AI, 네트워크, 그리고 기계 터크
게시일: 2025년 12월 3일 | 원문 작성일: 2025년 11월 23일 | 저자: Benedict Evans | 원문 보기
요약
추천 시스템의 본질과 LLM이 가져올 변화에 대한 통찰:
- 모든 추천 시스템은 ‘기계 터크’ — 사용자 행동 관찰로 상관관계만 추론해요. 정작 ‘왜’인지는 몰라요
- 콜드 스타트 문제 — 사용자 없으면 추천 불가, 추천 없으면 사용자 안 옴. 진입 장벽이에요
- LLM의 가능성 — ‘이해’ 기반 추천이 가능해요. 이사 준비물 → 주택보험 광고
- ’콜드 스타트를 빌린다’ — 자체 데이터 없이 API로 세계 모델 지식 활용. 게임 체인저예요
기계 터크란 무엇인가
🗒️ 역자 주: ‘기계 터크’의 역사
’기계 터크(The Mechanical Turk)‘는 1770년 헝가리의 발명가 볼프강 폰 켐펠렌이 만든 체스 두는 자동인형이에요. 터번을 쓴 오스만 제국 스타일의 인형이 체스판 앞에 앉아 있고, 아래에 복잡한 기계 장치가 달린 캐비닛이 있었죠.
이 ‘자동인형’은 나폴레옹, 벤자민 프랭클린 등 당대 명사들을 상대로 체스 경기를 펼치며 유럽과 미국을 순회했어요. 하지만 실제로는 정교한 사기였어요 — 캐비닛 안에 체스 고수가 숨어서 인형을 조종하고 있었거든요.
이 역사적 일화 덕분에 ‘기계 터크’는 “겉보기엔 자동화된 것 같지만 실제로는 숨겨진 인간 노동에 의존하는 시스템”을 뜻하는 용어가 됐어요. 아마존이 2005년 출시한 크라우드소싱 플랫폼 이름을 ‘Amazon Mechanical Turk’로 지은 것도 이 때문이에요 — 컴퓨터가 못 하는 작업을 ‘보이지 않는’ 인간 작업자들이 처리해주니까요.
충분한 사용자를 확보한 모든 소비자 인터넷 시스템은 어느 정도 ‘기계 터크(Mechanical Turk)‘가 돼요. 사용자들이 뭘 하는지 관찰하고 거기서 결론을 도출하죠.
아마존은 X를 산 사람이 Y도 살 가능성이 높다는 걸 알아요. 수많은 구매 데이터를 관찰했거든요. 구글 검색의 지배력도 부분적으로는 사람들이 뭘 검색하고, 뭘 클릭하고, 다음에 뭘 검색하는지 관찰한 덕분이에요.
“이건 네트워크 효과이고, 콜드 스타트 문제라는 진입 장벽을 만들어요. 사용자가 없을 때 어떻게 추천과 연결을 제공하고, 그걸 못 하면 어떻게 사용자를 모으나요?”
이건 모든 머신러닝 스타트업의 숙제이기도 해요.
현재 시스템의 한계: ‘무엇’은 알지만 ‘왜’는 모른다
문제는 이 시스템들이 왜 당신이 그걸 봤고, 샀고, 찾아봤는지 진짜로 모른다는 거예요. 그 물건들이 뭔지도 제대로 모르고요.
개의 산책 비유
개는 열쇠를 보면 산책 간다는 걸 알아요. 주인이 열쇠를 들면 산책 나간다는 걸 학습했죠. 하지만 개는 열쇠가 대체 ‘뭔지’는 몰라요.
현재 추천 시스템도 마찬가지예요. 상관관계는 알지만 이유는 몰라요.
아마존에는 거의 10억 개의 SKU(Stock Keeping Unit)가 있지만, 아마존이 그것들에 대해 아는 건 사람이 입력한 메타데이터와 구매 상관관계뿐이에요.
• • •
LLM: ‘무엇’과 ‘왜’ 모두를 이해하다
하지만 LLM은, 최소한, ‘무엇’과 ‘왜’ 둘 다를 자동으로 이해할 수 있다는 점에서 큰 진전이에요.
모델이 텍스트, 이미지, 영상, 상품과 모든 메타데이터를 보고 이해를 바탕으로 한 패턴을 찾을 수 있어요 - 아니, 적어도 훨씬 더 다양한 종류의 상관관계를 발견할 수 있죠.
| 특징 | 기존 추천 시스템 | LLM 기반 시스템 |
|---|---|---|
| 접근 방식 | 사용자 행동 관찰 | 내용 이해 + 행동 관찰 |
| 이해 수준 | 상관관계만 파악 | ’무엇’과 ‘왜’ 모두 이해 |
| 추론 능력 | 포장 테이프 → 뽁뽁이 | 포장 테이프 → 주택보험 |
| 콜드 스타트 | 자체 데이터 필수 | 세계 모델 지식 활용 가능 |
구체적인 예: 이사하는 사람
지금 아마존은 포장 테이프를 사면 뽁뽁이를 추천할 줄 알아요. 그리고 그 둘을 사면 전구나 연기 감지기도 추천할 줄 알아야 해요 - 이사하는 거니까요.
하지만 LLM은 더 나아가서 주택보험이나 인터넷 서비스 광고를 보여줄 줄 알 수 있어요. 이건 아마존의 구매 데이터만으로는 추론하기 어려운 거예요.
• • •
“콜드 스타트를 빌린다”
여기서 흥미로운 가능성이 나와요.
“꼭 자신만의 기계 터크를 구축할 필요가 없을 수도 있어요. 이런 종류의 지식이 충분히 일반화된다면, 그건 그냥 세계 모델에 대한 API 호출일 수 있어요. 콜드 스타트를 빌릴 수 있는 거예요.”
아마존이나 틱톡이 자기 플랫폼에서 사람들이 뭘 하는지 관찰해서 추천 시스템을 구축한 반면, 이제는 누구든 범용 LLM의 추론을 자기 제품에 연결해서 대체할 수 있어요.
인간이 루프에 들어가는 지점의 변화
사람이 개입하는 지점(human in the loop)이 바뀌는 거예요. 이제 인간의 개입은 지난 수백 년간 축적된 훈련 데이터가 만들어지는 과정으로 옮겨갔어요. 레버리지 포인트가 이동하는 거죠.
틴더의 교훈
틴더는 급진적으로 단순한 방식으로 데이팅 산업을 바꿨어요. 그리고 이제 또 다른 방식으로 문제를 우회하려 해요 - 앱이 당신의 사진을 AI로 분석해서 매칭하는 거죠.
새로운 사용자 플로우는 가능한 한 고통 없이 충분한 아이디어를 던지고 선택지를 안내해서 매칭을 시작할 수 있어야 해요.
핵심 질문
이 모든 게 하나의 질문으로 귀결돼요:
“LLM이 검색과 추천 시스템의 품질에 얼마나 큰 변화를 가져올 수 있을까요? 자체적인 거대한 사용자 기반 없이도 좋은 시스템을 구축할 수 있게 해줄까요?”
아직 확실한 답은 없어요. LLM이 진짜로 ‘이해’하는 건지, 아니면 매우 정교한 수준의 패턴 매칭인지는 근본적인 질문으로 남아있어요.
하지만 분명한 건, 추천 시스템과 네트워크 효과에 대한 우리의 기존 가정들이 재검토되어야 한다는 거예요. “콜드 스타트를 빌린다”는 개념이 현실이 된다면, 빅테크의 데이터 해자(data moat)는 생각보다 얕을 수 있어요.
저자 소개: Benedict Evans는 전 Andreessen Horowitz 파트너로, 테크 산업의 거시적 트렌드를 분석하는 것으로 유명해요. 매년 두 차례 발표하는 프레젠테이션은 업계 필독 자료로 꼽히고, 최근 “AI eats the world” (2025년 11월) 덱을 발표했어요.
참고: 이 글은 추천 시스템의 작동 원리와 LLM이 가져올 잠재적 변화를 다뤄요. “기계 터크”는 사용자 행동 데이터를 활용한 자동화 시스템을 비유적으로 표현한 거예요. 핵심 인사이트는 LLM이 “콜드 스타트를 빌리는” 것을 가능하게 해서 기존 네트워크 효과의 진입 장벽을 낮출 수 있다는 점이에요.
원문: AI, networks and Mechanical Turks - Benedict Evans (2025년 11월 23일)
생성: Claude (Anthropic)