최근 Anthropic의 Mythos와 Opus 4.7 발표를 보면서 한 가지 명확해진 점은, AI 모델의 능력 자체는 이미 엄청나게 발전했지만 그 능력을 실제로 꺼내 쓰는 역량이 아직 따라오지 못하고 있다는 것이다. 팟캐스트에서 노정석 씨가 말한 “capability overhang”이라는 개념은 바로 이 격차를 가리킨다. 모델은 이미 학습 데이터 속에서 수많은 지식과 추론 패턴을 내재화했지만, 우리가 적절한 프롬프트와 도구를 제공하지 않으면 그 잠재력은 드러나지 않는다.
이는 단순히 “프롬프트를 잘 쓰라”는 조언을 넘어선다. 예를 들어, 보안 연구자 Nicholas Carlini는 Mythos가 이미 존재하는 도구들을 조합하는 능력이 뛰어나 제로데이 취약점을 찾아낼 수 있었다고 평가했다. 이는 모델이 보안 도메인에 특화된 지식을 가지고 있었지만, 그것을 특정 방식으로 조합해야만 발현되는 능력이었다. 마찬가지로, 과학 연구에서도 모델이 여러 학문의 지식을 연결하여 새로운 가설을 제시할 수 있지만, 이는 적절한 질문과 맥락이 주어져야 가능하다.
따라서 현재 AI 경쟁의 핵심은 더 좋은 모델을 만드는 것이 아니라, 이미 존재하는 모델의 capability overhang을 어떻게 효과적으로 추출하느냐로 이동하고 있다. Claude Code와 Codex 같은 도구는 이러한 추출을 자동화하는 시도이며, 미래의 차별화 포인트는 “모델을 얼마나 잘 활용하는가”에 달려 있을 것이다.
근거
“지금 일어나는 모든 일들의 본질을 보면 사람의 기여분이 거의 없어요. 대부분 다 모델이 이미 가지고 있을 거라고 추정하는 모델의 과잉 능력, 저희가 항상 얘기하는 capability overhang이란 말을 많이 하잖아요. 그 능력을 누가 빨리 잘 꺼내 쓰느냐의 지금 싸움입니다.”
연결된 생각
- 20260606-capability-overhang-in-ai — AI Capability Overhang 개념의 정의와 속성
- 20260606-superintelligence-threat-to-wrapper-business — Capability Overhang이 큰 모델일수록 wrapper 비즈니스에 더 큰 위협이 된다는 연결