Executive Summary

어제 우리는 메커니컬 터크의 퇴장을 다뤘다. 아마존이 2026년 7월 30일부터 20년 된 크라우드소싱 라벨링 플랫폼의 신규 고객을 받지 않기로 한 사건이다. 그 글의 결론은 "하층 라벨러의 자리를 이미 AI가 대신하고 있었다"는 것이었다. 이 글은 그다음 질문에서 출발한다. 쉬운 라벨이 사라진 자리에는 무엇이 들어섰는가.

답은 "빈자리"가 아니라 "재계층화"다. 단순 분류와 바운딩 박스는 AI 사전 라벨링이 삼켰다. 업계 벤더들은 이제 전체 라벨링의 약 80%를 자동으로 처리하고, 사람은 나머지 20%의 판단이 어려운 경계에만 남는다(HeroHunt). 그 결과 라벨링 노동시장은 위아래로 갈라진다. 아래는 시급 $1~12의 반복 작업 레이어, 위는 시급 $50~200의 도메인 전문가 레이어다. 사이의 중간지대는 빠르게 얇아진다.

이 재계층화를 뒷받침하는 배경 통계 하나만 각주로 남겨 둔다. 2023년 한 연구는 메커니컬 터크 워커의 33~46%가 글쓰기 과제를 LLM으로 처리한 것으로 추정했다. 사람이 기계인 척하던 자리를 진짜 기계가 대신한 그 순간이, "쉬운 라벨은 사람에게 맡길 이유가 없다"는 판단을 시장 전체로 확산시킨 신호탄이었다. 그 신호가 도달한 2026년, 시장은 위아래로 갈라졌다. 어느 쪽이 얼마나 벌어졌는지가 다음 이야기다.

시장이 갈라진 방향을 가장 또렷하게 보여 주는 건 시급표다. 소싱 벤더 HeroHunt가 정리한 라벨러 시급은 하나의 밴드가 아니라 세 개의 층으로 나뉜다. 맨 아래 벌크 커머디티 레이어는 시급 $1~12로, 반복 라벨링과 단순 비전 태스크를 크라우드소싱으로 처리한다. 그 위 미드티어에는 금융·의료·법률 같은 도메인 전문직이 시급 $20~85로 자리한다. 그리고 맨 위 프런티어 레이어에는 자격증을 갖춘 박사·전문가가 시급 $85~200 이상을 받으며 RLHF 설계, 복잡한 추론 평가, 강화학습 환경 구축을 맡는다.

"박사급 전문가 시급 $50~200"은 마케팅 수사가 아니다. Surge AI는 신뢰 점수(trust score) 기반으로 심사한 프런티어 전문가에게 $50~200을 지급하고, Mercor의 평균 전문가 시급은 $85, 시니어 스페셜리스트는 $200 이상이다. Handshake AI 전문가는 $100~125를 받는다. 세 벤더가 독립적으로 같은 구간을 가리킨다는 점에서, 이 프리미엄은 교차검증된 사실이다.

이 프리미엄이 어디서 나오는지는 표 맨 윗줄의 "RL 환경 설계"라는 낯선 항목을 뜯어보면 분명해진다. 최상단 전문가의 일은 이미 존재하는 데이터에 정답을 붙이는 전통적 라벨링이 아니라, 모델이 스스로 시행착오로 배울 강화학습 "환경"을 처음부터 짓는 쪽으로 옮겨가고 있다. 단순한 UI 과제 하나를 구축하는 데 약 2만 달러, 복합 애플리케이션을 통째로 재현하는 환경에는 30만 달러까지 값이 매겨진다(HeroHunt). 라벨을 "다는" 손일이 학습 자체가 일어날 무대를 "짓는" 설계 일로 바뀐 것이며, 크라우드소싱 시대에는 아예 없던 이 새 범주의 등장이 상단 시급을 밀어 올린 실질 동력이다. 1번 섹션에서 말한 "자동화가 일을 없앤 게 아니라 일의 성격을 바꿨다"는 명제가, 시급표의 맨 윗칸에서 가장 선명하게 드러나는 셈이다.

사람이 개입하는 일만 홀로 성장한다

이 양극화는 성장률에서도 드러난다. Mordor Intelligence에 따르면 AI 데이터 라벨링 시장 전체는 2026년부터 2031년까지 연평균 22.95%로 성장한다. 그런데 세부 세그먼트를 뜯어보면, 사람이 판단에 개입해야 하는 준지도·인간개입(HITL) 세그먼트만 연평균 33.15%로 시장 전체보다 10.2%포인트 빠르게 커진다. "쉬운 라벨은 자동화하고, 남는 것은 사람이 개입해야만 하는 고부가 작업"이라는 재편이 성장률로 측정되는 셈이다.

xAI의 인력 재편은 이 전환을 한 회사 안에서 압축해 보여 준다. xAI는 2025년 초 약 1,500명의 데이터 어노테이터("AI 튜터")를 두고 있었으나, 2025년 9월 제너럴리스트 어노테이터 약 500명(전체의 3분의 1)을 정리하고 스페셜리스트 튜터 팀으로 무게를 옮긴다고 밝혔다. 회사의 공식 설명은 "제너럴리스트 역할의 비중을 줄이고 스페셜리스트 AI 튜터의 확충과 우선순위화를 가속하기로 했다"는 것이었다. 다만 함께 언급된 "스페셜리스트 10배 확충"은 완료된 수치가 아니라 계획이라는 점은 짚어 둘 필요가 있다.

희소한 전문가가 경쟁력의 핵심이 되면, 다음 질문은 자연스럽게 "그 전문가를 어떻게 빨리 찾느냐"로 옮겨간다. 그리고 2026년의 답은 한 겹 더 나아간다. 그 사람을 찾아 심사하는 판단마저 AI가 맡는다. 기존 크라우드소싱이 "일감을 뿌리고 아무나 받게 하는" 조달(procurement)이었다면, 지금의 선두 벤더들은 "누가 적합한지 AI가 심사해 상위 몇 %만 통과시키는" 인재(talent) 선별로 이동했다. 후보를 찾는 것(sourcing)을 넘어 심사(vetting)까지 AI가 판단한다는 점이 결정적 차이다.

세 벤더의 방식은 서로 다르다. Mercor는 20분짜리 AI 화상 인터뷰로 후보를 실시간 평가하고, Micro1은 AI 에이전트 'Zara'가 상위 1%만 통과시키며 부정행위를 감시한다. Handshake AI는 조금 다른 길을 택했다. 12년간 대학 취업 플랫폼으로 쌓아 온 검증된 신원 그래프 — 박사후보 50만 명, 석사 300만 명 — 를 재활용하기 때문에, 새 후보를 찾는 소싱 원가가 거의 0에 가깝다. 실시간 인터뷰형(Mercor), 에이전트 심사형(Micro1), 신원 그래프형(Handshake)이라는 세 가지 소싱 모델이 나란히 경쟁하는 것이다.

전문가를 빨리 찾는 것이 경쟁력이라면, 그 전문가가 속한 벤더가 "누구의 소유인가"는 왜 문제가 될까. 2025년 여름, Scale AI가 그 답을 시장에 실물로 보여 줬다. 메타가 Scale AI 지분 49%(약 143억 달러, 비의결권)를 인수하자, Scale의 데이터를 쓰던 경쟁 랩들이 줄줄이 떠난 것이다.

Scale AI의 최대 고객이던 구글은 계약을 정리하기로 했다. CNBC 보도에 따르면 구글은 2025년 한 해에만 Scale AI에 약 2억 달러를 지급할 예정이었다(2024년 기준으로는 연 1.5억 달러 규모 계약으로 보도되기도 했다 — 연도가 다른 별개 수치일 가능성). 오픈AI·마이크로소프트·xAI도 이탈 대열에 합류했다. 이유는 단순하다. 경쟁사인 메타가 지분 절반을 가진 벤더에게 자사의 데이터 파이프라인을 계속 맡기면, 그 데이터의 흐름과 노하우가 경쟁사에 노출될 수 있다는 우려다. 고객 이탈의 여파로 Scale AI는 2025년 7월 전체 인력의 약 14%(약 200명)를 감원했다.

중립성이 무너진 자리를 메운 것이 바로 앞 섹션의 독립 벤더들이다. 경쟁사에 소유되지 않은, 소싱과 심사 과정을 스스로 통제하는 벤더가 프리미엄을 얻는다. 하지만 여기서 더 근본적인 질문이 남는다. 소유구조는 계약서로 확인할 수 있다. 그렇다면 그 독립 벤더가 AI로 뽑은 전문가의 판단은 무엇으로 검증하는가.

전문가 라벨은 모델 성능의 상한을 정한다. 모델은 자신을 가르친 라벨보다 더 정확해질 수 없기 때문이다. 그런데 그 전문가를 AI 필터가 선별한다면, 필터의 편향과 오류는 사라지지 않고 아래로 흘러내린다. 심사 AI가 특정 배경의 후보를 체계적으로 선호하면, 그 편향은 라벨러 풀의 구성에 각인되고, 그들이 만든 라벨에 스며들고, 학습 데이터에 고착되어, 결국 모델 내부 표현으로 전파된다. 한 번 굳으면 되돌리기 어려운 연쇄다.

이 편향이 실재한다는 직접 증거가 전문가 라벨러 심사에 대해 나와 있는가. 아직 없다. AI 랩의 전문가 심사(Mercor·Handshake류)를 외부 감사한 편향 수치는 공개된 바 없다. 이 점은 분명히 해 둔다. 다만 우리가 참고할 수 있는 건 인접 영역의 데이터다. 일반 채용 AI에서는 편향이 반복 확인됐다. 이름 인식 알고리즘의 인종 격차 35%, 영상 분석 도구의 연령 차별 28%, 성격 평가 알고리즘의 성별 편향 22% 같은 감사 사례가 있고, 2025년 10월 스탠퍼드 연구는 이력서 심사 AI가 고령 남성에게 더 높은 평가를 준다는 정성적 결과를 보고했다.

품질의 출처가 "이 사람은 믿을 만하다"는 개인의 명성에 정박하는 순간, 재현성과 감사가능성은 무너진다. 어떤 필터가 그 사람을 골랐는지, 그 필터가 무엇을 놓쳤는지를 추적할 수 없다면, 최종 데이터의 신뢰는 검증할 수 없는 주장이 된다. 검증자를 검증하는 일은, 그래서 데이터 품질의 마지막 매듭이다.

시장은 계속 커진다. Mordor Intelligence는 AI 데이터 라벨링 시장이 2025년 $1.89B, 2026년 $2.32B에서 2031년 $6.53B로, 연평균 22.95% 성장할 것으로 본다. (기관마다 시장 정의가 달라 Precedence는 더 긴 구간을, The Business Research Company는 생성형 AI 특화 범주로 훨씬 큰 수치를 제시하므로, 여기서는 Mordor를 1차 기준으로 삼는다.) 성장을 미는 힘은 넷이다. 커넥티드·자율주행차(+6.2%p), 엔터프라이즈 AI 도입(+5.8%p), 생성형 AI RLHF 파이프라인(+4.1%p), 그리고 AI 거버넌스 규제(+3.7%p)다.

같은 시장, 25~150배의 격차

전문가 레이어의 부상이 하층 라벨러의 처지를 개선하는 것은 아니다. 두 극단은 같은 시장 안에서 병존한다. 위에서는 프런티어 전문가가 시급 $50~200을 받는 동안, 아래에서는 케냐의 콘텐츠 모더레이터가 실수령 시급 $1.32~2를 받는다. 격차는 25~150배다. 이들 중 144명을 조사한 결과 81%가 PTSD 심각 진단을 받았고, 전 메타·Samasource 모더레이터 180여 명은 케냐에서 약 16억 달러 규모의 손해배상 소송을 제기했다. Oxford Fairwork의 노동 감사에서 Remotasks는 10점 만점에 1점을 받았다.

법적 리스크는 상단에도 스민다. 계약직으로 분류된 라벨러의 오분류(misclassification)를 둘러싸고 Surge·Mercor·Scale AI를 상대로 한 소송이 2025~2026년 복수 제기됐다. 인재 군비경쟁이 빨라질수록, "누가 어떤 조건으로 일했는가"를 증명하지 못하는 데서 오는 비용도 함께 쌓인다.

페블러스가 주목하는 이유

이 시장은 "누가 데이터를 거둬가는가"라는 오래된 질문의 2026년판이다. 하층 라벨러의 소멸을 다룬 전편에서 한 걸음 더 들어가면, 지금의 시장은 정반대 방향으로 달린다. 더 비싼 전문가를 더 빨리 찾는 인재 군비경쟁이다. 세 벤더의 매출이 몇 달마다 배로 뛰는 열기 자체가, 품질 보증을 인재 확보 경쟁으로 푸는 접근의 확장 한계를 드러낸다. 전문가 소싱이 AI에 위임될수록 "누가 검증자를 검증하는가"라는 공백은 오히려 커진다.

데이터 품질의 관점에서 이 공백은 특히 위험하다. 전문가 라벨이 모델 성능의 상한을 정하는데, 그 전문가를 AI 필터가 선별하면 필터의 편향이 라벨러 풀에서 모델 내부 표현까지 흘러내리기 때문이다. 품질의 출처가 개인의 명성에 정박하는 순간, 재현성과 감사가능성이 무너진다. 라벨을 검증하는 전문가의 신뢰를 다시 검증할 방법이 없다면, 아무리 비싼 전문가의 라벨도 감사할 수 없는 데이터가 된다.

라벨링 벤더를 고르는 데이터팀에게 이 이야기는 곧 실무 체크리스트다. Scale AI 사례가 보여주듯 벤더의 중립성과 소싱 투명성은 그 자체로 데이터 품질 리스크다. "누가, 어떻게 선별된 전문가가, 어떤 검증을 거쳐" 라벨을 만들었는지 추적 가능한가 — 이것이 라벨 단가 옆에 새로 놓여야 할 항목이다. 벤더의 소유구조·심사 방식·감사 이력을 계약 전에 확인하는 일이 리스크 관리의 기본이 된다.

본 보고서는 아래 시장 리포트·업계 분석·언론 보도를 교차검증해 작성했다. 시장 규모는 정의 범위가 기관마다 달라 Mordor Intelligence를 1차 기준으로 삼았다.

시장·업계 리포트

• 1.Mordor Intelligence, "AI Data Labeling Market Size, Share | Growth Trends & Forecasts 2031." 링크
• 2.HeroHunt.ai, "The Ultimate AI Data Labeling Industry Overview (2026)." 링크
• 3.HeroHunt.ai, "Top 10 Data Annotators for AI Labs: 2026 Benchmark." 링크
• 10.Second Talent, "Top 100+ AI in Recruitment Statistics for 2026" (SHRM 인용).

기업 1차 소스

• 7.Mercor, "AI Trainer Salary: Hourly Rates & Ways to Increase Pay." 링크
• 8.Sacra, "micro1 revenue, valuation & funding." 링크
• 9.Sacra, "Handshake revenue, valuation & funding." 링크

언론 보도

• 4.CNBC (2025-06-14), "Google, Scale AI's largest customer, plans split after Meta deal." 링크
• 5.Forbes (2026-06-16), "Why Meta Paid $14.3B For Scale AI And Alexandr Wang's Data Empire."
• 6.Forbes (2026-07-09), "AI Data Labeler Mercor In Talks To Raise $500 Million At $20 Billion Valuation."
• 12.TechCrunch (2026-07-05), "Amazon will stop accepting new customers for Mechanical Turk."

학술 연구

• 11.Stanford 연구(2025-10), 이력서 심사 AI의 연령·성별 편향 — 언론 보도 경유.

※ 학술 근거(RLHF 데이터 품질, 전문가 vs 크라우드 라벨 신뢰도, verifier reliability, 자동 채용 공정성)는 후속 편집 단계에서 검증·보강한다.