요약
프런티어 모델 경쟁의 이면에는 잘 보이지 않는 시장이 있습니다 — 모델에게 무엇을 배울지 공급하는 데이터 플랫폼입니다. 2025년 6월 Meta가 Scale AI에 143억 달러를 투자해 지분 49%를 확보하고 창업자를 데려가면서 이 시장은 격변에 들어갔습니다. OpenAI·Google 등 주요 고객이 Scale과의 거래를 중단했고, 그 공백을 Surge AI와 Mercor가 흡수하며 시장 판도가 1년 만에 뒤집혔습니다. 더 근본적인 변화는 가치 사슬 자체의 이동입니다 — 저임금 라벨링에서 박사급 전문가 데이터, 평가(evals), 강화학습 환경으로. 이 보고서는 재편된 경쟁 구도와 그 구조적 함의를 정리합니다.
1. Meta-Scale 딜: 시장을 재편한 한 건의 투자
Scale AI는 케냐·필리핀·베네수엘라의 글로벌 계약직 인력으로 산업적 데이터 라벨링을 정의한 회사였습니다. 2024년 매출 8.7억 달러, 2025년 20억 달러 전망까지 나왔던 이 회사에 Meta가 기업가치 약 290억 달러로 143억 달러를 투자하고, 창업자 Alexandr Wang을 Meta Superintelligence Labs 공동 리더로 데려갔습니다.
문제는 그 다음입니다. Scale의 최대 고객들이 곧 Meta의 경쟁사였다는 점입니다. OpenAI, Google, Microsoft가 잇달아 거래를 중단하거나 축소했고 — 자사 모델 학습 데이터의 파이프라인이 경쟁사에 보이는 구조를 받아들일 수 없었기 때문입니다 — Scale은 인력 14%를 감원했습니다. 새 CEO 체제에서 매출이 회복 중(2026년 10억 달러 이상 전망)이지만, 이 사건이 시장에 남긴 교훈은 분명합니다. 데이터 파이프라인의 중립성은 그 자체가 자산이라는 것입니다.
2. 재편된 경쟁 구도
| 플레이어 | 포지션 | 규모(보도 기준) | 차별화 |
|---|---|---|---|
| Scale AI | 산업적 라벨링의 원조, Meta 49% | 2024년 매출 $8.7억 → 2026년 $10억+ 회복 전망 | 규모·운영력, 단 중립성 상실이 약점 |
| Surge AI | 고품질 RLHF·전문가 데이터 | 부트스트랩(무외부투자)·직원 ~110명으로 Scale 매출 추월 보도 | 소수 정예 고품질, 프런티어 랩 집중 |
| Mercor | 전문가 인력 매칭 플랫폼 | 연환산 매출 $20억 (2026.6), $200억 밸류에이션 협상 보도 | 박사·변호사·의사 등 도메인 전문가 네트워크, 매출 90%가 파운데이션 모델사 |
| Arena 등 평가 플랫폼 | 모델 평가·랭킹 | ARR $1억 (2026.6 추정) | "LLM의 닐슨" — 평가 데이터가 곧 학습 신호 |
출처: Forbes, Business Insider, Sacra, HeroHunt 집계 (2026). 비상장사 수치는 보도·추정 기반으로 편차가 있음.
구도 변화의 본질은 "누가 이겼나"가 아니라 어떤 데이터가 비싸졌나입니다. Mercor 매출의 90%가 파운데이션 모델 회사에서 나오고, 그 일감의 중심은 이미지에 박스를 치는 일이 아니라 박사급 전문가가 모델의 출력을 평가하고, 선호 데이터를 작성하고, 레드팀을 수행하고, 강화학습 환경을 설계하는 일입니다. 시간당 수달러의 라벨링에서 시간당 수십~수백 달러의 전문가 노동으로 — 단가가 두 자릿수 배로 뛴 시장입니다.
3. 가치 사슬의 이동: 라벨링 → 전문가 데이터 → 환경
사전학습 데이터와 라벨링 (2016~2023)
웹 크롤링 데이터 정제와 대규모 저임금 어노테이션. Scale이 정의한 시장으로, 자율주행·비전 라벨링이 주력이었습니다. 웹 데이터 고갈과 합성 데이터의 부상으로 성장 둔화.
정렬과 전문가 데이터 (2023~)
RLHF·선호 데이터·도메인 전문가 평가가 병목으로 부상. 수학·코딩·법률·의학 박사급 인력이 모델의 "채점자이자 교사"가 되는 단계로, Surge·Mercor가 장악한 영역입니다.
RL 환경과 평가 인프라 (2025~)
에이전트 시대의 학습 데이터는 정적 텍스트가 아니라 행동하고 피드백받는 환경입니다. 강화학습 환경 구축, 시뮬레이터, 에이전트 과업 평가(evals)가 새 격전지이며, 평가 플랫폼의 랭킹 데이터 자체가 상품이 됐습니다.
4. 구조적 관전 포인트
첫째, 중립성 프리미엄. Meta-Scale 딜은 "특정 랩에 종속된 데이터 플랫폼은 다른 랩의 신뢰를 잃는다"는 것을 증명했습니다. 이는 클라우드가 고객 데이터 격리를 신뢰의 기반으로 삼는 것과 같은 원리로, 데이터 플랫폼의 지배구조 자체가 경쟁 요소가 됐습니다.
둘째, 합성 데이터와 인간 데이터의 분업. 합성 데이터가 사전학습의 양을 채우는 동안, 인간 전문가 데이터는 "모델이 스스로 만들 수 없는 것" — 새로운 도메인의 판단 기준, 선호의 미묘함, 안전성 경계 — 으로 좁혀지며 오히려 단가가 올라가고 있습니다.
셋째, 노동 시장과의 융합. Mercor는 데이터 회사이자 사실상 전문가 인력 플랫폼입니다. "AI에게 가르칠 사람을 채용하는 시장"과 "AI가 대체할 일을 하는 시장"이 같은 플랫폼에서 만나는, 낯설지만 구조적인 융합이 진행 중입니다.
전략적 시사점
기업에게 — 자사 도메인의 전문 지식을 데이터 자산으로 전환할 수 있는 기업은 이 가치 사슬의 공급자가 될 수 있습니다. 산업 특화 모델·에이전트를 만들려는 기업이라면, 외부 데이터 플랫폼 의존 이전에 내부 전문가의 판단 데이터(평가 기준, 선호, 예외 처리)를 체계화하는 것이 우선입니다.
투자 관점에서 — 이 시장의 배수는 "라벨링 아웃소싱"이 아니라 "프런티어 랩의 필수 인프라" 프레임으로 매겨지고 있습니다. 다만 고객 집중도(상위 몇 개 랩 의존)와 랩들의 내재화 리스크가 상존하며, 3세대(RL 환경·평가)로의 전환 속도가 지속 성장의 관건입니다.