기업은 사람과 도구로 암묵지를 축적하는 학습 시스템이다
사티아 나델라의 출발점은 모델 시장 전망이 아니라 기업의 정의다. 그는 기업을 인적 자본과 디지털 도구가 매일 암묵지를 쌓아 상품과 서비스를 만드는 학습 시스템으로 본다. AI 시대에는 여기에 토큰 자본이 더해진다. 인적 자본과 토큰 자본이 서로를 강화하며 복리로 성장해야 한다는 주장이다.
그래서 그는 세상에 존재하는 기업 수만큼 모델도 있어야 한다고 말한다. 두세 개의 프런티어 모델이 모든 경제적 차별화 요소를 흡수하는 구조는 기업과 플랫폼 모두에게 안정적이지 않다는 판단이다. 공개 데이터와 막대한 컴퓨트가 범용 모델을 만들었지만, 업무의 세부 맥락과 가치 판단은 기업 안에 남아 있다. 기업이 그 데이터를 활용해 프런티어 모델이나 open-weight 모델을 개선하고, 필요에 맞는 모델을 만들어야 새로운 가치가 생긴다는 논리다.
여기서 "모델을 소유한다"는 표현을 가중치 파일 보유로 좁히면 대화의 핵심을 놓친다. 나델라가 반복해서 강조하는 소유 대상은 결과를 정의하는 eval, 회사 맥락, 실행 기록, 개선 순환과 모델 선택권이다. 이 자산이 있으면 공급 모델이 바뀌어도 회사의 학습은 남는다.
모델보다 먼저 업무 결과와 채점 기준을 정한다
나델라는 공급망 계획 agent를 예로 든다. 같은 공급망이라는 이름을 써도 산업과 회사마다 운영 방식이 다르다. 이때 가장 덜 논의되지만 중요한 것은 업무 결과와 그 결과를 판단할 eval이다.
순서는 명확하다. 먼저 원하는 결과와 채점 기준을 정한다. 그다음 특정 공급자의 모델에 종속되지 않고 여러 프런티어 모델을 같은 eval로 비교한다. 이후 회사의 기록과 맥락을 사용한 저비용 open-weight 모델이나 fine-tuned 모델이 더 비싼 프런티어 모델과 같은 점수를 내는지 시험한다. 충분한 성능을 더 적은 토큰 비용으로 낼 수 있다면 그 경로를 택한다.
이 구조에서 benchmark는 구매 평가표가 아니다. 회사가 무엇을 좋은 결과로 보는지 코드와 사례, 사람의 검토 절차로 고정한 운영 IP다. 특정 모델이 잘한다고 해서 기준을 바꾸지 않고, 새 모델이 나올 때마다 같은 결과 기준으로 다시 경쟁시킬 수 있다. 나델라가 말하는 종속 회피는 모든 모델을 자체 개발하자는 요구가 아니다. 하나에 종속된다면 결과가 계속 좋아져야 한다는 원칙에만 종속돼야 한다는 뜻이다.
fine-tuning 전에 맥락 계층부터 개선한다
기업의 학습 루프가 곧바로 모델 가중치 업데이트를 뜻하는 것은 아니다. Microsoft 365 안의 이메일, 캘린더, 문서, 프로젝트와 소통 기록은 암묵지를 담은 비정형 데이터베이스이면서 실제 업무 프로세스로 가는 연결점이다. Microsoft는 이 맥락 계층을 Work IQ라고 부른다. Work IQ를 어떤 모델과도 결합할 수 있게 만들겠다는 설명은 모델과 회사 지식을 분리해 운용하려는 설계다.
나델라는 Microsoft의 HR 온보딩 예를 든다. 기록 시스템의 데이터만 쓰는 것이 아니라 이메일과 캘린더 맥락을 함께 사용하면, 온보딩 agent가 필요한 입력을 더 정확히 고를 수 있다. 매번 프런티어 모델에 불필요한 출력을 다시 생성하게 하지 않아도 되므로 토큰 효율도 좋아진다고 설명한다. 이는 Microsoft의 제품 설명이자 사례이며, 모든 회사에 같은 성과를 보장하는 검증 결과는 아니다.
기술적인 순서는 eval, 맥락, 현재 모델의 개선, fine-tuning이다. 회사는 먼저 검색과 권한, 문맥 조립, 도구 실행을 개선하면서 실행 기록을 쌓는다. 그런 다음 반복적으로 나타나는 실패와 성공이 충분히 모였을 때 특정 결과를 위한 모델을 튜닝할 수 있다. fine-tuning 전부터 학습 루프를 만들 수 있다는 대목이 중요한 이유다.
코드가 산출물이 되면 사람은 인지 커버리지를 책임진다
나델라는 AI가 인간을 없애는가라는 질문을 1980년대의 타자 비유로 돌려 설명한다. 과거에 30억 명이 매일 타자를 칠 것이라고 하면 타이피스트가 왜 그렇게 많이 필요하냐고 물었겠지만, 실제로는 회계사, 공급망 분석가, 개발자 등 새로운 지식 노동이 생겼다. 그의 주장은 낙관론만이 아니다. 파괴적 기술이 기존 일을 대체하는 효과를 냉정하게 보면서 지식 노동을 다시 설계해야 한다는 것이다.
개발에서는 코드가 오랫동안 사람이 쓰는 입력이었지만 이제 모델이 만드는 산출물이 됐다. 그렇다면 사람은 무엇을 해야 할까. 나델라는 동료가 만든 "인지 커버리지"라는 개념을 든다. 테스트 커버리지가 프로그램의 동작 범위를 검사하듯, 사람은 기계가 만든 출력 전반을 이해하고 따져 물을 수 있어야 한다. 검토를 승인 버튼 한 번으로 줄이지 않고, 무엇이 만들어졌는지 인지 가능한 범위를 관리하는 일이다.
이 역할은 학습 루프의 인적 자본이다. 좋은 결과와 나쁜 결과를 정의하고, 모델이 놓친 맥락을 찾고, 새로운 eval을 만들며, 실행 결과에 책임을 묻는다. 나델라는 인적 자본 없이 토큰 자본이 생길 수 있다는 실증적 근거가 없다고 말한다. 그는 인지 커버리지를 교육과 숙련이 필요하고 임금으로 보상받을 일로 보지만, 과거 개발자와 비교한 임금 수준은 알 수 없다고 덧붙인다. 새 하이라이트 02:08–02:26 고용 규모나 구체적인 임금 수준을 확정한 예측은 아니다. 조직이 AI 산출물에 대한 판단 능력을 버리면 자체 학습 루프도 사라진다는 경고에 가깝다.
나델라는 AGI와 재귀적 자기 개선을 가정해도 같은 질문이 남는다고 말한다. 사람이 통제력을 유지한다면 AI가 만든 자본을 어디에 쓰고 어떤 결과를 가치 있게 볼지 정하는 인적 자본이 필요하다. 기업의 야망과 주도성이 토큰 자본의 축적을 이끌도록 조직해야 한다는 주장이다. 새 하이라이트 02:53–03:45
그 다음 연결 고리는 회사별 비공개 eval이다. 사람이 좋은 결과와 나쁜 결과를 정의해야 토큰을 어디에 쓸지 판단할 자체 기준이 생긴다. 이는 인적 자본을 단순 검수 인력으로 보는 관점보다 넓다. 목표와 평가 기준을 정하고, 다음 학습 주기를 선택하는 기능까지 포함한다. 새 하이라이트 03:45–04:05
Shorts 범위: AI 스타트업과 은행은 어디서 시작해야 하는가
RLDR Shorts m_b7_alBZK4는 원본 19분 7초부터 약 48초의 연속 발언만 담는다. 컴퓨트 수요가 공급을 앞서는 상황에서 기업이 용량을 먼저 사야 하느냐는 질문에 나델라가 답하는 구간이다.
그가 제안한 시작점은 세 가지다. 매일 자체 eval benchmark를 만들어 고유 IP로 삼고, 토큰을 효율적으로 쓰는 맥락 계층을 구축하며, 현재 모델로 benchmark를 끌어올린 뒤 fine-tuning을 검토한다. "자체 성능 개선 루프를 어떻게 만들까"에서 시작하겠다는 답은 장기 컴퓨트 구매보다 먼저 측정과 맥락을 갖추라는 조언이다.
이 48초를 전체 대화의 결론으로 과장해서는 안 된다. Shorts에는 모델 선택권의 정치경제, 인적 자본, 비즈니스 모델 전환, 소프트웨어와 agent 인프라 이야기가 빠져 있다. 또한 공급 부족이 시간이 지나면 풀릴 것이라는 말은 나델라의 전망이다. Shorts가 입증하는 보편적 전략이 아니다.
컴퓨트 부족과 지능의 네트워크 효과는 다른 문제다
나델라는 현재의 컴퓨트 공급 부족을 물리적 제약으로 본다. 수요는 빠르게 늘지만 데이터센터와 전력, 가속기 공급을 늘리는 데 시간이 걸린다. 그래서 기업이 먼저 해야 할 일로 대규모 용량 구매보다 자체 eval과 맥락 계층, 성능 개선 루프를 든다. 공급 부족이 풀릴 것이라는 부분은 그의 전망이며, 모든 기업의 비용이 자동으로 내려간다는 보장은 아니다. 새 하이라이트 04:53–06:06
그가 별도로 강조하는 것은 지능의 네트워크 효과다. 이는 몇몇 기술 기업의 경쟁에만 머무르지 않고, 지능을 사용하는 모든 경제 주체의 생산과 선택에 영향을 준다는 주장이다. 컴퓨트가 풍부해진 뒤에도 외부 모델을 수동적으로 소비하기만 하면 회사가 무엇을 배우고 어떤 기준으로 개선하는지 통제하기 어렵다. 나델라는 기업이 생태계의 구경꾼이 아니라 참여자가 되어야 선택의 자유를 유지할 수 있다고 말한다. 06:06–07:04
이 대목을 모델이나 데이터센터를 직접 소유하라는 요구로 읽을 필요는 없다. 앞 절의 자체 eval, 맥락 계층, 모델 선택권이 참여의 구체적인 형태다. 회사는 외부 모델과 컴퓨트를 쓰면서도 좋은 결과의 정의와 개선 기록을 내부에 남길 수 있다. 이 글의 해석으로는 공급 인프라를 빌리는 결정과 학습 기준을 넘기는 결정을 분리해야 한다.
도구와 업무는 살 수 있어도 학습은 외주화할 수 없다
나델라가 이 대화에서 가장 강하게 그은 경계는 "업무나 직무는 외주화할 수 있어도 학습은 외주화할 수 없다"는 문장이다. 기업이 외부 API, 컨설턴트, 데이터 공급자, 모델 연구소를 쓰지 말라는 뜻은 아니다. 무엇이 좋은 결과인지 정의하고 실제 사용에서 배운 내용을 다음 의사결정으로 바꾸는 기능까지 외부에 넘기면 기업의 존재 이유가 약해진다는 주장이다.
이 구분을 적용하면 구매와 소유의 경계가 선명해진다. 컴퓨트는 빌릴 수 있고 모델도 API로 쓸 수 있다. 맥락 계층을 만드는 제품도 살 수 있다. 그러나 어느 업무를 자동화할지, 어떤 실패를 치명적으로 볼지, 토큰 비용과 품질을 어떻게 교환할지, 누구에게 최종 판단 권한을 둘지는 회사가 정해야 한다. 이 결정이 eval과 운영 기록에 축적될 때에만 외부 도구를 바꿔도 학습이 이어진다.
이는 데이터가 많으면 자동으로 해자가 생긴다는 주장과도 다르다. 실행 기록을 권리와 목적에 맞게 수집하고, 실패 원인을 분류하고, 사람의 수정과 결과 지표를 연결해야 학습 신호가 된다. 원시 로그를 쌓는 일과 조직이 배우는 일 사이에는 설계와 책임의 간격이 있다.
새 하이라이트는 이 문장을 07:04–07:18에 담고 끝난다. 앞선 인지 커버리지와 비공개 eval, 자체 개선 루프, 네트워크 효과를 거쳐 나온 결론이므로 마지막 문장만 떼어 외부 도구 사용을 거부하라는 주장으로 바꾸면 범위를 벗어난다.
AI 전환의 어려운 부분은 기술보다 생산 함수와 비즈니스 모델이다
나델라는 기술 전환을 되돌릴 수 없는 일방향 문에 비유한다. 미니컴퓨터 시대에 메인프레임만, PC 시대에 미니컴퓨터만 붙들 수 없듯 장기 기술 변화와 함께 움직여야 한다. 하지만 더 어려운 일은 기존 마진 구조를 포기해야 할 수도 있는 비즈니스 모델 전환이다. 시장은 장기전을 말하면서도 단기 실적을 요구하고, 경영진은 기존 성공 공식을 사랑한다.
Microsoft의 첫 50년 동안 생산 함수는 더 많은 소프트웨어를 만드는 일이었다. 이제 소프트웨어가 입력에서 산출물로 바뀌면 개발 부서만 AI를 도입해서는 부족하다. 한 기능만 빨라져도 다른 기능이 그대로면 암달의 법칙에 따라 조직 전체의 병목이 남는다. 나델라는 모든 기능이 인적 자본과 토큰 자본을 함께 운영해야 한다고 말한다.
그렇다고 소프트웨어가 사라지는 것도 아니다. 모델이 만든 공급망이나 재무 분석을 사람이 이해하려면 Excel 같은 구조화된 인터페이스가 필요하다. agent가 사람과 협업하려면 Teams 같은 매체가 필요하고, 생성한 소프트웨어를 유지하고 보안 패치를 적용할 운영 체계도 필요하다. 낮은 가치의 비싼 소프트웨어는 가격 압력을 받겠지만, 사람과 agent가 함께 일하는 인터페이스와 지속 운영은 남는다.
사람용 시스템을 agent 트래픽에 맞게 다시 설계한다
대화 후반부의 기술적 함의는 기존 SaaS에 agent를 얹는 것으로 끝나지 않는다. GitHub와 Microsoft 365에서 agent 사용이 늘자 사람의 클릭과 요청량을 전제로 만든 시스템의 한계가 드러났다고 나델라는 말한다. Git 프로토콜과 worktree의 의미, Outlook 데이터에 접근하는 기본 경로를 agent 추론 루프에 맞게 다시 생각해야 한다. Work IQ에 별도 중간 계층을 두려는 이유는 AI의 반복 조회가 사람의 데이터 사용을 밀어내지 않도록 하기 위해서다.
플랫폼 원칙은 각 계층을 조합 가능하고 확장 가능하게 만드는 것이다. Chat에서 찾는 agent를 Cowork가 도구로 쓸 수 있고, 각 계층에서 여러 모델을 선택할 수 있어야 한다. Microsoft의 제품 방향을 설명하는 발언이므로 실제 상호운용성 수준은 각 제품과 시점별로 검증해야 한다.
이 대화를 실행 지침으로 압축하면 모델 구매보다 먼저 네 가지를 묻게 된다. 회사가 원하는 결과를 측정할 eval이 있는가. 권리와 권한을 지키며 필요한 맥락을 공급할 계층이 있는가. 사람이 산출물을 이해하고 교정할 인지 커버리지가 있는가. 모델과 도구를 바꿔도 그 교정이 다음 실행에 반영되는가. 이 네 가지가 연결될 때 기업은 모델을 빌리면서도 학습은 소유할 수 있다.
이 대화가 증명한 것과 아직 증명하지 않은 것
이 인터뷰는 기업 AI의 설계 원칙을 제시하지만, 그 원칙의 보편적 성과를 입증하는 실험 보고서는 아니다. 기업 수만큼 모델이 있어야 한다는 말, 모든 기업이 자체 토큰 자본을 가져야 한다는 말, GDP 성장률이 10%나 15%까지 오를 수 있다는 말은 나델라의 전망이다. GDP 성장률을 언급하는 구간도 측정 결과가 아니라 가능성을 묻는 문장이다.
Work IQ와 Microsoft의 HR 온보딩 사례는 맥락 계층의 작동 방식을 설명하지만, 개선 폭과 비용, 오류율, 사람의 검토 부담이 공개된 비교 실험은 이 대화에 나오지 않는다. Applied Compute가 기업별 모델을 구축한다는 설명도 회사의 제품 관점이다. Microsoft가 Applied Compute에 투자했거나 RLDR 편집물을 보증한다는 의미도 아니다.
기술적으로도 열려 있는 문제가 많다. 사내 문서와 이메일을 학습 신호로 쓸 수 있는 권리는 접근 권한과 다르다. 맥락을 잘 조립해도 오래된 정보나 서로 충돌하는 기록이 들어갈 수 있다. eval을 사내 기준으로 만들면 실제 고객 가치보다 기존 조직의 편향을 강화할 수 있다. 사람이 인지 커버리지를 맡더라도 agent가 만든 방대한 산출물을 어디까지 검토할지 정해야 한다.
따라서 이 대화에서 바로 가져올 것은 특정 제품을 사라는 결론이 아니라 운영 순서다. 결과를 먼저 정의하고, 모델과 분리된 맥락 계층을 만들고, 실행을 관찰하며, 사람이 교정한 신호를 권리 범위 안에서 축적한다. 그 다음에야 fine-tuning과 자체 모델의 경제성을 같은 eval로 판단할 수 있다.