LLM은 점점 더 유능해졌지만, 창의적 업무에서는 한 가지 문제가 남습니다.
모델이 비슷한 질문에 비슷한 답을 내기 쉽다는 점입니다.
정답이 있는 업무라면 일관성은 장점입니다. 하지만 브레인스토밍, 네이밍, 카피, 캠페인 전략처럼 “좋은 답이 여러 개일 수 있는 일”에서는 오히려 사고의 폭을 좁힐 수 있습니다.
호주 스타트업 Springboards가 만든 Flint는 이 문제를 겨냥합니다. 더 그럴듯한 하나의 답보다, 더 다양한 출발점을 만드는 데 초점을 둔 LLM입니다.
Springboards가 보는 AI의 역할
Springboards는 전직 광고 전략가 Pip Bingemann과 Amy Tucker가 공동 창업한 AI 플랫폼 기업입니다. 창의적 팀을 돕기 위해 설계됐으며, 인사이트 발굴, 아이디어 생성, 콘셉트 검증, 캠페인 제작 등을 지원하는 9개 AI 도구 묶음을 제공합니다.1
이 회사가 흥미로운 이유는 단순히 “광고용 AI 도구”를 만들기 때문이 아닙니다. Springboards는 AI를 인간의 대체재가 아니라 창의적 파트너로 설정합니다. 인간이 방향을 정하고 판단하며, AI는 더 많은 가능성을 펼쳐주는 구조입니다.
이 접근은 시장에서도 일정한 지지를 얻고 있습니다. Springboards는 Cummins & Partners, Jellyfish, BMF, TRG, SAMY, Cutwater를 포함해 전 세계 120개 이상의 에이전시 지원을 확보했고, Blackbird Ventures로부터 500만 달러 규모의 시드 투자도 받았습니다.1
또한 Springboards의 도구는 ChatGPT와 Claude를 포함한 여러 LLM을 지원합니다. 즉, 특정 모델 하나를 대체하려는 제품이라기보다, 창의적 워크플로 안에서 다양한 모델을 활용하도록 돕는 플랫폼에 가깝습니다.
Flint는 왜 ‘다른 답’을 목표로 하나
Flint는 Springboards가 공개한 ‘divergence model’입니다. 쉽게 말해, 답을 한 방향으로 수렴시키기보다 개방형 질문에서 여러 가능한 응답을 탐색하도록 훈련된 모델입니다.2
기반은 알리바바의 오픈소스 모델 Qwen 3입니다. Springboards는 Flint가 단순히 무작위성을 높인 모델이 아니라, 생성 과정에서 “다양성이 필요한 지점”에 더 넓은 선택지를 내도록 조정됐다고 설명합니다.2
이 문제의식은 최근 LLM 연구 흐름과도 맞닿아 있습니다. 2024년 모델을 대상으로 한 논문 *Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)*는 언어 모델들이 개방형 질문에서도 서로 비슷한 답을 내는 경향을 다뤘고, NeurIPS에서 최우수 논문상을 받았습니다.
핵심은 성능이 낮다는 이야기가 아닙니다. 오히려 많은 모델이 잘 정렬되고, 안전하고, 평균적으로 좋은 답을 내도록 개선되면서 창의적 상황에서는 비슷한 답으로 모일 수 있다는 점입니다.
창의적 업무에서는 평가 기준이 달라진다
Flint의 의미는 “가장 똑똑한 모델” 경쟁이 아닙니다. 작업 목적에 따라 좋은 AI의 기준이 달라질 수 있다는 신호에 가깝습니다.
예를 들어 리서치 요약, 코딩, 회계, 법률 검토처럼 정확성과 일관성이 중요한 업무에서는 안정적인 답이 중요합니다. 반대로 초기 기획, 브랜드 아이디어, 캠페인 발상, 네이밍처럼 정답이 열려 있는 업무에서는 낯선 선택지와 예상 밖의 연결이 더 큰 가치를 만들 수 있습니다.
Springboards가 공개한 NoveltyBench 결과에서도 이 방향성이 드러납니다. Flint α는 같은 개방형 질문에 10회 응답했을 때 평균 7.47개의 의미 있게 다른 답을 냈다고 제시됐습니다. 같은 비교에서 Gemini 3.1 Pro는 3.19, GPT-5.4는 2.54, Claude 4.6 Sonnet은 1.83으로 제시됐습니다.2
물론 이런 수치만으로 모든 창의적 성능을 판단할 수는 없습니다. 다양하다고 해서 반드시 좋은 아이디어는 아니기 때문입니다. 하지만 초기 발산 단계에서는 “좋은 답 하나”보다 “서로 다른 출발점 여러 개”가 더 유용할 때가 많습니다.
실무에서는 이렇게 써야 한다
Flint에서 배울 점은 간단합니다. AI를 한 번에 최종 답을 내는 도구로만 보지 말고, 창의적 과정의 단계별 도구로 나눠 써야 한다는 것입니다.
초기 단계에서는 Flint 같은 모델로 아이디어의 폭을 넓힙니다. 비슷한 표현을 반복해서 받는 대신, 서로 다른 관점과 콘셉트를 최대한 많이 확보하는 데 씁니다.
그다음 단계에서는 인간이 방향을 고릅니다. 어떤 아이디어가 브랜드와 맞는지, 고객에게 설득력이 있는지, 실행 가능한지 판단하는 과정은 여전히 중요합니다. Jellyfish의 Tom Roach가 Springboards 사용에서 인간 참여형 접근을 강조한 것도 같은 맥락입니다.1
마지막으로 선택된 아이디어는 더 강한 추론 모델이나 기존 LLM을 활용해 정리하고 구체화할 수 있습니다. 즉, 넓게 펼치고, 사람이 고르고, 다시 AI로 다듬는 방식입니다.
결론: Flint의 가치는 ‘정답’보다 ‘출발점’에 있다
Flint는 LLM이 더 정확해지는 방향만이 전부가 아니라는 점을 보여줍니다. 특히 창의적 업무에서는 모델이 얼마나 잘 맞히는가만큼, 얼마나 다르게 생각하게 해주는가도 중요합니다.
Springboards의 접근은 실무자에게 분명한 기준을 줍니다.
AI에게 모든 판단을 맡기기보다, 먼저 가능성을 넓히는 파트너로 활용하라는 것입니다.
창의적 팀에게 필요한 것은 종종 완성된 답이 아니라, 회의의 방향을 바꾸는 낯선 첫 문장입니다. Flint는 바로 그 지점을 겨냥한 모델입니다.
1Springboards Launches AI-Powered Tool Backed By BMF & Cummins
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.