프론티어 인공지능 모델이 완수할 수 있는 작업 복잡도의 상한선을 측정하는 벤치마크에서 영역별 성능 양극화가 정량적으로 확인되었습니다. MIT 테크놀로지 리뷰(MIT Technology Review)에 따르면 인공지능 평가 비영리단체인 METR은 2026년 11월 20일 최신 벤치마크 보고서를 공개하고, 오퍼스 5.5(Opus 5.5)와 지피티-6 아스트라(GPT-6 Astra) 등 첨단 모델을 포함한 시간 지평(Time Horizon) 평가 결과를 공개했습니다. 보고서 분석 결과 단위 테스트나 정답이 분명한 소프트웨어 엔지니어링 작업에서는 해결 능력이 폭발적으로 증가하는 반면, 가설 수립과 설계 등 주관적 판단이 개입되는 개방형 연구 작업에서는 모델들이 여전히 인간 실무 기준선에 도달하지 못하는 것으로 드러났습니다. 이번 분석의 핵심 축인 50% 성공률 기준 시간 지평 지표는 모델이 50% 확률로 성공하는 과업을 인간 전문가가 수행할 때 걸리는 작업 시간을 측정한 결과입니다. METR의 통합 평가 데이터에 따르면 최첨단 모델이 성공하는 작업의 인간 기준 소요 시간은 과거 2019년부터 2024년까지의 초기 데이터셋 기준 약 210일(약 7개월)마다 두 배로 증가하던 속도에서, 2024년 이후 및 최근 통합 평가 기준 약 110일(약 3.6개월에서 4개월)로 단축되었습니다. 과제 평가 풀 역시 초기 TH1의 170개 과제에서 TH1.1의 228개로 확대되었고, 이후 TH2의 12개 제품군 36개 심화 과제가 추가 결합되면서 정밀도가 한층 강화되었습니다. 배가 주기가 약 210일에서 약 110일로 단축된 지표는 자동 채점이 가능한 결정론적 과업 환경에서 모델 성능이 지수 함수적 확장 경로를 밟고 있음을 보여줍니다. 그러나 이러한 처리 역량의 배가 속도는 작업 성격이 개방형 판단 영역으로 이동하는 순간 작동을 멈췄습니다. 새로 추가된 주관적 판단력 평가 과제 중 하나인 실무용 AI 평가 체계 설계 과제에서 METR 직원들이 실질적으로 유용하다고 평가할 만한 결과물을 도출한 모델은 단 하나도 없었습니다. 당대 최고 수준의 추론 능력을 가진 것으로 평가받는 오퍼스 5.5조차 기준선 바로 위에 턱걸이하는 수준의 점수를 획득하는 데 그쳤습니다. METR의 매트 퍼츠(Matt Putz) 연구원은 검증이 어렵거나 주관적 판단이 필수적인 작업은 본질적으로 체계적 연구와 정량화가 훨씬 더 어렵다고 밝혔으며, 컴퓨터과학자인 사야시 카푸어(Sayash Kapoor) 역시 유망한 연구 질문과 가설 및 실험을 선별해내는 연구 직관이 인공지능 연구 자율화 과정에서 결정적인 병목으로 작용할 수 있다고 지적했습니다. 이러한 정량 격차는 강화학습 환경의 구조적 특성에서 비롯됩니다. 코드 최적화나 수학 문제 해결처럼 보상 신호가 즉각적이고 명확한 작업에서는 인공지능이 최상위권 인간 엔지니어의 작업 범위를 빠르게 흡수하며 지수 곡선을 그리고 있습니다. 반면 연구 가설 수립과 평가 프레임워크 구축처럼 장기적이고 질적인 평가가 요구되는 영역에서는 명확한 보상 함수를 정의하기 어려워 모델이 일관된 학습 곡선을 형성하지 못하고 있습니다. 벤치마크 수치상으로 나타나는 지수적 확장이 곧바로 연구 전반의 엔드투엔드 자율화로 직결되지 않는 구조적 원인이 여기에 있습니다. 결국 프론티어 모델 도입을 검토하는 조직의 인프라 및 운영 관점에서도 작업 성격에 따른 투자 분리가 요구됩니다. 자동 검증 파이프라인이 명확히 구축된 소프트웨어 엔지니어링이나 스크립트 작성 작업은 약 110일 주기로 확장되는 시간 지평의 수혜를 직접 받아 작업 완수 한계가 가파르게 늘어납니다. 그러나 연구 설계나 복합적 판단이 요구되는 R&D 파이프라인에서는 최신 고비용 모델을 전면 투입하더라도 실무 수준의 결론을 도출하지 못할 위험이 큽니다. 따라서 고비용 모델을 단순 도입하기에 앞서 작업 워크플로가 검증 가능한 영역인지, 주관적 평가가 개입되는 영역인지를 정량 지표 기반으로 분류하고 검증 체계를 선행 구축하는 것이 필수적입니다.