AI 브라우저)#

저마다 다른 조형물을 전시한 야시장의 가판대들을 등불을 들고 둘러보는 방문객

기준 시점 · 2026년 10월. 생성 미디어와 AI 브라우저는 제품이 가장 빨리 바뀌는 영역입니다. 이 장은 각 도구군의 "역할"에 집중하고, 개별 제품의 기능 비교는 사용 시점에 다시 확인하기 바랍니다.

앞 장들에서 채팅형 서비스와 API를 살펴봤다면, 이번 장에서는 조금 더 “생태계"에 가까운 도구들을 소개합니다. 공개 모델 플랫폼(Hugging Face), LLM 앱 개발 프레임워크(LangChain), 이미지 / 동영상 / 음악 생성 도구, 업무 도구에 내장된 Copilot 계열, 그리고 브라우저 자체에 AI를 통합하려는 흐름(AI 브라우저)까지 이어서 정리합니다. 코딩 에이전트는 1인 스타트업에게 가장 중요한 도구이므로 다음 장에서 따로 다룹니다.

1인 창업자는 보통 완성 제품을 쓰는 사용자이자, 프레임워크로 제품을 조립하는 개발자이기도 합니다.

Hugging Face (허깅페이스)#

Hugging Face는 AI 모델과 데이터셋을 공유하는 가장 대표적인 플랫폼이자 커뮤니티입니다. 오픈 가중치 모델을 찾아 내려받아 사용할 수 있고, 미세 조정한 모델을 다시 공유할 수도 있으며, 브라우저에서 모델을 시험해 보거나 데모를 올릴 수도 있어서 원하는 모델을 비교 · 선택하기가 수월합니다. 클라우드 사업자(AWS, Google Cloud, Azure 등)의 모델 배포 기능과도 연동 / 제휴하는 경우가 많습니다.

1인 창업자에게 Hugging Face는 두 가지 역할을 합니다. 첫째, 상용 API 대신 직접 띄울 모델을 고르는 카탈로그입니다. 둘째, 임베딩 모델이나 분류 모델처럼 작고 저렴한 전용 모델을 찾는 곳입니다. 모든 일을 거대 범용 모델로 처리할 필요는 없고, 특정 작업에는 작은 모델이 더 싸고 빠릅니다.

LangChain (랭체인)#

LangChain은 LLM을 애플리케이션에 통합할 때 자주 쓰이는 프레임워크 / 라이브러리 계열입니다. RAG(문서 검색 + 답변), 프롬프트 템플릿 / 체인 구성, 도구 호출, 대화 상태 관리 같은 반복 작업을 표준화해 주기 때문에, “그럴듯한 데모"를 빠르게 만들거나 “여러 컴포넌트를 엮은 LLM 앱"을 구성할 때 도움이 됩니다. 다만 프레임워크를 쓰더라도 결국 데이터 품질 / 권한 / 로그 / 평가(evals) / 안전장치 같은 운영 이슈는 직접 설계해야 한다는 점을 기억해야 합니다.

자체 애플리케이션에 AI를 통합하려면, 벤더 SDK를 직접 연동하거나 LangChain, CrewAI 같은 라이브러리를 활용하는 접근이 있습니다. “무조건 라이브러리가 정답"이라고 단정하기는 어렵습니다. RAG / 도구 호출 / 대화 상태 / 작업 흐름(오케스트레이션)처럼 구성 요소가 늘어나는 경우에는 라이브러리가 반복 작업을 표준화해 주어 도움이 되지만, 단순한 기능이라면 SDK를 직접 붙이는 편이 더 단순하고 동작이 투명해 운영이 쉽습니다. 필자의 경우 회사에서 AI 기반 서비스를 개발할 때 LangChain과 CrewAI 중 무엇을 쓸지 고민했는데, CrewAI로는 디테일한 요구사항을 반영하는 데에 불편함을 느껴 LangChain(그리고 LangGraph)을 선택했습니다. 같은 자리의 대안으로 RAG에 특화된 LlamaIndex, 코드 없이 워크플로를 조립하는 n8n / Dify 같은 도구도 있습니다.

한 가지 변화를 적어 두면, MCP가 표준이 된 뒤로는 “도구를 모델에 붙이는 일"의 상당 부분이 프레임워크가 아니라 프로토콜 수준에서 해결됩니다. 프레임워크의 역할은 점점 “흐름을 조립하고 상태를 관리하는 것"으로 좁혀지고 있습니다.

이미지 생성 서비스#

앱이나 웹 서비스에 필요한 이미지, 광고용 배너, 미술 작품 등을 만들 때 AI 이미지 생성 서비스 또는 도구를 사용할 수 있습니다. ChatGPT나 Gemini 안에서 바로 생성할 수도 있고, 그 외에도 선택지가 많습니다. 대표적으로 Stable Diffusion 계열(공개 모델, 직접 실행과 커스터마이징에 강함), Midjourney(유료 온라인 서비스, 예술적 스타일과 결과물의 “질감"에 강점), 그리고 각 벤더의 이미지 API가 있습니다.

도구를 비교할 때는 “절대적 우열"을 가리기보다 사용 경험 / 제어 수준 / 운영 방식 관점에서 자신에게 맞는 것을 찾는 편이 좋습니다. 채팅형 서비스는 대화로 빠르게 시안을 만들고 수정 지시를 내리기 쉽고, 공개 모델 계열은 환경 구성과 워크플로 커스터마이징으로 활용 폭을 넓히기 쉬우며, API는 “같은 스타일로 수십 장"처럼 반복 생산을 자동화할 때 유리합니다. 공개 모델은 가중치 / 배포 형태에 따라 라이선스와 사용 조건(상업적 사용 가능 여부, 재배포 조건)이 붙을 수 있으니 비즈니스에 적용하려면 확인해 두는 편이 안전합니다.

다만 어떤 도구든 “정확히 원하는 결과물을 한 번에 얻기"는 여전히 어렵습니다. 랜덤하게 생성된 결과물을 그대로 써도 되는 경우나 결과물에서 아이디어를 얻어 발전시키는 경우에는 매우 유용하지만, 데이터를 기반으로 정확한 인포그래픽을 만들거나 포토샵처럼 원하는 부분을 정교하게 편집하는 일은 상대적으로 까다롭습니다. 필자도 AI 이미지 생성이 크게 화제가 되었던 2024년에 “동심원 세 개를 그려줘"처럼 단순한 요청에서도 엉뚱한 결과가 나오는 경험을 했습니다. 시간이 지나며 크게 개선되었지만, 여전히 “그림을 그리는 능력"에 비해 “정확한 도식을 만들어 내는 능력"은 상대적으로 약합니다. 그래서 이 책의 삽화는 이미지 모델로 만들었지만, 관계도와 다이어그램은 에이전트에게 HTML / SVG 코드로 그리게 했습니다. 정확해야 하는 것은 코드로, 분위기가 필요한 것은 이미지 모델로 나누는 것이 현실적인 분업입니다.

동영상 생성 서비스#

동영상 생성도 이미지 생성과 마찬가지로 큰 관심을 받고 있는 분야입니다. Google과 OpenAI는 각각 Veo, Sora 계열의 동영상 생성 모델 / 서비스를 제공하고 있고, Runway, Pika, Kling처럼 크리에이터용 생성 · 편집 도구도 생태계를 이루고 있습니다. 공통적으로 지역 / 계정 / 요금제에 따른 접근 제한, 생성 길이 · 해상도 · 속도(크레딧 / 쿼터) 제한, 악용 방지(정책 / 검열 / 워터마크 등) 같은 제약이 있어서, 업무에 활용하려면 “지금 내 계정에서 무엇을 어디까지 쓸 수 있는지"를 먼저 확인하는 것이 좋습니다.

기능 측면에서는, 텍스트 프롬프트만으로 짧은 영상을 생성할 수 있고 이미지 / 기존 영상을 입력으로 스타일을 바꾸거나 특정 구간을 변형하는 등 “생성 + 편집"을 함께 수행할 수 있습니다. 비즈니스 활용 분야도 다양합니다. 광고 / 소셜용 짧은 영상, 제품 데모 영상, 긴 영상의 요약 클립, 가상의 아바타가 스크립트를 읽는 영상(Synthesia 같은 서비스) 등으로 확장되고 있습니다.

음악과 음성 생성 서비스#

음악 생성 서비스도 상당히 많습니다. Suno, Udio 같은 서비스의 샘플을 들어보면 “데모 수준"을 넘어 실제 콘텐츠 제작에 활용 가능한 품질로 올라왔음을 느낄 수 있습니다. 음성 쪽에서는 ElevenLabs가 자연스러운 음성 합성과 효과음 생성의 기준점처럼 자리 잡았습니다. 다만 음악 / 음성 / 효과음은 저작권 · 라이선스 · 상업적 이용 조건이 서비스마다 다르기 때문에, 비즈니스에 쓰려면 이용 약관과 생성물의 사용 범위를 꼭 확인해야 합니다.

동영상이나 음악을 제작해 본 경험이 아예 없더라도, 이제 AI를 이용해 동영상을 생성할 수 있고 그에 어울리는 음악과 효과음도 생성할 수 있습니다. 해본 적 없는 일이라고 아예 선을 그어 두었던 심리적 경계만 허물고 시도해 본다면, 혼자서도 꽤 높은 품질의 콘텐츠를 만들 수 있는 시대입니다.

Copilot 계열: 업무 도구에 내장된 AI#

Copilot의 사전적 의미는 “부조종사"입니다. 사용자의 명령을 “실행"하는 것을 넘어서, 사용자의 작업 흐름을 옆에서 같이 보조하는 형태의 AI 도구를 통칭하는 말로도 쓰입니다. 대표적으로 GitHub Copilot(코드 편집기 안의 AI)과 Microsoft Copilot(Word / Excel / PowerPoint 등 Office 앱과 채팅 기반 업무 보조를 포괄하는 브랜드)이 있습니다.

Copilot 계열과 과거의 단순한 AI 비서 서비스들의 차이점은 제품 통합 방식에 있습니다. 예전 비서는 짧은 명령(“음악 틀어줘”)을 트리거로 정해진 동작을 수행했습니다. 반면 Copilot 계열은 에디터나 문서 / 스프레드시트 같은 작업 화면(현재 파일, 선택 영역, 표 구조, 관련 데이터)에 깊게 연결되어, 사용자가 따로 길게 설명하지 않아도 “지금 내가 무엇을 하고 있는지"를 바탕으로 제안을 합니다. 즉, “맥락을 이해한다"는 말은 모델이 초능력을 얻었다기보다, 제품이 모델에게 필요한 컨텍스트를 더 잘 제공하게 되었다는 의미입니다. 3장에서 본 컨텍스트 엔지니어링을 제품이 대신해 주는 셈입니다.

GitHub Copilot은 코드 자동완성에서 출발해 코드 설명, 리팩터링, 테스트 생성, 그리고 작업을 통째로 맡기는 에이전트 모드로 확장되었습니다. 이 흐름은 다음 장의 코딩 에이전트와 겹치므로 거기서 이어 다룹니다.

AI 브라우저#

필자는 학습이나 업무에서 웹 브라우저를 쓰는 시간이 매우 길다는 점을 떠올렸고, “브라우저 환경에 AI를 얼마나 깊게 통합하느냐"가 앞으로 더 중요해질 것이라 예상했습니다. 실제로 한동안은 브라우저 확장(Extension) 형태로 AI를 붙이는 방식에 관심을 갖고 관련 애플리케이션을 개발하기도 했습니다.

그런데 그 즈음 확장이 아닌, 브라우저 애플리케이션 자체를 AI 중심으로 설계한 제품이 등장하기 시작했습니다. Fellou 같은 초기 제품에 이어 2025년 중반 이후 비슷한 컨셉의 제품이 쏟아져 나왔고, 2025년 말에는 ChatGPT 진영에서도 Atlas라는 브라우저가 나와 직접 써 볼 기회가 있었습니다. 완성도 면에서 아쉬운 부분이 없지는 않았지만, “브라우징 자체가 곧 AI 워크플로가 된다"는 방향성은 설득력 있게 느껴졌습니다. 출시 초기에는 macOS 용으로만 제공되는 등 사용 환경에 제약이 있었습니다. 이런 제약은 빠르게 풀리는 편이므로, 사용 시점에 지원 범위를 확인하기 바랍니다.

이 흐름이 1인 창업자에게 주는 교훈은 두 가지입니다. 하나는 “브라우저 확장"처럼 플랫폼 안에 얹는 제품은 플랫폼이 그 기능을 흡수하면 자리가 사라질 수 있다는 점입니다. 필자가 만들던 확장 앱이 정확히 그 위험에 놓였습니다. 다른 하나는 반대로, 에이전트가 브라우저를 다룰 수 있게 되면서 “사람이 웹에서 손으로 하던 반복 업무"가 자동화 대상이 되었다는 점입니다. 이 가능성과 그 한계(로그인, 봇 차단, 화면 구조 변화)는 실행 편의 운영 장에서 다룹니다.

정리#

AI 도구 생태계는 모델 · 인프라 층, 개발 프레임워크 층, 완성 제품 층으로 나눠 보면 이해하기 쉽습니다.
Hugging Face는 모델 카탈로그, LangChain 류는 흐름 조립 도구이며, MCP 이후 도구 연결은 프로토콜 수준으로 내려왔습니다.
생성 미디어는 “분위기"에 강하고 “정확한 도식"에 약합니다. 정확해야 하는 것은 코드로 그리는 분업이 현실적입니다.
Copilot 계열과 AI 브라우저는 “제품이 컨텍스트를 대신 제공하는” 흐름이며, 플랫폼에 얹는 제품의 위험과 반복 업무 자동화의 기회를 동시에 보여 줍니다.