AI 버블의 뿌리는 기술이 아니라 기술 스택과 사람들 머릿속 서사 사이의 거리이며, Eli the Computer Guy는 그 거리가 이미 회복 구간을 지났다고 본다.
AI 4 현장에서 나온 말
AI 4 컨퍼런스에서 Eli the Computer Guy가 현장 기술자들에게 반복해서 들은 말은 하나였다. 경영진이 AI 예산은 따왔는데 정작 그 돈으로 배포할 대상이 없다는 것이다. 그가 ‘실제로 돌아가는 유스케이스가 있느냐’고 묻자 자리에 있던 사람들이 웃었다는 장면은 예산이 목적을 앞질러 버린 상태를 그대로 보여준다. 그는 앞으로 AI라는 이름으로 팔릴 결과물에서 모델이 차지하는 비중은 10% 정도이고, 나머지 90%는 API·데이터베이스·실시간 데이터·자동화가 채울 것이라고 말한다.
문제의 출발점은 단어다. ‘AI’라는 세 글자를 들으면 대부분의 머릿속에서 영화가 재생된다. 자의식을 가진 기계, 인간을 통째로 대체하는 지능, 어느 날 갑자기 도래하는 전환점 같은 이미지다. 반면 현장에서 돌아가는 물건은 신경망, 벡터 DB(문장이나 이미지를 숫자 배열로 바꿔 저장하고 비슷한 것끼리 찾아 주는 데이터베이스), 시맨틱 서치(단어가 아니라 의미가 가까운 문서를 찾아 주는 검색) 같은 십여 개 기술의 조합이다. 같은 단어가 전혀 다른 두 대상을 가리키는데, 예산 결재는 앞쪽 이미지를 보고 나고 구현은 뒤쪽에서 이뤄진다.
예산이 먼저 잡히면 일의 순서가 뒤집힌다. 보통은 해결할 문제를 정하고 도구를 고르는데, 지금은 도구가 먼저 배정되고 그 도구를 정당화할 문제를 찾아 나선다. Eli가 만난 기술자들이 ‘돈이 생겼는데 뭘 해야 할지 모르겠다’고 털어놓은 상태가 정확히 그 순서다. 이렇게 시작한 결과물은 대체로 데모까지는 가고 운영까지는 못 간다. 데모는 잘 고른 입력 몇 개면 되지만, 운영은 실패 처리·비용·응답 지연·데이터 권한을 전부 통과해야 하기 때문이다.
조직 안의 압력도 겹친다. AI 계획에 회의적인 의견을 내면 기술을 못 따라가는 사람으로 분류되기 쉬워서, 무리라는 걸 아는 실무자들이 입을 다문다는 것이 그의 관찰이다. 반대 의견이 사라진 회의실에서는 검증되지 않은 계획이 그대로 통과한다. 컨퍼런스 복도에서만 솔직한 말이 나오는 이유다.
Eli 주장의 뼈대
- AI는 ‘기술 스택’과 ‘머릿속 서사’ 두 층으로 분리해서 봐야 하며, 지금의 문제는 모델 성능이 아니라 두 층 사이의 간격이다
- AI 4 컨퍼런스 참가 기술자들이 공통으로 보고한 상태는 예산 확보 완료, 배포 가능한 유스케이스 없음이었다
- CNBC는 엔비디아의 해자(경쟁사가 쉽게 넘지 못하는 구조적 방어선)가 더 이상 기술이 아니라 자본이라고 진단했고, Eli는 이를 버블의 성격을 드러내는 신호로 인용한다
- Microsoft·OpenAI·Anthropic이 사실상 같은 기술·같은 하드웨어·같은 데이터센터 경로에 수조 달러를 중복 투자하는 구조여서 버블이 여러 개가 아니라 하나이며, Anthropic이 2조 달러 규모 IPO를 목표로 한다는 점(영상 내 주장)이 과대 판매의 경제적 동기가 된다
- 앞으로 AI라 불릴 산출물에서 모델은 약 10%, API·DB·실시간 데이터·자동화가 나머지 90%를 차지한다
여기서 단일 버블이라는 표현이 중요하다. 서로 다른 회사가 서로 다른 기술에 베팅하면 한쪽이 무너져도 다른 쪽이 남는다. 그런데 주요 플레이어가 같은 가정, 같은 칩, 같은 데이터센터 설계 위에 올라타 있으면 가정 하나가 어긋날 때 전부 같이 흔들린다. Eli가 다른 노선을 말해 온 사람으로 Yann LeCun 정도를 예외로 꼽은 것도 그래서다.
언론의 역할도 그의 비판 목록에 있다. 기술 배경이 없는 기자가 CEO 발언을 검증 없이 옮기고, 취재 라인을 유지해야 하는 이해관계 때문에 되묻지 못한다는 것이다. 결과적으로 판매자의 말이 기사 제목이 되고, 그 제목이 다시 다른 회사의 예산 근거가 된다. 순환이 한 바퀴 돌 때마다 서사는 두꺼워지고 스택은 그대로다.
발언을 거르는 3단계
단계 1 — 화자의 손익 확인
어떤 AI 주장을 접하면 내용을 판단하기 전에 말하는 쪽의 손익부터 본다. 확인 항목은 세 개다. 첫째, GPU·클라우드·데이터센터처럼 인프라를 파는 사업자인가. 둘째, IPO나 분기 매출 목표가 걸려 있는가. 셋째, 같은 말을 현장 기술자도 하는가. Eli가 구조적 이해관계를 지적한 이름은 Jensen Huang, Sam Altman, Dario Amodei, Elon Musk다. 이들의 말이 틀렸다는 뜻이 아니라, 판매 동기가 붙은 발언은 같은 무게로 읽으면 안 된다는 뜻이다.
CEO 발언에는 대체로 세 청중이 동시에 있다. 투자자, 직원, 고객이다. 같은 문장이 투자자에게는 성장 신호, 직원에게는 긴장 유발, 고객에게는 구매 압박으로 작동한다. 그래서 발언을 읽을 때는 ‘이 문장이 셋 중 누구를 향하는가’를 먼저 정하면 해석이 단순해진다.
단계 2 — 같은 업계의 반대 발언 찾기
한 사람의 말만 보면 미래가 확정된 것처럼 보인다. 같은 업계에서 반대되는 발언을 찾아 나란히 두면 확신의 폭이 드러난다. Eli가 든 사례는 Demis Hassabis의 ‘싱귤래리티(기계 지능이 인간을 넘어 스스로 가속한다고 가정하는 전환점) 기슭에 서 있다’는 발언과, 불과 몇 주 차이로 나온 Mark Zuckerberg의 ‘AI 에이전트가 기대만큼 빠르게 진보하지 않는다’는 발언이다. 두 사람 모두 최전선에 있고, 두 말은 양립하지 않는다.
AI washing(실제 기여가 불분명한데 경영 판단을 AI 탓으로 설명하는 관행)도 같은 방식으로 걸러진다. Eli는 Evan Spiegel이 Snap 직원 16% 감원을 정당화하며 AI를 언급한 사례를 든다. 감원 결정이 AI 때문인지, AI가 편리한 설명이었는지는 발표문만으로 구분되지 않는다. 이때 필요한 질문은 하나다. AI를 빼면 그 결정을 어떻게 설명할 것인가.
단계 3 — 문장을 스택 언어로 번역
마지막은 번역이다. ‘AI가 이 업무를 처리한다’는 문장을 아래 네 칸으로 옮겨 본다.
- 어떤 모델이 어떤 입력을 받아 어떤 형식으로 출력하는가
- 그 출력을 검증하는 규칙은 무엇인가
- 실제 데이터는 어느 API·DB에서 오고 갱신 주기는 얼마인가
- 모델이 틀렸을 때 어떤 경로로 되돌리는가
네 칸이 채워지면 그건 시스템이고, 안 채워지면 그건 서사다. 이 번역은 보고서든 벤더 제안서든 사내 기획안이든 그대로 적용된다.
서사와 스택의 거리
| 비교 항목 | 머릿속 AI 서사 | 실제 기술 스택 |
|---|---|---|
| 구성 | 자의식·범용 지능·전환점 | 신경망, 벡터 DB, 시맨틱 서치 등 십여 개 기술 조합 |
| 잘하는 일 | 무엇이든 (경계 없음) | 멀티미디어를 텍스트로 바꿔 코드로 다루기 |
| 비용 구조 | 언급되지 않음 | 모델 10%, API·DB·실시간 데이터·자동화 90% |
| 실패 처리 | 다음 버전이 해결 | 검증 규칙과 폴백 경로를 사람이 설계 |
| 말하는 주체 | 인프라 판매자와 이를 옮기는 매체 | 배포를 맡은 현장 기술자 |
Eli가 LLM(대형 언어 모델, 문장을 확률적으로 이어 붙여 생성하는 모델)을 통째로 부정하지는 않는다는 점은 짚고 갈 필요가 있다. 그가 인정하는 강점은 분명하다. 음성·영상·이미지·문서 같은 비정형 자료를 텍스트로 바꿔 놓으면, 그 다음부터는 평범한 코드로 분류하고 검색하고 조건 분기를 걸 수 있다. 지금까지 사람이 눈으로 읽어야만 처리되던 입력이 프로그래밍 가능한 대상이 된 것이다. 그가 보는 향후 10년의 키워드가 AI가 아니라 automation, 즉 사람이 하던 작업 흐름의 시스템화인 이유다.
같은 도입이라도 출발점이 어디냐에 따라 결과가 갈린다.
| 비교 항목 | AI를 앞세운 도입 | 자동화로 설계한 도입 |
|---|---|---|
| 출발점 | 확보된 예산과 도입 발표 | 반복되는 수작업 한 가지 |
| LLM의 역할 | 판단·의사결정까지 위임 | 비정형 입력을 구조화된 값으로 변환 |
| 나머지 구성 | 벤더 플랫폼에 위임 | 기존 API·DB·스크립트로 직접 구성 |
| 벤더 종속 | 높음 (교체 시 재구축) | 낮음 (변환 단계만 교체) |
| 버블 붕괴 시 | 워크플로우 전체가 중단 | 변환 단계만 대체하면 유지 |
오른쪽 열이 Eli가 말한 10대 90 구조의 실제 모습이다. LLM은 시스템의 심장이 아니라 입구에 놓인 부품 하나다. 부품이 비싸지거나 사라져도 파이프라인 전체가 멈추지는 않는다.
지금 할 일 두 가지
첫째, AI 주장 평가 카드를 만들어 쌓는다. 노트 도구 하나를 정해 템플릿을 만들고, 새로운 AI 주장을 볼 때마다 네 줄을 채운다. (1) 화자가 GPU·클라우드 등 인프라 판매자인가 (2) IPO나 매출 목표가 걸려 있는가 (3) 같은 말을 현장 기술자도 하는가 (4) 이 주장을 스택 언어 네 칸으로 번역하면 무엇인가. Hassabis의 싱귤래리티 발언, Zuckerberg의 속도 발언, Spiegel의 감원 설명처럼 이미 나온 사례를 먼저 카드로 만들어 두면 기준선이 생긴다. 판단이 빨라지는 게 아니라 판단이 기록으로 남는다는 점이 핵심이다.
둘째, 업무 하나를 골라 10대 90 구조로 PoC를 짠다. 지금 반복하는 작업 중 입력이 비정형인 것 하나를 고른다. 회의 녹음, 영수증 사진, 고객 문의 메일 같은 것들이다. LLM 호출은 딱 한 단계로 제한한다. 자연어 입력을 API가 받을 수 있는 파라미터로 바꾸는 변환이다. 나머지 조회·계산·저장·알림은 기존 API와 스크립트로 짠다. 이 구조면 모델을 바꿔도 고칠 곳이 한 군데뿐이고, 모델 없이 수동으로 값을 넣어도 파이프라인이 돌아간다.
여기에 하나를 더 붙일 수 있다. 붕괴 시나리오를 가정한 리스크 문서다. 현재 AI 예산·인력·인프라가 어느 벤더에 얼마나 묶여 있는지 적고, 벤더 다변화 경로와 오픈웨이트 모델(가중치가 공개되어 자체 서버나 로컬 장비에서 돌릴 수 있는 모델) 백업, 자동화·기존 시스템으로의 폴백 순서를 정해 둔다. 영상은 16GB 램에서 돌아가는 구글의 로컬 모델과 중국 기업들의 오픈웨이트 모델을 후보로 언급한다. 이 문서가 실제로 필요해질지는 확정할 수 없다. 다만 만드는 비용이 반나절이고 필요해졌을 때의 비용은 그보다 훨씬 크다.
뉴스 소비 경로도 한 겹 걸러진다. Eli는 벤더 자체 팟캐스트와 개발자 커뮤니티 채널을 직접 듣고, Ed Zitron처럼 재무 수치를 스프레드시트로 뜯는 분석을 함께 보라고 권한다. 헤드라인 매체 하나에 의존하면 서사만 반복해서 들어오기 때문이다.
붕괴 이후의 시간표
Eli의 결론은 단호하다. 회복 시점은 이미 지났고 남은 것은 언제 무너지느냐뿐이며, 닷컴 이후처럼 붕괴 뒤 수년간 과소투자가 이어지는 시기가 올 수 있다는 것이다. 이 부분은 예측이므로 맞는지 확인할 방법이 없다. 다만 예측이 빗나가더라도 손해가 나지 않는 준비는 있다.
그가 그린 그림에서 진짜 자산은 모델이 아니라 워크플로우다. 어떤 업무가 어떤 순서로 흐르고, 각 단계에서 무엇이 입력되고 무엇이 검증되는지 문서로 남긴 조직은 모델이 비싸지든 싸지든 그 지도를 계속 쓴다. 반대로 벤더 플랫폼 위에 업무 흐름을 통째로 얹은 조직은 가격 정책이 바뀔 때마다 처음부터 다시 짠다. 버블의 승패보다 이 차이가 더 오래 남는다.
정리하면 이렇다. 예산이 유스케이스를 앞지른 상태가 지금 현장의 증상이고, Eli는 그 원인을 서사와 스택의 간격에서 찾는다. 모델 10%·나머지 90% 구조로 시스템을 나눠 두면 붕괴 시나리오가 오든 오지 않든 고쳐야 할 범위가 한 단계로 줄어든다. 오늘 할 일은 시점을 맞히는 예측이 아니라 교체 가능한 설계다.
원문 출처
원문: 영상 원문 보기 — “AI Bubble: Singularity is garbage | Eli the Computer Guy”, The Tech Report