• AI 사용량을 나타내는
  토큰처럼, 모델 능력을 개선하는 데이터 작업 단위인 태스크(task) 가 AI 투자를 측정하는 대규모 시장을 형성할 전망임
• 인터넷 학습 데이터와 단순·범용 능력이 포화되면서, 실제 환경에서 전문가의 암묵지를 가르치는
  고품질 데이터가 모델 발전의 병목으로 부상함
• 태스크는 초기 상태와 작업 환경을 제공하고 결과를 보상 신호나 검증기로 평가해, 공개 인터넷만으로 재현하기 어려운
  전문가 업무 절차를 모델에 학습시킴
• OpenAI와 Anthropic의 데이터 지출은 매년 10배씩 증가하고 있으며, Mercor는 2월
  ARR 10억 달러를 기록한 뒤 4개월 만에 20억 달러에 도달함
• 법률·의료·금융·소프트웨어·과학마다 별도의 데이터셋과 평가 체계, 강화학습 환경이 필요해 AI 연구소·애플리케이션 기업·일반 기업의
  데이터 인프라 경쟁이 확대될 전망임

AI 성장을 측정하는 토큰 경제

추론 토큰은 AI 생태계의 성장을 추적하는 대표 지표로 자리 잡음

• 공개 기업은 AI 성장세를 보여주기 위해 월간 처리 토큰을 공개함

• 분석가는 OpenRouter 순위처럼 모델별 토큰 사용량을 비교함

• 경영진은 시간에 따른 토큰 사용량으로 AI 투자와 도입 수준을 측정함

• 토큰은 복잡한 추론 과정을 하나의 측정 단위로 추상화해, 기술적 배경이 없어도 AI 확장을 이해할 수 있는
  공통 언어로 기능함

• AI 사용자 증가, 비추론 모델에서 추론 모델로의 전환, 질의에서 에이전트로의 전환이 모두 토큰 증가로 이어짐

• 백그라운드 에이전트와 장기 작업 에이전트도 토큰 사용량을 늘림

• 채택 확대와 모델당 토큰 집약도가 중첩되면서 전체 사용량이 빠르게 증가하고, 추론 시장으로 투자와 기업 진입이 몰림

• 추론 시장의 높은 가시성은 비슷한 규모로 성장할 수 있지만 이해하기 어려운 다른 흐름을 가리는 효과도 있음

태스크 경제의 등장

• 지난 3년간 LLM은 기본 질의응답에서 복잡한 추론을 거쳐, 장기간 실제 업무를 수행하는 에이전트로 발전함

• 초기 모델 개선은 인터넷 데이터와 더 많은 연산 자원에 의존했지만, 다음 두 변화로
  추가 고품질 데이터가 병목이 됨

• 인터넷에서 새롭게 학습할 수 있는 데이터가 소진됨

• 단순하고 범용적인 능력이 점차 포화됨

• 태스크 경제는 모델의 추가 개선에 필요한 데이터를 생성하고 공급하는 시장을 뜻함

모델 개선 단위로서의 태스크

• 강화학습에서
  태스크는 모델이 연습하는 단위임

• 모델에 초기 상태와 행동할 환경을 제공함

• 모델의 행동을 보상 신호나 검증기로 채점함

• 여러 태스크의 점수를 학습 신호로 종합해 높은 점수를 받은 행동 쪽으로 모델을 조정함

• 엄밀하게는 강화학습 후처리 학습의 기반을 가리키지만, 여기서는 데이터를 이용한 모델 개선 전반을 포괄하는 단위로 사용함

• 업계가 모델 개선을 위한 새로운 데이터 형식을 계속 만들면서 태스크의 범위도 확장되고 있음

• 기존
  데이터 라벨링은 바운딩 박스나 LLM 응답의 좋아요·싫어요 평가를 연상시키지만, 현재 시장은 더 복잡하고 가치가 높은 작업으로 발전함

법률 업무에서의 작동 방식

• 공개 인터넷으로 학습한 AI는 법률의 기본 개념과 공개 판례를 이해할 수 있지만, 유능한 변호사의 실제 업무를 재현하는 데 필요한 데이터는 인터넷에 충분하지 않음
• 고품질 법률 업무를 학습시키려면 다음 요소를 결합해야 함
• 이런 태스크는 모델에 무엇을 해야 하는지만이 아니라
  어떻게 수행해야 하는지까지 가르치며, 고품질 태스크가 많아질수록 모델 능력도 향상됨

토큰과 태스크의 공통 성장 구조

• 토큰이 추론과 모델 사용의 기본 단위라면, 태스크는
  모델 개선의 기본 단위로 볼 수 있음

• AI 채택 확대와 최첨단 모델의 데이터 요구량 증가가 겹치면서 태스크 수요가 늘어남

• 단순 선호도 라벨에서 숙련 전문가의 평가표 기반 작업으로 전환됨

• 전문가 수준의 분야별 에이전트가 등장함

• 에이전트가 더 긴 시간 범위의 작업을 수행함

• 기업이 평가 체계를 대규모로 도입함

• 이 요인들이 추론 토큰 시장과 마찬가지로 중첩되면서 태스크 경제의 빠른 성장을 이끔

데이터 지출과 시장 성장 신호

• OpenAI와 Anthropic은 전문가를 동원해 데이터와 에이전트 학습 자료를 만들면서
  데이터 지출을 매년 10배씩 확대하고 있음

• 일부 주요 AI 애플리케이션 기업과 일반 기업은 데이터가 경쟁 우위라고 판단해 개별 태스크 관련 지출을 단기간에
  1억 달러 이상으로 늘리고 있음

• 차별화된 데이터 전략을 갖춘 응용 AI가 범용 기성 모델보다 나은 결과를 낼 수 있다는 판단임

• 태스크 경제 플랫폼 Mercor는 2월 ARR 10억 달러에 도달한 뒤 4개월 만에 ARR 20억 달러를 기록함

• 고급 분야의 업무를 재현하는 에이전트는 아직 초기 단계이며, 기업의 데이터 지출 확대도 이제 시작되고 있음

• AI가 앞으로 다뤄야 할 인간 지식의
  99%가 사람의 머릿속에 있다는 전제 아래, AI 연구소·애플리케이션 기업·일반 기업이 암묵지를 모델과 에이전트로 옮기면서 참여자와 구매자 범위가 확대될 전망임

태스크 시장이 잘 보이지 않는 이유

• 온라인에서 태스크가 토큰보다 적게 논의되는 첫 번째 이유는 지출이 비밀주의가 강한
  최첨단 AI 연구소에 집중돼 왔기 때문임

• 연구소는 모델 개선 전략과 데이터·태스크 지출을 거의 공개하지 않음

• AI 애플리케이션 기업과 일반 기업이 기성 모델과 차별화하기 위해 태스크 경제에 참여하면서 상황이 달라지고 있음

• 이들은 자체 데이터 활동을 마케팅할 가능성이 더 높아 태스크 시장의 가시성을 높일 수 있음

• 두 번째 이유는 추론 시장의 토큰처럼 가치를 간단히 추상화하는 공통 단위가 없었기 때문임

• 태스크를 표준적인 가치 단위로 사용하면 기술 지식이 없는 사람도 업계가 AI 능력 향상에 얼마나 투자하는지 파악할 수 있음

• 현재는 태스크 규모와 성장세를 실시간으로 보여주는 ‘
  태스크용 OpenRouter’ 같은 서비스가 없음

• Mercor의 분기별 전문가 작업 시간 데이터가 시장 성장세를 간접적으로 보여주는 지표로 활용됨

경제 활동 전반을 위한 데이터 구축

• 노트북에서 수행하는 모든 업무를 에이전트로 자동화하려면 경제 전반의 애플리케이션과 환경, 태스크 분포를 모두 다뤄야 함

• 이를 위해 전문 직종과 학문 분야, 소비자 사용 사례 전반에서
  대규모 데이터 구축이 필요함

• 법률·의료·금융·소프트웨어·과학은 각각 전문가가 만든 데이터셋을 요구함

• 분야별 평가 체계와 강화학습 환경도 별도로 마련해야 함

• AI 연구소와 애플리케이션 기업, 일반 기업은 경제적으로 유용한 업무 전반에서 데이터 인프라를 확대하며 경쟁하게 됨

• 데이터 인프라 구축에 성공한 조직은 최첨단 능력을 계속 개선하고 시장 점유율을 확보할 수 있음

• 태스크 경제가 널리 보급되고 가시화되면 AI 산업은 토큰과 함께
  태스크 규모도 주요 성장 지표로 추적하게 될 전망임

알고리듬 개선과 논의 범위

• 일반 AI 능력은 데이터뿐 아니라 모델의
  알고리듬 개선으로도 향상될 수 있음
• 알고리듬 개선을 제외한 것은 미래 가능성을 부정하기 위해서가 아니라, 데이터와 태스크 경제에 논의를 집중하기 위한 범위 설정임

댓글과 토론