한국인 10명 중 1명이 가입한 Speak, 하버드 출신 창업자의 창업 전략

URL: https://www.youtube.com/watch?v=x7CKvwhWGVg 날짜: 2026-09-15 채널: eo_korea 원문 제목: The Harvard-educated founder who created an app used by 1 in 10 Koreans | Speak 영상 ID: x7CKvwhWGVg 출연: Connor (Founder & CEO), Andrew (Co-founder & CTO) 분류: 스타트업(Startup) · AI 교육(AI-powered learning)

📌 핵심 질문 / 이 콘텐츠가 다루는 핵심 논점

Speak는 미국 시장을 먼저 공략하는 대신, 경쟁이 극심하고 성장 시장으로 보이지 않았던 한국을 첫 시장으로 선택했다. ==단기적으로 가장 어려운 시장에서 가장 강한 제품 신호를 얻고, 그 신호를 AI 기반의 목적형 튜터와 장기적인 경쟁우위로 축적한다는 전략==이 핵심이다.

• 한국인 약 10명 중 1명이 Speak 가입을 신청할 정도로 제품이 확산됐다.
• 한국 시장은 경쟁이 치열하고 성장 시장이 아니었지만, 실제로 효과가 있는 영어 학습법을 가장 절실하게 찾는 사용자가 많았다.
• 강한 한국식 억양을 가진 비원어민의 음성을 이해하기 위해 만든 Speech Recognition 기술이 일본·유럽·미국 확장의 기반이 됐다.
• AI 모델 자체가 튜터가 아니라, 모델을 학습 목표에 맞게 지휘하는 제품·기술 시스템 전체가 튜터라는 관점을 갖는다.
• 장기 사명은 학습자가 언어를 배우는 방식을 재창조하고, 궁극적으로 모든 형태의 학습을 지원하는 것이다.

Speak의 사례는 팀이 자리 잡을 도시와 첫 고객 시장을 분리해서 선택할 수 있음을 보여준다. San Francisco는 투자자·인재·파트너가 모인 창업 생태계로 활용하고, South Korea는 제품이 정말 작동하는지 검증하는 가혹한 실험장으로 활용했다. 현지의 실패 가능성을 높이는 조건이 오히려 가장 유용한 학습 신호를 만들었고, 그 과정에서 얻은 음성 데이터와 학습 심리 인사이트가 범용적인 AI 튜터를 구축하는 자산이 됐다.

1. 첫 시장으로 한국을 선택한 이유

첫 시장의 목적은 쉽게 성장하는 매출을 얻는 것보다 장기 비전이 올바른지 가장 선명하게 판별할 수 있는 신호를 확보하는 데 있다.

1.1. 창업 입지와 첫 시장은 서로 다른 의사결정이다

1. 팀이 위치할 곳과 제품이 시작할 곳을 분리했다

   1. 팀의 위치: Speak 팀은 San Francisco에 기반을 뒀다. 두 창업자 모두 한국에 와본 적이 없었지만, 회사의 운영 거점은 San Francisco로 정했다.
   2. 첫 고객 시장: 첫 시장은 South Korea였다. San Francisco에서 시작해 South Korea를 첫 시장으로 삼은 조합은 일반적인 스타트업 경로와 달랐다.

2. 창업팀에는 생태계가 필요하다

   1. 자본과 인재: 투자자, 잠재적 직원, 채용 가능한 인재가 모인 생태계가 팀의 위치를 결정하는 중요한 조건이다.
   2. 학습과 협력: 창업자 커뮤니티에서 배우고, 다른 조직과 파트너십을 만들 수 있어야 한다. San Francisco 같은 Technology Startup Hub는 이 네 요소를 한곳에서 연결한다.

1.2. San Francisco의 거품에서 벗어나기

1. 현실 세계의 정보가 제품 판단을 교정한다

   1. 거품의 위험: San Francisco는 기술 업계의 관점과 정보가 과도하게 집중된 완전한 거품처럼 작동할 수 있다. 그 안에만 머무르면 실제 사용자의 필요를 안다고 착각하기 쉽다.
   2. 먼 시장을 의도적으로 선택하기: San Francisco에 남아 있는 Y Combinator 출신 기업들도 첫 시장으로 San Francisco에서 매우 먼 지역을 고르는 경우가 많다. 팀의 생활권과 고객의 현실을 분리하면 현장에 기반한 정보를 얻을 수 있다.

2. 첫 시장 선택도 팀의 위치만큼 중요하다

   1. 두 질문의 분리: “팀은 어디에 있어야 하는가?”와 “첫 시장은 어디여야 하는가?”는 별개의 질문이다. 전자는 생태계의 문제이고 후자는 검증 신호의 문제다.
   2. 창업자에게 주는 교훈: 기술 허브에 있다는 이유로 그 주변 고객만 바라보지 말고, 실제 세계에서 가장 강한 문제와 가장 까다로운 사용자를 가진 시장을 찾아야 한다.

1.3. 어려운 한국 시장이 만든 강한 검증 신호

1. 한국 시장의 불리한 조건

   1. 초고도 경쟁: 현지 사용자와 대화한 결과, 한국의 영어 학습 시장은 매우 경쟁적이었다.
   2. 낮은 성장성: 당시 한국 시장은 성장하는 시장으로 보이지 않았다. 미국 이외 지역의 많은 창업자들이 미국 시장부터 시작하고 싶어 하는 것과 비교하면 매력적인 첫 선택이 아니었다.

2. 불리한 조건이 오히려 선택의 근거가 됐다

   1. 절실한 사용자: 한국에는 여러 학습 서비스가 이미 있었지만, 그 모든 어려움에도 불구하고 진짜로 작동하고 효과적인 방법을 찾으려는 동기가 가장 강한 사용자가 있었다.
   2. 제품 가설과 시장의 정합성: Speak의 핵심 가설은 AI로 학습을 더 효과적으로 만들 수 있다는 것이다. 효과를 중시하는 사용자가 많은 시장에서 이 가설을 검증하면 단기 진입 난도는 높아져도 장기 성공 확률은 올라간다.

3. 초기 성과와 자금 조달

   1. 확산 규모: 한국인 약 10명 중 1명이 어느 시점에 Speak 가입을 신청했다고 설명한다.
   2. 유니콘 등극: 약 1년 반 전, Accel이 주도한 Funding Round와 OpenAI Startup Fund 같은 기존 투자자의 참여를 통해 기업가치 10억 달러 이상의 Unicorn 지위에 도달했다.

2. 한국에서 얻은 제품·기술 인사이트

한국은 단순한 판매 지역이 아니라 음성 인식, 학습자 정의, 제품 경험을 함께 검증한 첫 번째 연구실이었다.

2.1. 비원어민 음성을 이해하는 기술적 난제

1. 첫 버전의 핵심 문제

   1. 강한 억양 처리: 초기에는 영어를 모국어로 쓰지 않고 억양이 강한 사용자의 말을 정확히 이해하는 것이 가장 큰 기술 과제였다.
   2. 맞춤형 개발: 기존 모델만 연결해서 해결할 수 없었기 때문에 특정 억양과 발화 패턴에 맞춘 여러 기능을 직접 개발해야 했다.

2. 음성 인식이 제품 경험을 열었다

   1. 발화 이해: 앱이 사용자의 말을 정확하게 이해할 수 있게 되면서 Speak의 첫 제품 버전이 성립했다.
   2. 반복 학습 루프: 사용자가 한 문장을 따라 말하게 하고, 그 결과를 다시 이해하는 상호작용이 가능해졌다. 단순한 정답 표시가 아니라 말하기 자체를 반복하는 학습 루프였다.

2.2. 한국의 로컬 인사이트를 글로벌 자산으로 바꾸기

1. 특정 억양에 대한 학습의 일반화

   1. 모델 미세 조정: 특정 유형의 억양에 맞춰 Speech Recognition Model을 Fine-tuning한 경험이 축적됐다.
   2. 해외 확장: 몇 년 뒤 Japan, Europe, United States로 확장할 때 한국에서 얻은 음성 처리 교훈이 다른 비원어민 시장에도 일반화됐다.

2. 한국이 알려준 근본적 사실

   1. 문제의 본질: 어떤 문제를 해결해야 하는지에 대한 기초적인 진실을 배웠다.
   2. 학습자와 서비스 방식: 실제 학습자가 누구인지, 그 학습자에게 제품을 제공하는 가장 좋은 방식이 무엇인지에 대한 이해도 한국에서 형성됐다.

2.3. 현지화와 보편성의 균형

1. 한국에서 발견한 학습 심리

   1. 실수에 대한 학습된 공포: 한국의 교육 시스템을 거치며 영어를 말하다가 틀리는 것을 두려워하는 심리가 만들어진다.
   2. 유창성의 정체: 틀릴까 봐 말하지 않는 패턴이 영어를 유창하게 말하는 능력을 어느 수준에서 멈추게 하는 거대한 함정으로 작동한다.

2. 두려움을 제품 경험으로 번역했다

   1. English Exorcism: Speak는 사용자의 영어 말하기 공포를 없애기 위해 ‘English Exorcism’이라는 Pop-up Event를 열고 사용자들을 초대했다.
   2. 현장 관찰: 행사 현장에서는 사람을 찾으며 “그 사람이 저기 있나, 갈색 머리인가?”라고 묻고 “그 사람은 아니에요”라고 답하는 짧은 상호작용도 나왔다. 거창한 교육 이론만이 아니라 사용자가 실제로 말하고 참여하는 상황 자체가 제품 학습의 재료가 됐다.

3. 지역별 차이와 인간 학습의 공통 구조

   1. 반복된 심리 패턴: Japan과 다른 시장에 진입했을 때에도 실수에 대한 두려움이 예상보다 훨씬 널리 나타났다.
   2. 범용적인 해결 방식: 시장마다 제품을 Localize해야 하지만, 배우고 가르치는 문제를 해결하는 기본 방식은 문화권과 관계없이 상당히 비슷했다. Core Product가 매우 다른 여러 시장에서 작동한 점은 초기 예상보다 보편성이 컸음을 보여준다.

3. 개인화 교육에 대한 창업자의 철학

Speak의 제품 비전은 창업자들이 겪은 비정형 학습 경험과 일대일 교육 연구에서 출발했다.

3.1. 한 교사가 발견한 개인별 학습 방식

1. 규칙을 따르지 않던 학생의 필요

   1. 자기 방식으로 배우려는 욕구: 한 창업자는 학교에서 늘 자기 방식으로 배우고 싶어 했다. 어린 시절 규칙을 잘 따르지 않아 여러 번 문제를 일으키기도 했다.
   2. 5학년 교사의 관찰: 5학년 때 한 교사는 학생이 일반적인 교실 방식에 맞지 않는다는 점을 알아차렸다.

2. 개인화된 학습의 효과

   1. 자율 학습 허용: 교사는 학생에게 교과서를 주고 교실의 통상적인 방식으로 강요하는 대신 혼자 공부하게 했다.
   2. 질문을 탐구로 바꾸기: 학생이 질문을 가져오면 교사는 직접 답을 알려주지 않고 스스로 답을 찾아오도록 Extra Credit을 줬다. 약 30명이 있는 교실에서도 한 학생에게 필요한 방식을 찾아 제공할 수 있었다.

3. 좋은 교사의 역할

   1. 개별 필요의 발견: 높은 품질의 교육은 동일한 내용을 전달하는 데 그치지 않고 각 학습자에게 무엇이 필요한지 알아차린다.
   2. 삶을 바꾸는 경험: 거의 모든 사람이 인생의 어느 시점에 자신을 바꾼 교사를 한 명쯤 만날 수 있다. 이런 경험은 좋은 교육이 개인에게 미치는 영향의 크기를 보여준다.

3.2. 가속 학습에서 AI 튜터로

1. 비정형 교육 경험

   1. 공립학교와의 마찰: 다른 창업자는 세상에 대한 호기심이 많고 배우는 것을 좋아했지만 공립학교 시스템의 속도와 방식에 큰 답답함을 느꼈다.
   2. 홈스쿨링과 빠른 진도: 부모가 학교에서 나오게 한 뒤 Home Schooling으로 스스로 훨씬 빠른 속도로 학습했다. 12살에 대학에 진학했고 16살에 PhD를 시작했다.

2. 10배 학습 철학

   1. 잠재력에 대한 가정: 누구나 자신이 가능하다고 생각하는 것보다 10배 빠르게 배울 수 있다는 믿음이 형성됐다.
   2. AI의 역할: AI가 인간에게 미치는 영향에는 논란과 혼란이 있지만, Frontier AI Model은 특정 개인이 누렸던 가속 학습 경험의 의미 있는 일부를 전 세계 모든 사람에게 제공할 가능성을 연다.

3. 인간을 강화하는 제품 목적

   1. 학습 능력의 증폭: AI의 힘을 사용해 인간을 더 강하고 더 나은 존재로 만들고, 각자의 잠재력을 꺼내는 것이 제품 철학이다.
   2. 언어에서 모든 학습으로: Speak는 언어를 시작점으로 삼지만, 장기적으로 제품과 사명을 일반화해 모든 형태의 학습을 지원하려 한다.

3.3. Bloom의 2 Sigma Problem

1. 실험의 설계

   1. 전통적 교실: Benjamin Bloom이 1980년대에 수행한 유명한 Pedagogy 연구는 교사 한 명이 학생 30명을 가르치는 전형적인 교실을 기준으로 삼았다.
   2. 개별 지도 실험군: 다른 학생들에게는 일대일(1:1) Mastery-based Tutoring을 제공했다. 학습자가 이해할 때까지 맞춤형으로 지도하는 방식이었다.

2. 두 표준편차의 격차

   1. 성취도 상승: 교실의 Bell Curve에서 학생이 어디에 위치했는지와 관계없이 일대일 지도를 받은 학생은 일반 교실 모델보다 2 Standard Deviations 높은 성과를 냈다.
   2. 가속의 원리: 일대일 튜터링은 학습자가 내용을 습득하는 속도를 크게 높일 수 있다는 사실을 보여줬다.

3. 40년간 풀리지 않은 경제성 문제

   1. 핵심 질문: 모두가 개인 교습의 효과를 확인한 뒤 “이 경험을 세계의 모든 사람에게 어떻게 제공할 것인가?”라는 질문이 남았다.
   2. AI 이전의 한계: 1980년대 이후 약 40년 동안 모든 사람에게 인간 튜터를 붙이는 일은 경제적으로 실현하기 어려웠다.

4. AI가 만드는 2-Sigma World

   1. 접근성의 전환: 2026년의 Frontier AI는 개인 튜터 경험을 경제적으로 확장할 수 있게 만들었고, 이 변화가 실현되는 일은 매우 가능하며 거의 필연적이라고 본다.
   2. 미래 예측: 앞으로 몇 년 안에 원한다면 모든 사람이 99번째 백분위수(99th Percentile)에 해당하는 학습 결과를 얻을 수 있는 ‘2-Sigma World’가 열릴 것이라고 전망한다. 이는 현재 성과가 아니라 창업자의 장기 예측이다.

4. AI라는 거대한 추세와 Speak의 회사 비전

거대한 세속적 추세(Secular Trend)를 정확히 타면 기존 사업자와 경쟁자의 존재보다 방향을 맞추는 일이 중요해진다.

4.1. 기술 물결에 올라타는 기업

1. 위대한 기업과 세속적 추세

   1. 추세의 힘: 지금까지 만들어진 거의 모든 위대한 기업은 거대한 장기 추세를 타고 성장했다.
   2. 경쟁 구도의 변화: 거대한 추세가 움직이는 순간에는 기존 사업자와 경쟁자가 결정적인 제약이 되지 않는다. 시장 전체가 커지는 파도에 올라타는 일이 핵심이 된다.

2. Google과 Internet의 사례

   1. 정보의 온라인화: Google은 인터넷과 온라인으로 들어오는 모든 정보의 파도를 탔기 때문에 위대한 회사가 됐다.
   2. Speak의 유사한 선택: Speak는 AI를 향후 10년 동안 인류가 만들어낼 가장 위대한 기술이 될 가능성이 큰 물결로 보고 그 위에 올라타기로 했다.

4.2. 언어에서 학습 전체로 확장하는 비전

1. 출발점으로서의 언어 학습

   1. 초개인화 경험: Speak는 AI로 언어를 유창하게 배우는 과정을 Hyper-personalized Learning Experience로 만들려 한다.
   2. 제품의 재창조: 회사의 첫 비전은 언어를 시작으로 사람들이 배우는 방식을 재창조하는 것이었다.

2. 범용 학습 시스템으로의 확장

   1. 제품과 사명의 일반화: 언어 학습에만 머물지 않고 회사의 Product와 Mission을 모든 형태의 학습에 적용할 수 있도록 확장하려 한다.
   2. 스마트 튜터링의 힘: 매우 똑똑한 Tutoring System이 학습자에게 개인 교사의 관찰, 피드백, 진도 조절을 제공하는 것이 확장의 기반이다.

5. OpenAI와 Speech Model이 만든 제품 전환점

첨단 Speech Recognition이 충분한 정확도에 도달하자 Speak는 닫힌 반복 연습에서 열린 대화형 학습으로 이동할 수 있었다.

5.1. GPT-3.5 시기의 큰 도약

1. OpenAI와의 관계

   1. 파트너십과 투자 구분: 당시 Speak는 OpenAI와 어느 정도 파트너 관계였지만 OpenAI의 투자를 받은 상태는 아니었다.
   2. Sam의 기존 연결: Sam은 몇 년 전 Speak에 Angel Investment를 했기 때문에 창업자들과 가까운 관계였다. 그는 Speak가 매우 독특하고 어려운 Speech Problem을 갖고 있다는 점을 알고 있었다.

2. 비밀 테스트 제안

   1. 호출의 내용: Sam은 음성 인식 문제를 많이 갖고 있다는 사실을 알고 있다며 비밀을 지킬 수 있는지 물었고, OpenAI가 만든 것을 Speak와 테스트하고 싶다고 제안했다.
   2. 새로운 평가 기준: OpenAI는 일반적인 Error Rate를 측정하지 않고, 모델이 오류를 단 한 번이라도 내는지 여부를 측정한다고 설명했다. 그만큼 모델이 뛰어나다는 의미였다.

5.2. 정확한 전사가 열린 대화형 경험으로 이어지다

1. 예상 밖의 결과

   1. 낮은 기대: Connor와 Andrew는 서로를 바라보며 “이게 작동할 리 없다”고 생각했다.
   2. 데이터 테스트: 실제 Speak 데이터를 넣자 결과에 완전히 놀랐다. 기존에 해결하지 못했던 음성 인식 문제가 절대적인 전환을 맞았다.

2. 제품 구조의 변화

   1. 신뢰할 수 있는 Transcription: 사용자가 무엇을 말했는지 정확하게 신뢰할 수 있는 전사 결과를 얻을 수 있게 됐다.
   2. Language Model의 결합: 정확한 전사 위에 Language Model을 연결해 정해진 문장을 반복하는 경험을 넘어 훨씬 열린 대화형 학습을 생성할 수 있게 됐다.

6. AI 튜터는 모델 하나가 아니라 시스템이다

모델의 지능이 아무리 강해져도 학습 목표를 끝까지 책임지는 튜터가 되려면 제품 설계와 데이터·머신러닝 시스템이 함께 필요하다.

6.1. Frontier Model이 여는 새로운 제품

1. 능력 임계점(Capability Threshold)

   1. 새 제품의 출현: Frontier Model이 똑똑해질수록 이전에는 만들 수 없었던 제품을 가능하게 하는 능력의 임계점이 생긴다.
   2. 가까운 다음 단계: Agentic Intelligence와 Real-time Model이 곧 중요한 임계점에 도달할 것으로 본다.

2. 학습 여정 전체를 맡는 튜터

   1. 경로의 소유: 새로운 능력은 사용자의 전체 Learning Journey를 소유하고 안내하는 AI Tutor를 가능하게 한다.
   2. 효율성의 증명: 튜터가 학습 목표에 도달하는 과정을 관리하고, 가능한 한 효율적으로 목표를 달성하도록 실제로 돕는 구조가 된다.

6.2. 애플리케이션 레이어가 받는 양쪽 압력

1. 위쪽의 Foundation Model 기업

   1. 범용 지능의 공급자: Foundation Model 기업은 누구나 사용할 수 있는 강력한 일반 지능을 제공한다.
   2. 애플리케이션의 위협: 애플리케이션 기업은 모델 제공자가 직접 사용자 경험을 만들 가능성 때문에 경쟁 압력을 느낀다.

2. 아래쪽의 초소형 신규 진입자

   1. Vibe Coding의 속도: 한두 명이 Vibe Coding으로 앱을 만들어, 불과 1~2년 전에는 수년 걸렸을 작업을 하룻밤 사이에 완성할 수 있다.
   2. 양쪽에서의 압박: 애플리케이션 레이어 기업은 Foundation Model 기업과 초고속 신규 진입자 사이에서 동시에 경쟁해야 한다.

6.3. 모델과 튜터의 차이

1. 모델은 원재료다

   1. Raw General Intelligence: AI 모델은 많은 일을 수행할 수 있는 방대한 일반 지능을 제공하지만, 그 자체가 튜터는 아니다.
   2. 지능의 방향 설정: 튜터는 모델 주변에 구축된 시스템으로서 그 지능을 학습 목표에 맞게 지휘한다.

2. 목적형 제품의 복잡성

   1. 제품·기술 시스템: 좋은 언어 튜터에는 모델 하나를 호출하는 것보다 훨씬 깊고 복잡한 Product and Technical System이 필요하다.
   2. 몰입형 대화: 언어 튜터는 사용자와 매우 몰입적인 대화를 해야 한다. 현재의 Real-time Voice Model은 여기에 가까워졌지만 아직 충분히 도달하지 못했다.

6.4. 범용 챗봇과 목적형 튜터의 차이

1. 학습자의 긴 시간축

   1. 수년짜리 결과: 학습자는 목표를 달성하는 데 수년이 걸릴 수 있는 결과를 원한다.
   2. 매일의 노력: 그 결과에는 매일 꾸준하고 전념하는 노력이 필요하므로, 학습자는 단순히 재미있는 대화보다 가장 효과적인 도구를 찾는다.

2. Foundation Model은 경쟁자이면서 촉매다

   1. 애플리케이션 개선: Foundation Model은 Speak의 애플리케이션 자체를 더 나아지게 하는 기반이다.
   2. 수요의 교육: 많은 사람이 ChatGPT 같은 앱을 써 보며 AI가 언어 학습에 유용하다는 사실을 알게 된다. 그러나 범용 앱은 목적형 튜터 제품이 아니기 때문에 한계가 드러나고, 이후 Speak 같은 전용 솔루션을 찾게 된다.

3. Speak가 쌓는 방어력

   1. 데이터 플라이휠: 사용자 데이터를 활용해 모델을 개선하고, 개선된 모델로 더 나은 경험을 제공하며, 다시 더 좋은 데이터를 얻는 Data Flywheel을 구축하려 한다.
   2. Scaffolded ML System: 기초 기술 위에 학습 순서와 구조를 설계한 Scaffolding 및 Machine Learning System을 쌓아 범용 모델보다 효과적인 목적형 솔루션을 만든다.

7. 빠르게 변하는 환경에서 사명으로 결정하기

스타트업이 붙잡을 수 있는 진실이 줄어들수록 변하지 않는 사명과 변할 수 있는 실행 경로를 구분해야 한다.

7.1. 고정해야 할 것과 바꿔야 할 것

1. 창업자가 확신할 수 있는 진실은 적다

   1. 변화의 속도: 세상이 너무 빠르게 바뀌기 때문에 창업자가 계속 진실이라고 붙잡을 수 있는 사실은 많지 않다.
   2. 최상위의 기준: 회사의 Core Foundational Mission과 Long-term Vision은 가장 높은 수준에서 의사결정의 기준이 된다.

2. 경로는 유연하게 바꾼다

   1. 비전의 불변성: 무엇을 이루려는지에 대한 확고한 신념은 환경이 바뀌어도 유지한다.
   2. 실행의 가변성: 그 목표에 도달하는 경로는 기술과 시장의 변화에 따라 크게 바꿀 수 있어야 한다.

7.2. 실패하던 초창기를 버티게 한 사명

1. 제품의 존립 위기

   1. 작동하지 않던 버전들: Speak 초기에는 만드는 앱의 거의 모든 버전이 제대로 작동하지 않는 것처럼 느껴졌다.
   2. 무관심과 실존적 위험: 사용자와 시장이 아무도 신경 쓰지 않는 상황이 이어졌고, 회사의 생존 자체가 걸린 문제였다.

2. 사명이 만든 장기 의사결정

   1. 동기 이상의 기능: 사명은 단순히 힘든 시기를 견디게 한 동기 부여 문구가 아니었다.
   2. 복리형 우위: 강한 비전에 절대적인 확신이 있었기 때문에 장기 성공에 필요한 Compounding Advantage를 만드는 결정을 계속 내릴 수 있었다.

3. 단기 유혹을 이기는 기준

   1. 쉬운 지름길의 유혹: 상황이 어려워질수록 단기 성과를 내는 일에 집중하고 싶은 유혹이 커진다.
   2. 중요한 문제에 집중: 비전과 사명은 이런 순간에도 정말 중요한 일에 머무르고, 장기적으로 의미 없는 단기 작업에 휩쓸리지 않게 했다.

7.3. 스타트업 성공을 결정하는 연속적인 선택

1. 성공 확률은 정답률의 함수다

   1. 의사결정의 비율: 스타트업의 성공 가능성은 내린 결정 중 올바른 결정의 비율로 어느 정도 근사할 수 있다.
   2. 운영의 본질: 회사를 운영한다는 것은 수많은 판단을 연속해서 내리는 과정이다. 하나의 천재적인 선택보다 여러 번의 선택을 누적하는 일이 중요하다.

2. 정답률을 높이는 방법

   1. Truth-seeking: 자신이 믿고 싶은 답이 아니라 현실의 진실을 계속 찾는다.
   2. 적응과 장기 방향: 새로운 정보에 맞춰 적응하고, 더 많은 결정을 올바르게 내리며, 세상이 장기적으로 향하는 방향을 제대로 보고 있어야 성공 가능성이 생긴다.

주요 발언 모음

“한국에서 시작하는 것은 단기적으로 더 어려울 수 있지만, 장기적으로 성공할 가능성을 더 높여줄 것이라고 믿었다.”

“San Francisco 같은 곳은 완전히 거품이다. 그 거품에서 벗어나 현실 세계의 실제 정보를 얻는 것이 매우 중요하다.”

“AI 모델은 튜터가 아니다. 모델은 방대한 일반 지능을 제공하고, 튜터는 그 지능을 지휘하기 위해 모델 주변에 구축하는 시스템이다.”

“누구나 자신이 가능하다고 생각하는 것보다 10배 빠르게 배울 수 있다.”

“우리가 붙잡을 수 있는 것은 회사의 핵심 사명과 장기 비전이며, 그곳에 도달하는 경로는 환경이 변함에 따라 크게 바뀔 수 있다.”

“스타트업을 운영하는 일은 연속해서 많은 결정을 내리는 일이다. 진실을 찾고 적응하며 더 많은 결정을 올바르게 내린다면 성공의 기회를 얻는다.”

핵심 데이터 & 수치

• 한국 사용자 비율: 한국인 약 10명 중 1명이 Speak에 가입 신청을 했다.
• 유니콘 시점: 인터뷰 시점에서 약 1년 반 전에 Accel 주도 Funding Round를 통해 Unicorn 지위에 도달했다.
• 일반 교실의 규모: Bloom의 기준 모델은 교사 1명 대 학생 30명이다.
• 개인 지도 효과: 1:1 Mastery-based Tutoring을 받은 학생은 일반 교실보다 2 Standard Deviations 높은 성과를 냈다.
• AI 개인 튜터 전망: 개인 튜터의 경제성 문제를 AI가 해결해 향후 몇 년 안에 원한다면 누구나 99th Percentile 수준의 결과에 접근할 수 있다고 전망한다.
• 창업자의 학습 경로: 한 창업자는 12살에 대학에 진학하고 16살에 PhD를 시작했다.
• 확장 지역: 한국에서 시작한 기술적 학습이 Japan, Europe, United States 확장에 활용됐다.

결론 및 시사점

1. 첫 시장은 가장 큰 시장이 아니라 가장 강한 신호를 주는 시장이어야 한다: 성장률이 낮고 경쟁이 심해도 실제 효과를 절실히 원하는 사용자가 있다면 제품 가설을 더 엄격하게 검증할 수 있다.
2. 팀의 거점과 고객의 출발점은 분리할 수 있다: San Francisco의 투자·인재 생태계와 한국의 현장 학습 신호를 동시에 활용한 선택이 Speak의 독특한 출발점이 됐다.
3. 로컬 문제를 깊이 파면 글로벌 기술이 된다: 한국 사용자의 억양과 심리를 해결하려고 만든 Speech Recognition과 제품 경험이 다른 국가로 확장되는 일반화 가능한 자산이 됐다.
4. 현지화와 보편성을 함께 설계해야 한다: 문화별 심리와 언어 패턴은 Localize하되, 인간의 학습과 피드백에 관한 핵심 구조는 여러 시장에 공통으로 적용할 수 있다.
5. AI 제품의 차별화는 모델 호출이 아니라 시스템 설계에서 나온다: Raw General Intelligence를 학습 목표·진도·대화·피드백으로 조직하는 목적형 튜터가 애플리케이션의 핵심이다.
6. 범용 모델은 전용 서비스의 시장을 교육할 수 있다: ChatGPT가 AI 학습의 유용성을 알려주고, 그 한계를 경험한 사용자가 Speak 같은 전문 제품으로 이동할 수 있다.
7. 데이터는 제품의 복리형 방어력이 될 수 있다: 사용자 발화와 학습 행동을 모델 개선 및 Scaffolded ML System에 연결하는 플라이휠이 시간이 갈수록 효과를 누적한다.
8. 사명은 실행 계획이 아니라 선택 기준이다: 비전은 고정하고, 기술·시장 변화에 맞춰 경로를 바꾸며, 단기 유혹 속에서도 장기적 우위를 쌓는 결정을 가능하게 해야 한다.
9. 스타트업은 정답률을 높이는 게임이다: 현실을 계속 탐색하고, 틀린 가정을 빠르게 수정하고, 세상의 장기 방향을 올바르게 읽는 의사결정이 누적될수록 성공 확률이 높아진다.
10. AI의 교육적 약속은 개인 튜터의 민주화다: Bloom의 2 Sigma Problem이 보여준 개인화 교육의 효과를 AI로 경제적으로 확장하는 것이 Speak의 언어 학습 비전과 장기적인 모든 학습 비전의 공통 기반이다.

핵심 요약 (20줄)

1. Speak는 San Francisco에 팀을 두고 South Korea를 첫 제품 시장으로 선택했다.

2. 한국인 약 10명 중 1명이 Speak 가입을 신청할 정도로 제품이 확산됐다.

3. 한국 영어 학습 시장은 경쟁이 치열하고 성장 시장으로 보이지 않았지만 효과적인 해법을 찾는 동기가 강했다.

4. 가장 까다로운 시장에서 얻는 사용자 반응이 장기 제품 비전을 검증하는 가장 유용한 신호가 됐다.

5. 팀의 위치는 투자자와 인재가 모인 생태계로, 첫 시장은 현실의 학습 문제를 확인하는 장소로 정의됐다.

6. San Francisco의 기술 업계 거품에서 벗어나 실제 사용자의 정보를 얻는 일이 제품 판단에 중요했다.

7. 초기 핵심 과제는 강한 억양을 가진 비원어민 영어 사용자의 발화를 정확하게 이해하는 일이었다.

8. 특정 억양에 맞춘 Speech Recognition 기술이 사용자의 문장 반복 학습을 가능하게 했다.

9. 한국에서 배운 음성 모델 Fine-tuning 경험이 Japan, Europe, United States 확장에 일반화됐다.

10. 한국 교육 시스템이 만든 실수에 대한 공포가 영어 유창성의 정체를 낳는 심리적 함정으로 파악됐다.

11. English Exorcism Pop-up Event는 사용자가 영어 말하기 공포를 직접 떨쳐내도록 설계됐다.

12. 시장별 제품 Localize가 필요해도 인간의 학습과 교육을 개선하는 핵심 해법은 보편적으로 작동했다.

13. 한 창업자는 자기 방식으로 배우도록 도운 5학년 교사의 경험에서 개인화 교육의 힘을 배웠다.

14. 다른 창업자는 Home Schooling으로 빠르게 학습해 12살에 대학에 진학하고 16살에 PhD를 시작했다.

15. 누구나 자신의 예상보다 10배 빠르게 배울 수 있다는 믿음이 AI 교육 비전의 출발점이 됐다.

16. Bloom의 2 Sigma Problem은 1:1 Mastery-based Tutoring이 일반 교실보다 2 Standard Deviations 높은 성과를 낸다는 사실을 보여줬다.

17. Frontier AI는 경제적으로 불가능했던 개인 튜터를 확장해 2-Sigma World를 열 가능성을 제공한다.

18. OpenAI의 고정밀 Speech Model 테스트는 신뢰할 수 있는 Transcription과 열린 Language Model 대화를 가능하게 했다.

19. AI 모델은 튜터가 아니라 Raw General Intelligence를 학습 목표로 지휘하는 복합 제품·기술 시스템의 재료다.

20. Speak는 빠르게 변하는 실행 경로를 사명으로 묶고, 진실 탐색과 적응을 반복해 올바른 결정의 비율을 높이려 한다.