나델라의 토큰 자본에 관하여
AI 시대 기업을 위한 가장 또렷한 논거, 그리고 그것이 한 층을 남겨 두고 멈추는 자리.
영어 원문에서 옮김 · 기계 초벌 번역, 검수 전
Satya Nadella는 AI 기업 논제의 가장 또렷한 경영자 버전을 내놓았고, Build 다음 주 Reid Hoffman의 팟캐스트에서 그렇게 했다. 그가 말하기를, 이제 모든 회사는 그가 언덕 오르기 기계라 부르는 것을 지어야 한다. 점수를 매길 수 있는 결과에 그것을 겨냥한다. 자기 데이터를 그것이 일하는 맥락으로 먹이고, 사람과 에이전트가 그 안에서 일하게 두고, 일이 어떻게 이루어졌는지의 흔적을 남겨 자기가 소유한 파라미터를 그것으로 학습시킨다. 회사 특유의 일하는 방식은 문밖으로 새어 나가는 대신, 그가 인적 자본 곁에 놓고 토큰 자본이라 부르는 자산으로 복리로 쌓인다. 나는 그가 기계에 대해서는 옳다고 생각한다. 또한 그 기계가 잘못된 쪽을 향하고 있으며, 그것이 멈추는 자리는 회의론자가 멈추는 자리가 아니라고 생각한다. 한 층 위이고, 그것이 못 미치는 층은 내가 이제껏 신경 써 온 유일한 층이다.
기계가 하는 일에 대한 기술을 그는 지나가듯 내놓고는 그 너머로 지어 올린다. 그가 말하기를, 회사의 암묵지는 그 회사가 운영하고, 판단을 내리고, 취향을 갖는 고유한 방식이며, 모델은 사람들이 일하는 궤적에서 그 지식을 끌어내 파라미터에 부호화할 수 있다. 그러니 기계는 회사의 암묵지가 쓰이는 것을 지켜봄으로써 그것을 붙잡는 루프이고, 그가 가장 막고 싶어 하는 누출, 곧 같은 지식이 모델 회사들이 당신의 옛 직원으로 채우는 학습 환경을 통해 걸어 나가는 일이, 이 루프가 막으려고 지어진 것이다. 그러나 회사가 일하는 것을 지켜봄으로써 일하는 방식을 붙잡는 일은 이미 일해진 부분만을 붙잡는다. 궤적은 지식이 남기고 간 것이다. 그것을 만들어 낸 것이 아니다. 그가 모든 회사에 복리로 쌓으라고 말하는 자산은, 그래서, 회사가 이미 행사한 판단의 기록이다.
그는 그 제안을 벌어 냈다. 이 주제에 대한 최고경영자로서는 드물게 세부가 옳기 때문이다. 언덕 오르기 기계는 더 나은 모델이 아니라 모델을 두른 루프이고, 그것은 프롬프트가 어떻게 실패하는가에서 출발해 내가 이른 결론이다. 평가가 새로운 지식재산이고 나머지는 기계적이라는 말은, 최전선이 평가 신호가 바닥나는 곳에 앉는다는 것을 더 날카롭게 말한 것이다. 그리고 그의 그림 전체에 대한 가장 강한 옹호는 내가 직접 한 것이다. 범용화되는 모델에 맞서 그 둘레의 기반이 가치를 붙잡는다는 것, 배포 패턴, 평가 프레임워크, 벤치마크 숫자를 운영의 변화로 바꾸는 되먹임 루프가 그렇다는 것. 나는 기반 역전에서 정확히 그렇게 주장했고, 여전히 믿는다. 그러니 앞에서 인정하겠다. 기반이 가치를 붙잡는다. 질문은 그것이 붙잡는 것이 오래가는 우위인가이고, 답은 붙잡힌 궤적이 무엇을 담는가, 그리고 붙잡는 행위가 붙잡히는 사람들에게 무엇을 하는가에 달려 있다.
루프가 붙잡는 것
궤적은 내려진 선택의 기록이고, 회사가 할 줄 아는 것의 대부분은 충분히 많은 궤적에서 되찾을 수 있다. 운영 지식, 이 회사가 청구를 처리하고 롤아웃을 단계별로 내보내고 예외를 라우팅하는 방식은 말로 풀 수 있고, 반복되며, 깨끗한 흔적을 남기고, 그 흔적으로 학습된 루프는 그것을 잘 붙잡는다. 이것이 기반이 실제로 장부에 올리는 부분이고, 실재한다. 그러나 Nadella가 암묵지라 부르는 것 안에는 첫째처럼 행동하지 않는 둘째 것이 있다. 어려운 판단의 가치는 기록된 선택에 있었던 적이 없다. 탐색하기에 너무 큰 공간에서 옳은 선택을 도달 가능하게 만든 구조에 있었다. 나는 이 구조, 곧 바깥에서는 도약처럼 보였던 좋은 수를 한 걸음 안에 두는 이미 아는 것의 배열이 취향의 실체이며, 판정 밑의 생성적 핵심이라고 주장했다. 궤적을 기록하고 그것으로 학습하면 선택은 얻지만 그것을 선택 가능하게 만든 구조는 얻지 못한다. 운영 지식은 붙잡는다. 그것을 만들어 낸 핵심은 붙잡지 못한다.
핵심이 아무 흔적도 남기지 않는다고 말하는 것은 너무 성급하고, 이 글에 그런 과장은 필요 없다. 한 분석가가 가져오는 각도는, 수백 사례에 걸쳐 되풀이되는 종류라면, 총합에는 흔적을 남기고, 루프는 그 되풀이를 배우며, 그것은 회사가 쥐고 싶어 할 만한 진짜 가치다. 아무것도 남기지 않는 부분은 더 좁고, 그것이 중요한 부분이다. 선례 없는 수, 알려진 패턴의 드문 사례가 아니라 새 패턴의 첫 사례인 판단, 회사 자신의 역사가 가 본 적 없는 곳에 닿았기에 성립하는 읽기. 그 수는 발사된 뒤에야 흔적을 만들고, 한 번의 발사는 패턴이 아니다. 수천 년 연구된 게임에서 최고의 기사들을 이긴 기계는 인간의 기보가 만분의 일로 평가한 수에 이르렀지만,1 규칙이 이미 점수를 매기는 공간 안에서 그 수가 드물었기 때문에 이른 것이지, 아무도 재지 않은 공간에서 처음이었기 때문이 아니다. 되풀이되는 드문 것은 루프가 결국 배울 것이다. 그 종류의 첫 번째는 배울 수 없다. 아직 배울 것이 없기 때문이다.
그러니 그것이 붙잡을 수 없는 부분이 우위의 원천이었던 부분이다. 회사의 판단을 경쟁자의 것보다 값지게 만든 것은 운영 지식이 아니었다. 경쟁자는 자기 버전을 지을 수 있다. 선례 없는 판단에 이르는 능력이었다. 그 실패의 흔적이 학습할 만큼 존재하기도 전에, 설계가 석 달 뒤의 부하 패턴을 견디지 못하리라는 것을 느낄 수 있는 아키텍트. 나는 취향의 지도가 아무리 조밀해도 취향이 이미 어디 있는지만 말해 줄 수 있으며, 우리가 자꾸 최전선이라 부르는 것은 다른 어딘가에 있는 첫 번째 사람이라고 썼다. 회사의 토큰 자본은 회사 자신의 흔적으로 지은 그 지도이고, 지평도 같다. 회사의 판단이 어디 있었는지에 대해서는 정교하다. 그 판단이 처음으로 새로운 어딘가에 있는 순간에 대해서는 침묵한다.
뒤처지는 부호기
그 기계가 기사들을 앞질렀듯, 루프도 결국 지켜보는 사람들을 앞지르지 않겠는가. 그럴 수 있고, 조건이 그것을 결정한다. 판정자가 싼 곳, 국면을 공짜로 즉시 채점할 수 있는 곳에서는 루프가 자기 대국으로 인간의 분포를 넘어설 수 있다. 생성적 핵심에는 그런 판정자가 없다. 그 척도는 다투어지고, 늦게 도착하며, 대체로 회고로 정해진다. 그것이 진짜 무게를 지닌 대부분의 일에 대한 기술이다. 자기 개선 시스템에 대한 연구는 꽤 분명하다. 싼 외부 판정자 없이 그런 루프는 목표를 향한 모방이고, 목표의 천장을 물려받으며, 그 안의 사람들이 이미 아는 것에 묶인다.2
그 한계는 법칙이 아니라 우연적이고, 우연적 버전은 기계는 취향을 할 수 없다는 구호보다 날카롭다. 그것은 판정자가 비싸다는 데 기대는데, 결과를 검증하는 일은 흔히 만드는 일보다 훨씬 싸다. 증명을 확인하는 것이 찾는 것보다 쉽듯이.3 그 간극이 성립하는 곳이면 어디서든 판정자를 지을 수 있고, 루프는 그것을 오를 것이며, 여기가 평이하게 인정할 부분이다. 오름은 실제로 도달 범위를 넓힌다. 확인 가능한 보상에 맞서 학습되면 전에는 이를 수 없던 수에 이를 수 있다.4 그러나 척도 안에서 이를 수 있는 것을 넓히는 일은 척도를 정하는 일과 같지 않고, 루프는 첫째만 한다. 판단의 구조를 기계가 확인할 수 있는 기준으로 분해하라. 나는 그것이 게임의 전부라고 주장했다. 그러면 그 도메인에서 한계가 걷히고, 루프는 거기서도 사람들을 앞지른다. 정직한 한계는 그 간극이 보장되지 않는다는 것이다. 무엇이 검증하기 싸고 무엇이 만들기 싼가는 서로 맞을 필요 없는 다른 조건들이 정하며, 어떤 도메인에는 도메인 자체를 돌리는 것 말고는 적절한 판정자가 없다.
그러니 한계는 도메인마다 걷히고, 그 속도를 정하는 것이 봐야 할 것이다. 각각의 걷힘에는 먼저 구속력을 갖게 된 척도, 판정자를 지을 수 있으려면 누군가 먼저 확정해야 하는 더 나음의 정의가 필요하다. 척도를 저술하는 사람이 기계가 종류상 할 수 없는 일을 하는 것인지, 아니면 문화가 건네준 척도를 루프가 자기 척도를 옮기는 것보다 조금 더 빨리 옮기고 있을 뿐인지 나는 모르고, 전에 말했듯 결론 내릴 수 없다. 회사에는 그 결론이 필요 없다. 필요한 것은 작업의 순서뿐이고, 순서는 바뀌지 않는다. 척도가 구속력을 갖고, 그다음 판정자가 지어지고, 그다음 루프가 오른다. 루프는 사후에 승인한다. 그것은 늘 자기 목표를 만든 확정보다 한 걸음 뒤에 있고, 먼저 감으로써 정의되는 것을 따르는 자가 따라잡는 속도란 없다.
새로움도 척도다
루프에게 새로움 자체를 값지게 여기라고 말할 수 있고, 그것이 왜 순서를 벗어나지 못하는지 보는 것은 값어치가 있다. 새로움은 자기 정의적이지 않다. 어느 아카이브에 대해 새로운가, 누구에게 흥미로운가, 무엇이 기대되었는지에 대한 누구의 모델 아래서 놀라운가. 그것들이 답해지는 순간 새로움은 또 하나의 공급된 척도가 되고, 루프는 다른 것과 마찬가지로 그것을 오른다. 스스로 길을 열어 나가는 시스템을 짓는 데 가장 애써 온 분야가 정확히 이것을 발견했다. 무엇이 흥미로운지의 관찰자를, 사람들이 이미 흥미롭다고 여긴 것에서 끌어내어 건네줘야 했고, 시스템은 관찰자가 고정되는 순간 그것을 속이며 바깥에서 계속 채워 줘야 한다는 것을.5 새로움에 보상하는 것은 기준을 저술하지 않는다. 공급된 기준을 한 단 위로 옮길 뿐이고, 더 높은 단에서도 그것은 여전히 건네받은 것이었다. Nadella가 말하는, 당신이, 오직 당신만이 정의할 수 있다는 높은 취향, 좋은 평가를 쓰는 법을 기술하다가 흘린 그 구절은, 정확히 루프가 오르는 보상으로 바뀔 수 없는 부분이다. 그것이 보상이 만들어져야 할 재료이기 때문이다.
따르는 자
마지막 옹호는 사람들이 계속 일하니 루프가 계속 배우고, 그래서 최신으로 남는다는 것이다. 그렇고, 그 최신 유지는 자기 출력만으로 학습된 루프가 실패하는 방식으로 실패하지 않는다. 실제 사람들이 매일 실제 흔적을 먹이기 때문이고, 그것이 정확히 그런 붕괴를 막는 것이다.6 그러나 최신을 유지하는 것은 추적이고, 추적은 따르는 것이다. 루프는 사람이 새 판단을 행사하고 흔적을 남긴 뒤에 그것을 배운다. 그래서 루프 속의 인간은 조향 가능성에 대한 희망이 들리게 만드는 것처럼 흡수되어 가는 길 위의 과도기적 인물이 아니다. 조향 가능성은 닫을 수 있는 통로를 닫는 일의 좋은 이름이다. 물으면 말할 원함의 부분과 시간에 걸친 선택에서 드러내는 부분. 아직 형성되지 않은 부분, 볼 때에야 알게 되는 부분에는 닿지 않는다. 향해 조향할 것이 거기 없기 때문이다. 더 조향 가능한 모델은 당신의 더 많은 부분을 뒤처지는 부분에 부호화한 모델이다. 인간은 아직 흔적이 되지 않은 수의 은행에 넣을 수 없는 원천이고, 기계는 그 원천이 될 수 없다. 그것을 원천으로 만들 행위가, 이미 끝나기 전까지는 배울 것을 남기지 않기 때문이다.
결합이 원천을 먹는다
여기서 제안은 단지 불완전하기를 멈추고 자기 자신에 맞서 작동하기 시작하며, 그것은 그가 가장 흡족해하는 부분, 상호작용, 두 자본이 함께 복리로 쌓이는 것이다. 루프를 따라 돌아 보라. 인간의 판단이 흔적을 만든다. 토큰 자본이 그것을 부호화한다. 그리고 토큰 자본은 캔버스와 에이전트와 위임의 수신함을 통해 인간이 다음에 일하는 방식을 다시 빚고, 그래서 다음 흔적은 옛 흔적에서 온 토큰 자본에 빚어진다. 그가 찬양하는 상호작용은 두 자본이 모두 안에 든 루프이고, 그런 루프는 생성적 핵심을 붙잡지 못하는 데 그치지 않는다. 그것을 닳게 할 수 있다.
닳게 함에는 메커니즘이 있고, 그는 그것이 무엇을 하는지 보지 못한 채 그것에 이름을 붙였다. 인지 커버리지, 에이전트가 일을 한 뒤 사람이 그것이 무엇을 했는지 연역적으로 파악할 수 있도록 한 동료가 지은 퀴즈는, 인간의 평가적 판단을 최신으로 유지한다. 생성적 종류는 유지하지 않는다. 둘은 다르고, 나는 그 차이를 주장했다. 검토는 무언가가 틀렸을 때 알아보도록 판단을 훈련하고 짓기는 옳은 것이 어떤 모습인지 알도록 판단을 훈련한다는 것, 저술하는 능력은 일을 함으로써, 의도를 산출물로 서툴게 그다음 잘 옮기는 여러 해로 지어지며, 그것이 이제 루프가 하는 일이라는 것. 낙관론자의 답은 잡일을 떠넘기면 사람들이 최전선의 일을 덜이 아니라 더 하게 된다는 것이고, 한 경력 안에서, 한동안은, 그것이 사실일 수 있다. 파이프라인에 대해서는 사실이 아니다. 시니어의 최전선 판단은 주니어의 잡일로 지어졌고, 잡일이 사라지면 시니어는 여전히 여기 있지만 다음 시니어는 만들어지지 않고 있다. 회사는 판단을 부호화하는 데 능해지면서 판단을 만들어 내는 데는 서툴러진다. 주니어의 반복을 시니어의 판단으로 바꾸던 파이프라인은 루프가 도착하기 전에 이미 얇아지고 있었다. 루프는 그 부족을 물려받는 데 그치지 않는다. 회사의 일상 업무를 회사가 살 수 없는 능력을 더 이상 짓지 않는 것으로 만듦으로써 그것을 깊게 한다.
은행에 넣을 수 없는 것
여기서 해자는 직관에 맞서 해소된다. 더 깊은 역사를 가진 기존 기업이 자기 과거를 더 많이 추출한다고, 20년의 흔적을 가진 회사가 2년의 회사보다 풍부한 토큰 자본을 짓는다고 인정하자. 그것이 추출한 것은 과거다. 그리고 더 많이 쥐고 더 잘 부호화할수록 다음 결정을 지난 결정의 기록으로 돌리려는, 부호화된 과거가 판단을 대신하게 두려는 끌림은 강해진다. 회사는 그것을 거부할 수 있다. 옛 흔적의 비중을 낮추고, 토큰 자본을 주인이 아니라 도구로 다룰 수 있다. 그러나 그 거부는 자산의 결에 거슬러 달린다. 자산의 요점 전체가 복리로 쌓이는 것이었고, 복리로 쌓이는 것은 과거이기 때문이다. 더 깊은 역사는 법칙상 더 무거운 닻이 아니다. 닻을 내리려는 더 강한 유혹이다. 옛 역량의 함정이 제품과 사업 모델에서 판단 자체의 수준으로 내려온 것이다.
그러니 기반 역전이 함께 묶었던 두 가지가 갈라진다. 기반은 회사가 범용화되는 모델에 맞서 가치를 붙잡는 곳이고, 그것은 사실이며 큰 가치가 있다. 그것은 오래가는 우위와 같지 않다. 그것이 복리로 쌓는 것은 회사의 사람들이 정한 최전선의 뒤처지는 부호화이고, 우위는 늘 먼저 가기였지 회사가 간 곳의 부호화가 아니었기 때문이다. 먼저 가기는 은행에 넣을 수 없다. 흔적을 남기는 순간 그것은 과거이고, 흔적은 루프가 쥘 수 있는 유일한 것이기 때문이다. 회사는 자기 우위를 은행에 넣을 수 없다. 그것은 매일 저녁 문밖으로 걸어 나가 아침에 돌아오거나, 경쟁자에게로 떠나거나, 은퇴하고, 루프는 그것이 원천이기를 멈춘 날까지 한 모든 일의 충실한 기록을 지킨다.
이것이 가장 약한 곳을 말해야 한다. 그 약함이 주장의 경계이기 때문이다. 분야가 느리게 움직이는 곳, 작년의 판단이 올해의 정답 대부분인 곳에서는 뒤처지는 부호기로 충분하고, 토큰 자본은 훌륭한 해자이며, 위의 어느 것도 물지 않는다. 주장은 정확히 최전선이 빠르게 움직이는 곳, 올해의 정답이 작년의 자리로는 이를 수 없었던 것인 곳에서 가장 강하고, 그곳이 정확히 Nadella 자신의 다급함이 우리를 자꾸 놓는 곳이다. 그는 둘 다 가질 수 없다. 세계가 그가 말하는 만큼 빠르게 뒤집히고 있다면, 그가 모두에게 복리로 쌓으라고 말하는 자산은 쌓이는 만큼 빠르게 감가한다.
뒤를 향한다
그는 낙관론자들이 끝나는 곳에서 끝난다. 긴 역사와 꿈, 현대 세계를 지은 선순환과 그 전체가 이제 연 10퍼센트로 복리로 쌓이리라는 희망. 나는 그 꿈이 감동적이라고 느끼고, 다만 그것이 그 안의 아무것도 저술하지 않은 척도, 성장을 향한 오름이며, 그가 그 중심에 두는 인간은 흡수되어 가는 길 위의 인물이 아니라 흡수가 의존하되 닿을 수 없는 이라는 것을 알아차릴 뿐이다.
그가 기술하는 기계는 실재하고, 계속 나아질 것이며, 그것이 함정이다. 그것이 계속 나아지는 것은 이미 그래 온 회사가 되는 일이기 때문이다. 토큰 자본을 가장 세게 복리로 쌓는 회사는 자기 과거 판단의 가장 충실한 모델을 짓고, 그 충실함을 진보로 느끼며, 자기 과거 자신이 되는 데 능해지는 것을 나아지는 것으로 착각할 것이다. 그것이 결코 은행에 넣을 수 없는 하나, 자기 기록이 가 본 적 없는 곳에 있을 능력이, 우위였던 유일한 것이다. 토큰 자본은 뒤를 향한다. 최전선은 결코 기록 안에 있지 않았다. 기록을 남기는 이 안에 있었다.
Footnotes
-
AlphaGo 대 이세돌, 2국, 37수(2016년 3월). 대략 만분의 일이라는 수치는 David Silver의 것으로, 다큐멘터리 AlphaGo(2017)와 DeepMind 사이트에서 언급된다. 정책 네트워크는 기술하되 이 수별 추정은 담지 않은 Nature 논문(Silver et al., 2016)에는 나오지 않는다. ↩
-
단일 결과가 아니라 대표적인 것. Audrey Huang et al., “Self-Improvement in Language Models: The Sharpening Mechanism,” arXiv:2412.01951 (2024)은 자기 개선을 모델이 이미 생성할 수 있는 확률 질량을 집중시키는 것으로 정식화하고, 그것이 기반 모델에 이미 없는 정보를 만들 수 없음을 증명한다. 같은 천장은 Yue et al., arXiv:2504.13837에도 암묵적으로 있다. ↩
-
형식적 버전은 P 대 NP 뒤의 검증-생성 비대칭이다. 후보 풀이의 증서는 찾기가 어려울 때조차 다항 시간에 확인할 수 있다. Clay Mathematics Institute의 문제 진술(Cook)을 보라. 이것은 복잡도 이론의 결과이지 모델에 대한 경험적 주장이 아니다. ↩
-
살아 있는 미결의 논쟁. Yue et al., “Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?”, arXiv:2504.13837 (2025)은 RLVR이 기반 모델의 도달 범위 안에서 샘플링을 날카롭게 한다고 본다. ProRL, arXiv:2505.24864 (2025)는 충분한 학습으로 기반 모델이 어떤 샘플링으로도 이를 수 없는 문제를 푼다고 본다. 정해진 발견이 아니라 논쟁으로 인용한다. ↩
-
Edward Hughes et al., “Open-Endedness is Essential for Artificial Superhuman Intelligence,” arXiv:2406.04268 (2024): 흥미로움은 관찰자가 고른, 인간 데이터에서 학습된 손실 함수이며, 열린 시스템은 관찰자를 계속 데려가야 한다. 고정된 새로움 신호를 속일 수 있다는 것은 더 오래된 이야기로, Stanley와 Lehman의 novelty search(Why Greatness Cannot Be Planned, 2015)에서 온다. ↩
-
Ilia Shumailov et al., “The Curse of Recursion,” arXiv:2305.17493, “AI models collapse when trained on recursively generated data”로 Nature 631 (2024)에 게재: 생성된 데이터로 재귀적으로 학습하면 분포가 붕괴한다. 균형추는 실제 데이터다. Gerstgrasser et al., arXiv:2404.01413 (2024)은 합성 데이터 곁에 실제 데이터를 쌓아 가면 붕괴를 피한다고 본다. ↩