AI의 세 번째 시대: 지속형 AI 동료의 부상 — Tara Seshan

URL: https://www.youtube.com/watch?v=zMvBMfj4cSQ
날짜: 2026-09-02
원문 발행일: 2026-08-30
채널: Lenny's Podcast
출연: Tara Seshan (OpenAI product lead), Lenny Rachitsky

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI 제품의 세 번째 시대는 사용자가 일회성 채팅을 주고받는 단계를 넘어, 지속적으로 맥락을 기억하고 장시간 일을 수행하는 AI 동료와 함께 일하는 시대다.==

• 첫 번째 시대는 AI와의 chat, 두 번째 시대는 주로 코딩을 수행하는 agent와의 협업, 세 번째 시대는 여러 사람이 지속형 AI coworker를 조종하고 함께 결과를 만드는 협업이다.
• 급변하는 모델 시장에서 정답은 현재 모델에 맞추거나 1년 뒤 모델을 예측해 만드는 것이 아니라, 연구팀과 긴밀히 연결된 채 2~3개월 뒤의 모델을 겨냥하고 실제 사용자 실험을 반복하는 것이다.
• AI가 실행과 산출물을 넓게 맡을수록 인간의 차별점은 방향을 정하는 steering, 결과에 대한 책임(accountability), 제품의 표현과 취향, 서로의 야망을 끌어올리는 관계 형성에 남는다.

Tara Seshan은 OpenAI에서 ChatGPT Work와 Codex의 제품을 이끌며, AI가 사람의 일을 대체한다는 단선적인 그림보다 인간과 agent가 같은 팀의 동료처럼 여러 번 동기화하는 모델을 제시한다. 이 변화는 모델 지능만으로 일어나지 않으며 데이터 접근성, cloud infrastructure, reliability, 검증 가능한 작업 흐름과 같은 평범하지만 결정적인 제품 문제가 함께 풀려야 한다.

1. AI 제품의 세 번째 시대와 OpenAI의 운영 방식

AI 제품은 chat에서 agent로, agent에서 지속형 coworker로 이동하며 제품팀의 사고방식도 함께 바뀐다.

1.1. Chat에서 persistent coworker로

1. 세 시대의 구분

   1. 첫 번째 시대 — chat: 사용자가 질문을 던지고 모델이 답하는 대화형 인터페이스가 AI 제품의 기본 형태였다.
   2. 두 번째 시대 — agents: 모델이 코딩처럼 여러 단계를 수행하고 도구를 사용하는 실행형 agent가 중심이 됐다.
   3. 세 번째 시대 — persistent AI coworker: 사용자가 일을 맡긴 뒤 agent가 계속 작업하고, 사람과 agent 여러 명이 함께 결과를 조율하는 동료형 모델이 다음 단계가 된다.

2. ‘느린 도약’으로서의 신뢰 형성

   1. 점진적 위임: 사용자는 처음에는 짧은 작업만 맡기고, 결과를 확인하면서 더 오래 실행하고 더 큰 범위의 일을 맡기는 방식으로 신뢰를 쌓는다.
   2. 모델 지능만의 문제가 아님: 장시간 task 수행 능력은 중요하지만, 실제 사용성을 결정하는 것은 데이터 접근·인프라·안정성까지 포함한 시스템 전체다.

1.2. OpenAI는 ‘비밀 전략실’이 아니라 founderless 조직이다

1. 입사 전 기대와 실제

   1. 익숙한 고강도 환경: Tara는 Stripe와 다른 high-growth, high-talent, high-intensity 조직을 경험했기에 뛰어난 동료와 높은 긴급성 자체는 예상 범위였다고 말한다.
   2. AI 시간의 1년: OpenAI에 약 1년 있었지만 AI 업계에서 1년은 다른 회사의 오랜 기간처럼 느껴진다.

2. Founderless 운영

   1. 모두가 자기 영역의 founder: 과거에는 창업자가 이끄는 회사에서 일했지만, OpenAI는 특정 창업자의 지시보다 각 영역의 구성원이 제품·팀·시장에 직접 책임지는 구조다.
   2. 얇은 시장과의 거리: top-down direction이 매우 제한적이고, 사용자가 원하는 것과 시장이 요구하는 것을 중간 계층이 걸러내지 않으므로 제품 책임자가 founder처럼 product-market fit을 직접 찾아야 한다.

3. ‘OpenAI is open’이라는 역설

   1. 비밀 문서를 기대했으나 없었다: Tara는 입사하면 과거 회사의 ‘payments bible’ 같은 비밀 전략 문서를 발견할 것이라 생각했지만, 그런 보물창고는 없었다.
   2. 생각이 곧 공개 제품이 됨: 세상이 어떻게 되어야 하는지, 제품을 어떻게 만들어야 하는지, 모델이 어떻게 작동해야 하는지에 관한 내부 생각이 빠르게 공개 제품이나 public messaging으로 나타난다.
   3. 농담 섞인 확인: Lenny가 AGI와 마스터 플랜이 있는 비밀 방을 언급하자 Tara는 “적어도 나는 그 방에 있지 않다”고 답한다. OpenAI의 매력은 비밀 계획이 아니라 생각이 사용자가 만질 수 있는 제품으로 전환되는 속도다.

1.3. 실제 발행과 후원 구간

1. 제품과 대화의 연결

   1. Lenny's Product 소개: Lenny는 뉴스레터 구독자에게 세계의 인기 AI 제품을 1년간 이용할 수 있는 lennisproduct.com을 안내한다.
   2. WorkOS 후원: WorkOS는 SSO, SCIM, RBAC, audit logs 같은 enterprise 기능을 drop-in API로 제공하며, seed startup부터 글로벌 unicorn까지 B2B SaaS의 upmarket 전환을 돕는다고 소개된다.

2. 후반부 Mercury 후원

   1. Spend 기능: Mercury는 팀별·개인별 카드와 spending limit, Gmail·문자를 통한 영수증 수집을 제공하며 AI agent에도 별도 카드·한도·정책을 줄 수 있다고 소개된다.
   2. 규제 고지: Mercury는 fintech company이며 FDIC-insured bank 자체가 아니고, banking service와 카드는 각각 Choice Financial Group 및 Patriot Bank가 제공한다는 고지가 붙는다.

2. AI 시대의 Product Manager: 전략가보다 실험 설계자

모델과 시장이 빠르게 변할수록 PM의 핵심은 장기 예측 문서가 아니라 가장 중요한 가설을 명확히 하고 빠르게 검증하는 일이다.

2.1. Grand strategy에서 empirical loop로

1. 정적인 시장에서의 전략

   1. 예측 가능한 의사결정: 결제(payment)처럼 동적인 면은 있어도 성숙한 시장에서는 경쟁자의 다음 행동과 자신의 선택이 어느 정도 추론 가능하다.
   2. 엄밀함의 가치: 예측 가능한 결정을 허술하게 내리면 부주의함으로 드러나며, 승자는 다른 사람보다 더 엄밀하게 first principles를 검토한다.

2. AI 시장에서 잃는 것

   1. 미래의 비예측성: 무엇이 등장할지 알 수 없고 시장이 emergent하며 빠르게 바뀌므로 장기간의 모든 다음 행동을 reasoning doc으로 계산하는 방식이 통하지 않는다.
   2. 연구와의 결속: 제품은 연구팀이 특정 capability를 어떤 방향으로 향상시키는지에 붙어 있어야 하며, 제품팀이 연구의 agenda와 roadmap에서 떨어지면 안 된다.

3. 핵심은 날카로운 가설

   1. 가장 중요한 질문: Shishir Mehrotra가 말한 ‘eigen question’에 가까운, 제품이 성공하거나 실패하게 만들 가장 본질적인 한 가지 질문을 찾아야 한다.
   2. 짧은 실험 루프: 긴 계획서를 완성하는 대신 핵심 가설을 특정하고 사용자에게 시험할 수 있는 것을 최대한 빨리 만들어 결과를 다시 가설에 반영한다.

2.2. PM 역할의 본질은 남고 ‘trappings’가 사라진다

1. 변하지 않는 PM의 일

   1. 본질적 질문: 이 제품이 작동할지 결정하는 요소가 무엇인지 묻고, 어떻게 측정할지 정하고, 결과를 보고 다음 가설을 세운다.
   2. 세 가지 이해의 결합: 사용자, 시장, 실제 기술을 함께 이해해 가장 날카로운 가설을 만들고 실험을 빠르고 효과적으로 설계한다.

2. 전 기능 조직으로 확장된 loop

   1. 모두가 문제 정의에 참여: PM뿐 아니라 engineer, data scientist, designer도 무엇을 하고 있는지와 작동 여부를 끊임없이 묻는 방향으로 움직인다.
   2. 역할의 겉모양은 약해짐: 일정 관리, 특정 형식의 문서, 발표 자료 같은 PM의 trappings는 줄어들고, 문제 정의와 검증 loop가 핵심으로 남는다.

2.3. Rowing에서 steering으로

1. 일의 추상화 수준 상승

   1. Rowing: 과거에는 한 줄의 코드를 직접 쓰고 Tab을 눌러 다음 줄을 얻는 수준의 실행이 사람의 일이었다.
   2. Steering: 이제는 더 큰 작업·목표·방향을 agent에게 맡기고 사람은 배가 어느 방향으로 갈지 조종하는 쪽으로 올라간다.
   3. 상위 레이어로 이동: steering은 코드 한 줄에서 종합 작업, 목표, 더 높은 추상화의 비전으로 계속 올라갈 수 있다.

2. 인간의 opinionated judgment

   1. 데이터 이상의 선택: 데이터가 알려주는 방향뿐 아니라 어느 미래를 만들고 싶은지에 대한 의견과 직관이 필요하다.
   2. 가능한 대안 중 하나를 고르는 이유: 반대 전략도 성립할 수 있지만, 자신이 원하는 세계를 만들기 위해 한 방향을 밀어붙이는 결정은 당분간 사람의 몫이다.

3. 팀과 agent가 함께 조종하는 구조

   1. 여러 사람과 여러 agent: 한 사람이 한 agent와만 일하는 모델에서 벗어나 팀원들이 agent 집단을 함께 steering하는 방식으로 간다.
   2. 멀티플레이어 게임: 각자의 agent가 tactical rowing을 수행하고 사람들이 함께 방향을 맞추는 경험은 모두가 agent를 통해 같은 일을 진행하는 multiplayer game처럼 느껴져야 한다.

2.4. 제품의 차이는 인간의 표현과 취향에서 생긴다

1. 같은 도구, 다른 결과

   1. 도구의 평준화: 모두가 같은 모델과 도구를 쓰면 단순 실행 능력은 차별점이 되기 어렵다.
   2. 패션의 비유: 기능적으로 입을 수 있는 옷은 많지만, 어떤 옷을 선택하는지는 개인의 정체성과 집단 소속, 타인과의 대비를 표현한다.

2. Software is filmmaking

   1. 부동산과 다른 소프트웨어: 소프트웨어는 돈을 넣으면 정해진 가치가 나오는 real estate가 아니라, 큰 예산을 써도 좋은 작품이 보장되지 않는 영화 제작에 가깝다.
   2. 작가성(authorial expression): 제품에는 팀이 세상에 하고 싶은 말, 취향, 예술성, 의도적인 선택이 들어가야 하며 이것이 AI 시대에도 인간의 중요한 기여다.

3. 아이디어는 출발점일 뿐

   1. Marty Cagan의 관점: 처음 떠오른 제품·기능 아이디어가 최종 형태가 되는 경우는 드물고, 인간이 반복적으로 검증하며 실제 문제와 제품 형태를 찾아야 한다.
   2. 더 빨라진 loop: 직관을 만들 정보 수집, 사람과의 대화, agent를 통한 실행이 빨라질수록 좋은 방향을 찾아가는 loop 자체가 가속된다.

3. Persistent agent와 조직의 새로운 협업 인터페이스

AI coworker는 한 번의 답변을 제공하는 도구가 아니라, 팀원이 일을 하고 중간 결과를 공유하며 다시 지시받는 지속형 동료가 된다.

3.1. Agent를 팀원처럼 다루기

1. 동료의 작업 cadence

   1. 맡기고, 입력하고, 다시 맡기기: 사람 팀원처럼 agent가 상당량의 일을 수행하고, 사람은 일정한 cadence로 진행 중인 결과를 확인해 피드백을 준다.
   2. 고차 작업을 ‘cook’하게 두기: agent가 더 높은 수준의 작업을 독립적으로 계속 처리하고 사람은 필요한 순간에 steering과 세부 입력을 제공한다.

2. 현재의 한계와 다음 인터페이스

   1. 일대일 고립: 지금은 한 사람이 자신의 agent와 일하고 다른 동료의 agent 작업과 분리되는 경우가 많다.
   2. Slack 스크린샷의 임시성: OpenAI 구성원들은 Codex thread의 스크린샷을 Slack에 공유하며 계산 과정이나 숫자에 도달한 방식을 보여줬지만, 이는 자연스러운 공동 작업 인터페이스가 아니다.
   3. 공동 작업 공간: Tara의 agent와 Lenny의 agent가 서로의 분석을 검증하고 연결하도록 하는 방식처럼, 인간과 agent가 함께 작업할 수 있는 인터페이스가 필요하다.

3.2. 지능과 함께 풀어야 할 ‘meat-and-potatoes’ 문제

1. 지능이 담당하는 부분

   1. 장시간 실행: 더 긴 task를 유지하고 고차원적인 일을 수행하는 능력이 persistent coworker의 기반이다.
   2. 모델의 capability 향상: 코딩·글쓰기 등 특정 capability가 어떻게 좋아질지 연구팀의 방향을 제품이 계속 따라가야 한다.

2. 인프라가 담당하는 부분

   1. Local agent의 장점: 로컬에서 실행되는 agent는 컴퓨터에 있는 데이터에 쉽게 접근할 수 있어 편리하다.
   2. Cloud agent의 고립 문제: cloud agent가 Google Docs, Slack, 사내 database 같은 실제 업무 시스템에 접근하지 못하면, 방에 가둔 채 동료로 채용하고 아무 자료도 주지 않는 것처럼 쓸모가 떨어진다.
   3. 필수 시스템: third-party data access, cloud infrastructure, reliability가 지능만큼이나 최종 효과를 좌우한다.

4. AI가 넓힌 야망과 제품팀의 새 책임

AI는 반복 업무를 자동화하는 데 그치지 않고 한 사람이 현실로 옮길 수 있는 가능성의 범위를 폭발적으로 넓힌다.

4.1. Ambition이 새로운 병목이 되다

1. 유니콘 인재의 재정의

   1. 과거의 희소 인재: product sense를 갖춘 engineer이면서 designer이기도 한 사람이 기능 간 translation layer를 줄이고 빠르게 만들 수 있어 unicorn hire로 불렸다.
   2. 모두에게 확장된 범위: 이제는 AI로 디자인을 만들고, 초기 prototype을 만들고, 가격 모델과 시나리오를 계산하는 능력이 많은 사람에게 열렸다.

2. 생각 속의 것을 현실로

   1. 가능성의 범위(range of possibilities): 실행·커뮤니케이션 능력의 한계 때문에 포기했던 아이디어도 prototype, pricing model, CAD model 같은 형태로 시도할 수 있다.
   2. 더 높은 fidelity의 표현: AI 도구는 생각한 제품의 비전과 작가성을 더 높은 충실도로 구현하게 하며, ‘할 수 있는 것’이 아니라 ‘상상하는 것’이 상한선이 된다.

3. 불합리하게 짧은 시간

   1. Patrick Collison의 fast projects: 과거에도 짧은 시간에 비상식적으로 야심 찬 프로젝트를 완성한 사례들이 있었고, 그때보다 훨씬 강력한 도구가 생겼다면 그런 결과가 기하급수적으로 늘어야 한다.
   2. 가장 어려운 단계는 시도하기: “Codex가 이것도 해줄 수 있나?”라고 떠올리는 습관 자체를 새로 만들어야 하며, 기술적 한계보다 가능성을 좁게 생각하는 습관이 더 큰 제약이다.

4.2. PM은 팀의 possibility ceiling을 끌어올린다

1. Tyler Cowen의 질문

   1. 야망을 올리는 외부 자극: 다른 사람에게 “지금 하는 일의 더 야심 찬 버전은 무엇인가?”, “더 빨리 할 수 있지 않은가?”, “10배 큰 규모로 해볼 수 있지 않은가?”라고 묻는 효과를 사람들이 과소평가한다.
   2. PM의 새 핵심 기능: 팀이 제시한 일정·범위·첫 버전을 그대로 받아들이지 않고 possibility ceiling이 더 높지 않은지 묻는 일이 PM의 중요한 책임이 된다.

2. OpenAI 내부의 세 가지 구호

   1. “Is this maximally accelerated?”: 이 일을 가능한 최대 속도로 진행하고 있는지 묻는 Nick Turley발 내부 meme이다.
   2. “Are you mainlining it yet?”: 제품을 하루 종일 실제로 사용해 자신의 업무를 처리하고, 모든 취향과 불편을 feedback으로 가져오고 있는지 묻는 표현이다.
   3. AGI를 느끼기: AGI가 올 수 있다는 사실과 그것이 인류에 유익하도록 만들어야 한다는 mission을 일상적인 제품 결정에서 계속 의식한다.

5. 모델보다 2~3개월 앞서 제품 만들기

급격히 좋아지는 모델을 완벽히 예측하려 하지 말고, 연구와 연결된 가까운 미래를 겨냥해 제품을 설계해야 한다.

5.1. 현재도 1년 뒤도 정답이 아니다

1. 두 가지 실패

   1. 현재 모델에 고정: 지금 모델의 약한 능력을 전제로 제품 구조를 굳히면 모델이 좋아졌을 때 과거의 제약을 제품에 남기게 된다.
   2. 1년 뒤를 과도하게 상상: 아직 존재하지 않는 미래 능력을 전제로 만들면 너무 이른 제품이 되어 현재 사용자에게 틀린 경험을 준다.
   3. 동등하게 잘못된 양극단: 현재에만 맞추는 것과 1년 뒤를 과하게 맞추는 것은 모두 equally wrong이며, 답은 2~3개월의 지평이다.

2. 연구와 제품의 연결

   1. 구체적 capability roadmap: OpenAI 연구팀은 코딩·글쓰기 등 어떤 능력을 어떤 방식으로 높이려 하는지에 대한 집중 영역을 갖고 있다.
   2. 긴밀한 커뮤니케이션: PM은 연구의 agenda와 roadmap을 이해하고 제품 개발을 그 방향에 맞춰야 한다.

3. 잊지 말아야 할 사실

   1. Kevin Weil의 문장: “This is the worst the models will ever be”라는 말은 지금의 모델이 앞으로 볼 모델 중 가장 약한 모델이라는 점을 상기시킨다.
   2. 제품이 모델의 길을 막지 않게 하기: 제품 구성물이 모델의 발전을 가두는 대신, 두세 달 뒤 더 강해질 모델이 자연스럽게 능력을 펼칠 수 있도록 설계해야 한다.

6. ChatGPT, Codex, Work를 하나의 제품으로 합치는 과정

ChatGPT의 Chat·Codex·Work 선택지는 서로 다른 능력의 제품이라기보다 사용자가 익숙한 진입점과 UI를 제공하기 위한 현재의 단계다.

6.1. 세 모드의 현재 역할

1. Chat mode

   1. 대화와 검색: 대화를 나누고 검색하는 기존 ChatGPT 경험에 점점 더 좋은 모델과 capability를 더한다.
   2. 소비자에게 익숙한 입구: agent 개념을 모르는 billion-scale ChatGPT 사용자도 자연스럽게 시작할 수 있는 표면이다.

2. Codex mode

   1. 개발자 중심 UI: 코드 작업, technical detail, work tree 등 개발에 맞는 진행 상황을 보여준다.
   2. 지식 업무도 가능: Codex에 제품 가격용 financial model이나 향후 6개월 revenue 예측을 요청해도 Work와 같은 수준의 작업을 수행할 수 있다.

3. Work mode

   1. Codex가 엔진: Work의 내부 능력은 Codex와 같고, 차이는 주로 UI와 노출되는 chain of thought·기술적 세부 정보의 형태다.
   2. 지식 노동 진입점: 복잡한 financial model 같은 결과를 만들되, 개발자용 UI를 모르는 사용자도 agent의 힘을 사용할 수 있게 한다.
   3. 실제 사례: OpenAI corporate finance team은 과거 한 사람의 깊은 전문성이나 수작업이 필요했던 일을 팀 전체가 수행하도록 만들고, 일정·능력·시도의 frontier를 확장하고 있다.

6.2. North star는 사용자가 harness를 고르지 않는 것

1. 작업이 선택을 대신해야 함

   1. 의도만 입력: 사용자가 “팟캐스트 게스트의 에피소드 전 조사 app을 만들어줘”라고 task를 적으면 시스템이 맞는 harness와 model을 선택해야 한다.
   2. 개념 부담 제거: 사용자가 ChatGPT와 Codex의 차이, 모델의 한계, harness를 미리 공부해 올 필요가 없어야 한다.

2. 현재의 안내

   1. Codex 사용자는 계속 사용: Codex 사용자가 Work로 옮기지 않아도 capability를 놓치지 않으며, 오히려 Codex 안에서 원하는 일을 계속하면 된다.
   2. ChatGPT 사용자는 Work 시도: agent capability를 경험하고 싶은 ChatGPT 사용자는 Work toggle을 켜서 지식 업무를 맡기면 된다.
   3. 점진적 통합: billion MAU 규모의 사용자가 갑자기 복잡한 harness를 배우지 않도록 익숙한 ChatGPT 표면에서 capability를 자연스럽게 확장한다.

6.3. 완성도보다 변혁적 가치와 속도

1. 대규모 제품의 긴장

   1. ChatGPT의 규모: Lenny는 ChatGPT를 약 100 billion MAU로 잘못 말했지만, 대화의 요지는 역사상 가장 성공적인 consumer product급의 거대한 사용자를 가진 제품과 Codex 같은 빠른 신제품을 동시에 운영하는 긴장이다.
   2. 사용자에게 agent를 가져가기: 목표는 거대한 ChatGPT 사용자 기반에 agent power를 전달하되, 명시적 선택과 복잡한 개념 없이 자연스럽게 채택시키는 것이다.

2. Done over perfect

   1. 과거의 polish 중심: AI 이전에는 UI 구석구석을 완벽하게 다듬는 일이 시간이 지나도 결과를 크게 바꾸지 않았기에, 충분히 polished되지 않으면 출시하지 않는 경향이 있었다.
   2. AI 시대의 긴급성: 변혁적인 가치에 확신이 있다면 완벽해질 때까지 기다리는 것보다 사용자 손에 먼저 쥐여 주고 실제 사용·불편·신호를 배우는 편이 낫다.
   3. 반복의 원칙: 출시 전 검증도 계속해야 하지만, pre-launch와 post-launch 모두 빠르게 iterate하고 올바른 signal을 듣는 것이 핵심이다.

7. Codex의 성장과 역할 경계의 해체

Codex의 외부 인지도 상승은 내부 운영 방식이 갑자기 바뀐 결과라기보다, 사용자 집착과 빠른 반복을 시장이 뒤늦게 알아본 결과다.

7.1. ‘Carry water, chop wood’와 vibe shift

1. 팀의 변하지 않은 운영

   1. 사용자 중심 loop: 팀은 처음부터 앱을 매일 dogfood하고, “mainline”하며, 자기 문제와 다른 사용자의 문제를 해결하는 일을 반복했다.
   2. 시장보다 먼저 실행: Twitter에서 Claude Code에서 Codex로 분위기가 이동한 것은 팀의 방식이 바뀐 게 아니라 외부 시장이 그 방식과 결과를 따라잡은 현상이다.

2. 독립적인 founder 행동

   1. 세부까지 책임: desktop team을 비롯한 구성원 대부분이 제품의 모든 부분을 자기 일처럼 생각하고, 더 좋아져야 할 영역을 발견하면 스스로 만든다.
   2. 내부 검증 후 외부 출시: 내부에서 사람들이 쓰지 않거나 유용하다고 느끼지 못하면 다시 iterate하고, 충분히 좋아진 뒤 외부에 내놓는다.

7.2. 직무 경계와 craft의 긴장

1. 경계 없는 startup 방식

   1. 모두의 책임은 성공: engineer, PM, designer 사이에 무엇을 해도 되는지의 경계를 엄격히 긋기보다, 누군가가 제품의 사용성·품질·효과에 대한 core accountability를 가져야 한다.
   2. DRI와 유연한 실행: 한 명의 DRI가 결과를 책임지되, 필요한 일은 개인의 affinity와 capability에 따라 누구든 집어 든다.

2. 추상화되는 craft

   1. 역할 capability의 추월: 모델이 특정 작업을 사람보다 잘 수행하면 기존 직무의 일부 craft가 추상화된다.
   2. 새로운 craft로 이동: 사람이 맡던 구체적인 과업에서 제품·규율의 다른 영역으로 전문성이 이동하지만, 어떤 craft를 잃고 어떤 craft를 얻는지는 아직 모두가 실험 중이다.
   3. Engineer의 정체성 변화: 하루 종일 손으로 코드를 쓰며 flow state를 얻던 engineering role이 빠르게 바뀌었고, 이 전환을 좋아하는 사람과 애도하는 사람이 모두 있다.

8. 인간의 고유 가치: 책임, 표현, 관계

모델의 발전을 장기 예측할 수 없어도 인간이 결과를 책임지고 의미를 부여하며 서로를 성장시키는 기능은 당분간 핵심으로 남는다.

8.1. Accountability와 규제 영역

1. 최종 결과의 소유자

   1. Agent는 report에 가깝다: agent가 작업을 수행해도 최종 결과가 고품질인지, 원하는 일을 했는지에 대한 책임은 사람에게 있다.
   2. 책임 주체의 지속성: 특히 고도로 규제된 산업이나 직접적인 human interface가 필요한 영역에서는 누가 결과를 승인하고 책임지는지가 명확해야 한다.

2. 결과 이상의 평가

   1. 과정 확인: 단순히 최종 deck을 보고 숫자가 그럴듯하다고 믿는 것이 아니라 입력, reasoning, 진행 과정을 확인해야 한다.
   2. 검증 가능한 협업: 사용자는 agent의 in-progress work, citations, inputs를 보며 결과에 도달하는 여정을 함께 밟아야 한다.

8.2. Expression과 authorship

1. 예산이 작품을 보장하지 않음

   1. 영화의 비유: 큰 돈을 넣어도 좋은 영화가 자동으로 나오지 않으며, 가장 좋은 영화가 가장 큰 예산을 가진 영화도 아니다.
   2. 제품의 작가성: 무엇을 만들지, 어떤 느낌을 줄지, 어떤 의견을 담을지는 인간 또는 인간 집단의 선택이다.

2. 취향의 차별화

   1. 도구 평준화 이후: 동일한 AI 도구가 누구에게나 실행력을 제공할수록 독특한 관점·표현·제품의 감각이 더 중요해진다.
   2. 미래를 의도적으로 선택: 데이터가 여러 방향을 허용해도 특정한 세계를 원한다는 이유로 한 방향을 선택하는 결정이 인간의 가치다.

8.3. Care와 관계

1. 사람을 사람답게 만드는 일
   1. 팀의 열정 만들기: 동료와 함께 어떤 영역에 열의를 갖고, 서로 배우고, 같이 일하는 방식은 인간적인 활동이다.
   2. 서로의 야망을 높이기: 가능성을 상기시키고 동료가 더 큰 일을 시도하게 돕는 관계적 역할은 AI가 실행을 많이 할수록 더 중요해진다.

9. Tara가 직접 쓰는 AI와 personal software

Tara는 AI를 기존 문서를 더 빨리 만드는 데만 쓰지 않고, 개인과 작은 공동체에 맞는 동적 소프트웨어를 즉석에서 만든다.

9.1. Sites와 malleable personal software

1. Site의 사용 방식

   1. 프롬프트로 앱 만들기: “내 팀을 위한 mafia game을 만들어줘”처럼 원하는 도구를 말하면 Codex가 만들고 호스팅한다.
   2. 공개 범위 선택: site는 public, 팀 전용, 개인 전용 중에서 공유 범위를 정할 수 있다.
   3. 접근성: Work·Codex·web·mobile 어디서나 site를 만들 수 있고, 예전처럼 source code를 받아 어디에 배포할지 직접 해결할 필요가 없다.

2. 실제 사례

   1. 팀 게임: database를 가진 site를 만들어 팀 전체가 함께 게임을 했다.
   2. 배낭여행 도구: backpacking trip의 경로와 고도(elevation)를 추적하고, 동행자들이 먹은 음식을 입력하는 site를 빠르게 만들었다.
   3. 업무 artifact의 변화: 예전에는 docs와 sheets, slide deck을 만들었지만 이제는 metric dashboard나 presentation을 자동 업데이트하는 동적 surface인 site를 만든다.

3. Alan Kay의 꿈

   1. Personal computer의 본질: 진정한 personal computer는 개인에게 맞는 personal software를 갖는다는 1960년대의 비전과 site가 맞닿아 있다.
   2. Notion과의 차이: Notion의 blocks를 조합하는 것보다 “내가 지금 필요한 정확한 tool을 만들어줘”라고 한 번 프롬프트하는 방식이 personal software를 더 직접적으로 실현한다.

4. 방송 중 즉석 데모

   1. Tara 소개 site: Lenny가 대화 중 Tara Seshan을 주제로 site 생성을 요청하고, Codex가 실행되는 동안 대화를 이어갔다.
   2. 결과와 농담: site에는 “Big conviction, small teams, start with the buyer”라는 문구와 19세 무렵 Stripe badge 사진이 들어갔고, Tara는 젊은 시절 사진이 상단에 있는 점을 재미있어했다.
   3. 후속 개선: Lenny가 “make it more awesome”이라고 요청하자 site가 즉시 더 완성도 높은 디자인으로 개선됐고, 머리 주변을 꾸민 귀여운 시각 요소도 추가됐다.

9.2. /visualize로 데이터를 이야기로 바꾸기

1. 명령의 기능

   1. 사용량 시각화: Codex에서 /visualize를 실행하고 “지금까지 나의 ChatGPT usage를 시각화해줘”라고 하면 자신의 사용 데이터와 활동을 가져와 시각화를 만든다.
   2. 차트와 서사의 결합: 단순히 차트를 많이 모으는 것이 아니라, 전달하려는 이야기와 맞는 형태로 데이터를 이해하기 쉽게 제시한다.

2. 실행 포인트

   1. 새로운 overhang 활용: 기능을 알고 나서야 쓸 수 있으므로, AI가 어떤 작업을 할 수 있는지 정기적으로 물어보는 습관이 필요하다.
   2. 개인 업무에 바로 적용: 발표 자료, metric dashboard, 개인 분석처럼 결과가 즉시 유용한 작은 task부터 시도하면 AI의 잠재력을 체감할 수 있다.

10. Writing as thinking과 AI brain rot 방지

AI로 모든 글쓰기를 처리하는 대신, 생각을 만들어내는 글쓰기와 이미 정리된 내용을 전달하는 글쓰기를 분리해야 한다.

10.1. Writing as reporting vs. writing as thinking

1. Writing as reporting

   1. 자동화 가능한 영역: 주간 상태 보고, launch·announcement 계획의 요약, 이미 파악한 사실을 다른 형식으로 옮기는 일은 모델을 적극적으로 사용한다.
   2. 모델의 강점: summarization, translation, 데이터 수집과 format conversion은 사람의 사고를 대체하지 않고 전달 비용을 낮춘다.

2. Writing as thinking

   1. 처음부터 끝까지 직접: 제품·전략·spicy take를 왜 주장하는지 outline하고, 문장을 만들고, 자르고, 편집하고, 반복하는 과정은 생각을 정렬하는 핵심이다.
   2. 모델에 맡기지 않는 이유: 첫 draft를 모델에게 맡기거나 prose를 대신 다듬게 하면 자신의 사고가 개입하는 과정이 사라진다.
   3. 가운데에만 AI 활용: Tara는 시작과 끝을 자신이 맡고, 중간에 특정 데이터 조사, 자료 삽입, 아이디어에 대한 반론과 pushback을 요청한다.

10.2. 문서보다 prototype과 증거

1. Stripe식 문서 문화

   1. 70%에서 공유: 과거 manager에게 배운 방식은 문서를 70%까지 쓴 뒤 buy-in이 필요한 사람에게 보여주고, 함께 100%로 만드는 것이다.
   2. 거친 문서의 장점: 완벽히 polished된 아이디어에는 사람의 새 아이디어가 튕겨 나가지만, crag와 rough edge가 있으면 동료가 함께 다듬을 수 있다.

2. OpenAI식 전달물 변화

   1. 문서가 proof가 아님: 긴 문서를 썼다는 사실만으로 깊이 생각했다는 신호가 되지 않는다. AI가 생각하지 않은 긴 문서도 쉽게 만들 수 있기 때문이다.
   2. Mocks not docs: 실제로 만져볼 수 있는 mock·prototype이 긴 설명서보다 낫다.
   3. 결과가 가장 강한 증거: “이것을 만들어 사용자에게 테스트했고, A/B 결과가 이렇다”는 실험 결과가 방향을 설명하는 더 나은 커뮤니케이션 도구다.
   4. 문서는 여전히 개인 도구: Tara는 여전히 수백 개의 문서를 쓰지만, 타인에게 proof of work로 보여주기보다 자기 생각을 정리하기 위해 쓴다.

10.3. AI brain rot을 막는 개인 규율

1. 집단 시간을 먼저 투자하기

   1. 읽기 책임: 다른 사람에게 읽으라고 할 문서는 자신이 최소한 그들이 들일 집단 시간만큼 먼저 읽고 써야 한다.
   2. 회의 준비 책임: 회의를 소집한다면 참석자들이 회의에서 쓸 총 시간을 회의 전에 자신이 준비하는 데 투자해야 한다.

2. 운영 규칙

   1. Start yourself, end yourself: 글의 첫 생각과 마지막 판단은 인간이 만들고, AI는 조사·자료 수집·반론에 제한적으로 끼워 넣는다.
   2. 넓은 금지와 넓은 의존을 모두 경계: “글쓰기에 AI를 절대 쓰지 않기”와 “모든 글쓰기를 AI에 맡기기”는 모두 틀리며, reporting과 thinking을 구분해야 한다.

11. Sutter Hill에서 배운 Product Marketing Fit

Tara가 Sutter Hill Ventures에서 얻은 가장 큰 교훈은 product-market fit 이전에 product marketing fit을 검증해야 한다는 것이다.

11.1. 성공은 dark art가 아니라 playbook이다

1. Sutter Hill의 운영

   1. 의도적으로 조용한 firm: 웹사이트에 거의 아무것도 보여주지 않고 가능한 한 modest하고 under-the-radar로 운영된다.
   2. Incubation model: Mike Speiser가 시작한 독특한 incubation 방식으로 Snowflake 같은 상징적인 성공을 만들어냈다.

2. 반복 가능한 성공의 요소

   1. PMF는 운만이 아님: 수십억 달러 기업과 product-market fit이 우연의 결합처럼 보일 수 있지만, 반복해서 성공한 사람에게는 분명한 roadmap과 daily compounding의 playbook이 있다.
   2. 실행의 세부: enterprise sales team을 세우고, 제품을 positioning하고, founding team을 구성하고, 좋은 사람을 recruiting하는 방식이 누적된다.
   3. Reticle: Sutter Hill의 비공개 도구 Reticle은 지금까지 만난 사람과 그들이 만난 최고의 사람 10명을 지도처럼 정리해 recruiting을 강화한다.

11.2. Product marketing fit을 먼저 검증하라

1. 제품보다 앞서는 narrative

   1. 기술과 구매 과정의 결합: 기술을 깊이 이해하는 것과 enterprise sales process를 이해하는 것을 결합해, 제품이 왜 변혁적인지 말하는 narrative를 만든다.
   2. 제품 경험 전의 테스트: 최종 제품을 만들기 전에 product marketing fit과 positioning이 맞는지를 검증하는 편이 낫다.

2. 100명에게 pitch하기

   1. 메시지 검증: 100명에게 pitch하고 어떤 설명이 반응을 만드는지 계속 다듬는다.
   2. 그다음에 제품 shape 확정: 왜 이 제품이 중요한지에 대한 marketing narrative가 충분히 강해진 뒤에야 정확한 product shape를 결정하고 build에 commit한다.

3. PMM의 재평가

   1. 과거의 과소평가: Tara는 이전에는 product marketing을 기능 사이의 glue 정도로 생각했지만, 뛰어난 PMM이 회사의 성공을 결정할 정도로 변혁적이라는 사실을 배웠다.
   2. AI 시대의 적용: 제품을 만드는 비용이 낮아질수록 무엇을 왜 만들어야 하는지 설명하고 구매자가 공감하도록 만드는 narrative가 더욱 중요해진다.

12. Knowledge work와 coding은 검증 방식이 다르다

ChatGPT Work가 coding agent를 지식 업무로 확장하려면 최종 산출물뿐 아니라 결과에 이르는 과정과 근거를 협업 표면에 드러내야 한다.

12.1. Coding의 output-oriented 검증

1. 테스트 가능한 산출물

   1. 작동 여부 확인: 코딩 task는 test를 실행하고 실제로 작동하는지 확인할 수 있다.
   2. 결과 중심의 신뢰: 모든 architectural decision을 알지 않아도 output이 기대대로 작동하고 테스트를 통과하면 일정 수준의 검증이 된다.

2. Knowledge work의 차이

   1. Deck만 볼 수 없음: 최종 deck의 숫자가 그럴듯해 보여도 90% 성공 같은 식으로 신뢰할 수 없으며, 입력과 추론이 타당했는지 알아야 한다.
   2. 과정이 곧 품질: 어떤 자료를 읽었고, 어떤 reasoning을 거쳤고, 중간에 무엇을 확인했는지가 최종 결과의 신뢰를 만든다.

12.2. Collaborator UX의 요구사항

1. 모델을 협업자로 만들기

   1. In-progress work 공개: 사용자가 agent가 현재 무엇을 하고 있는지 확인할 수 있어야 한다.
   2. Citations와 inputs: 결과의 근거가 된 자료와 입력을 보여주고, 사용자가 모델과 함께 여정을 밟아가야 한다.
   3. 적절한 reasoning 노출: chain of thought를 어느 정도 어떻게 보여줄지, thread라는 표면이 지식 업무에도 적절한지 같은 큰 UX 질문이 남아 있다.

2. 사람과 agent의 공동 맥락

   1. 동료를 추가하는 문제: 여러 사람이 자신의 agent와 함께 일하는 것과 별개로, agent가 서로의 맥락을 공유하고 사람 팀이 함께 검증하는 인터페이스가 필요하다.
   2. Context 접근성: email, Notion docs, 사내 data 등 필요한 맥락에 접근하지 못하면 지식 업무 agent도 고립된 조수에 머문다.

13. Lightning round: 책, 영화, 개인 제품과 삶의 태도

Tara가 추천한 문화 콘텐츠와 개인 경험은 AI 시대에도 깊이, 성장, 제약 속 창의성, 야망이 중요하다는 주제를 반복한다.

13.1. 추천 도서

1. 《Barbarian Days: A Surfing Life》 — William Finnegan

   1. 잘하지 못해도 사랑할 수 있음: 한 분야를 인생의 열정과 목적처럼 사랑하고 완벽을 추구하면서도 결코 완벽에 도달하지 못할 수 있다는 태도를 보여준다.
   2. 성공과 열정의 분리: 무엇인가를 깊이 좋아하고 헌신하는 일이 반드시 그 분야에서 뛰어난 성과를 내는 것과 같지는 않다.

2. 《Anna Karenina》 — Leo Tolstoy

   1. 읽는 나이에 따라 달라지는 책: 13세에는 줄거리를, 17세에는 유럽 역사와 계급 갈등을, 30세에는 한 여성과 인간에 대한 이야기를 읽게 된다.
   2. 여러 렌즈의 성장: 같은 대상을 삶의 단계마다 다른 관점으로 읽는 능력은 커리어를 바꾸고 새로운 일을 받아들이는 데 필요한 성장의 모델이다.

3. 《The Power Broker》와 slow read

   1. 긴 책을 나누어 읽기: Simon의 Substack slow read처럼 중요한 책을 chapter by chapter로 읽고 대화하면 《The Power Broker》, 《War and Peace》, 《Wolf Hall》 같은 대작에 접근하기 쉽다.
   2. 99% Invisible 북클럽: 《The Power Broker》를 13개 에피소드로 나눠 매회 몇 장씩 다루며, AOC·지역 거주자·Robert Caro 등과 이야기하는 분석 콘텐츠가 추천된다.

13.2. 영화와 제약 속 창작

1. Christopher Nolan의 《The Odyssey》

   1. Tara의 hot take: 영화가 AI 또는 AI가 사회를 바꾸는 방식, 특히 morality의 붕괴에 대한 이야기로 읽힌다고 말한다.
   2. 예술성과 대중성: Nolan은 현대 감독 중 예술성과 상업적 성공을 함께 달성하는 능력이 독보적이라고 평가한다.
   3. 관람 에피소드: Lenny는 표를 구하기 어려워 여러 경로와 bot까지 동원해 표를 찾고 있었고, Tara는 Kevin Clark이 Metreon에서 밤 10시 표를 구해 관람했다고 말한다.

2. Akira Kurosawa의 《Rashomon》

   1. 다중 관점 서사: 여러 사람의 관점으로 같은 사건을 들려주고 끝까지 무엇이 진실인지 확정하지 않는 영화적 기법을 개척했다.
   2. 극단적 제약과 완성도: 1950년대 흑백 영화로 제한된 장비와 인력만으로도 깊이 있고 tasteful하며 혁신적인 창작을 완성했다.
   3. 야망의 질문: 당시보다 100배 많은 도구와 능력을 iPhone 하나로 가진 현재의 사람은 더 나은 것을 만들지 못할 핑계가 무엇인지 자문해야 한다.

13.3. Cozy software와 친구를 위한 AI

1. 친구가 만드는 제품

   1. Cozy software: 거대한 대중 시장보다 다섯 명의 친구와 자신에게 정확히 맞는 software를 만들고 함께 쓰는 흐름을 Tara는 미래의 좋은 모습으로 본다.
   2. Sebastian의 podcast app: 무엇이든 podcast로 바꿔 작은 podcast app에 넣어주며, 새 episode를 Apple Podcasts feed에 추가한다.

2. Gats private social network

   1. 작은 친구 집단을 위한 공간: Gats는 소수 친구만을 위한 private Twitter 또는 WhatsApp에 가까운 소셜 네트워크다.
   2. 개인 맞춤의 가치: Tara는 그 공간에서 가장 흥미로운 것을 배우며, 사람의 실제 관계와 취향에 정확히 맞는 software가 거대한 범용 서비스만큼 가치 있다고 본다.

13.4. Tony Morrison의 네 문장

1. 일에 관한 태도: 어떤 일이든 상사가 아니라 자신을 위해 잘해야 한다.
2. 직업과 자아의 관계: 사람이 job을 만들며 job이 사람을 만드는 것이 아니다.
3. 삶의 중심: 진짜 삶은 가족과 함께하는 시간에 있다.
4. 정체성의 분리: 사람은 자신이 하는 일이 아니라 자신이라는 사람이다.

14. Thiel Fellowship과 야망을 끌어올린 사람들

Tara에게 Thiel Fellowship은 정해진 진로에서 벗어나도 된다고 누군가가 말해준 인생의 inflection point였다.

14.1. Fellowship의 구조

1. 기본 제안

   1. 대학 대신 만들기: Peter Thiel의 fellowship은 대학에 가지 않고 자신이 만들고 싶은 것을 시도하는 사람에게 $100,000를 제공한다.
   2. 20 Under 20: 한 해에 약 20명이 함께 선발되어 서로의 ambition을 자극하며, 초기 4~5년은 20명 규모가 유지됐다.

2. Tara의 기수

   1. 두 번째 cohort: Tara가 참여한 해는 fellowship 두 번째 기수였다.
   2. CNBC documentary: 당시 프로그램 전체가 CNBC 다큐멘터리로 제작되어 Tara의 19세 pitch와 무대 발표가 YouTube에 남아 있고, Tara는 이를 embarrassing한 기록이라고 농담한다.
   3. 동료들: 그 기수에는 Figma를 만든 Dylan Field가 있었고, Tara는 훌륭한 talent이면서 친절한 사람이라고 평가한다.

14.2. Ari Weinstein과 ‘가능하다’는 말

1. 현재의 동료

   1. OpenAI로 이어진 인연: Thiel Fellow Ari Weinstein은 Sky를 창업한 뒤 OpenAI에 인수됐고, 그 전에는 Apple이 인수한 회사를 만들고 Apple에서 일했다.
   2. Computer use 전문가: Mac에서 할 수 있는 멋진 일을 아는 전문가로서 OpenAI의 computer use 영역을 이끌고 관련 기능을 다수 출시했다.

2. 야망의 전염

   1. 창의성과 craft: Ari의 창의적 사고, 자신이 하는 일을 즐기는 태도, craft에 대한 사랑이 Tara에게 영감을 준다.
   2. Tara 자신의 전환: 누군가가 “그 길만 갈 필요가 없고 이것도 할 수 있다”고 야망을 높여준 순간이 Tara의 인생을 바꿨으며, PM도 이제 팀과 동료에게 같은 역할을 해야 한다.

주요 발언 모음

“첫 번째 AI 제품의 시대가 chat이었다면, 두 번째 시대는 agents와 함께 일하는 것이고, 곧 올 세 번째 시대는 일을 끝낼 수 있는 persistent co-worker와 함께 일하는 것이다.”

“현재 모델을 기준으로 만들어도 실패하고, 1년 뒤 모델을 기준으로 만들어도 실패한다. 유일한 방법은 2~3개월을 바라보며 만드는 것이다.”

“Being prolific and empirical is way more important than being academic or theoretical.”

“미래의 일은 rowing보다 steering에 가까워질 것이다.”

“Are we maximally accelerated? Are you mainlining it yet?”

“Start yourself and end yourself with a piece of writing.”

“제품을 만들기 전에 product marketing fit을 찾아야 한다.”

“This is the worst the models will ever be.” — Kevin Weil

핵심 데이터 & 수치

• 영상 길이: 1시간 21분 44초다.
• 실제 YouTube 발행일: 2026-08-30이다.
• Tara의 OpenAI 근무 기간: 인터뷰 시점 기준 약 1년이다.
• 제품 설계 시야: 현재도 1년도 아닌 2~3개월 뒤의 모델 capability를 기준으로 삼아야 한다.
• ChatGPT 규모: 대화에서 역사상 가장 성공적인 consumer product급의 billion-scale 사용자 기반이 언급된다.
• Sutter Hill pitch 검증: product marketing narrative를 약 100명에게 pitch한 뒤 제품을 만들 것을 권한다.
• 문서 협업 기준: 문서는 **70%**까지 작성해 buy-in을 받을 사람들과 100%로 다듬는다.
• Thiel Fellowship: 대학 대신 창업을 선택한 참가자에게 $100,000를 제공하고, 초기에는 매년 20 Under 20 약 20명을 뽑았다.
• 《The Power Broker》 북클럽: 13개 에피소드로 나눠 장별로 읽는다.
• Codex thumbnail: https://i.ytimg.com/vi/zMvBMfj4cSQ/maxresdefault.jpg

결론 및 시사점

1. 세 번째 시대를 coworker로 정의하라: AI의 다음 경쟁은 더 좋은 단발성 답변이 아니라, 맥락을 가진 agent가 장시간 일하고 사람들과 다시 동기화하는 협업 경험이다.
2. 2~3개월의 미래를 제품 기준으로 삼아라: 현재의 제약에도, 1년 뒤의 공상에도 고정하지 말고 연구 roadmap과 가까운 미래의 capability를 제품 구조에 반영한다.
3. 문제 정의와 실험을 PM의 중심에 둬라: 긴 strategy 문서보다 가장 중요한 가설을 선명하게 쓰고, 실제 사용자에게 빠르게 시험하며 결과로 다음 결정을 갱신한다.
4. AI를 rowing에만 쓰지 마라: 반복 task 자동화를 넘어 prototype·design·pricing·dashboard·CAD처럼 자신의 range of possibilities를 넓히는 데 사용한다.
5. 팀의 야망을 끌어올려라: PM은 일정과 첫 버전을 관리하는 사람을 넘어 “더 크고 빠르게 시도할 수 있지 않은가?”를 계속 묻는 사람이어야 한다.
6. 역할 경계를 결과 중심으로 유연하게 다뤄라: DRI를 명확히 하되 engineer·designer·PM의 타이틀 경계를 넘어 제품의 사용성·품질·효과를 만드는 사람이 일을 집어 든다.
7. 인프라를 모델 지능만큼 중요하게 보라: agent에 실제 업무 데이터와 third-party system 접근권을 주고 cloud infrastructure와 reliability를 확보해야 지속형 동료가 된다.
8. AI가 만든 결과를 과정과 함께 검증하라: coding처럼 테스트 가능한 일과 달리 knowledge work는 inputs, citations, reasoning, in-progress work를 함께 봐야 신뢰할 수 있다.
9. 생각하는 글쓰기는 직접 하라: reporting은 AI에 맡기되, 핵심 가설의 첫 문장과 최종 판단은 인간이 직접 만들고 AI는 중간 조사와 반론에 활용한다.
10. Product marketing fit을 먼저 찾으라: 100명에게 narrative를 시험해 왜 이 제품이 변혁적인지 확인한 뒤 정확한 product shape와 build에 commit한다.
11. personal software를 작게 시작하라: 팀 게임, 여행 tracker, 친구용 social network처럼 자신과 소수의 실제 사용자에게 정확히 맞는 site를 만들어 AI의 가능성을 체험한다.
12. 인간성을 실행 이후의 핵심으로 지켜라: 결과의 책임, 제품의 작가성, 동료를 돌보고 서로의 야망을 높이는 능력이 agent가 rowing을 맡은 뒤 더 중요한 인간의 일이 된다.

핵심 요약 (20줄)

1. AI 제품은 chat의 첫 시대와 coding agent의 두 번째 시대를 지나 persistent AI coworker의 세 번째 시대로 향한다.
2. Persistent coworker는 장시간 일을 수행하고 사람의 피드백을 받아 다시 작업하며 팀 단위 협업을 가능하게 한다.
3. OpenAI는 top-down 지시가 제한되고 각 구성원이 자기 영역의 founder처럼 product-market fit을 직접 찾는 조직이다.
4. OpenAI의 내부 생각은 비밀 전략 문서보다 공개 제품과 public messaging으로 빠르게 전환된다.
5. 급변하는 AI 시장에서 PM은 장기 예측보다 핵심 가설을 날카롭게 만들고 빠르게 실험하는 일을 우선해야 한다.
6. 미래의 지식 노동은 사람이 모든 실행을 맡는 rowing보다 agent를 올바른 방향으로 조종하는 steering에 가까워진다.
7. 같은 AI 도구를 모두가 써도 제품의 차이는 인간의 취향과 표현, 미래를 선택하는 opinion에서 생긴다.
8. Agent의 실용성은 모델 지능뿐 아니라 데이터 접근, cloud infrastructure, third-party 연결, reliability에 달려 있다.
9. AI는 반복 task를 자동화하는 수준을 넘어 개인의 디자인·코딩·가격·분석 능력을 하나의 실행 범위로 확장한다.
10. PM은 팀이 가능한 범위를 낮게 잡지 않도록 더 큰 규모와 더 빠른 일정을 끊임없이 질문해야 한다.
11. 제품은 현재 모델에도 1년 뒤 모델에도 고정하지 말고 연구 roadmap과 연결된 2~3개월 뒤 capability를 겨냥해야 한다.
12. ChatGPT의 Chat·Codex·Work는 서로 다른 엔진보다 사용자에게 맞춘 UI이며 궁극적으로 사용자가 harness를 선택하지 않는 것이 목표다.
13. Codex의 최근 인지도 상승은 운영 방식의 급변보다 제품을 매일 mainline한 팀과 시장의 뒤늦은 발견에서 나왔다.
14. AI 시대에는 역할 경계보다 제품 결과의 DRI와 팀 전체의 자율적인 실행이 중요해진다.
15. 인간은 최종 결과에 책임지고 제품에 작가성을 부여하며 동료와 관계를 형성하는 능력에서 계속 가치를 만든다.
16. Tara는 Sites로 팀 게임·여행 tracker·대시보드 같은 malleable personal software를 프롬프트만으로 만든다.
17. /visualize는 개인 사용 데이터와 차트를 이야기하기 좋은 시각적 결과로 바꾸는 실용적인 AI 활용법이다.
18. Writing as reporting은 자동화하되 writing as thinking은 직접 수행해야 AI brain rot과 사고력 저하를 막을 수 있다.
19. Sutter Hill의 핵심 교훈은 제품을 만들기 전에 100명에게 product marketing narrative를 시험해 product marketing fit을 찾는 것이다.
20. AI가 rowing을 맡을수록 인간의 가장 중요한 일은 책임, 표현, 돌봄, 그리고 서로의 야망을 끌어올리는 steering이다.