AI에게 일을 가르치는 산업에서
무엇이 바뀌고, 어디에 돈이 남는가

큰 그림의 출발점

왜 더 많은 텍스트를 모으는 것만으로는 부족해졌나

세미 분석 원문이 다루는 변화는 단순한 질문 답변에서 도구를 사용해 여러 단계의 업무를 수행하는 방향이다. 코드를 설명하는 것과 실제 저장소의 오류를 고치는 것, 세무 지식을 답하는 것과 자료를 받아 결과물을 완성하는 것은 다르다. 후자에는 작업을 실행할 상태, 도구, 성공 기준이 필요하다. 원문은 그 때문에 전문가 과제·실행환경·평가와 맞춤 학습의 조달이 늘어난다고 설명한다. [S0: 도입부·Data Foundries·RL as a service]

내 해석 고객 요구가 전혀 새로 생겼다기보다, AI에 맡길 수 있다고 기대하는 업무의 범위가 넓어지면서 같은 정확성·비용·납기 요구를 기존의 답변 생성 방식만으로 충족하기 어려워진 것이다. 성공하려면 필요한 경험을 만들어 공급하고, 모델이 그 경험에서 배웠는지 확인하고, 실제 고객 시스템에서 결과를 내야 한다.

이것은 사전학습의 폐기 선언도, 모든 업무를 RL로 해결한다는 주장도 아니다. 원문 역시 기반 모델, 중간학습, 사후학습과 수행 기록의 재사용을 함께 다룬다. [S0: 도입부·RL for Science]

흐름 01 / 상품과 생산 공정의 변화

정답 파일에서, 실제 업무 경험을 만드는 산업으로

1. 고객이 사는 물건을 먼저 분리해야 한다

세미 분석 원문에는 웹사이트를 복제한 환경을 일회성으로 구매해 재사용하는 사례, 전문가가 과제·답·평가 기준을 만드는 계약, 환경을 실행하는 도구, 기업 업무에 모델을 맞추는 서비스가 함께 등장한다. 이들은 같은 수요의 다른 공정이지만 같은 상품이나 수익 모델은 아니다. 약 2만 달러/사이트라는 원문 가격도 특정 복제 환경의 보고 사례이지 전체 환경 시장의 평균 단가가 아니다. [S0: During a Gold Rush·Data Foundries]

2. 코딩 과제 하나가 만들어지는 과정을 보면 경쟁력이 보인다

설명용 업무 사례 고객이 원하는 것은 “이 함수는 무엇인가”라는 답이 아니라 “이번 고객 오류를 수정하되 다른 기능을 깨뜨리지 말라”는 결과다. 이를 학습 과제로 만들려면 오류가 존재하던 코드 버전을 복원하고, 의존성을 설치하고, 오류를 재현하는 테스트를 준비해야 한다. 수정 후에는 문제 테스트가 통과하는지와 기존 정상 기능이 유지되는지를 함께 검사해야 한다.

인용 논문 대조 SWE-rebench §2는 2025년 5월 1일 이전 이슈와 연결된 약 45만 PR에서 출발한다. 초기 필터 후 약 153,400개 후보가 남고, 설치·실행 검증과 품질 평가를 거쳐 3,468개 저장소의 21,336개 과제를 구성했다. [P1]

내 해석 약 4.7%라는 단순 비율보다 중요한 것은 원시 기록을 실행·검증 가능한 과제로 바꾸는 공정이다. 이 비율은 해당 파이프라인의 선별 결과이며 시장 전체의 수율이 아니다. 저장소를 많이 보유하는 것만으로는 충분하지 않고, 재현 가능한 설치와 유효한 테스트, 업무 다양성을 확보해야 한다. 반대로 이 공정이 자동화·공개되면 범용 과제 제작의 가격은 압박받을 수 있다.

3. 평가가 틀리면 생산량을 늘릴수록 잘못 배운다

내 해석·설명용 사례 테스트 파일을 바꿔서 통과한 코드, 필요한 항목을 누락했지만 형식이 좋은 보고서, 승인받지 않은 변경으로 숫자만 맞춘 결과를 성공으로 채점하면 원래 고객 목표와 다른 행동을 보상하게 된다. 그래서 학습용 보상, 학습에 쓰지 않은 과제로 하는 평가, 실제 배포 성과를 분리해야 한다. 실행 가능한 과제라는 것과 학습에 도움이 된다는 것, 실제 업무가 좋아졌다는 것은 세 단계의 다른 주장이다.

기존 주장 교차확인 GDPval 공식 설명도 사람의 결과와 비교한 산출물 품질 평가이며, 공개 당시의 자동 채점기는 전문가를 대체할 만큼 신뢰할 수 없다고 설명한다. 또한 모델 추론비·시간에는 실제 감독·반복 수정·통합 비용이 빠져 있다. 따라서 승리·동률 비율을 직업 자동화율이나 고객 비용 절감률로 바꾸지 않는다. [P2]

4. 최신 제품이 실제로 넓힌 범위

최신화 / 2026.05.07 Prime Intellect Lab 정식 출시 자료는 고객이 과제·성공 기준을 제공하고 플랫폼이 생성·학습·배포를 관리하는 구도를 제시한다. 다중 고객 자원을 공유해 토큰 기준 과금이 가능하다는 회사 설명도 있다. 이는 전담 클러스터 운영 부담을 줄이는 상품 설계이지, 모든 고객의 비용 우위가 입증됐다는 뜻은 아니다. [U2]

최신화 / 2026.07.09 Mercor는 전문가가 만드는 과제·검증기와 Deeptune의 소프트웨어 환경을 결합하는 인수 계획을 발표했다. 회사는 기존 고객 관계도 밝혔다. 여기서 확인되는 것은 공급 공정을 결합하려는 전략이며, 해당 발표만으로 인수 종결일·통합 성과·마진 개선을 확정하지 않는다. [U3]

제품 확인 / 확인일 2026.10.13 HUD는 환경 제작·실행, 결과 조사, 보상 품질 점검, 공급자와 연구소 연결을 제품 범위로 소개한다. 페이지의 기능·사용량 표시는 회사 설명이며 별도 성능 실험이나 유료 고객 수가 아니다. [U4]

고객의 비용에서 공급자의 이익으로

“AI가 더 싸다”는 말에 빠져 있는 비용

분석 모델 고객은 API 호출 한 번의 가격이 아니라, 자신이 받아들일 수 있는 품질로 끝난 업무의 원가를 비교해야 한다. 아래는 이 분석에서 제안하는 계산 구조이며 특정 기업의 공시 모델이나 실측 결과가 아니다.

분모와 품질·위험 기준을 수작업 대안에도 동일하게 적용한다. 모델 점수가 좋아져도 검토 시간이 늘거나 치명적인 실패가 증가하면 경제성이 악화될 수 있다. 반대로 완전 자동화가 아니어도 전문가의 시간을 줄이고 처리량을 늘리면 구매 가치가 생긴다. 실패 손실에 이미 포함한 재작업비는 중복 합산하지 않는다.

설명용 계산: 추론 가격보다 검토 시간이 더 중요할 수 있다

읽는 법 추론·실행비를 절반으로 낮추면 위 두 AI 대안 모두 $1,500를 아낀다. 그러나 검토 시간을 40분에서 15분으로 줄이는 차이는 약 $20,833다. 이 가정에서는 사람의 검토 부담을 줄이는 기술이 훨씬 큰 구매 가치를 만든다. 어느 비용이 큰지는 고객별 실측으로 다시 채워야 한다.

공급자가 그 절감액을 전부 가져가는 것은 아니다

사업 해석 고객의 절감액은 공급 가격의 여지이지 공급자 매출이 아니다. 공급자는 계약한 가격에서 전문가 비용, 환경 제작·유지비, 실행·평가비, 지원·오류 처리비를 빼야 한다. 초기에 고객을 확보하기 위해 싸게 공급할 수 있지만 갱신 시 가격을 올릴 수 있는지, 납품이 반복될수록 원가가 떨어지는지는 별도 문제다.

세미 분석 원문은 일부 맞춤 RL 스타트업이 저렴하게 공급하면서도 마진이 낮거나 적자를 낸다고 설명한다. ‘약 5배 저렴’은 당시 저자 판단이므로 현재 가격표나 동일 조건의 원가 벤치마크로 쓰지 않는다. [S0: RL as a service]

흐름 02 / 학습 대상과 경제성의 변화

물리 세계에 들어가면,
더 똑똑한 모델만으로 반복 속도를 높일 수 없다

1. “소프트웨어는 쉽고 과학은 어렵다”보다 정확한 구분

세미 분석 일부 코딩 과제는 실행과 자동 평가를 저렴하게 반복하지만 물리 실험에는 장비·재료·공간·시간이 든다. 원문은 생물학 실험에 수백~수천 달러, 수시간 또는 수일이 걸리는 경우를 제시하고, 느린 결과와 희소한 피드백 때문에 더 효율적인 학습 방식과 시스템 설계가 필요하다고 분석한다. 이 논리는 원문에 이미 있다. [S0: RL Meets the Wet Lab·Why RL for Biology Can be Challenging]

내 해석 산업 이름보다 결과를 어떻게, 얼마나 빠르게 검증할 수 있는가로 나누는 것이 유용하다. 수학이나 계산 과학의 일부 문제는 물리 실험 없이 검증할 수 있다. 반대로 소프트웨어 업무도 불명확한 요구, 사람의 판단, 장기 운영 안정성이 포함되면 자동 테스트만으로 성공을 확정하기 어렵다.

2. 논문을 읽는 데서, 새로운 결과를 직접 생산하는 데로

세미 분석 원문은 기존 문헌의 결과가 서로 맞지 않거나 입력 조건이 완전하지 않을 수 있다는 점과, 직접 실험하면 입력과 결과를 함께 확보할 수 있다는 차이를 설명한다. Periodic Labs는 연구 모델과 실험의 결합, Medra는 생물학 실험 데이터 생산의 사례로 제시된다. [S0: RL for Science·RL Meets the Wet Lab]

사업 해석 새 상품은 논문 요약이 아니라, 특정 가설을 시험한 조건·측정·실패 이력까지 추적 가능한 데이터가 될 수 있다. 다만 결과를 독점 보유한다고 바로 좋은 학습 자산은 아니다. 측정이 흔들리거나 사용 권리가 불명확하거나 다른 조건에서 재현되지 않으면 그 데이터의 가치는 제한된다.

3. 고객의 선택지는 ‘로봇을 더 사기’ 하나가 아니다

세 대안은 배타적이지 않다. 계산으로 후보를 줄이고, 자동화된 장비에서 시험하고, 실측 결과로 다음 후보를 고르는 조합이 가능하다. 외주 실험실을 쓰는 것과 고객 현장에 같은 체계를 설치하는 것도 다른 구매 방식이다. 설비 소유만으로 답을 정하지 않는다.

4. 후속 실험에서 드러난 핵심: 자동화가 제약을 없애기보다 바꾼다

최신화 / 2026.02.05 연구 공개 OpenAI·Ginkgo는 GPT-5와 자동화 실험실을 연결해 6회 반복에서 3만 6천 개 이상의 CFPS 반응 조성을 시험했다고 보고했다. 자동화 규모에서 시약 비용이 제약이 됐고, 모델이 제안한 설계도 장비에서 실제 실행 가능한지 사전 검사했다. [U1]

보고된 40% 비용 개선은 특정 단백질(sfGFP)·시스템의 생산 비용 비교다. 전체 실험실 원가나 RL 학습비가 40% 줄었다는 뜻이 아니다. 반응 규모·산소 공급 등의 조건에 민감하며 사람의 감독도 필요했다. 결과를 다음 실험 설계에 활용했다는 것과 모델 가중치를 RL로 갱신했다는 것도 별개다. [U1: Limitations]

내 해석 사람의 반복 조작을 줄이면 더 많은 실험을 할 수 있지만, 그다음에는 재료비·측정·실패 복구가 중요한 제약이 될 수 있다. 따라서 로봇 수보다 신뢰할 수 있는 결과를 얻기까지의 총비용과 다음 시도까지의 시간을 비교해야 한다. 이것이 물리 실험을 독립 흐름으로 보는 이유다.

병렬 실험의 벽시계 시간은 순차 시간의 합과 다르다. 더 많은 실험이 반드시 불필요한 낭비인 것도 아니다. 노이즈를 구분하려면 반복 측정이 필요할 수 있으므로 시도 수를 줄였다는 것만으로 효율 향상이라 부르지 않는다.

5. Medra는 원문 당시의 계획에서 어디까지 바뀌었나

최신화 / 2026.04.23·06.24 Medra는 4월 ML001을 공개하며 모델 개발사에는 데이터 생산, 제약사에는 자체 자동화 실험실의 참고 모델을 제공한다고 설명했다. 6월에는 AI Experimentalist와 DARPA 지원 프로젝트를 발표하고, 자연어 목표·사람의 실험 절차를 실행 가능한 계획으로 바꾸는 추론 계층, 고객 현장·원격 실험실 접근, 일부 폐쇄형 베타 운영을 밝혔다. [U5] [U6]

판단 수정 이제 “실험실을 만들 계획인 데이터 업체”로만 적으면 낡은 설명이다. 회사 발표 범위에서는 실험 실행에 설계·분석·반복 계획을 더하는 사업으로 확장했다. 다만 모델을 가리지 않는 실행 체계의 확장을 범용 기반 모델 경쟁으로 바꾸지 않는다. 실제 운영은 회사 보고이며 독립 가동률·고객당 원가·재계약·이익은 아직 확인하지 못했다.

흐름 03 / 결과를 개선하는 방식의 변화

여러 모델을 쓰는 이유는 수가 아니라,
실패를 발견하고 고치는 역할 분담에 있다

1. 한 모델을 여러 번 부르는 것과 업무를 분담하는 것은 다르다

세미 분석 원문은 후보를 만들고 검증하고 다음 후보를 고르는 구조, 테스트·성능 분석·수정 계획·구현을 나누는 코드 개선 사례를 설명한다. 개별 모델을 추가 학습하지 않아도 구성에 따라 결과가 달라질 수 있고, 추가 비용보다 해결한 문제의 가치가 커야 한다고 본다. [S0: Multi agent architectures]

설명용 사례 “코드를 더 빠르게 만들어라”는 요청을 한 번에 맡기면, 틀린 결과가 나오는 코드가 빨라졌다는 이유로 선택될 수 있다. 테스트 담당은 정확성을, 측정 담당은 속도를, 계획 담당은 바꿀 부분을, 구현 담당은 실제 수정을 맡긴다. 분업의 가치는 서로 다른 실패를 분리해 교정하는 데 있다. 같은 오류를 여러 모델이 반복하면 사람 수를 늘린 것처럼 보일 뿐이다.

2. 원문이 인용한 연구를 보면 이점과 반례가 함께 있다

인용 논문 대조 / Astra 논문은 H100 환경에서 o4-mini로 SGLang의 3개 커널을 5회 개선했다. 추가 SFT·RL 없이 다중 에이전트 평균 가속 1.32배, 단일 에이전트 1.08배를 보고한다. 단순한 커널에서는 단일 1.48배와 다중 1.46배로 다중 방식이 우월하지 않았다. 최종 정확성은 별도로 사람이 만든 테스트로 검증했다. [P3: §3–5, Table 3]

읽는 법 이는 모든 업무가 32% 빨라지거나 전체 서비스 비용이 32% 줄었다는 증거가 아니다. 최적화된 커널의 실행 속도, 최적화 작업을 수행하는 AI 비용, 고객 시스템 전체의 속도는 다르다. 또한 같은 반복 횟수는 같은 토큰·금액 예산을 뜻하지 않는다. 더 나은 코드를 만드는 데 추가로 쓴 비용을 향후 반복 사용의 절감액과 비교해야 한다.

3. 8월의 새 변화는 협업을 학습 생산 공정 안으로 가져온다

최신화 / 2026.08.07 Prime Intellect는 다중 에이전트 학습·평가 지원을 공개했다. 풀이와 채점을 분리하거나, 문제를 만드는 역할과 푸는 역할을 연결하고, 어떤 역할을 학습할지와 성과 귀속을 지정하는 구조다. 이는 제품·구현 공개이며 광범위한 경제성 개선의 실측 결과는 아니다. [U7]

다른 흐름과 연결 문제 생성·채점까지 자동화되면 사람의 반복 작업을 일부 대체할 수 있다. 동시에 자동으로 만든 과제가 고객의 실제 업무를 대표하는지, 채점기가 편법에 속지 않는지를 확인할 수요가 남는다. 따라서 “RL 성장 → 전문가 작업량이 같은 비율로 증가”라는 결론은 성립하지 않는다. 인간 전문가의 역할은 공급량보다 희소한 기준과 검증으로 이동할 가능성이 있다.

흐름 04 / 가치 배분과 실제 사용의 조건

누가 업무 경험을 통제하고,
누가 고객 시스템 안에서 일할 수 있는가

1. 외주 확대와 공급자 마진 압박은 동시에 일어날 수 있다

세미의 2026년 1월 조달 분석 Anthropic의 다수 공급자 활용·표준화, OpenAI·xAI의 내부 조달, Google의 자체 업무 플랫폼을 서로 다른 대응으로 설명한다. 특정 경쟁사와 가까워진 공급자에 대한 중립성 우려와 플랫폼 접근 제한도 다룬다. 이 표는 당시 저자의 취재·해석이며 현재 모든 계약을 검증한 목록이 아니다. [S0: Buying patterns·Sorry, your agent is not allowed]

투자 해석 통합 공급자는 고객이 여러 업체를 관리하는 비용을 줄여줄 수 있다. 그러나 규격이 표준화되면 고객은 공급자를 바꾸기 쉬워지고, 큰 고객은 핵심 공정을 안으로 가져갈 수 있다. “통합하고 있다”는 사실만으로 높은 마진이나 독점을 예상해서는 안 된다.

2. 데이터 보유, 학습 권리, 실제 행동 권한은 다르다

검토할 계약·운영 항목 저장된 업무 데이터가 있어도 그 데이터를 학습에 쓸 수 있는지, 다른 고객에게 재사용할 수 있는지, 실제 서비스에서 변경·결제·배포 같은 행동을 할 권한이 있는지는 각각 확인해야 한다. 이것은 특정 계약의 법률 해석이 아니라 확인할 질문이다.

세미 분석 원문이 에이전트 접근 제한을 다루는 이유도 여기에 있다. 모델이 시뮬레이션에서 업무를 잘해도 플랫폼의 수익 구조와 충돌하면 실제 사용이 제한될 수 있다. 능력 향상은 사용 확대의 필요조건일 수 있지만 접근권을 자동으로 만들지는 않는다. [S0: Sorry, your agent is not allowed]

3. 무엇이 실제로 대체하기 어려운 자산인가

판단 기준 데이터의 양보다 고객이 갖기 어려운 실패 사례·평가 기준·재현 가능한 실험 결과가 중요할 수 있다. 그러나 고유한 데이터라도 성능에 추가 이득이 없으면 차별화는 약하다. 전문가, 환경, 로그, 권리, 배포 연결 중 어떤 요소를 고객이 가져가도 같은 성과를 만들 수 있는지 분해해 봐야 한다.

기업별로 더 팔 수 있는 것과 부담할 비용

필요한 산업과 좋은 투자 대상 사이의 간격

아래는 역할과 검증 단계의 비교이지 기업 순위가 아니다. 같은 회사도 데이터·환경·운영·설비 중 무엇을 판매하느냐에 따라 매출의 반복성과 비용 구조가 달라진다. 상장 여부가 확인되지 않은 기업을 임의의 상장 대리 수혜주로 연결하지 않는다.

같은 근원과 서로 다른 효과

네 흐름은 하나의 계단이 아니라 서로 영향을 주는 구조다

이 네 갈래는 이번 원문과 후속 자료를 정리한 현재의 분류다. 새 글에서 다른 독립 변화가 확인되면 추가하거나 연결을 수정한다. 글당 흐름 수나 최종 산업 분류를 네 개로 고정하지 않는다.

원문 당시와 후속 근거를 구분한 판단 이력

무엇이 새로 확인돼 설명을 바꿨는가

인용 논문 SWE-rebench·Astra 및 GDPval의 관련 절 재검토는 기존 근거의 대조다. 2026년 10월에 새로 발생한 산업 사건으로 표시하지 않았다. HUD의 현재 제품 설명도 출시일이 없어 위 사건표에 넣지 않았다.

다음에 판단을 바꾸는 관측

좋은 이야기를 끝까지 믿는 대신, 이 연결을 확인한다

근거를 다시 따라갈 수 있게

출처와 확인한 범위