Why Large Enterprise is Scared to Partner with Frontier Labs

🌐 오픈모델은 데이터 사업을 잠식하는가? Topic 01

Kimi K2 같은 오픈 웨이트 모델이 잇달아 나오면서 "프론티어 폐쇄모델 → 오픈"으로의 대이동 서사가 유행. 하지만 Oswald는 정면으로 반박한다. "데이터는 모델 성능의 프론티어에서 가장 값비싸다."

오픈 모델은 바닥(floor)만 올릴 뿐이다. K3(가상)가 이미 할 수 있는 걸 아무도 돈 주고 사지 않을 뿐, 각 랩이 여전히 "새 역량(gap)"을 원하는 한 데이터 수요는 계속 증가한다. Mercor의 고객은 각자 다른 목표를 갖고 있고, 현재 모델이 못하는 갭을 메우기 위해 eval/학습 데이터셋을 사간다.

🏢 엔터프라이즈의 프론티어 랩 공포증 Topic 02

Alex Karp(Palantir)의 지적 — "대기업이 프론티어 모델 회사와 데이터 공유하기를 극도로 꺼린다" — 에 Oswald는 동의한다. 다만 워크플로우 유형별로 다르다.

비민감·범용 영역 (HR·조달) → 프론티어 폐쇄모델에 위탁해도 OK. 핵심·차별화 업무 (예: 로펌의 실제 법률 메모, 클라이언트 자문) → 민감도 급증. 오픈 웨이트를 자체 인프라에서 돌리려는 유인이 강하다.

💵 엔터프라이즈 AI ROI 문제 Topic 03

"현재는 ROI 문제 없음. 탐색·실험기(period of exploration)에 있다." 토큰 가격·성능 곡선이 너무 빨리 움직여서 아직은 관용 구간이 이어진다. ROI 계산 자체가 급변할 수 있는 시기.

지출 최적화 조언:

• • 성장 단계 회사 → 단위경제성만 잡히면 성장에 필요한 만큼 태워라.
• • 코딩 에이전트 지출은 COGS가 아니라 복리 이득.
• • 고객서비스 에이전트: 토큰 지출 > 발생 매출이면 위험.

Oswald는 조직 내부에서도 팀별로 관용도를 차별화해야 한다고 본다. 솔루션 엔지니어링/FDE는 유닛경제 관점에서 타이트하게, R&D는 더 관용적으로.

🧑‍💻 PM 조직 재편 & 채용 원칙 Topic 04

엔지니어링 병목이 사라지자 새로운 병목 = PM이 됐다. Mercor는 PM:엔지니어 비율을 계속 높이는 방향. 팀은 pod 단위(각 4~5명), 두 축은 Marketplace(전문가-일 매칭)와 Studio(어노테이션·Eval 플랫폼).

Product Surface Area는 급팽창하기 쉽다 → 오히려 단순화·축소 전쟁을 상시 벌인다. 실제 케이스: Studio 어노테이션 플랫폼이 고객 요청을 다 받아주다 수백 개 프로젝트로 카오스가 됐고, 뒤늦게 지원 워크플로우를 좁혔다.

채용 원칙 변화

주니어보다 시니어 편향, 툴 스킬은 무의미. 평가 축은 비즈니스 임팩트 판단력 + 통계·실험 설계 + 시스템 디자인. AI로 사고를 오프로드하는지 검증하는 게 관건. Take-home은 "에이전트로 뭐 만들어와 봐" 한 번만 하고 화이트보드 인터뷰 중심.

🛠️ 서비스가 미래인가 — Palantir/MSFT Topic 05

단기적으로는 YES, 장기적으로는 지식 확산 문제. SF에 몰린 "에이전트 배포·평가 노하우"가 전 산업에 퍼지는 데 ~10년 걸릴 것이다. 그때까지는 Palantir·MSFT의 서비스팀 확장이 합리적 선택.

Matt(Factory)의 반박 — "서비스는 crap product의 변명일 뿐" — 에 대해 Oswald는 "지식 확산 문제로 봐야 한다. 지금 talent pool이 부족한 게 본질. 결국 소프트웨어 엔지니어링처럼 일반 직무가 될 것."

🧪 데이터 프로젝트 & RL Environments Topic 06

가장 빠르게 성장하는 데이터 타입 = RL Environments. 앱의 고충실도 시뮬레이션 + 리치 스타트 스테이트(수백~수천 파일) + 태스크. 예: Salesforce 사용법을 학습시키려면 Salesforce의 고충실도 mock이 필요.

데이터 진화 축: SFT → Preference Ranking → Rubric-based → RL Environments. 이제 학습·평가되는 데이터가 실제 배포 환경과 훨씬 가까워진다.

관리 서비스형 데이터 프로젝트의 본질적 어려움: (1) 엣지케이스 정렬 — 고객·전문가 사이 초고속 얼라인먼트 필요. (2) 편집증적 QA — "every data point is perfect." (3) 데이터 타입이 계속 진화 → 매번 새 카테고리를 세팅해야 함.

🛡️ 사이버 보안 데이터 — 골든에이지 Topic 07

AI 생성 코드 급증 → 취약점 폭증 → 수요 폭발. 사이버는 "AlphaGo형 uncapped 리워드 게임" — 공격·방어의 무한 캣앤마우스. "충족성(sufficiency)" 프레임이 안 통하는 카테고리.

🤖 로보틱스 — 3년 뒤의 대형 기회 Topic 08

오늘 아무도 크게 얘기 안 하지만 Oswald가 가장 흥분해 있는 것 = 로보틱스 데이터. Mercor는 실물·물리 데이터 수집 역량을 확장 중이다.

자율주행과 유사한 궤적 예상 — "ChatGPT 순간"보다는 Waymo/Cruise형 점진적 확산. Harry의 회의론 — "로봇이 15분에 물 한 잔 꺼내고, 알고 보니 Brandon이 옆방에서 조종하고 있더라" — 에 대해 Oswald는 "10년 전 크루즈도 사람이 타고 있었다. 지금 나는 Uber보다 Waymo를 더 많이 탄다"고 답.

📈 Mercor 사업·재무 코멘트 Topic 09

현금흐름 강조 — "매출이 아니다" 논쟁에 대한 응답:

매출 집중도 리스크: 프론티어 랩 3사에 매출 편중. 대응 전략 → 다운마켓 확장: self-serve 프로젝트 + AI project manager. "랩용 white-glove 서비스는 초고비용. 이걸 자동화해서 중소 엔터도 human data 프로젝트를 돌릴 수 있게 만드는 게 방향."

마진 논리: 자동 QC · 합성데이터로 델리버리 개선, 프로젝트별로 마진은 사후결정. 최근엔 전문가 인건비만큼 합성데이터·자동QC용 LLM 지출도 큰 비중.

Supply-side 스케일 비결 3가지: (1) 전문가 경험(정시·투명 지급) → 리퍼럴 프로그램 강화 (2) 세계 각지 spiky demand를 채워주는 sourcing team (3) 프로젝트 커뮤니케이션 품질.

🚀 Bull Case — $200B 시나리오 Topic 10

3년 후 새 매출원 예상: 로보틱스·물리 데이터. "GenAI 대비, 자율주행 대비 로봇 데이터 시장은 nascent. 이게 크게 성장할 것." Mercor는 여기에 supply(전문가·off-the-shelf 데이터 재판매)를 미리 쌓는 전략.

주요 인용 (One-liners)