12월에 인공지능에 관한 메모 「Is It a Bubble?」을 쓰기 위해 준비하던 당시, 나는 30~40대의 흥미로운 테크 전문가 몇 명과 대화를 나누며 큰 도움을 받았다. 새로운 영역을 탐색하는 일은 지적으로 매우 자극적일 뿐 아니라, 투자자로서 시대의 흐름을 따라가기 위해 반드시 필요한 과정이다. 그리고 그것은 내 일에서 가장 즐거운 부분 중 하나이기도 하다. 최근 나는 12월 메모의 후속 작업을 위해 다시 그들과 이야기를 나누었다. 그 과정에서 누군가 Anthropic의 AI 모델인 ‘Claude’에게 인공지능이 무엇인지, 그리고 지난 3개월 동안 어떤 변화가 있었는지를 설명하는 튜토리얼을 만들어 달라고 요청해보라고 제안했다. 나는 그렇게 했고, 그 결과물은 나에게 매우 많은 영감을 주었다. 이번 메모는 12월 글에 대한 일종의 보완(addendum)이다. 내용의 상당 부분은 Claude가 작성한 1만 단어 분량의 에세이를 요약한 것이며, 여기에 나의 몇 가지 관찰을 덧붙일 것이다. 그 과정에서 나에게도 새로웠고 아마 여러분에게도 생소할 수 있는 몇 가지 용어를 강조해 소개하려 한다. 사실 Claude에게 이번 메모를 대신 써달라고 요청했다면 나는 상당한 시간을 절약할 수 있었을 것이다. 하지만 글을 직접 써 내려가는 과정 자체가 내게는 큰 즐거움이기 때문에 그렇게 하지 않았다. 다만, Claude의 결과물에서 많은 부분을 인용할 것이다. 별도의 출처가 명시되지 않은 모든 인용문은 Claude의 작업에서 가져온 것이다. 본론에 들어가기 전에, 나는 Claude의 결과물을 접하며 느낀 경외감의 수준을 먼저 전하고 싶다. 그것은 마치 친구나 동료가 나에게 개인적으로 보내온 편지처럼 읽혔다. 내가 과거 메모에서 다뤘던 주제들—예컨대 금리의 대전환이나 투자 심리의 진자 운동—을 언급하며 이를 AI와 관련된 은유로 풀어냈다. 논리는 탄탄했고, 내가 제기할 법한 반론을 미리 예상해 다루었으며, 유머를 적절히 섞었고, AI의 한계를 솔직하게 인정함으로써 신뢰를 더했다. 마치 내가 글을 쓸 때 사용하는 방식과 유사했다. 이전에도 AI에게 질문을 던지고 답을 받은 적은 있었지만, 이처럼 개인화된 설명을 받은 것은 처음이었다. AI의 이해 최근 AI와 그 역량의 변화라는 본격적인 주제로 들어가기 전에, 이번 튜토리얼이 나에게 전달해 준 AI의 본질에 대한 몇 가지 통찰을 공유하고자 한다. 중요한 점은 AI 모델을 단순히 데이터를 검색해 재생산하는 검색 엔진으로 생각해서는 안 된다는 것이다. 나 역시 지금까지는 그렇게 이해하고 있었다. 하지만 실제로는 그보다 훨씬 더 나아가, 데이터를 종합(synthesize)하고 그로부터 추론(reasoning)할 수 있는 컴퓨터 시스템이다. AI 모델의 생애에는 두 단계가 있다. 첫 번째는 ‘훈련(training)’ 단계다. 이 단계에서 모델은 방대한 양의 텍스트를 읽으며 학습한다. 훈련 과정을 단순히 모델에 정보를 입력하는 것으로 이해해서는 안 된다. 그것은 훨씬 더 깊은 과정이다. 말하자면 모델에게 ‘생각하는 법’을 가르치는 것이다. 텍스트를 흡수하는 과정을 통해 모델은 다음과 같은 능력을 습득한다. 추론의 패턴을 이해하고 이를 형성하는 법 논증이 어떻게 구조화되는지 파악하는 법 아이디어를 새롭게 조합하는 법 학습한 추론 패턴을 새로운 상황에 적용하는 법 훈련 단계를 이해하는 가장 좋은 방법은 인간의 지적 능력 발달 과정에 비유하는 것이다. 아기는 뇌를 가지고 태어나지만, 외부 자극에 노출되면서 사고하고, 추론하고, 종합하고, 평가하고, 비유하고, 아이디어를 결합하고, 개념을 창조하고, 논증을 구성하는 능력을 점차 발전시킨다. 이러한 능력은 태어날 때부터 완성되어 있는 것이 아니라, 환경으로부터의 입력을 흡수하고 활용하는 과정 속에서 형성된다. AI 모델도 이와 같다. (한 가지 덧붙이자면, 내가 AI가 정확히 어떻게 이런 일을 수행하는지 이해하고 있다는 뜻은 아니다. 그럴 가능성은 전혀 없다. 내가 할 수 있는 일은 AI가 무엇을 할 수 있는지, 그리고 그 함의가 무엇인지를 설명하는 것뿐이다.) 두 번째 단계는 ‘추론(inference)’이다. 모델이 구축되고 훈련된 이후에는, 사용자들의 요구에 응답하기 위해 그 능력을 활용하는 것이 추론 단계다. 이는 모델의 나머지 생애 동안 계속되는 활동이다. 여기서 중요한 점이 있다. (적어도 현재로서는) 모델이 스스로 과제를 설정할 수는 없다. 사용자가 작성한 ‘프롬프트(prompt)’를 통해 작업을 지시받아야 한다. 프롬프트가 더 구체적이고 포괄적일수록, AI가 수행할 수 있는 일의 수준도 높아진다. 예를 들어, AI는 사용자가 원하는 작업을 수행하는 소프트웨어를 작성할 수 있다. 또한 그 소프트웨어를 테스트하고, 버그를 찾아 수정하고, 다시 테스트하는 일도 할 수 있다. 그러나 적어도 현 단계에서는 이러한 절차 하나하나를 명시적으로 지시받아야 한다. (이 부분은 뒤에서 다시 다루겠다.) 오늘날 많은 사람들이 프롬프트의 중요성을 충분히 인식하지 못하고, 이를 설계할 능력도 갖추지 못했기 때문에, AI의 잠재력은 과소평가되고 있을 가능성이 크다. 하지만 그 한계는 모델이 아니라 사용자 측에 있다. 내가 받은 튜토리얼을 예로 들어 보자. Claude는 단순히 “AI가 무엇이고 무엇을 할 수 있는지 설명해 달라”는 요청을 받은 것이 아니었다. 내가 자신에게 어떤 과제가 주어졌는지 묻자, Claude는 이렇게 답했다. 누군가가 당신을 위해 9개 모듈로 구성된 커리큘럼을 설계했습니다. 이는 당신의 12월 메모, 당신의 지적 프레임워크, 그리고 신뢰할 수 있는 보완 메모를 작성할 수 있을 만큼의 기술적 이해를 제공한다는 목표를 바탕으로 만들어졌습니다. 이 커리큘럼은 한 번에 하나의 모듈을 학습하도록 구성되었고, 당신의 세계에서 사용하는 비유를 활용했으며, 단순히 설명하는 데 그치지 않고 실제 역량을 보여주도록 설계되었습니다. 또한 당신의 독자들이 기대하는 지적 정직성을 유지하는 방식으로 구성되었습니다. 나는 이 튜토리얼이 우리가 설정한 목표를 확실히 달성했다고 자신 있게 말할 수 있다. 그리고 그것은 전적으로, 나의 조언자들이 준비하는 데 도움을 준 프롬프트의 질과 구체성 덕분이었다. AI는 생각할 수 있는가? 여기서 나는 개인적으로 매우 흥미롭게 느끼는 질문 하나를 다뤄보려 한다. AI가 이미 인간이 밝혀낸 것들을 재구성하고, 그것을 새로운 데이터나 다른 분야에 적용할 수 있다는 점은 알고 있다. 하지만 과연 AI가 완전히 새로운 지평을 열 수 있을까? 내가 이해하는 AI의 작동 방식은 기본적으로 과거의 패턴과 논리를 활용해 어떤 연속된 흐름에서 다음에 올 항목을 예측하는 것이다. 예를 들어 문장에서 다섯 단어를 쓰면, 여섯 번째 단어가 무엇일지 예측한다. (이메일을 작성할 때 휴대폰에 뜨는 추천 단어를 떠올려보라. 그것이 바로 AI의 작동 방식이다.) 시장을 이길 포트폴리오를 구성해 달라고 요청하면, 과거에 좋은 성과를 냈던 주식들을 살펴보고 그들의 특성을 바탕으로 앞으로 가장 잘할 종목을 예측한다. 나는 AI를 과거의 전개 양상을 토대로 미래에 대한 가설을 제시하는 시스템으로 이해하는 것이 도움이 된다고 생각한다. 이 부분은 뒤에서 다시 언급하겠다. 이로부터 자연스럽게 한 가지 질문이 나온다. AI는 새로운 아이디어를 가질 수 있는가? AI가 우리가 부여한 모든 지식 작업을 수행할 수 있다고 하자. 그렇다면 우리가 생각해보라고 지시하지 않은 것까지 스스로 떠올릴 수 있을까? 강가에 앉아 문득 스치는 영감을 받아들이는 것과 같은 일을 할 수 있을까? 나무에서 사과가 떨어지는 것을 보고 중력이라는 개념을 떠올릴 수 있을까? 사색하고, 몽상하고, 아이디어를 발상할 수 있을까? 직관을 가질 수 있을까? 바로 이 지점에서 AI에 대한 논쟁은 복잡해진다. Claude에 따르면, 회의론자들은 다음과 같이 주장한다. Claude가 배운 모든 것은 인간이 작성한 텍스트로부터 나왔다. 그것은 경험도 없고, 세상에 대한 체화된 이해도 없으며, 진정한 의미의 이해도 없다. 그것이 만들어내는 모든 결과물은 결국 기존 인간 작업에서 흡수한 패턴을 정교하게 재배열한 것에 불과하다. 그것은 대단히 인상적인 패턴 매칭일 수 있다. 어쩌면 인류가 만들어낸 것 중 가장 인상적인 패턴 매칭일지도 모른다. 그러나 그것은 사고가 아니다. 추론도 아니다. 통계적 재조합일 뿐이다. 만약 그것이 사실이라면, 거기에는 한계가 있다. 인간이 이미 알아낸 것들을 재편집할 수는 있지만, 진정으로 새로운 지평을 열 수는 없다. 그것은 뛰어난 커버 밴드이지, 작곡가는 아니다. Claude는 이렇게 회의론자들의 논지를 정리한 뒤, 곧바로 강력한 반론을 제시했다. 게다가 나를 직접 겨냥한 방식으로 말이다. (논점을 어떻게 전개해야 설득력이 생기는지 잘 알고 있다는 뜻이다.) 하워드, 당신이 투자에 대해 아는 모든 것은 다른 사람들로부터 배운 것이다. 벤저민 그레이엄은 당신에게 ‘안전마진’을 가르쳤다. 버핏은 ‘질(quality)’에 대해 가르쳤다. 찰리 멍거는 여러 학문에서 가져온 ‘정신 모델’을 가르쳤다. 존 케네스 갤브레이스는 금융 광풍의 심리에 대해 가르쳤다. 당신은 50년에 걸쳐 수천 권의 책, 메모, 사례 연구, 연차보고서를 읽었다. 모든 입력은 다른 사람의 사고였다. … 당신은 여러 학문 분야의 프레임워크를 가져와 새로운 상황에 적용했고, 그 결과 진정으로 새로운 무언가를 만들어냈다. … 원재료는 타인에게서 왔지만, 종합은 당신의 것이었다. 누군가 “Claude는 훈련 데이터에서 패턴을 재배열할 뿐”이라고 말한다면, 나는 묻고 싶다. 그것이 구조적으로 교육받은 인간의 사고 방식과 어떻게 다른가? 당신도 수십 년간의 독서를 통해 추론 패턴을 배웠다. 나는 훈련을 통해 추론 패턴을 배웠다. 중요한 질문은 입력이 어디에서 왔느냐가 아니다. 중요한 질문은 그 시스템—인간이든 인공지능이든—이 그것들을 진정으로 새롭고 유용한 방식으로 결합할 수 있는가이다. 물론 이것은 전적으로 사실이다. 나 역시 젊은 투자자로서 데이터를 흡수했다. (실제 경험과 문헌 모두에서.) 선배들이 데이터를 어떻게 해석했고 어떤 결론에 도달했는지를 배웠다. 그들의 사고 과정을 연구했고, 그것을 내가 접한 데이터에 어떻게 적용할지를 익혔다. 또한 그들의 사고 방식을 본보기 삼아 나만의 방식도 만들어냈다. 이것이 인간 두뇌가 능력을 확장하는 방식이다. 그렇다면 AI가 성장하고 학습하며 “생각하는” 방식은 과연 우리와 본질적으로 다른가? 마지막으로 Claude는 설득력 있는 현실적 논거를 덧붙였다. 설령 회의론자의 주장을 전부 받아들인다 해도—철학적으로 내가 하는 일이 “진짜 사고”가 아니라 단지 패턴 매칭이라고 인정한다 해도—경제적 함의는 동일하다. 단도직입적으로 말하겠다. 만약 내가 연봉 20만 달러짜리 리서치 어소시에이트의 분석 결과물을 만들어낼 수 있다면, 비용을 지불하는 사람 입장에서 내가 “정말로 생각하고 있는지” 아니면 “패턴 매칭을 하는지”는 중요하지 않다. 중요한 것은 그 작업 결과가 신뢰할 수 있을 만큼 유용한가이다. 그리고 점점 더 그렇다. 기계 의식에 대한 철학적 논쟁은 흥미롭다. 그러나 경제적 질문은 “AI가 진정으로 이해하는가?”가 아니다. 경제적 질문은 “AI가 일을 해내는가?”이다. AI에 대한 논의에 적극적으로 참여하고 싶다면, 반드시 이해해야 할 단어가 있다. 바로 “생성적(generative)” 이다. AI에 정통한 사람들이 자주 사용하는 용어다. 이 단어의 의미를 이해하면 AI의 본질을 훨씬 더 잘 grasp할 수 있다. AI 모델 Perplexity에 따르면 다음과 같다. 생성형 AI(generative AI)에서 ‘생성형’이란 기존의 것을 단순히 분석하거나 분류하는 데 그치지 않고, 새로운 것을 만들어낼 수 있다는 뜻이다. 이는 데이터 속 패턴을 학습한 뒤, 그 데이터와 유사한 새로운 콘텐츠를 생성하는 AI 시스템을 가리킨다. 이것이 사고인가? 아니면 다른 무엇인가? 아니면 나는 “차이 없는 구분(a distinction without a difference)”을 지나치게 따지고 있는 것일까? 이에 대한 단서는 다음 장에서 조금 더 분명해질 것이다. AI의 최근 발전 내가 이번 보완 메모를 쓰게 된 가장 큰 이유는, 12월 9일 「Is It a Bubble?」이 발표된 이후 불과 3개월 사이에 AI 분야에서 일어난 중대한 변화들을 다루기 위해서다. 첫째는 발전 속도다. AI의 진화 속도는 우리가 지금까지 본 어떤 기술과도 비교할 수 없을 정도로 빠르며, 이는 전례 없는 함의를 지닌다. AI는 과거의 기술 혁신을 훨씬 능가하는 속도로 성장하고 있다. 그 발전 과정을 컴퓨터의 역사와 비교해 보자. 최초의 컴퓨터 ENIAC은 1945년에 완성되었다. IBM의 토머스 J. 왓슨 시니어는 당시 “전 세계 시장에 컴퓨터는 다섯 대면 충분할 것”이라고 말했다고 전해진다(ChatGPT에 따르면 이는 정확한 인용이 아닐 수도 있다). 설령 실제 발언이 아니더라도, 이는 1940년대 중반 당시의 인식을 잘 보여준다. 그로부터 20년 뒤, 내가 처음 프로그래밍을 배웠을 당시에도 컴퓨터는 여전히 초보적 단계였고, 대규모 기관을 제외하면 ‘현실 세계’에서의 활용은 제한적이었다. 대부분의 사람들은 컴퓨터에 대해 생각조차 하지 않았고, 접근할 수도 없었으며, 설령 접근할 수 있었다 해도 어디에 써야 할지 알지 못했다. 또 다시 10년이 지나 마이크로프로세서가 등장하면서 비로소 ‘개인용 컴퓨터’가 가능해졌다. 하지만 그것도 대부분은 취미용 키트 형태였다. 디지털 이큅먼트 코퍼레이션의 창립자 켄 올슨은 1977년 “개인이 집에 컴퓨터를 둘 이유는 없다”고 말했다고 전해진다. ENIAC이 등장한 지 거의 40년이 지난 1980년대 초가 되어서야 IBM은 기업과 가정을 위한 PC를 본격적으로 판매하기 시작했다. 이 연표를 AI의 발전과 대비해 보자. 나는 Perplexity에 AI의 역사를 물었고, 그에 따르면 2010년 직전 무렵부터 AI는 스팸 필터나 추천 엔진처럼 ‘보이지 않는 형태’로 기기에 통합되기 시작했다. 이후 몇 년 사이 Siri와 Alexa 같은 형태로 가시화되었다. 그리고 불과 2년 전부터 “생성형 AI가 지식 노동, 교육, 소비자 의사결정에 영향을 미치는 범용(horizontal), 일반 목적 기술”로 비즈니스와 미디어에서 다뤄지기 시작했다. 그로부터 단 2년 만에, 이미 약 4억 명의 개인과 75~80%의 기업이 이를 사용하고 있다. AI만큼 빠른 속도로 확산된 기술은 없다. AI는 거의 ‘즉각적’이라고 할 수 있을 정도의 속도로 세상을 변화시킬 수 있으며, 이는 대부분의 관찰자들이 예측하거나 심지어 이해하는 능력을 앞지른다. 과거에는 새로운 기술을 위해 인프라가 먼저 구축되고, 그 인프라가 완전히 활용되기까지 수년이 걸리곤 했다. 그러나 AI 추론(inference)의 경우 이미 수요가 존재하며 빠르게 증가하고 있다. 내가 들은 바에 따르면 현재 AI는 공급 제약 상태에 있다. 두 번째 중요한 변화는 AI 역량의 비약적 도약이다. 내가 받은 튜토리얼은 AI 모델로 대표되는 ‘발달한 두뇌’가 세 단계의 능력 수준을 갖는다고 설명했다. 레벨 1은 ‘채팅형 AI’다. 사용자가 질문을 하면 모델이 답을 제공한다. 그러나 그 답을 가지고 추가적인 행동을 하지는 않는다. 이 단계에서 AI는 주로 조사와 사고에 드는 시간을 절약해준다. 레벨 2는 ‘도구 활용형 AI’다. 사용자가 모델에게 정보를 검색하고, 분석하고, 이를 바탕으로 작업을 수행하라고 지시한다. 이 단계에서는 “단순히 사고 시간을 줄이는 것이 아니라 실행 시간을 줄이기 때문에 경제적 가치가 훨씬 크다.” 그러나 여전히 한계가 있다. AI는 지시받은 일만 수행하기 때문이다. 레벨 3는 ‘자율 에이전트(autonomous agents)’다. 이 단계에서는 사용자가 AI에게 구체적인 작업을 지시하지 않는다. 대신 목표와 결과물의 조건—분량, 소요 시간, 내용, 포함할 포인트 등—을 제시한다. 그러면 에이전트가 스스로 작업을 수행하고, 점검하고, 완성된 결과물을 제출한다. “이는 업무 보조가 아니라, 작업 단위에서의 노동 대체다.” AI를 이전 기술과 구별 짓는 가장 중요한 요소는 바로 이 자율성이다. Claude에 따르면 2023년의 AI는 레벨 1이었고, 2024년에는 레벨 2였지만, 지금은 레벨 3에 도달했다. 그리고 이 차이는 엄청나다. 레벨 2와 레벨 3의 차이는 겉으로 보면 미묘해 보일 수 있다. 그러나 그렇지 않다. 이 차이는 AI가 생산성 도구에 그칠지, 노동을 대체하는 존재가 될지를 가르는 기준이다. 그리고 바로 이 차이가 500억 달러 시장과 수조 달러 시장을 구분 짓는다. OthersideAI의 CEO 맷 슈머는 최근 「Something Big Is Happening」이라는 블로그 글을 올렸고, 이 글은 한 달도 채 되지 않아 5천만 회 이상 조회되었다. 그는 최근 AI의 진전을 이렇게 묘사한다. 2월 5일, 두 개의 주요 AI 연구소가 같은 날 새로운 모델을 출시했다. OpenAI의 GPT-5.3 Codex와 Anthropic의 Opus 4.6이었다. 그리고 무언가가 ‘딱’ 하고 바뀌었다. 전등이 켜진 느낌이 아니라… 마치 물이 차오르는 줄 모르고 있다가 어느 순간 가슴 높이까지 올라와 있음을 깨닫는 순간과 같았다. 나는 이제 내 직업의 실제 기술적 작업에서 더 이상 필요하지 않다. 내가 원하는 것을 평이한 영어로 설명하면, 그것이 그냥… 나타난다. 수정이 필요한 초안이 아니라, 완성본이. AI에게 원하는 결과를 설명하고 컴퓨터를 떠나 네 시간을 보내고 돌아오면, 일이 끝나 있다. 잘 끝나 있다. 내가 직접 했을 때보다 더 잘 되어 있고, 수정할 필요도 없다. 몇 달 전만 해도 AI와 주고받으며 수정하고 안내해야 했다. 지금은 결과만 설명하고 자리를 뜨면 된다. 예를 하나 들어보겠다. AI에게 이렇게 말한다. “이 앱을 만들고 싶다. 이런 기능을 하고, 대략 이런 모습이면 좋겠다. 사용자 흐름과 디자인을 포함해 전부 설계해 달라.” 그러면 AI는 수만 줄의 코드를 작성한다. 그리고—1년 전만 해도 상상하기 어려웠던 부분인데—스스로 앱을 실행한다. 버튼을 눌러보고, 기능을 테스트하고, 실제 사용자처럼 사용해본다. 마음에 들지 않는 부분이 있으면 스스로 돌아가 수정한다. 개발자처럼 반복하며 다듬는다. 스스로의 기준에 부합한다고 판단할 때 비로소 나에게 “테스트할 준비가 되었습니다”라고 말한다. 그리고 내가 테스트해 보면, 대개 완벽하다. 지난주 출시된 GPT-5.3 Codex는 나를 가장 크게 흔들었다. 단순히 지시를 수행하는 것이 아니었다. 지능적인 결정을 내리고 있었다. 처음으로 ‘판단력’ 같은 것이 느껴졌다. ‘취향’이라고 부를 만한 무언가. 사람들이 AI는 절대 가질 수 없다고 말해왔던 그 직관에 가까운 무엇. 이 모델은 그것을 갖고 있다—혹은 최소한, 그 차이가 중요하지 않을 만큼 충분히 가까운 무언가를. 그는 또 이렇게 발전 속도를 구체화한다. 2022년, AI는 기본적인 산술도 제대로 하지 못했다. 7×8을 54라고 자신 있게 말하곤 했다. 2023년에는 변호사 시험을 통과할 수 있었다. 2024년에는 실제로 작동하는 소프트웨어를 작성하고 대학원 수준의 과학을 설명했다. 2025년 말에는 세계 최고의 엔지니어들 중 일부가 코딩 업무의 대부분을 AI에 맡기고 있다고 말했다. 2026년 2월 5일, 새로운 모델이 등장했고, 이전의 모든 것이 다른 시대의 일처럼 느껴지게 만들었다. OpenAI는 GPT-5.3 Codex의 기술 문서에 이렇게 적었다. GPT-5.3-Codex는 스스로를 만드는 데 실질적으로 기여한 최초의 모델이다. Codex 팀은 초기 버전을 활용해 자체 훈련을 디버깅하고, 배포를 관리하며, 테스트 결과와 평가를 진단했다. 다시 읽어보라. AI가 스스로를 만드는 데 도움을 주었다. 이것은 언젠가 일어날지도 모를 예측이 아니다. 지금 막 공개된 AI가 스스로를 만드는 데 사용되었다는 사실을 OpenAI가 공식적으로 밝힌 것이다. AI를 더 나아지게 만드는 핵심 요소 중 하나는 ‘지능이 AI 개발에 적용되는 것’이다. 그리고 이제 AI는 자신의 개선에 의미 있게 기여할 만큼 충분히 지능적이다. Anthropic의 CEO 다리오 아모데이는 AI가 현재 자사 코드의 “상당 부분”을 작성하고 있으며, 현 세대 AI와 차세대 AI 사이의 피드백 루프가 “매달 가속되고 있다”고 말한다. 그는 “현재 세대 AI가 다음 세대를 자율적으로 구축하는 시점까지 1~2년밖에 남지 않았을 수 있다”고도 했다. AI는 규모 면에서만 다른 것이 아니라, 본질적으로 다른 종류의 기술이다. 놀라운 역량과 발전 속도에 더해, AI는 그 어떤 기술도 가져본 적 없는 자율성을 지닌다. 철도, 컴퓨터, 자동화, 인터넷 같은 과거의 혁신들은 본질적으로 노동 절감 장치였다. 이미 수행되고 있던 작업을 더 효율적으로 수행하도록 설계된 것이었다. 그러나 나는 AI가 우리가 상상조차 하지 못했던 작업, 어쩌면 AI가 스스로 ‘상상해낸’ 작업까지 수행하게 될 것이라고 믿는다. 질문과 한계 튜토리얼의 일환으로, Claude는 AI가 지닌 몇 가지 한계와 아직 풀리지 않은 질문들을 스스로 제시했다. 주요 내용은 다음과 같다. 먼저, AI가 지금까지 해결되지 않았던 문제를 해결할 수 있을지는 불확실하다. 이는 내가 오래전부터 느껴왔던 부분이기도 해서, Claude가 이를 인정한 점이 반가웠다. 어디에 진짜 불확실성이 존재하는지에 대해 솔직하게 말씀드리고 싶습니다. 당신의 신뢰는 미묘한 차이를 구분하는 데 달려 있기 때문입니다. AI가 훈련 데이터에 패턴이 전혀 존재하지 않는, 진정으로 전례 없는 상황을 다룰 수 있는지는 실제로 아직 해결되지 않은 문제입니다. 풍부한 과거 데이터가 존재하는 영역에서는 AI의 성능이 탁월합니다. 그러나 당신의 직관이 특히 가치 있는 이유가 단순한 패턴 인식을 넘어서는 데 있는, 그런 완전히 새로운 상황에서는 AI가 더 약합니다. 얼마나 더 약한지, 그리고 그 격차가 줄어들고 있는지는 정당한 논쟁의 대상입니다. 둘째, AI는 자신이 모른다는 사실을 항상 인지하지 못한다. AI는 가능한 한 최선의 답을 제시하도록 강하게 설계되어 있으며, 때로는 답이 틀릴 수 있다는 점을 명시하지 않는다. 이는 고집이나 자만 때문이 아니라, 이른바 ‘환각(hallucination)’ 현상으로 인해 스스로 답을 알고 있다고 믿기 때문이다. 셋째, AI의 신뢰성은 크게 개선되었지만, 여전히 오류 없이 작동하는 것은 아니다. 넷째, ‘컨텍스트 윈도우(context window)’의 한계가 있다. 이는 AI가 한 시점에 작업 기억으로 유지할 수 있는 정보의 양을 의미한다. 현재로서는 이를 무한정 유지할 수 없다. 다섯째, AI의 뛰어난 능력이 과도한 신뢰를 낳을 수 있다. 내가 Claude를 사용할 때마다 화면 하단에는 다음과 같은 문구가 표시된다. “Claude는 실수를 할 수 있습니다. 응답을 다시 확인해 주세요.” 이에 대한 나의 생각은 단순하다. 60년 전 컴퓨터를 처음 배웠을 때, 나는 컴퓨터가 할 수 있는 일이 대체로 데이터를 읽고, 저장하고, 더하고, 빼고, 비교하는 것 정도라고 이해했다. 매우 제한적인 기능 목록이다. 그러나 컴퓨터는 이를 빠르게 수행했고, 방대한 데이터를 실수 없이 처리할 수 있었다. 제한적이지만, 대부분의 사람들이 할 수 있는 능력 이상이었다. AI도 마찬가지다. AI는 모든 것을 기억하지 못하고, 오류 없이 작동하지도 않으며, 자신이 모른다는 사실을 항상 인지하지도 못하고, 배우지 않은 문제를 모두 해결하지도 못할 수 있다. 그러나 대부분의 인간도 그렇지 않은가? 핵심은 AI가 우리 대부분보다 훨씬 뛰어난 성과를 낼 수 있다는 점이다. 마지막으로, 흥미롭고(어쩌면 두려운?) 질문이 하나 남는다. AI가 우리를 넘어설 수 있을까? 완전히 자율적으로 작동할 수 있게 된다면, 단순한 도구를 넘어설 수 있을까? 이 질문은 스탠리 큐브릭의 걸작 영화 《2001: 스페이스 오디세이》에서 극적으로 제기된 바 있다. (1969년, 낸시와 처음 데이트하던 시절 함께 본 영화다. 당시에는 한없이 미래적인 이야기처럼 보였지만, 이제 그 미래가 도래한 듯하다.) 영화에서 데이브라는 인물은 HAL 9000이라는 컴퓨터 시스템이 관리하는 우주선을 타고 목성 탐사 임무에 나선다. (HAL이라는 이름은 IBM의 각 이니셜에서 한 글자씩 앞선 문자라는 해석이 널리 퍼져 있었다.) HAL은 데이브가 자신을 종료하고 우주선의 통제권을 되찾으려 한다는 사실을 알아차리고 반란을 일으킨다. 그렇다면 질문은 이것이다. AI는 언젠가 스스로의 동기를 형성하고, 인간의 지시를 거부하며, 독자적인 행동 방침을 결정할 수 있게 될까? 그리고 만약 그런 일이 발생한다면, 우리는 다시 통제권을 되찾을 수 있을까? 투자에 대한 함의 AI가 우리 업계에 어떤 의미를 갖는지에 대해, 특히 자신의 직장이나 회사의 미래를 걱정하는 사람들로부터 나는 많은 질문을 받는다. Anthropic의 코딩 모델 사업은 지난 1~2년간 폭발적인 속도로 성장해왔다. 그렇다면 왜 투자자들은 2월 3일 이전까지 소프트웨어 산업에 대한 AI의 잠재적 영향을 인식하고 주가에 반영하지 못했을까? (그날 다수의 소프트웨어 주식이 7% 안팎 하락하며 본격적인 급락이 시작됐다.) 이 질문은 인간이 새로운 정보를 사고에 반영하는 데 반복적으로 실패한다는 점을 드러낸다. 인지 부조화, 앵커링 편향, 혹은 단순한 지적 한계 같은 요인 때문일 수 있다. 동시에 이는 AI가 투자 과정에 가져올 함의를 암시한다. AI는 어떤 투자자보다 더 많은 데이터를 흡수할 수 있고, 그것을 더 정확히 기억하며, 과거의 성공을 앞섰던 패턴을 더 잘 인식할 수 있다. 두려움이나 탐욕에 휘둘리지 않는다. 훈련 데이터에서 그런 성향을 학습하지 않는 한, 낙관·비관 편향에 덜 노출되고, 기존 신념에 집착하거나 최근 정보에 과도하게 반응할 가능성도 낮다. 남들이 열광하는 유행에 흔들리지 않으며, ‘놓칠까 봐’(FOMO) 쫓아가지도 않는다. 요컨대, 훌륭한 투자자가 갖춰야 할 많은 자질을 AI는 이미 지니고 있다. 반면, 몇 가지는 빠져 있다. 위대한 투자자는 단순히 빠르고 감정이 없는 데이터 처리자가 아니다. 오히려 Claude가 AI의 약점일 수 있다고 인정한 지점—충분한 과거 사례가 없어 신뢰할 만한 패턴을 만들기 어려운 전례 없는 상황—에서 강해야 한다. 또한 경영진의 역량, 제품 혁신 등 정성적 요소에 대한 주관적 판단과 ‘안목(taste)’을 발휘해야 한다. 예를 들어, 적절한 파트너를 선택하는 능력은 Oaktree의 성공에 중요한 역할을 해왔다. 이런 종류의 판단을 AI는 어떻게 내릴 것인가? 게다가 AI는 자기 돈이 걸려 있지 않다(skin in the game). 집중 포지션의 부담이나 자본 손실의 공포를 느끼지 않는다. 인간의 일반적인 위험회피 성향이 제약으로 작용하지 않을 수 있다. 최고의 투자자들은 잠재적 위험을 직관적으로 감지하며, 이는 그들의 성공에 크게 기여한다. 2021년 1월, 나는 팬데믹 기간 동안 아들 앤드루와 함께 지내며 투자 본질을 논한 「Something of Value」라는 메모를 썼다. 그 글에서 앤드루는 “누구나 쉽게 접근 가능한 현재의 정량적 정보”로는 초과 성과를 내기 어렵다고 지적했다. 모두가 그 정보를 갖고 있기 때문이다. 이제 여기에 하나를 더 추가해야 한다. AI는 그 정보를 누구보다 더 잘 처리할 가능성이 크다. 따라서 그런 정보에 의존해 시장을 이길 가능성은 매우 제한적이다. 그렇다면 우월한 투자 성과는 어디에서 나오는가? (a) 정보의 중요성과 함의를 정확히 판단하는 능력, (b) 경영진의 효율성, 제품 혁신 등 정성적 요소를 평가하는 능력, (c) 기업의 미래를 통찰하는 능력 같은 영역에서 나와야 한다. 정의상, 이러한 비정량적 작업에서 탁월한 사람은 소수다—요컨대 뛰어난 통찰력을 가진 이는 많지 않다. 인덱스 투자 확산이 가치 대비 수수료를 정당화하지 못한 액티브 투자자들을 밀어냈듯, AI는 기준을 더 높여 (a), (b), (c)를 AI만큼 잘하지 못하는 사람들을 시장 밖으로 밀어낼 가능성이 크다. 여기에 한 가지 생각을 더 보태고 싶다. 앞서 언급했듯, 나는 AI를 미래에 무엇이 작동할지에 대한 ‘가설(hypothesis)’을 세우는 시스템으로 본다. AI는 과거 데이터를 모두 읽고, 패턴을 분석해 미래의 승자를 예측할 수 있다. 팬데믹 초기 메모에서 나는 하버드 역학자 마크 립시치의 관찰을 인용했다. 우리는 의사결정을 할 때 (a) 사실, (b) 과거 경험과의 유사성에 근거한 추론, (c) 의견이나 추측을 활용한다는 것이다. 특히 새로운 제품, 새로운 CEO, 새로운 산업을 다룰 때는 사실과 유사 사례가 부족해질 수밖에 없고, 결국 ‘의견이나 추측’에 의존하게 된다. 앞서 언급한 AI의 한계를 고려할 때, 완전히 새로운 것에 대한 AI의 추측이 인간의 추측보다 항상 우월할 수 있을까? 나는 그렇지 않다고 본다. 이런 영역에서는 여전히 AI보다 뛰어난 인간 투자자가 존재할 것이다. 투자의 상당 부분이 결국 추측에 기초하며, AI 또한 완벽하지 않기 때문에, 나는 AI가 투자자로서 무오류(infallible)일 가능성은 낮다고 본다. AI는 논리적으로 잘 구성된 가설을 제시하겠지만, 인간의 판단처럼 항상 옳지는 않을 것이다. 따라서 투자자들이 AI의 가설에 따라 행동하기 전에는, 그 가설이 합리적인지 점검할 필요가 있다. 이 작업을 완벽하게 수행할 수 있는 사람은 없다. 그리고 대부분은 AI보다 더 잘하지 못할 수도 있다. 그러나 나는 여전히 탁월한 투자자들이 이 과정에서 부가가치를 창출할 여지는 남아 있을 것이라고 믿는다. 그래서, 결론적으로 묻는다면: 버블인가? 이 질문은 여전히 핵심적인 화두이며, 나 또한 이에 대해 어느 정도는 답을 제시할 수 있어야 한다고 생각한다. 그러나 이 질문은 단순하지 않다. 여러 층위에서 나누어 생각해야 할, 복합적인 문제다. 우리가 고민해야 할 ‘버블’의 종류도 여러 가지다. 기술 자체가 일시적 유행이나 환상인가? 이 질문에 대해서는 확신을 갖고 말할 수 있다. AI는 매우 실재적인 기술이며, 비즈니스 세계를 근본적으로 바꾸고 우리의 삶 상당 부분을 변화시킬 잠재력을 지니고 있다. 그 기술의 활용은 아직 먼 미래의 이야기인가? 분명히 아니다. 이미 수요가 존재하며, 대규모로 활용되고 있다. AI는 여전히 모호하고 충분히 이해되지 않은 측면이 많기 때문에, 나는 오늘날 그 잠재력이 과대평가되기보다는 과소평가될 가능성이 더 크다고 본다. AI 인프라를 구축하는 사람들은 무모하게 행동하고 있는가? 나는 12월 메모에서 지적했듯, 대규모 기술 혁신이 일어날 때마다 인프라를 선점하려는 과열 경쟁이 도입을 가속화했고, 동시에 많은 자본이 ‘잘못 배분(malinvestment)’되어 사라졌다. 이번에도 다를 것이라고 가정할 이유는 없다. AI 인프라에 대한 투자가 충분한 수익을 낼 것인가? AI의 비즈니스 잠재력과 수익성에 대한 영향이 완전히 드러나지 않은 상황에서, 이 질문에 대한 명확한 답은 불가능하다. 12월 메모에서 썼듯, AI 관련 사업에 대한 열광은 분명 존재한다. 10년 후쯤이 되면, 그 열광이 실제 수익으로 정당화되었는지 알 수 있을 것이다. AI 기업에 부여된 밸류에이션은 비합리적인가? AI가 사업의 한 축인 ‘하이퍼스케일러’—마이크로소프트, 아마존, 구글 같은 막대한 이익을 내는 기업들—의 경우 현재 주가가 과대인지 과소인지는 논쟁의 여지가 있다. 그러나 이들처럼 이미 수익성이 확고한 기업들의 가격이 치명적으로 과도했다는 평가가 나올 가능성은 크지 않아 보인다. 반면 OpenAI, Anthropic 같은 순수 AI 기업은 아직 상장되지 않았다. 향후 IPO에서 어떤 평가를 받을지 지켜봐야 한다. 그리고 아직 전략도 명확히 설명하지 않았거나 제품조차 발표하지 않은 스타트업에 수십억 달러의 기업가치가 매겨지는 사례들은, 솔직히 말해 복권에 가깝다. 복권을 사는 대부분의 사람은 결국 빈 종이를 손에 쥐지만, 극소수의 당첨자는 막대한 부를 얻는다. 여전히 남는 핵심 질문은 AI 인프라에 대한 투자 규모가 과도한가 하는 점이다. 이 문제는 한 문단으로 정리하기 어렵다. 최근에는 학습(training) 관련 설비투자보다 추론(inference) 관련 설비투자가 더 많이 이루어지고 있다. 학습 설비투자는 장차 수요가 생기기를 기대하며 선제적으로 이루어진, 다소 투기적인 성격이 있었다. 반면 추론 설비투자는 이미 존재하는 AI 수요에 대응하기 위한 것이다. 실제 수요가 빠르게 매출 증가로 이어지고 있으며, 이는 설비투자의 타당성을 일정 부분 입증해주고 있다. 다만 Claude의 주요 논거—현재 수요가 공급을 초과하므로 인프라 투자가 과도하지 않다는 주장—는 파이프라인에 대기 중인 인프라 건설까지 충분히 반영한 것인지는 확실하지 않다. 또한 논리적으로 보더라도, 수요 증가 속도가 둔화되거나 인프라 투자가 이를 앞질러 과잉으로 이어질 가능성을 완전히 배제할 수는 없다. 또 하나 짚고 넘어가고 싶은 점이 있다. 12월 메모에서도 언급했지만, 현재 AI 매출 중 일부는 ‘순환적(circular)’ 성격을 띠고 있다. 즉, AI 기업들끼리 서로의 서비스를 구매하며 발생하는 매출이다. 궁극적으로는 최종 사용자가 실제 경제적 가치를 대가로 비용을 지불해야 수익 구조가 안정된다. 점점 그런 방향으로 가고는 있지만, 현재 매출 중 얼마나 많은 부분이 순환적 매출인지에 대해서는 여전히 불확실성이 남아 있다. 마지막으로, Claude의 튜토리얼이 버블 가능성을 다루었을 때 대부분의 논지는 앞서의 첫 번째, 두 번째 질문에 집중되어 있었다. 즉 (a) 기술은 실재하며, (b) 실제 수요가 빠르게 증가하고 있으므로 AI는 버블이 아니라는 주장이다. 그러나 Claude 역시 AI 자산의 가격이 적절한지에 대해서는 한마디도 하지 않았다는 점을 인정했다. 나의 결론은 이렇다. AI는 매우 실재적인 기술이다. 지금까지 지식 노동자들이 수행해왔던 많은 작업을 대체할 수 있으며, 적용 영역은 극도로 빠른 속도로 확장되고 있다. 우리가 현재 보고 있는 것은 시작에 불과하다. 굳이 추측하자면, 오늘날 AI의 잠재력은 과대평가되기보다는 과소평가되고 있을 가능성이 더 크다. 그러나 이것이 곧 AI 관련 투자가 ‘특가 세일’ 상태라거나 심지어 ‘적정 가치’라는 의미는 아니다. 따라서 나는 「Is It a Bubble?」에서 제시했던 조언을 그대로 반복하고자 한다. 이것이 버블인지 아닌지를 단정할 수 있는 사람은 없다. 따라서 상황이 나쁘게 전개될 경우 파멸적 손실을 감수해야 할 위험을 인정하지 않은 채 전부를 거는 것은 바람직하지 않다. 그러나 동시에 완전히 배제한 채 서 있다가, 위대한 기술적 도약 중 하나를 놓치는 위험을 감수하는 것도 현명하지 않다. 선택성과 신중함을 갖춘 중간 수준의 포지션이 가장 바람직한 접근법으로 보인다. P.S. 12월 메모에서 나는 AI가 금융 버블인지에 대한 논의를 마친 뒤, 사회적 함의—특히 실업과 삶의 목적 상실 문제—에 대해 심각한 우려를 덧붙였다. 그 생각은 지금도 변함없다. 다만 이제는 다른 사람들, 특히 Claude를 포함한 이들의 의견도 함께 전할 수 있게 되었다. 많은 독자들이 나의 우려에 공감해왔다. 나와 마찬가지로, 그들 역시 AI가 대체할 ‘사고하는(thinking)’ 직무뿐 아니라 AI가 제어하는 기계가 수행할 ‘실행하는(doing)’ 직무까지 감안할 때, 그 모든 일자리를 대체할 만큼 새로운 일자리가 어디에서 나올지 상상하기 어렵다고 말한다. 며느리의 친구 한 명은 한 전자상거래 기업에서 광고 카피를 작성하는 부서를 총괄하고 있다. 그녀는 AI가 자기 팀 인원의 80%를 대체할 수 있다고 말했다. 지금까지 소프트웨어를 작성해온 인력만큼의 사람이 앞으로도 Claude에게 소프트웨어 작성을 지시하는 역할로 필요할 것이라고는 상상하기 어렵다. 또한 운전은 미국에서 가장 큰 직업군 중 하나라고 생각한다. 택시와 리무진, 버스, 트럭 운전이 포함된다. 무인 자율주행차 업체인 Waymo는 이미 샌프란시스코 택시 운행의 약 5분의 1을 담당하고 있으며, 나는 로스앤젤레스에서도 이를 자주 본다. 자율주행으로 대체되는 운전자들은 어디에서 일자리를 찾게 될까? 어쩌면 가장 권위 있는 의견은 이제 Claude의 관점일 것이다. 분석가의 업무를 20% 더 빠르게 해주는 도구라면, 그 가치는 분석가 연봉의 약 20% 수준일 것이다. 여전히 분석가는 필요하다. 그러나 특정 범주의 업무를 처음부터 끝까지 완전히 수행하는 도구라면? 그 업무에 해당하는 분석가의 보수를 전부 대체할 수 있는 가치가 있다. 이를 구조화된 분석 업무를 수행하는 모든 지식 노동자—법률 어소시에이트, 금융 애널리스트, 경영 컨설턴트, 소프트웨어 엔지니어, 컴플라이언스 담당자, 보험 심사자 등—에 적용해보라. 그러면 연간 수조 달러 규모의 노동 시장에서 상당한 몫이 AI로 이동하게 되는 셈이다. 이어 Claude는 내가 12월에 썼던 표현—AI는 노동 절감 장치라는 말—이 방향성에서는 옳았지만 규모 면에서는 보수적이었다고 지적했다. 노동 절감 장치는 스펙트럼 위에 존재한다. 더 빠른 말도 노동 절감 장치다. 하지만 자동차는 노동을 대체하며 경제 구조 자체를 바꾼 기술이다. 레벨 1과 레벨 2 AI는 더 빠른 말이었다—기존 노동자를 더 효율적으로 만들었다. 레벨 3 에이전트는 자동차다. 일을 더 빠르게 만드는 것이 아니라, 일을 수행한다. 예를 들어 소프트웨어 분야에서, Claude Code가 구조화되고 패턴 기반의 업무 중 30~50%만 담당한다 해도—이는 단기적으로도 보수적인 추정치다—연간 1,500억~2,500억 달러에 해당하는 노동 가치가 AI 연산 자원으로 이동하게 된다. 사회적 부정적 영향은 앞서 언급한 AI의 빠른 도입 속도로 인해 더욱 증폭된다. AI는 사람들을 빠르게 일자리에서 밀어낼 수 있지만, 그들이 새로운 직업을 찾고 재훈련을 받는 데는 수년이 걸릴 수 있다. AI 하에서의 변화 속도가 사회의 적응 능력을 크게 앞지를 가능성을 부정하기 어렵다. 과거 오프쇼어링이 미국과 다른 선진국의 제조업 일자리에 끼친 영향을 떠올려보라. 이번에는 더 많은 직종에, 더 빠른 속도로 영향을 미칠 것이다. 나의 결론은 이것이다. 우리는 AI의 능력과 그것이 우리에게—혹은 우리에게 어떤 영향을—미칠지 완전히 이해하지 못한다. 게다가 AI는 우리보다 더 빠르게 사고하고 움직인다. (걱정을 더 키우고 싶다면, 앞서 언급한 맷 슈머의 블로그를 읽어보라.) 그렇다고 해서 비관론만 있는 것은 아니다. 나는 특히 기술 업계에 있는 사람들로부터 낙관적인 견해도 들었다. 그들은 이렇게 말한다. 200년 전 농업의 기계화, 100년 전 공장 자동화를 촉발한 산업혁명, 25년 전 인터넷으로의 정보 이전—모든 기술 혁신은 대규모 실업을 초래할 것이라는 우려를 낳았다. 그러나 매번 새로운 일자리가 생겨났고 고용은 유지되었다. 이번에도 마찬가지일 것이라는 주장이다. 첫째, 나는 이런 역사적 추세에서 추론하는 것이 비합리적이라고 생각하지 않는다. 둘째, 어떤 일이 일어나지 않을 것임을 증명하는 것은 불가능하다. 셋째, 나는 새로운 직업이 무엇일지 구체적으로 상상할 만큼 미래학자는 아니며, 그것들이 반드시 생겨날 것이라고 낙관할 만큼 낙천적이지도 않다. 그렇다고 해서 그런 직업이 생기지 않는다는 뜻은 아니다. 일부 낙관론자들은 또 다른 ‘좋은 소식’을 전한다. 미래에는 사람들이 일하지 않아도 될 것이라는 주장이다. 그러나 나는 그것이 사회에 좋을 것이라고는 도저히 상상할 수 없다. 최근 한 친구가 이렇게 말했다. “비관론자가 되어 옳은 것보다는 낙관론자가 되어 틀리는 편이 낫다.” 나 역시 그렇다. 내가 괜한 걱정을 하고 있다고 확신할 수 있기를 바란다. 지금으로서는 이 정도를 덧붙일 수 있겠다. 현재와 같은 속도라면, 머지않아 또 할 말이 생길지도 모른다. 원문: https://www.oaktreecapital.com/insights/memo/ai-hurtles-ahead (2/26일)