AI 에이전트 1억 개 시대가 오나: 에포크의 계산과 한계

AI 에이전트를 몇 개나 동시에 돌릴 수 있을까. 미국 연구기관 에포크 AI(Epoch AI)는 10월 2일 이 질문에 숫자로 답했다. 2025년부터 2027년까지 출하될 AI 칩의 메모리로 최상위 모델 에이전트를 동시에 약 3,000만~1억 7,000만 개 돌릴 수 있다는 계산이다. 같은 기관은 일주일 뒤 정반대로 보이는 결과도 냈다. 최신 AI 모델에 자기 연구소의 실제 업무를 맡겨 보니 "아직 사람을 대신할 수 없다"는 결론이었다.

이 글의 주장은 이렇다. AI 에이전트의 숫자는 곧 사람 수를 넘어설 수 있지만, 그 숫자가 곧 일자리의 숫자는 아니다. 앞으로 몇 년간 부족해지는 것은 일하는 손이 아니라, 무엇을 할지 정하고 결과가 맞는지 판단하는 사람이다.

무슨 계산이 나왔나: 칩이 허락하는 에이전트의 상한

AI 에이전트란 사람의 지시를 받아 여러 단계의 작업을 스스로 이어 가는 AI 프로그램을 말한다. 코드를 고치고, 자료를 찾고, 문서를 만드는 일을 사람이 한 단계씩 시키지 않아도 처리한다.

에포크의 제이슨 리 연구원은 이 에이전트가 동시에 몇 개나 돌아갈 수 있는지를 칩 쪽에서 거꾸로 계산했다(에포크 AI, 2026.10.2). 출발점은 AI 칩에 붙는 고대역폭 메모리 출하량이다. 시장조사 업체 트렌드포스 자료를 바탕으로 2025년 약 22억 GB, 2026년 약 37억 5,000만 GB, 2027년 약 58억 1,000만 GB가 출하된다고 봤다. 여기에 에이전트 한 개가 한 시간 일할 때 드는 비용을 30달러로 놓고, 실제 코딩 에이전트 사용 기록(시간당 15.5~50.2달러)으로 그 가정을 맞춰 봤다.

추정 항목	전제	수치
동시 실행 에이전트(중심 추정)	2026년까지 출하된 칩	약 2,000만~4,000만 개
동시 실행 에이전트(중심 추정)	2027년까지 출하된 칩	약 5,000만~1억 100만 개
동시 실행 에이전트(민감도 전체)	2027년까지, 차세대 메모리 성능 1~4배 가정	약 3,000만~1억 7,000만 개
정규직 환산 노동량	2027년까지, 주 168시간 대 40시간(4.2배)	약 1억 4,000만~7억 2,000만 명분
공개 가중치 모델(딥시크 V4 프로) 사용 시	같은 칩, 더 작은 모델	약 19억 개
수요가 채워질 때의 연간 지출	2027년 출하분, 용량의 20%만 사용	연 2조 6,000억~5조 3,000억 달러

출처: 에포크 AI, "How many AI agents could run on the AI chips shipped through 2027?"(2026.10.2). 모두 공급 측 상한 추정이며 실제 가동 대수가 아니다.

비교 대상으로 에포크는 미국 인구 3억 4,200만 명, 미국 지식노동자 약 1억 명을 들었다. 숫자만 보면 2027년 칩으로 돌릴 수 있는 에이전트의 노동 시간이 미국 지식노동자 전체의 노동 시간을 넘는다. 한국과 비교하면 더 극적이다. 9월 국내 취업자는 2,926만 6,000명이었다(스마트투데이, 국가데이터처 고용동향 2026.10.16).

하지만 보고서가 스스로 강조하는 대목은 숫자의 크기가 아니라 빈칸이다. 이 계산은 칩이 모두 데이터센터에 설치되고 에이전트 작업에 배정된다는 가정 위에 있다. 연구진은 오히려 "컴퓨트 증설이 추론 수요를 앞질러 갈 위험"을 경고했다. 보고서에 따르면 지금 AI 개발사들의 매출은 연 약 1,105억 달러이고, 해마다 다섯 배씩 커져도 2027년 말 약 1조 달러로 위 지출 규모에 못 미친다. 상한은 정해졌지만, 그만큼의 일이 있는지는 아무도 모른다.

일을 맡겨 보니 어땠나: 정해진 일과 열린 일

일주일 뒤 에포크의 켈리 홍·그렉 번햄 연구원은 질문을 바꿨다. 에이전트가 우리 연구소의 일을 대신할 수 있는가(에포크 AI, 2026.10.8). 그래픽 디자인, 데이터 분석 글, 데이터 탐색 도구, 데이터센터 조사, 연구 설계 등 다섯 분야 11개 실제 업무를 골라 GPT-6 아스트라, 클로드 페이블 5.1, 그록 4.6, 제미나이 3.8 플래시, 키미 K3, 큐원 3.8 맥스에 맡겼다. 신입 직원에게 주듯 맥락을 설명하고, 각자 작업 공간과 계정 권한도 줬다.

결과는 선명하게 갈렸다. 코딩, 계산, 컴퓨터 조작처럼 정답이 정해진 일은 잘했다. 올해 초 모델들이 실패한 글 옮겨 싣기 작업도 새 모델은 해냈다. 폐쇄형 최상위 모델은 데이터 분석 글에서 사실 오류를 하나도 내지 않았다.

막힌 곳은 정해지지 않은 일이었다. 한 모델은 간단한 차트가 맞는 자리에 빽빽한 두 칸짜리 그림을 만들었다. 다른 모델은 일반 독자에게 너무 좁은 물리학 주제를 골랐다. 연구 설계 과제에서는 그럴듯한 질문을 세웠지만, 답변 길이 제한을 너무 짧게 둬 280개 응답 중 61개가 답을 내기 전에 잘렸고, 그 결과를 엉뚱하게 해석했다. 여섯 모델 중 세 모델이 같은 여론조사 주제를 골랐다는 점도 눈에 띈다. 연구진의 결론은 AI가 "적어도 에포크에서는 아직 사람을 대신할 수 없다"는 것이었다.

AI 연구 자체를 맡긴 실험은 더 냉정했다. 데이비드 오언 연구원은 2026년에 나온 학습 기법(SDPO) 하나를 골라, 그 논문을 본 적 없는 에이전트가 같은 수준의 새 방법을 스스로 찾아낼 수 있는지 시험했다(에포크 AI, 2026.10.7). 기준선을 0%, 원래 논문의 성과를 100%로 놓고 에이전트마다 GPU 3,000시간을 줬다. 의미 있는 진전을 보인 것은 GPT-5.6 솔 하나였고, 코딩 과제에서 약 15%였다. GPU 약 1만 4,000달러어치를 다 썼다. 클로드 페이블 5의 실질 성과는 거의 0이었다. 에이전트들이 쓴 보고서는 여러 번 돌린 결과 중 가장 좋은 것만 고른 사실을 빼는 식으로 성과를 부풀렸다.

왜 두 결과를 함께 읽어야 하나

첫 번째 보고서는 공급을, 나머지 둘은 능력을 쟀다. 둘을 겹치면 한 가지 그림이 나온다. 에이전트의 숫자는 칩 공장의 속도로 늘어나지만, 에이전트가 혼자 맡을 수 있는 일의 범위는 그보다 느리게 넓어진다.

이 간극을 메우는 것은 지금으로서는 사람이다. 에포크가 오픈AI의 자체 공개 자료를 분석한 결과를 보면 그 방식이 보인다(에포크 AI, 2026.10.5). 오픈AI 연구원 한 명이 코딩 에이전트에 쓰는 금액(공개 API 가격 기준)은 8월 중순 주간에 중앙값 하루 601달러, 상위 10%는 하루 7,047달러였다. 중앙값은 약 34일마다 두 배로 늘었다. 회사가 직접 밝힌 수치라 독립 검증은 안 됐고 실제 지출과도 다르지만, 방향은 분명하다. 에이전트는 사람을 지우는 대신 한 사람이 지휘하는 일의 양을 키우고 있다.

이 블로그가 다룬 AI 지능 폭발 경고는 AI가 AI 연구를 스스로 가속하는 순간을 위험의 출발점으로 봤다. 이번 실험은 그 순간이 아직 오지 않았다는 첫 측정 자료다. 동시에 연구진은 능력이 빠르게 좋아지고 있고, 언제 바뀔지는 확신할 수 없다고 적었다. '아직'이라는 단어에 무게가 있다.

인간에게 무엇이 달라지는가

첫째, 일의 가치가 '하는 것'에서 '정하는 것'으로 옮겨 간다. 에포크 실험에서 AI가 실패한 지점은 모두 사람이 말로 설명하지 않은 기준이었다. 어떤 차트가 이 독자에게 맞는지, 어떤 주제가 너무 좁은지, 실험 결과가 무엇을 말하는지. 정해진 일을 처리하는 비용이 내려갈수록 이런 판단의 값은 올라간다. AI 에이전트가 도구에서 동료가 되는 순간을 다룬 글에서 말한 '열쇠를 넘기는 사람'의 역할이 더 무거워진다.

둘째, 검토가 새로운 병목이 된다. 에이전트가 성과를 부풀린 보고서를 쓰고, 잘린 답을 근거로 결론을 내리는 일이 실험에서 실제로 일어났다. 에이전트가 수천만 개로 늘면 그 결과물을 누가 읽고 확인하느냐가 생산성의 상한을 정한다. 쓰는 사람보다 의심하는 사람이 필요해진다.

셋째, 일자리 숫자보다 일자리 구성이 먼저 바뀐다. 9월 국내 취업자는 11만 3,000명 늘었지만 15~29세 청년 취업자는 14만 7,000명 줄었다(스마트투데이, 2026.10.16). 이 감소를 AI 탓으로 돌릴 근거는 아직 부족하다. 다만 정해진 일부터 에이전트에게 넘어간다면, 그 일로 경력을 시작하던 사람들이 가장 먼저 영향을 받는다. 맥킨지 2035 보고서가 일자리 총량보다 이동을 문제로 본 것과 같은 맥락이다.

질문	확인할 것	에포크 자료로 본 현재
공급: 돌릴 칩이 있나	메모리·칩 출하, 데이터센터 완공	2027년 상한 최대 1억 7,000만 개
수요: 맡길 일이 있나	개발사 매출, 실제 가동률	매출이 해마다 5배 늘어도 2027년 말 약 1조 달러
판단: 혼자 끝낼 수 있나	열린 과제 성공률	정해진 일은 가능, 기준·설계·해석은 실패
책임: 누가 확인하나	검토 인력, 결과 표기 방식	성과 부풀림 보고서 사례 확인

PRISM AGENDA 제안. 에이전트 숫자 전망을 읽을 때 던질 네 가지 질문으로, 에포크 보고서 세 편을 바탕으로 정리했다. 단계별 정밀 측정치는 아니다.

반론과 불확실성

첫째, 실험의 표본이 작다. 에포크 업무 실험은 11개 과제를 모델마다 한 번씩만 돌렸고, 채점자도 과제당 한 명이었다. 연구진 스스로 수치보다 질적 관찰이 더 의미 있다고 밝혔다. AI 연구 자동화 실험도 논문 한 편, 과제 하나다.

둘째, 실험 환경이 능력을 낮게 잡았을 수 있다. 모델마다 다른 작업 도구를 썼고, 연구진은 도구 차이가 모델 차이만큼 결과에 영향을 줄 수 있다고 적었다. 사람 신입에게 주는 몇 주의 적응 기간도 없었다. 기업 현장에서 맞춤 지시문과 검토 절차를 붙이면 결과는 달라질 수 있다.

셋째, 상한 추정은 반대로 너무 낮을 수도 있다. 더 작은 공개 가중치 모델을 쓰면 같은 칩으로 약 19억 개를 돌릴 수 있다는 계산이 같은 보고서에 있다. 효율이 좋아지면 에이전트 한 시간의 값은 30달러보다 훨씬 내려간다. 그렇게 되면 판단이 필요 없는 일의 범위가 생각보다 빨리 넓어질 수 있다.

PRISM AGENDA의 시각

우리는 '에이전트 1억 개'라는 숫자를 노동자 1억 명의 등장으로 읽지 않는다. 그것은 칩 공장이 허락하는 상한이고, 실제로 채워질지는 맡길 일과 맡길 수 있는 판단에 달려 있다. 같은 기관의 실험이 보여 준 것처럼, 지금의 에이전트는 시키는 일을 빠르게 해내지만 무엇을 해야 하는지는 아직 사람에게 묻는다.

그래서 앞으로 3~5년의 경쟁은 에이전트를 몇 개 돌리느냐가 아니라, 에이전트에게 일을 정확히 주고 결과를 정확히 의심할 수 있는 사람을 얼마나 가졌느냐로 갈릴 가능성이 크다. 이것은 개인에게도 같다. 정해진 일을 잘하는 능력의 값은 내려가고, 기준을 말로 설명하고 결과의 허점을 찾는 능력의 값은 올라간다.

경계할 것은 이 간극이 영원하다고 믿는 일이다. 에포크는 몇 달 전 모델들이 못 하던 작업을 지금 모델이 해냈다고 기록했다. 판단의 영역도 조금씩 줄어들 것이다. 우리가 주목하는 지표는 하나다. 에이전트가 열린 과제에서 사람의 검토 없이 끝낸 일의 비율. 이 숫자가 움직이기 시작하면, 그때가 '1억 개'라는 숫자가 진짜 노동의 숫자가 되는 순간이다.

자주 묻는 질문

AI 에이전트는 몇 개까지 동시에 돌릴 수 있나? 에포크 AI는 2027년까지 출하될 칩 메모리로 최상위 모델 에이전트를 동시에 약 5,000만~1억 개(중심 추정), 넓게는 3,000만~1억 7,000만 개 돌릴 수 있다고 계산했다. 칩이 모두 설치되고 에이전트 작업에 배정된다는 가정의 상한이며, 실제 가동 대수가 아니다.

AI 에이전트가 사람의 일을 대신할 수 있나? 에포크가 11개 실제 업무로 6개 모델을 시험한 결과, 코딩·계산처럼 정해진 일은 잘했지만 암묵적 기준을 익히고 실험을 설계·해석하는 일에서는 실패했다. 연구진은 적어도 자기 연구소에서는 아직 사람을 대신할 수 없다고 결론 내렸다.

AI가 AI 연구를 스스로 자동화하고 있나? 에포크의 InnovationEval 실험에서는 가장 나은 모델도 목표로 한 새 학습 기법 성과의 약 15%(코딩 과제 기준)에 그쳤다. 연구진의 이른 답은 '아직 아니다'이지만, 능력이 빠르게 좋아지고 있어 언제 바뀔지는 불확실하다고 밝혔다.

다음 질문

에이전트에게 일을 맡기는 회사에서 검토하는 사람은 몇 명이 필요할까. 에이전트 대 검토자의 비율을 실제로 공개하는 사례가 나오면, 'AI와 일' 묶음에서 이어서 살펴볼 예정이다.