AI는 도서관을 졸업하고 현장으로 갑니다: 그런데 현장의 데이터는 누구 것인가

이 시리즈의 첫 글은 데이터가 아니라 데이터를 만드는 루프가 해자라고 정리했고, 두 번째 글은 그 루프를 짓는 공학을 다뤘습니다. 이번 글은 두 글을 하나의 문장으로 종합하고, 그 문장이 곧바로 불러오는 어려운 질문 하나에 답합니다.

종합은 이렇습니다. AI는 도서관을 졸업하고 현장으로 갑니다. 도서관에서는 읽었고, 현장에서는 채점받습니다.

그리고 질문은 이렇습니다. 버티컬 현장에 학습 루프를 지어도, 그 루프에서 생성되는 데이터는 고객사 소유입니다. 루프를 지은 회사가 가져갈 수 없다면, 그 모델은 그 고객사만 쓰는 모델이 되는 걸까요. 고객사에서 발생한 데이터는 대체 어떤 경로로 모델의 일반적인 역량 개선에 연결되는 걸까요.

앞부분에서 종합을 사례로 채우고, 뒷부분에서 이 소유권 질문을 메커니즘 수준까지 파겠습니다.

1. 왜 "졸업"인가: 도서관은 상향 평준화됐습니다

먼저 용어를 정확히 하겠습니다. 도서관을 "나온다"가 아니라 "졸업한다"입니다. 웹 텍스트로 쌓은 사전학습은 버려지는 게 아니라 입학 요건으로 상품화된 것입니다. 사전학습 없는 모델은 현장에서 배울 능력 자체가 없습니다.

졸업이라고 부를 근거는 벤치마크 지형에 있습니다. 이번 달 공개된 키미 K3의 성적표를 보면, 대학원급 지식 시험(GPQA)에서는 오픈 모델이 최상위 폐쇄 모델과 사실상 동률입니다(93.5 대 94.1). 그런데 격차는 전부 다른 곳에서 벌어집니다. 실제 직무 산출물을 채점하는 시험(GDPval 계열), 수십 수백 번의 도구 호출이 이어지는 장기 실행 과제입니다. 책으로 배울 수 있는 것은 모두가 비슷해졌고, 값이 매겨지는 차이는 일을 시켜봐야 드러나는 영역으로 옮겨갔습니다.

공급 쪽 사정도 같은 방향입니다. 품질을 보정한 공개 인간 텍스트의 재고는 유한하다는 추정이 있고(고갈 시점 자체는 계속 뒤로 조정되고 있습니다), 프런티어 랩들이 비슷한 코퍼스로 수렴하면서 지식형 성능의 한계 수익이 떨어지고 있습니다. 더 긁는 것보다, 도서관에 없는 것을 배우는 쪽의 수익률이 높아진 것입니다.

2. 현장은 어디이고, 채점기는 무엇인가

"현장으로 간다"를 도메인별로 구체화하면 이렇게 됩니다. 각 현장에는 도서관에 없는 지식이 있고, 그 지식을 라벨로 바꿔주는 고유의 채점기가 있습니다.

현장	도서관에 없는 것	채점기	실제 사례
사무·전문직	업무 절차, 암묵지, 무엇을 기각했는지	전문가 수락·수정, 산출물 검수	하비의 변호사 블라인드 비교, 실제 직무 평가(GDPval)
소프트웨어	살아 있는 코드베이스에서의 판단	테스트·빌드·수락률	커서의 온라인 RL(수락률 28퍼센트 상승)
물리 세계	물리 법칙의 실제 작동	현실 그 자체(주행·충돌·낙하)	테슬라 섀도 모드, 로봇 텔레오퍼레이션
세포·신약	세포가 실제로 어떻게 반응하는가	실험 판독(어세이)	리커전의 자동화 실험실
임상 의료	진료실의 대화와 의사의 판단	의사의 수정, 치료 결과	의료 스크라이브 제품의 수정 루프
공장	공정 변수와 수율의 관계	수율·불량률·설비 데이터	엔비디아와 일본 제조사들의 데이터 협력

두 줄만 짚겠습니다.

물리 세계가 가장 극적입니다. 영상이라는 "도서관"으로 물리를 배운 월드모델(엔비디아 코스모스 계열)은 독립 평가에서 중력가속도를 초당 9.81미터가 아니라 4.2~8.4미터로 추정했습니다. 영상을 아무리 봐도 물리는 근사치로만 배워집니다. 반면 테슬라는 주행이라는 현장에서 사람의 실제 조작을 정답지 삼아 배웁니다. 도서관 물리와 현장 물리의 격차가 숫자로 존재하는 셈입니다.

세포 실험은 "현장을 통째로 소유"한 사례입니다. 리커전(Recursion)은 자동화 실험실을 직접 지어 매주 수백만 건의 세포 실험을 돌리고, 그렇게 쌓은 독점 데이터가 50페타바이트를 넘습니다(회사 소개 기준). 실험 결과가 다음 실험 설계로 되돌아가는 완전한 폐루프입니다. 세포의 반응은 어떤 웹 크롤링으로도 얻을 수 없으니, 실험실 소유가 곧 데이터 소유입니다.

3. 현장으로 가는 두 경로: 모조 현장과 진짜 현장

여기서 중요한 구분이 하나 있습니다. 지금 "현장 학습"이라 불리는 것의 절반은 사실 모조 현장에서 일어납니다.

랩들이 모조 현장을 짓는 이유는 진짜 현장이 느리고, 비싸고, 리셋이 안 되고, 남의 것이기 때문입니다. 키미 K3는 모의 Gmail·노션·슬랙과 세무 감사, 시스템 복제 과제까지 지어 총 5,122만 개의 샌드박스에서 훈련했고, 업스테이지는 실제 기업 업무 흐름 122개를 본뜬 모의 업무환경(오피스버스)을 만들었습니다. 반면 커서와 테슬라는 제품이 곧 현장인 배포면 경로를 갑니다.

그리고 바로 이 지점에서, 서두의 질문이 등장합니다. 경로 B의 현장은 대부분 고객의 것이기 때문입니다.

4. 본론: 고객의 데이터는 어떻게 "모두의 역량"이 되는가

문제를 정확히 놓겠습니다. 엔터프라이즈 계약의 기본값은 "고객 데이터로 학습하지 않는다"입니다. 주요 모델사의 기업용 제품과 API가 그렇고, 커서 같은 도구도 기업 요금제에서는 프라이버시 모드가 기본이자 강제라 코드가 학습에 쓰이지 않습니다. 그렇다면 버티컬 루프를 지은 회사는 대체 무엇을 얻는 걸까요. 답은 네 개의 분리 메커니즘입니다. 데이터 원문이 아니라, 원문에서 분리 가능한 다른 층위들이 국경을 넘습니다.

메커니즘 1. 콘텐츠와 신호의 분리 (계약의 층위)

계약이 막는 것은 대개 콘텐츠(고객의 문서, 코드, 기록)입니다. 그런데 루프가 정말 필요로 하는 것은 콘텐츠가 아니라 신호인 경우가 많습니다. 어떤 제안이 수락됐는지, 몇 번째 후보가 선택됐는지, 어디서 수정이 일어났는지, 작업이 성공으로 끝났는지. 많은 계약이 이런 상호작용 기록을 콘텐츠와 별도의 "서비스 개선용 사용 데이터"로 다룹니다. 무엇이 콘텐츠이고 무엇이 신호인지의 경계선을 계약 단계에서 정교하게 긋는 것 자체가 버티컬 AI 회사의 핵심 설계가 됩니다.

여기에 동의 세그먼트 분할이 더해집니다. 커서가 교과서입니다. 기업 고객은 프라이버시 모드로 완전히 격리하고, 학습 동의가 있는 사용자 트래픽으로만 루프를 돌립니다. 전체 트래픽의 일부만으로도 루프는 돌고, 개선된 모델은 프라이버시 모드 고객을 포함한 전원에게 배포됩니다. 기여는 부분이 하고, 혜택은 전체가 받는 구조입니다. 동의한 세그먼트가 충분히 크고 대표성이 있는 한, 이 비대칭은 성립합니다.

메커니즘 2. 사실과 기술의 분리 (머신러닝의 층위, 가장 중요합니다)

"그 모델은 그 고객사만 쓰게 되는가"라는 질문에 대한 직접적인 답이 여기 있습니다. 답은, 모델이 고객 전속이 되는 게 아니라 두 층으로 갈라진다입니다.

원리는 이렇습니다. 미세조정과 강화학습이 가중치에 새기는 것은 절차와 기술입니다. 계약서에서 독소 조항을 찾아내는 순서, 스프레드시트 오류를 검증하는 방법, 실패한 빌드를 복구하는 절차. 이런 기술은 A은행에서 배워도 B은행에서 그대로 작동합니다. 테넌트를 넘어 같은 실패 패턴이 반복되기 때문입니다. 반면 A은행의 고객 명단, 계약 조건, 내부 규정 같은 사실은 가중치에 넣을 필요가 없습니다. 검색(RAG)과 테넌트 전용 어댑터, 즉 문맥의 층에 두면 됩니다. 이 층은 그 고객 전속으로 남습니다.

그래서 잘 설계된 버티컬 루프는 신호를 두 방향으로 라우팅합니다. 하비가 좋은 예입니다. 오픈AI와 만든 판례 특화 모델은 공개 판례 코퍼스와 자체 제작 데이터로 학습했고, 고객 로펌의 사건 자료는 학습에 넣지 않습니다. 로펌들이 쓰면서 남기는 선호 신호(어느 답이 더 나은가)는 "법률 문서를 다루는 기술"의 개선으로 흘러가 모든 고객이 혜택을 보고, 각 로펌의 사건 사실은 그 로펌의 문맥에만 존재합니다.

덧붙이면, 이 분리는 법적으로만이 아니라 기술적으로도 옳은 설계입니다. 고객 원문을 가중치에 직접 학습시키면 모델이 그 원문을 축자로 재현해버리는 유출 위험(암기)이 생깁니다. 사실을 문맥에 두고 기술만 가중치에 넣는 구조는, 소유권 문제와 유출 문제를 동시에 푸는 답입니다.

메커니즘 3. 명세와 평가의 이전 (프로세스의 층위)

세 번째 경로는 더 우회적이지만 프런티어에서 실제로 가장 많이 쓰입니다. 데이터가 아니라 명세가 국경을 넘습니다.

고객 현장에서 루프를 운영하면, 원문 데이터를 한 건도 가져오지 않아도 다음을 알게 됩니다. 이 업종의 과제는 어떤 유형으로 분포하는가, 모델은 어떤 지점에서 어떤 방식으로 실패하는가, 잘한 결과와 못한 결과를 가르는 채점 기준은 무엇인가. 이것은 데이터가 아니라 실패 분류표와 루브릭, 즉 명세입니다. 그리고 명세만 있으면 3장에서 본 모조 현장을 지을 수 있습니다.

업스테이지의 오피스버스가 정확히 이 패턴입니다. 실제 기업 업무 흐름 122개를 "본떠서" 모의 환경을 만들었지, 그 기업들의 원본 문서를 학습에 쓴 게 아닙니다. 현장은 무엇을 만들지 알려주는 설계도를 제공했고, 데이터 자체는 시뮬레이션이 합성했습니다. 키미 K3의 모의 Gmail·세무감사 환경도 같은 원리입니다. 현장 관찰이 과제 분류와 채점기 설계로 추상화되고, 그 위에서 합성 데이터가 무한히 생성됩니다. 고객 데이터의 가치가 "학습 원료"에서 "환경 설계도"로 형태를 바꿔 이전되는 것입니다.

사람을 통한 이전도 여기 속합니다. 고객사에 상주하며 문제를 푸는 엔지니어(포워드 디플로이드)가 체득한 암묵지는, 데이터 없이도 다음 버전의 제품 구조와 평가 설계로 흘러 들어갑니다.

메커니즘 4. 동의 아키텍처 (법·기술의 층위)

마지막은 원문 데이터 자체를 합법적으로 흐르게 만드는 장치들입니다. 학습 허용에 가격을 매기는 옵트인 인센티브(할인, 크레딧), 의료처럼 규제가 강한 영역의 비식별화 경로(식별자를 제거한 데이터는 별도 규정 아래 학습에 쓸 수 있게 하는 계약 구조), 데이터는 고객사 안에 두고 모델이 데이터를 방문하는 온프렘 학습이나 연합학습, 그리고 개별 기록의 흔적이 가중치에 남지 않도록 수학적으로 보장하는 차등 프라이버시까지. 이 장치들은 비용이 커서 아직 주류는 아니지만, 규제 산업일수록 이 경로의 비중이 커집니다.

그런데 물리 현장에서는? 신호가 없는 게 아니라 종류가 다릅니다

여기까지 읽으면 자연스러운 반문이 하나 생깁니다. 수락·거절·수정 같은 신호는 지식노동의 이야기이고, 휴머노이드가 공장에 투입되거나 웻랩에서 세포실험이 돌아가는 현장에는 그런 신호랄 게 별로 없지 않은가. 그런 곳에서는 대체 어떤 모델 개선이 가능한가.

전제부터 뒤집어야 합니다. 물리 현장은 신호가 부족한 게 아니라 신호의 종류가 다르고, 오히려 더 조밀합니다. 지식노동의 신호는 사람의 반응이지만, 물리 현장의 신호는 세계의 반응입니다. 파지에 성공했는지, 물건을 떨어뜨렸는지, 삽입이 걸렸는지는 버튼을 눌러줄 사람 없이 고유수용감각(관절 토크·접촉력·IMU)과 비전만으로 자동 판정됩니다. 2장에서 "채점기가 있는 곳이 현장"이라고 했는데, 물리 세계는 채점기가 물리 법칙 그 자체라서 사람 라벨러가 아예 필요 없습니다.

물리 현장의 신호	내용	지식노동의 대응물
결과	집기 성공률, 낙하·걸림 이벤트, 사이클타임	테스트 통과
개입	원격 조작자의 인수, 안전 정지 = 라벨된 실패	상담원 에스컬레이션
예측 오차	모델이 예측한 다음 상태와 실제 역학의 불일치(초당 수백 회, 공짜)	테슬라 섀도 모드
회복	실패 시도 후 재시도 성공 = 자연 발생 선호쌍	거절 후 재생성·수락

그리고 네 개의 분리 메커니즘은 경계선의 위치만 바꿔 그대로 이식됩니다.

콘텐츠와 신호의 분리, 물리판. 공장에서 콘텐츠(고객 IP)는 카메라에 찍히는 것들입니다. 공정, 부품 설계, 레이아웃. 신호는 로봇 자신의 몸에서 나오는 것들입니다. 실무 관행도 이 선을 따릅니다. 원본 영상은 반출하지 않고 엣지에서 이벤트·특징만 추출하고, 트리거된 실패 클립만 동의 하에 회수하며, 장면의 지오메트리만 뽑아 시뮬레이션에서 일반 텍스처로 재렌더링합니다.

사실과 기술의 분리, 물리판. 창고 로봇 코베리언트(Covariant)가 이 모델의 실증이었습니다. 여러 고객 창고의 로봇이 하나의 브레인을 공유해, 모든 현장의 집기 시도가 공동 모델을 개선하고 뉴욕의 로봇이 런던의 경험으로 좋아지는 플릿 학습입니다(회사 발표 기준). 일반화되는 것은 파지·삽입이라는 기술이고, 각 공장의 셀 배치·부품 등록부·캘리브레이션이라는 사실은 사이트 설정으로 그 고객에 전속됩니다.

명세의 이전, 물리판이 디지털 트윈입니다. 고객 셀을 스캔해 시뮬레이션으로 복제하고 그 안에서 무한 재시도로 훈련합니다(엔비디아 아이작 계열의 표준 패턴). 국경을 넘는 것은 지오메트리와 과제 명세이지 생산 데이터가 아닙니다. 오피스버스의 물리 버전인 셈입니다.

웻랩의 분리선은 "실험의 과학"과 "실험의 손"입니다. 화합물의 정체와 어세이 결과는 스폰서의 IP이고 특허에 직결되니 벤더가 가져갈 수 없습니다. 하지만 실험을 수행하는 손과 눈, 즉 세포 분할, 라벨웨어 인식, 이미지 품질 판정, 액체 레벨 감지, 오염 이벤트 탐지 같은 능력은 어느 고객의 과학이냐와 무관하게 일반화됩니다. 벤더는 과학을 못 가져가도 실험 잘하는 기술을 키웁니다. 다음 실험을 고르는 능동학습 정책도 마찬가지입니다. 결과는 고객 것이어도, 고르는 기술은 벤더 것입니다.

동의 아키텍처의 산업 규모 실증도 제약에 이미 있습니다. MELLODDY 프로젝트에서 암젠·아스트라제네카·바이엘·노바티스 등 제약사 열 곳이 원자료를 한곳에 모으지 않고 암호화된 그래디언트만 교환해 공동 예측 모델을 학습했고, 공동 모델이 각사 단독 모델을 능가했습니다(프로젝트 발표 기준). 경쟁사들 사이에서도 "모델이 데이터를 방문한다"가 작동한다는 증명입니다. 리커전은 실험실을 통째로 소유해 이 문제 자체를 우회한 경우이고요.

정리하면, 물리 현장에서 부족한 것은 신호가 아니라 소유권이 깨끗한 채널이며, 사람 채점자가 필요 없다는 점에서는 루프 짓기가 지식노동보다 오히려 유리합니다.

5. 소유의 사다리: 결국 누가 현장을 쥐는가

네 메커니즘을 한 축 위에 놓으면, 버티컬 AI의 지형이 사다리로 정리됩니다.

맨 아래 칸이 첫 글에서 다룬 태스크 이코노미입니다. 현장을 갖지 못한 쪽은 전문가의 판단을 건당 사서 씁니다. 임대는 규모가 나오지만 독점이 안 됩니다. 판매자는 같은 판단을 다른 구매자에게도 팔 수 있으니까요. 사다리를 오를수록, 루프에서 나오는 것 중 남과 공유하지 않아도 되는 몫이 커집니다.

그리고 이 사다리가 서두의 질문에 대한 최종 답을 줍니다. 고객사 소유의 데이터는 루프를 지은 회사에게 원문 그대로 넘어오지 않습니다. 대신 네 갈래로 형태를 바꿔 넘어옵니다. 계약이 허용한 신호로, 가중치에 새겨지는 일반 기술로, 모조 현장의 설계도로, 그리고 동의가 확보된 일부의 원문으로. 그 결과 만들어지는 것은 "그 고객사만 쓰는 모델"이 아니라, 모두가 쓰는 더 유능한 베이스 위에 각 고객의 사실이 전속으로 얹히는 2층 구조입니다. 고객은 자기 사실의 독점을 지키고, 회사는 기술의 일반화를 가져갑니다. 잘 그은 경계선 하나가 양쪽 모두를 성립시킵니다.

6. 현장 배치가 극복하는 것과, 그럼에도 극복하지 못하는 것

마지막으로 경계선을 긋겠습니다. 현장 배치 AI는 만능이 아닙니다. 무엇이 루프의 영토이고 무엇이 아닌지를 가르면, 이 시리즈 전체가 하나의 지도가 됩니다.

극복 가능한 것은 다섯 종류의 격차입니다. 공통점이 있습니다. 전부 이미 존재하는 정답과 모델 사이의 거리라는 점입니다.

격차	무엇이 해결되나	사례
분포 격차	깨끗한 벤치마크가 아닌 진짜 입력(지저분한 문서, 소음 낀 센서, 살아있는 코드)	커서, 테슬라
암묵지 격차	문서화된 적 없는 절차와 기준, 무엇을 기각하는지	하비의 선호 루프
검증 격차	"그럴듯함"이 "작동함"으로 교정됨	코스모스의 중력 오차 vs 테슬라
신선도 격차	얼어 있는 도서관과 달리 계속 갱신(새 API·규정·부품)	온라인 루프 전반
롱테일 격차	정의상 도서관에 없는 희귀 사례를 트리거로 채굴	테슬라의 트리거 200개

여기에 하나 더, 언제 행동하고 언제 침묵할지 같은 경제적으로 보정된 행동은 실제 상호작용의 경제학 안에서만 배워집니다(커서의 25퍼센트 임계).

그럼에도 극복하지 못하는 것은 다섯 개의 벽입니다.

벽 1. 채점기가 없는 일. 루프의 전제는 검증기인데, 성공의 정의 자체가 안 되는 일이 있습니다. 전략 자문의 질, 창작의 좋음, 윤리적 판단, 조직의 장기 건강. 현장에 아무리 오래 있어도 채점이 안 되면 데이터가 안 됩니다. 억지로 대리 지표를 세우면 2편에서 다룬 굿하트, 즉 지표만 오르는 상태로 직행합니다.

벽 2. 세월이 채점하는 일. 약의 진짜 효능은 임상과 시판 후 몇 년이, 구조물의 안전은 수십 년이 채점합니다. 루프의 회전 속도는 달력을 압축하지 못합니다. 리커전의 루프가 가속하는 것은 후보 발굴이라는 대리 지표까지이고, 3상 임상은 여전히 세월의 몫입니다. 루프 속도의 위계가 곧 도메인의 위계입니다. 커서는 2시간, 공장 수율은 몇 주, 임상은 몇 년입니다.

벽 3. 현실의 표본 상한. 시뮬레이션은 무한 재시도가 되지만 현실은 리셋이 안 됩니다. 남의 생산라인에서 탐사 예산은 사실상 0이고, 재난·사고 같은 고위험 희귀 사건은 안전하게 표본화할 수 없습니다. 모조 현장으로 우회하지만, 시뮬과 현실의 잔여 격차는 근사일 뿐 소거가 아닙니다.

벽 4. 분포 밖의 새로움. 가장 구조적인 벽입니다. 현장은 현재의 관행을 가르칩니다. 미래의 최선을 가르치지 않습니다. 현장 신호로 배운 모델은 오늘 일하는 방식(그 방식의 맹점과 편향까지)에 수렴하고, 질문 자체를 새로 만드는 연구급 창조는 현장 신호에 존재하지 않습니다. 실증도 있습니다. 샌드박스 5,122만 개로 훈련한 키미 K3는 실행형 과제에서 프런티어를 넘었지만, 연구급 지식·추론(HLE·CritPt)에서는 뚜렷이 뒤집니다. 현장 루프는 프런티어급 실행자를 만들었지, 연구급 사색가를 만들지 못했습니다.

벽 5. 학생의 상한. 졸업 프레임의 대칭입니다. 현장 강화학습은 베이스 모델에 잠재된 능력을 끌어내고 다듬는 쪽에 가깝습니다. 베이스가 표현하지 못하는 것은 현장도 가르치지 못합니다. 도서관 졸업장이 없으면 현장이 받아주지 않는 셈이라, 사전학습의 질이라는 상한은 루프 바깥에 남습니다.

이 구분은 그대로 지도가 됩니다. 격차 리스트는 루프를 지으면 이기는 곳이고, 여기서의 해자는 이 시리즈에서 다룬 루프 소유입니다. 벽 리스트는 다른 해자가 필요한 곳입니다. 과학적 발견에는 세월이, 고위험 물리 영역에는 자본과 안전 인증이, 취향과 신뢰에는 브랜드가 해자입니다.

단, 경계선은 고정이 아닙니다. 벽 1은 채점기 공학이 계속 밀어내는 중입니다. 사무 산출물은 채점 불가처럼 보였지만 실무 루브릭(GDPval류)이 채점 가능하게 만들었고, 키미 K3의 숨은 검증기와 하비의 주장 단위 분해도 같은 방향입니다. 그래서 현장 AI의 프런티어는 모델 공학이 아니라 검증기 공학의 프런티어입니다. 무엇이 채점 가능해지는 순간, 그 일은 벽에서 루프의 영토로 넘어옵니다.

정리

AI는 도서관을 졸업하고 현장으로 갑니다. 도서관에서는 읽었고, 현장에서는 채점받습니다. 업무의 암묵지, 물리 법칙, 세포의 반응, 진료실의 판단, 공장의 수율. 도서관에 없는 이 지식들은 채점기가 있는 현장에서만 데이터가 됩니다.

그리고 현장의 데이터는 대부분 고객의 것이기에, 이 시대의 실력은 데이터를 "가져오는" 능력이 아니라 분리하는 설계에서 나옵니다. 콘텐츠에서 신호를, 사실에서 기술을, 데이터에서 명세를 분리해내는 회사가, 고객의 소유권을 침해하지 않으면서 모두를 위한 모델을 키웁니다. 그 설계가 없는 회사는 사다리 맨 아래에서 남의 현장을 빌려 쓰게 됩니다.

세 글을 한 줄씩으로 줄이면 이렇습니다. 해자는 데이터가 아니라 루프이고, 루프는 여섯 공정의 공학이며, 그 루프가 도는 곳은 도서관이 아니라 현장입니다. 그리고 현장에서 가장 어려운 문제는 기술이 아니라 경계선을 긋는 일입니다.

---

본 글은 각 회사가 공개한 기술 문서·정책 문서·발표를 근거로 한 산업·기술 분석이며, 특정 종목에 대한 판단을 담고 있지 않습니다. 커서의 프라이버시 모드 정책, 리커전의 데이터 규모, 하비의 학습 데이터 구성, 키미 K3와 업스테이지의 학습 환경 수치는 각 회사 공개 자료 기준입니다. 계약·규제 관련 서술은 일반적인 구조를 설명한 것으로 법률 자문이 아닙니다.

주요 출처: 시리즈 선행 글(태스크 이코노미·피드백 루프 공학), Cursor 데이터 정책 문서 및 기술 블로그, Recursion 회사 공개 자료(50PB+ 페노믹스, 자동화 실험실), OpenAI·Harvey 커스텀 모델 사례집, Kimi K3 테크니컬 리포트(샌드박스 5,122만 개), 솔라 오픈 2 테크니컬 리포트(오피스버스), WorldBench(arXiv 2601.21282, 코스모스 중력 추정), Epoch AI 데이터 재고 연구, Covariant 플릿 학습 공개 자료, MELLODDY 컨소시엄 발표 및 논문(arXiv 2210.08871).