엔비디아·허깅페이스가 에이전트 학습 데이터를 풀었다, 이제 데이터 해자는 어디에 남나

무슨 일이 있었나

엔비디아가 허깅페이스에 “Data for Agents”라는 글(2026년 7월 8일)을 올리며, AI 에이전트를 학습하고 평가하기 위한 오픈 데이터셋을 한꺼번에 내놨다. 대표 사례가 Open-SWE-Traces다. 소프트웨어 엔지니어링 에이전트가 실제로 코드를 고쳐 나가는 과정을 담은 궤적 20만 7,489건, 용량 18.3GB로, SWE-agent와 OpenHands 프레임워크로 수집했고 CC BY 4.0 라이선스로 풀었다. 파이썬·Go·타입스크립트 등 9개 언어를 포함한다. 여기에 더해 Nemotron 오픈 데이터 전체는 사전학습 토큰이 10조 개를 넘고, 인물 페르소나 데이터셋은 10개국 24억 명 규모다.

데이터만 푼 게 아니다. 엔비디아는 에이전트를 강화학습으로 정렬하는 오픈소스 라이브러리 NeMo Gym과, 90만 개 과제를 담은 강화학습 짐 환경 12종도 함께 냈다. 모델 가중치는 NVIDIA Open Model License로 열려 있다. 실제 채택 신호도 있다. 서비스나우는 자사 모델 Apriel 1.6을 학습할 때 데이터의 15%를 Nemotron에서 가져다 썼다. 정리하면, 예전 같으면 각 팀이 수개월에 걸쳐 직접 모아야 했던 “에이전트가 도구를 쓰고 여러 단계를 밟는” 학습 데이터가 이제 내려받는 물건이 됐다.

창업자에게 의미하는 것

에이전트 스타트업의 초기 해자는 대개 “우리는 에이전트 학습·평가 데이터를 갖고 있다”였다. 코드 수정 궤적, 도구 호출 로그, 멀티스텝 워크플로 샘플은 모으기 어렵고, 그걸 먼저 쥔 팀이 앞섰다. 이번 공개는 그 층을 바닥으로 끌어내린다. 20만 건짜리 소프트웨어 에이전트 궤적을 누구나 CC BY 4.0으로 내려받아 파인튜닝할 수 있다면, “기본기 있는 코딩 에이전트”는 더 이상 차별점이 아니다. 베이스 능력을 만드는 인프라 층이 빠르게 상품화된다.

그러면 해자는 위아래로 갈라져 옮겨간다. 아래로는 특정 도메인, 특정 조직의 독점 워크플로 데이터다. 오픈 데이터는 일반적인 소프트웨어 과제를 잘 풀지만, 우리 회사 사내 시스템에서 우리 고객의 실제 업무 흐름을 돌 때 에이전트가 무엇을 어떻게 틀리는지는 우리만 안다. 그 실패·교정 로그가 새 해자다. 위로는 배포와 신뢰다. 누가 실제 업무에 에이전트를 붙였고, 얼마나 정확한지 검증했고, 사용자를 확보했는가. 베이스가 공짜에 가까워질수록 유통·평가·통합이 값을 가진다. 국내에서도 업스테이지처럼 자체 모델을 미는 팀이든 그 위에 얹는 응용 팀이든, “우리 데이터로 남보다 나은 에이전트를 만든다”는 서사는 이제 “어떤 데이터가 우리에게만 있는가”로 좁혀서 답해야 한다.

비용 구조도 바뀐다. 엔비디아 Nemotron 3 Nano는 총 300억 파라미터 중 30억만 활성화해 L40S 같은 작은 GPU에서 돌고, 문맥창은 100만 토큰이다. 유능한 베이스가 작고 싸게 굴러가면 자본이 적은 팀도 특화 에이전트를 학습하고 서빙할 수 있다. 진입장벽이 내려간 만큼 경쟁자도 같이 늘어난다는 뜻이기도 하다.

지금 취할 수 있는 행동

에이전트를 만드는 팀이라면, 먼저 지금 쌓고 있는 데이터 중 무엇이 오픈 데이터로 대체되고 무엇이 대체 불가능한지 갈라보라. 대체 가능한 부분, 즉 일반 코딩과 일반 도구 사용은 직접 모으지 말고 Open-SWE-Traces 같은 공개 데이터로 갈아타 시간을 아끼고, 그렇게 아낀 리소스를 대체 불가능한 부분에 몰아라. 우리 도메인의 실패·교정 로그, 사내 툴 연동, 도메인 평가셋이 그런 자리다. 평가 파이프라인을 먼저 갖춘 팀이 유리하다. 오픈 베이스가 좋아질수록 “우리 과제에서 얼마나 정확한가”를 숫자로 보여주는 게 곧 차별점이 되기 때문이다. 아직 학습 인프라가 없다면 NeMo Gym 같은 열린 강화학습 툴로 파일럿을 돌려보고, 라이선스 조건은 상용화 전에 확인해두는 게 안전하다. CC BY 4.0은 출처 표기를, NVIDIA Open Model License는 별도 조건을 요구한다.