ChatGPT 임시 채팅이 비개인화, 개인화, 저장 후 세 갈래로 나뉘었습니다. 메모리와 플러그인, 모델 학습이 각각 어떻게 달라지는지 표로 정리하고 직원 교육과 워크스페이스 관제에서 확인할 점을 짚습니다.
OpenAI가 2026년 8월 27일 ChatGPT 릴리스 노트에 임시 채팅 컨트롤 변경을 올렸습니다. 임시 채팅을 시작할 때 메모리와 플러그인, 맞춤 지시를 쓸지 고를 수 있고, 유용해진 임시 채팅은 저장해 일반 채팅으로 바꿀 수 있습니다. 코텍시스는 이 변경을 기업교육 관점에서 읽습니다. 직원들이 배워 온 "임시 채팅은 흔적이 남지 않는다"는 한 줄 규칙이 세 갈래로 나뉘었고, 이 세 갈래를 구분해서 가르치지 않으면 저장 버튼 하나로 규칙이 무너집니다.
바뀐 것
임시 채팅은 기본값이 비개인화이며, 개인화 여부는 시작할 때만 정할 수 있고 대화 중에 바꿀 수 없습니다. 저장하면 일반 채팅이 되어 계정 수준의 개인화 설정과 모델 개선 설정을 따릅니다.
| 항목 | 비개인화(기본) | 개인화 | 저장 후 |
|---|---|---|---|
| 기존 메모리 참조 | 안 함 | 함 | 계정 설정 |
| 새 메모리 생성 | 안 함 | 안 함 | 계정 설정 |
| 맞춤 지시, 플러그인 | 안 씀 | 씀 | 계정 설정 |
| 채팅 기록 표시 | 안 함 | 안 함 | 함 |
| 모델 학습 사용 | 안 함 | 안 함 | 계정 설정 |
안전 목적의 사본은 어느 경우든 최대 30일 보관됩니다. 계정과 워크스페이스 제한은 개인 선택보다 우선합니다.
출처: OpenAI, ChatGPT Release Notes
직원이 실제로 쓰는 장면
인사 담당자가 평가 초안을 임시 채팅에서 다듬는 경우를 생각해 봅니다. 개인화를 켜면 맞춤 지시에 넣어 둔 문체와 직무 맥락이 반영되어 결과가 좋아집니다. 동시에 Gmail이나 Drive 플러그인이 연결되어 있으면 그 데이터가 대화에 들어올 수 있습니다. 결과가 마음에 들어 저장하면 그 순간부터 메모리에 참조되고, 개인 플랜에서 "모두를 위한 모델 개선"이 켜져 있으면 학습에도 쓰일 수 있습니다.
교육 커리큘럼에 반영할 것
프롬프트 기법보다 앞에 "임시 채팅 세 단계" 규칙을 둡니다. 개인화를 켤 때 얻는 것과 들어오는 것을 짝지어 설명하고, 저장 전 확인 질문을 하나로 고정합니다. 이 대화에 개인정보나 영업비밀이 있는가입니다. 임시 채팅 안에서 GPT의 액션을 쓰면 제3자로 간 데이터는 그쪽 정책을 따른다는 점도 같은 단원에 넣습니다.
도입 시 확인할 것
Enterprise와 Business 워크스페이스에서는 임시 채팅도 Compliance API에 30일간 노출됩니다. 회사 관제에서 임시 채팅이 보인다는 사실을 직원에게 먼저 알리는 편이 신뢰를 지킵니다. 개인 플랜을 업무에 쓰는 직원이 있다면 모델 개선 설정 점검과 저장 습관 규칙을 함께 안내합니다. "임시는 즉시 삭제"라는 설명은 30일 보관 조항과 어긋나므로 교육 자료에서 빼야 합니다.
원문은 ChatGPT 릴리스 노트와 Temporary Chat FAQ에서 확인할 수 있습니다.
코텍시스 창업자로 AX 컨설팅과 기업 AI 교육, AI 에이전트 개발을 직접 수행합니다.
코텍시스 AI 인사이트 최신 논문 리뷰
AWQ 양자화: 활성값을 보고 가중치를 지키는 4비트 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.team에서 맞춤 AI 개발 서비스를 확인하세요.

