메타데이터
- 채널: 20VC (Harry Stebbings)
- 게스트: Joon Sung Park (Simile 공동창업자 겸 CEO, 前 Stanford 연구원)
- 원문 링크: https://www.youtube.com/watch?v=ya6D6-SizbI
- 발행 채널: 20VC
- 처리일: 2026-08-02
1. 핵심 요지 (Core Thesis)
Simile는 "인간 행동의 파운데이션 모델"을 만드는 회사다. OpenAI·Anthropic 같은 프론티어 모델 회사들이 "코딩·수학을 잘하는 초이성적 기계"를 목표로 한다면, Simile은 정반대 방향을 추구한다 — 사람이 저지르는 실수를 똑같이 저지르고, 사람과 같은 방식으로 편향되며, 개인·인구집단·시장 전체의 가치관·선호·취향을 시뮬레이션하는 모델을 만드는 것이다. 즉 LLM이 "지능의 CPU"라면 Simile은 "지능의 GPU" — 하나의 똑똑한 범용 추론기가 아니라, 다양하고 불완전한 수많은 개별 인간을 병렬로 모델링해 그 집합에서 발생하는 창발적 현상(사회, 시장, 정책 반응)을 재현하려는 시도다.
기원은 2023년 스탠퍼드에서 만든 "Smallville" 프로젝트 — GPT-3.5 기반 NPC 25명이 마을에서 실제로 일어나고, 일하고, 관계를 맺고, 자발적으로 밸런타인데이 파티를 기획하는 시뮬레이션이었다. 여기서 나온 메모리·플래닝·리플렉션 아키텍처가 오늘날 "에이전틱 워크플로우"의 초기 원형이 됐다. Simile은 이 아이디어를 기업 시장 조사·의사결정 지원으로 확장해, 창업 1년 만에 총 $300M을 조달하고 CVS 등 포춘 500대 기업과 3개월 만에 계약을 체결하는 등 폭발적인 PMF를 증명했다.
2. 논거/근거 (Arguments & Evidence)
① "Say vs Do" 갭 — 관찰 데이터의 한계
- 웹 데이터는 사람들이 "무엇을 말했는가"의 기록이지 "무엇을 했는가"의 기록이 아니다. LLM은 대부분 이 웹 데이터로 학습된다.
- 관찰 행동 데이터는 상관관계(correlation) 파악과 예측(prediction)에는 강하지만, 인과관계(causal mechanism)와 반사실적 추론(counterfactual)에는 약하다.
- Park의 핵심 통찰: "아무도 미래 예측 자체를 원하지 않는다(주식시장 예측이 아닌 이상). 사람들이 원하는 건 미래를 '바꾸는' 것" — 예를 들어 스타벅스는 "매출이 2분기 뒤 하락할 것"이라는 예측이 아니라 "그걸 막으려면 지금 무엇을 해야 하는가"를 알고 싶어한다. 이를 위해선 인과 메커니즘을 학습한 모델이 필요하다.
- 그래서 Simile은 관찰 데이터뿐 아니라 무작위 대조 실험(RCT)과 A/B 테스트를 대량으로 직접 수행해 "이렇게 했을 때 vs 저렇게 했을 때 행동이 어떻게 달라지는가" 데이터를 핵심 학습 자산으로 삼는다.
② 데이터 전략이 곧 방어력(defensibility)
- "이번 세대 AI 회사는 방어 가능한 독자적 데이터 전략이 있어야 한다"는 것이 Park의 근본 명제.
- 데이터 수집의 두 축: (1) 소싱하는 '사람' — 전문 프로그래머·과학자가 아니라 "우리와 같은 평범한 일상인"을 대표성 있게 모집. (2) '질문의 질' — 단순 설문이 아니라 "당신 인생 이야기를 들려달라. 어디서 자랐고, 가장 힘들었던 결정은 무엇이었나" 같은 깊은 서사적 질문으로 사람의 본질에 접근.
③ 데이터 플라이휠 — "세상이 곧 그라운드 트루스"
- 코딩 에이전트가 급격히 좋아진 이유는 리워드 시그널이 명확해서다(사용자가 accept/reject). 시뮬레이션은 예측 대상이 미래에 일어나므로 검증이 어려워 보이지만, Park은 반대로 시뮬레이션이 "더 나은" 리워드 메커니즘을 가졌다고 주장한다: 매일 수만 개의 가설을 생성하고, 각 가설은 검증 가능한 종료 조건(end statement)에 매핑되며, 실제 세상에서 그 가설이 맞았는지 매일 확인할 수 있다. 이는 AlphaGo가 자기 대국을 수천 번 반복하며 스스로를 교정한 것과 유사한 구조다.
④ 프로덕트마켓핏의 증거 — 정확도 검증
- 2024년 말, Simile은 사람들의 행동·태도를 실제 사람이 자기 자신을 재현하는 것과 비교해 85% 정확도로 예측할 수 있음을 논문/데모로 입증했다. 이 결과가 "synthetic panel"이라는 시장 카테고리 자체를 촉발시켰다.
- 근거: 현재 기업/연구자가 답하고 싶은 질문 중 실제로 답을 얻는 비율은 약 **5%**뿐(비용·시간 제약). 나머지 95%는 "직감"으로 의사결정한다. 시뮬레이션은 이 5%의 천장을 깨는 도구라는 것이 Park의 시장 논거.
3. 사례/디테일 (Examples & Details)
Smallville 프로젝트(2023)의 메모리 문제 해결법
- 초기엔 단순하게 모든 기억을 마크다운 텍스트 파일에 저장 — LLM이 자연어 처리에 강하다는 점을 활용.
- 문제: 컨텍스트 윈도우 한계 + 기억량 폭증(하루에 오믈렛을 5번 먹었다면 그 사실을 어떻게 의미화할 것인가?).
- 해법: "리플렉션(reflection)" — 일정 주기마다 에이전트에게 자신의 기억 조각들을 모아 "왜 이번 주에 오믈렛을 그렇게 자주 먹었지? 바빴나? 좋아하나?" 같은 상위 수준 성찰을 하게 함. 이 과정에서 에이전트는 점차 자기만의 성격·관점을 형성하게 됨 — 이것이 오늘날 에이전트에 "메모리+플래닝+리플렉션"이 표준 구성요소가 된 초기 배경.
CVS 사례
- CVS의 VP of Insights(Shri)와 협업. 대기업 고객들이 예상(1~2년 걸릴 것으로 봤던 시장 warm-up)과 달리 매우 빠르게 움직였고, 일부 엔터프라이즈 딜은 3개월 만에 체결됨.
- 첫 통화에서 고객이 대형 컨설팅사가 수행한 리서치 결과를 Simile 시스템에 물어봤고, "3~6개월 걸린 스터디의 결과를 2분 만에" 예측해 보여준 것이 초기 고객 확보의 결정적 계기.
비용 구조
- 현재 프로덕션 모델은 초기 대비 비용이 100분의 1로 절감됨 — 동일한 리워드 모델·철학을 유지하면서 추론 효율화 기법을 계속 개발.
- 복잡한 시뮬레이션(예: 미국 전역 시장 세분화 스터디)은 컴퓨팅 비용이 훨씬 높지만, 실패 시 손실이 큰 의사결정이라 오히려 ROI가 가장 높은 영역.
- Park의 예측: "2~3년 안에 단일 시뮬레이션 세션 실행에 $10~20M이 들지만, 그 결과가 $100M의 가치를 가져 대기업/정부가 기꺼이 지불하는 세상이 올 것."
펀딩 히스토리
- 시드 → 5개월 전 $100M 라운드(Index 주도, Shardul Shah) → 인사이더들의 선제적 제안으로 5개월 만에 재라운드 → Greenoaks(Neil Mehta)가 새로 합류해 $200M 추가 조달, 총 $300M을 6개월 사이에 조달.
- 이유: "리서치는 결과를 통제할 수 없지만 투입(input)은 통제할 수 있다" — 데이터·컴퓨팅 투입을 늘려 연구 속도를 의미 있게 가속할 수 있는 시점이라 판단.
- 공동창업자 3인: Joon Sung Park(에이전트/시뮬레이션 리서치), Michael Bernstein(크라우드소싱·HCI 연구자, AI 혁명을 촉발한 이미지넷 관련 공저자 중 한 명), Percy Liang("파운데이션 모델"이라는 용어를 만든 장본인). GTM은 Laney가 리드.
팀 빌딩 철학
- "이 사람이 인생의 각 단계에서 성공의 공통분모였는가"를 본다 — 극도의 오너십과 재창조 능력의 신호.
- "서로 모순되는 두 개의 초능력을 동시에 가진 사람"을 찾는다 — 예: 데이터에 극도로 엄격하면서 동시에 창의적 상상력이 뛰어난 최고의 CMO들.
- 공동창업자 Laney를 "paranoid"(단기적으로 편집증적, 오늘 모든 걸 쏟지 않으면 뒤처진다는 절박함)로, 자신을 "religious"(장기적으로 세상이 결국 나에게 유리하게 풀린다는 믿음)로 묘사. 둘의 균형이 관건이며 "오늘의 편집증이 미래를 만든다"는 것이 결론.
- 리서치 인재 전쟁: 빅랩 연구자 총보상은 수천만 달러 규모지만, Simile은 기본급으로 경쟁할 수 없는 대신 "비전"과 "사회적 임팩트"로 설득. 지난 6년간 핵심 팀원 이탈 없이 프로젝트를 함께 옮겨온 것이 스스로 자랑스러운 트랙레코드.
퀵파이어 라운드
- 가장 과소평가된 연구자: 대형 랩에서 논문을 안 쓰는(그래서 이름이 안 알려진) 뛰어난 연구자들.
- 가장 과열된 AI 영역: 사회적 임팩트에 대한 명확한 비전 없는 "neolab"들 — 흥미로운 리서치 프로젝트로 끝나고 지속 가능한 회사가 되지 못할 위험.
- 가장 저평가된 유망 영역: 시뮬레이션 외엔 추론 레이어·칩(하드웨어) — 진입장벽이 높지만 최근 스텔스에서 나온 "Edged" 같은 팀을 주목.
- 인생에서 받은 가장 친절한 행동: 학부 시절 리서치 경력이 전무했음에도, 스탠퍼드 이론 교수 Mary Wardle이 같은 대학 출신이라는 이유만으로 아침 시간 전체를 내어 커리어 조언을 해주고 초기 연구 네트워크를 연결해준 것 — 이것이 AI 리서치 커리어의 첫 발판이 됨.
4. 시사점 (Implications)
- AI 회사의 새로운 축: "더 똑똑한 모델" 경쟁과 별개로 "인간을 있는 그대로(오류·편향 포함) 재현하는 모델" 경쟁이라는 새로운 카테고리가 부상 중. 데이터 전략(누구를, 어떻게, 어떤 질문으로 수집하는가)이 컴퓨팅·알고리즘보다 더 핵심적인 방어 자산이 될 수 있다.
- 시장조사·컨설팅 산업 재편 가능성: 3~6개월 걸리는 스터디를 2분 만에 근사할 수 있다면, 전통적 설문/리서치 벤더(Qualtrics류)와 컨설팅사의 가치 제안이 근본적으로 흔들릴 수 있다. Simile은 스스로 "다음 세대 Qualtrics"가 되는 것이 아니라 "정책·제품·전략의 반사실적 시뮬레이션 레이어"를 지향한다고 선을 그음.
- 가격/가치 포착의 비대칭: 수백만~수십억 달러급 의사결정 실패를 막아주는 도구인데 계약 규모는 수백만 달러 수준 — 앞으로 가치 기반 가격(outcome-based pricing)으로 진화할 가능성이 있는 영역.
- 거버넌스·윤리 리스크: Park 스스로 시뮬레이션을 AGI와 함께 "가장 강력한 두 기술 축" 중 하나로 규정하며 오용 가능성을 경계함 — 선거·민주주의 실패 조건 같은 민감한 주제에 대해 "누구와 일할지"를 신중히 선택한다고 밝힘. 이 기술이 성숙할수록 규제·윤리 프레임워크 논의가 병행될 필요가 있음.
- 투자/펀딩 신호: 리서치 배경 창업자를 평가할 때 "문제에 결혼했는가, 임팩트에 결혼했는가"를 구분하라는 조언은 딥테크 투자자에게 유용한 휴리스틱. 또한 시드→시리즈A→B가 1년 내 연쇄적으로 일어나는 현재 AI 펀딩 속도는 창업자가 "예상보다 항상 더 빨리 온다"는 전제로 준비해야 함을 시사.
- 장기 비전의 급진성: "모든 사람이 시뮬레이션 세계 속 재현 가능한 트윈을 갖는다"는 비전은 대의민주주의(대표자를 통한 간접 대변)를 "직접적 집단지성 대변 레이어"로 대체할 가능성을 시사 — 실현되면 정책 결정, 헤지펀드 알파, 심지어 데이팅까지 사회 전반의 의사결정 구조에 파급력이 있을 근본적 변화.