🔎 #826. 연구도 자동화되는 시대, 사람이 맡는 역할은?

안녕하세요?
매일 사람이 쓰는 뉴스레터 Daily Prompt입니다.

오늘은 AI 에이전트가 연구자의 일상을 어떻게 바꾸고 있는지 살펴봅니다.

연구도 자동화되는 시대, 사람이 맡는 역할은?

OpenAI는 AI 에이전트가 내부 연구에 미친 변화를 공개했습니다. 자체 측정 결과, 사람의 감독 아래 범위가 정해진 연구 과제를 수행하는 '자동화 연구 인턴' 목표에 도달했다고 밝혔습니다. 여기에는 숙련된 연구자에게 며칠이 걸릴 만한 과제도 포함됩니다. 다음 목표는 2028년 3월까지 자동화 AI 연구자를 만드는 것입니다. [공식 블로그]

1. 연구자 한 명이 일할 때, 에이전트는 3.1일 동안 작동했습니다

• 2026년 초까지만 해도 중간 수준의 연구자는 코딩 에이전트를 많이 사용하지 않았습니다. 8월 중순에는 이들의 하루 사용량을 가까운 상용 모델의 API 가격으로 환산했을 때 600달러를 넘었습니다.
• 상위 10% 연구자의 하루 사용량은 가까운 상용 모델의 API 가격으로 환산했을 때 7,000달러를 넘었습니다.
• 여러 에이전트가 작동한 시간을 8시간 근무일로 환산하면, 연구자 노동 1일당 에이전트 실행 시간은 5월 초 0.48일에서 8월 중순 3.14일로 늘었습니다.
• 동시에 4개 이상의 에이전트를 실행하는 연구자도 늘었습니다. 연구자가 시작한 에이전트가 다시 만든 하위 에이전트까지 포함됩니다.

2. 연구자는 더 많은 코드와 실험을 만들고 있습니다

• 연구자는 새로운 학습 방법을 떠올리면 먼저 코드로 구현해 효과가 있는지 실험합니다. 실험 규모를 키울 수 있도록 컴퓨팅 환경을 갖추고, 모델을 훈련하면서 생기는 오류나 예상 밖의 행동도 찾아냅니다. 효과가 확인된 방법은 실제 모델을 만드는 훈련 과정에 적용합니다.
• 코딩 에이전트를 사용하기 시작한 뒤 OpenAI 연구자들의 코드 기여 속도와 실험 횟수가 함께 늘었습니다.
• 연구자 한 명당 실험 횟수는 2026년 들어 증가해 8월에 최고치를 기록했습니다. Codex 사용이 늘어난 시기와 겹치지만, 같은 기간 사용할 수 있는 컴퓨팅 자원도 크게 증가했습니다.

3. 에이전트는 코드 바깥의 일도 맡기 시작했습니다

• OpenAI는 AI 연구를 결정, 설계, 구축, 실행, 분석, 소통의 여섯 단계로 나눠 에이전트 사용량을 살펴봤습니다.
• 1월에는 연구 코드와 인프라 코드 작성이 중심이었습니다. 8월에는 기술 문제 해결과 실험 모니터링을 포함한 모든 단계의 사용량이 늘었습니다.
• 연구자들이 실험 중 발생한 문제를 문의하던 사내 기술지원 상담 시간에는 참여자가 줄었습니다. 한 팀은 상담 운영을 중단하고 다른 시스템을 개선하는 데 집중하기 시작했습니다.
• 무엇을 연구할지 정하는 고차원적인 계획은 여전히 에이전트 출력에서 작은 비중을 차지합니다.

4. 오래 걸리는 과제일수록 사람의 개입이 필요했습니다

• OpenAI는 사람이 수행한다면 얼마나 걸릴지를 기준으로 연구 과제의 난이도를 나눴습니다. 결과의 성공 여부를 확인할 수 있는 작업만 분석했습니다.
• 1월부터 7월까지 여러 난이도 구간에서 에이전트의 성공률이 높아졌고, 더 오래 걸리는 과제를 맡기는 사례도 늘었습니다.
• 최근 6개월 동안 성공한 4~8시간 규모 과제의 절반 이상에는 최소 한 번의 사람 개입이 있었습니다. 현재의 자동화 연구 인턴은 사람이 중간에 방향을 바로잡아야 제대로 일을 마칠 수 있습니다.

5. 무엇을 연구할지는 사람이 결정합니다

• 사람은 연구의 우선순위를 정하고, 어떤 아이디어와 결과를 계속 탐구할지 판단합니다.
• 실험 규모를 키울지, 연구를 잠시 멈출지, 모델을 실제로 배포할지도 사람이 결정합니다.
• 에이전트가 연구의 실행 범위를 넓힐수록 사람은 더 많은 결과를 검토하고 다음 방향을 선택하게 됩니다.

마무리

1. AI 에이전트가 연구까지 수행하기 시작하면서, 이제 모두가 팀장이 되는 것 같습니다. 직급과 관계없이 무엇을 할지 정해 AI에게 설명하고, 돌아온 결과를 판단하는 능력이 필요해졌습니다. 과거에는 관리자와 숙련자에게 요구되던 역량이 개인의 기본값이 되면서 일 잘하는 사람의 기준점도 상향 조정되는 것 같습니다.
2. 문제는 팀장 노릇도 아는 만큼만 할 수 있다는 점입니다. AI에게 무엇을 시킬지 정하려면 지시하는 사람도 그 일에 관한 배경지식이 있어야 합니다. 결과에서 무엇이 빠졌는지 알아보고, 그럴듯하지만 틀린 답을 발견하려면 이미 머릿속에 어느 정도의 기준이 있어야 합니다. 아는 것이 없으면 자세히 지시하기도 어렵고, 돌아온 결과를 평가하기는 더 어렵습니다.
   그런데 초안을 만들고 고치고 다시 시도하는 과정까지 AI가 대신한다면 어떻게 될까요? 숙련자는 자신이 이미 체득한 지식을 바탕으로 AI를 능숙하게 지휘할 수 있습니다. 반면 이제 막 시작하는 사람은 숙련자가 되기 위해 거쳐야 했던 시행착오를 경험할 기회부터 잃을 수 있습니다. AI가 일을 대신하는 시대에는 일을 배우기 위해 일부러 무엇을 직접 수고를 들여봐야 하는지도 고민해야 할 것 같습니다.
3. '앞으로 무경험이 빈곤을 불러오겠다'는 생각이 들었습니다. AI가 실행을 대신할수록 많이 보고 직접 해본 사람의 판단은 더 큰 힘을 갖게 됩니다. 같은 AI를 사용하더라도 어떤 결과를 요구해야 하는지 아는 사람과, AI가 내놓은 첫 번째 답을 그대로 받아들이는 사람 사이의 차이는 점점 커질 것입니다.
4. 그런데 경험 또한 자본 없이 얻기 어렵습니다. 여행하거나 새로운 환경에서 생활하려면 시간과 돈이 필요합니다. 다양한 사람을 만나고 좋은 작품을 접하는 일도 거주 지역과 가정환경의 영향을 받습니다. 전원생활을 하며 자연에서 영감을 얻는 삶조차 누구에게나 열려 있는 선택은 아닙니다.
5. 그래서 AI 시대의 격차는 유료 AI를 사용할 수 있는가만으로 결정되지 않을 것 같습니다. AI에게 무엇을 요구하고 그 결과를 판단할 수 있게 해주는 경험에 얼마나 접근할 수 있는지가 더 근본적인 차이를 만들 수 있습니다. 가까운 곳에 박물관과 미술관이 있는지, 돈을 내지 않고 이용할 수 있는 도서관과 문화 공간이 있는지가 중요해집니다. 오늘 뉴스레터를 쓰면서, 공공 인프라의 중요성을 새삼 깨달았습니다.
6. OpenAI는 자동화된 연구가 고급 지능의 비용을 낮추고, 안전과 정렬 연구에도 도움이 될 것으로 기대합니다. 다만 코드량과 실험 횟수는 세기 쉬워도 실제 연구의 진전을 뜻하는지 판단하기 어렵고, 과제 성공률은 더 의미 있는 지표이지만 결과를 검증하기 어렵습니다. 에이전트가 사람보다 빠르게 연구 결과를 쏟아내기 시작하면, 과연 인간은 그 성과와 위험을 물리적으로 모두 판단할 수 있을까요?

오늘의 Midjourney Prompt & Music

아래 Midjourney 이미지를 음악과 함께 감상해보세요:)

Wheel

0:00

/0

1×

프롬프트 (by @jae_hong__an) :