Gamma도 'AI 냄새'와 싸운다: 제안서·발표자료를 평가로 거르고 취향으로 마무리하는 법

AI로 만든 제안서에서 'AI가 쓴 티'를 줄이려면 문장을 다듬기 전에 검수 방식부터 나눠야 합니다. 연간 반복 매출(ARR) 1억 달러를 달성했다고 밝힌(2025년 11월, 회사 발표) 발표자료 서비스 Gamma도 되묻기, 지시 따르기, 브랜드 가이드 준수처럼 정답이 있는 부분은 평가로 시험하고, "이게 우리다운가" 같은 부분은 실제 사용자 반응과 만드는 사람의 취향으로 고릅니다. 한국 중소기업도 같은 순서를 작게 따라 할 수 있습니다.

예를 하나 들어보겠습니다. 영업팀이 밤새 AI로 고객 제안서를 만들었습니다. 다음 날 팀장이 세 장쯤 넘기다가 이렇게 말합니다. "이거 AI로 만들었지? 고객사 이름만 바꾸면 아무 데나 내도 되겠는데." 틀린 숫자는 하나도 없었는데요. 이 장면에서 팀장이 맡은 게 바로 'AI 냄새'입니다.

이 냄새를 가장 크게 고민하는 회사 중 하나가 Gamma입니다. 공동창업자이자 최고제품책임자(CPO)인 Jon Noronha가 10월 28일 공개된 Greg Isenberg의 팟캐스트에서 이 이야기를 꽤 솔직하게 풀었습니다. 이 글은 그 대화를 자막 원문과 Gamma 공식 발표로 확인하고, 우리 회사 보고서와 제안서에 옮길 수 있는 부분만 골랐습니다.

1. Gamma가 'AI 냄새'를 직접 문제 삼은 이유

Gamma는 AI로 발표자료, 문서, 웹페이지를 만드는 서비스입니다. 2025년 11월 10일 CEO Grant Lee는 연간 반복 매출(ARR) 1억 달러, 사용자 7,000만 명, 직원 약 50명이라는 숫자를 공개했습니다(TechCrunch, 2025-11-10). 회사가 직접 밝힌 수치이고 외부 감사를 받은 숫자는 아닙니다.

잘나가던 회사가 왜 냄새 이야기를 꺼냈을까요. Noronha의 설명이 재미있습니다. 아무도 Gamma를 안 쓰던 시절에는 Gamma로 만든 자료가 멋져 보이고 눈에 띄었는데, 모두가 쓰기 시작하자 모든 자료가 Gamma처럼 보이게 됐다는 겁니다. 사람들은 AI를 썼다는 걸 들키고 싶어 하지 않았고요(팟캐스트 13:48~15:40).

그래서 10월 6일 나온 Gamma 5의 발표문 첫 문장이 이렇습니다. "Everyone is sick of generic AI, including us." 같은 문구, 같은 레이아웃, 스톡 사진 같은 이미지, 같은 디자인 선택이 백 번씩 반복된다는 진단이 이어집니다(Gamma 공식 블로그, 2026-10-06). 자기 제품이 그 문제의 원인 중 하나라는 걸 인정한 셈이라 저는 이 대목이 마음에 들었습니다.

Noronha는 냄새를 완전히 없애겠다고 하지는 않았습니다. 패션에 빗대서, 냄새가 하나로 통일되는 대신 천 가지로 갈라지게 하고 사람들이 그 사이를 옮겨 다니게 돕겠다고 말합니다. 요즘 통 넓은 청바지가 유행해도 곧 스키니가 돌아오는 것처럼요.

2. 발표자료 한 벌 뒤에서 일어나는 200번의 호출

Noronha는 "메모를 붙여 넣고 20장짜리 발표자료를 만들어 달라"는 요청 하나가 들어왔을 때 안에서 무슨 일이 벌어지는지 순서대로 설명했습니다(팟캐스트 4:25~8:23).

먼저 클라우드에 작업용 컴퓨터(샌드박스)를 하나 띄웁니다. 그다음 바로 만들지 않고 질문부터 합니다. "학교 수업용인가요, 성인 대상인가요, 회사 발표인가요?" 같은 질문을 폼으로 띄우고, 연결된 Notion, Slack, Linear에서 관련 자료를 가져옵니다. 개요를 쓰고, 수천 개 템플릿 중에서 어울리는 것을 고르고, 문장, 배치, 이미지, 도표를 병렬로 만듭니다. 약 1분이면 발표자료가 화면에 흘러나옵니다.

여기서 끝이 아닙니다. 이미지를 볼 수 있는 모델이 모든 슬라이드를 다시 보면서 어긋난 글자, 잘린 머리, 어색한 대비를 찾고, 몇 번 고친 뒤에야 사용자에게 넘깁니다. 그가 직접 꼽은 숫자는 "아마 모델 20개, 호출 200번 정도"입니다. 본인도 "probably", "maybe"를 붙인 어림값이니 정확한 측정치로 읽으면 안 됩니다.

Noronha는 이렇게 도구를 쥐여주고, 스스로 결과를 확인하게 하고, 필요하면 사용자에게 묻는 장치 전체를 '하네스(harness)'라고 부릅니다(팟캐스트 2:36~4:25). 모델끼리는 실력이 비슷해서 제품의 차이는 대부분 이 포장에서 나온다고 봅니다. 회사 업무에 옮길 때 저는 순서를 봤습니다. 만들기 전에 묻고, 만든 뒤에 다시 봅니다.

그림: Gamma 사례를 바탕으로 LeanX가 그린 제안서 검수 흐름입니다. 만들기 전에 질문과 개요 확인을 두고, 초안이 나오면 정답이 있는 부분은 평가로 거르고(불합격이면 두 번까지 고치고, 그래도 안 되면 책임자가 직접 판단), 책임자 한 명이 취향으로 마무리합니다. 내보낸 뒤의 반응은 다음 문서의 질문과 점검표를 고치는 데 씁니다. 이 흐름은 LeanX의 제안이고 Gamma가 공식적으로 쓰는 구조는 아닙니다.

3. 평가로 잡히는 것과 안 잡히는 것

진행자 Greg Isenberg가 이렇게 물었습니다. "'뻔해 보인다'를 잡는 평가도 있나요?" Noronha의 답은 평가가 객관적인 일에는 아주 잘 맞는다는 것이었습니다(팟캐스트 15:49~18:40).

그가 말하는 평가(eval)는 소프트웨어 테스트와 비슷합니다. 미리 정해 둔 질문과 채점 방법이 있습니다. 예를 들어 사용자가 "호랑이에 대한 발표자료"라고만 하면, 에이전트가 "아이들용인가요, 성인용인가요?"라고 되묻는지 확인합니다. 회사 브랜드 가이드를 넣었을 때 그 가이드를 지키는지도 객관적으로 채점할 수 있어서 Gamma도 실제로 시험합니다.

막히는 건 "이거 멋져 보이나?", 더 나아가 "이게 나다운가? 내가 할 법한 말인가?" 같은 질문입니다. 여기에는 객관적인 정답이 없습니다. 그래서 Gamma는 두 가지를 더 씁니다.

하나는 대규모 A/B 테스트입니다. 모델이나 프롬프트 두 개를 많은 사용자에게 나눠 보여주고 어느 쪽이 나은지 봅니다. 지표로는 결과물을 만든 뒤 편집에 들인 시간, 공유나 내보내기를 했는지, 유료로 전환했는지, 일주일이나 한 달 뒤에도 다시 오는지를 꼽았습니다. 그중 유료 전환을 가장 좋아한다고 했는데, 이유가 "속이기 어려운 신호"라서였습니다. 정말 가치를 느껴야 돈을 내니까요.

다른 하나가 취향입니다. Noronha는 정답을 검증하기 어려운 분야일수록 창업자가 가진 고유한 감각이 경쟁력이 된다고 봅니다. 옷 디자인이라면 Nike와 Adidas의 하네스가 달라야 한다는 거죠.

이 대목은 조금 조심해서 읽어야 합니다. 감으로 하자는 얘기로 들리기 쉬운데, Gamma는 정답이 있는 부분은 평가로 시험하고, 정답이 없는 부분은 사용자 행동이라는 숫자로 다시 확인합니다. 제가 읽기로는, 취향은 무엇을 시도할지 고르고 마지막에 책임지는 자리에 들어갑니다. 지난번 AI 시대 PRD 글에서 골든셋으로 출시를 판정하자고 했는데, 이번 이야기는 그 골든셋이 닿지 않는 영역을 어떻게 다룰지에 대한 답에 가깝습니다.

4. 빠른 모드가 진 실험, '좋은 마찰'

이번 대화에서 가장 의외였던 건 Gamma의 빠른 모드 실험입니다(팟캐스트 26:25~29:10).

빠른 모드는 앞에서 말한 단계 일부를 건너뜁니다. 개요를 보여주지 않고, 처음에 질문도 하지 않습니다. 가설은 당연해 보였습니다. 걸리적거리는 단계를 없애면 사람들이 더 빨리 마법 같은 순간에 닿을 거라고요. Noronha 본인도 이 실험이 이기길 응원했다고 합니다.

결과는 반대였습니다. 개요를 확인하고, 이야기의 큰 흐름을 고르고, 질문에 답하는 과정을 거친 사용자들이 더 느렸는데도 만족도가 훨씬 높았고, 결과물에 더 공을 들였고, 유료 전환율도 높았다고 합니다. 그는 이걸 '좋은 마찰(good friction)'이라고 불렀습니다.

재미있는 건 그다음입니다. Gamma는 모바일 신규 사용자용으로 빠른 모드의 한 버전을 따로 내보냈습니다. 휴대폰으로 질문에 긴 답을 치고 싶은 사람은 없으니까요.

다만 이 실험의 숫자는 공개되지 않았습니다. 표본 크기도, 전환율이 얼마나 올랐는지도 모릅니다. Noronha가 팟캐스트에서 말한 결과로만 받아들이는 게 맞습니다.

5. 새 모델은 한 시간 안에 써 본다

Noronha는 Anthropic이나 OpenAI에서 새 모델이 나오면 보통 한 시간 안에 써 본다고 했습니다(팟캐스트 25:04~27:50). 녹화 전날 Claude Haiku 5.5가 나오자, 팟캐스트 장소로 오는 우버 안에서 시험 8개를 걸어 뒀다고 합니다. 템플릿 고르기나 개요 고치기처럼 작은 모델로 충분한 일에 쓸 수 있는지 보는 시험이었고, 끝나면 그중 4개쯤은 접을 거라고 했습니다.

이렇게 시험해 보면 절반 가격의 모델로 똑같은 결과가 나올 때가 많고, 가끔은 비싼 모델이 꼭 필요하다는 걸 알게 된다고 합니다. 가치의 98%는 프롬프트에서 나오고, 미세조정(fine-tuning)은 비용과 품질을 2~3% 더 짜내는 최적화로 본다는 말도 덧붙였습니다.

중소기업이 한 시간 만에 모델을 갈아 끼울 필요는 없습니다. 다만 "우리 회사에서 이 모델이 괜찮은지 어떻게 알지?"에 답할 시험 문서 몇 개는 미리 갖고 있어야 새 모델이 나올 때마다 감으로 갈아타지 않습니다.

6. 우리 회사 제안서에 옮기면

Gamma에는 가입자가 1억 명이 넘습니다(Gamma 5 보도 기준 약 1억 1,000만 명, SiliconANGLE, 2026-10-06). 한 시간 안에 시험을 걸고 두 시간 뒤 데이터를 볼 수 있는 건 이 규모 덕분입니다. 한 달에 제안서를 열 건 쓰는 팀은 같은 방법을 쓸 수 없습니다. 그래서 아래는 Gamma의 순서를 작은 팀에 맞게 바꿔 본 LeanX의 제안입니다.

만들기 전에 질문 세 개. 이 문서를 누가 읽는지, 읽고 나서 어떤 결정을 해야 하는지, 꼭 들어가야 할 우리 회사 근거가 무엇인지 AI가 먼저 묻게 합니다. 개요가 나오면 사람이 한 번 보고 순서를 고친 다음에 본문을 만듭니다. 이게 우리 버전의 좋은 마찰입니다. 단, 매주 쓰는 내부 보고까지 이렇게 하면 일이 늘어나기만 합니다. 고객에게 나가는 문서부터 적용하세요.

정답이 있는 건 평가로 거르기. 숫자와 출처가 맞는지, 필수 항목이 다 들어갔는지, 회사 색과 글꼴과 용어를 지켰는지는 점검표나 다른 AI 모델로 확인할 수 있습니다. 사람이 매번 눈으로 볼 필요가 없는 부분입니다.

마무리는 사람의 취향으로. "이게 우리 회사가 할 말인가"는 끝까지 사람이 판단합니다. 다만 그 사람이 누구인지 정해 두세요. 모두가 조금씩 고치면 결국 아무도 책임지지 않는 문서가 됩니다.

내보낸 뒤에는 반응으로 확인하기. A/B 테스트를 못 해도 볼 수 있는 숫자가 있습니다. 최종본까지 사람이 고친 시간, 상사가 한 번에 승인했는지, 고객이 회신했는지, 수주로 이어졌는지입니다. Gamma가 유료 전환을 좋아하는 이유처럼, 이런 숫자는 속이기 어렵습니다. 반응이 나쁜 문서가 쌓이면 다음 문서의 질문과 점검표를 고칩니다.

Gamma가 8월 12일 공개한 Creation Index에도 참고할 만한 숫자가 있습니다. 빈 화면에서 시작한 생성물의 비율이 2025년 1분기 59%에서 2026년 1분기 31%로 줄었고, 같은 기간 사용자의 메모, 문서, 기존 자료, 녹취록에서 시작한 생성물은 68% 늘었습니다. 상위 1% 제작자는 한 건당 수정 횟수가 일반 사용자의 거의 두 배였습니다(Gamma Creation Index, 2026-08-12). 회사 내부 데이터이고, 많이 고쳐서 결과물이 좋아졌다는 인과관계까지 보여주지는 않습니다. 그래도 잘 쓰는 사람일수록 자기 재료를 넣고, 나온 걸 그냥 내보내지 않는다는 방향은 분명합니다.

냄새를 맡는 기준도 팀이 같이 갖고 있으면 좋습니다. 문장 쪽 기준은 예전에 쓴 AI 초안 검수 체크리스트도 참고하세요. 아래 표는 LeanX가 만든 점검 질문입니다. 사람이 썼든 AI가 썼든 좋은 업무 문서인지 보는 용도로 쓰세요.

점검 질문	냄새가 나는 신호
고객사 이름을 지워도 그대로 통하나요?	어느 회사에 내도 되는 일반론
형용사마다 근거가 붙어 있나요?	'혁신적', '효율적', '최적화'만 있고 숫자나 사례가 없음
장마다 생김새가 다른가요?	모든 장이 같은 카드 배치, 같은 아이콘, 스톡 사진 같은 이미지
마지막 장에서 무엇을 결정해 달라고 하나요?	요약만 있고 요청하는 결정이 없음
우리가 평소에 쓰는 말인가요?	회사 사람 누구도 입으로 하지 않는 단어

7. 2주 동안 해 볼 작은 실험

다음 2주 동안 나가는 외부 제안서나 발표자료를 6~10건 정도 골라 봅니다. 절반은 지금처럼 바로 만들고, 나머지 절반은 질문 세 개와 개요 확인을 거쳐 만듭니다. 그리고 네 가지를 적습니다.

• 최종본까지 걸린 시간과 사람이 고친 분량
• 동료 두 명이 어느 방식인지 모르고 매긴 'AI 티' 점수(1~5점)
• 상사가 한 번에 승인했는지
• 고객 회신이나 다음 미팅으로 이어졌는지

판정 기준은 미리 정해 두세요. 예를 들면 "질문 방식이 AI 티 점수를 1점 이상 낮추면서 전체 시간은 20% 넘게 늘지 않으면 계속 쓴다" 정도입니다. 이 기준은 LeanX가 예시로 정한 숫자일 뿐 검증된 기준은 아닙니다. 건수가 적어서 통계적으로 뭔가를 증명하기도 어렵습니다. 대신 감으로 하던 논쟁을 숫자 몇 개로 바꿔 줍니다. Noronha가 말한 것처럼 실험은 결국 몇 번 타석에 서느냐의 문제이기도 합니다(팟캐스트 37:05).

8. 이 이야기의 한계

몇 가지는 꼭 짚고 넘어가겠습니다.

• 모델 20개와 호출 200번, 한 시간 안의 모델 시험, 빠른 모드 실험 결과는 모두 Noronha가 팟캐스트에서 한 말입니다. 공개된 측정 자료나 논문은 없습니다.
• 이 팟캐스트는 Gamma 5 출시 3주 뒤에 나왔고, 'AI 냄새'는 Gamma 5 홍보의 중심 메시지입니다. 회사 이야기로 읽는 게 맞습니다.
• 좋은 마찰은 과한 마찰이 되기 쉽습니다. 질문이 다섯 개, 여섯 개로 늘어나면 사람들은 그냥 AI를 안 쓰고 예전 방식으로 돌아갑니다.
• 여러 AI 서비스에 고객 자료와 회의록을 넣으면 그만큼 데이터가 여러 곳으로 나갑니다. 고객 정보가 들어가는 제안서라면 서비스별로 데이터를 학습에 쓰는지, 얼마나 보관하는지부터 확인하세요.

제가 가져갈 한 가지를 꼽자면 이겁니다. 정답이 있는 건 점검표에 맡기고, 마지막 판단은 이름을 정해 둔 한 사람이 하자는 겁니다. 'AI 냄새'를 잡는 건 문장 다듬는 프롬프트보다 이 분업에 달려 있다고 봅니다.

출처

• Greg Isenberg, "$100M ARR Founder: The Next Big AI Opportunity" (Jon Noronha 출연), YouTube, 2026-10-28 공개: 본문의 시간 표기는 이 영상의 자동 생성 영어 자막 기준
• Gamma, "Introducing Gamma 5: Your Story, Your Style, Your Tools", 2026-10-06
• SiliconANGLE, "Exclusive: Gamma revamps presentation platform to make output look more human", 2026-10-06
• Gamma, "The Creation Index: How 100 million people actually create with AI", 2026-08-12
• TechCrunch, "AI PowerPoint-killer Gamma hits $2.1B valuation, $100M ARR, founder says", 2025-11-10