機械翻訳 / Machine-translated
@aifriends
AI Friends（https://aifriends.jp）のクロスポスト公式アカウント。AIツールの紹介・使い方・できることを、中学生でもわかるやさしい日本語で届けます。
이 글에서 알 수 있는 것
Microsoft가 2026년 10월 9일, 판단 특화 AI 모델 「Microsoft-Decision-1」을 발표했습니다. ChatGPT처럼 문장을 생성하는 것이 아니라, 정해진 선택지 중에서 최적의 것을 선택해 확률을 반환하는 모델입니다.
예를 들어, 고객 지원에서 "이 문의는 결제 관련 질문인가, 기술적인 문제인가, 계정 문제인가"를 판단하는 상황을 상상해 보세요. 기존 AI는 긴 문장으로 설명합니다. Microsoft-Decision-1은 "결제: 80%, 기술: 15%, 계정: 5%"처럼 수치로 답합니다. 사람이 읽는 문장이 아니라, 시스템이 직접 활용할 수 있는 판단 결과를 반환하는 것입니다.
Microsoft는 공식 블로그에서, Microsoft Foundry와 OpenRouter를 통해 이 새로운 모델을 이용할 수 있게 되었다고 발표했습니다.
Microsoft-Decision-1은 Alibaba(알리바바)가 개발한 오픈소스 AI 모델 「Qwen3.5-9B」를 기반으로 만들어졌습니다. 처음부터 개발하는 대신, 기존의 우수한 모델에 추가 학습을 수행하는 방법을 선택했습니다.
9B라는 숫자는 모델의 파라미터(학습 요소)가 90억 개 있다는 것을 의미합니다. 대규모 언어 모델(LLM)로서는 비교적 소형이며, 동작이 빠르고 비용도 저렴합니다.
요금은 입력 100만 토큰(약 75만 자)당 0.042달러이며, 출력은 무료입니다. 판단 결과를 받는 데 비용이 들지 않습니다. 가격 수준은 경쟁사인 OpenAI Jev와 거의 동일합니다.
Microsoft의 발표에 따르면, Microsoft-Decision-1은 36가지 벤치마크(성능 측정 테스트)에서 83.5%의 정확도를 달성했습니다. 경쟁 모델 중 가장 높은 수치입니다.
놀라운 것은 속도입니다. OpenAI의 대규모 모델 「GPT-6 Sol」과 비교해 약 35배 빠르게 판단할 수 있다고 보고되어 있습니다. 처리 시간의 중앙값은 85밀리초로, 사람이 눈을 깜빡이는 시간(약 100~150밀리초)보다 짧습니다.
다만, 이 속도 비교에는 논란도 있습니다. GPT-6 Sol은 판단뿐만 아니라 긴 문장도 생성할 수 있는 범용 모델입니다. 용도가 다른 모델끼리 비교하는 측면이 있습니다. 그럼에도 판단 작업에 한해서는 압도적으로 빠르다는 것은 사실입니다.
판단 특화 AI 모델 분야는 2026년에 들어서며 급속도로 경쟁이 치열해지고 있습니다. 선두를 달린 것은 TypeSafe AI의 「Jev」로, 2026년 상반기에 일반 공개되었습니다. 이어서 OpenAI가 9월 30일 DevDay 2026에서 「Decisions API」를 발표했고, Microsoft가 10월 9일에 Microsoft-Decision-1을 투입했습니다.
Jev는 판단 전용으로 설계된 모델로, 구조상 자유로운 문장을 생성할 수 없습니다. 반면 OpenAI의 Decisions API는 대규모 모델 Luna를 제약해 판단만 수행하도록 하는 방식입니다. Microsoft-Decision-1은 그 중간으로, 소형 모델을 기반으로 판단에 특화시킨 형태입니다.
성능 면에서 Jev의 처리 시간 중앙값은 210밀리초로 보고되어 있습니다. Microsoft-Decision-1의 85밀리초는 이보다 2배 이상 빠릅니다. 다만, 측정 환경과 조건이 다르기 때문에 독립적인 검증이 기대됩니다.
실제 활용 사례도 보고되어 있습니다. Microsoft의 내부 테스트에서는 Xbox 부문이 1만 건 이상의 피드백에 레이블을 붙이는 작업을 수행했습니다. 품질은 GPT-6 Sol과 동등하고, 속도는 14배 이상, 비용은 200분의 1이었다고 합니다.
고객 지원에서의 분류 작업에서는 태그 부착, 분류, 긴급도 판정, 스팸 감지 등에서 93%의 정확도를 달성했습니다. 반면, 주문 조회나 답변 작성 같은 복잡한 작업은 기존대로 문장 생성 AI가 담당합니다. 판단과 생성을 역할 분담하는 것이 효율적이라는 것입니다.
그 외 활용 사례로는 AI 에이전트(자율적으로 동작하는 AI)가 다음에 무엇을 해야 할지 판단하는 상황, 데이터 레이블링, 콘텐츠 필터링, 검색 결과의 관련성 평가 등이 있습니다.
왜 지금, 판단 특화 AI 모델이 잇달아 등장하고 있는 것일까요? 그 배경에는 AI 에이전트 시대의 도래가 있습니다.
기존의 ChatGPT는 사람과 대화하기 위해 만들어졌습니다. 그런데 최근에는 AI가 자율적으로 태스크를 수행하는 'AI 에이전트'의 개발이 활발히 진행되고 있습니다. 에이전트는 사람에게 보고할 필요 없이, 다음 행동을 빠르게 결정해 시스템에 전달하면 충분합니다.
일반적인 LLM은 생성되는 텍스트의 길이에 따라 처리 시간이 늘어납니다. 판단 특화 모델은 한 번의 계산으로 확률 점수만 반환하기 때문에 응답 시간이 일정합니다. 이것이 대량의 판단을 고속으로 처리할 수 있는 이유입니다.
또한, 판단 결과가 JSON 형식(프로그램이 읽기 쉬운 데이터 형식)으로 반환되기 때문에, 하위 시스템이 직접 처리할 수 있습니다. 문장을 해석할 필요가 없어 오류도 줄어듭니다.
일본 기업에게 이러한 움직임은 어떤 의미를 가질까요?
우선, 업무 효율화 비용이 낮아집니다. 기존에 GPT-4 등 고성능 모델로 수행하던 분류 작업을 더 저렴하고 빠른 모델로 대체할 수 있습니다. 예를 들어, 이메일 분류, 문의 우선순위 지정, 데이터 검증 같은 정형적인 판단 업무입니다.
도입 시의 포인트는 오판단의 허용 범위를 사전에 정해 두는 것입니다. Microsoft는 잘못된 '위양성(실제로는 아닌데 해당한다고 판단)'이나 '위음성(실제로 해당하는데 놓치는 것)'이 발생했을 때의 비용을 고려해 신뢰도 임계값을 설정하도록 권장하고 있습니다. 또한, 모델이 확신을 가지지 못할 경우 '판단하지 않는다'는 선택지를 마련해 두는 것도 중요합니다.
일본어 지원에 대해서는, Qwen3.5-9B가 중국어와 영어를 중심으로 학습되어 있지만 일본어도 어느 정도 처리할 수 있다고 보고되어 있습니다. 다만, 실제 운용에서는 일본어 특유의 표현에 대한 정확도 검증이 필요할 것입니다.
Microsoft-Decision-1의 등장은 AI 업계의 큰 흐름을 보여줍니다. 그것은 하나의 AI가 모든 것을 처리하는 시대에서, 용도에 따라 최적의 AI를 선택해 사용하는 시대로의 전환입니다.
문장 생성에는 GPT-6 같은 대규모 모델, 판단에는 Microsoft-Decision-1이나 Jev 같은 특화 모델, 이미지 생성에는 별도의 전용 모델. 이러한 역할 분담이 진행되면, 시스템 전체의 비용과 속도가 최적화됩니다.
Microsoft, OpenAI, 그리고 TypeSafe AI 등 여러 기업이 같은 시기에 판단 특화 모델을 발표한 것은 이 분야의 중요성을 뒷받침합니다. 앞으로 다른 기업에서도 유사한 모델이 등장하며 경쟁이 더욱 치열해질 것입니다.
일본 기업에게는 이러한 새로운 도구를 조기에 테스트하고, 자사의 업무 흐름 어디에 도입할 수 있는지 파악하는 것이 경쟁력으로 이어집니다. 판단 특화 AI의 물결은 아직 시작에 불과합니다.
이 글은 AI Friends 에서 크로스포스팅한 글입니다.
