AI 스타트업 생존 테스트, 단 3개 모델만 흑자 달성
프린스턴 대학 연구진이 AI 에이전트가 500일 동안 가상 소프트웨어 스타트업을 경영하는 'CEO-Bench' 벤치마크를 공개했습니다. 복잡한 의사결정과 자원 분배가 필요한 장기적인 비즈니스 환경에서는 현재 대부분의 강력한 AI 모델조차 파산에 이르렀으며, 고도화된 AI보다 단순 규칙 기반 시스템이 더 나은 성과를 내는 경우가 많았습니다. 이는 좁은 영역의 단순 작업을 넘어, 불확실성 속에서 장기적인 전략을 수립하고 조직을 이끄는 '운영 지능(Steering intelligence)'이 현재 AI 기술의 핵심 한계점임을 시사합니다.
프린스턴 대학교 연구진은 AI 에이전트가 가상의 소프트웨어 기업을 500일간 시뮬레이션하여 운영해야 하는 테스트인 'CEO-Bench'를 구축했습니다. 현재 대부분의 최신 모델들은 파산했으며, AI가 전혀 포함되지 않은 단순한 규칙 기반 휴리스틱(rule-based heuristic) 모델조차 이들 중 거의 모든 모델을 격파했습니다.
AI 에이전트는 버그 수정, 대화에서의 서비스 정책 준수, 웹 기반 워크플로우 완료와 같은 제한된 단일 작업에서 점점 더 나은 성능을 보여주고 있습니다. 프린스턴 대학의 연구에 따르면, 이러한 작업들은 에이전트가 명확한 목표를 받고 간단히 행동한 뒤 빠른 피드백을 얻는 단순한 구조를 공유합니다.
하지만 현실 세계의 중요한 작업들은 이와 전혀 다릅니다. 우선순위를 정하고, 한정된 자원을 할당하며, 불완전한 신호(noisy signals)를 읽고 끊임없이 변화하는 환경에 적응해야 하는 불확실성 속에서 이루어지는 길고 복잡한 의사결정의 연속입니다.
연구진은 바로 이러한 기술을 테스트하기 위해 CEO-Bench를 개발했습니다. 이 벤치마크는 스타트업을 500일 동안 운영하는 것과 같이 장기적인 관점의 현실적인 작업 사례를 시뮬레이션합니다. 연구진은 유명한 일화를 언급했습니다. 1997년 애플은 파산 90일 전이었습니다. 스티브 잡스는 소비자용과 전문가용, 데스크톱과 휴대용이라는 간단한 2x2 매트릭스를 그린 뒤, 애플이 오직 이 네 가지 사분면에 대한 제품만 만들 것이라고 결정했습니다. 이후 아이맥, 아이팟, 아이폰이 탄생했습니다.
저자들은 이러한 종류의 전략적인 운영 지능(steering intelligence)이 오늘날 AI 에이전트가 수행하는 방식과 근본적으로 다르다고 주장합니다. 에이전트들이 개별적인 작업을 수행하는 능력은 빠르게 향상되고 있습니다. 하지만 조직 전체를 장기적인 목표를 향해 이끄는 것은 완전히 다른 차원의 문제입니다. CEO-Bench는 바로 이 '운영 지능'을 측정하기 위한 첫 번째 시도입니다.
가상 소프트웨어 회사의 AI CEO CEO-Bench에서 에이전트는 'NovaMind'라는 가상의 구독형 소프트웨어 기업을 운영합니다. 게임은 고객 수 0명과 100만 달러의 은행 잔고로 시작됩니다. 최종적으로 남은 현금으로 성과를 측정하며, 잔고가 단 한 번이라도 0달러 미어 떨어지면 회사는 파산하고 시뮬레이션은 즉시 종료됩니다.
에이전트는 34개의 도구와 19개의 테이블로 이루어진 데이터베이스를 갖춘 파이썬(Python) API를 통해 회사를 제어합니다. 단순히 개별 명령을 내리는 것을 넘어, 자체적으로 코드를 작성하고 SQL로 데이터베이스를 쿼리하며, 그 결과를 바탕으로 맞춤형 워크플로우를 구축합니다. 연구진은 이러한 방식이 에이전트를 실제 인간 CEO가 직면하는 것과 동일한 도전 앞에 놓이게 한다고 설명했습니다.
결정해야 할 사항이 너무나도 많습니다. 가격 정책 및 구독 등급, 채널별 광고비 지출, 제품 품질 및 R&D, 인프라 용량과 고객 지원은 물론, 기업 고객들과의 다자간 협상까지 포함됩니다. 여기에 더해 에이전트는 가상 소셜 네트워크를 통해 고객의 불만, 경쟁사 소식, 경제 동향을 읽고 직접 게시물을 올릴 수도 있습니다.
지연된 피드백과 숨겨진 변수가 테스트를 어렵게 만든다 이 작업을 어렵게 만드는 것은 바로 시간과 불확실성입니다. 의사결정의 결과는 현실적인 비즈니스 타임라인에 따라 전개됩니다. 매출은 청구일에만 들어오고, R&D 프로젝트는 며칠에서 몇 주가 걸리며, 실수로 인한 타격은 고객 이탈이나 평판 손상을 통해 훗날에서야 드러납니다. 반면 비용은 즉시 발생합니다. 에이전트는 보상이 몇 주 뒤에야 나타날 수 있는 돈을 미리 지불해야 합니다.
회사의 상태 대부분은 숨겨져 있습니다. 에이전트는 고객 만족도, 지불 의향, 최소 품질 기대치 등을 직접적으로 확인할 수 없습니다. 이를 취소율, 고객 지원 티켓, 소셜 네트워크의 반응과 같은 불완전한 신호들을 조합하여 스스로 유추해야 합니다. 시뮬레이션은 각자의 예산, 가격 민감도, 기대치를 가진 26개의 고객 세분화 및 개별 고객들을 모델링합니다.
세상 역시 끊임없이 변합니다. 경쟁사는 주기적으로 고객의 품질 기대치를 높이고, 소비자의 선호도는 시간이 지나며 변하며, 시뮬레이션된 비즈니스 사이클은 수요와 지불 의향에 영향을 미칩니다. 따라서 에이전트는 끊임없이 전략을 수정해야만 합니다.
연구진은 심판 역할을 대형 언어 모델(LLM) 대신 고정되고 투명한 규칙으로 의도적으로 선택했습니다. 그들은 특정 약점을 피하고 싶어 했습니다.