원문 제목: 기계 노동 시장

원문 저자: @__sishir

편역: Peggy

편집자 주: AI가 코드를 작성하고, 고객 서비스 티켓을 처리하며, 법률 문서를 검토하기 시작하면서, 더 근본적인 문제가 떠오르고 있습니다. 기업이 실제로 구매하는 것은 토큰, GPU 시간, 아니면 완료된 작업일까요?

이 글은 주목할 만한 프레임워크를 제시합니다. AI의 상업화는 단순히 '컴퓨팅 파워 시장'이나 '모델 호출 시장'으로 이해되어서는 안 되며, 새로운 '기계 노동 시장'으로 나아가고 있습니다. 이 시장에서 토큰은 단지 측정 단위일 뿐이며, GPU는 투입 요소, 모델은 생산 도구이고, 실제로 가격이 책정되고 거래되는 대상은 소프트웨어가 직접 완료하는 경제적 노동입니다.

이 글의 핵심 판단은 AI 가격 책정 메커니즘이 원시 토큰, 표준화된 모델 능력, 산업별 노동력, 그리고 프로그래밍 가능한 결과 시장으로 진화할 것이라는 점입니다. 즉, 미래의 기업은 특정 작업이 어떤 모델이나 어떤 GPU로 완료되었는지 더 이상 신경 쓰지 않고, 지정된 지연 시간, 정확도, 신뢰성 및 비용 범위 내에서 표준에 부합하는 결과를 제공했는지에만 관심을 가질 것입니다.

이는 또한 AI가 인간 노동 시장에 미치는 영향이 단순한 대체에 그치지 않을 수 있음을 의미합니다. 기계가 더 많은 표준화 가능하고 검증 가능한 작업을 담당함에 따라, 인간의 역할은 검토, 책임 부담, 맥락 관리 및 최종 판단으로 전환될 수 있습니다. 특정 시나리오에서는 마지막 1%의 인간 판단이 오히려 더 가치 있게 될 수 있습니다. 왜냐하면 그것이 대규모 자동화의 99%를 실현할 수 있기 때문입니다.

이러한 관점에서 볼 때, AI 시장의 다음 단계 경쟁은 더 이상 모델 능력 경쟁이나 단순한 컴퓨팅 파워 가격 전쟁이 아니라, 누가 먼저 '작업'을 표준화하고, 검증 가능하게 하며, 가격을 책정하고, 궁극적으로 기계 노동을 조달, 정산 및 거래할 수 있는 새로운 생산 요소로 만드는가에 달려 있습니다.

다음은 원문입니다:

생산성의 물결은 항상 인간의 생산 도구와 소프트웨어에서 비롯되어 작업 완료 방식을 최적화해 왔습니다. 스프레드시트는 회계사와 분석가를 도왔고, 컨베이어 벨트는 처리량을 늘렸으며, 망치는 인간의 힘을 증폭시켰습니다. 그러나 진정한 노동은 항상 인간에게서 나왔습니다.

이제 AI는 작업 결과물을 종단 간(end-to-end)으로 생산하며, 노동 자체를 직접 수행합니다. 코드를 작성하고, 고객 서비스 티켓을 처리하며, 법률 문서를 검토할 수 있습니다. 전체 기술 스택의 끝단에서 압축이 일어나고 있습니다. 기존 기술 스택은 노동을 지원했지만, 새로운 기술 스택은 노동을 생산하기 시작했습니다.

최근 AI 금융화에 대한 논의를 들어봤다면, 젠슨(Jensen) 등이 LLM 토큰 및/또는 GPU 시간이 새로운 원자재가 되고 있다고 말하는 것을 들었을 것입니다. 토큰은 측정 가능하고, 청구 가능하며, 그래프로 그리기 쉽기 때문에 이러한 직관은 이해할 수 있습니다. GPU 시간 뒤에는 수십억 달러의 자금이 유입되고 있습니다. 하지만 토큰은 여전히 계량기일 뿐이고, GPU 시간은 투입물일 뿐이며, 누구도 그것 자체를 소유하기 위해 구매하지 않습니다. 사람들이 진정으로 원하는 것은 작업을 완료하는 것입니다. AI는 기술 스택 자체를 노동력의 원천으로 변화시키고 있습니다.

기계 노동: 소프트웨어에 의해 실행되고, 경제적 용도가 있으며, 생산 단계에 판매되는 작업.

시장은 이미 이 방향으로 움직이고 있습니다. Benchmark의 Sarah Tavel은 이 기회를 소프트웨어 카테고리가 아닌 아웃소싱 노동 시장을 통해 이해하는 경향이 있습니다. 반복 가능한 작업이 원래 전담 오프쇼어 팀이나 전문 서비스 회사에 의해 수행되었다면, 그것은 종종 AI가 제공하기에 적합한 작업이기도 합니다. a16z의 Alex Rampell은 이를 "소프트웨어가 노동을 삼키다"라고 부릅니다. 소프트웨어의 다음 단계는 직접 작업을 완료하는 것입니다. Sequoia의 Julien Bek은 다른 각도에서 동일한 변화를 설명합니다. 서비스가 소프트웨어가 되고 있으며, copilot은 도구를 판매하고, autopilot은 작업을 판매합니다.

관련 읽기: https://sequoiacap.com/article/services-the-new-software/

결과 가격 책정 뒤에 숨겨진 시장

좌석 가격 책정은 접근 권한에 따라 요금을 부과하고, 토큰 가격 책정은 사용량에 따라 요금을 부과합니다. 결과 가격 책정은 작업이 완료될 때 요금을 부과합니다. 결과 가격 책정은 한 걸음 더 나아가게 해주지만, 여전히 한 가지 질문에 답하지 못합니다. 누가 가격을 결정하는가?

기계 노동을 직접 구매할 수 있다면, 가격은 공급업체 간의 경쟁에서 비롯되어야 합니다. 이러한 공급업체는 동일한 유형의 작업 또는 작업 완료 기준을 충족할 수 있어야 하며, 이를 위해서는 다양한 산업 및 작업 내에서 표준화가 필요합니다.

현재 접근 방식은 LLM 토큰을 사용하는 것이지만, 원시 토큰은 가장 기본적인 수준에 불과합니다. 석유 배럴은 단지 측정 단위일 뿐이며, 실제로 거래되는 것은 명확한 품질, 인도 조건 및 시장 가격을 가진 특정 등급의 석유 배럴입니다. 브렌트유 한 배럴과 고유황 중질유 한 배럴은 동일한 상품이 아닙니다. LLM 토큰도 마찬가지입니다. 토큰은 단지 측정 단위일 뿐이며, 진정으로 중요한 것은 그 뒤에 있는 지능입니다. 모델 품질, 벤치마크 하한, 지연 시간, 컨텍스트 윈도우, 신뢰성 및 인도 보장입니다. 최첨단 코드 모델의 100만 개 토큰과 저렴한 범용 모델의 100만 개 토큰은 동일한 상품이 아닙니다. 시장은 에너지 시장이 표준화된 석유 등급을 필요로 하는 것처럼 표준화된 추론 등급을 필요로 합니다.

Anjali Shriva는 이를 직접적으로 지적했습니다: 토큰은 고정된 비용 단위가 아닙니다. 토큰의 경제성은 컨텍스트 길이, 작업 구조, 입력/출력 비율, 재시도 횟수, 도구 호출 및 에이전트 워크플로에 따라 달라집니다. 짧은 프롬프트 안의 토큰 하나와 긴 에이전트 루프 속에 묻힌 토큰 하나는 동일한 경제적 대상이 아닙니다.

우리는 이미 인간 노동 시장에서 이렇게 해왔습니다. 아무도 방사선 전문의를 일반화된 '인간 시간' 단위로 고용하지 않습니다. 사람들은 교육 배경, 자격증, 전문 분야, 경력 연수, 가용성, 평판, 책임 범위 등을 고려합니다. 서로 다른 인간 계약 사양은 각기 다른 최소 기준과 등급 기대치에 대응합니다.

인간 노동 시장은 원래 이러한 사양을 기반으로 작동하지만, 이러한 사양은 종종 혼합되어 있고 정성적이며 다양한 대리 지표로 가득 차 있습니다. 기계 노동은 이러한 사양을 더욱 명시적이고 정량화 가능하게 만듭니다.

LLM 또는 에이전트의 경우, 기술, 경험, 속도 및 신뢰성과 같은 지표는 계약에 직접 명시될 수 있습니다: 벤치마크 점수, 지연 시간, 처리량, 컨텍스트 창, 최대 출력 길이, 도구 사용 정확도, 가동 시간, 오류율. 우리는 정량화 가능한 기대치와 결과에 따라 노동력을 조달할 수 있습니다.

TheGrid.ai의 계약 사양은 본질적으로 자격 필터와 LLM 출력에 대한 가격 경쟁을 결합한 것입니다. 공급업체가 사양을 충족하기만 하면 경쟁에 참여할 수 있습니다:

지능 벤치마크 ≥ 하한

지연 시간 ≤ 상한

처리량 ≥ 하한

가동 시간 ≥ 하한

오류율 ≤ 상한

모든 공급업체가 동일한 최소 기준에 도달하면 가격 경쟁을 시작합니다. 구매자가 묻는 질문은: 어떤 공급업체가 필요한 노동력을 최적의 가격으로 제공할 수 있는가?

방사선 전문의 채용은 LLM 맥락에서 측정 가능한 문제로 변환됩니다: 어떤 LLM이 높은 숙련도로 X-ray를 판독하고, 명확한 지연 시간, 컨텍스트 창 및 기타 결과 기반 계약 사양 내에서 작업을 완료할 수 있는가?

결과는 구매자가 성공을 측정하는 방식이며, 노동은 공급되는 경제 활동이며, 토큰은 기계가 작업을 수행하는 과정에서 소비하는 연료입니다.

The Grid는 바로 기계 노동 시장입니다.

토큰에서 머신 노동 시장으로

시장은 기술 스택의 투입 요소에 가격을 매길 수 있지만, 산출물에 가격을 매기려면 머신 노동 시장이 필요합니다. 구매자는 GPU 시간에 신경 쓰지 않습니다. 모델 엔드포인트 자체도 불안정합니다. 이름이 바뀌거나, 폐기되거나, 래핑되거나, 직접 폐기될 수 있습니다.

사용자와 유동성은 잦은 변화를 싫어합니다. GPU와 모델은 계속 진화하지만, 안정적인 단위는 작업 자체입니다.

저는 시장이 다음과 같은 경로를 따라 진화할 것이라고 생각합니다. 한 단계씩 올라갈수록 구매하는 대상은 더 추상적이고 가치가 높아지지만, 검증하기도 더 어려워집니다. The Grid는 이 사다리를 따라 점진적으로 올라가야 합니다:

원시 토큰 → 상품화된 LLM 능력 시장 → 상품화된 노동 시장 → 프로그래밍 가능한 결과 시장

1단계: 원시 토큰

Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5 등.

오늘날 구매자는 추론 공급업체로부터 원시 모델 출력을 구매합니다. 자신의 프롬프트를 보내고 추론 결과를 받으며 사용량에 따라 비용을 지불합니다. 이는 쉽게 검증할 수 있지만, 여전히 원자재에 불과합니다. 구매자가 진정으로 원하는 것은 토큰이 아니라, 최적의 가격으로 유용한 지능을 얻는 것입니다.

2단계: 상품화된 LLM 능력 시장

예: text/usd, code/usd, agent/usd 등.

구매자는 더 이상 특정 모델을 선택하지 않고, 필요한 지능의 유형을 선택합니다. 구매자는 여전히 워크플로우, 프롬프트, 데이터 및 애플리케이션 로직을 제어합니다. The Grid는 각 요청을 계약 사양에 맞고 가장 낮은 가격을 제공하는 적격 모델로 라우팅합니다.

참고: 이는 원시 토큰 위의 첫 번째 진정한 추상화 계층이며, TheGrid.ai가 현재 위치한 곳입니다.

3단계: 상품화된 노동 시장

예: accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd 등.

모델이 더 전문화됨에 따라 능력 시장은 업종별 시장으로 더욱 진화할 수 있습니다. 이는 인간이 다양한 노동 시장에서 전문화되는 것과 유사합니다.

이 계층에서는 특정 노동 수직 분야의 워크플로우에 적합한 추론 능력을 판매합니다. 세분화된 산업 모델이 점점 보편화됨에 따라 이러한 시장은 빠르게 확장될 것입니다. 관련 예시로는 Cursor의 Composer, 법률 업무를 위한 Harvey, 의료 건강 분야를 위한 EvidenceOpen이 있습니다.

4단계: 에이전트를 위한 프로그래밍 가능한 RFQ 및 결과 시장

예를 들어 support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd 등이 있습니다.

마지막 계층은 The Grid가 추론 시장에서 기계 노동 시장으로 전환되는 지점입니다.

이 계층에는 RFQ(견적 요청), 에스크로 계정, 지연 결제, 구매자 확인, 공급자 평판, 차감 메커니즘, 분쟁 해결 등의 메커니즘이 필요합니다. 주문장(Order Book)을 직접 사용하기보다는 RFQ부터 시작할 가능성이 높습니다. 구매자는 작업 내용, 제약 조건, 승인 기준 및 결제 조건을 정의하고, 에이전트는 작업 완료를 위해 입찰합니다. The Grid는 이러한 작업의 라우팅, 가격 책정, 검증 및 결제를 지원합니다.

이는 가장 가치 있는 계층이지만, 결과가 지연되거나 주관적이며 조작되기 쉬워 검증이 가장 어려운 계층이기도 합니다. 고객 지원 티켓이 다시 열릴 수 있고, PR이 테스트를 통과했지만 여전히 나쁜 아키텍처를 초래할 수 있습니다.

총 가격 = 작업 완료 비용 + 위험 부담 비용

워크플로우는 지능에 시장이 생겼거나 지능이 저렴해졌다고 해서 자동으로 시장이 되지는 않습니다. 일부 작업은 고객 기록이나 내부 정책과 같은 사적 컨텍스트에 크게 의존합니다. 작업이 컨텍스트에 더 의존할수록 개방 시장에서 깔끔하게 청산될 가능성이 낮아집니다.[@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]

시장은 어떤 노동 범주가 확장되고 어떤 범주가 축소될지를 드러내야 합니다.

「기계 노동 vs 인간 노동」, 아니면 「기계 노동 & 인간 노동」

Anjali Shriva는 메커니즘 디자인 초안에서 AI 서사가 너무 자주 대체로 묘사된다고 지적합니다. 그러나 실제로는 조정 문제에 더 가깝습니다. 인간과 기계가 모두 생산에 참여할 때, 작업, 귀속, 인센티브 및 가치가 어떻게 재구성될 것인가에 대한 문제입니다.

오늘날 기업 내부에서 AI 사용은 여전히 제한적입니다. 직원들이 개인적으로 AI를 사용하고 있지만, 워크플로는 여전히 개인에게 고정되어 있어 기업은 이러한 생산성 향상에 가격을 매기거나 그 이점을 확장할 수 없습니다.

자동화 가능한 대부분의 작업은 기계로 이전될 것입니다. 일부 작업은 인간의 검토, 책임 부담, 훈련 및 컨텍스트 관리로 전환됩니다. 어떤 경우에는 마지막 1%의 인간 판단이 더 가치 있게 됩니다. 왜냐하면 그것이 99%의 자동화 작업을 대규모로 해제할 수 있기 때문입니다.

Rachel Su Park의 《Brave New World of AI Markets》에 따르면, AI의 TAM은 기존 인간 노동 지출의 단순한 대체로 모델링되어서는 안 됩니다. 이는 가격과 수량을 동시에 변화시키기 때문입니다. 작업 비용이 낮아짐에 따라 단위 가격은 하락할 수 있지만, 소비 수량은 확장될 수 있습니다. 기존 작업이 더 자주 소비되고, 과거에는 경제성이 없었던 새로운 작업도 실행 가능해지기 때문입니다. 이 글은 이를 다음과 같이 요약합니다:

P × Q: 시장 규모 = 단위 작업 가격 × 소비된 작업 수량

AI가 고객 서비스 상호작용을 더 저렴하게 만든다면, 기업은 24/7 연중무휴 서비스 능력을 제공할 수 있습니다. 이 시장은 단순히 기존 고객 서비스 노동 시장의 저렴한 버전이 아니라, 훨씬 더 큰 고객 상호작용 시장이 될 수 있습니다.

AI는 확장형 시장입니다. 작업 비용이 하락할 때 수요가 변하지 않기 때문입니다.

노동 계층

기계 노동 시장은 명확히 정의된 사양의 작업에서 시작해야 합니다. GPU 시간은 너무 많은 투입 정보를 포함하여 무엇이 작업을 지원하는지만 알려줍니다. 반면, 완전한 결과에 가격을 매기는 것은 너무 복잡하고 컨텍스트에 지나치게 의존합니다. 검증, 평판 및 위험/보험 가격 책정이 점차 기계에 의해 대체됨에 따라, 시장은 순수 결과 계층으로 나아갈 것입니다.

기계 노동은 거래 가능해질 수 있습니다. 구매자가 어떤 모델이나 어떤 GPU가 작업을 생산했는지보다는, 작업 자체가 올바른 가격으로 계약 사양의 최소 기준과 등급을 충족하는지에 더 관심을 가지기 때문입니다. Agent는 이러한 하위 소스에 대해 더욱 무관심할 것입니다.

기계는 이제 경제적 용도를 가진 작업을 직접 실행할 수 있습니다. 이러한 작업은 정의, 측정, 가격 책정, 조달 및 최종적으로 거래될 수 있습니다. 전력, 컴퓨팅 파워, 모델 및 토큰은 물론 여전히 중요하지만, 이들은 모두 상류에 있습니다.

하류가 실제로 작업이 완료되는 곳이며, 시장은 더 단순한 대상인 기계 노동으로 나아가고 있습니다.

[원문 링크]

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia