Every small business should run itself | Lassie with a16z

URL: https://www.youtube.com/watch?v=Fpg_8aiBxx4 날짜: 2026-07-31 채널: a16z

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI는 실리콘밸리에서는 과대평가돼 있지만 아이오와(미국 중소도시)에서는 과소평가돼 있다== — Lassie는 치과 등 소상공인의 '종이 서류 업무'를 완전 자동화해서 궁극적으로 ==모든 소상공인이 스스로 굴러가는(run itself) 세상==을 만들려는 회사다.

• 치과의사 Dr. Quan은 예일급 학위를 가지고도 매달 200시간을 보험 청구서·페이퍼워크에 쓰고 있었고, 이는 특이 사례가 아니라 미국 전역 16만 개 치과의 공통 문제였다
• 소프트웨어의 역사는 '종이 파일 캐비닛을 데이터베이스로 옮긴 것'에 불과했고 실제 노동(work)은 줄지 않았지만, AI는 처음으로 그 노동 자체를 대신할 수 있게 됐다
• Lassie는 창업 초기(2020년, LLM 이전 시대) 창업자들이 직접 치과 사무실에 앉아 몇 년간 수작업으로 일을 대신해주며 자동화 인프라(컨텍스트+툴)를 먼저 구축했고, 모델이 좋아지자 지능(intelligence) 레이어만 자연스럽게 대체되며 현재 98% 자동화에 도달했다

Lassie 공동창업자 Stein(전 Robin Hood 성장팀)과 Frederick(전 Superhuman 프로덕트)이 a16z의 Alex Rampell과 나눈 대화로, 창업 계기부터 기술적 빌드 과정, 시장 진입 전략, AI 시대의 스타트업 대 대기업 경쟁 구도, 소상공인 대상 GTM(Go-To-Market)의 독특한 어려움까지 폭넓게 다룬다.

---

1. 창업 스토리: 치과 사무실 뒷방에서 발견한 문제

1.1. Dr. Quan과의 만남

1. 우연한 발견

   1. 배경: Stein은 네덜란드 암스테르담에서 미국으로 건너와 Robin Hood 성장팀에서 일하며 "풀고 싶은 큰 문제"를 찾고 있었다
   2. 계기: 담당 치과의사 Dr. Quan을 6개월마다 정기검진으로 방문하던 중, Dr. Quan이 "내 사업이 어떻게 돌아가는지 보고 싶냐"고 제안해 뒷방을 구경시켜줬다
   3. 충격적 장면: Yelp 평점 1위의 치과의사가 매달 200시간을 페이퍼워크(보험 청구서 수작업 제출 등)에 쓰고 있었고, 사람을 구하지 못해 본인이 직접 그 일을 하고 있었다

2. 패턴 확인

   1. 재검증: Dr. Quan이 특이 케이스일 수 있다고 생각해 다른 병원들도 조사 — 펜실베이니아 스크랜턴의 위장병 전문의(gastroenterologist)에게서도 동일한 문제 발견
   2. 결론: 미국 전역에 수십만 개의 소상공인이 이 업무를 전부 수작업으로 처리하고 있다는 것을 확인
   3. 역사적 아이러니: Stein의 어머니가 1970년대 병원에서 현금 자루를 은행에 나르며 결제를 수작업 처리하던 일을 했는데, 50년이 지난 지금도 같은 방식이 남아있었다

1.2. 몇 달~몇 년간 고객 사무실에서 직접 일하며 신뢰 확보

1. 파격적인 제안

   1. 접근 방식: "Robin Hood 성장팀에서 일했는데 여기서 일하게 해주실 수 있나요? 청구서와 재무 업무를 저희가 대신 처리하겠습니다"라는 파격적인 제안을 각 병원에 던짐
   2. HIPAA/보안 우려에도 불구한 승낙: 경험도 자격도 없는 이들에게 환자 정보 접근 권한을 내주는 것이 이상함에도, Dr. Quan은 "그냥 와서 앉아서 일해봐"라고 허락했고 스크랜턴의 Dr. Sha는 "아들처럼 여기고 필요한 건 뭐든 접근하게 해주겠다"고 답함
   3. 신호로 해석: 이런 승낙 자체가 이 문제가 얼마나 절박한지 보여주는 첫 신호였다 — 단순히 "있으면 좋은" 비타민이 아니라 밤잠을 설치게 하는 진짜 통증(pain)이었다

2. 은퇴한 의사의 후일담 — Dr. Ronald Sloop

   1. 에피소드: Stein의 어릴 적 담당 치과의사였던 Dr. Ronald Sloop(플로리다)은 장부 관리를 담당하던 핵심 직원을 잃고 "더는 못 버티겠다"며 은퇴, 후배 의사에게 병원을 매각
   2. 뒤늦은 후회: Lassie 런칭 발표 영상을 본 Dr. Sloop은 "이게 있었으면 은퇴하지 않았을 것"이라고 말함 — 사람을 구하지 못해 은퇴까지 하게 된 사례
   3. 시사점: "AI가 일자리를 뺏는다"는 우려와 반대로, 애초에 사람을 구할 수조차 없는 경우가 훨씬 많다

---

2. 기술적 빌드 과정: '휴먼 인 더 루프'에서 자율 에이전트로

2.1. 2020년(모델이 별로 좋지 않던 시절)의 빌드 전략

1. 컨텍스트 레이어와 툴 레이어를 먼저 구축

   1. 핵심 통찰: 어떤 업무든 자동화하려면 (1) 업무에 대한 컨텍스트(과거 데이터, 환자 기록 등)와 (2) 업무를 수행할 툴, 이 두 가지가 필요하다 — 이는 사람이 하든 에이전트가 하든 동일
   2. 초기 병목: 2020년 당시 지능(intelligence) 레이어가 충분히 좋지 않아, 처음에는 창업자들 스스로가 "휴먼 인 더 루프"가 되어 업무를 직접 대신 처리함
   3. 자기 문제 자동화: 이렇게 스스로 업무를 대신 처리하면서 동시에 그 과정을 자동화 — "우리 자신의 문제를 자동화해나갔다"

2. 모델 발전과 함께 지능만 교체

   1. 순풍(tailwind) 효과: 컨텍스트와 툴은 이미 구축돼 있었기 때문에, 추론 모델(reasoning model)이 발전하면서 지능 레이어만 자연스럽게 더 똑똑한 것으로 교체하면 제품이 저절로 똑똑해지는 구조가 됨
   2. 운(luck)의 요소: 창업자들도 이 부분에서는 어느 정도 운이 따랐다고 인정하지만, 핵심 비전(업무 자동화, 도구 제공이 아님) 자체는 처음부터 바뀌지 않았음을 강조

2.2. 현재 98% 자동화 달성 과정

1. 자동화 우선순위 원칙

   1. 95%+ 기준: 특정 제품/업무를 팔기 전에 95% 이상 자동화 수준에 도달하는 것을 기준으로 삼되, 100%를 기다리지 않고 다음 업무로 넘어감
   2. 사업 전체 관점: 하나의 제품을 100%까지 완성하기보다 사업 전체에서 얼마나 많은 노동을 자동화할 수 있는지를 우선 고려
   3. 긴 꼬리(long tail) 학습: 자동화하지 못하는 나머지 예외 케이스들은 시간이 지나며 스태프들의 피드백을 통해 점진적으로 학습해 나감

2. 소상공인(SMB) 특유의 제약 — "툴을 쓸 사람이 없다"

   1. 대기업과의 차이: 대기업은 툴을 만들어주면 누군가는 사용하지만, SMB에는 애초에 그 툴을 사용할 사람이 없다(Betty가 이미 그만뒀기 때문)
   2. 해결책: 그래서 Lassie는 처음부터 사람이 사용하는 '도구'가 아니라 업무를 대신 처리하는 '에이전트'로 설계 — 인간 개입 없이 자율적으로 돌아가는 시스템을 만들어야 했음
   3. 정확성 중시: 보험금 조정, 환자와의 청구 소통 등 실제 업무를 대신 처리하려면 반드시 정확하게 작동해야 하기에 개발에 수년이 걸렸고, "정확성 쪽으로 치우치는(errs on the side of correctness)" 방식을 택함

---

3. Alex Rampell의 '파일 캐비닛' 이론과 소프트웨어의 역사

3.1. 소프트웨어 산업의 기원

1. Saber 시스템 — 소프트웨어의 '시간 0'

   1. 최초 사례: 항공사들이 종이 파일 캐비닛에 예약 정보를 보관하던 것을 IBM과 American Airlines가 합작한 Saber 시스템으로 디지털화(Saber는 A가 두 개라 'Saber'로 표기)
   2. 확산 패턴: 이후 HR 파일 캐비닛 → PeopleSoft, 법률 파일 캐비닛 → LexisNexis 계열 제품, 회계 파일 캐비닛 → QuickBooks/NetSuite로 각 산업에 확산
   3. 본질: 소프트웨어는 종이로 저장되던 정보를 그린스크린 컴퓨터에서 조회 가능하게 만든 것에 불과했다 — 온프레미스로 접근성만 높였을 뿐

2. 효율성 착시 — "일은 줄지 않았다"

   1. 반박 사례: PeopleSoft·Workday가 등장해도 HR 부서 인원수는 1950년이나 2000년이나 동일한 규모의 회사 기준으로 큰 차이가 없었음
   2. 비용 이동: 파일 캐비닛을 지키던 사람(Stein·Frederick 같은 관리자) 대신 이제는 해킹을 막는 IT 부서·CISO가 생겼을 뿐, 총 노동량은 줄지 않음
   3. 핵심 차이: 소프트웨어는 정보를 '조회'만 가능하게 했지 '실행'(예: 연체 청구서를 보고 전화해서 독촉하는 일)은 여전히 사람이 해야 했다 — 저장(storage)보다 실제 업무(work)의 규모가 압도적으로 크다는 것이 핵심 논지

3.2. AI가 여는 새로운 시장 규모

1. 핀테크의 번들링 효과 (선행 사례)

   1. Toast 사례: 레스토랑 소프트웨어는 1985년 MS-DOS 시절에도 기술적으로는 만들 수 있었지만, 연 매출 500만 달러짜리 레스토랑에게 10만 달러짜리 소프트웨어를 팔 방법이 없었음(CAC 문제)
   2. 번들링 해법: 결제 처리(payment processing)를 함께 번들링해 2% 수수료(vig)로 사실상 10만 달러를 청구할 수 있게 됨 — 핀테크가 비금융 소프트웨어 시장을 극적으로 키운 사례
   3. 한계: 그럼에도 핀테크의 시장 확대 효과는 이제 "노동 자체를 소프트웨어가 대신하는" 효과에 비하면 작은 수준이다

2. 노동을 대신하는 소프트웨어 — 시장 실패의 해소

   1. 경제학적 프레임: 모두가 1달러를 낼 의향이 있는 서비스인데 제공 비용이 100달러라면 이는 '시장 실패'다 — Alex는 이를 "수요-공급 균형점 오른쪽에 있는 모든 것"이라고 표현
   2. 구체적 예시: 왜 모든 치과에 네덜란드어 하는 리셉셔니스트가 없을까? 네덜란드어만 하는 사람을 연봉 4만 유로 주고 고용하는 건 말이 안 되지만, 비용이 0에 가까워지면 모든 병원이 이런 인력을 '가질 수' 있게 됨
   3. 시장 규모 비유: 순수 소프트웨어 시장(약 1조 달러)보다 그 위의 금융 거래 시장(Visa의 큰 시가총액 근거)이 더 크고, 그 바깥의 '노동' 시장은 그보다 몇 자릿수 더 크다

---

4. 스타트업 vs 대기업(Incumbent) — AI 시대의 경쟁 구도

4.1. Alex Rampell의 기존 이론: '배급을 먼저 확보하라'

1. TiVo/ReplayTV의 교훈 (Alex의 '투 문제')

   1. 혁신했지만 나쁜 결말: TiVo와 ReplayTV 둘 다 디지털 비디오 레코더(DVR)를 발명했지만 사업 결과는 나빴다 — Comcast 같은 대기업에 팔거나(통제 프리미엄이 아닌 통제 디스카운트), 대기업이 몇 년 뒤 조악하게 베끼거나(하지만 이미 고객을 갖고 있음), 라이선스 계약으로 대기업이 경제적 이익 대부분을 가져감
   2. 교훈: 스타트업은 '재밌는 기능'보다 지루하지만 파이프(pipe)를 소유하는 것 — 즉 고객을 먼저 확보하는 '보링(boring)한 일'을 해야 한다
   3. Stripe 사례: Alex 본인도 TrialPay 창업 4년 차에 결제 처리(커머디티 사업)를 먼저 장악해야 한다는 걸 깨달았다 — Stripe가 5명일 때 이미 이 통찰이 있었음

2. AI 시대의 변화 — '카테고리 자체가 없는 경우'

   1. 전형적 위험: 만약 아이디어가 "Workday에 통합해서 신규직원 배경조사를 자동화하겠다"는 식이면, Workday가 고객을 이미 갖고 있어 쉽게 베낄 수 있고 대기업이 승리할 가능성이 큼(과거 X1이 Outlook 검색을 잘 만들었지만 Microsoft가 따라할 것이라던 우려처럼, 실제 X1은 결국 야후에 인수되며 사실상 소멸)
   2. 역설적 완화 요인: AI 시대에는 대기업의 나쁜 엔지니어링·느린 프로세스라는 약점이 AI 코딩 도구로 완화되면서, 오히려 대기업이 더 빠르게 혁신을 베낄 수 있게 됨(위험이 커짐)
   3. 하지만 Lassie 같은 카테고리는 다르다: 치과 소프트웨어의 '거대 기존 강자'는 애초에 존재하지 않는다 — 유일한 '경쟁자'는 이미 그만둔 인간 직원(Betty)이었다. 순수 인력 노동으로만 처리되던 일에는 애초에 소프트웨어 대기업이 없었다

4.2. 시장의 인식 변화 — "AI는 소프트웨어다"

1. 공개 시장의 이중잣대

   1. 모순적 밸류에이션: 공개 시장은 "소프트웨어 회사는 죽었다, 가치가 0에 수렴한다"고 말하면서 동시에 "AI 회사"라고 하면 (VC들과 반대로) 열광하는 이중적 태도를 보임
   2. Alex의 정정: 실제로는 AI가 곧 소프트웨어이고 소프트웨어가 곧 AI다 — Workday·NetSuite 등 기존 소프트웨어 회사가 AI 기능을 구현하지 않는 것은 "일을 안 하는 것"과 같다는 강한 표현 사용

2. Lassie가 경쟁하는 대상은 '소프트웨어'가 아니라 '사람'

   1. 경쟁자 정의: "그 자리의 기존 사업자(incumbent)는 Betty였고, 2주 전에 그만뒀다"는 농담으로, 치과 SW 시장의 경쟁 상대가 대기업이 아니라 그만둔 직원이나 청구 대행업체(billing agency)임을 강조
   2. 방어력(defensibility)의 원천: 이 시장은 각 시스템·보험사마다 데이터 정의가 조금씩 다르기 때문에, 모든 것을 하나로 잇는 '온톨로지(ontology)'를 구축해야 하는 난이도가 오히려 신규 진입자에 대한 진입장벽이 됨 — 읽기/쓰기 통합, 통일된 데이터 모델, 그 위의 에이전트까지 수년의 작업이 필요

---

5. 소상공인(SMB) 대상 GTM(Go-To-Market)의 독특한 어려움

5.1. "다운로드 버튼 하나로 끝나지 않는다"

1. 접근 자체가 어려움

   1. 바쁜 의사에게 연락하기: Dr. Sloop 같은 의사는 저녁 7시에도 응급환자가 오면 다시 병원에 나가야 하고, 퇴근 후 컴퓨터를 켜면 "물품을 재주문해야 하는데 Betty가 그만뒀다"는 현실과 마주함 — 이런 사람에게 어떻게 도달할지가 큰 퍼즐
   2. 비기술적 대상: SMB 오너들은 매우 바쁘고 비기술적이라 AI를 스스로 설정하는 것 자체가 어려움

2. 소비자 앱 경험에서 배운 48시간 법칙

   1. Robin Hood/Superhuman 경험 적용: 소비자 제품은 첫 48시간 안에 핵심 가치를 전달하지 못하면 이탈한다는 원칙을 그대로 적용
   2. 의사도 동일: 도달하기도 어렵고 다루기도 어려운데, 몇 달 안에 제대로 작동하지 않으면 바로 이탈(out the door)한다는 점에서 소비자와 동일한 압박이 존재

5.2. Stripe/Robin Hood식 셀프서브 온보딩 구축

1. 온보딩 자동화 흐름

   1. 현재 상태: 의사가 "그래, 하고 싶다"고 하면 Stripe/Replit 같은 체크아웃 흐름으로 병원 계좌 연결 → 시스템 오브 레코드 연결 → 모든 보험 포털 연결 → 사업 정보(실제 근무 의사인지 등) 확인 → 백엔드 자동 설정까지 진행
   2. 거의 완전 셀프서브: 몇 가지 남은 수동 단계가 있지만, 몇 달 내로 완전히 셀프서브화될 것으로 예상
   3. Robin Hood 벤치마크: Stein은 Robin Hood가 인간 개입 없이 계좌 개설·KYC·은행 연결을 셀프서브로 만든 선구자였다고 언급하며, Lassie도 보험 포털 연결·디지털 클레임 수신·은행 계좌 연결의 신뢰성 확보에 유사한 제품 노력을 투입했다고 설명

2. 수백만 곳에 문을 두드려야 하는 현실

   1. 엔터프라이즈 AI와의 대비: 현재 AI 업계의 주류 플레이북은 "모델이 충분히 좋다 → 스테이크 디너 몇 번 → 계약서 서명 → 1000만 달러 ARR 확보"인데, Lassie는 수만~수십만 개의 소상공인을 하나하나 찾아야 함
   2. 타겟팅 방법: 어떤 병원 유형이 있는지, 누가 오너인지, 어떤 시스템을 쓰는지, Indeed에 구인공고를 냈는지 같은 인텐트 시그널을 찾아 공감 가는 메시지로 접근
   3. 기존 세일즈 데이터베이스의 한계: 일반적인 B2B 세일즈처럼 Clay·Apollo·LinkedIn으로 타겟을 찾을 수 없음 — Dr. Sloop은 그런 데이터베이스에 없고 LinkedIn도 잘 안 함. 완전히 새로운 GTM 플레이북을 개발 중

---

6. 프로덕트 빌딩 철학의 변화

6.1. '기능(functionality)'에서 '노동 대체(labor automation)'로

1. 과거 vs 현재의 프로덕트 사고방식
   1. 과거식 접근: 이전이라면 "환자에게 청구서를 보내는 기능"과 "환자 결제를 받는 기능"을 만드는 데 그쳤을 것
   2. 현재식 접근: 실제 업무 시간이 어디로 가는지 추적 — 청구서 금액이 맞는지 확인하는 일, 환자가 "이거 왜 내야 하냐, 보험 처리되는 줄 알았다"고 전화해서 물어보는 응대 같은 '흐릿한(fuzzy)' 커뮤니케이션 업무에 실제 시간이 소요됨
   3. 목표 재정의: "환자 청구 기능을 배포했다"가 아니라 "청구 배포 이후 병원이 청구 관련 업무에 더는 시간을 쓰지 않아야 한다"가 목표

6.2. 채용 철학 — "AI 네이티브함" 추가, 기본 바는 그대로

1. 변하지 않은 것

   1. 여전히 최상위 인재: 엔지니어링이든 세일즈든 상위 5% 수준의 스킬과 야망(ambition)을 가진 사람이 필요하다는 기준은 그대로
   2. 올림픽 육상 비유: Stein이 육상선수 출신(친구들은 실제 올림픽에 진출)이라며, 회사 빌딩도 매일 두 번 훈련하고 한계까지 밀어붙이는 정신적·육체적 훈련과 같다고 비유

2. 새롭게 요구되는 것 — "AI 네이티브함"

   1. 핵심 면접 질문: "코딩 방식이 완전히 바뀔 것이라 믿는가", "재무 부서를 구축하는 방식이 완전히 달라질 것이라 믿는가" 같은 질문으로 AI 시대 적응력을 특별히 검증
   2. 목표: 2026년형 조직 — 다른 회사보다 2배 더 많이 출시하고 4배 더 빠르게 움직이는 팀을 만들려는 것

---

7. AI 시대의 소상공인 해자(Moat) — 역설

7.1. "쉬워질수록 오히려 어려워진다"는 역설

1. Alex의 질문

   1. 역설 제시: 만약 누구나 "베티(Betty)를 소환"할 수 있다면, 소상공인을 시작하고 운영하는 게 훨씬 쉬워지겠지만, 역설적으로 그만큼 경쟁이 치열해져 살아남기(be one)는 더 어려워질 수 있다
   2. 소프트웨어 복제 비유: 소프트웨어는 Replit·Lovable·Claude로 쉽게 복제할 수 있다는 이야기를 자주 듣지만, "Dr. Sloop의 병원을 복제하겠다"는 훨씬 어렵다 — 사람을 모아 최종 제품을 전달하는 '사람의 축적'이 소상공인의 해자라는 것
   3. 요기 베라 인용: "너무 붐벼서 아무도 안 간다(It's so crowded, nobody goes there anymore)"는 요기 베라의 역설적 명언을 빌려, 진입장벽이 낮아지면 오히려 시장이 과포화될 수 있음을 표현

2. Stein/Frederick의 반박 — "수요는 이미 공급을 초과한다"

   1. 미충족 수요가 훨씬 큼: 좋은 배관공을 구하기 힘든 것처럼, 현재 수요가 이미 공급을 훨씬 초과하고 있어 경쟁 심화보다 시장 확대 효과가 클 것으로 봄
   2. 네덜란드 1차 진료 경험: Stein은 네덜란드에서 자란 경험을 언급하며, 미국에서는 자신과 가족을 잘 아는 좋은 1차 진료의를 찾기가 훨씬 어렵다고 비교
   3. 결론적 낙관론: "치과의사가 16만 명인데, 만약 50만 명이 되거나 같은 수의 치과의사가 2배의 환자를 볼 수 있게 된다면?" — 노동력 제약으로 눌려있던 서비스 공급이 풀리면서 사람들이 더 많은 시간을 본업(장인정신)에 쓸 수 있는 낙관적 미래를 그림

7.2. 런칭 반응 — "AI에 대한 드문 낙관적 사례"

1. 긍정적 반응의 이유
   1. 일자리 뺏기가 아니다: "AI가 소상공인의 바쁜 업무(busy work)를 없애주는 것에 반대할 사람은 없다" — 치과의사·손톱관리사 등은 파이를 굽거나(빵집), 손톱을 다듬거나, 이를 치료하는 본업에 집중해야 한다는 것
   2. 여론 반응: Lassie 런칭 시 많은 사람이 "AI 종말론" 담론과 반대로 이 사례를 AI의 드문 낙관적(optimistic) 사례로 언급함

---

8. 아직 풀리지 않은 기술적 난제

8.1. 모델은 '지식'은 있어도 '업무 워크플로우'는 모른다

1. 핵심 발견

   1. 의외의 공백: 최신 추론 모델을 쓰기 시작했을 때 "이 정도 데이터로 학습했으면 당연히 이 업무를 알겠지"라고 가정했지만, 실제로는 특정 보험사에 어떻게 청구해야 하는지 같은 SOP(표준운영절차)를 전혀 몰랐다
   2. 암묵지의 문제: 이런 워크플로우 지식은 오피스 매니저들의 머릿속에만 있는 암묵지(tacit knowledge)로, 인터넷에 거의 공개돼 있지 않음
   3. Lassie의 우위: 고객사의 ERP에 쌓인 과거 데이터를 통해 이런 워크플로우를 역으로 추론(infer)할 수 있는 데이터 우위를 갖고 있음

2. 향후 기대 — 더 작고 빨리 학습하는 모델

   1. 개인적 관심사: Frederick은 더 적은 데이터로 더 빠르게 학습하는 소형 모델에 개인적 관심을 표명 — 지능이 (Pixar 램프처럼) 모든 곳에 퍼지는 미래를 상상
   2. 제품적 대응: 이런 학습 속도 한계를 보완하기 위해, 사람들의 선호와 작업 방식을 입력받아 에이전트를 더 똑똑하게 만드는 프로덕트 UX를 별도로 구축 중

8.2. "논쟁의 한계비용이 0에 수렴할 때" — 보험업계의 역학 변화

1. 보험 산업의 기존 관성

   1. Alex의 관찰: 건강보험사 Cigna는 종이수표만 발행하는데, 이는 가입자가 수표를 잃어버리거나 예금하지 않기를 은근히 기대하는 '의도된 지연' 전략이라는 것 — 보험업계 전반이 "거부, 거부, 거부(deny, deny, deny)" 문화를 갖고 있음
   2. 양쪽 다 서로 속이려 함: 반대편에서는 가입자도 (집이 불탔을 때 "피카소 그림이 있었다"고 하는 식으로) 과장 청구를 하는 등, 양측 모두 서로를 속이려는 유인이 존재하는 산업
   3. 질문: 모두가 무한히 논쟁할 수 있는 초강력 도구(AI)를 갖게 되면 보험금 청구와 지급의 역학이 어떻게 변할지에 대한 질문

2. Lassie의 실전 답변 — '규정 준수' 게임에서 에이전트가 유리함

   1. 규정 기반 산업: 치과 크라운 시술 시 올바른 X-ray와 narrative(소견서)를 제공하면 보험사(Cigna 등)가 커버한다는 규정이 명문화돼 있음
   2. 인간의 한계: 치과에만 50~100개의 공통 청구 코드(billing code)가 있어 Mildred나 Betty 같은 스태프가 전부 외우기 어렵지만, Lassie 에이전트는 관련 문서·X-ray·치료계획 작성법을 전부 파악해 규정대로 제출
   3. 보험사의 숨은 인센티브: 보험사도 매년 고용주와 플랜을 갱신할 때 "이 지역에 좋은 의사가 네트워크에 있는가"를 보기 때문에, 사실은 Dr. Loop·Dr. Quan 같은 좋은 의사를 네트워크에 유지할 인센티브가 있다 — 경쟁 시장이라 좋은 의사가 없으면 고용주가 다른 보험사로 갈아탐

8.3. 종이수표 문제 — 규제가 만든 디지털 전환 변곡점

1. 여전히 종이로 돌아가는 결제 시스템

   1. 실제 경험담: Stein은 Dr. Quan을 위해 우체부가 가져온 봉투를 직접 열어 10만 달러어치 수표를 은행에 입금하고, 첨부된 항목별 청구서(itemized invoice)를 일일이 처리하는 일을 실제로 했다
   2. 통계: 미국 소상공인의 약 70%가 여전히 종이수표로 결제를 받고 있음
   3. 모델의 한계와 무관한 병목: 설령 5년 전에 이런 좋은 모델이 있었어도, 결제 자체가 종이였기 때문에 자동화가 불가능했을 것

2. 연방정부 규제가 만든 전환점

   1. 강제 전환: 연방정부가 "더는 종이수표로 결제할 수 없다"며 산업에 직접입금(direct deposit) 옵션 제공을 의무화 — 이에 따라 항목별 청구서도 디지털 파일 포맷으로 만들어야 함
   2. 단순하지 않은 전환: 의사가 "스위치만 켜면" 끝나는 게 아니라, Cigna·Delta 등 각 보험사와 별도로 전환 절차를 밟아야 하고, 계좌에 스태프의 접근 권한을 얼마나 줄지(임대료 납부 등 민감 정보 노출 우려) 등 복잡한 문제가 얽혀 있어 실제로는 50시간이 걸리는 작업
   3. Lassie의 해법: 병원의 사업자 정보(세금 ID 등)만 받으면 이 디지털 전환 과정 전체를 대행하는 엔진을 구축 — "메인스트리트에 모델을 적용하는 것"과 "파일 캐비닛 속 데이터를 디지털 포맷으로 전환하는 것" 두 가지가 결합된 이중의 해자(moat)
   4. 디지털화 자체를 원치 않는 관성: Frederick은 종이로 일하는 게 스태프 입장에서는 오히려 익숙하고 편해서(PDF는 오히려 도구가 더 필요함) 디지털 전환의 유인이 별로 없었다는 점도 짚음

---

9. Lassie의 마스터플랜

9.1. 3단계 확장 전략

1. 1단계: 치과 시장 전면 공략

   1. 시장 규모: 미국에만 16만 개 치과가 있고, 이들이 연간 약 20만 달러를 행정비용에 쓰고 있어 이것만으로도 약 10억 달러(1 billion) 규모의 반복 매출(recurring revenue) 시장
   2. 현재 가격: 이미 첫 에이전트(월 30시간 자동화, Dr. Sloop 기준 필요한 200시간 중 일부)로 5자리 수(five figures) 요금을 청구 중

2. 2단계: 다른 의사 유형으로 확장

   1. 선정 기준: 서비스가 열악하고(underserved) 수요가 크며, Coinbase나 Stripe 수준으로 온보딩이 단순해야 한다는 소비자급 제품 기준을 충족하는 또 다른 진료과를 선택

3. 3단계: 모든 소상공인으로 확장

   1. 공통 구조 발견: 모든 소상공인은 추상적 수준에서 읽고 쓰는 시스템 오브 레코드(system of record)가 있고, 고객(치과라면 환자)이 있으며, 결제와 예약이라는 공통 트랜잭션 패턴을 가진다는 인사이트
   2. 최종 비전: 에이전트가 소비자의 개인 에이전트, 나아가 보험사 등 다른 상대방의 에이전트와도 인터페이스하는 세상 — 미국뿐 아니라 창업자들의 고향인 네덜란드, 독일 함부르크의 소상공인도 포함
   3. 집중 후 확장 원칙: Superhuman·Robin Hood 경험처럼 "하나를 제대로 해내고(laser focus) 그다음에 확장한다"는 원칙을 유지

---

주요 발언 모음

"AI is overhyped in Silicon Valley but underhyped in Iowa." (AI는 실리콘밸리에서는 과대평가돼 있지만 아이오와에서는 과소평가돼 있다) — Alex Rampell

"It's not like, oh, AI is going to take the jobs. In many cases, you can't find somebody." (AI가 일자리를 뺏는 게 아니다. 많은 경우 애초에 사람을 구할 수가 없다) — Alex Rampell

"The battle between every startup and incumbent comes down to whether the startup gets the distribution before the incumbent gets the innovation." (모든 스타트업과 대기업의 싸움은 결국 스타트업이 배급을 먼저 확보하느냐, 대기업이 혁신을 먼저 확보하느냐의 문제다) — Alex Rampell

"The well the incumbent was named Betty and she quit two weeks ago. That's the incumbent." (이 시장의 기존 사업자는 베티라는 이름이었고, 2주 전에 그만뒀다. 그게 이 시장의 기존 사업자다) — Alex Rampell

"Lassie isn't replacing humans, but like freeing them from wearing so many hats." (Lassie는 사람을 대체하는 게 아니라 너무 많은 역할을 떠맡던 그들을 해방시켜주는 것이다) — Dr. Quan 인용

"So it's so crowded nobody goes here anymore." (너무 붐벼서 아무도 안 간다) — Yogi Berra 인용

"The end goal here is that every small business should run itself." (최종 목표는 모든 소상공인이 스스로 굴러가는 것이다) — Stein

핵심 데이터 & 수치

• 치과의사의 월 페이퍼워크 시간: Yelp 평점 1위 치과의사(Dr. Quan)가 매달 200시간을 행정업무에 소비
• 미국 치과 수: 약 16만 개(160,000)
• 치과 산업 연간 행정비용: 개별 치과당 약 20만 달러(연간)
• 1단계 시장 규모(치과): 약 10억 달러(1 billion) 규모의 반복 매출 시장
• Lassie 첫 에이전트 요금: 월 30시간 자동화 기준 5자리 수(five figures) 청구
• 자동화 수준: 현재 98% 자동화 달성
• 자동화 배포 기준: 신제품 배포 전 최소 95% 이상 자동화 확보를 목표
• 치과 청구 코드 수: 업계 공통 청구 코드(billing code) 약 50~100개
• 종이수표 결제 비중: 미국 소상공인의 약 70%가 여전히 종이수표로 결제받음
• 실제 목격 금액: Stein이 Dr. Quan을 위해 직접 처리한 수표 입금액 약 10만 달러(1건 기준)

결론 및 시사점

1. AI가 처음으로 '노동'을 자동화한다: 과거 소프트웨어는 정보를 저장·조회 가능하게 했을 뿐 실제 업무(work)는 줄이지 못했다. AI는 처음으로 실제 노동을 대신 수행할 수 있는 기술이며, 이는 순수 소프트웨어 시장보다 몇 자릿수 큰 시장 기회를 연다.
2. 카테고리에 기존 강자가 없는 시장을 노려라: '순수 인력 노동'으로만 처리되던 업무 카테고리(치과 행정업무 등)에는 소프트웨어 대기업이 아예 존재하지 않기 때문에, AI 스타트업이 대기업에 뒤통수 맞을 걱정 없이 시장을 선점할 수 있다.
3. SMB向 AI 사업은 엔터프라이즈 AI와 완전히 다른 게임이다: 스테이크 디너와 계약서 사인으로 끝나는 엔터프라이즈 세일즈 플레이북이 통하지 않는다. 수만~수십만 개의 개별 사업장에 직접 도달해야 하고, 기존 세일즈 데이터베이스(LinkedIn, Clay, Apollo)에는 타겟이 아예 없는 경우가 많아 완전히 새로운 GTM을 개발해야 한다.
4. 온보딩 자동화가 곧 제품 경쟁력이다: 소비자 앱 수준(Stripe·Robin Hood식 셀프서브 KYC/계좌연동)으로 온보딩을 단순화하지 못하면, 아무리 좋은 에이전트를 만들어도 바쁘고 비기술적인 SMB 오너에게 도달할 수 없다.
5. 모델은 '지식'과 '업무 워크플로우'를 혼동하면 안 된다: LLM은 방대한 데이터로 학습됐지만 특정 산업의 실무 SOP(암묵지)는 알지 못한다. 고객사의 과거 데이터(ERP 등)를 통해 이 워크플로우 지식을 역으로 추론하는 능력이 AI 에이전트 스타트업의 진짜 데이터 해자가 된다.
6. 규제 변곡점을 놓치지 마라: AI 모델의 성숙도와 별개로, 종이수표 → 디지털 결제 전환처럼 연방정부 규제가 만드는 강제적 변곡점이 시장 진입의 타이밍을 결정한다.
7. AI 시대에도 인재 기준은 낮아지지 않는다: 상위 5% 인재를 뽑는 기준은 그대로 유지하되, "AI로 일하는 방식이 근본적으로 바뀔 것이라 믿는가"라는 AI 네이티브 사고방식을 추가 검증 기준으로 삼아야 한다.