보면, Claude의 200K 토큰 컨텍스트 윈도우가 핵심이다. S-1 같은 문서는 보통 50~100페이지 분량인데, 이를 한 번에 처리할 수 있다는 건 문서를 쪼개서 여러 번 질문할 필요 없이 전체 맥락을 유지한 분석이 가능하다는 뜻이다. RAG(Retrieval-Augmented Generation) 없이도 꽤 괜찮은 결과가 나온다는 점은 주목할 만하다.
Willison의 실험은 또 하나의 시사점을 준다. 바로 "프롬프트 엔지니어링"이 아니라 "워크플로우 엔지니어링"으로의 전환이다. 단순히 좋은 프롬프트를 작성하는 걸 넘어, 어떤 데이터를 어떤 순서로 모델에 먹이고, 결과를 어떻게 검증할 것인지가 중요해진다. 이건 게임 개발에서 파이프라인 짜는 것과 비슷한 사고방식이다.
출처: Simon Willison
Google, 검색 광고에 Gemini 통합 및 챗봇 내장 광고 론칭
https://www.theverge.com/tech/934585/google-ai-shopping-ads-search
Google이 AI 기반 검색 경험에 광고를 본격적으로 통합하기 시작했다. 검색 결과에 Gemini가 생성한 AI 요약이 등장하고, 쇼핑 관련 검색 시 AI가 추천하는 제품에 광고가 노출된다. 더 흥미로운 건 일부 광고에 챗봇이 내장된다는 점이다. 사용자가 광고를 클릭하지 않고도 광고 내에서 대화형으로 제품 정보를 얻을 수 있다.
이 뉴스가 왜 중요한가. 첫째, AI 검색의 수익화 모델이 구체화되고 있다. Perplexity나 Claude의 검색 기능, ChatGPT Search 등이 사용자 경험을 개선하는 단계라면, Google은 이미 수익 구조까지 설계하고 있다. 둘째, 광고에 챗봇을 넣는다는 건 LLM이 단순 텍스트 생성을 넘어 인터랙티브한 UI 컴포넌트가 되고 있음을 의미한다.
개발자에게 이건 두 가지 측면에서 중요하다. 먼저, AI 기반 앱을 만들 때 수익화 모델을 고민해야 한다면 Google의 접근을 참고할 만하다. 챗봇 내장 광고는 기술적으로 보면 함수 호출(Tool Use)과 스트리밍 응답을 광고 UI에 녹인 사례다. Claude의 Function Calling이나 OpenAI의 Function Calling을 활용해 비슷한 인터랙티브 경험을 구현할 수 있다.
둘째, 경쟁 구도의 변화다. Anthropic은 Claude를 "안전하고 신뢰할 수 있는 AI"로 포지셔닝하고 있다. 반면 Google은 Gemini를 검색-광고-쇼핑 생태계 전체에 관통시키고 있다. 이 차이는 개발자가 어떤 API를 선택할지에 영향을 미친다. 검색 기반 앱을 만든다면 Google의 생태계가 유리할 수 있지만, 문서 분석이나 코드 생성 같은 영역에서는 여전히 Claude와 GPT가 강세다.
기술적으로 눈여겨볼 점은 "광고 내 챗봇"의 구현 방식이다. 아마도 경량화된 모델이나 특정 도메인에 파인튜닝된 모델을 사용할 것이다. 응답 속도가 중요한 광고 환경에서는 지연 시간을 최소화해야 하고, 이는 모델 최적화와 엣지 추론 기술의 발전을 시사한다. 게임 서버 개발 경험으로 비유하자면, 실시간 멀티플레이어 게임에서 틱 레이트를 관리하는 것과 비슷한 최적화 문제다.
앞서 언급한 Willison의 사례와 맞물려 보면 재미있는 대조가 된다. Willison은 Claude를 "분석 도구"로 쓰고 있고, Google은 Gemini를 "상업적 인터랙션"에 활용하고 있다. 같은 LLM 기술이지만 접근 방식이 완전히 다르다. 개발자로서 두 접근 모두 이해하고 있어야 한다.
출처: The Verge
💡 개발자 관점 종합
두 뉴스를 관통하는 키워드는 "AI의 실용적 통합"이다. Claude로 문서를 분석하든, Gemini로 광고를 강화하든, LLM은 이제 독립적인 챗봇이 아니라 기존 워크플로우에 스며드는 컴포넌트가 됐다.
Anthropic 생태계에서 주목할 점은 Claude의 API가 이런 통합에 얼마나 적합한가 하는 문제다. 200K 컨텍스트, Function Calling, 스트리밍 지원 등은 개발자가 파이프라인을 구축하기에 좋은 조건이다. 다만 Google처럼 끝까지 수익화까지 연결하는 생태계는 아직 부족하다. 이건 Anthropic이 풀어야 할 숙제이기도 하다.
게임 개발자로서 한 가지 덧붙이자면, AI를 사이드 프로젝트에 통합할 때 처음부터 복잡한 걸 만들려 하지 마라. Willison처럼 기존 작업 흐름에서 하나를 골라 AI로 대체하는 것부터 시작하는 게 현실적이다. 필드의 NPC 대사 생성, 레벨 디자인 문서 분석, 버그 리포트 자동 분류 같은 작업이 좋은 출발점이다.
LLM은 이제 화려한 데모의 단계를 넘어 실무 파이프라인의 구성요소가 됐다. 남은 문제는 수익화와 최적화다.