올해 들어 AI 모델 신작 발표가 거의 격주 단위로 쏟아지고 있습니다. Claude, GPT, Gemini, 그리고 오픈소스 진영까지 — 발표할 때마다 “역대 최고 성능"이라는 수식어가 빠지지 않는데요. 그런데 정작 현장에서 이 모델들을 쓰는 사람들의 반응은 좀 다릅니다. 숫자는 올랐는데, 체감은 왜 제자리인 걸까요.

벤치마크 인플레이션 시대

2026년 현재, 주요 AI 벤치마크의 상위권은 사실상 포화 상태입니다. MMLU, HumanEval, MATH 같은 전통적 평가 지표에서 상위 모델들의 점수 차이는 1-2% 안팎입니다. Anthropic의 Claude, OpenAI의 GPT 시리즈, Google의 Gemini 모두 이런 벤치마크에서 번갈아가며 1위를 차지하고 있죠.