데이터가 해자가 아니라, 데이터를 만드는 루프가 해자입니다
「태스크 이코노미: 데이터가 만드는 다음 1조 달러 시장」이라는 논지가 있습니다. 앞으로 더 가치 있는 데이터는 인터넷에 이미 공개된 문서가 아니라, 전문가가 실제 업무에서 어떤 절차와 기준으로 판단했는지를 담은 흔적이라는 이야기입니다. 이런 데이터는 크롤링으로 모을 수 없고, 누군가 그 일을 하는 자리에 제품이 함께 있어야만 만들어집니다.
그래서 결론은 이렇게 이어집니다. 모델은 반나절이면 바꿀 수 있지만, 고객의 업무 속에서 데이터를 만들고 그 결과로 제품이 다시 좋아지는 루프는 반나절 만에 복제되지 않는다. 데이터 자체가 아니라, 데이터를 만드는 루프가 해자라는 것입니다.
이 논지를 검증해봤습니다. 결론부터 말하면 핵심 주장은 시장 데이터로 뒷받침되지만, "데이터가 해자"라는 통념 자체는 이미 오래전에 반박됐고, 바로 그 반박을 알아야 이 논지가 왜 정확한지 알 수 있습니다.
1. 시장은 실제로 이쪽으로 움직이고 있습니다
먼저 사실 확인입니다. 원 논지의 출처는 2026년 7월 8일 VC Cafe가 정리한 「태스크 이코노미」 분석이고, 여기서 말하는 핵심은 "토큰이 아니라 태스크가 AI 경제의 단위"라는 것입니다. 토큰은 모델을 얼마나 썼는지를 재고, 태스크는 실제 경제적 노동을 잽니다.
이 주장을 가장 선명하게 뒷받침하는 회사가 머코어(Mercor)입니다.
머코어는 원래 AI 채용 플랫폼이었다가, 전문가를 AI 연구소에 연결해 훈련 데이터를 만드는 쪽으로 방향을 틀었습니다. 연 환산 매출이 12개월 만에 7.6억 달러에서 20억 달러가 됐고(2026년 6월 기준), 기업가치 200억 달러 논의가 나온다는 보도까지 있습니다. 스케일 AI는 메타가 49퍼센트 지분에 143억 달러를 넣으며 290억 달러 가치로 평가됐습니다.
주목할 지점은 성장률이 아니라 돈의 성격입니다. 머코어는 매출의 60~70퍼센트를 전문가들에게 지급합니다. 이건 소프트웨어 마진이 아니라 노동에 대한 대가입니다. 즉 이 시장은 "AI가 사람을 대체한다"가 아니라, AI를 쓸 만하게 만들기 위해 전문가의 판단을 사들이는 시장입니다.
2. 왜 크롤링으로는 안 되는가
원 논지의 핵심 전제, 즉 "공개 문서보다 업무의 흔적이 귀해진다"는 주장은 데이터 공급 쪽 사정과 맞물립니다.
Epoch AI의 널리 인용되는 연구는 품질과 중복을 보정한 공개 인간 생성 텍스트를 약 300조 토큰 규모로 추산하고, 이 재고가 언젠가 한계에 닿는다고 봅니다.
여기서 원 논지를 한 군데 보완해야 합니다. 이 "고갈" 시점은 흔히 2026년으로 인용되지만, Epoch AI는 이후 추정을 뒤로 물렸고 현재는 대략 2028년 이후를 앞단으로 봅니다. 도서관의 미디지털화 자료처럼 아직 손대지 않은 고품질 소스도 남아 있습니다. 즉 "내년이면 데이터가 바닥난다"는 절박한 서사는 과장이고, 정확한 표현은 "쉽게 긁을 수 있는 고품질 공개 텍스트의 증가 속도가 수요를 못 따라간다"입니다.
그럼에도 원 논지의 방향은 유지됩니다. 이유는 고갈 시점이 아니라 정보의 종류에 있기 때문입니다. 공개 문서에는 최종 결과물만 남습니다. 전문가가 어떤 대안을 검토하다 왜 기각했는지, 어떤 순서로 확인했는지, 어느 지점에서 예외를 적용했는지는 결과물에 남지 않습니다. 이건 시간이 지나 더 많이 크롤링한다고 생기는 정보가 아닙니다. 누군가 그 일을 하는 순간에, 그 자리에 있어야만 기록되는 정보입니다.
3. 그런데 "데이터가 해자"라는 말은 이미 반박됐습니다
여기가 이 논지에서 가장 중요한 대목이고, 동시에 가장 많이 오해되는 지점입니다.
벤처캐피털 a16z는 몇 해 전 「데이터 해자의 헛된 약속」이라는 유명한 글에서 이 통념을 정면으로 반박했습니다. 요지는 데이터를 더 많이 갖는 것만으로는 네트워크 효과가 생기지 않는다는 것입니다.
핵심 논점은 세 가지입니다. 첫째, 사람들이 말하는 "데이터 네트워크 효과"는 대개 그냥 규모 효과입니다. 진짜 네트워크 효과는 사용자끼리 직접 연결돼 서로를 붙드는 것인데, 데이터에는 그런 상호작용이 없습니다. 둘째, 데이터는 거꾸로 된 규모의 경제를 따릅니다. 쌓을수록 새롭고 쓸모 있는 데이터를 찾는 비용은 오르고, 추가되는 데이터의 가치는 기존과 겹쳐 떨어지며, 시간이 지나면 현실과 어긋나 상해갑니다. 셋째, 어느 지점에서 성능 곡선이 평평해지면 그 뒤로 더 모으는 건 거의 의미가 없습니다.
작은 고품질 데이터셋과 좋은 추론 로직을 가진 경쟁자가, 열 배 큰 데이터 창고를 가진 조직을 이기는 일이 실제로 벌어집니다.
그래서 "우리는 데이터가 많다"는 방어선이 아닙니다. 이 반박을 통과하고도 남는 것이 무엇인지가 진짜 질문입니다.
4. 반박을 통과하는 것: 루프
a16z의 반박을 다시 읽으면, 데이터가 실제로 방어력을 만드는 조건이 따로 있습니다. 접근이 제한된 독점 소스, 정확도가 채택을 좌우하는 극단적 품질 요구, 그리고 제품과 영업 과정에 깊이 박힌 도메인 장악입니다.
주신 논지가 정확한 지점이 여기입니다. 정적인 데이터 더미가 아니라, 데이터를 계속 만들어내는 위치와 순환을 말하고 있기 때문입니다.
이 구분이 중요한 이유가 있습니다. 데이터 더미는 시간이 지나면 상하지만, 데이터를 만드는 위치는 시간이 지날수록 깊어집니다. 고객의 업무에 더 깊이 들어갈수록 더 많은 판단이 기록되고, 그게 제품을 좋게 만들어 더 깊이 들어가게 합니다. a16z가 말한 "제품과 영업 과정에 박힌 도메인 장악"이 정확히 이것입니다.
가장 단단한 형태는 이탈이 곧 모델 품질 저하로 이어지는 구조입니다. 고객이 떠나면 데이터가 끊기고, 데이터가 끊기면 제품이 나빠집니다. 이때 데이터와 제품은 별개 자산이 아니라 같은 자산이 됩니다. 이걸 복제하려면 경쟁자도 같은 고객의 같은 업무 안에 들어가야 하는데, 그건 모델을 바꾸는 일과 난이도가 다릅니다.
5. 다만, 함께 봐야 할 위험 두 가지
이 논지를 그대로 받아들이기 전에 짚을 것이 있습니다.
첫째, 지금의 폭발적 성장은 수요가 소수에 몰려 있습니다. 머코어 매출의 약 90퍼센트가 오픈AI·앤트로픽 같은 파운데이션 모델 회사에서 나옵니다. 이 수요는 모델 회사들이 데이터 작업을 내재화하거나, 통합되거나, 지출을 줄이면 흔들립니다. 실제로 머코어는 강화학습 환경 관련 회사를 인수하고 금융권 등 일반 기업으로 고객을 넓히며 이 위험을 줄이려 하고 있습니다. "태스크 이코노미가 1조 달러"라는 서사와, 지금 그 매출이 몇 개 연구소 예산에서 나온다는 사실은 함께 봐야 합니다.
둘째, 루프라는 말이 만능 면죄부가 되기 쉽습니다. 많은 회사가 "우리도 데이터 플라이휠이 있다"고 말하지만, 실제로 도는 루프는 드뭅니다. 구분하는 질문은 간단합니다. 그 데이터가 다음 버전 제품을 실제로 개선했는지, 개선이 고객이 체감할 만큼인지, 그리고 고객이 떠나면 정말 품질이 떨어지는지. 이 셋에 답하지 못하면 루프가 아니라 그냥 로그 수집입니다.
정리하면
주신 논지는 대체로 정확하고, 한 곳만 손보면 더 단단해집니다.
| 원 논지 | 검증 결과 |
|---|---|
| 공개 문서보다 업무의 흔적이 귀해진다 | 성립. 다만 "공개 데이터 곧 고갈"은 과장(Epoch AI가 시점을 뒤로 조정). 근거는 고갈이 아니라 정보의 종류에 두는 게 정확 |
| 크롤링으로 못 모으고, 그 자리에 있어야 생긴다 | 성립. 판단 과정은 결과물에 남지 않음 |
| 시장이 그쪽으로 움직인다 | 성립. 머코어 연 환산 20억 달러, 스케일 AI 290억 달러 평가 |
| 데이터 자체가 아니라 루프가 해자다 | 성립이자 이 논지의 핵심. "데이터=해자"는 이미 반박된 통념이라, 루프로 구분한 것이 정확 |
| (보완 필요) | 현재 수요의 소수 고객 집중, 그리고 루프를 자처하지만 돌지 않는 경우 |
가장 중요한 문장은 여전히 마지막 한 줄입니다. 데이터 자체가 아니라, 데이터를 만드는 루프가 해자입니다. 모델은 부품이 되어가고 있고 부품은 갈아 끼울 수 있습니다. 갈아 끼울 수 없는 건 고객의 업무 안에 들어가 있는 자리이고, 그 자리에서만 만들어지는 기록입니다.
그러니 이 논지를 실전에서 쓸 때의 질문은 "우리가 데이터를 얼마나 갖고 있나"가 아닙니다. "우리 제품이 고객의 어떤 판단 순간에 함께 있는가, 그리고 그 순간이 다음 버전을 실제로 좋게 만들고 있는가." 이 질문에 구체적으로 답할 수 있는 회사가 드물기 때문에, 답할 수 있다면 그 자체가 이미 방어선입니다.
본 글은 공개된 분석·보도·연구를 바탕으로 한 산업 분석이며, 특정 종목이나 비상장 회사에 대한 투자 판단을 담고 있지 않습니다. 인용한 기업 매출·기업가치는 언론 보도 및 2차 집계 기준으로 회사가 공식 발표한 감사 수치가 아닙니다.
주요 출처: VC Cafe 「The Task Economy」(2026-07-08), a16z 「The Empty Promise of Data Moats」, Epoch AI 「Will we run out of data?」(arXiv 2211.04325), 머코어·스케일 AI 관련 보도(Sacra·BigGo·GuruFocus 등), Grand View Research 데이터 라벨링 시장 추정.