모두가 만들고 출시하고 판매한다. 승자는 다르게 한다

URL: https://www.youtube.com/watch?v=etgdNjInYEU
날짜: 2026-09-05
채널: eo_global
출연: Kimberly Tan, Andreessen Horowitz(a16z) Investing Partner

📌 핵심 질문 / AI 스타트업의 승자를 가르는 차이는 무엇인가

==화려한 데모가 아니라 고객 현장에서 검증된 프로덕션 가치, 산업별 맥락, 측정 가능한 ROI, 빠른 실행력이 AI 기업의 승패를 가른다.==

• 기초 모델의 즉시 사용 가능한 능력과 기업 구매자가 실제로 돈을 지불할 수준의 제품 능력 사이에는 큰 구현 간극이 있다.
• AI는 본질적으로 비결정적이므로 교육·온보딩·구현·가드레일 설정을 포함한 마지막 마일(last mile)이 제품의 일부가 된다.
• 고객의 머릿속에만 있는 업무 지식까지 현장에서 배우고 특정 산업에 맞춰 코드화하면, 경쟁자가 쉽게 복제하기 어려운 해자(moat)가 생긴다.
• 조종(pilot)은 빠르게 프로덕션에 도달하고 하나의 분명한 ROI 지표를 증명해야 구매와 확장으로 이어진다.

1. 기초 모델과 고객 가치 사이의 간극

1.1. ‘GPT wrapper’라는 낙인과 초기 AI 앱의 실제 난이도

1. ‘GPT wrapper’는 초기 AI 애플리케이션을 낮춰 부르던 경멸적 표현이다

   1. 표면과 실제의 차이: 기초 모델 위에 얇은 인터페이스만 얹었다고 보이는 회사들이 많았지만, 기업 고객에게 결과를 전달하려면 모델과 업무 사이에 훨씬 많은 작업이 필요하다.
   2. 구매자 기준: 모델의 out-of-the-box 능력은 최종 기업 구매자에게 가치를 보여주는 데 필요한 능력과 같지 않다.
      • 고객의 업무 흐름, 데이터, 규칙, 예외 상황을 파악하고 모델이 실행할 수 있는 형태로 연결해야 한다.

2. 고객 가치까지의 미완성 구간이 과소평가됐다

   1. 숨은 업무 지식: 사람들의 머릿속에 존재하지만 문서화되지 않은 지식은 모델이 바로 ingest할 수 없다.
   2. 고객 곁의 학습: 창업자나 초기 직원이 고객사에 가서 옆에 앉고, 고객이 실제로 하려는 일을 듣고, 업무를 지도(map)로 정리해야 한다.
      • 초기 기업이 고객에게 직접 날아가 깊이 이해할수록 무엇을 만들지 정확히 알 수 있다.
      • 산업에 특화된 솔루션은 고객 요구에 정확히 맞는 제품을 만드는 레버리지를 제공한다.

1.2. Kimberly Tan의 투자 관점이 만들어진 과정

1. 적용 AI와 초기 단계 B2B 소프트웨어에 집중한다

   1. 현재 역할: Kimberly Tan은 Andreessen Horowitz(a16z)에서 6년 넘게 초기 단계 B2B 소프트웨어를 투자했고, 현재는 applied AI에 큰 비중을 둔다.
   2. 관련 포트폴리오: Decagon, Prepared, Mem, Sola 같은 적용·수직형 AI 기업과 함께 일해 왔다.

2. 23세에 합류해 학습을 습관화했다

   1. 초기 적응: 기술 업계에 익숙하지 않은 상태로 입사해 처음 몇 달 동안 벤처에 대해 가능한 한 많이 배웠다.
   2. 학습 방법: 사람들이 권한 벤처 고전서를 읽고, 모든 미팅에서 이해하지 못한 말을 적은 뒤 그날 밤 찾아봤다.
      • 현장에서 일하는 창업자들은 다른 누구보다 먼저 변화를 보고 있으므로, 그들의 말을 통해 다가올 트렌드에 대한 영감을 얻었다.

3. 2020~2021년의 현장 신호가 AI 투자 확대를 이끌었다

   1. 창업자들의 경고: 당시 창업자와 빌더들은 “AI가 모든 것에 들어갈 테니 AI를 이해해야 한다”고 반복해서 말했다.
   2. 투자 방향 전환: 이미 시간을 쓰던 분야들이 AI로 바뀌는 모습을 자연스럽게 확인하면서 applied AI에 더 많은 시간을 투자하게 됐다.

2. 데모를 프로덕션으로 바꾸는 제품 구축 방식

2.1. 비결정적 AI가 요구하는 새로운 개발 근육

1. 화려한 데모와 실제 프로덕션 애플리케이션 사이에는 거대한 간극이 있다

   1. 데모가 쉬운 조건: 데이터 원천을 정확히 알고 원하는 출력도 정해져 있으면 흥미로운 데모를 보여주기 쉽다.
   2. 프로덕션의 어려움: 좋은 AI 제품을 만드는 일은 어렵고, AI의 비결정성이 기존 엔터프라이즈 소프트웨어와 전혀 다른 개발 패러다임을 요구한다.

2. 95%의 성공률만으로는 업무 제품을 완성할 수 없다

   1. AI의 변동성: 모델이 95%의 확률로 한 가지 일을 해도 5%에는 완전히 다른 일을 할 수 있다.
   2. 결정적 소프트웨어와의 대비: 전통적인 엔터프라이즈 소프트웨어는 버튼을 누르면 정해진 일이 일어나는 100% 결정적 시스템인 반면, AI 제품은 예외와 실패를 전제로 설계해야 한다.
      • 제품팀은 평가, 예외 처리, 안전장치, 반복 개선이라는 새로운 개발 근육을 길러야 한다.

3. 프로덕션에서 문제를 실제로 해결하는지가 가장 중요한 검증이다

   1. 데모의 한계: 데모는 정해진 입력과 결과를 보여줄 수 있지만 실제 환경의 변동성과 예외를 충분히 드러내지 못한다.
   2. 현장 검증: 제품이 의도한 문제를 실제 프로덕션에서 해결하는지 확인해야 구매자가 신뢰하고 확장할 수 있다.

2.2. Forward-deploy와 마지막 마일의 중요성

1. AI 제품에는 교육·온보딩·구현이 더 많이 필요하다

   1. 도입 작업: 고객이 원하는 방식으로 작동하게 하려면 사용자를 교육하고, 온보딩하고, 실제 시스템에 구현해야 한다.
   2. 제품 범위의 재정의: 모델 호출 자체가 제품이 아니라 고객 업무에 맞게 통합되고 운영되는 과정까지가 제품 가치의 일부다.

2. Forward-deploy motion은 AI 시대에 부상한 실행 패턴이다

   1. 현장 배치: 팀원이 고객 측으로 가서 AI 제품을 설정하고 적절한 솔루션에 통합한다.
   2. 맥락과 가드레일: 고객의 사업 맥락을 넣고, 무엇을 해도 되는지와 무엇을 하면 안 되는지의 가드레일을 정의한다.
      • 마지막 마일을 진지하게 책임져야 제품이 실제 가치를 전달한다.

3. 산업 특화 AI는 코드로 번역하는 일이 핵심이다

   1. 번역 대상: 물류·헬스케어 같은 산업의 규칙, 규제, 컴플라이언스, 일반적인 비즈니스 로직과 조직 문화를 코드로 옮겨야 한다.
   2. 에이전트 실행: AI 에이전트가 그 코드를 바탕으로 실제 업무를 수행할 수 있을 때 vertical AI의 잠재력이 현실화된다.

2.3. 모델 선택과 에이전트 오케스트레이션

1. 가장 고급인 모델 하나로 모든 문제를 풀 수는 없다

   1. 비용과 지연: 최고급 모델은 필요 이상으로 비싸거나 느릴 수 있고, 특정 작업에는 과잉일 수 있다.
   2. 적합성 기준: 작업에 맞는 품질, latency, 비용 효율의 균형을 찾아야 한다.

2. 정교한 에이전트는 의도에 따라 모델을 라우팅한다

   1. 의도 파악: 들어온 질의의 의도를 이해하고 어떤 모델로 보낼지 결정한다.
   2. 모델 전문화: 각 모델이 잘하는 일과 latency·cost-effectiveness trade-off를 고려해 선택한다.
      • 실제 출력은 여러 모델을 정교하게 chaining하는 오케스트레이션의 결과가 된다.

3. 한 번의 프롬프트로는 기업의 맥락을 포착하기 어렵다

   1. 프롬프트의 난도: 사람들은 모델에 좋은 프롬프트를 쓰는 데 익숙하지 않고, 좋은 프롬프트 자체를 작성하기도 어렵다.
   2. 암묵지의 문제: 업무 지식이 문서가 아니라 사람의 머릿속에만 있다면 모델은 한 번의 프롬프트로 이를 알아낼 수 없다.
      • 창업자와 초기 직원이 고객과 대화하고 업무를 매핑하는 현장 작업이 여전히 필요하다.

3. Prepared: 산업을 깊이 아는 팀이 만드는 해자

3.1. 911 긴급 대응에 맞춘 vertical AI

1. Prepared는 긴급 대응용 AI 어시스턴트 플랫폼이다

   1. 고객과 문제: 911 센터를 위해 설계된 AI로서, 응급 신고를 처리하는 현장의 요구에 맞춰져 있다.
   2. 수직형 적용 AI의 사례: 특정 시장의 업무를 깊이 이해하고 목적에 맞춘 기능을 만드는 vertical applied AI의 전형이다.

2. CEO의 산업 친화력과 고객 공감이 제품의 출발점이 됐다

   1. 현장 네트워크: CEO는 업계 사람들을 거의 모두 알고, 업계 사람들도 그를 알며, 관련 콘퍼런스에 빠짐없이 참석한다.
   2. 고객 공감: 사람들이 그를 좋아하고 고객의 요구를 깊이 이해했기 때문에, 다른 팀이 놓친 필요를 purpose-built AI 솔루션으로 구현할 수 있었다.

3. 911 시장의 구매 습관보다 분명한 가치 제안이 더 중요했다

   1. 기존 한계: 911 센터는 역사적으로 뛰어난 소프트웨어 구매자로 알려진 시장이 아니었다.
   2. 차별적 효과: AI가 신고 전화를 분류해 응급인지 아닌지 빠르게 판단하도록 돕고, 도움이 필요한 사람에게 더 빨리 도움을 주는 결과를 만든다는 점은 이해하기 쉬웠다.
      • 명확한 value proposition이 시장 pull을 만들어 Prepared가 고객을 찾아다니기만 하지 않아도 되는 힘이 됐다.

3.2. 산업 집중이 만드는 지속 가능한 방어력

1. 고객의 책상에서 배운 지식이 해자가 된다

   1. 구축 레버리지: 어떤 기능을 만들어야 하는지 정확히 아는 산업 특화 팀은 제품 우선순위를 빠르게 정할 수 있다.
   2. 복제 난도: 규칙·관행·관계·고객의 숨은 요구를 현장에서 축적한 지식은 공개 데모만 본 경쟁자가 쉽게 복제하기 어렵다.

2. 특정 산업의 프리미어 AI 솔루션을 목표로 해야 한다

   1. 투자 관찰: Tan은 성과가 뛰어난 여러 투자 기업이 특정 산업 하나를 선택해 그 분야의 대표 AI 솔루션이 됐다고 본다.
   2. 시장 선택: 물류나 헬스케어처럼 규칙과 맥락이 두꺼운 시장일수록, 기술 자체보다 현장 번역 능력이 차별화 요소가 된다.

4. Decagon: 고객의 고통을 묻고 ROI를 증명한 기업

4.1. 아이디어가 없던 단계에서 고객 문제를 찾기까지

1. Decagon은 이름과 아이디어가 생기기 전부터 지켜본 투자 사례다

   1. 초기 동행: a16z는 Decagon이라는 이름이 생기기 전, 아직 구체적 아이디어도 없던 시기부터 팀이 회사를 바닥부터 세우는 과정을 봤다.
   2. 초기 방향: 팀은 엔터프라이즈에 분명한 수요가 있지만 기업들이 AI 가치를 실제로 얻는 방법을 모른다고 판단했다.

2. 기술 역량과 상업적 본능을 함께 활용했다

   1. 제품 역량: 팀은 좋은 AI 제품을 만들 수 있는 기술적 능력이 자신들에게 있다고 봤다.
   2. 판매 역량: 기업 판매를 잘할 수 있다는 상업적 감각도 갖췄다고 판단해, 기술과 엔터프라이즈 세일즈를 함께 추진했다.

3. 회사마다 ‘가장 큰 고통’과 ROI를 물었다

   1. 고객 인터뷰: 당시 기술 친화적인 기업들을 하나씩 찾아가 가장 큰 문제와 그 문제를 해결했을 때의 ROI를 물었다.
   2. 반복된 답: 고객들은 지원(support)이 가장 큰 문제이며, 이를 해결하면 많은 돈을 지불하겠다고 일관되게 답했다.
      • 기업에는 지원 업무를 담당하는 사람이 너무 많고, 소비자는 고객지원 채널에 전화를 걸 때마다 자주 화가 난다는 관찰이 문제의 규모를 보여줬다.

4.2. 지원 자동화가 높은 ROI를 보이는 이유

1. 고객지원은 AI가 해결하기 좋은 명확한 업무였다

   1. 즉시 이해되는 가치: AI가 반복적인 지원 문제를 처리하면 기업은 인력 부담을 줄이고 고객 경험을 개선할 수 있다.
   2. 제품-시장 적합성: Decagon은 방향을 모색하던 단계에서 고객의 반복된 고통을 발견한 뒤 빠르게 세계 수준의 제품을 정의했고, 거의 즉시 product-market fit을 얻었다.

2. 좋은 기술만으로는 구매가 일어나지 않는다

   1. 설명 가능성: 기술자는 기술이 훌륭하고 ROI가 있을 이유를 알아도 고객에게 그 가치를 설명하지 못하면 사업적 의미가 없다.
   2. 구현 만족도: 고객이 가치를 이해하고, 제품이 실제 업무에 맞게 구현되며, 도입 결과에 만족해야 구매와 확장이 일어난다.

3. 조종은 빠르게 프로덕션에 도달해야 한다

   1. 설계 목표: pilot을 상대적으로 빠르게 프로덕션에 올리고 명확한 ROI 지표를 보여주도록 설계해야 한다.
   2. 조직 후원: 내부에서 필요한 sponsorship을 확보해야 도입 책임자와 현업이 함께 성공 조건을 만들 수 있다.
      • pilot 마지막에는 채택해야 하는 이유를 설명할 수 있도록 식별 가능한 ROI 수치를 가리켜야 한다.

4. 코딩과 지원은 ROI를 이해시키기 쉬운 범주다

   1. 코딩의 직관적 ROI: 코딩 AI는 개발자가 더 많은 결과물을 내는 모습을 직접 보므로 생산성 향상이 직관적이다.
   2. 지원의 정량적 ROI: 지원 AI는 해결률(resolution rate), 고객 만족도(CSAT), NPS 상승, 처리 티켓 증가, 대기시간 감소, 비용 절감으로 효과를 측정할 수 있다.

5. Decagon은 시장이 ROI를 즉시 이해하는 드문 사례다

   1. 운영 효과: AI가 24시간 응답해 hold time과 wait time을 없애고, 더 많은 티켓을 처리하며, 비용을 낮출 수 있다.
   2. 구매 논리: CSAT와 해결률이 올라간다는 결과가 명확해, 고객지원 자동화는 현재 엔터프라이즈 AI에서 가장 분명한 고ROI 사용 사례 중 하나다.

6. 부분 자동화는 가치 산정이 어렵다

   1. 흐름의 단절: 전체 업무 흐름 중 한 부분만 자동화하면 최종 결과에 기여한 정도를 설명하기 어렵다.
   2. 증강의 모호성: 사람을 돕는 augmentation 제품은 기술적으로 유용해도 고객이 지불할 명확한 결과 지표가 흐려질 수 있다.

5. Sola와 자동화의 경계

5.1. 백오피스의 암묵지를 에이전트로 바꾸기

1. 대기업 백오피스에는 자동화되지 않은 반복 업무가 많다

   1. 대표 업무: 데이터 입력, 보험금 청구(claims) 처리처럼 지루하고 수작업이 많은 프로세스가 기회 영역이다.
   2. 전략적 기회: AI가 반복 업무를 맡으면 직원은 장기적으로 더 큰 가치를 만드는 전략 업무에 집중할 수 있다.

2. Sola는 업무 담당자가 자신의 프로세스를 기록하게 한다

   1. 맥락의 소유자: 실제 업무를 담당하는 비즈니스 사용자는 프로세스의 맥락을 알고 있지만, 그 지식은 머릿속에서 문서로 꺼내기 어렵다.
   2. 기록 방식: 담당자가 자신의 업무 과정을 직접 기록하면 Sola의 agentic automation framework가 화면과 맥락을 함께 해석할 수 있다.

3. 에이전트는 단계의 의미를 파악해 동적 봇을 만든다

   1. 단계 이해: 프레임워크는 어떤 화면이 로그인 단계인지, 어떤 화면이 데이터 추출 단계인지 문맥적으로 구분한다.
   2. 동적 실행: 미리 고정한 단순 매크로가 아니라 프로세스에 맞춰 동적으로 처리하는 봇을 구축한다.
      • 암묵지의 기록과 에이전트의 문맥 이해가 결합돼 백오피스 자동화의 적용 범위를 넓힌다.

5.2. 기술적 가능성과 사회적 허용 범위

1. 지원 티켓과 전문직 전체 자동화는 같은 문제가 아니다

   1. 상대적으로 가능한 영역: 복잡도에 따라 고객지원 티켓은 현재도 비교적 end-to-end 자동화가 가능하다.
   2. 어려운 영역: 변호사·의사·엔지니어의 일을 완전히 자동화하는 것은 업무의 기술적 복잡성과 책임 때문에 훨씬 어렵다.

2. 자동화 수준은 두 축으로 판단해야 한다

   1. 기술적 축: 해당 도메인에서 업무를 얼마나 완전히 자동화할 수 있는지 평가해야 한다.
   2. 사회적·제도적 축: 문화적, 사회적, 규제적 역학이 완전 자동화를 허용하는지 별도로 봐야 한다.
      • 기술이 가능해도 사회가 책임 소재와 신뢰를 받아들이지 않으면 자동화 범위는 제한된다.

3. 고위험 전문 업무에는 인간의 최종 책임이 남는다

   1. 법률 사례: 비교적 단순한 법률 업무의 대부분을 AI가 처리해도, 책임(liability) 때문에 변호사가 마지막에 검토하고 서명해야 한다.
   2. 신뢰의 단계: 사람들은 AI가 의도한 대로 작동한다는 신뢰를 얻기 위해서도 인간의 확인 절차를 원한다.

4. 지원 자동화에도 human-in-the-loop이 필요하다

   1. 에스컬레이션: 자동화된 지원 흐름에는 필요할 때 인간 상담원에게 넘기는 경로가 있어야 한다.
   2. 감독: 인간 관리자가 AI 에이전트를 계속 감독해 의도한 방식으로 일하는지 확인해야 한다.
      • 이런 형태의 인간 감독은 상당 기간 유지될 가능성이 높다.

6. 투자자의 역할과 승자에게 필요한 실행력

6.1. 초기 투자에는 위험과 자본 책임이 따른다

1. 벤처는 태생적으로 위험한 직업이다

   1. 투자 대상: 아직 시장이 무르익지 않은 경우가 많은 초기 단계 기업과, 긴 여정을 앞둔 창업자에게 투자한다.
   2. LP에 대한 책임: 투자자의 자본을 맡긴 LP를 위해 최선의 결정을 내리고, 파트너 기업이 가능한 좋은 결과로 향하도록 도와야 한다.

2. 결과의 분포와 화해해야 한다

   1. 현실 인식: 투자 결과가 언제나 가능한 최선의 결과가 되지는 않으며, 투자자는 그런 결과의 분포와 함께 살아가는 법을 배워야 한다.
   2. 일상의 초점: 매일 결과 숫자를 붙잡기보다 만나는 창업자와 각각의 파트너십 결정, 그리고 그들이 원하는 결과로 가도록 돕는 일에 집중한다.

6.2. 좋은 투자자는 전술적 도움과 인내를 함께 제공한다

1. 회사가 성장하는 방식은 제각각이다

   1. 빠른 성공 뒤의 문제: 어떤 회사는 즉시 작동한 뒤 새로운 도전에 부딪힌다.
   2. 늦게 터지는 불꽃과 장기 고전: 어떤 회사는 오랫동안 고생하다가 뒤늦게 성장하고, 어떤 회사는 여러 해 동안 계속 힘든 시간을 보낸다.

2. 전술적 지원은 사업의 병목을 직접 푼다

   1. 인재와 고객: 투자자는 후보자를 설득해 채용을 돕고, 고객 소개를 연결한다.
   2. 재무 운영: runway와 현금 잔고를 함께 검토해 회사가 다음 국면까지 버틸 방법을 찾는다.

3. 창업자에게 가장 필요한 것은 인내심 있는 동료일 때가 많다

   1. 정직한 소통: 창업자가 힘든 상황을 솔직하게 말하고 전화할 수 있어야 하며, 투자자가 같은 편에서 도울 것이라는 확신이 필요하다.
   2. 비난 없는 관계: 창업자는 최선을 다하고 있으므로 투자자는 소리치거나 탓하기보다 긴 여정을 이해하고 곁을 지켜야 한다.
      • 투자자이면서도 포트폴리오 창업자들과 진짜 우정을 키우려는 노력이 위기 때 작동한다.

4. 개인적 신뢰는 중요한 의사결정의 안전장치가 된다

   1. 위기 연락: 포트폴리오 기업은 중요한 제안, 핵심 임원의 문제, 예상 밖의 펀드레이즈처럼 큰 분기점에서 투자자에게 연락한다.
   2. 성급한 결정을 늦추기: 행동하고 전략을 세워야 할 때도 있지만, 감정이 격한 순간 돌이킬 수 없는 결정을 내리지 않도록 하루 동안 생각해 보게 한다.
      • Tan은 직접 창업자를 만나러 가며, 한 회사가 어려운 펀드레이즈를 겪었을 때 금요일 오전 6시에 사무실에서 마지막 피치 준비를 함께했다.

6.3. 경쟁이 치열할수록 고객 공감·기술·속도가 동시에 필요하다

1. 초기 우위만으로는 충분하지 않다

   1. 기회의 확산: 이제 모두가 AI가 가치를 만들고 공략할 기회가 많다는 사실을 안다.
   2. 속도의 압력: 먼저 시작했거나 일찍 들어갔어도 계속 속도를 내고 모멘텀을 쌓지 않으면 세상이 너무 빠르게 앞서간다.

2. 지금은 집중해서 실행해야 할 시기다

   1. Lock in: 많은 훌륭한 회사가 만들어질 시기이므로 창업자는 집중력을 높이고 실행의 페이스를 유지해야 한다.
   2. 승자의 조합: 고객에게 공감하는 창업자, 기술적으로 뛰어나고 AI-native인 팀, 누구보다 빠르고 끈질기게 일하는 실행력이 함께 있어야 한다.

7. 중간 안내와 핵심 발언

7.1. EO Magazine 안내

1. 인터뷰의 글 버전과 추가 콘텐츠를 제공한다
   1. 읽기·공유 기능: EO Magazine에서 이 이야기를 글로 읽고, 좋아하는 문장을 저장하고, 다른 사람과 공유할 수 있다고 안내한다.
   2. 구독 안내: 채널의 모든 이야기를 글로 제공하고 채널에서 볼 수 없는 deep dive도 발행하며, eomag.io에서 이메일 구독을 권한다.

7.2. 핵심 발언 모음

1. 프로덕션과 고객 현장

   1. 데모의 간극: “화려한 데모와 실제 프로덕션 애플리케이션 사이에는 거대한 간극이 있다.”
   2. 현장 학습: “초기 단계에서 엔터프라이즈 AI를 만드는 창업자라면 고객에게 날아가 옆에 앉아라.”

2. ROI와 제품 판매

   1. 구매 조건: “훌륭한 솔루션을 만들 수는 있지만, 그래도 그것을 사줄 사람을 찾아야 한다.”
   2. 조종의 목적: “조종이 끝났을 때 가리킬 수 있는, 명확하고 식별 가능한 ROI 지표를 가져야 한다.”

3. 투자자와 창업자의 관계

   1. 신뢰: “창업자가 전화해 솔직하게 말할 수 있고, 우리가 같은 편에서 도울 것이라고 아는 것이 큰 차이를 만든다.”
   2. 마지막 조언: “고객에게 공감하고, 기술적으로 AI-native이며, 누구보다 빠르게 움직이고 열심히 일하는 창업자가 지금의 승자가 될 것이다.”

핵심 데이터 & 수치

• 95% 대 5%: AI가 95%의 경우에는 올바르게 작동해도 5%에는 완전히 다른 결과를 낼 수 있어 예외 설계가 필수다.
• 100% 결정성: 전통적 엔터프라이즈 소프트웨어는 버튼 입력과 결과의 관계가 결정적이라는 대비로 제시된다.
• 6년 이상: Kimberly Tan이 a16z에서 초기 단계 B2B 소프트웨어에 투자해 온 기간이다.
• 23세: Tan이 기술 업계에 익숙하지 않은 상태로 a16z에 합류한 나이다.
• 2020~2021년: 현장 창업자들이 AI가 모든 분야에 들어갈 것이라고 강하게 알리던 시기다.
• 24/7: Decagon 지원 AI가 대기시간 없이 상시 응답할 수 있다는 ROI 근거다.
• 911: Prepared가 긴급전화 센터를 위해 설계한 시장이다.
• 오전 6시 금요일: Tan이 어려운 펀드레이즈를 겪은 포트폴리오 회사와 마지막 피치 준비를 한 시각과 요일이다.
• 17분 44초: 제공된 영상 길이다.

결론 및 시사점

1. 기초 모델 호출은 출발점일 뿐이다: 모델 선택, 라우팅, 데이터와 업무 맥락의 연결, 예외 처리, 교육, 구현, 운영 감독이 기업 가치의 대부분을 만든다.
2. 고객의 책상에서 배워라: 문서화되지 않은 업무 지식을 직접 듣고 매핑하는 forward-deploy 실행이 산업 특화 해자와 정확한 제품 우선순위를 만든다.
3. 가장 아픈 문제를 찾아라: Decagon처럼 고객에게 가장 큰 고통과 ROI를 묻고 반복되는 답을 제품 방향으로 전환하면 아이디어가 없는 단계에서도 PMF에 도달할 수 있다.
4. pilot을 숫자로 끝내라: 빠른 프로덕션 전환과 resolution rate, CSAT/NPS, 처리량, 대기시간, 비용 같은 하나의 명확한 지표가 기술 설명을 구매 논리로 바꾼다.
5. 자동화의 한계를 설계하라: 기술적 가능성뿐 아니라 책임·규제·사회적 신뢰를 평가하고, 고위험 업무에는 인간 승인과 감독 및 에스컬레이션을 남겨야 한다.
6. 승자는 세 요소를 겹친다: 고객 공감, AI-native 기술력, 압도적인 실행 속도를 동시에 갖춘 팀이 빠르게 변하는 시장에서 초기 우위를 지속 가능한 결과로 바꾼다.
7. 투자자는 같은 편에 서야 한다: 채용·고객·재무 같은 전술적 도움과 함께 창업자가 힘든 순간 솔직히 전화할 수 있는 인내심과 신뢰를 제공해야 한다.