AI가 전문가를 없앤다는데, 왜 AI 회사는 다시 전문가를 찾을까

AI가 법률문서를 검토하고 코드를 만들고 의료정보를 분석하면서 전문직 업무 일부가 자동화되고 있다. 그런데 더 좋은 AI를 만들기 위한 데이터 시장에서는 반대 방향의 수요도 커지고 있다.

9월 22일 Reuters는 Snorkel AI가 3억5천만달러의 신규 투자를 유치해 35억달러 기업가치를 인정받았다고 보도했다. annualized revenue는 3억5천만달러 이상으로, 전년 약 2천만달러 수준에서 크게 증가했다.

Reuters는 성장의 상당 부분이 2025년 9월 시작된 Data-as-a-Service 사업에서 왔다고 전했다. 단순히 소프트웨어를 파는 회사가 아니라 완성된 데이터 제품과 reinforcement-learning environments를 공급하는 사업이 커진 것이다.

AI 데이터의 병목이 ‘사람 수’에서 ‘어려운 판단’으로 이동한다

과거 AI 데이터 산업은 이미지 분류나 반복 라벨링처럼 많은 사람이 같은 작업을 빠르게 수행하는 구조로 알려졌다.

하지만 frontier model이 강해질수록 모델을 실제로 실패시키는 문제를 만드는 일이 더 어려워진다. 보험계약을 어떻게 심사할지, 법률문서에서 어떤 해석이 타당한지, 코드의 논리 오류를 어떻게 검증할지 같은 문제에는 domain expertise가 필요하다.

Snorkel의 Expert Community는 현재 1,000개가 넘는 영역을 대상으로 coding, STEM, health & medicine, finance & business, law, humanities, social sciences 전문가를 프로젝트 기반으로 모집한다.

전문가의 답만 필요한 것이 아니라 ‘판단을 검증하는 시스템’이 필요해졌다

어려운 전문문제는 항상 하나의 간단한 정답으로 끝나지 않는다. 전문가끼리 판단이 다를 수 있고, 답은 맞아도 reasoning 과정이 틀릴 수 있다.

Snorkel은 데이터 품질을 위해 calibration, multi-stage review, dual-expert review, consensus mechanisms, statistical sampling, provenance, audit trails 같은 다층 구조를 사용한다고 설명한다.

즉 데이터 생산의 핵심은 사람을 많이 모으는 것만이 아니라 어떤 전문가를 선택하고, 어떤 문제를 만들고, 무엇을 좋은 답으로 정의하며, 다른 판단을 어떻게 조정하는지가 된다.

Snorkel은 회사의 일 자체를 AI가 훈련할 수 있는 환경으로 만든다

Snorkel의 Enterprise Environments는 실제 기업업무를 흉내 낸 가상 환경을 만든다. agent는 정책문서를 읽고, 고객기록을 확인하고, 내부 도구를 호출하고, simulated user에게 부족한 정보를 물으며, 시스템 상태까지 안전하게 바꿔야 한다.

보험 underwriting 환경에서는 가상의 회사와 고객, 데이터베이스, underwriting guideline, 불완전한 사용자 정보가 함께 구성된다. 단순한 질문-정답 데이터셋과 달리 실제 업무흐름을 여러 단계로 재현한다.

여기까지 오면 상품은 단순 라벨링 결과가 아니라 전문가가 알고 있는 회사의 일을 학습 가능한 형태로 재구성한 환경에 가까워진다.

사람의 시간이 아니라 ‘완성된 판단 자산’을 파는 구조

전통적인 전문가 서비스는 사람 수와 투입시간이 매출의 단위가 되기 쉽다.

Snorkel이 보여주는 구조에서는 전문가의 판단이 문제 설계, 검증, 품질관리 과정을 거쳐 dataset, benchmark, training environment 같은 재사용 가능한 데이터 제품으로 변환된다.

이를 한 줄로 줄이면 Expert Judgment → Packaged Intelligence다. 한 번의 판단이 하나의 프로젝트에서 끝나는 대신 여러 AI 학습·평가 과정에서 다시 쓰일 수 있는 자산으로 바뀐다.

현재 채용에서도 ‘데이터 양’보다 평가·품질·frontier benchmark가 보인다

Snorkel의 현재 채용 페이지에는 Director, Research - Evaluation & Training, Research Scientist - Frontier Benchmarks, Senior Product Manager - Data & Quality, Staff Product Manager - Data Products, Director, Forward Deployed Researcher - Data as a Service 등이 올라와 있다.

Operations - Data-as-a-Service 조직에도 Forward Deployed Engineering, Synthetic Data Generation, Strategic Delivery 역할이 있다.

모델을 학습시키는 데이터의 양만 늘리는 것이 아니라 어떤 데이터가 frontier model의 한계를 드러내고 실제 고객업무에 연결되는지를 설계하는 조직을 키우고 있다는 신호다.

그렇다고 모든 전문가의 몸값이 오른다고 말할 수는 없다

Snorkel의 Expert Community는 상당 부분 프로젝트 기반 independent contractor 구조다. 회사가 완성된 데이터 상품으로 얻는 경제적 가치와 개별 전문가가 받는 보상은 동일하지 않다.

따라서 한 회사의 성장만으로 AI 시대 모든 전문직의 연봉이 상승한다고 일반화할 수 없다.

더 정확한 변화는 전문가의 판단을 구매하고 AI 학습·평가 자산으로 전환하는 새로운 시장이 커지고 있다는 것이다.

BANSEOG VIEW | AI가 비싸게 만드는 것은 사람의 손보다 판단일 수 있다

AI 초기 데이터 산업의 병목이 반복작업의 규모였다면, frontier AI의 병목은 AI가 아직 못 푸는 문제를 만들고 평가하는 능력 쪽으로 이동할 수 있다.

전문가는 본업에서만 가치를 만드는 사람이 아닐 수 있다. 의사의 의료지식, 변호사의 법률판단, 개발자의 문제해결 능력은 AI training data, benchmark, evaluation, simulation environment라는 다른 상품으로 변환될 수 있다.

앞으로 인재시장을 볼 때 중요한 질문은 ‘이 사람의 전문성이 현재 회사에서만 가치가 있는가’가 아니라 ‘그 판단 자체를 필요로 하는 새로운 시장이 생기고 있는가’일 수 있다.

BANSEOG VIEW

Banseog View — Expert Judgment → Packaged Intelligence

Snorkel의 급성장은 단순 데이터 라벨링 확대보다 전문가 판단을 완성된 데이터 제품으로 바꾸는 시장이 커지고 있음을 보여주는 사례다.

AI가 강해질수록 인간에게 남는 데이터 작업도 더 높은 domain expertise와 evaluation capability를 요구할 수 있다.

전문가의 판단은 본업의 노동시간뿐 아니라 benchmark, training dataset, enterprise environment 같은 재사용 가능한 intelligence asset으로 이동할 수 있다.

SOURCES

근거가 된 원자료

Snorkel 한 회사의 성장만으로 모든 전문직의 보상이나 고용이 상승한다고 일반화하지 않는다. Expert Community는 project-based independent contractor 구조이며, 회사가 완성된 데이터 상품에서 얻는 가치와 개별 전문가의 보상은 동일하지 않을 수 있다. ‘Expert Judgment → Packaged Intelligence’는 공개자료를 연결한 Banseog의 분석 표현이다.