누구나 만들 수 있을 때, 무엇을 만들 것인가

원문 제목: [한영자막] 누구나 무엇이든 만들 수 있는 시대, 대체 무엇을 만들어야 할까요? URL: https://www.youtube.com/watch?v=3tDoLkFcEKg 날짜: 2026-09-01 채널: Tech Bridge 영상 ID: 3tDoLkFcEKg 자막: 영어 자동 자막(English auto-generated captions)

---

📌 핵심 질문 / 관통하는 핵심 논점

==AI가 구현(implementation)의 장벽을 거의 없앤 시대에는 무엇을 만들지 결정하고, 그 고유한 이유를 왜곡 없이 전달해 신뢰를 쌓는 일이 가장 희소하고 가치 있는 능력이 된다.==

• AI 에이전트가 코드를 작성하고 제품을 출시하는 속도는 급격히 늘었지만, 실제 출시(shipping)는 그만큼 빨라지지 않았다.
• 측정 가능한 구현은 누구나 같은 모델과 데이터로 자동화할 수 있어 평균적인 기능과 콘텐츠의 가치가 0에 가까워진다.
• 데이터가 아직 보여주지 않는 미래에 대한 관점, 실제 고객과 공유한 관계적 맥락, 문제에 대한 개인의 전투 경험은 모델이 그대로 복제하기 어렵다.
• 좋은 제품도 창업자의 머릿속 신호(signal)가 조직과 AI를 거치는 동안 평균화되면 고객에게 다른 의미로 전달된다.
• 최종적으로 선택을 이끄는 것은 더 빠른 산출물이 아니라 신뢰(trust)이며, AI는 신호를 정하고 지키는 일 외의 작업에 공격적으로 활용해야 한다.

산출물·속도·레버리지(leverage)가 전례 없이 풍부해질수록 경쟁우위는 실행량에서 선택의 질로 이동한다. 무엇을 만들지 정하는 ‘가리키기(pointing)’와, 그 선택이 왜 중요한지 고객이 정확히 이해하도록 만드는 ‘신호 계층(signal layer)’이 제품·콘텐츠·고투마켓(Go-to-Market, GTM)을 관통하는 새로운 업무가 된다.

1. 풍요의 역설: 모두가 빨라진 뒤 평균의 가치가 사라지다

속도가 빨라진 사실 자체가 개인이나 기업의 차별성을 보장하지 않는다. 한 사람의 생산성 향상은 경쟁자 모두의 생산성 향상으로 곧바로 전환된다.

1.1. 전례 없는 생산성과 그에 따른 불안

1. AI가 만든 풍요

   1. 산출물의 증가: 더 많은 output, 더 빠른 speed, 더 큰 leverage를 활용할 수 있게 됐다.
   2. 생활 속 자동화 사례: Lena는 폭포 근처 산길에서 프로덕션 장애(production incident)를 해결했고, 친구는 자전거를 타면서 18개의 에이전트를 실행했다. 에이전트가 사무실 안의 실험이 아니라 일상 이동 중에도 병렬로 실행되는 수준에 이르렀다는 사례다.

2. 속도에 대한 불안

   1. 움직이는 바닥: 풍요 속에서도 땅이 너무 빠르게 움직이는 듯한 감각이 커졌다.
   2. 기회비용의 압박: 한 엔지니어는 오전 9시부터 오후 9시까지 주 6일 일하지 않는 기회비용(opportunity cost)이 지금은 너무 높게 느껴진다고 말했다.
   3. 토큰 맥시밍(token maxing): 모두가 토큰을 최대한 소모하듯 끊임없이 일하는 상태에 빠졌다. 더 많이 만들 수 있다는 가능성이 더 오래 일해야 한다는 압박으로 바뀌었다.

1.2. 모두가 만들 수 있을 때 평균은 복제된다

1. 생산성 향상의 동시성

   1. 경쟁자의 즉시 복제: 나를 빠르게 만든 풍요는 다른 사람도 빠르게 만들었다. 이제 누구나 무엇이든 만들 수 있고, 경쟁자는 오늘 오후에 내 기능을 만들 수 있다.
   2. 평균의 가격 하락: 평균적인 결과물을 만드는 비용은 0에 가까워졌고, 비용이 내려간 만큼 평균의 가치도 사라졌다.

2. AI 사용 능력의 평준화

   1. 과거의 슈퍼파워: 1년 전에는 AI를 잘 사용하는 능력이 강점으로 제시됐다.
   2. 현재의 공통 역량: 모델이 더 좋아지고 사용법이 쉬워지면서 모두가 AI를 더 능숙하게 다루게 됐다. 더구나 모두가 AI를 비슷한 목표에 겨눈다.
   3. 동일한 질문, 동일한 답: “사용자가 무엇을 원하는가?”, “어떻게 더 많이 벌까?”, “무엇을 만들어야 할까?”, “어떻게 바이럴하게 만들까?”처럼 공통 질문을 던지면 AI는 공통 지식에서 답을 만든다. 답은 유능하고 자신감 있지만 경쟁자에게 주는 답과 거의 같다.

2. AI는 수렴 기계이고, 인간의 일은 방향을 정하는 일이다

AI가 가장 잘하는 일은 이미 측정되고 기록된 패턴을 빠르게 재조합하는 것이다. 데이터가 아직 존재하지 않는 미래와 관계적 맥락은 자동화가 대신 선택할 수 없다.

2.1. 데이터가 보여주는 것과 보여주지 않는 것

1. 공통 지식의 한계

   1. 과거의 기록에서 출발: AI는 데이터에 기반하며, 데이터는 이미 일어난 일의 기록이다.
   2. 수렴(convergence): AI를 혼자 두면 이미 성공한 형식과 답으로 모든 결과를 수렴시킨다. AI는 매우 똑똑한 수렴 기계(smart convergence machine)다.

2. 미래를 보려면 관점이 필요하다

   1. 데이터 바깥의 신호: 아직 데이터에 나타나지 않은 것을 보려면 비전(vision), 관점(point of view), 앞으로 어디로 갈지에 대한 해석이 필요하다.
   2. 자동화의 올바른 위치: 인간이 방향과 가설을 정한 뒤 AI를 실행에 사용해야 한다. AI는 무엇을 향해 움직일지 정하는 주체가 아니라, 정해진 방향을 빠르게 구현하는 도구다.

2.2. 새로운 직무는 ‘무엇을 만들게 할지’ 결정하는 일이다

1. 가리키기(pointing)의 재발견

   1. AI가 대신할 수 없는 결정: AI가 무엇을 만들지 스스로 정해서는 안 되며, 정할 수도 없다. AI를 어디에 겨눌지는 사람이 결정해야 한다.
   2. 오랫동안 숨겨져 있던 본업: 구현 작업이 너무 많았기 때문에 무엇을 만들지 정하는 일이 본업이라는 사실이 가려져 있었다. 구현량이 줄어들면서 방향 선택이 전면에 드러났다.

2. 신호 계층(signal layer)

   1. 차별성의 질문: 엑스포 홀의 수많은 제품과 도구가 중요한 문제를 해결한다고 말하지만 왜 모두 같은 소리로 들리는지 물어야 한다.
   2. 선택의 이유: 누구나 무엇이든 만들 수 있을 때 고객이 나의 버전과 제품을 선택해야 하는 이유가 신호다.
   3. 두 개의 반쪽: 신호 계층은 무엇을 왜 만드는지 정의하는 build side와, 그 의미가 왜곡되지 않은 채 고객에게 도달하게 하는 ship side로 나뉜다.

3. Build side: 구현이 아니라 중요한 문제를 고르는 능력

구현 가능성은 가치와 일치하지 않는다. 모델은 가리킨 대상을 만들 수 있지만 그 대상이 정말 중요한지는 알려주지 않는다.

3.1. 측정 가능한 코드는 가장 먼저 수렴한다

1. 코딩 에이전트의 성능 상승

   1. 벤치마크의 변화: 2년 전 최고의 자율 코딩 에이전트는 표준 소프트웨어 벤치마크의 일부 작업만 해결했다.
   2. 현재의 수준: 이제 최고 에이전트는 벤치마크에서 80%대 후반(high 80s)에 도달했다. 코드 작성량은 거의 3배가 됐지만 실제 shipping은 3분의 1 정도만 증가했다.

2. 채점 가능한 것의 자동화

   1. 벤치마크가 놓친 영역: 벤치마크는 채점기(grader)가 있는 소프트웨어 엔지니어링 부분만 측정한다. 실제 출시 과정에서는 채점되지 않는 문제가 다시 나타난다.
   2. 측정 가능성의 법칙: Sarah Guo의 표현처럼 측정할 수 있는 것은 학습 대상으로 만들 수 있다.
   3. 무료 채점기: 컴파일러(compiler)는 무료 채점기이고, 테스트 스위트(test suite)도 무료 채점기다. 작업이 스스로 채점될 수 있는 순간 모델은 그 점수를 최적화하며 승리할 때까지 반복한다.
   4. 구현 자동화의 선점 이유: 코드 구현은 우리가 가진 작업 중 가장 검사하기 쉬웠기 때문에 자동화가 가장 먼저 진행됐다.

3.2. ‘직접 필요로 하는 것’에서 미형성 시장을 발견한다

1. 자기 필요의 신호

   1. Paul Graham의 조언: 사람들이 진심으로 원하는 것을 찾으려면 자신이 직접 필요를 느껴야 한다.
   2. 친구와 함께 겪는 문제: 시장이 아직 형성되지 않았고 설문조사도 포착할 수 없는 문제라면, 나와 친구들이 실제로 필요로 하는 것이 가장 신뢰할 만한 신호다.
   3. 설문조사의 한계: 아직 존재하지 않는 제품에 대한 잠재 수요를 일반적인 질문으로는 발견하기 어렵다. 자신의 문제를 직접 겪고 있다는 사실은 평균적인 답변이 제공하지 못하는 신호다.

2. 이상하고 구체적인 아이디어

   1. Twitch 사례: 머리에 카메라를 묶고 자신의 삶을 생중계하겠다는 발상은 처음에는 우스꽝스럽고 형편없는 아이디어처럼 들렸다. 그러나 Twitch가 됐다.
   2. 수렴 기계의 맹점: AI는 적극적으로 나서서 이상하고 구체적이며 약간은 창피하기까지 한 발상을 먼저 제안하지 않는다. 평균적인 데이터에서 벗어난 아이디어를 인간이 꺼내야 한다.
   3. 필요조건과 충분조건의 구분: Twitch처럼 독특하고 구체적인 신호는 필요하지만 충분하지는 않다. 비슷한 스타트업 아이디어가 수천 개 있었지만 성공하지 못한 사례도 많다.

3.3. 넓은 취향보다 미래와 관계에 박힌 판단이 오래간다

1. 취향과 판단의 재평가

   1. 취향의 학습 가능성: ‘좋은 판단력’과 ‘좋은 취향’만 있으면 안전하다고 말하기 쉽지만, 취향은 피드백을 받은 선호(preference under feedback)로 볼 수 있다.
   2. 모델이 모방하는 영역: 더 좋은 결과와 더 나쁜 결과를 충분히 반복해 보여주면 기계는 그 신호를 학습해 모방할 수 있다. 따라서 넓은 의미의 좋은 취향은 지속적인 차별화가 아니다.

2. 학습 데이터에 없는 미래에 대한 판단

   1. 아직 일어나지 않은 사건: 아직 발생하지 않은 사건에는 데이터가 없다. 미래의 특정 결과를 어느 방향으로 믿고 움직일지는 자동 추론으로 완전히 대체하기 어렵다.
   2. 선택의 책임: 무엇이 아직 존재하지 않는지, 어떤 방향이 되어야 하는지에 대한 판단은 제작자의 책임으로 남는다.

3. 관계 속에 embedded된 판단

   1. 고객과 공유한 역사: 특정 고객이 특정 상황에서 자신과 공유한 역사에 비추어 실제로 무엇을 필요로 하는지 아는 지식은 모델이 관찰하지 못하는 관계에 들어 있다.
   2. 만남의 차이: 모델은 고객에 대해 쓰인 모든 것을 읽었을 수 있지만, 그 고객을 실제로 만난 적은 없다. 가까이에서 문제를 겪은 사람의 맥락은 텍스트의 총량으로 대체되지 않는다.

3.4. Hamming의 ‘중요한 문제’와 AI 시대의 공격 지점

1. 위대한 연구자의 공통점

   1. Richard Hamming의 관찰: Hamming은 왜 어떤 과학자는 훌륭한 일을 하고, 똑같이 똑똑한 다른 과학자는 그러지 못하는지 연구했다.
   2. 중요한 문제에 집중: 위대한 사람들은 중요한 문제를 연구했다. 문제는 멋지게 들린다고 중요한 것이 아니라, 합리적인 공격 방법(reasonable attack)이 있을 때 중요하다.

2. 공격 가능성의 예시

   1. 시간 여행: 시간 여행은 결과적으로는 중대한 주제지만, 그것을 공격할 방법이 아무에게도 없다면 Hamming의 의미에서 중요한 문제는 아니다.
   2. 대기 중인 아이디어: Hamming은 중요한 문제를 10~20개 정도 마음 한구석에 간직하라고 했다. 새로운 도구, 새로운 각도, 혹은 자신만 알아본 접근법이 나타나 공격할 수 있게 되면 즉시 시도하기 위해서다.

3. AI가 바꾼 희소성

   1. 과거의 희소 자원: Hamming의 시대에는 문제를 공격할 방법을 갖는 것이 희소했다.
   2. 현재의 희소 자원: AI가 거의 모든 문제에 공격 방법을 제공하면서 희소성은 ‘어떻게 만들까’에서 ‘어떤 문제를 공격할 가치가 있는가’로 이동했다.
   3. 문제에 가까운 사람의 우위: 실제 도메인에 가까이 있고, 자기만의 전투 경험과 이상할 정도로 구체적인 경험을 가진 사람이 공격할 문제를 고른다. 합리적인 수준을 넘어 관심을 쏟는 대상도 중요한 단서가 된다.
   4. 선점보다 근접성: 반드시 최초일 필요는 없다. 실제로 이해하는 문제에 진짜 가까이 있고, AI가 학습한 것과 세상에 존재해야 할 것 사이의 차이(delta)에 통찰이 있으면 된다.

4. Ship side: 신호를 고객의 머릿속까지 왜곡 없이 운반하기

좋은 제품을 만드는 일은 신호의 절반이다. 나의 머릿속에 분명한 차별점이 있어도 고객이 다른 뜻으로 받아들이면 선택과 신뢰로 이어지지 않는다.

4.1. AI가 인터넷의 평균을 대량 생산하다

1. 콘텐츠의 동질화

   1. 피드의 변화: 최근 2년 사이 인터넷 피드를 열면 모든 것이 비슷한 소리를 낸다.
   2. 반복되는 포맷: 같은 LinkedIn 게시물, 세 개의 bullet point와 마지막의 굵은 결론, 아무 말도 하지 않지만 매우 세련돼 보이는 블로그 글이 반복된다.

2. 독자의 반응 속도

   1. 0.5초 패턴 매칭: 독자는 이제 AI가 만든 패턴을 0.5초 만에 알아본다.
   2. 읽지 않는 이유: 한 줄짜리 프롬프트로 모델이 쓸 수 있는 글이라면 독자의 뇌는 같은 이유로 내용을 건너뛴다. 정교한 문장보다 인간만 제공할 수 있는 원재료가 먼저 필요하다.

3. 알고리즘에 빈틈을 맡긴 결과

   1. 성과 형식의 자동화: AI는 성과를 내는 알고리즘, 클릭을 부르는 형식, 바이럴의 표면적 규칙을 학습했다.
   2. 빈칸의 평균화: “이 문단을 바이럴하게 만들어줘”, “나를 부자로 만들어줘”라고 말하면 사용자가 비워 둔 모든 빈칸을 AI가 평균적인 내용으로 채운다.
   3. 핵심 질문: 무엇을 직접 넣고, 무엇을 AI가 채우게 할지 구분해야 한다.

4.2. AI 활용의 두 방식: 무관심을 자동화하거나 신호를 증폭하거나

1. 평균 프롬프트와 평균 결과

   1. 구별되지 않는 한 방울: 평균적인 프롬프트는 평균적인 결과를 만들고, 구별되지 않는 결과의 바다에 한 방울을 더한다.
   2. 무관심의 효율화: 이렇게 하면 자신의 무관심과 무의미함(irrelevance)을 매우 효율적으로 자동화하게 된다.

2. 구체적 관점과 실제 경험을 넣는 방식

   1. 인간만 갖는 원재료: 직접 현장에 있었던 진짜 이야기, 구체적인 관점, 자신만의 해석을 먼저 제공한다.
   2. AI에 맡길 주변 작업: AI는 형식화(formatting), 초안 작성(drafting), 알고리즘 최적화, 정리와 다듬기 같은 수렴 작업을 맡는다.
   3. 역할 분담의 원칙: AI가 처음부터 만들 수 없었던 핵심 신호를 사람이 넣고, 그 신호를 훼손하지 않는 주변 실행을 AI에 맡긴다.

5. 신호 왜곡의 세 지점과 설계 가능한 해결책

신호는 출발점에서 분명해도 전달 과정에서 무너진다. 왜곡은 사람의 의도·조직의 핸드오프·기계의 재가공에서 발생하며, 각각 다른 처방이 필요하다.

5.1. Source distortion: 창업자의 머릿속에서 고객의 문제를 지우는 현상

1. 창업자의 압축 문제

   1. 너무 많은 맥락: 창업자는 신호를 너무 잘 알기 때문에 자신도 모르게 이해 가능한 수준 아래로 압축한다.
   2. 고객이 모르는 전제: 청중이 갖지 않은 맥락을 알고 있다고 가정한다. 청중은 기술적으로 멋진 이야기는 듣지만 왜 중요한지는 이해하지 못한다.

2. YC 스타트업 사례

   1. 잘못된 피치의 시작: 뛰어난 창업자와 진정으로 새로운 제품을 가진 한 YC 회사는 모든 피치를 아키텍처와 자신들이 자랑스러워하는 영리한 부분에서 시작했다.
   2. 삭제된 고객 고통: 제품의 기술은 돋보였지만 고객의 고통이 이야기에서 삭제돼 결과적으로 소음처럼 들렸다.
   3. 신호의 재작성: 고객이 싫어했고, 그 제품이 실제로 없애 준 것을 도입부에 넣었다.
   4. 전환 결과: 같은 제품을 같은 주에 설명했는데도 다음 대화들이 파일럿(pilot)으로 전환됐고, 그 경험을 반복 가능한 GTM 시스템으로 발전시켰다.

5.2. Organization distortion: 핸드오프가 의도를 평균으로 되돌리는 현상

1. 조직 내 신호의 감쇠

   1. 여러 층의 통과: 신호는 관리 계층, 법무(legal), 영업(sales), 각 부서를 지나며 전달된다.
   2. 평균으로의 되감기: 핸드오프가 일어날 때마다 원래의 구체성과 확신이 평균적인 요구사항 쪽으로 되돌아간다.
   3. 무능력의 문제가 아님: 이 현상은 대개 무능해서가 아니라 조직에 투자하고 역할을 분리하는 과정에서 발생한다.

2. 창업자와 실행 담당자의 차이

   1. 개인적 이해관계: 창업자는 결과가 자신의 것이고 결과의 영향을 직접 받기 때문에 평균으로 대체할 수 없는 세부사항에 깊이 몰입한다.
   2. 사양 중심 실행: 조직 아래쪽의 담당자는 같은 과제와 같은 AI를 받아도 사양대로 실행하고 Jira 티켓을 닫는다. 요청받은 것은 확신이 아니라 컴플라이언스(compliance)일 수 있다.
   3. 긴 위임 사슬의 위험: 긴 delegation chain과 수렴 기계가 결합하면 회사 내부의 신호를 자동으로 평준화하는 공장이 된다.

3. 프로세스 증설이 아닌 신호 재부착

   1. 잘못된 첫 반응: 조직은 보통 더 많은 프로세스를 추가하려 한다. 그러나 추가 계층과 관료주의는 속도를 늦추고 신호를 더 멀리 보낸다.
   2. 결과에 신호를 묶기: 해결책은 신호를 되찾아 창업자처럼 결과에 다시 붙이는 일이다.
   3. 얇은 신호 계층: GTM engineering에 원래 의도를 핸드오프 사이에서 검증하고 온전히 운반하는 얇고 의도적인 기능만 둔다. 이 계층의 유일한 일은 신호가 결과와 연결된 채 이동하는지 확인하는 것이다.

5.3. Machine distortion: 재가공 과정에서 제한을 지우는 현상

1. 좁은 주장(claim)의 확장

   1. 원래의 경계: 하나의 신중한 출시 문서에는 주장, 근거, 적용 범위(scope)가 분명하게 적혀 있다.
   2. 채널별 재믹스: AI가 이를 tweet, sales deck, partner one-pager 등으로 재가공한다.
   3. 94% 평가의 오해: 특정 좁은 평가(evaluation)에서 94%를 기록했다는 사실이 반복되면 고객은 그 숫자를 좁은 평가의 결과가 아니라 제품 전체의 약속으로 받아들일 수 있다.

2. 신호는 운반 과정 전체에서 보존돼야 한다

   1. 공통된 문제: 출발점의 제품과 목적이 무엇이든 신호가 이동하는 과정에서 훼손되지 않아야 한다.
   2. 공학적 대상: 신호 보존은 추상적인 브랜딩 감각이 아니라 점검과 검증을 설계할 수 있는 엔지니어링 문제다.

6. 얇은 신호 계층을 실제 제품과 GTM에 심는 방법

신호 계층은 거대한 조직을 추가하는 기능이 아니다. 차별점을 한 문장으로 고정하고, 한계를 제품과 주장에 묶고, 고객이 실제로 이해한 내용을 역검증하는 작은 기능이다.

6.1. 차별점과 한계를 한 문장에 용접하기

1. 모니터링 도구 사례

   1. 경쟁 환경: 같은 범주에 12개의 모니터링 도구가 있다.
   2. 구체적인 차이: 특정 도구는 무엇을 깨우지 않아도 되는지 알려준다. 잡음에는 조용히 있고, 밤에 호출될 때 사용자가 그 알림을 믿을 수 있게 한다.
   3. 신호의 본질: 조용함과 침묵으로 쌓은 신뢰가 차별점이다.

2. 나쁜 문장과 좋은 문장

   1. 나쁜 추상화: “intelligent AI-native observability platform”은 경쟁자 누구나 붙일 수 있는 평균적인 표현이다.
   2. 구체적인 약속: “실제 사용자 영향과 연결할 수 없는 것은 조용히 처리하고, 침묵시킨 모든 항목을 보여줘서 사용자가 이를 되돌릴 수 있게 한다”는 식으로 말해야 한다.
   3. 약속과 범위의 결합: 무엇을 하지 않는지와 무엇을 보여주는지가 한 문장 안에 함께 있어야 한다. 강점만 말하면 홍보가 되고, 제한까지 함께 말하면 신뢰 가능한 제품 정의가 된다.

6.2. 제한을 편집 불가능하게 만들기

1. 제품 안의 가시성

   1. 억제된 알림 노출: 제품 안에서 모든 suppressed alert를 볼 수 있어야 한다.
   2. 사용자의 override: 시스템의 판단을 사용자가 확인하고 되돌릴 수 있어야 한다. 조용함이 불투명한 누락이 아니라 검토 가능한 선택이어야 한다.

2. 출시 메시지의 병렬 배치

   1. 숫자와 한계의 동시 표기: “알림 호출 90% 감소”라는 인상적인 수치 옆에 “모든 침묵 처리는 보이고 되돌릴 수 있다”는 조건을 함께 둔다.
   2. AI 재가공에 대한 방어: AI가 출시 문서를 tweet으로 줄일 때 숫자만 남기고 정직성을 지키는 조건을 지우지 못하도록 제한을 원문과 제품에 함께 박아 둔다.

6.3. 확장 전에 고객의 이해를 역검증하기

1. 낯선 사용자 테스트

   1. 대상자: 프로젝트를 본 적 없는 SRE에게 readme를 읽힌다.
   2. 되말하기 요청: 그 사람에게 제품이 무엇인지 자신의 말로 설명해 달라고 요청한다.

2. 왜곡 측정

   1. 의도와 회상의 차이: 사용자가 말한 내용과 제작자가 전달하려던 내용 사이의 간격이 곧 확장 전에 발견해야 할 왜곡이다.
   2. 자동화 가능성: 이런 점검·포착·설문은 생각보다 가볍고, 상당 부분을 자동화할 수 있다. 신호 계층은 사람의 감각에만 의존하지 않고 반복 가능한 검사로 만들 수 있다.

7. 마지막 희소 자원은 신뢰다

무한히 비슷해 보이는 대안 속에서 인간 또는 에이전트가 특정 제품을 선택하고 의지하게 만드는 것이 모든 build·ship 활동의 목적이다. 그 선택을 지속시키는 것은 신뢰다.

7.1. 신뢰는 벤치마크와 보상 신호 밖에 있다

1. 자동화할 수 없는 승인

   1. 측정 불가능성: 신뢰에는 더 높은 점수를 주는 단일 benchmark도, 즉시 최적화할 reward signal도 없다.
   2. 느린 획득: 신뢰는 관계 속에서 동의를 거쳐 천천히 부여된다. 일회성 카피나 기능 목록으로 완성되지 않는다.

2. 습관으로 나타나는 신뢰

   1. 의사의 도구 선택: 어떤 의사가 매일 아침 특정 도구를 여는 습관을 갖는다고 해서 그 습관이 모델에 학습된 것은 아니다.
   2. 반복 의존: 꾸준히 정확한 약속을 지키고 사용자의 위험을 줄인 결과가 반복적인 선택과 의존으로 나타난다.

7.2. 평균성은 중립이 아니라 손실이다

1. 평균 생산의 실제 비용

   1. 직접 비용: 토큰과 인프라 비용이 든다.
   2. 사람의 비용: 좋은 사람의 급여 시간과 주의력이 소비된다.
   3. 고객의 비용: 고객이 제품을 한 번 보고 다시 돌아오지 않는 기회가 생긴다.

2. 브랜드 선택 가능성의 악화

   1. 일반적인 게시물의 누적 효과: 매번 비슷한 글을 내보낼 때마다 고객은 그 이름이 클릭할 가치가 없다고 학습한다.
   2. 자기 경쟁력의 훼손: 실제 돈을 써서 자신을 선택하기 어렵게 만드는 셈이다. 평균적인 결과는 아무것도 하지 않은 상태가 아니라 부정적인 신호를 축적하는 상태다.

8. 종합 결론과 실행 설계

속도는 증가했지만 가치가 속도에 머무르지는 않았다. 가치는 무엇을 만들 가치가 있는지, 무엇을 말할 가치가 있는지, 무엇이 신뢰를 받을 만한지 정하는 상위 단계로 이동했다.

8.1. 개인과 팀을 위한 의사결정 원칙

1. 문제 선택

   1. 자신과 가까운 실제 문제에서 출발한다.
   2. 중요한 문제 10~20개를 장기적으로 마음속에 보관한다.
   3. 새 도구나 새 각도가 생겨 실제로 공격할 수 있는 문제가 되면 실행한다.
   4. 최초 출시보다 도메인 근접성과 자신만의 경험에서 나온 delta를 중시한다.

2. 신호 정의

   1. “AI-native”, “혁신적”처럼 누구나 복제할 수 있는 추상어를 버린다.
   2. 고객이 겪는 구체적인 고통, 제품이 해결하는 방식, 제품이 의도적으로 하지 않는 일을 한 문장에 함께 쓴다.
   3. 차별점을 기능 목록이 아니라 고객이 선택할 이유로 표현한다.

3. AI 사용 경계

   1. 인간이 직접 겪은 이야기와 관점을 입력한다.
   2. 포맷, 초안, 정리, 반복 테스트, 알고리즘 최적화는 AI에 맡긴다.
   3. 숫자·사례·범위가 재가공 과정에서 과장되지 않도록 원래의 제한을 함께 운반한다.

8.2. 조직과 GTM을 위한 신호 보존 체크리스트

1. Source check: 창업자나 제작자의 설명에서 고객의 고통이 삭제되지 않았는지 확인한다.
2. Handoff check: 법무·영업·마케팅·제품을 거칠 때 원래의 의도와 결과의 연결이 살아 있는지 확인한다.
3. Machine check: 하나의 평가 수치가 전체 제품의 보편적 약속으로 바뀌지 않았는지 채널별 산출물을 검사한다.
4. Read-back check: 낯선 사용자에게 제품을 되말하게 하고, 의도와 이해의 차이를 기록한다.
5. Reversibility check: 시스템이 억제하거나 생략한 항목을 사용자가 보고 override할 수 있는지 확인한다.
6. Trust check: 더 많은 콘텐츠와 기능을 추가하기 전에 고객이 반복적으로 의지할 명확한 약속이 있는지 확인한다.

주요 발언 모음

“We're literally drowning in abundance.”

“So, now everyone can build everything.”

“The cost of the average just went to zero, and so did its value.”

“AI is a really smart convergence machine.”

“The pointing is actually the job. It has always been the job.”

“The weird specific signal is necessary, but it is not sufficient.”

“You have to bring it the part that it can't have: your specific point of view, the real story that you were actually in the room for.”

“Your signal has to survive the trip undistorted.”

“Every generic post teaches them that your name isn't worth the click.”

“You don't need to be first. You need a real problem and enough conviction to carry the signal clearly through to the right people.”

“When you can build anything, you should build trust.”

핵심 데이터 & 사례

• 18개 에이전트: 한 사람이 자전거를 타면서 동시에 18개의 에이전트를 실행했다. 병렬 자동화가 일상 업무의 경계를 넘어섰다는 사례다.
• 오전 9시~오후 9시, 주 6일: 일하지 않는 기회비용이 너무 높게 느껴진다는 엔지니어의 발언이 AI 시대의 과잉 노동 압박을 보여준다.
• 코딩 에이전트 성능: 표준 소프트웨어 벤치마크에서 최고의 에이전트가 2년 전의 일부 해결 수준에서 현재 80%대 후반으로 상승했다.
• 코드와 shipping의 격차: 코드 작성량은 거의 3배가 됐지만 실제 출시는 약 3분의 1만 증가했다. 채점 가능한 구현과 채점되지 않는 출시의 차이를 보여준다.
• 10~20개 아이디어: Hamming은 중요한 문제를 10~20개 마음속에 보관하다가 공격 방법이 생기면 실행하라고 조언했다.
• Twitch: 머리에 카메라를 묶고 삶을 생중계한다는 이상한 발상이 구체적인 신호가 되어 Twitch로 발전했다.
• YC 회사: 아키텍처와 기술적 영리함 대신 고객이 싫어했고 제품이 없애 준 고통을 피치 첫머리에 넣자 같은 주에 파일럿 전환과 반복 가능한 GTM 시스템이 만들어졌다.
• 94% 평가: 좁은 eval의 94% 성적이 반복되는 동안 제품 전체의 보편적 약속으로 오해될 수 있다.
• 모니터링 도구: “실제 사용자 영향과 연결할 수 없는 것은 조용히 처리하고 모든 침묵을 보여줘 되돌릴 수 있게 한다”는 한 문장이 기능·한계·신뢰를 함께 전달한다.
• 90% fewer pages: 알림 호출 90% 감소라는 숫자 옆에 모든 침묵 처리가 보이고 되돌릴 수 있다는 조건을 둬야 숫자가 과장으로 변하지 않는다.
• 0.5초: 독자는 AI가 만든 패턴을 약 0.5초 만에 알아차리며, 한 줄 프롬프트로 생성 가능한 글을 곧바로 건너뛴다.
• 12개 경쟁 제품: 모니터링 범주에 12개 도구가 있어도 무엇을 깨우지 않을지 결정하고 그 침묵을 증명하는 제품은 신호로 구분될 수 있다.

결론 및 시사점

1. 구현 능력은 빠르게 평준화되고 있으므로 더 많은 기능을 만드는 것만으로는 경쟁우위가 되지 않는다.
2. AI가 제공하는 공격 방법을 모든 문제에 적용하기 전에 공격할 가치가 있는 문제부터 선택해야 한다.
3. 실제 고객과 가까이에서 겪은 문제, 아직 데이터에 없는 미래에 대한 관점, 관계 속 맥락이 장기적인 차별성의 원천이다.
4. 독특하고 구체적인 아이디어는 필요하지만, 실행 가능성과 고객의 신뢰를 함께 확보해야 충분한 가치가 된다.
5. AI에는 직접 경험한 이야기와 관점을 주고, 형식·초안·정리·최적화 같은 수렴 작업을 맡긴다.
6. 제품의 약속과 의도적인 한계를 같은 문장에 넣어 과장과 오해를 막는다.
7. 모든 억제·생략·자동 판단을 사용자가 확인하고 되돌릴 수 있게 만들어 신뢰를 검증 가능하게 한다.
8. 창업자에서 고객까지 이어지는 모든 핸드오프에서 신호를 결과에 다시 연결하는 얇은 신호 계층을 둔다.
9. 확장 전에는 낯선 사용자에게 제품을 되말하게 하여 제작자의 의도와 고객의 이해 사이의 왜곡을 측정한다.
10. 평균적인 콘텐츠와 기능은 토큰·인프라·사람의 시간을 쓰면서 브랜드를 선택하기 어렵게 하므로 중립적이지 않다.
11. 더 빨라지는 것보다 무엇을 만들고 무엇을 말하며 무엇이 신뢰받을지를 정하는 일이 더 높은 가치의 업무가 됐다.
12. 누구나 무엇이든 만들 수 있을 때 가장 강한 제품은 신뢰를 만들고, 그 신호를 스스로 정의하며, 전달 과정에서 보호한다.

핵심 요약 (20줄)

1. AI는 산출물·속도·레버리지를 전례 없이 늘렸지만 경쟁자 모두의 속도도 함께 높였다.
2. 한 엔지니어는 오전 9시부터 오후 9시까지 주 6일 일하지 않을 기회비용이 너무 높다고 느낀다고 말했다.
3. 모두가 무엇이든 만들 수 있게 되면서 평균적인 결과물의 제작 비용과 가치가 함께 0에 가까워졌다.
4. AI는 과거 데이터와 공통 질문에서 답을 만들기 때문에 경쟁자에게도 거의 같은 답을 준다.
5. AI는 매우 똑똑한 수렴 기계이며, 무엇을 향할지는 스스로 정할 수 없고 정해서도 안 된다.
6. AI 시대의 새로운 핵심 업무는 무엇을 만들게 할지 결정하는 ‘가리키기’다.
7. 신호 계층은 제품을 왜 만드는지 정의하는 build side와 고객에게 왜곡 없이 전달하는 ship side로 나뉜다.
8. 측정 가능한 코드는 컴파일러와 테스트 스위트라는 무료 채점기 덕분에 가장 먼저 자동화됐다.
9. 코딩 에이전트의 벤치마크 성능은 2년 만에 일부 해결 수준에서 80%대 후반으로 상승했다.
10. 코드 작성량은 거의 3배가 됐지만 채점되지 않는 출시 속도는 약 3분의 1만 늘었다.
11. Paul Graham은 시장이 아직 보지 못한 필요를 자신과 친구들이 실제로 겪는 문제에서 찾으라고 조언한다.
12. Twitch처럼 이상하고 구체적인 아이디어는 AI가 평균 데이터만으로 먼저 제안하기 어려운 인간의 신호다.
13. 넓은 취향은 반복 피드백을 통해 모델이 모방할 수 있으므로 충분한 차별점이 아니다.
14. 아직 일어나지 않은 미래에 대한 판단과 고객과 공유한 관계적 맥락은 모델이 관찰하기 어렵다.
15. Richard Hamming은 중요한 문제 10~20개를 간직하다가 공격 방법이 생기면 실행하라고 했다.
16. AI가 모든 문제에 공격 방법을 주면서 희소성은 구현이 아니라 공격할 가치가 있는 문제를 고르는 판단으로 이동했다.
17. 평균적인 프롬프트로 만든 콘텐츠는 자신의 무관심을 효율적으로 자동화하며 독자는 AI 패턴을 0.5초 만에 알아차린다.
18. 신호는 창업자의 압축, 조직의 핸드오프, AI의 재가공에서 왜곡되므로 각 지점을 따로 점검해야 한다.
19. 차별점과 한계를 한 문장에 묶고, 억제된 판단을 보이게 하며, 낯선 사용자에게 제품을 되말하게 해야 한다.
20. 무엇이든 만들 수 있는 시대의 가장 강한 선택지는 신호를 직접 정하고 왜곡을 막아 천천히 쌓는 신뢰다.