AI 투자의 다음 단위로 태스크가 떠오르는 이유

AI 투자의 다음 단위로 태스크가 떠오르는 이유

AI 뉴스 썸네일

AI 사용량을 설명할 때는 토큰이 익숙해요. 이제 모델을 더 똑똑하게 만드는 데이터 작업을 ‘태스크’라는 단위로 보고, 별도의 거대한 시장으로 측정하자는 주장이 나왔어요. 공개 인터넷에서 찾기 어려운 전문가의 업무 절차가 모델 성능을 가르는 재료가 되고 있다는 얘기예요. 1

핵심 요약

구분	핵심	왜 볼 만한가요
새로운 측정 단위	토큰이 AI 사용량을 나타낸다면 태스크는 모델 개선에 투입되는 작업량을 나타내요	기업의 AI 투자가 연산비뿐 아니라 데이터 제작비로 얼마나 이동하는지 볼 수 있어요
데이터 병목	공개 인터넷 자료와 범용 학습만으로는 전문 업무를 충분히 재현하기 어려워요	법률·의료·금융처럼 암묵지가 많은 분야에서는 전문가가 만든 작업 환경과 평가 기준이 필요해요
시장 확대	AI 연구소뿐 아니라 응용 AI 기업과 일반 기업도 고유 데이터를 만들기 시작했어요	같은 기반 모델을 써도 데이터와 평가 체계에 따라 제품 품질이 달라질 수 있어요
숫자의 한계	태스크는 난도와 가치가 모두 달라 단순 개수만 비교하기 어려워요	공통 단위로 쓰려면 비용, 전문가 시간, 성공 기준을 함께 공개해야 해요

1. 토큰 다음에는 모델을 개선하는 작업량을 봐요

토큰은 AI 서비스가 얼마나 많이 쓰이는지 보여주는 편리한 숫자예요. 사용자가 늘거나 모델이 더 오래 추론하면 처리 토큰도 늘어요. 구글 같은 기업이 월간 토큰 처리량을 공개하고, OpenRouter가 모델별 사용량 순위를 제공하는 이유도 여기에 있어요. 서로 다른 제품과 모델의 활동을 하나의 단위로 비교할 수 있기 때문이에요. 3

Everett Randle은 모델 개선 쪽에도 비슷한 단위가 필요하다고 봐요. 그가 제안한 단위가 태스크예요. 태스크에는 모델이 일을 시작할 상태와 작업 환경이 들어가요. 결과가 좋은지 판단할 보상 신호나 검증 기준도 붙어요. 여러 번의 수행 결과를 학습에 반영하면 모델은 더 높은 점수를 받는 행동을 익혀요. 1

기존 데이터 라벨링보다 범위가 넓어요. 이미지에 상자를 그리거나 답변에 선호 표시를 남기는 작업에 그치지 않아요. 계약서를 검토하고 논거를 작성하는 과정처럼, 전문가가 실제로 어떤 자료를 보고 어떤 순서로 판단하는지까지 담으려 해요. Mercor의 기업 변호사 에이전트 평가표도 업무 결과를 세부 기준으로 나눠 채점하는 사례예요. 4

이런 데이터가 필요한 이유는 공개 인터넷의 한계 때문이에요. 법률 개념과 판례는 온라인에서 배울 수 있지만, 숙련된 변호사가 계약서의 위험을 찾고 수정안을 고르는 과정은 충분히 공개돼 있지 않아요. 의료, 금융, 소프트웨어, 과학도 비슷해요. 문서에 적힌 지식보다 상황에 맞춰 판단하는 절차를 확보하는 일이 더 어려워지고 있어요. 2

Randle은 OpenAI와 Anthropic의 데이터 지출이 매년 10배씩 늘고 있다고 주장해요. 데이터 작업 플랫폼 Mercor가 2월 연간 반복 매출 10억 달러에 도달한 뒤 4개월 만에 20억 달러를 기록했다는 수치도 제시해요. 이 숫자는 비상장 기업과 연구소의 공개 범위가 제한돼 있어 별도 확인이 필요해요. 그래도 전문가 데이터와 평가 환경에 큰돈이 들어가기 시작했다는 흐름은 보여줘요. 1

기업 입장에서는 데이터가 제품 차이를 만드는 수단이 돼요. 같은 범용 모델을 연결해도 자사 업무에서 나온 사례, 실패 기록, 평가 기준을 꾸준히 쌓은 제품이 더 안정적인 결과를 낼 수 있어요. 법률·의료·금융처럼 오류 비용이 큰 분야에서는 정답 예시만 모으는 방식으로 부족해요. 어떤 자료를 참조했고 왜 그 결론을 골랐는지 검증할 수 있어야 해요.

728x90

태스크를 시장의 공통 단위로 쓰기에는 아직 어려움도 있어요. 5분짜리 단순 분류와 변호사가 몇 시간 동안 검토한 계약 업무를 각각 1개로 세면 가치가 왜곡돼요. 분야마다 성공 기준도 달라요. 태스크 수만 공개하기보다 전문가 투입 시간, 난도, 성공률, 재현 가능한 평가 환경을 함께 봐야 해요. 현재는 토큰 사용량을 보여주는 OpenRouter처럼 시장 전체의 태스크를 비교하는 공개 지표도 없어요. 2

왜 중요한가요

AI 제품팀의 경쟁력이 모델 선택만으로 결정되기 어려워지고 있어요. 기반 모델은 다른 회사도 살 수 있지만, 실제 고객 업무에서 반복되는 상황과 실패를 데이터로 바꾸는 과정은 쉽게 복제되지 않아요. 제품을 운영하면서 쌓은 사례를 평가 가능한 태스크로 만들 수 있는 팀은 모델 교체 뒤에도 그 자산을 다시 활용할 수 있어요. 1

데이터 예산을 볼 때도 기준이 달라져요. 문서 수나 라벨 개수만 세기보다 어떤 능력을 개선하려는지 먼저 정해야 해요. 그다음 실제 업무 환경, 채점 기준, 전문가 검토 비용, 모델의 성공률을 함께 관리해야 해요. 이 구조가 없으면 데이터가 많아도 제품에서 같은 실수가 반복될 수 있어요.

‘다음 1조 달러 시장’은 저자의 전망이지 확정된 시장 규모가 아니에요. 태스크의 정의와 가격이 표준화되지 않았고 주요 연구소의 지출도 자세히 공개되지 않았어요. 다만 AI 투자에서 데이터 제작과 평가 인프라의 비중이 커지는지 살필 때, 태스크는 토큰과 다른 방향의 지표를 제공해요. 토큰이 서비스 사용량을 보여준다면 태스크는 기업이 어떤 전문 능력을 모델에 가르치려 하는지 보여줄 수 있어요. 2

참고 자료

1. The Task Economy - Data will be the next $1 Trillion Category — Everett Randle
2. 태스크 이코노미 - 데이터가 만드는 다음 1조 달러 시장 — GeekNews
3. The Gemini era: How we’re making AI helpful for everyone — Google
4. Corporate Lawyer Agent Leaderboard — Mercor