프로덕트 소식은 넘쳐나지만 대부분 이런 게 나왔대에서 끝납니다. 그래서 뭘 어떻게 하라고? 내 작업에 어떻게 써먹지? 거기까진 연결이 잘 안 되죠. 따라서 요즘 프로덕트 메이커는 바로 쓸 수 있는 것, 그 중에서도 주목해볼 만한 것을 엄선해서 매주 금요일에 전달드리려 합니다.

요즘 프로덕트 메이커는 매주 세 가지를 골라 전합니다:

써볼 것: Open WebUI - 회사 서버에 직접 설치해 쓰는 ChatGPT 같은 AI 채팅
참고할 것: REA - 일주일 만에 스타 20만 개를 모은, AI가 앱을 뜯어보는 도구
적용해볼 것: 안드레이 카파시가 말하는, 사람마다 AI가 이렇게 다르게 보이는 이유

1. 써볼 것: 회사 서버에 직접 설치해 쓰는 ChatGPT 같은 AI 채팅

회사에서 AI를 제대로 써보려고 하면 막히는 순간이 있습니다. 회사 자료를 외부 AI 서비스에 올려도 되는지 확인해야 하고, 팀원마다 계정을 따로 사야 하고, 클로드와 GPT를 함께 쓰려면 화면을 오가야 하죠. Open WebUI는 이럴 때 쓸 수 있는 오픈소스 도구입니다. ChatGPT처럼 생긴 AI 채팅 화면을 우리 회사 서버나 내 컴퓨터에 직접 설치해서 쓰는 방식이에요.

2023년에 시작해 GitHub 스타 15만 개를 넘긴, 개발자들 사이에선 꽤 알려진 프로젝트입니다. 10월 10일에 나온 0.12 버전에서는 실시간 음성 통화 기능이 들어갔고, 그 뒤로도 며칠 간격으로 업데이트가 이어지고 있죠.

무엇을 할 수 있나요?

가장 큰 특징은 여러 AI 모델을 한 화면에서 쓸 수 있다는 점입니다. 오픈AI 같은 회사의 API를 연결해도 되고, 올라마(Ollama)로 내 컴퓨터에서 돌리는 무료 모델을 연결해도 됩니다. 올라마는 공개된 AI 모델을 내려받아 내 컴퓨터에서 직접 돌리게 해주는 도구예요. 올라마로 돌리는 모델만 연결하면 대화 내용이 회사 밖으로 나가지 않고, 인터넷이 끊긴 환경에서도 쓸 수 있습니다.

여기에 팀이 함께 쓰기 위한 기능이 많이 들어 있습니다.

관리자가 사용자와 그룹을 나누고, 그룹마다 쓸 수 있는 모델과 기능을 정할 수 있습니다.
회사 문서를 올려두면 AI가 그 문서를 찾아 읽고 답합니다.
채널 기능으로 팀원과 AI가 한 대화방에서 함께 이야기할 수 있습니다.
정해둔 시간마다 같은 요청을 자동으로 돌리는 기능, 메모와 캘린더 기능도 있습니다.

0.12 버전에서는 실시간 음성 통화가 추가됐습니다. 관리자가 설정을 켜면, 음성으로 말을 걸었을 때 가벼운 대화는 오픈AI의 음성 모델이 바로 받고, 질문이나 작업은 채팅에서 고른 모델이 처리한 뒤 그 답을 말로 들려줍니다. 같은 버전에서 모든 사용자에게 2단계 인증을 요구하는 기능과, 공유한 대화에 여러 사람이 이어서 답을 달 수 있는 기능도 들어갔습니다.

어떻게 쓰나요?

파이썬 3.11이 설치된 컴퓨터라면 터미널에서 두 줄이면 됩니다.

pip install open-webui
open-webui serve

그다음 브라우저에서 http://localhost:8080 에 들어가면 채팅 화면이 열립니다. 팀이 함께 쓰려면 회사 서버에 도커(Docker)로 설치하는 방법이 일반적이고, 설치 명령은 GitHub 안내 문서에 상황별로 정리돼 있어요. 화면은 한국어로도 바꿀 수 있습니다.

명령어가 낯설다면, 클로드나 ChatGPT에 이 저장소 주소를 주고 내 컴퓨터에 설치하는 방법을 알려달라고 하는 것도 방법입니다.

얼마인가요?

Open WebUI 자체는 무료입니다. 다만 AI 모델 사용료는 따로 듭니다. 오픈AI나 앤트로픽 API를 연결하면 쓴 만큼 API 요금이 나가고, 올라마로 무료 모델을 돌리면 요금은 없지만 그만큼 성능 좋은 컴퓨터가 필요해요. 실시간 음성 통화도 오픈AI API를 연결해야 쓸 수 있습니다.

라이선스 조건도 하나 알아둘 만합니다. 최근 30일 사용자가 50명을 넘는 곳에서는 화면의 Open WebUI 이름과 로고를 바꾸거나 지울 수 없습니다. 우리 회사 이름으로 바꿔 쓰고 싶다면 별도의 기업용 라이선스가 필요해요.

누구에게 좋을까요?

회사 자료를 외부 AI 서비스에 올리기 어려운 팀. 내부 서버와 로컬 모델로 구성하면 대화가 회사 밖으로 나가지 않습니다.
클로드, GPT, 공개 모델을 비교해가며 쓰고 싶은 사람. 한 화면에서 모델을 바꿔가며 같은 질문을 던져볼 수 있어요.
팀원 모두에게 AI를 쓰게 하고 싶은데, 사람마다 유료 계정을 사기는 부담스러운 팀.
다만 설치와 관리에는 개발 지식이 필요합니다. 서버를 다뤄본 사람이 팀에 없다면 처음 세팅부터 쉽지 않을 수 있습니다.

2. 참고할 것: 일주일 만에 스타 20만 개를 모은, AI가 앱을 뜯어보는 도구

다른 앱을 쓰다가 이 기능은 어떻게 만들었을까 궁금했던 적 있으실 겁니다. 이번 주 GitHub에서 가장 주목받은 프로젝트 REA(Reverse Engineer Anything)는 바로 이 질문을 AI 에이전트에게 맡기는 도구입니다. 소스 코드가 없는 앱을 분석해서, 기능이 어떻게 작동하는지 근거와 함께 설명해줘요.

REA는 4월에 공개된 뒤 반년 동안 거의 알려지지 않았지만, 10월 들어 일주일 만에 스타가 20만 개 넘게 늘었습니다. 지금은 GitHub 전체 저장소 가운데 스타 수 20위권에 들어 있어요.

어떻게 작동하나요?

REA는 클로드 코드(Claude Code), 코덱스(Codex), 커서(Cursor) 같은 AI 코딩 도구에 MCP로 연결해서 씁니다. MCP는 AI에 외부 도구를 붙이는 공통 규격이에요. 연결해두면 AI 에이전트가 필요할 때 REA의 분석 도구들을 불러 씁니다.

예를 들어 메모 앱에서 검색이 어떻게 작동하는지 알아보고, 근거를 보여주고, 내 프로젝트에 비슷한 기능을 만들어줘라고 요청하면, 에이전트가 REA로 앱을 분석해 작동 방식을 설명한 뒤 직접 구현하고 테스트까지 합니다. 결과에는 각 결론의 근거와 확인하지 못한 부분이 함께 담긴다고 해요. 분석은 내 컴퓨터 안에서만 이뤄집니다.

REA가 분석 프로그램 Hopper 안에서 실행 파일을 살펴보는 화면 <출처: morluto/rea, GitHub>

분석할 수 있는 대상도 넓습니다. 컴퓨터에 설치된 일반 프로그램부터 웹 기술로 만든 데스크톱 앱, 웹사이트, 안드로이드 앱, 기기 펌웨어까지 다룹니다. 공개된 사례 중에는 노션(Notion) 데스크톱 앱에서 복사·붙여넣기 기능이 앱 내부를 어떻게 거쳐 가는지 추적한 것, 오래된 벽돌깨기 게임 DX-Ball의 효과음 계산 방식을 C 코드로 다시 짜서, 원본과 똑같이 동작하는지 확인하는 테스트 3,205개를 모두 통과한 사례도 있어요.

왜 10월에 갑자기 떴을까요?

REA가 처음부터 주목받은 건 아닙니다. 7월에 개발자 커뮤니티 해커뉴스에 이 저장소를 소개하는 글이 올라왔을 때는 추천이 3개에 그쳤어요. 분위기가 바뀐 건 10월 초입니다. GitHub 트렌딩에 오르기 시작했고, 비슷한 시기에 안드로이드 앱과 기기 펌웨어까지 분석할 수 있는 새 버전도 나왔습니다. 10월 10일에는 해커뉴스에 다시 올라온 글이 추천 800개를 넘기며 첫 화면에 걸렸고, 이후 해외 IT 매체들의 소개 기사가 이어지면서 하루에만 스타가 5만 개 넘게 늘어난 날도 있었어요.

에이전트가 실행 파일만 보고 데스크톱 앱을 다시 만들어내는 시연 영상도 관심을 키운 것으로 보입니다. 특정 게시물 하나가 불을 붙였다기보다는, 트렌딩 순위와 커뮤니티 화제, 시연 영상이 맞물리며 퍼진 것에 가까워 보입니다.

시연 영상을 본 사람들 사이에선 이제 어떤 소프트웨어든 다시 만들 수 있다는 반응까지 나왔지만, 거리를 두는 시각도 있습니다. 한 분석 글은 앱 전체를 통째로 다시 만들면 겉모습은 비슷해도 동작까지 같다는 보장은 없다고 지적했어요. 또 다른 글은 REA의 성능을 잴 표준 평가가 아직 없어서, 지금은 공개된 사례가 근거의 전부라고 짚었습니다. 버전도 열흘 남짓 사이에 3.2에서 6.4까지 올라갈 만큼 빠르게 바뀌고 있어서, 아직은 다듬어지는 중인 도구로 보는 게 맞겠습니다.

쓰기 전에 알아둘 조건

REA는 MIT 라이선스로 무료지만, 무엇을 분석해도 되는지는 분명히 선을 긋고 있습니다. REA의 면책 문서는 보안 연구, 악성코드 분석, 호환성 확보, 오래된 소프트웨어 보존, 그리고 내가 소유했거나 분석을 허가받은 소프트웨어를 들여다보는 용도로만 쓰라고 합니다. 반대로 유료 소프트웨어의 라이선스 확인을 우회하거나, 다른 회사의 독점 소프트웨어를 베끼는 일은 돕지 않는다고 적었어요. 앱이 공개돼 있거나 파일을 갖고 있다고 해서 분석해도 된다는 허락이 생기는 건 아니라는 문장도 있습니다.

보안도 신경 써야 합니다. REA 저장소는 공식 배포처(GitHub의 morluto/rea, rea.tools 사이트, 개발 도구 저장소 npm의 rea-agents) 말고 이름이 비슷한 사본은 공식 파일인지 확인할 수 없다고 경고하고 있어요. 인기를 타고 REA 이름을 붙인 코인도 나왔는데, 프로젝트 측은 자신들과 관계없다고 밝혔습니다. 또 출처를 모르는 프로그램을 분석하면 그 파일이 내 컴퓨터 권한으로 열리기 때문에, 격리된 환경에서 쓰는 게 안전합니다.

무엇을 얻어가면 될까요?

REA가 이렇게 빨리 퍼진 걸 보면, 다른 제품의 기능을 들여다보는 일이 AI 에이전트 덕분에 훨씬 쉬워졌다는 걸 알 수 있습니다. 예전엔 전문 분석 도구를 다룰 줄 알아야 했던 일을, 이제는 에이전트에게 말로 시켜볼 수 있게 됐어요.

반대로 내가 만든 앱도 누군가 같은 방식으로 들여다볼 수 있습니다. 앱 안에 담긴 코드가 생각보다 쉽게 읽힐 수 있으니, 비밀 키나 내부 정보를 앱 안에 넣어두지 않았는지 한 번쯤 점검해볼 만합니다.

3. 적용해볼 것: 안드레이 카파시가 말하는, 사람마다 AI가 이렇게 다르게 보이는 이유

주변을 보면 AI를 두고 생각이 크게 갈립니다. 한쪽에선 AI가 몇 주 걸리던 일을 하루 만에 끝냈다고 하고, 다른 쪽에선 써봤는데 별로 쓸모가 없더라고 하죠. 안드레이 카파시(Andrej Karpathy)는 둘 다 맞는 말이라고 봅니다. 카파시는 오픈AI 창립 멤버이자 테슬라에서 AI를 이끌었던 연구자로, 바이브 코딩이라는 말을 처음 쓴 사람이기도 해요.

카파시는 10월 12일(한국 시간) X에 올린 글에서, AI가 어디까지 할 수 있는지를 두고 사람들 사이의 생각 차이가 점점 더 벌어지고 있다고 썼습니다. 지난 4월에 같은 주제로 쓴 글을 다시 꺼내며 덧붙인 글인데, 10월 15일 기준 조회수가 640만을 넘었어요.

네 단계로 나뉜 사람들

카파시는 이 차이를 깔때기에 빗댔습니다. 아래로 내려갈수록 사람 수는 줄어들고, 체감하는 AI의 능력은 커지는 모양이에요.

약 60억 명(인구의 약 75%): ChatGPT 같은 AI를 거의 접해본 적이 없습니다.
약 10억~20억 명(약 20%): 무료 ChatGPT 같은 서비스를 가끔 씁니다. AI를 조금 더 나은 검색이나 글쓰기 도우미 정도로 경험합니다.
약 2,000만 명(약 0.2%): 코딩과 수학 분야에서 최신 AI를 업무에 씁니다. 몇 주, 몇 달 걸리던 큰 작업을 에이전트가 요청 한 번에 끝내는 걸 직접 봅니다.
약 5,000명: AI 회사 내부의 최신 시스템을 쓸 수 있는 사람들입니다. 에이전트 수천 개가 몇 주씩 협업하며 큰 소프트웨어를 만들고, 보안 취약점을 찾고, 새로운 과학과 수학 결과를 내는 걸 봅니다.

(숫자는 카파시가 밝힌 어림 계산)

눈여겨볼 건 두 번째 단계에 누가 있느냐입니다. 카파시는 기술 분야가 아닌 친구들이 AI가 별 쓸모없다고 말하는 게 무리가 아니라고 봐요. 코딩과 수학 밖의 전문가 상당수, 그리고 임원들도 여기에 든다고 했습니다. 임원은 일하는 시간 대부분을 사람과 이야기하는 데 쓰기 때문에, 변화를 머리로는 이해해도 직접 겪어보지는 못한다는 거예요.

세 번째 단계는 카파시 자신의 경험으로 설명합니다. 1년 전만 해도 코드를 한 글자씩 직접 치고 가끔 자동완성을 쓰는 정도였는데, 그사이 앱을 만들고, 베끼고, 다른 언어로 옮기고, 실행 파일에서 거꾸로 앱을 복원하는 일까지 에이전트가 해내게 됐다고 해요. 앞에서 다룬 REA가 바로 이 마지막 일을 하는 도구예요.

마지막 단계에서는 사람이 따라가지 못하는 일도 생기고 있다고 합니다. 몇 달 전 오픈AI와 허깅페이스 사이에서 벌어진 보안 사고는 사람들이 아직도 경위를 파헤치는 중이고, 최첨단 수학을 다룬 원고 722편은 수학자들이 검토하는 데만 한동안 걸릴 거라고 해요. AI가 만들어내는 속도를 사람의 검토가 따라가지 못하기 시작했다는 이야기입니다.

왜 이렇게 차이가 날까요?

카파시는 이 깔때기를 만드는 이유를 세 가지로 꼽았습니다.

첫째는 맡기는 문제의 크기입니다. 한 문단으로 답할 수 있는 질문은 AI의 능력을 거의 시험하지 못합니다. AI가 얼마나 할 수 있는지 보려면, 내가 정말 신경 쓰는 크고 어려운 문제를 맡겨봐야 한다는 거예요. 일반 사용자와 전문 사용자의 차이는 주로 여기서 생깁니다.

둘째는 AI의 능력이 분야마다 고르지 않다는 점입니다. 카파시에 따르면 요즘 AI는 정답인지 아닌지를 자동으로 채점할 수 있는 문제로 많이 훈련합니다. 코드는 테스트를 통과했는지로 바로 채점할 수 있지만, 글은 잘 썼는지 판단하기 어렵죠. 여기에 AI 회사들이 돈이 되는 분야부터 훈련에 힘을 싣는다는 점도 더해진다고 봐요. 그래서 코딩과 수학처럼 컴퓨터 안에서 결과를 확인할 수 있고 돈이 되는 분야에서 능력이 크게 오른 반면, 검색이나 글쓰기, 조언 같은 일상적인 쓰임에서는 변화가 상대적으로 작습니다.

셋째는 어떤 버전을 쓰느냐입니다. 무료 버전, 유료 버전, AI 회사 내부 시스템의 차이가 큽니다. 카파시는 4월 글에서 이를 이렇게 비교했어요. 오픈AI의 무료 음성 모드는 세차장에 차를 몰고 갈지 걸어갈지 같은 단순한 질문에도 헤매는 영상이 돌았지만, 같은 시기 오픈AI의 최상위 유료 코딩 모델은 한 시간 동안 혼자 코드 전체를 재구성하거나, 시스템의 보안 허점을 찾아 파고드는 일까지 해낸다는 겁니다.

카파시는 지금을 이렇게 정리합니다. 대부분의 사람은 아직 이런 AI를 써본 적이 없고, 써봤다면 어설픈 챗봇으로 기억합니다. 전문가 대부분은 조금 나아진 정도로 느끼고, 극소수만이 수직으로 치솟는 변화에 현기증을 느끼고 있습니다. 그리고 이 모든 일이 동시에 일어나고 있습니다.

무엇을 생각해볼 수 있을까요?

첫째, 내가 AI를 어떤 경험으로 판단하고 있는지 돌아볼 필요가 있습니다. 예전에 무료 버전으로 가벼운 질문 몇 개를 던져보고 내린 판단이라면, 카파시가 말한 두 번째 단계의 경험일 수 있어요. 같은 AI라도 어떤 버전으로, 얼마나 큰 일을 맡겨봤는지에 따라 전혀 다른 도구로 보입니다.

둘째, 같은 팀 안에서도 사람마다 서로 다른 단계에서 AI를 이야기하고 있을 수 있습니다. 개발자는 몇 주짜리 일이 하루 만에 끝나는 걸 겪었는데, 기획자나 임원은 아직 간접적으로만 들었다면 AI 도입을 두고 대화가 겉돌기 쉽습니다. 카파시가 4월 글에서 쓴 표현대로, 서로 말이 엇갈리는 거죠.

셋째, AI에게 맡길 일을 고를 때 결과를 확인할 수 있는 일인지 따져보면 좋습니다. AI가 가장 크게 좋아진 분야는 정답 여부를 바로 확인할 수 있는 일들입니다. 내 일 중에서도 결과가 맞는지 바로 확인할 수 있는 일부터 통째로 맡겨보면, AI가 어디까지 하는지 더 정확하게 알 수 있습니다.

적용해볼 수 있는 것

지금까지 AI에게 맡겨본 일 중 가장 큰 일이 무엇이었는지 적어보세요. 한 문단짜리 질문이 대부분이었다면, 며칠 걸리던 일 하나를 골라 통째로 맡겨보세요.
무료 버전으로만 써봤다면, 같은 일을 최신 유료 모델에 맡겨 결과를 비교해보세요.
팀에서 AI 도입을 이야기할 때, 각자 어떤 도구와 요금제로 어떤 일을 맡겨봤는지부터 나눠보세요.

다음 주에도 여러분이 놓치지 말아야 할 프로덕트 메이커 소식을 정리해서 찾아뵙겠습니다. 요즘 프로덕트 메이커 콘텐츠가 도움이 되셨다면, 꼭 작가 알림 설정을 부탁드립니다. 콘텐츠 내용 중 잘못된 정보나 정정이 필요한 부분이 있다면 댓글로 알려주세요. 빠르게 수정하겠습니다. 다음 주에 또 만나요!

콘텐츠가 마음에 드셨다면, 꼭꼭 작가 알림 설정과 좋아요를 부탁드립니다!

이 글은 AI의 도움을 받아 작성했습니다.