인터넷 데이터가 바닥난 2025년, GPT-5.2는 어떻게 학습했을까요? 합성 데이터와 폐쇄적 데이터 확보를 통한 AI 기업들의 은밀한 생존 전략과 실무 대응법을 지금 확인하세요.
2024년 초, “2년 안에 학습 데이터가 바닥날 것”이라던 경고는 2025년 말 현재 현실이 됐습니다. 인터넷에 공개된 텍스트 중 AI 모델이 학습하기에 적합한 고품질 데이터는 이미 씨가 말랐습니다. 인류가 쌓아온 지식의 총합은 이미 모델들의 뱃속으로 다 들어간 셈입니다.
AI 기업들의 행보는 여기서부터 갈립니다. 겉으로는 평온해 보이지만 수면 아래에서는 남들이 갖지 못한 특수 데이터를 확보하기 위한 치열한 확보 경쟁이 벌어지고 있습니다. 기업의 비밀 장부를 탐내거나 가짜 데이터를 진짜처럼 속여 먹이기도 하죠. 2025년 12월 현재, AI 경쟁의 구도는 모델 구조가 아니라 누가 더 은밀한 데이터를 많이 쥐고 있느냐로 결정되는 모양새입니다.
지식 암시장의 탄생과 폐쇄적 데이터의 가치
구글링으로 긁어모은 데이터로 모델을 학습시키는 시대는 끝났습니다. 오픈AI가 최근 생명 과학 진단 업체 레비(Revvity)나 회계 소프트웨어 기업 지로(Xero)와 비밀리에 접촉한 사실은 시사하는 바가 큽니다. 전문가의 노하우가 담긴 회계 장부, 임상 시험 데이터, 기업의 내부 소스 코드 같은 폐쇄적 데이터가 필요하기 때문입니다.
이런 데이터들은 일종의 지식 암시장에서 거래되기 시작했습니다. 폐업 위기에 몰린 기업의 소프트웨어 전체를 수만 달러에 통째로 사들이는 튜링(Turing) 같은 기업이 성행하는 이유입니다. 자동차 판매점이나 반려동물 서비스 업체까지 자신들의 고객 데이터를 AI 기업에 팔겠다며 줄을 서고 있더군요. 데이터 저작권 이슈가 강화되면서 무단 크롤링이 막히자, 합법적으로 남의 집 안방을 들여다볼 권리를 돈 주고 사는 셈입니다.
현장 전문가들은 이제 라벨러(Labeler)라는 표현 대신 튜터(Tutor)라는 말을 씁니다. 단순 반복 작업이 아니라 박사급 인력들이 AI에게 어려운 질문을 던지고 직접 모범 답안을 써주는 방식이죠. 데이터의 양이 아니라 밀도로 승부하는 단계에 진입했습니다.
모델 붕괴를 뚫어낸 합성 데이터의 역설
데이터가 없으면 직접 만들어서라도 먹여야 합니다. 구글 딥마인드의 데미스 허사비스가 언급한 합성 데이터(Synthetic Data)가 대안으로 떠올랐습니다.
AI가 스스로를 가르치는 셀프 학습의 실체는 이렇습니다. 고성능 모델이 수학적 증명이나 코딩 알고리즘 같은 정답이 명확한 문제를 생성합니다. 검증 모델(Verifier)이 이 답변의 오류를 걸러낸 뒤, 양질의 데이터만 골라 차세대 모델의 학습 데이터셋에 주입하는 과정을 거치죠. 인간 데이터는 수집에 물리적 한계가 있지만, 합성 데이터는 이론상 무한대로 생성이 가능하며 특정 분야에 극도로 집중된 학습이 가능합니다.
오픈AI의 갈릭(코드명 GPT-5.2)은 이 합성 데이터를 활용해 제미나이 3에 내줬던 수학 및 코딩 리더보드 1위 자리를 되찾았습니다. 인간 전문가 수천 명을 고용하는 것보다 비용은 80% 이상 저렴하면서도 학습 속도는 3배 이상 빨라졌더군요. 창의성이나 감수성이 필요한 영역에 합성 데이터를 무분별하게 쓰면 답변이 획일화되는 모델 붕괴(Model Collapse) 현상이 발생하지만, 정답이 존재하는 영역에서는 강력한 힘을 발휘합니다.
구글의 데이터 철옹성과 아마존의 인프라 반격
구글은 여유롭습니다. 수십 년간 전 세계인의 검색 의도와 학술 자료, 특허, 코드 저장소를 확보해온 구글에게 데이터 고갈은 남의 나라 이야기일 뿐입니다. 제미나이 3가 멀티모달 영역에서 높은 성능을 보여준 배경에는 이런 방대한 전문 데이터의 힘이 컸습니다. 허사비스가 “아직 어떤 제약도 보지 못했다”라고 자신 있게 말한 근거이기도 합니다.
데이터 열세에 놓인 아마존은 전략을 틀었습니다. AGI 조직을 클라우드 전문가 피터 데산티스 아래로 배속시키고, 자체 칩인 트레이니엄(Trainium) 개발 부서와 합쳤더군요. 모델의 지능이 조금 부족하더라도 하드웨어 인프라와 칩 효율로 밀어붙여 비용 경쟁력을 확보하겠다는 계산입니다.
마이크로소프트(MS)의 분위기는 긴박합니다. 사티아 나델라 CEO가 조직을 강하게 압박하며 소프트웨어 출시 주기를 6개월에서 6주 단위로 줄였습니다. AI 모델이 완벽해질 때까지 기다리는 게 아니라, 일단 시장에 내놓고 사용자 데이터를 실시간으로 확보하겠다는 의지입니다.
테슬라 FSD 판결이 보여준 데이터의 본질
데이터 경쟁이 과열되면서 부작용도 나타납니다. 최근 캘리포니아 법원이 테슬라의 ‘완전 자율 주행(FSD)’ 명칭에 기만적이라는 판단을 내린 사건을 주목해야 합니다. 아무리 방대한 주행 데이터를 쌓아도 그것을 실제 기능으로 치환하지 못한 채 마케팅으로만 포장하는 시대는 끝났다는 신호입니다.
데이터가 많다고 성능이 정비례하는 시기는 지났습니다. 확보한 데이터를 얼마나 정교하게 분류하고 모델에 주입하느냐는 데이터 오케스트레이션(Data Orchestration) 역량이 핵심입니다. 앤트로픽이 금융 전문가용 모델처럼 특정 분야에 특화된 모델을 내놓으며 실속을 챙기는 것도 같은 이유에서입니다.
실무자를 위한 제언: 양보다 파이프라인에 집중할 것
지금 AI 도입을 고민하는 기업이라면 어떤 모델이 제일 좋으냐는 질문부터 버려야 합니다. 2026년으로 넘어가는 이 시점에서 모델 간의 성능 격차는 매우 좁혀졌으니까요. 기업만이 가진 고유한 데이터를 어떻게 안전하게 정제해서 모델에 학습시킬지, 그 파이프라인을 구축하는 데 예산을 쏟아야 합니다.
당장 모든 데이터를 학습시키려 하지 말고 RAG(검색 증강 생성)를 통해 내부 문서의 정확도를 검증하는 단계부터 시작하십시오. 그 과정에서 걸러진 고품질 데이터만이 향후 자체 모델을 만드는 핵심 자산이 될 겁니다.
1년 뒤, AI 시장은 단순히 똑똑한 챗봇을 만드는 곳과 실제 산업 현장의 문제를 해결하는 전문 에이전트를 보유한 곳으로 갈릴 것입니다. 후자가 되고 싶다면 지금 당장 서버에 잠자고 있는 데이터들의 먼지부터 털어내야 합니다. 데이터를 많이 가진 것이 권력이던 시대는 가고, 데이터를 안전하고 투명하게 요리할 줄 아는 기업이 지배하는 시대가 왔습니다.
함께 읽어볼 만한 가치 있는 리포트
본문 내용과 연결된 심층 분석과 실전 전략이 담긴 관련 콘텐츠를 추천합니다. 함께 읽으시면 통찰의 깊이를 더하실 수 있습니다.
