OpenAI의 The Eternal Complement, 실행이 AI의 진정한 경제적 시험대라고 말하다

OpenAI는 10월 1일 “The eternal complement”를 공개하며, 고도화된 AI의 결정적 기여는 중요한 아이디어가 등장한 이후에 나타날 수 있다고 주장했다. 이 에세이는 기계가 생성하는 발견보다, 발견을 실제로 작동하는 시스템으로 전환하는 데 필요한 일상적 실행으로 시선을 옮긴다.

이 구분은 더 날카로운 경제적 질문을 낳는다. 더 뛰어난 추론만으로 의약품, 공장, 전력망, 과학 장비가 만들어지는 것은 아니다. 발전에는 검증, 조율, 문서화, 자금 조달, 건설, 유지보수와 대중의 주목을 거의 받지 못하는 수많은 결정도 필요하다.

따라서 OpenAI의 주장은 인공일반지능에 관한 익숙한 그림에 도전한다. 핵심 경쟁은 단순히 인간의 창의성과 기계 지능 사이의 대결이 아니다. 그것은 풍부한 아이디어와 이를 실현하는 데 필요한 제도, 노동력, 자본, 물리적 시스템 사이의 대결이다.

원문 에세이는 이 관계를 야심 찬 문명사적 관점에서 제시한다. AI가 지식을 심화시키는 동안 물리적 세계가 그 속도를 따라가기 어려워질지 묻는다. 그 답은 화려한 시연보다 신뢰할 수 있는 후속 이행에 더 크게 좌우된다.

The Eternal Complement로 OpenAI가 바꾼 것

OpenAI는 AI 논의의 중심을 답을 생성하는 일에서, 그 답이 만들어내는 업무를 완수하는 일로 옮겼다.

대부분의 대중적 논의는 지능을 발전의 희소한 투입 요소로 다룬다. 이 관점에서 고도화된 모델은 더 강력한 가설, 설계, 증명, 소프트웨어, 전략적 권고안을 만들어 발견을 가속한다. 지능의 비용이 낮아지면 경제와 과학의 성장도 함께 빨라져야 한다.

“The eternal complement”는 이 순서를 복잡하게 만든다. 가치 있는 아이디어는 누군가 가정을 시험하고, 자원을 확보하며, 전문가를 조율하고, 규정을 충족하고, 그 결과물인 시스템을 구축하기 전까지는 불완전한 상태로 남는다. 원래의 통찰이 맞더라도 각 단계는 병목이 될 수 있다.

이 에세이의 시각 자료는 그 주장을 유난히 명시적으로 보여준다. 한 삽화는 천재성, 자본, 관료주의라는 라벨이 붙은 리본을 서로 얽어 놓는다. 또 다른 삽화는 지식에 이르는 세 가지 경로를 구분한다. 제1원리에서 추론하기, 기존 데이터에서 이론 찾기, 새 데이터 수집하기다.

이 경로들은 물리적 세계에 대한 의존도가 같지 않다. 모델은 기존 정보를 바탕으로 놀라운 속도로 추론할 수 있다. 그러나 이론을 확인하는 데 필요한 모든 관측값을 독립적으로 만들어낼 수는 없다. 새로운 증거를 얻으려면 종종 센서, 실험실, 현장 조사, 임상시험 또는 인프라가 필요하다.

이 때문에 실행은 행정적 사후 고려 사항이 아니라 경제 변수가 된다. 더 빠른 아이디어 생성은 같은 장비, 인허가, 전문성, 관리 역량을 두고 경쟁하는 프로젝트의 수를 늘릴 수 있다. 지능은 제약을 제거하기 전에 먼저 드러낼 수 있다.

이 주장은 의미 있는 AI 발전의 기준도 다시 정의한다. 신뢰할 만한 실험 10개를 제안하는 모델은 잠재적 가치를 만든다. 실험실이 하나의 실험을 선택하고, 수행하고, 문서화하고, 재현하도록 돕는 시스템은 실현된 가치를 만든다.

OpenAI의 틀은 실험실 업무를 넘어선다. 개선된 배터리 설계를 생각해 보자. 연구자들은 소재를 특성화하고, 열화를 모델링하며, 투입물을 조달하고, 생산 공정을 준비하고, 안전 시험을 통과한 뒤, 결과물을 차량이나 전력 시스템에 통합해야 한다.

각 활동에는 일상적인 지적 업무가 포함된다. 팀은 문서를 비교하고, 요구사항을 조정하며, 보고서를 작성하고, 의사결정을 추적하고, 증거를 검토하며, 계획을 업데이트한다. 이 업무는 획기적인 과학처럼 보이는 경우가 드물지만, 그 안의 지연은 전체 프로그램을 늦출 수 있다.

건설에서도 같은 패턴이 나타난다. 더 나은 설계는 견적, 검사, 조달, 일정 관리, 여러 공종 간 조율 없이는 건물이 되지 않는다. AI의 영향력은 허용할 수 없는 오류를 도입하지 않으면서 이러한 연결된 활동을 지원할 수 있는지에 달려 있다.

이 점에서 이 에세이는 그 사변적 규모에도 불구하고 검토할 가치가 있는 사건이다. OpenAI는 제품을 발표하거나 벤치마크를 공개하는 것이 아니다. 고도화된 AI가 광범위한 물질적 진보로 이어지는지를 판단하기 위한 틀을 제안하고 있다.

이 틀은 벤치마크 선도보다 더 까다롭다. 오류가 누적되는 길고 상호의존적인 워크플로 안에서 모델이 작동할 수 있는지 묻는다. 또한 조직이 책임성을 잃지 않으면서 더 빠른 추론을 중심으로 자신을 재설계할 수 있는지도 묻는다.

중요한 변화는 개념적이지만 실용적이다. AI 제공업체는 점점 더 시스템이 업무를 완료까지 이끌 수 있다는 증거를 제시해야 한다. 설득력 있는 답을 생성하는 일은 그 시험의 첫 단계일 뿐이다.

더 나은 아이디어 이후 일상 업무가 더 가치 있어지는 이유

아이디어를 더 쉽게 생성할 수 있게 되면, 여전히 희소한 검증과 구현의 가치가 더 높아진다.

경제학자들은 다른 투입 요소가 더 풍부해질 때 가치가 높아지는 자원을 보완적 투입 요소라고 설명한다. 소프트웨어는 특정 기술적, 관리적, 조직적 역량에 대한 수요를 늘렸다. 고도화된 AI는 추론과 실행 사이에 비슷한 관계를 만들 수 있다.

연구팀이 5개가 아니라 수백 개의 그럴듯한 가설을 받는 상황을 가정해 보자. 그렇다고 실험실 역량이 자동으로 늘어나는 것은 아니다. 팀은 가설의 우선순위를 정하고, 타당한 시험을 설계하며, 결과를 모니터링하고, 어떤 실패가 재시도할 가치가 있는지 결정해야 한다.

병목은 하류 단계로 이동할 수 있다. 과학자들은 가능한 방향을 찾는 데는 시간을 덜 쓰고, 어떤 방향이 증거와 맞닿아도 살아남는지 판단하는 데 더 많은 시간을 쓰게 된다. 실험실 운영, 연구 관리, 데이터 품질의 중요성은 더 커진다.

같은 논리는 기업 내부에도 적용된다. AI는 제품 요구사항을 작성하고, 고객 인터뷰를 분석하고, 캠페인을 제안하거나, 코드를 생성할 수 있다. 그러나 각각의 결과물은 여전히 예산, 의존성, 보안 검토, 법적 의무, 상충하는 우선순위가 존재하는 시스템 안으로 들어간다.

일상적이라고 해서 사소한 것은 아니다. 많은 일상 업무는 어려운 결정을 가능하게 하는 맥락을 보존한다. 회의 기록, 실험 로그, 사고 이력, 과거의 절충안은 팀이 이미 결론 난 문제를 계속 다시 논의하지 않도록 한다.

바로 이 지점에서 knowledge blending을 위한 도구가 실행을 지원할 수 있다. 목표는 검색으로 판단을 대체하는 것이 아니다. 사람과 에이전트가 더 긴 프로세스를 거치는 동안 관련 증거가 연결된 상태를 유지하게 하는 것이다.

행정 역량도 같은 이유로 중요하다. 인허가, 규정 준수, 조달, 문서화는 모델 추론에 비해 느려 보일 수 있다. 그러나 이러한 기능에는 단순히 사라질 수 없는 안전 제약과 공적 의무가 담겨 있는 경우가 많다.

AI는 그 안에서 불필요한 마찰을 줄이는 데 도움을 줄 수 있다. 신청서를 비교하고, 누락된 정보를 표시하며, 증거를 요약하고, 일상적인 서신을 준비할 수 있다. 법적 또는 물리적 결과를 수반하는 결정의 책임은 여전히 인간 당국이 지게 된다.

어려운 부분은 워크플로의 신뢰성이다. 작은 작성 오류는 빠르게 수정할 수 있다. 하지만 조달, 설계, 시험 결정이 이어지는 과정에서 발견되지 않은 오류는 누구도 원인을 인지하기 전에 이후 단계에 영향을 미칠 수 있다.

따라서 지속적인 업무 완수는 인상적인 단일 응답보다 더 강력한 척도다. METR의 연구자들은 AI 에이전트가 서로 다른 소요 시간의 과제를 얼마나 신뢰성 있게 완료하는지 연구해 왔다. 이들의 task-horizon research는 짧은 시연과 장시간의 자율 업무 사이에 존재하는 격차를 부각한다.

더 긴 업무는 맥락 손실, 잘못된 가정, 복구 실패가 발생할 기회를 더 많이 만든다. 또한 에이전트가 외부 정보가 누락된 시점을 알아차려야 한다. 자신감만으로 측정, 승인 또는 물리적 검사를 대체할 수는 없다.

따라서 실행에는 언제 진행하지 말아야 하는지 아는 것도 포함된다. 효과적인 시스템은 불확실성을 드러내고, 출처를 보존하며, 적절한 순간에 인간의 검토를 요청해야 한다. 이러한 통제 장치 없는 속도는 프로젝트를 잘못된 방향으로 빠르게 움직일 수 있다.

OpenAI의 주장은 인간 역량에 대한 시장도 다르게 보게 한다. 목표를 정의하고, 모호한 증거를 해석하며, 결과를 관리하는 사람은 여전히 필수적이다. 디지털 계획을 실험실, 공장, 병원, 건설 현장, 공공 인프라와 연결하는 노동자도 마찬가지다.

일부 일상적인 지식 업무는 더 자동화될 것이다. 그러나 그 결과로 제안이 풍부해지면 신뢰할 수 있는 운영자와 기관에 대한 수요는 늘어날 수 있다. 이들의 역할은 모든 중간 문서를 직접 만드는 일에서, 기계 보조 업무의 더 큰 흐름을 감독하는 일로 이동한다.

이 변화는 고르게 일어나지 않을 것이다. 데이터가 정돈되어 있고, 프로세스가 명확하며, 검토 체계가 강한 조직은 에이전트를 더 빠르게 통합할 수 있다. 기록이 분절된 조직은 더 많은 결과물을 받아도 이에 상응하는 실행 역량을 확보하지 못할 수 있다.

이러한 환경에서는 searchable knowledge base가 중요해진다. 이는 반복적인 조사를 줄이고 검토자가 여러 파일에 걸친 의사결정을 추적하도록 도울 수 있다. 하지만 불명확한 책임 소재나 누락된 증거를 해결할 수는 없다.

따라서 eternal complement는 문명적이기 전에 조직적이다. 이는 더 나은 지능이 규율 있는 조율의 수익률을 높인다고 예측한다. 이 보완 관계를 무시하는 기업은 안전하게 구현할 수 없는 아이디어에 둘러싸인 자신을 발견할 수 있다.

진짜 경쟁은 풍부한 아이디어와 희소한 실행 사이에 있다

주된 갈등은 인간 대 AI가 아니라, 빠르게 확장되는 가능성과 느리게 적응하는 실행 시스템 사이에 있다.

이 상대가 중요한 이유는 압박을 받는 주체를 바꾸기 때문이다. 연구자, 관리자, 규제기관, 인프라 제공업체 모두 더 많은 잠재 프로젝트에 직면한다. 이들의 대응이 AI가 완료된 업무를 늘릴지, 아니면 미완성 업무만 늘릴지를 결정한다.

AI 기업이 먼저 압박을 받는다. 모델 제작사들은 벤치마크 점수, 멀티모달 기능, 코딩 성능, 추론 효율을 통해 경쟁해 왔다. 이러한 지표는 여전히 중요하지만, 중대한 조직 내부에서의 성능을 완전히 포착하지는 못한다.

구매자는 점점 더 상태를 유지하고, 도구를 사용하며, 통제를 따르고, 실패에서 복구할 수 있는 시스템을 필요로 한다. 또한 에이전트가 무엇을 했는지, 어떤 증거를 사용했는지, 사람이 어디에서 개입했는지를 보여주는 감사 추적도 필요하다.

모델 제공업체들은 계획을 세우고 여러 연결된 행동을 수행할 수 있는 소프트웨어를 뜻하는 에이전트형 시스템으로 대응하고 있다. 해결되지 않은 문제는 워크플로가 길어지고 환경의 예측 가능성이 낮아질수록 그러한 시스템이 신뢰성을 유지하는지다.

기업은 두 번째 압박에 직면한다. 기존 프로세스를 그대로 둔 채 옆에 챗봇을 추가하는 것만으로는 가치를 확보할 수 없다. 어떤 단계를 자동화할 수 있는지, 승인은 어디에 두어야 하는지, 에이전트가 실수했을 때 누가 결과를 책임지는지 결정해야 한다.

모델 접근 비용이 낮아지더라도 이러한 재설계에는 실질적인 비용이 든다. 팀에는 평가 데이터, 보안 통제, 통합, 교육이 필요하다. 또한 경험 많은 직원의 판단 안에 비공식적으로 존재해 온 절차를 식별할 시간도 필요하다.

정부와 규제 산업은 관련된 과제에 직면한다. 더 빠른 제안 생성은 검토, 인증, 인허가에 대한 수요를 늘릴 수 있다. 이러한 시스템이 바뀌지 않는다면 AI는 대기열 자체를 빠르게 하지 못한 채 대기열에 도착하는 업무만 가속할 수 있다.

모든 통제를 없애는 것은 진지한 해결책이 아니다. 임상 연구, 환경 검토, 재무 점검, 엔지니어링 표준은 실패의 비용이 위험을 선택하지 않은 사람들에게 전가되기 때문에 존재하는 경우가 많다. 더 나은 목표는 불필요한 반복과 부실한 정보 흐름을 줄이는 것이다.

물리적 역량은 또 다른 제약을 만든다. AI 시스템은 실험실이 실제로 수행할 수 있는 속도보다 더 빠르게 실험을 설계할 수 있다. 전력회사가 장비를 확보하고, 계통 연계 승인을 받고, 건설 인력을 확보하는 속도보다 더 빠르게 전력망 프로젝트를 제안할 수도 있다.

Stanford의 AI Index는 모델 비용 하락과 함께 도입 및 투자 확대가 진행되고 있음을 기록해 왔다. 이러한 추세는 디지털 지능이 제도와 인프라의 변화보다 더 빠르게 확산될 수 있다는 이 글의 전제를 강화한다.

그러나 지능이 풍부해진다고 해서 물질적 투입 요소까지 풍부해지는 것은 아니다. 반도체에는 제조 역량이 필요하다. 에너지 시스템에는 발전과 송전이 필요하다. 생물학에는 통제된 조건에서 수행되는 실험이 필요하다. 우주 과학에는 개발에 수년이 걸리는 장비가 필요하다.

OpenAI는 James Webb Space Telescope와 Dyson sphere의 이미지를 통해 이 긴장을 보여 준다. 둘 다 거대한 지원 시스템에 내재된 지능을 상징한다. 어느 쪽도 뛰어난 방정식 하나만으로 가능해지지는 않는다.

James Webb telescope는 수십 년에 걸친 엔지니어링, 시험, 제조, 국제 공조, 배치 계획에 의존했다. 오늘날의 과학적 성과는 개념적 야심과 축적된 실행력이 함께 반영된 결과다. 이 조합이 이 글의 핵심 경제적 대상이다.

모델을 개선하면서 실행을 소홀히 하는 문명은 이론적으로는 더 깊어지지만 응용의 폭은 좁아질 수 있다. OpenAI는 이러한 가능성을 이해의 성장에 상응하지 않은 채 물질적 도달 범위만 넓히는 “폭의 문명”과 대비한다.

생산적인 경로에는 깊이와 폭이 모두 필요하다. 모델은 설계와 설명의 공간을 더 깊게 만들 수 있다. 인간의 제도, 기계, 공급망은 사회가 안정적으로 구축할 수 있는 것들의 공간을 더 넓혀야 한다.

이 틀은 즉각적인 경제 변혁에 대한 예측에도 이의를 제기한다. 아무리 유능한 AI라도 오래된 소프트웨어, 협상된 계약, 고정 자산, 직업 규정, 사회적 저항이 있는 경제에 들어온다. 적응은 그 시스템을 우회해서가 아니라 그 시스템을 통해 진행된다.

그렇다고 첨단 AI가 중요하지 않다는 뜻은 아니다. 다만 시점을 예측하기가 더 어렵다는 의미다. 역량은 빠르게 개선될 수 있지만 측정되는 생산성 변화는 더디게 나타나다가, 조직이 보완적 투자를 마친 뒤 가속될 수 있다.

그 결과는 과거의 범용 기술과 비슷할 수 있다. 전기는 기업들이 전기 모터를 중심으로 생산을 재조직한 뒤에야 공장 생산성에서 가장 큰 향상을 냈다. 컴퓨터도 그 이점이 널리 나타나기 전에 새로운 프로세스, 기술, 경영 관행을 필요로 했다.

AI는 자체적인 보완 프로세스를 설계하는 데 도움을 줄 수 있다는 점에서 다르다. 에이전트는 통합 코드를 작성하고, 워크플로를 문서화하며, 평가를 지원할 수 있다. 하지만 변화에 권한을 부여하고 그 결과를 감당해야 하는 조직 안에서 여전히 작동한다.

따라서 경쟁은 역동적이다. 초기에는 희소한 실행 역량이 AI의 영향을 제한한다. 이후 AI가 실행 역량 확대를 돕고, 이는 다음 물리적·제도적·인적 병목을 드러낸다.

진보의 속도를 결정하는 것은 단일 모델 출시가 아니라 이 순환이다. 승자는 반드시 가장 많은 아이디어를 가진 쪽이 아닐 것이다. 오류까지 같은 속도로 확대되지 않도록 하면서, 더 많은 타당한 아이디어를 검증된 결과로 전환하는 쪽이 승리할 것이다.

OpenAI의 주장이 입증하지 못하는 것

이 글은 유용한 이론을 제시하지만, 현재 AI가 자신이 지목한 실행 계층을 안정적으로 관리할 수 있음을 입증하지는 않는다.

OpenAI는 첨단 AI를 광범위한 진보의 동력으로 제시하는 데 직접적인 이해관계를 갖고 있다. 따라서 이 주장은 필요한 역량이 이미 존재한다는 독립적 증거가 아니라 전략적 논제로 읽어야 한다.

현재 모델은 명확한 입력이 주어진 범위가 제한된 작업에서 대체로 좋은 성과를 낸다. 실제 실행은 그보다 훨씬 무질서하다. 요구사항은 바뀌고, 기록은 충돌하며, 사람들은 의견이 다르고, 도구는 실패하고, 핵심 정보는 접근 가능한 맥락 밖에 남아 있다.

에이전트는 그럴듯해 보이는 오류도 만들어 낼 수 있다. 출력이 자동으로 다음 행동을 촉발할 때 이 약점은 더 심각해진다. 잘못된 가정은 검토자가 일관성 없는 결과를 발견하기 전까지 여러 단계를 거쳐 전파될 수 있다.

조직은 유창한 중간 텍스트가 아니라 결과를 중시하기 때문에 평가는 여전히 어렵다. 코딩 에이전트는 작동하는 기능을 만들면서도 보안 부채를 추가할 수 있다. 연구 에이전트는 논문을 정확하게 요약하면서도 편향된 증거 집합을 선택할 수 있다.

긴 워크플로에는 기억도 필요하다. 시스템은 약속, 미해결 질문, 이전 결정의 근거를 보존해야 한다. 더 많은 맥락이 이 문제를 자동으로 해결하지는 않는다. 관련 없는 자료가 중요한 증거를 가릴 수 있기 때문이다.

책임성은 또 다른 불확실성을 만든다. 인간 직원은 전문직 기대, 보고 체계, 법적 틀 안에서 일한다. 자율 시스템은 책임을 개발자, 배포자, 운영자, 데이터 제공자, 조직에 분산시킨다.

이러한 분산은 고위험 환경에서 도입을 늦출 수 있다. 병원, 전력회사, 은행, 공공기관에는 총체적 정확도 이상의 것이 필요하다. 이들은 비정상적인 상황에서 예측 가능한 행동과 시스템이 실패했을 때의 명확한 절차를 원한다.

경제적 증거 역시 신중함을 뒷받침한다. Daron Acemoglu의 거시경제 분석은 AI의 단기 생산성 효과가 어떤 작업이 경제적으로 자동화 가능한지가 좌우한다고 주장한다. 역량 관련 헤드라인만으로는 전체 경제의 이익을 결정할 수 없다.

그 이익의 분배는 총량만큼 중요하다. AI가 고숙련 관리자를 보완하는 동시에 반복 업무 종사자를 대체한다면 임금과 협상력은 갈라질 수 있다. 반대로 현장 근로자를 지원한다면 생산성의 혜택은 더 폭넓게 퍼질 수 있다.

International Labour Organization의 일자리 분석은 자동화뿐 아니라 변화를 강조한다. 노출도는 직업마다 다르며, 직무 설계는 기술이 근로자를 돕는지 아니면 그들의 역할에서 업무를 제거하는지를 좌우한다.

OpenAI의 틀은 그러한 제도적 선택을 열어 둔다. 일상적 실행은 첨단 지능의 가치 있는 보완재가 될 수 있지만, 많은 일상적 일자리는 여전히 크게 바뀔 수 있다. 경제 수준의 보완성은 모든 근로자의 안정성을 보장하지 않는다.

수요를 과소평가할 위험도 있다. 더 저렴하고 빠른 실행은 조직이 더 많은 프로젝트를 시도하도록 부추길 수 있다. 각 프로젝트가 더 효율적이 되더라도 이러한 반등은 에너지 사용, 인프라 수요, 규제 업무량을 늘릴 수 있다.

안전은 또 다른 복잡성을 만든다. AI가 아이디어와 구현 사이의 시간을 압축한다면 사회가 오용을 식별할 시간도 줄어든다. 더 빠른 실행은 의료 연구와 엔지니어링에 이롭지만, 해로운 활동도 가속할 수 있다.

따라서 통제는 실행 속도에 맞춰 작동해야 한다. 정적인 정책과 가끔의 감사는 수천 건의 행동을 수행하는 에이전트를 다루기 어렵다. 조직에는 지속적인 모니터링, 범위가 제한된 권한, 워크플로를 안정적으로 중단할 수 있는 수단이 필요하다.

이 글의 가장 큰 불확실성은 디지털 작업과 물리적 작업의 경계에 관한 것이다. 모델은 이미 소프트웨어에 직접 영향을 줄 수 있다. 그러나 실험실, 병원, 공장, 인프라로 진입하려면 로보틱스, 센서, 표준, 신뢰받는 인간 운영자가 필요하다.

로보틱스는 그 경계를 좁힐 수 있지만 물리적 환경은 여전히 가변적이다. 잘못 놓인 물체, 손상된 부품, 예상치 못한 측정값은 시뮬레이션에서는 완전해 보였던 계획을 무너뜨릴 수 있다. 물리적 복구는 텍스트를 다시 생성하는 것보다 어렵다.

에이전트가 길고 복잡하며 외부 검증을 받는 작업에서 개선을 보인다면 OpenAI의 논지는 더 강해진다. 진전이 짧은 디지털 작업에 집중된 채 머문다면 약해진다. 이 구분은 가정이 아니라 측정할 가치가 있다.

독자들은 “일상적 작업”이라는 표현을 전문성을 무시해도 된다는 허가로 해석해서도 안 된다. 숙련된 전문가들은 반복적으로 보이는 행동을 통해 어려운 판단을 내리는 경우가 많다. 눈에 보이는 단계를 자동화하면 프로세스를 안전하게 유지했던 숨은 점검이 사라질 수 있다.

올바른 질문은 AI가 작업을 한 번 수행할 수 있는지가 아니다. 사회기술적 시스템이 더 나은 결과를 반복적으로 만들어 낼 수 있는지다. 그 시스템에는 모델, 도구, 데이터, 사람, 인센티브, 그리고 이를 둘러싼 규칙이 포함된다.

다음 경제는 완성된 루프에 보상할 것이다

경제적 보상은 발견, 결정, 행동, 측정, 교정을 신뢰할 수 있는 루프로 연결하는 시스템에 돌아간다.

현재 많은 AI 배포는 그 루프의 한 구간만 최적화한다. 모델은 코드를 작성하고, 연구를 요약하고, 설계를 준비하거나 계획을 생성한다. 주변 조직은 여전히 출력을 검증하고 이를 실무로 옮겨야 한다.

다음 단계에서는 더 많은 구간이 연결될 것이다. 에이전트는 증거를 수집하고, 행동을 제안하고, 승인된 단계를 실행하고, 결과를 관찰하며, 계획을 수정할 수 있다. 추가되는 구간마다 잠재적 가치와 잠재적 실패도 함께 커진다.

완성된 루프가 중요한 이유는 피드백이 그럴듯한 답변을 검증된 지식으로 바꾸기 때문이다. 생성된 가설의 가치는 불확실하다. 실험은 증거를 만들고, 재현은 그 증거가 다른 조건에서도 유지되는지를 보여 준다.

소프트웨어는 가장 명확한 초기 사례를 제공한다. 코드는 디지털 환경 안에서 생성, 실행, 테스트, 검사, 수정될 수 있다. 보안과 유지보수성에는 여전히 인간의 감독이 필요하지만 피드백 주기는 비교적 빠르다.

과학 작업은 더 느리게 진행된다. 에이전트는 문헌 검토와 실험 설계를 도울 수 있지만, 장비와 생물학적 과정에는 실제 시간이 필요하다. 이후 시스템이 실패한 접근법을 반복하지 않도록 부정적 결과도 정확하게 기록해야 한다.

제조는 또 하나의 층을 더한다. 설계는 공차, 자재 가용성, 안전 규정, 생산 경제성을 충족해야 한다. AI가 생성한 부품은 기술적으로 타당하더라도 대규모에서 안정적으로 제조하기에는 부적합할 수 있다.

따라서 실행 AI의 가치는 운영 지표에서 드러날 것이다. 조직은 완료된 주기 시간, 결함률, 재작업, 사고, 도입 현황을 추적해야 한다. 생성된 문서나 에이전트 행동을 세는 것은 활동을 보여 줄 뿐 진보를 보여 주지는 않는다.

지표에 맞춰 경영 인센티브도 바뀌어야 한다. 팀이 에이전트 배포로 보상받는다면 전체 프로세스를 개선하지 않은 채 눈에 보이는 작업을 자동화할 수 있다. 검증된 결과로 보상받는다면 병목과 통제에 집중하게 될 것이다.

이는 특화 모델과 도구에 기회를 만든다. 범용 모델은 계획을 제안할 수 있고, 도메인 시스템은 계산을 검증하거나 규칙을 적용할 수 있다. 구조화된 소프트웨어는 개방형 언어 생성에 의존해서는 안 되는 행동을 제약할 수 있다.

인간 검토도 더 목표 지향적으로 바뀐다. 사람들은 무해한 서식 변경 하나하나를 승인할 필요가 없다. 되돌릴 수 없는 행동, 약한 증거, 이례적 조건, 법적 또는 물리적 결과를 수반하는 결정에 집중해야 한다.

가장 강력한 구현은 자율성과 에스컬레이션을 결합할 가능성이 크다. 에이전트는 정해진 한도 안에서 익숙한 사례를 처리한다. 모호하거나 고위험인 사례는 검토에 필요한 증거와 추론을 보존한 채 사람에게 넘긴다.

이 설계는 인간의 주의를 희소한 보완재로 다룬다. 모든 일상 단계에 전문가를 낭비하지 않는다. 불확실성이나 결과의 중대성이 비용을 정당화하는 곳에 그들의 판단을 사용한다.

이러한 루프를 구축하는 기업은 복리처럼 누적되는 우위를 얻습니다. 완료된 각 프로젝트는 실패 양상과 유용한 개입에 관한 더 정제된 데이터를 생성합니다. 이 증거는 향후 평가, 도구, 워크플로 설계를 개선할 수 있습니다.

측정을 건너뛰는 기업은 오히려 실수를 누적할 수 있습니다. 유창한 결과물은 속도가 빨라졌다는 인상을 주는 반면, 보이지 않는 재작업은 늘어날 수 있습니다. 이 격차는 프로젝트가 마감 기한을 놓치거나 고객이 실패를 겪을 때에야 드러납니다.

공공기관도 같은 선택에 직면합니다. AI를 활용해 행정 처리량을 늘릴 수도 있고, 완료된 성과를 중심으로 서비스를 재설계할 수도 있습니다. 후자는 조직 경계를 넘나드는 데이터 공유, 명확한 프로세스, 안전장치를 필요로 합니다.

이 때문에 The eternal complement는 실행 경제로 향합니다. 가치는 기계의 추론 능력과 신뢰할 수 있는 제도, 물리적 역량을 결합할 수 있는 주체에게 이동합니다. 모델도 중요하지만, 실제로 실현되는 영향은 주변 시스템이 결정합니다.

The Eternal Complement 이후 주목할 점

세 가지 신호는 OpenAI의 논지가 매력적인 이론에 머무르지 않고 경제적 현실이 되고 있는지를 보여줄 것입니다.

첫 번째 신호는 길고 독립적으로 평가된 과제에서의 성과입니다. 모델 시연은 수 시간 또는 수일에 걸친 업무를 포함하는 측정으로 대체되어야 합니다. 평가자는 변화하는 조건, 도구 장애, 에이전트가 명확한 설명을 요청하도록 만드는 요구사항을 포함해야 합니다.

이러한 테스트에서의 개선은 AI가 실행 역량을 확장할 수 있다는 주장을 강화할 것입니다. 성과가 정체된다면, 풍부한 추론 능력도 지속적인 조율 과정에서는 여전히 무너진다는 뜻일 수 있습니다.

두 번째 신호는 과학과 산업 분야에서 검증된 도입 사례입니다. 파트너십 발표만으로는 충분하지 않습니다. 유의미한 증거는 더 짧아진 실험 주기, 줄어든 재작업, 더 높은 품질, 또는 비슷한 자원으로 완료된 프로젝트 증가를 포함할 것입니다.

이러한 결과는 독립적인 검증을 견뎌야 합니다. 기업은 당연히 유리한 사례를 공개하는 반면, 실패한 파일럿은 같은 수준의 관심을 받는 경우가 드뭅니다. 구매자는 워크플로의 어떤 부분이 바뀌었는지, 오류 비용을 어떻게 측정했는지 물어야 합니다.

세 번째 신호는 모델 외부의 보완 요소에 대한 투자입니다. 연구소, 로보틱스, 에너지 시스템, 데이터 인프라, 근로자 교육, 규제 현대화를 살펴보십시오. 이러한 투자는 조직이 디지털 지능이 실행에 대한 실질적 수요를 만들어낼 것으로 예상하는지를 드러냅니다.

보완적 투자 증가는 OpenAI의 주장을 뒷받침할 것입니다. 모델 접근성에만 지속적으로 집중한다면 전략적 언어와 운영 계획 사이의 불일치가 드러날 것입니다.

앞으로의 시기는 혜택이 어떻게 분배되는지도 분명히 할 것입니다. 생산성이 개선되더라도 근로자는 업무 속도, 모니터링, 직무 설계에 대한 통제력을 잃을 수 있습니다. 책임 있는 도입에는 근로자의 의견과 기술 적응을 위한 신뢰할 수 있는 경로가 필요합니다.

개발자에게 즉각적인 교훈은 전체 워크플로 전반에서 시스템을 평가해야 한다는 것입니다. 성공적인 도구 호출을 완료된 작업과 혼동하지 마십시오. 복구, 에스컬레이션, 출처 추적, 누락된 정보의 처리 방식을 테스트하십시오.

기업 구매자에게 교훈은 조직에 관한 것입니다. 생성 역량을 더 구매하기 전에 검증된 인계 과정 가운데 가장 느린 지점을 파악하십시오. 더 빠른 모델은 모호한 책임 소재나 아무도 이해하지 못하는 승인 절차를 해결할 수 없습니다.

지식 노동자에게 기회는 루프를 닫는 데 있습니다. AI로 검색과 준비 시간을 줄인 뒤, 테스트, 판단, 결과에 주의를 투자하십시오. 지속 가능한 우위는 더 많은 초안을 만드는 데 있지 않습니다.

The eternal complement는 확장적인 비전 안에 절제된 생각을 담고 있습니다. 고도화된 지능은 진보를 이루는 일상적인 장치와 결합할 때 가장 중요합니다. 그 장치에는 기록, 검토, 실험, 도구, 제도, 그리고 사람이 포함됩니다.

다음 경제는 AI가 이러한 보완 요소를 강화할 수 있을지, 아니면 추가적인 가능성으로 이를 압도할 뿐인지를 드러낼 것입니다. 독자는 연극적인 시연이 아니라 완료된 결과를 지켜봐야 합니다. 여러분의 조직에서 좋은 아이디어가 검증된 결과가 되는 것을 여전히 가로막는 워크플로는 무엇입니까?