AGI가 온다는 말, 지금 기술 수준에서 뭘 의미하나요

AGI라는 말이 왜 이렇게 애매한가

AGI(범용 인공지능)는 뉴스에 자주 나오지만, 정작 하나로 합의된 정의가 없습니다. 말하는 사람마다 기준이 다릅니다.

• "사람이 하는 지적 업무 대부분을 사람만큼 해내는 시스템"
• "학습하지 않은 새로운 문제도 스스로 풀어내는 시스템"
• "경제적으로 가치 있는 일의 상당 부분을 대체할 수 있는 시스템"

세 정의는 겹치지만 같지 않습니다. 두 번째는 능력에 대한 기준이고, 세 번째는 경제적 영향에 대한 기준입니다. 그래서 "AGI가 언제 오느냐"는 질문에 답이 엇갈리는 건 자연스러운 일입니다. 무엇을 AGI라고 부를지부터 다르기 때문입니다.

이 글에서는 예측을 하기보다, 지금 기술이 실제로 어디까지 왔고 어디가 막혀 있는지를 정리해 보겠습니다.

지금 잘하는 것과 여전히 어려운 것

표에서 아래쪽 세 줄이 AGI 논의의 핵심입니다. 특히 사실 정확성과 스스로 목표를 세우는 능력은 성능을 조금씩 올리는 문제가 아니라 접근 방식 자체가 논쟁 중인 영역입니다.

"잘한다"와 "이해한다"의 간극

현재 모델이 잘하는 방식은 방대한 데이터에서 패턴을 학습해 다음에 올 것을 예측하는 것입니다. 이 방식으로 놀라운 수준의 결과가 나온다는 게 지난 몇 년의 발견입니다.

논쟁은 여기서 갈립니다.

• 한쪽: 이 방식을 계속 키우면 결국 일반적인 지능에 도달한다. 지금까지 규모를 키울 때마다 새로운 능력이 나타났다
• 다른 쪽: 패턴 예측만으로는 채워지지 않는 부분이 있다. 인과 관계 이해, 세계 모델, 실제 경험을 통한 학습 같은 것들이 별도로 필요하다

어느 쪽이 맞는지는 아직 결론이 나지 않았습니다. 다만 실무자 입장에서 확실한 것은 현재 시스템은 자신이 무엇을 모르는지 잘 모른다는 점입니다. 틀린 답을 자신 있게 내놓는 특성이 남아 있고, 이것이 중요한 업무에 그대로 맡기기 어려운 가장 큰 이유입니다.

예측이 자꾸 빗나가는 이유

AGI 도래 시점에 대한 전망은 수십 년 동안 계속 나왔고 계속 빗나갔습니다. 이유는 몇 가지입니다.

• 진보가 균일하지 않다. 어떤 영역은 몇 달 만에 뒤집히고, 어떤 영역은 10년째 제자리입니다
• 벤치마크 통과와 실사용은 다르다. 시험 점수가 올라도 실무 투입은 별개 문제입니다
• 정의가 움직인다. 예전에 AI의 상징이던 과제(체스, 번역, 이미지 인식)는 달성되고 나면 "그건 진짜 지능이 아니다"로 재분류돼 왔습니다
• 제약이 기술 밖에 있다. 연산 자원, 전력, 데이터, 규제, 비용이 실제 확산 속도를 정합니다

그래서 "몇 년 안에 온다/안 온다"는 논쟁은 개인에게 별로 유용하지 않습니다. 어느 쪽이든 지금 해야 할 일은 크게 다르지 않기 때문입니다.

자주 나오는 오해 몇 가지

"모델이 커지면 자동으로 다 해결된다"

규모를 키울 때 성능이 오르는 경향은 관찰돼 왔지만, 모든 능력이 같은 속도로 오르지는 않습니다. 언어 능력이 크게 향상되는 동안에도 사실 정확성 문제는 비례해서 사라지지 않았습니다. 규모만으로 해결되는 문제와 그렇지 않은 문제가 나뉘어 있다는 게 지금까지의 관찰입니다.

"시험을 잘 보면 실무도 잘한다"

각종 시험이나 벤치마크에서 높은 점수가 나온다는 보도가 자주 나옵니다. 그런데 시험은 정답이 정해져 있고 맥락이 짧습니다. 실무는 정답이 없고, 맥락이 길고, 관련자가 여럿이고, 틀렸을 때 책임이 따릅니다. 점수와 실사용 사이의 간극은 생각보다 큽니다.

"AI가 스스로 목표를 세우고 움직인다"

현재 시스템은 사람이 준 목표 안에서 동작합니다. 여러 단계를 이어서 처리하는 방식이 발전하고 있지만, 그것도 사람이 정한 범위 안입니다. 스스로 무엇을 할지 정하는 것과는 다른 층위의 문제입니다.

"이미 사람보다 똑똑하다" 또는 "그냥 자동완성일 뿐이다"

양쪽 다 실제 상태를 설명하지 못합니다. 어떤 과제에서는 사람보다 빠르고 정확하며, 어떤 과제에서는 초등학생도 안 할 실수를 합니다. 능력이 사람과 같은 모양으로 분포하지 않기 때문에, 하나의 잣대로 위아래를 매기는 것 자체가 잘 맞지 않습니다.

무엇을 지켜보면 되나

시점을 예측하는 대신, 흐름을 읽을 수 있는 지표 몇 가지를 두면 유용합니다.

• 사실 오류가 실제로 줄어드는가. 검증 없이 쓸 수 있는 범위가 넓어지는지가 실용성의 핵심입니다
• 긴 작업을 끝까지 해내는가. 여러 단계를 거치는 일에서 중간에 어긋나지 않는지를 보세요
• 비용이 어떻게 움직이는가. 성능이 좋아도 비용이 높으면 확산되지 않습니다
• 물리 세계로 넘어오는가. 로봇 쪽에서 언어 모델 수준의 도약이 나오는지가 큰 분기점입니다
• 규제와 책임 구조가 어떻게 정리되는가. 기술보다 이쪽이 도입 속도를 정하는 경우가 많습니다

이 다섯 가지는 특정 회사의 발표가 아니라 여러 곳에서 공통적으로 관찰될 때 의미가 있습니다.

지금 실용적으로 유효한 태도

1) 능력이 아니라 신뢰도를 기준으로 쓴다

"AI가 이걸 할 수 있나"보다 "틀렸을 때 내가 감당할 수 있나"를 먼저 물으세요. 틀려도 되는 일에는 지금도 충분히 쓸 만하고, 틀리면 안 되는 일에는 검증 절차가 반드시 필요합니다.

2) 검증 가능한 방식으로 쓴다

출처를 확인할 수 있는 형태로 요청하고, 결과를 스스로 대조할 수 있는 범위에서 활용하는 게 안전합니다. 내가 검증할 수 없는 분야일수록 위험이 커집니다.

3) 도구 교체를 전제로 익힌다

특정 서비스의 사용법에 최적화하기보다, "무엇을 자동화하고 어디서 사람이 확인할지" 설계하는 감각을 기르는 편이 오래 갑니다. 서비스는 계속 바뀝니다.

4) 과장과 축소를 둘 다 걸러 듣는다

"곧 모든 게 바뀐다"와 "결국 아무것도 안 바뀐다"는 둘 다 팔기 좋은 이야기입니다. 실제 변화는 그 사이 어딘가에서, 영역마다 다른 속도로 일어납니다.

정리

• AGI는 정의부터 합의되지 않은 개념이라 시점 예측이 엇갈릴 수밖에 없다
• 현재 시스템은 언어 작업에서 실용 수준이지만, 사실 정확성과 자율적 목표 설정에 한계가 있다
• 접근 방식을 키우면 되는지, 다른 게 필요한지는 아직 논쟁 중이다
• 개인에게 유효한 기준은 시점 예측이 아니라 "틀렸을 때의 비용" 이다

AI 분야는 변화가 빠릅니다. 이 글은 큰 흐름을 정리한 것이며, 특정 모델의 성능이나 최신 연구 결과가 필요하다면 해당 기관과 논문의 원문에서 최신 내용을 확인하시기 바랍니다.

함께 읽으면 좋은 글

• AI 때문에 사라진다는 일자리, 실제로 어떤 순서로 바뀌나요
• AI 규제가 강해지면 내 업무는 어떻게 바뀌나요
• AI 도구와 데이터 분석: 활용 가이드
• 2026년 이직 준비를 위한 필독서 BEST 10