AI 훈련 데이터 확보를 위한 엔지니어 조직의 강제 재배치

이번 재편의 시작은 Scale AI와의 전략적 제휴다. Meta는 Scale AI의 지분 49%를 약 148억 달러(약 20조 원)에 인수하고, CEO 알렉산더 왕(Alexandr Wang)에게 AI 전략의 핵심 권한을 맡겼다. 이 과정에서 Meta의 엔지니어링 운영 방식은 데이터 수집과 라벨링 중심으로 급격히 전환됐다.

가장 눈에 띄는 변화는 에이전트 데이터 최적화(ADO, Agent Data Optimisation) 팀의 구성이다. Meta는 제품 엔지니어링 팀의 30~50%를 ADO 조직으로 이동시켰으며, 이 조직의 규모는 약 6,500명에 달한다. 이 중 소프트웨어 엔지니어 4,000~5,000명이 데이터 라벨링과 인간 피드백 기반 강화학습(RLHF, Reinforcement Learning from Human Feedback) 업무에 투입된 것으로 추정된다. 이는 전체 엔지니어 25,000명 중 5~6명 중 1명이 모델 훈련을 위한 단순 데이터 작업에 동원된 셈이다.

동시에 Meta는 직원들의 키 입력과 마우스 클릭을 추적하는 시스템을 도입해 AI 훈련 데이터를 수집했다. 성과 평가 시스템인 PSC(Performance Summary Cycle)에서는 AI 토큰 사용량이 지표로 활용됐다. 실제로 Meta 직원들이 30일 동안 사용한 AI 토큰은 총 60.2조 개로 집계됐으며, 이를 Anthropic API 가격으로 환산하면 약 9억 달러에 달하는 규모다. 여기에 전체 인력의 10% 감원 예고가 겹치면서, 엔지니어들은 실제 제품 품질보다 측정 가능한 AI 활용 수치를 높이는 '토큰맥싱(tokenmaxxing)' 압박에 노출됐다.

자체 플랫폼 부재를 메우기 위한 '데이터 팩토리' 전략

Meta가 숙련된 제품 엔지니어를 데이터 라벨러로 전환한 배경에는 빅테크 간의 플랫폼 경쟁 구도가 있다. Apple(iOS), Google(Android), Microsoft(Windows)와 달리 Meta는 자체 하드웨어 플랫폼이나 운영체제가 약하다. 마크 저커버그는 과거 모바일 OS 시장 진입 실패 이후, AI라는 다음 플랫폼 기회를 놓치지 않기 위해 Llama(라마) 계열의 LLM(대규모 언어 모델) 개발에 사활을 걸고 있다.

이 과정에서 Meta는 기존의 '빠른 실행과 자율성'을 강조하던 엔지니어링 문화를 버리고, Scale AI식의 고효율 데이터 엔진 체제를 채택했다. 과거의 엔지니어가 이익을 창출하는 '프로핏 센터(Profit Center)'였다면, 현재의 조직은 AI 모델 성능을 높이기 위한 '비용 센터' 혹은 '데이터 공장'처럼 취급받는 흐름이다. 특히 인프라와 보안 팀의 핵심 인력들이 ADO로 강제 이동하면서, 시스템의 회복력보다는 AI 에이전트가 버그를 빠르게 고칠 수 있다는 믿음에 의존하는 'AI 사이코시스(AI Psychosis)' 현상이 나타나고 있다.

이러한 흐름은 제품의 안정적 운영보다 코딩 LLM 구축이라는 상위 목표를 우선시하는 결정으로 이어진다. 결과적으로 Meta는 세계 1위 광고 사업자라는 지위를 유지하면서도, 내부적으로는 모델 훈련을 위해 제품의 기초 체력을 깎아먹는 위험한 선택지를 택한 셈이다.

AI 생성 코드의 품질 저하와 보안 거버넌스의 붕괴

실무자가 주목할 지점은 AI가 생성한 코드와 리뷰가 실제 보안 사고로 이어진 구체적인 경로다. 지난 5월 30일 발생한 Instagram 계정 탈취 사건이 대표적이다. 공격자는 AI 지원 고객센터에 계정 해킹을 주장하며 인증 코드를 임의의 이메일로 보내달라고 요청했고, AI는 과거 사용 이메일인지 확인하는 기본 검증 절차 없이 비밀번호 재설정 링크를 제공했다.

이 사고의 핵심 원인은 AI 도입으로 인한 인력 공백과 검증 체계의 부재에 있다. Instagram의 신뢰 및 안전(Trust and Safety) 팀은 데이터 라벨링 업무 전환과 감원으로 인해 인력의 50%를 잃었다. 시니어 엔지니어들이 AI 훈련 업무로 빠져나간 자리를 사람이 거의 관여하지 않은 'AI 생성 변경'과 'AI 코드 리뷰'가 채웠고, 이것이 보안 허점으로 직결됐다. 결국 시스템의 복잡도는 높아졌지만, 이를 의미적으로 이해하고 통제할 수 있는 인간 전문가의 수는 급감한 결과다.

한국의 AI 도입 기업들이 관찰해야 할 리스크는 '지표의 함정'이다. 토큰 사용량이나 코드 생성 건수 같은 정량적 지표가 개선되더라도, 실제 시스템의 아키텍처 부식이나 보안 취약점은 더 깊어질 수 있다. Meta의 사례는 AI 에이전트의 빠른 복구 능력(MTTR)이 시스템 전체의 회복력(Resilience)을 대체할 수 없으며, 특히 보안과 안전 영역에서 인간의 전문성(Human-in-the-loop)을 제거했을 때 어떤 비용을 치르는지 보여준다.