AI 모델은 만능이 아니라 학습 데이터가 두터운 영역에서만 뾰족하게 강합니다. 2026년 모델들은 수학·코딩처럼 검증 가능한 데이터가 폭증한 영역에서 인간 기준선을 넘지만, 데이터가 얇은 영역에선 그럴듯하지만 틀립니다. 드워케시 파텔은 이를 'AI의 중심에 있는 데이터 블랙홀'이라 불렀습니다. ASAP은 이 울퉁불퉁함을 기준으로 작업별 모델 선택법을 정리합니다.

능력이 울퉁불퉁한 이유

모델 능력이 영역마다 다른 것은 학습된 데이터가 영역마다 다르기 때문입니다. 모델은 검증 가능한 환경(수학·코딩)에서 강화학습으로 능력이 뾰족하게 솟고, 그런 데이터가 얇은 영역에선 가장자리가 거칠어집니다. 즉 모델의 강점 지도는 곧 데이터가 쌓인 지도입니다.

작업으로 고르는 기준

모델 선택은 작업의 성격에 데이터가 두터운 모델을 맞추는 일입니다. 기준은 다음과 같습니다.

작업이 검증 가능하고 정밀할수록 최상위 모델, 단순·대량일수록 싸고 빠른 모델이 합리적입니다.

비싼 모델이 항상 답은 아니다

가장 비싼 모델을 모든 작업에 쓰는 것은 낭비입니다. 분류·추출·요약 같은 대량 단순 작업은 작은 모델로도 충분하며, 비용은 수배에서 수십 배까지 갈립니다. 반대로 한 번의 정밀 추론이 중요한 작업에 싼 모델을 쓰면 틀린 답을 빠르게 얻을 뿐입니다.

검증 가능성으로 되짚기

모델을 고른 뒤에는 '이 작업의 답을 내가 검증할 수 있는가'를 물어야 합니다. 검증 가능한 작업은 모델이 강하고 실수도 잡힙니다. 검증이 어려운 작업은 어떤 모델을 써도 위험하므로, 사람의 판단을 함께 둬야 합니다. 데이터가 얇은 영역일수록 더 그렇습니다.

정리

AI 모델 선택은 작업의 데이터 두께와 검증 가능성에 맞추는 문제입니다. 추론·코딩은 최상위 모델, 대량·단순은 저가 모델, 긴 맥락은 큰 컨텍스트 모델이 기본입니다. 비싼 하나로 다 덮기보다, 작업마다 강점이 맞는 모델을 고르는 쪽이 비용과 정확도를 모두 잡습니다.

출처: Dwarkesh Patel, "The data black hole at the center of AI"(2026; 모델 능력의 jagged 특성·검증 가능 영역 편중) 기반 ASAP 분석.