# 다리오 아모데이가 본 AI의 다음 병목: 성능, 확산, 투자

> 2026-02-13 · Dwarkesh Patel · 큐레이션 김태우
> https://challengekim.com/insights/다리오-아모데이가-본-ai의-다음-병목-성능-확산-투자
> 원문: https://www.youtube.com/watch?v=n1E9IZfvGMA

## 핵심 요약

- 앤트로픽의 다리오 아모데이는 사전학습에 이어 강화학습에서도 훈련량에 따른 성능 향상을 보고 있다고 말했다. 다만 인간처럼 적은 경험으로 배우는 능력은 여전히 설명이 필요한 차이로 봤다.
- 그는 ‘데이터센터 안의 천재들의 나라’에 해당하는 AI가 1\~3년 안에 등장할 수 있다고 추정했다. 이는 확정된 일정이 아니라 자신의 직감에 가까운 전망이라고 구분했다.
- 코드 작성 비율, 소프트웨어 개발 업무의 자동화, 개발자 수요 감소는 서로 다른 단계다. AI가 많은 코드를 쓰더라도 생산성이나 고용 변화가 같은 비율로 따라오지는 않는다.
- 모델 성능이 높아져도 기업의 보안 검토, 업무 변경, 시설 구축 때문에 도입과 매출은 즉시 늘지 않는다. 아모데이는 이 시차가 컴퓨팅 투자 판단의 핵심 위험이라고 설명했다.

## 사전학습과 강화학습을 관통하는 가설

아모데이는 2017년부터 계산 자원, 데이터의 양과 분포, 훈련 기간, 확장 가능한 학습 목표, 수치적 안정성이 AI 발전을 좌우한다는 가설을 유지해 왔다고 말했다. 과거에는 대규모 사전학습이 대표적인 사례였고, 지금은 수학·코딩을 포함한 여러 과제에서 강화학습에도 훈련량에 따른 성능 향상이 나타난다는 설명이다. 강화학습은 모델이 목표를 달성한 결과를 바탕으로 능력을 개선하는 훈련 방식이다.

그는 특정 기술을 하나씩 가르치는 것이 목적은 아니라고 강조했다. 좁은 범위의 글로 훈련한 초기 모델보다 다양한 인터넷 자료로 훈련한 모델이 다른 과제로 일반화했듯, 강화학습에서도 여러 환경을 거쳐 **처음 보는 과제에 적용하는 능력**을 얻으려 한다는 것이다.

진행자 드와르케시 파텔은 인간이 새 업무를 배울 때 필요한 경험에 비해 모델이 지나치게 많은 데이터와 계산을 요구한다고 지적했다. 아모데이도 이 표본 효율성 차이를 실제 문제로 인정했다. 다만 긴 문맥 안에서 사례를 읽고 적응하는 능력도 관찰되므로, 모델의 대규모 훈련과 인간의 현장 학습을 단순히 대응시키기는 어렵다고 설명했다.

## ‘천재들의 나라’와 지속 학습의 불확실성

아모데이는 코딩처럼 결과를 확인하기 쉬운 업무에서는 빠른 진전을 예상했다. 반면 과학적 발견이나 소설처럼 성패를 검증하기 어려운 과제까지 같은 수준으로 수행할 수 있을지는 상대적으로 불확실하다고 했다. 그는 광범위한 능력을 갖춘 AI가 10년 안에 등장할 가능성을 높게 봤지만, 1\~3년이라는 짧은 예상은 약 50 대 50의 직감에 가깝다고 선을 그었다.

대담은 장기간 함께 일하며 취향을 익힌 영상 편집자를 AI가 대체할 수 있는지도 다뤘다. 아모데이는 이를 위해 컴퓨터 화면을 안정적으로 조작하고, 이전 작업과 반응을 살펴보며, 사람에게 필요한 정보를 묻는 능력이 필요하다고 말했다. 파텔은 현재 모델이 개별 편집 제안은 하더라도 직원처럼 피드백을 축적해 개선되지는 못한다고 반박했다.

아모데이는 긴 문맥에서 정보를 익히는 능력과 사전학습·강화학습의 일반화만으로도 상당한 업무를 처리할 수 있다고 봤다. 한 모델이 일하면서 계속 배우는 **지속 학습**도 연구 중이며 1\~2년 안에 해결될 가능성을 언급했지만, 그것이 모든 발전의 필수 조건인지는 확신하지 않았다.

## 코드 작성과 생산성은 다른 지표다

아모데이는 앤트로픽 등 일부 현장에서 AI가 코드 줄의 90%를 작성하게 됐다는 자신의 이전 발언을 설명했다. 이는 개발자의 90%가 필요 없어졌다는 뜻이 아니다. 코드 작성에 이어 환경 설정, 기능 시험, 설계 문서 작성까지 포함한 개발 업무를 얼마나 끝까지 수행하는지는 별개의 기준이다. 그 이후에도 개발자가 더 높은 수준의 일을 맡을 수 있다고 말했다.

파텔은 숙련 개발자가 익숙한 저장소에서 AI를 썼을 때 체감과 달리 실제 작업은 느려졌다는 연구를 들어 생산성 주장에 의문을 제기했다. 아모데이는 앤트로픽 내부에서는 모델 개발 결과를 통해 생산성 향상을 확인한다고 답했다. 동시에 코딩 모델이 회사 전체의 작업 속도를 높이는 효과는 자신의 추정으로 약 15\~20%이며, 6개월 전에는 약 5%였다고 말했다. 이 수치는 코드 작성 비율과 구분해야 한다.

## 빠른 확산에도 시간이 필요한 이유

아모데이는 앤트로픽 매출이 2023년 약 1억 달러, 2024년 약 10억 달러, 2025년 약 90억\~100억 달러 수준으로 늘었다고 설명했다. 그러나 이런 증가율이 영원히 유지될 수는 없다고 했다. 개인 개발자는 Claude Code를 곧바로 써볼 수 있어도 대기업은 법무·보안 검토와 계정 배포, 기존 업무 절차 변경을 거쳐야 한다. 그는 AI 도입이 과거 기술보다 훨씬 빠를 수는 있어도 즉각적이지는 않다고 봤다.

성능과 실제 활용의 간극은 컴퓨팅 투자에도 영향을 준다. 데이터센터는 수요가 확인되기 1\~2년 전에 확보해야 한다. 아모데이는 매출이 매년 10배 늘어난다고 가정해 설비를 사들였다가 성장 시점이 1년 늦어지거나 증가율이 낮아지면 회사가 파산할 수 있다고 설명했다. 그가 제시한 2027년 매출과 컴퓨팅 비용 계산은 실제 약정이나 확정 전망이 아닌 위험을 보여주는 가상 시나리오였다.

그는 수익성 역시 연구 투자를 줄였는지만으로 판단할 수 없다고 했다. 미리 확보한 컴퓨팅 자원에 비해 추론 수요가 많으면 이익이 늘고, 수요가 예상보다 적으면 연구에 쓸 자원은 많아져도 손실이 날 수 있다는 설명이다. 훈련과 추론에 각각 절반을 쓰는 예시는 업계의 구조를 설명하기 위한 단순화된 모형이라고 밝혔다.

## 제품, 안전, 접근성의 과제

아모데이는 모델의 새 능력을 활용하려는 개발자가 계속 등장하기 때문에 API 사업이 유지될 것으로 예상했다. 한편 같은 양의 출력이라도 고객 지원 답변과 신약 개발에 도움이 되는 제안의 가치는 다르므로, 성과에 따라 비용을 받거나 노동시간에 가까운 방식으로 과금하는 실험도 가능하다고 봤다. 어떤 방식이 자리 잡을지는 모른다고 했다.

AI가 더 널리 퍼질수록 안전 문제를 소수 기업의 자율적 조치만으로 다루기는 어려워진다는 것이 그의 견해다. 그는 우선 위험을 확인할 수 있는 투명성 기준을 마련하고, 생물학적 위해나 자율성 위험의 증거가 분명해지면 그 영역에 맞춘 규칙을 강화하자고 말했다. 위험이 이미 현실화됐다고 단정하지는 않았다.

혜택의 분배도 별도의 문제로 봤다. 그는 AI가 신약 발견을 앞당기더라도 제조, 승인, 전달에는 시간이 들며 개발도상국이 뒤처질 수 있다고 우려했다. 아프리카의 데이터센터나 개발도상국의 AI 기반 바이오 스타트업을 가능성으로 제시한 것도 이 때문이다. 이는 이미 진행 중인 투자 계획이 아니라 성장의 기회를 넓히자는 제안이었다.

아모데이의 전망은 기술 발전의 속도와 사회가 이를 받아들이는 속도를 구분한다. 대담에서 끝까지 남은 쟁점은 모델의 능력이 실제 업무 성과와 넓은 접근성으로 언제, 어떻게 이어질지다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=n1E9IZfvGMA)