EP 119. 코드로 재생하는 AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Video as Code는 코드로 영상 제작을 자동화하고 생성형 오독은 코드의 해석을 창작으로 확장하지만, 좋은 결과의 가치는 여전히 사람의 판단과 참여에서 검증된다.

📌 핵심 요점

1. Video as Code는 픽셀 대신 코드를 생성한다. LLM이 애니메이션 코드나 그래픽 도구를 활용해 영상을 만드는 접근이다. Sina는 Manim을 확장한 ManimGX로 교육 영상을 제작했으며, 시각화가 이해를 도울 수 있어도 높은 조회수나 한 번의 시청이 깊은 학습을 보장하지는 않는다.
2. AI 편집의 성과는 제작량 확대에서 먼저 나타났다. 박종현은 에피소드당 최소 20시간이 들던 편집을 자동화해, 녹화 당시 편집의 99%를 AI로 처리한다고 설명했다. 총조회수 증가는 개별 영상의 품질 상승보다 발행량 증가의 결과로 해석했다.
3. 모션 그래픽 생성보다 콘텐츠 평가가 어려운 과제로 남았다. 여러 모델과 라이브러리에서 준수한 결과가 나왔지만, 완성도를 높이는 과정에는 사람의 반복 피드백이 필요했다. 카테고리별 실험에서도 좋은 반응은 일부에 그쳤으며, 시청 이유에 맞는 편집 기준이 필요하다는 판단이다.
4. 생성형 오독은 표현을 바꾸며 새로운 의미를 탐색한다. bytebeat 코드를 소리와 이미지로 읽고, 이미지에 이모지를 대응시킨 뒤 개념을 조합해 이야기와 작품으로 확장한다. 의도적인 오독은 익숙한 생성 패턴에서 벗어날 단서지만, 새로운 조합과 무의미한 잡음을 구분하는 기준은 미해결이다.
5. 콘텐츠의 가치는 제작 가능성만으로 설명되지 않는다. 원본에 담긴 이야기와 정보, 설명자가 추천하는 질문, 어린이가 직접 그린 그림의 참여 과정이 가치의 근거로 제시된다. 결과물이 비슷해질수록 희소한 표현과 판단이 중요해질 수 있다는 관점도 나온다.

🧩 배경과 문제 정의

• Video as Code는 영상 생성 모델이 픽셀을 직접 만드는 대신, LLM이 애니메이션 코드나 그래픽 도구를 사용해 영상을 만드는 접근이다.
• 영상 편집은 설명 보완과 자료 추가로 콘텐츠의 가치를 높이지만, 부업으로 채널을 운영하는 창작자에게는 큰 시간 부담이 된다.
• AI가 그럴듯한 영상을 만들 수 있다는 사실과 시청자에게 가치 있는 콘텐츠를 만든다는 판단은 구분해야 한다. 시각적으로 이해하기 쉬운 설명도 실제로 깊이 이해하는 경험과 차이가 있을 수 있다.
• 코드와 생성형 AI는 편집 자동화뿐 아니라 기존 코드를 다르게 해석하는 예술 작업에도 쓰인다. 효율과 전달력을 높이는 활용에서 의도적인 ‘오독’으로 논점이 확장된다.

🕒 시간순 섹션별 상세정리

1. 픽셀 생성 대신 코드로 영상을 만드는 Video as Code

• 샌프란시스코에서 열린 Video as Code 행사에는 약 100명의 참가를 승인했지만 공간 제약으로 실제 약 40명이 참석했다. 이 접근은 LLM이 애니메이션 코드를 작성하거나 Blender 같은 도구를 사용해 영상을 만드는 방식이다 [01:27]
• 행사는 Luma의 샌프란시스코 추천 목록에 올랐으며, 박종현은 함께 지내던 터키 출신 창업자 Sina와 공동으로 주최했다 [02:00]

2. 코드 기반 교육 영상의 성과와 ManimGX

• Sina의 교육 영상은 기본적인 신경망이 주행을 수행하는 원리를 설명하며, 그래픽뿐 아니라 오디오와 음악도 코드로 생성했다 [03:09]
• 신경망 설명 영상은 조회수 75만 회를 기록했고, 다른 영상은 96만 회에 도달했다. 하루에 하나씩 약 10일간 올린 영상 가운데 100만 회가 나온 사례도 있었다 [03:45]

3. 시각화가 주는 이해의 가능성과 한계

• Sina의 목표는 어려운 개념을 잘 시각화해 이해를 돕고, 사람들이 공부를 좋아하도록 만드는 것이다 [04:49]
• 조회수를 우선하는 교육 영상에는 시청 순간에는 이해한 듯하지만 깊이 이해하지 못하는 경우가 많다. AI는 제작의 어려움을 줄여 복잡한 개념을 더 단순하고 직관적으로 설명하는 데 기여할 가능성이 있다 [05:53]

4. 원본 영상의 가치를 살리는 편집과 시간 부담

• 박종현의 출발점은 무에서 영상을 생성하는 작업보다, 이미 녹화한 원본 영상을 더 좋은 콘텐츠로 편집하는 일이었다 [06:54]
• 여러 채널을 부업으로 운영하면서 직접 편집했으며, 편집으로 설명과 실수를 보완하고 추가 영상이나 자료를 넣을 수 있었다. 다만 본인의 경우 에피소드 하나에 최소 20시간 이상이 들어 AI에 편집을 맡기는 프로젝트를 시작했다 [08:56]

5. AI 편집으로 제작량을 늘린 채널 운영

• 수개월간 개발한 뒤 sudoremove에 AI 편집본을 올리기 시작했으며, 녹화 시점에는 적용한 지 두세 달이 지난 상태였다. 초기에는 사람과 AI의 편집본을 섞어 올렸다 [09:18]
• 조회수가 비슷하고 구독자들에게도 AI 편집임을 몰랐다는 반응을 받아, 현재는 편집의 99%를 AI로 처리하고 있다 [09:29]

6. 비전문 편집자와의 비교에서 얻은 긍정적 결과

• 약 1만 명 규모의 다른 채널 운영자에게 허락받아 라이브 영상을 AI로 편집했다. 구독자 0명인 팬 채널에 올렸는데도 기존 편집본보다 조회수가 잘 나왔다 [11:19]
• 해당 운영자는 운동선수가 본업인 비전문 편집자였다. 이 사례를 근거로 AI가 비전문 편집자보다 나은 결과를 낼 수 있는 수준에 이르렀다고 판단했다 [11:32]

7. 하이라이트 추출에서 내용에 맞는 모션 그래픽으로

• 다음 작업은 2~3시간짜리 라이브와 그 편집본에서 사람들이 좋아할 만한 하이라이트를 골라 쇼츠로 만드는 클리핑이었다 [12:55]
• 처음에는 꾸밈 없이 구간만 추출했지만, 이후 LLM이 코드를 작성해 쇼츠 내용에 어울리는 모션 그래픽을 추가하는 방식으로 확장했다 [13:29]

8. 모델과 라이브러리를 바꿔도 가능한 모션 그래픽 생성

• Opus 5.5를 계기로 코드 기반 영상 생성을 시험했으며, 같은 요청으로 Opus 5.5의 medium·xhigh, GPT-6.1 Sol, GPT-6 Astra의 결과를 비교했다. Opus 5.5를 높게 평가하면서도 GPT-6 역시 잘한다고 판단했다 [15:12]
• 도구 비교에는 Manim과 일대일 호환되는 ManimGX, Remotion, HyperFrames를 사용했으며, 별도 라이브러리를 지정하지 않는 조건도 시험했다 [15:59]

9. 제작 강의와 사람의 반복 피드백으로 높인 완성도

• 공동 창업자는 Kurzgesagt 스타일의 모션 그래픽 제작에 관한 유료 강의를 구매한 뒤, Codex에 강의를 보고 제작 방법을 학습하도록 요청했다 [17:09]
• 이후 제작 결과에 사람이 수정 방향을 제시하고 버전을 반복하면서 완성도를 높였다. ‘Craft Pass’는 개발 과정에서 붙인 별칭이며, 해당 개선의 평가는 사람이 수행했다 [18:07]

10. 그럴듯한 영상과 좋은 콘텐츠를 구분하는 기준

• 초기 AI 웹페이지가 당시에는 놀라웠어도 지금은 좋은 결과로 평가받지 못하는 것처럼, 현재의 AI 영상도 새롭게 가능해졌다는 이유로 높게 평가하는 단계일 수 있다 [19:09]
• 이를 확인하기 위해 허락받거나 사용이 허용된 원본 영상으로 여러 카테고리의 채널을 만들어 편집본과 모션 그래픽을 올렸다. 시청자의 호응, 긍정적 댓글, 좋아요를 콘텐츠 가치의 판단 근거로 삼았다 [20:17]

11. 일부 카테고리의 호응과 남아 있는 품질 과제

• 약 한 달간의 실험에서 전체 카테고리 가운데 약 20%는 좋은 반응을 얻었다. 조회수와 구독자, 댓글이 늘었지만, 지속적인 품질 개선을 포함해 어떤 요인이 작용했는지는 확정하지 않았다 [20:51]
• 댓글은 1,000개 이상 받았으며 몇천 개일 수도 있다고 추정했지만 정확히 세지는 않았다. 확인한 댓글 중 AI 제작 여부를 묻는 글은 없었으나, 콘텐츠 자체의 품질은 좋은 경우와 그렇지 않은 경우가 섞여 있었다 [21:23]

12. 편집 스타일 학습과 카테고리별 기준의 필요성

• 현재 시스템은 박종현 자신의 편집 스타일을 따르도록 AI를 가르치는 방식이다. 모델 파인튜닝은 하지 않았지만, 파인튜닝이 필요하다고 느낀 지점이 있어 향후 도입할 가능성은 열어 두었다 [23:28]
• AI 팟캐스트와 다른 종류의 콘텐츠는 시청 이유가 다르므로, 시청자를 만족시키는 편집 방식도 달라져야 한다. 예능처럼 성격이 다른 콘텐츠에는 다른 편집과 모션 그래픽 스타일이 필요하다고 판단했다 [24:19]

13. 사람의 원본 이야기에서 찾는 콘텐츠의 핵심 가치

• 박종현의 출발 가설은 편집본에 그래픽과 설명 영상을 추가하더라도 가장 큰 가치는 원본에 담긴 이야기와 생각, 정보에 있다는 것이다. 편집은 그 가치를 보강하는 역할을 한다 [25:53]
• 따라서 완전히 새로 생성하는 콘텐츠보다 실제 사람이 말한 원본 스토리텔링을 더 좋게 만드는 데 집중한다 [26:11]

14. 여러 모델과 기존 디자인 자산이 섞인 발표 자료

• 발표 자료는 GPT-6.1 Sol로 만들었지만, 이미 준비해 둔 디자인 문서와 무드보드, 디자인 시스템을 바탕으로 제작했다. 과거 자산에는 Claude의 작업이 포함됐을 가능성이 있다 [27:17]
• 여러 모델을 섞어 만족할 때까지 수정했으므로 특정 모델 하나의 결과로 보기는 어렵다. 최승준은 좁은 행간을 GPT의 경향으로, 크림색 선호를 Claude의 경향으로 추정했다 [27:36]

15. bytebeat 코드를 다르게 읽는 ‘생성형 오독’

• 최승준은 PROTOROOM의 후니다 킴·김승범, 신승백과 이어온 교류를 바탕으로 동묘의 ‘백남준을 기억하는 집’에서 ‘생성형 오독’ 작업에 참여했다 [28:30]
• 기존 작업은 시프트 연산자와 숫자로 구성된 bytebeat 코드를 장치로 연주하고 전시하는 방식이다. 최승준은 그 코드를 다르게 읽는 역할을 맡아, 생성형으로 잘못 읽는다는 것이 무엇인지 탐색했다 [29:26]

16. bytebeat의 상수 조합으로 소리의 가능성을 탐색한다

• 코드의 상수 값을 자동으로 탐색하고 결과를 눌러 들어보면, 펄스나 드럼처럼 들리는 다양한 소리를 빠르게 비교할 수 있다. [30:43]
• bytebeat는 원래 소리를 내려던 코드가 음악처럼 들릴 수 있다는 발견에서 출발한다. 의도와 다른 방식으로 코드를 읽는 행위 자체가 작업의 출발점이다. [31:06]

17. 코드와 소리를 이미지로 바꾸며 이름의 역할을 확장한다

• 같은 bytebeat 결과를 이미지로 읽으면 소리와 다른 시각적 패턴이 나타난다. 코드에서 소리로, 다시 이미지로 표현 방식을 바꾸는 과정이다. [32:29]
• 변수와 이름의 관계는 임의적이지만, 이름을 붙이면 대상을 조절할 수 있다. 코드가 빛이나 모터를 움직이듯 현상에 개입하는 언어라는 관점에서, 의도하지 않은 방식으로 읽는 실험이 가능해진다. [33:33]

18. 이미지에 이모지를 대응시키자 새로운 의미가 생긴다

• 이미지의 픽셀과 비슷한 이모지를 회귀로 찾으면 원래 관계없던 패턴이 곰이나 별똥별로 읽힌다. 구름에서 얼굴을 보는 파레이돌리아처럼, 억지로 대응시킨 결과에 의미가 붙는다. [34:14]
• 같은 구조를 수학적인 매듭과 궤적으로 표현하는 작업 역시 필연적인 해석이 아니라 임의적인 읽기 방식이다. [34:32]

19. 소리 설계에는 직관과 시행착오가 필요하다

• 코드를 많이 다루면 대략적인 소리의 느낌에 대한 직관은 생길 수 있지만, 특정 시점의 값이나 전체 결과를 완벽하게 예측하기는 어렵다. 실제 계산과 청취가 필요하다. [35:50]
• 하드웨어의 슬라이더로 상수를 바꾸며 소리를 조정할 수 있지만, 코드 구조를 바꾸려면 여러 차례 시행착오를 거쳐야 한다. [36:15]

20. 좋은 소리를 판별하는 기준은 여전히 해결 과제다

• 당시 실험에서 ChatGPT와 Opus는 직접 소리를 들을 수 없다고 답했지만, 스펙트로그램을 이미지로 보는 방식은 가능하다고 했다. [37:05]
• 소리의 특징이나 원하는 느낌을 다른 표현으로 번역하면 회귀와 최적화를 시도할 수 있다. 청취와 취향이 모델에 내재화된다면 탐색 성능이 나아질 수 있다는 전망이지만, 좋은 음악과 영상을 평가하는 문제는 아직 완전히 풀리지 않았다. [38:04]

21. 이모지의 합성 규칙으로 창작 프롬프트를 만든다

• 주판과 플로피디스크가 만나 계산하는 기계가 된다는 식의 합성 규칙은 게임 Little Alchemy에서 착안했다. 소리의 유사성 대신 기호와 개념의 결합을 탐색하는 접근이다. [38:57]
• LLM은 템플릿 속 이모지를 캐릭터나 상황 요소로 사용해 프롬프트를 생성한다. 초승달과 곰 등이 만나는 사건을 구성하고 표현 형식까지 고르게 하면서 창작의 상당 부분을 위임한다. [39:44]

22. 해석을 위임한 결과는 만든 사람도 탐색해야 하는 작품이 된다

• 생성된 작품은 제작자도 처음에는 작동 방식을 모른 채 플레이해야 했다. 주판알과 관련된 조작을 추측하며 진행하고, 창에 불을 모두 켜면 이야기가 끝나는 형식이었다. [40:22]
• 간단한 코드를 반복해서 잘못 읽으면 이야기와 창작으로 이어질 수 있다. 이는 우연을 해석해 온 예술적 실험의 연장선이며, 모델에 창의력이나 호기심이 있다고 가정하고 작업을 맡겨보는 시도다. [41:12]

23. 생성형 오독은 익숙한 출력 패턴을 벗어날 단서가 될 수 있다

• 박종현은 LLM과 영상 생성 모델이 인간 데이터의 분포에서 그럴듯한 결과를 만들기 때문에 비슷한 문체와 표현을 반복한다고 본다. 특정 모델이 만든 자료라는 사실을 알아볼 만큼 출력의 패턴이 익숙해졌다는 문제다. [42:35]
• 창의성을 기존 작품 분포에서 벗어나는 것으로 본다면, 무의미해지지 않으면서 그 바깥으로 이동할 방법이 필요하다. 의도적인 오독은 익숙한 경로에서 벗어나게 하는 단서가 될 수 있다. [43:17]

24. 기존 요소의 조합도 창의성인가

• 생성 모델이 학습 분포 안에 머물더라도, 보통 연결하지 않던 수학 분야를 연결해 문제를 푸는 경우에는 의외의 창의성이 있을 수 있다. 이런 조합을 대량으로 탐색할 수 있는지가 관심사가 된다. [44:33]
• 말을 타는 우주비행사 이미지는 익숙한 두 요소를 결합해 기존 이미지 분포의 빈 지점을 찾은 사례로 읽힌다. 박종현은 이를 잠정적으로 ‘조합으로 만들어진 창의성 1단계’라고 구분한다. [45:32]

25. 탐색 영역의 확장과 수학계의 충격은 함께 진행된다

• 최승준은 당장 분포 밖으로 나가기보다 가까운 빈 지점을 채우는 성과가 먼저 나올 것으로 예상한다. 이후 모델과 탐색 공간이 확장되면 새로운 빈 지점도 생길 수 있지만, 역량 상승은 누구도 장담할 수 없다고 단서를 붙인다. [47:01]
• 수학계의 변화는 바둑계가 받았던 충격과 비슷하게 받아들여진다. 테렌스 타오가 수학의 낭만적인 시절을 지나 산업혁명의 시기로 이동해야 한다고 표현했다는 대목에는, 새로운 연구 방식의 필요성과 상실감이 함께 담겨 있다. [48:17]

26. 설명자의 가치는 즉석 생성과 주제 추천 사이에서 달라진다

• Sina는 영상뿐 아니라 상호작용할 수 있는 설명 플랫폼을 지향하며, 좋은 도구가 있어도 제작자가 주제와 핵심 개념을 알아야 한다고 본다. 박종현은 이 전제에 동의하지 않는다. [49:58]
• 이용자가 푸리에 변환을 궁금해하면 그 자리에서 이해를 돕는 시각 자료가 생성되는 학습 방식이 가능해질 수 있다. 그래도 사람은 자신이 무엇을 궁금해하는지조차 명확히 모를 때가 있다. [50:46]

27. 이야기의 평가를 시장에 맡겨도 희소한 판단의 문제는 남는다

• AI가 의도와 메시지를 구현하는 단계를 넘어 이야기 구조와 발상까지 만들 수 있다면, 디렉팅도 안전한 역할이라고 단정하기 어렵다. 이야기의 성패 역시 시장이 판단하게 할 수 있다는 가능성이 제기된다. [52:13]
• 박종현은 자신의 판단이 정답이라는 보장이 없으므로 결과를 공개하고 이용자의 반응을 본다. 좋아요·댓글·후원 등을 통해 무엇을 왜 좋아하는지 사후에 해석하며, 현재 탐색 결과의 평가는 사람이 해야 한다고 본다. [53:43]

28. 유치원 원가 영상에서 음악·글씨·애니메이션을 도구로 제작한다

• 유치원 원가에는 악보와 피아노 녹음만 있었기 때문에, 악보에서 음악을 추출하는 도구를 만들었다. [55:03]
• 트래커 같은 음악 도구로 MP3 파일을 얻었지만 SoundFont나 샘플링 방식보다 품질이 낮아 Suno로 마무리했다. [55:35]

29. 어린이의 그림은 생성 품질보다 참여 과정에서 가치를 얻는다

• 어린이 그림까지 생성으로 대신하면 작품의 의미가 사라질 수 있다. 직접 그린 어린이에게는 자기 그림이 들어갔다는 사실이 가치이며, 그 과정이 필요하기 때문에 무작정 규모를 키울 수도 없다. [57:35]
• 생성한 손글씨는 자연스럽게 보일 수 있지만 실제 어린이의 글씨와 같은 가치를 갖는 것은 아니다. 이 작업에서는 글씨의 등장 시점을 정확히 맞추기 위해 악보를 기준으로 처리했으며, 실제 글씨를 스캔해 획으로 바꾸는 방법은 더 많은 노력이 필요했을 것이라고 판단했다. [58:57]

30. 조합형 한글 폰트는 사용할 수 있어도 품질 판단은 남는다

• 디자인 작업을 더 쉽게 하기 위해 시작한 조합형 한글 폰트는 작업을 마무리하고, 글자를 공간에 맞춰 배치해 사용하는 단계에 도달했다. [59:51]
• 이전 작업보다 나아졌다는 판단과 별개로, 이것이 정말 좋은 폰트인지에 대해서는 여전히 확신하지 못한다. [1:00:00]

31. AI 디자인의 제작 가능성과 시간 절약 사이의 간극

• 영상 편집기나 벡터 편집기를 켜지 않고 Claude Code 앱에서 모델과 사진 배치와 레이아웃을 작업한다. 다만 결과물에는 Claude 특유의 톤이 드러난다 [1:00:34]
• 마음에 드는 결과를 얻으려면 사진과 문구를 바꾸는 결정을 반복해야 하므로, 직접 디자인할 때와 비슷한 시간이 걸린다. 쉽게 위임할 콘텐츠와 직접 붙잡아야 할 작업의 경계는 아직 시행착오 중이며, 내년에도 같은 고민이 남을지는 불확실하다 [1:01:22]

32. 스타일 평준화에 따른 가치 하락과 이어지는 모델 경쟁

• AI로 제작했더라도 내용이 좋으면 인기 있는 중국 드라마 사례처럼 가치를 만들 수 있다. 반면 스타일이 중요한 콘텐츠에서 결과물이 모두 비슷해지면 희소성이 사라져 슬롭으로 전락할 수 있다 [1:02:20]
• 처음에는 좋아 보였던 표현도 평준화되면 사람들의 안목이 높아져 과락 수준으로 평가받을 가능성이 있다. 최근 모션 그래픽이 비슷하게 나오는 현상에서 이미 그런 조짐이 보인다는 진단이다 [1:02:34]

🧾 결론

• 코드 기반 생성은 편집과 시각화의 부담을 줄여, 구현하거나 발행하기 어려웠던 콘텐츠를 실제로 내놓게 하는 수단이다.
• 제작 자동화의 성공과 좋은 콘텐츠의 성립은 각각 확인해야 한다. 시청자 반응과 학습 효과, 반복 수정에 필요한 사람의 시간을 함께 살펴야 한다.
• 생성형 오독은 코드의 쓰임을 정답 구현에서 해석과 탐색으로 확장한다. 다만 창의성의 성격과 작품의 품질을 판별하는 문제는 열린 상태다.
• 직접 참여한 과정이나 원본 이야기의 의미는 생성 결과의 외형적 완성도와 별도로 가치를 만든다.

📈 투자·시사 포인트

• 제작 도구의 효용은 발행 병목 해소로 평가할 수 있다. 영상 한 편의 조회수뿐 아니라 발행량, 사람의 수정 시간, 지속적인 운영 가능성을 함께 보는 관점이 필요하다.
• 카테고리별 편집 기준은 서비스 차별화의 후보가 된다. 여러 도구가 준수한 그래픽을 생성하는 상황에서는 시청자가 원하는 설명과 전개를 구현하는 역량이 중요해질 수 있다.
• 스타일 평준화는 콘텐츠의 희소성을 낮출 수 있다. 비슷한 결과물이 늘면 현재의 인상적인 표현도 평가 기준 상승에 따라 매력을 잃을 가능성이 제기된다.
• 평가와 선택은 자동화의 다음 쟁점이다. 좋은 영상·음악·이야기를 고르는 문제가 남아 있으며, AI가 평가를 맡더라도 그 바깥의 희소한 콘텐츠로 가치가 이동할 수 있다는 견해가 나온다.

⚠️ 불확실하거나 확인이 필요한 부분

• AI 편집본의 조회수 개선은 소수 채널과 제한된 표본에서 관찰됐다. 주제, 발행량, 채널 조건, 지속적인 품질 개선이 함께 작용했으므로 편집의 인과효과로 단정하기 어렵다.
• 약 한 달간 일부 카테고리에서 좋은 반응을 얻었다는 결과는 장기적인 성과를 보장하지 않는다. 댓글 수 역시 정확히 집계되지 않았으며, 확인한 댓글에 AI 제작 여부를 묻는 글이 없었다는 관찰만으로 전체 시청자의 인식을 알 수는 없다.
• 모델과 라이브러리 비교는 발표자의 실험과 주관적 평가다. 발표 자료에도 기존 디자인 자산과 여러 모델의 작업이 섞여 있어 특정 모델의 단독 역량으로 해석하기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 자신의 제작 과정에서 편집·자료 추가·그래픽 제작에 드는 시간을 기록하고, 사용이 허용된 원본으로 AI 편집을 시험한다.
• 비슷한 주제와 조건의 영상에서 개별 성과와 총발행량을 나눠 비교하고, 사람이 수정하는 데 걸린 시간도 함께 기록한다.
• 콘텐츠 카테고리별로 시청 이유와 좋은 편집의 기준을 정한 뒤, 댓글·좋아요 등 공개 반응을 보며 수정한다.
• 교육 영상은 시청 직후의 이해감 외에 개념을 다시 설명할 수 있는지 확인해, 시각화와 학습 효과를 구분한다.

❓ 열린 질문

• AI 편집의 효과를 주제와 발행량의 영향에서 분리하면, 어떤 카테고리에서 지속적인 개선이 남을까?
• 생성형 오독으로 얻은 결과가 낯설면서도 의미 있는 작품인지 판단할 기준을 만들 수 있을까?
• AI가 이야기의 발상과 평가까지 맡게 되면, 사람의 희소한 판단과 설명자의 역할은 어디로 이동할까?