简体中文

繁體中文

English

Tiếng Việt

한국어

日本語

ภาษาไทย

Türkçe

Stratechery가 AI 거품 이론을 반박하며, 우리는 AI를 어떻게 활용해야 하는가?

이 글을 읽으려면 18 분

LLM 쓰리스텝 모델은 에이전트를 도구에서 실행 시스템으로 이끄는 점프 변이를 촉진하며, 현재 AI 투자는 이제 더 많이 선행 수요에 가까워지고 있습니다. 이는 거품이 아닌 방향으로 진행 중입니다.

원문 제목: Agent Over Bubbles
원문 작성자: Ben Thompson, Stratechery
번역: Peggy, BlockBeats

편집자 주: AI 투자와 산업 설화가 계속해서 가열되는 가운데, "거품이 존재하는가"가 시장에서 반복적으로 논의되는 핵심 문제가 되었습니다. 한편으로는 극단적인 위험 설화가 기술의 제어 불능에 대한 우려를 지속적으로 강화시키고 있으며, 또 다른 한편으로는 급속한 자본 지출과 평가 수준은 "거품론"을 항상 쫓게 합니다. 이러한 분분 속에서 시장 판단은 명백한 불확실성을 보이고 있습니다.

본문의 저자 Ben Thompson은 기술 분석 플랫폼인 Stratechery의 창립자로, 기술 산업 구조와 비즈니스 모델 발전을 오랫동안 주시해왔습니다. 엔비디아 GTC 2026이 개최된 이 시점에 그는 이전에 "AI가 거품 속에 있는가"에 대한 판단을 수정했습니다: 현재를 더 이상 거품으로 보지 않고, 대신 기술 패러다임 변화에 의해 촉진되는 구조적 성장으로 이해하기로 했습니다.

이러한 판단은 LLM의 세 번의 중요한 전환을 관찰한 바에 기반하고 있습니다. 2022년 ChatGPT가 대형 언어모델의 능력을 시장에 처음으로 보여준 이후, LLM은 "사용 가능하지만 불안정"에서 시작하여 "추론 능력 보유"로 발전하고, 다시 "독립적인 작업 수행 능력"으로 발전했습니다. 특히 2025년 말에는 Anthropic Opus 4.5와 OpenAI GPT-5.2-Codex의 출시로, agentic 작업 부하가 개념에서 현실로 이동하기 시작했습니다.

여기서 핵심은 모델 자체가 아니라 "에이전트 하네스(agent harness)"의 등장에 있습니다. 에이전트는 사용자와 모델을 분리하고, 모델 스케줄링, 도구 호출 및 결과 확인을 담당하여 AI를 계속해서 인간 간섭이 필요한 도구에서 신뢰할 수 있는 작업 시스템으로 전환시켰습니다. 이러한 변화는 신뢰성을 향상시키는 데 그치지 않고 AI의 응용 범위를 확대시켰습니다.

이러한 패러다임 변화를 바탕으로, 저자는 더 나아가 AI 수요 확대가 더 이상 사용자 규모에 따라 결정되는 것이 아니라, 단일 사용자의 스케줄링 능력에 더 많이 의존한다고 지적했습니다. 동시에 agentic 작업 부하는 "우위를 점하는" 특징을 갖추고 있어 고성능 컴퓨팅에 대한 수요를 계속해서 증가시키며, 칩 제조업체와 클라우드 서비스 제공업체에 구조적 기회를 제공하고 있습니다.

이러한 틀 속에서 현재의 대규모 자본 지출은 미래에 대한 투기적인 사상뿐만 아니라 실제 수요에 대한 전방위 반영일 수도 있음을 저자는 덧붙였습니다. AI가 "보조 도구"에서 "수행 인프라"로 나아가면서, 그 경제적 영향은 아직 시작에 불과할지 모릅니다.

다음은 원문입니다:

과거에는 후자를 더 선호했으며, 때로는 거품이 어떤 단계에서는 나쁜 것이 아닐 수도 있다고 생각했습니다.

그러나 지금, 2026년 3월, 엔비디아 GTC 개최를 맞아 처음으로 판단을 바꿀 때입니다: 이것은 아마도 거품이 아닙니다. (더 아이러니한 점은, 이 판단 자체가 아마도 거품의 신호일 수 있다는 것입니다.)

LLM의 세 차례 패러다임 전환이

최근 몇 주간, 저는 엔비디아와 오라클의 재무제표에 대해 논의할 때 LLM이 세 차례 중요한 전환을 겪었다고 여러 번 언급했습니다.

첫 번째 단계: ChatGPT

첫 번째 전환점은 2022년 11월 ChatGPT의 발표였으며, 거의 말이 필요 없는 사건이었습니다. Transformer를 기반으로 한 대형 언어 모델이 이미 2017년에 등장했고 능력은 계속 향상되어 왔지만, 장기간에 걸쳐 과소평가되었습니다. 심지어 2022년 10월에는 Stratechery에서의 인터뷰에서 이 기술이 놀라운 반면 제품화 및 창업 역량이 부족하다고 생각했습니다.

그러나 몇 주 후에 모든 것이 완전히 뒤바뀌었습니다. ChatGPT를 통해 세상은 처음으로 LLM의 능력을 실감했습니다.

그러나 초기 버전도 두 가지 강렬한 인상을 남겼으며, 특히 "거품론자"들이 자주 언급합니다:

첫 번째로, 모델은 종종 틀리고, 답을 모르는 경우에는 "환각적인" 것을 만듭니다. 이로써 이는 "쇼킹한 도구"와 같아졌는데, 놀랄 만한데 신뢰할 수 없습니다.

두 번째로, 그래도 여전히 매우 유용하지만, 사용 방법을 알아야 하며 출력을 지속적으로 확인하고 오류를 수정해야 합니다.

두 번째 단계: o1

두 번째 전환점은 2024년 9월 OpenAI가 발표한 o1 모델이었습니다. 그 때, LLM은 이미 더 강력한 기본 모델과 후훈련 기술로 상당한 발전을 이루었으며, 출력이 더 정확해졌으며 환각이 줄었습니다.

그러나 o1의 중요한 평형은 다음과 같았습니다: 그것은 먼저 "생각"한 다음 답변합니다.

전통적인 LLM은 경로 의존적이었으며 추론 과정에서 잘못된 방향으로 가면 계속해서 잘못된 결과를 내놓습니다. 이것이 "자기 회귀 모델"의 본질적인 약점입니다. 그러나 추론 모델은 답변을 자가 평가하며, 먼저 답변을 생성한 다음 올바른지 판단하고 필요할 때 다른 경로를 시도합니다.

이는 모델이 오류를 능동적으로 관리하기 시작했음을 의미하며, 사용자 개입 부담을 줄이기 시작했습니다. 결과는 매우 현저합니다. ChatGPT의 발전이 "LLM을 사용 가능하게"한 것이라면, o1의 발전은 "LLM을 믿을 만하게"한 것입니다.

제3 단계: 에이전트 (오퍼스 4.5 / 코덱스)

2025년 말, 제3 차 점프가 발생했습니다.

2025년 11월, Anthropic이 오퍼스 4.5를 출시했고 처음에는 큰 반향이 없었습니다. 그러나 12월에는 이 모델을 탑재한 Claude Code가 이전에 없었던 능력을 갑자기 보여주었으며, 거의 동시에 OpenAI가 GPT-5.2-Codex를 발표하여 유사한 수준의 능력을 보여주었습니다.

이전에 사람들은 계속 "에이전트"에 대해 이야기해 왔지만, 이 순간, 그들은 드디어 작업을 완수하기 시작했으며, 때로는 몇 시간이 걸리는 복잡한 작업까지 정확하게 수행했습니다.

핵심은 모델 그 자체가 아니라 컨트롤 레이어 (harness)에 있습니다. 즉, 사용자가 더 이상 모델을 직접 조작하지 않고 목표를 설정하고, 에이전트가 모델을 스케줄링하고 도구를 호출하며 프로세스를 실행하고 결과를 확인합니다.

프로그래밍을 예로 들면:

·제1 단계: 모델이 코드를 생성합니다

·제2 단계: 모델은 생성 프로세스 중에 추론을 수행합니다

·제3 단계: 에이전트는 코드를 생성 → 테스트 실행 → 자동으로 테스트 실행 → 잘못된 경우 다시 시도하며, 사용자는 계속 개입할 필요가 없습니다.

이것은 ChatGPT 시대의 핵심 결함이 체계적으로 해결되고, 더 높은 정확도, 더 강력한 추론 능력, 자동 검증 메커니즘을 의미합니다.

남은 유일한 문제는 무엇에 사용해야 하는가인가요?

「능동성」의 장벽이 낮아지고 있습니다

나는 이 3가지 전환점을 반복해서 강조한 이유는 전체 산업이 계산 능력의 심각한 결핍을 겪고 있기 때문이며, 대규모 자본 지출이 타당한 이유를 설명하기 위한 것입니다.

세 가지 패러다임은 계산 능력 수요가 완전히 다릅니다:

·제1 단계: 교육은 계산 능력을 필요로 하지만 추론 비용은 낮습니다

·제2 단계: 추론 비용 급증 (더 많은 토큰 + 더 높은 사용 빈도)

·제3 단계 (에이전트): 여러 번 모델을 호출하고, 에이전트 자체도 계산 능력을 소모하며 (심지어 CPU를 선호함), 사용 빈도가 더욱 급증합니다

그러나 더 중요한 것은 세 번째 점입니다: 수요 구조의 변화가 심각하게 과소 평가되었습니다.

현재 챗봇을 사용하는 사람은 에이전트를 사용하는 사람보다 훨씬 많으며, 사실 많은 사람들이 AI를 충분히 활용하지 못하고 있습니다. AI를 사용하는 데는 "능동성"이 필요하기 때문입니다. LLM은 도구입니다. 그것은 목표나 의지가 없으며, 능동적으로 호출될 수밖에 없습니다.

그러나 에이전트(Agent)는 이를 바꿨습니다. 에이전트는 인간의 능동성에 대한 요구를 줄였습니다. 미래에는 한 사람이 여러 개의 에이전트를 동시에 지시할 수 있을 것입니다.

이는 적은 수의 사람만이 '능동성'을 갖추더라도, 막대한 계산 능력 수요와 경제 생산을 견인할 수 있다는 것을 의미합니다.

AI는 여전히 '인간 주도'를 필요로 하지만 더 이상 '많은 사람'을 필요로 하지는 않습니다.

기업의 유료 동력

소비자 측면에서 AI에 대한 유료 의지는 제한적임이 점차 분명해지고 있습니다. 생산성에 대한 대가를 지급하고자 하는 진정한 의지를 갖춘 것은 기업입니다.

기업이 가장 열광하는 것은 AI가 효율성을 향상시키는 것뿐만 아니라 AI가 노동력을 대체하고 더 효율적일 수 있다는 점입니다.

현재의 현실은, 실제로 비즈니스를 전진시키는 것은 종종 소수의 사람이지만, 조직은 매우 거대하여 대량의 조율 비용을 야기합니다. 에이전트의 역할은 '가치 추구자'의 영향력을 증폭시키고 동시에 조직적 마찰을 줄이는 것입니다.

결과는 '더 적은 인원 → 더 높은 생산량 → 더 적은 비용'입니다. 이것이 바로 왜 미래의 감원은 '주기적 조정'뿐만이 아니라 구조적 변화일 수도 있는 이유입니다.

기업은 다시 고민할 것이며, AI 시대에 우리가 혹시 이 정도 사람들이 필요 없었을지도 모른다는 것을 고려할 것입니다.

이게 왜 버블이 아닌가요?

이 관점에서, '버블이 아닌' 논리는 비교적 명확합니다:

1. LLM의 핵심 결함은 계산 능력과 아키텍처에 의해 계속해서 해결되고 있음

2. 주도 수요의 인원 임계치가 낮아지고 있음

3. 에이전트가 제공하는 이익은 비용 절감뿐만 아니라 수익 증대도 포함함

그래서 모든 클라우드 공급업체가 계산 능력의 수요가 공급을 초과하고 있으며 지속적으로 자본 지출을 크게 증가시키고 있음을 이해하는 것은 어렵지 않습니다.

에이전트와 가치 사슬 재구성

또 다른 중요한 문제는, 모델이 최종 상품화된 경우, OpenAI와 Anthropic은 여전히 수익을 올릴 수 있을까요?

전통적인 견해는 안 될 것이라고 보지만, 에이전트는 이를 바꿨습니다. 핵심은, 진정한 가치가 모델 자체가 아니라 '모델 + 제어 시스템' 통합에 있음에 있습니다.

이익은 종종 '통합 계층'으로 향하며, 교체 가능한 모듈이 아닌 곳으로 향합니다. 애플이 왜 그들의 하드웨어를 상품화하지 않는지는 소프트웨어와 심층적 통합 때문입니다. 마찬가지로, 에이전트는 모델과 하네스의 깊은 협력을 필요로 하며, 이는 OpenAI와 Anthropic이 가치 사슬에서 핵심 통합자가 되도록 만들며 교체 불가능한 환경이 되는 것입니다.

마이크로소프트의 변화는 신호입니다. 이전에는 "모델 교체 가능성"에 중점을 두었지만, Agent 제품을 출시한 후에는 이를 포기할 수밖에 없었습니다.

이는 모델이 완전히 상용화되지 않을 수 있다는 것을 의미하며, 왜냐하면 Agent에는 통합 능력이 필요하기 때문입니다.