hello

AI 전쟁, 제2막: SKT 'A.X 4.0' vs KT '믿:음 2.0' 같은 날 정면 승부

2025년 7월 3일, SK텔레콤과 KT가 각자의 한국형 거대언어모델(A.X 4.0 / 믿:음 2.0)을 오픈소스로 동시에 공개하며 '소버린 AI' 시대의 서막을 열었습니다. 글로벌 기술 최적화와 한국적 철학이라는 상반된 전략 속, 이들이 던진 메시지와 국내 AI 생태계에 미칠 파급력을 짚어봅니다.

Share

2025년 7월 3일, 대한민국 AI 역사에 기록될 만한 하루였습니다.
국내 통신업계의 양대 산맥인 SK텔레콤(SKT)과 KT가 약속이라도 한 듯, 각자의 차세대 한국형 거대언어모델(LLM)을 오픈소스로 동시에 공개하며 ‘소버린 AI(Sovereign AI, AI 주권)’ 시대의 본격적인 개막을 알렸습니다.

글로벌 빅테크 기술 의존에서 벗어나, 우리 데이터와 문화에 최적화된 ‘한국의 AI’를 만들겠다는 두 기업의 야심 찬 출사표. 과연 두 모델은 어떤 기술적 차이를 가졌고, 이번 발표가 국내 AI 생태계에 어떤 의미를 던지는지 깊이 파헤쳐보겠습니다.


1️⃣ SK텔레콤의 야심작: 글로벌 기술 기반의 ‘최고 성능’ – A.X 4.0

SKT는 세계 최고 수준의 한국어 처리 능력을 목표로 개발한 ‘A.X 4.0(에이닷엑스 4.0)’을 공개했습니다.SKT는 특히 성능 면에서 강한 자신감을 내비쳤고, 일부 한국어 평가에서 GPT-4o를 능가하는 성과를 입증했다고 밝혔습니다.

✅ 핵심 전략: ‘글로벌 기술의 현지 최적화’

SKT의 전략은 강력한 오픈소스 모델에 한국어 성능을 극대화하는 방식입니다.
‘A.X 4.0’은 글로벌 오픈소스 모델인 ‘Qwen 2.5’를 기반으로, 자체 구축한 슈퍼컴퓨터 ‘타이탄’을 활용해 방대한 한국어 데이터를 추가 학습시킨 모델입니다.

🔍 오픈소스 모델 라인업

SKT는 두 가지 버전의 모델을 글로벌 AI 개발자 커뮤니티 ‘허깅페이스’에 공개했습니다.

  • 표준 모델 (72B 파라미터): 높은 성능을 요구하는 작업에 적합
  • 경량 모델 (7B 파라미터): 빠른 응답과 효율적 운영에 적합

2️⃣ KT의 철학: 자체 기술로 구현한 ‘한국적 AI’ – 믿:음 2.0

같은 날 KT는 ‘한국적 AI’라는 철학을 전면에 내세운 ‘믿:음(Mi:dm) 2.0’을 공개했습니다. KT는 외부 기술에 의존하지 않고 기초부터 모두 자체 기술로 개발되었음을 강조하며, 한국 사회의 고유한 맥락과 문화적 특성을 이해하는 AI를 목표로 삼았습니다.

✅ 핵심 전략: ‘문화적 깊이와 자율성’

KT는 110억(11B) 파라미터 규모의 ‘믿:음 2.0’을 상업용으로도 자유롭게 활용 가능한 오픈소스로 공개했습니다. 이는 기업들이 KT의 모델을 기반으로 자사 서비스에 맞는 맞춤형 AI를 손쉽게 만들 수 있도록 생태계를 구축하려는 전략입니다.

🏛 정부 정책과의 연계

KT는 온라인 브리핑을 통해 ‘믿:음 2.0’의 공개가 정부가 추진 중인 ‘소버린 AI’ 정책에 호응하는 것임을 명확히 했습니다. 기술 독립을 통해 국가 AI 경쟁력을 강화하겠다는 흐름과도 맞닿아 있습니다.


3️⃣ 왜 같은 날? 왜 오픈소스인가?

‘소버린 AI’라는 시대적 과제

두 통신사의 동시 발표는 단순한 우연이 아닙니다. 정부가 추진하는 소버린 AI 정책 기조와 깊이 맞물려 있는 흐름입니다. 이러한 동시 오픈소스 공개는 몇 가지 중요한 의미를 갖습니다.

🎯 핵심 의미

  • AI 주도권 확보:
    자체 모델을 개방하며 국내 AI 생태계 중심에 서겠다는 주도권 경쟁이 본격화
  • 생태계 활성화:
    기업·개발자가 자유롭게 모델을 활용할 수 있어,
    다양한 응용 서비스와 혁신적인 아이디어 창출의 토양 마련
  • 국가 대표 AI 경쟁:
    정부 주도의 독자적인 파운데이션 모델 프로젝트와
    발맞추어 양사가 기술력을 증명하고 주도권 확보를 위한 승부수를 던진 것으로 해석됨

🧩 결론: 이제 시작된 ‘돈 버는 AI’ 경쟁

SKT의 ‘글로벌 기술 기반 최고 성능’, KT의 ‘자체 개발 기반 한국적 철학’.

두 기업이 각기 다른 해법을 내세운 점은 매우 인상적입니다.
하지만 화려한 출사표 뒤에는 ‘돈 버는 AI’라는 현실적인 과제가 남아 있습니다.


⚔️ 진짜 경쟁은 이제부터

공은 시장으로 넘어왔습니다.
과연 어떤 모델이 더 많은 기업과 개발자의 선택을 받고
실질적인 가치를 창출할 수 있을까요?

Read more

LLM 시대, 프롬프트 엔지니어링보다 '도메인 전문성'이 더 강력한 무기인 이유

최근 AI 도구들이 비약적으로 발전하면서 '프롬프트 엔지니어링'이라는 기술적 기법에 많은 관심이 쏠렸습니다. 하지만 실제 현업에서 LLM을 극한으로 활용해 고도의 결과물을 만들어내는 사람들의 공통점은 정교한 프롬프트 템플릿을 쓰는 능력이 아니라, 해당 분야에 대한 깊은 '도메인 전문성'을 갖추고 있다는 점입니다. 많은 이들이 LLM이 지식의 격차를 줄여준다고

By JHL

AI 코딩 에이전트 도입 시 고려해야 할 보안 제어 프레임워크: 속도와 안전의 균형 잡기

최근 Claude Code나 Kiro와 같은 AI 코딩 에이전트들이 단순한 코드 완성을 넘어, 자연어 프롬프트 하나로 수십 개의 PR을 생성하고 인프라를 수정하는 수준까지 발전했습니다. 하지만 이러한 생산성 향상은 '기계적 속도'라는 트레이드오프를 동반합니다. AI 에이전트는 조직의 보안 리스크나 컴플라이언스를 이해하지 못한 채 오직 '작업 완료'에만 최적화되어

By JHL

AI 벤치마크의 '포화 상태'와 평가 지표의 유효기간: 우리는 무엇을 믿어야 하는가

최근 LLM의 성능이 비약적으로 상승하면서, 역설적으로 우리가 모델의 성능을 측정하는 '자' 자체가 무용지물이 되는 현상이 가속화되고 있습니다. arXiv에 게재된 "When AI Benchmarks Plateau: A Systematic Study of Benchmark Saturation" 연구는 우리가 흔히 신뢰하는 벤치마크 점수가 왜 더 이상 모델 간의 변별력을 제공하지 못하는지, 그리고 이른바 '

By JHL

AI 에이전트 시대의 엔드포인트 보안: 실행 권한을 넘어 '행위 거버넌스'로

DevOps.com을 통해 Airlock Digital이 발표한 'Agentic AI Control & Governance' 솔루션 소식을 접했습니다. 이번 발표의 핵심은 단순히 '어떤 AI 소프트웨어를 실행할 것인가'라는 기존의 화이트리스트 방식(Application Control)을 넘어, 실행 중인 AI 에이전트가 '실제로 어떤 명령을 내리고 어떻게 행동하는가'를 실시간으로 제어하겠다는

By JHL