안드레 카파시가 본 AI의 기묘한 격차 : 누군가에겐 어설픈 챗봇, 누군가에겐 수직으로 치솟는 능력
어떤 사람에게 AI는 질문에 엉뚱하게 답하는 챗봇이다. 조금 더 편리한 검색엔진 정도다.

20초 핵심
같은 시대에 살지만, 서로 다른 AI를 보고 있다
반면 어떤 개발자는 AI 에이전트에게 며칠씩 걸리던 작업을 맡긴다. 더 나아가 최첨단 연구소에서는 수많은 에이전트가 장기간 협업하는 시스템을 실험하고 있다.
누가 AI를 제대로 보고 있는 것일까?
테슬라의 전 AI 책임자이자 OpenAI 공동 창립자인 안드레 카파시는 2026년 10월 11일 X에 올린 글에서 이 간극을 '가파른 깔때기(Sharp Funnel)'라고 표현했다. 지난 4월에는 서로 다른 두 집단이 대화조차 통하지 않는다고 했지만, 이제 그 격차가 더욱 벌어지고 있다는 것이다.
1. 인류를 네 단계로 나눈 AI 깔때기
인구 규모는 카파시의 대략적인 추산이며, 공식 이용 통계가 아니다.
AI를 거의 경험하지 않은 사람들
무료 챗봇을 가끔 사용하는 사람들
최첨단 모델을 전문 업무에 활용
연구소 내부의 최첨단 시스템에 접근
막대 길이는 단계별 차이를 보여주는 개념적 표현이며 인구에 비례한 그래프가 아니다.
첫 번째 집단인 약 60억 명은 대형언어모델(LLM)을 거의 경험하지 못했다. 두 번째 집단은 무료 챗봇을 가끔 사용한다. 이들에게 AI는 검색, 번역, 글쓰기 보조 도구다.
세 번째 집단부터 풍경이 달라진다. 약 2,000만 명의 수학자와 개발자 등은 고성능 모델로 애플리케이션을 만들거나 복잡한 코드를 분석한다. 카파시는 과거 몇 주에서 몇 달 걸리던 프로젝트를 에이전트가 처리하는 사례를 제시했다.
네 번째 집단은 약 5,000명이다. 카파시에 따르면 이들은 연구소 내부의 최첨단 시스템을 접하면서 사이버보안, 수학, 과학 연구 등에서 대규모 에이전트 협업의 가능성을 목격하고 있다.
여기서 중요한 것은 인구 숫자의 정밀성이 아니다. 카파시 자신도 이를 '냅킨 계산(Napkin Math)'이라고 명시했다. 핵심은 AI를 얼마나 깊게 경험하는지에 따라 같은 기술에 대한 판단이 완전히 달라진다는 점이다.
2. 왜 격차는 줄어들지 않을까?
카파시는 세 가지 원인을 제시한다.
첫째, AI에 맡기는 문제의 크기다.
짧은 질문과 답변만으로는 고성능 모델의 능력을 충분히 확인하기 어렵다. 여러 단계의 계획과 실행, 수정이 필요한 프로젝트에서 에이전트의 가치가 더 선명해진다.
둘째, AI 능력은 분야마다 불균등하다.
현재 모델은 코딩이나 수학처럼 정답을 비교적 명확하게 검증할 수 있는 분야에서 특히 강하다. 강화학습 과정에서 코드 테스트 통과 여부처럼 측정 가능한 보상을 활용하기 쉽기 때문이다.
반면 사람의 취향, 복잡한 협상, 조직 운영처럼 정답을 판정하기 어려운 업무에서는 성능 개선의 효과가 상대적으로 불분명할 수 있다.
셋째, 접근 권한의 차이다.
무료 모델 사용자, 유료 고성능 모델 사용자, 내부 연구 시스템 사용자가 경험하는 능력은 같지 않다. 일부 최첨단 기능은 일반 사용자에게 공개되지도 않았다.
이 때문에 AI에 대한 논쟁은 기술의 능력뿐 아니라 서로 다른 제품과 사용 환경을 경험한 사람들이 내리는 판단의 차이이기도 하다.
3. AI의 생산 속도가 인간의 검증 속도를 앞지른다
카파시의 글에서 가장 흥미로운 대목은 깔때기의 맨 위에 있다.
그는 AI가 생성한 수학 연구 원고 722편을 수학자들이 분석하는 사례를 언급했다. 실제 OpenAI의 공개 연구 저장소에도 수백 편의 원고가 올라와 있으며, 일부는 아직 형식적 검증을 완료하지 못했다.
이 사례는 AI가 수백 가지 새로운 정리를 모두 증명했다는 뜻이 아니다. 연구 결과의 타당성은 별도로 확인해야 한다.
그러나 중요한 질문이 남는다. AI가 만들어내는 코드와 연구 결과가 폭증할 때, 인간은 그것을 얼마나 빠르게 이해하고 검증할 수 있을까?
앞으로 생산성을 결정하는 변수는 단순한 생성 속도가 아닐 수 있다. 검증 가능한 결과물을 얼마나 안정적으로 완성하느냐가 더 중요한 경쟁력이 될 가능성이 있다.
AI를 과소평가하는 것도 문제지만, 아직 검증되지 않은 능력을 이미 실현된 성과로 받아들이는 것 역시 위험하다.
카파시가 묘사한 기묘한 순간은 그 두 현실이 동시에 존재한다는 사실에 있다. 이제 중요한 질문은 AI가 얼마나 대단한지가 아니다. 우리는 AI에 어떤 문제를 맡기고 있으며, 그 결과를 검증할 준비가 되어 있는가?
4. AI 격차는 결국 업무 설계의 격차다
이 관찰을 개인과 기업의 관점으로 확장하면 한 가지 결론에 도달한다.
AI를 많이 사용하는 것과 AI로 중요한 일을 해결하는 것은 다르다.
기업이 직원들에게 챗봇 계정을 제공했다고 해서 생산성이 자동으로 높아지는 것은 아니다. 업무를 작은 단위로 나누고, 필요한 데이터에 접근시키고, 결과를 검증할 방법까지 마련해야 한다.
투자자에게도 구분이 필요하다. 뛰어난 모델을 개발한 기업이 반드시 가장 많은 경제적 가치를 확보하는 것은 아니다. 실제 고객이 비용을 지불하고, 업무에 지속적으로 적용하며, 그 결과가 매출과 현금흐름으로 연결되어야 한다.
따라서 AI 기업을 평가할 때는 모델 성능뿐 아니라 고객의 실제 사용량, 반복 이용, 업무 자동화의 완성도, 검증 비용을 함께 살펴볼 필요가 있다.
다만 카파시의 네 집단 추정은 인구조사가 아니다. 모든 분야에서 AI 격차가 계속 벌어진다는 예측 역시 확정된 사실은 아니다. 더 저렴하고 강력한 모델이 널리 보급되면 접근성 격차는 빠르게 좁혀질 수도 있다.
- 반드시 그렇지는 않다. 무료 모델도 많은 일상 업무에 충분하다. 다만 복잡한 장기 프로젝트에서는 고성능 모델과 사용 환경에 따라 차이가 나타날 수 있다.
- 코딩 자체보다 중요한 것은 문제를 구체화하고 결과를 검증하는 능력이다. 비개발자도 데이터 분석과 업무 자동화를 통해 생산성 향상을 경험할 수 있다.
- 아니다. 연구소별 인원을 조사한 공식 통계가 아니라 그의 대략적인 추정이다.
- 위험이 커질 수 있다. 자동 테스트와 재현 가능한 실험, 독립적인 검토 체계의 중요성이 높아지는 이유다.
체크 포인트
인사이트 타임스 편집부





































