기업형 맞춤 AI로 무게중심이 옮겨간 이유: 미라 무라티의 퇴사와 TML의 첫 제품 Tinker가 주는 신호 (Part 1)

‍

한국은행의 2025년 조사에 따르면 국내 근로자의 63.5%가 생성형 AI(GenAI) 사용 경험이 있으며, 업무 용도로만 봐도 51.8%가 GenAI를 활용하고 있습니다_{The Korea Times}. 올해 GenAI 시장에서 ChatGPT 점유율이 82.7%라는 점을 감안하면_{master.of.code}, 오늘의 업무 방식 변화는 OpenAI가 촉발한 흐름이라고 해도 무리가 없습니다.

그런데 이러한 ChatGPT의 개발·제품화에 핵심 역할을 했던 OpenAI의 CTO 미라 무라티(Mira Murati)가 2024년 9월 퇴사를 공식화했습니다_Reuters. 그리고 약 10개월 뒤인 2025년 7월, 그녀는 Thinking Machines Lab(이하 TML)을 설립해 무려 약 20억 달러 규모 투자 유치 소식으로 다시 업계의 주목을 받았습니다_TechCrunch. 

이 사건의 핵심은 그녀가 “왜 OpenAI를 떠났나”가 아니라, 경쟁의 중심이 ‘범용 모델 성능’에서 ‘기업이 AI를 조정·운영하는 능력’으로 이동하고 있다는 점입니다.
‍

2023년 11월 OpenAI CEO인 샘 알트먼(Sam Altman)의 해임 사태 당시 무라티가 잠시 interim(임시) CEO로 지명될 정도로 조직 내 존재감이 컸던 인물이라는 점을 생각하면, 무라티의 이탈은 단순한 이직 뉴스로 소비되기 어렵습니다_{Business Insider}. 무라티가 공식적으로 밝힌 퇴사 이유는 “개인적 탐험을 위한 시간과 공간(time and space)”이었습니다_Reuters. 그러나 당시 OpenAI가 맞닥뜨린 변곡점과, 무라티가 이후 TML에서 보여주는 방향을 함께 놓고 보면, 이는 범용 AI 중심 경쟁에서 ‘기업형 맞춤 AI’로 무게중심이 이동하는 장면으로 해석할 여지가 큽니다.
‍

Part 1에서는 무라티의 퇴사와 TML/Tinker가 던진 신호를 통해, 무게중심이 왜 ‘모델 선택’이 아니라 ‘통제·감사·가드레일을 포함한 운영’으로 이동하는지 정리합니다.
‍

이 글은 다음의 분들께 도움이 됩니다.

• 기업 의사결정자: 맞춤형 AI 도입의 필요성과 투자·로드맵 판단 기준을 정리하고 싶은 분
• PM·데이터/AI 리드를 포함한 GenAI 도입 실무 리더: 범용 AI만으로 업무 효율이 어디까지 개선되는지, 그리고 맞춤형 설계가 필요한 경계가 어디인지 알고 싶은 분
• PoC 이후 AI 사용 확산이 안 된 조직: “만들었는데 안 쓰는” 문제의 원인을 운영 관점에서 점검하고, 다음 액션을 잡고 싶은 분

‍

무라티 퇴사가 ‘전환 신호’인 이유

“진짜 이유”는 단정할 수 없다. 다만 “당시 맥락”은 읽을 수 있다

무라티는 2024년 9월 말, “내 탐험을 위한 시간과 공간을 만들고 싶다”는 취지로 퇴사를 공식화했습니다_WIRED. 물론 이 문장만 놓고 보면, 퇴사는 정말 개인적 결단처럼 보입니다. 하지만 같은 시기의 OpenAI 내부·외부 환경을 함께 보면, 이 결정은 조직의 변곡점과 겹쳐 있었던 사건으로도 해석할 여지가 있습니다.
‍

OpenAI의 구조 개편(영리화) 논의가 ‘공개적으로’ 진행되던 시기

무라티의 퇴사 소식과 비슷한 시기에, OpenAI가 핵심 사업을 공익 목적의 영리법인(PBC) 형태로 재편하고 기존의 비영리 통제 구조를 바꾸는 방안을 검토 중이라는 보도가 나왔습니다_{The Guardian}. 즉, ‘연구 조직’에서 ‘대규모 자본을 전제로 한 제품·사업 조직’으로 중심축이 이동하는 국면이었습니다.

여기서 중요한 점은 “구조개편 때문에 퇴사했다”라고 단정하는 것이 아닙니다. 실제로 CEO 샘 알트먼은 무라티의 퇴사와 OpenAI 구조개편의 연관성을 공개적으로 부인했습니다_Bloomberg. 다만 구조개편이 논의되는 국면에서는 CTO의 역할과 우선순위가 자연스럽게 제품화·상용화·대규모 운영으로 이동합니다. 그 변화가 개인의 커리어 선택에 어떤 영향을 줬는지는 외부에서 확정할 수 없지만, 이후 무라티가 TML에서 보여주는 방향(‘맞춤화 가능한 AI’, ‘조정·운영 역량’)은 이 변곡점과 강하게 맞물려 보입니다.
‍

TML은 2025년 2월 공개 출범 당시부터 “AI 시스템을 더 널리 이해할 수 있게, 더 맞춤화 가능하게, 그리고 일반적으로 유능하게 만들겠다”는 방향성을 분명히 했습니다_TechCrunch. 그리고 이 미션이 단순한 선언이 아니라는 점은, 첫 제품 ‘Tinker(팅커)’에서 가장 선명하게 드러납니다.
‍

TML/Tinker가 보여준 것: “AI를 쓰는 회사 vs 조정하는 회사”

2025년 10월 공개된 TML의 첫 제품 Tinker는 한 마디로 파인튜닝(fine-tuning)을 위한 API입니다_{Thinking Machines Lab}. 사용자는 어떤 베이스 모델(예: Llama·Qwen 계열)을 어떤 데이터로, 어떤 학습 방식으로 조정할지에 집중합니다. 반면 실제 학습에서 가장 번거로운 분산 학습 실행, 잡 스케줄링, GPU 리소스 할당, 실패 복구·체크포인트 같은 운영 부담은 플랫폼이 대신 처리하는 구조를 지향합니다_{Thinking Machines Lab}. 

이 제품이 중요한 이유는 단순히 “파인튜닝을 쉽게 해준다”가 아닙니다. Tinker는 기업형 AI의 승부처가 이제 “프롬프트를 잘 쓰는 법”을 넘어, 우리 조직에 맞게 모델을 조정하고, 운영하고, 책임질 수 있는가로 이동하고 있음을 상징합니다. 즉, 조직은 “모델을 만드는 능력”보다 “우리 업무에 맞게 AI를 조정·운영하는 능력”을 갖춰야 하고, 그 역량이 곧 경쟁력이 되는 국면이 도래하고 있다는 메시지입니다. 기업 환경에서 승부처는 ‘모델 선택’이 아니라 ‘조정·운영’입니다. 성능보다 먼저 통제(권한), 감사(재현), 안전장치(가드레일)가 운영 승인과 확산의 전제가 되기 때문입니다.
‍

기업형 맞춤 AI(엔터프라이즈 GenAI) 거버넌스 3요소: 통제·감사·가드레일

범용 AI는 강력하고 도입도 쉽습니다. 하지만 기업에서는 (1) 보안·리스크 관점에서 통제 가능한 AI, (2) PoC를 넘어 정착 가능한 시스템, (3) 장기 성과와 비용 측면에서 맞춤화된 운영이 가능한 AI가 필요합니다. 아래는 그 근거를 “보안·통제/감사 가능성/가드레일” 중심으로 정리한 것입니다.
‍

기업형 GenAI 보안: 왜 ‘통제 가능한 AI’가 필요한가

기업에서 AI는 “잘 답하는 것”만큼 “안전하게 운영되는 것”이 중요합니다. 실제 운영 승인과 확산을 가르는 핵심은 결국 통제 가능성입니다.
‍

통제(권한)

기업에서 AI를 실제 업무에 붙일 때 가장 먼저 부딪히는 벽은 성능이 아니라 데이터 보안과 규제 준수입니다. 업무 데이터는 고객정보, 인사정보, 계약서, 영업자료, 소스코드처럼 유출 시 피해가 큰 민감정보가 대부분이며, “누가/무엇을/어디까지” 접근할 수 있는지 통제가 전제되어야 합니다. 산업에 따라 개인정보보호법, 전자금융감독규정, 내부통제 기준 등 규제 요구사항이 붙기 때문에, “모델이 잘 답한다”는 이유만으로는 운영 승인이 나기 어렵습니다.

기업형 맞춤 AI는 이 문제를 설계 단계에서 구조적으로 포함할 수 있습니다. 문서·데이터 권한을 정교하게 설정하고, 민감정보는 마스킹·토큰화·비식별 처리로 노출을 줄이며, 데이터 저장 정책(저장 여부, 보관 기간, 지역/리전, 암호화)을 명시하는 식입니다. 여기에 감사 로그까지 갖추면 보안팀과 법무팀이 요구하는 통제 가능성을 확보하며 확산의 기반을 만들 수 있습니다.
‍

감사 가능성(추적·재현)

기업 환경에서 AI의 가치는 ‘유창함’이 아니라 검증 가능성에 달려 있습니다. 잘못된 정보로 인해 계약 조건이 흔들리거나 정책이 오해되거나 고객 대응이 틀리면 곧바로 비용과 리스크로 이어집니다. 그래서 기업에서는 “그럴듯한 답변”보다 어떤 문서/정책/근거를 기반으로 결론이 나왔는지가 핵심입니다.

맞춤 AI는 응답을 “완성된 문장”이 아니라 근거 기반의 산출물로 설계합니다. 답변과 함께 내부 문서 링크를 제시하고, 문서 버전(개정일/승인자/유효기간)을 붙이며, 인용 구간을 표시해 “왜 이렇게 답했는지”를 확인 가능하게 만듭니다. 또한 질문/응답/참조 문서/권한 체크/모델 버전/정책 프롬프트 등을 로그로 남겨 감사·재현·책임소재를 확보합니다. 핵심은 “AI가 절대 틀리지 않게 만든다”가 아니라, 틀렸을 때도 조직이 통제하고 수정할 수 있게 만든다는 점입니다.
‍

가드레일(정책·안전장치)

가드레일은 AI가 레일 밖으로 튀지 않게 하는 울타리입니다. 기업에서 가장 중요한 질문은 “AI가 무엇을 할 수 있나?”가 아니라 “AI가 무엇을 하면 안 되나?”입니다. 내부 기밀 유출, 권한 없는 데이터 노출, 규정 위반 가이드, 근거 없는 단정은 AI를 ‘도구’가 아니라 ‘리스크’로 바꿉니다.

그래서 기업형 맞춤 AI는 기능보다 먼저 통제와 안전장치를 설계에 포함합니다. 입력 단계에서 비정상 요청·민감정보를 차단하고, 처리 단계에서 권한과 정책을 적용해 참조 범위를 제한하며, 출력 단계에서 근거 없는 단정을 막고 형식을 강제합니다. 고위험 상황에서는 자동응답 대신 휴먼 핸드오프(승인/티켓 전환)를 두어 사고 가능성을 체계적으로 낮춥니다. 이 가드레일이 갖춰져야 AI는 ‘챗봇’이 아니라 ‘업무 시스템’으로 운영 가능합니다.
‍

Part 1 정리: Tinker가 보여준 방향– “AI를 쓰는 회사”에서 “AI를 조정하는 회사”로

무라티의 퇴사와 TML/Tinker가 던진 신호는 분명합니다. 경쟁의 중심은 “더 강한 범용 모델”이 아니라, 우리 조직에 맞게 AI를 조정하고 안전하게 운영할 수 있는 역량(권한·근거·가드레일·로그·워크플로)으로 이동하고 있습니다. 기업형 맞춤 AI란 사내 데이터·권한·규정·감사 로그·가드레일을 전제로, 모델을 “쓰는 것”이 아니라 “우리 기업에 맞춘, 운영 가능한 시스템”으로 만드는 접근입니다. 기업 환경에서 성능만으로는 확산이 어렵고, 결국 운영 설계가 PoC의 성패를 가릅니다.

Part 2에서는 PoC가 멈추는 이유를 ‘기술’이 아니라 운영 설계 관점에서 해부하고, PoC를 현업 시스템으로 확산시키기 위한 실행 4단계(데이터 업무-ready → 유즈케이스 업무 단위화 → 조정 방식 설계 → KPI 운영 루프)를 구체적으로 정리합니다.
‍

PoC를 ‘현업에서 쓰이는 시스템’으로 바꾸려면, 권한·감사·가드레일·워크플로까지 포함한 운영 설계가 필요합니다. Articul8(아티큘레잇)은 기업의 내부 제약(보안/권한/감사)을 전제로 맞춤형 GenAI를 설계–구축–도입까지 연결합니다.

1:1 상담을 통해 현재 유즈케이스와 운영 제약을 기준으로, 바로 실행 가능한 파일럿 범위부터 설계해볼 수 있습니다.