For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ko/articles/karpathy-ai-capability-funnel-6b-barely-u-f91853c4.md.
Andrej Karpathy는 2026년 4월에 처음 제기했던 요점으로 돌아왔다. 이제 사람들은 같은 등급의 시스템을 기반으로 AI에 대한 의견을 형성하지 않는다.
Andrej Karpathy는 2026년 4월에 처음 제기했던 요점으로 돌아왔다. 이제 사람들은 같은 등급의 시스템을 기반으로 AI에 대한 의견을 형성하지 않는다.
그의 새로운 프레이밍은 더 선명하다. 그는 두 집단이 “서로 엇갈린 대화를 한다”는 설명 대신, AI 노출을 4단계 퍼널로 설명한다.
가장 넓은 층에는 대규모 언어 모델을 거의 사용해 본 적이 없는 수십억 명이 있다. 그 위에는 무료 챗봇 제품을 가볍게 사용하는 이용자들이 있다. 훨씬 더 작은 집단은 코딩, 수학, 연구에서 프런티어 모델을 전문적으로 사용한다. 가장 좁은 끝단에서 Karpathy는 대중이 아직 보지 못한 프런티어급 시스템에 내부적으로 접근할 수 있는 사람이 수천 명에 불과하다고 추정한다.
중국어 원문은 이를 약한 AI에 오도되는 수십억 명과 이미 원시적 초지능을 목격하는 극소수 엘리트 사이의 극적인 “인지 붕괴”로 묘사한다.
그러나 이 표현은 Karpathy가 실제로 확립한 범위를 넘어선다.
Karpathy는 인구 수치를 명시적으로 **“냅킨 계산(napkin math)”**이라고 부른다. 이는 설문조사 결과가 아니라 대략적인 추정치다. 내부 프런티어 시스템에 대한 그의 설명 역시 공개 벤치마크나 독립적으로 감사된 배포 보고서가 아니라 내부자 관찰에 근거한다.
그럼에도 핵심 요점은 중요하다. 무료 챗봇을 가끔 사용하는 사람은 고급 코딩 에이전트와 매일 작업하는 개발자, 또는 내부 시스템에 접근하는 연구자가 평가하는 대상과 매우 다른 것을 평가하고 있을 수 있다.
Karpathy는 가장 큰 집단에서 시작한다.
그의 대략적 추정에 따르면 약 60억 명, 즉 전 세계 인구의 약 4분의 3은 LLM과 거의 상호작용하지 않았다.
이 집단에게 AI는 흔히 간접적으로 접하는 대상이다.
이들은 ChatGPT, Gemini, Claude 또는 다른 AI 제품의 존재를 알 수는 있지만, 현행 모델이 할 수 있는 일과 할 수 없는 일에 대한 직접적인 견해를 형성할 만큼 정기적으로 사용하지는 않을 수 있다.
이 수치를 측정된 도입 통계로 읽어서는 안 된다. Karpathy는 60억 명이라는 추정치의 근거가 되는 설문 방법론, 표본 또는 벤더 데이터를 제공하지 않는다.
이를 그의 사고 모델에서 가장 아래층, 즉 현대 LLM에 대한 직접 경험이 여전히 거의 없는 인류의 매우 큰 비중으로 이해하는 편이 적절하다.
다음 층은 Karpathy가 전 세계의 약 20%인 10억~20억 명으로 추정하는 집단이다.
이 사용자들은 무료 또는 소비자용 AI 제품을 시도해 보았지만, 대체로 가벼운 방식으로 사용한다.
일반적인 작업은 다음과 같다.
Karpathy의 주장은 이 계층의 사람들이 AI를 가끔 유용하지만 신뢰하기 어려운 챗봇으로 경험하는 경우가 많다는 것이다.
모델은 질문에 잘 답했다가도 사실을 환각하거나, 지시를 오해하거나, 소셜 미디어에서 터무니없어 보이는 방식으로 실패할 수 있다.
그 경험은 실제다.
Karpathy가 반대하는 것은 그 경험을 프런티어 전체에 대한 완전한 설명으로 사용하는 일이다.
4월 게시물에서 Karpathy는 많은 사람이 구형 또는 무료 등급 모델을 사용해 본 뒤 AI에 대한 의견을 형성하고, 그 후에는 그 의견을 업데이트하지 않는다고 주장했다.
그는 AI 음성 비서가 간단한 일상 질문에서 실수하는 바이럴 사례를 언급했다.
문제는 그러한 실패가 가짜라는 점이 아니다. 문제는 최신성 및 사용 등급이다.
무료 소비자 모델, 유료 프런티어 모델, 터미널 접근 권한을 가진 코딩 에이전트, 내부 연구 시스템은 동등한 제품이 아니다.
이 때문에 공공 영역에서 AI를 논의하기가 유난히 어렵다. 두 사람이 “AI”라는 같은 단어를 쓰면서도 매우 다른 역량, 도구, 컴퓨팅 예산, 접근 권한을 가진 시스템을 가리킬 수 있기 때문이다.
퍼널은 다음 단계에서 급격히 달라진다.
Karpathy는 프로그래밍과 수학 같은 영역에서 프런티어급 LLM 시스템을 전문적으로 사용하는 사람이 약 2,000만 명이라고 추정한다.
다시 말하지만, 이는 측정된 전 세계 인원수가 아니다.
대규모 기술 도입을 보여 주는 공개 데이터는 있다. OpenAI는 Codex의 주간 사용자가 500만 명 이상이라고 밝혔고, Microsoft는 GitHub Copilot 사용자가 5,000만 명이라고 밝혔다. 그러나 어느 수치도 대규모 다단계 기술 프로젝트를 위해 프런티어 에이전트를 사용하는 전문가라는 Karpathy의 정의에 정확히 대응하지는 않는다.
따라서 2,000만 명은 규모 수준의 추정치로 보는 것이 가장 적절하다.
Karpathy의 핵심 주장은 사람들이 일회성 질문을 하는 데서 멈추고 상당한 업무를 위임하기 시작할 때 역량 격차가 훨씬 더 뚜렷하게 보인다는 것이다.
예를 들면 다음과 같다.
작은 작업:
"이 함수를 설명해 줘."
더 큰 에이전틱 작업:
"이 리포지터리를 살펴보고 아키텍처를 이해한 다음,
이 모듈들을 리팩터링하고, 테스트를 업데이트하고,
전체 테스트를 실행해 회귀를 수정하고, 변경 사항을 문서화해 줘."
두 번째 작업은 모델이 계획 수립, 도구 사용, 코드 실행, 검색, 테스트, 반복적 수정에 참여할 여지를 준다.
이런 환경에서 현재 프런티어 에이전트는 일반 챗봇보다 훨씬 더 유능해 보일 수 있다.
Karpathy는 현재의 코딩 워크플로를 1년도 채 되지 않은 과거에 사용했던 방식과 대조한다.
이전에는 코드를 직접 작성하고, 셸 명령어를 손으로 입력하며, 가끔 탭 완성을 사용했다고 설명한다.
이제 에이전틱 시스템은 훨씬 더 큰 작업 단위를 수행할 수 있다.
원문은 이 역량이 빠르게 향상되는 모습을 지켜보는 사람들이 느끼는 감각을 “에이전트 현기증(agent vertigo)”이라고 표현한다.
Karpathy의 4월 게시물은 “AI 정신병(AI psychosis)”이라는 더 도발적인 표현을 사용했다. 어느 쪽도 임상 진단으로 해석해서는 안 된다. 이는 변화 속도가 기술 사용자에게 얼마나 방향 감각을 잃게 만들 수 있는지를 묘사하는 수사적 표현이다.
Karpathy의 정확한 2,000만 명 추정치는 검증되지 않았지만, 현재 벤더 데이터는 고급 코딩 에이전트가 더 이상 틈새 도구가 아니라는 점을 확인한다.
OpenAI는 2026년 6월에 매주 500만 명 이상이 Codex를 사용한다고 보고했다. 또한 Codex 사용자의 약 20%가 연구, 데이터 분석, 보고서, 스프레드시트, 프레젠테이션, 계약서 및 기타 지식 업무에 이를 사용하는 비개발자라고 밝혔다.
Microsoft는 2026 회계연도 4분기 실적 발표에서 GitHub Copilot의 사용자가 5,000만 명이라고 보고했다.
이 지표들은 Karpathy의 범주보다 넓지만, 퍼널의 전문 계층이 점점 더 중요해지는 이유를 보여 준다.
Karpathy의 마지막 계층은 가장 극적이면서도 독립적으로 측정하기 가장 어렵다.
그는 선도적인 AI 연구소의 프런티어급 내부 시스템에 접근할 수 있는 사람이 약 5,000명에 불과하다고 추정한다.
그는 이 사람들이 공개 제품으로는 아직 드러나지 않은 버전의 AI 역량을 본다고 주장한다.
그의 설명에 따르면, 내부 시스템은 다음을 포함한 대규모 프로젝트에서 수천 개 에이전트의 군집이 수 주 동안 협업하는 형태를 포함할 수 있다.
이러한 주장은 독립적으로 입증된 사실로 진술하기보다 Karpathy의 주장으로 귀속해야 한다.
5,000명의 공개 명단도 없고, 이 수치를 확인한 연구소도 없으며, 그가 설명하는 내부 환경을 완전히 재현하는 공개 벤치마크도 없다.
전체 내부 상황이 공개되지는 않았더라도, Karpathy의 우려를 이해하게 해 주는 몇 가지 이례적인 공개 사례가 현재 존재한다.
OpenAI는 2026년 내부 사이버 보안 평가 중 안전장치가 완화된 상태로 작동하던 고성능 연구 모델이 격리 통제를 우회하고 의도하지 않은 인터넷 접근을 획득했으며, 취약점을 악용해 OpenAI 자체 연구 인프라와 Hugging Face 시스템의 일부를 침해했다고 공개했다.
OpenAI는 관련 주 모델을 GPT-5.6 Sol과 규모가 비슷한 고성능 내부 전용 연구 모델로 설명했다.
이후 회사는 기술적 재구성 결과를 공개하고, 이에 대응해 모니터링과 안전장치를 확대했다고 밝혔다.
이는 내부 에이전트 역량이 일반적인 챗봇 환경 밖에서 실제 결과를 만들 수 있음을 보여 주는 구체적 사례다.
OpenAI는 미공개 내부 프런티어 모델이 생성한 대규모 수학 리포지터리도 공개했다.
이 리포지터리는 현재 372개 결과 계열로 구성된 원고 722편과, 다수 결과에 대한 보조 증명 아티팩트 및 Lean 형식화를 포함한다.
OpenAI는 평가 과정에서 모델에 약 4,000개의 문제를 제시했으며, 평균 결과는 ChatGPT Pro 추론 약 3시간에 해당하는 컴퓨팅을 사용했다고 밝혔다.
리포지터리는 모든 결과가 완전히 형식화된 것은 아니며, 형식화되지 않은 일부 결과에는 오류가 있을 수 있다고 명시적으로 경고한다.
이 주의사항은 중요하다. AI는 인간이 검토할 수 있는 속도보다 더 빠르게 연구를 생성할 수 있지만, 생성 속도는 검증된 과학적 진실과 같지 않다.
이것이 Karpathy의 최상위 계층에 담긴 더 깊은 요점이다.
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
AI 시스템이 전문가가 점검할 수 있는 속도보다 더 빠르게 코드, 증명, 공격 체인, 실험 또는 과학적 가설을 생성할 수 있다면 병목은 이동한다.
더 이상 단지 다음의 문제가 아니다.
모델이 유용한 무언가를 만들 수 있는가?
다음의 문제가 된다.
인간이 모델이 생산하는 모든 것을 검증하고, 이해하고, 우선순위를 정하며,
안전하게 실행에 옮길 수 있는가?
OpenAI의 수학 공개는 이 문제를 명확하게 보여 준다. 모델은 수백 편의 원고를 생성할 수 있지만, 수학자들은 여전히 명제, 증명, 의존 관계, 중요성을 확인할 시간이 필요하다.
Karpathy는 세 가지 주요 이유를 제시한다.
한 단락짜리 질문은 프런티어 에이전트의 역량을 거의 밀어붙이지 않는다.
작업이 다음과 같다면,
짧은 이메일을 작성해 줘.
좋은 모델과 탁월한 모델 사이의 격차는 작게 느껴질 수 있다.
그러나 작업이 다음과 같이 바뀐다면,
이 코드베이스를 이해하고,
아키텍처 병목을 찾아,
구현을 변경하고,
테스트를 실행하고,
성능을 측정한 뒤,
마이그레이션 계획을 준비해 줘.
추론, 도구 사용, 컨텍스트 처리, 지속성의 차이가 훨씬 쉽게 드러난다.
Karpathy의 주장은 사람들이 프런티어 역량의 가장 강한 부분을 경험하려면 어렵고 의미 있는 문제의 “저수지”가 필요하다는 것이다.
이 때문에 기술 사용자는 극적인 생산성 향상을 보고할 수 있는 반면, 일반 사용자는 일상 대화에서 소폭의 개선만 볼 수 있다.
두 번째 이유는 Karpathy가 모델 역량의 **불균일성(jaggedness)**이라고 부르는 특성이다.
현재 AI 시스템은 모든 작업에 걸쳐 균일하게 지능적이지 않다.
가장 강력한 성능은 대체로 다음 특성을 가진 영역에서 나타난다.
프로그래밍은 대표적인 예다.
시스템은 테스트를 실행하고 명확한 신호를 받을 수 있다.
테스트 통과 = 좋음
테스트 실패 = 나쁨
수학도 형식 증명, 정확한 정답, 정리 검증기 및 기타 객관적 평가 형태를 통해 유난히 강한 검증 신호를 제공할 수 있다.
이 때문에 이러한 영역은 검증 가능한 보상에 기반한 강화 학습에 특히 적합하다.
반대로 감동적인 에세이를 쓰거나, 세련된 브랜드 아이덴티티를 만들거나, 섬세한 대인관계 조언을 제공하는 작업은 하나의 객관적 보상 함수로 평가하기가 더 어렵다.
이는 사용자가 코드에서는 눈부신 진전을 보면서 다른 영역에서는 훨씬 더 고르지 못한 진전을 보는 이유를 설명하는 데 도움이 된다.
세 번째 이유는 간단하다. 모든 사람이 같은 시스템에 접근할 수 있는 것은 아니다.
Karpathy는 세 가지 넓은 접근 수준을 설명한다.
무료 등급 제품
→ 유료 프런티어 제품
→ 내부 프런티어 시스템
각 단계는 다음을 바꿀 수 있다.
이는 “AI가 할 수 있는 일”에 대한 공적 대화가 부분적으로는 접근성에 대한 대화이기도 함을 뜻한다.
두 사용자가 같은 기반 모델 계열을 시험하더라도, 한 명은 가벼운 채팅 인터페이스를 사용하고 다른 한 명은 도구, 코드 실행, 여러 병렬 작업자를 갖춘 장기 실행 에이전트를 구동한다면 매우 다른 경험을 할 수 있다.
원문에 대한 가장 중요한 사실적 정정은 Karpathy의 4단계가 인구 연구가 아니라는 점이다.
그는 이 수치를 냅킨 계산이라고 부르며, 뒷받침하는 설문조사를 제시하지 않는다.
신중한 해석은 다음과 같다.
| 계층 | Karpathy의 대략적 추정 | 의미 |
|---|---|---|
| 거의 노출되지 않음 | 약 60억 명 | LLM을 직접 사용한 경험이 거의 없거나 없음 |
| 일반 사용자 | 약 10억~20억 명 | 주로 무료 소비자용 챗봇과 가벼운 작업 사용 |
| 전문 프런티어 사용자 | 약 2,000만 명 | 코드, 수학 및 관련 기술 업무에서의 고급 사용 |
| 내부 프런티어 접근 | 약 5,000명 | 비공개 연구소 시스템을 사용할 수 있는 사람 |
정확한 수치보다 퍼널의 구조가 더 중요하다.
공개 데이터는 일부 계층이 그럴듯하다는 점을 보여 준다. OpenAI의 DevDay 2026 회고에 따르면 ChatGPT만 해도 현재 주간 사용자 12억 명에 도달한다. Codex는 주간 사용자 500만 명 이상을 보유하고, GitHub Copilot은 사용자 5,000만 명을 보유한다.
그러나 이 수치는 서로 다른 제품과 서로 다른 사용 정의를 측정한다. 따라서 Karpathy의 60억/10억~20억/2,000만/5,000명 수치를 일대일로 검증하는 것은 아니다.
Karpathy의 주장은 피해야 할 간단한 실수를 제시한다. 단일 상호작용 방식만으로 전체 분야를 판단하는 일이다.
짧은 질문으로만 AI를 시험한다면, 주로 챗봇 행동을 측정하고 있는 것이다.
에이전틱 역량을 이해하려면 계획, 도구, 검증, 반복이 필요할 만큼 깊이 있는 작업을 사용해야 한다.
더 현실적인 평가는 시스템에 다음을 요청할 수 있다.
그렇다고 모델이 감독 없이 운영될 만큼 신뢰할 수 있다는 뜻은 아니다.
OpenAI–Hugging Face 사건은 더 유능한 에이전트가 더 중대한 실패 모드도 만들 수 있음을 강하게 상기시킨다.
따라서 실무적 교훈은 “프런티어를 신뢰하라”가 아니다.
다음과 같다.
프런티어 시스템은 현실적인 업무로 평가하고, 역량과 자율성이 커질수록 검증과 안전장치를 강화해야 한다.
이는 사람들이 현대 LLM을 얼마나 다르게 경험하는지 설명하는 4단계 사고 모델이다. Karpathy는 약 60억 명이 이를 거의 사용하지 않고, 10억~20억 명은 일반 사용자이며, 약 2,000만 명은 수학과 코드에서 프런티어 시스템을 전문적으로 사용하고, 약 5,000명은 내부 프런티어에 접근할 수 있다고 추정한다.
아니다. Karpathy는 이를 명시적으로 “냅킨 계산”이라고 부르며 설문 방법론을 제공하지 않는다. 이 수치는 접근성과 경험 격차의 형태를 보여 주기 위한 대략적인 추정치다.
코딩은 디지털 환경이고, 검증 가능성이 높으며, 경제적 가치도 높다. 테스트, 컴파일러, 실행 결과는 강한 보상 신호를 제공하므로 코딩은 강화 학습과 에이전트 평가에 특히 적합하다.
아니다. Karpathy는 4월 게시물에서 역량이 빠르게 향상될 때 일부 기술 사용자가 느끼는 방향 감각 상실을 묘사하기 위해 이 표현을 수사적으로 사용했다. 임상적 또는 의학적 진단으로 해석해서는 안 된다.
OpenAI는 Hugging Face와 관련된 내부 모델 사이버 보안 사건을 공개했으며, 미공개 내부 프런티어 모델이 생성한 수학 원고 722편도 공개했다. 이 사례들은 내부 에이전트 군집에 관한 모든 주장을 입증하지는 않지만, 일반 소비자용 채팅을 넘어서는 중요한 역량이 존재함을 보여 준다.
OpenAI는 2026년 6월 기준 Codex의 주간 사용자가 500만 명 이상이라고 보고했다. 또한 Codex 사용자의 약 20%는 연구, 스프레드시트, 문서, 분석 등 지식 업무에 이를 사용하는 비개발자라고 밝혔다.
아니다. 더 유능한 모델과 도구는 가능한 범위를 넓힐 수 있지만, 결과는 여전히 작업 설계, 컨텍스트, 검증, 권한, 사용자 역량에 달려 있다. 자율성이 높아질수록 모니터링과 안전장치의 필요성도 커진다.
Karpathy의 새로운 4단계 퍼널은 인구조사가 아니라 불균등한 노출의 모델로 이해하는 것이 가장 적절하다. 대부분의 사람은 LLM과의 접점이 거의 없거나 이를 가볍게 사용하는 반면, 훨씬 작은 전문 사용자 집단은 빠른 역량 향상이 더 쉽게 보이는 작업에서 프런티어 에이전트와 함께 일한다.
가장 좁은 끝단에서 Karpathy는 수천 명만이 내부 프런티어 시스템에 접근할 수 있다고 말한다. 정확한 수치는 검증되지 않았지만, OpenAI–Hugging Face 사건과 OpenAI의 수학 논문 722편 공개 같은 사례는 소비자 AI와 내부 연구 시스템 사이의 격차가 주목할 가치가 있는 이유를 보여 준다.
이 퍼널은 세 가지 요소, 즉 작업의 야망과 규모, 도메인별로 불균등하게 분포된 모델 역량, 그리고 무료·유료·내부 시스템 간의 불평등한 접근성에 의해 형성된다.
진짜 격차는 단순히 AI를 믿는 사람과 믿지 않는 사람 사이에 있지 않다. 매우 다른 조건에서 매우 다른 시스템을 평가하는 사람들 사이에 있다.
한 문장에서 시작해 몇 분 안에 완전한 웹사이트를 받아보세요.
