# AI 리서치의 미래: 레시피에서 밀키트로

> Clean Markdown view of GeekNews topic #25979. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=25979](https://news.hada.io/topic?id=25979)
- GeekNews Markdown: [https://news.hada.io/topic/25979.md](https://news.hada.io/topic/25979.md)
- Type: news
- Author: [flamehaven01](https://news.hada.io/@flamehaven01)
- Published: 2026-01-20T15:51:54+09:00
- Updated: 2026-01-20T15:51:54+09:00
- Original source: [open.substack.com](https://open.substack.com/pub/flamehaven/p/when-the-michelin-recipe-fails-in?r=6xzjod&showWelcomeOnShare=true)
- Points: 8
- Comments: 2

## Summary

AI 연구의 폭발적 증가가 혁신을 이끌었지만, 동시에 **‘Noise Tax’**라는 새로운 부담을 만들고 있습니다. 논문을 그대로 구현하는 DIY 방식은 인프라·데이터·엔지니어링·책임의 네 지점에서 반복적으로 실패하며, 이제 시장은 **‘레시피’보다 ‘밀키트’**, 즉 바로 배포 가능한 패키징으로 이동하고 있습니다. NVIDIA NIM, SLM, Ollama 같은 표준화된 배포 단위가 확산되면서, 2026년의 경쟁력은 더 똑똑한 모델이 아니라 **덜 터지는 운영 단위**에서 결정됩니다.

## Topic Body

#### 핵심 요약 (TL;DR)  
  
* **AI 논문 폭증 = 진보 + 동시에 ‘Noise Tax’**  
  
  * 2013 → 2023 연간 AI 논문: **~102,000 → ~242,000**  
  * 같은 기간 CS 논문 중 AI 비중: **21.6% → 41.8%**  
* 논문이 늘수록 **선별/재현/운영 비용**이 폭증  
  
  * 더 읽는데 제품은 덜 안정됨  
  * SOTA를 쫓을수록 재현성과 운영성은 내려감  
* 논문을 프로덕션화하면 **4가지 실패 모드**가 거의 항상 등장  
* 그래서 2026 시그널은 단순함:  
  **DIY(레시피 구현) ↓ / Packaging(밀키트) ↑**  
  
  * “논문 읽고 구현”보다 **바로 배포 가능한 단위**가 이김  
  * **NVIDIA NIM / SLM / Ollama** 같은 패키징이 표준화 흐름을 만든다  
  
---  
  
#### 문제 정의: AI 논문은 ‘미슐랭 레시피’다  
  
저자는 AI 연구 논문을 **미슐랭 셰프의 레시피**로 비유한다.  
레시피 자체가 나쁜 게 아니다. **우리 주방이 다를 뿐**이다.  
  
논문은 완벽한 주방에서 조리된다.  
  
* H100 클러스터  
* 깨끗하게 정제된 데이터셋  
* 실험 환경에 최적화된 숨은 트릭들  
  
그러다 그 레시피가 현장(온프렘/레거시/컴플라이언스/운영)으로 내려오면, 같은 현상이 반복된다.  
  
---  
  
#### 논문-to-프로덕션: 4가지 실패 모드  
  
##### 1) Broken Utensils (인프라)  
  
* 논문 결과는 **H100 수천장급** 기준으로 나온다  
* 현실은 **소형 GPU / 제한된 VRAM / 제약된 네트워크**  
* 문제는 “성능이 조금 떨어짐”이 아니다  
  → **현상 자체가 안 나온다**  
* 흔한 증상:  
  
  * “돌긴 도는데 기대한 행동이 없음”  
  * 파이프라인은 완료되는데 *promised behavior*는 안 나타남  
  
  
  
##### 2) Spoiled Ingredients (데이터)  
  
* 논문은 **정제 데이터**를 가정한다  
* 현장 데이터는:  
  
  * 로그, 스캔 PDF, 레거시 문서, 스키마 변동, 불명확한 출처  
* RAG/추론은 **구조·근거·일관성**이 깨지면 바로 환각으로 간다  
* 더 위험한 점:  
  
  * **유창해서** 더 믿게 된다  
  * “멀쩡해 보이는데 틀림”이 가장 비싸다  
  
  
##### 3) Missing Salt (엔지니어링 디테일)  
  
* “Season to taste” 구간이 제일 크다  
* 실제 승부처:  
  
  * 초기화 / 스케줄러 / 0.001 단위 튜닝 / 프롬프트 템플릿  
* 이런 건 논문 8페이지에 못 담긴다  
* 실전은 결국 여기서 갈린다:  
  
  * 레시피가 아니라 **비밀 양념(재현 조건)** 이 결과를 좌우한다  
  
  
##### 4) Responsibility Gap (책임)  
  
* 실패하면 결론이 이렇다:  
  
  * “수학은 맞음. 니 환경 문제”  
* 갭의 책임이 다운스트림으로 내려온다  
  → 결국 **논문 읽고 추천한 사람**에게 불똥이 튄다.  
* 장애/감사 들어오면 “우리가 만든 시스템”이 된다  
  
---  
  
#### 구조적 한계 2개: DIY를 포기하게 만드는 원인  
  
##### A) Paper Explosion = Noise Tax  
  
논문이 늘수록 **선별 비용이 폭증**한다.  
  
* 더 읽는데 제품은 덜 안정됨  
* SOTA를 쫓을수록 운영성이 내려감  
* “지식 풍요”가 아니라 “선택 비용”이다  
  
  
##### B) 자본의 방향 변화: ‘논문’ → ‘운영’  
  
돈이 “새 레시피”보다 **운영 가능한 패키지**로 이동한다.  
투자 질문이 바뀌었다.  
  
* 데모냐, 운영이냐  
* 비용/지연/관측/감사 되냐  
  
운영 리스크는 보통 이 3개로 귀결된다:  
  
* **비용 리스크**: PoC는 되는데 운영에서 터짐  
* **신뢰 리스크**: 근거/출처 깨지면 답이 그럴싸해도 위험함  
* **책임 리스크**: 장애나 감사 오면 우리 책임이 됨  
  
---  
  
### 2026 가장 강한 신호: Packaging  
  
**AI Meal Kit = Ready-to-deploy + 실패 책임 경계가 있는 배포 단위**  
  
즉, 2026의 결론은 이거다:  
  
> **Packaging beats ingenuity.**  
  
  
  
#### 4가지 시장 시그널  
  
##### Signal #1) NVIDIA NIMs  
  
* 모델 설정/의존성/최적화가 **컨테이너로 고정**  
* 툴체인 추측이 줄어듦  
* 비밀 양념이 들어가 있음.  
* 메시지: **“Tune less. Run more.”**  
  
  
##### Signal #2) SLMs  
  
* “주방에 맞춘 레시피”가 늘어남  
* 로컬/엣지 운영 가능성이 올라감  
* 방향성: **bounded / predictable / cheaper to operate**  
  
  
##### Signal #3) AI in a Box  
  
* 서버가 “부품”이 아니라 “완제품”으로 팔림  
* RAG/보안/기본 설정 포함  
* 효과: **누가 갭을 책임지는지 경계가 생김**  
  
  
##### Signal #4) Ollama / LM Studio  
  
* 환경설정 난이도 급감  
* 운영자가 늘어남  
* 운영자가 늘면 시장은 항상 이렇게 된다: **표준화가 빨라짐**  
  
---  
  
##### 실무 관점: 바로 보는 지표  
  
* **Compute Fit**: 목표 성능이 “우리 GPU/VRAM”에서 재현됨?  
* **Data Fit**: 입력 데이터가 “구조/근거/출처” 유지됨?  
* **Hidden Salt**: 재현에 필요한 스크립트/프롬프트/튜닝 값이 버전 고정됨?  
* **Owner**: 실패했을 때 책임 표면이 어디임? (우리? 벤더? 패키지?)  
* **Ops**: 관측(로그/메트릭), 롤백, 비용 상한, 감사가 설계에 들어있음?  
  
---  
  
#### 결론  
  
2026은 “더 똑똑한 모델”보다  
**“덜 터지는 배포 단위”** 가 이긴다.  
  
논문은 계속 나오지만, 시장은 **포장된 지능**을 산다.  
팀도 선택해야 한다.  
  
* 레시피 구현을 계속할지  
* 밀키트 수준으로 패키징/운영할지  
  
##### One-liner  
  
> **“논문은 아이디어를 팔고, 시장은 운영을 산다.”**

## Comments



### Comment 49552

- Author: cgl00
- Created: 2026-01-20T21:04:50+09:00
- Points: 1

근데 비즈니스에서 논문 보고 직접 구현해서 쓰는 사례가 원래는 있었나요..?

### Comment 49558

- Author: flamehaven01
- Created: 2026-01-21T01:18:57+09:00
- Points: 1
- Parent comment: 49552
- Depth: 1

있습니다. 다만 대부분은 논문 보고 0부터 만들기보단, 오픈소스 레퍼런스 구현을 타고 들어가는 경우가 많더라고요.  
요즘 AI 쪽은 핫한 논문 뜨면 POC도 우수수 올라오는데, 막상 프로덕션에선 데이터/인프라/튜닝 때문에 “돌긴 도는데 기대한 맛”이 안 나는 경우가 많은 것 같습니다.  
그래서 요즘은 vLLM, Ollama 같은 패키징된 스택 등으로 몰리는 느낌입니다.