두 번의 창업을 접은 개발자가 지금 만들고 있는 것은 인터넷이 끊겨도 혼자 기억하는 AI 비서입니다. 네이버 출신 개발자 양병석 씨는 두 차례 창업 실패를 거쳐 넥스테인을 세웠고, '나이아(NAIA)'라는 로컬 AI를 개발하고 있습니다. 클라우드 서버에 데이터를 올리지 않고, 사용자의 PC 안에서 문서와 메모와 대화 이력을 기억하며 일하는 도구입니다. 아이디어가 신선하다는 반응이 잇따르지만, 이 프로젝트를 흥미롭게 만드는 것은 기술 스펙보다 그 뒤에 놓인 질문입니다.

당신이 매일 AI 도구에 건네는 정보는 지금 어디에 있고, 누가 갖고 있습니까.

세션이 끝나면 AI는 어제를 잊습니다

주요 클라우드 AI 서비스에 익숙한 사용자라면 이미 경험했을 겁니다. 공들여 설명한 배경 정보를 새 대화창에서 다시 처음부터 설명해야 하는 반복, 어제까지의 흐름이 오늘 아침이면 사라져 있는 상황. 클라우드 기반 AI는 기본적으로 각 세션을 독립적으로 처리합니다. 기억 기능을 제공하는 유료 옵션이 생겨났지만, 그 기억은 여전히 어딘가의 서버에 저장되고, 제공사의 정책이 바뀌거나 서비스가 중단되면 함께 사라집니다.

나이아는 이 구조를 반대쪽에서 접근합니다. 개발진이 '개인형 AI 운영체제'라고 부르는 이 시스템은 사용자의 단말기 안에서 문서·이메일·메모·커뮤니케이션 기록을 직접 학습하고 히스토리를 축적합니다. 사용자 한 명의 PC에서만 작동하는 구조라 인터넷 없이도 실행되고, 데이터는 외부 서버를 거치지 않습니다.

양 대표가 이 아이디어에 집중하게 된 계기도 바로 이 지점이었다고 합니다. 두 번의 창업이 닫히고 나서, 그는 'AI가 나를 모른다'는 사실에 집중했습니다. 사용자를 기억하고, 사용자의 이력을 계속해서 쌓아가며, 단말기를 벗어나지 않는 AI. 그것이 세 번째 시도의 출발점이었습니다.

이 방향이 불편한 이유도 있습니다

로컬 AI라는 개념은 흥미롭게 들리지만, 현실적인 반론도 분명히 있습니다.

성능이 첫 번째 벽입니다. 클라우드 기반 대형 언어 모델은 수조 개의 파라미터를 수십 개의 GPU 클러스터에서 운용합니다. 일반 사용자의 PC에서 구동되는 로컬 AI는 그 규모를 따라가지 못합니다. 복잡한 추론, 방대한 지식 범위, 다국어 처리에서 클라우드 AI가 로컬 모델보다 앞서는 것은 현재로서는 사실입니다. 단말기 안에 가둔다는 것은 자발적으로 성능의 상한을 낮춘다는 의미이기도 합니다.

정보 편향 문제도 있습니다. 로컬 AI가 나를 잘 안다고 해도, 내가 모르는 것은 여전히 모릅니다. 최신 시사, 새로운 기술 동향, 타인의 사례—이런 정보는 결국 클라우드를 통해서야 들어옵니다. '나만의 AI'가 '나만의 정보 거품'이 될 수도 있다는 우려는 쉽게 무시하기 어렵습니다.

출시 일정과 검증 수치도 아직 없습니다. 이 글을 쓰는 시점에서 나이아는 베타 단계이며, 실사용 데이터나 독립적인 성능 검증 결과는 공개되지 않았습니다. 창업자의 서사가 설득력 있다고 해서 제품이 완성된 것은 아닙니다. 아이디어가 의미 있다는 것과 제품이 작동한다는 것은 별개의 주장입니다.

그럼에도 이 방향이 가리키는 것은 기술 스펙보다 더 오래된 문제입니다.

당신의 업무 지식이 어디에 쌓이고 있는지

1인 사업자나 프리랜서가 AI 도구를 쓸 때, 어떤 정보를 어디에 입력하는지를 체계적으로 생각하는 경우는 많지 않습니다. 계약서 초안, 고객 요청 내용, 미발표 기획안, 팀원 평가 메모—이것들이 클라우드 서버로 전송됩니다. AI 제공사의 개인정보처리방침은 입력 데이터를 학습에 사용하는지 여부를 명시하고 있고, 정책은 수시로 바뀝니다. 대기업은 법무팀이 검토합니다. 1인 사업자는 대부분 검토하지 않습니다.

데이터만의 문제도 아닙니다. 6개월간 AI와 주고받은 대화에는 당신의 사고 패턴, 의사결정 방식, 고객과의 관계 구도가 녹아 있습니다. 그 전체가 서비스 제공사의 서버에 축적됩니다. 내 업무 지식의 가장 민감한 층위가 내 손 밖에 있다는 뜻입니다.

드론을 조종하는 사람들 사이에는 오래된 구분이 있습니다. 기체를 직접 눈으로 보면서 조종하는 방식과, 기체에 달린 카메라를 통해 화면으로 보면서 조종하는 방식입니다. 결과물은 비슷해 보여도, 전자는 조종사 자신의 눈이 기준이고 후자는 카메라의 위치가 기준입니다. 판단의 기준점이 다릅니다. AI도 유사한 구분이 가능합니다. 내 단말기에서 내 데이터로 작동하는 AI와, 어딘가의 서버에서 집합 데이터 위에 올라타 응답하는 AI는, 같은 답변처럼 보여도 그 판단이 어디서 출발하느냐가 다릅니다.

지금 당장 할 수 있는 점검이 있습니다. 사용 중인 AI 도구의 개인정보처리방침을 한 번은 읽어보십시오. 입력 데이터가 학습에 사용되는지, 그것을 막으려면 어떤 설정을 해야 하는지를 확인하면 됩니다. 민감한 정보와 그렇지 않은 정보도 구분할 필요가 있습니다. 일반적인 리서치 요청은 클라우드 AI가 효율적이지만, 고객사 이름이나 미발표 가격 정보는 굳이 외부 서버를 거칠 이유가 없습니다. 나이아 같은 제품이 출시될 때 비교 기준을 만들어두고 싶다면, LM Studio나 Ollama 같은 로컬 모델 도구를 한 번이라도 직접 써보는 것이 가장 빠릅니다.

두 번의 실패를 겪은 개발자가 세 번째 시도에서 다시 출발점에 선 것은, 질문 자체가 달라졌기 때문입니다. '더 좋은 AI를 어떻게 만드는가'에서 'AI는 누구의 것이어야 하는가'로 이동했습니다. 이 이동이 사소해 보이지만, 그 질문의 방향이 결국 어떤 도구를 어떻게 선택하느냐를 바꿉니다.

AI가 당신을 더 잘 알게 될수록, 그 앎이 어디에 저장되는지를 함께 물어야 합니다. 성능을 어떻게 높일까보다 먼저, 이 도구의 구조가 어떻게 생겼는지를 한 번쯤 들여다보는 것—두 번의 실패 끝에 질문 자체를 바꾼 개발자가 지금 만들고 있는 것의 출발도 거기에 있었습니다.