토큰 자본과 학습 루프: 나델라가 던진 기업 AI 전략의 핵심

2026년 6월 14일, 마이크로소프트 CEO 사티아 나델라가 "A frontier without an ecosystem is not stable(생태계 없는 프론티어는 불안정하다)"라는 제목의 장문 글을 X와 LinkedIn에 올렸습니다. 요지는 단순합니다. 모델 성능 경쟁에서 이기는 것만으론 충분하지 않다. 기업이 AI를 통해 진짜 가치를 축적하려면 두 가지 자본, 그리고 그것을 복리로 증폭시키는 학습 루프가 필요하다.

이 글은 나델라의 프레임을 그대로 따라가면서, 기업 AI 전략을 다시 생각해볼 실마리를 정리합니다.

두 개의 자본: 인적 자본과 토큰 자본

나델라는 AI 시대의 기업 자산을 두 개의 축으로 구분합니다.

**인적 자본(Human Capital)**은 구성원이 보유한 지식, 판단력, 관계, 창의성, 패턴 인식입니다. 오랜 시간 현장에서 쌓인 암묵지이며, 어떤 모델도 직접 대체할 수 없는 영역이죠.

**토큰 자본(Token Capital)**은 기업이 소유하는 AI 역량 자체입니다. 외부 API를 빌려 쓰는 것이 아니라 기업이 직접 구축하고 보유하는 모델 가중치, 컨텍스트, 스킬을 의미합니다. 나델라는 이를 "기업이 만들고 소유하는 AI 역량"이라고 정의했습니다.

"Without human direction, you have compute running in circles."

인적 자본 없이 토큰 자본만 있다면, 컴퓨팅이 그냥 원을 그리며 도는 것에 불과합니다. 반대로 토큰 자본 없이 인적 자본만 있다면 AI 시대의 생산성 가속을 따라잡기 어렵습니다. 흥미로운 점은, 나델라가 "토큰 자본이 커질수록 인적 자본은 오히려 더 가치 있어진다"고 말한 부분입니다. 두 자본은 경쟁 관계가 아니라 함께 작동하는 관계라는 것이 논지의 핵심입니다.

학습 루프: 기업의 새로운 IP

두 자본을 복리로 증폭시키는 시스템이 **학습 루프(Learning Loop)**입니다. 나델라는 이를 "hill climbing machine(언덕 오르기 기계)"이라 불렀습니다. 기업이 AI를 사용할수록, 그 사용 기록과 결과가 다시 모델을 개선하는 피드백 회로가 돌아간다는 뜻입니다.

구체적으로 나델라는 세 가지 메커니즘을 언급했습니다.

Private evals(사설 평가 세트): 외부 벤치마크가 아닌, 자사 비즈니스 성과 기준으로 모델 품질을 측정하는 내부 평가 데이터셋입니다. 범용 순위표에서 1위가 아니어도, 내 조직의 업무를 가장 잘 처리하는 모델을 선별할 수 있습니다.
Private RL environments(사설 강화학습 환경): 실제 조직 업무 흔적을 바탕으로 모델을 강화학습하는 내부 "RL 체육관"입니다. 다른 기업은 복제할 수 없는 조직 고유의 데이터가 경쟁 우위로 전환됩니다.
Institutional memory(제도적 기억): 조직의 전문성을 인코딩한, 질의 가능한 살아있는 지식베이스입니다. 구성원이 떠나도 지식이 남습니다.

"You can offload a task, or even a job, but you can never offload your learning."

업무는 위임할 수 있고, 심지어 일자리도 외주로 돌릴 수 있지만, 학습 자체는 절대 아웃소싱할 수 없습니다. 기업이 AI 사용 경험에서 무엇을 배웠는지가 결국 차별화의 원천이 된다는 뜻입니다. 그리고 이 루프는 다른 자산과 달리 시간이 갈수록 복리로 불어납니다.

모델은 갈아끼워도 전문성은 지킨다: 주권 테스트

나델라가 제안하는 전략적 판단 기준 중 하나는 **주권 테스트(Sovereignty Test)**입니다. 범용 "제너럴리스트" 모델을 다른 모델로 교체했을 때, 학습 시스템에 쌓인 "회사 베테랑"의 전문성이 그대로 남아 있는가를 묻는 테스트입니다.

만약 쓰던 모델을 더 좋은 모델로 바꿨을 때 지금까지 쌓은 모든 맥락과 노하우가 사라진다면, 그 기업은 사실상 외부 AI에 종속되어 있는 것입니다. 반면 private evals, RL 데이터, 지식베이스가 모델 독립적으로 운영된다면, 어떤 모델을 써도 기업의 토큰 자본은 보존됩니다.

이 관점에서 보면 "어떤 모델이 더 좋은가"보다 "우리의 AI 역량이 특정 모델에 종속되어 있는가"라는 질문이 훨씬 중요한 전략적 화두가 됩니다. 나델라는 이것을 "다가올 시대에 당신의 통제력과 주권을 가르는 핵심 테스트"라고 표현했습니다.

프론티어 모델이 아니라 프론티어 생태계

나델라 글의 또 다른 핵심은 프론티어 생태계(Frontier Ecosystem) 개념입니다. 그는 우선순위가 "가장 앞선 모델(frontier model)"이 아니라 "그 위에서 가치가 모든 기업·산업·국가로 넓게 흐르는 생태계(frontier ecosystem)"여야 한다고 주장합니다.

여기엔 정치경제적 논거가 깔려 있습니다. 소수의 모델이 모든 가치를 흡수하는 세계는 정치경제가 용납하지 못한다는 것이죠. 나델라는 세계화 1기에 아웃소싱으로 제조 경제가 공동화됐던 사례를 들며, AI 시대에 같은 일이 반복되어선 안 된다고 경고합니다. 모든 조직이 자기 institutional knowledge를 인코딩한 학습 루프를 소유할 수 있어야 한다는 것이 그의 결론입니다.

"인적 자본이 토큰 자본 성장을 이끈다(Human agency will be the driver of token capital growth)"는 표현은 이 맥락에서 읽어야 합니다. 사람이 야심찬 목표를 세우고, 영역을 넘나들며 점을 연결하고, 중요한 패턴을 알아보는 행위 자체가 생태계의 연료가 된다는 뜻입니다.

균형 잡기: 이해상충과 반론

나델라의 프레임을 그대로 수용하기 전에 짚어야 할 점이 있습니다.

첫째, 이해상충입니다. 마이크로소프트는 기업들이 AI 인프라(Azure)에 더 많이 투자할수록 직접적인 수혜를 받습니다. "기업이 토큰 자본을 쌓아야 한다"는 주장은 동시에 클라우드 컴퓨트 수요를 키우는 메시지이기도 합니다.

둘째, 투자자 지표 리프레이밍 의혹입니다. 일부 애널리스트는 이 프레임워크가 Azure 자본지출(capex)과 성장의 디커플링 우려를 새로운 내러티브로 덮으려는 시도일 수 있다고 봅니다.

셋째, 복잡성과 비용입니다. private RL environment와 institutional memory를 제대로 구축하려면 전문 엔지니어링 역량과 초기 투자가 필요합니다. 대기업에는 자연스럽게 적용되더라도, 자원이 제한된 중소기업이나 1인 기업에는 진입 장벽이 존재합니다.

이런 반론들이 나델라의 논지를 무효화하지는 않습니다. 다만 "학습 루프를 어떻게 경량화하여 작은 조직에 적용할 것인가"라는 실용적 질문을 함께 던져야 한다는 뜻입니다.

QJC 앵글: 작은 학습 루프를 소유하는 1인·중소기업 전략

나델라가 그린 그림은 대기업 중심입니다. 하지만 1인 기업과 중소기업도 **작은 학습 루프(Small Learning Loop)**를 소유할 수 있습니다. 구조는 동일하되, 규모와 도구가 다릅니다.

**RAG(검색 증강 생성)**는 institutional memory의 경량화 버전입니다. 자사의 문서, 미팅 노트, 업무 매뉴얼을 지식베이스에 넣고 AI가 참조하게 만들면, 작은 팀도 조직 지식을 AI에 인코딩할 수 있습니다.

경량 파인튜닝은 private RL의 간소화입니다. 자사 작업물과 피드백을 소량이라도 모아 모델에 반영하면, 범용 모델보다 특정 업무에서 더 나은 결과를 얻을 수 있습니다. (배포 비용·기간은 회사별 편차가 크며, 업계에 떠도는 추정치를 단정적으로 받아들이기보다 자사 상황에 맞춰 판단하는 편이 안전합니다.)

도메인 eval 구축은 private evals의 소규모 버전입니다. "우리 비즈니스에서 좋은 AI 응답이란 무엇인가"를 10~20개의 테스트 케이스로 정의하는 것부터 시작할 수 있습니다.

핵심은 규모가 아니라 소유 여부입니다. 외부 API를 쓰더라도, 그 위에 자사의 맥락과 평가 기준을 쌓아가는 조직은 학습 루프를 소유하고 있습니다. 그렇지 않은 조직은 API 비용만 지불하면서 종속 상태에 머물게 됩니다. 남의 모델은 따라 살 수 있어도, 우리 회사의 기억은 살 수 없으니까요.

자주 묻는 질문

Q: 토큰 자본과 인적 자본 중 어느 것을 먼저 키워야 하나요?

둘은 순서가 아니라 동시에 성장합니다. 인적 자본(사람의 판단과 지식)이 있어야 AI에 올바른 방향을 줄 수 있고, 그 사용 경험이 토큰 자본을 형성합니다. 시작은 구성원이 AI를 실제 업무에 적극 활용하고, 그 결과를 평가하는 루틴을 만드는 것입니다.

Q: 주권 테스트를 실제로 어떻게 해볼 수 있나요?

지금 사용 중인 AI 모델을 다른 모델로 바꾼다고 가정해보세요. 현재 축적된 프롬프트, 평가 기준, 업무 데이터가 그대로 이전되나요? 만약 모델 교체와 함께 모든 것이 처음으로 돌아간다면, 아직 주권이 없는 상태입니다. 모델과 분리해 이식 가능한 형태로 지식을 관리하는 것이 출발점입니다.

Q: 소규모 팀이 학습 루프를 시작하는 현실적인 첫 단계는 무엇인가요?

가장 단순한 방법은 "AI가 잘 처리한 사례"와 "AI가 틀렸던 사례"를 별도 파일로 기록하는 것입니다. 이것이 도메인 eval의 씨앗입니다. 10개가 쌓이면 패턴이 보이고, 50개가 되면 모델 선택과 프롬프트 개선에 직접 활용할 수 있습니다.

Q: 나델라의 '생태계 우선' 주장이 한국 기업에도 적용되나요?

기본 논리는 동일합니다. 다만 한국 시장에서는 자체 생태계를 보유한 국내 빅테크와, 글로벌 API를 빌려 쓰는 대다수 기업 간의 격차가 더 빠르게 벌어질 수 있습니다. 중소기업과 스타트업일수록 작게라도 학습 루프를 소유하는 전략이 장기 생존에 중요해집니다.

토큰 자본과 학습 루프: 나델라가 던진 기업 AI 전략의 핵심