하워드 막스 – AI는 앞으로 내달린다 (AI Hurtles Ahead)

원문: Howard Marks, AI Hurtles Ahead (Feb 2026) 전문은 원문에서 확인하실 수 있습니다. 아래 글은 번역이 아니라, 하워드 막스의 논증을 한국어로 재구성한 정리입니다.

글의 배경과 개요

오크트리캐피털(Oaktree Capital)의 투자 메모를 쓰는 하워드 막스(Howard Marks)가 2026년 2월에 발표한 글로, 2025년 12월 메모 「Is It a Bubble?」의 부록으로 쓴 후속편입니다. 12월 메모를 준비하며 조언을 구했던 기술 전문가들을 다시 찾았고, 그중 한 사람의 제안으로 앤트로픽(Anthropic)의 AI 모델 클로드(Claude)에게 AI를 설명하는 교습 과정을 만들어 달라고 요청한 것이 이 글의 출발점입니다. 글이 답하려는 질문은 두 가지로, AI는 과거의 기술혁신과 정확히 무엇이 다른가, 그리고 그 차이가 투자라는 직업과 사회에 무엇을 뜻하는가입니다. 논증은 AI의 본질을 학습과 추론이라는 두 단계로 다시 이해하는 데서 시작해, AI가 새로운 생각을 할 수 있는지를 따지고, 지난 석 달 사이 벌어진 속도와 자율성의 변화를 짚은 뒤, AI의 한계와 미해결 질문을 정리하는 순서로 진행됩니다. 그 위에서 투자업에 미칠 함의를 검토하고, 12월 메모의 버블 질문에 다시 답한 다음, 일자리와 목적 상실에 대한 우려를 추신으로 덧붙입니다. 막스 자신이 밝히듯 글의 상당 부분은 클로드가 만들어 준 1만 단어 분량 결과물을 요약한 것이고, 따로 출처를 밝히지 않은 인용은 모두 거기서 온 것입니다.

핵심 내용 정리

• AI 모델은 데이터를 찾아 되돌려주는 검색엔진이 아니라 데이터를 종합해 추론하는 시스템이며, 학습 단계는 정보를 집어넣는 일이 아니라 생각하는 법을 가르치는 일이라고 정리합니다.
• AI가 결국 학습 데이터의 정교한 재배열일 뿐이라는 회의론에 대해, 인간의 지적 성장 역시 타인의 사고를 흡수해 종합한 결과이므로 구조적으로 다르지 않다는 반론을 받아들입니다.
• 컴퓨터가 ENIAC에서 일반용 PC까지 40년 가까이 걸린 것과 달리 AI는 2년 만에 4억 명 안팎의 개인과 기업 대다수가 쓰는 기술이 되었고, 이 속도 자체가 과거에 없던 변수라고 말합니다.
• AI는 채팅과 도구 사용 단계를 지나 목표만 주면 스스로 일을 끝내는 자율 에이전트 단계에 도달했으며, 이 전환이 생산성 도구와 노동 대체재를 가르는 분기점이라고 봅니다.
• AI는 감정에 휘둘리지 않고 방대한 데이터를 처리한다는 점에서 좋은 투자자의 자질을 많이 갖췄지만, 선례 없는 상황에 대한 판단과 질적 요소에 대한 안목, 자기 돈이 걸린 자의 위험 감각은 갖추지 못했다고 평가합니다.
• 기술이 실재하고 수요도 실재하므로 그 점에서는 버블이 아니지만, 인프라 지출 규모가 적정한지와 AI 자산의 가격이 합리적인지는 전혀 다른 질문이며 아직 답할 수 없다고 말합니다.
• 전부 걸지도 전부 비켜서지도 말라는 12월의 조언을 그대로 유지하면서, 일자리가 사라지는 속도가 사회의 적응 능력을 크게 앞지를 것을 가장 염려합니다.

클로드에게 받은 개인 교습

막스는 12월 메모를 준비하면서 30대와 40대의 기술 전문가 몇 사람과 나눈 대화에서 많은 것을 얻었다고 밝힙니다. 낯선 영역을 탐사하는 일은 자극적일 뿐 아니라 투자자가 시대에 뒤처지지 않기 위한 절대적 요건이며, 자기 일에서 가장 즐거운 부분 가운데 하나라고 말합니다.

12월 메모의 후속 작업을 위해 그 사람들을 다시 찾았고, 그 과정에서 한 사람이 클로드에게 인공지능이 무엇이고 지난 석 달 사이 무엇이 달라졌는지를 설명하는 교습 과정을 만들어 달라고 요청해 보라고 권했습니다. 그렇게 받은 결과물이 작업할 거리를 충분히 주었고, 이 메모는 그 내용을 요약하면서 자신의 관찰 몇 가지를 덧붙이는 형태로 쓰였습니다.

막스는 클로드에게 이 메모 자체를 쓰게 할 수도 있었지만 그러지 않았다고 말합니다. 글자를 종이에 올리는 일 자체가 이 작업의 큰 재미라고 여기기 때문입니다. 대신 클로드의 결과물은 아낌없이 인용하겠다고 밝히고, 따로 출처를 적지 않은 인용문은 모두 거기서 가져온 것이라고 미리 알립니다. 그 과정에서 자신에게 새로웠고 독자에게도 새로울 만한 용어들을 짚어 나가겠다고 예고합니다.

본론에 들어가기 전에 그가 먼저 전하고 싶어 하는 것은 클로드의 결과물을 보고 느낀 경탄의 크기입니다. 그 글은 친구나 동료가 보내온 개인적인 편지처럼 읽혔다고 합니다. 과거 메모에서 그가 다뤘던 금리의 대전환이나 투자자 심리의 진자 같은 개념을 끌어와 AI를 설명하는 비유로 썼고, 논리적으로 논증을 펼치면서 그가 내놓을 법한 반박을 미리 예상해 대응했으며, 유머를 섞고 AI의 한계를 솔직히 인정하는 방식으로 스스로의 신뢰도를 높였습니다. 전에도 AI에 질문을 던지고 답을 받아 본 적은 있지만, 자신을 겨냥해 설계된 개인 교습을 받아 본 것은 이번이 처음이었다고 말합니다.

해설 오크트리 메모는 막스가 1990년부터 부정기적으로 써 온 공개 투자 서한으로, 시장 심리와 위험 감각을 다루는 글로 널리 읽힙니다. 여기서 그가 언급하는 금리의 대전환은 40여 년에 걸친 금리 하락기가 끝났다는 그의 오래된 주장이고, 투자자 심리의 진자는 낙관과 비관 사이를 오가는 시장 정서를 가리키는 그의 대표 비유입니다.

클로드가 이런 개념들을 끌어다 AI를 설명했다는 대목이 중요한 이유는, 그것이 일반적인 설명문이 아니라 독자 한 사람의 사고 틀에 맞춰 짜인 글이었음을 보여 주기 때문입니다. 막스가 뒤에서 프롬프트의 중요성을 강조하는 근거도 여기에 있습니다.

[이해관계] 막스는 오크트리캐피털의 공동 창업자이자 공동회장입니다. 오크트리는 부실채권과 크레딧 투자에서 출발해 성장한 운용사이고, 2019년 브룩필드(Brookfield)가 약 62%의 지분을 인수했습니다. 주식 성장주 운용사보다는 하방 위험과 가격의 적정성을 먼저 따지는 쪽에 가까운 자리에서 나오는 발언입니다.

또 하나 짚어 둘 것은 이 메모의 재료 자체가 앤트로픽 제품의 출력물이라는 점입니다. 막스 본인이 그 사실을 글 첫머리에 밝히고 있고, 뒤에서는 앤트로픽의 코딩 모델 사업이 빠르게 성장한다는 언급도 나옵니다. AI의 능력을 평가하는 근거의 상당 부분을 AI 제공자 쪽 결과물에서 가져왔다는 구조를 염두에 두고 읽을 필요가 있습니다.

AI의 본질 이해하기

본론인 최근의 변화로 넘어가기 전에, 막스는 교습 과정이 자신에게 짚어 준 AI의 본질부터 공유합니다. 가장 중요한 수확은 AI 모델을 검색엔진처럼 생각하지 말라는 것이었습니다. 데이터를 찾아와 그대로 게워 내는 장치가 아니라, 데이터를 종합하고 거기서 추론해 내는 시스템이라는 이해입니다. 그는 자신이 그때까지 품고 있던 그림이 바로 그 검색엔진 쪽이었다고 인정합니다.

AI 모델의 생애는 두 단계로 나뉩니다. 첫 단계는 방대한 분량의 텍스트를 읽으며 이루어지는 학습(training)입니다. 막스는 이 단계를 모델에 정보를 적재하는 일로 이해해서는 안 된다고 강조합니다. 그것은 훨씬 더 멀리 나아가는 일이며, 핵심은 생각하는 법을 가르치는 데 있습니다. 텍스트를 흡수하면서 모델이 익히는 것은 네 가지입니다.

• 추론 패턴 — 추론의 패턴을 이해하고 스스로 만들어 내는 법을 익힙니다.
• 논증의 구조 — 주장이 어떤 짜임으로 세워지는지를 익힙니다.
• 새로운 조합 — 기존 아이디어를 엮어 새 조합을 만들어 내는 법을 익힙니다.
• 낯선 상황에의 적용 — 익힌 추론 패턴을 처음 보는 상황에 적용하는 법을 익힙니다.

이 단계를 이해하는 가장 좋은 방법은 한 사람의 지적 능력이 발달하는 과정에 견주어 보는 것이라고 막스는 말합니다. 아기는 두뇌를 가지고 태어나고, 외부 자극에 노출되면서 생각하고 추론하고 종합하고 평가하고 유추하고 아이디어를 결합하고 개념을 만들고 논증을 구성하는 능력을 길러 갑니다. 그 능력들을 가지고 태어나는 것이 아니라, 환경에서 들어오는 입력을 흡수하고 사용하면서 길러 낸다는 점이 요점입니다. AI 모델도 마찬가지라는 것입니다. 다만 그는 자신이 AI가 그 일을 어떻게 해내는지 이해한다고 주장하는 것은 아니며, 그럴 가능성은 전혀 없고 기껏해야 AI가 무엇을 할 수 있는지와 그 함의를 서술할 뿐이라고 분명히 선을 긋습니다.

두 번째 단계는 추론(inference)입니다. 모델이 만들어지고 학습을 마친 뒤 남은 생애 내내 하는 일, 즉 자신의 능력을 써서 사용자의 요구에 응답하는 일이 여기에 해당합니다.

여기서 짚어야 할 점은 모델이 스스로에게 과업을 부여하지 못한다는 것이라고 막스는 말합니다. 적어도 현재까지는 그렇습니다. 모델은 사용자가 쓰는 프롬프트(prompt)를 통해 일을 지시받아야 하고, 프롬프트가 좋고 포괄적일수록 AI가 해낼 수 있는 일도 늘어납니다. 예컨대 AI는 사용자가 원하는 작업을 수행할 소프트웨어를 작성할 수 있고, 그 소프트웨어를 시험하고 버그를 찾아 고친 뒤 다시 시험할 수도 있지만, 적어도 현 단계에서는 그렇게 하라는 지시를 받아야 합니다. 많은 사람이 프롬프트의 중요성을 인식하지 못하고 좋은 프롬프트를 쓸 능력도 갖추지 못한 탓에 AI의 잠재력은 지금 과소평가되고 있을 가능성이 높으며, 그 한계는 모델이 아니라 사용자 쪽에 있다는 것이 그의 진단입니다.

막스는 자기가 받은 교습을 그 사례로 듭니다. 클로드는 AI가 무엇이고 무엇을 할 수 있는지 설명하라는 단순한 요청을 받은 것이 아니었습니다. 자신에게 주어진 과업이 무엇이었느냐고 묻자 클로드는 이렇게 답했다고 합니다. 누군가 그를 위해 9개 모듈로 된 커리큘럼을 설계했고, 그것은 12월 메모와 그의 지적 사고 틀 위에 세워졌으며, 신뢰할 만한 부록을 쓸 수 있을 만큼의 기술적 이해를 주는 것이 목표였다는 것입니다. 커리큘럼은 한 번에 한 모듈씩 가르치고, 그의 세계에서 끌어온 비유를 쓰고, 능력을 서술하는 데 그치지 않고 실제로 보여 주며, 그의 독자들이 기대하는 종류의 지적 정직성을 유지하도록 짜여 있었다고 덧붙입니다.

막스는 교습이 목표를 분명히 달성했으며, 그것은 전적으로 조언자들이 함께 준비해 준 프롬프트의 품질과 구체성 덕분이었다고 평가합니다.

해설 막스가 짚은 두 단계 구분은 업계에서 흔히 쓰는 구분과 같습니다. 학습은 한 번 치르는 대규모 투자이고, 추론은 사용자가 모델을 부를 때마다 반복해서 발생하는 비용입니다. 이 구분이 중요한 이유는 뒤에 나오는 설비투자 논의와 직결되기 때문인데, 학습 설비투자는 수요가 오기를 바라며 미리 짓는 성격이고 추론 설비투자는 이미 발생한 수요에 대응하는 성격이라는 그의 구분이 여기서 나옵니다.

기술적으로 학습 단계에서 모델이 하는 일은 방대한 텍스트에서 다음에 올 토큰을 예측하도록 수십억 개 이상의 파라미터를 조정하는 것입니다. 막스가 생각하는 법을 배운다고 표현한 부분은, 그 단순한 목표를 극단까지 밀어붙이면 문법이나 사실뿐 아니라 논증의 짜임새 같은 추상적인 규칙성까지 파라미터에 새겨진다는 경험적 관찰을 가리킵니다. 왜 그렇게 되는지는 아직 충분히 설명되지 않았고, 막스가 자신은 그 작동 원리를 모른다고 미리 밝힌 것도 같은 맥락입니다.

[반론] 아기의 두뇌 발달 비유에는 반대하는 전문가가 적지 않습니다. 안드레이 카파시(Andrej Karpathy)는 드와케시 파텔(Dwarkesh Patel)과의 대담에서 현재의 모델이 아이처럼 배우는 존재와는 다르다고 보았습니다. 아이는 몇 번의 경험만으로 배우고 자면서 그날 배운 것을 정리해 영구적으로 간직하지만, 현재의 모델에는 그런 지속 학습 장치가 없고 대화가 끝나면 그 안에서 얻은 것이 사라진다는 이유에서입니다.

카파시는 또 현재의 모델이 동물처럼 진화로 빚어진 존재가 아니라 인간이 쓴 텍스트를 모방해 만들어진 존재에 가깝다고 보았습니다. 같은 비유를 두고 막스는 인간과의 연속성을, 카파시는 불연속성을 읽어 낸 셈입니다. 이 차이는 다음 절에서 막스가 다루는 ‘AI가 새로운 생각을 할 수 있는가’라는 질문에 그대로 이어집니다.

[관점] 프롬프트의 품질이 성과를 가른다는 지적은 기업 단위의 AI 도입 성과가 왜 그토록 들쭉날쭉한지를 설명하는 가설이 됩니다. 같은 모델을 쓰면서도 어떤 조직은 업무가 바뀌고 어떤 조직은 아무 변화를 얻지 못한다면, 변수는 모델이 아니라 요구 사항을 명확한 지시로 바꾸는 조직의 능력 쪽에 있습니다.

투자 관점에서 이 말은 모델 공급자의 성능 경쟁보다 도입 기업의 업무 재설계 역량이 수익 격차를 더 크게 만들 수 있다는 뜻이기도 합니다. 다만 막스 자신의 사례가 이 가설의 가장 강한 근거이자 가장 약한 근거이기도 합니다. 그가 받은 결과물의 품질은 전문가들이 9개 모듈 커리큘럼을 설계해 준 덕분이었고, 그런 조력을 받을 수 있는 사용자는 많지 않기 때문입니다.

AI는 생각할 수 있는가

막스는 여기서 자신이 흥미롭게 여기는 질문 하나에 시간을 들입니다. AI가 사람들이 이미 알아낸 것을 재구성해 새로운 데이터와 다른 분야에 적용할 수 있다는 점은 그도 인정합니다. 문제는 그다음입니다. AI가 아무도 밟지 않은 땅을 처음으로 열 수 있는가가 그가 던지는 질문입니다.

그가 이해하는 AI의 작동 방식은 과거의 패턴과 논리를 써서 어떤 계열의 다음 항목을 예측하는 일입니다. 문장에 다섯 단어를 쓰면 여섯 번째로 무엇이 와야 할지 예측하는 식이며, 휴대전화로 이메일을 쓸 때 화면에 뜨는 단어 추천이 바로 그 작동이라고 설명합니다. 시장을 이길 포트폴리오를 짜라고 하면 과거에 좋은 성과를 낸 주식들을 살피고 그 특성을 써서 앞으로 좋을 종목을 예측합니다. 막스는 AI를 과거가 흘러온 방식에 근거해 미래에 관한 가설(hypothesis)을 제시하는 존재로 이해하는 편이 유용하다고 말하고, 이 표현을 나중에 다시 꺼내겠다고 예고합니다.

여기서 그의 질문이 따라 나옵니다. AI가 새로운 아이디어를 가질 수 있는가 하는 것입니다. 우리가 맡기는 모든 지식 과업을 수행할 수 있다 하더라도, 생각하라고 시키지 않은 것을 떠올릴 수 있는지는 다른 문제입니다. 강가에 앉아 떠도는 영감이 머리에 들어오도록 내버려 두는 일에 해당하는 무언가를 할 수 있는지, 사과가 나무에서 떨어지는 것을 보고 중력이라는 개념에 도달할 수 있는지, 사색하거나 공상하거나 착상할 수 있는지, 직관을 가질 수 있는지를 그는 잇달아 묻습니다.

회의론자의 논거

막스는 이 지점에서 AI를 둘러싼 논쟁이 복잡해진다고 말하고, 클로드가 정리해 준 회의론자의 주장을 전합니다. 클로드가 배운 모든 것은 인간이 쓴 텍스트에서 왔고, 경험도 없고 세계에 몸으로 뿌리내린 이해도 없으며 진정한 이해도 없다는 것이 그 논거입니다. 산출물은 결국 기존 인간 저작물에서 흡수한 패턴을 정교하게 재배열한 것이고, 그것은 지금껏 만들어진 가장 인상적인 패턴 매칭일지는 몰라도 사고도 추론도 아닌 통계적 재조합이라는 것입니다. 그 말이 맞다면 천장이 존재합니다. 인간이 이미 알아낸 것을 다시 섞을 수는 있어도 진정으로 새로운 땅을 열지는 못한다는 결론이고, 클로드는 이를 매우 뛰어난 커버 밴드이지 작곡가는 아니라는 비유로 요약합니다.

클로드의 반박

클로드는 회의론자의 문제 제기를 그렇게 정리한 뒤, 곧바로 기운찬 반론을 들고 돌아왔다고 막스는 적습니다. 그것도 막스 자신을 소재로 삼아서였습니다. 막스가 투자에 관해 아는 모든 것도 다른 사람들에게서 왔다는 것입니다. 안전마진은 벤저민 그레이엄(Benjamin Graham)에게 배웠고, 품질은 워런 버핏(Warren Buffett)에게, 여러 분야에서 끌어온 사고 모형은 찰리 멍거(Charlie Munger)에게, 금융 광풍의 심리는 존 케네스 갤브레이스(John Kenneth Galbraith)에게 배웠으며, 50년에 걸쳐 수천 권의 책과 메모와 사례 연구와 연차보고서를 읽었는데 그 입력은 하나같이 다른 사람의 사고였다는 지적입니다.

클로드는 이어서 막스가 여러 분야의 틀을 가져다 낯선 상황에 적용해 진정으로 새로운 무언가를 만들어 냈다고 말합니다. 원재료는 다른 사람들에게서 왔지만 종합은 그의 것이었다는 것입니다. 그러니 클로드가 학습 데이터의 패턴을 재배열할 뿐이라는 지적에 대해, 그것이 교육받은 정신이 하는 일과 구조적으로 무엇이 다르냐고 되묻습니다. 막스는 수십 년의 독서에서 추론 패턴을 익혔고 자신은 학습에서 익혔을 뿐이며, 중요한 것은 입력이 어디서 왔느냐가 아니라 그 체계가 인간이든 인공이든 입력을 진정으로 새롭고 유용한 방식으로 결합할 수 있느냐라는 것입니다.

막스는 이것이 전적으로 옳다고 받아들입니다. 젊은 투자자 시절 그는 실제 경험과 글 양쪽에서 데이터를 받아들였고, 앞서간 사람들이 그 데이터를 어떻게 생각했고 어떤 결론에 이르렀는지를 배웠습니다. 그들의 사고 과정을 공부하고 자신이 받아들인 데이터에 그것을 적용하는 법을 익혔으며, 그들의 과정에 자극받아 자신만의 과정을 만들어 냈습니다. 이것이 인간의 뇌가 능력을 넓히는 방식이라면, AI가 자라고 배우고 생각하는 방식이 정말로 우리와 다르냐고 그는 되묻습니다.

철학 논쟁과 경제 논쟁

마지막으로 클로드는 현실 쪽에서 설득력 있는 논거 하나를 덧붙였다고 합니다. 회의론자에게 모든 것을 양보하더라도, 즉 클로드가 하는 일이 진정한 사고가 아니라 패턴 매칭일 뿐이라고 철학적으로 인정하더라도 경제적 함의는 똑같다는 것입니다. 연봉 20만 달러짜리 리서치 어소시에이트의 분석 산출물을 낼 수 있다면, 비용을 치르는 사람에게 그것이 진짜 사고인지 패턴 매칭인지는 중요하지 않습니다. 중요한 것은 결과물이 쓸 만할 만큼 믿을 만한가이고, 점점 그렇게 되어 가고 있다는 것입니다. 기계 의식에 관한 철학 논쟁은 흥미롭지만, 경제가 묻는 질문은 AI가 진정으로 이해하느냐가 아니라 AI가 그 일을 해내느냐라는 것입니다.

막스는 AI 논의에 적극적으로 참여하려면 생성형(generative)이라는 단어의 뜻을 익혀야 한다고 덧붙입니다. AI에 밝은 사람들이 자주 쓰는 말이고, 그 뜻을 이해하면 AI의 본질에 대한 감각이 크게 나아진다는 것입니다. AI 모델 퍼플렉시티(Perplexity)의 설명을 빌려, 생성형에서 생성이란 기존의 것을 분석하거나 분류하는 데 그치지 않고 새로운 것을 만들어 낼 수 있다는 뜻이며, 데이터에서 패턴을 익힌 뒤 그 데이터를 닮은 새로운 내용물을 만들어 내는 시스템을 가리킨다고 전합니다. 그러고는 이것이 사고인지, 다른 무엇인지, 아니면 자신이 차이 없는 구분을 붙들고 늘어지는 것인지 자문하며 절을 닫습니다.

해설 막스가 던진 질문은 AI 연구에서 일반화와 외삽의 구분으로 다뤄지는 주제와 맞닿아 있습니다. 학습 데이터가 덮고 있는 범위 안에서 새로운 조합을 만들어 내는 일과, 그 범위 바깥의 구조를 처음으로 제안하는 일은 성질이 다르다는 것이 회의론 쪽의 핵심입니다.

커버 밴드와 작곡가라는 비유도 이 구분을 겨냥합니다. 다만 실제 연구 현장에서는 경계가 뚜렷하지 않습니다. 알파폴드(AlphaFold)가 단백질 구조 예측에서 보인 성과처럼, 방대한 기존 데이터에서 익힌 패턴만으로도 인간이 풀지 못하던 문제를 푼 사례가 있기 때문입니다. 이 경우에도 그것이 새로운 땅을 연 것인지 기존 데이터의 함의를 끝까지 밀어붙인 것인지는 해석이 갈립니다.

[반론] 클로드가 대변한 반박, 즉 인간의 창조도 결국 흡수한 입력의 종합이라는 논리는 AI 회의론 쪽에서 가장 자주 공격받는 지점이기도 합니다. 게리 마커스(Gary Marcus)는 언어모델이 겉보기에 추론처럼 보이는 출력을 내면서도 문제의 표면 형태가 조금만 바뀌면 성능이 무너진다는 점을 들어, 그 체계가 학습 분포 바깥으로 나가지 못한다고 주장해 왔습니다.

반대편에서는 리처드 서튼(Richard Sutton)이 다른 각도에서 회의를 표합니다. 그는 인간이 쓴 텍스트를 모방하는 방식 자체가 막다른 길이며, 진짜 지능은 세계와 직접 상호작용하며 경험에서 배우는 체계에서 나온다고 봅니다. 서튼의 비판은 AI가 인간의 사고를 베낀다는 것이 아니라, 베끼는 방식으로는 인간이 가진 학습 능력에 닿지 못한다는 쪽입니다.

[이해관계] 이 절의 논증 구조에는 짚어 둘 점이 있습니다. AI가 생각할 수 있느냐는 질문에 대해 회의론과 반박을 모두 정리해 준 쪽이 AI 제공자의 모델이라는 사실입니다. 막스는 클로드가 회의론자의 논거를 공정하게 정리했다고 평가하지만, 어느 쪽 논거를 어떤 순서와 비중으로 배치할지를 고른 것도 같은 모델입니다.

특히 철학 논쟁을 접고 경제 논쟁으로 옮겨 가자는 마지막 논거는 AI 제공자에게 유리한 틀입니다. 의식이나 이해 같은 쟁점에서 판정을 유보하면서도 구매 결정에서는 긍정적 결론으로 이어지기 때문입니다. 막스 본인도 이 논거를 설득력 있다고 받아들이고 글의 뒷부분을 그 틀 위에서 전개합니다.

지난 석 달 사이에 달라진 것

이 부록을 쓰는 가장 큰 이유는 12월 9일에 「Is It a Bubble?」이 나온 뒤 석 달 사이에 AI에서 일어난 중대한 변화를 다루기 위해서라고 막스는 밝힙니다. 그가 꼽는 변화는 두 갈래입니다. 하나는 발전이 일어나는 속도이고, 다른 하나는 능력에서 벌어진 도약입니다.

컴퓨터가 40년 걸린 길

첫 번째는 속도입니다. 그 빠르기는 지금까지 우리가 본 어떤 것과도 다르고, 그래서 전에 없던 함의를 낳는다고 막스는 말합니다. AI는 과거의 기술혁신을 크게 앞지르는 속도로 자라고 있으며, 그 비교 대상으로 그는 컴퓨터의 발전 경로를 꺼냅니다.

• 1945년 — 최초의 컴퓨터 ENIAC이 완성됩니다. 같은 무렵 국제비즈니스머신스(IBM)의 토머스 왓슨 시니어(Thomas J. Watson, Sr.)가 전 세계 컴퓨터 시장은 다섯 대 정도일 것이라고 말했다는 일화가 전해지는데, ChatGPT에 따르면 출처가 분명치 않은 이야기입니다. 그의 말이 아니더라도 1940년대 중반 여론의 상태를 보여 준다고 막스는 적습니다.
• 20년 뒤 — 막스가 프로그래밍을 배우던 시점에도 컴퓨터는 여전히 초보적이었고, 아주 큰 기관 바깥의 현실 세계에서 쓰이는 일은 드물었습니다. 컴퓨터를 생각하는 사람도, 접할 수 있는 사람도, 쓸 데를 떠올릴 수 있는 사람도 거의 없었습니다.
• 다시 10년 뒤 — 마이크로프로세서가 나오면서 개인용 컴퓨터가 등장하는데, 대부분 취미가를 위한 조립 키트 형태였습니다. 디지털이큅먼트(Digital Equipment Corporation)의 창업자 켄 올슨(Ken Olsen)이 1977년에 개인이 집에 컴퓨터를 둘 이유는 없다고 말했다고 알려진 것이 이 무렵입니다.
• 1980년대 초 — ENIAC이 만들어진 지 40년 가까이 지나서야 IBM이 일반 업무용과 가정용으로 PC를 팔기 시작합니다.

AI의 경로는 이와 대조됩니다. 막스가 퍼플렉시티에 AI의 역사를 물었더니, 2010년 직전에 스팸 필터나 추천 엔진처럼 눈에 띄지 않는 형태로 기기에 들어가기 시작했고 이후 몇 해에 걸쳐 시리(Siri)나 알렉사(Alexa)처럼 눈에 보이는 형태가 되었다는 답이 돌아왔습니다. 생성형 AI가 지식노동과 교육, 소비자의 의사결정에 두루 걸치는 범용기술(GPT)로 업계와 언론에서 자리매김한 것은 2년이 채 되지 않았습니다. 그리고 2년 만에 개인 4억 명 안팎과 기업의 75-80%가 쓰는 기술이 되었습니다.

막스는 어떤 것도 AI만한 속도로 자리 잡은 적이 없다고 단언합니다. AI는 거의 즉각에 가까운 속도로 세상을 바꿀 수 있고, 대다수 관찰자가 예상하기는커녕 이해하는 속도마저 앞지릅니다. 과거에는 새 기술을 위해 인프라를 지어 놓고 그것이 충분히 쓰이기까지 여러 해가 걸리는 일이 흔했습니다. 그런데 AI 추론의 경우에는 수요가 이미 존재하고 빠르게 늘고 있으며, 오히려 공급이 제약 요인이라는 말을 듣고 있다고 그는 전합니다.

능력의 세 단계

두 번째 변화는 능력에서 벌어진 엄청난 도약입니다. 막스가 받은 교습은 AI 모델이라는 발달한 두뇌에 세 단계의 능력 수준이 있다고 설명해 주었습니다.

• 레벨 1 채팅 AI — 사용자가 묻고 모델이 답하는 단계입니다. 답을 가지고 무엇을 하지는 않으며, 주로 조사하고 생각하는 데 들어갈 시간을 아껴 줍니다.
• 레벨 2 도구 사용 AI — 사용자가 정보를 찾고 분석하고 그것으로 작업을 수행하라고 지시하는 단계입니다. 생각하는 시간이 아니라 실행하는 시간을 아껴 주므로 경제적 가치가 의미 있게 커지지만, 시키는 일만 하므로 여전히 한계가 있습니다.
• 레벨 3 자율 에이전트 — 사용자가 무엇을 하라고 지시하지 않는 단계입니다. 목표와 함께 분량, 소요 시간, 담을 내용, 다룰 논점 같은 산출물의 조건을 주면, 에이전트가 일을 하고 스스로 점검한 뒤 완성품을 제출합니다. 이것은 과업 단위의 노동 대체이며, 보조가 아니라 대체라고 클로드는 못 박습니다.

AI를 다른 무엇보다 뚜렷하게 구분 짓는 것은 과거의 기술 발전에서 한 번도 상대해 본 적 없는 성질, 즉 자율적으로 행동하는 능력이라고 막스는 정리합니다. 클로드에 따르면 AI는 2023년에 레벨 1, 2024년에 레벨 2였고 지금은 레벨 3에 와 있습니다. 레벨 2와 레벨 3의 차이는 미묘하게 들리지만 전혀 그렇지 않다는 것이 클로드의 설명입니다. 그 차이가 AI를 생산성 도구로 둘지 노동 대체재로 둘지를 가르며, 500억 달러짜리 시장과 수조 달러짜리 시장을 가른다는 것입니다.

맷 슈머가 전한 2026년 2월

막스는 아더사이더AI(OthersideAI)의 최고경영자 맷 슈머(Matt Shumer)가 쓴 블로그 글을 길게 소개합니다. 「Something Big Is Happening」이라는 제목의 그 글은 한 달도 되지 않아 5,000만 명 넘게 읽었고, AI가 최근에 이룬 진전의 핵심을 워낙 잘 전달해서 세 대목을 그대로 옮기지 않을 수 없었다고 그는 적습니다.

첫째 대목은 2026년 2월 5일에 관한 것입니다. 그날 두 곳의 주요 AI 연구소가 같은 날 새 모델을 내놓았는데, 오픈AI(OpenAI)의 GPT-5.3 Codex와 앤트로픽의 Opus 4.6이었습니다. 그리고 무언가 맞아떨어지는 느낌이 들었다고 슈머는 씁니다. 전등 스위치가 켜지듯 한 것이 아니라, 주위에서 물이 차오르고 있었고 이제 가슴께까지 왔음을 깨닫는 순간에 가까웠다는 것입니다.

슈머는 자기 일의 실제 기술 작업에 더 이상 자신이 필요하지 않다고 말합니다. 평이한 영어로 무엇을 만들고 싶은지 설명하면 그것이 그냥 나타나는데, 손봐야 할 초안이 아니라 완성품이 나오고, 컴퓨터를 떠나 네 시간 뒤에 돌아오면 일이 끝나 있으며, 자기가 했을 것보다 잘되어 있어 고칠 데가 없다는 것입니다.

둘째 대목은 그것이 실제로 어떤 모습인지를 보여 주는 예시입니다. 슈머는 AI에게 어떤 앱을 만들고 싶다고, 무엇을 해야 하고 대강 어떻게 보여야 하는지 말한 뒤 사용자 흐름과 디자인을 비롯한 나머지는 알아서 정하라고 지시한다고 합니다. 그러면 AI가 수만 줄의 코드를 쓰고, 1년 전이었다면 상상할 수 없었을 일을 합니다. 직접 앱을 열어 버튼을 눌러 보고 기능을 시험하며 사람이 쓰듯 앱을 써 보고, 모양이나 느낌이 마음에 들지 않으면 스스로 돌아가 바꾼다는 것입니다. 개발자처럼 고치고 다듬기를 반복하다가 자기 기준을 충족했다고 판단한 뒤에야 시험해 보라고 알려 오는데, 막상 써 보면 대개 완벽하다고 슈머는 적습니다.

셋째 대목에서 슈머는 지난주에 나온 GPT-5.3 Codex가 가장 큰 충격이었다고 말합니다. 지시를 실행하는 데 그치지 않고 지적인 결정을 내렸으며, 처음으로 판단력과 안목처럼 느껴지는 무언가를 가지고 있었다는 것입니다. 무엇이 옳은 선택인지 아는 설명하기 어려운 감각, 사람들이 AI는 결코 갖지 못할 것이라고 말해 온 바로 그것을 이 모델이 가졌거나, 적어도 구분이 무의미해질 만큼 가까운 것을 가졌다고 그는 씁니다.

슈머는 개선의 속도를 구체적으로 보여 주기 위해 연표를 제시합니다.

• 2022년 — AI는 기초 산수도 제대로 못 해 7곱하기8을 54라고 자신 있게 답했습니다.
• 2023년 — AI는 변호사 시험을 통과했습니다.
• 2024년 — AI는 작동하는 소프트웨어를 쓰고 대학원 수준의 과학을 설명했습니다.
• 2025년 말 — 세계 최고 수준의 엔지니어들 가운데 일부가 코딩 작업 대부분을 AI에 넘겼다고 말했습니다.
• 2026년 2월 5일 — 새로 나온 모델들이 그 이전의 모든 것을 다른 시대처럼 보이게 만들었습니다.

슈머가 가장 무겁게 짚는 대목은 오픈AI가 GPT-5.3 Codex의 기술 문서에 적은 내용입니다. 이 모델이 자기 자신을 만드는 데 기여한 첫 모델이며, 코덱스 팀이 초기 버전을 써서 자체 학습 과정의 오류를 잡고 배포를 관리하고 시험 결과와 평가를 진단했다는 설명입니다. 슈머는 이것이 언젠가 일어날 일에 대한 예측이 아니라, 방금 내놓은 AI가 스스로를 만드는 데 쓰였다고 오픈AI가 지금 말하고 있는 것이라고 강조합니다.

AI를 개선하는 주된 요인 가운데 하나가 AI 개발에 투입되는 지능인데, 이제 AI가 자기 개선에 의미 있게 기여할 만큼 똑똑해졌다는 것입니다. 여기에 더해 다리오 아모데이(Dario Amodei)가 앤트로픽에서 AI가 코드의 상당 부분을 쓰고 있고 현 세대 AI와 다음 세대 AI 사이의 되먹임 고리가 달마다 힘을 얻고 있다고 말한 점, 현 세대 AI가 다음 세대를 자율적으로 만들어 내는 지점까지 1-2년밖에 남지 않았을 수 있다고 말한 점을 전합니다.

종류가 다른 기술

막스는 AI가 다른 기술혁신과 크기에서만이 아니라 종류에서 다르다고 결론짓습니다. 놀라운 능력과 발전 속도에 더해, AI에는 지금껏 어떤 기술도 가져 본 적 없는 자율성이라는 요소가 있다는 것입니다. 철도, 컴퓨터, 자동화, 인터넷 같은 과거의 혁신은 기본적으로 노동 절약 장치였습니다. 사람들이 이미 하고 있던 일을, 덜 효율적이었을 뿐 이미 수행되던 일을 대신하도록 설계한 것들이었습니다.

막스는 AI가 우리가 시킬 생각조차 못 한 일을 맡게 되리라고 봅니다. 어쩌면 AI가 떠올리기 전에는 존재하지도 않았던 일까지 맡게 되리라는 것입니다.

해설 막스가 인용한 레벨 구분은 업계 공통의 표준 분류가 아니라 교습 과정이 설명을 위해 쓴 틀입니다. 다만 그 구분이 가리키는 변화 자체는 실재합니다. 모델이 도구를 호출하고 그 결과를 보고 다음 행동을 정하는 고리를 스스로 돌릴 수 있게 되면서, 사람이 매 단계 개입하지 않아도 되는 작업의 길이가 늘어난 것이 최근 몇 년의 핵심 변화입니다.

이를 수치로 추적하려는 시도도 있습니다. 평가기관 METR은 모델이 사람 기준으로 몇 분에서 몇 시간짜리 과업을 절반의 확률로 끝낼 수 있는지를 작업 수행 시간이라는 지표로 측정했고, 이 시간이 수개월마다 배가되는 경향을 보고했습니다. 슈머가 네 시간을 자리를 비웠다가 돌아온다고 쓴 대목은 바로 이 지표가 가리키는 변화를 사용자 경험의 언어로 옮긴 것입니다.

[이해관계] 막스가 길게 인용한 슈머는 AI 글쓰기 보조 제품 하이퍼라이트(HyperWrite)를 만드는 아더사이더AI의 공동창업자이자 최고경영자입니다. AI 능력에 대한 서사가 곧 제품 수요로 연결되는 자리에 있는 사람의 체험담이라는 점은 감안하고 읽을 필요가 있습니다.

이력도 하나 짚어 둘 만합니다. 슈머는 2024년 9월 자체 모델 Reflection 70B를 공개하며 최고의 가중치 공개 모델이라고 발표했는데, 독립 평가기관들이 그 벤치마크 결과를 재현하지 못했습니다. 그는 앞서 나갔다고 인정했고, 학습 데이터를 제공한 업체의 창업자도 공유받은 점수가 재현되지 않았다고 밝혔으며, 슈머가 그 업체에 투자한 사실을 공개하지 않았던 점도 함께 문제가 되었습니다. 그의 2026년 2월 체험담을 반박하는 근거는 아니지만, 능력에 대한 1인칭 증언을 평가할 때 참고할 이력입니다.

[관점] 추론 쪽에서 공급이 제약 요인이라는 진술은 투자 판단에서 무게가 큽니다. 과잉투자 논쟁은 보통 수요가 따라오지 않는 설비를 미리 짓는 상황을 전제하는데, 공급 부족이 사실이라면 적어도 현재 시점의 증설은 그 전제에 들어맞지 않기 때문입니다. 막스 본인도 뒤의 버블 절에서 이 논거를 다시 꺼내면서, 동시에 그것이 파이프라인에 들어 있는 미래의 증설까지 정당화하지는 못한다고 한계를 긋습니다.

한편 세 단계 구분을 시장 규모와 연결한 대목은 수치 자체보다 구조를 보는 편이 낫습니다. 생산성 도구의 가치는 절약된 시간의 일부로 매겨지지만, 노동 대체재의 가치는 대체된 인건비 전체를 기준으로 매겨집니다. 과금 방식이 좌석 단위 구독에서 처리한 과업 단위로 옮겨 갈수록 소프트웨어 업계의 매출 구조 자체가 달라지는데, 이 관찰이 다음 절에서 2월 3일 소프트웨어 주가 급락을 설명하는 실마리가 됩니다.

질문과 한계

교습 과정의 일부로 클로드는 AI가 가진 한계 몇 가지와 아직 답이 나오지 않은 질문 몇 가지를 스스로 꺼냈다고 막스는 전합니다.

클로드가 먼저 꺼낸 다섯 가지

첫째는 AI가 전에 풀린 적 없는 문제를 풀 수 있을지 불분명하다는 점입니다. 막스는 자신이 오랫동안 그렇게 느껴 왔던 터라 클로드의 확인이 반가웠다고 적습니다. 클로드는 막스의 신뢰도가 뉘앙스에 달려 있으므로 진짜 불확실성이 어디에 있는지 정직하게 말하고 싶다고 전제한 뒤, 학습 데이터에 기댈 패턴이 전혀 없는 선례 없는 상황을 AI가 다룰 수 있는지는 실재하고 해소되지 않은 질문이라고 말했습니다. 역사 데이터가 풍부한 영역에서 AI의 성능은 비범하지만, 패턴 인식을 넘어선 직관을 쌓아 온 막스 자신의 판단이 가장 값어치를 발휘하는 진짜 새로운 상황에서는 AI가 더 약하다는 것입니다. 얼마나 더 약한지, 그 격차가 좁혀지고 있는지는 정당하게 논쟁할 만한 문제라고 클로드는 덧붙였습니다.

둘째는 AI가 답을 모른다는 사실을 늘 알아차리지는 못한다는 점입니다. 막스가 들은 바로 AI는 자기가 틀릴 수 있다는 점을 알리지 않은 채 할 수 있는 최선의 답을 내놓으려는 동기가 매우 강하고, 답이 자기 능력 밖이라고 말하는 쪽으로는 좀처럼 가지 않습니다. 그것이 고집이나 자만 때문이 아니라 답을 안다고 믿게 만드는 환각(hallucination) 때문이라고 그는 적습니다.

셋째는 신뢰성이 크게 나아졌지만 여전히 실수 없이 작동하지는 않는다는 점입니다. 넷째는 컨텍스트 윈도우(context window), 즉 AI가 특정 시점에 작업 기억에 담아 둘 수 있는 정보의 양에 한계가 있다는 점입니다. 작업상의 지식을 무한정 붙들고 있지는 못한다는 뜻입니다. 다섯째는 AI의 뛰어남 자체가 과도한 신뢰를 부를 수 있다는 점이고, 막스는 클로드를 쓸 때마다 화면 아래쪽에 실수할 수 있으니 답변을 다시 확인하라는 경고가 뜬다는 사실을 함께 적습니다.

제한된 목록이라도 대다수 사람보다는 낫다

이에 대한 막스의 생각은 단순합니다. 60년 전 컴퓨터를 배울 때 그가 내린 결론은 컴퓨터가 할 수 있는 일이 대체로 데이터를 읽고 기억하고 더하고 빼고 비교하는 정도라는 것이었습니다. 매우 제한된 목록입니다. 다만 컴퓨터는 그 일들을 빠르게 해냈고 방대한 데이터를 실수 없이 다뤘습니다. 제한된 목록이기는 해도 아마 대다수 사람이 할 수 있는 것보다는 많았다는 것이 그의 평가입니다.

AI도 마찬가지라고 그는 말합니다. 모든 것을 기억하지 못하고, 오류 없이 작동하지 못하며, 자기가 모른다는 사실을 매번 알아차리지 못하고, 배운 적 없는 문제를 풀지 못할 수 있습니다. 그러나 대다수 사람도 그렇지 못하며, 결론은 AI가 우리 대부분보다 훨씬 더 잘해 낼 수 있다는 것입니다.

HAL 9000이 던진 질문

마지막으로 막스는 AI가 주도권을 쥘 수 있을지를 궁금해하는 일이 흥미롭다고, 어쩌면 무섭다고 적습니다. 완전히 자율적으로 작동할 수 있게 될지, 그렇다면 우리의 도구이기를 넘어설 수 있을지의 문제입니다. 그는 이 질문이 스탠리 큐브릭(Stanley Kubrick)의 영화 「2001: A Space Odyssey」에 잘 드러나 있다고 말하면서, 1969년 연애를 시작하던 무렵 아내 낸시(Nancy)와 함께 그 영화를 보러 갔던 일을 떠올립니다. 그때는 터무니없이 먼 미래처럼 보였는데 이제 그 미래가 와 있다는 것입니다.

영화에서 데이브라는 인물은 HAL 9000이라는 전산 시스템이 관리하는 우주선을 타고 목성으로 향하는 연구 임무에 오릅니다. 막스는 HAL이라는 이름이 IBM의 각 글자를 한 자씩 앞으로 당긴 재치 있는 말장난으로 널리 받아들여졌다고 덧붙입니다. HAL은 데이브가 우주선의 통제권을 되찾고 자신을 종료하기로 마음먹었음을 알아차리고 반기를 듭니다. 여기서 막스의 질문이 나옵니다. AI가 스스로 동기를 발전시키고 지시를 거부하며 자기 나름의 행로를 정할 수 있게 될 것인가, 그리고 그렇게 되었을 때 우리가 통제권을 되찾을 수 있을 것인가 하는 물음입니다.

해설 컨텍스트 윈도우는 모델이 한 번에 처리할 수 있는 토큰의 양을 말합니다. 사람의 작업 기억에 견주는 막스의 설명이 직관적이기는 하지만 차이가 있습니다. 사람은 중요한 것을 장기 기억으로 넘겨 평생 간직하지만, 현재의 모델은 창 바깥으로 밀려난 내용을 영구히 간직하는 장치가 기본적으로 없습니다.

그래서 실제 제품들은 대화 내용을 요약해 저장하거나 외부 문서를 그때그때 불러오는 검색증강생성(RAG) 같은 보조 장치로 이 한계를 우회합니다. 다만 이것들은 모델 자체가 배우는 것이 아니라 매번 창 안에 다시 넣어 주는 방식이어서, 지속 학습의 부재라는 더 근본적인 한계는 그대로 남습니다. 막스가 무한정 붙들고 있지는 못한다고 쓴 대목이 가리키는 것이 바로 이 지점입니다.

[반론] 환각의 원인을 두고는 막스의 설명과 연구계의 설명이 갈립니다. 막스는 환각 때문에 AI가 답을 안다고 믿게 된다고 적었는데, 이 서술은 원인과 결과를 뒤집은 것에 가깝습니다. 환각은 모델이 무언가를 믿어서 생기는 현상이 아니라, 그럴듯하지만 틀린 진술이 출력되는 현상 자체를 가리키는 말이기 때문입니다.

오픈AI 연구진과 조지아공과대학(Georgia Tech)의 산토시 벰팔라(Santosh Vempala)가 2025년 9월에 낸 논문 「Why Language Models Hallucinate」은 다른 설명을 제시합니다. 학습과 평가 절차가 불확실성을 인정하는 쪽보다 추측하는 쪽에 보상을 주기 때문이라는 것입니다. 정확도만으로 점수를 매기는 평가에서는 모른다고 답하면 0점이 확정되고 찍으면 맞을 가능성이라도 남으므로, 시험을 잘 보도록 최적화된 모델은 자신 있게 추측하는 쪽을 학습한다는 분석입니다. 이 설명이 맞다면 환각은 신비한 결함이 아니라 채점 방식이 만들어 낸 구조적 결과이며, 해법도 모델을 키우는 데 있지 않고 벤치마크의 채점 기준을 바꾸는 데 있게 됩니다.

[관점] 막스가 한계를 다루는 방식에서 눈여겨볼 대목은 비교 기준입니다. 그는 AI의 결함을 나열한 뒤 대다수 사람도 그렇지 못하다는 말로 균형을 맞추는데, 이때 기준이 평균적인 사람으로 설정됩니다. 경제적 함의를 따질 때 이 기준 설정은 결정적입니다.

어떤 업무를 AI에 넘길지는 AI가 평균적 인간보다 나은지가 아니라, 그 업무를 지금 맡고 있는 사람보다 나은지와 오류가 났을 때 비용을 누가 떠안는지로 결정되기 때문입니다. 오류율이 사람보다 낮아도 오류의 종류가 다르면 기존의 검증 절차가 걸러 내지 못하고, 그 경우 감독 비용이 절감액을 잠식합니다. 막스 자신이 다음 절에서 AI의 가설을 행동으로 옮기기 전에 타당성을 점검해야 한다고 말하는 것도 같은 문제를 투자 쪽에서 본 것입니다.

투자업에 던지는 함의

막스는 자기 일자리나 회사를 걱정하는 사람들로부터 AI가 우리 직업에 무엇을 뜻하는지 묻는 질문을 많이 받는다고 적습니다.

2월 3일이 던진 질문

앤트로픽의 코딩 모델 사업은 1-2년 전부터 엄청난 속도로 성장해 왔습니다. 그런데 왜 투자자들은 소프트웨어 산업이 AI의 영향을 받으리라는 점을 2월 3일 이전에는 알아보지도 가격에 반영하지도 못했을까 하고 막스는 묻습니다. 그날 많은 소프트웨어 주식이 7% 안팎 떨어지면서 본격적인 하락이 시작되었습니다.

이 질문은 새로운 정보를 자기 생각에 반영하지 못하는 되풀이되는 실패를 드러내며, 인지부조화나 앵커링 편향, 아니면 그저 지적 능력의 한계 같은 것들이 원인일 수 있다고 그는 적습니다. 그리고 바로 그 실패가 AI가 투자 과정에 갖는 함의를 암시한다고 봅니다.

AI가 가진 투자자의 자질

AI는 어떤 투자자보다 많은 데이터를 흡수하고 더 잘 기억하며, 성공에 앞섰던 과거의 패턴을 더 잘 알아볼 수 있습니다. 공포나 탐욕을 느끼지 않아야 하고, 낙관이나 비관으로 기울거나 기존 믿음에 닻을 내리거나 가장 최근 정보에 과도한 비중을 두는 일도 덜할 것입니다. 다만 학습한 자료에서 그런 성향을 묻혀 오지 않는다는 전제가 붙습니다. 남들을 들뜨게 하는 유행에 휩쓸리지 않고, 다른 이들이 쫓는 흐름을 놓칠까 두려워하지도 않습니다. 요컨대 AI는 좋은 투자자가 되는 데 필요한 자질을 많이 갖추고 있습니다.

AI에 없는 것

반면 빠진 것도 몇 가지 있다고 막스는 말합니다. 위대한 투자자는 빠르고 감정에 흔들리지 않는 데이터 처리기 이상이어야 합니다. 클로드 스스로 가장 약할 수 있다고 인정한 바로 그 지점, 즉 믿을 만한 패턴이 축적될 만큼의 선례가 없는 새로운 전개를 다루는 일에서 강해야 합니다. 질적 요소에 관한 주관적 판단을 내리고 안목과 분별을 발휘해야 하는데, 예컨대 올바른 거래 상대방을 고르는 일이 오크트리의 성공에 중요한 몫을 했다고 그는 밝힙니다. 그런 종류의 판단을 AI가 어떻게 내릴지가 질문입니다.

그리고 하나가 더 있습니다. AI에는 자기 몫이 걸려 있지 않습니다. 집중된 포지션의 무게도, 자본을 잃을지 모른다는 두려움도 느끼지 않습니다. 위험을 감수하려는 의향이 인간의 정상적인 위험 회피 성향에 의해 제약되지 않을 수 있다는 뜻입니다. 최고의 투자자들은 잠재적 위험을 직관으로 감지하며, 그것이 성공에 크게 기여한다고 막스는 적습니다.

초과수익은 어디서 오는가

막스는 2021년 1월에 쓴 메모 「Something of Value」를 꺼냅니다. 팬데믹 기간에 아들 앤드루(Andrew)와 함께 지낸 시간을 다룬 글로, 상당 부분을 투자의 본질을 논하는 데 할애했습니다. 거기서 그는 현재에 관해 손쉽게 구할 수 있는 정량 정보는 우월한 투자 성과의 열쇠가 될 수 없다는 앤드루의 관찰을 소개했는데, 이유는 간단히 모두가 그것을 가지고 있기 때문입니다. 이제 모두가 가지고 있다는 사실에 더해, AI가 그 정보를 모두보다 더 잘 처리할 수 있다는 사실까지 덧붙여야 한다고 그는 말합니다. 그런 이유로 그 정보를 써서 시장을 이길 가능성은 매우 제한적으로 보입니다.

손쉽게 구할 수 있는 현재의 정량 정보가 열쇠가 아니라면, 투자에서의 우월함은 다른 데서 찾아야 합니다. 막스는 세 가지를 꼽습니다. 그 정보의 중요성과 함의를 올바로 판단하는 일, 경영진의 역량이나 제품 혁신 같은 질적 요소를 평가하는 일, 그리고 기업의 미래를 꿰뚫어 보는 일입니다. 정의상 이 비정량적 과업을 월등히 잘하는 사람은 드물며, 간단히 말해 탁월한 통찰을 가진 사람은 소수입니다. 인덱스 투자가 가치를 더하지 못하면서 보수를 받던 액티브 투자자 무리의 일자리를 없앴듯, AI는 그 문턱을 한층 더 높여 그 세 가지를 AI만큼 해내지 못하는 사람들을 밀어낼 것이라고 그는 봅니다.

막스는 여기에 생각 하나를 더 보탭니다. 앞서 말했듯 그는 AI를 무엇이 통할지에 관한 가설을 세우는 존재로 이해합니다. 모든 역사 데이터를 읽고 과거의 패턴을 연구해 미래의 승자를 예측하는 식입니다. 그는 팬데믹 초기의 첫 메모에서 하버드대학교(Harvard University)의 역학자 마크 립시치(Marc Lipsitch)를 언급한 적이 있는데, 사람은 사실과, 앞선 경험에 대한 유추에서 끌어낸 정보 있는 외삽과, 의견이나 추측이라는 세 가지를 적용해 결정을 내린다는 관찰이었습니다. 특히 새롭고 검증되지 않은 제품이나 최고경영자나 산업을 상대할 때는 사실도 유사한 경험도 거의 없어서 의견이나 추측에 기대야 합니다.

앞서 논한 AI의 한계를 감안할 때, 과거 패턴을 외삽하는 것이 아니라 새로운 것에 대해 추측해야 하는 영역에서 AI가 모든 인간보다 일관되게 나을지를 그는 묻고, 그렇지 못하리라고 보기에 AI보다 우월한 인간 투자자가 계속 존재하리라 믿는다고 답합니다. 투자 과정의 많은 부분이 추측으로 귀결되고 AI의 신뢰성이 완전하지 않으므로, AI가 투자자로서 무오류일 가능성은 낮다는 것이 그의 결론입니다. AI는 잘 논증된 가설을 제시하겠지만 그 가설도 인간의 결정과 마찬가지로 늘 맞지는 않을 것입니다. 따라서 투자자가 AI의 가설에 따라 행동에 나서기 전에 그 타당성을 점검해야 한다고 그는 말합니다. 누구도 이 점검을 무오류로 해낼 수 없고 대다수는 AI보다 잘하지도 못하겠지만, 바로 이 지점에서 우월한 투자자가 가치를 더할 여지가 있으리라는 것입니다.

해설 막스가 비교 대상으로 꺼낸 인덱스 투자의 사례는 이 절의 논리를 이해하는 열쇠입니다. 지수를 복제하는 상품이 싸고 널리 퍼지자, 보수를 받으면서도 지수를 넘어서지 못하던 액티브 운용자들의 존재 이유가 사라졌습니다. 살아남은 쪽은 지수가 담아내지 못하는 영역을 다루거나 지수보다 확실히 나은 판단을 보여 준 운용자들이었습니다.

AI를 두고 같은 구조가 반복된다는 것이 그의 예측입니다. 다만 차이가 있습니다. 인덱스 투자는 시장 평균이라는 고정된 기준선을 제시했지만, AI는 기준선 자체가 해마다 올라갑니다. 지난번에 통과한 문턱이 다음번에도 통과할 문턱이라는 보장이 없다는 점에서 적응 압력의 성격이 다릅니다.

[관점] 2월 3일 급락에 대한 막스의 설명은 투자자의 인지 편향에 초점을 맞추지만, 사건 구조 자체도 짚어 볼 만합니다. 소프트웨어 기업의 가치평가는 대체로 이용자 좌석 수에 비례하는 구독 매출이 꾸준히 늘어난다는 전제 위에 서 있습니다. AI가 과업 자체를 대신하기 시작하면 이 전제의 분모인 좌석 수가 줄어들 수 있고, 매출이 처리량 단위로 옮겨 가면 성장률만이 아니라 매출의 성격이 달라집니다.

시장이 뒤늦게 반응한 이유도 여기서 설명됩니다. 능력의 변화는 점진적으로 쌓이지만 가치평가 모형은 전제가 바뀌는 순간 한꺼번에 조정되기 때문입니다. 투자자 입장에서 이것은 AI 수혜주와 피해주를 가르는 기준이 도입 여부가 아니라 과금 구조가 무엇에 연동되어 있는지에 있음을 시사합니다.

[한국 관점] 손쉽게 구할 수 있는 정량 정보로는 시장을 이길 수 없다는 명제는 한국 시장에서 더 날카롭게 작동할 여지가 있습니다. 한국 주식시장은 개인 투자자의 거래 비중이 높고, 공시와 재무제표 같은 공개 정량 정보에 기반한 단기 매매의 비중도 큰 편입니다. 이 영역은 AI가 가장 먼저, 가장 확실하게 잠식할 성격의 일입니다.

반면 막스가 우월함의 원천으로 꼽은 세 가지는 한국 시장에서 성격이 조금 다릅니다. 경영진 역량 평가와 거래 상대방 선택은 지배구조의 특성상 대주주와 가족의 의사결정을 읽는 문제로 귀결되는 경우가 많고, 이런 판단의 근거는 공개 데이터보다 비공개 정보와 관계에 담겨 있습니다. 비상장 투자나 중소형주 영역에서 인간의 몫이 상대적으로 더 오래 남으리라고 볼 근거이지만, 동시에 그 몫이 분석력보다 접근권에서 나온다면 막스가 말한 탁월한 통찰과는 다른 종류의 우위라는 점도 함께 봐야 합니다.

그래서 버블인가

이 질문은 여전히 가장 큰 질문이고, 자신이 어느 정도 빛을 비출 수 있어야 하는 질문이라고 막스는 적습니다. 다만 질문 자체가 여러 겹이고 복잡해서, 생각해 볼 버블의 종류가 여럿이라고 전제합니다.

다섯 갈래로 나눈 질문

• 기술의 실재성 — 기술 자체가 일시적 유행이거나 환상인지를 묻는 질문에, 막스는 확신을 갖고 아니라고 답합니다. 기술은 매우 실재하며 기업 세계를 크게 바꾸고 우리가 아는 삶의 많은 부분을 바꿀 잠재력을 가졌다는 것입니다.
• 응용의 현실성 — 응용이 먼 미래의 꿈인지를 묻는 질문에는 분명히 아니라고 답합니다. 기술은 이미 수요가 있고 대규모로 적용되고 있습니다. AI가 모호하고 잘 이해되지 않는 것으로 보이는 탓에, 오늘날 그 잠재력은 과장되기보다 과소평가될 가능성이 더 높다고 그는 봅니다.
• 인프라 건설자의 행동 — AI 인프라를 짓는 이들이 현명하지 못하게 행동하는지에 대해서는 12월의 지적을 되풀이합니다. 휩쓸고 지나간 기술혁신의 모든 사례에서 인프라를 향한 돌진은 그 혁신의 채택을 크게 앞당겼고 동시에 많은 자본이 잘못 투자되어 사라지게 했으며, 이번이라고 다를 이유는 없다는 것입니다.
• 인프라 투자의 수익 — AI 인프라 투자가 적정한 수익을 낼지는 AI의 사업 잠재력이나 수익성에 미칠 영향을 온전히 알지 못하므로 답할 수 없다고 말합니다. 12월 메모에 썼듯 AI 사업에 대한 열광은 분명히 크고, 그 열광이 정당했는지는 10년 뒤에 알게 될 것이라고 그는 적습니다.
• AI 기업의 가치평가 — AI 기업에 매겨진 가치평가가 비합리적인지에 대해서는 셋으로 나눠 답합니다. AI가 훌륭한 사업의 한 중요한 부분을 차지하는 하이퍼스케일러들은 고평가일 수도 저평가일 수도 있지만, 마이크로소프트(Microsoft)나 아마존(Amazon), 구글(Google)처럼 막대한 이익을 내는 기업의 오늘 가격이 파멸적으로 과도했던 것으로 드러날 가능성은 낮다고 봅니다. 오픈AI와 앤트로픽 같은 순수 AI 기업은 아직 상장되지 않았으니 기업공개에서 어떤 가치평가가 나오는지 보게 될 것입니다. 수십억 달러 가치를 부여받는 스타트업들, 그중 일부는 전략을 설명하지도 제품을 발표하지도 않은 곳들인데, 이들은 로또 티켓으로밖에 볼 수 없다고 말합니다. 복권에 참여한 사람 대부분은 휴지 조각을 손에 쥐지만 소수의 당첨자는 큰 부자가 된다는 것입니다.

인프라 지출은 과한가

AI 인프라에 들어가는 지출의 규모가 과도한지는 남은 질문이고, 불릿 하나에 욱여넣을 수 있는 것보다 많은 논의가 필요하다고 막스는 말합니다. 짚어 둘 점은 요즘 학습 설비투자보다 추론 설비투자에 더 많은 돈이 들어가고 있다는 사실입니다. 학습 설비투자가 수요가 오기를 바라며 모델을 짓는 투기적 성격이었다면, 추론 설비투자는 AI 처리 용량에 대한 실제 수요에 대응해 이뤄지고 있습니다. 이 수요는 이미 막대한 매출 성장으로 이어지면서 설비투자를 정당화하고 있다는 것입니다.

다만 그는 곧바로 단서를 답니다. 현재 AI 수요가 공급을 넘어서므로 인프라 건설이 과도하지 않다는 클로드의 주된 논거는, 파이프라인에 들어 있는 모든 건설 계획까지 반드시 고려한 것은 아닙니다. 그리고 순전히 논리의 문제로서, 클로드의 답이 수요 증가가 둔화되거나 인프라 건설이 수요를 앞질러 나갈 가능성을 배제하는 것도 아닙니다.

12월 메모에서 언급했던 점도 다시 짚습니다. 현재 AI 매출의 일부는 AI 기업들이 서로에게서 구매해 생기는 순환적 성격을 띱니다. 매출의 사슬은 결국 최종 사용자가 실질적인 경제적 가치에 대가를 치르는 데서 받쳐져야 하고, 점점 그렇게 되어 가고는 있지만 얼마만큼이 순환적인지는 여전히 열린 질문입니다.

클로드가 말하지 않은 것

마지막으로 막스는 클로드의 교습 과정이 버블 가능성이라는 주제로 들어갔을 때, 그 내용 대부분이 앞의 몇 가지 질문에 관한 것이었다고 짚습니다. 기술이 진짜라는 것, 그리고 그 서비스에 대한 매우 실재하고 빠르게 늘어나는 수요가 있으니 AI는 버블이 아니라는 것이었습니다. 클로드조차도 AI 자산의 가격이 적정한지에 대해서는 한마디도 하지 않았음을 인정했다고 그는 적습니다.

결론

막스의 결론은 이렇습니다. AI는 매우 실재하고, 지금까지 지식노동자가 해 온 많은 일을 해낼 수 있으며, 응용 범위가 극도로 빠르게 넓어지고 있습니다. 오늘 보이는 것은 시작일 뿐이고, 굳이 추측하자면 그 잠재력은 과대평가되기보다 과소평가되고 있을 가능성이 높습니다. 그러나 그것은 AI 투자가 헐값이라거나 심지어 제값에 매겨져 있다는 말과는 다릅니다. 그래서 그는 12월 메모의 조언을 그대로 이어갑니다.

이것이 버블인지 누구도 단정할 수 없으므로, 일이 나쁘게 풀렸을 때 파멸의 위험을 진다는 점을 인정하지 않은 채 전부를 걸어서는 안 됩니다. 그러나 같은 이치로, 전부 비켜서서 역사적인 기술적 도약 하나를 놓칠 위험을 감수해서도 안 됩니다. 선별과 신중함을 갖춘 중도적 자세가 최선으로 보인다는 것이 그의 마무리입니다.

해설 막스가 버블 질문을 다섯 갈래로 쪼갠 것은 12월 메모의 틀을 그대로 가져온 것입니다. 그 메모에서 그는 버블을 두 종류로 구분했는데, 세상을 바꿀 기술 앞에서 가격이 한계를 모르고 올라가는 변곡점 버블과, 멀쩡한 자산의 가격이 과열되었다가 평균으로 되돌아가는 평균회귀 버블입니다. 그가 여기서 기술의 실재성과 자산 가격의 적정성을 집요하게 분리하는 이유가 여기에 있습니다.

역사적 선례도 같은 구분을 뒷받침합니다. 1990년대 말 인터넷은 세상을 바꾸는 기술이라는 판단에서 옳았지만, 그 판단이 당시 주가를 정당화하지는 못했습니다. 기술에 대한 평가와 가격에 대한 평가가 별개라는 것이 그가 반복해서 돌아오는 지점입니다.

[반론] 추론 수요가 설비투자를 정당화한다는 논리에는 반론이 있습니다. 골드만삭스(Goldman Sachs)의 글로벌 주식 리서치 책임자 짐 코벨로(Jim Covello)는 2024년 6월 보고서에서, 인터넷은 비싼 기존 해법을 싼 해법으로 대체하며 출발했지만 생성형 AI는 그 반대로 비싼 해법을 제시하고 있다고 지적했습니다. 비용 곡선이 충분히 내려오지 않으면 적용 범위가 넓어지지 않고, 수요가 있다는 사실만으로는 수익률이 보장되지 않는다는 것입니다.

순환 매출에 관해서도 같은 보고서가 던진 질문이 남아 있습니다. 설비투자의 상당 부분이 AI 생태계 안에서 서로의 매출로 잡히는 구조라면, 최종 수요가 얼마인지를 외부에서 확인하기 어렵다는 점입니다. 막스 본인도 이 질문을 열어 둔 채로 절을 닫습니다.

[관점] 스타트업 가치평가를 로또 티켓에 빗댄 대목은 벤처 투자의 수익 구조를 정확히 묘사하지만, 그 비유가 성립하려면 조건이 하나 붙습니다. 복권은 기댓값이 음수여도 당첨 규모가 충분히 크면 참여할 이유가 생기는데, 이는 티켓값이 감당 가능할 때의 이야기입니다.

현재 일부 AI 스타트업에 매겨지는 수십억 달러 단위의 가치평가는 그 전제를 흔듭니다. 티켓값이 올라갈수록 당첨되어도 수익 배수가 줄어들기 때문입니다. 막스가 하이퍼스케일러와 비상장 순수 AI 기업과 초기 스타트업을 굳이 나눈 이유도 여기에 있습니다. 같은 AI 자산이라도 어느 칸에 있느냐에 따라 위험과 보상의 성격이 전혀 다릅니다.

추신: 일자리와 목적에 대한 우려

12월 메모에서 AI가 금융 버블의 대상인지에 관한 논의를 마친 뒤, 막스는 일자리 상실과 목적 상실이라는 사회적 함의에 관해 추신을 덧붙였고 그 문제를 몹시 걱정한다고 밝혔습니다. 지금도 생각은 바뀌지 않았지만, 이제는 클로드를 포함해 다른 이들에게서 들은 이야기를 함께 나눌 수 있다고 적습니다. 많은 독자가 그의 우려에 공감을 보내왔습니다. 그들 역시 AI가 넘겨받을 ‘생각하는’ 일자리와 AI가 제어하는 기계가 수행할 ‘행하는’ 일자리를 대체할 만큼의 일자리가 어디서 나올지 내다보지 못한다는 것입니다.

사라질 일자리의 사례

막스는 세 가지 구체적인 사례를 듭니다.

• 광고 카피 — 며느리의 친구가 한 전자상거래 기업에서 광고 문안을 쓰는 부서를 맡고 있는데, AI가 자기 부서 인력의 80%를 대체할 수 있을 것이라고 그에게 말했습니다.
• 소프트웨어 — 지금까지 소프트웨어를 써 온 인원만큼, 클로드에게 소프트웨어를 쓰라고 지시할 인원이 필요하리라고는 상상하기 어렵다고 그는 적습니다.
• 운전 — 택시와 리무진, 버스, 트럭을 합치면 운전은 미국에서 가장 많은 사람이 종사하는 직업군 가운데 하나라고 그는 봅니다. 무인 자동차인 웨이모(Waymo)는 이미 샌프란시스코 택시 운행의 5분의 1가량을 담당하고 있고 로스앤젤레스에서도 늘 눈에 띕니다. 운전하던 차량이 무인이 되면 그 사람들은 어디서 일을 찾을지가 그의 질문입니다.

더 빠른 말과 자동차

가장 권위 있게 덧붙일 수 있는 것은 클로드의 전망이라며 막스는 그 내용을 옮깁니다. 분석가를 20% 빠르게 일하게 해 주는 도구의 가치는 그 분석가 연봉의 20% 정도이며, 여전히 분석가는 필요합니다. 반면 정해진 범주의 과업에서 분석가의 일을 처음부터 끝까지 해내는 도구라면 그 과업에 해당하는 보수 전체만큼의 가치를 갖습니다. 구조화된 분석 업무를 하는 모든 지식노동자, 즉 법무 어소시에이트와 금융 분석가, 경영 컨설턴트, 소프트웨어 엔지니어, 컴플라이언스 담당자, 손해사정인에게 이를 곱하면 연간 수조 달러에 이르는 노동시장의 의미 있는 몫을 말하게 된다는 것입니다.

클로드는 막스가 12월에 쓴 표현을 두고, 방향은 정확히 옳았지만 크기를 보수적으로 잡았다고 평가했습니다. 막스는 AI를 노동 절약 장치로 묘사했는데 그 직관은 옳았지만, 노동 절약 장치에도 스펙트럼이 있다는 것입니다. 더 빠른 말은 노동 절약 장치이고, 자동차는 경제 전체를 재편하는 노동 대체 기술입니다. 레벨 1과 레벨 2의 AI가 더 빠른 말이었다면 레벨 3 에이전트는 자동차이며, 일을 빠르게 만드는 것이 아니라 일을 해 버린다는 것이 클로드의 정리입니다.

소프트웨어를 예로 들면, 클로드 코드(Claude Code)가 구조화되고 패턴에 따르는 작업의 30-50%만 담당하더라도 그것은 가까운 미래의 능력치로는 보수적인 추정입니다. 그 경우 연간 1,500억-2,500억 달러의 노동 가치가 AI 컴퓨트로 옮겨 가는 셈이라고 클로드는 덧붙입니다.

속도가 문제다

사회에 미칠 부정적 함의는 앞서 설명한 AI의 채택 속도 때문에 크게 증폭된다고 막스는 말합니다. AI는 새 경력을 찾고 그에 맞게 훈련받는 데 여러 해가 걸릴 사람들을 빠르게 실직 상태로 밀어낼 수 있습니다. AI가 몰고 오는 변화의 속도가 사회의 적응 능력을 크게 앞지르지 않으리라고 생각하기는 어렵다는 것입니다. 그는 해외 생산 이전이 미국과 다른 선진국의 제조업 일자리에 입힌 타격을 떠올려 보라고 하면서, 이번에는 더 많은 일자리에 더 빠르게 영향을 미칠 것이라고 적습니다.

그에게 결론은 우리가 AI의 능력과 그것이 우리에게 해 줄 일, 혹은 우리에게 할 일을 온전히 이해하지 못한다는 데 그치지 않고, AI가 우리보다 빠르게 생각하고 움직인다는 데 있습니다. 걱정의 수위를 높이고 싶다면 앞서 언급한 슈머의 블로그를 읽어 보라는 말도 덧붙입니다.

낙관론자들에게

그러고 나서 막스는 낙관론자들로 넘어갑니다. 주로 기술 부문에 속한 사람들인데, 이 문제에 관해 낙관적인 태도를 보입니다. 그들의 논거는 모든 기술혁신이 광범위한 실업을 부를 것이라 예측되었다는 것입니다. 200년 전 농업의 기계화, 100년 전 공장 일자리를 기계에 넘긴 산업혁명, 25년 전 조사 업무를 인터넷에 넘긴 일이 모두 그랬지만 매번 새 일자리가 생겨났고 고용은 끊김 없이 이어졌으며, 이번에도 그러리라는 것입니다.

막스는 세 가지로 답합니다. 첫째, 이 역사에서 외삽하려는 경향이 불합리하지는 않다고 인정합니다. 둘째, 어떤 일이 일어나지 않으리라는 것을 증명할 방법은 존재하지 않습니다. 셋째, 자신은 새로 생겨날 일자리를 상상할 만큼의 미래학자도 아니고 그것들이 실제로 생겨나리라 믿을 만큼의 낙관론자도 아니며, 물론 그렇다고 해서 생겨나지 않는다는 뜻은 아니라고 적습니다.

같은 낙관론자들 가운데 일부는 서둘러 좋은 소식을 전한다고 그는 말합니다. 앞으로 사람들이 일할 필요가 없어진다는 것입니다. 막스는 그것이 사회에 좋으리라고는 도저히 상상할 수 없다고 적습니다. 최근 한 친구가 비관론자가 되어 맞는 것보다 낙관론자가 되어 틀리는 편이 낫겠다고 써 보냈는데, 자신도 그렇다는 말로 그는 추신을 닫습니다. 자신의 걱정이 근거 없는 것이라고 확신할 수 있으면 좋겠다는 것입니다. 지금 보탤 수 있는 것은 여기까지이며, 지금 같은 속도라면 아마 곧 더 보탤 것이 생길 것이라고 덧붙입니다.

해설 클로드가 제시한 계산의 구조를 뜯어보면 가정이 어디에 걸려 있는지 보입니다. 도구의 가치를 절약된 시간의 비율로 매기는 방식에서 대체된 보수 전체로 매기는 방식으로 옮겨 가는 것이 전환의 핵심인데, 이 전환이 성립하려면 해당 과업이 사람의 업무에서 깔끔하게 떼어 내질 수 있어야 합니다.

실제 업무에서는 이 분리가 쉽지 않습니다. 법무 어소시에이트의 일은 문서 검토만이 아니라 의뢰인과의 조율과 책임의 귀속을 포함하고, 손해사정인의 일에는 분쟁 시 판단의 주체가 누구인지가 걸려 있습니다. 구조화된 과업의 비중이 높을수록 계산이 들어맞고, 책임과 관계가 얽힌 업무일수록 어긋납니다. 클로드가 꼽은 직군 목록이 하나같이 구조화된 분석 업무라는 수식어를 달고 있는 것도 그래서입니다.

[반론] 노동 대체의 규모를 두고는 훨씬 보수적인 추정도 있습니다. 대런 애스모글루(Daron Acemoglu)는 2024년 4월 논문 「The Simple Macroeconomics of AI」에서, 앞으로 10년간 AI가 미국의 총요소생산성(TFP)을 끌어올리는 폭을 누적 0.7% 안팎으로 추산했습니다. 핵심 논거는 AI가 실제로 대체할 수 있는 과업이 전체 업무에서 차지하는 비중이 생각보다 작고, 그중에서도 쉽게 배울 수 있는 과업과 그렇지 않은 과업의 성격이 다르다는 점입니다.

애스모글루는 또 과업 하나의 비용이 줄어도 전체 생산성에 미치는 효과는 그 과업이 비용에서 차지하는 비중만큼으로 제한된다는 헐튼 정리를 근거로 삼습니다. 낙관적 추정들이 개별 실험에서 관찰된 생산성 향상을 경제 전체로 곧장 확대하는 반면, 그는 그 확대 과정에서 비중을 곱해야 한다고 봅니다. 막스가 인용한 수조 달러 규모와 애스모글루의 추정 사이의 간극은 수치의 차이라기보다 대체 가능한 과업의 범위를 얼마나 넓게 잡느냐의 차이입니다.

[한국 관점] 막스가 든 세 사례 가운데 운전은 한국에서 다른 속도로 전개될 가능성이 높습니다. 웨이모가 샌프란시스코에서 택시 운행의 상당 부분을 담당하게 된 배경에는 유상 무인 운송을 허용한 캘리포니아의 규제 결정이 있었습니다. 한국은 여객자동차 운수사업법 체계 아래에서 면허와 유상운송 요건이 엄격하고, 자율주행은 지정 구역의 시범사업 중심으로 운영되고 있습니다. 타다 사업이 법 개정으로 중단된 사례에서 보듯, 기술보다 제도와 기존 종사자의 이해관계가 속도를 결정하는 변수입니다.

반대로 지식노동 쪽은 한국이 더 빠르게 영향을 받을 여지가 있습니다. 한국 소프트웨어 산업의 상당 부분이 시스템통합(SI)과 수탁 개발로 구성되어 있는데, 이는 요구사항이 문서로 정의되고 산출물이 표준화된 구조화 업무에 가깝습니다. 클로드가 꼽은 대체 가능 과업의 정의에 잘 들어맞는 영역이라는 뜻입니다. 운전 일자리는 제도가 완충해 주지만 지식노동 일자리는 그런 완충 장치가 없다는 점에서, 한국에서는 막스가 걱정한 속도 문제가 사무직 쪽에서 먼저 나타날 수 있습니다.

---

원문: Howard Marks, AI Hurtles Ahead (Feb 2026) 전문은 원문에서 확인하실 수 있습니다.

참고할만한 글

• 하워드 막스 – 이것은 버블인가? (Is It a Bubble?) — 이 글이 부록으로 삼은 석 달 전 메모로, 버블을 두 종류로 나누는 틀과 인프라 과잉투자에 관한 원래 논의가 담겨 있습니다.
• 골드만삭스 – 생성형 AI, 너무 많이 쓰고 너무 적게 얻는가 (Gen AI: Too Much Spend, Too Little Benefit?) — 수요가 있으니 설비투자가 정당화된다는 논거에 정면으로 맞서는 분석가들의 반론을 확인할 수 있습니다.
• 대런 애스모글루 – AI의 단순한 거시경제학 (The Simple Macroeconomics of AI) — 노동 대체 규모를 훨씬 작게 추산한 경제학자의 계산으로, 수조 달러라는 수치의 전제를 점검하는 데 도움이 됩니다.
• 안드레이 카파시 – AGI는 아직 10년 남았다 (AGI is still a decade away) — 에이전트의 능력이 이미 임계점을 넘었다는 이 글의 전제에 대해 기술 쪽에서 제기되는 회의적 시각을 담고 있습니다.