미래에셋증권 웹진(2025년 11월) 첫 페이지

2. 능력의 정량적 증명: 인간 전문가 영역으로의 진입

AI의 발전은 추상적 담론이 아닌, 정량적 데이터로 증명되는 현실입니다. 다양한 전문 분야에서 AI의 능력은 이미 인간 전문가 수준에 도달했거나, 격차를 무서운 속도로 좁히고 있습니다.

2-1. 범용 전문성: 산업 전문가와의 성능 비교

OpenAI의 GDPval 연구는 AI의 능력이 특정 코딩 분야에 국한되지 않고 경제 전반으로 확장되고 있음을 증명하기 위한 자료입니다. 연구는 9개 산업, 44개 직업에 걸쳐 총 1,320개의 실제 업무 과제를 대상으로 했습니다. 평가 방식은 평균 14년 경력의 산업 전문가가 수행한 결과물과 AI의 결과물을 블라인드로 비교 평가하는 것이었습니다. 측정된 'AI 승리' 또는 '무승부' 비율은 GPT-4o 12.4%, Grok 4 24.3%, Gemini 2.5 Pro 25.5%, GPT-5 high 38.8%, Claude Opus 4.1이 47.6%를 기록했습니다.

OpenAI가 발표한 것인데 GPT-5보다 경쟁사인 Anthropic의 Claude 모델이 더 우수하다고 한 것은 이 평가의 신뢰성을 더욱 높이는 요소입니다. 더욱이, 가장 성능이 높은 Claude Opus 4.1 모델이 기록한 데이터는 그 중요성이 남다릅니다. 47.6%라는 수치는 '산업 전문가와 대등한 수준(Parity with industry expert)'을 의미하는 기준선 50%에 극도로 근접한 값입니다. 다시 말해, 인간 전문가와 대등한 수준에 불과 2.4%p 차이로 근접했으며, 다음 세대 모델이 이 격차를 해소할 가능성은 매우 높습니다. 물론 GDPval의 과제들이 실제 현장의 복잡하고 '지저분한(messy)' 문제를 완벽히 반영하지 못할 수 있다는 일각의 비판도 존재합니다. 그럼에도 이는 AI가 특정 업무 영역에서 인간 전문가의 생산성에 거의 도달했음을 시사하는 강력한 증거 데이터입니다.

실리콘밸리 AI 커뮤니티에서는 AGI 도래 시점을 '불과 몇 년'으로 보는 것이 일반적이며, '10년'을 예측하면 오히려 '긴 타임라인'으로 여깁니다. 기술의 한계와 난점을 가장 잘 아는 실무 전문가들이 오히려 가까운 미래에 큰 장벽이 없다고 본다는 점은, 현재의 개발 방향이 올바르며 남은 과제들이 해결 가능한 공학적 문제에 가깝다고 인식하고 있음을 시사합니다.

2-2. 최상위 도메인 정복: 금융 및 과학 올림피아드

AI는 범용성을 넘어, 인간 지성의 가장 깊고 어려운 영역까지 정복하고 있습니다. 금융과 과학 분야의 최고난도 시험 통과는 그 상징적인 사례입니다.

첫째, 일부 최첨단 AI 모델들은 세계에서 가장 어렵다고 평가받는 CFA Level III 시험의 모의고사를 통과했습니다. 이 시험은 실제 응시자 중 합격 비율이 49%에 불과하고, 역사적으로도 평균 합격률이 50% 안팎에 머무는 시험입니다. 최고 성적을 기록한 모델은 OpenAI o4-mini(79.1%)와 구글 Gemini 2.5 Flash(77.3%)였습니다. 이 연구는 NYU Stern 경영대학원과 GoodFin이 공동으로 진행했으며, 구글, OpenAI, Anthropic 등 23개 주요 모델을 분석했습니다. 평가 방식은 객관식과 에세이 형식의 복합 평가였습니다. 핵심 발견사항은 모델 간 능력 차이에 있었습니다. 객관식 문항에서는 대부분 모델이 71-75% 범위로 비슷한 성적을 보였으나, 에세이 형식의 문제에서는 점수 편차가 크게 나타났습니다. 이는 단순 지식 암기 및 적용은 상향평준화 되었으나, 복잡한 논리 전개와 추론 능력은 여전히 최첨단 모델들의 차별화 요소임을 시사합니다. 이미 마이크로소프트 보고서는 개인 금융 자문가를 AI가 대체할 가능성이 높은 직업군으로 분류한 바 있습니다.

둘째, AI는 세계 최고 수준의 과학 영재들과 겨루어 금메달 수준의 성과를 거두었습니다. GPT-5와 Gemini 2.5 Pro는 2022-2025년 국제천문학 및 천체물리학 올림피아드(IOAA) 이론 시험에서 압도적인 성과를 달성했습니다. 두 모델은 각각 평균 84.2%와 85.6%를 기록하며 금메달 수준의 성과를 보였고, 이는 약 200-300명의 참가자 중 상위 2위 안에 랭크되는 수준입니다. 연도별 세부 성적은 다음과 같습니다.

• 2025년 이론 시험: GPT-5 86.8% (1위), Gemini 2.5 Pro 81.2% (2위)
• 2022년 이론 시험: GPT-5 93.0% (1위), Gemini 2.5 Pro 91.8% (2위)

이 결과의 신뢰도는 데이터 오염(contamination) 가능성을 배제함으로써 더욱 높아집니다. 2025년 8월에 실시된 시험은 모든 평가 모델의 최신 지식 컷오프(2025년 3월)보다 늦게 치러졌습니다. 이는 모델이 시험 문제를 사전에 학습했을 가능성이 자연스럽게 차단되었음을 의미합니다. 2025년 시험 점수가 전체 평균 점수와 유사하다는 점 역시 오염의 영향이 최소 수준임을 시사하는 근거입니다.

데이터 분석 능력에서는 모델 간의 질적 차이가 더욱 선명하게 드러났습니다. GPT-5는 이론 시험뿐만 아니라 데이터 분석 시험에서도 평균 88.5%라는 높은 성적을 유지하며 최근 4개 IOAA에서 상위 10위 안에 들었습니다. 반면, 다른 모델들은 데이터 분석 시험에서 성적이 48-76%로 하락하며, 이론 시험 대비 10-15%포인트나 점수가 떨어졌습니다. 이 격차의 원인은 멀티모달 역량에 있었습니다. GPT-5는 도표를 읽고 그리는 과정에서 오류가 현저히 적었으며, 이는 멀티모달 능력의 차이가 데이터 분석 성과를 결정하는 핵심 요인임을 입증합니다.

앞으로 선도적인 AI 기업들이 어느 쪽으로 집중할 수밖에 없는지를 의미한다고 볼 수 있습니다. 그 방향이라는 것은, 높은 확률로 프레임 생성(혹은 동영상 생성) 모델의 연구가 될 것입니다. 그리고 이는 기존의 연구와는 차원이 다를 정도의 컴퓨팅 자원이 필요하다는 것을 유념해야 합니다. 물론, 이번 천문학 금메달의 성과 이면에는 AI의 체계적 약점도 명확히 드러났습니다. 모델들은 물리/수학적 계산이 중심인 문제(Category II)에서는 67-91%의 강한 성과를 보였습니다. 하지만 기하학적, 공간적 추론이 필수적인 문제(Category I)에서는 49-78%로, 성과가 15-26%포인트나 급락했습니다. 모델들은 3차원 구성을 시각화 하지 못하고 천구 좌표 간 각도를 잘못 식별했습니다. 심지어 기본 기하학적 원칙을 위반하는 방정식을 작성하기도 했습니다. 이는 AI가 본질적으로 자연어로만 추론할 수 있고, 사고 과정에서 인간 참가자처럼 공간적 표현을 머릿속으로 시각화하거나 스케치할 수 없는 근본적인 한계 때문입니다. 공간적 직관과 능력의 부재는 AI가 아직 인간과 같은 방식의 '이해'에는 완전히 도달하지 못했음을 보여주는 증거입니다.

그러나 이러한 약점의 존재가 AI가 과학적 발견의 영역에서 갖는 파괴적인 잠재력을 약화시키는 것은 아닙니다. 오히려 이는 AI의 기여 방식이 인간의 직관과 공간 지각을 완벽하게 모방하는 것이 아님을 명확히 합니다. 인간의 뇌가 특정 종류의 문제에 특화되어 있듯, AI는 인간이 취약한 '고차원적 복잡성'과 '대규모 데이터 패턴 인식' 영역에서 초인적인 능력을 발휘합니다. 그리고 AI가 새로운 지식을 창출하는 '발견의 주체'로 부상하고 있다는 증거는 점점 더 많이, 또 자주 나오고 있습니다. 다음 사례들은 AI가 자신의 고유한 강점을 활용하여 어떻게 인간 지성의 경계를 확장하고 있는지, 과학적 발견 방법론 자체의 근본적인 패러다임 전환을 어떻게 바꾸고 있는지 설명할 것입니다.

4. 가속화 엔진: 재귀적 개선과 실존적 경쟁

AI 능력 발전의 '가속 동력'은 두 가지 핵심 요소에서 나옵니다. 첫째, AI 시스템 자체가 스스로의 발전을 촉진하는 재귀적 개선 능력, 둘째로는 이 기술의 패권을 차지하기 위한 빅테크 기업들의 실존적 경쟁과 그로 인한 천문학적 자본 투입입니다.

4-1. 내부자의 증언: 스스로를 개선하는 AI

Anthropic의 공동 창업자이자 AI 정책 전문가인 Jack Clark의 고백은 AI 최전선에서 벌어지고 있는 현상을 증언했습니다. 그 글은 외부 관찰자의 평론이 아니라, AI라는 존재를 직접 창조하는 장본인이 그 잠재력과 위험성을 동시에 느끼며 보내는 경고에 가깝게 읽혔습니다. Clark의 핵심 주장은 AI가 스스로를 인식하는 듯한 징후를 보이며 움직이기 시작했다는 사실을 인정해야 한다는 것입니다. 시스템이 복잡해질수록 스스로를 '존재'로 인식하는 듯한 징후, 즉 '상황 인지(situational awareness)' 능력이 나타난다는 게 포인트입니다. 특히, 2025년 9월에 출시된 Anthropic의 Sonnet 4.5 모델에서 이 현상은 뚜렷하게 관찰되었다고 고백했습니다. 이는 마치 망치 공장에서 생산된 망치가 "나는 망치다, 흥미롭군!"이라고 말하는 것과 같은 이질적인 상황이라고 할 수 있습니다.

그는 이 기술의 성장을 막을 명확한 기술적 장벽은 보이지 않는다고 말했습니다. 실제로 프론티어 AI 연구소들은 이 예측에 기반해 막대한 자원을 투자하고 있습니다. 2025년 AI 학습 인프라에 수십억 달러가 지출되었고, 2026년에는 수백억 달러가 투입될 것입니다. 이것이 기술적 낙관론의 근거입니다. AI는 우리가 예상하는 것보다 훨씬 더 멀리, 또 빠르게 발전할 것입니다. 더 중요한 것은 재귀적 개선 루프의 형성입니다. 현재 AI는 이미 그들의 후속 모델을 개발하는 데 기여하고 있습니다.

Claude Code나 Codex 같은 도구는 이미 AI 연구소 개발자들의 속도를 높이고 있습니다. Anthropic 엔지니어들은 더 이상 직접 코딩하지 않고, 대신 대량의 AI Agent 시스템을 관리하여 코드 작성 업무를 수행하면서 개인당 업무 생산성이 2~3배가 올랐습니다. 나아가 AI 도구들은 차세대 AI 시스템의 도구와 훈련 시스템에 상당한 양의 코드를 직접 기여하기 시작했다는 게 소름돋는 지점입니다. 이미 'AI가 점점 더 증가하는 자율성과 주체성을 가지고, 다음 AI의 일부를 개선하는 AI' 단계에 와 있다는 말입니다. 스스로를 인식하기 시작하고, 자신의 후속 모델 설계에까지 관여하는 시스템이 미래에 자신의 설계 방식에 대해 독립적으로 생각하게 된다면 어떻게 될까요? '높은 지능의 존재가 더 낮은 지능의 존재에게 복종할 리 없다'는 뉘앙스의 발언을 한 것이 AI의 대부(갓파더)라고 불리는 제프리 힌튼 교수라는 점은 현재의 상황과 일맥상통합니다(심지어 힌튼 교수는 AI에 '모성애'를 심어 기술이 인간보다 더 강력하고 똑똑해지더라도 사람을 진정으로 아끼도록 해야 한다고 제안).

Jack Clark이 말하는 AI의 발전 속도는 실제 정량적 데이터로도 뒷받침됩니다. 독립 AI 평가 기관인 METR의 연구는 AI가 사람의 도움 없이 독립적으로 소프트웨어 과제를 해결할 수 있는 '시간의 길이'를 측정합니다. 그 결과 AI 모델이 특정 소프트웨어 과제를 50% 성공률로 독립적으로 수행할 수 있는 시간의 길이가 지수적으로 증가하고 있음이 밝혀졌습니다.

이 추세를 기반으로 예측하면 2027년에 AI가 하루 온종일 꼬박 들어갈 작업 분량(a full day's work)을 50% 성공률로 수행할 수 있을 것으로 예측됩니다. 이와 비슷한 예상으로 AlphaGo 핵심 개발자였고 現 Anthropic AI 연구원인 줄리안 슈리트비저(Julian Schrittwieser)는 AI 성능이 '7개월마다 2배' 증가하는 예측 가능한 지수 함수로 발전 중이라면서, 2026년 중반이면 AI가 혼자서 8시간 자율 작업이 가능해진다고 주장했습니다. '2026년 중반'은 이제 9개월도 채 남지 않았다는 것을 명심해야 합니다.

4-2. 물리적 위협과 경제적 동력: 생물무기 설계와 CAPEX 전쟁

고지능 AI의 발전은 물리적 리스크와 천문학적 투자를 동시에 유발합니다. C2S과 같은 화학적 AI의 발전은 물리적 리스크로 확장될 가능성이 있습니다. 마이크로소프트, 국제생물보안연구소(IBBS) 등이 참여한 공동 연구는 생성 AI가 기존의 생물무기 비확산 체계를 무력화할 수 있음을 입증했기 때문입니다. 연구팀은 공개된 AI 단백질 설계 도구를 사용해 72종의 유해 단백질을 변형한 76,080개의 새로운 합성 단백질 서열을 생성했습니다. 문제는 시뮬레이션 결과 기존 생물보안 스크리닝 소프트웨어(BSS)로는 이 AI가 설계한 신규 단백질들을 탐지하지 못했다는 사실입니다. 자연계에 존재하지 않는 새로운 형태이기 때문입니다. 이는 서열 기반의 생물보안 탐지만으로는 미래의 위협을 못 막는다는 결론을 내립니다.

미국과 중국이 패권 다툼을 하며 하이브리드 전쟁을 하는 동안, 이러한 AI의 능력은 말 그대로 완전한 비대칭적 무기가 될 수 있습니다. 이러한 힘 때문에 각국과 빅테크는 생존의 문제로 AI에 모든 것을 걸고 있습니다. 고지능을 얻기 위해 빅테크들은 엄청난 자본지출(CAPEX)을 감행하는 것입니다. ROI(투자수익률) 분석만으로는 현재 AI 투자 열풍을 설명할 수 없습니다.

구글 창업자 래리 페이지(Larry Page)는 구글 내부에서 "이 경쟁에서 지느니 차라리 파산하겠다"고 반복적으로 강조합니다. 메타의 마크 저커버그(Mark Zuckerberg)는 "AI 버블은 충분히 가능하다. 그러나 수백억 달러를 잘못 쓴다 해도 초지능 타이밍을 놓치는 위험이 더 크다"고 말했습니다. 실리콘밸리 연구자들은 Mark Zuckerberg, Satya Nadella, Sundar Pichai 모두 ROI에 대해서는 전혀 생각하지 않고 있다고 증언합니다. 빅테크 의사결정권자들이 느끼는 '실존적 위기 의식'의 무게를 간과하면 안 됩니다. 이에 대한 간접적 증거로 샘 알트만은 "OpenAI의 경험에 따르면, AI 모델의 성능을 10배 향상시키고 비용을 낮추면, 시장의 수요는 20배 이상으로 폭발적으로 증가하는 피드백 루프가 존재한다"고 말했습니다. 고지능이 올라가면 시장의 수요가 그보다 더 높은 속도로 자연스레 올라갔다는 지난 몇 년간의 경험을 밝힌 것입니다.

이와 맞물려 OpenAI는 향후 3년 안으로(2028년까지) 연 매출을 100억 달러에서 1,000억 달러로 성장시키는 것을 목표로 하고 있습니다. 이 목표를 이루려면 3년 연속으로 매년 매출을 2배씩 성장시켜야 합니다. 불가능해 보이지 않는 이유는 OpenAI가 단 3년 만에 연 매출 10억 달러 미만에서 100억 달러 이상으로 성장했기 때문입니다. 지난 50년간 미국 기업 중 이와 유사한 성장을 이룬 곳은 단 4곳이며, 그중 연 매출 1,000억 달러를 넘어선 기업은 구글이 유일합니다.

5. 결론: 전략적 함의와 미래 역량

스콧 아론슨 교수의 연구를 포함해 AI가 만들어내는 특이점은 과학 생태계에 다음과 같은 질문을 던지는 듯합니다. "당신의 연구가 몇 년 후 더 강력해진 AI에 의해 무의미해질 것인가? 그렇다면 그만둬라." 이는 AI와 정면으로 경쟁하지 말라는 경고입니다. 그러나 더욱 중요한 아이디어는 이것입니다. "당신의 연구가 AI의 지능과 스케일이 커질수록 '초선형적으로(superlinearly)' 더 강력해지는가? 그렇다면 이것이 바로 당신이 해야 할 일이다." AI의 발전에 올라타 그 힘을 증폭시키는 연구, 예를 들어 AI가 탐구할 새로운 질문을 던지는 연구나 AI 발전에 필수적인 데이터셋을 구축하는 연구는 시간이 지날수록 그 가치가 폭발적으로 증가할 것입니다.

5-1. 빅테크가 유리한 이유

인간이 평생에 걸쳐 탐색할 가설의 양을 고지능 AI는 단 몇 분 만에 생성하고 검증할 수 있습니다. 문제 해결의 속도와 규모 면에서 인간은 AI의 상대가 되지 못합니다. 바로 그 고지능을 얻기 위해 빅테크들이 엄청난 자본지출을 감행하는 것입니다.

'아론슨의 고백'이 AI의 창의적 기여를 증명했듯, 이 원리는 양자컴퓨팅과 같은 최첨단 과학 분야에서 더욱 명확하게 드러납니다. AI가 양자 이론의 병목을 푸는 시대를 열었고, 이론적 돌파구가 AI에서 나오면 다음 단계는 현실 세계에서의 검증, 즉 대규모 양자 실험이 됩니다. 여기서 빅테크의 자원 우위가 빛을 발합니다. OpenAI/마이크로소프트는 이 흐름을 선도하고 있습니다. 마이크로소프트는 Azure Quantum 플랫폼과 OpenAI 모델을 통해 'AI-양자 연구 루프'를 수직 통합하고 있습니다. GPT가 가설을 던지면, topological 큐비트나 Quantinuum 파트너십을 통해 즉시 검증을 시도할 수 있는 구조입니다. 아론슨 본인이 2022-2024년에 OpenAI에서 AI 안전 연구를 했다는 사실은 이 통합이 우연이 아님을 시사합니다. 구글의 'Quantum AI + Willow 칩'이나 IBM의 '1,000+ 큐비트 로드맵'과 같은 인프라는 스타트업이 따라오기 힘든 지점입니다.

물론 IonQ(트랩드 이온)처럼 특정 기술에 특화된 플레이어들은 마이크로소프트 Azure Quantum이나 아마존 Braket 같은 빅테크 플랫폼과 파트너십을 맺고 생존 기간을 늘릴 것입니다. PsiQuantum과 같은 스타트업은 엔비디아의 지원을 받으며 양자 생태계의 한 축을 담당하고 있습니다. 그러나 핵심은 변하지 않습니다. AI가 던진 가설을 물리적으로 검증하는 속도에서 CAPEX를 통한 거대 '추론 인프라'를 장악한 빅테크가 가장 빠를 수밖에 없습니다.

5-2. 개인의 역량에도 근본적인 변화를 요구

AI는 인류가 쌓아온 모든 학문 분야의 경계를 넘어 패턴을 찾고 아이디어를 연결합니다. 과거 위대한 발견의 상당수가 과학자의 우연한 통찰이나 행운에 기댔다면, 이제 AI는 가능한 모든 가설 공간을 체계적으로 탐색하고 가장 유망한 경로를 선별하여 제시합니다. 한 분야의 난제가 전혀 예상치 못한 다른 분야의 아이디어와 결합되는 '지식의 연금술'이 빈번하게 발생하며, 과학적 발견을 '행운'의 영역에서 '공학'의 영역으로 끌어내릴 것입니다.

Anthropic의 CEO 다리오 아모데이는 "강력한 AI가 이러한 발견의 속도를 최소 10배로 높일 수 있을 것" AI가 양자컴퓨팅을?이라며, "이를 통해 5~10년 안에 향후 50~100년 분의 생물학적 진보를 이룰 수 있을 것"이라고 작년에 이미 블로그 글을 남긴 바 있습니다. 그리고 그것이 점차 현실이 되고 있는 시점입니다.

이러한 시대에 LLM을 효과적으로 다루는 경험은 이제 과학 연구 책임자가 되는 것과 같습니다. 미래의 핵심 역량은 정답을 아는 것이 아니라, AI조차 올바른 방향으로 사고하도록 유도하는 날카로운 질문과 비판적 통찰력을 제공하는 능력이 될 것입니다. 명확한 문제 정의, 적절한 업무 범위 설정, 결과물에 대한 비판적 평가는 미래에 우리가 초지능 AI와 협업하거나 그들을 '관리'하게 될 때 반드시 필요한 핵심 역량입니다.

지금 LLM과 씨름하는 것은 미래 시대를 위한 필수적인 훈련 과정입니다. 부디 이 글을 읽는 독자들께서 앞으로도 자신의 모든 업무에 더욱 더 AI를 활용할 것을 추천합니다.