# 머코의 프런티어 AI 연구소 매출 집중, 제품으로 풀 수 있을까 > 2026-07-25 · 20VC · 큐레이션 김태우 > https://challengekim.com/insights/머코의-프런티어-ai-연구소-매출-집중-제품으로-풀-수-있을까 > 원문: https://www.youtube.com/watch?v=rlY1mHhJKvs ## 핵심 요약 - 머코 제품 책임자는 프런티어 AI 연구소가 현재 가장 큰 고객이라는 진행자의 지적에, 기업 고객으로 넓혀 매출 집중도를 낮추는 것이 제품팀의 과제라고 답했다. - 이를 위해 고객이 직접 프로젝트를 시작하고 운영할 수 있는 제품과 AI 프로젝트 관리자를 개발하는 방향을 제시했다. 다만 인간 데이터 프로젝트는 예외 상황을 조율하고 품질을 확인하는 데 많은 인력이 든다. - 그는 오픈 모델의 발전이 데이터 수요를 없애기보다 고객이 원하는 성능의 기준을 높인다고 봤다. 아직 시도되지 않은 장기 업무도 잠재 수요로 들었다. - 데이터 형식이 빠르게 바뀌는 만큼, 모든 고객 요청을 수용했던 과거의 제품 운영 방식은 복잡성을 키웠다고 돌아봤다. ## 연구소에 집중된 고객, 기업으로 넓히려는 제품 20VC 대담에서 진행자는 프런티어 모델 개발사가 머코의 가장 큰 고객이며 매출 집중도가 높다고 지적했다. 머코의 제품 책임자는 집중도가 제품팀에 미치는 영향에 답하며, 더 많은 기업이 모델 평가와 학습에 필요한 **인간 데이터 프로젝트**를 효율적으로 운영하도록 만드는 것이 가장 큰 과제라고 말했다. 인간 데이터는 전문가가 작업하거나 판단해 모델 평가·학습에 쓰는 데이터다. 현재 대형 연구소를 위한 프로젝트에는 운영팀 인력이 많이 투입된다. 그의 설명에 따르면 회사는 고객이 직접 프로젝트를 진행할 수 있는 방식과 AI 프로젝트 관리자를 개발해, 규모가 작고 형태가 다양한 기업 프로젝트도 처리하려 한다. 그는 이 방향으로 움직이며 고객 집중도가 낮아졌다고 말했지만, 감소 폭이나 고객별 매출 비중은 제시하지 않았다. ## 인간 데이터 프로젝트가 자동화하기 어려운 이유 고객의 요구를 실제 데이터 작업을 하는 전문가에게 전달하려면 지침만으로는 부족하다. 작업 중 드러나는 예외 상황마다 고객, 관련 분야 전문가, 작업자가 빠르게 판단을 맞춰야 한다. 운영팀은 각 데이터가 지침에 맞는지 확인하면서 일정과 병목도 관리해야 한다. 프로젝트 사이의 차이도 크다. 그는 데이터 작업이 지도 미세조정에서 선호도 순위, 평가 기준에 따른 주석, 강화학습 환경으로 옮겨 왔고 여러 데이터 형식으로 확장됐다고 설명했다. 이런 변화 때문에 한 프로젝트의 운영 절차를 다른 프로젝트에 그대로 적용하기 어렵다. 제품을 단순하게 만들어 기업 고객의 접근성을 높이려는 목표에도 이 복잡성이 제약으로 남는다. ## 오픈 모델이 높이는 성능 기준 오픈 모델이 발전하면 데이터 공급업체의 시장이 줄어들 수 있다는 질문에 그는 다른 견해를 밝혔다. 고객은 현재 모델이 부족한 능력을 개선하려고 평가·학습 데이터를 구매하며, 오픈 모델의 성능 향상은 고객이 돈을 지불할 작업의 기준을 높인다는 것이다. 다만 이는 앞으로도 고객에게 개선할 능력이 남아 있다는 조건에 따른 설명이다. 그는 기업 업무의 90%를 기존 모델이 처리할 수 있다는 식의 추정에도 동의하지 않았다. 예로 조달팀의 일을 몇 달간 수행하고 사람이 일주일에 한 번 정도만 확인하는 에이전트를 들었다. 이런 장기 업무는 아직 시도조차 되지 않는 경우가 있어 현재 수요만으로 전체 가능성을 재기 어렵다는 주장이다. 또 CRM 정보 갱신처럼 완료 여부가 분명한 작업과 법률 논증처럼 품질을 계속 높일 수 있는 작업을 같은 ‘처리 가능 비율’로 묶어서는 안 된다고 봤다. ## 모든 요청을 받았던 제품의 대가 머코는 한때 다양한 고객의 연구 실험을 지원하려고 주석 작업 플랫폼을 최대한 유연하게 만들었다. 제품 책임자에 따르면 수백 개 프로젝트가 이 도구에서 돌아갔지만, 서로 다른 작업 흐름을 관리하기가 혼란스러워졌다. 그는 지속적인 수요가 불확실한 작업까지 지원할지 더 일찍 판단하고, 운영팀과 함께 제공 범위와 권장 절차를 정했어야 했다고 돌아봤다. 회사는 최근 지원 서비스의 범위를 좁혔다고 말했다. 그는 앞으로 어떤 데이터가 필요할지 1\~2년 앞서 정확히 말하기는 어렵다고 인정했다. 여러 연구소의 담당자와 계속 접촉하며 가설을 확인하지만, 최종 판단에는 추정이 남는다는 설명이다. ## 다음 데이터 형식과 공급의 한계 그가 현재 머코에서 가장 빠르게 성장한다고 설명한 데이터 형식은 **강화학습 환경**이다. 이는 에이전트가 실제 업무 도구를 쓰는 상황을 흉내 낸 앱과 초기 데이터 상태를 만들고, 그 안에서 과제를 수행하게 하는 방식이다. 예를 들어 Salesforce 사용 능력을 평가·학습하려면 실제 사용 환경처럼 작동하는 모의 환경이 필요하다는 설명이다. 초기 상태에 수백 또는 수천 개 파일이 포함될 수도 있어 제작이 복잡하다. 전문 인력이 직접 데이터를 만드는 소규모 공급업체도 이미 존재한다고 그는 말했다. 연구소에는 유용한 공급원이지만, 창업자나 소수 직원이 직접 작업하는 방식으로는 데이터 생산량이나 프로젝트 수를 크게 늘리기 어렵다고 봤다. 머코 역시 전문성 높은 인력을 확보하면서 작업 규모를 키워야 하는 과제를 안고 있다. 머코 제품 책임자의 설명에서 매출 집중도를 낮추는 길은 기업 고객이 인간 데이터 프로젝트를 더 쉽게 운영하도록 만드는 데 있다. 그 가능성은 복잡한 예외 처리와 품질 관리를 제품과 운영 절차가 얼마나 감당할 수 있는지에 달려 있다. --- 원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=rlY1mHhJKvs)