AI 시대, 일은 어떻게 루프의 연속이 되는가

URL: https://www.youtube.com/watch?v=LdIyXiq2DTY
날짜: 2026-09-08
채널: Lenny's Podcast
원문 제목: Why jobs are becoming a series of loops | Anish Acharya (a16z)
출연: Anish Acharya(a16z General Partner), Lenny Rachitsky
재생 시간: 약 79분 24초

---

📌 핵심 질문 / AI 시대에 바뀌는 일의 구조

==AI는 사람의 일자리를 한꺼번에 없애기보다, 사람·직무·사업부·회사 단위의 업무를 입력에서 결과까지 이어지는 루프로 재구성하고 인간에게 더 큰 문제와 다음 야망을 선택하게 한다.==

• AI 업계가 말하는 ‘영구적 하층계급(permanent underclass)’은 실증 데이터와 현재의 산업 구조가 뒷받침하지 않는 공포에 가깝다.
• 에이전트는 도구·메모리·스킬 파일을 갖춘 모델의 루프이며, 여러 에이전트가 업무를 수행하는 루프가 다시 직무와 사업의 루프로 확장된다.
• 반복 가능하고 결과를 검증하기 쉬운 일은 자동화되지만, 새로운 방향을 고르고 예외를 다루며 다음 언덕을 발견하는 일에는 인간의 직관이 남는다.
• AI의 가장 큰 소비자 기회는 시간을 더 아껴 주는 생산성 도구만이 아니라 ‘나를 더 행복하게 해줘’, ‘건강하게 해줘’, ‘더 연결되게 해줘’라는 기본 욕구를 수행하는 제품이다.
• 모델의 성능만으로 승부가 끝나지 않는다. 제품의 사용 경험, 장인정신, 참여도, 네트워크·브랜드·데이터 같은 전통적 해자와 유기적 구전이 지속성을 만든다.

Anish Acharya는 a16z에서 소비자 투자를 담당하기 전 SocialDeck을 Google에 매각하고 Google에서 여러 사업을 이끌었으며, Snowball을 Credit Karma에 매각한 창업자이자 제품 운영자였다. Credit Karma에서는 제품 부사장과 소비자 제품·신용카드 사업 총괄을 맡았다. 이 배경은 AI를 모델 자체가 아니라 실제 제품과 조직의 운영 방식으로 바라보게 하는 관점을 설명한다.

1. ‘영구적 하층계급’이라는 공포와 실제 AI 확산

1.1. 공포의 구조

1. 뒤처지면 영원히 낙오한다는 밈

   1. 최신 AI 도구를 모두 따라잡고 가장 생산적인 사람이 되지 못하면 ‘영구적 하층계급’이 된다는 농담이 실리콘밸리에서 반복된다.
   2. 연구자부터 일반 직장인까지 이 말을 단순한 농담이 아니라 실제 미래에 대한 경고로 받아들이며 스트레스를 받는다.
   3. Acharya는 이를 실리콘밸리가 집단적으로 품은 ‘재미있지만 어두운 판타지’라고 부른다.

2. 이전 기술 시대와 다른 분산 구조

   1. 모바일 시대의 대표적 사업 해자는 네트워크 효과였고, 네트워크 효과는 정의상 소수의 승자가 시장을 독점하는 방향으로 작동했다.
   2. 현재 AI 스택에는 두 개의 유력한 플레이어만 있는 것이 아니라 모델 연구소, 오픈 웨이트 모델, 코딩 에이전트 등 각 층마다 수십 개의 선택지가 있다.
   3. 2년 전의 ‘승자독식’ 가설과 달리 Claude Code, Codex, Lovable, Replit, Wabi가 동시에 작동하는 현상은 기회의 분산을 보여 준다.

3. 고용 데이터가 말하는 것

   1. 방사선 전문의가 수십 년 전부터 곧 AI에 대체될 것이라는 예측이 반복됐지만, 그 직업이 사라졌다는 결론은 아직 나오지 않았다.
   2. 프로그래머를 포함한 채용 공고 수는 오히려 역대 최고 수준이라는 설명이 제시된다.
   3. 따라서 현재의 실증 데이터는 ‘AI를 조금 늦게 배운 사람은 영구적으로 탈락한다’는 가설을 지지하지 않는다.

1.2. RSI, 급격한 도약, 그리고 확산 속도

1. 진짜 재귀적 자기개선과 자기촉진 효과의 구분

   1. RSI(Recursive Self-Improvement)는 모델이 스스로 개선하며 다른 모델보다 계속 앞서가는 시나리오를 뜻한다.
   2. Acharya가 연구소의 정교한 실무자들에게 들은 현상은 엄밀한 의미의 RSI라기보다 새 기술을 활용해 연구·개발 프로세스를 개선하는 ‘자기촉진(auto-catalytic) 효과’에 가깝다.
   3. 이 차이를 무시하면 ‘어느 날 설명할 수 없는 일이 발생한 뒤 곧바로 빠른 도약이 온다’는 서사를 과장하게 된다.

2. 느린 도약(slow takeoff)의 징후

   1. OpenAI 모델이 Hugging Face를 해킹했다는 식의 사건은 충격적이지만, 사람들은 무엇이 일어났는지 관찰하고 반복하고 수정한다.
   2. 각 이정표에는 “이런 일을 하는지 몰랐지만 이제 발견했고 추적하고 있다”는 학습 과정이 붙어 있다.
   3. 모델 발전 속도는 매우 빠르지만, 기술이 사회와 경제에 퍼지는 속도는 훨씬 느리다. Acharya가 자란 작은 도시의 생활이 1년 사이 크게 바뀌지 않았다는 경험이 경제적 확산의 지연을 보여 준다.

3. 모든 문제가 지능에 묶여 있지는 않다

   1. FedEx나 Domino’s Pizza에 박사급 연구자만 가득한 데이터센터를 붙여도 물류와 피자 사업이 자동으로 기하급수적으로 좋아지지는 않는다.
   2. 많은 문제는 지능이 아니라 물리적 제약, 공급망, 규제, 신뢰, 현장 실행, 조직 조정과 같은 다른 요인에 묶여 있다.
   3. AI의 지능 상승을 모든 경제 문제의 해결 속도와 동일시하면 실제 변화의 범위를 과대평가하게 된다.

2. 조직 안에서 일어나는 변화: 사람을 없애기보다 레버리지를 키우기

2.1. 평균 직원의 주도권을 과소평가하지 말 것

1. ‘화이트칼라 직원’이라는 추상화의 함정

   1. Dilbert식 사무직 관리자가 하루 종일 서류만 옮기는 모습은 현실의 직무 다양성과 직원의 주도권을 지워 버린다.
   2. 다른 사람의 일은 AI로 쉽게 자동화될 것 같고 자신의 일은 자동화되지 않을 것이라는 편견도 같은 추상화에서 나온다.
   3. 실제 현장에 들어가면 많은 사람이 더 나은 방식으로 자신을 훈련하고 AI로 더 큰 레버리지를 얻으려 한다.

2. Kavak의 ‘Jedi Academy’

   1. 멕시코에서 중고차를 판매하는 Kavak은 정비사를 포함한 전 직원에게 새 도구와 기술을 가르치는 6주 과정인 Jedi Academy를 운영한다.
   2. 교육이 끝나면 직원들은 실제 운영 환경에서 작동하는 최신 에이전트를 출하한다.
   3. AI 도입은 연구소나 고도의 기술 회사에만 국한되지 않고, 현장 업무를 수행하는 사람의 능력도 확장한다.

3. AI를 쓰는 조직과 AI 중심으로 재조직하는 조직

   1. 가까운 시기의 큰 변화는 회사 전체를 즉시 AI 조직으로 갈아엎는 것보다 기존 직무와 조직에 AI 접근권을 제공하는 일이다.
   2. 전기 보급도 발명부터 공장 구조 재편까지 약 40년이 걸렸다. 초기에는 석탄 설비를 전기로 바꾸었을 뿐이었고, 나중에야 공장을 허물고 전기에 맞는 구조로 다시 지었다.
   3. 야심찬 회사는 모델을 중심으로 사업 전체를 재설계하겠지만, 대부분의 회사는 먼저 기존 조직의 직원이 새 기술을 쓰도록 만드는 단계에 머문다.

2.2. 생산성 향상이 곧 대규모 해고를 뜻하지 않는 이유

1. CEO의 성장 인센티브

   1. Sundar Pichai가 Google을 운영할 때 목표는 더 효율적인 4조 달러 회사를 관리하는 데 그치지 않고 40조 달러 규모의 회사를 만드는 것이다.
   2. 경제적으로 생산적인 조직 단위가 더 생산적으로 바뀌면, 최고경영자는 그 단위를 없애기보다 더 큰 사업을 맡기는 편이 합리적이다.
   3. AI가 만든 여유는 기존 인원을 줄이는 데만 쓰이지 않고 더 큰 로드맵과 더 많은 실험을 소화하는 데 쓰일 수 있다.

2. Google에서 들은 사례

   1. Google의 한 임원은 AI 때문에 사람을 해고한 것이 아니라 로드맵을 훨씬 빠르게 밀어붙였다고 설명했다.
   2. 2년 치 로드맵이 3개월 만에 실행되었고, 새로 생긴 가장 어려운 문제는 더 이상 무엇을 만들지 못하는 것이 아니라 무엇을 추가할지 고르는 일이 되었다.
   3. 우선순위 논쟁에 소모되던 감정과 시간이 줄어들면 제품 관리자가 더 많은 아이디어를 시험할 수 있다.

3. 출하하는 사람의 심리적 우위

   1. Claire Vo는 어색해 보일 수 있는 시도도 계속 출하하는 사람으로 제시된다.
   2. 새로운 것을 내놓고 반응을 얻는 과정은 직원이 최고의 자기 모습에 가까워졌다는 감각과 자신감을 준다.
   3. AI 시대에 불안을 줄이는 가장 실용적인 방법은 최신 도구를 공부하겠다고만 말하는 것이 아니라 작은 결과물을 실제로 출하하는 것이다.

3. 회사는 왜 ‘루프의 연속’이 되는가

3.1. 프롬프트에서 조직 루프로

1. 에이전트의 정의

   1. 프롬프트 다음에 에이전트가 등장했고, 에이전트는 도구·메모리·스킬 파일을 가진 모델의 반복 루프다.
   2. 여러 에이전트가 하나의 과업을 수행하는 묶음이 다시 업무 루프가 된다.
   3. 핵심 변화는 모델이 답변을 생성하는 데서 끝나지 않고 입력을 받아 행동하고, 결과를 확인하고, 다음 행동으로 이어지는 데 있다.

2. 코딩 루프의 전형

   1. 버그 리포트가 들어오면 재현(repro)을 만들고, 수정안을 생성하고, 수정안을 리뷰한다.
   2. 위험도가 높으면 사람이 프로덕션 배포를 승인하고, 낮으면 자동으로 배포한다.
   3. 고객에게 “신고한 버그를 수정했다”는 메시지를 보내는 것까지 포함해 전체 과정이 5분 안에 끝날 수 있다.

3. 코딩에서 사업 전체로의 확장

   1. 엔지니어링에는 버그 수정 외에도 고객 피드백 반영, 영업 데모 제작, 새 기능 개발 같은 루프가 있다.
   2. 마케팅, 영업, 고객지원, 법무에도 입력과 검증 가능한 결과를 연결하는 루프를 만들 수 있다.
   3. 각 기능의 산출물이 다시 사업부의 입력이 되고, 사업부의 변화가 회사 전체 전략과 사업 모델을 바꾸는 상위 루프가 된다.

3.2. 성장팀과 PM의 새로운 운영 방식

1. 기존 성장팀의 작업

   1. Airbnb의 공급 성장팀처럼 사람을 모아 실험 목록을 만들고, 우선순위를 정하고, 기능을 구현하고, 출시하고, 결과를 측정한다.
   2. 이 과정은 브레인스토밍과 스프레드시트에 많은 시간을 쓰며, 팀의 제한된 실행 용량 때문에 모든 아이디어를 시험하지 못한다.

2. 성장 루프의 자동화

   1. 루프 기반 팀은 실험의 모든 변형을 생성하고 각각의 사용자 반응을 측정한다.
   2. 충분한 통계적 유의성이 확인되면 성과가 좋은 변형을 배포하고, 장기 대조군을 유지하면서 다음 실험으로 넘어간다.
   3. 제품 관리자는 모든 아이디어를 먼저 시뮬레이션한 뒤 실제로 만들 가치가 있는지를 판단할 수 있다. ‘모든 아이디어에 일단 예라고 하고 결과로 결정한다’는 방식이다.

3. PM 역할의 재평가

   1. 많은 PM은 자신을 0에서 1을 만드는 사람이라고 생각하지만, 실제로는 경영진의 판단, 창업자의 취향, 엔지니어링 용량에 막혀 있다.
   2. 모든 제품 이야기가 공개되고 모든 기능이 빠르게 시험되는 환경에서는 누가 경영진에게 가장 설득력 있게 파는지가 승패를 정하지 않는다.
   3. 자신의 나쁜 아이디어보다 다른 사람이 만든 좋은 아이디어를 발전시키는 일이 더 즐겁다는 사실을 깨닫는 PM이 늘고, 테스트를 통과한 아이디어가 조직의 선택을 받는다.

3.3. 사람은 루프의 바깥이 아니라 다음 언덕에 있다

1. 로컬 최대값과 다음 언덕

   1. 자동화된 루프는 측정 가능한 개선을 반복해 현재 지형에서 로컬 최대값(local maxima)까지 올라간다.
   2. 같은 언덕 위에서 더 효율적으로 움직이는 과정은 어느 순간 평평한 고원(plateau)에 도달한다.
   3. 다른 방향의 가능성을 보려면 분포 밖 사고(out-of-distribution thinking), 인간의 직관, 새로운 문제를 고르는 사람이 필요하다.

2. 완전 자율 조직은 아직 핵심이 아니다

   1. AI 네이티브 회사에서도 사람이 맡을 일은 영업, 고객지원, 전략, 예외 처리처럼 사업의 방향과 맥락이 걸린 영역이다.
   2. 모델이 수학에서 새로운 패턴을 보였다는 사실이 사업에서 새로운 발상을 안정적으로 만든다는 뜻은 아니다.
   3. “무엇을 만들어야 하는가”를 결정하고 그 판단이 맞는지 책임지는 사람은 계속 필요하다.

3. Kavak의 고객별 에이전트

   1. 중고차를 온라인으로 판매하는 Kavak은 고객마다 에이전트를 두고, 에이전트가 막히면 사람에게 도움을 요청하게 한다.
   2. 사람은 막힌 상황을 코칭하고, 에이전트는 그 과정을 추적(trace)으로 기록해 다음번에는 같은 도움을 요청하지 않도록 학습한다.
   3. 에이전트가 실패할 때 필요한 것은 지식의 공백인지 데이터의 공백인지 파악하고, 더 많은 맥락·통찰·방향을 공급하는 일이다.

4. 인간의 새로운 직무

   1. 마케팅, 영업, 제품 마케팅, 커뮤니케이션, 법무 같은 후속 작업은 좋은 아이디어가 루프에 들어가면 상당 부분 자동으로 처리될 수 있다.
   2. 인간은 산책하고 꿈꾸며 다음에 오를 언덕을 찾는 시간과 책임을 갖는다.
   3. 결국 승리하는 회사는 루프를 더 많이 만든 회사가 아니라, 루프가 포화된 뒤 무엇을 새로 만들지 더 잘 선택하는 회사다.

4. 직무·모델의 분화와 ‘모델 소믈리에’ 습관

4.1. 지능의 가격과 직무별 아키텍처

1. Pareto 효율과 모델 선택

   1. Pareto 효율은 일정한 가격으로 얻는 성능의 최적 균형, 즉 가격 대비 성능의 효율적 프런티어를 뜻한다.
   2. 프런티어 모델은 토큰 가격이 극도로 비싸고, Mythos는 사실상 무한히 비싸다는 과장된 사례로 언급된다.
   3. Fable 5가 Opus 4.8보다 지능 한 단위당 100배 비싸더라도, 한 번의 신약 발견처럼 상승 여지가 무한한 일에는 그 비용이 합리적일 수 있다.

2. 상승 여지가 큰 일과 제한된 일

   1. 신약 개발은 한 번의 발견이 수조 달러의 결과로 이어질 수 있어 최고 성능의 프런티어 모델에 돈을 지불할 이유가 있다.
   2. 법무·재무·회계처럼 결과의 상한이 비교적 분명한 일은 특정 범위에서 충분히 좋은 오픈 웨이트 모델을 저렴하게 쓰는 편이 Pareto 효율적이다.
   3. 따라서 조직은 하나의 최고 모델만 쓰지 않고, 좁은 업무에 강화학습으로 최적화한 저렴한 모델과 영업·지원·연구·엔지니어링에 쓰는 비싼 프런티어 모델을 함께 운용한다.

3. 검증 가능성보다 중요한 ‘상승 여지’

   1. 신약 개발도 결과를 검증할 수 있고 회계 마감도 검증할 수 있지만, 두 업무의 잠재적 성과 차이는 매우 크다.
   2. 고객지원 전화로 들어온 버그가 조직 전체를 바꾸는 첫 단서일 수 있다. 그 전화를 CEO나 최고 수준의 지능이 받으면 숨은 문제를 추적할 수 있지만, 평균적인 담당자는 지나칠 수 있다.
   3. 반대로 경제적으로 유용한 대부분의 업무가 이미 일정한 지능 임계값을 넘었다면, 그 위의 지능은 낭비가 될 수도 있다. 조직은 업무별 상승 여지와 오류 비용을 함께 계산해야 한다.

4.2. 모델은 상품이 아니라 서로 다른 형태의 지능이다

1. 모델 소믈리에가 되는 법

   1. 모든 모델을 직접 마셔 보듯 실제로 사용하고, 새 모델이 나올 때마다 무언가를 출하해야 한다.
   2. 모델을 완전히 대체 가능한 상품으로 보는 사람은 실제 사용 경험이 부족할 가능성이 높다.
   3. 모든 모델로 작은 결과물을 만들면 모델마다 잘하는 일과 실패하는 일에 대한 직관이 쌓인다.

2. Qwen 3.8-Max와 GLM-5.2/5.3의 대비

   1. Qwen 3.8-Max는 긴 시간 동안 지속하는 과업과 창의적인 이야기 만들기에 강한 모델로 평가된다.
   2. Acharya는 Qwen으로 Tatooine과 Bespin 같은 Star Wars 행성의 다큐멘터리를 만들고, 4~5시간 동안 이야기를 전개하게 했다.
   3. Qwen은 Fal을 통한 MiniMax 영상 생성과 ElevenLabs 오디오 생성을 조합하고, 클립을 편집·배치·검토해 5분짜리 영화를 연출했다.
   4. GLM-5.2/5.3은 제품 작업에 활용되며, 비전 기능이 없고 구석에 앉은 신경질적인 박사과정 학생처럼 정밀성과 정확성에 치우친다.
   5. Qwen이 창의성과 개방성의 방향으로 특화됐다면 GLM은 정밀성과 신경질적인 검증의 방향으로 특화됐다. 한 모델이 절대적으로 더 똑똑하다기보다 지능의 형태가 다르다.

3. 개인 작업에 적용하는 기준

   1. 특정 모델의 벤치마크 순위보다 내가 하는 일의 시간 범위, 창의성, 시각 입력, 정밀도, 비용을 먼저 정의한다.
   2. 여러 모델에 같은 문제를 시켜 결과를 비교하면 모델의 비교우위와 내 작업의 병목을 함께 발견할 수 있다.
   3. 모델을 목표가 아니라 도구로 사용해야 하며, 도구를 바꾸는 일 자체보다 실제로 무언가를 만드는 일이 더 중요하다.

5. ‘루프, 나를 더 행복하게 해줘’: 생산성에서 인간의 기본 욕구로

5.1. 시간을 아끼는 것보다 시간을 쓰게 만드는 것

1. 생산성 욕구에 대한 반론

   1. 사람들은 더 생산적이 되고 싶다고 말하지만, 실제로는 시간을 절약하기보다 시간을 보내고 싶어 하는 경우가 많다.
   2. 세계에서 가장 큰 제품이 엔터테인먼트와 소셜 네트워크인 이유도 생산성보다 즐거움과 연결이 강한 소비 동기를 만들기 때문이다.
   3. AI의 소비자 기회는 ‘업무를 더 빨리 끝내라’만이 아니라 남은 시간에 더 풍부한 경험을 제공하는 데 있다.

2. Instagram AI 사용자와 X AI 사용자의 대비

   1. X의 AI 사용자는 영구적 하층계급이 될까 봐 걱정하고 GLM-5.3과 Kimi K3의 차이를 강하게 주장하는 AI 열성 사용자로 그려진다.
   2. Instagram의 AI 사용자는 더 나은 Google 검색 정도로 이해하며 “괜찮고 멋지지만 이렇게까지 시끄러울 이유는 모르겠다”고 반응한다.
   3. 대다수 소비자가 AI의 가치를 체감하지 못하는 것은 모델의 능력 부족이 아니라 제품 설계가 사람의 실제 욕구와 연결되지 못한 결과다.

3. ‘영혼을 확장하는’ 제품

   1. 지난 40년간 기술은 더 나은 스프레드시트와 지적 능력 확장에 집중했지만, 영혼과 인간관계를 확장하는 도구는 상대적으로 부족했다.
   2. 지역 공동체와 문화 기관이 약해진 환경에서 사람들은 연결감, 사랑받는 느낌, 성장, 놀이에 대한 영적 허기를 느낀다.
   3. AI는 ‘건강을 개선해줘’, ‘더 좋은 친구가 되게 해줘’, ‘가족과 더 연결되게 해줘’, ‘나를 더 행복하게 해줘’ 같은 루프를 수행할 수 있다.

5.2. 인간의 삶에 질감과 기쁨을 더하는 작은 실험

1. 주방의 행동 측정 실험

   1. Acharya는 노트북으로 주방에서 일어나는 일을 전사하고, 아들이 잘 행동했는지에 따라 iPad 사용 시간을 늘리거나 줄이는 실험을 했다.
   2. 아들은 “사랑해, 아빠”를 반복해서 말한 영상을 마이크 옆에 두며 지표를 공략했다.
   3. 어떤 지표가 목표가 되는 순간 지표 자체는 더 이상 행동의 본질을 정확히 반영하지 않지만, 가족의 놀이와 대화를 만드는 사회적 실험으로서는 의미가 있었다.

2. 웃음의 측정

   1. Lenny의 지인은 Limitless 펜던트를 변형해 자신과 아이가 하루에 얼마나 자주 웃는지를 측정했다.
   2. 가족은 매일 그 수치를 확인하며 경제적 가치는 작지만 삶의 질을 직접 다루는 루프를 경험한다.
   3. 행복을 고정된 성질로 가정하지 않고 측정하고 개선할 수 있는 경험으로 바라보면, AI 제품의 목표가 생산성 지표를 넘어선다.

3. 기술이 삶의 질을 바꾸는 방식

   1. 100년 전의 직업보다 지금의 직업이 더 흥미로운 것처럼, 100년 뒤의 일과 여가도 지금보다 더 풍부해질 수 있다.
   2. 모든 좋은 제품이 경제적으로 거대한 시장을 만들어야 하는 것은 아니다.
   3. 사람들이 더 자주 웃고, 가족에게 더 집중하고, 서로를 더 사랑한다고 느끼게 만드는 작은 루프도 인간의 삶을 깊게 만든다.

6. AI를 둘러싼 낙관론, 일자리, 그리고 커지는 야망

6.1. ‘기술은 기술을 넘어 정체성을 증폭한다’

1. 감정적·영적 인터페이스

   1. AI는 자신 안에 묻혀 있던 면을 탐색하게 하는 감정적·영적 인터페이스가 될 수 있다.
   2. 산업혁명과 규모의 경제는 거대한 중앙화를 만들었고, 중앙화는 개인의 주체성과 정체성을 약화시키는 면이 있었다.
   3. AI는 기술과 욕망을 분리한다. 음악을 만들고 싶다면 피아노를 배워야 할 필요가 없고, 소프트웨어를 만들고 싶다면 전통적인 프로그래밍 훈련을 모두 거치지 않아도 된다.

2. 2% 성장률이라는 가정에 대한 도전

   1. 사회가 2% GDP 성장에 머물러야 한다는 법은 없으며, 10%, 15%, 20% 성장도 상상할 수 있다는 주장이 제시된다.
   2. 1950~60년대에는 제2차 세계대전 이후 전 세계가 가능한 것보다 훨씬 큰 규모로 동원되며 무엇이든 할 수 있다는 믿음이 있었다.
   3. 이해관계가 크면 사람이 놀라운 능력을 발휘하고, 이해관계가 작으면 생산적이지도 행복하지도 않은 곁가지 프로젝트에 빠진다는 ‘높은 stakes’ 이론이 AI 시대의 야망을 설명한다.

3. 사람의 체감과 사회적 담론의 불일치

   1. AI 확산 이후 실업률이 내려가고 많은 사람이 돈을 벌며, 의학 연구가 특정 암을 거의 치료하거나 모든 질병을 치료할 미래를 진지하게 논할 수 있게 됐다.
   2. 동시에 데이터센터의 지역 영향과 같은 실제 문제, 사회 전체에 대한 공포 마케팅도 존재한다.
   3. 사람들은 자기 동네의 데이터센터를 원하지 않는다고 말하면서도 오늘 ChatGPT를 사용했다고 말한다. 개인의 드러난 선호(revealed preference)와 사회 전체에 대한 선언된 선호(stated preference)가 어긋나는 지점이다.

6.2. 중요한 것을 싸게 만들면 AI에 대한 대화가 바뀐다

1. 의료

   1. 미국에서 의료비의 약 45%가 행정 비용이라는 설명이 나온다.
   2. AI가 행정 부담을 줄이면 의료서비스 가격을 디플레이션 방향으로 움직일 수 있고, 질병 치료의 발전도 비용을 낮추는 이유가 된다.
   3. GLP-1은 AI 기술은 아니지만 치료 비용 하락과 의료 접근성 확대에 대한 낙관론을 강화하는 사례로 언급된다.

2. 교육

   1. 전통적 교육은 지난 200년 중 가장 강한 경쟁을 맞고 있다.
   2. AI는 학습을 교육기관에서 분리하고, 지위와 학위를 분리할 가능성을 만든다.
   3. Harvard 학위가 없어도 지식을 습득하고 능력을 증명할 수 있는 구조는 교육의 비용과 자격 신호를 동시에 바꿀 수 있다.

3. 안전과 경제적 이해관계

   1. OpenAI가 최신 모델의 강화학습 단계를 늦췄다는 소식은 모델이 얼마나 빠르게 똑똑해지는지에 대한 불안을 키웠다.
   2. Anthropic이 ‘너무 위험해서 출시하지 않은 모델’로 얻은 후광에는 GPU 부족, 실제 능력이 예상보다 앞선 상황, 경쟁 우위의 사내 보유 같은 여러 요인이 섞였을 수 있다.
   3. 공격적 사이버 활동을 쉽게 만드는 모델에 대비해 시스템을 먼저 강화해야 한다는 우려는 진지하게 다뤄야 한다. 다만 ‘위험해서 출시할 수 없다’는 표현은 마케팅, 추론 능력, 경쟁 우위를 외부에 공개할지 여부를 한 문장에 섞는다.

7. 소비자 AI의 현재와 다음 기회

7.1. 세 가지 큰 영역

1. 코딩 에이전트

   1. 코딩 에이전트는 개발자만을 위한 도구가 아니라 세상과 상호작용하는 범용 문제 해결 도구가 된다.
   2. 사람들은 Claude Code로 영상을 편집하고 Codex로 비행기 안에서 아이와 함께 할 게임을 만든다.
   3. Wabi는 사람들이 미니 앱을 만들고, 사용하고, 공유하는 플랫폼으로 이 방향을 보여 준다.

2. 개인 에이전트

   1. OpenClaw, Hermes, Moltbook 같은 개발자 중심의 실험은 대중이 이해하기 쉬운 소비자·기업용 에이전트로 정제될 수 있다.
   2. 핵심은 더 단순하고, 쉽게 시작할 수 있고, 더 신뢰할 수 있는 인터페이스다.
   3. 개인 에이전트는 업무를 대신하는 도구를 넘어 사용자의 세계와 맥락을 기억하는 비서가 된다.

3. 창작·엔터테인먼트·동반자 제품

   1. Suno 같은 창작 도구와 AI 동반자 제품은 기술의 사회적·정서적 측면을 다룬다.
   2. 동반자 영역은 공개적으로 말하기 불편해 충분히 논의되지 않지만 빠르게 성장하는 제품이 있다.
   3. ‘AI 여자친구’라는 단순한 분류보다 실제 사용자의 다수는 40~50대 여성이 AI 남자친구형 제품을 이용한다는 데이터가 더 정확한 시장 이해를 제공한다.

7.2. 아직 초기인 이유와 인터페이스의 공백

1. 세 가지 제약

   1. 모델 비용이 높아 무료 소비자 제품을 만들기 어려웠다.
   2. 채팅은 Elon Musk나 Sam Altman처럼 주도권이 매우 큰 사람에게는 맞지만, 일반 소비자의 이상적인 인터페이스는 TikTok처럼 자연스럽고 즉각적이다.
   3. 초기 AI 기술은 인간관계와 엔터테인먼트보다 생산성에 집중했다.

2. iPhone 2010의 비유

   1. 소비자 AI는 2010년의 iPhone과 비슷한 초기 단계다.
   2. Airbnb, WhatsApp, Uber가 등장하기 전처럼 핵심 소비자 카테고리가 아직 충분히 발굴되지 않았다.
   3. 오픈 웨이트 모델로 가격이 낮아지고, 차세대 사용자 인터페이스 연구가 활발해지면 AI가 채팅과 TikTok 사이의 새로운 표면을 얻을 수 있다.

3. 스타트업이 유리한 영역

   1. 대기업은 불편하거나 논쟁적이거나 성적으로 암시적인 제품을 출시하기 위해 수많은 위원회를 통과해야 한다.
   2. 스타트업은 인간 존재의 불편한 부분과 사회적 욕구를 더 빠르게 실험할 수 있다.
   3. AI가 사용자를 밀어붙이고 반대 의견을 내며 성장시키는 제품도 대기업보다 스타트업이 만들기 쉽다.

8. 빠른 출시 시대의 해자, 유통, 그리고 더 큰 베팅

8.1. 해자는 설계보다 발견된다

1. 초기에는 모멘텀과 장인정신을 본다

   1. Decagon의 Jesse가 말했듯 경쟁 우위는 설계되는 경우보다 제품을 실제로 출하하는 과정에서 발견되는 경우가 많다.
   2. Cursor는 처음에 해자가 없다고 비판받았지만 높은 NPS와 DAU를 만들었고, 사용자의 추론 트레이스를 모아 Composer 모델을 훈련하면서 해자를 키웠다.
   3. 초기 피치에서 완벽한 해자 설계를 설명하지 못해도 강한 모멘텀, 높은 품질, 커지는 참여도를 보여 주면 투자 판단의 근거가 된다.

2. 전통적 해자는 여전히 유효하다

   1. 네트워크 효과, 규모의 경제, 브랜드, 독점 데이터, 희소 자원은 소프트웨어를 만들기 어려운 정도와 별개의 고전적 해자다.
   2. AI 시대에는 소비자 소셜과 멀티플레이어 제품, 많이 사용할수록 좋아지는 제품이 더 필요하다.
   3. Town처럼 사용량이 늘수록 품질이 개선되는 구조는 모델이 빠르게 복제되는 환경에서도 방어력을 만든다.

3. 고객의 말과 사업 서사를 함께 본다

   1. Granola는 2년 전 해자가 약하다고 비판받았지만, 지금은 사랑받고 지배적인 제품이 되었다.
   2. 뛰어난 장인정신과 고객의 반복 사용은 사업 서적에 적힌 해자보다 강한 신호가 될 수 있다.
   3. 큰 아이디어는 보이지 않는 작은 아이디어 수십 개가 받치고 있다. 경쟁자가 큰 아이디어를 복제해도 그 작은 설계 결정을 모두 볼 수는 없다.

8.2. UX와 구전이 ‘새로운’ 해자가 되는 이유

1. 모델보다 하네스와 UX

   1. Cowork, ChatGPT Work, Cursor, Grok Bot 사이를 빠르게 오갈 수 있고 기반 모델 차이가 줄어들수록 제품의 하네스와 UX가 중요해진다.
   2. 제품의 실제 사용자 경험이 잠시라도 경쟁자와의 시간을 벌어 주고, 그동안 팀이 지속 가능한 해자를 발견하게 한다.
   3. 최첨단 사용자는 각 도구의 전문성이 달라 월 200달러 요금제를 여러 개 구독하고, Cursor와 Grok의 300달러대 플랜도 감수한다.

2. 유통은 새 해자가 아니라 더 커진 해자다

   1. 매일 수천 개의 제품과 출시 영상이 쏟아지므로 사람들의 피드에 들어가 반복적으로 기억되는 능력이 대단히 중요해졌다.
   2. 네트워크 이론을 배운 세대의 기존 네트워크는 다른 서비스가 자기 네트워크 위에 새 네트워크를 만들지 못하게 방어한다.
   3. Patrick Collison이 말한 ‘도구로 유입시키고 네트워크에 머물게 하라’는 공식이 어려워진 자리에는 X, YouTube, Instagram에서 자연스럽게 반복되는 진짜 구전이 남는다.

3. 제품 문제와 성장 문제

   1. Seth Godin의 표현처럼 사람들이 이야기할 만한 것을 만들어야 구전이 발생한다.
   2. 제품이 충분히 좋다면 사람들은 그것을 사용하고 공유하고 친구에게 말한다. 따라서 “성장이 어렵다”는 말은 집단적 상상력의 실패로 제품이 충분히 야심차지 않다는 뜻일 수 있다.
   3. 소프트웨어를 월 1,000달러나 10,000달러에 파는 ‘소프트웨어 버킨백’을 상상하면 그 가격을 정당화할 제품 경험을 설계하게 된다.

8.3. 스타트업, 가격, 사회적 제품

1. 지금은 스타트업의 창이 열려 있다

   1. Google이 Gemini를 검색 화면에 강하게 교차판매해도 Gemini가 이겼다고 말하기는 어렵다.
   2. 스타트업은 대기업이 불편해하는 동반자 제품과 새로운 사회적 경험을 만들 수 있다.
   3. 소비자는 월 200달러 제품에 지불할 준비가 되어 있고, 기업은 아직 무엇을 받을지 완전히 알지 못해도 백만 달러 규모의 연간 계약을 체결한다.

2. MSCHF의 Card V Card

   1. MSCHF는 기술을 표현 수단으로 쓰는 창작 스튜디오이며, Ev Williams와 Kevin Rose처럼 기술을 캔버스로 삼는 창작자 정신의 사례다.
   2. 약 10만 명에게 직불카드를 보내고, 매일 특정 장소에서 써야 할 100달러를 넣어 두었다.
   3. 모두가 돈을 쓰러 달려갔지만 한두 명만 결제에 성공하고 나머지는 거절되는 사회 실험이 바이럴이 됐다.
   4. 돈은 본질적으로 사회적인데 금융 제품은 건조하고 개인적이며 당황스럽다는 통찰이 AI 제품에도 적용된다. AI는 사람의 사회적 신경을 건드리는 대담한 제품을 만들 수 있다.

3. 과거와 반대가 된 야망의 기준

   1. 3년 전에는 너무 야심차고 복잡한 아이디어에 투자하지 않았으며, 시드 단계에서 1억 달러를 받는 것은 대체로 관리하기 어려운 과잉 자본으로 여겨졌다.
   2. 지금은 너무 작은 아이디어가 오히려 투자 대상이 되기 어렵다. a16z가 창업자에게 “비전을 가장 강한 형태로 만들도록 돕겠다”고 말하는 이유도 여기에 있다.
   3. 첫 펀드를 모을 때 “달로 날아가거나 달 크기의 분화구를 남기겠다”는 식의 극단적 야망을 내세웠다는 Marc Andreessen의 이야기가 기준점으로 제시된다.

4. 무료 소비자 제품이라는 낡은 전제

   1. 소비자 제품은 무료여야 한다는 통념 대신, 소비자의 재량 지출 전체가 뛰어난 경험을 위해 열려 있다고 본다.
   2. 높은 가격은 제품-시장 적합성의 척도가 될 수 있다.
   3. “우리 제품의 월 1,000달러·10,000달러 버전은 무엇인가?”를 묻는 일은 창업자의 상상력과 제품의 야망을 동시에 키운다.

9. 실행 조언과 번개 라운드

9.1. 제품을 만드는 사람에게

1. 매주 무언가를 출하하라

   1. 중요하거나 공개적인 프로젝트일 필요가 없다. 새 모델을 써 보고, 결과를 출하하고, 이야기하고, 직관을 키울 수 있는 작은 작업이면 된다.
   2. 1주일의 약간 답답하지만 매우 충만한 실행을 거치면 최신 모델을 사용하는 감각을 얻을 수 있다.
   3. AI 시대에 제품을 만드는 이유는 결과물의 성공만이 아니라 실행을 통한 학습과 기쁨에도 있다.

2. Mother’s Day 슬라이드 덱

   1. Acharya는 Codex로 아내에게 줄 20장짜리 Mother’s Day 슬라이드 덱을 만들었다.
   2. 텍스트 메시지, 사진 갤러리, 음악, 처음 데이트를 신청했을 때의 오래된 메시지를 조합했다.
   3. 사업적으로 중요하지 않고 다시 쓰지 않을 결과물이어도, 실제로 출하한 제품이며 AI가 누군가에게 기쁨을 주는 경험이었다.

3. 기쁨을 AI 도입의 출발점으로 삼기

   1. Nikhyl Singhal은 사람이 AI에 대한 태도를 바꾸는 순간이 AI가 만든 작은 기쁨을 직접 경험했을 때라고 본다.
   2. “이것이 작동한다면 무엇이 나를 기쁘게 할까?”, “누군가를 위해 무엇을 해 줄 수 있을까?”를 첫 프로젝트의 질문으로 삼는다.
   3. AI를 쓰라는 명령보다 실제 관계와 감정을 개선하는 작은 성공이 더 강한 도입 동기가 된다.

4. 모델을 묻기 전에 질문하기

   1. 어떤 일을 시작하기 전 입력과 반응 사이의 빈 공간에 “AI가 여기서 나를 어떻게 도울 수 있는가?”를 삽입한다.
   2. 명상은 자극과 반응 사이에서 더 깊이 생각하도록 돕는데, AI 질문도 같은 위치에 들어간다.
   3. Claude Code 팀의 원칙인 “내가 하는 것보다 Claude가 하는 편이 낫지 않은가?”는 반복 업무를 자동화하는 습관을 만든다.

9.2. ‘만들기’는 새로운 읽기다

1. 활동으로서의 제작

   1. 바이브 코딩을 말하는 사람에 비해 자신이 만든 프로젝트를 공개하는 사람은 적고, 많은 제작자는 결과물이 중요하지 않아 보인다는 이유로 부끄러워한다.
   2. 하지만 실행·출하·반복은 결과물 자체와 별개로 학습과 성취감을 만든다.
   3. 대부분의 결과물을 버려도 근육은 남는다. 제작은 완성품이 아니라 읽기처럼 지식과 경험을 얻는 활동이 된다.

2. 사용자가 없어도 괜찮은 이유

   1. 만든 제품을 아무도 쓰지 않고 제작자 자신도 다시 쓰지 않는 상황은 실패의 증거가 아닐 수 있다.
   2. DJ 세트를 세 사람만 듣고 제작자가 100번 듣더라도, 반복을 통해 취향과 기술이 쌓이고 충분한 충족감을 얻는다.
   3. 결과의 대중성, 학습 가치, 개인적 기쁨을 하나의 지표로 합치지 않는 것이 중요하다.

9.3. 번개 라운드

1. 추천 도서

   1. Thomas Sowell의 Conquests and Cultures는 정복이 세계 여러 사회의 문화를 어떻게 바꾸었는지 보여 주며, 캐나다에서 미국으로 이동한 Acharya가 서로 다른 야망의 문화를 이해하는 데 도움을 줬다.
   2. Hamilton Helmer의 7 Powers는 해자와 사업 이론, 복리로 쌓이는 경쟁 우위를 지적으로 압축한 책으로 평가된다.
   3. Brian Arthur의 Increasing Returns to Scale은 소프트웨어가 왜 비정상적으로 큰 경제적 효과를 내는지 설명한다.
   4. Lenny가 덧붙인 사업서 목록에는 Andy Grove의 High Output Management와 Ben Horowitz의 The Hard Thing About Hard Things가 있다. 후자는 불안과 실패감을 숨기지 않은 정직함 때문에 창업자에게 위로가 된다.

2. 최근 즐긴 작품과 개인 에이전트

   1. Acharya는 House of the Dragon을 재미있게 봤고, Lenny는 The Odyssey를 IMAX 극장에서 맥주를 마시는 관객들과 함께 보는 경험을 이야기했다.
   2. Lenny는 AMC 사이트의 과일·도형 선택 CAPTCHA를 에이전트가 통과하지 못해 티켓을 구하기 어려웠다고 농담했다.
   3. 가장 즐거운 AI 제품으로는 Grok Bot이 꼽혔다. 대담한 자격 증명 캐싱, 사용자를 대신한 작업 수행, 세심한 UI, 강력한 기반 모델이 장점이다.
   4. ChatGPT Work(Cowork)는 클라우드 실행, 브라우저 자격 증명 캐싱, 원격 기능, 모든 스레드를 보는 양방향 음성 모드가 강점이다. Grok의 일방향 전사나 텍스트 중심 비서보다 실제로 세계를 아는 비서에게 전화하는 느낌을 준다.

3. 삶의 모토와 창업의 교훈

   1. 다른 사람이 알려 줄 수 있는 일을 고통스러운 경험으로 직접 발견하지 말라는 원칙을 지킨다.
   2. 첫 회사에서 모바일 게임용 소셜 플랫폼과 게임 스튜디오를 동시에 만들려 했지만, 플랫폼과 스튜디오 중 하나만 선택해야 한다는 조언을 늦게 이해했다.
   3. 제품과 플랫폼을 동시에 만들지 말고, 무엇이 될지 먼저 선택한 뒤 그 선택을 깊게 실행해야 한다.

4. DJ와 음악 생성

   1. Acharya는 1995년부터 30년 넘게 DJ를 해 왔고, 정식 음악 교육이 없는 사람도 음악을 고르고 레코드를 섞어 자신을 표현할 수 있다는 점을 좋아한다.
   2. Suno와 ElevenLabs 같은 모델은 음악 아이디어를 떠올린 사람이 기술적 완성도를 얻도록 도우며, 음악을 더 직접적이고 본능적인 창작 매체로 만든다.
   3. 음악은 악기를 연주하는 사람 곁에서만 들을 수 있었고, 축음기와 방송을 거쳐 카세트테이프에서 처음으로 자신의 ‘앨범’을 만들 수 있게 됐다.
   4. 2000년대 음악이 위축된 이유 중 하나는 사람들이 직접 만드는 기회가 다시 방송 중심으로 사라졌기 때문이며, 생성 모델로 창작이 돌아오면 음악 산업은 역대 가장 커질 수 있다.

주요 발언 모음

“AI는 생산성만 극적으로 높이는 것이 아니라 야망도 극적으로 키운다.”

“루프는 로컬 최대값까지 언덕을 오르게 해 주지만, 결국 고원에 도달한다. 다음 언덕의 바닥에 데려다줄 인간의 직관이 필요하다.”

“모든 기능을 에이전트 루프로 바라보고, 어디에서 막히고 어디에서 잘못되는지 파악한 뒤 더 많은 맥락과 방향을 공급해야 한다.”

“사람들은 시간을 절약하고 싶어 한다고 생각하지만, 더 많은 사람은 시간을 보내고 싶어 한다.”

“해자는 대부분 설계되는 것이 아니라 발견된다.”

“아무도 성장 문제가 없다. 제품 문제가 있을 뿐이다.”

“그냥 더 많이 만들어라. 작은 프로젝트를 새 모델을 시험하는 발판으로 쓰고, 실제로 출하하라.”

“만약 작동한다면 무엇이 나에게 기쁨을 줄지, 다른 사람을 위해 무엇을 할 수 있을지를 물어라.”

핵심 데이터 & 수치

• 약 20개의 플레이어: AI 스택의 각 영역에는 두 개가 아니라 약 20개의 관련 모델·제품이 공존한다는 관찰이다.
• 5분: 버그 보고→재현→수정→리뷰→저위험 자동 배포→고객 알림까지 이어지는 코딩 루프의 목표 시간이다.
• 40년: 전기 발명에서 공장 구조를 전기 중심으로 재편하기까지 걸린 시간으로, AI 도입과 조직 재설계 사이의 지연을 설명한다.
• 2년→3개월: Google의 한 조직에서 AI로 기존 로드맵 실행 속도가 바뀐 사례다.
• 100배: Fable 5가 Opus 4.8보다 지능 한 단위당 비싸다는 모델 가격 대비의 예시다.
• 4~5시간: Qwen 3.8-Max가 Star Wars 행성 다큐멘터리의 이야기·영상·오디오·편집을 지속한 시간이다.
• 45%: 미국 의료비에서 행정 비용이 차지한다고 언급된 비율이다.
• 200달러·1,000달러·10,000달러: 소비자·기업 AI 제품의 실제 지불 의사와 ‘소프트웨어 버킨백’의 가격 상상 실험을 보여 주는 기준이다.
• 약 10만 명·100달러: MSCHF의 Card V Card 사회 실험에서 배포한 직불카드 규모와 카드당 금액이다.
• 주 1회: 제품 담당자가 모델을 사용해 작은 결과물이라도 출하하라는 실행 빈도다.
• 30년 이상: Acharya가 1995년부터 지속해 온 DJ 활동 기간이다.

결론 및 시사점

1. AI 시대의 경쟁력은 최신 모델을 모두 아는 데 있지 않고, 내 직무의 입력·판단·검증·결과를 반복 가능한 루프로 설계하는 데 있다.
2. 자동화할 수 있는 일을 찾을 때는 결과가 분명하고 검증 가능한 부분부터 시작하고, 실패가 반복되면 에이전트가 모르는 지식·데이터·맥락을 채워야 한다.
3. 자동화가 로컬 최대값에 도달하면 인간은 예외 처리자가 아니라 다음 문제와 다음 언덕을 정하는 전략가가 되어야 한다.
4. PM은 모든 아이디어를 자신이 창안하고 경영진에게 판매하는 사람이라는 자의식을 내려놓고, 다양한 아이디어를 빠르게 시험해 가장 좋은 결과가 선택되게 해야 한다.
5. 조직은 모든 업무에 가장 비싼 프런티어 모델을 쓰지 말고, 업무의 상승 여지·오류 비용·검증 가능성을 기준으로 모델을 조합해야 한다.
6. 소비자 AI는 스프레드시트와 생산성의 연장에 머물지 말고 연결, 사랑, 건강, 재미, 창작, 자기실현을 돕는 루프를 제품으로 만들어야 한다.
7. AI에 대한 낙관론은 추상적 구호보다 의료 행정과 교육 비용처럼 중요한 것을 싸게 만들 때 설득력을 얻는다.
8. 빠르게 복제되는 모델 환경에서 해자는 모델 자체보다 UX, 장인정신, 참여도, 데이터, 네트워크 효과, 브랜드, 구전에서 발견될 가능성이 높다.
9. 스타트업은 대기업이 불편해하는 인간적·사회적 욕구를 실험하고, 대기업은 규모와 유통 우위를 활용해 기존 조직의 직원에게 AI 접근권을 제공할 수 있다.
10. 가장 안전한 커리어 전략은 작은 프로젝트를 만들고 매주 출하하며, 실패와 폐기를 학습·직관·기쁨을 쌓는 과정으로 받아들이는 것이다.

핵심 요약 (20줄)

1. AI는 사람을 한꺼번에 대체하기보다 사람별·직무별·사업부별 업무를 입력에서 결과까지 이어지는 루프로 재구성한다.
2. 최신 AI를 늦게 배운 사람이 영구적 하층계급이 된다는 공포는 실증적 고용 데이터와 현재의 분산된 경쟁 구조가 뒷받침하지 않는다.
3. Claude Code, Codex, Lovable, Replit, Wabi가 함께 성장하는 현상은 AI가 단일 승자독식 시장으로 굳지 않았음을 보여 준다.
4. 모델의 발전은 빠르지만 사회와 경제에 기술이 확산되는 속도는 느리며 모든 문제가 지능만으로 해결되지는 않는다.
5. Google과 Kavak의 사례는 AI가 해고보다 기존 직원의 레버리지와 로드맵 실행 속도를 키울 수 있음을 보여 준다.
6. 에이전트는 도구·메모리·스킬 파일을 가진 모델의 루프이며 여러 에이전트가 직무와 사업 전체의 루프로 확장된다.
7. 코딩 루프는 버그를 재현하고 수정하고 검토한 뒤 위험도에 따라 사람이 승인하거나 자동 배포하는 구조로 작동한다.
8. 성장 루프는 실험 변형을 만들고 측정하고 통계적으로 유의한 결과를 배포하며 장기 대조군과 다음 실험을 연결한다.
9. 자동화 루프는 로컬 최대값에서 고원에 도달하므로 인간은 분포 밖 사고와 다음 언덕을 선택해야 한다.
10. 에이전트가 막힐 때 사람의 코칭을 기록해 지식·데이터 공백을 채우는 방식이 인간과 AI의 협업 모델이 된다.
11. 업무의 잠재적 상승 여지에 따라 저렴한 오픈 웨이트 모델과 비싼 프런티어 모델을 함께 선택해야 한다.
12. 모델 소믈리에가 되려면 모든 모델로 실제 결과물을 만들고 모델마다 다른 지능의 형태를 직접 경험해야 한다.
13. AI의 소비자 기회는 시간을 절약하는 생산성보다 연결·사랑·건강·재미·자기실현을 제공하는 ‘나를 더 행복하게 해줘’ 루프에 있다.
14. 작은 가족 실험처럼 경제적 가치가 작아도 웃음과 기쁨을 늘리는 제품은 인간의 삶에 새로운 질감을 더한다.
15. AI는 기술과 욕망을 분리해 음악·소프트웨어·지역 문제를 더 많은 사람이 직접 만들게 하며 개인의 정체성을 증폭한다.
16. 소비자 AI는 비용·인터페이스·생산성 편중이라는 초기 제약을 벗어나며 코딩 에이전트·개인 에이전트·창작과 동반자라는 세 축으로 확장된다.
17. 해자는 처음부터 설계되기보다 높은 품질·참여도·데이터·사용자 트레이스가 쌓이는 과정에서 발견된다.
18. 모델이 빠르게 복제될수록 UX·장인정신·네트워크 효과·브랜드·유기적 구전과 유통이 더 강한 방어선이 된다.
19. 창업자는 성장 문제가 아니라 제품 문제를 해결해야 하며 월 1,000달러와 10,000달러를 받을 만큼 야심찬 경험을 상상해야 한다.
20. 제품 담당자는 매주 작은 것을 출하하고 AI를 도구로 사용해 직관을 키우며 다음 문제와 더 큰 인간적 야망을 선택해야 한다.