GPT란 무엇이며 오늘날 왜 중요한가

GPT는 Generative Pre-trained Transformer(생성형 사전 학습 트랜스포머)의 약자입니다. 특정 유형의 AI 모델이 어떻게 만들어지는지를 설명하는 기술 용어이면서 OpenAI의 제품명이기도 합니다. 이 두 가지 의미가 GPT라는 말에 관한 혼란의 대부분을 만듭니다.

이 약어의 세 단어를 이해하면 이러한 도구의 행동을 거의 모두 설명할 수 있습니다. 무엇을 잘하는지, 왜 때때로 완전한 확신을 보이며 틀린 내용을 말하는지, 왜 지난주에 일어난 일을 모르는지 알 수 있습니다. 20분을 들일 가치가 있습니다. 사용하는 방식 자체가 달라지기 때문입니다.

이 가이드에서는 용어의 뜻, 수학 없이 이해하는 모델의 작동 방식, 특유의 방식으로 오류를 내는 이유, 그리고 GPT가 ChatGPT 및 다른 유명 모델과 어떤 관계인지 설명합니다.

GPT는 방대한 텍스트로 학습한 AI 모델의 한 종류로, 다음에 무엇이 올지를 반복해서 예측하며 새 텍스트를 만듭니다. 몇 단어를 입력하면 가장 그럴듯한 다음 내용을 계산해 덧붙이고 이 과정을 반복합니다. 질문 답변, 코드 작성, 문서 요약, 대화처럼 이 시스템이 하는 것처럼 보이는 모든 일은 하나의 작업을 매우 뛰어나게 수행한 결과입니다.

이 말에는 두 가지 뜻이 있지만 사람들은 좀처럼 구분하지 않습니다. 기술적 설명으로서 생성형 사전 학습 트랜스포머는 대부분의 현대 언어 모델이 공유하는 전체 아키텍처를 가리킵니다. 브랜드로서 GPT는 OpenAI가 자사 모델에 붙인 이름입니다. 따라서 거의 모든 유명 AI 도우미가 이 아키텍처를 사용한다는 말과 OpenAI 모델만 GPT라고 불린다는 말은 모두 맞습니다. 그래서 “이것은 GPT인가?”라는 질문에는 서로 반대되는 두 개의 정답이 있습니다.

알아둘 만한 세 번째 용법도 있습니다. 일부 플랫폼에서 설정하고 공유할 수 있는 소형 맞춤형 도우미도 GPT라고 부릅니다. 새로운 모델이 아니라 같은 기반 모델에 지침을 붙인 것입니다. 누군가 자신이 GPT를 만들었다고 말할 때 이 차이가 중요합니다.

세 단어는 각각 실제 모델의 행동을 결정하는 요소를 설명합니다.

• Generative(생성형). 저장된 답 중 하나를 고르는 대신 새 텍스트를 만듭니다. 내부에 검색할 답변 데이터베이스가 있는 것이 아닙니다. 모든 문장을 그 자리에서 구성하므로 같은 질문을 두 번 해도 다른 답이 나올 수 있습니다.
• Pre-trained(사전 학습). 여러분이 무언가 입력하기 전에 특정 날짜까지 수집된 대규모 텍스트로 학습을 마쳤습니다. 그 날짜가 학습 기준 시점이며, 어떤 주제는 유창하게 말하면서 지난달의 사건은 전혀 모를 수 있는 이유입니다. 대화에서 계속 학습하지 않는 이유이기도 합니다. 제품이 의도적으로 정보를 저장하지 않는 한 다음 세션은 아무것도 없는 상태에서 시작합니다.
• Transformer(트랜스포머). 2017년에 발표된 연구에서 소개되어 이 모든 것을 가능하게 한 아키텍처입니다. 핵심 아이디어는 어텐션입니다. 텍스트의 한 부분을 처리할 때 모델은 다른 모든 부분이 얼마나 관련 있는지 가중치를 매깁니다. 덕분에 여러 문단에 걸쳐 대명사가 무엇을 가리키는지 추적하고 이전 기술보다 훨씬 잘 문맥을 다룹니다.

가운데 단어가 사람들을 가장 자주 헷갈리게 합니다. 자신에게서 배우고 정보를 찾아주는 시스템을 기대하지만, 실제로는 오래전에 학습을 끝내고 기억을 바탕으로 내용을 재구성하는 시스템을 쓰고 있기 때문에 많은 불만이 생깁니다.

모델은 정확히 단어 단위로 작업하지 않습니다. 영어에서 평균 약 네 글자인 단어 조각, 즉 토큰을 사용합니다. 의미를 하나의 단위가 아닌 조각의 연쇄로 처리합니다. 이 작은 차이에는 눈에 보이는 결과가 있습니다. 모델이 단어의 글자 수를 세거나 문자열을 뒤집는 일을 어려워해 온 이유 중 하나는 사람이 보는 방식으로 글자를 보지 않기 때문입니다.

학습 중에는 일부가 가려진 방대한 텍스트가 주어지고 가려진 부분을 예측하도록 합니다. 틀릴 때마다 내부 매개변수가 아주 조금 조정됩니다. 인터넷에 쓰인 텍스트의 큰 부분에서 이 과정을 반복하면 조정이 누적되어 설명의 구성, 코드 작성법, 논증 방식 등 언어 사용의 통계적 형태를 사실상 흡수하게 됩니다.

메시지를 보내면 그 메시지와 지금까지의 대화가 문맥이 됩니다. 모델은 다음 토큰을 예측해 붙이고 답변이 끝났다고 판단할 때까지 반복합니다. 정보를 검색하거나 사람처럼 생각하는 것은 아닙니다. 다만 최신 모델은 답하기 전에 중간 작업 단계를 생성하도록 학습해 여러 단계가 필요한 문제에서 더 나은 결과를 냅니다.

주요 학습 뒤에는 지식보다 행동을 다듬는 추가 단계를 거칩니다. 지시를 따르고, 도움을 주며, 특정 요청을 거절하도록 가르칩니다. 그래서 비슷한 자료로 학습한 두 모델도 사용감이 매우 다를 수 있습니다. 모델의 성격처럼 느껴지는 것의 상당 부분은 기반 아키텍처가 아니라 이 단계에서 나옵니다.

이 도구에 대해 가장 유용하게 알아야 할 점이며 작동 방식에서 직접 비롯됩니다. 모델은 지금까지의 텍스트에 이어질 그럴듯한 내용을 생성합니다. 사실 질문을 하면 그럴듯한 다음 내용은 그럴듯하게 들리는 사실이 됩니다. 모델 내부에는 정확히 학습한 것과 지금 만들어 내는 것을 구분하는 표시가 없습니다. 기계적으로 같은 작업이기 때문에 내부에서는 둘이 똑같이 보입니다.

이 사실은 서로 다른 버그처럼 보이는 행동을 설명합니다. 자신 있게 지어낸 인용, 출처 없는 그럴듯한 통계, 존재하지 않는 판례, 라이브러리에 없는 함수 등이 그렇습니다. 모델이 거짓말하거나 오작동하는 것이 아닙니다. 그럴듯한 답과 참인 답이 다른 질문에서 원래 하던 일을 그대로 하고 있는 것입니다.

오류가 어디에 몰리는지도 설명됩니다. 구체적인 사실, 이름, 숫자, 날짜, 인용처럼 거의 맞는 것도 틀린 것과 같은 영역에서 가장 흔합니다. 구조화, 설명, 바꿔 쓰기, 사용자가 제공한 자료에 대한 추론에서는 그럴듯한 답이 대개 옳은 답이므로 오류가 적습니다.

• 확신은 신호가 아닙니다. 답이 맞든 지어낸 것이든 말투가 같으므로 신뢰성을 알려주지 않습니다. 아무리 확신에 차 보이더라도 중요한 내용은 확인하세요.
• 기억을 요구하지 말고 자료를 주세요. 붙여 넣은 문서를 읽는 모델은 같은 문서를 기억해서 답할 때보다 훨씬 신뢰할 수 있습니다. 이 습관 하나로 위험 대부분을 줄일 수 있습니다.
• 확인할 수 없는 부분을 물으세요. “이 중 확신하지 못하는 부분을 알려줘”라는 한 문장을 더하면 예상보다 자주 약한 지점이 드러납니다.
• 도구가 상황을 바꿉니다. 웹을 검색하거나 코드를 실행할 수 있는 모델은 기억과 다른 일을 합니다. 정보를 가져오거나 계산한 뒤 결과를 설명합니다. 훨씬 신뢰할 수 있지만 실제로 가져온 부분에만 해당합니다.

GPT는 모델이고 ChatGPT는 그 주변에 만들어진 제품입니다. 인터페이스, 대화 기록, 파일 업로드, 안전 계층, 계정이 모두 포함됩니다. 엔진과 자동차의 관계와 같습니다. 다른 엔진을 넣을 수 있으며, OpenAI는 제품 이름을 유지한 채 이미 여러 번 그렇게 했습니다.

더 어려운 질문은 Claude, Gemini, Grok, DeepSeek가 GPT인지입니다. 기술적으로 모두 생성형 사전 학습 트랜스포머이며, 같은 아키텍처 계열과 기본 학습 방식을 공유하고 세 단어가 모두 적용됩니다. 하지만 GPT는 중립적 명칭이 아니라 OpenAI의 브랜드이므로 어느 것도 GPT라고 부르지 않습니다. Claude를 GPT라고 하는 것은 모든 진공청소기를 Hoover라고 부르는 것과 비슷합니다. 뜻은 통하지만 공식적으로는 틀립니다.

실제로 유용한 구분은 대체로 공유하는 아키텍처가 아니라 누가 만들었고 무엇이라 부르는지입니다.

이는 생각보다 중요합니다. 사람들은 종종 이 도구들이 로고만 다른 같은 것이라고 보고 선택이 임의적이라고 생각합니다. 아키텍처는 공유하지만 서로 다른 자료로 학습했고, 우선순위가 다른 팀이 조정했으며, 같은 요청에도 눈에 띄게 다르게 행동합니다. Gemini, Grok 및 DeepSeek 가이드에서 각각의 차이를 확인할 수 있습니다.

효과가 좋은 용도는 모델이 기계적으로 하는 일과 맞는 작업입니다. 변환, 설명, 구조화는 잘하지만 구체적인 사실을 기억하는 일은 못합니다. 실망한 사용자의 거의 모두가 이 경계의 잘못된 쪽에서 사용하고 있습니다.

• 텍스트를 다른 형태로 바꾸기. 메모를 요약으로, 녹취를 결정과 실행 항목으로, 한 문단을 세 개의 짧은 버전으로, 영어를 다른 언어로 바꿉니다. 원본 자료가 앞에 있으므로 가장 신뢰할 수 있는 범주입니다.
• 자신의 수준에 맞춰 설명받기. 같은 개념을 세 가지 방식으로 설명하게 해 하나가 이해될 때까지 시도하세요. 같은 페이지를 다시 주는 대신 설명을 조정하므로 이 부분에서는 검색 엔진보다 확실히 낫습니다.
• 선택할 수 있는 후보 만들기. 제목 열 개, 논증 구조 여섯 가지, 이름 네 개를 만들게 하세요. 모델은 정답을 고르는 것보다 범위를 넓혀 생성하는 데 능하고, 사람은 생성보다 선택을 잘합니다.
• 초안과 검토할 코드 만들기. 결과를 완성품이 아니라 편집할 재료로 다룬다면 빈 페이지를 넘기는 데 큰 가치가 있습니다. 특히 코드는 문법적으로 완벽하면서 의미적으로 틀릴 수 있으므로 믿기보다 실행해 봐야 합니다.
• 반론 요청하기. 계획의 문제점이나 자신이 지지하는 입장에 대한 가장 강한 반론을 물어보세요. 비용이 들지 않고 때로 큰 손실을 막아 주기 때문에 가장 덜 쓰이면서도 가치 있는 기능입니다.

저희 최고의 ChatGPT 프롬프트 모음에는 기억할 만한 25개가 담겨 있으며, 더 넓은 ChatGPT 프롬프트 가이드에서는 활용 기법을 다룹니다.

버전 번호는 몇 달마다 바뀌며 이를 구체적으로 나열한 글은 게시 직후부터 낡기 시작합니다. 개별 출시보다 발전 방향이 오래가며 알아둘 네 가지가 있습니다.

• 답하기 전에 작업하는 모델. 추론형 모델은 즉시 답을 내놓는 대신 중간 단계를 먼저 생성합니다. 시간이 더 들지만 여러 단계가 필요한 문제의 결과를 의미 있게 개선하므로 어려운 문제에서는 의도적으로 선택할 가치가 있습니다.
• 텍스트만 입력하는 시대가 아닙니다. 같은 아키텍처가 이제 이미지, 오디오, 문서도 처리합니다. GPT Image 2.0은 추론 개념을 이미지에 적용해 곧바로 생성하지 않고 렌더링 전에 구도를 계획합니다.
• 기억 대신 도구. 검색하거나 코드를 실행하고 다른 시스템을 호출할 수 있는 모델은 실제로 가져온 정보에 대해서 사전 학습 기준 시점을 우회합니다. 앞서 설명한 한계에 대한 가장 큰 변화이며, 같은 모델이 한 제품에서는 불안정하고 다른 제품에서는 믿을 만한 이유입니다.
• 소형 모델이 따라잡고 있습니다. 저렴하고 빠른 모델이 이제 2년 전에는 최상위 모델이 필요했던 많은 일을 처리합니다. 대부분의 일상 업무에서는 비싼 모델이 더 이상 당연한 선택이 아닙니다. 오래전에 하나를 정했다면 다시 살펴볼 가치가 있습니다.

바뀌지 않은 것은 작동 원리입니다. 여전히 다음에 올 것을 예측하는 시스템이므로 최신 모델이 아무리 뛰어나도 앞서 설명한 오류 유형은 그대로 적용됩니다.

이 모델들이 아키텍처는 공유하지만 학습과 조정은 다르다는 점을 알면 실용적인 질문은 “무엇이 최고인가”에서 “이 작업에 무엇이 맞는가”로 바뀝니다. 글만 읽어서는 답하기 어렵지만 직접 시험하기는 쉽습니다. 자신의 작업으로 같은 프롬프트를 두 모델에 보내면 어떤 비교보다 1분 안에 더 많은 것을 알 수 있습니다.

Chat Smith는 이를 위해 존재합니다. 모델 목록에는 GPT 등급과 함께 Claude, Gemini, Grok, DeepSeek가 있어 어려운 문제에는 추론 모델을, 버릴 초안 스무 개에는 빠른 모델을, 아무도 읽고 싶지 않은 문서에는 긴 문맥 모델을 쓸 수 있습니다. 각각 별도 구독은 필요 없습니다. Chat Smith는 무료로 체험할 수 있습니다.

한 가지만 기억한다면 이것입니다. GPT는 다음에 어떤 텍스트가 와야 하는지 매우 잘 예측합니다. 바로 그 점 때문에 놀랍고, 사실에 대해서는 신뢰하기 어렵습니다. 변환, 설명, 선택지 생성에 사용하고 구체적인 내용은 확인하세요. 이 한 가지 구분이 어떤 프롬프트 기법보다 도구를 잘 활용하게 해 줍니다.