하사비스는 11개월 만에 AGI 예측을 2.5년 당겼다 — 그런데 더 크게 빗나간 건 순서였다

2025년 6월, 데미스 하사비스는 AGI가 2030년에서 2035년 사이에 올 것이라고 말했다.

2026년 5월, 구글 I/O 키노트를 마친 직후 Axios의 이나 프리드와 앉은 자리에서 그는 같은 질문에 다르게 답했다. 2029년, 늦어도 2030년. 키노트 무대에서는 이런 문장도 남겼다. "지금을 돌아보면, 우리는 특이점의 산기슭에 서 있었다는 걸 알게 될 것 같다."

달력으로는 11개월이 흘렀다. 그 사이 그는 자기 예측의 중심을 약 2년 반 앞으로 당겼다. 흘러간 시간보다 당긴 폭이 두 배 이상 크다.

이 숫자를 어떻게 읽어야 할까. 대부분의 기사는 여기서 "AGI 3년 남았다"로 제목을 뽑고 끝낸다. 그런데 예측을 진지하게 다루려면 순서가 반대여야 한다. 새 예측의 신뢰도는 이전 예측들이 어느 방향으로 틀렸는지에서 나온다. 그리고 지난 3년 동안 AI에 대한 예측은 아주 특징적인 방향으로 틀렸다.

1. 창작은 마지막이라고 문서에 적혀 있었다

"AI가 예술까지 할 줄은 몰랐다"는 말은 흔히 막연한 감상으로 취급된다. 그렇지 않다. 그건 논문의 구조였다.

2013년 옥스퍼드의 칼 베네딕트 프레이와 마이클 오스본이 발표한 「고용의 미래: 일자리는 컴퓨터화에 얼마나 취약한가」는 702개 직업을 가우시안 프로세스 분류기로 분석해 미국 일자리의 약 47%가 향후 10~20년 안에 고위험군에 들어간다고 추정했다. 이 47%라는 숫자가 10년 넘게 인용되면서 논문의 나머지 절반은 오히려 덜 알려졌다.

덜 알려진 절반이 지금 중요하다. 두 사람은 컴퓨터가 인간의 일을 흉내 내지 못하게 막는 공학적 병목 세 가지를 지목했다.

지각과 조작 — 불규칙한 물체를 알아보고 다루는 일
창의 지능 — 새로운 아이디어를 만들어내는 일
사회 지능 — 협상하고 설득하고 돌보는 일

그리고 이렇게 덧붙였다. 이 병목들이 뚫리는 속도가 21세기 컴퓨터화의 범위를 결정할 것이다.

이 틀은 2013년 이후 10년 동안 사실상 표준 지도였다. 진로 상담이 이 지도를 썼고, 기업 교육이 이 지도를 썼고, "AI 시대에 살아남는 직업" 목록이 전부 이 지도의 파생물이었다. 결론은 늘 같았다. 반복적이고 규칙적인 일부터 사라지고, 창작과 돌봄은 뒤에 남는다.

이 지도가 종이 위에만 있었다면 학술적 오차로 끝났을 것이다. 그러지 않았다. 47%라는 숫자는 발표 직후부터 각국 언론의 헤드라인이 됐고, 그 뒤 10년 동안 정책 보고서와 교육과정 개편 논의의 인용 목록에 반복해서 올랐다. 파생된 결론은 어디서나 비슷하게 요약됐다. 규칙적인 사무 업무에서 벗어나라, 사람을 상대하는 일이나 창의적인 일로 옮겨가라.

이 조언을 2015년이나 2018년에 받아들여 진로를 정한 사람이 있다면, 그 사람은 지금 정확히 먼저 뚫린 쪽에 서 있다. 조언이 부정직해서가 아니라 지도가 그렇게 그려져 있었기 때문이다.

그래서 여기서 짚어야 할 건 이 지도가 게을렀다는 게 아니다. 2013년 기준으로는 합리적이었고, 방법론도 당시로서는 정교한 축이었다. 문제는 뚫린 순서가 지도와 달랐다는 것이고, 더 큰 문제는 순서가 달랐다는 게 확인된 뒤에도 그 지도를 그린 방법이 아직 갱신되지 않았다는 것이다. "AI 시대에 살아남는 직업" 형식의 목록은 지금도 같은 논리로 만들어진다. 어떤 일이 더 인간적으로 보이는가를 기준으로 줄을 세운다. 그 기준이 이미 한 번 크게 빗나갔다는 사실은 목록 어디에도 반영되지 않는다.

2. 실제로 뚫린 순서

시간 순으로 세워보면 이렇다.

대화와 요약 (2022년 말). 첫 충격은 지도와 충돌하지 않았다. 텍스트를 받아 텍스트를 내놓는 일이었고, 요약과 초안 작성은 누구의 지도에서도 최후 방어선이 아니었다.

코딩 (2023~2024). 이 단계도 대체로 예견된 편이다. 코드는 결국 텍스트고, 문법이 엄격하고, 정답 판정이 기계적으로 가능하다. 학습 데이터가 공개 저장소에 쌓여 있었다는 점까지 포함해 조건이 좋았다. 코딩 자동화를 놀라움으로 기억하는 사람은 생각보다 적다. 온다고 했고, 그 경로로 왔다.

정확히 말하면 코딩에서도 예측은 어긋났다. 다만 어긋난 게 방향이 아니라 정도였다. 2022년쯤 통용되던 그림은 "똑똑해진 자동완성"이었다. 함수 서명을 쓰면 본문을 채워주고, 반복되는 보일러플레이트를 대신 타이핑해주는 도구. 실제로 온 것은 이슈 하나를 받아 저장소를 훑고 여러 파일을 고쳐 검증까지 돌리는 물건이었다. 예상보다 훨씬 위쪽 층위였다. 그래도 이건 같은 선 위에서 더 멀리 간 것이지, 선을 벗어난 게 아니다. 다음 두 항목은 선 자체가 다르다.

이미지 생성 (2022~2023). 여기서 이미 순서가 어긋나기 시작했다. 프레이-오스본의 지도대로라면 창의 지능은 사회 지능과 함께 뒤쪽에 있어야 했는데, 그림 생성은 대화 모델과 거의 동시에 도착했다. 다만 이때는 반박이 가능했다. "그럴듯한 이미지를 뽑는 것과 의도한 이미지를 만드는 건 다르다." 실제로 맞는 말이었다. 손가락이 여섯 개였고, 같은 인물을 두 번 그리지 못했고, 텍스트를 넣으면 글자가 무너졌다.

이미지 편집 (2025년 하반기). 이 반박이 무너진 지점이 여기다. 2025년 8월 구글이 내놓은 이미지 모델이 온라인에서 '나노 바나나'라는 별명으로 퍼졌고, 11월 17일에는 Gemini 3 Pro Image 기반의 나노 바나나 프로가 나왔다. 최대 14장의 이미지를 입력으로 섞고, 여러 인물의 정체성을 유지한 채 편집하고, 4K로 뽑는 데 걸리는 시간이 분 단위가 아니라 초 단위였다.

영상 (2024~2026). 영상 쪽 연표는 더 촘촘하다.

시점	사건
2024-02	Sora 발표 (공개는 아님)
2024-12	Sora Turbo 공개, Veo 2 공개
2025-05	Veo 3 — 영상과 오디오를 한 번에 생성
2025-09	Sora 2
2025-10 → 2026-01	Veo 3.1 및 업데이트 — 4K, 세로 영상, 레퍼런스 이미지로 캐릭터·스타일 고정
2026-05	Gemini Omni Flash 발표

2024년 2월에 "이런 게 가능하다"는 데모가 나왔고, 2026년 1월에는 레퍼런스 이미지를 물려 캐릭터를 고정한 4K 세로 영상이 제품 기능이 되어 있었다. 24개월이 안 걸렸다. (영상 모델 세부 연표는 벤더 발표와 2차 보도를 종합한 것이라 일부 날짜에 며칠~몇 주 오차가 있을 수 있다. 여기서 중요한 건 개별 날짜가 아니라 간격이다.)

정리하면 실제 순서는 대화 → 코딩 → 이미지 → 영상이었고, 지도가 예고한 순서와 어긋난 지점은 세 번째와 네 번째다. 사회 지능은 아직 그 자리에 있다. 창의 지능만 대열에서 이탈했다.

이 대열 이탈은 이 블로그에서도 실시간으로 관측됐다. 2026년 4월 Anthropic이 디자인 도구를 내놓은 당일 피그마 주가가 8.7% 빠진 사건은 시장이 "창작 도구의 해자"를 어떻게 재평가했는지 보여주는 가격 신호였다.

3. 놀라야 할 자리는 생성이 아니라 편집이다

여기가 이 글의 중심이다.

이미지·영상 이야기가 나오면 보통 생성 능력을 말한다. 없던 그림을 만들고, 없던 장면을 만든다. 인상적이지만, 사실 생성은 셋 중 쉬운 쪽이다. 확률 분포에서 그럴듯한 표본 하나를 뽑는 일이고, 결과가 마음에 안 들면 다시 뽑으면 된다. 매번 다른 게 나와도 결함이 아니다.

편집은 정반대 요구다. 주어진 것의 대부분을 그대로 두면서, 지정한 부분만 바꾸고, 그 결과가 원본과 같은 대상으로 인식되어야 한다. 이 인물의 재킷만 갈아입히되 얼굴은 이 얼굴이어야 한다. 이 장면의 조명만 저녁으로 바꾸되 공간 구조는 유지되어야 한다.

유지하는 쪽이 훨씬 어렵다. 무엇을 바꿀지는 프롬프트에 적혀 있지만, 무엇을 바꾸지 말아야 하는지는 적혀 있지 않다. 모델이 스스로 알아야 한다. 이건 그리는 능력이 아니라 동일성을 붙잡는 능력이고, 종류가 다른 문제다.

그래서 "여러 장을 입력으로 받아 여러 인물의 정체성을 유지한 채 편집한다"는 사양이나 "레퍼런스 이미지로 캐릭터를 고정한다"는 영상 기능이 실제 변곡점이다. 이건 새 그림을 잘 그리게 됐다는 뜻이 아니라, 같은 대상의 다른 상태를 만들 수 있게 됐다는 뜻이다.

영상에서는 이 요구가 한 차원 더 올라간다. 이미지 편집의 동일성은 두 장 사이에서만 성립하면 되지만, 영상은 초당 24프레임에서 그 동일성이 연속으로 유지되어야 한다. 5초짜리 클립이면 120장이다. 120장 내내 같은 얼굴이고, 같은 옷의 같은 주름 방향이고, 조명이 이동해도 같은 재질로 보여야 한다. 중간에 한 프레임만 어긋나도 사람 눈은 그걸 즉시 잡아낸다. 화면 깜빡임이나 얼굴 뭉개짐으로 불리던 초기 영상 모델의 고질적 결함이 정확히 이 실패였다.

여기에 물리가 얹힌다. 물체가 손을 떠나면 떨어져야 하고, 가려졌다가 다시 나타난 사물은 같은 사물이어야 하고, 걸음은 발이 땅에 닿는 지점에서 미끄러지지 않아야 한다. 이런 건 데이터에 명시적으로 라벨링돼 있지 않다. 영상을 충분히 많이 본 결과로 암묵적으로 배워야 한다.

2024년 초의 데모가 "인상적이지만 어딘가 꿈같다"는 평을 들었던 이유가 이 두 층위였다. 그리고 24개월 뒤 레퍼런스 이미지로 캐릭터를 고정하는 기능이 제품 사양표에 적혔다. 시간축 일관성과 물리적 그럴듯함을 동시에 요구하는 문제가 2년 안에 상품이 된 것이다. 놀라움의 크기를 잴 자리가 있다면 여기다.

거기에 속도가 붙는다. 4K 이미지 한 장에 몇 분이 아니라 몇십 초. 이 차이가 왜 결정적이냐면, 편집은 한 번으로 끝나지 않기 때문이다. 편집은 본질적으로 반복이다. 열 번 고칠 때 회당 5분이면 50분이고 그날의 작업이다. 회당 20초면 3분 남짓이고, 작업이 아니라 대화가 된다. 임계점을 넘으면 도구의 성격 자체가 바뀐다.

4. 병목을 잘못 짚은 게 아니라, 노동의 구성을 잘못 짚었다

그럼 프레이-오스본은 왜 틀렸을까. 흔한 답은 "창의 지능이 생각보다 쉬웠다"인데, 이건 정확하지 않다.

논문이 정의한 창의 지능은 새로운 아이디어를 만들어내는 능력이다. 이 정의 자체는 지금도 크게 흔들리지 않았다. 진짜로 새로운 미학적 방향을 여는 일이 모델에게 넘어갔다고 말하기는 아직 어렵다.

문제는 다른 데 있다. 실제 창작 노동의 시간 대부분은 새 아이디어를 내는 데 쓰이지 않는다.

한 장의 키 비주얼이 나오기까지, 컨셉을 정하는 데 드는 시간과 그 컨셉을 스무 번 변주하고 색을 맞추고 배경을 갈아 끼우고 로고 자리를 비우고 세로·가로 두 버전을 만드는 데 드는 시간을 비교해보면 후자가 압도적이다. 영상은 더 심하다. 촬영보다 편집이 길고, 편집 안에서도 컷 하나를 다시 잡는 반복이 대부분이다.

즉 창작 직군의 노동은 소량의 발상 + 대량의 반복 수정으로 구성돼 있다. 프레이-오스본의 지도는 이 직군을 앞쪽 성분으로만 분류했다. 발상이 병목이니 이 직업 전체가 안전하다고 본 것이다.

그런데 자동화는 직업 단위로 오지 않고 작업 단위로 온다. 그리고 하필 편집 능력이 먼저 뚫렸다. 창작 노동에서 시간을 가장 많이 잡아먹던 성분이 정확히 그 성분이었다.

이렇게 보면 이미지 편집이 먼저 꺾인 게 우연이 아니다. 그건 병목을 우회한 게 아니라, 병목이 지키고 있지 않던 쪽 문이었다.

같은 논리를 다른 직군에 적용하면 지도가 다르게 그려진다. "이 직업은 판단이 필요하니까 안전하다"는 문장은 대부분 검증되지 않은 채 통용된다. 실제로 물어야 할 건 이것이다. 그 직업의 주간 근무 시간 중 판단에 쓰이는 비율이 몇 퍼센트인가. 나머지는 무엇인가.

법률 실무를 예로 들면 차이가 분명해진다. 이 직군은 프레이-오스본 계열의 목록에서 늘 상위 안전군에 들어간다. 근거는 고도의 판단과 책임이다. 그런데 주니어 변호사의 실제 한 주를 시간으로 쪼개면 판례 검색, 계약서 대조, 디스커버리 문서 분류, 초안의 조항 단위 수정이 대부분을 차지한다. 최종 판단과 서명은 확실히 남지만, 그건 시간 비중으로는 얇은 층이다. 두꺼운 층은 반복 대조와 반복 수정이다. 창작에서 먼저 넘어간 것과 정확히 같은 성분이다.

여기서 갈리는 건 직업이 사라지느냐가 아니라 그 직업의 시간 구조가 바뀌느냐다. 얇은 판단 층만 남고 두꺼운 반복 층이 줄어들면, 그 직군은 존속하되 인원당 처리량이 달라지고 입직 경로가 달라진다. 반복 층은 지금까지 신입이 실력을 쌓던 자리이기도 했기 때문이다. 직업 단위로 세면 이 변화가 아예 안 보인다.

5. 순서를 결정한 건 난이도가 아니라 세 가지 조건이었다

지도가 틀렸다고 확인했으면 지도를 다시 그려야 한다. 그러지 않으면 다음 예측도 같은 방식으로 틀린다.

뚫린 순서를 놓고 보면 설명이 되는 축이 세 개 있다. 셋 다 과제가 얼마나 어려운가와는 관련이 없다. 배울 수 있는 조건과 틀려도 되는 조건에 관한 것이다.

축 1 — 그 일의 과정이 데이터로 남아 있는가

코드는 남는다. 공개 저장소에 완성본만이 아니라 커밋 단위의 변경 과정과 그 이유를 적은 메시지, 리뷰 대화, 버그 리포트와 그 수정이 함께 쌓여 있다. 이미지는 더하다. 웹 전체가 사실상 캡션 달린 이미지 데이터셋이다. 영상은 유튜브가 있다.

반면 협상이 타결되는 과정, 환자 상태를 보고 방향을 트는 판단, 팀 안의 갈등이 조정되는 대화는 기록으로 남지 않는다. 계약서는 남지만 계약서에 이르기까지의 판단은 남지 않는다. 결과만 남고 과정이 안 남는다.

사회 지능이 아직 그 자리에 있는 첫 번째 이유가 여기다. 인지적으로 더 고차원이어서가 아니라, 학습할 기록이 없어서다. 이건 지능의 서열 문제가 아니라 기록 관행의 문제다.

축 2 — 잘했는지 기계가 판정할 수 있는가

코드는 테스트를 돌리면 된다. 판정 비용이 사실상 0이고, 판정을 무한히 반복할 수 있다. 이 조건이 갖춰지면 모델을 시행착오로 훈련시킬 수 있다. 코딩이 빨랐던 결정적 이유는 데이터가 아니라 이쪽이었다.

이미지는 반대다. 이 그림이 좋은 그림인지 기계가 판정할 방법이 없다. 이 축만 보면 이미지는 코딩보다 한참 뒤에 와야 했다. 실제로 2020년대 초의 예측 대부분이 이 지점을 근거로 삼았다.

그런데 그 예측이 틀렸다. 세 번째 축이 두 번째 축을 덮었기 때문이다.

축 3 — 틀렸을 때 비용이 얼마인가

가장 과소평가된 축이다.

이미지 생성은 오류 허용치가 비정상적으로 관대하다. 마음에 안 들면 버리고 다시 뽑으면 되고, 버리는 데 드는 비용이 몇 초와 약간의 연산이다. 열 장 중 아홉 장이 못 쓸 물건이어도 한 장이 쓸 만하면 그 시도는 성공이다. 사람이 최종 선택자로 앉아 있기 때문에 모델은 평균적으로 좋을 필요가 없다. 가끔 좋기만 하면 된다.

이 조건에서는 판정 함수가 없다는 약점이 거의 무력화된다. 판정을 사람이 하고, 사람이 판정하는 비용이 한 번에 1초라면, 그 파이프라인은 이미 실용적이다.

정반대편에 협상과 의료 판단이 있다. 아홉 번 잘하고 한 번 잘못하면 그 한 번이 앞의 아홉을 지운다. 되돌릴 수 없고, 후보를 열 개 뽑아놓고 고를 수도 없다. 실행이 곧 확정이다. 이런 일에서는 모델이 평균적으로 좋은 정도로는 부족하고, 최악의 경우가 얼마나 나쁜지가 도입 가능 여부를 결정한다. 이건 성능이 조금 올라간다고 넘어가는 문턱이 아니다.

세 축으로 다시 세운 순서

	데이터가 남는가	기계 판정	오류 허용치	실제 결과
코딩	있음	가능	중간	빨랐다 — 예상대로
이미지	매우 많음	불가	매우 관대	빨랐다 — 예상 밖
영상	많음	불가	관대	이미지보다 늦게, 예상보다 훨씬 빨리
사회 지능	거의 없음	불가	가혹	아직 그 자리

프레이-오스본의 지도는 과제의 인지적 난이도로 순서를 매겼다. 실제 순서를 정한 건 난이도가 아니라 이 세 조건이었다. 창의 지능이 유별난 예외였던 게 아니다. 애초에 다른 축으로 줄을 세우고 있었던 것뿐이다.

이 틀이 실무에서 값어치가 있는 이유는 세 축의 변화 속도가 서로 다르기 때문이다. 축 1은 비교적 빨리 바뀐다. 데이터는 만들 수 있다. 지금 기록되지 않는 업무 과정도 기록하기 시작하면 몇 년 안에 축적된다. 축 2도 바뀐다. 판정을 자동화하는 방법을 찾아내면 그 순간 그 영역의 속도가 달라진다.

축 3은 다르다. 오류 비용은 기술이 정하지 않는다. 그 일이 세상에 놓인 자리가 정한다. 잘못된 협상을 되돌릴 수 없다는 사실은 모델이 좋아진다고 바뀌지 않는다. 지금 어떤 일이 안전해 보인다면, 그 안전함이 축 1 때문인지 축 3 때문인지 구분하는 게 실질적으로 중요하다. 앞의 둘은 유예이고, 마지막 하나만 성질이 다르다.

6. 그렇다고 창작 직군이 무너졌다는 뜻은 아니다

여기서 논지가 한 번 꺾여야 한다. 능력이 뚫린 것과 일자리가 사라진 것은 같은 얘기가 아니고, 이걸 섞으면 양쪽 다 틀린다.

갤럽이 2017년부터 2024년까지의 데이터를 놓고 분석한 결과는 통념과 어긋난다. 노동통계국 고용·임금 통계, 인구조사국의 American Community Survey, 갤럽 패널, 그리고 2024년판 직업별 AI 노출 지수를 함께 놓고 보면:

AI 노출도가 높은 예술 직군의 소득 추세가 노출도가 낮은 직군과 대체로 비슷했다. 추정치는 약간 양수였지만 통계적으로 0과 구별되지 않았다.
고용은 혼재했다. 노출도 높은 일부 직군이 2023년에 상대적으로 약한 성장을 보였으나 차이는 크지 않았고, 광범위한 일자리 소멸과는 거리가 멀었다.
총 노동시간은 2022년부터 오히려 눈에 띄게 늘었고 2024년까지 높은 수준을 유지했다.
예술가의 약 4분의 1이 AI를 자주 쓴다고 답했다. 전체 노동력에서는 약 5분의 1이다. 용도는 주로 아이디어 탐색과 잔업무 자동화였다.

능력 곡선은 가팔랐는데 고용 곡선은 그만큼 움직이지 않았다. 두 곡선 사이에는 계약, 조직 관성, 책임 소재, 브랜드 리스크, 법적 불확실성, 그리고 무엇보다 결과물을 승인할 사람이 여전히 필요하다는 사실이 끼어 있다.

물론 이건 2024년까지의 데이터다. 앞에서 정리한 편집 능력의 변곡점은 2025년 하반기에 왔다. 갤럽 데이터는 그 변곡점 이전을 본 것이므로, 이 결과를 "앞으로도 괜찮다"의 근거로 쓸 수는 없다. 쓸 수 있는 결론은 더 좁고 더 확실하다. 모델이 할 수 있게 된 시점과 시장이 반응하는 시점 사이에는 뚜렷한 지연이 있다. 능력 발표를 보고 고용 붕괴를 예측한 사람들은 지금까지 계속 일찍 틀렸다.

이 지연이 존재한다는 사실은 AI가 만든 영상이 범람하자 유튜브가 수익화 정책을 손본 사건에서도 확인된다. 생성 능력이 임계점을 넘고 나서, 그걸 다루는 규칙이 만들어지기까지 다시 시간이 걸렸다.

7. 이제 AGI 3~5년을 읽어보자

앞의 내용을 갖고 처음의 숫자로 돌아간다. 4장에서 확인한 것은 예측이 노동의 구성을 잘못 셌다는 것이고, 5장에서 확인한 것은 아예 다른 축으로 줄을 세우고 있었다는 것이다. 이 두 가지를 알고 나면 새 예측을 읽는 방법이 달라진다.

먼저 확인할 게 있다. 이 숫자는 생각보다 단단하지 않다. 같은 인물의 같은 시기 발언인데, 매체가 옮긴 값이 3~4년, 3~5년, 5~8년, 5~10년으로 갈린다. 최댓값과 최솟값의 차이가 6년이다. 검증 가능한 단단한 점은 두 개뿐이다. 2025년 6월의 2030~2035년, 2026년 5월의 2029~2030년.

폭이 이렇게 벌어지는 이유는 단순하다. AGI의 정의가 합의돼 있지 않다.

통용되는 정의를 셋만 놓고 봐도 도착 시점이 갈린다.

정의 A — 대부분의 인지 과제에서 인간 전문가 수준. 벤치마크로 측정 가능하다는 게 장점이고, 그래서 가장 자주 인용된다. 문제는 벤치마크가 인지 과제의 대표 표본이 아니라는 것이다. 앞의 세 축으로 말하면 이건 축 2가 성립하는 영역만 골라 잰 값이다. 판정 가능한 과제에서 인간을 넘는 일과, 판정 불가능한 과제에서 신뢰받는 일은 다르다.

정의 B — 스스로 새로운 과학적 발견을 해내는 시스템. 하사비스가 반복해서 말해온 지향점에 가깝다. 이 정의는 훨씬 엄격하지만 검증은 오히려 명확하다. 발견은 나오거나 안 나오거나다. 다만 이 정의를 쓰면 "3년"은 상당히 공격적인 숫자가 된다.

정의 C — 경제적으로 유의미한 원격 근무 대부분을 수행. 노동시장 관점에서 가장 실용적인 정의고, 이 글의 5장·6장이 직접 겨냥한 정의이기도 하다. 그런데 갤럽 데이터가 보여준 대로, 이 정의의 달성 시점은 모델 성능만으로 정해지지 않는다. 책임 소재와 계약 관행이 절반쯤 결정한다. 즉 이 정의에서의 AGI 도착일은 연구소가 아니라 법무팀과 보험사가 정한다.

세 정의의 도착 시점은 같을 수 없다. 그런데 뉴스에서는 셋이 구분되지 않고 하나의 "3년"으로 합쳐진다. 정의가 없는 대상에 날짜를 붙이면, 날짜가 정의를 대신하기 시작한다. 그래서 "3년"이라는 말이 오가는 동안 정작 무엇이 3년 뒤에 온다는 건지는 흐려진다. 뉴스에서 이 숫자를 만났을 때 최소한으로 해야 할 일은 발언자가 셋 중 어느 것을 말하고 있는지 확인하는 것이다. 대개는 기사에 적혀 있지 않고, 적혀 있지 않다는 사실 자체가 그 기사의 정보량을 알려준다.

그럼 이 숫자는 쓸모가 없나. 그렇지 않다. 값 대신 방향을 보면 정보가 남는다.

지난 몇 년간 AI 능력에 관한 예측의 오차는 일관되게 한쪽으로 쏠렸다. 늦게 잡았다. 프레이-오스본은 창의 지능을 후반 병목으로 뒀는데 두 번째로 뚫렸다. 이미지 편집의 일관성 문제는 "구조적 한계"로 자주 설명됐는데 2년 만에 제품 사양이 됐다. 영상은 "몇 초짜리 클립 이상은 오래 걸린다"가 중론이었는데 24개월 만에 4K 레퍼런스 조건화까지 왔다. 하사비스 본인의 예측도 같은 방향으로 갱신됐다. 늘 앞으로 당겨졌지 뒤로 밀린 적이 없다.

오차가 무작위였다면 방향에서 아무것도 못 읽는다. 그런데 한쪽으로 계속 쏠렸다면, 그 편향 자체가 다음 예측을 보정하는 정보다. 하사비스가 2029~2030을 말할 때 신뢰할 만한 부분은 연도가 아니라 연도가 줄어들고 있다는 사실이다.

다만 이 보정에도 한계가 있다. 지난 3년의 편향을 그대로 연장하면 모든 예측을 무한정 앞으로 당겨야 하는데, 그건 그것대로 새로운 오류다. 뚫린 항목들은 세 축의 조건이 유리한 쪽에 몰려 있었고, 남은 항목들은 그렇지 않다. 쉬운 순서대로 뚫렸다면 편향이 계속될 이유가 없다.

동시에 4장과 5장에서 확인한 두 가지 단서를 반드시 붙여야 한다.

첫째, 능력 예측과 대체 예측은 다른 예측이다. 능력 예측은 계속 보수적으로 틀렸지만, 고용 대체 예측은 반대로 계속 공격적으로 틀렸다. 같은 편향 보정을 두 곳에 적용하면 안 된다.

둘째, 도착하는 방식은 이름표와 다르다. AGI가 온다면 어느 날 "AGI 출시"라는 헤드라인으로 오지 않는다. 지금까지 그랬듯 작업 단위로 온다. 창작 직군에서 그랬던 것처럼, 어떤 직무의 시간을 가장 많이 잡아먹던 성분이 조용히 먼저 넘어간다. 그때 그 직무의 이름은 그대로다.

8. 그래서 무엇을 다르게 판단할 것인가

실무에서 쓸 수 있는 형태로 줄이면 세 가지다.

"AI가 못 한다"의 근거가 양식(modality)이면 유통기한이 짧다. 텍스트는 되지만 이미지는 안 된다, 이미지는 되지만 영상은 안 된다, 영상은 되지만 오디오 동기화는 안 된다 — 이 계열의 방어선은 지난 3년 동안 전부 무너졌고 평균 소요는 1~2년이었다. 지금 그 목록에 무언가를 적고 있다면, 그 방어선이 무너진 다음의 계획을 함께 적어두는 게 합리적이다.

근거가 책임·맥락·검증이면 더 오래 간다. 이건 모델 성능 문제가 아니라 누가 서명하는가의 문제라서 성능 곡선과 다른 속도로 움직인다. 갤럽 데이터가 보여준 지연의 상당 부분이 여기서 나온다. 다만 이것도 영구 방어선은 아니다. 검증 자체를 기계화할 수 있느냐가 다음 전선이고, 이 블로그에서 벤치마크 0.4%p 차이를 실제 태스크 개수로 환산해본 글이 다룬 문제 — 검증 지표가 무엇을 재는지 사람이 확인하지 않으면 자동화된 검증은 자동화된 착각이 된다 — 이 그대로 남는다.

직업이 아니라 작업으로 세라. 프레이-오스본이 틀린 방식이 이거였다. 지금 하는 일을 주 단위로 쪼개 시간 비중을 적고, 각 항목이 발상인지 반복 수정인지 표시해보면 자기 노출도가 나온다. 반복 수정 비중이 높은 항목이 먼저 간다. 창작이 그랬다.

이 셋을 한 장으로 합치면 실제로 돌릴 수 있는 점검표가 된다. 지금 맡고 있는 업무를 열 줄 안쪽으로 적고, 각 줄에 세 가지를 표시한다. 이 작업의 과정이 어딘가에 기록으로 남는가. 결과가 잘됐는지 사람 아닌 무언가가 판정할 수 있는가. 틀렸을 때 되돌릴 수 있는가.

세 칸이 모두 "그렇다"인 줄은 이미 진행 중이라고 보는 편이 맞다. 앞의 두 칸만 "그렇다"인 줄은 유예 상태다 — 기록이 쌓이거나 판정 방법이 나오는 순간 움직인다. 마지막 칸이 "아니다"인 줄, 즉 되돌릴 수 없는 일은 성격이 다르다. 여기서는 모델이 얼마나 좋아지느냐보다 누가 결과에 서명하느냐가 계속 문제로 남는다.

이 점검표의 값어치는 예언에 있지 않다. 자기가 왜 안전하다고 느끼는지를 말로 꺼내게 만드는 데 있다. 대부분의 "이건 AI가 못 한다"는 셋 중 무엇에 기대고 있는지 말해보라고 하면 답이 안 나온다. 답이 안 나오는 확신은 근거가 아니라 습관이다.

마지막으로 예측을 다루는 태도 자체에 관한 것이다. 이 블로그는 구글 I/O 이전에 세운 다섯 개 예측을 행사 후에 한 줄씩 채점한 적이 있다. 채점을 해봐야 자기 예측이 어느 방향으로 치우치는지 알 수 있고, 그걸 알아야 다음 예측을 보정할 수 있다. I/O 직전에 전선을 셋으로 갈라 정리한 글도 나중에 채점 대상이 되라고 남긴 기록이었다.

하사비스의 2029년이 맞을지는 모른다. 다만 그 숫자가 11개월 만에 2년 반 당겨졌다는 사실은 채점 가능한 기록이고, 채점 가능한 기록이 채점 불가능한 확신보다 언제나 쓸모 있다.

놀랄 자리는 이미지가 움직였다는 데가 아니다. 안 움직일 거라고 적혀 있던 칸이 움직였는데, 그 칸을 적었던 방법을 아직 아무도 고치지 않았다는 데다.

이 블로그 검색

GOLDTAG (골드태그)