AI 회의론의 예측 성적표, 확신보다 검증이 먼저예요

AI 회의론의 예측 성적표, 확신보다 검증이 먼저예요

AI 뉴스 썸네일

AI 산업을 둘러싼 낙관론과 회의론은 모두 강한 문장으로 관심을 끌어요. 개발자 Dan Luu는 AI 회의론자로 널리 인용되는 Ed Zitron의 2024~2025년 예측을 당시 제시한 기한과 이후 결과에 맞춰 다시 확인했어요. 판정할 수 있는 예측 대부분이 실제 결과와 어긋났다는 게 글의 결론이에요. 1

핵심 요약

구분	확인한 내용	읽을 때 볼 점
빅테크 진단	Meta, Alphabet, Microsoft가 성장 동력을 잃었다는 전제와 달리 매출과 영업이익이 늘었어요	일부 제품의 약점을 기업 전체의 쇠퇴로 넓혀도 되는지 봐야 해요
AI 발전 예측	생성형 AI의 정점, 학습 데이터 고갈, 모델 개선 정체를 여러 차례 예고했지만 이후 성능과 사업 지표가 반대 방향으로 움직였어요	예측에 종료 시점과 판정 기준이 있었는지 확인해야 해요
수치 사용	숫자와 출처가 많아도 결론까지 이어지는 계산과 인과관계가 약할 수 있어요	표의 크기보다 원자료와 계산 과정을 먼저 봐야 해요
예측 평가	틀린 예측 뒤에 기한을 미루거나 판정하기 어려운 표현을 쓰면 기록을 제대로 평가하기 어려워져요	실패를 반영해 다음 예측의 확률을 낮췄는지 확인해야 해요

1. AI 회의론의 예측을 결과와 맞춰 보니

Luu가 먼저 짚은 사례는 2024년 11월의 빅테크 진단이에요. Zitron은 Meta를 죽어가는 회사로 표현했고, Google과 Microsoft도 성장 방법을 잃어 AI에 매달린다고 봤어요. 원문에 정리된 실적은 이 전제와 맞지 않아요. Meta의 매출은 2023년 1,350억 달러에서 2025년 2,010억 달러로 늘었고, 같은 기간 GAAP 영업이익은 470억 달러에서 830억 달러로 증가했어요. Alphabet과 Microsoft도 2023~2025년에 매출과 영업이익이 함께 늘었어요. 2

이 대조가 곧 AI 투자 전체의 경제성을 증명하는 건 아니에요. 막대한 데이터센터 지출이 장기 수익으로 이어질지, 개별 AI 제품이 비용을 감당할지는 따로 따져야 해요. 다만 세 회사가 성장을 잃어 마지막 수단으로 AI를 택했다는 진단은 당시와 이후의 재무 수치로 뒷받침하기 어려워요.

728x90

원문은 제품 지표를 기업 전체의 운명으로 확대하는 과정도 문제로 봐요. Facebook 이용자에 관한 제3자 추정치가 약해졌다고 해도 Meta 전체의 매출과 이익이 곧 무너진다고 연결할 수는 없어요. Google 검색의 품질 문제도 YouTube와 Google Cloud를 포함한 Alphabet 전체의 성장 여력과 구분해야 해요. 한 제품의 불만, 한 경영진에 대한 평가, 기업 전체의 재무 전망은 서로 다른 주장이라 각각 근거가 필요해요.

Zitron은 2024년에 생성형 AI가 정점에 닿았고 학습 데이터가 고갈돼 모델 개선이 멈출 것이라는 예측을 반복했어요. OpenAI의 성장 둔화와 버블 붕괴에도 비교적 짧은 기한을 붙였어요. 원문은 이후 모델 성능 개선, 강화학습과 합성 데이터 활용, OpenAI 매출 성장 등을 근거로 이런 예측이 기한 안에 맞지 않았다고 판정해요. 2025년에도 Gemini 이용자 수, CoreWeave와 Cursor의 생존 가능성, Anthropic 매출 전망을 낮게 봤지만 확인 가능한 결과는 대체로 반대였다고 정리해요. 2

더 눈여겨볼 부분은 계산과 인과관계예요. 원문은 Anthropic 매출을 추정한 스프레드시트에서 날짜 구간 누락과 중복 계산이 발견됐다고 소개해요. 숫자가 많이 등장해도 기간을 잘못 세거나 비교 기준이 바뀌면 결론은 흔들려요. 독자는 수치의 개수보다 원자료, 분모, 기간, 계산식을 확인해야 해요.

예측을 공정하게 평가하려면 맞았는지 여부만으로 끝내면 안 돼요. 당시 근거가 합리적이었지만 예상 밖 사건으로 틀릴 수도 있어요. 반대로 우연히 맞았지만 설명이 부실할 수도 있어요. Luu의 비판은 검토 가능한 예측에서 결과뿐 아니라 추론 과정도 반복해서 약했다는 데 초점을 둬요.

강한 전망을 읽을 때 확인할 기준

• 언제까지 결과가 나와야 하는지 기한이 적혀 있는지 확인해요.
• 성공과 실패를 가르는 수치가 미리 정해졌는지 봐요.
• 제품 지표와 기업 전체 실적을 섞지 않았는지 구분해요.
• 제3자 추정치보다 기업 공시와 원자료를 우선해요.
• 예측이 틀린 뒤 기한이나 표현을 바꾸지 않았는지 기록을 비교해요.
• 실패한 예측을 반영해 다음 전망의 확률을 조정했는지 살펴봐요.

왜 중요한가요

AI 업계에는 과도한 낙관과 과도한 비관이 함께 있어요. 어느 쪽이든 결론부터 정한 뒤 맞는 숫자만 고르면 제품 전략과 투자 판단이 흐려져요. 특히 모델 도입을 검토하는 팀은 “AI는 곧 모든 것을 바꾼다”라는 문장이나 “곧 버블이 무너진다”라는 문장보다 비용, 사용량, 정확도, 유지율처럼 직접 확인할 수 있는 지표를 봐야 해요. 2

이 사례는 회의론을 배척하자는 얘기가 아니에요. 데이터센터 투자비, 수익성, 저작권, 에너지 사용량은 계속 검토할 문제예요. 비판이 오래 참고할 만한 분석이 되려면 예측 기한과 판정 기준을 남겨야 해요. 계산 오류가 확인되면 고치고, 틀린 결과가 쌓이면 다음 주장에 담는 확신도 낮춰야 해요.

참고 자료

1. Ed Zitron의 AI 회의론 예측은 얼마나 정확했나? — GeekNews
2. How accurate have Ed Zitron's AI skeptic predictions been? — Dan Luu