Capability Overhang
Capability Overhang은 AI 모델이 이미 보유했지만 사용자·개발자·조직이 아직 충분히 발견하거나 제품화하지 못한 잉여 능력을 가리키는 개념이다.
설명
영상에서 노정석 대표는 현재 AI 모델들이 “그 모델을 만든 사람들조차 아직 다 모르는 능력”을 가지고 있으며, AI 활용 격차는 이 능력을 얼마나 잘 꺼내 쓰느냐에서 발생한다고 설명한다. 즉 “AI가 못 한다”는 판단은 실제 모델 한계일 수도 있지만, 많은 경우 사용자가 목표·컨텍스트·피드백 루프를 충분히 설계하지 못한 결과일 수 있다. (출처: yt-d8mvVt7EkXA-AI시대에-살아남는-학습자역량)
Capability Overhang을 활용하려면 다음이 필요하다.
- 목표 명확화: 모델이 개선 방향을 평가할 수 있는 목적 함수를 제공한다.
- 고품질 컨텍스트: 논문, 코드, 도메인 문서, 사용자 지식 체계 등 높은 수준의 자료를 함께 제공한다.
- 반복 루프: 첫 산출물을 다시 평가·개선하도록 돌려보낸다.
- 메타인지 위임: 사용자가 목표를 모를 때도 AI에게 목표 후보와 학습 경로를 탐색하게 한다.
실전 적용
- harness-engineering — Hook/Skill/MCP를 통해 반복 루프를 시스템화하면 Capability Overhang을 안정적으로 끌어낼 수 있다.
- AI를-선생님으로-쓰는-학습법 — 학습자는 고급 컨텍스트를 주고 질문 수준을 높여 AI의 잠재 능력을 끌어낸다.
- Human-AI-Collaboration — 인간은 목표·평가기준·구조를 제공하고 AI는 탐색·실행·개선을 수행한다.
관련 개념
- Agentic-AI — 목표 기반 반복 수행과 연결
- Human-AI-Collaboration — 인간과 AI의 역할 경계