"AI 발전이 둔화되고 있다" — 거품론과 진짜 신호 사이

분위기가 살짝 바뀌고 있어요

지난 몇 년간 AI는 '매달 놀라운 게 나온다'는 분위기였잖아요. 그런데 최근 "이제 AI 발전 속도가 느려지고 있다"는 주장이 나오면서 논쟁이 뜨거워요. 이 주장의 골자는 "새 모델이 나와도 예전만큼 극적으로 좋아지지 않고, 들어가는 돈과 자원에 비해 성능 향상은 점점 찔끔찔끔이 되고 있다"는 거예요.

이게 왜 중요하냐면, 지금 AI 산업에는 천문학적인 돈이 'AI는 계속 빠르게 좋아진다'는 가정 위에 베팅돼 있거든요. 데이터센터, GPU, 인재 영입에 쏟아붓는 투자가 다 그 기대에 기대고 있어요. 만약 그 가정이 흔들리면, 투자 논리 전체가 흔들리는 거죠.

'느려진다'는 게 구체적으로 뭘까요

핵심엔 '스케일링 법칙(scaling law)'이라는 개념이 있어요. 이게 뭐냐면, 그동안 AI 업계의 성공 공식은 단순했어요. 모델을 더 크게, 데이터를 더 많이, 컴퓨팅을 더 쏟으면 성능이 좋아진다는 거였죠. 실제로 한동안 이 공식이 잘 먹혔고요.

그런데 문제는 이게 '수확 체감'에 부딪히고 있다는 지적이에요. 수확 체감이란 쉽게 말해, 처음엔 비료를 주면 작물이 쑥쑥 자라는데, 나중엔 같은 양을 줘도 조금밖에 안 자라는 상황이에요. 모델을 두 배로 키워도 성능은 아주 조금만 좋아지면, 돈은 두 배 드는데 효용은 별로 안 늘어나는 거죠. 게다가 학습에 쓸 양질의 인터넷 텍스트 데이터도 거의 다 긁어 써서 '연료'가 바닥나간다는 우려도 있어요.

여기에 '돈' 이야기가 붙어요. 비판의 핵심 중 하나는 AI 회사들이 막대한 적자를 감수하며 서비스를 운영하고 있다는 점이에요. 사용자에게 받는 요금보다 모델을 돌리는 비용이 더 큰 구조라면, 결국 어딘가에서 가격이 오르거나 사업 모델이 바뀌어야 하거든요. '기술은 둔화되는데 비용은 폭증한다'면 거품 우려가 나올 수밖에 없죠.

반론도 만만치 않아요

공정하게 보면 반대 시각도 있어요. '벤치마크 점수'라는 한 가지 잣대로만 보면 둔화처럼 보이지만, 실제 쓸모는 다른 축에서 빠르게 늘고 있다는 거예요. 예를 들어 모델이 도구를 쓰고(검색, 코드 실행), 길게 추론하고, 여러 단계를 스스로 처리하는 '에이전트' 능력은 최근에 확 좋아졌거든요. 단순히 '한 번에 똑똑한 답'을 넘어서 '일을 끝까지 해내는' 방향으로 발전 축이 옮겨갔다는 해석이죠.

또 같은 성능을 훨씬 싸고 작게 내는 '효율화'도 빠르게 진행 중이에요. 거대한 모델만이 답이 아니라, 작은 모델이 영리하게 잘하는 길도 열리고 있고요. 그래서 "발전이 멈췄다"기보다 "발전의 방향과 측정법이 바뀌었다"고 보는 게 더 정확할 수 있어요.

업계 맥락에서 보면

사실 기술 역사에서 이런 논쟁은 반복돼 왔어요. 초기의 폭발적 성장 뒤에 "이제 한계다"라는 회의론이 오고, 그러다 새로운 돌파구(아키텍처, 데이터, 학습법의 혁신)가 나오며 다시 성장하는 패턴이요. 인터넷 닷컴 버블 때도 비슷했죠. 거품이 꺼졌지만 인터넷 자체는 결국 세상을 바꿨고요.

지금 AI도 '기술의 가치'와 '시장의 기대(주가·투자)'를 구분해서 봐야 해요. 기술이 계속 쓸모를 키워가더라도, 시장의 기대가 너무 앞서가 있었다면 그 기대는 조정될 수 있거든요. 둘은 따로 움직일 수 있어요.

한국 개발자에게 주는 시사점

실무자 입장에서 가장 중요한 교훈은 이거예요. '더 큰 모델이 곧 정답'이라는 단순 공식에서 벗어나야 한다는 것. 무조건 최신·최대 모델을 쓰기보다, 내 문제에 맞는 적정 크기 모델을 고르고, 프롬프트·RAG(검색 보강)·파인튜닝 같은 '모델 바깥의 설계'로 성능을 끌어올리는 역량이 점점 더 중요해져요.

또 AI API 비용 구조에도 촉을 세워야 해요. 지금의 저렴한 가격이 적자에 기반한 거라면 미래에 오를 수 있으니, 특정 벤더에 과하게 종속되지 않게 설계하고, 비용 대비 효용을 늘 따져보는 습관이 필요해요.