연구의 단위는 더 이상 사람이 아니다
이번 주 스토리 네 건을 읽다 보면, 한 방향으로 모이는 것이 보입니다. 연구 노동이 비인간 인력에게 넘어가는 추세이기 때문입니다.
가장 단단한 증거 두 건부터 짚어 보겠습니다. 목요일, Mirendil은 연구 플랫폼 Lor가 수백 개의 자율 에이전트를 조정해 AI 코딩 모델을 1,000만 달러 미만으로 사전학습한다고 알렸습니다. 바로 그 수요일에는, Claude AI 모델을 쓰는 연구진이 공공 우주 아카이브에서 두 번째 잠재적 왜성행성 후보를 찾아냈습니다.
한편 안전 우려로 Anthropic을 떠난 사전학습 연구자는 복귀를 다시 검토하고 있고 ByteDance의 영상 모델은 제3자 플랫폼을 타고 퍼지고 있습니다. 이 네 가지의 공통지는 AI가 더 똑똑해졌다는 사실이 아닙니다. 누가 일을 하고, 얼마를 쓰느냐의 문제인데요. 이번 주는 그 질문의 답이 눈에 보이도록 바뀌었습니다. AI를 도구로 쓰던 시절을 지나, AI 인력 단위로 조직을 짜야 하는 시대의 문턱에 선 셈입니다. 영수증을 하나씩 펼쳐 보겠습니다.
1,000만 달러, 연구소 없이
Mirendil 발표의 구조부터 보겠습니다.
Lor는 연구 플랫폼이고 그 작동 방식은 조정입니다. 수백 개의 자율 AI 에이전트가 소프트웨어를 쓰고 과학 실험을 하고 병렬로 일합니다. 그리고 신규 Lor 플랫폼은 발표에 따라 AI 코딩 모델을 1,000만 달러 미만으로 사전학습합니다.
사전학습이란, 모델을 처음부터 학습시켜 기초 체력을 붙이는 단계입니다. 파인튜닝이 아닌, 그 이전의 가장 무거운 일입니다. 과거엔 거대 자본과 대규모 컴퓨트를 전제하는 소수의 영역이었고, 그 구조에서 희소 투입물은 인재와 컴퓨트였습니다. 그런데 실행층을 에이전트 플릿이 맡으면, 희소가 ‘플릿을 조율하고 산출물을 검증하는 능력’ 쪽으로 이동합니다.
여기서 ‘조정’이 핵심 단어입니다. 수백 개의 에이전트가 제각기 일하는 게 아니라, 하나의 플랫폼이 임무를 배정하고 결과를 취합하는 구조입니다. 연구가 프로젝트 관리의 대상이 된 순간이라고 해도 과장이 아닙니다.
검증은 따로 봐야 합니다. 실행층이 에이전트로 넘어갈수록, 사람의 역할은 ‘산출물이 맞는가’를 판정하는 쪽으로 수렴합니다. 그리고 이 판정이 병목이 됩니다. 수백 개의 에이전트가 유용한 일을 하고 있는지, 현장을 걸어 다니며 알 수는 없기 때문이죠. 로그와 지표와 표본 검사로 가시화되어야 비로소 아는 겁니다. 그래서 이번 주 뉴스에서는 ‘조율’과 ‘검증’이 한 역량으로 묶여 평가받고 있습니다.
숫자 자체가 신호이긴 하지만 더 깊은 신호는 파이프라인의 위치입니다. 이 구조가 Mirendil 밖에서 조금이라도 재현된다면, 모델 산업의 비용 기준선이 조용히 흔들릴 텐데요. 사전학습이 이사회 테이블에 오르는 대형 투자가 아닌, 팀이 운영 차원에서 가결할 프로젝트가 되는 셈입니다. 결정자의 층이 달라지는 변화입니다. 비용 기준선이 흔들린다는 말은, 모델 하나를 만드는 비용이 아닌 연구 조직 자체의 비용 구조가 바뀐다는 뜻이기도 합니다.
산출물이 왜성행성인 주
두 번째 영수증은 과학 쪽에서 떴습니다.
수요일, Will DePue와 연구진이 공공 우주 아카이브에서 두 번째 잠재적 왜성행성 후보를 찾아냈습니다. 입력은 NASA 등 공공 아카이브에 이미 저장돼 있던 망원경 영상입니다. 새로운 관측도, 전용 망원경 시간도 아닙니다. 기존 아카이브를 Claude라는 모델 위에 돌려 놓은 분석 워크플로 하나, 그뿐입니다.
데이터는 이미 존재했고 관측은 이미 끝났고 새로 쓴 것은 분석 워크플로뿐입니다. 재처리인데, 산출물은 발견입니다. 이렇게 되면 ‘한 번의 발견’은 재현 가능한 공정이 됩니다.
여기에 두 번째 함의가 붙습니다. 연구의 비용이 장비의 비용과 분리되기 시작한다는 점인데요. 기존 과학에서는 발견 하나를 위해 관측 시간을 확보하는 것 자체가 막대한 비용이었습니다. 그런데 분석층을 모델이 맡으면 남는 비용은 아카이브를 한 바퀴 돌리는 것입니다. 아카이브는 공개되어 있고 한 바퀴 도는 비용은 어느 조직이든 감당할 수준입니다.
눈에 띄는 것은 산출물의 형태인가. 에이전트 노동의 출력은 이제 제품도, 서비스도, 논문도 아닐 수 있습니다. 우주의 천체일 수도 있는 것이죠. 그리고 ‘두 번째’라는 표현에는 의미가 있습니다. 이 방식이 반복 가능하다는 뜻이니까요. 한 번 찾으면 다음을 찾고 아카이브 자체가 생산 라인이 되는 것이다. 플릿의 규모가 클수록, 이 판정 단계의 성패가 곧 산출물의 성패를 좌우하는 구조입니다.
연구진이 목표만 정하고 에이전트가 돌리고 사람이 검증합니다. 목표 설정, 실행, 검증이라는 세 층은 사실 오래전부터 조용히 분리돼 왔습니다. 다만 이번 주는, 실행층이 AI로 넘어가는 속도가 확 달라졌다는 점입니다.
사람은 그 사이에서
인간의 이야기는 반대 방향으로 돌아갑니다.
사전학습 연구자 Jacob Coxon은 안전 우려를 이유로 Anthropic에서 화제가 될 만큼 큰 파장을 남기며 떠났습니다. 이번 주, 그 결정을 다시 검토하고 AI 연구로 복귀할 수 있다는 보도가 나왔습니다. 복귀가 확정된 건지는 아직 확인되지 않았습니다. 어쨌든 지금 고르는 것은 단순한 직장 하나가 아닙니다. 사전학습이라는 일의 중심에 다시 설 것인지, 그것이 지금의 질문입니다.
이번 사건은 인사이동 뉴스로 읽기보다, 산업 중력의 신호로 보는 편이 정확합니다. 이탈의 사유는 안전 문제였고 임금이나 헤드카운트 문제가 아니었습니다. 그럼에도 복귀를 다시 생각하는 사실은, 연구 현장이 사람을 끌어당기는 힘이 여전히 크다는 뜻입니다.
기업 관점에서는 여기서 한 걸음 더 가 볼 수 있습니다. 인재 한 명을 데려오는 것과, 수행 능력 하나를 갖추는 것은 다른 일이라는 점인데요. 사전학습을 해낼 수 있는 조직과 그렇지 못한 조직을 가르는 기준이 더 이상 헤드카운트만은 아닐 수 있습니다.
말을 바꿔 보면, 기업에게 던져지는 질문의 순서가 바뀝니다. ‘할 수 있는 인재를 보유했는가’에서, ‘그 인력이 해낸 일을 재현할 수 있는가’로요. 실행층이 플릿인 구조에서는, 이 두 번째 질문에 대한 답은 헤드카운트가 아닌 조율 능력에서 나옵니다.
그런데 대비가 있습니다. 코프슨이 남긴 사전학습이라는 노동은, 이제 에이전트 플릿이 1,000만 달러 미만으로 생산하는 쪽으로 이동하고 있습니다. 인간 인력의 가치는 플릿이 아직 넘지 못하는 선에서 응축되는데요. 목표 설정과 안전 경계, 그리고 검증, 그쪽입니다. 안전 경계는 여기서 단순한 수식어가 아닌 셈입니다. 코프슨의 이탈 사유가 안전이었기에, 경계를 그리는 사람의 위치가 한층 중요해진 것입니다. 연구자의 흔들림과 에이전트의 노동은, 같은 동전의 두 면입니다.
모델도 플릿을 타고 퍼진다
마지막 영수증은 유통입니다.
11월 15일, ByteDance의 영상 생성 모델 Seedance 2.5 Flash의 확장 배포가 시작됐습니다. fal 플랫폼과 ModelArk를 통해서 제공되는 구조인데요. 빅테크의 프론티어 영상 모델조차 이제 제3자 서비스 플릿을 통해 사용자에게 닿는 셈입니다.
모델이 자사 안에 머물던 시절과, 여러 플랫폼을 통해 흐르는 시절은 기업의 선택권이 완전히 달라집니다. 어떤 모델로, 어떤 경로로, 어떤 비용으로 돌릴지가 운영 판단의 대상이 되는데요. Seedance 2.5 Flash가 fal과 ModelArk를 통해 흐른다는 사실만으로도, ‘어떤 모델을 쓸 것인가’는 주 단위로 바뀌는 판단이 됩니다. 그래서 유통 뉴스까지 ‘연구의 단위’ 이야기 안에 끼워 넣었습니다. 모델이 도착하는 경로가 곧 플릿을 조립하는 방식이기 때문. 이번 주 다이제스트를 한 줄로 압축하면, 같은 이야기를 세 각도에서 한 것입니다. 생산은 Lor가 하고 발견은 왜성행성이 하고 유통은 Seedance가 합니다.
일을 하는 단위와 그것을 실어 나르는 경로, 둘 다 ‘플릿’으로 재편되는 중입니다. 그 플릿 속에서 인간 연구자의 위치는 사라지는 게 아니라 응축되고 있죠. 이 때문에 이번 주는 AI 업계 뉴스보다, 조직도 뉴스처럼 읽힙니다.
플릿이 단위라면, 경계는
이 지점부터는 업무용 렌즈를 쓰겠습니다. 이 플릿은 결국 기업 안에서 돌아가야 하기 때문이죠.
수백 개의 자율 에이전트가 소프트웨어를 쓰고 실험을 돌린다는 사실은, 그 플릿을 수용하는 조직에게는 가장 어려운 거버넌스 문제입니다. 어떤 에이전트가 어떤 도구를, 어떤 정책 아래에서, 어떤 모델로 만져야 하는가. 이것은 일이 시작되기 전에 답이 있어야 하는 질문입니다.
Mirendil의 사례를 기업에 대입해 보면 더 선명해지는데요. 실행은 격리된 공간에서 일어나야 하고 허용되는 행동은 정책으로 명시돼야 하며 나중에 결과를 설명할 기록이 남아 있어야 합니다. 자율도가 높은 에이전트일수록 이 세 가지가 약하기 때문.
그리고 플릿이 부르는 모델은 하나보다 많습니다. 사전학습을 돕는 작업, 실험을 돌리는 작업, 문서를 정리하는 작업은 각기 다른 모델이 적절하고 호출당 비용도 다릅니다. ‘언제 어떤 모델로 부를 것인가’는 거버넌스의 일부가 되는 지점입니다.
DePue 사례는 또 다른 섬세한 문제를 보여 줍니다. 입력 데이터가 어디에 놓여 있느냐는 것입니다. 이번엔 공공 아카이브라 문제가 없었습니다. 그런데 기업의 비공개 데이터가 플릿의 입력이 되는 순간, 분석을 어디서 돌리느냐는 데이터 주권 문제로 바뀝니다. 모델이 있는 곳과 데이터가 있는 곳은 별개의 것이며, 이제는 둘이 갈라질 수 있는 문제입니다.
1,000만 달러 미만이라는 말은 비용 문제의 다른 얼굴이기도 합니다. 작업별로 모델을 고르는 플릿은 기준선을 지킬 수 있고, 그렇지 않은 플릿은 그 기준선을 순식간에 희석시킵니다. 비용 통제가 안전과 나란한 일급 요구조건이 된 지점입니다.
바로 이 지점에 ThakiCloud의 Paxis가 맞물립니다. Paxis는 Agent-Native Cloud로, v1.1을 정식 제품으로 내놓은 상태입니다. Skills, Tools, Policies, Audit Logs가 일급 리소스이고 자율도는 L0부터 L3까지 단계로 관리됩니다. 에이전트가 행동하기 전에 정책 게이트가 확인하고 모든 움직임이 감사 로그에 남습니다. 실행은 격리 샌드박스 안에서 이루어지며 CostRouter가 작업별로 모델을 골라냅니다. MCP 커넥터와 스킬 마켓으로 외부 도구도 플릿에 연결하고, 소버린과 온프렘 K8s 배포도 지원합니다.
Lor의 ‘조정’, DePue의 ‘검증’, 코프슨의 ‘안전 경계’. 이 세 가지를 하나의 운영 체계로 묶는 것은 결국 조직의 선택입니다. 연구는 플릿에게 넘어가고 있습니다. 그게 이번 주의 신호입니다. 기업에 남은 과제는 하나뿐인데요. 그 플릿을, 누구의 경계 안에서 돌릴 것인가.
참고 자료
이 글은 아래 뉴스를 종합해 작성했습니다.
- HuggingNews, Mirendil’s New Lor Platform Pretrains AI Coding Model for Less Than $10M
- HuggingNews, Will DePue Finds Second Potential Dwarf Planet in Public Space Archive
- HuggingNews, Jacob Coxon May Return to AI Research Following Viral Departure From Anthropic
- HuggingNews, ByteDance Launches Seedance 2.5 Flash Video AI on fal and ModelArk Platforms