AI 모델의 capability overhang이 명백해지면서, 문제 해결의 본질이 근본적으로 바뀌고 있다. 더 이상 전문가의 암묵지나 독점 데이터가 해자가 아니다. 핵심은 ‘검증 가능한 보상 신호(verifiable reward)를 만들 수 있는 환경’을 보유했느냐다. 이 통찰은 비즈니스 전략의 기저를 흔든다.
Xiaomi의 MiMo V2 Pro, MiniMax의 에이전트 학습, Karpathy의 auto research는 모두 같은 패턴을 보여준다. 명확한 목표와 평가 지표를 설정하고, compute를 무한히 투입한다. 모델은 스스로 metric을 조정하고, 루프를 반복하며, 결국 목표를 달성한다. 이 패턴이 작동하는 영역에서는 인간이 직접 개입할 이유가 사라진다.
반면, 검증 가능한 보상을 만들 수 없는 영역(예: 창의성, 미적 판단, 모호한 전략 수립)은 여전히 인간의 영역으로 남는다. 그러나 frontier lab들은 이 ‘non-verifiable’ 영역조차 verifiable 환경으로 변환하는 방법을 찾고 있다. Periodic Labs가 재료 공학에서 로봇 실험실을 구축한 것처럼, 디지털과 물리 세계를 결합한 환경이 새로운 해자가 된다.
이 관점에서 보면, 기업이 ‘데이터를 보호하는 전략’은 시대착오적이다. 오히려 데이터를 모델에 제공하여 모델의 search space를 확장하고, 그 결과로 얻는 capability overhang의 이점을 취하는 것이 더 유리하다. Sam Altman의 “Do not bet against us”는 바로 이 search problem 전환의 불가역성을 경고하는 메시지다.
근거
“compute를 이용해서 계산 자원을 투입해서 모든 문제를 search problem으로 치환해 버린 겁니다… 여기서의 핵심은 결국 보상 신호를 발생시킬 수 있는 환경이 있느냐 없느냐, 이것밖에 없다는 걸로 문제가 본질적으로 귀결됩니다.”
“내가 가진 것을 보호하는 형태보다 capability overhang을 가진 모델에 빨리 제공해서 모델이 가진 추가 search space를 더 가져오게 하는 게 더 이익이라는 생각으로 굳히고 있습니다.”
연결된 생각
- 20260606-ai-business-meta-methodology — 개념적 기반: search problem 전환의 정의와 속성.
- 20260606-ai-disintermediation-bundle-unbundle — 사례: 이 원리가 실제 시장에서 UX를 어떻게 붕괴시키는지.