AI의 현재: 모델, 해자, 그리고 소비자 르네상스

URL: https://www.youtube.com/watch?v=zEZ0rQ8Ef-Y 날짜: 2026-08-27 채널: a16z

---

📌 핵심 질문 / AI 산업의 다음 승자는 어디에서 만들어지는가

==저비용·풍부한 지능(abundant intelligence)은 거품의 끝이 아니라 수요가 공급을 압도하는 확장 국면이며, 가치의 중심은 여러 특화 모델을 경제적 결과로 바꾸는 애플리케이션과 소비자 제품으로 이동한다.==

• 모델 시장은 한 곳의 독점보다 Anthropic, OpenAI, xAI, 오픈 웨이트 모델 등이 각자의 강점을 갖는 다수 승자 구조로 향한다.
• 네트워크 효과·규모·유통·브랜드 해자는 여전히 강하지만, SAP 같은 통합(integration) 해자는 코딩 에이전트 때문에 약해질 수 있다.
• 애플리케이션은 원시 지능 프리미티브를 산업별 가격·패키징·워크플로·제품 경험과 결합해 경제적 결과로 바꾼다.
• 소비자 에이전트는 기억과 도구 사용을 통해 가족·친구·돈·건강 같은 삶의 루프를 자동화하며, 생산성뿐 아니라 감정과 오락까지 다룬다.

1. 무대의 시작: Grok Bots가 보여준 소비자 에이전트의 자원 활용성

1.1. 청바지 구매가 보여준 에이전트의 다음 단계

1. Anish Charia와의 가벼운 대화가 에이전트 논의로 이어짐

   1. Anish Charia는 주 초 a16z GP 오프사이트에서 이미 Grokbot을 사용하고 있으며, Grokbot으로 청바지를 여러 벌 구매했다고 말했다.
   2. Anish는 자신의 옷차림을 두고 “중요한 비밀이자 보호된 IP”라며 주로 Frame 청바지를 입는다고 농담했다. Frame은 좋은 브랜드라는 말도 덧붙였다.

2. Grok Bots의 핵심 능력은 resourcefulness임

   1. Anish는 현재 청바지 사진을 찍어 Grokbot에 보내고, 사진에서 영감을 받은 청바지를 500달러 이하로 사라고 잠들기 전에 지시했다.
   2. 다음 날 아침 Grokbot은 상품을 조사하고, 같은 핏(fit)에 다른 워시(wash)를 가진 청바지를 찾고, Anish의 신용카드로 결제해 주문까지 끝냈다.
   3. 상품은 배송 중이었고, Anish는 이런 자율적인 조사·선택·구매가 앞으로 훨씬 흔해질 것이라고 봤다.
   4. 모델의 기본 능력은 이미 상당 부분 갖춰졌으며, 대중적 사용을 여는 열쇠는 자원 활용성(resourcefulness)과 소비자가 이해하기 쉬운 제품 아키텍처다.

3. 소비자도 에이전트에게 미뤄둔 일을 맡기기 시작함

   1. 대화 상대는 남편에게 2년 동안 팔겠다고 약속하고도 쌓아둔 물건 더미를 이번 주말 자신의 봇에게 처리시키겠다고 말했다.
   2. 청바지 구매처럼 사소한 개인 업무를 끝까지 실행하는 능력이 에이전트를 단순한 대화형 챗봇과 구분한다.

1.2. “3년 뒤 단 하나의 승자”라는 질문에 대한 답

1. 다수 승자(many winners) 구도가 유력함

   1. Anish는 3년 뒤 하나의 AI 리더만 남는다고 보지 않으며, 자신을 “many winners guy”라고 규정했다.
   2. 불과 최근 2주 사이 xAI는 모델 분야의 실질적 경쟁자로 간주되지 않던 위치에서 세 주요 경쟁자 중 하나로 올라섰다.
   3. 모델 경쟁은 2강 구도에서 3강 구도로 빠르게 바뀌었다.

2. 랩의 상대적 우위는 계속 교체됨

   1. 연초에는 Anthropic이 압도적으로 강해 무엇이든 성공시킬 것처럼 보였지만, 최근 3개월은 OpenAI의 흐름이 매우 좋았다.
   2. OpenAI의 새 모델, Codex harness, ChatGPT 데스크톱 앱은 뛰어난 완성도를 보였고, 각 랩은 서로 다른 방향으로 특화되고 있다.
   3. Anthropic과 OpenAI는 서로의 성공에도 불구하고 모두 빠르게 성장하고 있으며, xAI와 오픈 웨이트 모델도 좋은 성과를 내고 있다.

3. 개발자 수요는 최신 모델을 따라 이동함

   1. X의 여론은 미래를 완벽히 예측하는 풍향계는 아니지만, 개발자 정서의 초기 지표로는 유용하다.
   2. 최근 Claude의 토큰 사용량 등을 둘러싼 개발자 반발이 보였고, 개발자는 최신·최고 성능 모델이 있는 곳으로 이동하는 변덕스러운 팬에 가깝다.
   3. 향후 6~8주에는 모델별로 활동과 사용량이 이동하는 모습이 흥미롭게 나타날 수 있다.
   4. Anthropic의 연내 상장 가능성에도 시장의 관심이 집중되고 있다.

4. 논의의 세 축이 제시됨

   1. 시장 수준에서 거시적 수요·공급과 AI 산업의 현재를 살핀다.
   2. 애플리케이션 계층이 지능 프리미티브를 제품화하고 경제적 결과로 바꾸는 방식을 살핀다.
   3. Grok Bots를 비롯한 최근 소비자 제품을 통해 소비자 AI가 왜 지금 전환점을 맞았는지 살핀다.

2. 거시 시장: 거품보다 “충분히 낙관하지 못하는 위험”이 큼

2.1. 무한한 수요와 제약된 공급

1. AI 거품론은 이미 과도하게 논의됨

   1. AI가 거품이라는 주장은 충분히 반복됐지만, 덜 논의된 비정상적 시나리오는 시장이 오히려 낙관을 충분히 하지 못하고 있다는 가능성이다.
   2. 기초 지표는 수요가 본질적으로 무한하고 공급은 극도로 제약된다는 방향을 가리킨다.

2. GPU 가격이 수요·공급 불균형을 드러냄

   1. 최첨단 GPU도 아닌 NVIDIA B200의 시간당 사용 가격이 오르고 있다.
   2. 컴퓨팅 자원은 일반적으로 시간이 갈수록 디플레이션을 겪어 가격이 내려가야 하지만, B200 가격 상승은 공급 부족과 수요 폭증이 동시에 일어나고 있음을 보여준다.
   3. 이런 2차 지표(second-order indicators)를 감안하면 AI에 대한 정보에 근거한 낙관론이 필요하다.

2.2. SaaS 조정이 알려주는 기업 소프트웨어의 한계

1. SaaS 주가의 급락과 반등은 시장 심리를 보여줌

   1. 2월에는 다수 SaaS 종목이 30~40% 하락했고, 당시 시장이 소프트웨어를 과매도했다고 판단했다.
   2. 이후 많은 종목이 다시 약 40% 상승했지만, 시장이 실제로 무엇을 해결했는지는 불분명하다.

2. 기업 소프트웨어의 상방은 제한되고 하방은 무한함

   1. 기업의 소프트웨어 지출은 전체 지출의 8~12%에 불과하다.
   2. 기업이 자체 급여(payroll) 시스템이나 CRM을 vibe coding으로 다시 만드는 상방은 크지 않다.
   3. 반대로 급여 계산을 잘못하면 규정 준수(compliance) 문제와 법적·재무적 손실이 발생하므로 하방은 사실상 무한하다.
   4. 대부분의 기업 소프트웨어는 코딩 에이전트가 아직 제공하지 못하는 정밀성과 신뢰성을 요구한다.

3. SaaS 기업은 실제 경제성을 증명해야 함

   1. SaaS 기업에 많았던 주식보상(SBC) 등 경제적 성과를 왜곡하던 요소가 수면 위로 올라왔다.
   2. 기업들은 성장 속도를 높이거나 도태되는 선택에 직면했으며, SaaS 시장의 전망은 몇 달 전보다 덜 암울해졌지만 생존에 관한 질문은 여전히 남아 있다.

2.3. AI가 무너뜨리는 해자와 보존하는 해자

1. “해자는 더 이상 없다”는 주장은 대부분 틀림

   1. 해자(moat) 논쟁은 『7 Powers』에서 정리한 경쟁우위의 종류를 기준으로 보면 더 정교하게 봐야 한다.
   2. 저렴하고 풍부한 지능은 대부분의 전통적 해자를 약화시키지 않는다.

2. 네트워크·규모·유통·브랜드 해자는 여전히 복리 가치를 만듦

   1. 네트워크 효과와 규모 효과는 유통 능력으로 나타나며, 브랜드 효과는 실리콘밸리에서 과소평가되지만 여전히 강력하다.
   2. 아무리 코딩 에이전트가 많아져도 Nike를 Nike가 아니게 만들 수는 없다.
   3. Instagram의 힘은 앱을 만드는 코드의 복잡성이 아니라 그 뒤에 쌓인 네트워크다.
   4. 따라서 전통적 해자의 대다수는 예전만큼 강하며, 지속적으로 복리 가치를 쌓는 데 여전히 핵심이다.

3. 통합 해자는 AI로 노출됨

   1. 가장 취약한 해자는 통합(integration) 해자다.
   2. SAP는 안팎으로 통합하기가 매우 복잡해 한 버전에서 다음 버전으로 옮기는 일 자체가 기업의 존립을 위협할 정도지만, 코딩 에이전트는 통합 비용을 크게 낮춘다.
   3. 시스템 통합업체(SI)와 글로벌 시스템 통합업체(GSI)는 역사적으로 통합의 접점 역할을 해왔으므로, 통합이 자동화되면 자신들의 가치가 무엇인지라는 실존적 질문에 직면한다.
   4. 통합 해자는 위험에 처했지만, 나머지 전통적 해자는 약화되지 않았다는 구분이 중요하다.

3. 기업 구조와 모델 선택: 모든 업무에 같은 지능을 쓰지 않음

3.1. 가치 창출 업무와 지원 업무의 다른 경제성

1. 알파를 만드는 직무와 지원 직무를 구분함

   1. 제품, 영업, 엔지니어링, 연구는 기업의 추가 가치를 직접 만드는 직무다.
   2. 법무, 인사, 재무는 행정이라는 표현만으로는 지나치게 단순하지만, 다른 기능을 지원하는 직무에 가깝다.

2. 상방이 무한한 업무에는 frontier token을 배정함

   1. 제품 기능 하나의 가치나 고객 계약 성사의 가치는 사전에 알 수 없고 사실상 상한이 없다.
   2. 따라서 조금이라도 더 똑똑한 모델이라면 거의 어떤 가격이라도 지불하는 편이 경제적으로 합리적이다.
   3. Fable 5, Grok, GPT-5.6 같은 최신 frontier 모델이 제품·영업에 사용될 수 있는 이유가 여기에 있다.

3. 상방이 제한된 업무에는 비용 효율 모델을 배정함

   1. 재무팀의 장부 마감은 정확하게 하는 것이 목표이며, 정확성보다 10배 더 정확하게 마감하는 것은 의미가 없다.
   2. 이런 bounded upside 업무에는 오픈 웨이트 모델을 도메인 데이터와 강화학습(Reinforcement Learning)으로 특화해 비용 대비 효율적인 곡선을 만드는 편이 합리적이다.

3.2. 오픈 웨이트 모델이 스타트업에 필요한 이유

1. 오픈 소스는 비용 이외의 이유로도 유일한 선택이 됨

   1. Decagon 창업자 Jesse Zhang은 많은 기업, 특히 Decagon 같은 회사에 오픈 소스가 사실상 유일한 선택일 수 있다고 썼다.
   2. 오픈 웨이트 모델은 로컬 환경에 배치하고, 자체 데이터로 학습하며, fine-tuning할 수 있다.
   3. 따라서 선택 이유는 단순히 API 비용이 싸기 때문이 아니라 지능을 고객·도메인에 맞게 통제할 수 있기 때문이다.

2. 모델마다 서로 다른 성격과 비교우위가 있음

   1. GLM-5.2와 GLM-5.3 같은 모델은 높은 신경증적 성향(neuroticism)에 가까운 문자 그대로의 행동을 보이며, 지시받은 것만 정확히 수행하고 그 이상은 하지 않는다.
   2. Kimi K3 같은 모델은 더 개방적이고, 사용자의 의도를 미리 추정하며, 창의적이고 때로는 대담하게 행동한다.
   3. 조직에는 두 종류의 모델이 모두 필요하며, 한 모델이 잘하는 성격과 다른 모델이 잘하는 성격은 서로 긴장 관계에 놓인다.

3. 강화학습은 도메인 안에서 복리 우위를 만듦

   1. 고객 문제에 대한 추론 흔적(reasoning traces)을 모아 모델을 특화하면, 해당 고객군과 문제에서 일반 지능보다 뛰어난 모델을 만들 수 있다.
   2. Harvey는 법률 문제에서, Decagon은 고객지원에서 이런 특화의 좋은 결과를 얻고 있다.
   3. 법률에 fine-tuning된 최강 모델이 이론 수학에는 약할 수 있지만, 법률 업무에 쓸 때는 문제가 아니다.
   4. 도메인 특화의 대가는 일반성의 상실이며, 오픈 웨이트 모델은 이 의도적인 교환을 가능하게 한다.

3.3. 모델 랩의 수직 통합은 애플리케이션이 아닌 추론·컴퓨팅으로 향함

1. 법률 플러그인 소동은 프롬프트의 한계를 보여줌

   1. Anthropic의 Claude가 법률 플러그인을 공개했을 때 Thomson Reuters를 비롯한 대형 법률 기업 주가가 크게 하락했다.
   2. 플러그인은 스킬 파일(skill files)의 묶음이고, 스킬 파일은 긴 프롬프트에 가깝다.
   3. 시장은 랩이 애플리케이션 계층까지 수직 통합할 것처럼 반응했지만, 프롬프트 묶음만으로 애플리케이션의 모든 가치가 대체되는 것은 아니다.

2. 랩은 위로 올라가기보다 아래로 내려감

   1. 실제로 랩은 애플리케이션 계층으로 올라가기보다 추론(inference)과 컴퓨팅 계층으로 내려가며 수직 통합하고 있다.
   2. 추론 워크로드는 비교적 동질적이어서 한 가치사슬 구간에 거대한 규모의 경제를 만들 수 있다.
   3. 반면 애플리케이션은 고객별 요구, 가격, 패키징, 제품화, 구매 방식이 제각각이라 운영비가 많이 들고 훨씬 복잡하다.
   4. 랩 입장에서는 동일한 계산 인프라를 대규모로 운영하는 편이 서로 다른 시장의 제품을 일일이 만들어 파는 것보다 합리적이다.

3.4. 모델은 상품이 아니라 도메인별 지능의 묶음임

1. 모델을 매일 사용하면 비교우위가 보임

   1. 매번 새 모델이 나올 때마다 작든 크든 무언가를 만들어보면, 모델이 단순한 상품(commodity)이 아니라는 사실을 알 수 있다.
   2. 모델은 도메인별로 서로 다른 비교우위를 갖고 있으며, 모델 선택은 작업의 성격에 따라 달라진다.

2. OpenAI의 지식 업무 특화

   1. 최신 OpenAI GPT 모델은 지식 업무에 매우 강하다.
   2. ChatGPT 데스크톱 앱의 harness, 즉 브라우저 같은 제품 컨테이너는 스프레드시트·슬라이드·문서 작성에 맞게 설계됐다.
   3. 작은 UI 결정부터 작업 흐름까지 지식 노동자가 모델을 소비하는 방식을 자연스럽게 만든다.

3. Claude Code의 엔지니어링 특화

   1. Claude Code는 터미널 UI를 기반으로 소프트웨어 엔지니어링에 맞춰져 있다.
   2. 코드 계획, 코드 테스트 등 특화 영역과 세부 설계가 엔지니어의 업무 흐름에 맞춰져 있다.
   3. OpenAI의 지식 업무 제품과 Claude Code는 서로 다른 트레이드오프를 선택했기 때문에 동일한 지능 상품으로 볼 수 없다.

4. Big Five 비유로 본 모델 성격

   1. 인간 성격의 Big Five처럼 지능에도 개방성(openness)과 신경증적 꼼꼼함(neuroticism) 같은 서로 다른 성향이 있다.
   2. 회계 문제에는 꼼꼼하고 규칙적인 모델이, 디자인 문제에는 개방적이고 탐색적인 모델이 더 적합하다.
   3. 높은 개방성과 높은 신경증적 꼼꼼함을 하나의 모델에서 동시에 최대로 얻기 어렵기 때문에 조직은 여러 모델을 필요로 한다.

3.5. 모델 집계 애플리케이션이 만드는 1+1 이상의 가치

1. Expedia 같은 집계 계층

   1. 항공권을 살 때 United, Delta, Southwest를 차례로 방문하는 것보다 Expedia 한 곳에서 모든 항공사의 재고를 보는 편이 훨씬 유용하다.
   2. 애플리케이션 집계자는 여러 모델의 재고와 강점을 한 제품 껍데기 안에 결합할 수 있다.

2. Cursor의 계획·실행 분리

   1. 코딩에서는 계획(planning)에 frontier 모델을 쓰고 실행(execution)에는 더 저렴한 모델을 쓰는 조합이 효율적이다.
   2. 사용자는 모델을 매번 바꾸지 않고 하나의 harness 안에서 작업별 최적 모델을 자동으로 선택할 수 있다.

3. 창작 도구의 다중 모달 집계

   1. ElevenLabs는 음성과 음악에 강하고, Black Forest Labs는 영상과 창작 방향에 강한 식으로 모델별 전문성이 다르다.
   2. 올바른 제품은 각각의 모델을 따로 방문하게 하는 것이 아니라 모든 창작 모델을 하나의 셸(shell)로 묶는다.

4. 연구·의사결정에서의 적대적 다중 모델 사용

   1. 서로 겹치지 않는 데이터로 학습된 여러 모델에 같은 질문을 적대적으로 실행하면 하나의 모델에서 얻는 것보다 더 많은 정보를 얻을 수 있다.
   2. 별도의 모델이 답변들을 비교하고 수렴시키면 편향과 누락을 줄일 수 있다.
   3. 모델 랩은 구조적으로 자기 모델만 제공하지만, 애플리케이션 계층은 최적의 여러 모델을 조합할 수 있다는 점에서 강점을 갖는다.

4. 애플리케이션 계층: 지능 프리미티브를 경제적 결과로 바꾸기

4.1. 원시 지능과 산업별 제품의 차이

1. 지능은 클라우드와 같은 프리미티브임

   1. 클라우드가 원시 인프라 프리미티브라면 AWS 위에서 Salesforce가 CRM이라는 경제적 결과를 만든다.
   2. 원시 AI 지능도 그 자체로는 충분하지 않으며, 산업별 제품이 고객이 실제로 구매할 결과로 바꿔야 한다.

2. Harvey는 법률 지능을 법률 산업의 결과로 바꿈

   1. Harvey는 모델의 원시 능력을 법률 업무의 워크플로와 구매 방식에 맞춘다.
   2. 같은 모델이라도 법률 산업에서 사용 가능한 제품으로 포장될 때 비로소 경제적 가치가 발생한다.

3. 신용조합은 AI를 인력 감축이 아닌 성장에 사용함

   1. 신용조합은 제품을 구매하는 방식, 제품화 형태, 시장에서의 목표가 매우 특이한 세그먼트다.
   2. 대부분의 신용조합은 직원 수를 절반으로 줄이기를 원하지 않는다.
   3. 경제성이 유지되는 가운데 직원 수를 두 배로 늘리고 싶은 것이며, 애플리케이션 계층은 이런 구체적인 야망에 맞춰 지능을 제공한다.

4. 코딩 지능도 산업으로 봐야 함

   1. Quad Code는 개발자에게 원시 하드웨어에 가까운 코딩 지능을 노출한다.
   2. Replit은 코드를 모르는 소규모 사업자에게 복잡성을 감춘 추상화 계층을 제공한다.
   3. 두 제품은 코딩 지능이라는 같은 프리미티브를 가격·제품·패키징하는 방식이 다르며, 모두 각자의 시장에서 작동한다.
   4. 투자와 제품 평가에서 AI를 단순한 하나의 시장이 아니라 여러 산업(industry)으로 봐야 하는 이유가 여기에 있다.

4.2. 프롬프트에서 루프로: 에이전트가 운영을 자동화하는 방식

1. 에이전트는 도구와 기억을 가진 모델 루프임

   1. AI 사용은 모델에 프롬프트를 한 번 보내는 단계에서 모델을 루프 안에 넣는 단계로 발전했다.
   2. 에이전트라는 말이 과도하게 사용되지만, 핵심은 도구(tools)·기억(memory) 등을 가진 모델이 반복적으로 관찰하고 결정하고 실행하는 구조다.

2. 코딩 루프는 저위험 업무를 끝까지 닫음

   1. 버그가 신고되면 에이전트가 버그를 재현하고, 수정안을 만들고, 수정 결과를 검증한다.
   2. 위험이 낮은 변경이면 자동으로 통합하고 배포하며, 고객에게 버그가 해결됐다는 이메일까지 보낼 수 있다.
   3. 위험이 높은 변경이면 사람의 검토를 거친다.
   4. 결과적으로 기업에 신고된 모든 버그가 자율적인 수정 루프에 들어가고, 사람은 예외와 고위험 판단에 집중한다.

3. 업무 루프와 사업 루프로 확장됨

   1. 가격 최적화와 조달(procurement)은 모델 루프로 자동화하기 좋은 반복 업무다.
   2. 더 야심찬 사업 루프는 기업 전반에 영향을 주는 변화를 감지하고, 모델이 “티후아나(Tijuana)에 지점을 열어야 한다”고 제안하는 수준이다.
   3. 모델이 당장 지점을 자율적으로 열 수는 없지만, 사업 전체 표면에 걸친 변화를 제안하는 것만으로도 기업 자동화의 범위가 크게 넓어진다.

5. 소비자 AI의 전환점: DOS에서 Windows로, 생산성에서 인간성으로

5.1. 소비자 AI가 늦어진 세 가지 이유

1. 소비자는 소프트웨어에 돈을 내는 것을 좋아하지 않음

   1. 과거 소비자 소프트웨어는 무료 또는 저가가 일반적이었다.
   2. AI 소프트웨어는 사용자가 늘어날수록 추론 비용이 따라붙어 전통적인 소프트웨어보다 배포와 참여의 한계비용이 높다.
   3. X 타임라인을 도와주는 앱을 만든 사례에서는 신규 사용자를 온보딩하는 데 250달러가 들었다.
   4. 고객획득비용(CAC)이 0달러여도 신규 사용자당 250달러가 드는 무료 대중 제품은 스타트업이 유지하기 어렵다.

2. 오픈 웨이트가 단위경제성을 바꿈

   1. 오픈 웨이트 모델은 훨씬 저렴하면서도 성능이 좋아지고 있다.
   2. 한계비용이 내려가면 무료 체험과 대중 시장 제품을 만들 수 있는 공간이 커진다.

3. AI에는 자체 유통 채널이 없음

   1. 모바일에는 생태계 전체가 의존하는 App Store가 있었지만, AI에는 아직 AI 전용 앱스토어가 없다.
   2. 따라서 소비자 AI 제품은 중앙 유통 지점이 있던 모바일보다, 제품과 유통 채널을 함께 만들어야 했던 Web 2.0에 가깝다.

4. 명령줄 시대에서 Windows 시대로 넘어가야 함

   1. 현재 AI는 명령줄 중심의 DOS 시대에 가깝다.
   2. 소비자가 마법 같은 능력을 충분히 받아들이려면 Windows에 해당하는 제품·디자인 계층이 필요하다.
   3. 어떤 능력이 있는지, 무엇을 지시해야 하는지, 결과를 어떻게 검토하는지 이해시키는 제품 설계와 디자인 완성도가 큰 과제다.

5.2. 코딩 에이전트가 만든 디지털 네이티브 사업가

1. YouTube 크리에이터 열망의 재해석

   1. 10년 전에는 아이들이 우주비행사 대신 YouTube 크리에이터가 되려 한다는 도덕적 공황이 있었다.
   2. 인터넷과 함께 자란 아이들은 사실 인터넷 위에서 사업을 만들고 싶었지만, 당시에는 크리에이터가 되는 것이 거의 유일한 경로였다.

2. 소규모 SaaS 창업의 대중화

   1. 코딩 에이전트가 있으면 전문 프로그래머가 아니어도 연 10만 달러 또는 연 100만 달러 매출의 소프트웨어 제품을 만들 수 있다.
   2. 이런 회사는 일반적으로 벤처투자를 받을 규모는 아니지만, 개인·가족이 운영하는 mom-and-pop SaaS로서 매우 큰 기회다.
   3. 개인이 지역 커뮤니티의 문제를 해결하는 소프트웨어를 만들 수 있다는 점에서 국가 전체의 창업 기반을 넓힌다.

5.3. 개인 에이전트의 소비자 전환과 소비자의 재정의

1. 개발자용 구성에서 소비자 제품으로 이동함

   1. 1월에 OpenClaw를 둘러싼 집단적 흥분이 있었지만, 여러 프리미티브를 조합한 개발자 중심 제품에 머물렀다.
   2. 이는 가정용 컴퓨팅 클럽(Homebrew Computing Club) 같은 에너지였고 일반 소비자에게 넘어가지는 못했다.
   3. Grokbot과 ChatGPT Work 같은 제품은 개인 에이전트를 소비자가 사용할 수 있는 소프트웨어로 바꾸기 시작했다.

2. 소비자와 기업의 경계는 영업 방식으로 판단함

   1. 1만 5천 달러 ACV 수준의 영업으로 고객을 확보할 수 없다면 마케팅으로 확보해야 하며, 이런 고객을 소비자로 분류한다.
   2. 따라서 에이전트로 사업 전체를 운영하는 배관공도 영업팀을 거치지 않고 제품을 쓰면 투자 관점에서 소비자다.
   3. 작은 사업자 상당수가 이 정의에 들어가므로 소비자 시장은 전통적인 오락 앱 사용자보다 훨씬 넓다.

3. 오락은 생산성보다 더 큰 소비자 기회임

   1. Character는 일종의 엔터테인먼트 회사로 볼 수 있다.
   2. 아시아에서 크게 성장한 숏폼 드라마가 서구로 넘어오고 있으며, 많은 작품이 생성형 또는 생성형 보조 방식으로 제작된다.
   3. 사람들은 시간을 절약하기보다 시간을 쓰고 싶어 하며, 소비자는 생산성만을 위해 소프트웨어를 찾지 않는다.
   4. 엔터테인먼트와 AI의 결합은 별도의 큰 시장이 될 수 있다.

5.4. Town이 보여준 기억 기반 개인 에이전트

1. 제품을 직접 써야 변화 속도를 이해할 수 있음

   1. Town은 Alex Rampell이 투자한 생산성 제품이며, 매일 사용하면서 에이전트가 어떻게 개선되는지 체감하게 한다.
   2. 제품을 직접 써보면 하루 단위의 발전을 직관적으로 이해할 수 있으므로, AI 제품을 평가할 때 사용 경험이 중요하다.

2. 새 직원에서 숙련 직원으로 변하는 기억의 복리

   1. 첫날의 개인 에이전트는 사용자를 잘 모르는 신입 직원과 같다.
   2. 30일 동안 이메일·맥락·기억·스킬을 축적하면 사용자를 대신해 훌륭한 가정을 내리는 숙련 직원이 된다.
   3. 이런 기억의 누적은 시간이 지날수록 제품의 유지율(retention)과 고객당 가격 결정력(pricing power)을 높인다.

3. 개인 이메일 자동화 사례

   1. Town은 무료 체험에서 약 40크레딧을 제공하며, 개인 이메일을 연결하면 실제 생산성 향상을 바로 확인할 수 있다.
   2. 업무용 받은편지함은 항상 0으로 유지하지만 개인 받은편지함은 2만 개가 쌓여 있다는 사례가 나왔다.
   3. 중요한 메일은 Town이 표면으로 올리고, 구독 메일과 정리할 항목을 자동으로 처리한다.
   4. Town은 어떤 루틴에 얼마의 비용이 들고 신용카드 지출을 어떻게 줄일 수 있는지 이메일로 알려주며, 자신의 자동화 루틴도 스스로 개선하기 시작한다.
   5. 처음에는 생산성 도구여도 사용자의 삶에 깊이 잠기고 담당 범위가 넓어지면, 사용자는 월 구독료를 내고 삶을 자동운항에 맡길 이유를 느낀다.

5.5. 소비자의 삶을 구성하는 루프

1. 개인 에이전트는 삶의 반복 루프를 관리함

   1. 가족, 우정, 돈, 건강은 정보가 계속 변하고, 판단과 권한 위임, 실행이 이어지는 영역이다.
   2. 에이전트는 정보를 읽는 데서 끝나지 않고 결정하고 행동한 뒤 다음 상황을 기억해 루프를 계속 돌린다.

2. 초기 루프가 나타나는 영역

   1. 자기계발, 건강, 금융은 OpenAI가 집중하는 대표적 영역이다.
   2. 쇼핑에서도 여러 스타트업이 개인의 선호와 상황을 기억해 조사·추천·구매까지 연결하는 제품을 만들고 있다.

3. 대중 시장에 잉여가 돌아감

   1. 개인 에이전트는 소비자의 삶의 질을 크게 개선할 수 있다.
   2. 과거 제품 사이클처럼 창출된 잉여의 약 80%는 결국 대중 시장에 전달될 가능성이 높다.

5.6. 하나의 개인 비서인가, 서로 협력하는 여러 에이전트인가

1. 삶의 영역마다 원하는 모델 성격이 다름

   1. 재무 자문가(CFA)에게 원하는 성격과 파티 플래너에게 원하는 성격은 다르다.
   2. 개인의 모든 영역을 하나의 모델이 처리하기에는 표면적 범위가 너무 넓다.

2. 다중 봇 운영체제가 유력함

   1. 여러 에이전트가 공통 맥락의 일부를 공유하면서도 각각 다른 방향을 맡을 수 있다.
   2. Grok Bots는 여러 봇이 조금씩 다른 목표를 향해 움직이고 서로 조정해 전체적으로 최적인 결과를 만드는 방식을 보여준다.
   3. 미래의 개인 AI는 하나의 독점 비서보다 전문 봇들이 운영체제처럼 협력하는 형태에 가까울 수 있다.

6. 앱 계층의 경쟁력, 소비자 르네상스, 그리고 창업의 새 규칙

6.1. 프런티어 랩이 앱 계층의 가치를 모두 가져갈 수 없는 이유

1. 고객별 소비 방식이 지나치게 이질적임

   1. 10대가 지능 프리미티브를 소비하는 방식과 신용조합의 마케팅 임원이 소비하는 방식은 전혀 다르다.
   2. 가격·패키징·구매 과정·제품의 표면적 요구가 이질적이므로 앱 계층의 복잡성을 과소평가하면 안 된다.

2. 다중 모델 시대에는 다운스트림 가치가 남음

   1. 2023년처럼 하나의 모델이 모든 일을 지배했다면, 랩이 앱의 총마진 100%를 장기적으로 가져가더라도 막기 어려웠다.
   2. 지금은 프런티어 주변의 여러 지점에서 선택지가 존재하므로 모델 랩이 앱 기업을 일방적으로 압박하기 어렵다.
   3. 앱 기업은 최적 모델을 조합하고 고객별 제품 경험을 설계함으로써 다운스트림 가치를 확보한다.

6.2. AI 스타트업 투자와 제품 속도의 새 기준

1. 매출이 없어도 제품을 보여줘야 함

   1. 투자 포트폴리오는 대부분 이미 작동의 신호를 보이는 회사로 구성된다.
   2. 제품을 만드는 일이 너무 쉬워졌기 때문에, 어떤 단계의 피치든 실제로 실행되는 제품을 보여주지 못하면 치명적이다.
   3. 제품 속도와 초기 반응에서 돌파구의 조짐을 보이는지가 중요하다.

2. 투자 판단은 관찰 가능한 판매와 제품에서 시작함

   1. 유의미한 판매와 제품 지표가 생기면 그 추세를 외삽해 지불 가격과 감수할 위험을 판단한다.
   2. 매우 재능 있고 경험 많은 팀에는 사전 전부(pre-everything) 라운드처럼 작은 콜옵션을 취할 수 있지만, 그것이 주된 투자 방식은 아니다.

6.3. 소비자 빌더의 르네상스

1. 소비자 AI는 지능을 인간관계 영역으로 확장함

   1. Claude, OpenAI, K3와 대화하며 감정을 느낄 수 있을 정도로 AI는 감정·대인관계 영역에서 작동하는 프리미티브가 됐다.
   2. 지난 40년의 기술은 지능과 생산성을 높였지만 인간성에 말을 거는 기술은 거의 없었다.
   3. 감정과 관계를 다루는 제품 표면은 매우 넓고, 기존 생산성 소프트웨어와 다른 시장을 연다.

2. 스타트업이 대기업보다 잘할 수 있는 금지 영역이 있음

   1. Google 같은 대기업에서 사용자의 의견에 반대하거나 성적 뉘앙스를 쓰는 companion 제품을 출시하려면 수많은 위원회가 이를 막는다.
   2. 스타트업은 대기업의 문화·브랜드·승인 절차가 허용하지 않는 제품을 빠르게 실험할 수 있다.

3. 소비자의 지불 의사가 급격히 높아짐

   1. 현재 소비자는 새로운 소프트웨어를 다운로드하고 시험하는 데 적극적이다.
   2. iPhone이 등장한 2009년 크리스마스처럼 새로운 앱을 시도하는 분위기가 형성됐다.
   3. 과거 99센트 앱의 시대와 달리, 소비자는 월 200달러까지 지불할 의향을 보인다.
   4. 샌프란시스코의 괴짜 개발자들이 오랫동안 기다려온 순간이라는 농담이 나왔고, Anish의 Frame 청바지 취향과 “자본의 훌륭한 관리자”라는 이미지가 이어지는 유머가 있었다.

6.4. AI 앱의 마진과 “소프트웨어의 Birkin 백”

1. 마진보다 제품 표면적을 우선할 수 있음

   1. AI 앱은 컴퓨팅 접근성이 낮아 총마진 압박을 받을 수 있고, 자본 자체가 해자처럼 보일 수 있다.
   2. 그러나 더 넓은 제품 표면적과 사용 범위를 확보하기 위해 마진을 일부 포기하는 선택은 합리적일 수 있다.

2. 높아진 지불 의사가 비용을 상쇄함

   1. 과거 소비자 소프트웨어의 월 20달러가 가격 상한이었다면, 창업자는 월 200달러 제품이 무엇인지 물어야 한다.
   2. 더 나아가 월 2,000달러를 받을 수 있는 “소프트웨어의 Birkin 백”이 무엇인지 설계해야 한다.
   3. 고급 소프트웨어(luxury software)가 등장하고 있으며, 소비자의 지불·구매 의사는 과거보다 훨씬 높다.

6.5. 새로운 창업자 아키타입과 자본 규모

1. MBA보다 연구자가 많아짐

   1. AI 앱 창업자는 과거보다 MBA가 적고 연구자와 기술 인력이 많다.
   2. 사업 감각은 배우고 관찰하며 개선할 수 있지만, 깊은 기술 감각은 보통 그렇게 쉽게 만들어지지 않는다.
   3. 현재 창업자들의 사업적 세련미는 낮을 수 있어도 기술적 세련미는 훨씬 높다.

2. 젊은 창업자는 가능성의 상한을 과거에 두지 않음

   1. 경력이 짧은 창업자는 기술에 가까이 있고, 무엇이 가능한지에 대한 과거의 선입견이 적다.
   2. 반대로 경력 많은 창업자는 기술에서 멀어져 과거의 상한선을 전제로 아이디어를 만든다.
   3. 과거에는 아이디어가 너무 큰 것이 위험했지만, 지금은 아이디어가 너무 작은 것이 더 큰 위험이라는 말이 나왔다.

3. 충분한 자본이 반드시 집중력을 망치지는 않음

   1. 과거에는 시드 기업에 2천만·5천만·1억 달러를 주지 않았다. 팀에 2천만 달러 규모의 제품 표면을 동시에 담당할 인재가 부족했기 때문이다.
   2. 자본 부족은 한 가지 아이디어에 집중하도록 강제하는 장치였다.
   3. 이제는 더 많거나 적은 자본을 통해 제품 범위와 모델 비용을 다르게 설계할 수 있다.
   4. 1억 달러를 생산적이고 집중적으로 사용한 팀은 2천만 달러를 받은 같은 팀과 전혀 다른 가치 제안을 만들 수 있다.

4. 공급 부족이라는 좋은 문제

   1. 풍요로운 자본·수요 환경에서 최적의 시드 라운드 규모와 자본을 효과적으로 투입할 수 있는 양은 더 복잡한 문제가 됐다.
   2. 이런 “부의 과잉” 문제는 5년 전 핀테크 회사가 부실한 언더라이팅으로 고객을 간접 보조하면서도 출구를 찾지 못했던 문제보다 낫다.
   3. Chris Dixon의 원칙처럼 수요 부족보다 공급 부족을 갖는 편이 낫고, 현재는 수요가 충분히 풍부하므로 공급을 고치는 일이 남았다.

6.6. AI 시대의 시장 진입과 새로운 사업 형성

1. 기존 세그먼트에는 기존 채널이 남아 있음

   1. 중소기업은 대기업보다 변화 관리가 적게 필요할 수 있지만, 작은 기업도 습관을 바꾸는 과정은 거쳐야 한다.
   2. 기존 세그먼트를 겨냥하는 스타트업은 역사적으로 고객에게 도달하던 채널을 여전히 사용할 수 있다.

2. 플랫폼의 네트워크를 빌리는 성장 방식은 어려워짐

   1. Instagram, TikTok, X 같은 기존 네트워크는 새로운 네트워크가 자신들의 위에서 성장하는 방법론을 학습했다.
   2. 그래서 다른 회사가 그 플랫폼을 이용해 새 유통 채널을 만드는 것을 점점 더 어렵게 막는다.
   3. 창업자는 플랫폼의 도달률만 빌리기보다 제품 자체에 원초적 네트워크 효과인 입소문(word of mouth)을 심어야 한다.

3. 새로운 사업 형성이 역사적 고점에 가까움

   1. 코로나19 시기의 정점에 가까운 순간을 제외하면 새 사업 형성은 역대 최고 수준이다.
   2. 예전에는 YouTube 크리에이터가 됐을 25세 청년이 이제 자신의 동네·도시·고등학교를 위한 SaaS를 만든다.
   3. 이 흐름은 단순히 55세 배관공이 디지털 도구를 쓰는 현상을 넘어, 젊은 디지털 네이티브가 지역 단위 소프트웨어 기업을 직접 만드는 변화다.

주요 발언 모음

“나는 하나의 승자가 아니라 여러 승자가 나오는 쪽에 베팅한다.”

“Grok Bots의 결정적 특징은 자원 활용성(resourcefulness)이다.”

“상방이 무한한 직무에는 frontier token을 쓰고, 정확성이 목표인 직무에는 오픈 웨이트 모델을 쓴다.”

“모델은 상품이 아니다. 도메인 수준의 비교우위를 가진다.”

“지능은 클라우드와 같은 프리미티브이고, 애플리케이션은 그것을 산업의 경제적 결과로 바꾼다.”

“첫날의 에이전트는 신입 직원이지만, 30일 뒤에는 사용자를 대신해 훌륭한 가정을 내리는 숙련 직원이 된다.”

“과거에는 아이디어가 너무 큰 것이 위험했지만, 이제는 아이디어가 너무 작은 것이 위험하다.”

“소비자 빌더에게는 iPhone이 나온 2009년 크리스마스 같은 르네상스가 오고 있다.”

핵심 데이터 & 수치

• 500달러: Grokbot이 사진을 참고해 같은 핏의 Frame 청바지를 찾고 구매하도록 설정한 예산 상한.
• 2강 → 3강: xAI가 최근 2주 사이 모델 경쟁의 실질적 3번째 강자로 부상했다는 평가.
• 6~8주: 최신 모델 성능과 개발자 정서에 따라 사용 활동이 이동할 수 있는 단기 관찰 구간.
• B200 시간당 가격 상승: 비최첨단 GPU의 임대 가격이 오르는 이례적 현상이 무한 수요와 제약된 공급을 시사함.
• 30~40% 하락 후 약 40% 반등: 2월 SaaS 종목의 급락과 이후 반등.
• 8~12%: 기업 전체 지출에서 소프트웨어 지출이 차지하는 비중.
• 250달러: X 타임라인 앱에서 신규 사용자 한 명을 온보딩하는 데 발생한 사례적 비용.
• 약 40크레딧: Town의 무료 체험에서 시작할 때 제공되는 개인 사용량.
• 2만 통: 개인 이메일 받은편지함에 쌓인 메일을 Town으로 관리한 사례.
• 80%: 과거 제품 사이클처럼 AI가 만드는 잉여의 대중 시장 귀속을 전망한 비율.
• 월 20달러 → 200달러 → 2,000달러: AI 소프트웨어의 가격 상한이 확장되며 등장할 저가·고가·럭셔리 제품 계층.
• 1만 5천 달러 ACV: 영업으로 고객을 확보할 수 있는지 판단하는 소비자·기업 구분 기준.
• 연 10만~100만 달러: 코딩 에이전트가 가능하게 하는 비벤처형 소규모 SaaS의 잠재 매출 범위.
• 2천만·5천만·1억 달러: 과거 시드 기업에 쉽게 주지 않던 자본 규모와 새 자본 배분 논쟁.
• 1억 달러 대 2천만 달러: 같은 팀도 더 큰 자본을 집중적으로 사용하면 다른 제품 범위와 가치 제안을 만들 수 있다는 비교.
• 40년: 생산성과 지능을 높여왔지만 인간성·감정 영역을 직접 다루지는 못했던 기술 발전의 기간.
• 2009년: 새로운 소비자 소프트웨어를 적극적으로 내려받던 iPhone 초기 시장과 현재 소비자 AI를 비교한 시점.

결론 및 시사점

1. AI의 핵심 위험은 거품보다 수요를 과소평가하는 데 있으며, B200 가격 상승은 지능 공급이 수요를 따라가지 못한다는 신호다.
2. 모델 시장은 하나의 승자가 모든 것을 차지하는 구조보다 도메인·성격·비용별 다수 승자 구조로 분화된다.
3. 기업은 제품·영업처럼 상방이 무한한 업무에 가장 강한 모델을, 재무·법무처럼 정확성이 상한인 업무에 특화 오픈 웨이트 모델을 배정해야 한다.
4. 네트워크·브랜드·유통·규모 해자는 계속 복리 가치를 만들지만, 통합 해자는 코딩 에이전트에 의해 재평가해야 한다.
5. 모델 랩은 동질적인 추론·컴퓨팅 계층에서 규모를 만들고, 앱 기업은 이질적인 고객의 가격·패키징·제품 경험을 책임진다.
6. 여러 모델을 하나의 harness에서 조합하는 집계 계층은 계획·실행·창작·연구에서 개별 모델보다 큰 가치를 만들 수 있다.
7. 에이전트의 진짜 전환점은 한 번의 프롬프트가 아니라 도구·기억·검증·사람 승인을 포함한 업무 루프를 닫는 데 있다.
8. 소비자 AI는 DOS 같은 명령줄 단계를 지나 Windows에 해당하는 이해 가능한 제품 경험을 확보해야 대중화된다.
9. 코딩 에이전트는 전문 개발자가 아닌 디지털 네이티브도 지역 문제를 해결하는 비벤처형 SaaS를 만들게 한다.
10. 개인 에이전트는 이메일 생산성을 넘어 가족·우정·돈·건강·오락의 삶의 루프를 기억하고 실행하는 방향으로 확장된다.
11. 소비자는 생산성뿐 아니라 감정·동반자·엔터테인먼트 제품에도 비용을 지불할 수 있으며, 스타트업은 대기업이 다루기 어려운 영역에서 차별화할 수 있다.
12. 창업자는 마진을 일부 포기하고 제품 표면을 넓히되, 월 200달러와 2,000달러를 받을 수 있는 고급 소프트웨어를 설계해야 한다.
13. 젊고 기술에 가까운 창업자는 과거의 가능성 상한을 전제하지 않으며, 현재 창업의 가장 큰 위험은 아이디어가 지나치게 작은 것일 수 있다.
14. AI 시대의 유통은 플랫폼의 도달률을 빌리는 방식보다 제품 자체의 입소문과 원초적 네트워크 효과를 만드는 방식이 중요해진다.
15. 풍부한 수요와 자본, 낮아진 제작 비용은 소비자 빌더와 지역 단위 사업 형성의 르네상스를 열고, 공급을 확장하는 기업이 다음 단계의 가치를 차지한다.

핵심 요약 (20줄)

1. AI 시장은 한 기업의 독점보다 서로 다른 강점을 가진 다수 승자 구조로 빠르게 분화되고 있다.

2. xAI는 최근 2주 만에 모델 경쟁의 실질적 3번째 강자로 부상하며 2강 구도를 흔들었다.

3. 최신 모델을 좇는 개발자는 변덕스럽지만 X의 정서는 개발자 활동 이동을 보여주는 초기 신호가 될 수 있다.

4. B200 같은 GPU의 시간당 가격 상승은 AI 수요가 무한하고 공급이 제약됐다는 낙관적 신호다.

5. 기업 소프트웨어 지출은 8~12%에 불과해 vibe coding의 상방은 제한적이고 규정 준수 실패의 하방은 무한하다.

6. 네트워크 효과·규모·유통·브랜드 해자는 AI가 풍부해져도 여전히 복리 가치를 만든다.

7. SAP 통합처럼 복잡한 연결 작업은 코딩 에이전트가 자동화하면서 통합 해자의 가치를 위협한다.

8. 제품·영업에는 상방이 무한한 frontier 모델을 쓰고 재무에는 특화 오픈 웨이트 모델을 쓰는 아키텍처가 합리적이다.

9. GLM 계열의 문자 그대로인 성격과 Kimi K3의 창의적 성격은 조직이 여러 모델을 필요로 하는 이유를 보여준다.

10. 모델에 도메인 추론 흔적을 강화학습하면 일반 모델보다 특정 고객 문제에서 뛰어난 복리 우위를 만들 수 있다.

11. OpenAI는 지식 업무, Claude Code는 소프트웨어 엔지니어링에 특화돼 모델은 단순한 상품이 아니다.

12. Expedia처럼 여러 모델을 묶는 앱 계층은 계획·실행·창작·연구에서 개별 랩보다 높은 사용 가치를 제공한다.

13. 에이전트는 도구와 기억을 가진 모델 루프이며 버그 수정·가격 최적화·조달 같은 업무를 끝까지 닫을 수 있다.

14. 소비자 AI는 높은 추론 비용, 전용 유통 채널 부재, 명령줄 중심 경험 때문에 대중화가 늦어졌다.

15. 오픈 웨이트 모델의 저렴한 비용과 높은 성능은 신규 사용자당 250달러가 드는 소비자 앱의 단위경제성을 개선한다.

16. 코딩 에이전트는 전직 YouTube 크리에이터가 지역과 커뮤니티를 위한 연 10만~100만 달러 SaaS를 만들게 한다.

17. Town은 첫날의 신입 에이전트가 30일의 기억과 스킬을 통해 숙련 직원으로 변하는 과정을 보여준다.

18. 개인 에이전트는 이메일을 넘어 가족·친구·돈·건강의 삶의 루프를 기억하고 실행하는 방향으로 나아간다.

19. 월 200달러와 2,000달러의 럭셔리 소프트웨어가 가능할 만큼 소비자의 지불 의사와 AI 앱의 제품 표면이 커지고 있다.

20. 기술에 가까운 젊은 창업자와 제품 자체의 입소문 네트워크가 AI 소비자 르네상스의 다음 공급을 만들어낸다.