퀵베이스(Quickbase) 최고제품책임자 마커스 토레스는 현장서비스·제조·시설관리 같은 운영 환경에서는 범용 대형언어모델보다 작고 과업 특화된 AI 모델이 더 신뢰할 수 있다고 주장한다. 범용 LLM은 질문 표현만 바뀌어도 답이 달라지는 등 일관성이 부족해 자산 이력과 표준 절차가 명확한 운영 현장에서는 오히려 위험 요인이 될 수 있다는 것이다. 반면 서비스 기록과 작업 지시서 등 실제 운영 데이터로 훈련된 소형 모델은 문제 해결, 교대 인수인계, 규정 준수 점검 등에서 더 일관되고 추적 가능한 답을 낼 수 있다고 설명한다. 저자는 대형 모델로 폭넓은 패턴을 학습한 뒤 이를 소형 특화 모델로 증류하는 결합 전략을 제안하며, 궁극적으로 AI의 신뢰는 똑똑해 보이는 것이 아니라 일관된 성능에서 나온다고 강조한다.

• •범용 LLM은 질문 표현 변화에도 답이 달라지는 등 일관성 부족이 운영 현장의 리스크로 작용
• •과업 특화 소형 모델이 문제해결·교대 인수인계·규정준수 점검에서 더 신뢰할 수 있는 결과 제공
• •추천 결과가 검증된 데이터로 추적되지 않으면 AI가 답을 제시하지 말아야 한다는 원칙 강조
• •대형 모델의 폭넓은 학습을 소형 특화 모델로 증류하는 결합 전략을 제안
• •AI 신뢰의 핵심은 '똑똑함'이 아니라 실제 현장에서의 '일관된 성능'이라는 결론