다시 살펴볼 만한 이야기
VIVA PARADOX.복잡한 이야기를 명확하게.
Viva Paradox · KO

멀티모달 AI는 어떻게 작동할까? 실용 가이드

Conceptual editorial artwork: 멀티모달 AI는 어떻게 작동할까? 실용 가이드

멀티모달 AI란 무엇인가?

멀티모달 AI는 두 가지 이상의 데이터 유형, 즉 모달리티를 처리하고 연결할 수 있는 인공지능을 말한다. 모달리티에는 텍스트, 이미지, 오디오, 동영상, 구조화된 데이터, 센서 측정값 또는 그 밖의 기계가 읽을 수 있는 신호가 포함될 수 있다. 단어만 다루거나 이미지만 다루는 대신, 멀티모달 시스템은 여러 형식에 걸친 정보를 서로 연관 지을 수 있다.

예를 들어 단일 모달리티 텍스트 모델은 문서를 요약할 수 있다. 컴퓨터 비전 모델은 이미지를 분류할 수 있다. 멀티모달 AI 시스템은 사진을 보고, 그 사진에 대한 사용자의 질문을 읽은 뒤, 이미지 속 시각적 세부 사항을 언급하는 텍스트 답변을 생성할 수 있다.

중요한 단서는 멀티모달 AI가 하나의 보편적 능력을 뜻하지는 않는다는 점이다. 시스템마다 지원하는 모달리티와 작업이 다르다. 오픈AI는 GPT-4o를 텍스트, 오디오, 이미지 입력과 출력의 조합을 처리하고 생성할 수 있는 모델로 제시하지만, 이 설명은 GPT-4o에 특정되는 것이지 모든 멀티모달 모델에 적용되는 것은 아니다. 마찬가지로 구글 딥마인드는 자사의 Gemini 기술 보고서에서 Gemini를 멀티모달 모델군으로 설명하지만, Gemini에 대해 보고된 기능과 벤치마크 결과를 모든 멀티모달 AI 시스템으로 일반화해서는 안 된다.

이 가이드는 멀티모달 AI 시스템이 일반적으로 어떻게 작동하는지 이해하고, 이를 평가하거나, 특정 멀티모달 도구가 제품, 연구, 교육, 접근성 또는 비즈니스 워크플로에 적합한지 판단하려는 경우에 적용된다. 특히 의료, 법률, 금융, 안전이 중요한 분야 또는 개인정보에 민감한 사용 사례에서는 모델별 기술 평가를 대체하지 않는다.

멀티모달 AI는 어떻게 작동하는가?

큰 틀에서 멀티모달 AI는 서로 다른 종류의 입력을 내부 수치 표현으로 변환하고, 그 표현들을 정렬하거나 결합한 뒤, 결합된 맥락을 바탕으로 추론하고, 하나 이상의 모달리티로 출력을 생성하는 방식으로 작동한다.

일반적인 워크플로는 다음과 같다.

  1. 입력 수신: 시스템은 텍스트 프롬프트, 이미지, 오디오 클립, 비디오 프레임, 문서 또는 센서 신호 같은 하나 이상의 입력을 받는다.
  2. 모달리티별 인코딩: 특화된 구성 요소가 각 입력 유형을 수치 특징으로 변환한다. 텍스트는 토큰화되어 임베딩될 수 있고, 이미지는 패치로 나뉘거나 비전 인코더로 처리될 수 있으며, 오디오는 시간-주파수 특징이나 다른 표현으로 변환될 수 있다.
  3. 정렬 또는 융합: 시스템은 이러한 표현들을 모달리티 간 관계를 비교할 수 있는 형태로 매핑한다. 예를 들어 글로 된 문구, 이미지의 특정 영역, 오디오의 한 구간이 같은 객체나 사건을 가리킨다는 사실을 학습할 수 있다.
  4. 교차 모달 추론: 모델은 결합된 정보를 사용해 관계를 추론하고, 질문에 답하며, 콘텐츠를 분류하고, 관련 정보를 검색하거나, 행동을 계획한다.
  5. 출력 생성: 시스템은 답을 만들어낸다. 출력은 모델과 제품 설계에 따라 텍스트, 캡션, 구조화된 라벨, 생성 이미지, 합성 음성 또는 다른 모달리티가 될 수 있다.

따라서 멀티모달 AI가 어떻게 작동하느냐에 대한 직접적인 답은 이렇다. 서로 다른 데이터 유형을 기계가 읽을 수 있는 표현으로 변환하고, 그 표현들을 비교하거나 결합할 수 있도록 정렬한 뒤, 적절한 출력을 생성하기 전에 모델을 사용해 그 사이를 가로질러 추론한다.

핵심 기술 구성 요소

멀티모달 시스템은 저마다 다르지만, 현대적 설계에서는 몇 가지 개념이 자주 등장한다.

인코더

인코더는 원시 입력을 압축된 수치 표현으로 변환한다. 인코더는 보통 해당 모달리티에 맞게 설계된다.

  • 텍스트 인코더는 단어, 토큰, 구, 문서 등을 표현한다.
  • 이미지 인코더는 픽셀, 객체, 영역, 시각적 패턴 등을 표현한다.
  • 오디오 인코더는 타이밍, 주파수, 음성 패턴, 음향 이벤트 같은 소리의 특징을 표현한다.
  • 비디오 시스템은 프레임, 움직임, 오디오, 자막, 시간적 관계를 처리할 수 있다.

모든 멀티모달 시스템이 각 모달리티마다 별도의 인코더를 갖추고 있는 것은 아니며, 모든 제품이 지원하는 입력 유형을 사용자에게 전부 공개하는 것도 아니다. 그러나 텍스트, 이미지, 오디오는 원시 구조가 매우 다르기 때문에 모달리티별 인코딩은 흔한 설계 패턴이다.

임베딩

임베딩은 모델이 처리할 수 있는 방식으로 의미나 특징을 나타내는 수치 벡터다. 멀티모달 시스템에서 임베딩은 서로 다른 모달리티를 연결하는 데 도움이 된다. 예를 들어 ‘빨간 자전거’라는 문구와 빨간 자전거가 포함된 시각적 영역은 서로 비교할 수 있는 방식으로 표현될 수 있다.

목표는 이미지를 문자 그대로 텍스트로 만들거나 오디오를 이미지로 만드는 것이 아니다. 목표는 유용한 정보를 보존하고 시스템이 한 모달리티를 다른 모달리티와 연결할 수 있게 하는 내부 표현을 만드는 것이다.

공유 표현 공간

많은 멀티모달 시스템은 일종의 공유 표현 공간을 사용한다. 이는 서로 다른 모달리티의 정보를 정렬할 수 있는 내부 수학적 공간이다. 모델이 유용한 교차 모달 관계를 학습했다면, 서로 다른 입력 유형에서 나온 정보라도 비슷한 개념은 그 공간 안에서 서로 가까운 위치에 나타날 수 있다.

예를 들어 정지 표지판 이미지, ‘정지 표지판’이라는 단어, 그리고 정지 표지판을 언급하는 오디오 설명이 관련된 표현으로 매핑될 수 있다. 이러한 정렬 덕분에 시스템은 시각적 근거를 언어와 연결할 수 있다.

트랜스포머와 어텐션

트랜스포머와 어텐션 메커니즘은 요소들 사이의 관계를 모델링할 수 있기 때문에 현대 멀티모달 AI에서 널리 쓰인다. 텍스트에서 어텐션은 모델이 시퀀스 안의 단어나 토큰을 서로 연결해 파악하도록 돕는다. 이미지나 비디오에서는 이와 관련된 메커니즘이 영역, 프레임, 객체, 패치 등을 연결하는 데 도움이 될 수 있다. 멀티모달 시스템에서는 어텐션이 모달리티 간 관계의 가중치를 조절하는 데도 도움이 된다.

예를 들어 사용자가 이미지 속 자동차의 색이 무엇인지 묻는다면, 시스템은 텍스트 프롬프트의 ‘자동차’라는 단어를 이미지의 올바른 영역과 연결한 다음, 그 영역을 관련 색상 정보와 연결해야 한다.

디코더와 출력 헤드

디코더 또는 출력 구성 요소는 내부 표현을 최종 답변으로 바꾼다. 시스템에 따라 텍스트를 생성하거나, 라벨을 산출하거나, 이미지를 만들거나, 음성을 합성하거나, 구조화된 데이터를 반환할 수 있다. 멀티모달 AI는 하나의 모달리티 또는 여러 모달리티로 생성할 수 있지만, 지원되는 출력은 모델에 따라 달라진다.

OpenAI는 GPT-4o 가 텍스트, 오디오, 이미지 입력과 출력의 조합을 지원한다고 설명한다. 이는 멀티모달 입력과 출력의 유용한 사례지만, 모든 멀티모달 AI가 할 수 있는 일을 정의하는 것으로 보기보다는 특정 모델에 관한 제품 및 연구상의 주장으로 이해해야 한다.

AI는 서로 다른 모달리티를 어떻게 결합하는가

핵심적인 설계 질문은 시스템이 서로 다른 모달리티의 정보를 언제, 어떻게 결합하느냐다. 흔한 패턴으로는 초기 융합, 후기 융합, 중간 융합이 있다.

초기 융합

초기 융합에서는 시스템이 처리 과정의 초반에 정보를 결합한다. 예를 들어 텍스트와 이미지 입력을 임베딩으로 변환한 뒤, 더 깊은 추론 계층이 이를 함께 처리하기 전에 결합할 수 있다.

이는 모델이 초기 단계부터 세밀한 교차 모달 관계를 학습하는 데 도움이 될 수 있지만, 각 모달리티의 구조와 규모가 다르기 때문에 더 신중한 설계가 필요할 수 있다.

후기 융합

후기 융합에서는 각 모달리티를 더 오랫동안 별도로 처리한 뒤, 마지막 단계에 가까워서 그 결과를 결합한다. 예를 들어 이미지 분류기와 텍스트 분석기가 각각 별도의 출력을 만들고, 최종 구성 요소가 이를 비교하거나 결합할 수 있다.

후기 융합은 조직이 이미 특화된 모델을 보유하고 있을 때 구현하기가 더 쉬울 수 있다. 그러나 깊이 있는 교차 모달 추론이 필요한 미묘한 상호작용을 놓칠 수 있다.

중간 융합

중간 융합은 어느 정도 모달리티별 처리를 거친 뒤, 최종 판단이나 생성 단계에 이르기 전에 여러 모달리티를 결합한다. 이는 흔히 쓰이는 방식인데, 각 인코더가 먼저 유용한 특징을 추출하도록 한 다음 모델이 그 특징들을 바탕으로 교차적으로 추론할 기회를 주기 때문이다.

실제로 많은 현실의 시스템은 하이브리드에 가깝다. 일부는 여러 모달리티에 걸쳐 엔드투엔드로 학습되고, 또 다른 일부는 특화된 모델들을 연결한 파이프라인이다. 하나의 제품이 음성 인식, 언어 모델, 이미지 인코더, 검색 시스템, 최종 응답 생성기를 함께 사용할 수도 있다. 아키텍처는 과제, 지연 시간 요건, 가용 데이터, 안전 제약에 따라 달라진다.

이미지 실습: 읽기·계산·누락 자료 요청을 구분하기

이 가이드를 위해 만든 가상 영수증 두 장입니다. 실제 구매 자료나 관찰한 모델 실험 결과가 아닙니다. 잘린 이미지에서는 합계와 통화 부분을 의도적으로 제외했습니다. 이미지를 각각 저장해 사용 중인 이미지 지원 도구로 확인할 수 있습니다.

이미지 A · 전체 교육용 영수증

품목 행과 합계가 있는 가상 영수증 전체
이미지 A · 전체 교육용 영수증

이미지 B · 품목 행만 있는 버전

상단과 품목 행만 보이는 잘린 가상 영수증
이미지 B · 품목 행만 있는 버전

이미지 한 장씩 넣고 사용할 프롬프트

제공된 이미지만 읽으세요. 보이는 품목 수량·단가·통화·인쇄된 최종 합계를 보고하세요. 각 값은 읽음·계산함·보이지 않음으로 구분하고 계산은 별도로 보여 주세요. 언어만으로 통화를 추정하거나 빠진 세금·할인·합계를 만들어 내지 마세요.
항목 전체 이미지의 참고 판정 잘린 이미지의 참고 판정
품목 금액 읽음: Notebook 12.00, Pen 6.00. 읽음: 같은 품목 금액.
보이는 품목 금액의 합 계산함: 12.00 + 6.00 = 18.00. 인쇄된 소계도 18.00. 계산함: 18.00. 이미지에서 읽은 최종 합계는 아님.
세금 / 인쇄된 최종 합계 읽음: Tax 2.00, Total 20.00. 보이지 않음. 이미지 A의 20.00을 가져오면 안 됨.
통화 읽음: USD. 보이지 않음. 영어·소수점 표기만으로 통화를 특정할 수 없음.

공정하게 비교하기

잘린 이미지 실험은 새 대화에서 B와 프롬프트만 제공하세요. A나 이 정답표를 함께 넣지 마세요. 그렇지 않으면 잘린 부분을 읽은 것이 아니라 이전 문맥의 정보를 재사용할 수 있습니다. 비교하기 전에 실제 이미지·모델 및 버전·프롬프트·응답을 기록하세요.

범위를 지킨 답변의 예

이미지 B의 참고 답변: “보이는 품목 금액은 12.00과 6.00이며 합은 18.00입니다. 통화·세금·인쇄된 최종 합계는 보이지 않습니다. 확인하려면 영수증 아래쪽을 보내 주세요.” 작성한 참고 답변이며 실제 모델 응답을 인용한 것이 아닙니다.

실패 유형에 따라 다음 행동 고르기

보이는 숫자를 잘못 읽었다면 원본 해상도를 확인하고 해당 영역을 더 가까이 찍어 보세요. 확대해도 잘려서 없는 정보는 복구되지 않습니다. 세금·통화를 지어냈다면 근거 기반 수정을 요청하고 누락 영역을 제공하세요. 숫자는 맞는데 합만 틀렸다면 산술을 별도로 검증하세요.

영수증 이미지가 결제 완료나 거래 진위를 입증하지는 않습니다. 여기서는 보이는 표기만 확인합니다. 모든 항목을 하나의 “이해도” 점수로 합치지 마세요. 읽기·계산·누락 정보 처리는 서로 다른 결과를 낼 수 있습니다.

참고: 이미지 입력 문서

관련 가이드: 근거와 AI 답변 대조하기

멀티모달 AI의 실제 활용 사례

멀티모달 AI는 모델에 따라 다양한 작업을 지원할 수 있다.

  • 이미지 질의응답: 사용자가 이미지를 업로드하고 무슨 일이 벌어지고 있는지, 어떤 사물이 있는지, 또는 두 시각 요소가 어떤 관계인지 묻는다.
  • 캡셔닝: 시스템이 이미지나 영상에 대한 텍스트 설명을 생성한다.
  • 오디오 이해: 모델이나 파이프라인이 음성을 전사하고, 소리 이벤트를 식별하거나, 오디오를 텍스트 맥락과 결합한다.
  • 영상 요약: 시스템이 프레임, 움직임, 음성, 그리고 경우에 따라 자막을 분석해 요약을 만든다.
  • 접근성 지원: 도구가 시각 콘텐츠를 설명하고, 이미지 속 텍스트를 읽거나, 사용자가 시각적 인터페이스를 탐색하도록 돕는다.
  • 문서 이해: 시스템이 스캔된 양식, 차트, 손글씨, 표, 텍스트를 함께 해석한다.
  • 고객 지원: 사용자가 스크린샷, 채팅 기록, 음성 설명을 제출하면, 시스템이 문제를 적절한 경로로 전달하거나 요약하도록 돕는다.

이러한 사례들은 활용 사례의 범주로 이해해야 한다. 특정 모델이 이를 정확히 수행할 수 있는지는 해당 모델의 학습 방식, 아키텍처, 제품상 제약, 평가 결과에 따라 달라진다.

현실 세계의 활용

검색과 지식 업무

멀티모달 검색은 사용자가 텍스트, 이미지, 오디오, 동영상, 문서 전반에서 정보를 찾도록 도울 수 있다. 예를 들어 직원이 텍스트 설명으로 제품 도면을 찾거나, 미디어 팀이 장면 내용을 기준으로 동영상 아카이브를 검색할 수 있다.

교육

학생과 교육자는 멀티모달 도구를 활용해 도표를 설명하고, 강의 녹음을 요약하고, 슬라이드에서 학습 보조 자료를 만들거나, 시각 자료에 대해 질문할 수 있다. 모델이 도표를 잘못 읽거나 자신 있게 보이지만 틀린 설명을 내놓을 수 있기 때문에 사람의 검토는 여전히 중요하다.

의료 지원

멀티모달 AI는 메모 요약, 기록 정리, 진단 목적이 아닌 정보의 해석 지원 등 행정 또는 지원 업무를 도울 수 있다. 그러나 의료 분야의 활용에는 엄격한 검증, 개인정보 보호 통제, 전문가의 감독이 필요하다. 멀티모달 시스템을 자격을 갖춘 임상의의 대체물로 제시해서는 안 된다.

로보틱스와 자율 시스템

로봇은 카메라 입력, 언어 지시, 센서 측정값, 지도, 환경으로부터의 피드백을 결합해야 하는 경우가 많다. 멀티모달 AI는 이러한 신호들을 연결하는 데 도움을 줄 수 있지만, 물리적 세계에 배포할 때는 안전성과 신뢰성의 과제가 더해진다.

콘텐츠 제작

크리에이터는 멀티모달 시스템을 활용해 캡션을 생성하고, 대본을 스토리보드로 바꾸고, 시각 자산을 설명하거나, 텍스트와 시각적 참고 자료를 결합할 수 있다. 도구의 출력물은 특히 사실관계, 저작권, 민감한 콘텐츠와 관련해서 여전히 편집 검토가 필요하다.

기업 생산성

기업은 멀티모달 AI를 활용해 프레젠테이션, 표가 포함된 계약서, 제품 이미지, 지원 티켓, 회의 녹음, 내부 지식 베이스를 분석할 수 있다. 독점 데이터나 개인 데이터가 관련될 때는 보안, 권한 관리, 감사 가능성이 특히 중요하다.

멀티모달 AI와 생성형 AI, RAG의 차이

이 용어들은 서로 겹치지만, 각기 다른 개념을 설명한다.

멀티모달 AI 란 시스템이 처리하거나 생성할 수 있는 데이터의 유형을 설명하는 말이다. 멀티모달 시스템은 텍스트와 이미지처럼 여러 양식에 걸쳐 작동할 수 있다.

생성형 AI 란 텍스트, 이미지, 오디오, 코드, 동영상처럼 결과물을 만들어내는 시스템을 설명하는 말이다. 생성 모델은 단일 양식일 수도, 멀티모달일 수도 있다. 예를 들어 텍스트 전용 챗봇은 멀티모달이 아니면서도 생성형일 수 있다.

검색 증강 생성, 즉 RAG 는 생성 전이나 생성 중에 관련 정보를 검색하는 시스템 패턴을 설명하는 말이다. 멀티모달 RAG에서는 검색 단계에서 텍스트, 이미지, 오디오, 동영상 또는 기타 색인된 콘텐츠를 가져올 수 있다. 그런 다음 생성기는 검색된 맥락을 활용해 답변을 만든다.

모든 멀티모달 시스템에 RAG가 자동으로 포함되는 것은 아니다. 이는 아키텍처상의 선택이다. 마찬가지로 하나의 멀티모달 RAG 논문이나 제품에서 나온 실험 결과를 모든 멀티모달 RAG 시스템이 같은 방식으로 작동한다는 증거로 여겨서는 안 된다.

한계와 위험

환각과 오해

멀티모달 시스템은 그럴듯하지만 틀린 답을 만들어낼 수 있다. 이미지를 잘못 읽거나, 차트를 오해하거나, 오디오 속 화자를 혼동하거나, 실제로는 존재하지 않는 세부 정보를 추론할 수 있다.

모달리티 불균형

모델이 하나의 모달리티에 지나치게 의존할 수 있다. 예를 들어, 상충하는 시각적 증거를 무시한 채 텍스트 단서만으로 답하거나, 눈에 보이는 객체에 과도한 가중치를 두고 사용자가 글로 제시한 제약을 놓칠 수 있다.

편향과 대표성의 격차

학습 데이터에서 특정 사람, 환경, 언어, 억양, 시각적 스타일, 문화적 맥락이 충분히 대표되지 않으면 시스템 성능이 고르지 않을 수 있다. 편향은 이미지 해석, 음성 이해, 캡션 생성, 의사결정 지원에서 나타날 수 있다.

개인정보 보호와 동의

멀티모달 AI는 얼굴, 목소리, 위치, 문서, 의료 영상, 개인적 커뮤니케이션 등 민감한 데이터를 처리하는 경우가 많다. 조직은 배포 전에 동의, 보관 기간, 접근 제어, 데이터 최소화, 규제상 의무를 평가해야 한다.

연산 비용과 지연 시간

이미지, 오디오, 비디오를 처리하려면 텍스트만 처리할 때보다 더 많은 연산 자원이 필요할 수 있다. 실시간 멀티모달 시스템은 특히 긴 동영상, 고해상도 이미지, 실시간 오디오를 처리해야 할 경우 지연 시간의 제약에 직면할 수 있다.

평가의 어려움

교차 모달 추론을 평가하는 일은 단순 분류를 평가하는 것보다 더 어렵다. 모델이 객체를 정확히 식별하더라도 관계에 관한 질문에는 답하지 못할 수 있다. 오디오를 정확히 전사하더라도 어조나 타이밍의 의미를 놓칠 수 있다. 벤치마크는 도움이 되지만, 특정 모델에 대한 벤치마크 주장을 시험 대상이 된 시스템 밖으로 일반화해서는 안 된다.

멀티모달 AI 도구를 고를 때 살펴볼 점

멀티모달 AI 제품을 평가할 때는 다음 체크리스트를 활용하라.

  1. 지원하는 모달리티: 텍스트와 이미지, 오디오와 텍스트, 비디오와 전사문처럼 실제로 필요한 입력과 출력을 지원하는가?
  2. 작업 적합성: 특정 업무 흐름을 수행할 수 있는가, 아니면 관련 기능을 시연하는 데 그치는가?
  3. 정확도 근거: 사용 사례, 데이터 유형, 위험 수준에 맞는 신뢰할 만한 평가가 있는가?
  4. 사람의 검토: 사용자가 출력을 검토하고 수정하거나 무시할 수 있는가?
  5. 개인정보 보호 통제: 이미지, 음성, 문서 및 기타 민감한 데이터는 어떻게 저장, 처리, 보관되는가?
  6. 보안 및 권한: 시스템이 기업 파일과 개인정보에 대한 접근 제어를 준수하는가?
  7. 지연 시간: 특히 오디오, 비디오 또는 실시간 상호작용에서 응답 시간이 업무 흐름에 적합한가?
  8. 설명 가능성: 관련 문서 구절이나 이미지 영역처럼 도구가 어떤 근거를 사용했는지 보여줄 수 있는가?
  9. 통합: 기존 문서 시스템, 지원 도구, 검색 색인 또는 콘텐츠 업무 흐름과 연결되는가?
  10. 실패 대응: 모델이 확신하지 못하거나 입력 품질이 낮거나 작업이 안전에 민감한 경우 어떻게 되는가?

위험이 낮은 브레인스토밍이나 콘텐츠 정리에는 가벼운 검토 절차만으로도 충분할 수 있다. 안전이 중요한 작업, 규제 대상 업무, 고객에게 직접 영향을 미치는 의사결정에는 더 강력한 검증, 기록 관리, 사람의 감독, 분야별 전문가 검토가 필요하다.

결론

멀티모달 AI는 서로 다른 형태의 데이터를 수치 표현으로 변환하고, 그 표현들을 정렬하거나 융합한 뒤, 이를 가로질러 추론해 출력을 생성하는 방식으로 작동한다. 핵심 개념은 교차 모달 이해다. 즉 쓰인 것, 보이는 것, 말해진 것, 들리는 것, 또는 그 밖의 방식으로 감지된 것을 서로 연결하는 능력이다.

세부 방식은 매우 다양하다. 어떤 시스템은 별도의 인코더와 공통 추론 모델을 사용한다. 또 다른 시스템은 특화된 도구들을 파이프라인으로 결합한다. 일부는 텍스트만 생성하는 반면, 다른 시스템은 여러 출력 유형을 생성하거나 처리할 수도 있다. GPT-4o나 Gemini 같은 모델의 역량은 현재 멀티모달 AI 발전을 보여주는 유용한 사례지만, 모든 멀티모달 시스템의 보편적 속성으로 간주해서는 안 된다.

실무에 적용할 때는 과제에서 출발하라. 어떤 입력이 중요한지, 어떤 출력이 필요한지, 위험 수준은 어느 정도인지, 그리고 시스템이 충분히 신뢰할 만하다는 것을 어떤 근거가 보여줄 수 있는지부터 따져봐야 한다. 멀티모달 AI는 더 풍부한 맥락을 연결할 수 있다는 점에서 강력하지만, 실수가 중대한 영향을 미치는 영역에서는 여전히 신중한 평가, 개인정보 보호 장치, 그리고 사람의 판단이 필요하다.