이 글은 기업이 범용 프런티어 AI 모델을 매 호출마다 빌려 쓰는 방식에서 벗어나, 자사 데이터·도구·평가 기준으로 훈련한 오픈소스 전문 모델을 소유해야 한다고 주장한다. 특히 전자상거래 카탈로그 검수 실험에서 GRPO로 미세조정한 90억 파라미터 오픈소스 모델은 최고 프런티어 구성보다 더 높은 정확도를 보이면서도, 비용은 1,000건당 0.50달러로 크게 낮췄다. 핵심은 자주 반복되고 결과를 명확히 채점할 수 있는 업무라면, 강화학습을 통해 회사만의 판단 기준을 모델 가중치에 축적할 수 있다는 점이다.

1. 기업 AI 성과가 갈린 이유

ChatGPT가 2022년에 등장한 뒤 기업들은 꾸준히 "AI가 우리 회사에 무엇을 해줄 수 있는가?"를 물어왔다. 초기 활용은 문서 요약, 이메일 초안, 사람이 다듬을 첫 번째 초안 작성처럼 위험이 낮은 업무에 집중됐다. 이후 소프트웨어 개발과 콘텐츠 생성 같은 더 가치 높은 지적 업무로 확장됐고, 궁극적으로는 사내 지식·데이터·도구와 연결되어 업무를 조율하고 일부 사업 운영까지 자율적으로 수행하는 이른바 '회사 두뇌(company brain)'를 만들려는 시도까지 이어졌다.

하지만 AI 도입에 시간과 비용, 토큰 사용량이 막대하게 투입됐음에도 대다수 기업은 대규모로 측정 가능한 성과를 내지 못했다. 반면 조직 자체를 AI 우선(AI-first) 방식으로 전환한 일부 기업은 생산성, 매출, 비용에서 큰 개선을 얻었다. 2026년 7월에 공개된 Ramp 데이터에 따르면, 2022년 11월부터 2025년 12월까지 AI 지출 상위 25% 기업은 매출이 2배 이상 늘었지만, AI에 전혀 지출하지 않은 기업의 매출 증가는 약 15%에 그쳤다.

"같은 3년, 같은 경제 상황에서도 AI를 가장 많이 도입한 기업은 매출을 두 배 이상 늘렸고, AI에 전혀 쓰지 않은 기업은 약 15% 성장했다."

글은 이 차이가 단순히 "좋은 모델을 썼는가"의 문제가 아니라, AI를 업무 구조와 운영 방식에 깊게 결합했는지에 달려 있다고 본다.

2. AI 우선 기업이 공통으로 실행한 다섯 가지

연구 결과를 바탕으로 글은 AI 성과를 내는 기업들이 주로 다섯 가지 방향에서 차이를 만든다고 설명한다.

업무 과정 자체를 재설계하기

AI를 기존 인력 중심 프로세스에 억지로 추가하는 것만으로는 충분하지 않다. 무엇을 승인할지, 누가 어떤 결과를 검토할지, 어느 단계에 사람이 개입해야 하는지까지 다시 설계해야 한다. 업무 흐름이 그대로라면 기존의 병목이 AI의 생산성 향상을 흡수해 손익에 반영되지 않는다.

McKinsey의 2025년 생성형 AI 활용 조직 조사에서는 업무 흐름 재설계가 EBIT(이자·세전이익) 영향과 가장 높은 상관관계를 보였지만, 실제로 하나라도 업무 흐름을 재설계한 조직은 21%에 불과했다.

실험을 장려하기

모델, 도구, 모범 사례는 매주 바뀐다. 따라서 지난 분기에 가장 좋았던 방식이 지금도 최선이라는 보장은 없다. 기업은 단지 결과물을 빨리 배포하는 사람뿐 아니라, 새 방법을 시도하고 실패를 공유하는 사람에게도 보상해야 한다. 특히 여러 부서에서 반복되는 문제를 가장 먼저 발견하는 기술 조직이 실험의 출발점이 되기 좋다.

회사 특유의 맥락을 제공하기

프롬프트 엔지니어링과 검색증강생성(RAG)은 호출 순간에 회사 정보를 모델에 주입할 수 있다. 그러나 이를 제대로 하려면 데이터 접근 권한 관리, 적절한 근거를 찾아오는 검색 시스템, 컨텍스트 창 관리가 필요하다. 컨텍스트가 길어진다고 모델이 모든 정보를 균등하게 잘 활용하는 것도 아니다.

사용량과 실제 효과를 측정하기

결국 CFO는 "이 AI 비용이 무엇을 바꿨고, 그만한 가치가 있었는가?"를 묻게 된다. 그러나 많은 AI 도입 사례에서는 모델 성능, 의사결정 비용, 업무 효율 변화 등을 추적할 인프라가 부족하다. 자기보고식 시간 절감 효과도 실제 측정치보다 과장되는 경우가 많다.

"자체 데이터에 대한 점수 기반 평가가 없다면, 할 수 있는 주장은 결국 '느낌상 좋아 보인다'는 평가에 머문다."

강화학습 기반 오픈소스 미세조정으로 전환하기

글이 제시하는 핵심 해법은 오픈소스 모델을 회사 고유 업무 데이터와 강화학습으로 훈련하는 것이다. 이것은 특히 맞춤형 맥락 제공, 성과 측정, 대규모 운영 비용 문제를 해결하는 데 집중한다. 회사만 가진 데이터·도구·업무 절차를 모델의 학습 대상으로 만들면, 어떤 외부 API도 그대로 따라 하기 어려운 전문성을 확보할 수 있다는 주장이다.

3. '지능을 소유한다'는 의미

글에서 말하는 지능 소유(ownership of intelligence)는 ChatGPT나 Claude 구독을 모두 끊으라는 뜻이 아니다. 오히려 자동화의 시작은 프런티어 모델을 활용하는 것이 맞다고 본다. 프런티어 모델은 기술적으로 가능한 수준을 빠르게 확인하게 해주고, 업무 입력·모델 판단·사람의 수정 기록을 축적해 이후 전문 모델 훈련에 필요한 데이터를 만든다.

다만 프로토타입 단계를 지나 대량 운영으로 들어가면 우선순위는 달라진다. 이때는 호출당 비용과 일관된 성능이 중요해지므로, 특정 업무를 맡는 작고 저렴한 전문 모델이 유리하다. 범용 프런티어 모델은 전문 모델에 사내 지식이 필요한 하위 업무를 넘길 수 있고, 반대로 전문 모델은 폭넓은 일반 지능이 필요한 일만 프런티어 모델에 요청하는 하이브리드 구조도 가능하다.

모델은 다음과 같은 순환을 통해 회사 환경을 배운다.

1. 모델이 회사의 도구와 데이터에 접근해 업무를 수행한다.
2. 정답 기준표 또는 평가 루브릭이 결과를 채점한다.
3. 점수가 보상 신호가 되어 모델 가중치를 업데이트한다.
4. 이를 수만 건의 업무 사례에서 반복한다.
5. 회사 고유의 판단 방식은 모델 가중치에 축적하고, 가격·재고·정책처럼 자주 바뀌는 사실은 도구와 데이터베이스에 남긴다.

"프롬프트에 넣은 업무 지식은 매 호출마다 빌리는 것이고, 훈련된 업무 지식은 한 번 사서 모델 가중치 안에 남기는 것이다."

4. 이미 나타난 산업별 전문 모델 사례

글은 이 방식이 이론이 아니라 여러 산업에서 이미 활용되고 있다고 강조한다. 공통 구조는 프런티어 모델로 기준선을 만들고, 그 과정에서 얻은 데이터와 평가 기준으로 오픈소스 모델을 강화학습해 특정 업무에서 더 뛰어난 전문 모델을 만드는 것이다.

Bridgewater Associates의 투자 문서 판단

대형 헤지펀드 Bridgewater는 기사, 공시, 이메일을 검토하면서 투자 논지와 관련 있는 문서인지, 어디부터가 관행적·상투적 문장인지 판단해야 한다. 여기서 '관련성'은 일반적인 의미가 아니라 Bridgewater 내부 투자 전문가의 판단 기준을 뜻한다.

프런티어 모델에 프롬프트를 아무리 정교하게 주어도 이 기준을 안정적으로 내재화시키지 못하자, 회사는 자사 투자 전문가의 라벨을 사용해 오픈소스 모델을 훈련했다. 그 결과 훈련된 모델은 최고 프런티어 모델보다 실수를 약 30% 적게 하면서 추론 비용도 훨씬 낮췄다.

Harvey의 법률 에이전트

법률 AI 기업 Harvey는 거래 실사와 법률 메모 작성처럼 여러 단계를 길게 거치는 업무를 다룬다. 대량의 문서를 탐색해야 하고, 초반의 작은 오류가 뒤 단계에서 누적되기 때문에 최고 수준의 프런티어 모델도 품질 기준을 넘기기 어려웠다.

Harvey는 오픈 웨이트 모델에 강화학습을 적용했고, 자사 평가 기준에서 GPT-5.5와 Claude Opus 4.8을 모두 능가하는 법률 에이전트를 만들었다고 보고했다.

Intercom의 고객지원 모델 Fin Apex

고객지원 플랫폼 Intercom의 AI 에이전트 Fin은 매주 약 200만 건의 고객 문제를 해결한다. 이런 규모에서는 프런티어 모델의 호출당 과금이 빠르게 누적되며, 문제 해결률이 조금만 높아져도 사업적 효과가 크다.

Intercom은 수십억 건의 고객지원 상호작용 데이터로 수직 특화 모델 Fin Apex를 후훈련했다. 회사는 이 모델이 최고 프런티어 모델보다 더 많은 문제를 해결하면서도 운영 비용은 더 낮다고 밝혔다.

그 밖에도 소프트웨어 개발, 통신 고객센터, 채용 매칭, 의료 코딩, 전화 상담, 이메일 지원, 검색, 범죄기록 분류 등 다양한 영역에서 비슷한 흐름이 확인된다고 글은 정리한다.

5. 카탈로그 무결성 업무가 중요한 이유

글의 핵심 실험은 전자상거래 플랫폼의 상품 카탈로그 무결성(catalog integrity) 관리다. 플랫폼은 모든 상품 등록 정보가 올바른 분류 체계에 들어가도록 해야 하며, 검색·필터·추천·운영에 필요한 속성도 이미지와 설명에서 정확히 추출해야 한다.

잘못 분류된 상품은 고객이 찾기 어려워지고 추천 품질도 떨어진다. 정책 위반 상품이나 위조품을 놓치면 고객과 브랜드가 사기 위험에 노출된다. 반대로 정상 판매자를 과도하게 차단하면 검토 대기열과 판매자 불만이 커진다.

"위조품을 놓치면 고객과 브랜드를 사기에 노출시키고, 과도하게 신고하면 비용이 큰 검토 대기열을 만들며 정상 판매자를 좌절시킨다."

업무 규모도 매우 크다. eBay에는 약 25억 개의 활성 상품 등록이 있고, Shopify 카탈로그에는 하루 1,000만 건 이상의 상품 변경이 유입된다. Walmart는 AI 지원 카탈로그 작업을 사람만으로 처리했다면 현재 인력의 약 100배가 필요했을 것이라고 밝힌 바 있다.

상품 정보 오류는 매출에도 직접 영향을 준다. 설문 결과, 소비자의 71%는 상품이 등록 정보와 달라서 반품한 경험이 있다고 답했다. 동시에 검수 자체의 비용도 크다. 글은 중간 규모 마켓플레이스가 하루 약 1,000만 건의 상품 생성·수정 작업을 처리한다고 가정할 때, 프런티어 모델만 이용하면 연간 비용이 약 5억 달러에 이를 수 있지만, 미세조정 전문 모델은 약 1,000만 달러 수준에서 같은 작업을 수행할 수 있다고 설명한다.

Shopify 역시 하루 약 4,000만 건의 추론을 위해 미세조정 오픈 모델을 사용하며, 상용 API로는 이런 규모를 경제적으로 감당하기 어렵다고 언급했다.

6. 디지털 트윈으로 재현한 카탈로그 검수 환경

저자들은 실제 전자상거래 플랫폼과 유사한 디지털 트윈 환경을 만들었다. 모델이 단순히 답을 생성하는 것이 아니라 실제 업무처럼 도구를 호출하고, 실수하고, 평가받고, 다시 학습할 수 있게 하기 위해서다.

기본 데이터는 Amazon Berkeley Objects 데이터셋의 실제 상품 이미지와 등록 정보였다. 이를 바탕으로 총 177,767개 검수 에피소드를 구성했다. 각 에피소드에는 상품 이미지, 제목, 설명, 주장된 브랜드, 지역 정보가 포함된다. 또한 정책 위반 사례, 이미지와 설명이 맞지 않는 사례, 브랜드 주장 충돌, 그리고 위반처럼 보이지만 실제로는 정상인 어려운 음성 사례까지 의도적으로 넣었다.

모델은 다음과 같은 도구를 사용한다.

• 약 13,000개 상품 카테고리에서 적절한 분류를 찾는 search_taxonomy
• 브랜드가 등록됐는지와 보호 대상인지 확인하는 lookup_brand
• 선택한 카테고리에 필요한 속성 목록을 불러오는 get_attribute_schema

예를 들어 "검은색 PU 코팅 작업 장갑, 사이즈 10, AmazonBasics 브랜드"라는 상품이 들어오면 모델은 작업용 안전장갑 카테고리를 검색하고, 브랜드 상태를 확인하고, 색상·소재·사이즈 같은 속성 스키마를 조회한 뒤, 최종적으로 분류·속성·정책 판정을 구조화된 형태로 제출한다.

평가기는 카테고리 정확도, 속성 정확도, 정책 판단을 점수화하고 불필요한 도구 호출에는 벌점을 준다. 특히 실제 사업 위험을 반영하기 위해 실제 위반을 놓치는 오류의 비용을 오탐의 7배로 설정했다.

"모델은 두 종류의 실수를 비대칭적으로 평가하도록 배운다. 실제 위반을 놓치는 비용은 잘못 경보를 울리는 비용보다 7배 크다."

7. 프런티어 모델의 기준선과 한계

훈련 전 저자들은 GPT-5.5, GPT-5.6-sol, Gemini 3.1 Pro, Claude Opus 4.8, Claude Fable 5 등 다섯 프런티어 모델을 같은 조건에서 평가했다. 모든 모델에는 동일한 이미지, 도구, 평가기, 대화 턴 제한이 제공됐다.

평가는 두 가지 방식으로 이루어졌다.

1. 기본 프롬프트만 제공하는 제로샷 방식
2. 추출 규칙, 조회 절차, 예시를 담은 약 2,800자 길이의 최적화 프롬프트를 추가하는 방식

최적화된 프롬프트는 어느 정도 성능을 높였지만 효과에는 한계가 있었다. 프런티어 모델들의 최적화 점수는 서로 0.1점 이내로 수렴했고, 가장 강한 제로샷 추출기였던 Gemini는 오히려 추가 지침을 받았을 때 개선되지 않았다.

가장 좋은 프런티어 구성의 점수는 달성 가능 최대치의 76.9%였다. 반면 GRPO로 훈련한 90억 파라미터 모델은 87.3%에 도달했다. 이는 최고 프런티어 구성보다 상대적으로 약 13.5% 높은 성능이며, 훈련 전 동일한 9B 기반 모델의 64.2%와 비교하면 약 36% 향상된 수치다.

글은 이 차이를 모델 자체의 일반 지능 격차로 보지 않는다. 프런티어 모델은 매 작업마다 해당 기업의 카테고리 체계, 속성 표기 방식, 정책상 애매한 사례의 처리 원칙을 처음부터 다시 추론해야 한다. 프롬프트로 일부 지식을 압축할 수는 있지만, 점수를 가르는 미묘한 예외 상황을 모두 프롬프트에 열거하는 것은 불가능하다.

또한 긴 지침은 공짜가 아니다. 2,800자 프롬프트는 모델에 따라 입력 토큰 비용을 28~55% 높였으며, 이 비용은 모든 호출에서 계속 발생한다.

8. 500달러 규모의 강화학습 훈련

훈련 인프라는 비교적 작았다. 저자들은 RTX PRO 6000 GPU 두 장을 임대해 한 장으로는 롤아웃, 즉 모델의 실제 업무 수행 시도를 생성하고, 다른 한 장으로는 그래디언트 업데이트를 수행했다. 인프라는 오픈소스 프레임워크인 prime-rl을 사용했다.

전체 훈련은 다음과 같았다.

• 최적화 단계: 1,000회
• 훈련 기간: 약 3일 반
• GPU 비용: 약 500달러
• 기반 모델: 90억 파라미터 오픈소스 모델
• 방식: GRPO 기반 강화학습

모델은 약 250단계, 즉 약 하루 훈련 후 이미 프런티어 모델 성능 구간을 넘어섰다. 이후 단계는 최고 성능을 더 끌어올리기 위한 최적화에 사용됐다. 엄격한 최종 벤치마크에서 모델은 0.626점을 기록해 최대 가능 점수의 87.3%에 도달했다. 훈련 모니터에서는 샘플링 방식 차이로 1,000단계에서 약 0.671까지 올라간 것으로 보였지만, 최종 비교는 더 엄격한 벤치마크 수치인 0.626을 기준으로 한다.

이 과정에서 모델이 배운 것은 단순히 정답 목록이 아니다. 수천 건의 채점된 사례를 반복하면서 카테고리 체계, 내부 도구, 정책, 보상 구조가 서로 어떻게 연결되는지를 학습한다. 범용 모델이 광범위한 문제에 능력을 분산한다면, 전문 모델은 특정 환경의 행동 공간에 집중해 최적의 판단 패턴을 형성한다.

또한 이 체계는 일회성 투자로 끝나지 않는다. 더 강력한 오픈소스 기반 모델이 나오면 같은 훈련 방식을 옮겨 적용할 수 있고, 실제 서비스 중에 쌓이는 모델 판단과 수정 기록은 이후 지도 미세조정 데이터가 된다. 즉 모델, 평가 체계, 데이터가 함께 축적되고 다음 훈련은 더 저렴하고 정교해질 수 있다. 🔁

9. 정확도와 비용을 동시에 얻은 결과

이 실험의 가장 큰 주장는 전문 모델이 품질과 비용 사이의 일반적인 선택지를 깨뜨렸다는 것이다. 보통 비용을 줄이면 품질이 떨어지고, 더 높은 성능을 원하면 프런티어 모델 비용을 감수해야 한다. 하지만 이 사례에서 훈련된 9B 전문 모델은 가장 좋은 성능과 거의 최저 수준의 비용을 함께 달성했다.

핵심 수치는 다음과 같다.

• 훈련된 9B 전문 모델: 1,000개 상품당 약 0.50달러
• 최저가 프런티어 구성(Gemini): 1,000개 상품당 약 19달러
• 최고가 프런티어 구성(GPT-5.5-pro): 1,000개 상품당 약 172달러
• 가장 강한 비교 대상 프런티어 모델: 1,000개 상품당 약 34달러
• 전문 모델은 최고 성능 프런티어 모델 대비 약 68배 저렴
• 가장 저렴한 프런티어 구성과 비교해도 약 40배 저렴
• 가장 비싼 프런티어 구성과 비교하면 약 340배 저렴

훈련된 모델은 같은 9B 기반 모델 대비 약 23포인트의 성능 향상을 보이면서도, 서비스 비용은 동일하게 1,000건당 약 0.50달러였다. Shopify와 비슷한 하루 4,000만 건 규모에서 1,000건당 34달러와 0.50달러의 차이는 연간 약 5억 달러 대 700만 달러의 차이로 이어진다고 글은 계산한다.

"다른 선택지에서는 품질과 비용 사이에서 골라야 한다. 훈련된 전문 모델은 우리가 측정한 최고 점수를 거의 최저 가격으로 제공하며 그 상충 관계를 끝낸다."

10. 어떤 업무가 전문 모델 훈련에 적합한가

글은 모든 업무에 미세조정이 정답은 아니라고 분명히 말한다. 가장 중요한 판단 기준은 두 가지다.

1. 업무가 얼마나 자주 발생하는가
2. 결과가 객관적으로 검증 가능한가

가장 적합한 영역은 빈도가 높고 결과를 검증할 수 있는 업무다. 이 경우 호출당 비용과 오류가 누적되며, 규칙·테스트·평가 기준을 통해 자동으로 결과를 채점할 수 있다. 반대로 드물게 발생하는 업무는 프롬프트를 잘 최적화한 프런티어 모델을 빌려 쓰는 편이 낫다. 결과가 객관적으로 검증되지 않는 업무는 인간 검토자가 계속 참여해야 한다.

변화하는 사실 정보가 문제라면, 업무량과 무관하게 미세조정이 아니라 검색·데이터 조회(RAG)가 해법이다. 가격, 재고, 정책 문서처럼 수시로 바뀌는 내용은 모델 가중치에 박아 넣기보다 외부 도구에서 최신 정보를 가져와야 한다.

다음 조건 중 하나 이상에 해당하면, 글은 해당 업무를 미세조정 후보로 검토할 만하다고 제안한다.

• 업무량이 많아 호출 비용과 오류 비용이 실제 돈으로 누적된다.
• 규칙, 테스트, 루브릭으로 모든 결과를 자동 채점할 수 있다.
• 전문가들이 무엇이 정답인지 대체로 합의한다.
• 이미 유능한 모델이 가끔은 성공하지만 충분히 안정적이지 않다.
• 정답을 우연히 맞히는 방식으로는 통과할 수 없다.
• 추론, 도구 호출, 최종 판단처럼 여러 단계로 이루어진다.
• 회사 고유의 도구, 스키마, 정책을 사용한다.
• 오류 유형별 비용이 서로 다르다.
• 민감한 데이터가 외부 벤더 인프라를 벗어나면 안 된다.

마지막 조건은 성능·비용뿐 아니라 보안 측면에서도 중요하다. 자체 인프라에서 실행하는 모델은 프롬프트와 기록을 외부 AI 벤더에 전달하지 않아도 된다.

"결정을 채점할 수 있다면 모델은 연습할 수 있다. 하지만 결정이 오직 논쟁의 대상일 뿐이라면, 모델은 연습할 수 없다."

11. 부록: 산업 전반에서 확인된 흐름

부록은 기업들이 공개한 자체 수치를 통해, 특화 모델이 프런티어 모델보다 성능·비용·속도에서 우세했던 사례를 정리한다. 모두 기업 자체 발표 수치라는 한계는 있지만, 여러 산업에서 유사한 패턴이 나타난다는 점을 강조한다.

• Cognition: 운영 환경에서 소프트웨어를 작성·수정하는 모델이 표준 코딩 벤치마크에서 GPT-5.5를 앞섰으며, 프런티어급 결과를 더 낮은 서비스 비용으로 제공한다고 밝혔다.
• AT&T: 하루 90만 건의 고객지원 통화를 요약하고 개인정보를 탐지하는 특화 모델이 GPT-4o보다 개인정보 탐지 성능이 17% 높았다. 사기 사례 검토는 GPT-4o와 비슷한 정확도에서 12배 빨라졌다고 보고됐다.
• LinkedIn: 구직자와 채용 공고 매칭 모델이 기존 GPT 모델보다 4% 더 정확했고, GPT-4보다 75배, GPT-4o보다 6배 저렴했다고 밝혔다.
• Ambience Healthcare: 의료 청구 코드 할당 모델이 골드 패널 시험에서 18명의 전문의보다 정확했으며, 기반이 된 프롬프트 방식 o4-mini보다 12포인트 앞섰다고 한다.
• Phonely: 고객 전화 응대 모델이 GPT-4o의 94.7%보다 높은 99.2% 정확도를 기록했으며, 이전 GPT-4o 구성보다 응답이 73% 빨라졌다고 보고됐다.
• OpenPipe: 이메일·지원 티켓 처리 에이전트가 지원 품질 평가에서 OpenAI o3의 50% 대비 93%를 기록했고, 비용은 64배 낮고 속도는 5배 빨랐다고 밝혔다.
• Perplexity Sonar: 출처를 제공하는 검색 질의 응답 모델이 블라인드 사용자 평가에서 GPT-4o와 비슷한 수준을 보이면서, 약 10배 빠른 속도를 제공한다고 주장한다.
• Checkr: 신원 조회의 범죄기록 항목 분류 모델이 어려운 사례에서 GPT-4를 능가했고, 이전 GPT-4 구성보다 5배 저렴하고 30배 빨랐다고 보고됐다.

12. 결론

글의 결론은 명확하다. 반복량이 많고, 정답을 명확히 평가할 수 있으며, 회사 고유의 데이터·도구·정책이 중요한 업무라면 프런티어 모델을 계속 호출하는 것보다 전문 모델을 직접 훈련해 소유하는 편이 유리할 수 있다.

카탈로그 검수 사례에서 저자들은 약 500달러와 며칠의 훈련으로, 최고 프런티어 모델 구성을 넘어서는 성능과 최대 수백 배 낮은 추론 비용을 제시했다. 이는 단순한 비용 절감 기술이 아니라, 회사의 평가 기준과 업무 데이터가 시간이 지날수록 모델 성능으로 축적되는 복리형 경쟁력이라는 메시지다.

"어떤 결정을 계속 빌려 쓸지 묻는 시대는 끝나가고 있다. 이제는 어떤 결정을 더 이상 빌리지 않을지 물어야 한다."