대규모언어모델(LLM)의 완전 자율화에는 현재 아키텍처에 구조적 한계가 있다는 분석이 나왔다. 대부분의 영역에서 LLM은 성인 사용자가 감독할 때 빠르고 효과적인 ‘유능하지만 혼자 일은 맡기기 어려운 인턴’처럼 보일 것이라는 주장이다.
LLM 자율화가 어려운 이유
9월 16일 dank.systems에 게재된 분석은 기업 대부분이 완전 자율형 AI를 도입하지 못하는 이유가 기술 확산의 지연이나 사용자의 숙련도 부족이 아니라 현재 아키텍처에 내재한 구조적 문제 때문이라고 진단했다. 분석은 완전 자율형 LLM을 받아들일 수 있는 기업을 세 부류로 나눌 수 있다고 제시했지만, 해당 발췌문에서는 각 부류의 구체적인 명칭을 밝히지 않았다.
이 가운데 첫 번째와 두 번째 부류는 비용에 민감하고, 저가 모델에서 프런티어 모델로 바꿀 때 얻는 추론 능력 향상이 반드시 필요한 기업은 아닐 가능성이 크다고 분석은 설명했다. 이런 기업에는 값싼 하드웨어에서 구동하는 오픈 모델, 사용 현장에서 직접 실행하는 로컬 모델이 더 적합할 수 있다는 것이다. 첫 번째와 세 번째 부류에서 수학·보안 연구의 성과를 낳은 퍼지 조합 탐색은 추론 능력보다 에이전트형(agentic) 시스템의 ‘스웜’ 폭에 더 민감할 수 있다는 가설도 제시됐다. 2026년 봄 과열을 이끈 미토스(Mythos) CVE를 소형 오픈 모델들이 재현한 사례가 근거로 언급됐다.
세 번째 부류의 기업은 프런티어 모델을 계속 사용할 수도 있지만, 이들의 업무가 딥시크(DeepSeek) V4.1 플래시 같은 저가 모델로 처리될 수 없는지는 분명하지 않다고 분석은 덧붙였다. 여러 모델을 넓게 병렬 운용하는 방식이 가능하다면 비용이 낮은 모델을 선택할 유인이 더 커진다는 설명이다. 이 부류의 기업은 지식재산에 매우 민감해 앤트로픽(Anthropic)이나 오픈AI(OpenAI)에 업무를 보내는 것을 반기지 않을 가능성도 제기됐다. 사용자 데이터를 학습에 쓰지 않는다는 약정이 있더라도 핵심 정보를 외부 업체에 넘기는 부담은 남는다는 취지다.
프런티어 AI와 데이터센터 수요의 전망
분석은 프런티어 AI 연구소의 경쟁력이 약해지더라도 데이터센터에 대규모 연산 자원을 투입하는 시나리오는 유지될 수 있다는 반론을 소개했다. 다만 사람이 개입하지 않는 ‘천재들로 가득한 데이터센터’는 소비할 수 있는 연산량만큼 자율적으로 움직이는 반면, 여러 저성능 모델을 묶은 ‘브레인릿 스웜’은 인간 조정자에 의해 크게 제한될 것이라고 비교했다. 이에 따라 AI 확산의 파급 범위가 프런티어 연구소를 넘어설 수 있다는 것이 분석의 개인적 전망이다.
결국 LLM의 성능이 계속 높아지더라도 모든 기업이 사람 없이 업무를 맡기는 방향으로 전환하지는 않을 것이라고 봤다. 비용에 민감한 기업은 값싼 오픈 모델과 넓은 병렬 운용을 택할 수 있고, 보안과 지식재산을 중시하는 기업은 외부 프런티어 모델 의존을 줄일 수 있다는 관측이다. 다만 완전 자율화가 가능한 세 부류의 구체적 범위와 상용 도입 일정, 가격 전망은 제시되지 않았다.