MBI Deep Dives의 The Salience of Data는 AI 모델 회사의 지속 가능한 경쟁우위를 데이터에서 찾는다. 컴퓨트와 인재는 여전히 중요하지만, 시간이 지날수록 주요 연구소가 비슷한 수준의 자본·GPU·인재에 접근하게 된다면 결국 모델을 다르게 만드는 것은 어떤 데이터를 확보하고 학습하느냐라는 주장이다.

1. 비슷한 모델 사이에서 무엇이 차이를 만드는가

원문은 OpenAI와 Anthropic의 재무 정보나 기업가치를 모른다고 가정하고, 주요 연구소가 비슷한 컴퓨트·데이터·인재를 갖게 된다면 3~5년 뒤 누가 지속 가능한 우위를 갖는지 어떻게 판단할 수 있겠느냐고 묻는다.

컴퓨트는 막대한 자본이 필요하지만 점차 구매 가능한 자원에 가까워지고 있다. 대형 연구소라면 비슷한 GPU 클러스터를 확보할 수 있고, 인재 역시 한 회사에 영구적으로 묶여 있지 않다. 조직문화가 중요한 요소일 수는 있지만, 투자자가 구체적인 해자를 설명하기 어려울 때 자주 꺼내는 표현일 수도 있다.

그렇다면 남는 후보가 데이터다. 동일한 모델 구조와 충분한 학습 시간이 주어진다면, 성능과 행동은 결국 학습 데이터가 결정한다는 관점이다. 데이터가 다르면 같은 계열의 모델도 코딩, 수학, 보안, 의료 등 서로 다른 영역에서 강점과 약점을 갖게 된다.

2. Claude Code가 보여주는 데이터 플라이휠

글은 Anthropic의 코딩 제품을 데이터 플라이휠의 사례로 든다. Anthropic은 코딩이라는 사용처에 집중했고, 그 결과 실제 개발 작업에서 제품이 사용되는 데이터를 확보할 수 있었다. 이 데이터는 다시 모델과 제품을 개선하는 데 쓰이고, 개선된 제품은 더 많은 사용자를 끌어들인다.

이 구조는 다음과 같이 표현할 수 있다.

더 많은 사용자
      ↓
더 많은 실제 작업 데이터
      ↓
더 나은 모델·제품
      ↓
더 높은 사용 가치와 추가 사용자

중요한 점은 이 우위가 단순한 학습 데이터 보유량이 아니라는 것이다. 제품 안에서 발생하는 실제 사용 데이터는 사용자의 의도, 도구 호출, 실패와 수정 과정, 완료 기준을 포함한다. 공개 문서만 읽어서는 얻기 어려운 업무 맥락이다.

다만 이 플라이휠은 아직 충분히 오래 작동했다고 보기는 어렵다. 코딩 제품의 강한 시장 적합성이 나타난 시점이 최근이기 때문에 다른 기업도 사용자 확보나 인수로 격차를 좁힐 수 있다. 원문은 xAI의 Cursor 인수를 이 경쟁 구도와 연결한다. 이미 큰 사용자 기반과 코딩 데이터를 가진 제품을 확보한다면 후발주자도 데이터 축적 속도를 단번에 높일 수 있기 때문이다.

3. AI의 병목은 컴퓨트에서 데이터로 이동한다

대규모 AI 발전은 모델 크기와 학습 데이터의 규모를 함께 키우는 방식으로 진행됐다. 컴퓨트는 대규모 데이터센터와 하이퍼클러스터에 대한 투자로 계속 확장되고 있지만, 공개 인터넷에서 얻을 수 있는 유용한 데이터는 무한하지 않다.

세상의 유용한 정보 중 일부만 공개 웹에 있다. 나머지는 기업 내부 시스템, 개인 아카이브, 대학, 정부, 전문기관에 흩어져 있다. 실제 업무를 자동화하는 데 필요한 정보도 대부분 이 영역에 있다. 기업의 예외 처리, 전문가의 판단 기준, 연구 과정의 실패 기록, 도구를 조작하는 순서 같은 지식은 공개 문서만으로 충분히 재현하기 어렵다.

따라서 앞으로의 데이터 확보 방식은 세 가지로 나뉠 수 있다.

  • 기업·대학·정부가 보유한 비공개 데이터의 라이선스
  • 책 스캔이나 데이터 라벨링처럼 새 학습 데이터를 직접 제작하는 방식
  • 사용자가 제품을 쓰는 과정에서 자연스럽게 생성되는 실제 작업 데이터

이 데이터들은 공짜로 대량 수집하기 어렵다. 권리 협상, 개인정보 보호, 품질 검수, 전문가 보상, 저장과 정제 비용이 함께 발생한다. 원문은 컴퓨트에 수조 달러가 투입된다면 데이터에도 수천억 달러 규모의 지출이 따라올 수 있다고 본다.

4. 데이터 지출은 이미 커지고 있다

원문에 따르면 내부 연구소의 자체 비용을 제외하더라도 데이터 벤더에 대한 총지출은 이미 연간 약 70억 달러다. 글은 이 규모가 2030년까지 10배 이상 증가할 가능성을 제시한다.

여기서 말하는 데이터 지출은 단순한 이미지 라벨링만을 뜻하지 않는다. 고난도 강화학습 과제, 전문가가 만든 평가 데이터, 특정 산업의 비공개 기록, 에이전트가 실제 도구를 사용하는 환경까지 포함하는 더 넓은 시장이다.

이 흐름은 데이터 기업을 바라보는 관점도 바꾼다. 데이터 라벨링 업체를 단순 하청업체로 보면 AI 경쟁의 핵심을 놓칠 수 있다. 새로운 데이터 원천을 발굴하고, 사람이 평가할 수 있는 과제로 바꾸고, 안정적인 품질을 유지하는 능력은 모델 연구만큼 중요한 인프라가 될 수 있다.

5. 다음 돌파구는 새로운 데이터 원천에서 나올 수 있다

AI의 주요 발전은 새로운 모델 아이디어만으로 설명되지 않는다. 이미지 분류의 발전은 ImageNet이라는 데이터셋과 연결됐고, 트랜스포머는 인터넷 전체를 학습 자원으로 바꿨다. RLHF는 사람이 선호하는 출력을 데이터로 만들었고, 추론 모델은 계산기·컴파일러 같은 검증기를 학습 과정에 활용했다.

이 관점에서 다음 패러다임 전환은 더 세련된 신경망 구조보다 아직 제대로 활용하지 못한 데이터 원천을 열 때 발생할 수 있다. 글은 영상 데이터를 한 후보로 본다. 영상은 텍스트뿐 아니라 말투, 물리적 상호작용, 문화적 맥락을 함께 담을 수 있기 때문이다.

하지만 데이터가 많다고 자동으로 좋은 학습 자원이 되는 것은 아니다. 라이선스 범위, 개인정보, 편향, 중복, 품질, 실제 학습 효율을 모두 검증해야 한다. 앞으로의 경쟁은 데이터의 총량보다 희소한 업무 분포를 얼마나 잘 표현하는가에 가까워질 가능성이 크다.

6. 데이터 접근권이 기업 전략을 바꾼다

데이터가 진짜 차별화 요소라면 AI 기업의 전략도 달라진다. 가장 큰 GPU를 확보하는 것만으로는 부족하다. 어떤 데이터를 누구와 독점적으로 계약할지, 어떤 제품을 통해 사용자의 실제 작업을 학습 가능한 형태로 축적할지, 데이터 취득 비용을 모델 개선 효과보다 낮게 유지할지가 중요해진다.

이는 스타트업에도 해당한다. 범용 모델을 처음부터 만드는 대신 특정 직무에 깊이 들어가는 제품을 만들면, 제품 사용 자체가 경쟁자가 쉽게 복제하기 어려운 데이터 자산이 될 수 있다. 다만 이를 위해서는 데이터 수집이 사용자에게 투명해야 하고, 개인정보와 기업 기밀을 함부로 학습에 사용하지 않는 통제가 필요하다.

투자자와 기업이 확인해야 할 질문은 다음과 같다.

  1. 이 회사가 독점적으로 접근할 수 있는 데이터는 무엇인가?
  2. 그 데이터는 실제 업무의 실패와 예외까지 포함하는가?
  3. 사용자 증가가 데이터 품질 개선으로 이어지는가?
  4. 경쟁사가 같은 데이터에 접근할 수 있는가?
  5. 데이터 라이선스와 개인정보 보호 비용을 감당할 수 있는가?

이 질문에 답하지 못하면 높은 모델 성능이 일시적인 결과인지, 지속 가능한 우위인지 구분하기 어렵다.

7. 데이터 해자에 대한 한계와 주의점

데이터가 중요하다는 주장이 모든 문제의 답은 아니다. 더 효율적인 학습법이나 합성 데이터가 데이터 부족을 완화할 수 있고, 특정 영역에서는 모델의 추론 능력이 데이터 차이를 상쇄할 수도 있다. 사용자 데이터 플라이휠도 충분한 제품 적합성과 신뢰가 없으면 작동하지 않는다.

또한 데이터 경쟁은 프라이버시와 저작권 문제를 키울 수 있다. 사용자의 코드, 기업 문서, 의료 기록을 모델 개선에 활용하려면 명확한 동의와 목적 제한이 필요하다. 데이터가 전략 자산이라는 이유로 더 많이 모으는 것이 항상 정답은 아니다. 어떤 데이터는 모으지 않거나, 원본을 보관하지 않고 통계적 신호만 활용하는 편이 옳을 수 있다.

결론 및 시사점

한 줄 결론: AI 모델의 장기 경쟁력은 더 많은 컴퓨트만이 아니라, 다른 기업이 쉽게 얻을 수 없는 실제 업무 데이터를 얼마나 책임 있게 확보하고 활용하는지에서 결정될 가능성이 크다.

MBI Deep Dives의 논지는 AI 경쟁을 모델 성능 비교에서 데이터 접근권과 데이터 획득 단가의 경쟁으로 확장한다. 앞으로 기업을 평가할 때는 벤치마크 점수뿐 아니라 사용자가 남기는 데이터가 제품을 실제로 개선하는지, 그 데이터가 독점적인지, 합법적이고 지속 가능한 방식으로 축적되는지를 함께 봐야 한다.