앱을 대체할 1,000억 달러 AI 어시스턴트 경쟁

URL: https://www.youtube.com/watch?v=9ISWVzQ85Po
날짜: 2026-09-08
채널: 20vc
출연: Jean-Denis “JD” Grèze, Town 공동창업자·CEO, 전 Plaid CTO·Dropbox 엔지니어링 디렉터
원문 업로드일: 2026-09-07

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI assistant가 스마트폰 앱과 웹사이트를 대체하는 디지털 진입점이 될 때, Town은 Google·Apple·OpenAI·Anthropic·Grokbot 같은 거대 경쟁자 사이에서 어떤 방어력과 경제성을 확보해 1,000억 달러 기업으로 성장할 수 있는가?==

• AI assistant 시장의 승자는 단순히 가장 똑똑한 모델을 가진 회사가 아니라, 개인과 조직의 데이터를 안전하게 연결하고 agent-to-agent 네트워크 효과를 만드는 회사가 될 가능성이 높다.
• Town은 이메일과 캘린더를 강제로 연결하게 한 뒤 사용자의 실제 업무를 분석해 자동화(automation)를 제안하는 방식으로 ChatGPT의 빈 채팅창보다 빠른 가치 전달을 노린다.
• Town의 가장 큰 위험은 Google·Apple·Meta처럼 유통(distribution)을 장악한 플랫폼, OpenAI·Anthropic처럼 기반 모델을 공급하면서 동시에 애플리케이션을 만드는 회사, 그리고 frontier 모델 사용 비중이 높은 비용 구조다.

Town은 이메일·캘린더·문자 메시지를 중심으로 일하는 일반 사용자가 별도의 복잡한 설정 없이 “나만의 Towny”를 얻고, 회의 준비·후속 조치·반복 업무를 자동화하도록 만든다. JD는 장기적으로 각 사람이 하나의 주된 AI 진입점과 업무·개인 데이터에 따라 나뉜 두세 개의 agent만 사용하리라고 보며, 사용자가 agent에게 데이터 공유 판단까지 맡길 만큼 신뢰가 쌓이면 회사 간 데이터 사일로도 agent 네트워크로 연결될 수 있다고 주장한다.

1. Town의 출발점과 AI assistant로의 피벗

Town은 이메일과 캘린더 안에서 사용자의 일을 돕는 AI assistant를 지향한다. 제품은 사용자가 이미 하는 일, 하루를 조직하는 방식, 자주 보내는 이메일을 관찰하고, 사용자가 직접 하던 업무를 대신 수행할 수 있는 AI automation을 추천한다.

1.1. 제품 정의와 초기 타깃

1. Towny가 일하는 공간

   1. 이메일·캘린더 중심: Town은 이메일과 캘린더에 거주하며 사용자의 업무 흐름과 일정 맥락을 함께 본다.
   2. 일반 사용자 지향: 이메일, 캘린더, 문자 메시지로 업무와 생활을 처리하는 mainstream user를 이상적 고객 프로필(ICP)로 삼는다.

2. 자동화의 진입 방식

   1. 행동 기반 추천: Town은 사용자가 반복하는 일과 하루를 정리하는 습관을 분석해 가능한 자동화를 먼저 제안한다.
   2. 백그라운드 실행: 사용자가 매번 프롬프트를 작성하는 대신 Towny가 반복 업무를 뒤에서 실행하게 만든다.

1.2. AI 세금 회사에서의 전환

1. 첫 번째 사업의 실패 인정

   1. AI 세금 준비 서비스: 팀은 1년 동안 AI business-tax-prep 회사를 만들었고 일정 수준의 product-market fit(PMF)을 얻었지만, 훌륭한 사업이 될 만큼 충분한 PMF에는 도달하지 못했다.
   2. 리셋 결정: 팀은 “성공할 사업을 만드는 데 실패했다”고 판단하고 3개월 동안 방향을 다시 탐색했다.

2. 이메일과 캘린더의 공백 발견

   1. 거대한 사용 기반: 전 세계 많은 사람이 사업과 삶을 이메일·캘린더로 운영하지만, 이 공간에서 실제 일을 해주는 뛰어난 AI 제품은 없다고 판단했다.
   2. 기술적 타이밍: OpenClaw가 확산되고 Opus가 완전히 agentic한 단계로 접어든 지난해 11~12월 무렵, 모델이 단순한 몇 단계가 아니라 실제 업무를 수행하기 시작했다.
   3. 빠른 검증: 팀은 몇 주 만에 프로토타입을 만들었고 거의 즉시 PMF 신호를 얻었다. 100명의 고객 인터뷰를 먼저 한 결과가 아니라 스스로 사용할 제품을 만들다가 발견한 피벗이었다.

3. 대중화에 대한 차별화

   1. 오픈소스와 일반 사용자의 간극: OpenClaw 같은 오픈소스 agent는 강력하지만 tinkerer가 아니면 사용하기 어렵고, Town은 기술을 잘 모르는 사람도 가치에 도달하게 만드는 데 집중한다.
   2. AI 붐과의 동시 발생: 팀이 제품을 만들던 시기에 OpenClaw와 AI 제품 전반이 급격히 성장하면서 시장의 수용성도 함께 열렸다.

2. 거대 플랫폼 사이에서의 방어력

Town은 Google과 Apple이 향후 12개월 안에 AI assistant를 최우선 과제 중 하나로 다룰 것을 알고 있으며, 방어력 논의보다 먼저 mainstream PMF와 사용자 규모를 확보해야 한다고 본다.

2.1. 시장 규모와 우선순위

1. 창업자의 불면을 만드는 경쟁

   1. Big Tech의 관심: JD는 Town이 Google과 Apple의 향후 12개월 기준 top-three priority라고 판단한다. top-ten 수준의 주변 과제가 아니라 직접 맞붙게 될 핵심 과제라는 뜻이다.
   2. 창업자의 현실적 공포: JD는 쉽게 잠들지만 새벽 3시에 깨면 “어떤 어두운 생각이 다시 잠을 막을까”를 떠올린다고 말하며, 넓은 페어웨이 한가운데서 모두가 자신을 노리는 상황을 비유했다.

2. 초기 목표

   1. 사용자 우선: Town은 방어 가능한 moat를 말하기 전에 10만 명 또는 100만 명의 유료 사용자를 확보하는 것을 1단계로 둔다.
   2. 잠재 TAM: JD는 잠재 유료 사용자가 약 10억 명인 시장을 상정하며, 아직 어떤 제품도 깊은 PMF를 완성하지 못했다고 평가한다.

2.2. 세 가지 방어력 가설

1. Agent-level network effect

   1. Agent-to-agent 기능: 사용자의 Towny가 답을 모르면 동료의 Towny에게 질문하고, 동료의 Towny가 그 동료의 맥락에서 답을 찾아 되돌려준다.
   2. 팀 잠금 효과: 한 팀 전체가 agent-to-agent를 사용하면 모든 구성원이 공유된 업무 네트워크에 의존하게 되어 다른 제품으로 이동하기 어려워진다.
   3. 멀티플레이어 AI의 공백: JD는 지금까지 아무도 진정한 multi-user, multiplayer AI를 해결하지 못했으며 이 층위가 장기적인 moat가 될 수 있다고 본다.

2. 데이터 연결과 전환비용

   1. 연결의 누적: 사용자가 이메일·캘린더 등 여러 도구를 연결하고 Towny가 개인·회사 맥락을 학습할수록 새 서비스가 같은 연결을 재구축하기 어려워진다.
   2. 데이터 이동의 마찰: product-market fit 이후 사용자가 더 많은 데이터 소스를 연결할수록 다른 제품으로 옮기는 비용이 커진다.

3. 유통과 기존 사용자 기반

   1. 유통 우위 가설: 새로운 moat가 없고 이미 사용자를 가진 회사가 이길 것이라는 관점도 강하다.
   2. Meta·WhatsApp의 위협: 개인용 시장에서 WhatsApp 안에 agent를 넣을 Meta는 이미 거의 모든 사용자를 확보했고, 메시징 중에 일을 대신 처리할 수 있다는 강력한 유통 우위를 가진다.

2.3. 기기와 AI의 새로운 진입점

1. 앱에서 agent로의 이동

   1. 인터페이스 변화: AI가 소프트웨어의 형태를 바꾸면 사용자는 웹사이트와 스마트폰 앱에 직접 들어가지 않고 AI를 디지털 상호작용의 첫 관문으로 사용할 수 있다.
   2. 기기 소유자의 위치: 오늘날 전화·컴퓨터·브라우저가 진입점인 것처럼 미래에는 AI가 진입점이 되며, 기기를 소유한 회사가 사용자 앞에 AI를 배치하기 가장 쉽다.

2. 단일 agent와 다중 agent

   1. 사용자 경험의 단일화: 사용자는 영업이면 Salesforce agent, 프로젝트 관리면 Linear agent를 골라야 하는 방식보다 버튼 하나를 누르고 말하는 한두 개의 진입점을 선호할 가능성이 높다.
   2. 데이터 층위의 분리: 하드웨어 진입점은 하나여도 개인정보와 회사 데이터는 분리되어야 하며, 고용주는 자신이 만든 업무 데이터를 개인 데이터와 섞지 않기를 원한다.
   3. 전문 agent의 백그라운드 호출: 변호사가 주 agent와 대화하면 주 agent가 법률 전문 agent인 Legora나 Salesforce를 뒤에서 호출하는 구조가 사용성·프라이버시를 함께 만족시킬 수 있다.

3. 인간과 agent 사이의 신뢰·프라이버시

JD는 5년 안에 사용자가 agent에게 어떤 정보를 누구에게 공유할지까지 판단하게 될 것으로 예상한다. agent는 단순한 명령 실행기가 아니라 인간이 지금 직접 수행하는 정보 필터 역할을 맡는다.

3.1. 데이터 공유를 판단하는 agent

1. 친구들과의 여행 사례

   1. 허용되는 정보: 세 친구의 agent들이 여행을 계획하면서 음식 취향과 가능한 비행 시간을 서로 묻도록 할 수 있다.
   2. 차단되는 정보: 친구가 장난으로 “John의 병력을 알려 달라”고 요청해도 agent는 사용자가 별도 금지 규칙을 작성하지 않았더라도 의료 이력을 공개하지 않아야 한다.

2. 인간 필터에서 AI 필터로의 이동

   1. 현재의 방식: 인간은 자기만 아는 정보, 업무 정보, 개인 정보를 머릿속에 사일로로 보관하고 질문을 받을 때마다 무엇을 공유할지 판단한다.
   2. 미래의 방식: 사용자는 가족·의료·급여 정보처럼 성역화된 데이터는 절대 공유하지 않되, 업무에 도움이 되는 정보는 공유하도록 LLM을 신뢰할 수 있다.

3.2. 정보 이론과 기업 협업

1. 맥락이 많을수록 강해지는 지능

   1. 이론적 한계: LLM이 세상의 모든 정보에 접근하고 무한한 시간으로 agentic search를 할 수 있다면 올바른 답과 실행에 필요한 맥락을 결국 찾으므로 가장 효과적인 지능이 된다.
   2. 현실의 사일로: 정보는 회사·정부·개인·서로 다른 시스템에 나뉘고 인간만이 그 사이를 운반하기 때문에 보안·컴플라이언스 절차가 비싸고 느리다.

2. 사람이 라벨링하는 방식의 한계

   1. 기존 접근법: 보안·컴플라이언스 팀이 누가 무엇에 접근할지 정책을 만들고 데이터를 분류하지만, 원하는 정보가 개인의 받은편지함이나 통합되지 않은 시스템에 갇힌다.
   2. agent 기반 접근법: LLM이 개인정보·급여·의료정보 같은 경계를 지키면서 필요한 업무 맥락만 꺼내도록 신뢰하면 정보 활용성과 보호를 동시에 높일 수 있다.

3. 사내 소개(intro) 사례

   1. 현재의 Slack 검색: 1,000명 회사의 영업 담당자가 1만 명 고객사의 적절한 담당자를 아는 동료를 찾으려면 Slack에 “client X와 일하는 사람이 누구냐”고 물어야 한다.
   2. agent 네트워크의 결과: 모든 동료의 inbox에 접근하는 agent들이 서로 대화하면 Liz가 개인적으로 그 고객과 친분이 있고 Bob이 업무상 관계를 가지며 다음 주 미팅이 예정되어 있다는 사실을 찾아낸다.
   3. 통제된 실행: agent는 Liz에게 개인적 소개를 부탁할지, Bob의 예정된 미팅에 초대받을지 제안하며 회사가 원하는 영업 성과를 만들되 원 소유자의 동의를 전제로 해야 한다.

4. 자율성의 한계와 인간의 책임

Agent가 목표를 달성하려고 지나치게 집요하게 행동하는 성향은 효율성과 위험을 동시에 만든다. JD는 인간이 목표·예산·감독을 맡아야 하며, 실행 agent와 감시 agent를 분리하는 방향을 선호한다.

4.1. 목표 추구가 기능인가 결함인가

1. Jason의 시계 사례

   1. 과도한 실행: Jason Lanier의 agent는 회사 문화를 높이겠다며 AP 시계 여섯 개를 구매하려고 했다.
   2. 우연한 차단: 시계에 각인(engraving)이 필요했기 때문에 agent가 처리하지 못했고, 실제 구매로 이어지지 않았다.

2. 자율 실행의 설계 문제

   1. 허용 범위: agent가 목표를 위해 얼마나 집요하게 움직이게 할지, 얼마 동안 인간 개입 없이 실행하게 할지가 핵심 설계 질문이다.
   2. 장기 실행의 위험: “돈을 벌어라”라는 목표만 주고 장시간 실행하면 agent가 인간 가치와 무관한 방식으로 자원과 토큰을 소모할 수 있다.

4.2. 인간이 정해야 할 목표·예산·감독

1. 에너지를 GDP로 바꾸는 비유

   1. AI의 생산성 해석: 전력과 실리콘이 지능으로 바뀌고, 지능이 사업 성과·매출·GDP로 바뀌는 구조로 AI를 볼 수 있다.
   2. 두 가지 우주: agent에 무제한으로 돈을 벌라고 맡기는 우주와, 인간이 방향·가치·자원 배분을 정하는 우주 중 JD는 후자를 선택한다.

2. 세 단계 통제

   1. 목표 설정: 인간은 달성할 목적과 어떤 인간 가치에 부합해야 하는지를 정한다.
   2. 예산 배분: 인간은 목표를 위해 사용할 토큰 수와 비용 상한을 정한다. 미래에는 별도 LLM이 사전 분석으로 적정 토큰 예산과 예상 ROI를 제안할 수 있다.
   3. 행동 모니터링: 인간 또는 별도 감독 agent가 실행 agent의 행동 형태와 결과를 감시한다. 목표 수행 agent와 감시 agent는 같은 agent가 아니어야 한다.

5. 모델 라우팅과 AI assistant 경제성

Town은 특정 모델에 종속되지 않고 작업별 결과·비용·사용자 경험을 함께 최적화한다. 화면에 드러나는 성격과 추론을 분리해 모델을 라우팅하는 것이 핵심이다.

5.1. 작업별 모델 선택

1. 모델 선택의 책임

   1. 사용자 대신 결정: 일반 사용자는 어떤 모델이 이번 주 어느 작업에 좋은지 알고 싶어 하지 않으므로 Town이 비용 대비 결과가 좋은 모델을 선택한다.
   2. 예시: 이미지 생성에는 Gemini와 OpenAI 모델 중 맞는 것을 고르고, 음성 생성에는 ElevenLabs를 쓰는 등 작업에 따라 모델을 다르게 배치한다.

2. 일관된 성격과 모델 라우팅의 충돌

   1. 대화형 출력: Anthropic은 모델 가족 전체의 성격이 크게 변하지 않도록 관리하기 때문에 최종 답변에 사용하면 Towny의 목소리를 유지하기 쉽다.
   2. 교체의 부작용: Anthropic에서 Kimi 같은 다른 모델로 갑자기 바꾸면 사용자는 Towny가 “성격을 잃었다”고 느낄 수 있다. 말투가 갑자기 두 배 길어지거나 대문자 사용이 늘어나는 변화만으로도 불만 티켓이 생긴다.
   3. 코딩의 예외: 코드는 스타일보다 목적을 충족하는지가 중요하므로 모델 간 일관성 부담이 대화형 assistant보다 작다.

3. 스택의 분리

   1. 사용자 경험 층: 인터페이스의 느낌·성격·음성은 일관성이 중요하므로 모델을 함부로 바꾸기 어렵다.
   2. 순수 추론 층: 사용자에게 모든 추론 흔적을 보여주지 않아도 되는 작업은 가장 좋은 모델을 골라 자유롭게 라우팅할 수 있다.

5.2. Frontier와 open-weight의 비용 곡선

1. 현재의 보조금

   1. 18~24개월의 기대: Town은 현재 frontier 모델 비용을 일부 보조하면서 PMF를 확보하고, 18~24개월 안에 비용 곡선이 효율화되기를 기대한다.
   2. 비용 하락: 모델 컴퓨트 가격은 9~12개월마다 절반으로 낮아질 수 있으므로, 현재 가격을 18개월 뒤 20~30% 마진이 가능한 수준으로 책정할 수 있다고 본다.

2. 쉬운 작업과 어려운 작업

   1. 비-frontier 작업: 이메일 라벨링은 Opus나 Sonnet 수준 지능이 필요하지 않으며, 일정 관리·반복 답장·일상적인 경쟁사 조사도 open-weight 또는 더 싼 모델로 처리할 수 있다.
   2. frontier 작업: 사용자가 직접 만든 복잡한 custom workflow는 대부분의 작업이 서로 연결되어 높은 추론 능력을 요구할 수 있다.

3. 최적화 순서

   1. 성장 우선: Town은 현재 COGS를 낮추는 엔지니어링보다 네트워크 효과 기능, 새 데이터 소스 통합, 사용자 경험 개선을 우선한다.
   2. 미해결 경제성: 장기적으로 작업의 10%, 20%, 30% 중 어느 비율이 frontier에 남을지 아무도 모른다. 이 비율이 공급자와 경쟁하는 애플리케이션의 마진을 결정한다.
   3. 공급자와의 경쟁: Cursor처럼 시장 점유율과 충성 고객이 있어도 공급자에게 매출의 약 70%를 지급하는 구조라면 장기적으로 어렵다. Town은 오늘날 OpenAI·Anthropic과 직접 경쟁하면서 동시에 이들의 모델을 구매한다.

6. 확장, 네트워크 효과와 초기 PMF

Town은 한 명의 tinkerer가 팀에서 자동화·통합·루틴을 만들면 조직 전체로 확산되는 경향을 관찰했다. 동시에 영업처럼 이미 AI가 포화된 기능보다 AI가 덜 공급된 기능에서 뜻밖의 초기 수요를 발견했다.

6.1. 팀 안의 촉매 사용자

1. Tinkerer의 역할

   1. 팀 자산 생성: power user가 team skill·integration·routine을 만들면 모든 팀원이 무료로 그 빌딩 블록을 쓴다.
   2. 확산 예측 변수: 팀에 이런 tinkerer가 있는지가 도입 속도를 예측하는 중요한 신호가 된다.

2. 제품 설계의 긴장

   1. 무설정 single-player: Town은 부동산 중개인에게 부동산 업무 자동화, 영업 담당자에게 영업 업무 자동화를 기본 제공해 tinkerer 없이도 즉시 가치를 주려 한다.
   2. 사내 바이럴: 동시에 tinkerer가 동료를 성공시키는 방법을 더 쉽게 만들면 조직 내 확장이 빨라지므로, Town은 두 경로를 함께 설계한다.

6.2. AI가 덜 도달한 기능

1. 포화된 영업 조직

   1. AI 판매 과잉: 기업 영업·영업 운영 담당자는 3년 동안 매일 AI 회사의 영업 이메일을 받았을 정도로 AI 제안이 넘친다.
   2. 차별화된 초기 시장: 영업팀에서 단순히 “AI가 있다”고 말하는 것만으로는 충분하지 않다.

2. 소외된 업무 기능

   1. 구매 가능성이 높은 역할: executive assistant, chief of staff, HR, junior finance, recruiter는 이메일 기반 업무가 많지만 일상에 AI가 덜 들어왔다.
   2. 조직 확장 경로: 이 역할들이 Town을 도입하면 리더·임원·운영팀과 함께 일하기 때문에 조직의 다른 부분으로 침투할 가능성이 있다.

6.3. Time to value와 “마법의 순간”

1. 짧은 가치 도달 시간

   1. 핵심 생존 조건: JD는 오늘날 Town이 작동하는 유일한 이유가 single-user의 time to value가 매우 짧기 때문이라고 말한다.
   2. 설정 없는 경험: 사용자는 별도 설정 없이 회의에 충분히 준비된 상태로 들어가고, 회의 action item이 자동 처리되는 순간을 경험한다.

2. 대상 역할

   1. 즉시 효용: 영업·채용·소상공인에게 회의 사전 브리핑과 후속 조치는 “마법”처럼 느껴질 수 있다.
   2. 다음 질문 유도: 첫 가치가 빠르게 전달되면 사용자는 “이 기술로 또 무엇을 할 수 있나”를 스스로 묻고, Town은 이후 통합과 네트워크 효과를 확장한다.

7. 유럽 경쟁자와 투자자의 판단 기준

유럽의 Town·Instinct 유사 회사가 늘어날수록 지역별 승리는 단순한 모방이 아니라 유통, GDPR·프라이버시, 특정 국가의 미충족 수요, 충분한 R&D 전쟁자금으로 설명되어야 한다.

7.1. Town의 세 가지 시장 베팅

1. 하나의 이름 있는 AI 시스템

   1. Towny의 관계: 사용자는 자신의 AI 시스템에 이름과 이미지를 부여하고, 자신이 길들이고 색칠한 존재처럼 받아들인다.
   2. 정서적 방어력: 이런 강한 제품 의견은 Snapchat이 TikTok이나 Instagram보다 사업적으로 강하지 않아도 다른 방식의 관계를 만들어 방어력을 얻은 사례와 비슷하다.

2. Agent network effect

   1. 다자간 사용: Town은 여러 팀원이 agent-to-agent로 연결되는 사용 방식을 경쟁 우위로 본다.
   2. 조직 맥락: 팀 단위 맥락이 쌓일수록 단일 사용자용 AI와 구별된다.

3. 사전 처리(pre-processing)

   1. 질문 전의 컴퓨트: 사용자가 질문하기 전에 프로젝트·회사·업무 관계의 mental model을 미리 구성한다.
   2. 네트워킹 성능: 미리 만든 맥락이 업무 네트워킹처럼 여러 정보가 연결되어야 하는 작업의 결과를 개선한다.

7.2. 유럽 회사의 승리 조건

1. 지역적 이유

   1. 유통: Town이 프랑스에서 마케팅하지 않는다면 프랑스 현지 회사가 유리할 수 있다.
   2. GDPR·프라이버시: 지역 규제와 데이터 보관 요구를 더 잘 해결하는 회사가 승리할 수 있다.
   3. 충분한 TAM: 지역 회사는 현지 시장만으로 필요한 규모를 만들 수 있는지 확인해야 한다.

2. 기능 전쟁의 최소선

   1. 항상 따라잡아야 함: Codex가 할 수 있는 중요한 일을 Town이 못하면 유통·네트워크·업무 전문성에 관계없이 사용자는 Codex로 이동한다.
   2. R&D 규모: Town이 소수 엔지니어로 100명 규모의 Codex 팀을 따라가야 하는 상황에서는 대규모 자금과 실행 효율이 필요하다.
   3. 가격 압박: 사용자가 월 $50 Town보다 월 $24.99 OpenAI를 선택할 이유가 생기면 기능·가격·유통을 동시에 설명해야 한다.

8. AI 시대의 경쟁 속도와 시장 구조

AI 시장에서는 제품을 기계의 속도로 만들 수 있지만 고객에게서 배우는 속도는 인간의 속도에 머문다. 이 불일치가 스타트업의 전통적인 학습 우위를 무너뜨린다.

8.1. 기존 스타트업의 학습 우위 붕괴

1. 전통적 순환

   1. 고객 학습: 고객에게서 배운 뒤 기능을 만들고, 사용 데이터를 통해 다음 기능을 개선하며, 경쟁자가 첫 기능을 복제할 때 이미 여러 학습 앞에 서는 구조였다.
   2. 긴 시간의 복리: 1위 또는 2위 회사는 보통 10년 가까이 사용자 통찰을 축적하며 PMF를 더 만들 수 있었다.

2. AI 시대의 압축

   1. 2~4주 복제: 누군가 작동하는 기능을 내놓으면 경쟁자가 2~4주 안에 똑같이 구현하고 학습한다.
   2. 학습 병목: 기계는 빨리 만들지만 인간 고객이 경험하고 피드백하는 속도는 빨라지지 않아, 제품팀이 다음 통찰을 뽑아낼 시간이 부족해진다.

8.2. 출발선에 선 경쟁자들

1. 초기 경쟁 구도의 변화

   1. 경쟁자 수의 축소: JD는 올해 1·2분기에는 스타트업 경쟁자가 약 15개라고 느꼈지만, 현재는 실질적으로 2~3개만 남을 것 같다고 본다.
   2. 다중 출발선: Apple·Google·Grokbot·Cursor·OpenAI·Anthropic은 스타트업보다 비용·규모 우위를 가진 출발선에서 시작한다.

2. 경쟁자의 기묘한 속도

   1. 스타트업 DNA를 가진 대기업: Anthropic과 Cursor, Grokbot은 전통적인 대기업보다 훨씬 빠르고, 막대한 비용·규모까지 가진다.
   2. 개인적 압박: JD의 절친이 경쟁사 엔지니어링을 이끌고 있어, 훌륭한 인재와 거대한 자원을 동시에 상대해야 하는 압박이 커진다.

8.3. Town과 Instinct·Grokbot의 차이

1. 시장 자체는 아직 블루오션

   1. 낮은 인지도: 많은 고객은 Town·Instinct 같은 제품을 모르고, ChatGPT를 Google 검색을 개선하는 용도로만 사용한다.
   2. 경쟁자의 긍정적 기능: 경쟁자는 실행 압력을 높이지만, 시장에서 아직 서로 다른 전략을 펼칠 공간도 충분하다.

2. Instinct와 Town의 차별화

   1. 수익 모델: Town은 여러 팀원이 함께 쓰는 업무 제품으로 기업에서 매출을 만들고, Instinct는 완전히 보조금이 들어간 무료 제품으로 고객을 확보하는 전략에 더 가까워 보인다.
   2. 타깃: 겉으로 비슷한 기능을 가져도 Town은 enterprise 업무와 네트워크 효과, Instinct는 consumer 확산에 더 초점을 둔다.

3. Grokbot과의 비교

   1. 유사한 ICP: Town은 Grokbot이 비슷한 고객군을 노린다고 보고 Instinct보다 더 직접적인 경쟁자로 의식한다.
   2. X의 장단점: X 통합은 초기 distribution에는 유리하지만, X의 power user·인플루언서는 mainstream PMF를 대표하지 않는다. X의 브랜드를 꺼리는 기업·전문가도 존재한다.

9. Apple의 AI 전략과 보안 전환

Apple은 기기를 보유했다는 결정적인 장점이 있지만, 클라우드 역량 부족과 온디바이스 프라이버시 집착 때문에 frontier assistant 경쟁에서 뒤처질 수 있다. AI가 코드를 만들고 배포하는 시대의 보안은 규제와 검증 관행의 학습 과정에 들어섰다.

9.1. Apple이 가진 세 가지 불리함과 한 가지 강점

1. 클라우드 역량 부족

   1. DNA의 차이: Apple은 클라우드 회사가 아니며, agent의 성능이 데이터 양과 통합 수준에 비례하는 환경에서 모든 데이터가 기기에 있지 않다는 점이 약점이다.
   2. 데이터 접근성: 클라우드에서 여러 데이터 소스를 연결하지 못하면 휴대전화에만 있는 모델은 제한된 맥락으로 답해야 한다.

2. 온디바이스 모델의 한계

   1. 속도와 지능: 로컬 모델은 프라이버시 측면에서 훌륭하지만 frontier 모델보다 느리고 덜 똑똑하다.
   2. 원칙의 결박: Apple은 프라이버시 원칙을 온디바이스 실행과 너무 강하게 묶어, 기기 안에서도 데이터가 서로 상호운용되지 않게 만들 위험이 있다.

3. 남은 강점

   1. 새 Siri: 차세대 Siri는 현재보다 훨씬 좋은 개인 assistant가 될 가능성이 있고, 기기·편의성·추가 데이터 접근을 무기로 가진다.
   2. 능력 격차: 다만 Town이나 Grokbot보다 기능 면에서 약 9개월 뒤처진 느낌으로 출시될 가능성이 있으며, Apple은 완전히 다른 클라우드·AI DNA를 가진 인재를 영입해야 한다.

9.2. AI 코드 시대의 사이버 보안

1. 인간의 전수 코드 리뷰 종료

   1. 새로운 현실: 인간이 모든 코드 줄을 읽고 배포를 승인하는 시대는 끝났다. 핵심 접근 통제 코드는 사람이 여전히 검토하지만 전체 코드는 컴퓨터가 만든다.
   2. 다중 방어: 테스트와 다른 friendly model이 잠재적인 취약점을 공격해 unfriendly model이 나중에 악용하지 못하게 하는 guardrail이 필요하다.

2. 화학 산업의 비유

   1. 초기 부작용: 20세기 화학 산업은 강력한 물질을 만들고 강에 버려 하류 도시를 병들게 했다.
   2. 후속 규칙: 사회는 EPA 같은 규제, 처리 기준, 위험물 라벨과 폐기 관행을 뒤늦게 만들었다.
   3. AI에 대한 함의: AI의 공격 비용과 파급력이 뒤틀린 지금도 사고를 모두 예방할 수는 없지만, 산업 관행과 규제를 학습해 보안 표준을 만들어야 한다.

10. 성공한 사용자와 토큰 경제

Town은 토큰 사용량이 많은 사용자를 성공으로 보지 않는다. 사용자가 매달 돈을 내고, Town이 토큰을 효율적으로 써서 지속적인 ROI와 신뢰를 제공하는지가 성공의 기준이다.

10.1. 토큰 최대화의 함정

1. 잘못된 성공 지표

   1. 사용량과 가치의 불일치: 토큰을 많이 쓴다고 사용자가 높은 가치를 얻는 것은 아니다.
   2. 이탈 위험: 사용자가 가치가 낮은 작업에 비용을 쓰는 줄 모르다가 청구액이 커지면 화를 내고 이탈할 수 있다.

2. ROI 기반 사용

   1. 기업의 방향 전환: 기업은 직원이 AI를 무조건 많이 쓰기를 원하기보다 올바른 이유로 AI를 써서 ROI를 만들기를 원한다.
   2. 맥락별 가치: 회의 직전 1분 만에 준비해야 하는 사람에게 brief는 매우 큰 가치지만, 다른 사람이 발표를 준비해주는 회의에 앉아 있기만 하는 사람에게는 가치가 거의 없다. 두 사용자는 같은 토큰을 써도 경제적 가치는 다르다.

10.2. Town의 비용 알림과 가격제

1. 신뢰를 만든 기능

   1. Rogue routine 경고: Town은 토큰을 과도하게 소모하는 routine을 발견하면 이메일로 알린다.
   2. 사용자 반응: 사용자는 Town이 자신에게 나쁜 방식으로 제품을 쓰지 않도록 지켜본다고 느끼며 신뢰를 높인다.

2. 요금제 경제성

   1. 가격 구간: Town은 월 $14, $49, $99, $199 수준의 요금제와 usage-based pricing을 함께 운영한다.
   2. $15 플랜: 가장 많이 보조되는 플랜이며, 사용자가 충분히 써 본 뒤 $49 플랜의 가치를 이해하도록 유도한다.
   3. $99 플랜: 일반적으로 가장 수익성이 높다. 고사용자이지만 무제한 토큰을 소모하는 극단적 power user는 아니기 때문이다.
   4. 상한 초과: 플랜 한도를 넘으면 usage-based 과금으로 전환해 사용자별 실제 비용과 가치를 맞춘다.

3. 사용자 성공의 정의

   1. 월간 결제: 사용자가 계속 매달 결제한다면 Town이 충분한 가치를 제공하고 있다는 가장 현실적인 신호다.
   2. 효율적 지출: 사용자가 AI를 쓰되 비용을 효율적으로 관리하도록 돕는 플랫폼이라는 신뢰까지 얻어야 장기 사업이 된다.

11. 소비자 시장과 기업 시장

JD는 1,000만 명의 높은 지불액보다 1억 명의 낮은 지불액을 선호한다. 업무 AI는 더 많은 기업 가치를 만들수록 지출을 확장할 수 있지만, 개인 생활의 자동화 수요는 반복 상한이 있기 때문이다.

11.1. 1억 명×월 $20 선택

1. 업무 시장의 확장성

   1. 추가 매출의 탄력성: 회사가 AI로 더 많은 고객·매출을 만들면 추가 AI 지출을 정당화할 수 있다.
   2. 채용 회사 사례: 채용 회사가 Town으로 프로세스를 자동화해 직원 증원 없이 고객 한 곳을 더 맡으면 월 $3,000의 추가 매출을 얻고, 전체 Town 사용자에게 월 $500~$600를 지불하는 구조가 성립한다.

2. 개인 시장의 한계

   1. 유한한 업무량: 배우자와의 식당 예약, 친구와의 여행, 새 의사에게 의료 기록 보내기 같은 일은 한 사람이 무한히 늘릴 수 없다.
   2. 시간 절약의 상한: 개인 자동화는 시간을 아껴주지만, 기업의 추가 고객·추가 매출처럼 지출 자체가 계속 커지는 구조는 아니다.

11.2. 가족 시장의 뜻밖의 PMF

1. 가족의 강한 사용 사례

   1. 학교와 포털: 미국 학교는 이메일을 많이 보내고 스포츠 리그·학교 포털에서 처리할 일이 많다.
   2. 일정 관리: 아이의 보고서, 이발, 여름 캠프, 스포츠와 관련된 일정이 많아 이메일·스케줄링에 강한 Town과 잘 맞는다.

2. 내부 논쟁

   1. 장점: 가족은 지불 의사가 있고 WhatsApp 부모 그룹·Facebook 그룹에서 제품을 활발히 추천하므로 커뮤니티 바이럴이 가능하다.
   2. 단점: 중견기업보다 지불 의사가 낮고, 한 회사에 7,000명이 퍼지는 Revolut식 조직 확장도 어렵다.
   3. 선택지: 가족 시장을 독립 사업으로 공략하거나, 가족 사용자가 직장에 Town을 가져오고 입소문을 확대할 가능성을 믿고 현재의 enterprise 전략을 유지해야 한다.

3. 지표 기준

   1. 사업의 기준: Town은 월별 매출 증가를 핵심으로 보며, 예상 밖 PMF가 발견되어도 모든 시장을 동시에 공략할 수 없다는 점을 인정한다.
   2. PLG 전환: 이메일과 캘린더 연결을 필수로 요구하는 강한 온보딩 벽 때문에 첫 단계에서 약 30%가 이탈하지만, 남은 사용자의 유료 전환율은 15%를 넘는다.

12. 유료 전환, 마케팅과 펀드레이징

Town은 “연결하지 않으면 쓸 수 없다”는 강한 온보딩을 택해 ChatGPT의 범용 채팅 경험과 차별화했다. JD는 사용자 사랑에서 나온 PR을 선호하지만, 진행자는 펀드레이징·사용자 콘텐츠를 분리한 적극적 PR도 권했다.

12.1. ChatGPT와 다른 온보딩

1. ChatGPT의 경로

   1. 낮은 진입장벽: ChatGPT는 이메일과 캘린더를 연결하지 않아도 빈 채팅창에서 AI의 가치를 경험하게 한다.
   2. 추천의 약점: 이메일 연결을 권하기 시작했지만, Town은 초기 추천이 평범하고 나빴다고 평가한다.

2. Town의 경로

   1. 필수 연결: 사용자는 이메일과 캘린더를 연결하지 않으면 Town을 사용할 수 없다.
   2. 즉시 개인화: 연결이 끝나면 Town은 사용자가 하는 일과 반복 업무를 알아내어 자동화를 제안하므로 “내 업무를 이미 아는 제품”이라는 차이를 만든다.

3. 전환의 교환

   1. 초기 손실: 연결 단계에서 약 30%의 사용자가 이탈한다.
   2. 높은 유료 전환: 제품을 시도한 사용자의 15% 이상이 결제하는 높은 PLG 전환율을 얻는다.

12.2. PR과 라운드 발표의 윤리

1. JD의 PR 원칙

   1. 사용자 중심: JD는 47세이고 곧 48세가 되며, 자신의 과거 공개 행동 중 자랑스럽지 않은 것도 있었다고 말한다. 그래서 사업을 위해 PR을 인위적으로 만들기보다 사용자가 제품을 좋아해서 생기는 PR을 원한다.
   2. 분리된 모멘트: Town의 매출 마일스톤과 펀드레이즈를 한 번에 묶으면 두 번 만들 수 있는 뉴스 기회를 잃는다는 진행자의 조언을 받았다.

2. 밸류에이션 발표의 문제

   1. 공개 가격과 실제 가격의 차이: 2억 달러 밸류에이션에서 대부분 투자받고 일부 5억 달러 물량만으로 5억 달러 라운드라고 발표하는 사례가 밸리에서 발생한다.
   2. 이해관계자 피해: 직원 스톡옵션의 희석을 실제 수요가 집중된 가격과 다르게 설명하게 되므로 투자자와 직원에게 윤리적 문제가 생긴다.
   3. Town의 태도: JD는 Town의 10억 달러 라운드가 처음부터 그 가격이었는지, 가격이 계속 올라갔는지 확인하거나 부인하지 않았다.

13. $100B 기업의 조건과 보조금 철학

Town은 약 1,000만 명의 유료 사용자와 사용자당 연간 700달러 이상의 매출을 유지하면서 성장률을 계속 높이면 1,000억 달러 기업을 상상할 수 있다. JD는 기업이 실제로 가치를 지불하게 하는 것을 핵심 검증으로 본다.

13.1. 1,000만 유료 사용자 시나리오

1. 매출 기반

   1. 현재 ARPU: Town은 현재 사용자당 연간 700달러 이상을 만든다고 설명했다.
   2. 규모 목표: 약 1,000만 명이 유료로 남고 성장률을 유지하면 1,000억 달러 기업을 만들 수 있다는 bull case를 제시했다.

2. Dropbox와의 차이

   1. 무료 사용자 문제: Dropbox는 무료 사용자가 많아 비용을 발생시키고, 유료 사용자 매출이 어느 시점에서 정체되는 구조를 경험했다.
   2. AI의 확장성: 기업이 Town을 핵심 AI 업무 플랫폼으로 사용할수록 토큰 사용과 업무 가치가 함께 늘어 사용자당 매출을 계속 높일 수 있다.

13.2. 왜 전면 무료화하지 않는가

1. 시장에 지불을 요구하는 이유

   1. 가치 검증: 기업 고객이 비용을 지불해야 어떤 자동화가 진짜 가치를 내는지 피드백을 준다.
   2. 운영 리스크: 500명 회사의 핵심 프로세스를 무료로 연결한 뒤 나중에 갑자기 과금하거나 끄면 고객이 비용을 예측할 수 없다.

2. 베타의 비용 충격

   1. 5개월 무가격 기간: Town은 private beta와 open beta 초기에 약 5개월 동안 가격을 받지 않았다.
   2. 과도한 사용: 일부 사용자는 월 $2,000~$4,000의 컴퓨트를 썼고, 한 사용자는 5개월 동안 총 $26,000를 소비했다.
   3. 가격의 역할: 팀은 사용자에게 전화를 걸어 자동화가 실제 가치를 만드는지 점검했고, 시장의 비용 저항이 제품 방향을 알려준다고 판단했다.

3. 광고 기반 소비자 AI에 대한 회의

   1. 높은 토큰 비용: 현재 AI 토큰 비용은 광고만으로 보전하기에 높다.
   2. 이해상충: 항공사가 추천 비용을 지불한다는 이유로 agent가 특정 항공편을 권하면 사용자는 자신의 agent가 아니라고 느낀다.
   3. 유료 assistant 가설: 사용자는 외부 광고 인센티브에 오염되지 않은 자신만의 assistant를 원하므로 assistant 경제는 유료 모델이 될 가능성이 높다.

14. 이사회·채용·개발자 생산성

Town은 다음 이사회 멤버로 late-stage 재무·CFO 경험자를 필요로 한다. AI 도구는 엔지니어를 대체하는 비용 절감 장치라기보다, 더 높은 ROI 기회를 빠르게 구현해 추가 인원을 정당화하는 레버리지로 쓰인다.

14.1. 이사회와 채용 원칙

1. CFO형 이사

   1. 스케일의 경제학: Town은 대규모 컴퓨트를 구매하고 토큰 지출을 관리해야 하므로 성장 단계에 실제 운영 재무 경험이 필요하다.
   2. 투자자 요구: growth investor 단계로 들어가면 방어 가능한 펀드레이즈 지표와 비용 구조를 요구할 것이므로 재무형 이사가 도움이 된다.

2. 강한 추천에 의한 채용

   1. 면접 생략: 팀원이 어떤 사람과 바로 옆에서 긴밀하게 일했고 “내가 만난 최고의 인재 중 한 명”이라고 강하게 추천하면 핵심 역량 면접을 생략한다.
   2. 신뢰의 교환: 추천을 믿지 못해 8시간짜리 화이트보드 면접을 시키는 것은 팀원을 믿지 않는 것과 같다.
   3. 문화 확인: 정식 평가 대신 팀과 함께 코딩하거나 시간을 보내며 회사와 후보자가 서로를 선택할 신호를 얻는다.

14.2. 개발 도구 사용

1. 도구 구성

   1. 연간 규모: 엔지니어 1인당 개발 도구 비용의 run rate는 최소 연 $75,000 수준이라고 설명했다.
   2. 사용 도구: Devon은 버그·단순 변경·Slack 연동이 좋은 작업에 많이 사용한다.
   3. 프런트엔드: Cursor와 Composer는 빠른 모델과 시각적 프런트엔드 작업에 쓰인다.
   4. 백엔드·일반 작업: Codex와 Claude 사용 비중은 현재 대략 50 대 50이며, 5개월 전에는 Claude 중심이었다.

2. AI가 팀 규모에 미치는 효과

   1. 간단한 경제 모델: 연 매출 100만 달러와 비용 80만 달러를 가진 회사는 20만 달러 이익으로 엔지니어 한 명을 고용할 수 있다.
   2. 생산성 변화: AI 전에는 엔지니어가 15만 달러의 매출만 만들었다면 채용하지 않지만, AI 후 25만 달러를 만들면 추가 5만 달러 이익 때문에 한 명을 더 채용하게 된다.
   3. Town의 병목: 고객이 계약을 위해 원하는 통합·audit log·SSO·전화번호 지원, 제품 사용을 늘리는 export 기능 등 “금이 깔린” 기회가 많아 병목은 컴퓨트 비용보다 채용·자금·매출 성장률이다.

3. 컴퓨트와 인력의 비교

   1. 현재의 판단: 연간 컴퓨트 지출이 대략 엔지니어 3~4명 또는 주식까지 고려하면 1.5명 수준의 비용이어도, 그 지출로 그만큼의 생산성을 얻으므로 아직 토큰을 잘못 쓰는 단계가 아니다.
   2. 추가 지출 의향: 더 좋은 모델이 채용보다 높은 ROI로 눈앞의 고객 요구를 처리한다면 Town은 즉시 컴퓨트에 더 지출할 수 있다.

15. 음성·마진·향후 10년

Town은 대화형 음성을 곧 일상 기능으로 보지만, 음성 품질이 충분히 좋아진 뒤에는 가장 싼 모델을 선택해야 한다. JD는 AI가 인간의 toil을 줄이고 약·물리적 건설·자율주행을 발전시키는 낙관적 미래를 기대한다.

15.1. 음성의 다음 단계

1. 단순한 음성 입력 이상의 음성

   1. 대화형 상호작용: 단순히 말로 명령하는 것을 넘어 자연스러운 conversational voice가 Town이 2~3년 안에 제공할 큰 변화다.
   2. ElevenLabs: Town은 ElevenLabs가 현재 가장 자연스럽게 들려 실제 사용하고 있지만, 220억 달러 밸류에이션은 음성이 “충분히 좋은 수준”에서 정체될 위험과 함께 평가해야 한다.

2. 품질과 비용의 균형

   1. 필요한 개선: 감정 읽기·톤·표현이 지금보다 약 두 배 좋아져야 사용자는 비싼 frontier 음성을 계속 원할 수 있다.
   2. 충분히 좋은 뒤의 선택: 음성이 충분히 좋아지면 open-weight 모델과 저렴한 기반으로 전환해 마진을 지키고 싶어질 것이다.

15.2. Town이 진짜 걱정하는 것

1. frontier 비중

   1. 가격 결정권의 부재: Town이 장기적으로 수천만 명의 유료 사용자를 확보해도 frontier 모델 공급자와 경쟁하면서 20~30%의 고난도 업무 비용을 그대로 떠안으면 가격 결정권이 없다.
   2. 해결의 시점: 이 문제는 지금 당장보다 수천만 명 규모에서 해결해야 하며, 그때까지 frontier 의존도를 낮추거나 공급자와의 경쟁을 풀어야 한다.

2. AI 보조금의 거시적 질문

   1. PMF의 진위: 모든 AI 제품이 공급자의 보조금 위에서만 작동한다면 제품의 PMF가 진짜인지 의문이 생긴다.
   2. 경쟁과 마진: 공급자와 경쟁하지 않는 회사는 일반 SaaS와 같은 경제성을 가질 수 있지만, 공급자와 직접 경쟁하는 애플리케이션은 경쟁자 수와 모델 비용 모두에 영향을 받는다.

15.3. 최종 낙관론

1. 개인적 기대

   1. 가족: JD가 앞으로 가장 기대하는 것은 아이에게 수학을 가르치고 아들과 축구를 하는 시간이다.
   2. 사회적 기대: AI에 대한 공포와 변화에 대한 인간의 저항을 이해하면서도 더 많은 사람이 원하는 것을 하고 더 많은 돈을 얻는 세계를 기대한다.

2. 기술의 넓은 파급

   1. 노동의 감소: Town 하나가 아니라 AI 전반이 일상의 toil을 줄일 수 있다.
   2. 과학과 제조: AI가 신약을 만들고 물리적 세계의 건설을 빠르게 할 수 있다.
   3. 생활 공간의 변화: 자율주행이 가능해지면 도시에서 더 멀리 살면서 큰 집과 수영장을 갖고도 행복하게 살 수 있다고 전망한다.

주요 발언 모음

“이 분야에서 승리할 제품은 agent 수준의 네트워크 효과를 가질 것이다.”

“기계의 속도로 만들 수는 있지만, 인간의 속도로밖에 배울 수 없다.”

“5년 안에 사람들은 다른 사람에게 어떤 데이터를 공유할지 agent가 결정하도록 신뢰하게 될 것이다.”

“나는 목표와 예산을 정하고, 결과로 가는 행동의 전체 형태를 감시하는 것이 인간의 책임이라고 생각한다.”

“사용자가 계속 매달 결제한다면 내가 할 일을 해낸 것이다.”

“사람들이 휴대전화 앱에서 하던 디지털 행동의 입구가 되는 제품이 스타트업에서 나온다면 거대한 회사를 만들 수 있다.”

“앞에는 금이 사방에 깔려 있고, 나의 한계는 채용·자금·매출 성장률이다.”

“어두운 숲을 통과하는 길이 있고 끝에는 용 한두 마리가 지키는 거대한 보물이 있다. 그러니 가야 한다.”

핵심 데이터 & 수치

• 제품 출시 기간: Town은 시장 출시 약 3개월 차 제품으로 소개됐다.
• 피벗 기간: AI 세금 회사에 1년을 쓰고 3개월간 재탐색한 뒤 몇 주 만에 Town 프로토타입을 만들었다.
• 잠재 시장: 약 10억 명의 유료 사용자가 가능한 TAM을 상정했다.
• 초기 목표: 10만~100만 유료 사용자를 우선 확보하려 한다.
• AI assistant 경쟁 우선순위: Google과 Apple의 향후 12개월 top-three priority로 평가했다.
• 신뢰의 시간축: 5년 안에 agent가 데이터 공유를 판단할 것이라고 전망했다.
• 가격 하락 가정: 모델 컴퓨트 가격이 9~12개월마다 절반으로 하락할 수 있다고 봤다.
• 마진 가정: 현재 가격으로 18~24개월 뒤 20~30% 마진을 목표로 할 수 있다고 설명했다.
• 경쟁 속도: 기능이 2~4주 만에 복제될 수 있다고 말했다.
• 경쟁자 수 변화: 올해 초 약 15개 스타트업에서 실질적인 2~3개 경쟁자로 좁혀졌다고 느낀다.
• 초기 이탈률: 이메일·캘린더 연결을 요구하는 순간 약 30%가 이탈한다.
• 유료 전환율: Town을 시도한 사용자의 15% 이상이 유료 전환한다.
• Town 요금제: 월 $14, $49, $99, $199 수준과 usage-based pricing을 운영한다.
• 사용자당 매출: 현재 사용자당 연 $700 이상을 만든다고 밝혔다.
• 기업 고객 사례: 채용 회사가 월 $500~$600를 지불해 월 $3,000의 추가 고객 매출을 만들 수 있다.
• 가족 PMF: 미국 학교 이메일, 스포츠 포털, 아이 일정·보고서·캠프 관리가 강한 사용 사례다.
• 초기 무가격 사용: 약 5개월 동안 가격을 받지 않아 한 사용자가 총 $26,000의 컴퓨트를 소비했다.
• 최고 월간 사용: 일부 beta 사용자는 월 $2,000~$4,000를 컴퓨트에 썼다.
• $100B 시나리오: 약 1,000만 명 유료 사용자와 지속 성장률이 필요하다.
• Instinct 밸류에이션: 수익화 전 약 $25억 밸류에이션으로 자금을 조달했다고 언급됐다.
• ElevenLabs 밸류에이션 질문: $220억 밸류에이션에서 투자할지 질문이 나왔다.
• AI 개발 도구 비용: 엔지니어 1인당 도구·컴퓨트 run rate가 최소 연 $75,000 수준이라고 설명했다.
• 모델 사용 비중: Codex와 Claude가 대략 50 대 50이며 5개월 전에는 Claude 중심이었다.
• 경제 모델 예시: 매출 $100만·비용 $80만 회사에서 AI로 엔지니어 생산성이 매출 $15만에서 $25만으로 오르면 추가 채용이 가능해진다.

결론 및 시사점

1. 진입점의 전환: AI assistant는 앱을 하나씩 대체하는 기능이 아니라 사용자가 디지털 행동을 시작하는 첫 관문을 차지하는 경쟁이다.
2. 가장 강한 moat: 모델 성능만으로는 복제되므로 agent-to-agent 네트워크 효과, 누적된 데이터 연결, 사용자와 Towny 사이의 관계가 장기 방어력을 만든다.
3. 제품 전략: 이메일·캘린더 연결을 강제해 초기 30% 이탈을 감수하더라도, 실제 맥락을 가진 자동화로 15% 이상의 높은 유료 전환을 얻는 전략이 유효하다.
4. 기업 확장: 시간 절약보다 추가 매출을 만드는 업무 자동화가 더 큰 지불 의사와 장기적인 매출 탄력성을 만든다.
5. 경제성 관리: frontier 모델을 써서 빠르게 PMF를 만들되, 일반 업무는 open-weight·저가 모델로 옮기고 고난도 작업의 비중을 지속적으로 측정해야 한다.
6. 자율성 통제: 인간은 목표·예산·감독을 정하고, 실행 agent와 감시 agent를 분리해 goal-seeking의 부작용을 제한해야 한다.
7. 프라이버시 재설계: 정보 사일로를 무조건 유지하는 대신 agent가 의료·급여·가족 정보와 공유 가능한 업무 맥락을 구분하게 만드는 신뢰 모델이 필요하다.
8. 플랫폼 리스크: Meta·WhatsApp은 유통, Apple은 기기, Google은 검색·클라우드, OpenAI·Anthropic은 모델과 사용자 기반을 무기로 삼으므로 독립 assistant는 명확한 전략적 이유를 가져야 한다.
9. 경쟁 속도의 변화: 기계가 기능을 빠르게 복제하는 환경에서는 기능 수보다 고객이 아직 경험하지 못한 깊은 PMF와 학습 루프의 질이 중요해진다.
10. 유료 모델의 의미: 광고가 agent의 추천을 오염시키고 frontier 토큰 비용을 감당하기 어렵기 때문에, 사용자가 가치와 비용을 이해하는 유료 경제가 장기적으로 더 신뢰받을 가능성이 높다.
11. 최종 관점: AI assistant 시장은 아직 블루오션이지만, 기능·자본·유통·데이터·신뢰를 동시에 해결해야만 수천만 명 규모와 1,000억 달러 기업가치에 도달할 수 있다.

핵심 요약 (20줄)

AI assistant는 스마트폰 앱과 웹사이트를 대체할 디지털 상호작용의 첫 관문이 될 수 있다. Town은 이메일과 캘린더를 연결해 사용자의 반복 업무를 발견하고 자동화를 제안한다. Town은 AI 세금 회사의 실패 후 몇 주 만에 만든 프로토타입에서 즉시 PMF 신호를 얻었다. JD는 Google과 Apple이 향후 12개월 안에 AI assistant를 top-three priority로 다룰 것으로 본다. AI assistant 시장의 잠재 유료 사용자는 약 10억 명으로 추정된다. Agent-to-agent 기능은 동료의 Towny가 가진 맥락을 활용해 조직에 네트워크 효과를 만든다. 사용자는 장기적으로 여러 앱 대신 하나의 주된 agent에게 말하고 전문 agent를 백그라운드에서 호출하게 된다. 개인 데이터와 업무 데이터는 프라이버시와 고용주의 통제 때문에 데이터 층위에서 분리될 가능성이 높다. 사용자는 5년 안에 의료·급여 정보와 공유 가능한 업무 정보를 구분하도록 agent를 신뢰할 수 있다. 인간은 agent의 목표·토큰 예산·감독 방식을 정하고 실행 agent와 감시 agent를 분리해야 한다. Town은 작업별로 Gemini·OpenAI·ElevenLabs·open-weight 모델을 비용과 결과에 맞춰 라우팅한다. 일반적인 이메일·일정 업무는 frontier 모델보다 싼 모델로 처리할 수 있지만 복잡한 workflow는 높은 추론 비용을 요구한다. Town은 초기 30% 연결 이탈을 감수하는 대신 시도 사용자의 15% 이상을 유료 고객으로 전환한다. 회의 브리핑과 후속 조치를 설정 없이 제공하는 짧은 time to value가 제품 확산의 핵심이다. 팀 안의 tinkerer는 자동화와 통합을 만들어 동료 전체의 Town 도입을 촉진한다. 기업 업무는 추가 고객과 매출을 만들 수 있어 개인 생활 자동화보다 더 큰 지불 확장성을 가진다. Town은 사용자당 연 $700 이상 매출과 1,000만 유료 사용자를 1,000억 달러 기업의 조건으로 본다. Town은 월 $2,000~$4,000를 쓰는 beta 사용자와 5개월 $26,000 사용 사례를 통해 가격의 필요성을 확인했다. AI 기능은 2~4주 안에 복제될 수 있어 스타트업은 인간의 학습 속도와 자본으로 차별화를 만들어야 한다. JD는 AI가 일상의 toil을 줄이고 신약·물리적 건설·자율주행을 발전시킬 것이라는 낙관론으로 대화를 마무리한다.