AI의 다음 확장 · 답변에서 업무 수행으로
AI가 업무를 수행하기 시작하면,
무엇이 새로 필요해지는가
일을 맡길 수 있는 AI를 만들려면 연습할 업무, 결과를 판단할 기준, 실제 도구에 접근할 권한이 필요하다. 이 자원을 공급하는 산업이 생기는 동시에, 모델 회사는 직접 만들거나 싸게 조달하려 한다.
학습에 필요한 자원이 달라진다
읽을 자료에서, 해보고 평가받을 업무로
AI에게 코드를 설명하게 하는 것과 고장 난 프로그램을 고치게 하는 것은 다르다. 후자에는 실제로 실행할 환경과 수정이 제대로 됐는지 확인할 방법이 필요하다. 재무 문서나 과학 연구도 마찬가지다. 업무마다 성공의 기준이 달라진다.
원문이 설명하는 강화학습(RL)의 확장은 이런 과제를 계속 수행하고 결과로부터 배우는 방향이다. 이 과정에서 훈련 환경을 만드는 업체와, 업무·평가 기준을 만드는 전문가의 역할이 함께 커진다.
- 과제·환경무슨 일을
어디서 할까 - 실행도구를 쓰고
결과를 만든다 - 평가무엇을
잘했을까
검증된 기록·보상을 후속 학습에 활용하고 다시 수행
Turing·Mechanize 등은 환경 제작의 사례로, Mercor·Surge 등은 전문가 과제와 평가 데이터 공급의 사례로 등장한다. 환경을 실행하는 도구를 제공하는 업체도 별도로 있다. 모두 같은 일을 파는 회사는 아니다.
평가도 시험 점수에서 실제 업무의 유용성으로 넓어진다. 다만 좋은 점수를 얻는 것과 고객의 일을 더 싸고 정확하게 끝내는 것은 다르다. 사람의 검토와 재작업까지 포함한 성과를 확인해야 한다.
이 설명의 근거와 다음 확인 변화 기록 5개
학습 자원이 읽을 자료에서 수행할 과제로 확대된다
변화: 기존 자료로 지식을 학습하는 것에 더해, 시도·실행·평가할 수 있는 과제를 계속 공급하는 일이 중요해진다. 사전학습의 소멸을 뜻하지 않는다.
근거 C01: 도입부 P1~P9. 발행처 판단: RL 확장을 위해서는 별도로 만든 과제와 데이터가 필요하며, 응용 서비스의 사용 이력도 후속 학습에 활용될 수 있다.
사업 해석: 데이터의 단순한 양보다 재현 가능하고 유효한 학습 신호를 주는 과제의 공급이 중요해질 수 있다.
다음 확인: 실제 학습 예산 구성, 유효 과제당 비용, 새 과제 공급 속도와 학습 효과.
평가 기준이 시험 점수에서 실제 업무의 유용성으로 확대된다
변화: 정답이 정해진 문제뿐 아니라 문서·재무 작업 같은 결과물의 유용성을 전문가가 판단하는 방식이 추가된다.
근거 C02: 도입부 P10~P14, “LLM-based Automation is not a given” P78~P84. 원문이 보고한 평가 사례와 발행처 해석.
사업 해석: 전문 평가와 업무별 검증 도구의 역할이 커질 수 있다. 평가 성적 상승을 고용 대체나 도입 수익성으로 바로 환산할 수는 없다.
다음 확인: 실제 고객 업무에서의 오류·재작업·시간 절감, 사람 검토 비용을 포함한 총비용.
훈련 환경 제작이 외부 공급 산업으로 분화된다
변화: 모델 회사 내부에서 만들던 웹·업무 환경을 전문 업체가 제작하고, 여러 환경을 조합해 더 긴 업무를 재현한다.
근거 C03: “During a Gold Rush…” P24~P32, “So You Want to Make a Coding Environment?” P34~P43. 발행처 보고와 일부 추정.
역할 사례: Turing·Mechanize 등 환경 제작 업체, HUD 같은 실행·도구 연결 업체, Prime Intellect 같은 공개 환경 생태계.
사업 해석: 콘텐츠 판매, 실행 도구, 반복 운영은 서로 다른 수익 모델이다. 일회성 환경 구매를 반복 매출로 세지 않는다.
다음 확인: 재구매·갱신 구조, 독점 데이터, 합성 과제의 품질, 환경 제작 수율과 공급자 증가.
전문가 채용·매칭이 학습 과제와 평가 데이터 공급으로 확장된다
변화: 전문가를 연결하는 사업이 업무 설계·정답 예시·평가 기준을 공급하는 사업으로 넓어진다.
근거 C04: “Data Foundries and Expert Contractors” P45~P60. 원문은 Mercor·Handshake·Surge 등을 사례로 들고, 모델이 평가 기준을 만드는 시도도 소개한다.
사업 해석: 전문가 공급망과 품질 관리가 가치가 될 수 있다. 다만 사람 작업의 자동화는 같은 공급자의 수요 또는 단가를 낮추는 경로다.
다음 확인: 전문가 검수 품질, 고객 집중도, 사람 작성과 자동 생성의 비용·정확도 차이.
모델이 수행한 기록이 다음 학습의 자원으로 재사용된다
변화: 환경에서 생성된 실행 기록을 후속 중간학습·전문 분야 학습에 다시 활용하는 순환이 생긴다.
근거 C11: P26, P70, P115~P119, P129. 원문 설명과 발행처 전망.
사업 해석: 독점적인 업무 기록·실험 데이터가 모델 차별화로 이어질 수 있다. 기록이 많다는 이유만으로 품질이 향상되는 것은 아니다.
다음 확인: 사용 권리, 실패·오류 데이터 필터링, 데이터 누출·평가 오염 통제, 새 업무로의 일반화 효과.
새 시장의 경쟁 구도
더 많이 사는 고객이, 공급자의 마진도 누를 수 있다
모델 회사가 모든 업무 환경을 직접 만들기는 어렵다. 외부 공급자는 개발 속도를 높이고 전문 분야를 넓혀준다. 하지만 고객에게는 공급자를 늘리고, 납품 규격을 통일하고, 중요한 데이터는 내부에서 만들 유인도 있다.
외주 수요를 키우는 힘더 다양한 업무 · 빠른 환경 제작 · 전문 지식
공급자의 이익을 제한하는 힘공급자 다변화 · 표준화 · 고객의 자체 제작
원문은 Anthropic의 공급 생태계 확대와 OpenAI·xAI의 내부 조달을 서로 다른 대응으로 설명한다. 특정 경쟁사와 가까워진 데이터 공급자를 다른 고객이 꺼릴 수 있다는 점도 다룬다. 공급자의 중립성과 정보 보호 역시 선택의 조건이 되는 셈이다.
따라서 시장이 커진다는 사실보다 반복 구매의 이유가 무엇인지를 봐야 한다. 쉽게 복제되는 환경을 한 번 납품하는 사업과, 독점적인 데이터·전문성·품질 관리로 재계약을 얻는 사업의 가치는 달라질 수 있다.
이 설명의 근거와 다음 확인 변화 기록 2개
데이터 공급자의 중립성과 소유 관계가 구매 결정에 영향을 준다
변화: 모델 경쟁사와 가까워진 공급자에 대한 정보 노출 우려가 공급망 재편 요인이 된다.
근거 C05: “Outsourcing and The Ghost of Scale AI” P18~P22. Scale과 Meta 관계 변화 이후 고객 이동에 대한 발행처 보고.
사업 해석: 기술 성능 외에 독립성과 비밀 유지가 공급자 경쟁력이 될 수 있다. 이 사례만으로 모든 고객이 이동했다고 단정하지 않는다.
다음 확인: 공식 계약 변화, 정보 분리 체계, 대체 공급자 수주. 인수·지분 관계 표현도 공식 자료로 재확인.
모델 회사가 공급 생태계를 키우면서 표준화·내재화로 비용을 낮추려 한다
변화: 외주 수요 확대와 동시에 공급자 다변화, 공통 실행 규격, 내부 데이터 팀 구축이 진행된다고 원문은 설명한다.
근거 C06: “Buying patterns across labs” P63~P74. Anthropic의 공급 생태계 전략, OpenAI·xAI의 내부 조달에 관한 발행처 보고·추정·해석.
사업 해석: C03·C04의 시장은 커져도 공급자의 마진은 압박받을 수 있다. 표준화와 내재화는 서로 다른 수단이며 고객별로 따로 추적한다.
다음 확인: 외부 조달 비중, 계약 단가, 자체 채용, 공급사 마진·집중도.
능력이 실제 사용으로 이어지는 조건
잘하는 모델을 만들어도, 들어갈 수 없는 곳이 있다
기업별 업무에 맞춰 모델을 추가 학습시키는 서비스가 등장하면, 환경과 평가 데이터는 실제 도입으로 연결된다. 원문에는 Applied Compute·Adaptive ML 같은 맞춤 학습 업체와 이를 지원하는 학습·배포 도구들이 나온다.
그런데 업무를 끝내려면 해당 소프트웨어와 데이터에 접근할 수 있어야 한다. 사용자를 대신하는 에이전트가 광고나 유통 경로를 바꾸면, 플랫폼 사업자는 접근을 제한하거나 제휴 조건을 요구할 수 있다. 모델 성능과 플랫폼 접근권은 별개의 제약이다.
이 때문에 맞춤 학습 사업은 모델의 정답률뿐 아니라 연동 권한, 고객의 실제 사용, 운영·지원 비용으로 평가해야 한다. 원문에 등장하는 협상이나 서비스 계획은 체결 계약과 현재 운영 실적으로 확인된 것이 아니다.
이 설명의 근거와 다음 확인 변화 기록 2개
에이전트의 플랫폼 접근권이 협상 자산이 된다
변화: AI가 사용자 대신 사이트를 이용하면 광고·유통 수익과 접점이 달라져, 플랫폼이 접근 조건을 통제할 유인이 생긴다.
근거 C07: P75, “Sorry, your agent is not allowed” P85~P91. 차단 사례 보고, 협상 관련 주장 및 향후 접근 제한 전망이 혼재.
역할 사례: Amazon·Google 등 플랫폼과 외부 모델 업체.
사업 해석: 모델 능력이 좋아도 업무 완료에 필요한 접근권이 없으면 도입이 막힌다. 접근 제휴가 클라우드·연산 계약과 결합한다는 주장은 별도 확인이 필요하다.
다음 확인: 공식 이용 정책·API 계약·제휴 조건, 실제 업무 완료율. 원문의 협상 서술을 체결 계약으로 기록하지 않는다.
범용 모델 사용에서 기업 업무에 맞춘 RL 서비스로 확장된다
변화: 특정 업무와 도구를 잘 수행하도록 모델을 추가 학습시키고 운영까지 제공하는 사업이 등장한다.
근거 C08: “RL as a service” P93~P106. 원문 보고·평가·시장 전망.
역할 사례: Applied Compute·Adaptive ML·RunRL·Osmosis, 학습 도구의 Thinking Machines Tinker, 모델 제공·배포 업체.
사업 해석: 맞춤 학습과 추론 운영은 다른 역할이다. 소형 업체의 가격 경쟁력과 지속 가능한 이익도 다르며 모델 회사의 직접 진입이 경쟁 변수가 된다.
다음 확인: 재계약, 고객 업무 성과, 학습·운영·지원 비용, 대형 모델 업체 서비스와의 차별성.
디지털 업무에서 실제 실험으로
훈련장이 실험실이 되면, 부족한 자원도 바뀐다
코드 실행 결과를 학습에 쓰듯 과학 실험 결과를 학습에 쓸 수도 있다. 하지만 실제 실험에는 재료, 장비, 공간과 시간이 들어간다. 여러 환경을 복제해 동시에 실행하던 방식이 그대로 통하지 않는다.
| 차이 | 소프트웨어 과제 | 물리 실험 |
|---|---|---|
| 반복 | 실행 환경을 복제 | 장비·재료·공간 필요 |
| 결과 | 실행·테스트로 평가 | 실험·측정이 끝나야 평가 |
| 비용 | 연산·환경 운영 | 연산 외 실험 비용 추가 |
| 확장 조건 | 유효 과제와 실행 용량 | 재현성과 실제 실험 처리량 |
Periodic Labs는 연구 모델과 실험의 결합, Medra는 실험 데이터 인프라의 사례로 소개된다. 원문에서 제시된 목표와 계획이며, 이 분석에서 시설 가동이나 매출을 별도로 확인한 것은 아니다.
과학 분야의 기회도 나눠야 한다. 새 가설이나 후보를 찾는 일과 기존 문서·연구 절차를 빠르게 처리하는 일은 다른 성과를 판다. 전자는 실험의 성공과 재현성이, 후자는 실제 업무 시간과 오류 감소가 중요하다.
실험이 오래 걸리면 학습 신호도 늦게 도착한다. 과정 중간을 평가하거나 연산 자원이 기다리는 시간을 줄이는 방식이 필요해질 수 있다. 다만 중간 점수가 진짜 성과와 맞는지, 처리량 개선이 최종 학습 품질을 유지하는지는 함께 확인해야 한다.
이 설명의 근거와 다음 확인 변화 기록 3개
과학 AI의 학습 데이터 생산이 실제 실험 인프라로 확장된다
변화: 문헌과 소프트웨어 과제뿐 아니라 시뮬레이션·로봇 실험·결과 측정을 이어 학습 신호를 만든다.
근거 C09: “RL for Science” P108~P121, “RL Meets the Wet Lab” P123~P130. 계획·목표와 발행처 해석을 포함.
역할 사례: Periodic Labs의 연구 모델·실험 결합, Medra의 실험 데이터 인프라. 두 회사의 목표 사업은 같지 않다.
사업 해석: 검증된 실험 데이터와 실험 운영 능력이 새로운 자원이 될 수 있다. 물리 실험은 시간·재료·설비 비용이 들어 소프트웨어 환경처럼 복제되지 않는다.
다음 확인: 실제 시설 가동, 재현성, 유효 실험당 비용, 고객 인수·데이터 구매, 실패 실험 처리.
과학 분야의 도입이 연구 탐색과 업무·개발 절차 개선으로 나뉜다
변화: 새로운 후보·가설을 찾는 능력과 기존 연구·문서·개발 절차를 빠르게 처리하는 능력이 별도 시장을 이룬다.
근거 C10: “RL Meets the Wet Lab” P123~P127. OpenAI와 Anthropic의 접근 차이에 관한 발행처 해석이며 영구적인 회사별 사업 경계가 아니다.
사업 해석: 연구 성능 지표와 업무 시간 절감 지표를 구분해야 한다. 모델 실험 성공을 임상·허가 성공으로 바꾸지 않는다.
다음 확인: 제품별 고객 사용 단계, 실험 성공률과 업무 처리시간, 실제 연구·개발 전체 기간의 변화.
긴 실행 과제에 맞춰 평가 방식과 학습 시스템이 바뀐다
변화: 과제가 길어지면서 결과만 기다리는 평가와 동기식 학습의 비효율을 줄이려는 대응이 나타난다.
근거 C12: “Why RL for Biology Can be Challenging” P132~P140. 과정별 평가 및 실행 중 가중치 갱신 설명. 효과 수치는 여기서 독립 검증하지 않았다.
사업 해석: 보상 신호 설계와 GPU 대기시간 감소는 구분되는 하위 변화다. 과정 점수가 실제 성과와 어긋나거나 오래된 정책으로 만든 샘플이 학습을 해칠 수 있다.
다음 확인: 후속 RL Systems 글과 연결해 처리량·샘플 수용률·정책 지연·최종 품질을 함께 대조.
일을 수행하는 구조도 바뀐다
여러 모델의 가치는, 나눈 일을 다시 검증할 때 생긴다
더 큰 업무를 처리하는 또 하나의 방법은 역할을 나누는 것이다. 원문은 코드 개선에서 테스트, 성능 분석, 수정 계획, 구현을 다른 에이전트가 맡는 사례를 소개한다. 새 결과를 평가하고 필요하면 다시 수정하는 과정이 협업을 묶는다.
핵심은 에이전트 수가 아니다. 단일 모델로 처리할 때보다 같은 품질의 결과를 더 적은 시간이나 비용으로 얻는가다. 여러 모델이 같은 오류를 반복하거나 검증 비용이 커지면 협업의 이점이 줄어든다. 반대로 문맥을 나눠 처리하는 방식은 비용을 줄일 수도 있다.
이 구조는 앞의 훈련 환경·전문가 평가·실험 도구와 결합할 수 있다. 그렇다고 모두 하나의 시장은 아니다. 각 공급자가 무엇을 맡고, 고객이 어떤 성과에 돈을 내는지는 따로 확인해야 한다.
이 설명의 근거와 다음 확인 변화 기록 1개
단일 모델 호출에서 역할을 나눈 반복 협업으로 확장된다
변화: 생성·검증·계획·구현 등을 나눠 수행하고, 결과를 다시 평가하는 구조로 더 큰 과제를 처리하려 한다.
근거 C13: “Multi agent architectures” P145~P161. 사례 보고와 미래 전망이 섞여 있다.
사업 해석: 계산량 증가 자체보다 같은 품질의 업무를 끝내는 비용과 시간이 중요해진다. 협업이 항상 비용 증가 또는 성능 향상을 뜻하지 않으며 문맥 분할로 비용을 줄이는 사례도 원문에 있다.
다음 확인: 단일 모델 대비 총비용·지연·성공률, 검증 비용, 상관된 오류, 재현 가능한 고객 업무 성과.
투자에서 남는 질문
AI의 업무 수행 확대는 환경 제작, 전문 평가, 맞춤 학습, 실험 인프라와 협업 도구에 새로운 수요를 만들 수 있다. 그중 지속적인 이익을 얻으려면 고객이 직접 만들거나 다른 공급자로 바꾸기 어려운 이유가 있어야 한다.
다음에는 실제 채택과 반복 구매, 품질을 유지하는 공급 능력, 비용을 뺀 이익을 본다. 이 글만으로 선두 기업이나 주가 매력도를 확정할 수는 없다.
다음 검토: 「RL Systems Mind the Gap」(2026.06.16). 생성·환경 실행·학습 중 어느 단계가 제약인지, 대기시간 감소가 품질을 유지하는지 확인할 예정이다. 해당 후속 분석은 아직 완료하지 않았다.