it-sue

아마존은 왜 21년 된 서비스를 갑자기 접었을까

필자가 이 소식을 처음 봤을 때 솔직히 좀 의아했다. 아마존이 2005년부터 운영해온 메커니컬 터크를 오는 9월 30일자로 완전히 닫는다는 CNBC의 보도였다. 단순한 서비스 종료치고는 상징성이 꽤 크다는 생각이 들었다.

메커니컬 터크는 제프 베조스가 ‘인공 인공지능’이라 부르며 만든 크라우드소싱 플랫폼이다. 캡차 판독이나 감정 분석처럼 기계가 못하던 잗다란 작업을, 사람이 대신 처리하고 소액을 받는 구조였다. 아이러니하게도 이 인간 노동의 흔적은 훗날 수많은 AI 데이터 라벨링의 원형이 됐다.

체스 두는 가짜 로봇에서 이름을 따온 사연

원래 ‘메커니컬 터크’는 18세기 유럽을 놀라게 한 가짜 체스 기계의 이름이다. 실제로는 상자 안에 사람이 숨어 말을 움직였을 뿐이었다. 아마존이 이 이름을 빌려온 건, 자사 플랫폼 역시 ‘AI처럼 보이지만 실은 사람이 하는 일’이라는 걸 스스로 인정한 셈이다. 개인적으로는 이 작명 감각이 꽤나 솔직했다고 본다.

배경: 왜 하필 지금 문을 닫나

아마존 측이 내놓은 표면적 이유는 자동화다. 저가 반복 작업 시장이 AI 자동 라벨링으로 빠르게 대체됐다는 설명이다. 아마존은 이미 지난 7월부터 신규 고객 가입을 중단한 상태였다.

하지만 여기서 눈에 띄는 건 따로 있다. 한 연구에 따르면 메커니컬 터크 작업자의 최대 46%가 사람 대신 대형언어모델의 답변을 그대로 제출한 것으로 나타났다. 사람의 판단력을 사고파는 시장에서, 정작 사람이 AI를 대신 돌린 셈이다. 솔직히 이건 좀 아이러니하다.

이 신뢰 붕괴는 AI 데이터 라벨링 산업 전체의 뼈아픈 딜레마를 보여준다. 좋은 AI를 만들려면 깨끗한 사람 데이터가 필요한데, 그 데이터를 만드는 사람들마저 AI에 기대기 시작한 셈이다. 필자가 보기엔 이 순환 구조야말로 이번 종료의 진짜 배경에 가깝다. 앞서 다룬 데이터 오염(Data Poisoning) 문제와도 결이 비슷하다.

데이터 라벨링 시장은 세 개 층으로 쪼개지고 있다

아마존은 메커니컬 터크뿐 아니라 세이지메이커 그라운드 트루스와 어그멘티드 AI도 같은 날 정리한다. 인간 데이터 수집 인프라 사업 자체에서 발을 빼는 모양새다. 이 지점이 흥미로운데, 시장이 통째로 사라진 게 아니라 세 개 층으로 재편되고 있다는 점이다.

계층	시급대(달러)	특징	현재 동향
저가 반복형	1~12	캡차, 단순 분류, 짧은 태깅	자동 라벨링에 빠르게 잠식
중급 전문형	20~85	금융·의료 등 도메인 지식 필요	수요 유지 및 완만한 확대
고급 전문가형	85~200	박사급 전문가의 정교한 검증	신흥 업체 중심 급성장

표에서 보듯 저가 반복 작업은 자동 라벨링에 완전히 자리를 내주는 흐름이다. 반면 금융이나 의료처럼 전문성이 필요한 영역은 오히려 몸값이 오르는 역설이 나타난다. 개인적으로는 이 양극화가 AI 데이터 라벨링 노동시장 전반에서 앞으로 더 뚜렷해질 것으로 본다.

업계의 전략적 대응, 그리고 남는 빈자리

메커니컬 터크가 빠진 자리를 노리는 곳도 이미 여럿이다. 전문가 매칭 플랫폼 머서는 시급 95달러대 고급 인력을 연결하며 몸집을 빠르게 키우고 있다고 알려졌다. 스케일AI는 도메인 특화 주석 파이프라인에, 프로리픽은 학술 연구용 참여자 풀에 집중한다는 분석이 나온다.

공교롭게도 아마존은 이 빈자리를 채울 자체 후속 서비스를 AWS 생태계 안에 내놓지 않았다. 개인적으로는 이 선택이 의미심장하다고 느꼈다. 값싼 크라우드소싱 노동이라는 사업 자체를, 아마존 스스로도 더는 승산이 없다고 판단한 것처럼 보이기 때문이다.

국내에서도 크라우드웍스 같은 데이터 라벨링 기업들이 비슷한 재편 압력을 받고 있다는 관측이 나온다. AI 학습 데이터 조달 방식이 통째로 바뀌는 흐름이다. 국내 기업들도 저가 물량 경쟁에서 벗어나 전문 영역 중심으로 체질을 바꿔야 한다는 지적이 많다.

IT-SUE의 시각

이 사건을 한 서비스의 퇴장으로만 보면 놓치는 게 많다. 필자가 보기엔 메커니컬 터크의 종료는 초기 AI 산업이 딛고 섰던 ‘값싼 인간 노동’이라는 사다리를, AI 스스로 걷어차는 장면에 가깝다. 자신을 학습시켜준 인프라를 정작 자신이 대체하는 구조다.

다만 이걸 ‘인간 노동의 완전한 퇴장’으로 읽는 건 성급하다고 본다. 저가 반복 노동은 줄어들지만, 전문성과 판단력을 요구하는 고급 라벨링 수요는 오히려 늘고 있다. 결국 살아남는 건 ‘싼 사람’이 아니라 ‘대체하기 어려운 사람’이라는 뜻이다.

이 지점에서 IT 트렌드를 지켜보는 입장에서 던지고 싶은 질문이 하나 있다. AI 데이터 라벨링의 품질을 누가, 어떻게 검증할 것인가라는 문제다. 사람이 AI 결과물을 베껴 제출하는 시대다. 생성형 AI 모델이 학습하는 데이터의 ‘출처 신뢰성’은, 앞으로 더 중요한 화두가 될 것이라는 게 필자의 전망이다.