AI의 다음 1조 달러 시장은 토큰이 아니라 작업 데이터 (x.com) ↗

• 지금까지 AI의 성장을 보여주는 대표 숫자는 모델이 처리한 토큰이었음. 하지만 모델을 실제 업무에 쓸 수 있게 만드는 데이터 시장은 따로 커지고 있음
• Benchmark GP Everett Randle은 이 시장을 Task Economy라고 부름. 인터넷에서 긁은 데이터가 아니라, 전문가가 실제 일을 수행하고 결과를 채점한 데이터가 핵심
• 단순한 데이터 라벨링과 다름. 계약서 검토, 법률 의견서 작성, 고객 응대처럼 맥락이 있는 작업을 전문가가 수행하고, 정해진 기준표로 품질을 검증함
• OpenAI와 Anthropic의 데이터 관련 지출이 전년 대비 10배씩 늘고, AI 애플리케이션과 기업의 개별 작업 예산도 단기간에 1억 달러 이상으로 커질 수 있다는 주장
• Everett Randle이 Benchmark 파트너로서 X에 올린 시장 분석 글. Mercor의 전문가 작업 시간 증가 그래프를 주요 근거로 제시함

토큰과 작업은 무엇이 다른가?

동전을 여러 번 던져 평균을 보는 것처럼, 토큰은 AI가 얼마나 사용됐는지를 빠르게 보여주는 공통 단위임. 사용자가 늘거나, 모델이 더 오래 생각하거나, 에이전트가 장시간 일하면 토큰 수가 올라감.

• 토큰은 주로 AI의 사용량과 추론 비용을 나타냄. 모델이 얼마나 많이 호출됐고, 계산을 얼마나 했는지 보여주는 숫자
• 작업(task)은 AI가 더 잘하도록 훈련시키는 연습 문제에 가까움. 모델에게 처음 상태와 도구를 주고 일을 시킨 뒤, 결과가 좋았는지 채점함
• 예를 들어 법률 AI라면 “이 계약서를 검토하라”는 지시만 주는 게 아님. 실제 법률 자료가 있는 환경에서 작업하게 하고, 변호사가 위험 조항을 제대로 찾았는지 평가함
• 여러 작업의 점수를 모으면 모델이 어떤 행동을 반복하고 어떤 실수를 줄여야 하는지 학습할 수 있음. 이 과정을 강화학습(RL, 시행착오와 점수로 행동을 개선하는 방식)이라고 부름

구분	토큰	작업(task)
측정하는 것	AI 사용량과 계산량	AI가 일을 잘하게 된 정도
주요 입력	질문, 답변, 추론 과정	실제 업무, 환경, 전문가 평가
대표 구매자	모델 API 사용자와 기업	AI 연구소, 애플리케이션 회사, 기업
쉬운 비유	운동을 몇 분 했는가	코치에게 어떤 훈련을 받고 점수를 받았는가

왜 기존 데이터 라벨링보다 비싼 시장인가?

• 예전 데이터 라벨링은 사진 속 사물을 네모 칸으로 표시하거나, 답변에 좋아요와 싫어요를 붙이는 단순 작업이 중심이었음
• Task Economy에서는 사람이 알고 있는 전문 지식과 판단을 데이터로 바꿈. 좋은 답을 쓰는 것뿐 아니라, 왜 좋은지와 어디가 위험한지도 설명해야 함
• 법률에서는 판례를 아는 것과 실제 계약서의 위험을 찾는 일이 다름. 의료, 금융, 소프트웨어, 과학도 마찬가지로 인터넷에 공개된 정보만으로는 현장 업무를 재현하기 어려움
• 따라서 필요한 사람도 단순 작업자가 아니라 변호사, 의사, 회계사, 개발자처럼 특정 분야의 결과를 평가할 수 있는 전문가임
• 작업 하나가 길어지고, 필요한 전문가의 시간당 비용이 높아지며, 여러 명의 교차 검토까지 들어가면 전체 시장 규모가 빠르게 커짐

Mercor가 보여주는 시장 신호는 무엇인가?

• Randle은 AI 전문가 작업 플랫폼 Mercor를 주요 사례로 듦. Mercor는 AI 채용 서비스에서 출발해 모델 훈련과 평가를 위한 전문가 작업 플랫폼으로 확장함
• Randle의 주장에 따르면 Mercor는 2026년 2월 연간 반복 매출 10억 달러에 도달했고, 4개월 뒤 20억 달러까지 늘었음
• AI 연구소뿐 아니라 AI 애플리케이션 회사와 일반 기업도 자기 제품만의 평가 데이터가 필요하다고 느끼기 시작했다는 설명
• 다만 작업 수를 토큰 수처럼 실시간으로 보여주는 공개 지표는 아직 없음. 현재는 Mercor의 분기별 전문가 작업 시간 그래프가 시장 성장의 간접 신호 역할을 함
• 앞으로는 “모델이 몇 토큰을 처리했나”와 함께 “사람의 검토가 필요한 작업을 몇 개 끝냈나”, “작업마다 모델이 얼마나 좋아졌나”를 보게 될 가능성이 큼

이 시장에서 진입장벽은 어디에 생기나?

• 단순히 전문가를 많이 모으는 것만으로는 부족함. 일을 반복 가능한 단위로 나누고, 적합한 사람을 찾고, 결과를 일정한 기준으로 채점해야 함
• 작업 결과를 학습 데이터, 평가 세트, 업무 매뉴얼, 에이전트의 도구 사용 기록으로 다시 연결하는 운영 체계가 필요함
• 법률·의료처럼 규제가 있는 분야에서는 개인정보, 자격 확인, 국가별 계약과 지급, 책임 소재까지 함께 해결해야 함
• 그래서 이 시장의 방어력은 데이터 양 하나보다 “누가 어떤 작업을 했고, 어떤 기준으로 검증됐으며, 다음 모델 개선에 어떻게 쓰였는가”라는 기록에서 생길 가능성이 큼
• Randle은 미래에 AI가 노트북에서 할 수 있는 모든 일을 자동화하려면, 산업별 앱·환경·업무 전체를 다루는 데이터 구축이 필요하다고 봄. 법률, 의료, 금융, 소프트웨어, 과학마다 각자의 작업 시장이 생길 수 있다는 뜻

Task Economy는 기존 데이터 라벨링과 같은 시장인가요?

같은 뿌리를 갖지만 같은 시장으로 보기는 어려움. 단순 분류보다 실제 전문 업무와 품질 판단을 다루므로 작업 단가, 필요한 역량, 책임 범위가 훨씬 커짐.

왜 AI가 일을 자동화하는데 사람의 작업이 더 필요한가요?

자동화하려면 먼저 좋은 결과가 무엇인지 정해야 함. 전문가가 실제 일을 해보고 결과를 채점해야 모델이 업무의 맥락과 예외를 배울 수 있기 때문에, 자동화가 진행될수록 초기에는 사람의 검증 수요가 오히려 커질 수 있음.

1인기업도 Task Economy에 참여할 수 있나요?

가능함. 특정 직군의 업무를 잘 아는 1인기업가는 전문가 검토자, 평가 기준 설계자, 작업 도구 제작자, 또는 자기 업무 데이터로 학습하는 작은 AI 제품의 운영자가 될 수 있음.

1인기업 관점

1인기업이 처음부터 전문가 수천 명을 모을 필요는 없고, 자기 업무에서 반복되는 판단 20개만 골라 정답 기준표를 만드는 것부터 시작하면 될 듯함. usedesktop 같은 제품도 사용자가 어떤 결과를 “통과”로 보는지, 어디서 다시 고치는지를 쌓으면 작은 Task Economy가 되는 셈임. 결국 모델을 잘 고르는 것보다 내 도메인의 작업과 평가 기준을 소유하는 쪽이 더 오래 남지 않나 싶음.

---

관련: RL 시장은 왜 더 커질까와 Satya Nadella가 말한 기업의 학습 루프도 함께 참고하세요.