가트너(Gartner)의 “Generative AI에 대한 하이프 사이클”  보고서 이야기 듣고 요청했습니다. 가트너가 아닌 GPTResearcher의 “Generative AI에 대한 하이프 사이클”  

AIPilotSmarteasy Giant Step에서 지원할 GPTResearcher 기능으로 작성했습니다. AI 서비스 공급자는 OpenAI로 선택했습니다. 2000단어 분량 정도로, 설득적인 톤을 사용하고,  APA 형식으로 작성하라고 했습니다. 

GPTResearcher가 보고서 작성 후 다음 처럼 보고합니다. 쓰담 쓰담~

“보고서 작성이 완료되었습니다. 이 보고서는 다양한 연구 요약 내용을 통합하여 생성형 AI의 경제적 영향, 윤리적 고려 사항 및 전략적 권고 사항을 포괄적으로 분석하였습니다. 모든 출처는 APA 형식으로 적절히 인용되었으며, 이미지는 내러티브를 시각적으로 지원하기 위해 사용되었습니다.”

 

소개

생성형 인공지능(AI)은 텍스트, 이미지, 오디오 및 합성 데이터를 자율적으로 생성할 수 있는 능력으로 인해 다양한 산업에서 중요한 기술로 빠르게 부상하고 있습니다. 이 보고서는 여러 연구 요약 내용을 바탕으로 생성형 AI의 현재 상태를 심층 분석하며, 주된 분석 포인트는 Gartner 하이프 사이클에서의 위치, 경제적 잠재력, 윤리적 고려 사항을 포함합니다. 생성형 AI가 어떻게 경제 환경을 변화시키고 있으며, 앞으로의 발전 가능성 및 책임 있는 도입을 위해 필요한 단계들을 탐구할 것입니다.

역사적 발전과 진화

생성형 AI는 처음 개발된 이후로 상당한 진화를 겪으며 미래 기술에서 변혁적인 기술로 거듭났습니다. Gartner 하이프 사이클 내에서의 현재 상태와 미래 전망을 이해하려면 그동안의 역사적 발전 및 주요 이정표를 살펴보는 것이 중요합니다.

AI 초기 단계

AI 연구의 초기 단계에서는 규칙 기반 시스템과 상징적 추론이 중심이었습니다. 이러한 초기 시스템들은 사전 정의된 규칙과 로직에 크게 의존했기 때문에 새로운 콘텐츠를 생성하는 데 있어서 한계가 있었습니다.

기계 학습의 도입

실질적인 변혁은 기계 학습, 특히 딥 러닝의 도입과 함께 시작되었습니다. 이는 규칙 기반 시스템에서 데이터 기반 접근 방식으로의 전환을 의미했습니다. 모델이 방대한 데이터 세트에서 패턴을 학습하기 시작하면서, 데이터 구조를 이해하고 처리하는 능력이 크게 향상되었습니다.

Generative Adversarial Networks (GANs)의 등장

생성형 AI 발전의 중요한 이정표는 2014년 Ian Goodfellow가 도입한 Generative Adversarial Networks (GANs)입니다. GANs는 생성기와 판별기라는 두 개의 신경망을 사용하여 서로 경쟁하며 훈련됩니다. 생성기는 데이터를 생성하고, 판별기는 그 진위성을 평가하는 이 과정은 매우 사실적인 이미지, 비디오 및 오디오의 생성을 가능하게 했습니다.

기술적 기반

생성형 AI의 견고한 기술적 기반은 방대한 데이터를 학습하고 새로운, 일관된 출력을 생성할 수 있게 하는 주요 구성 요소들로 이루어져 있습니다. 이러한 핵심 기술들을 이해하면, 생성형 AI가 어떻게 작동하며 다양한 분야에서 어떻게 활용될 수 있는지를 보다 명확하게 파악할 수 있습니다.

생성 모델

생성 모델은 생성형 AI의 핵심을 이루며, 복잡한 알고리즘을 사용하여 실제 세계의 특성을 모방하는 데이터를 생성합니다. 주요 생성 모델은 다음과 같습니다:

• Generative Adversarial Networks (GANs): GANs는 생성기와 판별기 간의 경쟁적 훈련 과정을 사용합니다. 생성기는 데이터를 생성하고, 판별기는 그 진위성을 평가하며, 이 과정은 반복적인 훈련을 통해 점점 더 사실적인 출력을 생성하게 만듭니다 (Ian Goodfellow, 2014).

• Variational Autoencoders (VAEs): VAEs는 데이터를 압축된 표현으로 인코딩하고 이를 다시 디코딩하여 새로운, 다양한 출력을 생성합니다. 인코딩 과정에서 무작위성을 부여함으로써 데이터의 본질적인 특성을 유지하면서 새로운 형식을 만들어냅니다.

• 트랜스포머 기반 모델 (Transformer-Based Models): GPT-3와 같은 트랜스포머 모델은 처음에는 자연어 처리(NLP)를 위해 설계되었으나, 인간과 유사한 텍스트를 생성할 수 있는 놀라운 능력을 보여주었습니다. 이러한 모델은 코드, 이미지 생성 등 다양한 생성 작업에 적응될 수 있습니다.

적용 분야

생성형 AI는 여러 산업에서 변혁을 일으키고 있으며, 그 적용 분야는 다음과 같습니다:

1. 콘텐츠 생성: 생성형 AI는 엔터테인먼트, 마케팅, 디자인 산업에서 고품질의 이미지, 비디오, 음악 및 기사 생성을 자동화하여 콘텐츠 생성 방식을 혁신하고 있습니다.

2. 헬스케어: 헬스케어 분야에서는 신약 개발, 의료 영상 분석, 맞춤형 의료 서비스 제공 등을 지원합니다. 방대한 데이터를 분석함으로써 잠재적인 신약 후보를 생성하고, 의료 스캔에서 이상을 감지하며, 개인화된 치료 계획을 제안할 수 있습니다.

3. 금융: 금융 기관은 시장 행동을 모델링하고 예측하며, 사기 행위를 감지하고, 거래 전략을 최적화하기 위해 생성형 AI를 활용합니다. 생성된 합성 데이터는 실제 시장 상황을 모방하여 예측 분석과 의사 결정 과정을 향상시키는 데 도움을 줍니다.

Moving on to the next section.

하이프 사이클 내의 위치

Gartner의 하이프 사이클은 기술의 개념부터 성숙 및 광범위한 채택에 이르기까지의 수명 주기를 그래픽으로 나타낸 것입니다. 2023년 현재, 생성형 AI는 ‘기대 정점(Peak of Inflated Expectations)’ 단계에 도달하였습니다. 이 단계는 기술에 대한 높은 관심과 투자, 그리고 과장된 기대가 집중되는 시기입니다 (Unite.AI, 2023).

현재 단계: 기대 정점

이 시기 동안 생성형 AI는 기술자, 투자자 및 기업의 주목을 크게 받고 있습니다. 다수의 산업에서 성공적인 적용 사례가 강조되면서 높은 기대와 투자가 이어지고 있습니다:

• 높은 관심과 투자: 다양한 산업이 생성형 AI를 활용하여 비효율성을 제거하거나 새로운 수익 창출 경로를 탐색하기 위해 실험하고 있습니다.
• 주요 사용 사례: 현재의 투자로 인해 현실적으로 깊은 페이크(fake), 신약 개발 기여, 창의적 콘텐츠 제작 등이 주목받고 있습니다.

Gartner의 예측된 궤적

Gartner는 생성형 AI가 현재 단계에서 하이프 사이클의 다음 단계로 전환하여 궁극적으로 광범위한 실용적 응용으로 이어질 것으로 예측합니다:

• 환멸의 골짜기: 기대 정점 후에는 생성형 AI의 한계와 도전 과제가 드러나면서 한동안 실망과 채택 속도의 저조한 시기를 겪을 것입니다.
• 계몽 기법의 오름기: 기술이 성숙해지면서 더 정교하고 현실적인 능력 평가가 나타날 것입니다. 성공적인 사용 사례가 늘어나고 효과적인 구현 방안이 조정될 것입니다.
• 생산성의 고원기: 생성형 AI는 주류 채택과 비즈니스 프로세스에의 통합이 이루어져, 각 산업군에 걸친 실제적인 이익을 실현하게 될 것입니다 (Superb AI Blog, 2023).

하이프 사이클 내에서의 생성형 AI 위치를 이해하면 이해 관계자들이 기대를 관리하고 기술 통합을 위한 전략을 세우는 데 도움이 됩니다.

Moving on to the next section.

생성형 AI의 경제적 잠재력

생성형 AI는 다방면에 걸쳐 경제 성장을 이끌 막대한 잠재력을 지니고 있으며, 생산성을 대폭 향상하고 GDP 성장을 도모할 수 있는 기술입니다. 다양한 산업에서 비용 절감과 새로운 비즈니스 모델 창출을 통해 큰 경제적 가치를 제공합니다.

생산성 향상과 GDP에 대한 기여

생성형 AI는 생산성과 경제 성장을 크게 증대시킬 수 있는 능력을 갖추고 있습니다:

• 경제 전망: McKinsey의 연구에 따르면, 생성형 AI는 매년 최대 7조 9천억 달러의 경제 가치를 창출할 수 있습니다. 이는 운영 효율성의 향상, 비용 절감, 그리고 새로운 비즈니스 모델의 생성에 기반합니다 (SDX Foundation, 2023).

• 생산성 향상: 데이터 분석, 콘텐츠 생성, 고객 서비스 상호작용 등의 전통적으로 많은 인간 노력이 요구되는 업무를 자동화함으로써, 생성형 AI는 상당한 효율성을 가져올 수 있습니다. 이러한 생산성 향상은 비즈니스가 인적 자원을 보다 전략적이고 창의적인 작업에 재배치할 수 있게 하여 전체 생산성을 증대시킵니다 (Qualcomm, 2024).

부문별 영향

생성형 AI의 다각적인 산업 적용은 그 경제적 잠재력을 더욱 강조합니다:

• 헬스케어: 헬스케어 분야에서 생성형 AI는 신약 개발, 환자 진단, 맞춤형 치료 계획 마련 등을 지원합니다. 합성 의료 데이터를 생성하여 연구를 가속화하고, 진단 정확도를 향상시켜 환자 성과를 개선하며, 비용을 절감할 수 있습니다.

• 금융: 금융 부문에서 생성형 AI는 알고리즘 거래 전략 강화, 사기 탐지, 위험 관리에 도움을 줍니다. 현실적인 합성 데이터를 생성함으로써 금융 기관은 시장 동향을 더 잘 예측하고, 거래 전략을 최적화하며, 전체 의사 결정 과정을 향상시킬 수 있습니다.

• 제조업: 제조업에서는 생성형 AI가 생산 공정을 최적화하고, 낭비를 줄이며, 공급망 관리를 개선할 수 있습니다. 합성 훈련 데이터를 생성하는 능력은 예측 유지보수와 품질 관리 모델의 개발을 지원합니다.

새로운 기회와 수익 모델

생성형 AI는 혁신적인 제품 및 서비스 개발을 위한 새로운 기회를 제공합니다:

• 맞춤형 솔루션: 기업은 독점 데이터를 활용하여 특정 고객의 요구에 맞춘 솔루션을 창조함으로써 차별화된 제공을 하고, 고객 만족도를 높일 수 있습니다.
• 콘텐츠 생성: 신속하게 고품질의 콘텐츠를 생성하는 능력은 엔터테인먼트, 마케팅, 디자인 산업에서 새로운 수익 경로를 열어줍니다.
• 합성 데이터: 현실 세계 시나리오를 모방한 합성 데이터를 생성하여 AI 모델 훈련, 시뮬레이션 수행, 리스크 평가 등을 지원할 수 있습니다.

생성형 AI의 윤리적 고려 사항

생성형 AI가 제공하는 경제적 이점에도 불구하고, 그 도입에는 여러 중요한 윤리적 고려 사항이 따릅니다. 이러한 과제들을 해결하는 것이 기술의 지속 가능하고 책임 있는 사용을 보장하는 데 매우 중요합니다.

편향성과 공정성

생성형 AI 시스템은 훈련 데이터에 존재하는 편향에 민감하며, 이는 불공정하고 차별적인 출력을 초래할 수 있습니다. 이 문제가 제대로 관리되지 않으면 기존의 불평등과 불공정을 확대할 수 있습니다.

• 편향 완화 전략: 엄격한 데이터 관리 프레임워크를 구현하고 다양한 데이터세트를 사용하는 것이 편향을 완화하는 데 도움이 됩니다. AI 모델의 정기적인 감사와 재검토를 통해 공정성과 책임성을 유지할 수 있습니다 (ACRC, 2024). 또한 AI 개발 과정에서 투명성을 보장하고 다양한 팀을 모델 훈련에 참여시키는 것도 편향을 줄이는 데 기여할 수 있습니다.

개인정보 및 보안

생성형 AI가 현실적으로 합성 데이터를 생성하는 능력은 중요한 개인정보 보호 및 보안 문제를 제기합니다. AI 생성 데이터를 활용하면서 개별 사용자의 개인정보를 보호하는 것은 매우 중요합니다.

• 데이터 익명화: 데이터 익명화를 보장하는 기술을 사용하는 것이 개인정보 보호에 필수입니다. 정책 입안자들은 AI 생성 데이터의 윤리적 사용을 규제하는 법규를 마련하여 오용을 방지하고 개인정보를 보호해야 합니다 (Qualcomm, 2024).
• 보안 조치: 데이터의 무단 접근 및 침해를 방지하기 위한 강력한 보안 프로토콜을 구현하는 것이 중요합니다. 조직은 데이터가 수집, 사용 및 저장되는 방법에 대해 투명하게 공개하여 이해 관계자의 신뢰를 구축해야 합니다.

투명성과 책임감

AI 시스템이 투명하고 책임감 있게 운영되는지 보장하는 것은 사용자와 이해 관계자의 신뢰를 구축하는 데 필수적입니다. 이를 위해 AI 의사 결정 과정에 대한 명확한 문서화와 책임 메커니즘을 마련해야 합니다.

• 투명한 AI 거버넌스: 조직은 투명성과 책임성을 강조하는 AI 윤리 프레임워크를 채택해야 합니다. 이러한 프레임워크는 AI 시스템의 의도된 사용, 데이터 출처, 의사 결정 과정을 자세히 설명하여 신뢰와 규정을 준수할 수 있도록 해야 합니다 (GTT Korea, 2024).
• 책임 메커니즘: AI 생성 출력에 대한 명확한 책임 메커니즘을 마련하는 것이 필요합니다. 이에는 윤리적 AI 관행을 감독하고 시행하기 위한 규제 기관을 설립하고, AI 시스템이 해를 끼치는 경우를 대비한 구제 수단을 제공하는 것이 포함됩니다.

윤리적 프레임워크와 규제

포괄적인 윤리적 프레임워크와 규제를 개발하는 것은 생성형 AI의 책임 있는 도입을 안내하는 데 중요합니다:

• 윤리적 AI 프레임워크: 편향, 개인정보 보호, 투명성, 책임 문제를 다루는 프레임워크를 개발하면 조직이 책임 있게 AI 시스템을 배포할 수 있습니다. 이러한 프레임워크는 AI 기술의 발전과 사회적 규범에 맞게 적응할 수 있어야 합니다.
• 규제 준수: 정부와 규제 기관은 윤리적 AI 사용을 규제하는 법률을 만들고 시행해야 합니다. 이 과정에서 산업 이해 관계자, 학계, 윤리학자와 협력하여 법규를 잘 이해하고 균형 잡힌 법규를 마련해야 합니다.

전략적 권고 사항

생성형 AI의 경제적 잠재력을 최대화하면서 그 윤리적 함의를 관리하려면 여러 전략적 조치가 필수적입니다. 이 권고 사항들은 이해 관계자들이 기술의 이점을 극대화하고 관련된 위험을 최소화하는 데 필요한 가이드라인을 제공합니다.

교육과 훈련에 대한 투자

잘 준비된 인적 자원이 생성형 AI의 성공적인 도입에 중요한 역할을 합니다. 정부, 기업 및 교육 기관을 포함한 이해 관계자들은 교육 및 훈련에 대한 투자를 우선시해야 합니다.

• AI 리터러시 프로그램: 다양한 기술 수준을 대상으로 하는 포괄적인 AI 리터러시 프로그램 개발이 필요합니다. 이러한 프로그램은 기술적 역량과 윤리적 고려 사항을 모두 포함하여, 인력이 생성형 AI의 도전과 기회를 관리할 수 있도록 준비시켜야 합니다.

• 계속적인 학습: 빠른 AI 기술 발전에 맞춰 인력 재교육 및 지속적인 학습 플랫폼을 마련하여 노동자가 AI 기반 새 환경에 적응하고 준비할 수 있도록 해야 합니다. 이는 일자리 상실 위험을 줄이고, 새로운 일자리를 창출하는 데 도움이 됩니다.

윤리적 AI 프레임워크의 구현

포괄적이고 윤리적인 AI 거버넌스 및 윤리 프레임워크를 개발하고 집행하는 것은 책임 있는 AI 배포를 안내하는 데 필수적입니다. 이러한 프레임워크는 주요 문제를 다루어야 합니다: 편향 완화, 데이터 프라이버시, 투명성 및 책임성.

• 프레임워크 개발: 조직은 윤리학자, 기술자 및 규제 기관과 협력하여 그들의 특정 산업 요구에 맞춘 강력한 윤리적 프레임워크를 개발해야 합니다. 이러한 프레임워크는 지속적으로 변화하는 윤리적 문제에 적응할 수 있어야 합니다.

• 집행 메커니즘: 윤리 지침 준수를 보장하기 위해 내부 및 외부 집행 메커니즘을 수립하는 것이 필수적입니다. 정기적인 감사와 AI 시스템 평가를 통해 윤리적 기준을 유지할 수 있습니다.

산업 간 협력 촉진

산업 리더, 규제 기관, 학계 및 비영리 단체를 포함한 여러 이해 관계자 간의 협력은 안전하고 효과적인 AI 사용을 장려하기 위한 표준 및 최선의 실천 방안을 개발하는 데 필수적입니다.

• 협력 연구: 생성형 AI의 혁신적인 응용 방안을 탐구하는 협력 연구 프로젝트를 촉진하면 기술 발전을 이끌고 복잡한 윤리 문제를 해결할 수 있습니다. 연구 결과 및 최선의 실천 방안을 공유하여 AI 도입을 가속화하면서도 책임 있는 사용을 보장할 수 있습니다.

• 공공-민간 파트너십: 공공-민간 파트너십을 설립하여 규제 프레임워크 및 윤리 가이드라인 개발을 지원할 수 있습니다. 이러한 파트너십은 기술 전문성과 규제 감독을 결합하여 강력한 기반을 마련할 수 있습니다.

혁신 촉진

조직과 산업 내에서 혁신 문화를 조성하여 생성형 AI의 새로운 응용을 탐색하고 경제 성장을 촉진해야 합니다.

• 연구 및 개발: 연구 및 개발(R&D) 이니셔티브에 투자하여 조직이 AI 발전에서 앞서 나갈 수 있도록 해야 합니다. 실험 프로젝트와 파일럿 프로그램을 독려하여 새로운 사용 사례를 발견하고 기존 응용 방안을 개선할 수 있습니다.

• 혁신 허브: AI 연구에 전념하는 혁신 허브 또는 우수 센터를 설립하여 연구원, 개발자 및 산업 전문가 간의 협력을 촉진하고 지식 공유를 늘릴 수 있습니다. 이러한 허브는 새로운 아이디어와 솔루션의 인큐베이터로 작용할 수 있습니다.

AI 생성 데이터의 윤리적 사용 보장

AI 생성 데이터의 윤리적 사용을 보장하여 공공의 신뢰를 유지하고 프라이버시를 보호해야 합니다.

• 데이터 관리: 투명성, 동의, 책임성을 강조하는 강력한 데이터 관리 정책을 구현하는 것이 중요합니다. 조직은 AI 생성 데이터가 어떻게 사용될 것인지 명확히 소통하고, 가능한 경우 개인의 명시적인 동의를 받아야 합니다.

• 규제 준수: GDPR과 같은 기존의 데이터 보호 규정을 준수하고, AI 생성 데이터를 다루는 규제를 업데이트하도록 옹호하여 개인정보를 보호하고 오용을 방지할 수 있습니다.

AI 의사 결정의 투명성

AI 의사 결정 과정에서의 투명성을 높여 사용자와 이해 관계자의 신뢰를 구축할 수 있습니다.

• 설명 가능한 AI: 이해하기 쉬운 설명을 제공하는 설명 가능한 AI 모델을 개발하여 기술을 더 투명하게 만들 수 있습니다. 이는 사용자 이해 및 수용을 촉진할 수 있습니다.

• 개방형 커뮤니케이션: AI 이니셔티브, 목표 및 결과에 대해 이해 관계자와 개방적인 소통 채널을 유지하여 투명성과 책임 문화를 조성할 수 있습니다.

결론

생성형 AI는 여러 산업을 혁신하고 경제 성장을 이끌 수 있는 기술적 변혁의 전면에 서 있습니다. 그러나 그 도입은 윤리적 과제와 균형을 맞추어 관리해야 하며, 그렇게 함으로써 혜택을 극대화하면서도 관련 위험을 최소화할 수 있습니다.

주요 요점

• 경제적 잠재력: 생성형 AI는 연간 최대 7조 9천억 달러의 경제 가치를 창출할 수 있으며, 운영 효율성 향상, 비용 절감, 새로운 비즈니스 모델 창출을 통해 다양한 산업 분야에 걸쳐 큰 경제적 잠재력을 지니고 있습니다. 헬스케어, 금융, 제조업 등에서 더 나은 의사 결정 및 새로운 수익 기회를 제공합니다.

• 윤리적 고려 사항: 생성형 AI의 도입은 편향성과 공정성, 개인정보 보호 및 보안, 투명성과 책임감 같은 중요한 윤리적 문제를 제기합니다. 이러한 문제를 해결하는 것은 기술의 책임 있고 지속 가능한 사용을 보장하기 위해 필수적입니다.

• 전략적 중요성: 생성형 AI를 효과적으로 활용하는 기업은 맞춤형 솔루션의 창출, 운영 효율성의 향상, 혁신 촉진을 통해 경쟁 우위를 확보할 수 있습니다. 그러나 이를 위해 교육과 훈련, 윤리적 프레임워크 구현, 산업 협력 촉진에 대한 전략적 투자가 필수적입니다.

권고 사항

생성형 AI의 이점을 극대화하면서도 위험을 관리하기 위해 다음과 같은 전략적 조치가 필요합니다:

1. 교육과 훈련에 대한 투자: AI 리터러시 프로그램과 지속적인 학습 플랫폼에 대한 투자를 우선시하여 인력이 AI 기반 작업 환경에 적응할 수 있도록 준비시켜야 합니다.
2. 윤리적 AI 프레임워크의 구현: 포괄적인 AI 거버넌스 프레임워크를 개발하고 집행하여 책임 있는 배포를 안내해야 합니다.
3. 산업 간 협력 촉진: 이해 관계자 간의 협력을 촉진하여 안전하고 효과적인 AI 사용을 위한 표준과 최선의 실천 방안을 개발해야 합니다.
4. 혁신 촉진: 연구 및 개발 이니셔티브에 투자하고 혁신 허브를 설립하여 기술 발전을 추진하고 새로운 응용 사례를 탐색해야 합니다.
5. AI 생성 데이터의 윤리적 사용 보장: 강력한 데이터 관리 정책을 구현하고 규제 프레임워크를 준수하여 개인정보를 보호하고 오용을 방지해야 합니다.
6. AI 의사 결정의 투명성: 설명 가능한 AI 모델을 개발하고 개방형 소통 채널을 유지하여 투명성과 책임 문화를 조성해야 합니다.

이 전략적 조치들을 통해 이해 관계자들은 생성형 AI의 변혁적 잠재력을 책임 있게 활용하고, 사회적으로 유익한 방식으로 기술을 발전시킬 수 있습니다.

참고문헌

• ACRC. (2024). 사례 돋보기 | 청렴윤리경영 브리프스. Retrieved from https://www.acrc.go.kr/briefs/53bed2fddd46d671d2e443efb9ea63e83a52673faf8ed6bd482a97393b4a3d73/sub_2.html
• Qualcomm. (2024). 생성형 AI에는 최대 7조 9천억 달러의 경제 가치가 있다. Retrieved from https://blog.naver.com/qualcommkr/223323953521?fromRss=true
• SDX Foundation. (2023). 제너레이티브 AI의 경제적 잠재력 – 맥킨지 보고서. Retrieved from https://sdxfoundation.org/library/settle_view.asp?sn=174&page=1&search=&SearchString=&BoardID=0005
• GTT Korea. (2024). [기고] AI 윤리 문제 해결할 ‘AI 거버넌스’ 7대 전략 – 지티티코리아. Retrieved from https://www.gttkorea.com/news/articleView.html?idxno=9068
• Unite.AI. (2023). Generative AI, Gartner의 2023 Hype Cycle에서 주목받다. Retrieved from https://www.unite.ai/ko/generative-ai-takes-the-spotlight-in-gartners-2023-hype-cycle/
• Superb AI Blog. (2023). AI가 창조할 수 있는 비밀: 생성형 AI 이해하기. Retrieved from https://blog-ko.superb-ai.com/secrets-ai-can-generate-understanding-generative-ai/
• Brunch Story. (2024). 빅테크 기업들의 AI 전략 비교 분석 보고서. Retrieved from https://brunch.co.kr/@donghyungshin/118
• KOCCA. (2023). 콘텐츠산업의 생성형 AI 활용 이슈와 대응 과제. Retrieved from https://welcon.kocca.kr/cmm/fms/CrawlingFileDown.do?atchFileId=FILE_71360278-ae9e-45f0-9451-921c935c704a&fileSn=1
• Deloitte. (2023). 생성형 AI-2편 – 새로운 인공지능(AI) 개척지. Retrieved from https://www2.deloitte.com/content/dam/Deloitte/kr/Documents/technology-media-telecommunications/2023/KR_Tech_Generative-AI-2nd.pdf