핸드셰이크의 Cleanlab 인수, ‘라벨 품질’이 AI 승부처인 이유

AI가 똑똑해질수록 모델 자체보다 더 자주 발목을 잡는 게 있습니다. 바로 학습 데이터, 그중에서도 “사람이 붙인 라벨(정답)”의 품질입니다.

최근 AI 데이터 라벨링 기업 핸드셰이크(Handshake)가 데이터 품질 개선 소프트웨어로 알려진 클린랩(Cleanlab)을 인수한 건, 이 전쟁의 전장이 “더 많은 데이터”에서 “더 정확한 데이터”로 옮겨가고 있음을 보여줍니다. 이번 글에서는 인수의 핵심 포인트와 업계에 던지는 시사점을 쉽고 재미있게 정리해볼게요.¹

Handshake가 Cleanlab을 산 이유: ‘사람+소프트웨어’ 조합

핸드셰이크는 원래 커리어/리크루팅 플랫폼으로 출발해, 최근에는 AI 모델 회사들을 위한 인적 데이터 라벨링(사람이 직접 태깅·평가하는 작업) 비즈니스를 키워왔습니다.¹

그런데 사람을 많이 투입한다고 라벨이 곧바로 완벽해지진 않습니다. 피곤하면 실수하고, 기준이 흔들리기도 하고, 데이터가 어려우면 더더욱 오답이 늘죠. 그래서 핸드셰이크가 선택한 카드가 “사람을 더 뽑는 것”이 아니라, 사람의 실수를 잡아내는 “품질 엔진”을 품는 것이었습니다. Cleanlab이 바로 그 역할을 해줄 수 있는 팀이었고요.¹

이번 인수의 본질은 ‘기술’보다 ‘인재(어콰이어하이어)’

뉴스를 뜯어보면 이번 M&A의 목적이 또렷합니다. 핸드셰이크는 클린랩의 공동창업자를 포함한 9명의 핵심 인력을 연구 조직으로 합류시키는 형태를 택했습니다.¹

즉 “제품을 통째로 사서 매출을 붙이겠다”기보다는, 라벨 오류 탐지·데이터 품질 개선에 강한 인력을 빠르게 흡수해 핸드셰이크의 라벨링 파이프라인 자체를 업그레이드하려는 접근입니다. 이런 거래는 보통 속도가 생명입니다. 모델 경쟁이 치열해질수록, ‘좋은 데이터 만드는 팀’을 영입하는 게 ‘좋은 모델 만드는 팀’을 뽑는 것만큼 중요해지니까요.

Cleanlab이 강한 지점: ‘2차 리뷰어 없이’ 잘못된 라벨 찾기

현장에서 라벨 품질을 올리는 가장 전통적인 방법은 “검수자(2차 리뷰어)”를 두는 겁니다. 다만 이 방식은 비용도 늘고, 일정도 늦어지고, 사람을 더 붙였는데도 의견 불일치가 생기면 오히려 혼란이 커질 수 있죠.

Cleanlab이 주목받은 이유는, 알고리즘으로 “이 라벨, 좀 이상한데?”를 상당히 잘 찾아내는 쪽에 강점이 있기 때문입니다.¹ 이런 흐름은 연구 측면에서도 뒷받침되는데, 학습 데이터에 라벨 노이즈(오답)가 섞이면 성능이 크게 흔들릴 수 있고, 이를 잡아내기 위한 데이터 중심 접근이 계속 발전하고 있습니다.²

핸드셰이크가 이 역량을 흡수하면, “사람 라벨링 + 자동 오류 탐지 + 필요한 것만 재검수”처럼 훨씬 효율적인 공정으로 갈 가능성이 큽니다. 한마디로 검수 비용을 ‘전체’가 아니라 ‘의심 구간’에만 쓰는 구조죠.

AI 학습 데이터 시장이 커질수록 ‘라벨 품질’이 돈이 된다

라벨링은 예전엔 “단순 외주”로 보이는 일이었지만, 지금은 LLM·멀티모달·RLHF 같은 방식이 보편화되며 데이터의 의미가 바뀌었습니다. 무엇을 “정답”으로 둘지 자체가 더 복잡해졌거든요. 그만큼 라벨 품질 관리가 산업의 핵심 기능이 됩니다.

시장도 커지고 있습니다. 데이터 수집·라벨링 시장이 2023~2024년 약 30~38억 달러 규모로 추정되고, 2030년 170억 달러 수준까지 성장할 수 있다는 전망도 나옵니다.³ 파이가 커질수록 모두가 뛰어들지만, 결국 비싼 값을 받는 곳은 “빨리”보다 “정확하게”를 증명하는 쪽입니다.

‘수익’보다 ‘신뢰’가 더 중요해진 이유: 데이터 출처와 보안 이슈

AI 기업들이 더 고품질 데이터를 원할수록, 데이터 출처는 점점 민감한 이슈가 됩니다. 최근에는 AI 에이전트 성능 평가를 위해 계약자들에게 과거 업무 산출물을 업로드하게 했다는 보도가 나오며, 기밀·개인정보·저작권 리스크가 함께 조명되기도 했습니다.⁴

이 맥락에서 “라벨 품질을 자동으로 검출하고, 불필요한 원본 공유를 줄이며, 검수 과정을 체계화하는 기술”은 단순히 성능만이 아니라 컴플라이언스 관점에서도 의미가 커집니다. 핸드셰이크가 Cleanlab 팀을 품는 건, ‘정확한 데이터’와 ‘안전한 데이터’ 두 마리 토끼를 동시에 잡는 방향으로 읽힙니다.

핸드셰이크의 Cleanlab 인수는 한 줄로 요약하면 이겁니다. “AI 경쟁의 다음 라운드는 모델이 아니라 데이터 품질에서 벌어진다.”

비즈니스를 하는 입장이라면, 앞으로 라벨링 업체를 고를 때 “인력 규모”보다 “품질 측정·오류 탐지·재검수 설계” 같은 운영 능력을 더 꼼꼼히 보게 될 가능성이 큽니다. 개인적으로는 이 흐름이 반갑습니다. AI가 더 널리 쓰일수록, ‘그럴듯한 결과’가 아니라 ‘검증 가능한 정확도’를 요구받을 테니까요.

결국 승자는 데이터를 많이 가진 곳이 아니라, 데이터를 믿을 수 있게 만드는 곳일지도 모릅니다.

참고

¹OpenAI is reportedly asking contractors to upload real work from past jobs | TechCrunch

²Adaptive Label Error Detection: A Bayesian Approach to Mislabeled Data Detection

³What is Data Annotation: A Basic to Advanced Guide for 2026

⁴OpenAI Is Asking Contractors to Upload Work From Past Jobs to Evaluate the Performance of AI Agents | WIRED