AI 인재 전쟁은 연구 인프라 전쟁으로 변모하고 있다

지금 인공지능 세계에서 가장 중요한 시그널은, 불확실한 연구를 지속하는 시스템으로 바꿀 수 있는 인재가 어디로 움직이는가에 있다. John Jumper가 Google DeepMind를 떠나 Anthropic으로 향한다는 보도와, Noam Shazeer가 OpenAI 측으로 옮긴다는 보도가 겹치면서, 2026년 6월 22일에 Alphabet의 주가는 크게 하락했다. 표면적으로는 시장의 반응이지만, 그 이면에는 frontier AI의 복리적인 성장이 앞으로 어디에서 일어날 것인가라는 질문이 있다.

AI 연구소(AI Lab)는 오랫동안 모델 출시로 경쟁해 왔다. 그 경쟁은 지금도 중요하지만, 무게 중심은 넓어지고 있다. 최전선의 연구소에는 알고리즘을 이해하는 연구자, 모델 능력을 일상적인 작업 흐름(workflow)에 녹여내는 프로덕트 엔지니어, 학습 비용을 현실적으로 만드는 인프라 팀, 흩어진 실험을 하나의 연구 과제로 묶는 리더가 필요하다. 뛰어난 인재는 명문화하기 어려운 방법, 평가의 감각, 연구 방향을 선택하는 센스를 운반하기 때문에, 인재 그 자체가 인프라의 일부가 되고 있다.

John Jumper는 AlphaFold와 결부된 인물이다. AlphaFold는 AI가 대화의 틀을 넘어 과학적 가치를 창출할 수 있음을 보여준 가장 명확한 사례 중 하나다. 이는 중요하다. 차세대 AI 시스템은 의료, 재료, 공학, 소프트웨어, 정책 분석에서 실제로 무엇을 도울 수 있느냐에 따라 평가받게 될 것이기 때문이다. 그 실적을 가진 인물을 끌어들이는 연구소는 채팅 품질과 응용 과학의 추론을 동시에 경쟁하겠다는 의지를 보여준다.

Noam Shazeer는 동일한 변화의 또 다른 측면을 나타낸다. 그의 업무는 트랜스포머(Transformer) 시대의 형성에 관여했으며, 커리어는 대기업의 연구, 스타트업의 프로덕트 감각, 모델 개발의 리더십을 횡단해 왔다. 이러한 인물이 움직일 때, 기술적 지식에 더해 어떤 병목 현상(bottleneck)에 수년간 투자할 가치가 있는지를 꿰뚫어 보는 감각도 함께 이동한다.

Google에게 이것은 즉각적인 능력 상실을 의미하지 않는다. Google에는 지금도 깊은 인프라, 거대한 데이터상의 이점, 긴 AI 돌파구(breakthrough)의 역사가 있다. 우려는 이야기의 기세에 있다. 중요한 돌파구와 결부된 사람들이 OpenAI나 Anthropic으로 향하면, 투자자와 개발자는 다음의 커다란 도약이 어디에서 나올 것인지를 다시 묻게 된다.

인재 전쟁은 사용자가 AI 제품에 기대하는 것도 바꾸고 있다. 승리할 가능성이 높은 것은 연구, 집필, 수식, 도표, 음성, 비교 분석이 하나로 이어지는 긴 작업 흐름 속에서 견딜 수 있는 시스템이다.

현대적인 연구 작업은 ChatGPT로 질문을 구조화하고 논점을 검증하는 것부터 시작되는 경우가 많다. 다음으로 Gemini로 멀티모달(multimodal)한 비교나 정보원을 의식한 탐색을 수행한다. 자료에 수식이 포함된 경우, Miss Formula는 스크린샷이나 논문 내의 수식을 편집 가능한 텍스트로 바꾸어 추론의 흐름을 깔끔하게 유지한다. AI가 생성한 과학 도표를 논문이나 슬라이드에서 사용할 수 있는 편집 가능한 객체(object)로 바꿀 필요가 있을 때, Editable Figure는 마무리 공정에 자연스럽게 들어간다.

이러한 도구들이 중요한 이유는 frontier AI의 실용적인 방향을 보여주기 때문이다. 사용자에게는 인상적인 하나의 답변 외에도, 형식을 넘나드는 신뢰할 수 있는 변환의 연쇄가 필요하다. 수식은 편집 가능해야 한다. 그래프는 벡터 객체가 되어야 한다. 초안은 개정(revision)을 견뎌낼 수 있어야 한다. 모델의 출력은 정보원으로 확인되어야 하며, 특정 독자에 맞춰 조정될 필요가 있다.

최근의 과학 에이전트(scientific agent)용 벤치마크 연구도 같은 흐름을 보여준다. 2026년 6월에 발표된 SciAgentArena는 단계적인 검증을 포함한 약 200개의 실제 과학 태스크를 통해 AI 에이전트를 평가한다. 이 연구가 중요한 이유는 잘 정의된 데이터 분석과 열린 과학적 발견 사이의 차이를 밝혀냈다는 점에 있다. 현재의 에이전트는 목적, 데이터, 평가 기준이 명확한 경우에는 도움이 된다. 반면, 독창적인 과학적 판단, 지속적인 자율 탐색, 견고한 문제 설정이 요구되는 장면에서는 약점을 보인다.

이 관점에서 보면 인재 전쟁은 이해하기 쉬워진다. 희소한 자원은 모델 내부의 가공되지 않은 지능뿐만 아니라, 좋은 태스크를 정의하고, 좋은 평가를 만들고, 실패의 유형을 간파하며, 모델의 행동을 실제 사용자 작업으로 연결하는 조직 능력이다. 평가 문화가 강한 연구소는 데모와 신뢰할 수 있는 능력을 구분할 수 있기 때문에 더 빠르게 나아갈 수 있다.

다음 AI의 해자 (Moat)는 하나의 거대한 모델 형태가 아닐 수도 있다. 인재, 계산 자원 (Compute), 데이터, 평가 (Evaluation), 프로덕트 측면, 그리고 신뢰할 수 있는 작업 흐름 (Workflow)이 밀접하게 쌓인 형태가 될 가능성이 있다. 인재 이동은 이름이 드러나기 때문에 눈에 띈다. 더 조용한 변화는, 모든 최전선 기업들이 과학적 야망, 엔지니어링 규율 (Engineering Discipline), 그리고 프로덕트로부터의 피드백을 서로 강화하는 장소가 되려고 노력하고 있다는 점이다.

개발자와 연구자들에게 주는 교훈은 실용적이다. AI의 진보를 공개 랭킹만으로 판단하는 것은 불충분하다. 뛰어난 인재들이 어디로 가는지, 어떤 문제를 선택하는지, 그리고 주변의 도구들이 지식 노동을 끝까지 완수할 수 있게 하는지를 살펴볼 필요가 있다. 프론티어 (Frontier)는 정답에서 실행으로 이동하고 있으며, 실행은 지능을 반복 가능한 작업으로 바꿀 수 있는 연구소 (Lab)에 보상을 준다.