이 글은 Claude Opus 4.8 을 이용해 초안이 작성되었으며, 이후 퇴고를 거쳤습니다.

들어가며: 1년이라는 자#

“AGI가 가까워졌다"는 말은 너무 자주, 너무 가볍게 쓰입니다. 정작 검증하기는 어렵습니다. 기준 시점이 모호하고, 누가 무엇을 근거로 말하는지가 흐릿하기 때문입니다.

이 글은 그 모호함을 줄이기 위해 두 개의 고정된 시점을 잡습니다. 2025년 6월 과 2026년 6월 입니다. 정확히 1년 간격을 두고, 그 사이에 AI의 능력이 측정 가능한 지표로 얼마나 달라졌는지, 그리고 AGI 실현에 대한 전문가들의 예상이 어떻게 이동했는지를 따라가 봅니다.

전체는 3부작입니다.

  • Part 1 (이 글): 능력. 벤치마크와 자율 작업 시간지평이라는 “측정값"으로 본 1년의 변화.
  • Part 2: 전망. named 엔지니어·연구자들이 AGI 시계를 어떻게 다시 맞췄는가, 예측시장과 전문가 설문은 어디를 가리키는가.
  • Part 3: 현실. 실전 배치·경제·노동 데이터로 본 “검증된 진보 vs 보도자료 과장"의 대비, 그리고 종합.

한 가지 원칙을 먼저 밝힙니다. 이 분야의 숫자에는 벤더가 직접 발표한 값 과 독립 기관이 검증한 값 이 섞여 있고, 둘의 신뢰도는 다릅니다. 가능한 한 출처를 구분하고, 검증이 약한 항목은 “보도에 따르면” 또는 범위로 표기했습니다. 본문의 모든 주장에는 끝의 References에 대응하는 출처가 있습니다.

모델 릴리스: 간격이 11일로 줄었다#

먼저 양적인 사실부터 봅니다. 2025년 6월 시점의 프론티어는 대략 OpenAI o3, Claude Opus 4, Google Gemini 2.5 Pro 세 줄기였습니다. 1년이 지난 2026년 6월에는 그 명단이 거의 전부 교체됐습니다.

주요 릴리스를 시간순으로 추리면 다음과 같습니다.

  • 2025-07 — xAI Grok 4 / Grok 4 Heavy. Humanity’s Last Exam(HLE)에서 처음으로 50%대(Heavy, 도구 사용)에 도달.
  • 2025-08 — OpenAI GPT-5. 빠른 모델과 추론 모델을 실시간 라우터로 묶은 통합 시스템.
  • 2025-09 ~ 11 — Anthropic Claude Sonnet 4.5 → Opus 4.5. Opus 4.5가 SWE-bench Verified 80%를 처음 돌파(80.9%).
  • 2025-11 — Google Gemini 3 Pro. LMArena Elo 1500을 처음 넘김(1501).
  • 2026-02 ~ 04 — Google Gemini 3 Deep Think / 3.1 Pro, OpenAI GPT-5.2 → GPT-5.5, DeepSeek V4, Qwen 3.7 Max.
  • 2026-05 ~ 06 — Anthropic Claude Opus 4.8 → Fable 5.

한 데이터 집계에 따르면 2026년 들어 선도 랩 사이의 프론티어 모델 릴리스 간격 중앙값은 약 11일 까지 줄었습니다 (2026-04 기준). 1년 전 분기 단위로 굵직한 모델이 나오던 리듬과 비교하면 체감 속도가 크게 달라졌습니다.

여기서 주의할 점이 하나 있습니다. 릴리스 빈도는 능력 향상과 같은 말이 아닙니다. 자주 나온다고 더 똑똑해지는 것은 아니므로, 실제 변화는 벤치마크로 따로 확인해야 합니다.

벤치마크가 무너지는 속도#

지난 1년의 가장 두드러진 패턴은 “어려운 벤치마크를 새로 만드는 속도보다 그것을 깨는 속도가 더 빨랐다"는 것입니다. 대표적인 지표 몇 가지를 2025년 6월 무렵과 2026년 6월 무렵으로 나란히 놓습니다.

ARC-AGI-2#

추상적 추론을 측정하도록 설계된 ARC-AGI-2는 2025년 3월 출시 당시 거의 모든 프론티어 모델이 0% 에 가까웠습니다. 2025년 7월 Grok 4가 약 16%로 당시 공개 모델 최고 수준이었습니다. 그러나 2026년 6월 공개 리더보드(연산 제약 없음) 기준으로는 GPT-5.5가 85.0%, Gemini 3.1 Pro가 77.1%를 기록합니다. 1년이 채 안 되는 사이에 약 5배가 오른 셈입니다.

다만 이 숫자에는 중요한 단서가 붙습니다. 공개 평가 세트(무제한 추론 연산)와 준비공개·검증 세트의 점수가 크게 다릅니다. 같은 ARC-AGI-2라도 ARC Prize의 2025년 공식 대회(연산 효율 제약)에서는 1위가 24% 수준에 그쳤고, 85% 이상을 요구하는 Grand Prize는 미달성이었습니다. “충분한 연산을 쏟아부으면 85%, 효율을 제약하면 24%“라는 이 격차는 Part 3에서 회의론을 다룰 때 다시 등장합니다.

FrontierMath#

Epoch AI가 만든 연구 수준 수학 벤치마크입니다. 가장 어려운 Tier 4(50문제)는 2025년 7월 공개 당시 최고 점수가 약 6%였습니다. 2026년 초 GPT-5.2 Pro가 31%, 이후 보도 기준으로 30%대 초중반까지 올라왔습니다. 다만 Epoch는 2026년 5월, AI 보조 재검토에서 Tier 1~4 문제 중 약 1/3에 “치명적 오류"가 있음을 발표했습니다. 즉 현재의 FrontierMath 점수는 잠정치로 받아들여야 합니다.

이미 포화된 것들#

반대편에는 사실상 천장에 닿은 벤치마크들이 있습니다.

  • AIME(미국 수학 경시): 정상급 추론 모델이 약 100%에 수렴.
  • GPQA Diamond(대학원 수준 과학): 약 94%까지 올라와, 라벨 노이즈 한계에 근접.
  • ARC-AGI-1: 사실상 포화.

포화된 벤치마크는 더 이상 모델을 변별하지 못하므로 은퇴 수순을 밟고, 그 자리를 ARC-AGI-3, SWE-bench Pro, FrontierMath Tier 4 같은 더 어려운 시험이 채웁니다.

SWE-bench Verified#

실제 GitHub 이슈를 코드로 해결하는 능력을 보는 벤치마크입니다. 코딩 에이전트의 발전을 가장 직접적으로 보여주는 지표라 따로 떼어 봅니다.

  • Claude 3.5 Sonnet: 약 49%
  • Claude Sonnet 4 (2025-05): 72.7%
  • Claude Opus 4.5 (2025-11): 80.9% — 80% 첫 돌파
  • Claude Opus 4.8 (2026-05): 88.6% (벤더 발표)

약 1년 만에 49%에서 80%대 후반으로 올라왔습니다. 단, 90%대 일부 수치는 1차 출처가 점수표를 이미지로만 제공해 직접 확인이 어렵고, OpenAI가 자체 감사에서 일부 과제의 정답 패치가 학습 데이터에 유출됐을 가능성을 발견했다는 보도도 있습니다. 그래서 “거의 포화에 가깝다"까지는 신뢰도가 높지만, 정확한 90%대 숫자는 다소 걸러 들을 필요가 있습니다.

METR 시간지평: 1시간에서 5시간으로#

벤치마크 점수는 직관적이지 않습니다. “GPQA 94%“가 현실에서 무엇을 뜻하는지 와닿지 않기 때문입니다. 그래서 저는 METR(Model Evaluation & Threat Research)의 지표를 1년 변화를 보여주는 가장 좋은 자(尺)로 봅니다.

METR의 핵심 지표는 “50% 작업 완료 시간지평(time horizon)” 입니다. 풀어 쓰면, AI가 약 50% 확률로 성공하는 작업을, 인간 전문가가 수행하면 얼마나 걸리는가 입니다. 이 값이 길수록 AI가 더 길고 복잡한 작업을 자율적으로 끝낼 수 있다는 뜻입니다.

  • 2025년 3월 원 논문: 당시 프론티어였던 Claude 3.7 Sonnet의 시간지평이 약 1시간(60분). 더블링 주기는 2019~2025년 기준 약 7개월.
  • 2026년 1월 업데이트(Time Horizon 1.1): Claude Opus 4.5가 약 320분(5.3시간), GPT-5가 214분.

핵심은 추세선입니다. 전체 기간으로는 더블링이 여전히 약 7개월이지만, 2024년 이후 구간만 떼어 보면 약 89일(3개월) 로 빨라졌습니다. 커뮤니티에서는 이를 “연 10배"로 요약하기도 합니다. 1시간에서 5시간으로, 약 5~10배 늘어난 1년이었습니다.

다만 METR 본인의 단서를 빠뜨리면 안 됩니다.

  1. 가속은 시사되지만 통계적으로 확정된 것은 아닙니다. 빨라진 더블링 값이 기존 추정의 신뢰구간 안에 들어오기 때문입니다.
  2. 16시간을 넘는 작업은 현재 측정 도구로 신뢰하기 어렵습니다. 8시간 이상 작업의 표본 자체가 적습니다.
  3. 50% 지평은 점프했지만 80% 지평은 거의 정체 입니다. Opus 4.5의 80% 시간지평은 약 27분으로, 50% 지평이 5시간대로 뛴 것과 대조됩니다. “절반의 확률로 5시간짜리를 해내지만, 높은 신뢰도로는 여전히 30분 남짓"이라는 해석이 가능합니다.

2026년 봄 이후 모델들의 더 긴 시간지평(8~11시간대) 수치도 돌아다니지만, 이는 대부분 비공식 추정이거나 3자 블로그의 값이라 METR 공식 수치로 인용하기는 어렵습니다. 그래서 여기서는 공식적으로 확인되는 “약 5시간"까지만 단단한 사실로 두겠습니다.

올림피아드: 초인화의 1년#

추상적 점수보다 직관적인 사건들도 있었습니다. 인간 최정상이 겨루는 경시대회에서 모델이 한 일들입니다.

수학 (IMO 2025, 금메달)#

2025년 7월, OpenAI와 Google DeepMind가 거의 동시에 국제수학올림피아드(IMO) 금메달 수준에 도달했습니다. 두 곳 모두 6문제 중 5문제를 풀어 35/42점, 인간과 동일한 조건(시험당 4.5시간, 도구·인터넷 없음, 자연어 증명)이었습니다. DeepMind 쪽은 IMO 측의 공식 인증을 받았습니다. 참고로 2025년 인간 참가자 630여 명 중 금메달은 67명이었습니다.

정보 (IOI 2025, 금메달)#

2025년 8월 국제정보올림피아드(IOI)에서 OpenAI의 추론 시스템이 금메달 점수로 인간 330명 중 6위에 해당하는 성적을 냈습니다. IOI 전용으로 학습하지 않은 범용 모델이었습니다.

대학 프로그래밍 (ICPC World Finals 2025)#

가장 극적인 장면은 2025년 9월 ICPC 세계대회였습니다. OpenAI 시스템이 12문제를 전부 풀어 139개 엘리트 대학팀 중 유일하게 만점을 기록했습니다(만점 인간팀은 0). Google DeepMind의 Gemini는 10/12로 금메달급이었는데, 인간팀 누구도 풀지 못한 한 문제를 약 30분 만에 해결했습니다.

Codeforces Elo#

경쟁 프로그래밍 등급으로 보면 변화가 한눈에 들어옵니다. 2025년 초 o3가 약 2,724점(상위 0.2%)이었는데, 2026년 2월 Gemini 3 Deep Think가 도구 없이 3,455점 을 기록했습니다. 이는 현재 활동하는 인간 중 7명 남짓만이 넘는 수준입니다. 약 18개월 만에 “강한 그랜드마스터"에서 “극소수 인간을 제외하면 사실상 최강"으로 이동한 셈입니다.

이런 마일스톤들은 화려하지만, 한 가지는 분명히 해 둘 필요가 있습니다. 경시대회 문제는 명확하게 정의된 닫힌 문제 입니다. 정답이 있고, 채점이 가능하며, 보통 몇 시간 안에 끝납니다. 현실의 일은 대부분 그렇지 않습니다. 그래서 올림피아드 금메달은 “특정 종류의 추론이 인간 최정상을 넘었다"는 강한 증거이되, “범용 지능이 도래했다"는 증거와는 거리가 있습니다.

Part 1 정리#

측정값만 놓고 보면, 2025년 6월에서 2026년 6월 사이의 변화는 부정하기 어렵습니다.

  • ARC-AGI-2가 약 16%에서 85%(공개 세트)로 올랐고, FrontierMath Tier 4가 6%에서 30%대로 올랐습니다.
  • METR 자율 작업 시간지평이 약 1시간에서 5시간으로 늘었고, 더블링 주기는 7개월에서 3~4개월로 빨라진 정황이 있습니다.
  • 수학·정보·프로그래밍 경시대회에서 인간 최정상을 따라잡거나 넘어섰습니다.

그러나 같은 데이터 안에 이미 신중론의 씨앗이 들어 있습니다. 공개 세트 85%와 제약 대회 24%의 간극, 50% 지평과 80% 지평의 정체, 닫힌 경시 문제와 열린 현실 문제의 차이가 그것입니다.

그렇다면 이 측정값들을 가장 가까이서 지켜보는 사람들은 AGI 시계를 어떻게 다시 맞췄을까요. Part 2에서는 named 엔지니어·연구자들의 발언 변화와 예측시장, 전문가 설문을 따라가 보겠습니다.

References#