AI 성능이 향상되고 의사결정 과정에 더욱 깊이 뿌리내림에 따라, 이제 다음 과제는 단순히 모델 생성 그 자체에 그치지 않고 검증, 신뢰, 그리고 현실 세계에 대한 이해로 확대되고 있다
패트릭 루시 박사는 Stats Perform의 수석 과학자로, 회사의 AI 및 혁신 전략을 총괄하고 있습니다. 이번 최신 글에서 그는 AI 대한 논의가 ‘시스템이 무엇을 생성할 수 있는가’에서 ‘조직이 무엇을 신뢰하고, 검증하며, 대규모로 운영에 적용할 수 있는가’로 어떻게 AI , 그리고 왜 스포츠가 그 다음 시대를 위한 시험대가 되고 있는지를 살펴봅니다.
지난 몇 달 동안 저는 AI 전반을 훑어보았습니다. NVIDIA GTC 와 MIT 스포츠 서밋 부터 위스콘신 AI 비즈니스 서밋, 우리만의 Opta Forum, 그리고 EMBA 강의실까지.
2025년 3월 16일, NVIDIA GTC 행사장에서 연단에 선 패트릭 루시.
각종 정상회담과 컨퍼런스를 잠시 뒤로 하고 보면, 우리가 전환점에 도달했음이 분명합니다. 논의의 초점은 현재의 능동적 AI ‘무엇을 할 수 있는가’라는 ‘신기함’에서, ‘무엇을 해야 하는가’라는 필요성으로 옮겨갔습니다. 우리는 AI 반응형 AI 에서 벗어나, 능동적인 생산 시스템,AI 인식하는 방향으로 나아가고 있습니다. 그러나 이러한 팩토리를 본격적으로 가동하기 전에, 반드시 필요한 검증 및 감독 체계가 마련되어 있는지 확인해야 합니다. 비즈니스 세계가 디지털 영역에서의 시스템 구축에 주력하는 동안, 연구 및 혁신 분야의 “화제”는 단연 물리적 AI(Physical AI)에 집중되어 있습니다.
하지만 이것이 우리가 스포츠계에서 하고 있는 일과 어떤 관련이 있을까요?
스포츠는 물리적 세계와 디지털 세계가 완벽하게 교차하는 지점에 위치한다는 점에서 독보적입니다. 많은 산업이 텍스트, 코드, 이미지로 이루어진 디지털 세계에만 국한되어 있는 반면, 스포츠는 근본적으로 인간이 실시간으로 자신의 몸을 움직여 만들어내는 활동입니다. 스포츠는 경제적 측면뿐만 아니라 사회적 측면에서도 지구상에서 가장 가치 있는 자산 중 하나이며, 보편적인 언어를 통해 국경을 넘어 공동체를 연결하는 전 세계적 사회 구조의 일부를 형성합니다. 우리는 이러한 인간의 순간들을 깊이 소중히 여기기 때문에, 데이터의 생성 및 AI 통한 데이터 활용은 어떠한 비난도 받아서는 AI . 이 글을 쓰게 된 동기는 두 가지입니다:
다음은 그동안 제가 파악한 주요 트렌드와, 이러한 트렌드가 Stats Perform Perform에서 우리가 진행하는 업무와 어떻게 연결되는지에 대한 요약입니다.
엔비디아(NVIDIA)의 GTC 행사에서 젠슨 황 CEO는 우리가 전통적인 데이터 센터의 시대를 넘어섰다고 강조했습니다. 수십 년 동안 데이터 센터는 정보의 저장 및 검색을 위해 설계된, 수동적인 비용 센터에 불과했습니다. 오늘날 우리는 실제 업무가 수행되는 시설인 AI 구축하고 있습니다. 이러한 새로운 패러다임에서 에이전트형 AI 그 업무를 수행하는 엔진 AI .
실질적으로 이러한 에이전트 기반 시스템은 디지털 직원과 같은 역할을 수행합니다. 즉, 계획을 세우고, 소프트웨어를 활용하며, 여러 단계로 구성된 워크플로를 자율적으로 완료할 수 있는 시스템입니다. 다음과 같은 도구들 Claude Code 나 OpenClaw 와 같은 도구는 이러한 새로운 “자동화된 노동”의 일면을 엿볼 수 있게 해줍니다.
비즈니스 운영의 관점에서 볼 때, 논의의 초점은 AI 어떻게 활용할 것인가?”에서 “AI를 어떻게 AI를 가장 효과적으로AI?"로 전환되었습니다. AI 코드 작성이나 콘텐츠 생성을 놀라울 정도로 쉽게 AI , 동시에 새로운 코드베이스와 산출물을 유지 관리하고 검증해야 하는 새로운 부담도 안겨주었습니다.
이러한 시스템을 어디에 활용할지에 대해서는 현실적인 접근이 필요합니다. 토큰은 공짜가 아닙니다. 단순한 스프레드시트 쿼리를 처리하는 데 고성능 추론 에이전트를 사용하는 것은 마치 식료품점에 가기 위해 제트 엔진을 사용하는 것과 같습니다. 바로 이 때문에 AI 에이전트형 AI 활용의 실제 비용을 반영하기 위해 가격 정책을 급속도로 변경하고 있는 것입니다. 기업들이 주의를 기울이지 않으면 컴퓨팅 예산을 순식간에 소진해 버릴 수 있습니다 . 게다가 모든 자동화된 작업은 새로운 보안 위험 요소이기도 합니다. 앤트로픽(Anthropic)의 '마이토스(Mythos)' 모델이 최근 수십 년간의 수동 검토를 거쳤음에도 발견되지 않았던 취약점을 단 몇 초 만에 찾아내며 이를 입증했습니다 .
여러모로 이는 고전적 기계 학습의 핵심 원칙을 반영합니다. 즉, 선형 모델은 정규화가 더 쉽고, 해석하기 쉬우며, 오류가 발생하기 어렵기 때문에 때로는 딥 뉴럴 네트워크보다 우수할 수 있습니다.
2026년을 위한 메시지는 분명합니다:
AI 어떻게 작동하는지 이해하지 못하고 이를 검증할 수 없다면, 아마도 그 시스템을 개발해서는 안 될 것입니다. ‘블랙박스’ 변명은 이제 통하지 않습니다. EU AI 같은 규제가 이 본격적으로 시행되고 미국 각 주에서 엄격한 민사 책임을 규정하는 법이 도입됨에 따라, 조직은 이제 모든 “자율적” 환각에 대해 법적·윤리적 책임을 져야 합니다. 이해하지 못하는 시스템 뒤에 숨어 있을 수는 없습니다.
AI 성공하기 위해서는 조직에 AI 총괄하고, 예외적인 상황을 파악하며, 필요할 때 개입할 수 있는 전문가가 필요합니다.
내가 방문한 각종 정상회담과 강의실에서, 모든 대화의 중심에는“내 직업의 미래는 어떻게 될까?”라는 한 가지 질문이 자리 잡고 있었다. 갓 졸업한 신입사원이든 일자리를 잃은 근로자든, 디지털 세계를 자율적으로 탐색하고 스스로 소프트웨어를 작성할 수 있는 AI 부상은 그들에게 뚜렷한 두려움을 안겨주었다.
우리는 지금 실시간으로 역설적인 현상을 목격하고 있습니다. AI 미래 직업의 기반이 AI 있음에도 불구하고, 이번 학년도 컴퓨터공학 전공 등록 인원은 8.1% 감소하여 모든 전공 중 가장 큰 하락폭을 기록했습니다.
왜 이런 하락세가 나타났을까요? 제 생각에는 ‘코더의 시대’가 ‘컨텍스트 전문가의 시대’로 대체되고 있기 때문입니다. 일반적인 코딩 지식은 이제 흔한 것이 되어가고 있습니다. 차별화 요소는 심도 있는 분야 전문성, 특히 에지 케이스, 제약 조건, 현실 세계의 변동성을 이해하고 검증해야 하는 ‘마지막 단계’에서의 전문성입니다. AI 일반적인 사례를 AI 따라, 가장 중요한 시나리오에서 시스템이 올바르게 작동하도록 보장하는 데 있어 인간의 전문성이 결정적인 역할을 하게 됩니다.
의학, 법학, 금융과 같은 규제 대상 분야에서는 그 가치가 추측에 기반한 ‘예측’에서 결정론적 검증으로 옮겨가고 있다. 이것이 바로 제본스 역설 가 현실로 나타나는 현상입니다. AI 기본적인 인지 작업을 더 저렴하고 빠르게 AI 주지만, 우리는 일을 덜 하는 것이 아니라 기하급수적으로 더 많은 작업을 만들어냅니다. 우리는 전자 스프레드시트가 도입되었던 회계 분야에서 이미 이런 현상을 목격한 바 있습니다. 많은 이들이 회계사의 필요성이 줄어들 것으로 예상했지만, 결국 이 분야는 더욱 확대되었습니다. 산출물이 늘어나면 위험도 함께 증가합니다. 그 결과 업무량이 줄어들기는커녕, 그 업무를 검증하고, 타당성을 확인하며, 궁극적으로 책임질 수 있는 고도의 전문성에 대한 수요가 커지고 있습니다. AI 이 과정을 지원할 AI , 책임 소재는 자동화될 수 없습니다. 검증과 최종 승인에는 여전히 인간 전문가가 필수적입니다.
하지만 코딩이 핵심 역량으로서 사라지지는 않을 것으로 보입니다. 오히려 뛰어난 코딩 능력과 심도 있는 분야 전문 지식을 결합할 때 진정한 경쟁력이 발휘될 것입니다. 코딩과 AI 점차 모든 학문 분야의 기초가 AI , 독립된 전문 분야가 아닌 핵심 역량으로 자리 AI .
스포츠에서는 전문성을 속일 수 없다.
위험 부담이 너무 크고, 상황도 너무 특수한 편입니다. 새로운 진입 장벽은 단순히 기술적 역량에 그치지 않습니다. AI 검증하고 가치 사슬의 상위 단계에서 활동하며, 단순한 설명적 분석에서 벗어나 팀과 팬들에게 실질적인 영향을 미치는 처방적 혁신을 이끌어내기 위해 필요한 분야별 전문 지식이 바로 그 장벽입니다.
이러한 변화의 뚜렷한 사례가 우리 Opta Forum에서 드러났습니다.
과거에는 분석가와 데이터 과학자들이 대시보드 관리와 일상적인 보고 업무에 얽매여 있었습니다. 하지만 Agentic AI 덕분에 이러한 양상이 변화하고 있습니다. 대시보드는 이제 검증 단계로 진화하고 있습니다. 더 이상 인사이트를 도출하는 최종 단계가 아니라, AI 준비한 작업을 검토하고 검증하는 인터페이스로 거듭나고 있는 것입니다. 전 세계 유수 구단들과의 대화에서 한 가지 공통된 주제가 드러났습니다. 바로 분석가와 데이터 과학자들이 마침내 오랫동안 해결하고 싶어 했던 문제들에 집중할 수 있게 되었다는 점입니다.
이러한 변화로 인해 분석가들은 단순히 결과물을 관리하는 데 그치지 않고 그 결과물의 정확성을 책임지게 되며, 그로 인해 이전에는 손댈 수 없었던 고부가가치·고영향력 과제들의 누적된 업무에 대처할 수 있는 여력을 확보하게 됩니다.
오늘날 AI 상당 부분은 시스템의 실제 운영, 거버넌스 체계 구축, 일자리 대체에 대한 우려 해소 등 ‘방법론’에 초점을 맞추고 있다. 하지만 더 근본적인 변화가 일어나고 있다. 바로 AI 디지털 세계를 넘어 물리적 세계로 AI 점이다.
이것이 바로 물리적 AI의 부상입니다.
대부분의 사람들이 물리적 AI 떠올릴 때, 휴머노이드 로봇을 상상합니다. 로봇공학이 차세대 주요 분야로 급부상하고 있는 가운데, 이를 가능하게 하는 핵심적인 돌파구는 바로 월드 모델 의 개발입니다. AI 현실 세계의 물리 법칙과 상호 작용을 점점 더 높은 정확도로 이해하고 시뮬레이션할 수 있는 AI . 주로 텍스트와 이미지를 기반으로 추론하는 기존의 대규모 언어 모델(LLM) 및 대규모 시각 모델(VLM)과 달리, 월드 모델은 공유된 임베딩 공간에서 사물, 환경, 운동, 상호 작용 역학에 대한 통합적인 표현을 학습합니다. 이러한 모델은 물리적 환경에서 지각, 추론, 계획 수립, 의사 결정을 가능하게 하는 기초가 됩니다.
수년 동안 우리는 오류가 발생하면 링크가 끊어지거나 잘못된 결과가 나오는 디지털 환경에서만 업무를 수행해 왔습니다. 하지만 현실 세계에서는 오류가 실제적인 결과를 초래합니다. 실수로 인한 대가는 훨씬 더 커집니다. 바로 이 때문에 검증 작업이 그 어느 때보다 중요해집니다.
이러한 변화를 가능하게 하는 핵심 요소 중 하나는 고성능 디지털 트윈의 활용입니다. 디지털 트윈이란 시스템이 실제 환경과 상호작용하기 전에 안전하게 훈련되고 테스트될 수 있는 가상 환경을 말합니다. 하지만 이러한 시스템의 성능은 이를 구축하는 데 기반이 되는 데이터와 가정의 질에 따라 좌우됩니다. 이를 잘 보여주는 대표적인 사례로, Waymo가 구글의 Genie 3 모델을 활용해 현실에서는 포착하기 매우 어려운 실제와 같은 시나리오를 시뮬레이션하고 있는 점을 들 수 있습니다. 이러한 상황은 과거에 발생하지 않았을지라도 앞으로 발생할 가능성이 있으므로, 이러한 상황에서 어떻게 대응해야 할지 아는 시스템을 갖추는 것이 안전성과 신뢰성을 확보하는 데 핵심입니다.
이는 새로운 형태의 데이터 경쟁 우위를 창출합니다. 단순히 규모뿐만 아니라 정확성과 현실 기반성을 갖춘 것이죠. 이는 심도 있는 분야 전문 지식의 필요성을 더욱 강조합니다. 즉, AI 실제 운영 환경을 정확히 반영하도록 보장하는 과학자와 엔지니어들이 필요합니다.
AI 현실 세계에 점점 더 AI 따라, 인간의 전문성이 차지하는 역할은 줄어들지 않고 오히려 더욱 중요해집니다. 시스템이 현실 세계에서 작동할 때, 신뢰는 더 이상 선택 사항이 아니라 필수 요소이기 때문입니다.
스포츠는 물리적 세계와 디지털 세계의 교차점에 위치해 있습니다.
수십 년 동안 스포츠 AI 그래픽, 요약, 간단한 통계와 같은 정보를 제공하는 데 주로 활용되었습니다. 오늘날 팬들과 팀들은 데이터와 소통하기를 원합니다. 바로 이 지점에서 범용 AI , 특정 분야에 특화된 AI . AI 구축하는 것은 단순히 범용 모델(예: 대규모 언어 모델(LLM)이나 세계 모델)을 적용하는 것이 아니라, 해당 경기의 데이터, 물리적 특성, 언어에 대한 깊은 이해가 필요합니다.
Stats Perform강점은 스포츠 분야에만 존재하는 세 가지 핵심 영역에 대한 심도 있는 전문성에서 비롯됩니다:
이 기반은 당사의 3단계 시스템을 가능하게 합니다:
이러한 단계들이 바로 AI 신뢰할 수 있게 만드는 요소입니다.
현실과 밀접하게 연결된 감각과 언어가 없다면 추론은 무너진다. 대시보드를 검증 단계로 전환함으로써 분석가들은 출력물을 생성하는 단계에서 이를 검증하는 단계로 나아가게 되며, 이를 통해 더 심층적인 모델링과 혁신에 집중할 수 있는 여유를 얻게 된다.
이것은 단순히 더 빠른 도구를 만드는 문제가 아닙니다. 이는 세계에서 가장 중요한 분야 중 하나를 위한 ‘진실의 기반’을 구축하는 일입니다.
더 자세한 내용을 알고 싶으신 분들을 위해,Forum NVIDIA GTC와Forum 에서 제가 진행한 세션 링크를 첨부했습니다.
