메타(Meta)는 AI 인프라에 막대한 투자를 하고 있지만, 이 투자가 실제 매출에 얼마나 기여하는지 명확히 측정하기 어렵다는 문제에 직면했습니다. 광고 모델의 개선 효과는 A/B 테스트로 쉽게 측정할 수 있지만, 여러 팀이 공유하는 학습 플랫폼, 서빙 시스템 등 기반 인프라의 기여는 분리하기가 매우 복잡합니다. 이에 메타는 개별 모델 출시 데이터를 분석하여 7개 주요 AI 인프라 플랫폼의 매출 기여도를 추정하는 새로운 방법론을 개발했습니다.
메타의 분석은 특정 인프라 기능을 사용한 모델 출시와 사용하지 않은 모델 출시를 비교하는 방식으로 진행되었습니다. 이때 컴퓨팅 용량, 팀 규모와 경력, 모델 복잡도, 출시 시점 등 매출에 영향을 미칠 수 있는 다양한 교란 변수(confounding variables)를 통제했습니다. 흥미로운 결과는 도입률이 낮은 '학습 확장성 플랫폼'이 '운영 모델 기반 계층'보다 출시당 추가 매출 기여가 약 2배 높게 나타났다는 점입니다. 이는 단순히 사용량이 많은 인프라가 더 가치 있을 것이라는 기존의 직관과 다른 결과로, 인프라의 겉보기 가치가 실제 인과적 기여보다는 특정 팀의 역량 등 '선택 효과(selection effect)'에서 비롯될 수 있음을 시사합니다.
이러한 분석 결과는 향후 메타의 AI 인프라 투자 전략에 중요한 영향을 미칠 것으로 보입니다. 사용량 중심의 평가에서 벗어나 실제 매출 기여도가 높은 인프라에 투자를 집중함으로써, 제한된 자원을 보다 효율적으로 배분할 수 있게 됩니다. 또한, 무작위 실험이 불가능한 상황에서 관찰 데이터를 활용해 인프라 투자의 사업적 효과를 측정할 수 있는 실질적인 방법을 제시했다는 점에서 의미가 큽니다. 이는 AI 인프라에 대규모 투자를 하는 다른 기술 기업들에게도 중요한 참고 자료가 될 것입니다.