미국 기업은 중국 오픈소스 모델을 써야 하는가? — 네오랩의 90%가 사라지는 이유

URL: https://www.youtube.com/watch?v=h9VNB9TA2Hk 날짜: 2026-09-01 채널: 20VC

---

메타데이터

• 콘텐츠 유형: 20VC 인터뷰 심층 다이제스트
• 출연자: Eno Reyes, Factory 공동 창업자·CTO
• 핵심 주제: AI 모델의 비용과 결과, 오픈 모델, 지능 주권, 에이전트 하네스, 네오랩 생존성, 인재·기업 전략
• 원문 자막: YouTube 자동 생성 영문·한국어 자막을 대조해 시간순으로 정리함
• Nuggets 분류: ai-llm
• 영상 ID: h9VNB9TA2Hk

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI의 가치는 모델 자체의 토큰 가격이 아니라 검증 가능한 업무 결과와 그 결과를 만들어내는 지능의 소유권에서 결정되는가?==

• 가장 싼 모델이 아니라 한 번에 정확한 결과를 내는 모델이 전체 결과 비용을 더 낮출 수 있다.
• 범용·상품형 작업은 오픈 모델이 압도하고, 극소수의 최전선 작업만 폐쇄형 프런티어 모델에 높은 경제적 가치를 제공할 가능성이 크다.
• 기업은 데이터, 학습, 성공한 워크플로와 에이전트의 상태를 스스로 통제해야 하며, 단순히 모델 API에 지능을 외주화해서는 안 된다.
• 네오랩의 독립 생존 여부는 모델의 최신성보다 내구성 있는 워크플로, 독점 데이터, 기존 사업이 쉽게 복제할 수 없는 운영 지식에 달려 있다.

Eno Reyes는 향후 3년 안에 업무 흐름의 99%가 오픈 모델로 수행될 수 있지만, 그중 1%의 최전선 작업이 미래 지능 경제 가치의 30~40%를 차지할 수 있다고 전망한다. 따라서 사용량과 가치가 분리되고, 모델 회사·애플리케이션 회사·기업 내부 하네스 사이의 주도권 경쟁이 핵심이 된다.

1. AI의 가격은 모델이 아니라 결과로 측정된다

가장 지능적인 모델이 실제로는 가장 저렴한 모델이 될 수 있다는 역설이 인터뷰의 출발점이다.

1.1. 입력 토큰 가격과 결과 비용의 차이

1. 가격의 기준을 토큰에서 산출물로 옮겨야 한다

   1. 코드 리뷰를 예로 들면 중요한 질문은 리뷰에 들어간 토큰 수가 아니라 코드 리뷰라는 결과를 얼마에 완성했는가이다.
   2. 고성능 모델이 한 번에 실수 없이 올바른 구문을 찾고 결과를 내면 약 1,000토큰만 사용해도 된다.
   3. 값싼 모델이 같은 결과를 위해 계속 실행되고 5,000만 토큰을 소모한다면, 토큰 단가가 낮아도 전체 결과 비용은 더 커진다.
   4. 모든 작업이 이 구조를 갖는 것은 아니지만, 지능과 정확성이 요구되는 작업에서는 고품질 모델이 전체 시스템 기준으로 더 싸다.

2. ‘토큰 하나의 가격’이라는 단순한 경제학은 무너진다

   1. 모델 선택은 토큰 단가, 반복 횟수, 오류 수정, 대기 시간, 사람의 개입과 최종 산출물의 품질을 함께 계산해야 한다.
   2. 가장 싼 모델을 고르는 대신 목표 결과를 가장 짧은 경로로 안정적으로 얻는 시스템을 골라야 한다.
   3. 장기적으로는 “가장 똑똑한 모델이 가장 저렴한 모델”이 되는 세계가 가능하다.

1.2. 모델의 분화와 기업 전용 모델

1. 모델의 종분화는 빠르게 늘어난다

   1. 범용 작업을 수행하는 상품형 실행기는 오픈 모델이 지배할 가능성이 높다.
   2. 각 기업은 대량의 일반 업무 외에도 자기 회사만 수행하는 고빈도 특수 업무를 갖는다.
   3. 범용 모델은 특수 작업에 충분히 좋지 않고 프런티어 모델은 지나치게 비싸기 때문에, 기업은 범용 모델을 사후 학습(post-training)해 중간 지점을 만들 수 있다.
   4. 그렇게 만든 모델은 전 세계에 공개하지 않고 해당 기업 내부에서만 소비될 가능성이 높다. 모델이 수백만 개까지 늘지는 않더라도 지금보다 훨씬 많아진다.

2. 기업이 모델을 만드는 장벽은 소프트웨어 도구로 낮아진다

   1. 현재 사후 학습과 모델 구축 방법은 소수의 전문 그룹의 머릿속에 집중되어 있다.
   2. 20년 전 소프트웨어 개발도 비슷하게 전문가의 영역이었지만, 지금은 소프트웨어 도구가 접근을 민주화했다.
   3. 기업이 플랫폼을 열고 관심 업무를 설명한 뒤 실제 업무 흐름을 연결하면, 플랫폼이 해당 흐름에 맞는 특수 모델을 만들어주는 방향으로 발전한다.
   4. 재귀적 자기 개선과 모델 학습이 특정 프런티어 연구소만의 독점 영역으로 남는다는 주장보다, 여러 소프트웨어 서비스가 기업에 그 기능을 제공한다는 전망이 더 현실적이다.

2. 검증 가능성이 AI 성능의 핵심이다

AI가 결과를 만들 수 있는지보다, 그 결과가 좋은지 판단할 수 있는지가 현재 시스템의 성공을 좌우한다.

2.1. 검증 가능한 결과와 모호한 결과

1. 검증 가능성은 현행 AI의 가장 중요한 성공 조건이다

   1. 코드 리뷰처럼 정답이나 오류 여부가 비교적 분명한 작업에서는 결과 중심 가격 책정이 쉽다.
   2. 마케팅 결론처럼 어느 채널을 통해 성과가 났는지 해석이 갈리거나, 법률 문서처럼 사람마다 선호하는 표현이 다른 작업에서는 품질이 모호하다.
   3. 의료·법률처럼 명확한 검증 전략이 없는 영역에서는 평가 설계 자체가 가장 어려운 문제다.

2. 검증 방법을 새로 만드는 AI가 다음 프런티어다

   1. 평가 제작자와 모델 훈련자는 도메인 전문가를 참여시켜 두 결과를 나란히 보여주고 어느 쪽이 더 나은지 판단하게 하는 식의 새로운 검증 체계를 만든다.
   2. 도메인 지식과 추론 능력을 가진 모델이 전문가의 판단 방식을 학습해 비슷한 검증 절차를 스스로 구성할 수 있다.
   3. 검증 방법이 없어서 AI가 접근하지 못하던 어려운 업무도, AI가 검증 체계를 만들어내면 점진적으로 자동화할 수 있다.

2.2. 법률회사의 채용 평가와 인센티브의 함정

1. 직관을 확장 가능한 평가 시스템으로 바꿔야 한다

   1. 초보 관리자는 새로 입사한 사람을 보고 “이 사람은 크게 성장할 것 같다”는 직감으로 판단할 수 있다.
   2. 대형 법률회사처럼 규모가 커지면 직감만으로 관리할 수 없으므로, 훌륭한 신입의 특징과 피해야 할 특징을 문서로 적어야 한다.
   3. 좋은 결과의 기준, 나쁜 결과의 기준, 판단 절차를 명시해야 여러 사람이 일관되게 평가할 수 있다.
   4. AI 시스템도 처음에는 직관적으로 자주 맞힐 수 있지만, 확장하려면 무엇이 좋은 결과인지 구조화해야 한다.

2. 측정 기준은 행동의 인센티브를 동시에 만든다

   1. “좋음”을 A·B·C로 정의하면 사람과 시스템은 A·B·C를 많이 생산하게 된다.
   2. 평가 기준이 실제 목적과 어긋나면, 시스템은 진짜 좋은 결과가 아니라 측정 가능한 패턴만 최적화한다.
   3. 벤처펀드에 연간 세 건의 투자를 목표로 주면 정확히 세 건을 만들 수 있지만, 투자자가 원하는 것은 숫자가 아니라 Factory 같은 훌륭한 한 건일 수 있다.
   4. 결과를 개선하려면 단순한 활동량이 아니라 어떤 결과를 보상할지 먼저 설계해야 한다.

3. 프런티어 모델 회사의 가치와 마진

AI 모델 회사는 플랫폼을 장악하거나 애플리케이션 결과를 소유해야 높은 가치를 지킬 수 있다.

3.1. 거대한 기업가치에 대한 재평가

1. AI 전환의 규모를 시장이 한 자릿수 배 이상 과소평가할 수 있다

   1. 20조·30조·50조 달러 규모의 미래를 사람들은 터무니없다고 생각하지만, 이는 변화의 규모를 한 자릿수 배(order of magnitude) 이상 낮춰 보는 것일 수 있다.
   2. Eno는 “80억~100억 달러가 새로운 10억 달러”처럼 느껴질 정도로 자본과 기업가치의 기준이 올라갔다고 말한다.
   3. 진행자는 Mercor에 투자했지만 더 큰 후속 라운드에 참여하지 않은 일을 돌아보며, 데이터 요구량과 AI 변화가 자신이 생각한 것보다 훨씬 커질 수 있다고 인정한다.
   4. 데이터 회사는 단순히 데이터를 파는 기업이 아니라, 구성원 전체가 보통 사람보다 AI의 미래를 더 선명하게 이해하는 기업이므로 더 높은 가치를 가질 수 있다.

2. 프런티어 모델의 총주소시장(TAM)은 과대평가됐을 가능성이 있다

   1. 시장은 지능 시대를 한두 개 또는 세 개 회사가 독점할 것처럼 가정하고 수조 달러 가치를 부여한다.
   2. 소수 회사의 강한 독점은 사회적으로도, 경쟁 구조 측면에서도 지속되기 어렵다.
   3. 기업들이 특수 모델과 내부 데이터를 갖게 되면 프런티어 모델의 토큰을 무제한으로 사는 시장은 줄어든다.
   4. 모델 회사가 가격을 두 배로 올려도 고객이 계속 산다는 가정만으로 2조~4조 달러 가치를 정당화하기는 어렵다.

3.2. 애플리케이션 전략과 모델 독점의 충돌

1. 애플리케이션 회사는 모델 종속이 불리하다

   1. 결과를 판매하려는 회사가 특정 모델에 묶이면, 고객에게 가장 좋은 모델이 아니라 자기 회사 모델의 토큰을 팔아야 하는 이해상충이 생긴다.
   2. 모델에 종속되지 않은 공급자는 과제별로 최선의 모델을 선택할 수 있지만, 종속된 공급자는 자기 모델과 최선의 모델 사이의 성능 차이를 감수해야 한다.
   3. 코딩 분야에서도 Anthropic은 기본적으로 자기 모델의 결과만 제공해야 하지만, 실제 최적 모델은 작업·사용자 성향·위험 감수 수준에 따라 달라진다.

2. Anthropic과 OpenAI는 서로 다른 선택지에 놓여 있다

   1. Anthropic은 모델을 잘 만드는 회사에서 애플리케이션으로 올라가는 경로를 따르는 듯하고, OpenAI는 플랫폼과 애플리케이션 양쪽에 발을 담그는 듯하다.
   2. Anthropic이 약 2조 달러 가치로 평가된다면, 투자자는 쉽게 다른 도구로 바꿀 수 있는 Claude Code라는 경쟁적인 개발자 도구 시장에 거대한 베팅을 하게 된다.
   3. 모델 회사가 가치를 실현하려면 규제 포획을 통해 최전선 지능의 유일한 공급자가 되거나, 비용·품질의 진정한 최전선을 충족하는 애플리케이션을 만들어야 한다.
   4. 두 번째 경로는 여러 모델을 받아들여야 하므로, 모델을 독점하는 첫 번째 경로와 정면으로 충돌한다. OpenAI가 하네스에 더 많은 모델을 허용하는 움직임은 이 긴장을 보여준다.

3.3. 마진, 보조금, 엔터프라이즈 고객

1. AI 마진은 SaaS보다 낮지만 반드시 나쁜 사업을 뜻하지 않는다

   1. AI 기업의 마진은 30~35% 수준인 경우가 많아 전통적인 SaaS의 70~80%와 비교하면 낮다.
   2. Factory는 고객이 원하는 결과 자체를 가치의 중심에 두고, 소비자용 개발 도구의 사용자를 보조금으로 사들이는 전략을 택하지 않아 상대적으로 좋은 마진을 유지한다.
   3. Factory는 기업 내부 배포에서 제품 주도 성장(PLG)을 활용하지만, 누구나 쓰는 소비자용 무료 공개 요금제로 대규모 사용자를 확보하지는 않는다.
   4. 현재 시장에는 사실상 무한한 자금으로 사용자를 보조하는 두 플레이어가 있지만, 보조금을 회수하면 사용자는 가장 비용 효율적인 대안으로 이동할 수 있다.

2. 가격 인상에는 결과 가치의 상승이 따라야 한다

   1. 일시적으로 마진을 낮춰 고객 기반과 시스템 오브 레코드(system of record)를 확보하는 전략은 가능하다.
   2. 그러나 가격만 올리고 플랫폼이 만들어내는 결과와 가치가 커지지 않으면 고객은 쉽게 이탈한다.
   3. 엔터프라이즈 고객은 기술뿐 아니라 기술을 어디에 어떻게 적용할지에 대한 지식까지 구매한다.
   4. 제품 배포에 100명의 전담 인력이 필요한 제품은 나쁜 제품에 가깝고, 제품에 방향성 있는 조언이 내장되어 고객이 스스로 확장할 수 있어야 한다.
   5. 제품이 단순한 도구를 넘어 플랫폼이나 시스템이 되면, 고객의 구축·업무 기록 위에 올라가 장기 계약과 전환 비용을 만들 수 있다.

4. 모델 라우팅보다 에이전트 하네스가 중요하다

모델을 선택하는 게이트웨이의 가치는 빠르게 상품화되지만, 에이전트의 상태와 업무 논리를 관리하는 하네스는 새로운 애플리케이션 계층이 된다.

4.1. 라우팅의 한계와 OpenRouter의 인수 가치

1. 게이트웨이 라우팅은 이미 10~20% 비용을 줄일 수 있다

   1. Ramp, Stripe, OpenRouter와 같은 게이트웨이는 회사의 여러 도구가 LLM으로 향하는 경로를 중앙에서 선택한다.
   2. 모델별 가격·품질에 맞춰 요청을 배분하면 단순한 사용 패턴에서도 10~20% 비용 절감이 가능하다.
   3. 그러나 라우팅 기술 자체는 차별화하기 어렵고, 경쟁사가 비슷한 기능을 만들 수 있다.

2. Stripe의 OpenRouter 80억 달러 인수는 라우팅 기술보다 자원 배분 데이터에 대한 베팅이다

   1. 토큰은 지능이고, 토큰을 얻는 인프라는 에너지이며, 기업은 돈을 내고 에너지를 지능으로 변환한다.
   2. 기업의 성장에는 에너지·지능·자본이라는 세 가지 자원을 어디에 배분할지가 중요하다.
   3. Stripe는 이미 고객의 자본 흐름 중 하나를 통제하고 있고, OpenRouter를 통해 어떤 기업이 어떤 모델에 지능을 어떻게 배분하는지에 대한 정보를 얻는다.
   4. 향후 데이터센터·에너지 인프라까지 보유한다면 세 자원 중 두 개 이상을 연결하는 위치에 설 수 있다.
   5. 같은 기술을 가진 사용자가 없는 회사라면 80억 달러에 사지 않겠지만, 대규모 사용자와 자원 배분 데이터가 붙으면 기술이 아닌 네트워크와 정보가 인수 가치를 만든다.

4.2. 에이전트 작업에는 상태 기반 지능 배분이 필요하다

1. 에이전트의 라우팅은 작업 내부에서 일어나야 한다

   1. 일반 라우팅은 요청을 외부 게이트웨이에서 어느 모델로 보낼지 결정한다.
   2. 에이전트 워크플로는 현재 작업뿐 아니라 방금 일어난 일과 앞으로 일어날 일을 계속 알아야 한다.
   3. 어떤 모델을 쓸지, 언제 더 강한 모델로 올릴지, 어느 단계에 비용을 더 쓸지를 에이전트가 작업 상태에 따라 결정해야 한다.
   4. 따라서 중요한 의사결정은 작업 바깥의 게이트웨이가 아니라 작업을 수행하는 시스템 안에 있어야 한다.

2. 하네스가 사실상 새로운 애플리케이션이다

   1. 하네스(harness)는 업무 논리를 실행하고 상태를 유지하며, 여러 모델과 도구를 조율하는 층이다.
   2. 컨텍스트 창 확장도 모델의 엔드포인트 바깥에서 무작정 해결하는 대신, 에이전트 내부의 압축(compaction)으로 처리할 수 있다.
   3. 상태와 작업 이력이 쌓일수록 하네스는 단순한 연결기가 아니라 AI 업무가 실제로 일어나는 장소가 된다.
   4. 기업은 직접 하네스를 만들지, 좋은 하네스를 구매할지, 어느 기능을 외부에 맡길지 결정해야 한다. Factory는 이 구분과 설계법을 기업에 교육하는 데 집중한다.

4.3. 지속 학습과 지능 주권

1. 지속 학습은 모델 내부보다 하네스에서 먼저 현실화된다

   1. 지난 몇 년간 논의된 지속 학습은 폐쇄 루프 안에서 LLM이 계속 학습하는 형태였지만, 완전히 개발되어 실제로 존재하는 기술은 아니다.
   2. 모델 제공자가 모든 학습을 API 뒤에 숨기면 사용 데이터가 누적되어 경쟁 우위를 얻을 수 있다는 기대가 있었다.
   3. 실제 흐름은 반대로, 지속적인 학습과 기억이 하네스 계층에서 일어나며 모델 제공자도 이를 인정하는 쪽으로 움직이고 있다.

2. ‘누가 당신의 지능을 소유하는가’가 향후 5년의 질문이다

   1. 지능의 소유자는 업무 결과에서 나온 데이터, 그 결과를 성공시킨 학습, 반복 가능한 워크플로를 통제하는 주체다.
   2. 법률회사가 모든 사건을 한두 개 외부 회사에 맡기면, 5년 뒤 외부 회사가 법률회사의 업무를 정확히 아는 상태가 되어 협상력을 행사하거나 경쟁자로 돌아설 수 있다.
   3. 기업은 자신의 지능을 외부 회사에 전부 외주화했을 때 몇 년 뒤 어떤 일이 생길지 이미 고민하기 시작했다.
   4. 대형 모델 회사들이 자신에게 지능을 맡긴 모든 산업과 사업에 직접 진입하겠다고 밝힌 점은 이 위험을 현실적인 전략 문제로 만든다.

3. 온프레미스는 기술보다 통제권의 약속이다

   1. 기업이 온프레미스를 원하는 가장 큰 이유는 설치 방식이 아니라 필요할 때 소프트웨어의 모든 차원을 통제하고 전환할 수 있다는 확신이다.
   2. Factory Private는 이 요구를 충족하는 온프레미스 상품이며, Factory의 인기 상품 중 하나다.
   3. 실제로 많은 고객은 SaaS를 선택하더라도 필요하면 온프레미스로 옮길 수 있고, 그 과정에서 무엇을 잃지 않는다는 사실 때문에 안심한다.
   4. 온프레미스와 지능 주권은 고객과 공급자가 같은 인센티브를 갖는다는 신호다.

5. 오픈 모델, 중국 모델과 프런티어 모델의 분업

오픈 모델을 중국 모델이라고 부르는 것 자체가 프런티어 연구소의 마케팅일 수 있지만, 보안·검열·지속 가능성은 모든 모델에 동일하게 점검해야 한다.

5.1. 중국 오픈 모델에 대한 균형 잡힌 판단

1. 출신 국가만으로 오픈 모델을 배제할 이유는 약하다

   1. 여러 지역에서 만들어진 오픈 모델은 기존 프런티어 연구소의 모델과 본질적으로 다르지 않고, 단지 몇천 마일 떨어진 사람들이 만들었을 뿐이라는 관점이 제시된다.
   2. “중국 모델”이라는 이름은 모델이 무섭고 이질적인 것처럼 느끼게 만들어 오픈 모델을 배제하려는 프런티어 연구소의 전략일 수 있다.
   3. 중국 모델이 미국 모델보다 본질적으로 보안 백도어를 더 많이 가진다는 구체적 사례는 확인되지 않았다는 주장이 나온다.

2. 모든 모델을 같은 체크리스트로 검증해야 한다

   1. 모델 제작자가 무엇을 검열하거나 금지하는지 확인해야 한다.
   2. 해당 모델이 기업이 실제로 해결하려는 문제를 풀 수 있는지 평가해야 한다.
   3. 모델이 6개월 또는 12개월 뒤 사라져도 다른 모델로 전환할 수 있는지 확인해야 한다.
   4. 중국 모델의 편향은 미국 모델이 각 제작자의 가치와 선호를 반영하는 것과 같은 종류의 문제이며, 편향을 알고 일상 업무에 미치는 영향을 관리해야 한다.

3. 민감도에 따라 허용 범위를 구분해야 한다

   1. 미국 국가안보 업무에는 중국 모델을 사용해서는 안 된다.
   2. 일반적인 코드 리뷰처럼 모델의 출신보다 결과 검증이 중요한 작업에서는 중국 모델과 미국 모델이 비슷한 결과를 낼 가능성이 높다.
   3. 미국 방위 관련 문서나 군사 대비 자료에는 중국 모델 사용을 피해야 한다.
   4. 사업의 AI 전략을 담은 10-K 작성에서 특정 모델이 재귀적 자기 개선을 언급하는 내용을 차단할 수 있듯, 모델 제작자의 정책이 결과를 막을 수 있으므로 업무 맥락에 맞춰 선택해야 한다.

5.2. 3년 뒤 99%의 사용량과 1%의 가치

1. 오픈 모델은 대부분의 업무를 차지한다

   1. 3년 뒤 업무 흐름의 99%가 오픈 모델로 처리될 수 있다는 전망이 제시된다.
   2. 글로벌 2,000대 기업의 일반 직원에게 주어진 업무 대부분은 과학·기술의 최전선 지능을 필요로 하지 않는다.
   3. 비용이 중요한 일반 업무에서는 로컬 컴퓨터에서 실행할 수 있는 싼 오픈 모델이 가장 비용 효율적인 선택이 된다.
   4. 모델의 사용량 비율이 경제적 가치 비율과 같지는 않다.

2. 프런티어 모델은 1%의 고가치 문제에 집중한다

   1. 전체 작업의 1%에 불과한 생명과학 연구, 초고도 AI 개발, 안보·방위 작업이 미래 지능 경제 가치의 30~40%를 차지할 수 있다.
   2. OpenAI와 Anthropic이 이야기하는 프런티어 사용 사례는 특정 과학·기술 프로필에만 맞는 매우 좁은 문제다.
   3. 프런티어 연구소는 이미 최전선 문제를 다루는 연구 근육을 갖고 있으므로 이 영역에서 차별화할 수 있다.
   4. 사용량의 거의 전부는 오픈 모델로 흐르더라도, 프런티어와 오픈 모델 사이의 품질·가격·가치 격차는 오히려 더 커질 수 있다.

6. 하이퍼스케일러와 AI 인프라의 자본 경쟁

모델이 상품화될수록 여러 모델을 수용하는 인프라를 가진 기업이 유리해지고, 막대한 부채를 짊어진 모델 연구소의 생존 기준은 훨씬 높아진다.

6.1. Microsoft, Meta와 모델 독립성

1. Microsoft는 모델 독립성과 인프라를 함께 확보했다

   1. Satya Nadella와 Kevin Scott의 OpenAI 투자는 엄청난 상승 여력을 가져왔지만, Microsoft는 한 모델 제공자만으로 엔터프라이즈 지능을 충족할 수 없다는 사실도 이해했다.
   2. Azure를 Anthropic, OpenAI, 오픈 모델 모두의 추론 장소로 만들고 모든 AI 개발자를 지원하는 방향은 모델 독립성을 강화한다.
   3. 특정 모델이 무엇이 되든 데이터센터와 기업 유통망을 가진 Microsoft가 수혜를 얻는다.
   4. Eno는 Microsoft가 AI 하이퍼스케일러 중 가장 좋은 위치에 있다고 보고, Meta보다 Microsoft를 매수하겠다고 답한다.

2. Meta의 오픈 모델 투자는 기술적으로 옳지만 사업화가 필요하다

   1. 미국산 오픈 모델을 늘리는 일은 미국과 해외의 AI 도입을 촉진하므로 인류 관점에서 필요하다.
   2. Meta는 거대한 소비자 사업을 보유했으므로 새 모델을 자사 제품과 운영 전반에 실제로 적용해야 한다.
   3. 광고 사업이라는 현금창출원 하나에 의존한 상태에서 모델 투자만으로는 충분하지 않고, 모델 위에 지속 가능한 사업을 세워야 한다.

6.2. 부채, 데이터센터와 칩의 수직 통합

1. 데이터센터 부채는 모델 회사에 실존적 위험이 된다

   1. 전례 없는 수준의 데이터센터 건설 자금과 부채가 쌓이고 있으며, 관련 회사의 채권 가격에도 우려가 반영된다.
   2. Microsoft와 Google처럼 현금흐름이 크고 진입장벽 높은 기존 사업을 가진 회사는 AI 미래 현금흐름이 약간 줄어도 살아남을 수 있다.
   3. OpenAI와 Anthropic은 데이터센터와 차세대 학습에 투입한 부채를 갚으려면 역사상 가장 큰 자유현금흐름 기업이 되어야 한다.
   4. 이들에게 AI 가치의 붕괴가 아니라 예상 현금흐름의 작은 하락만 와도 생존 압력이 커질 수 있다.

2. 칩 계층 진입은 의존도를 낮추는 수직화다

   1. OpenAI의 ‘Jalapeno’와 Anthropic의 자체 칩 개발 보도는 모델 회사가 인프라 계층으로 내려가는 움직임이다.
   2. 수조 달러 규모의 기업이 되려면 학습·추론에 필요한 인프라를 더 많이 소유해야 부채와 공급자 의존도를 줄일 수 있다.
   3. 현재 공급자와의 관계에서 명시적 목표가 공급자 의존을 대체하는 것이라면, 중기적으로 협력과 경쟁을 동시에 관리해야 한다.
   4. Jensen Huang의 칩 사업, Sam Altman의 인프라·인수 행보처럼 AI 생태계는 충성보다 생존을 위한 코피티션(coopetition)에 가까워지고 있다.

7. 거품, 기업가치와 기존 SaaS의 재편

기술의 실질적 영향은 과장된 거품 논리와 분리해서 봐야 하며, 초창기 승자와 장기 승자는 다를 수 있다.

7.1. 거품보다 중요한 것은 장기 백본이다

1. 2008년식 금융위기 가능성은 낮지만 기업 선택은 어렵다

   1. AI가 과학과 인간의 번영에 이미 실질적인 결과를 내기 시작했고, 전문가들이 인류 번영을 가속하는 궤도를 부정하기 어렵다는 판단이 있다.
   2. 따라서 기술 자체가 가짜인 2008년식 금융위기나 전면적 자산 붕괴와는 거리가 있다.
   3. 진짜 질문은 이 변화를 지탱할 사업의 백본이 무엇인지다.
   4. 현재는 검색 초창기의 Yahoo 시대와 비슷하며, Netscape처럼 최초 주자가 반드시 Google처럼 장기 승자가 되지는 않는다.
   5. Steve Jobs식 전략은 모든 분야에서 최초가 되기보다 거의 모든 분야에서 최고가 되는 것이며, Factory도 최초와 최고 중 최고 쪽에 무게를 둔다.

2. 기업 성장 속도 자체가 빨라진다

   1. Lovable은 2~3년 만에 약 135억 달러 기업가치와 6억~7억 달러 규모의 매출 지표로 성장한 사례로 언급된다.
   2. 소비재 분야에서도 2~3년 된 브랜드가 수십억 달러에 인수되는 일이 반복된다.
   3. 이러한 속도는 사람들이 싱귤래리티의 체감으로 설명하는 “더 빠르게 움직이고 더 크게 성장하는 경제”일 수 있다.
   4. 처음에는 비정상적으로 보이던 규모가 반복되면 시장은 이를 새로운 정상으로 받아들이게 된다.

7.2. SaaS의 영화 스튜디오화와 M&A

1. 현대 SaaS는 연속적인 블록버스터를 만들어야 한다

   1. Airtable은 훌륭한 사업과 제품을 만들었지만 110억 달러 평가 이후 약 25억 달러 수준의 거래가 거론됐다.
   2. 기존 SaaS는 이제 한 편의 히트 영화에 성공한 영화 스튜디오와 비슷하다.
   3. 한 번의 성공에 머물면 AI 기반 기업이 기존 고객과 업무를 잠식할 수 있고, 계속 새로운 히트 제품을 만들어야 한다.
   4. 근본적으로 좋은 사업이라도 Stripe처럼 경제의 핵심을 장악하는 기업이 아니라면 인수될 가능성이 높다.

2. 게임 산업과 같은 수명 주기가 나타난다

   1. 성공한 게임은 5~7년 동안 강한 사용자 기반을 유지할 수 있다.
   2. 그러나 게임 회사는 다시 큰 히트를 만들어야 지속 성장한다.
   3. SaaS도 같은 방식으로 한 제품의 충성 고객만으로 영원히 방어하기 어렵다.
   4. AI가 기존 기능을 빠르게 복제하는 환경에서는 기존 기업의 대규모 M&A가 늘어날 가능성이 높다.

8. Factory의 인재·조직 전략

AI 시대의 채용은 이력서와 학벌보다 실제로 새로운 문제를 정의하고 독립적으로 구축한 증거를 평가해야 한다.

8.1. 기업 인수형 채용과 창업자 성향

1. Factory는 미래 채용의 100%를 기업·팀 인수로 충원할 계획이다

   1. 오픈소스 프로젝트를 만든 사람이 직장을 그만두고 5~8개월 동안 하나의 문제만 파고들었다면, 면접에서 추적하기 어려운 강한 확신과 실행 증거를 이미 보여준 셈이다.
   2. 기업 인수는 수십 명 규모의 회사뿐 아니라 혼자 만든 프로젝트와 1인 팀도 포함한다.
   3. Factory가 제공하는 것은 이미 작동하는 미션에 더 많은 자원과 실행 공간을 결합하는 일이다.
   4. 기존 창업자와 스타트업 출신 인재가 많은 Factory의 조직 특성과도 잘 맞는다.

2. 미션 정렬은 추상적인 태도가 아니라 이미 한 일로 검증된다

   1. 단순히 “미션에 공감한다”거나 “책임을 맡고 싶다”고 말하는 것은 충분한 증거가 아니다.
   2. Factory가 원하는 사람은 소프트웨어 개발 하네스를 직접 만들었거나, 매일 수만 명이 쓰는 제품을 운영했거나, AI 입력을 실제 결과로 바꾸고 측정하는 방법을 깊이 고민한 사람이다.
   3. 그 사람이 Factory의 제품보다 나은 것을 만들었다고 주장할 정도로 문제에 깊이 들어가 있어도, 문제를 함께 푸는 태도라면 오히려 강한 신호가 된다.
   4. 미션 정렬은 선언이 아니라 정확히 같은 문제를 오랫동안 높은 수준으로 해결해온 작업 기록이다.

8.2. 전통적 학벌·인증보다 에이전시를 본다

1. 규칙을 잘 따른 이력은 지능의 불완전한 신호다

   1. 좋은 학교, 수학 경시대회, 체스 챔피언 경력은 똑똑함을 판단하는 전통적 지표다.
   2. 그런 경로는 다른 사람이 설정한 목표를 정확히 달성하고 시스템 안에서 인정받는 가장 덜 에이전틱한 경로일 수 있다.
   3. 그 경로를 밟아도 똑똑한 사람은 많지만, 시스템이 정한 규칙 밖에서 문제를 정의하고 움직이는 능력은 별도로 측정해야 한다.
   4. Eno는 아이비리그가 역량의 약한 신호이며, 아이비리그 졸업자 중에도 무능한 사람이 많다는 점을 직접 경험했다고 말한다.

2. 가장 강한 증거는 세상에 보여줄 만한 것을 직접 만든 기록이다

   1. 전통적인 시스템이 놓친 사람이 스스로 중요하다고 생각하는 것을 만들었는지 살펴봐야 한다.
   2. 취미 시간에 만든 1인 프로젝트도 기존 시스템이 보상하지 않는 경계를 넘어섰다는 증거가 될 수 있다.
   3. Factory는 성취의 명성보다 실제 구축물, 문제를 대하는 집요함, 독립적인 실행을 평가한다.

8.3. 인재의 가격은 개인이 아니라 조직 그래프로 결정된다

1. 한 명의 노드보다 연결된 그래프가 큰 가치를 만든다
   1. 역사상 가장 큰 성과도 한 사람의 직감이나 결정에서 시작할 수 있지만, 그 가치를 개인 하나의 가격으로만 설명할 수는 없다.
   2. Jeff Bezos가 2,000억 달러의 가치가 있는지, 아니면 그 회사를 만든 조직과 시스템이 가치의 원천인지 묻는 문제와 같다.
   3. 사람 하나하나를 그래프의 노드로 보면, 중요한 것은 새 노드가 전체 연결 구조를 얼마나 강하게 만드는가다.
   4. AI 이전에 인재 그래프를 정한 기업은 기존 그래프를 빠르게 업데이트해야 하며, 새로운 인재 묶음이 2조 달러 회사를 4조 달러 회사로 바꿀 수도 있다.
   5. 이런 경우에는 개인에게 1억 달러를 지급하는 것처럼 보여도 전체 그래프가 만드는 100억·200억·300억 달러 가치에 비하면 합리적일 수 있다.

8.4. 보여주기식 근무 문화의 함정

1. 996을 능력의 신호로 사용하면 잘못된 인센티브가 생긴다

   1. 24시간 내내 일하고 뼈가 부서질 때까지 일하겠다는 태도를 생산성의 증거로 보는 창업자가 많다.
   2. 996식 근무를 과시하는 사람은 실제 약점이나 다른 결함을 가리기 위해 업무량을 신호로 사용할 가능성이 있다.
   3. 회사가 주말과 야간 근무를 문화의 핵심으로 만들면, 그 사업이 정상적인 업무 구조만으로는 작동하지 않는다는 신호일 수 있다.
   4. 스타트업에서 고객 문제 때문에 토요일이나 일요일에 일하는 것은 현실이지만, 일하는 행위를 보여주는 것과 고객 결과를 만드는 것은 다르다.

2. 결과 중심 문화는 다양한 인재를 끌어들인다

   1. 일요일 아침 큰 고객 문제가 생겨 통화가 필요하면 뛰어드는 것은 결과 달성을 위한 행동이다.
   2. “주말이므로 월요일에 답하겠다”고 거절하는 태도와, 필요할 때만 집중적으로 움직이는 문화는 구분해야 한다.
   3. 행동을 과시하라는 인센티브는 잘못된 것을 최적화하지만, 고객 문제 해결이라는 결과를 측정하면 진짜 역량을 볼 수 있다.
   4. 가족이 있는 시니어 엔지니어는 젊은 인재의 보여주기식 허슬 문화에 쉽게 끌리지 않지만, 인프라·아키텍처 방향을 잡는 레버리지는 훨씬 클 수 있다.

9. 인간과 에이전트의 작업 배분

AI 시대에는 사람에게 토큰 예산을 나눠주는 대신, 프로젝트 결과에 자본과 에이전트 자원을 배분해야 한다.

9.1. 전문성은 토큰 절약이 아니라 방향 설정이다

1. 열심히 일하는 것보다 처음부터 올바른 방향을 잡는 능력이 중요하다

   1. 에이전트 묶음을 올바른 방향으로 지시하는 숙련자는 같은 작업을 훨씬 적은 토큰으로 끝낼 수 있다.
   2. 결과를 위해 100배 더 많은 토큰을 썼다면, 오래 일했다는 사실보다 처음 방향을 놓쳤다는 사실이 중요하다.
   3. Factory는 에이전트와 사람을 일대일로 대응시키거나 각각 이름 붙이는 방식을 핵심 단위로 삼지 않는다.

2. 토큰은 사람에게가 아니라 목표 프로젝트에 배분한다

   1. Mercor가 엔지니어 인건비보다 토큰에 더 많이 쓴다는 사례와, 최고 엔지니어에게 10만 달러의 토큰을 주겠다는 사례가 논의된다.
   2. Factory는 특정 사람에게 토큰·크레딧을 선물하기보다 프로젝트의 예상 결과와 비용을 먼저 정의한다.
   3. 프로젝트 규모를 정한 뒤 담당자가 예상 비용을 제시하고, 그 비용을 실제 결과와 비교한다.
   4. 에이전트 효율성(Agent Effectiveness) 제품으로 프로젝트별 크레딧 사용량과 목표 달성 여부를 측정한다.

9.2. Program Bench와 결과 중심 예산

1. 한 사람에게 하루에 거의 7자리 수의 크레딧을 써도 목표는 사람의 보상이 아니다

   1. Factory는 Program Bench라는 매우 어려운 평가를 돌파하기 위해 지속적으로 성능을 높이는 실험을 했다.
   2. 어느 날 한 사람이 이 벤치마크에 거의 7자리 수 규모의 크레딧을 사용했다.
   3. 겉으로 보면 한 사람에게 그만큼의 크레딧을 준 것이지만, 실제 목적은 해당 연구 가설과 시스템이 맞는지 확인하는 것이었다.
   4. 결과가 맞는지 확인할 수 있다면 큰 예산을 투입할 수 있으며, 일부 기업에서 이런 프로젝트 지출은 쉽게 8~9자리 수로 커질 수 있다.

2. 새로운 회계 단위는 ‘사람 수’에서 ‘프로젝트 결과’로 바뀐다

   1. 에이전트가 사람마다 붙는 보조 도구라는 관점보다, 여러 에이전트 시스템에 프로젝트 자본을 배분하는 관점이 적합하다.
   2. 비용·속도·품질·검증 결과를 묶어 “이 지출이 어떤 결과를 샀는가”를 평가해야 한다.
   3. 이 방식은 토큰 인플레이션을 생산성으로 착각하는 문제를 줄이고, 회사 전체의 지능 자본 배분을 가능하게 한다.

9.3. 셀프서비스를 포기하는 이유

1. 대규모 무료 사용자를 확보하지 않는 것은 어려운 전략적 선택이다

   1. Factory는 버튼 하나로 1,000만 명이 제품을 쓰게 만들고 싶은 유혹을 계속 느낀다.
   2. 비교 가능한 수백만 사용자 제품과 가장 큰 차이는 제품 기능이 아니라 경제성인 경우가 많다.
   3. 무료 셀프서비스를 대규모로 보조하면 기업 고객 경험과 사업 수익성이 충돌할 수 있다.
   4. Factory는 현재 기업 배포와 결과 품질을 우선하며, 규모가 충분해진 뒤 여러 전략을 동시에 추진할 수 있다고 본다.

2. 셀프서비스의 피드백은 수십만 명이면 충분할 수 있다

   1. Factory 제품은 인터넷에서 내려받아 써볼 수 있고, 매일 수만 명이 셀프서비스로 사용한다.
   2. 이 사용자는 개인 단위의 경험과 버그 수정에 필요한 피드백을 준다.
   3. 핵심 피드백 루프를 만드는 데 500만~1,000만 명이 반드시 필요한 것은 아니며, 25만 명 이하에서도 임계 규모에 도달할 수 있다.
   4. 다만 사용자 커뮤니티가 콘텐츠·미디어·스토리텔링을 자발적으로 만드는 효과는 별도의 강력한 브랜드 자산이므로 이를 대체할 방법을 찾아야 한다.
   5. 장기적으로는 보조금이 아니라 가장 좋은 제품 경험 때문에 셀프서비스 사용자가 유입되는 전략을 택한다.

10. 빠른 질문: 투자, 경쟁, 영업과 미래

10.1. Microsoft·Nvidia·Meta 중 선택

1. 장기 보유는 Microsoft, 단기 활용은 Nvidia, 매도는 Meta라는 답변이 나온다

   1. Microsoft는 거의 모든 Fortune 500 기업의 업무 흐름에 무언가를 공급하는 소프트웨어 회사이자 종합 기업이므로 오래 살아남을 가능성이 높다.
   2. Nvidia는 현재 기술 생태계에 누가 참여할 수 있는지 결정하는 킹메이커이며, 현재 성장세가 유지되면 계속 커질 수 있다.
   3. 한 회사가 전체 공급망을 통제하는 상황을 사회가 언제까지 허용할지는 위험 요인이지만, 지금은 대안이 부족하다.
   4. Meta는 VR과 오픈 모델에 대한 기술적 방향은 옳았지만, 광고라는 단일 현금창출원 외에 사업을 지탱할 수단을 증명해야 한다.

2. Nvidia의 3년 뒤 10조 달러 가능성

   1. SpaceX가 2~3조 달러 가치로 인정된다면 Nvidia가 3년 안에 10조 달러에 도달할 현실적인 가능성이 있다는 전망이 제시된다.
   2. 실제 달성 여부는 기업의 실적뿐 아니라 시장 멀티플이 얼마나 부양되는지에 달려 있다.

10.2. Salesforce·Atlassian·Linear와 시스템 오브 레코드

1. 싫어해도 모두가 사는 소프트웨어가 오래간다

   1. Salesforce처럼 합의된 워크플로와 시스템 오브 레코드를 정의한 회사는 기술 자체보다 오래 지속될 가능성이 높다.
   2. 사람들이 소프트웨어를 싫어한다고 말하면서도 모두 구매한다면, 소프트웨어 화면이 아니라 그 아래의 조직 기록과 합의를 사는 셈이다.
   3. Salesforce에 대해서는 매수 의견이 제시된다.
   4. Atlassian과 Linear가 동시에 성장하는 것은 시장을 제로섬으로 보는 관점이 틀릴 수 있음을 보여준다. 두 회사 모두 애자일 워크플로와 그 기록을 판매하며 시장이 예상보다 클 수 있다.

2. 애자일은 새 소프트웨어 개발 방식에 공격받을 수 있다

   1. AI와 에이전트가 소프트웨어를 만드는 방식이 바뀌면 애자일 워크플로 자체가 약해질 수 있다.
   2. Linear와 Atlassian 모두 다음 시스템 오브 레코드와 다음 워크플로로 급진적으로 변신하기는 어렵다.
   3. 기존 기록 시스템이 오래가는 동시에, 새로운 개발 방법을 정의하는 큰 공백이 열릴 수 있다.

10.3. Factory가 느끼는 경쟁 위협

1. 엔터프라이즈 대화 빈도 기준 순위

   1. 1위는 Claude Code다. 고객 대화마다 자주 등장하므로 Factory가 Anthropic 플랫폼과 어떻게 보완적인지 설명해야 한다.
   2. 2위는 Codex다. Claude Code에서 Codex로 옮긴다는 고객이 늘고 있으며, 이 전환성은 도구가 끈적하지 않다는 증거라 Factory에는 오히려 좋은 소식이다.
   3. Codex는 코딩 도구라기보다 Anthropic보다 강한 업무 플랫폼으로 언급되는 빈도가 늘고 있다.
   4. 3위는 Cognition이다. 엔터프라이즈에서 모델 독립적인 다른 사업자이며 인간 소프트웨어 엔지니어를 모방하는 클라우드 전략을 내세운다.
   5. 4위는 Cursor다. 많은 기업이 사용하지만 주력 엔터프라이즈 소프트웨어 개발 플랫폼보다는 IDE로 인식한다.
   6. Cursor가 SpaceX에 인수된 뒤 Grok 중심으로 모델 종속성이 커지고, 보안·대기업 운영 이력에 대한 신뢰 문제가 생길 수 있다.

2. Factory의 차별화는 인간 대체가 아닌 새 개발 방법론이다

   1. 네 경쟁사는 결국 인간 수준의 AI 노동력으로 기존 인력을 대체하겠다는 메시지를 낸다.
   2. Factory는 인간과 AI를 일대일로 바꾸는 대신, 소프트웨어를 개발하는 새로운 시스템을 인간과 AI가 함께 만든다고 본다.
   3. 이 시스템은 기존 개발 방법론과 낯설 정도로 다를 수 있다.
   4. Factory가 현재 이 차이를 가장 명시적으로 설명하는 사업자라고 판단한다.

10.4. Chamath의 시도와 엔터프라이즈 영업법

1. 새로운 소프트웨어 사업은 실제 기업 성과로 검증해야 한다

   1. Chamath가 추진하는 사업은 아직 실제 엔터프라이즈 환경에서 작동하는 사례가 충분히 보이지 않는다.
   2. 소프트웨어가 제대로 작동하고 결과를 낸다면 연결망과 자본을 가진 그도 누구와 마찬가지로 성공할 수 있다.
   3. 핵심 검증 질문은 중요한 시장의 기업 고객이 이를 정규 소프트웨어 개발 기회로 진지하게 받아들일지다.

2. 새 시장에서 엔터프라이즈 영업은 설득보다 발견이다

   1. 판매자가 자신이 옳다고 기업을 설득하는 방식보다, 고객이 현재 가장 크게 느끼는 문제를 배우는 발견 과정으로 접근해야 한다.
   2. 시장이 이미 정해지고 데이터베이스처럼 선택지가 무한한 상품이라면, 친구와의 관계와 설득이 유효할 수 있다.
   3. AI처럼 시장 자체가 형성되는 단계에서는 고객과 같은 편에서 문제를 함께 풀어야 한다.
   4. 고객이 아직 풀지 못한 실제 문제를 발견하면, 해결책을 제시할 때 거의 열 번 중 열 번 가치를 만들 가능성이 높다.

10.5. 3~5년 뒤 당연해질 변화

1. 소프트웨어를 만드는 ‘사제 계급’이 사라진다

   1. 현재는 약 200만 명의 소프트웨어 전문가가 인류의 소프트웨어 운명을 사실상 결정하는 구조다.
   2. 3~5년 뒤에는 정보 조작으로 해결할 수 있는 거의 모든 문제를 그 자리에서 설명하고 즉석에서 맞춤 소프트웨어를 생성하는 일이 당연해질 수 있다.
   3. Lovable과 Bolt가 개인용 애플리케이션을 만드는 초기 형태를 이미 보여준다.
   4. 소프트웨어는 특정 IT 부서만 쓰는 도구가 아니라 전 세계 사람과 사업자가 각자의 문제에 맞춰 즉시 얻는 인터페이스가 된다.

2. 맞춤형 소프트웨어가 일상의 모든 장소로 퍼진다

   1. 휴가지에서 A 지점과 B 지점을 연결하는 보트 운영자가 집의 HR·IT 시스템보다 더 나은 자기 전용 소프트웨어 인터페이스를 즉석에서 사용할 수 있다.
   2. 특정 산업의 전문성을 가진 작은 사업자도 자기 업무에 맞는 시스템을 직접 생성하고 개선한다.
   3. 훌륭한 소프트웨어의 분배가 특정 지역과 전문 계층에 집중되지 않고 전 세계로 흩어지면서 생활과 산업이 훨씬 미래적으로 보이게 된다.

주요 발언 모음

“가장 똑똑한 모델이 실제로 가장 저렴한 모델인 세상을 본다.”

“가격을 생각할 때 입력이 아니라 결과의 가격을 생각해야 한다.”

“AI의 다음 프런티어는 검증이 없는 곳에서 검증을 만들어내는 시스템이다.”

“향후 5년의 질문은 당신의 지능을 누가 주권적으로 소유하는가이다.”

“3년 안에 업무 흐름의 99%는 오픈 모델로 수행될 것이다.”

“사람을 AI로 일대일 대체하는 것이 아니라, 인간과 AI가 함께 새로운 소프트웨어 개발 시스템을 만든다.”

“보여주기 위해 일하는 인센티브를 만들면 실제 일을 잘못 보상하게 된다.”

“설득하려 하지 말고 고객의 가장 큰 문제를 발견하라.”

핵심 데이터 & 수치

• 약 1,000토큰 대 5,000만 토큰: 고성능 모델이 한 번에 코드 리뷰를 끝내는 경우와 값싼 모델이 반복 실행되는 경우의 예시다.
• 20·30·50조 달러 전망: 시장이 AI 전환의 규모를 터무니없다고 보는 반응이 실제 변화량을 한 자릿수 배 이상 과소평가할 수 있다는 맥락이다.
• 80억~100억 달러: Eno가 10억 달러의 새로운 기준처럼 느껴진다고 표현한 기업가치 규모다.
• 30~35% 대 70~80%: AI 사업의 낮은 마진과 전통적인 SaaS 마진을 비교한 기준이다.
• 10~20%: 단순한 모델 게이트웨이 라우팅으로 얻을 수 있는 비용 절감 폭이다.
• 80억 달러: Stripe의 OpenRouter 인수 가격으로 언급된 금액이며, 기술보다 사용자·지능 배분 데이터의 가치를 반영한다.
• 6개월·12개월: 모델이 사라져도 다른 모델로 바꿀 수 있는지 점검해야 하는 기간이다.
• 3년 뒤 99%: 오픈 모델로 수행될 수 있는 업무 흐름의 비율 전망이다.
• 1%와 30~40%: 프런티어 모델이 담당할 수 있는 소수의 과제가 미래 지능 경제 가치에서 차지할 수 있는 비율이다.
• 2~3조 달러와 10조 달러: SpaceX와 Nvidia의 잠재 기업가치 비교에서 나온 수치다.
• 2.5조 달러와 4조 달러: 새 인재 그래프가 기존 2조 달러 기업을 4조 달러 기업으로 바꿀 수 있다는 비유다.
• 5~8개월: 1인 오픈소스 창업자가 하나의 프로젝트에 몰입해 실행 증거를 쌓는 기간의 예시다.
• 100%: Factory가 미래 채용을 기업·팀 인수로 충원하겠다는 전략적 표현이다.
• 5~7년: 성공한 게임의 사용자 기반이 유지될 수 있는 수명 주기다.
• 거의 7자리 수: Program Bench 성능 향상을 위해 하루에 투입한 프로젝트 크레딧의 예시다.
• 8~9자리 수: 일부 기업에서 프로젝트 단위 에이전트 지출이 도달할 수 있다고 본 규모다.
• 수만 명, 25만 명, 500만~1,000만 명: Factory의 현재 일일 셀프서비스 사용자, 피드백 임계 규모, 무료 사용자 대규모 확보에 대한 비교 수치다.
• 110억 달러 대 25억 달러: Airtable의 과거 평가와 거론된 거래 가격의 비교다.
• 약 135억 달러, 6억~7억 달러: Lovable의 빠른 성장 사례로 언급된 기업가치와 매출 지표다.
• 약 200만 명: 현재 소프트웨어의 방향을 결정하는 전문 개발자 계층에 대한 비유적 추산이다.

결론 및 시사점

1. 모델 단가보다 결과 단가를 계산해야 한다. 토큰 가격, 반복 실행, 오류 수정, 사람의 검증과 결과의 경제적 가치를 한 시스템으로 계산해야 진짜 비용을 알 수 있다.
2. 오픈 모델과 프런티어 모델은 사용량과 가치가 분리된다. 오픈 모델은 대부분의 일반 업무를 차지하고, 프런티어 모델은 소수의 과학·안보·AI 개발 문제에서 높은 가치를 독점할 수 있다.
3. 중국 오픈 모델을 국적만으로 배제하지 말아야 한다. 국가안보·방위 업무처럼 민감한 영역은 피하되, 검열·성능·공급 지속성·전환 가능성을 모든 모델에 같은 기준으로 점검해야 한다.
4. 기업은 지능 주권을 확보해야 한다. 데이터, 업무 상태, 학습, 성공한 워크플로를 외부 모델 회사에 전부 넘기면 장기적으로 공급자가 고객의 사업을 더 잘 아는 경쟁자가 될 수 있다.
5. 하네스가 새로운 애플리케이션 계층이 된다. 모델 라우팅의 상품화 이후 차별화는 상태 유지, 컨텍스트 압축, 도구 조율, 검증, 지속 학습이 일어나는 작업 내부로 이동한다.
6. 네오랩 투자에는 세 가지 질문이 필요하다. 내구성 있는 워크플로에 붙어 있는가, 프런티어 모델이 좋아져도 가치가 남는가, 다른 기업이 같은 워크플로를 더 잘 복제할 수 없는가를 검증해야 한다.
7. 인재는 이력서가 아니라 구축물과 그래프로 평가해야 한다. 독립적으로 만든 프로젝트, 문제에 대한 미션 정렬, 조직 전체의 연결을 강화하는 능력이 학벌·자격증보다 강한 신호가 된다.
8. 근무시간이 아니라 결과를 보상해야 한다. 긴 노동을 과시하는 문화는 잘못된 인센티브이며, 고객 문제와 검증 가능한 프로젝트 결과에 자원을 배분하는 문화가 더 높은 레버리지를 만든다.
9. 기존 SaaS는 연속적인 혁신을 요구받는다. 한 번의 히트 제품만으로는 AI의 잠식을 막기 어렵고, 새로운 워크플로와 시스템 오브 레코드를 계속 만들어야 독립 기업으로 남을 수 있다.
10. 미래의 소프트웨어는 현장에서 즉시 생성된다. 3~5년 뒤에는 소수 전문가가 정해둔 패키지를 기다리기보다, 각 개인과 사업자가 자신의 문제를 설명하고 맞춤형 시스템을 바로 만들어 쓰는 것이 당연해질 수 있다.

---

대화 속 추가 맥락과 사례

도입부와 AI 마케팅에 대한 문제 제기

1. Eno Reyes의 기술에 대한 출발점

   1. Eno의 부모는 모두 미술학교를 다녔고 창의성·미디어와 기술이 만나는 지점을 좋아했다.
   2. 아버지는 1960년대 후반 샌프란시스코에서 태어나 여섯 살 때 버스에 치였고, 그 사고로 운동과 당시 아이들이 하던 전통적 활동을 충분히 하기 어려워졌다.
   3. 아버지는 화면조차 거의 없던 초기 컴퓨터를 만지고 조작하는 일로 향했고, 기술을 이용해 자신의 물리적 몸이 할 수 있는 범위를 넘어 영향력을 확장했다.
   4. 진행자는 버스 사고에서 곧바로 마진 이야기로 넘어가는 것이 벤처캐피털리스트다운 전환이라고 농담했고, Eno는 AI 마진이 사람을 버스에 치인 것처럼 느끼게 할 수도 있다고 받아쳤다.

2. AI 공포 마케팅에 대한 비판

   1. Dario Amodei식 경고가 선의와 현실적 위험을 함께 담고 있더라도, AI를 불안정한 기술로 묘사하고 사람의 일자리와 생계를 위협한다고 말하면서 동시에 대규모로 보급하는 방식은 현대 자본주의에서 최악의 마케팅 중 하나일 수 있다.
   2. 규제되지 않고 위험한 AI의 위협은 실제이지만, 기술이 사회를 크게 바꾸고 인간도 변화의 주체가 되며 잘못하면 위험이 생긴다는 세 가지 메시지로 전달할 수 있다.
   3. 싱귤래리티와 AGI를 신처럼 묘사하면 대중을 겁먹게 만드는 신화가 된다.
   4. 진행자는 “마지막으로 남는 민간기업”이라는 식의 과장된 주장을 놀리며, 그런 말을 한 사람이 United Airlines를 타고 왔다는 농담을 던졌다.

3. 예측보다 반응이 기업을 만든다

   1. Sam Altman이 경제와 기존 기업의 추진력을 과소평가했고 자신이 예측한 미래가 실현되지 않았다고 인정한 태도는, 틀린 예측을 수정하는 좋은 자기 교정의 사례로 제시된다.
   2. Eno도 Factory의 가장 좋은 결정 대부분이 6개월 앞서 세운 마스터플랜보다 새로운 정보에 반응한 순간의 판단에서 나왔다고 말한다.
   3. 사업은 다른 리더와 실시간으로 대화하고 행동을 바꾸는 피드백 루프이며, 누구도 미래의 정답을 갖고 있지 않다.
   4. 미래가 정해지지 않았다는 사실은 불안보다 권한 부여에 가깝다. 몇 번의 결정만으로 기존 계획보다 훨씬 큰 결과와 사업을 만들 수 있기 때문이다.

모델 생성 속도와 분야별 능력 격차

1. 새 모델의 공급은 오래 지속된다

   1. 진행자는 Arena.ai를 새로운 모델을 발견하는 도구로 사용하며, 전에는 들어보지 못한 모델이 놀라운 결과를 내는 경험을 이야기한다.
   2. 모델 라우터는 새 모델이 나올 때마다 무료 광고와 AI 뉴스 스트림을 제공하고, 기업 이름을 모델 소식과 함께 노출한다.
   3. 모델을 만드는 일이 계속 쉬워지므로 새 모델 출시는 당분간 지속되고, 모델마다 다른 관점과 의견을 내는 현상도 늘어난다.
   4. 사람은 성능만으로 기업을 고르지 않고 창업자의 성격·발언·가치관에 끌리기도 하므로, 모델도 인기 모델과 다른 의견을 내면 특정 사용자를 모을 수 있다. 모델 생태계는 좁아지기 전에 더 빠르고 넓어질 수 있다.

2. 네오랩의 80~90%가 사라져도 반드시 실패는 아니다

   1. 향후 18개월 안에 오늘날 네오랩의 80~90%가 독립 기업으로서 사라질 수 있다는 전망이 나온다.
   2. ‘사라진다’는 말에는 대기업 인수나 팀의 훌륭한 합류처럼 창업자에게 큰 성과가 되는 경우도 포함되므로 파국만을 뜻하지 않는다.
   3. 투자자는 내구성 있는 워크플로에 붙었는지, 더 나은 프런티어 모델이 나와도 워크플로가 살아남는지, 다른 기업이 도입했을 때 더 나은 방식으로 대체할 수 있는지를 물어야 한다.
   4. 법률은 데이터 접근 없이는 모델 성능이 쉽게 높아지지 않고 독점적 워크플로가 있으며 5년·10년·20년 뒤에도 법률 제도가 남으므로 유망하다.
   5. 반대로 Excel과 Jira를 이용한 중간 수준 지식 업무나 일반 컴퓨터 사용은 워크플로가 흔하고 5~10년 뒤 독립 도구로 차별화하기 어려울 수 있다.

3. AI 능력은 산업별로 비동기적으로 발전한다

   1. 코딩과 고객지원은 이미 매우 강력하지만, 법률은 그보다 낮은 수준의 “좋음”에 머물고 있다.
   2. 마케팅 카피와 시각물은 아직 크게 부족하다.
   3. 팟캐스트 클립을 자동으로 만들 때 AI가 두 사람의 얼굴을 제대로 포함하지 못하고 화면 중앙만 자르며, 오디오 편집과 비디오 편집의 시작점을 맞추지 못하는 사례가 대표적이다.
   4. 좋은 클립은 후킹 문장이 시작된 지점보다 10초 앞에서 자르면 바이럴 가능성이 크게 떨어지는 등 인간의 취향과 직관을 필요로 한다.
   5. 미디어 기업이 사람 머릿속의 지식과 직관을 데이터로 옮기기 시작하면, 현재 어려운 분야도 코딩처럼 매우 빠르게 발전할 수 있다.

마진과 제품 전략의 보충 사례

1. Anthropic의 수익성은 응용 계층과 함께 봐야 한다

   1. Anthropic이 첫 분기 흑자를 내고 높은 마진을 기록하는 현상은 모델 사업의 장기 경제성에 대한 반론처럼 보인다.
   2. Eno는 그 수익성의 상당 부분이 모델 위의 애플리케이션에서 나온다고 보고, 모델 자체의 마진과 애플리케이션의 마진을 분리해야 한다고 말한다.
   3. 모델 제공자는 추론을 파는 플랫폼 회사로 남거나, 좋은 모델을 활용해 애플리케이션 계층으로 올라가야 한다.
   4. Anthropic은 애플리케이션 경로에 더 가까워 보이고 OpenAI는 플랫폼·애플리케이션 양쪽을 시험하는 것으로 보인다.

2. 자체 오픈 모델도 모델 회사의 사업이 될 수 있다

   1. 모델이 상품화될수록 Anthropic이나 OpenAI가 오픈 모델을 공개하고 직접 추론을 제공하는 방식도 합리적인 사업이 될 수 있다.
   2. OpenAI·Anthropic 같은 회사는 프런티어 연구에서 차별화하고 일반 업무는 오픈 모델로 흘려보내는 이중 구조를 받아들여야 한다.
   3. 모델 회사가 모든 애플리케이션을 직접 차지하려는 전략과 여러 모델을 허용해 결과를 최적화하는 전략은 계속 긴장 관계에 놓인다.

인수·조직·자본에 관한 보충 사례

1. 기업 인수와 팀 통합의 실행 속도

   1. 모델 시대에는 기술 모드가 오래가지 않으므로 새로 합류한 팀이 며칠 만에 기존 작업을 Factory에 통합하거나, 기존 프로젝트를 버리고 더 큰 문제를 만들 수 있어야 한다.
   2. Factory가 찾는 사람은 결제 분야를 경험했다는 일반적 인상보다, 소프트웨어 개발 하네스·결과 평가·기업 문제 해결에 이미 깊이 들어간 사람이다.
   3. 미션 정렬은 모든 회사가 말할 수 있는 문구가 아니라 실제 작업의 대상과 깊이에서 드러난다.

2. 실리콘밸리의 돈과 창조 욕구

   1. Chamath가 실리콘밸리가 돈에 지나치게 집중했다고 비판한 데 대해, Eno는 돈을 벌고 금융상품을 만드는 참여자가 존재하는 것은 건강하고 필요한 부분이라고 인정한다.
   2. 그러나 샌프란시스코에는 기술을 만들고 세상을 바꾸려는 사람도 매우 많으며, 모든 참여를 순수한 금융 추구로 묘사하는 것은 부정확하고 그 문화에 해롭다.
   3. 오늘 사람들이 하는 말은 미래의 AI 세계 모델과 일상 도구가 학습할 이야기의 일부가 된다. 낙관적인 이야기를 많이 할수록 그 미래가 실현될 확률을 높이는 효과가 있다.

3. 인재 그래프의 가격을 보여주는 인수 사례

   1. Poolside의 직원들이 Nvidia로 이동하고 약 120억 달러 가격이 거론된 사례는 단일 프로젝트와 소수 인재의 가격을 정하기 어렵다는 문제를 보여준다.
   2. Jensen Huang이 Nematron을 추진하고 Poolside를 인수하는 식의 행보처럼, AI 업계는 협력자와 경쟁자가 빠르게 바뀌는 코피티션 시장이다.
   3. 사람을 한 명씩 평가하기보다 그 사람이 기존 팀의 연결과 실행력을 얼마나 강화하는지 평가해야 한다.

4. 자산 가격의 예시는 거품 논쟁과 다르다

   1. Cursor가 설립 4년 만에 600억 달러에 팔린 사례는 병원과 재단으로 현금이 돌아가는 실제 거래라는 점에서 단순한 종이상 가치 상승과 다르다는 논점이 나온다.
   2. Airtable처럼 좋은 SaaS가 과거 110억 달러 평가보다 낮은 약 25억 달러에 거래되어도 사업 자체가 나쁘다는 뜻은 아니다.
   3. Bending Spoons 같은 AI 중심 기업이 기존 SaaS의 기능을 흡수할 가능성이 커지므로, 기존 회사에는 다음 블록버스터를 계속 만들어야 하는 압력이 생긴다.

빠른 질문의 보충 맥락

1. 투자 게임의 표현

   1. 진행자는 영국에서 하는 “shag, marry, kill” 게임을 차용해 단기 매수·장기 보유·강한 매도 선택으로 바꿔 질문했다.
   2. Eno는 Microsoft를 장기 결혼 대상으로, Nvidia를 단기 활용 대상으로, Meta를 매도 대상으로 골랐다.
   3. Microsoft를 전 직원이 1년 반 동안 경험한 것도 장기 신뢰 판단의 배경으로 언급됐다.

2. 제품의 전환성과 위협의 의미

   1. Claude Code와 Codex 사이의 고객 이동은 도구가 끈적하지 않다는 뜻이지만, Factory에는 모델 독립형 결과 제품의 필요성을 보여주는 좋은 신호다.
   2. Factory는 네 경쟁사보다 인간 노동의 대체 비율을 파는 것이 아니라, 사람과 AI가 함께 사용하는 익숙하지 않은 개발 방법론을 만들고 있다.
   3. Chamath의 “1809”로 들리는 새 사업은 이름보다 실제 엔터프라이즈 작동 사례가 있는지가 판단 기준이다.

3. 진행자가 든 기술 수용의 비유

   1. 과거에는 배우자를 온라인에서 찾는 일이 이상했고, 휴대전화에 신용카드 정보를 넣는 일도 위험해 보였지만 이제는 일상적이다.
   2. 같은 방식으로 현장에서 소프트웨어를 즉시 생성하는 일도 현재는 이상해 보이지만 3~5년 뒤에는 당연한 기능이 될 수 있다.
   3. Eno는 자신의 호기심을 자연스럽게 따라가며 이런 대화를 만드는 일을 즐긴다고 말하며 인터뷰를 마무리한다.