서론: 단일 거대 모델의 한계를 넘어서려는 시도
현대 인공지능 연구의 패러다임은 거대 언어 모델(LLM)의 스케일업(Scale-up) 경쟁에 집중되어 왔습니다. 그러나 파라미터 수를 늘리고 방대한 데이터로 훈련시키는 것만으로는 복잡한 다단계 추론이나 고도의 전문성이 요구되는 작업을 완벽히 해결하기 어렵다는 구조적 한계가 명확해지고 있습니다. 이는 마치 한 명의 천재에게 모든 분야의 전문성을 기대하는 것과 같으며, 필연적으로 성능의 병목 현상과 할루시네이션(Hallucination) 문제를 야기합니다.
이러한 배경 속에서 최근 Perplexity AI가 선보인 ‘페이지(Pages)’ 기능은 새로운 방향성을 시사합니다. 이는 단일 모델의 성능에 의존하는 대신, 여러 전문화된 AI 모델의 역량을 유기적으로 조율(Orchestration)하여 복잡한 과업을 해결하는, 이른바 ‘시스템-오브-모델(System-of-Models, SoM)’ 접근법의 주목할 만한 상업적 적용 사례로 분석될 수 있습니다.
Perplexity Pages의 작동 방식에 대한 분석적 추론
Perplexity Pages의 정확한 내부 아키텍처는 공개되지 않았습니다. 그러나 공개된 데모와 결과물의 형태를 통해, 그 작동 원리를 다음과 같이 분석적으로 추론해 볼 수 있습니다. 이는 외부 관찰에 기반한 해석이며, 실제 내부 구조와는 차이가 있을 수 있음을 분명히 밝힙니다.
핵심은 ‘과업 분해(Task Decomposition)’와 ‘최적 기능 할당(Optimal Function Allocation)’에 있는 것으로 보입니다. 사용자가 “마크다운, Git, AI 에이전트를 사용해 ‘세컨드 브레인’을 구축하는 방법에 대한 종합 가이드 생성”과 같은 복합적인 프롬프트를 입력하면, 시스템은 먼저 이를 여러 논리적인 하위 태스크로 분해하는 과정을 거치는 것으로 추정됩니다.
이후 각 태스크의 성격에 맞춰 최적화된 기능을 순차적, 혹은 병렬적으로 실행하고 그 결과들을 종합하는 방식으로 작동할 것입니다. 예를 들어, 먼저 최신 정보 수집을 위해 Perplexity 자체의 검색 특화 기능이 활성화되고, 기술적 설명에 필요한 코드 스니펫은 코딩에 강점을 보이는 내부 모듈이나 모델이 생성하며, 마지막으로 이 모든 정보를 구조화하고 유려한 문장으로 엮어내는 데에는 고성능 언어 모델의 추론 및 생성 능력이 활용될 수 있습니다. 이 전체 과정은 하나의 통합된 워크플로우 안에서 자동으로 진행되는 것처럼 보입니다.
사용자 경험의 질적 변화: ‘인지 부하’의 전가
Perplexity Pages를 경험한 초기 사용자들 사이에서는 압도적인 시간 단축 효과에 대한 긍정적인 반응이 공통적으로 나타나고 있습니다. 기존 방식으로는 여러 도구를 오가며 수 시간에 걸쳐 수행해야 했던 복잡한 리서치 및 종합 보고서 작성 작업을, 상당 부분 자동화된 프로세스를 통해 완성도 높은 초안으로 받아보는 경험은 단순한 생산성 향상을 넘어섭니다. 물론, 모든 작업이 수 분 내에 끝나는 것은 아니며 과제의 복잡성에 따라 소요 시간은 달라질 수 있습니다.
핵심 가치는 ‘인지 부하의 전가(Cognitive Load Offloading)’에 있습니다. 사용자는 더 이상 최적의 프롬프트를 단계별로 고안하고, 여러 AI 도구를 오가며 결과를 수동으로 취합하고, 정보를 재구성하는 복잡한 과정을 직접 수행할 필요가 줄어듭니다. 시스템이 고도의 추상화 수준에서 이 과정을 상당 부분 자동화함으로써, 사용자는 최종 목표 설정과 결과물 검토 및 수정에 더 집중할 수 있게 됩니다.
이는 AI와의 상호작용 패러다임이 단순 질의응답을 넘어, 복합적인 프로젝트를 위임하고 그 과정을 관리하는 ‘AI 컴퓨팅 엔진’으로 진화하고 있음을 보여주는 인상적인 사례로 볼 수 있습니다.
기술적 함의: RAG를 넘어선 시스템-오브-모델(SoM)
Perplexity의 이번 기능은 기존의 검색 증강 생성(RAG, Retrieval-Augmented Generation) 모델에서 한 단계 발전한 형태로 해석할 수 있습니다. 단순 RAG가 ‘검색 후 생성’의 비교적 선형적인 프로세스를 따른다면, Pages는 다단계, 다중 에이전트 기반의 RAG 및 실행 파이프라인을 구현한 것에 가깝습니다.
이러한 시스템-오브-모델(SoM) 접근법은 AI 연구 커뮤니티에서 꾸준히 논의되어 온 개념과 맥을 같이 합니다. 최근 학계에서는 여러 모델이 서로 협력하여 복잡한 추론 문제를 단계적으로 해결하는 프레임워크가 단일 모델 대비 월등한 성능을 보일 수 있다는 연구 결과들이 발표되고 있습니다. Perplexity의 시도는 이러한 학술적 개념을 상용 서비스에 성공적으로 접목하여 그 가능성을 보여준 선도적 사례 중 하나로 평가할 수 있습니다.
미래의 AI 서비스 경쟁력은 단순히 가장 뛰어난 단일 LLM을 보유하는 것을 넘어, 얼마나 다양한 모델 포트폴리오를 효율적으로 조합하고 오케스트레이션하여 최종 사용자 가치를 극대화하는지에 따라 결정될 가능성이 높습니다. Perplexity의 도전은 이러한 변화의 서막을 알리고 있습니다.
한계 및 추가 확인이 필요한 부분
- 아키텍처의 불투명성: 본문에서 제시된 작동 방식은 외부 관찰에 기반한 분석적 추론입니다. 실제 내부 아키텍처, 라우팅 알고리즘, 상태 관리 메커니즘 등은 공개되지 않았습니다.
- ‘다중 모델’의 구체성: Perplexity가 여러 모델을 통합하여 활용한다고 알려져 있으나, 각 기능에 어떤 모델이 어떻게 관여하는지에 대한 구체적인 정보는 공개되지 않았습니다. ‘다중 모델’이라는 표현이 각기 다른 여러 LLM을 의미하는지, 혹은 기능적으로 분화된 내부 모듈들의 조합을 의미하는지는 명확하지 않습니다.
- 성능의 일관성: 사용자들의 긍정적인 초기 경험에도 불구하고, 개별 작업의 처리 시간과 결과물의 품질은 입력되는 프롬프트의 복잡성, 시스템 부하 등 여러 변수에 의해 영향을 받을 수 있습니다. 일관된 성능에 대한 객관적인 벤치마크는 아직 부족합니다.
- 비용 효율성 문제: 복수의 고성능 모델이나 복잡한 파이프라인을 연쇄적으로 호출하는 방식은 단일 모델 사용 대비 더 많은 컴퓨팅 자원을 소모할 수 있습니다. 이러한 고도화된 서비스의 장기적인 경제적 지속 가능성은 앞으로 지켜봐야 할 부분입니다.