소식

MMLU 91.2점. HellaSwag 95.3점. 신규 AI 모델 발표 자료에 이런 숫자들이 쭉 나열되면 뭔가 대단해 보인다. 근데 막상 실무에 붙여보면 어딘가 어색하고, 기대와 다르다는 느낌이 든다. 리더보드 1위 모델이 왜 우리 팀 업무에서는 맥을 못 출까. 이 괴리, 생각보다 흔한 문제다.

벤치마크가 뭔지부터 짚고 가자

AI 벤치마크는 모델 성능을 수치로 비교하기 위한 표준화 시험 세트다. ‘AI계의 수능’이라고 보면 된다. 개발자들은 이 점수로 모델의 강점과 약점을 파악하고, 사용자들은 어떤 모델이 더 나은지 가늠한다. 대표적인 게 방대한 주제에 걸쳐 4지선다 문제를 푸는 MMLU(Massive Multitask Language Understanding)고, 코딩 능력을 재는 HumanEval도 많이 쓰인다.

문제는 AI가 이 시험에 너무 익숙해지고 있다는 거다. 일부 모델은 벤치마크 데이터셋으로 직접 훈련되는 ‘오염(contamination)’ 문제에 빠진다. 정답을 미리 외우고 시험장에 들어가는 셈이니 점수가 높게 나오는 건 당연하다. MIT 테크놀로지 리뷰 보도를 보면 이 문제가 꽤 심각하게 지적되는데, 결국 이건 AI의 진짜 문제 해결 능력이 아니라 특정 시험 유형에 대한 패턴 매칭 능력만 드러내는 거다.

시험은 잘 보는데 실무는 왜 못 할까

현재 벤치마크 대부분은 명확한 정답이 있는 단일 과제 평가에 맞춰져 있다. 수학 문제 풀기, 코드 완성, 4지선다. 깔끔하다. 근데 실제 업무는 전혀 그렇지 않다.

• 맥락의 부재: 고객 불만 이메일에 답장하는 일을 생각해 보자. 단순히 글 쓰는 능력만 필요한 게 아니다. 고객 감정 읽기, 이전 상담 이력 파악, 회사 정책 반영까지 한꺼번에 처리해야 한다. 벤치마크는 이런 총체적인 맥락 이해를 측정하지 못한다.
• 다단계 추론의 한계: ‘A 보고서 요약하고, B 데이터 참고해서 비판적 시각의 보고서 쓰고, C 형식 이메일 초안 만들어줘’ 같은 요청은 각 단계를 따로 보면 잘 해낼 수 있어도, 전체 흐름을 유기적으로 연결하는 건 또 다른 문제다.
• 창의성과 모호함: 새 마케팅 슬로건을 만들거나 디자인 시안에 추상적인 피드백을 주는 일은 정답 자체가 없다. 벤치마크 점수로는 이 영역을 절대 알 수 없다.

벤치마크 점수는 모델의 ‘기초 체력’을 보여주는 참고 자료다. 실제 프로젝트에서의 실전 능력까지 보장하지는 않는다.

그럼 뭘 봐야 하나: 실용적인 평가 기준 3가지

리더보드 순위에서 한 발 떼고, 실제로 따져야 할 기준을 세워야 한다. 특정 모델을 도입하기 전에 아래 3가지는 꼭 확인하자.

1. 작업 관련성 (Task Relevance): 법률 문서 검토, 소스코드 버그 찾기처럼 우리 회사가 해결하려는 구체적인 문제에서의 성능이 핵심이다. 범용 지식 테스트 점수가 아무리 높아도, 우리 도메인에서 엉뚱한 답을 내놓으면 아무 소용 없다.

2. 비용 효율성 (Cost-Effectiveness): 모델 성능은 API 호출 비용, 응답 속도(latency)와 직결된다. 성능이 10% 나은 모델 쓰려고 비용이 2배 되면 합리적인 선택이 아닐 수 있다. 대규모 사용자 대상 서비스라면 응답 속도는 결정적인 변수다.

3. 안전성 및 신뢰성 (Safety & Reliability): 일관성 있는 답변을 내놓는지, 사실이 아닌 내용을 그럴듯하게 지어내는 ‘환각(Hallucination)’ 현상이 얼마나 잦은지 반드시 확인해야 한다. 유해하거나 편향된 결과물을 막는 안전장치도 평가 항목에 넣어야 한다.

자체 벤치마크 만들기: 이게 제일 확실하다

외부 벤치마크 대신 ‘자체 벤치마크’를 만드는 것. 번거롭지만 이게 가장 확실한 방법이다.

1. 핵심 과제 정의: AI로 해결하고 싶은 업무 3~5가지를 구체적으로 정한다. ‘고객 문의 이메일 3줄 요약’, ‘제품 설명서 초안 작성’ 같은 식으로. 추상적으로 잡으면 나중에 평가 기준이 흔들린다.
2. 테스트 데이터셋 구축: 실제 업무 데이터 50~100개를 샘플로 준비한다. 실제 고객 이메일, 내부 보고서가 가장 좋은 시험 문제다. 공개 데이터셋을 쓰면 오염 문제를 피하기 어렵다.
3. 블라인드 테스트 진행: GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro 같은 후보 모델들에게 동일한 데이터로 과제를 수행하게 한다. 어떤 모델이 어떤 결과를 냈는지 모르는 상태에서 평가해야 선입견을 걷어낼 수 있다.
4. 정성적 평가: ‘성공/실패’ 이분법 말고, ‘결과 만족도’, ‘업무 효율 기여도’, ‘수정 필요 정도’ 등 다각도로 점수를 매긴다. 실제 그 업무를 담당하는 팀원이 직접 평가에 참여하는 게 핵심이다.

이 과정을 거치면 투자수익률(ROI)이 가장 높은 모델을 찾아낼 수 있다. 시간이 걸려도 이 과정은 건너뛰면 안 된다.

다음 평가 기준은 ‘협업 능력’이 될 것

AI 평가의 방향이 서서히 바뀌고 있다. ‘인간을 이기는 기계’에서 ‘인간을 돕는 동료’로. 모호한 지시를 받았을 때 부정확한 답을 바로 내놓기보다, 명확한 질문을 되묻는 능력. 사용자의 실수를 보완하고 여러 대안을 제시하며 더 나은 결과를 유도하는 협업 능력. 이게 새로운 잣대가 될 거다.

단순히 코드를 짜주는 AI보다, 코드의 잠재적 문제를 지적하고 더 효율적인 구조를 제안하는 AI가 실제 팀에서 훨씬 쓸모 있다. 이건 벤치마크 점수에 잡히지 않는다.

최고의 AI는 없다. 최적의 AI만 있다

AI 모델 성능 벤치마크는 출발점으로는 유용하다. 하지만 그 숫자가 전부가 아니다. 리더보드 1위라는 숫자에 눌려 정작 우리에게 필요한 게 뭔지 놓치면 안 된다.

벤치마크는 참고하되, 우리 문제와 우리 데이터로 직접 테스트하는 과정이 있어야 한다. 결국 절대적인 최고의 AI는 없다. 우리 팀의 문제를 가장 잘 해결해주는 ‘최적의 AI’가 있을 뿐이다. 그 모델을 찾는 데 공을 들이는 것, 그게 AI 도입의 진짜 첫걸음이다.

출처: MIT Tech Review AI

GPT-4 하나 훈련하는 데 핵발전소 하나 분량의 전력이 들어갔다는 추산이 있다. 과장처럼 들리지만, AI 연산 수요가 커질수록 데이터센터 전력 소비는 그보다 빠른 속도로 불어난다. 문제는 전기만이 아니다. 서버에서 나오는 열을 식히는 데도 전기가 또 들어간다. 지구는 뜨거워지는데, 그 지구를 더 달구면서 AI를 굴려야 하는 상황. 묘하게 아이러니하다.

이 상황에서 진지하게 검토되는 아이디어가 있다. 데이터센터를 통째로 우주로 쏘아 올리자는 것.

데이터센터가 왜 우주로 가야 할까?

핵심은 에너지와 냉각이다. 지구 데이터센터 전력 소비의 40%가 서버를 돌리는 게 아니라 서버를 식히는 데 쓰인다. 그러니 대형 데이터센터들이 핀란드나 아이슬란드처럼 추운 지역에 짓고, 강이나 바다 옆에 붙는 게 다 이유가 있다. AI 연산량이 지금 속도로 폭증하면, 이것도 언젠간 버티기 어렵다. 솔직히 시간문제다.

우주는 그 문제를 근본부터 다르게 접근한다. 열을 가두는 대기가 없다. 우주 공간의 배경 온도는 섭씨 영하 270도. 복사 방열만으로 서버 온도를 잡는다. 냉각 전용 전기가 사실상 0에 수렴한다.

우주 데이터센터의 3가지 핵심 장점

장점을 정리하면 이렇다.

• 냉각 비용 제로: 우주의 진공과 섭씨 영하 270도 환경은 그 자체로 거대한 방열판이다. 지구에서 총 전력의 40%가 냉각에 투입되는 걸 감안하면, 이 하나만으로 운영 비용 구조가 완전히 달라진다.
• 24시간 태양 에너지: 지구 궤도에는 구름도, 밤도 없다. 태양광 패널이 멈추지 않는다. 화석 연료 없이 안정적인 전력 공급이 가능하다. 지구 발전소 의존도를 없앨 수 있는 셈이다.
• 물리적 보안과 안정성: 지진, 해일, 테러 같은 지구의 물리적 위협에서 완전히 분리된다. 특정 국가의 법 집행이나 규제에서도 상대적으로 자유롭다. 데이터 주권을 중요하게 여기는 기업이나 국가한테는 꽤 매력적인 포인트다.

아직은 SF, 넘어야 할 4가지 기술 장벽

장점만 보면 당장이라도 쏘아 올려야 할 것 같다. 그런데 MIT 테크놀로지 리뷰가 짚었듯이, 현실은 훨씬 복잡하다.

1. 발사 비용과 무게: 스페이스X 덕에 발사 단가가 많이 내려왔다고는 하지만, 수십 톤짜리 서버 랙과 전력 장비를 궤도에 올리는 건 차원이 다른 얘기다. 아직 킬로그램당 발사 비용이 충분히 싸지 않았다.
2. 우주 방사선 문제: 지구 자기장은 우주에서 날아오는 방사선을 막아준다. 궤도에 올라가면 그 보호막이 없다. 방사선은 반도체에 비트 플립 오류를 일으키거나 칩 자체를 영구 손상시킨다. 이를 버티는 ‘방사선 경화’ 부품은 일반 서버 장비보다 훨씬 비싸고 무겁다.
3. 유지보수와 수리: 하드드라이브 하나 고장났다고 우주비행사를 보낼 수는 없다. 모든 교체와 수리는 원격으로, 또는 로봇으로 처리 가능하도록 설계되어야 한다. 완전히 새로운 모듈형 하드웨어와 자율 로봇 시스템이 전제되어야 한다는 뜻이다.
4. 데이터 전송 지연(Latency): 빛의 속도는 유한하다. 지구와 궤도 사이의 거리가 미세한 지연을 만든다. 실시간 게임이나 초단타 주식 거래처럼 밀리초 단위가 생명인 서비스엔 치명적이다. 여기서 갈린다 — 우주 데이터센터가 모든 서비스를 담당하긴 어렵다.

그래서 누가 이걸 추진하고 있나?

이런 장벽에도 이미 움직이는 곳들이 있다. 스페이스X는 미 연방통신위원회(FCC)에 위성 데이터센터 구축 관련 신청서를 제출한 것으로 알려졌다. 스타링크와 연계해 시너지를 만들려는 그림으로 보인다. 아마존 웹 서비스(AWS)는 이미 ‘AWS 그라운드 스테이션’을 통해 위성 데이터를 직접 클라우드로 연결하는 서비스를 운영 중이다. 우주와의 접점을 이미 넓혀놓은 셈이다.

실제로 서버를 궤도에 올린 곳은 아직 없다. 그래도 이 주제를 다루는 엔지니어링 논문과 특허 출원 수가 5년 전과 비교해 눈에 띄게 늘었다. 진지한 검토가 시작됐다는 신호다.

결국 우리한테 무슨 의미냐

우주 데이터센터는 인터넷 속도를 당장 빠르게 만들어주는 기술이 아니다. AI처럼 거대 규모의 연산을 지구 환경 부담 없이 처리하기 위한, 말하자면 인류의 다음 인프라 단계에 가깝다.

냉각에 쓰이는 담수 자원을 아끼고, 화석 연료 발전소 의존도를 낮추고, 데이터 주권을 두고 벌어지는 국가 간 갈등에서 한발 비켜설 중립 지대를 확보하는 것. 이 세 가지가 우주 데이터센터가 품은 잠재력이다. 과제는 여전히 산더미지만, 컴퓨팅의 물리적 한계가 지구 밖에서 해소될 여지가 생긴다는 가능성은 점점 현실에 가까워지고 있다.

출처: MIT Tech Review AI

기름값이 오르면, 시차를 두고 마트 물가가 따라 오른다. 단순한 느낌이 아니다. 과자 봉지, 배달 용기, 자동차 범퍼까지 — 플라스틱이 들어가는 모든 것이 유가와 한 몸처럼 움직이는 데는 명확한 이유가 있다.

원유에서 플라스틱이 나오는 구조

플라스틱의 출발점은 원유(Crude Oil)다. 우리가 차에 넣는 휘발유랑 같은 데서 나온다. 원유를 정제탑에 넣고 끓이면 끓는점에 따라 여러 물질로 분리되는데, 이때 추출되는 게 나프타(Naphtha)다. 석유화학 업계에서 나프타를 ‘쌀’이라고 부른다. 이게 없으면 플라스틱 자체를 못 만든다.

구조가 이렇다 보니 원유 가격이 오르면 나프타 가격도 오르고, 나프타 가격이 오르면 플라스틱 가격이 오른다. 단계는 세 개지만 사실상 연동이다. 중간에 완충장치 같은 건 없다.

레고 블록처럼 이어 붙이는 제조 공정

나프타에서 플라스틱까지 가는 과정은 이렇다.

1. 나프타 분해: 뜨거운 증기로 나프타를 분해하면 에틸렌, 프로필렌 같은 작은 분자(모노머)들이 생긴다. 레고 블록 낱개 하나라고 보면 된다.
2. 중합 반응(Polymerization): 이 블록들을 촉매로 수천수만 개 이어 붙인다. 에틸렌을 이으면 폴리에틸렌(PE), 프로필렌을 이으면 폴리프로필렌(PP). ‘폴리(Poly)’가 ‘많다’는 뜻이니 이름 자체가 설명이다.
3. 펠릿(Pellet) 생산: 완성된 플라스틱을 쌀알 크기로 자른 게 펠릿이다. 음료수병 공장, 자동차 부품 공장, 과자 봉지 공장에 팔려나가 최종 제품이 된다.

이 공정 전체가 에너지 집약적이라서 공장을 돌리는 전기와 연료비도 유가 영향을 받는다. 원재료비에 에너지 비용까지 같이 오르는 이중고다. 플라스틱 제조사 입장에서는 유가 오를 때 버티기가 꽤 힘든 구조다.

원가의 60~80%가 기름값

플라스틱 제조 원가에서 나프타가 차지하는 비중은 60~80%다. 절반이 넘는 정도가 아니라 거의 대부분이다. 이 수치 하나로 유가 변동이 왜 플라스틱 가격을 직격하는지 바로 납득이 간다.

국제 유가가 10% 오르면 나프타도 거의 그만큼 뛴다. 그러면 플라스틱 제조사가 펠릿 가격을 올리고, 펠릿을 사는 기업들이 다시 제품 가격을 올린다. 도미노가 아니라 연쇄 폭발에 가깝다. 기름값 인상이 식료품, 배달 용기, 가전 케이스 가격으로 번지는 핵심 경로가 여기다.

플라스틱이 숨어 있는 곳들

비닐봉투나 페트병 정도만 떠올린다면 범위를 너무 좁게 본 거다. 실제로는 훨씬 촘촘하게 박혀 있다.

• 포장재: 과자 봉지, 라면 봉지, 음료수병, 샴푸통, 배달 음식 용기
• 자동차: 범퍼, 대시보드, 도어 트림 등 내장재 상당 부분
• 가전제품: TV·모니터 케이스, 세탁기 내부 부품, 냉장고 선반
• 건축자재: PVC 파이프, 바닥재, 창틀
• 의류·섬유: 폴리에스터, 나일론, 아크릴 등 합성섬유 원료

이 정도면 플라스틱 가격 상승은 특정 산업 문제가 아니다. 소비재 전반의 가격 압력으로 직결된다.

대안은 있나 — 바이오 플라스틱과 재활용의 현실

석유 의존도를 낮추려는 시도는 계속되고 있다. 옥수수나 사탕수수 같은 식물성 원료로 만드는 바이오 플라스틱이 대표적이다. 탄소 배출을 줄인다는 장점은 분명하다. 근데 생산 단가가 비싸고 대량 생산 체계가 아직 부족해서 전체 플라스틱 시장에서 비중은 미미하다. 솔직히 가장 아쉬운 부분이다.

재활용도 중요한 대안이다. 최근 AI 기반 로봇이 폐기물을 종류별로 분류해 재활용 효율을 높이는 기술이 나오고 있긴 하다. 문제는 이물질이 섞이거나 여러 재질이 합쳐진 플라스틱은 재활용이 여전히 어렵다는 것이다. 단기간에 석유 기반 플라스틱을 대체하기가 쉽지 않은 상황이다.

유가는 생활 물가의 선행지표

유가와 플라스틱 가격이 같이 움직이는 건 우연이 아니다. 원유 → 나프타 → 플라스틱으로 이어지는 생산 구조가 그렇게 만들어져 있다. 원유는 플라스틱의 할아버지 격이다.

중동 분쟁이나 산유국 감산 결정 같은 지정학적 이슈가 국제 유가를 밀어 올리면, 그 파동은 시차를 두고 우리 집 식탁과 거실까지 온다. 주유소 가격표의 숫자가 단순한 기름값이 아니라 앞으로 다가올 생활 물가 전반의 예고편처럼 느껴지는 이유가 여기 있다.

출처: MIT Tech Review AI

주유소에서 영수증 받고 한숨 쉰 다음, 며칠 뒤 마트에서 또 한숨 쉬는 패턴. 과자 봉지, 배달 용기, 생수병 가격이 슬쩍 올라 있는 걸 느낄 때 말이다. 기분 탓이 아니다. 주유소 기름값과 마트 포장재 가격은 생각보다 훨씬 촘촘하게 묶여 있다.

많은 사람이 석유를 자동차 연료나 난방용으로만 생각하는데, 석유는 사실 현대 산업의 ‘쌀’에 가깝다. 매일 손에 잡히는 플라스틱 제품 대부분이 석유에서 시작되기 때문이다. 이 연결고리를 한번 알고 나면, 물가가 왜 같이 움직이는지가 자연스럽게 보인다.

모든 건 ‘나프타(Naphtha)’에서 시작된다

핵심은 ‘나프타(Naphtha)’다. 낯선 이름이지만 석유화학 산업의 심장 같은 물질이다. 원유를 정제하면 휘발유, 경유, 등유 등이 나오는데, 이 과정에서 나프타도 함께 뽑힌다.

나프타는 쉽게 말해 ‘플라스틱의 원액’이다. 정유사가 원유를 끓여서 나프타를 분리한 뒤, 석유화학 회사에 넘긴다. 그 회사에서 다시 가공해 우리가 아는 플라스틱 기본 재료들을 만드는 거다. 원재료인 원유 값이 오르면 나프타 값도 따라 오를 수밖에 없는 구조다. 단순하지만 피할 수 없는 흐름이다.

원유에서 플라스틱까지, 공정 3단계

복잡한 화학 공식을 다 알 필요는 없다. 3단계만 이해하면 충분하다.

• 1단계 (정제): 거대한 정제탑에서 원유를 끓여 성분별로 분리한다. 이 과정에서 플라스틱의 씨앗인 ‘나프타’가 추출된다.
• 2단계 (분해): 석유화학 공장에서 나프타에 높은 열을 가해 더 작은 단위로 쪼갠다. 이때 에틸렌(Ethylene), 프로필렌(Propylene) 같은 핵심 재료가 만들어진다.
• 3단계 (중합): 이 작은 분자들을 길게 이어 붙여 폴리에틸렌, 폴리프로필렌 같은 플라스틱을 완성한다. 이 알갱이(Pellet)가 공장으로 팔려나가 페트병, 비닐, 자동차 부품으로 재탄생한다.

출발점이 원유다. 국제 유가가 흔들리면 최종 제품인 플라스틱 가격까지 번지는 건 당연한 흐름이다.

유가 10% 오르면 제품 가격은 얼마나?

유가가 10% 올랐다고 플라스틱 제품 값이 딱 10% 오르는 건 아니다. 최종 가격에는 가공비, 인건비, 물류비, 마케팅비가 모두 섞여 있으니까. 그래도 원재료비 비중이 작지 않아서, 유가 상승은 분명한 가격 인상 압박으로 작용한다.

MIT 테크 리뷰가 전한 바에 따르면, 화석연료 가격 급등이 플라스틱을 포함한 거의 모든 공산품 가격에 연쇄 파급 효과를 일으킨다고 경고했다. 자동차 내장재부터 스마트폰 케이스까지, 플라스틱 없는 제품을 찾기가 더 어려운 세상이다. 유가 상승의 여파가 좁지 않은 이유가 여기 있다.

플라스틱, 안 쓰는 데가 없다

플라스틱 가격 변화가 왜 생활에 중요하냐고? 쓰이지 않는 곳이 없어서다.

• 포장재: 과자 봉지, 음료수 페트병, 배달 음식 용기
• 가전제품: TV, 냉장고, 스마트폰의 외장 케이스와 내부 부품
• 자동차: 범퍼, 대시보드, 시트 등 내장재 상당 부분
• 의류: 폴리에스터, 나일론 같은 합성섬유의 원료
• 의료용품: 주사기, 수액 팩 등 일회용 의료기기

이 목록이 그대로 장바구니다. 플라스틱 값이 오른다는 건 생활 물가가 오른다는 말과 거의 같다.

바이오 플라스틱, 진짜 대안이 될까

석유 의존도를 줄이려는 흐름 속에서 ‘바이오 플라스틱’이 거론된다. 옥수수, 사탕수수 같은 식물에서 추출한 원료로 만들어 탄소 배출이 적고, 일부는 자연 분해도 된다. 여기까지만 들으면 꽤 그럴듯하다.

현실은 좀 다르다. 생산 단가가 석유 기반 플라스틱보다 비싸다. 모든 바이오 플라스틱이 자연에서 잘 썩는 것도 아니고, 경작지가 추가로 필요하다는 점에서 또 다른 환경 문제를 낳을 수 있다는 지적도 있다. 솔직히 여기서 갈린다 — 친환경 포장을 강조하면서 정작 원가 때문에 바꾸지 못하는 기업이 더 많다. 장기적인 대안으로는 여지가 있지만, 지금 당장 석유 플라스틱을 대체하기는 어렵다.

결국 주유소 영수증이 생활비 청구서다

플라스틱은 석유에서 추출한 ‘나프타’로 만든다. 국제 유가가 오르면 나프타 값이 오르고, 플라스틱 값이 오르고, 장바구니 부담이 커진다. 이 흐름은 단기간에 끊기 어렵다.

앞으로 유가가 어떻게 움직일지 예측하기는 어렵다. 다만 한 가지는 분명하다. 석유에 의존하는 한, 주유소 가격표는 단순한 연료비가 아니라 경제 전체의 온도계 역할을 한다. 기름값 영수증이 우리 집 생활비와 보이지 않는 끈으로 묶여 있는 셈이다.

출처: MIT Tech Review AI

‘AI 데이터 라벨링, 누구나 가능, 월 50만원 부수입.’ 부업 카페나 오픈채팅방에서 한 번쯤은 봤을 문구다. 인공지능을 직접 가르친다니 뭔가 대단해 보이는데, 막상 플랫폼에 가입해보면 진입 장벽은 생각보다 낮다. 근데 50만원씩 진짜 버는 사람이 있을까? 있긴 하다. 근데 조건이 붙는다.

데이터 라벨링, 정확히 어떤 일인가

한마디로, AI에게 ‘정답’을 알려주는 작업이다. 아직 세상을 모르는 아이에게 “이건 사과야, 이건 고양이야” 하고 가르치는 것과 같은 원리다. 자율주행차가 도로 위 보행자와 가로등을 구분하고, 사진 앱이 인물별로 앨범을 정리하는 것—그 뒤에는 전부 사람이 직접 붙인 라벨이 있다.

초창기엔 사진 속 고양이와 개에 네모 박스를 치는 단순 작업이 대부분이었다. 지금은 차원이 다르다. MIT 테크 리뷰가 전한 바에 따르면, 나이지리아의 한 의대생은 아이폰을 머리에 두르고 컵 잡기·문 열기 같은 일상 동작을 직접 녹화해 휴머노이드 로봇 훈련 데이터로 보낸다. 집에서 로봇을 가르치는 셈인데, 이게 지금 실제로 벌어지고 있는 일이다. AI 기술이 정교해질수록 라벨링 작업도 점점 복잡하고 깊어지고 있다.

단순 클릭부터 로봇 조종까지 — 일감의 종류

데이터 라벨링의 세계는 생각보다 넓다. 난이도와 단가도 천차만별이다.

• 이미지/영상 라벨링: 가장 흔한 유형이다. 사진 속 자동차·사람·동물에 박스를 치거나(바운딩 박스), 픽셀 단위로 영역을 칠하는(세그멘테이션) 작업이 대표적이다. 자율주행 수요 덕에 물량이 꾸준하다.
• 텍스트 라벨링: 문장 감성 분석(긍정·부정·중립), 인명이나 지명 태깅 같은 작업이다. 챗봇 성능 개선이나 뉴스 자동 분류에 쓰인다.
• 음성 데이터 전사: 녹음 파일을 듣고 그대로 받아 적는 일이다. AI 스피커·음성인식 비서의 인식률을 높이는 데 직결된다.
• 3D 데이터/모션 캡처: 로봇 훈련처럼, 인간 동작이나 3D 공간 데이터를 가공하는 고도화 작업이다. 전문성이 필요한 만큼 단가도 높은 편이다.

결국 얼마나 버나 — 현실적인 숫자

솔직히 쓴다. 데이터 라벨링만으로 큰돈 벌기는 어렵다. ‘월 50만원 부수입’은 꾸준히 시간을 쏟았을 때 닿는 꽤 현실적인 목표치다. 불가능한 숫자는 아니지만, 그냥 얻어지지도 않는다.

초보자가 주로 하는 단순 이미지 바운딩 박스 작업은 건당 수십 원에서 수백 원 수준이다. 속도가 붙으면 시급 1만원을 넘기는 경우도 생기지만, 처음에는 최저시급에 못 미치는 경우가 대부분이다. 수익은 결국 얼마나 꾸준히, 빠르게, 정확하게 작업하느냐에 달려있다. 이 세 가지를 동시에 맞추는 게 생각보다 쉽지 않다.

단가가 확 올라가는 구간은 따로 있다. 음성 전사, 전문 용어가 필요한 텍스트 라벨링, 3D 데이터 가공 작업이 그렇다. 법률·의료·IT 분야 지식이 있는 사람이라면 일반 라벨러보다 단가를 훨씬 높게 받는다. 고단가 프로젝트를 노리는 것이 수익을 올리는 핵심 전략이다.

어디서 일감을 찾나 — 플랫폼 3곳

국내외 플랫폼이 여럿 있다. 대부분 가입 후 간단한 자격 테스트를 통과하면 프로젝트에 바로 참여 가능하다.

• 크라우드웍스 (Crowdworks): 국내에서 규모가 가장 큰 플랫폼 중 하나다. 프로젝트 종류가 많아 처음 시작하기에 부담이 없다.
• 에이모 (AIMMO): 자율주행 관련 데이터 프로젝트에 강점이 있는 플랫폼이다.
• Appen / Telus International (구 Lionbridge): 영어가 어느 정도 된다면 도전해볼 만한 글로벌 플랫폼이다. 프로젝트 종류가 국내보다 훨씬 많고 보수도 높지만, 가이드라인이 꽤 빡빡하고 언어 장벽도 각오해야 한다.

한 플랫폼에만 의존하기보다는 두세 곳에 동시에 가입해두고 그때그때 맞는 프로젝트를 골라 하는 방식이 효율적이다.

이런 사람에게 맞는 일, 이런 사람은 패스

데이터 라벨링이 매력적인 부업인 건 맞다. 근데 모두에게 맞는 일은 아니다.

이런 사람에게 추천한다:

• 꼼꼼하고 반복 작업을 잘 견디는 성격
• 원하는 시간에 원하는 만큼만 일하고 싶은 사람
• 집중력이 높고 정해진 가이드라인을 잘 따르는 사람

이런 사람은 비추천이다:

• 단기간에 높은 수익을 기대하는 사람
• 단순 반복 작업이 10분만 지나도 지루해지는 사람
• 창의적이거나 주도적으로 일하는 걸 선호하는 사람

AI가 이 일자리를 뺏을까

AI를 사람이 직접 가르친다는 게 좀 아이러니하긴 하다. 언젠가 AI가 스스로 데이터를 라벨링하는 시대가 올까? 이미 일부 단순 작업은 자동화가 진행 중이다. AI가 1차 라벨링을 하면 사람이 검수만 하는 방식으로 효율을 높이는 거다.

근데 AI 기술이 고도화될수록 더 복잡하고 미묘한 데이터가 필요해진다는 게 반전이다. 로봇에게 인간의 자연스러운 몸짓을 가르치거나, 법률·의료 분야 텍스트를 해석하는 일은 아직 인간의 판단이 필수적이다. 데이터 라벨링 자체가 사라지기보다는, ‘단순 반복’에서 ‘전문 지식을 활용한 검수·교정’의 형태로 진화할 가능성이 높다. 이 시장에서 계속 버티려면 자기만의 전문 분야 하나는 갖춰야 한다는 얘기다.

출처: MIT Tech Review AI

라떼 아트를 그리는 카페 로봇, 초당 수십 개 상품을 집어 올리는 물류 창고 로봇 팔. 이 움직임들은 코드 몇 줄로 완성되지 않는다. 수백만 건의 데이터 라벨링이 쌓인 결과다. 정교한 알고리즘도, 강력한 하드웨어도 결국 데이터가 없으면 제대로 작동하지 않는다. 그리고 그 데이터를 만드는 건 아직도 인간이다.

로봇에게 ‘본다는 것’을 가르치는 일

인식이 먼저다. 로봇이 컵을 집으려면, 그게 컵인지부터 알아야 한다. 컴퓨터 비전의 영역이다. 초기 AI 학습이 집중한 세 가지 방식이 있다.

• 이미지 분류 (Image Classification): 이 사진은 ‘고양이’인가, ‘강아지’인가?
• 객체 탐지 (Object Detection): 사진 속 ‘컵’은 어디에 있는가? (바운딩 박스)
• 분할 (Segmentation): 이미지에서 ‘사람’에 해당하는 픽셀만 정확히 구분하기.

인터넷 인증에서 자주 마주치는 ‘신호등이 포함된 이미지를 모두 고르시오’ 캡챠(CAPTCHA). 귀찮은 보안 절차처럼 느껴지지만, 실상은 AI 모델을 위한 데이터 라벨링 작업이다. 클릭할 때마다 로봇은 세상을 조금씩 더 배운다. 가장 기초적인 형태의 데이터 기여다.

동작을 가르치는 건 차원이 다른 문제다

사물을 알아보는 것과 직접 집어 드는 건 완전히 다른 이야기다. 컵 위치를 아는 것만으로는 부족하다. 어떤 각도로 잡아야 하는지, 얼마나 세게 쥐어야 내용물이 안 쏟아지는지까지 알아야 한다. 여기서 등장하는 개념이 모방 학습(Imitation Learning)이다.

MIT 테크 리뷰가 보도한 나이지리아의 한 의대생 사례가 이를 잘 보여준다. 집에서 VR 헤드셋과 컨트롤러를 착용하고 원격으로 로봇을 조종한다. 그의 움직임 하나하나는 데이터로 기록되어 AI 모델 훈련에 쓰인다. 인간이 직접 시범을 보이는 ‘모범 답안’을 AI에 입력하는 셈이다. 이를 텔레오퍼레이션(Teleoperation, 원격 조종)을 통한 데이터 수집이라 부른다. 수천, 수만 번의 시범 데이터를 학습한 로봇은 점차 유사한 작업을 스스로 해낸다.

강화학습: 성공과 실패로 배우는 AI

모든 상황에 대한 모범 답안을 인간이 일일이 만들어 줄 수는 없다. 이때 쓰는 방식이 강화학습(Reinforcement Learning)이다. 정답 대신 ‘보상’을 목표로 설정한다.

‘테이블 위 블록을 상자에 넣어라’는 미션을 예로 들면 이렇다.

• 블록에 가까이 가면: +1점
• 블록을 잡으면: +10점
• 블록을 상자에 넣으면: +100점 (최종 보상)
• 블록을 떨어뜨리면: -5점

이 보상 구조 안에서 로봇은 수백만 번 시도하며 점수를 최대로 끌어올리는 경로를 스스로 찾아낸다. 처음엔 무작위 움직임이다. 시간이 지나면서 가장 효율적인 동작 패턴이 남는다. 알파고가 이세돌 9단을 꺾은 것도 이 강화학습의 결과였다.

시뮬레이션: 현실보다 수천 배 빠른 훈련소

수백만 번의 실패를 현실에서 반복하면? 로봇이 고장 나거나 주변 환경을 망가뜨린다. 비용도 감당하기 어렵다. 그래서 AI 로봇 훈련의 대부분은 가상 환경, 즉 시뮬레이션 안에서 진행된다.

엔비디아의 아이작 심(Isaac Sim) 같은 플랫폼은 현실과 거의 동일한 물리 법칙이 적용된 디지털 트윈(Digital Twin) 환경을 제공한다. 개발자들은 이 가상 공간에서 24시간 내내, 현실보다 수천 배 빠른 속도로 로봇 모델을 훈련시킨다. 충분히 학습된 AI 모델을 실제 로봇에 이식하면 시간과 비용을 대폭 줄이면서 안전까지 챙긴다. 이 접근법 덕분에 지금 수준의 로봇 AI 개발이 현실적인 일정 안에서 가능해졌다.

기술이 발전해도 인간 손길이 사라지지 않는 이유

시뮬레이션이 아무리 정교해도 현실의 변수를 100% 재현하지는 못한다. 미끄러운 바닥, 예상치 못한 그림자, 찌그러진 포장. 이런 상황에 대응하려면 실제 인간이 만든 ‘진짜’ 데이터가 반드시 필요하다. 고품질 현실 데이터의 희소성이 핵심 병목이다.

로봇을 원격 조종하며 행동 데이터를 수집하는 작업은 고도의 전문 지식을 요구하지 않는다. 대신 시간과 반복이 필요하다. 이 때문에 전 세계 긱 워커(Gig worker)들이 원격으로 로봇 훈련에 참여하는 새로운 노동 시장이 열리고 있다. AI 시대의 보이지 않는 노동력이 로봇의 지능을 한 단계씩 끌어올리는 구조다.

데이터 질이 곧 로봇 지능이다

AI 로봇의 성능은 어떤 데이터를 얼마나, 어떻게 학습했느냐로 결정된다. 편향되거나 품질이 낮은 데이터를 학습한 로봇은 엉뚱하게 작동한다. IT 업계의 오래된 격언 ‘Garbage In, Garbage Out’이 로봇 공학에도 그대로 적용된다. 정교한 알고리즘도, 강력한 하드웨어도 좋은 데이터라는 토양 없이는 제대로 피어나지 못한다. 앞으로 로봇 기술의 발전 속도는 데이터 기술의 발전 속도와 맞닿아 있을 것이다.

출처: MIT Tech Review AI