이제 세상의 모든 문제는 RL과 루프로 귀결된다,,,, AI 시대에 앞으로 회사가 갖춰야할 것들.

- 모든 비즈니스는 가설 > 실행 > 피드백 > 수정 loop를 거침. 답이 없는 질문에 답을 찾아가는 과정.

- AI는 이 loop에서 실행을 싸게 만드는데 핵심은 단순한 loop 실행이 아니라 피드백과 검증. eval이 중요함.

- 그렇다면 단순히 조직의 워크플로우에 AI를 녹이는 AX를 넘어서서 회사 자체가 무한 루프를 돌며 특정 문제를 검증하고 푸는 구조가 되어야 함.

- Mercor, Surge, Mechanize 같은 요즘 뜨는 RL envs 회사들도 검증하지 못 하던 영역을 검증할 수 있도록 만들기 위해 필요.

- 코딩과 수학처럼 답이 명확한 영역은 이미 AI가 더 잘함. RLVR이 여기서 먼저 통한 것도 답이 정해져있기 때문.

- 남은 건 애매한 주관식의 영역인데 이것마저도 RL을 통해 어느 정도 주관식을 객관식으로 바꿔주는 중. 좋은 디자인, 좋은 콘텐츠를 정하는 taste 영역이 해결되는 건 시간 문제.

- 그렇다면 남은 건 객관식으로 바꿔도 검증이 어려운 영역인 현실의 문제들(제조업, 로봇, 과학, 의학 등). 여기서 넥스트 OAI, 앤트로픽이 나올 것.

- 앞으로 모든 회사들은 AI를 활용해 주관식 질문을 객관식으로 풀고 그 검증을 빠르게 돌릴 수 있어야 함. 회사 안에 RL envs와 루프 시스템을 갖추어야함.

Vercel AI gateway에서 DeepSeek 사용량(25%)이 구글(11%)을 2배 능가

Kimi와 GLM은 프론티어의 수요를 조금씩 잡아먹는중. 오픈웨이트에 대한 지출이 증가

Harvey's playbook

모델 훈련을 위해 벤치마크를 구축하는 것이 중요: 좋은 벤치마크가 없으면 모델을 훈련할 수 없고 훈련할 수 없으면 프로덕션에 배포할 필요가 없음

데이터셋을 효율적인 RL 환경으로 전환해야 함: 데이터셋이 커질수록 평가 비용이 매우 높아지기 때문. 합성 데이터 + Mercor/Snorkel + LangChain

여러 neolabs과 협업:
Fireworks: GLM 5.1 훈련시켜 어드바이저 모델로 사용
Baseten: KV 캐시 compaction
Engram: 하네스 + 메모리 관리
Trajectory: Post training + continual learning
Applied Compute: RL + 커스텀 에이전트 LAB 구축

eval model + Post training flywheel