잘나가는 AI 스타트업들, 논문은 거의 안 내고 있다

• 요즘 AI 스타트업들은 소프트웨어 개발, 신약 개발, 과학 연구를 싹 바꿔놓겠다고 말하지만, 정작 연구를 공개 문헌으로 남기는 일에는 꽤 소극적임

  • 7월 16일 바이오아카이브에 올라온 새 프리프린트가 이 문제를 숫자로 까봤음
  • 조사 대상은 1998년부터 2025년까지 존재한 AI 유니콘 317곳, 즉 기업가치 10억 달러 이상인 비상장 AI 기업들임
  • 연구진은 저널 논문, 학회 논문, 리뷰, 프리프린트 중에서 회사 연구자가 제1저자나 교신저자급으로 주도한 경우만 골랐음

• 결과가 꽤 세다. AI 유니콘 절반 이상은 조건에 맞는 논문이나 프리프린트를 단 한 편도 내지 않았음

  • 최종 데이터셋은 총 2077편이었고, 이 중 동료 평가 논문이 1389편, 프리프린트가 688편이었음
  • 2025년 전체 AI 논문 중 이들 스타트업이 차지한 비중은 1000편 중 1편, 그러니까 0.1% 수준임
  • 스탠퍼드의 메타과학자 존 이오아니디스는 “과학을 재편한다는 분야에서 과학적 문서화가 거의 없다는 건 이상한 역설”이라고 봄

• 영향력도 넓게 퍼져 있지 않고 극소수 기업에 몰려 있음

  • 상위 5% 기업이 전체 인용의 90% 이상을 가져갔음
  • OpenAI 혼자 데이터셋 내 전체 인용의 거의 40%를 차지했고, 그다음으로 중국 컴퓨터 비전 기업 Megvii, 플랫폼 Hugging Face가 뒤따랐음
  • OpenAI 직원이 약 4500명인데, 조건에 맞는 논문을 5편 이상 쓴 연구자는 8명뿐이었다는 대목도 꽤 상징적임

• 이게 단순히 “기업들이 과학 윤리를 저버렸다”는 얘기만은 아님. 인센티브가 그렇게 생겼다는 분석도 있음

  • 앨버타대 AI 윤리학자 모하메드 압달라는 회사의 일은 과학 발전이 아니라 돈을 버는 것이라고 직설적으로 말함
  • 제약업계는 논문으로 공개한 발견을 특허로 보호할 여지가 크지만, AI 업계는 핵심 기술을 공개해도 독점 수익으로 이어진다는 보장이 약함
  • 대표 사례가 구글의 2017년 트랜스포머 논문임. 오늘날 대규모 언어 모델(LLM)의 기반이 됐지만, 그렇다고 모두가 구글에 돈을 내고 쓰는 구조는 아님

• AI 업계의 연구 공개 방식도 논문 중심에서 블로그, 기술 보고서, 코드 공개 쪽으로 옮겨가고 있음

  • Hugging Face의 AI 정책 연구자 아비짓 고시는 이를 연구의 ‘블로그화’라고 부름
  • 스타트업은 학계처럼 몇 달, 길면 몇 년씩 동료 평가를 기다릴 시간이 없고, 모델 발표 주기도 훨씬 빠름
  • 다만 이번 분석은 블로그 글, 기술 보고서, 코드 저장소, 데이터셋 공개 같은 산출물은 추적하지 않았음

• 그래서 진짜 쟁점은 “논문이냐 블로그냐”가 아니라, 외부 검증이 가능한 산출물을 내놓느냐임

  • 코드, 데이터셋, 모델 가중치가 공개돼야 다른 연구자와 개발자가 결과를 재현하고, 한계를 확인하고, 그 위에 뭔가를 쌓을 수 있음
  • 모델 가중치는 모델이 프롬프트를 해석하고 응답하는 방식을 결정하는 숫자들이라, 공개 여부가 실질적인 검증 가능성을 크게 좌우함
  • 논문 문장만 번지르르하고 재현 재료가 없으면, 개발자 입장에선 그냥 마케팅 자료와 크게 다르지 않을 수 있음

• 흥미로운 차이는 미국과 중국 기업 사이에서도 나타남

  • 분석에 따르면 중국 기반 AI 기업들이 미국 기업들보다 꾸준히 더 많은 논문을 냈음
  • 미국의 주요 프런티어 연구소들은 가장 강력한 모델의 세부 내용을 점점 비공개로 돌리는 추세임
  • 반대로 중국 주요 기업들은 오픈소스 모델 공개에 더 적극적인 흐름을 보임
  • 예로 연구에 포함된 중국 스타트업 Moonshot AI는 강력한 오픈 모델 중 하나로 소개된 Kimi K3를 공개했고, 모델 가중치도 Hugging Face에 올렸음

• 하지만 공개가 무조건 좋은 일이라는 단순한 결론도 아님. 강력한 범용 AI가 빠르게 퍼질 때의 안전 문제도 같이 따라옴

  • UC버클리의 컴퓨터과학자 엠마 피어슨은 AI 연구가 공개되든 비공개로 남든, 더 강한 모델 개발을 가속한다는 점 자체를 우려함
  • 특히 사이버 공격을 강화하는 식의 사회적·안전 리스크가 커질 수 있다는 문제의식임
  • 그가 말한 핵심은 이거임. 우리가 암 치료 AI를 향해 전력 질주하는 거라면 좋겠지만, 지금 레이스가 꼭 그런 방향만은 아니라는 것

---

기술 맥락

• 여기서 중요한 선택은 AI 기업들이 연구를 전통적인 논문으로 공개할지, 아니면 블로그·기술 보고서·코드·모델 가중치로 공개할지예요. 논문은 검증의 문법이 잘 잡혀 있지만 속도가 느리고, 스타트업 입장에서는 경쟁사에 힌트를 주는 비용이 꽤 크거든요.

• 구글의 트랜스포머 사례가 업계에 남긴 신호도 커요. 2017년 논문 공개가 현대 대규모 언어 모델(LLM)의 기반을 만들었지만, 그 가치가 구글의 독점 수익으로 온전히 회수된 건 아니었어요. 그래서 요즘 프런티어 AI 기업들은 핵심 모델 구조나 학습 세부사항을 더 조심스럽게 다루는 쪽으로 기울 수밖에 없어요.

• 반대로 외부 개발자와 연구자 입장에서는 모델 가중치, 데이터셋, 코드가 있어야 진짜 검증이 가능해요. “성능이 좋아졌다”는 발표만으로는 어떤 조건에서 좋아졌는지, 실패 케이스는 뭔지, 재현 가능한지 확인하기 어렵거든요.

• 이 논쟁은 단순한 오픈소스 찬반이 아니라 AI 생태계의 신뢰 인프라 문제에 가까워요. 기업은 경쟁 우위를 지키고 싶고, 사회는 강력한 모델의 성능과 위험을 검증하고 싶고, 개발자는 그 사이에서 실제로 믿고 쓸 수 있는 근거를 찾아야 해요.