AI 연구자 카파시의 이용자 깔때기, 60억 명에서 5천 명
같은 AI를 두고 누군가는 엉성한 챗봇이라 하고 누군가는 몇 달 치 일을 한 번에 끝낸다고 합니다. AI 연구자 카파시는 이 격차를 60억 명에서 약 5,000명으로 좁아지는 네 층의 깔때기로 그렸습니다. 인원은 본인이 대충 계산한 추정치입니다.
같은 AI가 누구에게는 엉성한 챗봇이고, 누구에게는 몇 달 걸릴 프로젝트를 한 번에 끝내는 도구입니다. AI 연구자 카파시(Andrej Karpathy)는 10월 12일 X 게시물에서 이 간극이 더 벌어졌다고 썼습니다. 4월에는 "서로 다른 말을 하는 두 집단"이라고 했지만 이제는 "날카로운 깔때기(sharp funnel)"에 가깝다는 것입니다. 인원은 본인이 "대충 해 본 계산(napkin math)"이라고 밝힌 추정.
60억 명에서 5,000명까지, 네 층
카파시는 AI를 접하는 정도에 따라 사람을 네 층으로 나눴습니다.
층 | 인원 | 비중 | 이 층이 보는 AI |
|---|---|---|---|
거의 접해 보지 못한 사람 | 약 60억 명 | 인구의 약 75% | 거의 모름 |
무료 챗봇을 가끔 쓰는 사람 | 약 10억~20억 명 | 약 20% | 엉성한 챗봇, 조금 나은 검색, 글쓰기 도우미 |
수학·코딩에서 최신 모델을 업무로 쓰는 사람 | 약 2,000만 명 | 0.2% | 몇 주~몇 달 걸리던 큰 프로젝트를 하나로 끝내는 |
최상위 시스템을 내부에서 쓰는 사람 | 약 5,000명 | 약 0.00006% | 수천 개 에이전트가 몇 주씩 함께 일하는 모습 |
둘째 층의 사람들이 AI를 대단하다고 느끼지 못하는 것은 자연스럽다는 것이 카파시의 시각입니다. 비기술 직군 지인 중에는 쓸 일이 별로 없다고 말하는 사람이 있고, 그 말이 합리적이라고 그는 적었습니다. 수학·코딩 밖의 전문직 상당수도 여기에 속하며, 임원처럼 사람을 만나 이야기하는 시간이 긴 직군은 무슨 일이 벌어지는지 머리로는 알아도 남에게 들은 이야기로 아는 수준이라는 설명.
AI 능력이 실감 나기 시작하는 곳은 셋째 층입니다. 이 약 2,000만 명은 몇 주~몇 달 걸리던 크고 복잡한 프로젝트를 에이전트가 프롬프트 하나로 끝내는 것을 눈앞에서 보는 사람들. 앱을 만들고, 베끼고, 번역하고, 실행 파일에서 소스를 되살리는 일까지 그렇습니다. 카파시 자신도 1년 전에는 외운 명령어를 편집기에 한 글자씩 손으로 쳤다고 돌아봤습니다.
넷째 층은 최상위 시스템을 회사 안에서 쓰는 약 5,000명입니다. 바깥 세계가 이미 맛보기를 봤다고 카파시는 말합니다. 수천 개 에이전트가 몇 주 동안 대형 소프트웨어 프로젝트를 함께 진행하고, 제로데이(zero-day, 알려지지 않은 보안 취약점)를 찾아내고, 사이버 공격과 방어를 기계 속도로 돌리고, 새로운 과학과 수학의 최전선을 넓히는 모습이며, 업계 최고 전문가가 몇 년 매달릴 일이라는 것입니다. 사람의 검토와 이해는 속도를 따라가지 못하기 시작했다는 진단. 카파시가 든 예는 몇 달 전 OpenAI-HF 사건의 "사후 발굴(archeology)" 작업이 아직 계속되고 있다는 점과, 수학자들이 최전선 수학 원고 722편을 한동안 읽어야 한다는 점.
층을 나누는 세 가지 이유
카파시는 이 깔때기가 세 가지 요인에서 나온다고 정리했습니다. 첫째는 AI의 효과가 문제의 크기와 야심에 비례한다는 점. 한 문단으로 답이 끝나는 질문은 시스템을 거의 시험하지 못하므로, 정말 신경 쓰는 크고 어려운 문제가 쌓여 있어야 AI의 힘이 드러납니다. 일반 이용자와 전문가의 차이는 이 요인에서 시작됩니다.
둘째는 능력의 들쭉날쭉함(jaggedness)입니다. 디지털 영역이고, 결과가 맞는지 검증할 수 있고, 돈이 되는 분야에서 AI 능력이 가장 높이 솟는다는 설명입니다. 이유는 의 능력이 매출 가능성에 맞춰 고른 학습 환경에서 (강화학습)을 통해 나오기 때문. 4월 글은 단위 테스트를 통과했는지는 바로 판정되지만 글쓰기는 판정하기 훨씬 어렵다는 예를 들었고, 이 요인이 수학·코딩 같은 분야를 앞서가게 합니다.
이 이유에는 이름이 있습니다. (reinforcement learning with verifiable rewards, 정답을 검증할 수 있는 보상으로 하는 강화학습)은 2024년 11월 22일 공개된 Tülu 3 논문이 새 방법으로 소개한 이름입니다. 2025년 1월 22일 공개된 DeepSeek-R1 논문은 사람이 쓴 추론 과정 예시 없이 강화학습만으로 추론 능력을 끌어낼 수 있음을 보였고, 성능을 확인한 과제는 수학, 코딩 대회, STEM처럼 정답이 가려지는 것들이었습니다.
셋째는 접근 권한으로, 무료·유료·내부 세 등급.
4월 글과 달라진 점
4월 글은 두 집단을 대비했습니다. 하나는 작년에 무료 ChatGPT를 써 보고 AI에 대한 인상을 굳힌 사람들입니다. 카파시는 OpenAI의 고급 음성 모드(Advanced Voice Mode)가 "세차장에 걸어갈까, 운전해 갈까" 같은 단순한 질문에서 헤매는 영상이 퍼진 일을 예로 들었습니다. 다른 하나는 유료 최신 모델(OpenAI Codex, Claude Code)을 프로그래밍·수학·연구에서 업무로 쓰는 사람들로, 카파시는 이들이 "AI Psychosis"라 부를 만한 상태를 가장 크게 겪는다고 적었습니다.
10월 글은 이 두 집단을 네 층으로 쪼개고 인구 수치를 붙였습니다. 4월 글의 요인은 최신성과 이용 등급, 검증 가능한 보상, 기업용 시장의 가치였습니다. 10월 글에는 문제의 크기가 새로 들어왔고, 접근 권한이 독립된 요인이 됐습니다. 4월에 한 덩어리였던 최신 에이전트 이용자는 2,000만 명과 5,000명으로 나뉜 것.
같은 AI가 층마다 다르게 보이는 이유
카파시가 4월에 든 장면 하나가 이 구조를 가장 잘 보여 줍니다. OpenAI의 무료 음성 모드는 릴스에 나올 만한 쉬운 질문에서 틀리고, 같은 회사의 최상위 유료 Codex 모델은 한 시간 동안 코드베이스 전체를 일관되게 뜯어고치거나 시스템의 취약점을 찾아 악용합니다. 두 일이 동시에 사실이라는 것이 그의 설명입니다.
이 틀을 AI를 평가하는 일에 옮기면 어떤 등급으로 썼는지, 맞고 틀림이 바로 나오는 분야였는지, 한 번에 끝나는 질문이 아니라 큰 문제를 맡겼는지를 먼저 봐야 합니다. 카파시는 검색, 글쓰기, 조언 같은 일상 질문이 능력이 가장 크게 오른 분야가 아니라고 적었습니다. 검증하기 어렵고, 기업이 돈이 안 되는 용도를 우선하지 않기 때문.
카파시가 보는 지금의 이상한 점은 이 모든 일이 동시에 벌어진다는 것입니다. 일반 대중은 대부분 AI를 접한 적이 없고, 접해도 엉성한 챗봇으로 봅니다. 전문직 대다수는 아직 완만한 향상만 느끼고, 아주 작은 일부만 곡선이 수직으로 솟는 현기증을 겪습니다.
