- 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
- 계약서 검토나 논거 작성 같은 프롬프트
- 법률 데이터룸 같은 실제 관련 환경
- 기업 변호사 에이전트 평가표와 같은 기준에 따른 결과 검증
- 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