지금까지는 새 모델이 나올 때마다 더 똑똑해졌고, 우리는 그 차이를 분명히 느꼈습니다. 그런데 어떤 사람들은 이제 Opus 4.8과 Fable 5의 차이를 잘 모르겠다고 말합니다. 발전이 멈춰서가 아닙니다. 곡선이 평평해 보이는 데는 전혀 다른 이유가 있습니다.

30년 넘게 업계에 몸담은 개발자 Steve Yegge가 “The Flat Curve Society”라는 글을 발표했습니다. 핵심 주장은 이렇습니다. AI의 능력은 앞으로도 기하급수적으로 성장하지만, 정작 대부분의 사람은 그 성장을 더 이상 체감하지 못하게 된다는 것입니다. 가장 똑똑한 모델은 우리 손에 닿지 않는 곳으로 올라가 버리고, 우리에게 남는 곡선은 평평하게 보인다는 이야기입니다.

출처: The Flat Curve Society – Steve Yegge (Medium)

가장 똑똑한 모델은 위에서 잠긴다

Yegge가 출발점으로 삼은 사건이 있습니다. 지난 6월, Anthropic의 최상위 모델인 Fable 5와 Mythos 5의 접근이 갑자기 차단됐습니다. 미국 정부가 국가 안보를 이유로, 외국인에 대한 수출 통제 명령을 내렸기 때문입니다. 회사는 금요일 밤 모든 사용자를 대상으로 해당 모델을 비활성화해야 했습니다.

Yegge는 이 사건을 단순한 해프닝이 아니라 하나의 신호로 읽습니다. 모델이 충분히 강력해지면, 국가가 그것을 핵무기처럼 다루기 시작한다는 것입니다. 그의 전망에 따르면 앞으로 최강 모델은 소수만 접근할 수 있게 됩니다. 통제의 지렛대는 모델 자체가 아니라 그것을 훈련하는 데 필요한 연산 자원, 즉 반도체 공급망입니다. 정부가 실제로 틀어쥘 수 있는 지점이 바로 거기죠. 미국이 잠그면 중국도 자국 안에서 똑같이 잠글 것이고, 결과적으로 권력이 어디에 집중되느냐만 달라질 뿐 세상의 모양은 비슷해진다는 것이 그의 시각입니다.

여기서 중요한 점은, 능력의 성장 자체가 멈추는 게 아니라는 것입니다. Yegge의 표현을 빌리면 곡선은 무대 뒤에서 여전히 가파르게 올라갑니다. 다만 그 무대를 볼 수 있는 관객이 극소수로 줄어들 뿐입니다.

똑똑함을 알아보지 못하는 두 개의 지평

곡선이 평평해 보이는 데는 통제 말고 또 하나의 이유가 있습니다. 사람마다 “이 이상 똑똑해져도 차이를 못 느끼는” 한계선이 있다는 것입니다. Yegge는 이를 두 종류로 나눕니다.

첫 번째는 수요 지평(demand horizon)입니다. 내가 던지는 문제가 충분히 어렵지 않으면, 더 똑똑한 모델도 실력을 발휘할 자리가 없습니다. 쉬운 문제 앞에서는 두 모델의 답이 똑같아 보이죠. Yegge는 이를 확인하려고 “뒷주머니 평가(back-pocket evals)”라는 걸 모아둡니다. 모델이 풀지 못한 어려운 과제를 따로 수집해 두었다가, 새 모델이 나올 때마다 시험해 보는 겁니다. 그에게는 너무 복잡해서 어떤 Opus급 모델도 작성하지 못한 게임 클라이언트 코드가 있었는데, Fable은 그걸 거뜬히 해냈다고 합니다. 어려운 문제를 손에 쥐고 있으면, 모델 간 차이가 그 순간 다시 선명하게 드러납니다.

두 번째가 더 무겁습니다. 분별 지평(discernment horizon)입니다. 이건 내가 낼 수 있는 가장 어려운 문제가 아니라, 내가 검증할 수 있는 가장 어려운 답으로 정해집니다. 이 선을 넘어가면 모델이 내놓은 답이 맞는지 틀리는지를 인간이 판단할 수 없습니다. 답을 확인하는 일 자체가 내 능력 밖이기 때문입니다. 마치 나보다 훨씬 전문적인 사람을 면접할 때, 그가 진짜 전문가인지 허풍쟁이인지 가려낼 수 없는 것과 비슷합니다. Yegge는 이 지평이 모델을 잠그기 시작하는 이유와 맞닿아 있다고 봅니다. 아무도 검증할 수 없는 지능은 도구로 쥐여줘도 위험하다는 것이죠. 그것이 나를 돕고 있는지 벼랑으로 이끄는지조차 알 수 없으니까요.

그래서 진짜 격차는 리터러시에서 갈린다

모델 크기로 경쟁하는 시대가 저문다면, 무엇이 사람 사이의 격차를 만들까요. Yegge는 AI를 다루는 숙련도, 곧 리터러시를 꼽습니다. 그는 Netflix에서 진행된 한 사내 훈련 실험을 인용합니다.

이 연구는 엔지니어들을 하루 토큰 사용량에 따라 세 단계로 나눴습니다. 코딩 에이전트를 거의 쓰지 않는 그룹, 하루 종일 에이전트 하나를 붙들고 일하는 그룹, 그리고 서너 개의 에이전트를 동시에 풀어놓고 일하는 그룹입니다. 흥미로운 건 단계 사이를 건너뛰는 데 걸린 시간입니다. 적절한 환경에서 약 5시간의 훈련만으로 사람들이 다음 단계로 올라갔고, 그 상태가 몇 주 뒤에도 유지됐다고 합니다. 단, 조건이 까다로웠습니다. 팀 단위로, 관리자가 함께 참여하고, 업무 시간에 실제 자기 일을 가져와야 효과가 났습니다. 인원을 늘리거나 개인 자율 신청으로 바꾸면 효과가 사라졌습니다.

더 흥미로운 건 그다음입니다. 토큰을 많이 쓰는 법을 익히고 나면, 이번에는 반대로 토큰을 아끼는 법이 과제가 됩니다. Yegge는 종 모양 곡선의 양 끝, 즉 초보자와 고수가 똑같이 “적게 쓰는” 모습으로 만나는 그림을 그립니다. 초보는 몰라서 적게 쓰고, 고수는 통달해서 적게 씁니다. 직접 하면 되는 일은 직접 하고, 굳이 에이전트에게 사소한 명령을 시키느라 토큰을 낭비하지 않는 감각이 숙련의 정점이라는 것입니다.

평평한 곡선은 오히려 기회일 수 있다

Yegge가 그리는 풍경에서 눈에 띄는 점은, 그가 이 정체를 비관으로만 보지 않는다는 것입니다. 그는 craft, 즉 기술이 무르익으려면 평지가 필요하다고 말합니다. 지난 몇 년간 새 모델이 나올 때마다 어렵게 익힌 작업 방식이 곧장 낡은 것이 되곤 했습니다. 스타트업이 무언가를 만들면 다음 모델 발표에 그게 통째로 쓸모없어지는 식이었죠. 곡선이 평평해지면 그 불안정함이 가라앉고, 비로소 자리를 잡고 무언가를 쌓아 올릴 토대가 생긴다는 것입니다.

이 지점에서 한 가지 짚어둘 게 있습니다. Yegge의 글은 본래 조직 관리자의 시선, 그러니까 “직원들을 어떻게 AI에 적응시킬 것인가”에 무게가 실려 있습니다. 하지만 같은 이야기를 개인의 자리에서 읽으면 함의가 달라집니다. 더 똑똑한 모델을 기다리는 일이 점점 의미를 잃는다면, 남는 변수는 지금 손에 있는 모델을 얼마나 깊이 다루느냐입니다. 그리고 분별 지평이 알려주듯, 모델이 똑똑해질수록 그 답을 검증할 수 있는 사람의 안목 자체가 희소한 능력이 됩니다. 곡선이 평평해 보이는 시대에 길러야 할 것은 더 큰 모델을 향한 기대가 아니라, 지금 모델을 부리고 그 결과를 가려내는 감각인지도 모릅니다.