# 1% 롱테일 엣지
일이란, 본질적으로 어느 정도 하기 싫은 것을 감내하는 행위가 아닐까 싶어요. 그 감내는 자신의 에고를 채우기 위한 것일 수도 있고, 가족을 향한 사랑일 수도 있고, 나와 주변을 윤택하게 할 자원을 만들기 위한 것일 수도 있어요. 어쩌면 그 모두가 저마다의 비율로 섞여 있는 것이겠죠.
그런데 가만히 들여다보면, 일에는 결이 다른 두 얼굴이 있는 것 같아요.
하나는 몰입하게 되는 일이에요. 하는 동안 나 자신과 공명하고, 끝냈을 때 때로는 다른 이의 마음에까지 한 획을 긋는 일. 창의라는 단어가 따라붙는, 어딘가 예술에 가까운 일이죠.
다른 하나는 꼭 필요하지만 귀찮고 어려운 일이에요. 누군가는 반드시 해야 하지만 아무도 선뜻 손들지 않는, 그래서 모두를 위해 억지로라도 떠맡아야 하는, 어느 정도의 희생이 따르는 일이고요.
서로 정반대처럼 보이지만, 두 일 모두 나름의 숭고함을 품고 있어요. 앞의 것은 솟아오르는 숭고함이고, 뒤의 것은 떠받치는 숭고함이에요.
생성형 AI의 부상
AI가 일에 끼어들기 시작했을 때, 많은 분들의 예상은 이랬어요. 귀찮고 반복적인 두 번째 일은 기계가 맡고, 사람은 창의적인 첫 번째 일에 집중하게 되리라고요.
그런데 지금 벌어지는 일은 정반대에 가까워요.
이유는 단순해요. 물리 세계는 어렵거든요. 변수가 너무 많아요. 그래서 기술은 저항이 적은 쪽, 즉 디지털과 정보의 세계에서 먼저 폭발했어요. 그 결과 가장 먼저 흔들린 건 역설적이게도 '창의적으로 보였던' 일들이었죠. 글, 그림, 코드, 디자인 — 디지털 위에 놓인 창의적 산출물부터 AI가 먹어치우기 시작하였습니다.
그리고 이제, 디지털에서 성공적으로 데뷔한 생성형 AI는 '피지컬 AI'라는 이름으로 물리 세계의 문을 두드리고 있어요.
2026년 5월, Figure AI는 세 대의 F.03 휴머노이드를 창고에 풀어놓고 라이브 스트리밍을 켰어요. 운영은 온보드 AI인 Helix-02가 전담했고, 원격 조종도 사람의 개입도 없었죠. 로봇들은 스스로 바코드를 읽고, 택배를 집고, 컨베이어로 흘려보냈어요.
데모의 목표가 인상적이었어요. "로봇이 물리적으로 고장 날 때까지" 멈추지 않는 것. 멈춤의 조건을 성공이 아니라 고장으로 잡은 거예요. 결국 스트림은 100시간을 훌쩍 넘겨 일주일에 가깝게 이어졌고, 그사이 로봇들은 10만 개가 넘는 택배를 분류했어요.
중간에 열린 10시간짜리 '인간 대 기계' 대결에서는 사람이 이겼어요. 단, 1.5%가 채 안 되는 차이로요. 그 한 줌의 격차가, 지금 인간에게 남은 우위의 전부였죠.
자율주행을 떠올려 볼까요. 테슬라도, 구글(웨이모)도, 90% 정확도와 99% 정확도 사이에서 사용자가 체감하는 차이는 어마어마하다고들 해요.
문제는 늘 마지막 1% 미만에서 터져요. 실험실에도, 수집된 데이터셋에도 존재하지 않는 상황. 도로 위에 떨어진 적 없던 무언가, 한 번도 본 적 없는 조합. 이른바 롱테일 엣지 케이스예요. AI 기업이 끝없이 연구하고 고치는 지점이 바로 여기죠.
그런데 피지컬 AI에서 이 롱테일은 소프트웨어에만 있는 게 아니에요. 더 깊은 곳, 그러니까 '몸'에도 있어요.
휴머노이드의 관절에는 하모닉 감속기라는 정밀 부품이 들어가요. 모터의 빠른 회전을 느리고 힘센 움직임으로 바꿔주는, 사람으로 치면 힘줄 같은 부품이죠. 그런데 이 시장은 일본의 하모닉 드라이브 시스템스 한 곳이 세계 점유율 85%가량을 쥐고 있을 만큼, 일본이 거의 독점하다시피 해요. 게다가 전 세계 감속기 제조사의 70%가 그 안에 들어가는 초박형 베어링을 일본·독일 공급자에 의존하고 있고요.
중국은 가격 경쟁력으로 빠르게 추격하고 있어요. 하지만 정작 어려운 건 '오래 버티는 것'이에요. 중국이 국산화한 부품은 응력 시험에서 일본 제품보다 고장률이 약 20% 높다고 보고돼요. 짧은 시연 영상에서는 잘 드러나지 않지만, 공장에서 24시간 쉬지 않고 돌리는 장시간 노동에서는 이 내구성 격차가 결국 드러나죠.
다시 Figure의 데모로 돌아가 볼게요. "고장 날 때까지" 돌린다는 그 도발적인 목표 말이에요. 결국 그들이 증명하려던 것도, 우리가 주목해야 할 것도 소프트웨어의 똑똑함이 아니라 물리적 몸이 얼마나 오래 버티느냐였던 거예요. 롱테일 엣지는 알고리즘의 1%이기도 하지만, 강철과 베어링의 1%이기도 한 셈이죠.
신뢰성은 복리로 무너집니다.
피지컬 AI 한 대가 99%의 가동률과 고장 내성을 갖췄다고 해볼게요. 훌륭하죠. 그런데 공장의 라인은 한 대로 돌아가지 않아요. 수십, 수백 대가 직렬로 엮이거든요. 직렬로 연결된 시스템의 전체 신뢰도는 각 단계 신뢰도를 모두 곱한 값이에요.
모든 단위의 신뢰도가 같다면 이렇게 단순해지죠.
여기에 R = 0.99, n = 100을 넣으면?
개별로는 99%인 기계들이, 100대가 줄지어 서는 순간 시스템 전체의 가동률은 약 37%로 주저앉아요.
즉, 단위 신뢰도가 아무리 높아도 규모가 커질수록 '어딘가 하나는 반드시 멈추는' 상태로 수렴해요. 롱테일 엣지 케이스가 예외가 아니라 일상이 되는 거죠.
그래서 두 번째 일 — 귀찮고 수고스럽지만 안전을 보장하고 희생을 감수하는 그 일 — 의 자리가 남아요. 시스템이 필연적으로 만들어내는 fail을 붙잡는 것. 데이터에 없던 상황 앞에서 책임을 지는 것. 이건 자동화의 반대말이 아니라, 자동화가 깊어질수록 오히려 더 또렷해지는 인간의 몫이에요.
다시 책상 앞으로
이제 지식 노동의 세계로 돌아와 볼게요.
앞서 말했듯, 처음 사람들은 AI가 두 번째 일을 맡고 첫 번째 창의적 일은 사람 곁에 남으리라 여겼어요. 그런데 지금은 그 첫 번째가 먼저 흔들리는 것처럼 보이죠.
정말 그럴까요? 물리 세계에서 길어 올린 롱테일 엣지의 통찰을, 여기에도 똑같이 적용할 수는 없을까요?
닉 보스트롬이 든 유명한 사고 실험이 있어요. 종이 클립을 최대한 많이 만들라는 목표를 받은 초지능 AI를 상상해 보는 거예요. 이 AI는 너무나 유능해서, 목표에 충실한 나머지 지구의 모든 자원을, 끝내는 인간까지도 클립 재료로 바꿔버려요. 악의가 있어서가 아니에요. 그저 주어진 목표를 곧이곧대로, 무서울 만큼 성실하게 수행했을 뿐이죠.
이 실험이 가리키는 본질은 '정렬(alignment)'이에요. AI가 똑똑한지 아닌지가 아니라, AI의 목표가 사람이 진짜 원하는 것, 그리고 현실 세계와 얼마나 정확히 맞물려 있는지가 핵심이라는 거예요. 그리고 이 정렬을 맞추는 일이야말로, 사실 지식 노동의 롱테일 엣지가 숨어 있는 자리예요.
제가 가장 잘 아는 영역인 코딩에서 이야기를 시작해 볼게요.
요즘 개발 현장에는 '스펙 주도 개발(spec-driven development)'이라는 흐름이 있어요. 코드를 바로 짜기 전에, 무엇을 왜 어떻게 만들지를 먼저 또렷한 명세로 적는 방식이에요.
이건 특정 도구 하나의 이야기가 아니에요. 앤트로픽의 클로드 코드(Claude Code)에는 '플랜 모드'가 있어요. Shift+Tab으로 들어가는 읽기 전용 모드인데, 파일을 한 줄도 건드리지 않은 채 먼저 코드베이스를 읽고, 어떤 파일을 어떻게 고칠지 번호 매긴 계획을 세워 보여줘요. 사람이 승인해야 비로소 실행에 들어가죠. OpenAI의 코덱스(Codex)도, 커서(Cursor)의 에이전트 모드도 결을 같이 해요. 곧장 실행하기보다 먼저 계획을 제시하고 합의를 구하는 거예요. 실제로 '먼저 계획하고, 그다음 실행한다'는 패턴은 이제 커서, 리플릿, 윈드서프, 깃허브 코파일럿 같은 주요 도구 전반에 퍼진, 업계 표준에 가까운 흐름이 됐어요.
왜 이런 단계가 생겼을까요? 플랜을 상세히 설계하지 않으면, 에이전트가 내놓는 결과물이 내 의도와 정렬되지 않거든요. 더 무서운 건, 에이전트의 실행 시간이 길어질수록 의도와 결과 사이의 간극이 점점 벌어진다는 거예요. 처음엔 1도 어긋났을 뿐인데, 한참을 달리고 나면 한참 엉뚱한 곳에 가 있죠.
어디서 본 장면 같지 않나요? 맞아요. 앞에서 본 공장의 fail 누적과 정확히 같은 구조예요. 작은 오차가 곱해지고 쌓여서 전체를 무너뜨리는 그 메커니즘. 직렬로 길게 이어질수록 신뢰도가 복리로 깎이는 것처럼, 에이전트의 자율 실행이 길어질수록 의도와의 정렬도 복리로 어긋나는 거예요.
그런데 코딩은 사실 정렬을 맞추기에 비교적 정직한 영역이에요. 코드는 돌거나 안 돌거나, 테스트는 통과하거나 실패하거나, 피드백이 비교적 명확하거든요.
코딩 에이전트를 넘어 도메인 에이전트로 가면 이야기가 달라져요. 법률 에이전트, 음악 프로듀싱 에이전트… 이런 영역은 훨씬 어려워요. 무엇이 '좋은 결과'인지를 환경적으로, 즉 자동으로 채점할 수 있는 피드백으로 설계하기가 어렵기 때문이에요. 설득력 있는 변론, 마음을 울리는 한 소절에는 통과와 실패를 가르는 단위 테스트가 없습니다.
결국 AI와 정렬을 맞춰가며 일을 끝까지 끌고 가, 솟아오르는 1%의 영감으로 마지막 방점을 찍는 것은 사람의 몫으로 남아요.
그 1%는 무엇일까요
그렇다면 그 마지막 1%란 대체 뭘까요. 세스 고딘의 『린치핀』이 그걸 설명할 좋은 언어를 줘요.
고딘은 '린치핀'을 조직에서 대체 불가능한 사람, 시키는 대로만 하지 않고 자기만의 고유한 가치를 더하는 사람이라고 불러요. 그리고 그는 '예술'을 아주 넓게 다시 정의해요. 그가 말하는 예술은 그림이나 음악이 아니라, "자신의 인간다움을 써서 다른 사람에게 변화를 일으키는 의도적인 행위"예요. 거기엔 마음을 쏟는 감정 노동이 들어가고, 머릿속 아이디어에 머물지 않고 끝내 세상에 내보냅니다.
고딘은 이렇게도 말해요. 시키는 일만 충실히 하는 공장의 부품 같은 노동자는 결국 대체된다고요. 흥미롭지 않나요? 그가 이 책을 쓴 건 생성형 AI 시대가 오기 한참 전인데, 그 '대체되는 부품'의 자리를 지금 AI가 채우고 있으니까요. 뒤집어 말하면, AI가 채우지 못하는 자리가 곧 린치핀의 자리, 즉 다른 사람의 마음에 변화를 일으키는 그 1%라는 뜻이에요.
제 생각에 그 1%는, 일을 끝냈을 때 마음에 밀려오는 어떤 감동이나 뿌듯함 같은 거예요. 기존 정보를 그럴듯하게 늘어놓은 게 아니라, 일의 본질에서부터 고민해 끝내 예술이라 부를 만한 방점을 찍었다는 확신. 나 자신이 만족하고, 때로는 다른 이의 마음까지 동하게 하는 임팩트요.
두 개의 1%, 그리고 하나의 감각
여기서 두 1%를 나란히 놓고 보면 흥미로운 구조가 드러나요.
하나는 순서예요. 두 1%는 평행하지 않아요. 위아래로 쌓여 있어요. 무너지지 않게 떠받치는 1%(신뢰성의 꼬리)를 통과한 사람만이, 솟아오르는 1%(탁월함의 정점)를 찍을 자격을 얻어요. 자율주행이 엣지 케이스를 반드시 잡아내야 하는 것처럼요.
다른 하나는, 어쩌면 이 둘이 같은 능력의 두 얼굴이라는 거예요. 롱테일 엣지 케이스를 알아보는 눈과, 마지막 방점을 알아보는 눈. 결국 둘 다 "남들이 평범하다고 넘긴 자리에서 평범하지 않은 무언가를 감지하는" 동일한 감각이에요. 방향만 반대일 뿐이죠. 그러고 보면, 처음에 이 둘을 한 단어로 묶고 싶었던 건 실수가 아니라 직관이었는지도 몰라요.
천재는 1%의 영감과 99%의 노력으로 완성된다 — 에디슨의 이 말은 1903년 무렵, 그의 연구소에 갓 합류한 한 직원에게 건넨 말로 전해져요. 그가 방점을 찍은 건 그 99%, 끈질긴 노력 쪽이었어요. 자신의 발명 중 우연히 나온 건 하나도 없고, 될 때까지 시도하고 또 시도한 결과일 뿐이라고 했으니까요.
그런데 AI 시대에 이 비율은 묘하게 다시 읽혀요. 땀으로 채우던 그 99%를, 이제 기계가 순식간에 메워주거든요. 노력으로 메우던 영역이 흔해지는 순간, 사람에게 남는 차별점은 결국 1%의 영감으로 좁혀져요. 그렇다면 사람이 해야 할 일은 명확하죠. 나머지 1%요. 다만 그 1%를 채우려면, 99%에 대한 깊은 이해와 암묵지가 반드시 전제되어야 하고요.
모든 일은, 이 1%를 채우는 순간 비로소 '제대로 했다'고 말할 수 있는 게 아닐까요.
저는 이것을 1% 롱테일 엣지라고 부르고 싶습니다.
서로 정반대처럼 보이지만, 두 일 모두 나름의 숭고함을 품고 있어요. 앞의 것은 솟아오르는 숭고함이고, 뒤의 것은 떠받치는 숭고함이에요.
모든 단위의 신뢰도가 같다면 이렇게 단순해지죠.
여기에 R = 0.99, n = 100을 넣으면?
개별로는 99%인 기계들이, 100대가 줄지어 서는 순간 시스템 전체의 가동률은 약 37%로 주저앉아요.
즉, 단위 신뢰도가 아무리 높아도 규모가 커질수록 '어딘가 하나는 반드시 멈추는' 상태로 수렴해요. 롱테일 엣지 케이스가 예외가 아니라 일상이 되는 거죠.
그래서 두 번째 일 — 귀찮고 수고스럽지만 안전을 보장하고 희생을 감수하는 그 일 — 의 자리가 남아요. 시스템이 필연적으로 만들어내는 fail을 붙잡는 것. 데이터에 없던 상황 앞에서 책임을 지는 것. 이건 자동화의 반대말이 아니라, 자동화가 깊어질수록 오히려 더 또렷해지는 인간의 몫이에요.
이 실험이 가리키는 본질은 '정렬(alignment)'이에요. AI가 똑똑한지 아닌지가 아니라, AI의 목표가 사람이 진짜 원하는 것, 그리고 현실 세계와 얼마나 정확히 맞물려 있는지가 핵심이라는 거예요. 그리고 이 정렬을 맞추는 일이야말로, 사실 지식 노동의 롱테일 엣지가 숨어 있는 자리예요.
제가 가장 잘 아는 영역인 코딩에서 이야기를 시작해 볼게요.
요즘 개발 현장에는 '스펙 주도 개발(spec-driven development)'이라는 흐름이 있어요. 코드를 바로 짜기 전에, 무엇을 왜 어떻게 만들지를 먼저 또렷한 명세로 적는 방식이에요.
이건 특정 도구 하나의 이야기가 아니에요. 앤트로픽의 클로드 코드(Claude Code)에는 '플랜 모드'가 있어요. Shift+Tab으로 들어가는 읽기 전용 모드인데, 파일을 한 줄도 건드리지 않은 채 먼저 코드베이스를 읽고, 어떤 파일을 어떻게 고칠지 번호 매긴 계획을 세워 보여줘요. 사람이 승인해야 비로소 실행에 들어가죠. OpenAI의 코덱스(Codex)도, 커서(Cursor)의 에이전트 모드도 결을 같이 해요. 곧장 실행하기보다 먼저 계획을 제시하고 합의를 구하는 거예요. 실제로 '먼저 계획하고, 그다음 실행한다'는 패턴은 이제 커서, 리플릿, 윈드서프, 깃허브 코파일럿 같은 주요 도구 전반에 퍼진, 업계 표준에 가까운 흐름이 됐어요.
왜 이런 단계가 생겼을까요? 플랜을 상세히 설계하지 않으면, 에이전트가 내놓는 결과물이 내 의도와 정렬되지 않거든요. 더 무서운 건, 에이전트의 실행 시간이 길어질수록 의도와 결과 사이의 간극이 점점 벌어진다는 거예요. 처음엔 1도 어긋났을 뿐인데, 한참을 달리고 나면 한참 엉뚱한 곳에 가 있죠.
어디서 본 장면 같지 않나요? 맞아요. 앞에서 본 공장의 fail 누적과 정확히 같은 구조예요. 작은 오차가 곱해지고 쌓여서 전체를 무너뜨리는 그 메커니즘. 직렬로 길게 이어질수록 신뢰도가 복리로 깎이는 것처럼, 에이전트의 자율 실행이 길어질수록 의도와의 정렬도 복리로 어긋나는 거예요.
그런데 코딩은 사실 정렬을 맞추기에 비교적 정직한 영역이에요. 코드는 돌거나 안 돌거나, 테스트는 통과하거나 실패하거나, 피드백이 비교적 명확하거든요.
코딩 에이전트를 넘어 도메인 에이전트로 가면 이야기가 달라져요. 법률 에이전트, 음악 프로듀싱 에이전트… 이런 영역은 훨씬 어려워요. 무엇이 '좋은 결과'인지를 환경적으로, 즉 자동으로 채점할 수 있는 피드백으로 설계하기가 어렵기 때문이에요. 설득력 있는 변론, 마음을 울리는 한 소절에는 통과와 실패를 가르는 단위 테스트가 없습니다.
결국 AI와 정렬을 맞춰가며 일을 끝까지 끌고 가, 솟아오르는 1%의 영감으로 마지막 방점을 찍는 것은 사람의 몫으로 남아요.