2026년 스타트업의 상태 — 하드테크와 AI 에이전트의 부상

URL: https://www.youtube.com/watch?v=yslXlV2BP_Y
날짜: 2026-09-19
채널: Y Combinator
원문 제목: The State of Startups in 2026

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI가 소프트웨어를 빠르게 만들 수 있게 된 2026년, 어떤 창업자와 스타트업이 실제로 빠르게 성장하며 다음 산업을 만들고 있는가?==

• YC가 최근 12~18개월 동안 받아들인 기업의 구성을 분석하면 hard tech 비중이 8%에서 20%로 뛰었다.
• YC 기업의 배치 종료 시점 median 월 매출은 과거 약 8,000달러에서 현재 약 20,000달러로 상승했다.
• AI가 단순한 소프트웨어 기능을 넘어 연구, 제조, 국방, 데이터센터, 로보틱스의 물리적 병목까지 줄이고 있다.
• 소프트웨어 기업은 사라지는 대신 agent가 실제 업무를 끝내는 end-to-end 제품으로 바뀌고 있으며, system of record는 AI harness가 되어야 한다.
• 혼자 시작하는 창업자와 업계 경험이 많은 창업자가 늘고 있지만, 성장을 지속하는 기업은 이후 공동창업자를 영입할 가능성이 여전히 높다.

YC는 매년 수천 명의 창업자와 접촉하기 때문에 아직 대중에게 명확해지기 전의 변화를 관찰할 수 있다. 대담은 이 관찰을 바탕으로 물리적 원자(atom)를 다루는 기업의 부활, 에이전트가 업무를 수행하는 소프트웨어, 모델을 훈련시키는 데이터·RL 환경, 솔로·경험 많은 창업자의 부상, 그리고 지금 당장 무엇을 만들어야 하는지를 시간순으로 풀어간다.

1. 한눈에 보는 2026년 YC 기업의 변화

1.1. 배치 구성과 성장 속도

1. Hard tech 기업의 비중이 급증했다

   1. YC가 받아들인 기업 가운데 hard tech 비중은 약 8%에서 20%로 증가했다.
   2. 여기서 hard tech는 화면 속 bits만 다루는 기업이 아니라 실제 원자(atoms), 장비, 재료, 전력, 제조 설비, 로봇, 위성, 반도체를 만지는 기업을 뜻한다.
   3. 이런 변화는 단순히 소프트웨어 투자 기피가 아니라 AI가 과학 연구와 제품 개발을 가속하면서 물리적 산업의 투자 매력이 커진 결과로 해석된다.

2. 초기 매출에서 배치 종료 매출까지의 상승폭이 커졌다

   1. 전형적인 YC 기업은 입학 시점에 pre-revenue, 즉 매출 0에 가깝고 제품도 아직 완성되지 않은 상태다.
   2. 과거 배치가 끝날 때 median 월 매출은 약 8,000달러였다.
   3. 최근 기업의 median 월 매출은 약 20,000달러까지 올라갔다.
   4. 평균(average)은 median보다 더 높기 때문에 일부 기업만의 극단적 성공으로 설명되지 않는 전체 분포의 이동이라는 의미가 있다.

3. 성장에 걸리는 시간이 압축됐다

   1. 2026년에는 배치 기간인 약 3개월 안에 매출 0에서 연 매출 7자리 달러(일곱 자릿수, seven figures)로 올라가는 기업이 나타났다.
   2. 과거 같은 단계에 도달하려면 약 18개월 이상 걸리는 경우가 일반적이었다.
   3. 실제 문제를 풀면서 AI coding agent로 훨씬 성숙한 제품을 만들 수 있게 된 점이 이 압축의 두 축이다.

1.2. 대담의 관찰 방식

1. YC의 관찰 범위

   1. YC는 매년 수천 명의 창업자와 협업하므로 시장에 널리 알려지기 전의 패턴을 먼저 볼 수 있다.
   2. 이번 분석은 최근 12~18개월 동안 YC가 받아들인 기업들을 대상으로 했다.
   3. Diana, Jared, Gary, Tyler 등이 기업 구성·성장·기술 사례를 나누고, 서로의 관찰과 농담을 섞어 현장의 변화를 설명한다.

2. 가장 중요한 질문

   1. 2026년의 state of the art는 hard tech와 AI 소프트웨어가 어느 지점까지 왔는가라는 질문이다.
   2. 다음 단계는 어떤 산업·창업자·도구가 지금의 변화에서 가장 큰 기회를 얻는가라는 질문이다.
   3. 빌더(builder)는 무엇을 알아야 하고, 어떤 것을 직접 만들어야 하는지가 실천적 결론으로 이어진다.

2. Hard tech로 이동하는 자본과 기술

2.1. 물리적 스택 전반의 성장

1. 로보틱스(Robotics)

   1. 로보틱스 기업 비중은 배치의 약 1%에서 6~7%로 증가했다.
   2. 전용 산업 로봇, 로봇 배포 인프라, 로봇용 데이터 수집, 새로운 로보틱스 연구소를 둘러싼 기업이 함께 늘고 있다.

2. 산업 제조(Industrial manufacturing)

   1. 미국에서 물건을 다시 만드는 기업의 비중은 약 4%에서 10%로 증가했다.
   2. 비어 있는 공장과 약해진 공급망을 활용해 국내 제조 기반을 재건하는 흐름이 나타난다.

3. 국방(Defense)

   1. 국방 스타트업 비중은 약 1.5%에서 5%로 증가했다.
   2. 전쟁이 소셜미디어에서 전면적으로 보이는 시대에 성장한 창업자 세대가 국방 문제를 직접 해결하려 한다.

4. 반도체·포토닉스(Semiconductor and photonics)

   1. AI 컴퓨팅에 필요한 반도체 스택과 photonics 기업 비중은 약 1%에서 4%에 가까워졌다.
   2. GPU 자체뿐 아니라 interconnect, switch, 광학 부품처럼 컴퓨팅 시스템의 아래 계층을 다시 만드는 기업이 포함된다.

5. 전력(Power)

   1. 컴퓨팅 인프라를 지탱하는 전력·배터리 기업 비중은 약 1%에서 3%에 가까워졌다.
   2. 로봇·데이터센터·우주 설비가 실제로 작동하려면 전력 공급과 저장이 필수이므로 전력은 컴퓨트 스택의 하위 병목이 된다.

6. 원자 스택의 재편

   1. 로보틱스, 제조, 국방, 반도체·포토닉스, 전력에 걸친 비중은 분야별로 대략 세 배에서 다섯 배까지 커졌다.
   2. “시대가 기계의 시대(age of the machine)”라는 표현은 화면 속 애플리케이션이 아니라 현실을 움직이는 자산 전체가 창업 대상이 되었다는 뜻이다.
   3. YC의 오래된 원칙인 “사람들이 원하는 것을 만들어라(Make something people want)”가 이제 사람들이 실제로 원하는 장비·공급망·전력·방어 시스템에도 적용된다.

2.2. 더 기술적인 창업자와 AI의 증폭 효과

1. PhD 창업자의 증가

   1. 2026년 여름 배치에서는 창업자 6명 중 1명이 PhD를 보유했다.
   2. silicon photonics처럼 깊은 연구 배경이 필요한 분야가 늘면서 연구 훈련을 받은 창업자에게 자본이 향하고 있다.
   3. 이런 창업자는 특히 좋은 성과를 내는 경향이 있다는 관찰이 함께 제시된다.

2. Hard tech의 전통적 병목

   1. 하드웨어 기업은 공급망뿐 아니라 하드웨어와 소프트웨어를 함께 구축해야 해서 오랫동안 어려웠다.
   2. 예전에는 최고 수준의 소프트웨어 엔지니어를 수천 명 고용해야 full-stack hardware를 만들 수 있었고, 이 인력 부족이 limiting reagent처럼 작용했다.
   3. Palmer Luckey가 Anduril을 설명할 때 강조했던 것처럼, 시스템 전체를 빠르게 만들려면 하드웨어와 코드가 함께 움직여야 했다.

3. Code generation이 경제성을 바꾼다

   1. AI coding agent와 code generation은 설계·제어 소프트웨어를 훨씬 빠르게 만든다.
   2. 이제 한두 명 또는 작은 팀의 뛰어난 엔지니어가 필요할 수는 있어도 Google이나 Meta와 경쟁하려고 최고급 엔지니어 수천 명을 먼저 모을 필요는 줄었다.
   3. 따라서 AI는 소프트웨어 제품만 자동화하는 것이 아니라 hard tech 회사가 연구·제어·운영 소프트웨어를 확보하는 비용도 낮춘다.
   4. 핵심 강세론(bull case)은 “소프트웨어 투자가 줄어든다”가 아니라, 강력한 모델이 과학 연구를 가속해 deep tech 회사가 더 일찍 큰 연구 돌파구를 만들 수 있다는 데 있다.

3. 우주·국방·제조가 만나는 새로운 공급망

3.1. 우주 산업의 세대교체

1. SpaceX의 성공이 창업 욕구를 자극했다

   1. SpaceX의 성공적인 IPO는 우주에서 거대한 기업을 만들 수 있다는 신호를 보냈다.
   2. 이를 보고 자란 세대가 발사체 한 종류가 아니라 우주 산업의 여러 계층을 만들고 있다.
   3. 전력, 위성, 통신, 우주 데이터센터까지 전체 stack을 연결하는 기업이 등장한다.

2. YC 우주 기업 사례

   1. Summer 2026 배치의 Exosat는 사실상 sovereign Starlink solution을 만들려 한다.
   2. Winter 2026 배치의 Beyond Reach Labs는 우주 위성용 solar panel을 만든다.
   3. StarCloud처럼 우주에 데이터센터를 두려는 기업이 늘면, 해당 데이터센터를 작동시킬 전력 설비가 필수적으로 필요하다.
   4. 우주 데이터센터를 위한 태양광·전력 공급은 주변적 기능이 아니라 명확한 인프라 사업이 된다.

3.2. 국방 스타트업의 실제 사용 사례

1. 전쟁 경험이 창업 문제를 바꿨다

   1. 최근 창업자 세대는 전쟁이 소셜미디어에서 매일 보도되는 환경에서 성장했다.
   2. 국방을 추상적인 정부 조달 시장이 아니라 직접 해결해야 할 현실 문제로 받아들인다.
   3. 드론 전쟁은 저렴한 무인 시스템과 통신·감시·방어 기술을 동시에 요구한다.

2. Icarus의 고공 감시·통신 플랫폼

   1. Icarus는 태양광으로 작동하는 U-2 정찰기와 유사한 비행체를 만든다.
   2. 이 플랫폼은 상공에서 감시(overwatch)하고 통신(comms)을 제공한다.
   3. 지상 드론이 실제로 작동하려면 지상 상황을 보고 명령을 주고받는 통신이 중요하다.
   4. Icarus는 새 Department of War와 7자리 달러 규모 계약에 도달했다.

3. Nine Mothers의 대드론 방어

   1. Nine Mothers는 computer vision(CV)을 사용하는 산탄총 포탑(shotgun turret) 형태의 anti-drone defense를 만든다.
   2. 특수부대는 수년간 훈련한 극소수의 고급 인력이며, 미국은 이런 인력을 수천 명 단위로 보유하지 않는다.
   3. 적진 깊숙이 들어간 특수부대를 일상적인 저가 드론 공격으로부터 보호하는 일은 Department of War에 실존적 문제다.
   4. 특수부대가 이미 Nine Mothers의 방어 시스템을 구매하고 있다는 점은 현장 수요가 실제 계약으로 이어짐을 보여준다.

4. 기존 방산업체와 스타트업의 대비

   1. 전통적인 대형 방산 프라임(prime)은 cost-plus 계약에 의존하는 컨설턴트처럼 움직여 혁신 속도가 느렸다.
   2. 새 국방 스타트업은 AI와 새로운 제조 방식을 이용해 기존 방산업체가 만들기 어려운 시스템을 만든다.
   3. 새 행정부가 국방을 다른 방식으로 접근하면서 이런 스타트업이 정부 시장에 진입할 여지가 커졌다.

3.3. Dual-use 제조 인프라

1. Nox Metal의 금속 공급망 재건

   1. 미국은 수십 년 동안 금속 산업이 공동화되어 금속 없이는 물건을 만들 수 있는 기반 자체가 약해졌다.
   2. Nox Metal은 디트로이트의 비어 있는 공장을 활용해 미국의 금속 제조 공급망을 다시 세운다.
   3. 금속은 방산뿐 아니라 모든 하드웨어 산업에 필요한 기반 소재다.
   4. Nox Metal은 방산 스타트업과 민간 고객 모두에게 공급할 수 있는 dual-use 회사다.

2. 방산 고객이 공급업체의 속도를 끌어올린다

   1. 새 국방 기술 스타트업은 빠른 속도로 제품을 만들어야 하는데, 기존 공급업체는 오래된 경영 방식 때문에 그 속도를 따라가지 못한다.
   2. Nox Metal은 이런 고객이 원하는 개발 속도와 협업 방식을 제공하며 소프트웨어 기업에 가까운 성장률을 보인다.
   3. YC의 Paul Graham(PG)이 Nox Metal이 software growth rate로 성장한다고 언급한 사례가 그 속도를 강조한다.

3. Stripe와의 비유

   1. Web 2.0 초기에 새 스타트업은 기존 신용카드 공급업체보다 자신의 속도를 이해하는 새 공급업체를 원했다.
   2. Stripe가 레거시 결제업체보다 개발자 친화적이었던 것처럼, Nox Metal은 국방 기술 생태계에 맞는 금속 공급업체가 된다.
   3. 하드웨어 생태계에도 소프트웨어 시대의 “새 스타트업이 새 스타트업을 돕는” 패턴이 생긴다.

4. AI 컴퓨팅을 지탱하는 물리적 기반

4.1. 데이터센터와 전력 병목

1. GPU 희소성이 가격을 거슬러 올린다

   1. NVIDIA A100처럼 이미 오래된 GPU도 시간당 사용 가격이 오르고 있다.
   2. 일반적으로 세대가 지난 하드웨어 가격은 떨어져야 하지만 AI 수요가 공급을 압도해 가격이 상승한다.
   3. 이례적인 가격 움직임은 컴퓨트가 단순한 소프트웨어 비용이 아니라 물리적 희소 자산이 되었음을 보여준다.

2. 데이터센터 전 밸류체인

   1. 스타트업은 데이터센터 부지 건설과 사이트 준비부터 소프트웨어, 실제 buildout, 전력·배터리 조합까지 모든 계층에서 기회를 찾는다.
   2. AI 수요가 급증하면서 데이터센터를 빠르게 가동하는 능력이 모델 성능만큼 중요해진다.
   3. 전력 인프라와 배터리 저장은 데이터센터가 그리드와 연결되는 속도를 보완하는 수단이다.

4.2. 새로운 실리콘과 광학 interconnect

1. NVIDIA 대안을 만드는 반도체

   1. Lamb Labs는 AI 컴퓨트용 새로운 프로세서를 만든다.
   2. Bot은 모델에 ternary representation을 사용하는 맞춤형 하드웨어 아키텍처를 개발한다.
   3. NVIDIA A100, H100, B300 계열이 세대를 거치며 floating-point precision을 낮추고 있다는 흐름이 새로운 설계의 배경이다.
   4. LLM은 기존 소프트웨어·과학 계산만큼 높은 정밀도를 항상 필요로 하지 않으며, 더 낮은 정밀도도 일정 수준 사용할 수 있다는 관찰이 있다.

2. Dipole Labs의 optical switch

   1. 데이터센터에서 GPU A와 GPU B가 통신할 때 중간에서 라우팅하는 장치가 switch다.
   2. 현재 switch는 전자식인데 GPU 속도가 빨라지면서 switch가 데이터센터의 bottleneck이 되고 있다.
   3. Dipole Labs는 GPU A에서 GPU B까지 모든 신호를 photon으로 보내는 fully optical switch를 만든다.
   4. 광학 방식은 전자식 switch보다 높은 속도를 목표로 하며, GPU 성능 향상의 다음 병목을 공략한다.

5. 로보틱스가 맞이할 ChatGPT 순간

5.1. 물리 세계의 AI 전환

1. 로보틱스 스택의 확장

   1. 특정 산업의 vertical robotics부터 로봇 배포 인프라, 로봇 데이터 수집, 로보틱스 연구소까지 기업군이 형성된다.
   2. 업계에서는 로보틱스에도 ChatGPT moment가 오리라는 감각이 있지만 아직 결정적 순간에는 도달하지 않았다.
   3. 데이터가 쌓이고 새로운 scaling law가 발견될 때마다 몇 주 단위로 다음 돌파구에 가까워질 수 있다.

2. AI와 하드웨어의 반반 구조

   1. Physical Intelligence(PI)의 로보틱스 접근은 절반이 AI이고 절반이 하드웨어라는 표현으로 설명된다.
   2. 언어 모델이 현실을 언어로 모델링한다면 로보틱스 모델은 훨씬 많은 자유도(degrees of freedom)를 가진 3D 물리 공간을 모델링해야 한다.
   3. 따라서 로보틱스의 데이터·제어·하드웨어를 하나의 통합 문제로 다뤄야 한다.

3. Fable과 Astra의 성능 비교

   1. 한 로보틱스 benchmark에서 Fable은 작업 성공률이 약 10% 수준이었다.
   2. Astra는 같은 종류의 작업에서 60~70%를 수행하는 것으로 언급되었다.
   3. benchmark 이름과 정확한 측정 조건은 대담에서 특정되지 않았지만, 짧은 기간에 작업 성공률이 크게 오를 수 있다는 사례로 제시된다.

5.2. Hard tech 투자 회귀

1. YC의 경험

   1. YC는 2014년부터 로켓, 비행기, 칩, 데이터센터 같은 hard tech 기업에 투자해 왔다.
   2. 과거에는 투자자들이 “우리는 B2B SaaS만 한다”고 말해 이런 기업의 후속 자금 조달이 어려웠다.
   3. 제조와 설비를 포함한 full capital buildout을 위해 downstream 투자자가 필요하므로 bootstrap만으로는 충분하지 않다.

2. 투자자 관심의 급격한 전환

   1. 올해 초 SaaS 주가가 하락하고 Claude Code가 급부상한 시점부터 hard tech에 대한 관심이 갑자기 커졌다.
   2. Winter batch 초반부터 변화가 보였고, 그 배치의 Demo Day에는 투자자 관심이 확연히 증가했다.
   3. 이후 hard tech 선호는 더 확대되었다.

3. SaaS가 죽은 것은 아니다

   1. Salesforce 주가는 회복했고 Snowflake도 최근 강한 실적을 발표했다.
   2. 따라서 hard tech의 부상은 SaaS의 종말이라기보다 가치 있는 소프트웨어의 성격이 달라진 현상이다.
   3. 미래의 소프트웨어는 사람이 화면에서 기록하는 도구보다 agent가 실제 업무를 수행하는 제품에 가까워진다.

6. System of record에서 AI harness로

6.1. Agent를 고객으로 보는 소프트웨어

1. 소프트웨어 가치의 이동

   1. 기존 SaaS는 사람이 업무를 처리하도록 기록·조회 기능을 제공하는 point solution이었다.
   2. agentic software는 보험 중개, 임상 intake, medical billing처럼 전체 업무를 끝까지 수행한다.
   3. 사용자는 작업을 추적할 시스템보다 결과가 실제로 완성되는 시스템에 더 많은 돈을 지불할 수 있다.

2. 매출 통계가 보여주는 변화

   1. agent가 전체 job을 자동화하면 단순한 기록 시스템보다 제품 가치가 높아질 수 있다.
   2. YC 기업의 median 월 매출이 8,000달러에서 20,000달러로 오른 현상은 이런 end-to-end 기업이 수익을 끌어올리는 흐름과 연결된다.
   3. 평균 매출은 더 높아 일부 기업의 대형 계약이 분포 상단을 끌어올리고 있다.

3. Agentic coding의 성숙

   1. agentic coding이 실제로 작동하기 시작한 지 거의 1년이 지났고, Opus 4.5 이후 업무 흐름이 본격적으로 꽃피었다.
   2. 창업자는 여러 coding agent session을 병렬로 돌려 한 사람이 과거보다 훨씬 성숙한 제품을 만들 수 있다.
   3. 일의 결과를 구매하려는 고객이 늘면서 “사람이 도구를 운용하는 SaaS”에서 “agent가 업무를 수행하는 소프트웨어”로 이동한다.

6.2. Salesforce와 다음 harness 전쟁

1. System of record의 양면성

   1. Salesforce 같은 system of record는 고객·업무 데이터가 축적되는 강력한 moat를 보유한다.
   2. agent가 더 많은 소프트웨어를 사용하게 되면 Salesforce의 성장처럼 기존 데이터 시스템의 가치가 오히려 커질 수도 있다.
   3. 반대로 system of record가 MCP를 내놓고 데이터 접근만 외부로 열면 데이터가 다른 곳으로 이동해 moat가 사라질 수 있다.

2. Harness가 되어야 하는 이유

   1. 기존 시스템은 단순히 데이터를 읽고 쓰는 곳이 아니라 사람이 실제 일을 수행하는 환경(harness)이 되어야 한다.
   2. agent와 사람이 모두 그 안에서 일하고, 협업하고, 결과를 남길 때 system of record의 방어력이 유지된다.
   3. 모델의 결과는 모델 자체뿐 아니라 어떤 harness에 연결되었는지에 따라 달라진다.

3. AI harness 경쟁

   1. Salesforce가 Slack AI harness를 내놓으면서 다음 AI harness wars의 초입에 들어섰다.
   2. Codex, Claude Code, OpenClaw, Hermes, OpenCode 등 여러 도구가 작업 환경의 중심이 되려 한다.
   3. 브라우저 전쟁처럼 한 명의 승자가 모든 것을 차지할지는 아직 알 수 없다.
   4. Slack은 AI 친화적인 회사들이 여전히 많이 사용하는 협업·기록 시스템이며, harness가 Slack 안에 들어가면 협업 데이터가 강력한 moat가 된다.

7. Agentic 제품의 실제 사례와 매출

7.1. Juicebox의 채용 에이전트

1. 검색 도구에서 채용 업무 자동화로

   1. Juicebox는 처음에는 LLM 기반 people search에 가까웠다.
   2. 사용자가 원하는 인재의 조건을 입력하면 적합한 프로필을 찾아주는 기능이 핵심이었다.
   3. 과거에는 적합한 사람을 찾은 다음 recruiter가 직접 연락해야 했다.

2. Agent 제품의 확장

   1. 새 agent는 후보자에게 직접 연락하고 인터뷰 일정을 잡는다.
   2. 검색이라는 point solution에서 연락·일정 조율까지 포함하는 end-to-end workflow로 확장되었다.
   3. 고객은 더 많은 agent 기능을 원하므로 계정당 매출이 두 배 또는 세 배가 될 수 있다.

3. 사람의 역할은 사라지지 않는다

   1. AI는 recruiter가 원하지 않았던 500명 대상의 반복적인 outreach를 맡는다.
   2. 문화 적합성(culture fit)을 판단하는 전화 스크리닝과 인간적 판단은 여전히 어렵다.
   3. recruiter는 반복 업무에서 벗어나 문화, 관계, 독특한 인재 판단처럼 더 숙련되고 흥미로운 일에 집중한다.
   4. 그래서 recruiter 자신도 agent 사용을 반긴다.

7.2. 빠른 매출과 성숙한 제품

1. 0에서 7자리 매출까지

   1. 일부 기업은 배치 3개월 안에 매출 0에서 연 매출 7자리 달러로 올라갔다.
   2. 과거에는 약 18개월 이상 필요했던 속도다.
   3. 실제 구매 의사가 있는 문제를 해결하는 동시에 AI가 제품 완성도를 높였기 때문에 가능한 결과다.

2. 20개의 coding agent session

   1. AI-native 창업자는 약 20개의 coding agent session을 동시에 또는 연속적으로 운용한다.
   2. 각 session이 기능 구현·디버깅·검증을 맡아 제품 성숙도를 빠르게 높인다.
   3. 예전에는 사람이 순차적으로 처리해야 했던 개발 병목이 병렬 작업으로 바뀐다.

3. AI hype라는 반론

   1. 빠른 매출이 단순히 유행하는 AI 제품에 기업이 돈을 쓰는 결과라는 반론은 가능하다.
   2. 일부 수요가 hype일 수 있다는 점은 인정되지만, 전체 강세론은 실제 업무 자동화가 제품의 경제적 가치를 높인다는 데 있다.
   3. 기업은 멋진 기능보다 사람이 하던 job을 끝내는 결과에 큰 수표를 쓴다.

8. 모델을 만드는 데이터·RL 환경 기업

8.1. 새로운 대형 카테고리

1. Scale 이후의 확장

   1. YC가 2016년 Scale에 투자했을 때 데이터 라벨링·모델용 데이터 시장은 작은 틈새였고 사실상 Scale이 대표 기업이었다.
   2. 이후 Mercor와 여러 기업이 합류하면서 데이터 시장이 별도의 큰 카테고리로 성장했다.
   3. 해당 기업들은 대체로 사업을 공개할 유인이 적어 외부에서 실제 규모를 알아보기 어렵다.

2. YC 기업의 매출 분포

   1. 최근 2년 동안 YC는 연구소에 데이터나 RL environment를 판매하는 기업을 12개 이상 지원했다.
   2. 이들 기업은 각각 연 매출 1,000만 달러를 넘겼다.
   3. 일부는 설립 후 몇 년밖에 지나지 않았는데도 수억 달러 매출을 올린다.
   4. 짧은 기간에 그 정도 매출을 만들었다는 점이 “pretty bananas”한 속도로 표현된다.

3. Data와 scaling law

   1. Compute가 scaling law의 한 축으로 강조되지만 data 없이는 모델을 크게 개선할 수 없다.
   2. RL environment는 특정 영역에서 모델이 행동을 수행하고 평가받도록 만든다.
   3. 금융처럼 특화된 환경은 도메인 전문성, computer science, systems engineering이 함께 필요하다.
   4. benchmark를 최대화하는 benchmark maxing이 일부 포함될 수 있지만, 대형 모델 회사가 RL에 계속 투자할 현실적 이유가 있다.

8.2. RL·현실 데이터의 산업화

1. 대형 연구소의 지출

   1. 주요 연구소가 RL 관련 데이터·환경에 약 10억 달러를 지출한다는 보고가 있다.
   2. 널리 알려진 사실은 아니지만 이를 중심으로 지속 가능한 사업을 만들 수 있다.
   3. 장기 horizon task용 환경이 만들어지며, 모델이 짧은 답변이 아니라 긴 작업을 완수하도록 훈련한다.

2. 로보틱스용 현실 데이터

   1. 연구소는 AI가 물리 세계에서 작동하기를 원하므로 현실 환경의 데이터가 필요하다.
   2. egocentric data와 tactile task가 새로운 대형 데이터 카테고리로 떠오른다.
   3. 이런 기업과 연구소 사이에 수천만~수억 달러에 가까운 8·9자리 달러 계약이 체결된다.

3. YC 사례

   1. Practis Robotics는 산업 생산이 이뤄지는 세계 각지의 장소 네트워크에서 데이터를 수집한다.
   2. Deep Reach는 세계 곳곳의 local entrepreneur가 만드는 데이터를 활용하는 사업으로 언급된다.
   3. Winter 2026에는 Human Archive를 포함해 이 영역의 기업이 여러 개 등장했다.
   4. 데이터 기업은 제품을 공개적으로 자랑하기보다 연구소와 비공개로 거래하는 경향이 있어 외부 관찰보다 실제 계약이 중요하다.

9. 독점 데이터와 자체 모델 훈련

9.1. System of record의 다음 의무

1. 데이터를 가진 회사의 선택

   1. system of record는 단순히 데이터를 보관하는 것에서 자체 모델을 훈련하는 방향으로 이동할 수 있다.
   2. 시스템이 MCP만 제공하면 데이터가 다른 agent로 빠져나갈 수 있으므로, proprietary data의 가치를 모델과 workflow 안에 묶어야 한다.
   3. River AI와 Tinker 같은 도구는 사용자가 자기 데이터로 모델을 훈련할 수 있게 하는 사례다.

2. 개인 모델 훈련의 접근성

   1. 개발자는 Claude Code나 OpenClaw 같은 작업 환경에서 자체 모델을 훈련할 수 있다.
   2. OpenClaw가 데이터 정제(data cleaning)까지 수행하는 흐름이 언급되며, 모델 훈련이 거대한 연구소만의 일이 아니게 된다.
   3. Open-weight 모델은 이미 frontier 모델에 매우 가까워지고 있으며, 특정 업무에 특화하면 frontier 모델보다 더 나은 결과를 낼 수 있다.

9.2. 로보틱스에서의 fine-tuning

1. 로보틱스 모델의 특수성

   1. 로보틱스 foundation model은 LLM과 달리 물리 공간의 훨씬 많은 자유도를 처리해야 한다.
   2. 데이터센터에서 케이블을 연결하는 로봇처럼 특정 vertical에서 작업하는 로봇은 범용 모델보다 해당 환경에 fine-tuning된 모델이 유리하다.
   3. Boost Robotics는 데이터센터 케이블 작업용 로봇을 만드는 사례로 언급된다.

2. 실시간 제어의 차이

   1. LLM은 작업을 맡긴 뒤 잠시 기다렸다가 결과를 확인하는 방식이 가능하다.
   2. 로봇은 자극에 즉시 반응하고 실시간으로 action plan을 바꿔야 한다.
   3. 케이블을 연결하는 중 누군가 로봇을 밀어 잘못된 포트에 연결하게 되면 실제 장비가 손상될 수 있다.
   4. 따라서 로봇이 특정 환경에서 실패하지 않게 하려면 맞춤형 데이터와 빠른 제어가 중요하다.

3. Physical Intelligence 모델의 실제 사용

   1. YC에서 Physical Intelligence 모델을 사용하는 기업들은 모델을 out of the box로 그대로 배포하지 못한다.
   2. PI 모델은 좋은 starting point이지만 데이터센터 케이블이나 특정 작업에 맞게 반드시 fine-tuning해야 한다.
   3. Ultra는 상자를 넣고 꺼내는 작업의 수천 시간 분량 영상을 보유해 그 작업에 특화된 성능을 만든다.

9.3. 행동 데이터가 다음 모델을 만든다

1. Coding agent의 자기개선

   1. Claude Code는 coding transcript를 활용해 뛰어난 코더의 작업 방식을 파악할 수 있다.
   2. 그 데이터를 다시 다음 coding model 훈련에 사용하면 모델이 더욱 좋아지는 피드백 고리가 생긴다.

2. TikTok과 Seedance의 비유

   1. TikTok이 보유한 시청·클릭 데이터는 어떤 영상이 사람을 끌어당기는지 알려준다.
   2. 그 데이터를 사용해 Seedance 같은 비디오 모델의 결과를 더 매력적으로 만들 수 있다.
   3. 데이터를 소유한 서비스가 그 데이터를 자체 모델 개선에 쓰는 흐름은 앞으로 더욱 강해진다.

10. 솔로 창업자와 경험 많은 창업자의 부상

10.1. 솔로 창업자의 증가

1. 통계적 변화

   1. 과거 YC 합격 기업 중 solo founder 비중은 약 5%였다.
   2. 최근에는 18~19%를 넘어 배치의 거의 5분의 1이 되었다.
   3. 이는 지금까지 관찰한 가장 큰 증가폭이며, 앞으로도 계속될 가능성이 있다는 관찰이 나온다.

2. 기존의 공동창업자 공식

   1. 전통적으로 훌륭한 창업자는 hustle, 설득력, 영업 능력, 기술 역량을 모두 갖춰야 했다.
   2. 사람을 설득하는 founder와 세계적 수준의 기술자 CTO가 결합하는 구성이 이상적인 조합이었다.
   3. 그래서 한 사람이 아이디어를 내고 팔고 만드는 일은 극도로 높은 기준을 요구했고, 공동창업자가 성공 확률을 크게 높였다.

3. AI가 낮춘 진입 장벽

   1. 지금은 무엇을 prompt하고 무엇을 build할지 결정하는 능력이 단순히 코드를 직접 작성하는 능력보다 중요해졌다.
   2. AI coding agent가 구현을 도우므로 한 사람이 이전보다 낮은 기술적 장벽으로 시작할 수 있다.
   3. 과거에는 극소수의 예외적인 사람만 아이디어·영업·구현을 혼자 할 수 있었지만, 이제는 시작 자체가 더 현실적이다.

4. 초기 솔로와 후기 공동창업자

   1. Instacart의 Apoorva Mehta, Coinbase의 Brian Armstrong, Parker Conrad는 YC 배치를 시작할 때 실질적으로 solo founder였다.
   2. 이들은 먼저 아이디어와 traction을 만들고 나중에 공동창업자를 영입했다.
   3. 향후에도 배치 시작 시점의 solo founder는 늘겠지만, 성공하는 기업은 성장 과정에서 co-founder를 추가할 가능성이 높다.
   4. 이 경우 지분 구조와 의사결정 동학은 처음부터 50 대 50으로 시작하는 전통적 모델과 달라진다.

10.2. 경험 많은 창업자의 르네상스

1. 경험이 만드는 판단력

   1. 최근 가장 강력한 창업자 가운데는 30대 후반, 40대, 심지어 50대도 많다.
   2. 여러 번 창업했거나 조직을 운영해 본 사람은 어디에 위험이 있는지, 어떤 제품을 만들어야 하는지, 무엇이 취향 좋은 결과인지 안다.
   3. 기술을 새로 익히는 것보다 올바른 문제와 제품을 고르는 경험이 더 큰 힘을 발휘한다.

2. Peter Steinberger 사례

   1. Peter Steinberger는 40대 초반으로, 개발 관리자(dev manager)와 스타트업 경험을 거쳤다.
   2. 그는 초기에 AI에 깊이 몰입하고 여러 시도를 반복하며 무엇을 만들어야 하는지 빠르게 판단했다.
   3. 경험, 제품 감각(taste), AI 도구를 결합한 창업자의 전형적인 사례로 제시된다.

3. 사라지는 게이트키핑

   1. 과거에는 공동창업자, 유명 투자자 네트워크, 특정 배경이 있어야 시작할 수 있다는 통념이 강했다.
   2. 이제 가장 높은 우선순위(high-order bit)는 무엇을 만들지 아는 능력이다.
   3. 오랫동안 인터넷에서 비판하고 주장해 온 사람에게는 직접 만들어 보라는 압박이 커진다.
   4. “무엇이 변명인가? Open Code를 열고 그냥 만들어라”라는 도발적 조언이 이 변화를 상징한다.

10.3. Coding agent를 관리하는 역량

1. 사람을 관리하던 경험의 전환

   1. coding agent를 관리하는 일은 여러 면에서 사람으로 구성된 엔지니어링 팀을 관리하는 일과 닮았다.
   2. Peter Steinberger, Boris Cherny, Shopify의 Toby처럼 엔지니어 팀을 이끌어 본 사람은 agent 팀도 효과적으로 운영할 수 있다.
   3. 19세의 뛰어난 개발자보다 오랜 기간 팀을 관리한 사람이 여러 agent의 작업을 조율하는 데 유리할 수 있다.

2. Agent 운영의 농담과 현실

   1. agent의 상태와 맥락을 이해하고 적절한 일을 맡기는 감각이 중요하다.
   2. 사람처럼 감정을 99.9%까지 세심하게 맞출 필요는 없다는 농담이 나왔지만, agent가 어디에서 막혔는지 읽는 능력은 필요하다.
   3. 결국 창업자의 역할은 직접 모든 코드를 쓰는 사람에서 병렬 agent 팀의 방향과 품질을 관리하는 사람으로 이동한다.

11. 지금 당장 빌더가 해야 할 일

11.1. Prompting으로 시작하기

1. 새 모델의 한 달 단위 도약

   1. GPT-6을 열어본 순간 agent가 체감할 정도로 똑똑해졌다는 경험이 언급된다.
   2. 한 달 전까지 해결하지 못해 방치했던 버그도 과거 대화와 미해결 목록을 다시 읽히면 agent가 해결한다.
   3. 모델의 작은 세대 변화가 “왜 작동하지 않지?”라는 문제를 “그냥 작동한다”로 바꾼다.

2. 실천적 순서

   1. 거대한 팀이나 완벽한 공동창업자를 기다리기보다 prompting을 시작해야 한다.
   2. 지금 가진 아이디어를 agent에게 설명하고, 제품 구현·디버깅·검증을 맡기며, 실패한 시도를 다시 분석시켜야 한다.
   3. 창업자는 무엇을 만들지, 누구의 문제를 풀지, 어떤 결과가 중요한지를 결정하는 데 집중해야 한다.

11.2. AGI 시대의 창업 기회

1. 시간 창이 열려 있다

   1. 이런 수준의 도구가 앞으로 18개월, 24개월, 36개월 동안 계속 발전할 수 있다.
   2. 변화가 언제 끝날지는 알 수 없지만, 현재는 모델이 한 달 단위로 실제 제품 능력을 바꾸는 시기다.
   3. “AGI 시대의 코딩(coding in the time of AGI)”은 모델의 능력보다 그 능력을 이용해 무엇을 만들지 아는 사람에게 유리하다.

2. 기회가 향하는 곳

   1. atoms와 bits를 함께 다루는 hard tech가 물리적 세계의 병목을 푼다.
   2. agents가 전체 업무를 수행하는 소프트웨어가 기업의 지불 의사를 끌어낸다.
   3. data와 RL environment가 모델의 다음 scaling을 가능하게 한다.
   4. 경험 많은 솔로 창업자는 낮아진 구현 장벽과 축적된 제품 감각을 함께 활용할 수 있다.

주요 발언 모음

“YC는 솔로 창업자를 위한 YC가 되려고 한 것이 아니라, 결과적으로 솔로 창업자를 위한 YC가 되었다.”

“무엇을 prompt하고 무엇을 만들지 아는 일이 단순히 CTO가 코드를 작성할 수 있는 것보다 어렵고 가치 있다.”

“소프트웨어와 SaaS가 죽은 것이 아니라 변했다. Agent를 고객으로 보고 agent가 사용하고 싶은 것을 만들어야 한다.”

“System of record라면 사람과 agent가 실제로 일을 수행하는 harness가 되지 않으면 데이터 moat를 빼앗길 수 있다.”

“데이터는 scaling law의 한 축이다. Compute만으로는 모델을 충분히 개선할 수 없다.”

“로보틱스 기업은 Physical Intelligence 모델을 그대로 쓸 수 없고, 특정 작업에 맞게 fine-tuning해야 한다.”

“오랫동안 인터넷에서 큰소리쳤다면 이제 변명할 수 없다. Open Code를 열고 실제로 만들어라.”

“아침에 새 모델을 연결했더니 한 달 전까지 왜 안 되는지 묻던 일이 그냥 작동하는 시대가 왔다.”

핵심 데이터 & 수치

• Hard tech 비중: YC 합격 기업 중 약 8% → 20%.
• Robotics 비중: 약 1% → 6~7%.
• Industrial manufacturing 비중: 약 4% → 10%.
• Defense 비중: 약 1.5% → 5%.
• Semiconductor·photonics 비중: 약 1% → 4%에 근접.
• Power infrastructure 비중: 약 1% → 3%에 근접.
• PhD 창업자: 2026년 여름 배치 창업자의 6명 중 1명.
• Median 월 매출: YC 입학 시점의 약 0달러에서 과거 배치 종료 시 약 8,000달러, 최근에는 약 20,000달러.
• 0→7자리 연 매출: 일부 기업이 약 3개월 배치 기간 안에 달성했으며, 과거에는 약 18개월 이상 걸렸다.
• End-to-end task 기업: YC 합격 기업 중 약 10% → 25% 이상.
• Data·RL 기업: 최근 2년간 YC가 연 매출 1,000만 달러 이상 기업을 12개 이상 지원했으며, 일부는 수억 달러 매출.
• RL 지출: 주요 연구소가 관련 데이터·환경에 약 10억 달러를 지출한다는 보고.
• Solo founder 비중: 약 5% → 18~19%, 배치의 거의 5분의 1.
• 국방 계약: Icarus가 Department of War와 7자리 달러 규모 계약에 도달.
• 로보틱스 benchmark 사례: Fable 약 10% 대비 Astra 약 60~70% 작업 수행으로 언급.
• 고객당 Juicebox 매출: Agent 기능 도입으로 계정당 2~3배 증가 가능성.

결론 및 시사점

1. Hard tech의 투자를 다시 보라: AI는 소프트웨어를 대체하는 데 그치지 않고 제조·국방·우주·전력·반도체의 개발 속도를 높인다.
2. 물리적 병목을 찾아라: GPU, optical switch, 전력, 금속, 위성 태양광처럼 AI 수요가 커질수록 함께 부족해지는 계층이 큰 기회가 된다.
3. 전체 업무를 끝내라: point solution의 기능 수보다 agent가 고객의 실제 job을 처음부터 끝까지 완료하는지가 중요하다.
4. System of record를 harness로 확장하라: 데이터를 보관하는 것만으로는 부족하며, 사람과 agent가 그 안에서 일을 수행해야 moat가 유지된다.
5. 데이터를 제품으로 보라: 모델 성능의 다음 단계는 compute뿐 아니라 도메인 데이터와 RL environment에 달려 있다.
6. 현실 세계 데이터를 확보하라: 로보틱스는 3D 공간과 실시간 반응을 요구하므로 egocentric·tactile·작업 영상 데이터가 핵심 자산이 된다.
7. 모델을 특정 작업에 맞춰라: Physical Intelligence 같은 범용 모델도 실제 배포에는 vertical별 fine-tuning과 현장 데이터가 필요하다.
8. 혼자 시작하는 것을 두려워하지 마라: 구현 장벽은 낮아졌고 traction을 만든 뒤 공동창업자를 추가하는 경로가 현실적이다.
9. 경험을 자산으로 바꿔라: 업계 경험, 제품 감각, 실패 패턴에 대한 이해는 coding agent를 관리할 때 더 큰 힘을 낸다.
10. 지금 prompting을 시작하라: 18~36개월의 변화 창이 열려 있는 동안 무엇을 만들지 정하고 agent를 실제 제품으로 연결해야 한다.

핵심 요약 (20줄)

1. YC 합격 기업 중 hard tech 비중이 약 8%에서 20%로 증가했다.
2. 로보틱스, 제조, 국방, 반도체·포토닉스, 전력 인프라가 물리적 스타트업의 핵심 성장 영역이 되었다.
3. 2026년 여름 배치 창업자 6명 중 1명은 PhD를 보유했다.
4. AI code generation은 hard tech 기업이 필요한 소프트웨어를 작은 팀으로 더 빠르게 만들게 한다.
5. Exosat, Beyond Reach Labs, StarCloud는 우주 통신·태양광·데이터센터를 연결하는 새로운 공급망을 만든다.
6. Icarus와 Nine Mothers는 감시·통신·대드론 방어를 결합해 국방 현장의 문제를 푼다.
7. Nox Metal은 디트로이트의 빈 공장에서 미국 금속 공급망을 재건하고 방산 스타트업의 속도에 맞춘다.
8. AI 수요가 A100 같은 구형 GPU의 사용 가격까지 올릴 만큼 컴퓨트 공급을 압박한다.
9. Lamb Labs, Bot, Dipole Labs는 프로세서·저정밀 연산·광학 switch로 NVIDIA 중심 스택의 병목을 겨냥한다.
10. 로보틱스는 AI와 하드웨어를 함께 발전시키며 ChatGPT moment에 가까워지고 있다.
11. YC 기업의 배치 종료 median 월 매출은 과거 8,000달러에서 최근 20,000달러로 상승했다.
12. 일부 기업은 약 3개월 만에 매출 0에서 연 매출 7자리 달러로 성장했다.
13. Agentic 제품은 기록만 남기는 SaaS 대신 보험·의료·채용 같은 전체 업무를 끝낸다.
14. Juicebox는 인재 검색에서 연락과 인터뷰 일정까지 수행하는 채용 agent로 확장했다.
15. 최근 2년 동안 YC가 지원한 데이터·RL 기업 12개 이상이 각각 연 매출 1,000만 달러를 넘겼다.
16. 주요 연구소가 RL 환경과 현실 데이터에 약 10억 달러를 지출한다는 보고가 나왔다.
17. System of record는 MCP로 데이터를 내보내는 데 그치지 않고 AI harness가 되어야 한다.
18. Solo founder 비중은 약 5%에서 18~19%로 올라 배치의 거의 5분의 1이 되었다.
19. 경험 많은 창업자는 무엇을 만들지 아는 감각과 coding agent 관리 능력을 결합한다.
20. 모델이 한 달 단위로 좋아지는 지금, 창업자는 완벽한 조건을 기다리지 말고 prompting과 building을 시작해야 한다.