AI에 관심이 생겨서 공부를 시작하려고 하면, 첫 번째로 부딪히는 게 용어예요.
LLM, 프롬프트, 토큰, 멀티모달… 하나를 검색하면 설명 안에 또 모르는 단어가 나오고, 그걸 또 검색하면 또 새로운 단어가 나와요. 😵💫
AI라는 분야 자체가 빠르게 움직이다 보니, 시간이 지나면서 새로운 용어도 계속 쌓여요.
새로운 모델이 나오고, 새로운 도구가 등장하고, 그때마다 이름이 붙어요. 작년에는 없던 단어가 올해는 당연하다는 듯이 쓰이고 있기도 하고요.
"나만 모르는 건가?" 싶을 수 있는데, 모르는 게 당연해요. 쌓이는 속도가 워낙 빠르니까요.
저는 주변 동료들이나 일반인 분들을 대상으로 AI 교육을 진행한 적이 있는데, 거의 모든 분들이 비슷한 지점에서 어려움을 느끼더라고요.
AI를 못 쓰는 게 아니라, 용어가 낯설어서 접근 자체가 부담스러웠던 거예요.
(이런 용어들을 이해하고, AI의 결과를 판단하고, 상황에 맞게 활용할 수 있는 능력을 요즘 AI 리터러시(AI Literacy)라고 불러요.
단순히 AI를 쓸 줄 아는 게 아니라, AI가 내놓은 답을 검증하고 제대로 활용할 줄 아는 것까지를 말해요.
기업 교육이나 채용에서도 점점 자주 나오는 말이에요.)
그래서 이 글에서는 2025~2026년 현재 시점까지 쌓인 AI 용어들을 한번 쭉 정리해보려고 해요.
앞으로도 새로운 용어는 계속 나오겠지만, 지금까지의 것들을 한번 잡아두면 새로운 게 나와도 훨씬 빠르게 따라갈 수 있거든요.
1편에서는 AI의 기본 개념과, AI를 쓰기 시작하면 바로 만나게 되는 용어들을 정리해요.
2편에서는 AI를 도구로 활용하고 직접 세팅할 때 만나는 용어들을 다룰게요.
0단계 — 이건 알아야 대화가 돼요 💬
AI 관련 뉴스를 보거나, 누군가와 AI 이야기를 할 때 이 단어들을 모르면 첫 문장부터 막혀요. 가장 기본이 되는 개념들이에요.
AI (인공지능)
AI는 사람이 하는 판단이나 작업을 컴퓨터가 대신 할 수 있게 만든 기술이에요.
"인공지능"이라는 말이 거창하게 들릴 수 있는데, 실제로는 우리가 이미 매일 쓰고 있어요.
유튜브가 내 취향에 맞는 영상을 추천해주는 것, 네이버 지도가 최적 경로를 알려주는 것, 갤러리에서 사람 얼굴별로 사진을 분류해주는 것.
이게 전부 AI예요. 다만 요즘 "AI"라고 하면 대부분 ChatGPT 같은 대화형 AI를 떠올리는데, 이건 AI의 여러 종류 중 하나예요.
AI는 넓은 개념이고, 그 안에 다양한 기술과 제품이 있다는 것만 알아두면 돼요.
머신러닝 / 딥러닝
AI를 만드는 방법이에요. AI가 "뭘 하는 것"이라면, 머신러닝은 "그걸 어떻게 가능하게 하는지"에 해당해요.
머신러닝은 컴퓨터한테 데이터를 많이 보여주면서 스스로 패턴을 찾게 하는 방식이에요.
예를 들어 고양이 사진 1만 장을 보여주면, 컴퓨터가 "아, 고양이는 이런 특징이 있구나" 하고 스스로 배우는 거예요.
사람이 일일이 규칙을 알려주는 게 아니라, 데이터에서 알아서 배우는 거죠.
딥러닝은 머신러닝의 한 종류인데, 사람의 뇌 구조를 본떠서 훨씬 더 복잡한 패턴을 학습할 수 있어요.
요즘 AI가 글을 쓰고, 그림을 그리고, 대화를 할 수 있는 건 거의 다 딥러닝 덕분이에요.
일상적으로 AI를 쓸 때 머신러닝이나 딥러닝을 직접 다룰 일은 없어요. 다만 "AI가 어떻게 똑똑해지는 거야?"라는 질문에 대한 답이 이거예요. 데이터를 보고 스스로 배우는 거라고.
생성형 AI (Generative AI)
AI라고 하면 다 같은 AI 같지만, 사실 종류가 있어요. 예전의 AI는 주로 판단하는 AI였어요.
사진을 보여주면 "이건 고양이다" 하고 분류하거나, 메일을 보고 "이건 스팸이다" 하고 걸러주는 식이었죠. 이미 있는 데이터를 보고 답을 고르는 거예요.
생성형 AI는 달라요. 없던 걸 새로 만들어내는 AI예요.
"이메일 초안 써줘"라고 하면 진짜 문장을 만들어서 써주고, "로고 만들어줘"라고 하면 이미지를 만들어줘요. 판단하는 게 아니라 창작하는 거예요.
요즘 뉴스에서 "AI가 세상을 바꾼다"고 할 때, 거의 대부분 이 생성형 AI를 말하는 거예요.
ChatGPT, Claude, Gemini는 텍스트를 생성하고, Midjourney나 DALL-E는 이미지를 생성하고, Suno 같은 건 음악을 생성해요. 전부 생성형 AI예요.
AI 관련 글이나 뉴스를 보면 "생성형 AI 시대"라는 표현이 정말 자주 나오거든요.
이게 뭔지 모르면 거기서부터 막히고, 이것만 알아도 "아, 지금 만들어내는 AI 이야기를 하는 거구나" 하고 맥락이 잡혀요.
ChatGPT, Claude, Gemini — 제품과 기술의 차이
이 세 가지는 회사들이 만든 AI 서비스의 이름이에요.
ChatGPT는 OpenAI가 만들었고, Claude는 Anthropic이 만들었고, Gemini는 Google이 만들었어요.
헷갈리기 쉬운 게, "ChatGPT"라는 이름이 너무 유명해지면서 AI 자체를 ChatGPT라고 부르는 경우가 많아요.
그런데 ChatGPT는 AI 기술 자체가 아니라, AI 기술을 사용해서 만든 하나의 제품이에요.
삼성 갤럭시가 스마트폰 자체가 아니라 스마트폰의 한 종류인 것과 같은 거예요.
각각 성격이 조금씩 달라요. ChatGPT는 범용적으로 널리 쓰이고, Claude는 긴 문서 작업이나 글쓰기에 강하고, Gemini는 구글 서비스와 잘 연결돼요.
어떤 게 "최고"라기보다는, 용도에 따라 맞는 걸 골라 쓰는 거예요.
오픈소스 vs 클로즈드소스 모델
AI 모델이 공개돼 있느냐, 아니냐의 차이예요.
클로즈드소스는 회사가 AI를 만들어서 서비스로만 제공하는 거예요. ChatGPT나 Claude가 여기에 해당해요.
우리는 그 AI를 "쓸 수"는 있지만, 안에 어떻게 만들어져 있는지는 볼 수 없어요. 그리고 그 회사의 서비스를 통해서만 이용할 수 있어요.
오픈소스는 AI 모델의 설계도를 누구나 볼 수 있게 공개한 것이에요. 대표적으로 Meta(페이스북)의 LLaMA가 있어요.
공개돼 있기 때문에 누구든 이걸 가져다가 자기 컴퓨터에서 돌리거나, 자기 목적에 맞게 수정해서 쓸 수 있어요.
당장은 ChatGPT나 Claude 같은 클로즈드소스 서비스를 쓰는 경우가 대부분이겠지만, "오픈소스 모델"이라는 말이 점점 자주 나오고 있어서 차이를 알아두면 좋아요.
1단계 — AI를 쓸 때 바로 만나는 개념 🧩
AI 서비스를 직접 써보기 시작하면 금방 마주치는 개념들이에요. 이것들을 알면 AI를 쓸 때 "왜 이렇게 되지?" 하는 의문이 많이 풀려요.
LLM / SLM
LLM은 Large Language Model, 대규모 언어 모델이에요. ChatGPT나 Claude 안에 들어 있는 핵심 기술이죠.
엄청나게 많은 텍스트 데이터를 학습해서, 사람처럼 글을 이해하고 생성할 수 있는 모델이에요.
"모델"이라는 말이 어렵게 들릴 수 있는데, AI의 두뇌 같은 거예요.
ChatGPT라는 제품 안에 GPT-4라는 LLM이 들어있고, Claude라는 제품 안에 Claude Sonnet이라는 LLM이 들어있는 거예요.
제품(서비스)과 모델(기술)은 다른 거예요.
SLM은 Small Language Model, 소규모 언어 모델이에요.
LLM이 크고 강력한 대신 비용이 많이 들고 무거운데, SLM은 크기를 줄여서 가볍고 빠르게 만든 모델이에요.
모든 질문에 거대한 모델이 필요한 건 아니거든요. 간단한 작업에는 작고 효율적인 모델이 오히려 적합할 수 있어요.
2026년 현재 "더 작고 똑똑하게"가 AI 업계의 큰 흐름 중 하나예요.
AI 관련 뉴스에 "새로운 LLM이 나왔다", "이 모델의 성능이 뛰어나다" 같은 표현이 계속 나오고, 최근에는 SLM도 함께 언급되는 경우가 많아지고 있어서 둘 다 알아두면 좋아요.
프롬프트 (Prompt)
AI한테 입력하는 말, 질문, 지시 전부를 프롬프트라고 해요. ChatGPT에 "오늘 점심 메뉴 추천해줘"라고 치면, 그 문장이 프롬프트예요.
단순해 보이지만, 이 프롬프트를 어떻게 쓰느냐에 따라 AI의 답변 품질이 완전히 달라져요.
같은 AI한테 "마케팅 아이디어 줘"라고 하는 것과, "20대 여성 타겟, 인스타그램 기반, 카페 브랜드의 여름 시즌 마케팅 아이디어를 5개만 줘"라고 하는 건 결과가 완전히 다르거든요.
AI를 잘 쓴다는 건, 결국 프롬프트를 잘 쓴다는 거예요.
토큰 (Token)
AI가 글을 읽고 쓸 때 사용하는 단위예요. 우리는 글자나 단어 단위로 글을 읽지만, AI는 "토큰"이라는 조각 단위로 텍스트를 처리해요.
한국어 기준으로 대략 한 글자가 1~2토큰 정도예요. 그래서 "안녕하세요"는 약 5~10토큰 정도가 돼요.
이걸 왜 알아야 하냐면, AI 서비스의 요금이 이 토큰 단위로 매겨지기 때문이에요.
그리고 AI가 한 번에 처리할 수 있는 토큰 수에 한계가 있어요.
그래서 너무 긴 글을 넣으면 AI가 앞부분을 까먹거나, "너무 길어서 처리할 수 없다"고 하는 경우가 생기는 거예요.
컨텍스트 윈도우 (Context Window)
AI가 한 번에 기억할 수 있는 범위예요.
대화를 나눌 때 AI가 앞에서 한 말을 기억하고 이어서 답하잖아요? 그 기억의 한계가 컨텍스트 윈도우예요.
컨텍스트 윈도우가 크면 긴 문서를 한 번에 넣어도 AI가 전체를 보고 답할 수 있고, 작으면 앞부분을 잊어버려요.
요즘 모델들은 컨텍스트 윈도우가 점점 커지고 있어서, 책 한 권 분량을 통째로 넣고 질문할 수 있는 수준까지 왔어요.
"AI한테 긴 글을 넣었는데 앞부분 내용을 까먹었어요" 하는 경험이 있다면, 그게 컨텍스트 윈도우의 한계 때문이에요.
할루시네이션 (Hallucination)
AI가 그럴듯하게 거짓말하는 현상이에요.
AI는 모르는 것에 대해 "모른다"고 하지 않고, 그럴듯한 답을 지어내는 경우가 있어요.
존재하지 않는 논문을 인용하거나, 없는 사실을 마치 있는 것처럼 답하는 거예요.
왜 이러냐면, AI는 "정답을 찾는" 게 아니라 "가장 그럴듯한 다음 단어를 예측하는" 방식으로 작동하거든요.
그래서 내용이 사실인지 아닌지와 상관없이 자연스러운 문장을 만들어내요.
이걸 모르면 AI가 말하는 걸 전부 사실로 믿게 되는데, 그게 위험해요.
AI의 답변은 항상 확인이 필요하다는 걸 알아두는 게 중요해요. 특히 숫자, 날짜, 인물 정보는 꼭 한 번 더 확인하세요.
멀티모달 (Multimodal)
AI가 텍스트뿐 아니라 이미지, 음성, 영상 같은 여러 형태의 정보를 이해하는 것이에요.
예전에는 AI한테 글로만 물어볼 수 있었는데, 이제는 사진을 보여주면서 "이게 뭐야?"라고 물어볼 수도 있어요.
예를 들어 ChatGPT에 영수증 사진을 올리면서 "여기서 금액만 뽑아줘"라고 하면 해줘요.
Claude에 그래프 이미지를 보여주면서 "이 데이터 해석해줘"라고 할 수도 있고요.
"멀티(여러 가지) + 모달(형태)"이라는 뜻이에요. 글, 이미지, 소리 등 여러 형태를 함께 다룬다는 거예요.
STT / TTS
STT는 Speech-to-Text, 음성을 텍스트로 바꾸는 기술이에요.
회의를 녹음하면 자동으로 글로 변환해주는 것, 카카오톡에서 음성 메시지를 텍스트로 보여주는 것이 STT예요.
클로바노트 같은 회의록 자동 작성 서비스가 대표적이고요.
TTS는 Text-to-Speech, 반대로 텍스트를 음성으로 바꾸는 기술이에요.
AI가 글을 읽어주는 거예요. 네이버 뉴스의 기사 읽어주기, AI 음성 비서가 말로 대답하는 것이 TTS를 활용한 거예요.
이 두 기술은 앞에서 설명한 멀티모달의 구체적인 예시이기도 해요.
AI가 글만 다루던 시대에서, 음성까지 자연스럽게 오가는 시대로 넘어온 거예요.
특히 STT는 회의록 작성, 인터뷰 정리 같은 실무에서 바로 쓸 수 있어서 체감이 빨라요.
파라미터 (Parameter)
AI 모델의 크기를 나타내는 숫자예요.
"이 모델은 7B다", "70B짜리 모델이다" 이런 말에서 B는 Billion(10억)이에요.
7B면 70억 개의 파라미터, 70B면 700억 개의 파라미터가 있다는 뜻이에요.
파라미터가 많을수록 일반적으로 더 똑똑한 AI가 되지만, 그만큼 컴퓨터 성능이 많이 필요해요.
그래서 "이 모델은 파라미터는 적지만 성능이 좋다"는 게 칭찬이 되는 거예요. 적은 자원으로 똑똑하다는 뜻이니까요.
앞에서 말한 SLM이 바로 이 파라미터를 줄이면서도 성능을 유지한 모델이에요.
당장 이 숫자를 외울 필요는 없지만, AI 모델을 비교하는 글에서 7B, 13B, 70B 같은 숫자가 나왔을 때 "아, 모델 크기 이야기구나" 하고 알아듣을 수 있으면 돼요.
GUI / CLI
AI 도구를 쓰다 보면 만나는 두 가지 사용 방식이에요.
GUI는 Graphic User Interface의 약자로, 화면에 버튼이나 메뉴가 있어서 마우스로 클릭하며 쓰는 방식이에요.
ChatGPT 웹사이트, Claude 앱처럼 채팅창에 글을 입력하는 것도 GUI예요. 우리가 평소에 쓰는 대부분의 앱이 GUI 방식이에요.
CLI는 Command Line Interface의 약자로, 검은 화면에 명령어를 직접 입력해서 쓰는 방식이에요.
(영화에서 해커들이 까만 화면에 빠르게 타이핑하는 장면 있잖아요? 그 화면을 '터미널'이라고 불러요.)
AI 쪽에서는 Claude Code 같은 도구가 이 방식이에요.
왜 이걸 알아야 하냐면, AI 도구를 찾다 보면 "CLI로 설치하세요", "터미널에서 실행하세요" 같은 안내를 만나게 되거든요.
그때 "아, 이건 화면 클릭이 아니라 명령어를 입력하는 방식이구나" 하고 알아들을 수 있으면 돼요.
마크다운 (Markdown)
AI를 쓰기 시작하면 바로 만나게 되는 게 마크다운이에요.
ChatGPT나 Claude한테 뭘 물어보면, 답변에 #, **, - 같은 기호가 섞여서 나오잖아요? 그게 마크다운이에요.
마크다운은 텍스트에 서식을 입히는 간단한 규칙이에요.
글자를 굵게 만들거나, 제목을 표시하거나, 목록을 만들거나, 표를 그리는 걸 특수문자 몇 개로 할 수 있어요.
복잡한 프로그래밍 언어가 아니라, 몇 가지 기호만 알면 바로 쓸 수 있을 정도로 간단해요.
AI가 마크다운으로 답변하는 이유가 있어요.
AI 모델들은 학습 과정에서 마크다운으로 구조화된 텍스트를 많이 봤기 때문에, 정리된 답변을 할 때 자연스럽게 마크다운을 써요.
그래서 마크다운을 알면 AI의 답변을 더 잘 읽을 수 있고, AI한테 지시할 때도 "마크다운 표로 정리해줘", "코드블록으로 보여줘" 같은 요청을 할 수 있어요.
Notion, GitHub, 옵시디언 같은 도구에서도 마크다운을 기본 문법으로 쓰고 있어서, AI뿐 아니라 여러 곳에서 만나게 돼요.
AI 용어가 어렵게 느껴지는 건 자연스러운 거예요.
이 분야가 빠르게 변하고, 영어 약어가 많고, 같은 개념인데 서비스마다 부르는 이름이 다르기도 하니까요.
여기서 정리한 14개 개념은 AI를 이해하고 쓰기 시작하는 데 필요한 기본 뼈대예요.
이것만 잡아두면 AI 관련 글이나 뉴스를 볼 때 "대충 무슨 말인지는 알겠다" 하는 감각이 생길 거예요.
👉 2편 : AI 용어 총정리 2026 — AI 에이전트, MCP, 바이브 코딩까지 ②
여기서 한 발 더 나아가서, AI를 실제 도구로 활용할 때 만나는 개념들을 정리했어요.
프롬프트 엔지니어링, AI 에이전트, MCP, 바이브 코딩, 하네스 엔지니어링 같은 — 최근 1~2년 사이에 빠르게 쌓인 용어들이에요.
AI에 관심이 생겨서 공부를 시작하려고 하면, 첫 번째로 부딪히는 게 용어예요.
LLM, 프롬프트, 토큰, 멀티모달… 하나를 검색하면 설명 안에 또 모르는 단어가 나오고, 그걸 또 검색하면 또 새로운 단어가 나와요. 😵💫
AI라는 분야 자체가 빠르게 움직이다 보니, 시간이 지나면서 새로운 용어도 계속 쌓여요.
새로운 모델이 나오고, 새로운 도구가 등장하고, 그때마다 이름이 붙어요. 작년에는 없던 단어가 올해는 당연하다는 듯이 쓰이고 있기도 하고요.
"나만 모르는 건가?" 싶을 수 있는데, 모르는 게 당연해요. 쌓이는 속도가 워낙 빠르니까요.
저는 주변 동료들이나 일반인 분들을 대상으로 AI 교육을 진행한 적이 있는데, 거의 모든 분들이 비슷한 지점에서 어려움을 느끼더라고요.
AI를 못 쓰는 게 아니라, 용어가 낯설어서 접근 자체가 부담스러웠던 거예요.
(이런 용어들을 이해하고, AI의 결과를 판단하고, 상황에 맞게 활용할 수 있는 능력을 요즘 AI 리터러시(AI Literacy)라고 불러요.
단순히 AI를 쓸 줄 아는 게 아니라, AI가 내놓은 답을 검증하고 제대로 활용할 줄 아는 것까지를 말해요.
기업 교육이나 채용에서도 점점 자주 나오는 말이에요.)
그래서 이 글에서는 2025~2026년 현재 시점까지 쌓인 AI 용어들을 한번 쭉 정리해보려고 해요.
앞으로도 새로운 용어는 계속 나오겠지만, 지금까지의 것들을 한번 잡아두면 새로운 게 나와도 훨씬 빠르게 따라갈 수 있거든요.
1편에서는 AI의 기본 개념과, AI를 쓰기 시작하면 바로 만나게 되는 용어들을 정리해요.
2편에서는 AI를 도구로 활용하고 직접 세팅할 때 만나는 용어들을 다룰게요.
0단계 — 이건 알아야 대화가 돼요 💬
AI 관련 뉴스를 보거나, 누군가와 AI 이야기를 할 때 이 단어들을 모르면 첫 문장부터 막혀요. 가장 기본이 되는 개념들이에요.
AI (인공지능)
AI는 사람이 하는 판단이나 작업을 컴퓨터가 대신 할 수 있게 만든 기술이에요.
"인공지능"이라는 말이 거창하게 들릴 수 있는데, 실제로는 우리가 이미 매일 쓰고 있어요.
유튜브가 내 취향에 맞는 영상을 추천해주는 것, 네이버 지도가 최적 경로를 알려주는 것, 갤러리에서 사람 얼굴별로 사진을 분류해주는 것.
이게 전부 AI예요. 다만 요즘 "AI"라고 하면 대부분 ChatGPT 같은 대화형 AI를 떠올리는데, 이건 AI의 여러 종류 중 하나예요.
AI는 넓은 개념이고, 그 안에 다양한 기술과 제품이 있다는 것만 알아두면 돼요.
머신러닝 / 딥러닝
AI를 만드는 방법이에요. AI가 "뭘 하는 것"이라면, 머신러닝은 "그걸 어떻게 가능하게 하는지"에 해당해요.
머신러닝은 컴퓨터한테 데이터를 많이 보여주면서 스스로 패턴을 찾게 하는 방식이에요.
예를 들어 고양이 사진 1만 장을 보여주면, 컴퓨터가 "아, 고양이는 이런 특징이 있구나" 하고 스스로 배우는 거예요.
사람이 일일이 규칙을 알려주는 게 아니라, 데이터에서 알아서 배우는 거죠.
딥러닝은 머신러닝의 한 종류인데, 사람의 뇌 구조를 본떠서 훨씬 더 복잡한 패턴을 학습할 수 있어요.
요즘 AI가 글을 쓰고, 그림을 그리고, 대화를 할 수 있는 건 거의 다 딥러닝 덕분이에요.
일상적으로 AI를 쓸 때 머신러닝이나 딥러닝을 직접 다룰 일은 없어요. 다만 "AI가 어떻게 똑똑해지는 거야?"라는 질문에 대한 답이 이거예요. 데이터를 보고 스스로 배우는 거라고.
생성형 AI (Generative AI)
AI라고 하면 다 같은 AI 같지만, 사실 종류가 있어요. 예전의 AI는 주로 판단하는 AI였어요.
사진을 보여주면 "이건 고양이다" 하고 분류하거나, 메일을 보고 "이건 스팸이다" 하고 걸러주는 식이었죠. 이미 있는 데이터를 보고 답을 고르는 거예요.
생성형 AI는 달라요. 없던 걸 새로 만들어내는 AI예요.
"이메일 초안 써줘"라고 하면 진짜 문장을 만들어서 써주고, "로고 만들어줘"라고 하면 이미지를 만들어줘요. 판단하는 게 아니라 창작하는 거예요.
요즘 뉴스에서 "AI가 세상을 바꾼다"고 할 때, 거의 대부분 이 생성형 AI를 말하는 거예요.
ChatGPT, Claude, Gemini는 텍스트를 생성하고, Midjourney나 DALL-E는 이미지를 생성하고, Suno 같은 건 음악을 생성해요. 전부 생성형 AI예요.
AI 관련 글이나 뉴스를 보면 "생성형 AI 시대"라는 표현이 정말 자주 나오거든요.
이게 뭔지 모르면 거기서부터 막히고, 이것만 알아도 "아, 지금 만들어내는 AI 이야기를 하는 거구나" 하고 맥락이 잡혀요.
ChatGPT, Claude, Gemini — 제품과 기술의 차이
이 세 가지는 회사들이 만든 AI 서비스의 이름이에요.
ChatGPT는 OpenAI가 만들었고, Claude는 Anthropic이 만들었고, Gemini는 Google이 만들었어요.
헷갈리기 쉬운 게, "ChatGPT"라는 이름이 너무 유명해지면서 AI 자체를 ChatGPT라고 부르는 경우가 많아요.
그런데 ChatGPT는 AI 기술 자체가 아니라, AI 기술을 사용해서 만든 하나의 제품이에요.
삼성 갤럭시가 스마트폰 자체가 아니라 스마트폰의 한 종류인 것과 같은 거예요.
각각 성격이 조금씩 달라요. ChatGPT는 범용적으로 널리 쓰이고, Claude는 긴 문서 작업이나 글쓰기에 강하고, Gemini는 구글 서비스와 잘 연결돼요.
어떤 게 "최고"라기보다는, 용도에 따라 맞는 걸 골라 쓰는 거예요.
오픈소스 vs 클로즈드소스 모델
AI 모델이 공개돼 있느냐, 아니냐의 차이예요.
클로즈드소스는 회사가 AI를 만들어서 서비스로만 제공하는 거예요. ChatGPT나 Claude가 여기에 해당해요.
우리는 그 AI를 "쓸 수"는 있지만, 안에 어떻게 만들어져 있는지는 볼 수 없어요. 그리고 그 회사의 서비스를 통해서만 이용할 수 있어요.
오픈소스는 AI 모델의 설계도를 누구나 볼 수 있게 공개한 것이에요. 대표적으로 Meta(페이스북)의 LLaMA가 있어요.
공개돼 있기 때문에 누구든 이걸 가져다가 자기 컴퓨터에서 돌리거나, 자기 목적에 맞게 수정해서 쓸 수 있어요.
당장은 ChatGPT나 Claude 같은 클로즈드소스 서비스를 쓰는 경우가 대부분이겠지만, "오픈소스 모델"이라는 말이 점점 자주 나오고 있어서 차이를 알아두면 좋아요.
1단계 — AI를 쓸 때 바로 만나는 개념 🧩
AI 서비스를 직접 써보기 시작하면 금방 마주치는 개념들이에요. 이것들을 알면 AI를 쓸 때 "왜 이렇게 되지?" 하는 의문이 많이 풀려요.
LLM / SLM
LLM은 Large Language Model, 대규모 언어 모델이에요. ChatGPT나 Claude 안에 들어 있는 핵심 기술이죠.
엄청나게 많은 텍스트 데이터를 학습해서, 사람처럼 글을 이해하고 생성할 수 있는 모델이에요.
"모델"이라는 말이 어렵게 들릴 수 있는데, AI의 두뇌 같은 거예요.
ChatGPT라는 제품 안에 GPT-4라는 LLM이 들어있고, Claude라는 제품 안에 Claude Sonnet이라는 LLM이 들어있는 거예요.
제품(서비스)과 모델(기술)은 다른 거예요.
SLM은 Small Language Model, 소규모 언어 모델이에요.
LLM이 크고 강력한 대신 비용이 많이 들고 무거운데, SLM은 크기를 줄여서 가볍고 빠르게 만든 모델이에요.
모든 질문에 거대한 모델이 필요한 건 아니거든요. 간단한 작업에는 작고 효율적인 모델이 오히려 적합할 수 있어요.
2026년 현재 "더 작고 똑똑하게"가 AI 업계의 큰 흐름 중 하나예요.
AI 관련 뉴스에 "새로운 LLM이 나왔다", "이 모델의 성능이 뛰어나다" 같은 표현이 계속 나오고, 최근에는 SLM도 함께 언급되는 경우가 많아지고 있어서 둘 다 알아두면 좋아요.
프롬프트 (Prompt)
AI한테 입력하는 말, 질문, 지시 전부를 프롬프트라고 해요. ChatGPT에 "오늘 점심 메뉴 추천해줘"라고 치면, 그 문장이 프롬프트예요.
단순해 보이지만, 이 프롬프트를 어떻게 쓰느냐에 따라 AI의 답변 품질이 완전히 달라져요.
같은 AI한테 "마케팅 아이디어 줘"라고 하는 것과, "20대 여성 타겟, 인스타그램 기반, 카페 브랜드의 여름 시즌 마케팅 아이디어를 5개만 줘"라고 하는 건 결과가 완전히 다르거든요.
AI를 잘 쓴다는 건, 결국 프롬프트를 잘 쓴다는 거예요.
토큰 (Token)
AI가 글을 읽고 쓸 때 사용하는 단위예요. 우리는 글자나 단어 단위로 글을 읽지만, AI는 "토큰"이라는 조각 단위로 텍스트를 처리해요.
한국어 기준으로 대략 한 글자가 1~2토큰 정도예요. 그래서 "안녕하세요"는 약 5~10토큰 정도가 돼요.
이걸 왜 알아야 하냐면, AI 서비스의 요금이 이 토큰 단위로 매겨지기 때문이에요.
그리고 AI가 한 번에 처리할 수 있는 토큰 수에 한계가 있어요.
그래서 너무 긴 글을 넣으면 AI가 앞부분을 까먹거나, "너무 길어서 처리할 수 없다"고 하는 경우가 생기는 거예요.
컨텍스트 윈도우 (Context Window)
AI가 한 번에 기억할 수 있는 범위예요.
대화를 나눌 때 AI가 앞에서 한 말을 기억하고 이어서 답하잖아요? 그 기억의 한계가 컨텍스트 윈도우예요.
컨텍스트 윈도우가 크면 긴 문서를 한 번에 넣어도 AI가 전체를 보고 답할 수 있고, 작으면 앞부분을 잊어버려요.
요즘 모델들은 컨텍스트 윈도우가 점점 커지고 있어서, 책 한 권 분량을 통째로 넣고 질문할 수 있는 수준까지 왔어요.
"AI한테 긴 글을 넣었는데 앞부분 내용을 까먹었어요" 하는 경험이 있다면, 그게 컨텍스트 윈도우의 한계 때문이에요.
할루시네이션 (Hallucination)
AI가 그럴듯하게 거짓말하는 현상이에요.
AI는 모르는 것에 대해 "모른다"고 하지 않고, 그럴듯한 답을 지어내는 경우가 있어요.
존재하지 않는 논문을 인용하거나, 없는 사실을 마치 있는 것처럼 답하는 거예요.
왜 이러냐면, AI는 "정답을 찾는" 게 아니라 "가장 그럴듯한 다음 단어를 예측하는" 방식으로 작동하거든요.
그래서 내용이 사실인지 아닌지와 상관없이 자연스러운 문장을 만들어내요.
이걸 모르면 AI가 말하는 걸 전부 사실로 믿게 되는데, 그게 위험해요.
AI의 답변은 항상 확인이 필요하다는 걸 알아두는 게 중요해요. 특히 숫자, 날짜, 인물 정보는 꼭 한 번 더 확인하세요.
멀티모달 (Multimodal)
AI가 텍스트뿐 아니라 이미지, 음성, 영상 같은 여러 형태의 정보를 이해하는 것이에요.
예전에는 AI한테 글로만 물어볼 수 있었는데, 이제는 사진을 보여주면서 "이게 뭐야?"라고 물어볼 수도 있어요.
예를 들어 ChatGPT에 영수증 사진을 올리면서 "여기서 금액만 뽑아줘"라고 하면 해줘요.
Claude에 그래프 이미지를 보여주면서 "이 데이터 해석해줘"라고 할 수도 있고요.
"멀티(여러 가지) + 모달(형태)"이라는 뜻이에요. 글, 이미지, 소리 등 여러 형태를 함께 다룬다는 거예요.
STT / TTS
STT는 Speech-to-Text, 음성을 텍스트로 바꾸는 기술이에요.
회의를 녹음하면 자동으로 글로 변환해주는 것, 카카오톡에서 음성 메시지를 텍스트로 보여주는 것이 STT예요.
클로바노트 같은 회의록 자동 작성 서비스가 대표적이고요.
TTS는 Text-to-Speech, 반대로 텍스트를 음성으로 바꾸는 기술이에요.
AI가 글을 읽어주는 거예요. 네이버 뉴스의 기사 읽어주기, AI 음성 비서가 말로 대답하는 것이 TTS를 활용한 거예요.
이 두 기술은 앞에서 설명한 멀티모달의 구체적인 예시이기도 해요.
AI가 글만 다루던 시대에서, 음성까지 자연스럽게 오가는 시대로 넘어온 거예요.
특히 STT는 회의록 작성, 인터뷰 정리 같은 실무에서 바로 쓸 수 있어서 체감이 빨라요.
파라미터 (Parameter)
AI 모델의 크기를 나타내는 숫자예요.
"이 모델은 7B다", "70B짜리 모델이다" 이런 말에서 B는 Billion(10억)이에요.
7B면 70억 개의 파라미터, 70B면 700억 개의 파라미터가 있다는 뜻이에요.
파라미터가 많을수록 일반적으로 더 똑똑한 AI가 되지만, 그만큼 컴퓨터 성능이 많이 필요해요.
그래서 "이 모델은 파라미터는 적지만 성능이 좋다"는 게 칭찬이 되는 거예요. 적은 자원으로 똑똑하다는 뜻이니까요.
앞에서 말한 SLM이 바로 이 파라미터를 줄이면서도 성능을 유지한 모델이에요.
당장 이 숫자를 외울 필요는 없지만, AI 모델을 비교하는 글에서 7B, 13B, 70B 같은 숫자가 나왔을 때 "아, 모델 크기 이야기구나" 하고 알아듣을 수 있으면 돼요.
GUI / CLI
AI 도구를 쓰다 보면 만나는 두 가지 사용 방식이에요.
GUI는 Graphic User Interface의 약자로, 화면에 버튼이나 메뉴가 있어서 마우스로 클릭하며 쓰는 방식이에요.
ChatGPT 웹사이트, Claude 앱처럼 채팅창에 글을 입력하는 것도 GUI예요. 우리가 평소에 쓰는 대부분의 앱이 GUI 방식이에요.
CLI는 Command Line Interface의 약자로, 검은 화면에 명령어를 직접 입력해서 쓰는 방식이에요.
(영화에서 해커들이 까만 화면에 빠르게 타이핑하는 장면 있잖아요? 그 화면을 '터미널'이라고 불러요.)
AI 쪽에서는 Claude Code 같은 도구가 이 방식이에요.
왜 이걸 알아야 하냐면, AI 도구를 찾다 보면 "CLI로 설치하세요", "터미널에서 실행하세요" 같은 안내를 만나게 되거든요.
그때 "아, 이건 화면 클릭이 아니라 명령어를 입력하는 방식이구나" 하고 알아들을 수 있으면 돼요.
마크다운 (Markdown)
AI를 쓰기 시작하면 바로 만나게 되는 게 마크다운이에요.
ChatGPT나 Claude한테 뭘 물어보면, 답변에 #, **, - 같은 기호가 섞여서 나오잖아요? 그게 마크다운이에요.
마크다운은 텍스트에 서식을 입히는 간단한 규칙이에요.
글자를 굵게 만들거나, 제목을 표시하거나, 목록을 만들거나, 표를 그리는 걸 특수문자 몇 개로 할 수 있어요.
복잡한 프로그래밍 언어가 아니라, 몇 가지 기호만 알면 바로 쓸 수 있을 정도로 간단해요.
AI가 마크다운으로 답변하는 이유가 있어요.
AI 모델들은 학습 과정에서 마크다운으로 구조화된 텍스트를 많이 봤기 때문에, 정리된 답변을 할 때 자연스럽게 마크다운을 써요.
그래서 마크다운을 알면 AI의 답변을 더 잘 읽을 수 있고, AI한테 지시할 때도 "마크다운 표로 정리해줘", "코드블록으로 보여줘" 같은 요청을 할 수 있어요.
Notion, GitHub, 옵시디언 같은 도구에서도 마크다운을 기본 문법으로 쓰고 있어서, AI뿐 아니라 여러 곳에서 만나게 돼요.
AI 용어가 어렵게 느껴지는 건 자연스러운 거예요.
이 분야가 빠르게 변하고, 영어 약어가 많고, 같은 개념인데 서비스마다 부르는 이름이 다르기도 하니까요.
여기서 정리한 14개 개념은 AI를 이해하고 쓰기 시작하는 데 필요한 기본 뼈대예요.
이것만 잡아두면 AI 관련 글이나 뉴스를 볼 때 "대충 무슨 말인지는 알겠다" 하는 감각이 생길 거예요.
👉 2편 : AI 용어 총정리 2026 — AI 에이전트, MCP, 바이브 코딩까지 ②
여기서 한 발 더 나아가서, AI를 실제 도구로 활용할 때 만나는 개념들을 정리했어요.
프롬프트 엔지니어링, AI 에이전트, MCP, 바이브 코딩, 하네스 엔지니어링 같은 — 최근 1~2년 사이에 빠르게 쌓인 용어들이에요.