
앤트로픽의 AI 개발은 2배 빨라졌다, 감시는 따라가나
METR은 앤트로픽의 잘 정의된 과제 능력 향상 속도가 약 두 배가 됐다고 봤다. GPT-6 Cyber의 대규모 취약점 실험은 왜 감독 속도도 함께 높아져야 하는지 보여준다.
요약
AI가 다음 AI를 만드는 일은 더 이상 먼 미래의 가정이 아니다. 독립 평가 기관 METR은 앤트로픽 내부 자료에 접근해, 2026년 10월 기준 잘 정의된 과제에서 모델 능력이 향상되는 속도가 2024년 3월~2025년 10월보다 약 두 배 빨라졌다고 평가했다. 정확한 값은 1.3배에서 3배 사이일 수 있다는 큰 불확실성도 함께 밝혔다.
핵심은 단순히 새 모델이 더 똑똑해졌다는 소식이 아니다. AI가 연구·코딩·실험·평가에 들어가면 능력 향상이 다음 능력 향상을 더 빨리 부르는 피드백 루프가 만들어진다. 이때 안전의 병목은 한 모델의 표면적 행동을 점검하는 일에서, 개발 속도 자체를 독립적으로 측정하고 출시 조건에 연결하는 일로 옮겨간다.
2배 가속이 의미하는 것
METR이 말한 2배는 벤치마크 점수가 하루아침에 두 배가 됐다는 뜻이 아니다. 가속은 성장률의 변화다. 이전에 2년 걸리던 능력 진전을 1년에 만드는 속도를 의미한다. METR의 내부 지표 분석에서 2025년 10월 이후 앤트로픽 모델의 벤치마크 성장 속도는 그 이전의 1.9배였고, 95% 신뢰구간은 1.5~2.8배였다.
METR은 이 변화가 훈련 컴퓨트 증가 속도 때문이라는 가설은 비교적 확실하게 배제했다. 대신 AI를 R&D에 광범위하게 사용한 것이 현재 가속의 대부분을 설명할 가능성이 크다고 봤다. 다만 어떤 훈련 단계와 알고리즘 개선이 속도를 끌어올렸는지는 상업·안전상의 이유로 상당 부분 가려져 있다.
자동화와 자율성을 구분해야 한다
앤트로픽이 8월에 공개한 R&D 자동화 지수는 피드백 루프의 내부를 보여준다. 클로드가 사람의 감독 아래 대부분의 작업을 끝까지 이끌 수 있는 ‘리드’ 수준의 R&D가 26%였고, 사람의 세밀한 지시 아래 큰 작업 덩어리를 수행하는 ‘협업’ 이상은 90%를 넘었다. 하지만 완전한 자율 수준으로 분류된 R&D 영역은 없었다.
즉, 현재 위험을 ‘AI가 혼자 자기 후속 모델을 만든다’는 식으로 단순화하면 핵심을 놓친다. 지금의 가속은 사람과 AI가 결합한 연구 조직이 실험 사이클을 압축하는 현상에 가깝다. 반면 미국 SEC에 제출된 앤트로픽의 수정 상장신고서는 현재 모델이 아니라 미래 모델에 대한 내부 예상치가 ‘AI에 의한 극적인 개발 가속’ 임계치에 곧 도달할 수 있음을 명시했다. 현재 능력과 임계치 예고를 분리해 읽어야 한다.
GPT-6 Cyber가 보여준 피드백 루프의 출력
같은 시점에 오픈AI가 공개한 GPT-6 Cyber는 R&D 가속이 어떻게 운영 능력으로 바뀌는지 보여주는 별개의 사례다. 오픈AI에 따르면 자동화 파이프라인은 리눅스 커널 후보 2,308건을 분석해 1,724건을 동적으로 재현했고, 그중 948건에서 작동하는 로컬 권한 상승 익스플로잇을 만들었다. API 크레딧 기준 총비용은 약 121만 달러였고, 사람 연구자가 결과와 패치 후보를 마지막에 검토했다.
이 수치는 독립 재현이 아닌 제공사 보고이며, 앤트로픽의 가속 원인을 직접 입증하지도 않는다. 그럼에도 의미는 분명하다. 더 나은 모델이 동일한 하네스를 다시 돌리면 이전 세대가 놓친 취약점을 대량으로 실전 가능한 증거로 바꿔 놓을 수 있다. 모델 개발, 제품 배포, 오픈소스 패치 역량이 각자 다른 속도로 움직이면, 가장 느린 안전 고리가 전체 시스템의 한계가 된다.
독립 평가도 빨라져야 한다
METR의 보고서는 외부 평가의 가능성과 한계를 동시에 보여준다. 연구진은 미공개 모델 성능, 훈련 컴퓨트, 전·후학습 지표, 직원 설문과 인터뷰까지 접근했다. 하지만 실제 가속을 만든 훈련 파이프라인의 세부 증거와 병목 분석의 상당 부분은 앤트로픽의 요청으로 가려졌다. AP 보도에서 앤트로픽은 이를 상업적으로 민감하고 경쟁자에게 가속의 지도를 줄 수 있는 정보라고 설명했다.
따라서 현재의 2배 추정치를 산업 전체의 절대적 사실로 읽어서는 안 된다. 잘 정의된 과제의 가속이 모호한 연구 선택과 새 아이디어 발견에서도 같이 나타날지, 자사 모델을 평가자로 쓰는 측정이 공통 오류를 만들지, 다른 랩에서도 같은 지표가 재현될지는 열려 있다. 좋은 감사는 숫자 하나를 고정하는 일이 아니라, 새 모델이 나올 때마다 같은 방법과 외부 테스트 세트로 변화를 반복 측정하는 제도에 가깝다.
개발팀이 준비할 새 릴리스 게이트
제품·모델 개발팀은 AI 사용량보다 ‘AI가 어떤 개발 결정을 앞당겼는가’를 남겨야 한다. 코드 작성, 실험 설계, 데이터 선별, 평가 통과, 취약점 재현에서 사람과 AI의 역할을 분리해 기록하면 가속의 원천과 오류의 경로를 같이 추적할 수 있다. 모델 스냅샷, 프롬프트, 도구 권한, 실행 환경, 실패 이력을 하나의 재실행 가능한 단위로 묶는 것이 출발점이다.
릴리스 직전에는 내부 성공률보다 독립 보류 세트와 실제 운영 제약을 먼저 봐야 한다. 특히 코딩·보안 에이전트는 업스트림 유지보수자가 검토할 수 있는 패치 속도, 실패한 후보를 격리하는 방법, 허가된 대상 밖으로 나가지 않는 권한 경계를 같이 입증해야 한다. 모델 속도를 출시 속도로 그대로 번역하지 않는 것이 오히려 빠른 팀의 조건이다.
Kyurasi의 관점에서 이번 변화의 단위는 모델 하나가 아니라 피드백 루프다. 경쟁력은 AI가 얼마나 많이 일하는지보다, 그 일이 다음 모델과 제품을 얼마나 빨리 바꾸는지에서 갈린다. 안전성 역시 동일한 루프 안에서 같은 속도로 학습하지 못하면, 사후 문서가 아니라 다음 세대의 병목이 된다.
출처
- Independent Assessment of AI R&D Acceleration at Anthropic in October 2026 - METR (https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/)
- Measurements for understanding the pace of AI development inside frontier labs - Anthropic (https://www.anthropic.com/institute/measuring-pace-of-ai-development)
- Anthropic, PBC Form S-1/A - U.S. Securities and Exchange Commission (https://www.sec.gov/Archives/edgar/data/2130357/000162828026068676/anthropicpbc-sx1ax1.htm)
- Anthropic is speeding up its AI development, outside researchers say - Associated Press (https://apnews.com/article/anthropic-metr-ai-claude-acceleration-9cf8c590ffc1abdb489179bdccc69c23)
- GPT-6 Cyber: Advancing the frontier of aligned cybersecurity agents - OpenAI (https://openai.com/index/introducing-gpt-6-cyber/)
- A thousand fewer paths to root - OpenAI (https://openai.com/index/a-thousand-fewer-paths-to-root/)


