당신이 탐정이 되어 미스터리를 풀고 있다고 상상해 보세요. 하지만 범죄 현장을 조사하는 대신, 북적이는 도시 거리, 붐비는 테마파크, 혹은 아주 작은 회로 기판을 들여다보고 있습니다. 오랫동안 컴퓨터 과학자들은 로봇에게 오직 글로 된 보고서만을 사용하여 훌륭한 탐정이 되는 법을 가르쳐 왔습니다. 그들은 로봇에게 "사람들이 뛰어다니는 북적이는 공원"과 같은 설명을 건네주었고, 로봇은 그곳에서 어떤 사업을 시작할 수 있을지 추측하려 노력했습니다. 하지만 여기에 문제가 있습니다. 서면 설명은 마치 흐릿한 흑백 스케치와 같습니다. 하늘의 색깔, 군중의 혼란스러운 움직임, 혹은 특정 재료의 질감을 놓치기 마련입니다. 현실 세계에서 가장 중요한 단서들은 종종 눈으로 '볼' 수는 있지만 말로 쉽게 '표현할' 수 없는 것들입니다. 이 논문은 컴퓨터가 이미지와 텍텍스트를 함께 보며 새로운 비즈니스 아이디어를 꿈꿀 수 있도록 학습하여, 단순히 사실의 목록을 읽는 수준을 넘어서는 인공지능의 흥미로운 영역을 파고듭니다.

이 연구를 진행한 연구진(MBA)은 AI가 글을 쓰는 능력은 좋아지고 있지만, 비즈니스 기회를 '보는' 데에는 여전히 서투르다는 점을 깨달았습니다. 그들은 MBA-Bench라는 거대한 훈련장을 구축했는데, 이는 30,000개의 실제 세계 스냅샷이 담긴 거대한 도서관과 같습니다. 각 스냅샷은 단순한 사진이 아닙니다. 그것은 이미지, 설명, 특정 비즈니스 질문(예: "여기서 어떻게 비용을 절감할 수 있을까?"), 그리고 실제 시장 데이터가 포함된 하나의 완벽한 퍼즐 조각입니다. 그들은 자신들의 새로운 AI 에이전트인 MBA-b와 MBA-k를 텍스트 설명에만 의존하는 기존 모델들과 테스트했습니다. 결과는 게임 체인저였습니다. AI가 실제로 이미지를 '보게' 함으로써, 새로운 에이전트들은 훨씬 더 창의적이고 실용적인 비즈니스 아이디어를 생성해 냈습니다. 실제로 그들은 텍스트 전용 모델보다 훨씬 큰 차이로 앞섰으며, 때로는 매우 비싼 '폐쇄형 소스' 슈퍼컴퓨터들을 위협할 정도의 성능을 보여주었습니다.

문제점: "눈먼" 비즈니스 컨설턴트

당신이 회사를 차리는 것을 돕기 위해 비즈니스 컨설턴트를 고용했다고 상상해 보세요. 만약 당신이 그에게 "사람들이 모여 있다"라는 짧은 메모만 준다면, 그는 일반적인 레모네이드 가판대를 제안할지도 모릅니다. 하지만 만약 당신이 그 똑같은 군중의 사진을 보여준다면, 그는 사람들이 모두 두꺼운 겨울 코트를 입고 몸을 떨며, 닫혀 있고 얼어붙은 분수를 바라보고 있다는 사실을 알아챌 것입니다. 갑자기 아이디어가 바뀝니다. 뜨거운 초콜릿 카트나 온열 쉼터가 진짜 승자가 될 수도 있는 것입니다.

이것이 바로 이 논문이 다루는 간극입니다. 이전의 AI 시스템들은 그 눈먼 컨설턴트와 같았습니다. 그들은 이미지의 '캡션(설명)'에 의존했습니다. 하지만 저자들이 발견했듯이, 캡션은 현실 세계의 무질서하고 복잡한 세부 사항을 포착하는 데 형편없습니다. 캡션은 "군중"이라고 말할 수는 있지만, 군중의 '밀도', 사람들이 걷는 '방향', 혹은 재료의 '특이한 질감'은 놓칩니다. 논문은 진정으로 혁신적인 비즈니스 아이디어를 생성하고 싶다면, 단순히 메뉴를 읽는 것이 아니라 주방을 직접 봐야 한다고 주장합니다.

해결책: 새로운 훈련장과 두 가지 새로운 에이전트

이를 해결하기 위해 팀은 MBA-Bench를 구축했습니다. 이것을 AI가 비즈니스에 대해 학습하도록 설계된 거대하고 하이테크한 비디오 게임 레벨이라고 생각하십시오. 그들은 단순히 무작위 사진을 가져온 것이 아니라, 시각적 세부 사항이 가장 중요한 6가지 특정 "세계" 또는 도메인에 걸쳐 2,000개의 이미지를 큐레이션했습니다:

1. 일반(General): 공원이나 사무실 같은 일상적인 장면.
2. 공간 레이아웃(Spatial Layout): 버튼 배치가 중요한 붐비는 모바일 앱 화면.
3. 혼잡도(Crowding): 많은 사람들이 움직이는 장면.
4. 시각적 상태(Visual Condition): 미세한 결함이나 표면 결함을 보여주는 이미지.
5. 형태 및 질감(Shape & Texture): 울이나 직물 같은 재료의 근접 촬영.
6. 기술적 특징(Technical Features): 회로 기판과 전선의 상세한 샷.

각 이미지에 대해 그들은 단순히 캡션만 작성한 것이 아닙니다. 그들은 스마트한 AI(GPT-4o)를 시장 조사관처럼 활용했습니다. 이 AI는 사진을 보고, 검색 엔진인 DuckDuckGo를 사용하여 인터넷에서 실제 데이터를 찾아본 뒤, 세 가지 비즈니스 관점(비용 절감, 신기술 활용, 사용자 경험 개선)에 대한 5가지 "참조 아이디어"를 생성했습니다. 이를 통해 AI가 학습할 수 있는 30,000개의 고품질 예시 데이터셋이 만들어졌습니다.

그 후, 그들은 이 게임을 수행할 두 가지 특별한 AI 에이전트를 만들었습니다:

• MBA-b (The Blind Agent - 눈먼 에이전트): 이 에이전트는 정확한 채점 기준을 모르는 상황을 위해 훈련되었습니다. 이 에이전트는 두 가지 큰 목표, 즉 창의성(아이디어가 새롭고 차별화되는가?)과 실행 가능성(그것이 실제로 가능하며 현실에 기반하고 있는가?)에 집중합니다.
• MBA-k (The Known Agent - 알고 있는 에이전트): 이 에이전트는 자신이 평가받을 구체적인 기준을 알고 있는 상황을 위해 훈련되었습니다. 이 에이전트는 창의성과 실행 가능성을 포함하여 '경쟁 우위', '시장 규모'와 같은 8가지 서로 다른 지표를 최적화합니다.

학습 방법: "코치"와 "심판"

훈련 과정은 마치 스포츠 팀이 올림픽을 준비하는 과정과 비슷했습니다. 먼저, 그들은 **SFT (Supervised Fine-Tuning, 지도 미세 조정)**라고 불리는 방법을 사용했습니다. 코치가 선수(AI)에게 완벽한 동작(참조 아이디어)이 담긴 영상을 보여주며 "정확히 이렇게 해봐"라고 말하는 상황을 상상해 보세요. AI는 기초를 익힐 때까지 이 동작들을 복제하며 연습했습니다.

하지만 복제하는 것만으로는 진정한 혁신에 도달할 수 없습니다. 그래서 그들은 두 번째 단계인 **GRPO (Group Relative Policy Optimization, 그룹 상대 정책 최적화)**로 넘어갔습니다. 여기서부터 재미있어집니다. 단순히 복제하는 대신, AI에게 한 번에 네 가지의 서로 다른 아이디어를 생성하도록 요청합니다. 그런 다음, "심판"(매우 똑똑한 AI)이 네 가지 아이디어를 모두 살펴보고 서로 비교하여 순위를 매깁니다. 만약 어떤 아이디어가 다른 아이디어보다 더 창의적이거나 더 현실적이라면, 그 아이디어는 '보상'을 받습니다. AI는 더 많은 보상을 얻기 위해 자신의 전략을 조정하는 법을 배웠으며, 이는 인간이 모든 답변에 일일이 점수를 매기지 않고도 스스로 더 창의적이고 실용적으로 변하도록 학습하는 과정이었습니다.

결과: 보는 것이 믿는 것

연구팀이 새로운 에이전트들을 테스트했을 때, 결과는 명확했습니다. "텍스트 전용" 모델(캡션만 읽는 모델)은 특히 '혼잡도'나 '기술적 특징'과 같은 복잡한 도메인에서 크게 고전했습니다. 그들은 비즈니스 아이디어를 실현 가능하게 만드는 시각적 단서들을 놓쳤습니다.

멀티모달 모델(이미지를 볼 수 있는 모델)은 훨씬 더 나은 성과를 보였지만, 저자들의 새로운 에이전트인 MBA-b와 MBA-k가 챔피언이었습니다.

• MBA-b는 텍스트 전용 베이스라인보다 63.9%, 멀티모달 베이스라인보다 25.6% 더 높은 성능을 보였습니다.
• MBA-k는 더욱 강력하여, 텍스트 전용 베이스라인보다 77.1%, 멀티모달 베이스라인보다 35.8% 더 높은 성능을 기록했습니다.

가장 인상적인 점은, MBA-k가 대형 기술 기업들이 비밀리에 운영하는 가장 강력하고 비싼 '폐쇄형 소스' 모델(예: GPT-5 또는 Gemini)과 거의 대등한 성능을 보였다는 것입니다. 이는 적절한 훈련과 데이터가 있다면 오픈 소스 모델도 거물들과 경쟁할 수 있음을 시사합니다.

한계점 (그리고 향럼)

이 논문은 자신들이 해결하지 못한 부분에 대해서도 신중하게 언급하고 있습니다. AI는 여전히 번화한 거리의 소음을 '듣거나' 빵집의 냄새를 '맡을' 수는 없으며, 오직 보고 읽을 수 있을 뿐입니다. 또한 저자들은 AI가 기업가가 '누구'인지 알지 못한다는 점을 지적합니다. 억만장자에게는 훌륭한 아이디어가 대학생에게는 불가능할 수 있지만, 현재의 시스템은 모두를 동일하게 취급합니다.

나아가, 이 연구는 AI가 비즈니스 기회를 포착하는 능력은 좋아지고 있지만, 창의성에 비해 '기술적 타당성'(기술이 실제로 작동하는지에 대한 세부 사항) 측면에서는 여전히 어려움을 겪고 있음을 보여줍니다. 저자들은 미래의 연구에 움직임을 볼 수 있는 '비디오'와 개인화된 '사용자 프로필'이 포함되어야 이 아이디어들이 진정으로 현실 세계에 적용될 수 있을 것이라고 제안합니다.

요약하자면, 이 논문은 만약 AI를 훌륭한 비즈니스 사고가로 만들고 싶다면, 단순히 글을 읽게 하는 것이 아니라 세상을 '보게' 해야 한다는 것을 증명합니다. AI에게 눈을 달아주고 이미지와 시장 데이터를 연결할 수 있는 뇌를 부여함으로써, 우리는 기계가 다음번 대박 아이디어를 함께 구상할 수 있는 시대에 한 걸음 더 다가서고 있습니다.