AI가 모두의 손에 들어온 시대, 선택받는 신호 만들기

URL: https://www.youtube.com/watch?v=1KOdiGgMtpY
날짜: 2026-08-30
채널: t3dotgg
원문 제목: The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai

---

📌 핵심 질문 / 무엇이든 만들 수 있을 때 무엇을 만들어야 하는가

==AI가 모든 사람에게 거의 무엇이든 만들 능력을 주는 시대에는 구현 속도보다 무엇을 가리킬지 결정하고 그 신호를 왜곡 없이 전달하여 신뢰를 얻는 능력이 중요하다.==

• AI 모델은 이미 일어난 일을 기록한 데이터와 측정 가능한 평가를 바탕으로 평균적인 답과 구현을 빠르게 수렴시킨다.
• 아직 일어나지 않은 일에 대한 판단, 실제 관계에서 비롯된 구체적인 필요, 합리적일 정도를 넘어선 집착은 모델이 관찰하고 복제하기 어렵다.
• 제품의 고유한 신호는 창업자·조직·AI 도구를 통과하는 동안 평균화되거나 과장되거나 삭제될 수 있으므로 얇은 신호 계층(Signal Layer)이 원래 의도를 보존해야 한다.

풍요로움은 모든 사람의 속도를 높였지만 평균적인 제품과 콘텐츠의 비용과 가치도 함께 0에 가깝게 만들었다. 따라서 사람과 에이전트가 무한히 많은 비슷한 선택지 중에서 특정 제품을 고르고 의지하게 만드는 신뢰가 최종 경쟁력이 된다.

1. 풍요로움이 만든 속도와 불안

풍요로움은 생산성과 영향력을 키웠지만, 모두를 빠르게 만들어 경쟁과 선택의 기준을 더 불안정하게 만들었다.

1.1. 폭포 옆의 운영 장애와 무한 노동

1. 레나의 생산 환경 농담

   1. Lena Hall은 며칠 전 폭포 근처 산책로에서 운영 장애(production incident)를 해결했다고 소개했다.
   2. 친구는 자전거를 타면서 에이전트(agent) 18개를 실행했다고 말해, 일상적인 야외 활동과 AI 작업을 겹치는 농담을 던졌다.

2. 풍요로움에 빠진 생산성

   1. 인간은 그 어느 때보다 많은 산출량(output), 빠른 속도(speed), 큰 지렛대 효과(leverage)를 갖게 되었다.
   2. 이번 컨퍼런스가 많은 사람에게 가장 좋고 생산적인 한 해였다는 감탄은 이런 능력의 증가를 상징한다.
   3. 그런데 발밑의 땅이 너무 빠르게 움직이는 듯한 감각도 함께 커졌다.

1.2. 토큰 최대화와 경쟁자의 즉시 복제

1. 노동하지 않을 때의 기회비용

   1. 컨퍼런스에서 만난 한 엔지니어는 오전 9시부터 오후 9시까지 주 6일 일하지 않으면 기회비용이 너무 크게 느껴진다고 말했다.
   2. 모두가 토큰을 최대한 활용하며 항상 일하는 상태(token maxing)에 들어갔고, 발표자는 지금의 주 6일 근무는 너무 과하다고 받아쳤다.

2. 풍요로움의 양면성

   1. 사람을 빠르게 만든 바로 그 풍요로움이 다른 모든 사람도 빠르게 만들었다.
   2. 경쟁자는 오늘 오후에도 같은 기능을 만들어낼 수 있으므로, 단순한 평균적 기능의 비용은 0에 가까워지고 그 가치도 함께 0이 된다.
   3. 평균적인 물방울 하나를 더 만들어 비슷한 물방울의 바다에 던지는 것만으로는 선택받을 이유가 생기지 않는다.

2. AI 수렴의 구조와 인간의 새 역할

AI는 같은 질문을 받은 모든 사람에게 데이터에서 도출한 유능하고 자신감 있는 평균 답변을 주므로, 인간은 무엇을 가리킬지 결정해야 한다.

2.1. AI가 같은 답을 내놓는 이유

1. 사용법 자체의 평준화

   1. 1년 전에는 AI를 잘 사용하는 국가나 사람이 초강대국이라는 설명이 통했지만, 모델은 훨씬 좋아지고 사용법은 훨씬 쉬워졌다.
   2. 이제 많은 사람이 AI를 능숙하게 사용하며 같은 목표를 향해 AI를 겨눈다.

2. 데이터가 만드는 공통 지식

   1. AI가 모두에게 같은 답을 주는 이유는 모두가 같은 질문을 하기 때문이다.
   2. 데이터(data)는 이미 일어난 일의 기록이므로, “사용자가 무엇을 원하는가”, “어떻게 돈을 더 벌 것인가”, “무엇을 만들어야 하는가”, “이 콘텐츠를 어떻게 바이럴하게 만들 것인가” 같은 질문은 공통 지식에 기반한 답을 얻는다.
   3. 그 답은 매우 유능하고 자신감 있지만 경쟁자에게 주는 답과도 거의 동일하다.

2.2. AI가 대신 결정할 수 없는 지점

1. 데이터 바깥을 보는 관점

   1. 아직 데이터에 나타나지 않은 것을 보려면 비전(vision), 관점(point of view), 앞으로 어디로 향하는지에 대한 감각이 필요하다.
   2. 그 방향을 정한 뒤 모든 자동화 도구를 사용해 실행해야 한다.

2. 수렴 기계와 지시의 차이

   1. AI는 매우 똑똑한 수렴 기계(convergence machine)라서 그대로 내버려두면 모든 것을 같은 모양으로 만든다.
   2. AI는 사용자가 가리킨 대상은 무엇이든 만들 수 있지만 어디를 가리켜야 하는지는 알려주지 않는다.
   3. 보이는 것은 무엇이든 복제할 수 있으므로, 새로운 직무는 AI가 무엇을 만들지 결정하는 일, 즉 비슷하게 생긴 제품 중에서 올바른 사람들이 자신의 버전을 고를 이유를 만드는 일이 된다.

2.3. 신호 계층의 두 절반

1. 신호를 알고 정의하는 빌드 측면

   1. 첫 절반은 자신이 무엇을 만들고 있는지, 왜 그것이 평균적인 것이 아니라 자신의 것인지 명확하게 정의하는 일이다.
   2. 코드(code), 제품(product), 로드맵(roadmap)이 이 빌드 측면에 속한다.

2. 신호를 보존해 방출하는 출하 측면

   1. 둘째 절반은 신호를 왜곡 없이 방출하여 고객이 믿게 된 내용이 실제로 믿고 만들었던 것과 일치하게 하는 일이다.
   2. 콘텐츠(content)와 시장 진출(go-to-market, GTM) 엔지니어링이 이 출하 측면에 속한다.

3. 서로 다른 역할에 같은 과제가 놓인다

   1. 제품을 엔지니어로 개발하고, 창업자로 자신의 회사를 만들고, 다른 사람의 제품을 시장에 내놓는 일은 서로 다른 직무다.
   2. 세 직무 모두 원래 신호가 최종 목적지까지 항상 살아남지는 않는다는 동일한 문제를 갖는다.

3. 빌드 측면: 구현 가능성이 선택을 대신하지 못한다

구현이 무료로 평준화될수록 가장 만들기 쉬운 것과 가장 가치 있는 것은 더 멀어진다.

3.1. 코딩 에이전트와 측정 가능한 영역

1. 벤치마크의 극적인 상승

   1. 2년 전 최고의 자율 코딩 에이전트(autonomous coding agent)는 표준 소프트웨어 벤치마크(software benchmark)에서 일부 작업만 해결했다.
   2. 이제 최고의 에이전트는 80%대 후반(high eighties)의 성능을 보인다.
   3. 작성량은 거의 3배가 되었지만 실제 배송량(shipping)은 겨우 3분의 1 정도만 늘었다.

2. 점수화 가능한 일의 편향

   1. 벤치마크는 소프트웨어 엔지니어링 중 점수를 매길 수 있는 부분을 측정한다.
   2. 실제 배포 단계에 이르면 벤치마크에서 채점되지 않은 모든 부분이 다시 돌아온다.
   3. 코드 자동화가 가장 먼저 발전한 이유는 코드가 우리가 가진 작업 중 가장 쉽게 검증할 수 있는 대상이기 때문이다.

3.2. 무료 채점기가 이끄는 수렴

1. 측정되면 훈련할 수 있다

   1. Sarah Guo가 말한 것처럼 측정할 수 있는 것은 무엇이든 그 측정값을 향해 훈련할 수 있다.
   2. 컴파일러(compiler)는 무료 채점기(free grader)이고 테스트 스위트(test suite)도 무료 채점기다.

2. 자기 채점 작업의 반복 최적화

   1. 작업이 스스로 점수를 매길 수 있는 순간 모델은 그 점수를 기준으로 계속 갈아 넣으며 승리할 때까지 연습할 수 있다.
   2. 구현은 모두에게 동시에 무료로 수렴하고, 측정 가능한 구현 능력은 가치 판단을 포함하지 않는다.

3. 구현과 가치의 분리

   1. 가장 구축하기 쉬운 것과 가장 가치 있는 것은 거의 일치하지 않는다.
   2. “모든 것이 구현 가능하다”는 말을 듣고 당황할 필요가 없는 이유는, 무엇을 가리키는 일이 원래부터 핵심 직무였기 때문이다.
   3. 과거에는 구현 작업이 너무 많아 방향을 정하는 능력을 충분히 연습할 필요가 없었을 뿐이다.

4. 무엇을 가리킬지 결정하는 인간의 근거

검증 가능한 평균 취향이 아니라 직접 겪은 필요, 아직 발생하지 않은 미래, 관찰되지 않는 관계가 견고한 신호를 만든다.

4.1. 폴 그레이엄의 ‘스스로 느끼는 필요’

1. 시장보다 먼저 필요를 감지하기

   1. Paul Graham은 사람들이 진정으로 원하는 것을 찾으려면 먼저 자신이 그 필요를 느껴야 한다고 조언한다.
   2. 시장이 아직 형성되지 않았고 설문조사는 그 필요를 볼 수 없으므로, 자신과 친구들에게 필요한 것을 만들어야 한다.
   3. 자신의 필요는 아직 존재하지 않는 시장에서 얻을 수 있는 유일하게 망가지지 않은 신호다.

2. 처음에는 엉뚱해 보이는 아이디어

   1. 머리에 카메라를 달고 자신의 삶을 생중계하는 남자의 아이디어는 처음에는 정말 어처구니없게 들린다.
   2. 그 엉뚱하고 구체적인 발상이 Twitch가 되었다.
   3. 수렴 기계는 이런 이상하고 구체적이며 진짜로 당황스러운 아이디어를 적극적으로 먼저 제안하지 않는다.

3. 특이함만으로는 충분하지 않다

   1. Twitch가 성공했다는 사실 뒤에는 비슷한 스타트업 아이디어 수천 개가 실패했다는 현실이 있다.
   2. 따라서 이상하고 구체적인 신호는 필요조건이지만 충분조건은 아니다.

4.2. 취향과 판단력이 훈련에 저항하는 조건

1. 넓은 취향의 한계

   1. 좋은 판단력과 좋은 취향만 있으면 안전하다고 말하고 싶지만, 취향은 결국 피드백 아래의 선호(preference under feedback)다.
   2. 더 좋거나 나쁜 신호를 붙여 충분히 여러 번 시연할 수 있는 선호라면 기계는 결국 모방할 수 있다.
   3. 폭넓은 ‘좋은 취향’은 진정한 차별화 요소가 되지 못한다.

2. 아직 일어나지 않은 일을 판단하기

   1. 아직 발생하지 않은 사건에는 학습할 데이터가 없으므로 미래에 대한 취향과 판단은 훈련에 저항한다.
   2. 새로운 문제의 가치와 새로운 접근의 타당성은 일이 일어나기 전까지 평균 답변에서 나오지 않는다.

3. 모델이 관찰할 수 없는 관계

   1. 특정 이력과 상황을 가진 고객이 실제로 무엇을 필요로 하는지는 모델이 읽은 문서만으로 알 수 없다.
   2. 모델은 고객에 대해 쓰인 모든 글을 읽었어도 그 고객을 실제로 만난 적은 없다.
   3. 관계 속에 축적된 맥락, 직접 만난 경험, 당사자 사이의 미세한 신호가 복제 저항성을 만든다.

4.3. 리처드 해밍의 중요한 문제

1. 똑똑함보다 문제 선택이 만든 차이

   1. Richard Hamming은 똑같이 똑똑한 과학자 중 일부는 위대한 업적을 내고 다른 일부는 그러지 못하는 이유를 평생 연구했다.
   2. 그는 위대한 과학자들이 중요한 문제를 다룬다는 사실을 발견했다.

2. 중요성은 멋진 주제가 아니라 공략 가능성에서 나온다

   1. 문제는 듣기에 인상적이어서 중요한 것이 아니라 합리적인 공격 방법(reasonable attack)이 있을 때 중요하다.
   2. 시간 여행은 결과적으로 큰 의미가 있지만, 아무도 공략 방법을 갖고 있지 않으므로 Hamming의 기준에서는 중요한 문제가 아니다.

3. 10~20개의 문제를 마음속에 보관하기

   1. Hamming은 중요한 문제에 대한 아이디어를 10개 또는 20개 정도 계속 머릿속에 간직하라고 했다.
   2. 마침내 자신만 알아본 새로운 접근, 새로운 도구, 새로운 각도를 발견하면 즉시 실행할 수 있기 때문이다.

4. AI 시대에 더 희귀해진 것

   1. Hamming의 시대에는 문제를 공략할 방법을 갖는 것 자체가 희귀했다.
   2. AI는 이제 모든 사람에게 모든 것에 대한 공격 방법을 제공한다.
   3. 따라서 가장 희귀한 능력은 실제로 공격할 가치가 있는 문제가 무엇인지 아는 판단이다.

5. 판단의 뿌리

   1. 판단은 실제 사람으로서 실제 영역에 가까이 붙어 있을 때 생긴다.
   2. 자신의 상처와 실패의 흔적(battle scars), 이상할 정도로 구체적인 경험, 합리적인 수준을 넘어 소중히 여기는 대상을 통해 문제를 이해하게 된다.
   3. 반드시 최초의 사람이 될 필요는 없으며, 진짜로 이해하는 문제에 가까이 붙어 있으면 된다.
   4. 통찰은 AI가 학습한 것과 세상에 실제로 존재해야 할 것 사이의 차이(delta)에서 나온다.

5. 출하 측면: 신호를 사람의 머릿속까지 운반하기

고유한 문제를 찾아 진짜로 좋은 제품을 만들었어도, 그 신호가 올바른 사람의 이해에 도달하지 않으면 선택받지 못한다.

5.1. 콘텐츠의 평균화

1. 인터넷 피드의 동일화

   1. 지난 2년 동안 어떤 피드를 열어도 모든 것이 비슷하게 들리기 시작했다.
   2. 똑같은 LinkedIn 게시물, 세 개의 핵심 요점, 굵게 강조한 결론, 아무 내용도 없지만 보기에는 세련된 블로그 글이 반복된다.

2. 독자의 0.5초 패턴 매칭

   1. 독자는 이제 0.5초 만에 AI 패턴을 알아본다.
   2. 모델이 한 줄짜리 프롬프트로 게시물을 작성할 수 있었다면 독자는 같은 이유로 그 글을 곧바로 건너뛴다.
   3. AI는 알고리즘을 학습했고, 성과가 나는 형식과 클릭을 얻는 방식을 학습했다.

3. 빈틈을 동일함으로 채우는 시스템

   1. 사람들은 문단을 기계에 넘기며 “바이럴하게 만들어줘”, “나를 부자로 만들어줘”라고 요청한다.
   2. 사람이 비워둔 모든 빈틈은 AI에 의해 동일한 문구와 익숙한 형식으로 채워진다.

5.2. AI를 사용하는 두 방식

1. 평균 입력에서 평균 출력으로

   1. 평균적인 프롬프트를 주면 평균적인 출력이 나온다.
   2. 그 결과는 구별할 수 없는 물방울 하나를 구별할 수 없는 물방울의 바다에 추가하는 일이다.
   3. 이는 자신의 무의미함을 매우 효율적으로 자동화하는 방식이다.

2. 구체적인 신호를 중심에 두기

   1. 기계가 가질 수 없는 자신의 구체적인 관점과 실제 현장에 있었던 이야기를 먼저 가져온다.
   2. AI는 핵심 내용을 정리하고, 형식을 지정하고, 초안을 쓰고, 알고리즘을 최적화하고, 주변을 다듬는 수렴 작업을 맡는다.
   3. 기계가 결코 스스로 만들어낼 수 없었던 핵심은 사람이 제공한 채로 남는다.

6. 신호가 깨지는 세 가지 지점

신호는 발신자의 머릿속에서 명확해도 사용자 이해에 도달하는 과정에서 소스·조직·기계의 왜곡을 겪는다.

6.1. 소스 왜곡: 창업자가 너무 많이 알아서 생기는 압축

1. 맥락을 생략하는 창업자

   1. 창업자는 신호를 너무 잘 알고 있어서 자신도 모르게 이해 불가능한 수준까지 압축하는 재능을 보인다.
   2. 청중이 모르는 맥락을 이미 알고 있다고 가정하므로, 청중은 기술적으로 멋진 내용을 듣고도 왜 중요한지 이해하지 못한다.

2. YC 회사의 피치 전환

   1. 최근 도움을 받은 YC 회사에는 매우 뛰어난 창업자와 진짜로 새로운 제품이 있었다.
   2. 그러나 모든 피치는 아키텍처, 기발한 부분, 창업자가 자랑스러워하는 기술에서 시작했다.
   3. 고객이 가장 싫어했던 고통이 이야기에서 삭제되어, 전체 피치는 소음으로 들렸다.

3. 고통을 복원한 결과

   1. 도입부를 사용자가 가장 싫어했던 문제와 제품이 실제로 제거한 단점으로 다시 썼다.
   2. 같은 제품으로 같은 주에 이어진 다음 대화들이 파일럿으로 전환되었다.
   3. 파일럿을 반복 가능한 GTM 시스템으로 발전시킬 수 있었다.

6.2. 조직 왜곡: 위임 체인이 신호를 평균으로 되돌리는 방식

1. 대기업의 손상 경로

   1. 신호는 경영진, 법무, 영업, 각 부서를 통과하며 모든 인계(hand-off) 때마다 평균 쪽으로 되감긴다.
   2. 거의 모든 대기업이 이런 조직 왜곡을 겪는다.

2. 무능함보다 투자에서 생기는 차이

   1. 창업자와 조직에서 세 단계 아래에 있는 사람에게 같은 작업과 같은 AI를 줘도 결과는 완전히 달라진다.
   2. 창업자는 결과가 자신의 것이고 개인적으로 영향을 받기 때문에 평균화할 수 없는 세부사항까지 집요하게 챙긴다.
   3. 다른 사람은 사양대로 제품을 출시하고 Jira 티켓을 닫으며, 요청받은 규정 준수(compliance)를 달성할 뿐 확신까지 담아 출하하지 않을 수 있다.

3. 과정 추가가 만드는 역효과

   1. 긴 위임 체인과 수렴 기계의 결합은 회사 내부의 신호를 자동화해 평균으로 만드는 공장이 된다.
   2. 첫 반응으로 절차를 더 추가하면 계층과 관료주의가 늘고 모든 일이 느려진다.
   3. 해법은 창업자처럼 신호를 결과에 다시 연결하고, 원래 의도를 인계 사이에서 검증하고 보존하는 아주 얇은 신호 계층을 GTM 엔지니어링에 추가하는 것이다.

6.3. 기계 왜곡: 재가공 과정에서 범위가 사라지는 방식

1. 한 번의 정확한 출시가 여러 형식으로 바뀌는 과정

   1. 출시 자료에 주장(claim), 증거(evidence), 적용 범위(scope)를 신중하고 명확하게 적어도 AI는 그것을 트윗, 영업 자료, 파트너용 원페이지로 다시 섞는다.
   2. 재가공된 형식은 원래 문장의 제한과 조건을 보존하지 않을 수 있다.

2. 94% 평가 점수가 약속으로 변하는 과정

   1. 실제로는 매우 좁은 평가에서 94%를 받은 수치였더라도 반복해서 노출되면 고객은 그것을 일반적인 약속으로 받아들인다.
   2. 신호는 여정 전체에서 왜곡 없이 살아남아야 하며, 이 보존은 설계할 수 있는 문제다.

7. 얇은 신호 계층을 제품과 시장에 심기

얇은 신호 계층은 사용자가 받아들이는 내용이 발신자가 의도한 특정 내용과 여전히 일치하는지 확인하는 작고 의도적인 기능이다.

7.1. 모니터링 도구로 설명하는 신호

1. 침묵이 제품의 차별점이 되는 경우

   1. 모니터링 도구가 이미 12개 더 있는 범주에서, 특정 도구는 무엇 때문에 깨우지 않아도 되는지를 알려준다.
   2. 이 도구는 소음에 대해서는 조용히 있기 때문에 밤에 호출을 받으면 사용자는 그것을 진짜 중요한 신호로 믿는다.
   3. 소음이 없는 고요함과 침묵으로 쌓은 신뢰가 이 제품의 신호다.

2. 한 문장에 약속과 한계를 함께 넣기

   1. 제품을 “지능형 AI 네이티브 관측 플랫폼(intelligent AI-native observability platform)”이라고 말하면 차별적 신호가 사라진다.
   2. 대신 “실제 사용자 영향과 연결할 수 없는 모든 것에 대해서는 침묵하고, 침묵시킨 모든 내용을 보여주어 사용자가 재정의할 수 있게 한다”고 말한다.
   3. 약속(promise)과 범위(scope)가 한 문장 안에 용접되어야 한다.

7.2. 한계를 삭제할 수 없게 만들기

1. 제품 안에서의 가역성

   1. 모든 억제된 알림(suppressed alert)을 제품에 표시한다.
   2. 사용자는 AI가 침묵시킨 내용을 보고 필요하면 재정의할 수 있어야 한다.

2. 출시 메시지 안에서의 균형

   1. “페이지 수 90% 감소”라는 인상적인 수치 옆에 “모든 침묵은 표시되고 되돌릴 수 있다”는 문장을 나란히 둔다.
   2. AI가 출시 내용을 트윗으로 잘게 나눌 때 인상적인 수치만 남기고 제품을 정직하게 만드는 제한을 삭제할 수 있으므로, 제한을 편집으로 빠뜨리기 어렵게 설계해야 한다.

7.3. 확장 전에 실제 수신 내용을 확인하기

1. 프로젝트를 한 번도 본 적 없는 SRE에게 README를 주고 제품을 다른 사람에게 설명해 보라고 요청한다.
2. 상대가 설명한 내용과 발신자가 의도한 내용 사이의 차이가 곧 시장에 방송하기 직전의 왜곡이다.
3. 신호 계층은 가볍고 많은 부분이 구축 가능하므로, 대부분이 생각하는 것보다 더 많은 확인·포착·설문 작업을 자동화할 수 있다.

8. 최종 목적은 신뢰다

건설, 출하, 왜곡 없는 신호 전달은 무한히 비슷한 대안 중에서 사람과 에이전트가 특정 제품을 고르고 의지하게 만드는 신뢰를 위한 작업이다.

8.1. 벤치마크로 만들 수 없는 신뢰

1. 신뢰의 비자동화 영역

   1. 신뢰에는 더 높은 기준점도, 벤치마크도, 보상 신호(reward signal)도 없다.
   2. 신뢰는 동의(consent)에 기반한 관계 속에서 천천히 부여되므로 완전히 자동화할 수 없다.

2. 의사의 아침 습관

   1. 매일 아침 특정 도구를 여는 의사들의 습관은 모델이 훈련 데이터로 주입한 행동이 아니다.
   2. 반복되는 실제 관계와 경험 속에서 도구가 믿을 만하다는 판단이 쌓였기 때문에 형성된 습관이다.

8.2. 평균을 만드는 비용은 중립이 아니다

1. 평균적인 산출물의 실제 비용

   1. 평균적인 것을 생산하는 데는 토큰, 인프라, 유능한 직원의 급여와 시간이 든다.
   2. 고객은 제품을 한 번 보고 한 번 결정한 뒤 다시 돌아오지 않을 수 있다.

2. 무의미한 콘텐츠가 브랜드에 남기는 손실

   1. 모든 뻔한 게시물은 고객에게 해당 이름은 클릭할 가치가 없다고 가르친다.
   2. 결국 조직은 사람들이 선택하기 어렵게 만드는 데 실제 돈을 쓰게 된다.
   3. 신호를 잘못 수신하게 만드는 일은 중립적이지 않고 부정적인 결과를 낳는다.

8.3. 속도 이후 가치의 이동

1. 새로운 가치의 위치

   1. 세상은 더 빨라졌지만 가치가 속도 자체로 이동한 것은 아니다.
   2. 가치는 무엇을 만들 가치가 있는지, 무엇을 말할 가치가 있는지, 무엇이 신뢰받을 가치가 있는지를 결정하는 일로 올라갔다.

2. 신호를 목적지까지 운반하기

   1. 자신이 실제로 의도한 것과 말하려 했던 것이 목적지에 도착할 때까지 살아남아야 한다.
   2. 최초일 필요는 없으며, 실제 문제를 정확히 파악하고 올바른 사람에게 명확하게 전달할 충분한 확신과 근거가 필요하다.

주요 발언 모음

“AI는 사용자가 가리킨 것은 무엇이든 만들지만, 어디를 가리켜야 하는지는 알려주지 않는다.”

“가장 만들기 쉬운 것과 가장 가치 있는 것은 거의 일치하지 않는다.”

“당신은 자신의 무의미함을 아주 효율적으로 자동화한 것이다.”

“아직 일어나지 않은 일과 모델이 관찰할 수 없는 관계에 대한 취향과 판단이 훈련에 저항한다.”

“가장 희귀한 것은 실제로 공격할 가치가 있는 문제가 무엇인지 아는 것이다.”

“당신의 통찰은 AI가 학습한 것과 실제로 존재해야 하는 것 사이의 차이에 있다.”

“신호가 당신에게 완벽하게 명확해도 당신의 머리와 사용자의 이해 사이에서 무너질 수 있다.”

“신호 계층의 유일한 역할은 원래 의도를 인계 과정 전체에서 검증하고 온전히 운반하는 것이다.”

“신뢰는 기준점도, 벤치마크도, 보상 신호도 없다.”

“무엇이든 만들 수 있다면 신뢰를 만들어야 한다.”

핵심 데이터 & 수치

• 18개 에이전트: 친구가 자전거를 타면서 실행했다고 말한 AI 에이전트 수다.
• 오전 9시~오후 9시, 주 6일: 한 엔지니어가 일하지 않을 때의 기회비용이 너무 크게 느껴진다고 말한 노동 시간이다.
• 2년: 자율 코딩 에이전트가 표준 소프트웨어 벤치마크의 일부 작업에서 80%대 후반으로 올라온 변화의 시간 범위다.
• 80%대 후반: 현재 최고의 자율 코딩 에이전트가 보이는 벤치마크 성능 수준이다.
• 거의 3배 대 3분의 1: 작성량은 거의 세 배가 되었지만 실제 배송량은 약 3분의 1만 증가했다.
• 10~20개: Richard Hamming이 중요한 문제에 대한 아이디어를 계속 보관하라고 권한 개수다.
• 0.5초: 독자가 AI가 만든 패턴을 알아차리고 콘텐츠를 건너뛸 수 있는 시간이다.
• 12개: 모니터링 도구 범주에 이미 존재한다고 가정한 다른 경쟁 도구의 수다.
• 94%: 좁은 평가에서 나온 점수가 반복 노출되며 일반적인 제품 약속으로 오해될 수 있는 사례다.
• 90% 감소: 모니터링 제품 출시에서 “페이지 수가 90% 줄었다”고 말할 수 있는 인상적인 수치다.

결론 및 시사점

1. AI가 구현을 평준화할수록 실제 차별화는 무엇을 만들지 가리키는 문제 선택에서 시작된다.
2. 자신의 필요, 직접 겪은 상처와 경험, 실제 관계, 아직 발생하지 않은 미래에 대한 판단을 제품의 원천 신호로 삼는다.
3. 평범한 입력을 AI에 주어 평범한 출력을 얻는 대신, 구체적인 관점과 현장 이야기를 핵심 재료로 넣고 형식·초안·최적화는 AI에 맡긴다.
4. 창업자 내부의 압축, 조직 인계의 평균화, AI 재가공의 과장을 소스·조직·기계 왜곡으로 점검한다.
5. 제품의 약속과 한계를 한 문장에 함께 넣고, 억제된 정보와 되돌릴 수 있는 경로를 제품과 출시 자료에서 보존한다.
6. 낯선 SRE가 README를 보고 설명한 내용과 의도 사이의 차이를 측정해 확장 전에 신호를 교정한다.
7. 무엇을 만들고 말할지 결정한 뒤 그 신호가 목적지까지 살아남게 하여, 사람과 에이전트가 수많은 평균적 대안 중에서 자신을 고르고 의지하게 만든다.
8. 가장 강한 확신으로 신호를 직접 정의하고 왜곡으로부터 보호하면서, 나머지 모든 실행에는 AI를 공격적으로 활용한다.

핵심 요약 (20줄)

1. AI의 보편화는 누구나 빠르게 만들 수 있게 했지만 무엇을 만들지 결정하는 능력까지 대신하지 못한다.
2. 같은 질문을 던지면 AI는 이미 일어난 일을 기록한 데이터에서 경쟁자와 비슷한 답을 돌려준다.
3. 평균적인 기능은 경쟁자가 당일 복제할 수 있어 비용과 가치가 동시에 0에 가까워진다.
4. 새로운 역할은 AI가 만들 대상을 정하고 올바른 사람들이 자신의 버전을 선택할 이유를 만드는 일이다.
5. 신호 계층은 고유한 제품 신호를 정의하는 빌드 측면과 왜곡 없이 전달하는 출하 측면으로 나뉜다.
6. 코딩 에이전트는 2년 만에 표준 벤치마크 80%대 후반까지 올라갔지만 배송량 증가는 작성량을 따라가지 못했다.
7. 컴파일러와 테스트 스위트처럼 점수를 자동으로 매길 수 있는 작업은 모델이 빠르게 수렴한다.
8. 가장 만들기 쉬운 것과 가장 가치 있는 것은 거의 같지 않으므로 구현보다 방향 설정이 중요하다.
9. Paul Graham은 시장이 형성되기 전 자신과 친구들이 실제로 느끼는 필요를 만들라고 조언한다.
10. 머리에 카메라를 달고 삶을 생중계한다는 엉뚱한 발상은 Twitch가 되었지만 특이함만으로 성공이 보장되지는 않는다.
11. 미래에 대한 판단과 모델이 만날 수 없는 실제 관계의 맥락은 학습 데이터가 복제하기 어려운 신호다.
12. Richard Hamming은 중요한 문제에 대한 아이디어 10~20개를 보관하다가 공략 방법이 생기면 실행하라고 말했다.
13. AI 시대에 가장 희귀한 능력은 모든 것을 공격하는 방법이 아니라 공격할 가치가 있는 문제를 고르는 판단이다.
14. 평균적인 프롬프트는 평균적인 콘텐츠를 만들어 자신의 무의미함을 효율적으로 자동화한다.
15. 구체적인 관점과 직접 겪은 이야기를 넣으면 AI는 형식과 초안과 최적화를 맡고 핵심 신호는 보존된다.
16. 창업자의 과도한 압축, 조직의 긴 인계 체인, AI의 재가공은 신호를 사용자 이해에서 멀어지게 한다.
17. 모니터링 제품은 소음에 침묵하고 억제된 모든 알림을 보여준다는 제한까지 약속에 포함해야 한다.
18. 낯선 SRE가 README를 읽고 되돌려 설명한 내용과 의도 사이의 차이는 확장 전 측정해야 할 왜곡이다.
19. 신뢰에는 벤치마크나 보상 신호가 없으며 실제 관계와 동의 속에서 천천히 쌓이므로 완전히 자동화할 수 없다.
20. 무엇이든 만들 수 있는 시대에는 강한 신념으로 신호를 정의하고 보호하며 나머지 실행을 AI에 맡겨 신뢰를 만들어야 한다.