Meta의 Muse가 1위에 올랐다 | Menlo가 울리는 AI 버블 경보 | Keith Rabois vs Airwallex: 누가 옳은가?

title: "Meta의 Muse가 1위에 올랐다 | Menlo가 울리는 AI 버블 경보 | Keith Rabois vs Airwallex: 누가 옳은가?" title_original: "Meta's Muse Hits #1 | Menlo Sounds the AI Bubble Alarm | Keith Rabois vs Airwallex: Who is Right?" source: "20VC with Harry Stebbings" channel: "20VC with Harry Stebbings" video_id: "5FnXlCQxV5o" video_url: "https://www.youtube.com/watch?v=5FnXlCQxV5o" date: "2026-09-25" duration: "1:20:43" category_slug: "ai-llm"

📌 핵심 질문 / 이 대화가 다루는 핵심 논점

==AI 시장의 다음 승자는 가장 큰 모델을 가진 회사가 아니라, 소비자 수요를 직접 모으고 코딩·분류·거래의 흐름을 장악하는 회사일 수 있다. 다만 그 승자를 좇는 투자금은 이미 가격과 레버리지의 위험을 크게 떠안고 있다.==

• Anthropic의 2조 달러 IPO 일정 변경은 시장 균열의 신호인가, 아니면 더 좋은 분기 실적을 보여주려는 합리적 선택인가.
• Meta의 Muse가 무료 소비자 제품, 자율 에이전트(autonomous agent), 대규모 배포(distribution)를 결합해 ChatGPT의 첫 실질적 경쟁자가 될 수 있는가.
• Jev 같은 System One 모델이 단순 분류·라우팅을 값비싼 LLM에서 떼어내면 파운데이션 모델 시장의 어느 부분을 잠식하는가.
• 코딩 에이전트와 데이터센터는 AI 수요의 구조적 수혜자인가, 아니면 고평가와 레버리지가 겹친 버블의 취약한 지점인가.
• Keith Rabois와 Joe Lonsdale이 Airwallex를 공개적으로 공격하는 것이 정당한 안보·거래 우려인가, 경쟁사의 공격적 여론전인가.

Harry Stebbings, Rory, Jason은 IPO 일정, 제품 출시, 에이전트 경제, 벤처 투자 사이클, 개별 투자심의(IC), Airwallex 논쟁을 연결한다. 낙관론은 코딩과 에이전트 수요가 계속 확대된다는 점에 근거하고, 경계론은 가격·마진·데이터 주권·자금조달 구조가 한꺼번에 무너질 수 있다는 점에 근거한다.

1. Anthropic의 2조 달러 IPO 연기와 프런티어 모델 경제성

Anthropic이 IPO를 10월에서 11월로 미룬 것은 시장이 깨졌다는 선언보다, 더 깨끗한 분기 숫자를 보여주려는 금융 일정 조정에 가깝다.

1.1. 10월보다 11월이 좋은 이유

1. Q2 성과와 OpenAI의 반격

   1. Anthropic은 Q2에 크게 성장하며 마침내 OpenAI보다 커졌다는 평가를 받았다.
   2. OpenAI는 7월부터 “Q3 숫자는 놀랍다”는 메시지를 반복하며 반격했다. 일부 데이터도 OpenAI의 반격을 뒷받침한다.
   3. Anthropic이 10월에 상장하면 Q3 이후의 숫자를 제대로 마무리하고 감사해 공개하기 어렵다. 11월이면 10월 숫자까지 포함해 투자자에게 더 일관된 이야기를 보여줄 수 있다.

2. IPO 일정의 금융적 계산

   1. 은행가라면 10월에는 설명이 길어지고, 11월에는 숫자가 스스로 말하게 된다고 판단할 가능성이 높다.
   2. 20~30배 초과 청약이 예상되는 생애 최대 규모의 IPO라도, 사전 투자자 대화에서 약간의 긴장감이 감지됐을 수 있다.
   3. 10월의 지저분한 이야기를 감수하고 즉시 자금을 확보할 수도 있었지만, 한 달 더 기다려 밸류에이션 상승을 노리는 선택은 회사가 아직 시간과 협상력을 보유했다고 판단했음을 뜻한다.

3. 연기 결정의 양면성

   1. 이사회 관점에서는 90% 확률로 4분기의 깨끗한 실적이 10월의 혼합된 이야기보다 낫다.
   2. 반대로 11월에 시장이 급변하면 “기회가 있을 때 1,000억 달러를 받았어야 했다”는 후회가 남을 10%의 위험이 있다.
   3. CFO가 “가격이 2조 달러가 아니라 1조 5천억 달러가 되더라도 지금 자금을 조달하자”고 말할 상황은 사실상 생존을 위한 자금이 급할 때다. Anthropic은 그런 접근을 취하지 않았다.

1.2. 제품 책임과 IPO 공개 의무

1. 보험사가 꺼리는 이유

   1. 프런티어 모델 제공업체가 수많은 자율 에이전트가 원하는 일을 수행하도록 내버려두는 상황에서 누가 책임질지 불명확하다.
   2. 제품책임 보험사들이 위험을 인수하지 않는 것은 제품 위험에 관한 중요한 데이터 포인트다.
   3. 다만 2조 달러 규모의 회사는 자체 보험(self-insurance)이 가능하다. 시가총액 2,000억 달러인 재보험사 Munich Re가 2조 달러 회사를 재보험해줘야만 IPO가 가능한 것은 아니다.

2. S-1의 역할

   1. 증권법의 핵심은 위험이 전혀 없는 주식을 파는 것이 아니라, 위험을 충분히 공개하고 파는 것이다.
   2. Anthropic 경영진, 특히 Dario Amodei가 AI를 원자폭탄 이후 가장 위험한 기술로 본다는 사실은 이미 공개된 위험 목록에 들어가 있다.
   3. S-1에 제품이 인류를 멸망시킬 수 있다고 생각하는 직원들이 있다는 위험을 적시한다면, 투자자는 그 위험을 알고 주식을 사는 셈이다. 실제로 사고가 나면 회사와 경영진도 영향을 피할 수 없다는 냉소적인 농담이 이어졌다.

3. Jensen Huang의 극단적 낙관론

   1. Jensen Huang은 AI가 인류 전체를 파괴할 확률이 0이라고 단언했다.
   2. Jason은 Nvidia의 오픈소스 모델이 아직 따라잡지 못했기 때문에 “2030년까지는 안 된다”고 말할 수 있는 것 아니냐고 농담했다.
   3. 명시적인 낙관론이 드문 AI 업계에서 “확률 0”이라는 말 자체가 기억에 남는 발언으로 다뤄졌다.

1.3. OpenAI의 현금 소모와 자본집약성

1. 성장·소모·설비투자의 세 숫자

   1. OpenAI는 올해 약 350억 달러의 연환산 매출(run-rate)에서 3~4년 안에 3,500억 달러로 커지는 10배 성장을 전망한다.
   2. Anthropic이 전년에 1년 만에 10배 성장했다는 점과 비교하면, OpenAI의 3~4년 10배 전망은 오히려 보수적으로 보일 수 있다.
   3. OpenAI가 전망한 순현금 소모는 약 2,780억 달러다. 현금 보유액이 1,220억 달러이므로 추가 자금을 조달할 시간은 있다.

2. 약 7,000억 달러의 CapEx

   1. 더 놀라운 숫자는 목표 달성에 필요한 자본적 지출(CapEx) 약 7,000억 달러다.
   2. 이 금액이 전부 OpenAI 대차대조표에 나타나지 않는 이유는 Oracle과 Nvidia 같은 파트너가 설비를 먼저 구축하고, OpenAI가 임대·사용하는 구조가 있기 때문이다.
   3. 따라서 소프트웨어처럼 보이는 AI 사업도 실제로는 직접·간접적으로 막대한 컴퓨팅 설비를 소비한다. “지능은 싸지 않다(Intelligence is not cheap)”는 결론이 나온다.

3. 현금 소모에 대한 VC식 농담과 경계

   1. Jason은 계획보다 현금 소모가 적었던 포트폴리오 회사를 거의 본 적이 없으며, CFO가 누구든 실제 소모액은 모델보다 30~50% 높아진다고 말했다.
   2. 그래서 2,780억 달러가 4,000억 달러가 될 수도 있다는 농담이 나왔다.
   3. 파운데이션 모델의 성장은 매출 성장만의 문제가 아니라 전력·GPU·데이터센터·금융의 위험을 모두 포함한다.

2. Meta의 Muse: 소비자 AI 에이전트 경쟁의 전환점

Alexandr Wang이 이끄는 Meta 팀은 Muse를 통해 대규모 배포, 무료 제품, 쓸 만한 소비자용 LLM, 자율 에이전트를 한 번에 보여줬다. Meta가 AI에 돈을 쓰는 회사에서 AI로 실제 가치를 만드는 회사로 재평가될 수 있다는 점이 핵심이다.

2.1. ChatGPT의 첫 실질적 경쟁자

1. 제품의 조합

   1. Muse는 앱스토어 1위를 며칠 동안 차지했고, ChatGPT·Gemini·Claude·Instagram 등과 경쟁하는 소비자 제품이 됐다.
   2. 일반적인 질문에 답하는 소비자용 LLM의 품질이 충분히 좋고, 에이전트가 실제 작업을 자율적으로 수행한다.
   3. 무료로 쓸 수 있고 ChatGPT보다 제공 토큰이 훨씬 많다. 실수했을 때 귀여운 편지를 써주는 등 소비자 제품다운 경험도 있다.

2. ChatGPT를 겨냥한 트로이 목마

   1. 사용자가 에이전트에게 영화를 찾아달라고만 하는 것이 아니라 “그 영화는 어때?”, “최근 20VC는 어땠어?”라고 묻기 때문에 에이전트 뒤의 LLM 품질이 중요하다.
   2. Muse는 고급 바이오테크 연구 소프트웨어를 작성할 제품은 아니지만, 일상적인 소비자 질문에는 충분히 강하다.
   3. ChatGPT가 할 수 있는 일을 무료로 수행하면서 자율 에이전트까지 제공하므로, 일반 사용자가 굳이 돈을 내고 ChatGPT를 선택해야 할 이유를 약화시킨다.

3. Meta의 유통망과 타이밍

   1. Instagram·Facebook을 이미 쓰는 사람은 새로운 제품을 신뢰할지 고민하기보다 자연스럽게 진입한다.
   2. 제품 인터페이스가 직관적이고 추천이 작동하며, Meta는 이미 거대한 소비자 유통망을 보유한다.
   3. 그동안 Meta의 AI 투자는 기업용 모델과 인프라에 돈을 태우는 것으로 보였지만, Muse는 기존 유통망이 실제 AI 제품으로 전환되는 모습을 보여줬다.

2.2. 시장 반응과 ‘CRM of one’ 사례

1. 주가가 보여준 선택지의 가치

   1. Meta 주가는 한 주에 약 7~8% 올랐고, 시가총액이 약 1,000억 달러 증가했다.
   2. 한 달 상승률은 약 34%로 언급됐다. 베타테스터들이 제품을 먼저 사용한 뒤 주식을 샀다는 해석도 나왔다.
   3. AI 제품이 거대한 최종시장(end market)에 연결되면, 제품 하나가 회사 가치 1,000억 달러를 움직일 수 있다는 사례다. OpenAI 입장에서는 Meta가 1,000억 달러를 만들었으니 관련 회사를 사거나 직접 움직여야 하는지 고민하게 된다.

2. Harry의 개인용 CRM

   1. Harry는 Muse에게 20VC의 모든 SaaS 스폰서를 위한 CRM을 만들어 달라고 요청했고, 약 150개 스폰서의 이메일을 실시간으로 추적·업데이트하는 시스템을 얻었다.
   2. 데이터베이스, 이메일 접근권, 지능형 모델, 개인 샌드박스가 결합된 ‘CRM of one’이다.
   3. 영업팀이 함께 쓰는 Salesforce 같은 협업 CRM은 아니지만, 한 개인의 문제를 즉시 해결하는 조합 가능한 소프트웨어(composable software)가 실제로 작동한 첫 사례로 평가됐다.

3. 한계와 경제성

   1. 일반적인 사용자는 150개 스폰서의 이메일을 실시간 처리하는 CRM을 만들지 않는다. Muse의 컴퓨팅·샌드박스 비용 구조가 모든 사용자가 이런 작업을 할 때도 성립하는지는 별도 문제다.
   2. 다만 Muse는 사용자가 자기 샌드박스에서 데이터와 모델을 조합하도록 ChatGPT보다 더 많은 독립 컴퓨팅을 제공하는 듯하다.
   3. Meta는 무료로 사용자를 확보하면서, 자율 에이전트의 사용량과 소비자 수요를 자신의 플랫폼 안으로 끌어들이는 선택을 했다.

3. 에이전트 상거래와 기존 시스템 오브 레코드의 충돌

Amazon의 차단과 Shopify의 협력은 어느 회사가 옳으냐의 문제가 아니라, 두 회사의 수익 구조가 에이전트에 대해 정반대이기 때문에 나온 합리적 선택이다.

3.1. Amazon이 Muse를 막은 이유

1. 광고 수익의 상실

   1. 사용자가 Amazon에 직접 들어가면 검색·추천 과정에서 광고를 보고, Amazon은 광고 수익을 얻는다.
   2. 외부 에이전트가 상품을 골라 API로 주문하면 Amazon은 광고 노출과 광고 수익을 잃는다.
   3. Amazon의 광고 사업은 이제 전자상거래 사업 자체의 이익보다 클 정도로 중요하므로, 에이전트가 광고·추천을 건너뛰는 것은 작은 변화가 아니다.

2. 장바구니 크기의 축소

   1. 사람이 Amazon에서 쇼핑할 때 “이 상품을 산 사람은 이것도 샀다”는 추천을 보고 추가 상품을 구매한다.
   2. 에이전트는 필요한 상품만 바로 주문하므로 장바구니 크기를 줄인다. Walmart의 최근 사례도 이런 바구니 축소를 보여줬다고 언급됐다.
   3. Amazon은 광고를 잃고, 업셀(up-sell)을 잃고, 장바구니도 잃는 반면, Muse를 차단해도 소비자는 결국 Amazon으로 돌아올 수 있다고 판단한다. 거대한 상품·물류 네트워크가 협상력을 준다.

3. 플랫폼 간 협상의 시작

   1. Amazon의 태도는 “Meta와 Muse가 우리 수익 구조를 건드리려면 먼저 협상해야 한다”에 가깝다.
   2. 향후에는 에이전트가 발생시키는 수요, API 접근, 광고·결제·추천의 가치가 새로운 교환 조건으로 정리될 가능성이 높다.
   3. 수요가 생기면 API 정책이 빠르게 만들어진다. Resy와 OpenTable, DoorDash, Amazon 내부에서 에이전트 정책을 정리하기 시작할 수밖에 없다.

3.2. Shopify가 협력하는 이유

1. 롱테일 상인의 수요 확보

   1. Shopify는 수많은 소규모·중견 상인의 상품이 에이전트를 통해 발견되기를 원한다.
   2. 이 상품들은 Amazon에서만 살 수 있는 것이 아니므로, 에이전트가 직접 찾아주면 Shopify 상인에게 추가 수요가 생긴다.
   3. Shopify는 Amazon처럼 거대한 광고 수익을 잃지 않는다. 구매가 Shopify의 결제 레일을 통과하면 결제 수수료와 플랫폼 가치를 얻는다.

2. 자본주의적 최적화

   1. Amazon은 광고·업셀·장바구니를 지키기 위해 차단하고, Shopify는 새 수요를 얻기 위해 허용한다.
   2. 두 회사 모두 에이전트의 철학보다 자신의 이익 구조를 계산해 논리적으로 행동한다.
   3. Stripe와 PayPal도 에이전트가 발생시킨 거래의 결제를 처리할 수 있으므로 협력할 유인이 크다.

3.3. ‘시스템 오브 레코드’의 방어선과 에이전트의 우회

1. 에이전트는 중개자를 지치게 하지 않는다

   1. 에이전트는 17개 웹사이트를 동시에 확인하는 데 피곤함을 느끼지 않는다.
   2. Resy에 예약이 막혀 있으면 식당에 직접 전화하거나, OpenTable의 열려 있는 백엔드 API를 찾아 다른 표면(surface)을 사용할 수 있다.
   3. DoorDash나 다른 서비스의 노출되지 말아야 할 API까지 찾아내는 능력은 기존 중개자에게 위협이다.

2. 가격 인상에 대한 에이전트의 반응

   1. 한 핵심 공급업체가 아침에 대규모 가격 인상을 통보하자 에이전트가 즉시 우회 방법을 제시했다.
   2. 에이전트는 해당 공급업체에서 이탈하는 12개월 마이그레이션 계획까지 스스로 작성했다.
   3. 에이전트는 사람처럼 관계를 고려하거나 불편함을 참지 않고, 비용과 접근성만 보고 대체 경로를 찾는다.

3. ‘Maiming’ 효과

   1. 물리적 창고·배송·재고를 가진 Amazon은 단기적으로 가장 덜 취약하지만, 정보와 검색만 제공하는 중간 사업자는 AI가 검색 비용을 낮추면서 압박을 받는다.
   2. 인터넷이 중개인의 비효율을 낮췄듯 AI도 수요와 공급 사이의 정보 중개를 압축한다.
   3. 시장 전체가 에이전트를 쓰면 Amazon이 모두를 차단할 수는 없다. 개별 서비스는 차단해도 모든 수요를 차단하는 순간 고객·거래·생태계까지 잃을 수 있다.

4. 낙관론과 비관론의 차이

   1. 한쪽은 Resy 같은 플랫폼이 사라지기보다 성장률과 마진이 낮아질 것이라고 본다.
   2. 다른 쪽은 Amazon 광고 수익의 10%만 영향을 받아도 주가와 마진에 큰 충격이며, Amazon도 장기적으로 우회될 수 있다고 본다.
   3. 결론은 규모가 작아 보이는 에이전트 수요가 전체 플랫폼의 5~10%만 바꿔도 기업가치에는 큰 변화를 만든다는 것이다.

4. Jev와 System One: LLM 호출의 언번들링

Jev는 TypeSafe AI가 내놓은 System One 모델이다. 긴 텍스트를 생성하는 대신 분류·참/거짓·순위·점수 같은 구조화된 결정을 빠르고 싸게 반환한다.

4.1. Jev가 해결하는 문제

1. LLM이 맡아온 단순 판단

   1. 오늘날 소프트웨어는 “A인가 B인가”, “이메일을 어느 분류로 보낼까”, “두 사람이 만나야 할까” 같은 단순한 판단에도 비싸고 느린 LLM을 호출한다.
   2. Jev는 텍스트를 길게 생성하지 않고 true/false, ranking, score 같은 결과만 돌려준다.
   3. 출력 토큰이 사실상 없으므로 출력 토큰 과금도 하지 않으며, Daniel Kahneman의 빠른 사고인 System 1에 빗대어 설명된다.

2. Jason의 실사용 사례

   1. Jason은 새터 커뮤니티에서 누가 누구를 만나야 하는지 추천하는 데 Jev를 사용했다.
   2. Rory가 GCI의 CRO이고 Harry가 Perplexity의 CRO일 때 두 사람이 서로 다른 단계·지역에 있어도 만날 가치가 있는지 판단하는 일은 단순해 보이지만 실제로는 조건이 많다.
   3. 토요일에는 프롬프트와 사용 방식을 다시 설계하지 않아 실패했지만, 일요일에 맞는 프롬프트를 찾은 뒤 밀리초 단위로 답을 얻었다. 이 작업은 Anthropic 모델 비용의 100분의 1 수준으로 느껴졌고, 최소 10배 빠르다고 평가됐다.

3. 할 수 없는 일

   1. “Rory와 Jason 중 누가 20VC의 파트너가 되어야 하는가”처럼 복잡한 비교와 추론은 Jev가 잘못 판단한다.
   2. 반대로 “Rory와 Jason이 커피를 마셔야 하는가”처럼 공통 지역, 기존 인연, 명확한 조건이 있는 판단은 잘한다.
   3. Jev는 텍스트를 쓰거나 복잡한 추론을 수행하는 ChatGPT 대체품이 아니라, 애플리케이션 안에서 반복되는 의사결정 부품이다.

4.2. 시장 규모와 파운데이션 모델의 잠식

1. 20%의 호출

   1. Anthropic·OpenAI·오픈소스 모델에 들어가는 LLM 호출 지출은 현재 약 1,000억 달러로 추정됐다.
   2. 5년 후 OpenAI 3,500억 달러, Amazon 2,500억 달러 등으로 전체 지출이 약 5,000억 달러에 이를 수 있다는 가정이 제시됐다.
   3. 그중 약 20%는 비싼 생성형 모델이 아니라 Jev 같은 빠른 결정 모델로 처리할 수 있다. 현재 기준 200억 달러의 호출량이다.

2. 저가화와 매출의 재분배

   1. Jev가 그 20%를 5분의 1 가격에 처리하면 200억 달러가 40억 달러로 축소된다.
   2. 시장 전체가 사라지는 것이 아니라 OpenAI·Anthropic에 자동으로 가던 매출 일부가 Jev·TypeSafe AI 같은 공급자로 이동한다.
   3. Jev 입장에서는 작아진 40억 달러를 얻는 것이 기회이고, 파운데이션 모델 회사 입장에서는 매출의 일부가 더 빠르고 싼 모델로 빠져나가는 ‘Maiming’이다.

3. 소비자와 개발자의 AI 수요 분리

   1. 최종 소비자는 Jev를 직접 사용할 이유가 거의 없다. Jev는 일반 사용자 앱이 아니라 개발자용 API다.
   2. 소프트웨어 개발자는 애플리케이션의 핵심 판단 중 상당 부분이 System One에 해당한다는 것을 발견할 수 있다.
   3. “정답이 A인지 B인지 말하고, 나를 칭찬하는 장황한 문장은 빼라”는 요구가 개발자에게는 중요하다. 소비자 제품이 원하는 대화형 경험과 개발자가 원하는 빠르고 정확한 부품은 갈라질 수 있다.

4.3. 모델 라우팅과 평가의 복잡성

1. 하니스(harness)의 부담

   1. Jev를 언제 쓰고 언제 쓰지 않을지 결정하려면 모든 사용 사례를 별도로 평가해야 한다.
   2. 수많은 eval과 테스트를 돌려야 하며, “누가 누구와 만나야 하는가”는 잘 맞아도 “누가 파트너가 되어야 하는가”는 틀릴 수 있다.
   3. Replit의 자동 라우터가 여러 모델과 오픈소스 모델 사이를 전환하면 어느 모델이 사용되는지조차 알기 어렵고, 성능 저하가 생겼을 때 원인을 추적하기 힘들다.

2. 미션 크리티컬 코딩의 위험

   1. 라우터가 20%의 확률로 잘못된 모델을 고른다면, 미션 크리티컬한 기능을 잘못된 코딩 모델에 맡겨 하루 종일 버그를 만들 수 있다.
   2. 비용 절감이라는 CFO용 문구와 실제 개발 품질 사이에는 큰 차이가 있다.
   3. 이 분야는 단순한 벤치마크가 아니라 수만 개 사용 사례와 수많은 조합을 24시간 평가하는 새로운 DevOps 운영이 된다.

3. OpenAI와 Anthropic의 대응

   1. OpenAI는 점점 상업적으로 변했기 때문에, Jev를 그대로 복제하거나 몇 주 안에 저가형 제품을 내놓을 가능성이 높다.
   2. Anthropic은 AGI를 만들겠다는 사명과 최고 성능 모델에 집중하므로 System One을 사소한 상업 제품으로 보고 당장 손대지 않을 수 있다.
   3. 두 회사의 저가 모델인 GPT Mini와 Claude Haiku는 단순 워크플로에 추천되지만, 패널의 작은 평가에서는 “Rory와 Jason이 커피를 마실까” 같은 질문에도 형편없는 답을 내놨다. 이들은 저가 시장을 의도적으로 포기하고, 오픈 웨이트 모델이 예상보다 빨리 따라오는 점을 더 큰 위협으로 볼 수 있다.

5. 시드 투자의 대형화와 AI 버블 경보

Jev의 4,000만 달러 시드 라운드는 이제 좋은 팀·아이디어에 대한 첫 수표가 과거와 전혀 다른 크기임을 보여준다. 가격 상승의 일부는 경제의 정상화지만, 일부는 다음 Cursor를 놓칠까 두려운 FOMO다.

5.1. 프리-인셉션 투자와 시드의 변화

1. 첫 라운드의 대형화

   1. 좋은 회사에서 나온 창업자라면 첫 조달액이 800만~1,000만 달러이고, 팀이 스핀아웃하면 2,000만 달러를 넘는 일이 흔해졌다.
   2. Jev는 4,000만 달러 시드를 받았다. 전통적인 시드 라운드 자체가 사라지고 있다는 문제의식이 나왔다.
   3. Andreessen Horowitz는 4,000만 달러를 투입한 ‘Andreessen Horowitz University’를 출범시켜 아이디어가 생기기 전의 프리-인셉션(pre-inception) 단계에 투자하려 한다.

2. Peter Thiel의 선행 사례

   1. Thiel Fellowship과 Dorm Room Fund는 18년 전부터 대학·기숙사·아이디어 단계의 인재를 발굴했다.
   2. a16z University는 Thiel Fellowship을 더 큰 규모로 확장한 형태다.
   3. Harry는 Thiel이 가장 좋은 사람을 가져갔다고 봤고, Rory는 현재는 Z Fellows가 더 좋은 인재를 모을 수 있다고 반박했다. 규모를 키우면 더 많은 사람을 넣고, 더 많은 자원과 딜플로우를 확보할 수 있다는 점에는 의견이 모였다.

3. 노출과 규모의 경제

   1. 예전에는 블로그 하나, 팟캐스트 하나, 작은 방의 한 사람이 연속으로 유니콘을 찾을 수 있었다.
   2. 이제는 최고의 인재를 찾는 프로그램도 충분한 규모가 없으면 검색과 선발에서 뒤처진다.
   3. 팟캐스트와 한 명의 투자자만으로 되던 시대에서 교수·대학·대형 플랫폼이 참여하는 시대로 이동했다는 농담이 나왔다.

5.2. 체크 사이즈가 커진 경제적 이유와 함정

1. 명목 GDP 효과

   1. 2010년 이후 명목 GDP는 인플레이션과 실질성장을 합쳐 약 2.5배가 됐다.
   2. 2010년에 400만 달러를 투자했다면, 동일한 자원·인재를 사기 위해 2026년에는 약 1,000만 달러가 필요하다.
   3. 기술 시장과 기업가치가 더 뜨거워진 상황까지 감안하면 2,000만 달러 수표도 쉽게 나온다.

2. 과거의 성공을 오늘의 가격에 적용하는 오류

   1. 오늘의 250억 달러 성공 사례는 5년 전 작은 수표로 투자됐기 때문에 가능했다.
   2. 같은 논리로 지금 100억 달러에 투자한 회사가 3년 뒤 500억 달러가 된다고 자동 가정할 수 없다.
   3. 주식시장과 벤처 엑시트가 명목 GDP보다 더 빠르게 커진 데에는 구조적 성장뿐 아니라 현재 밸류에이션 상승이 섞여 있다.

3. Menlo의 ‘음악이 멈출 때 의자’ 경고

   1. Menlo의 Veni는 사이클 정점에서 게임을 어떻게 해야 하는지, 음악이 멈췄을 때 의자를 확보하려면 어떻게 해야 하는지에 관한 글을 썼다.
   2. Menlo는 Anthropic 초기 투자로 이미 하우스 머니를 가진 편이어서 공격적으로 움직일 수 있다.
   3. 반면 초기 라운드를 놓친 투자자는 따라잡기 위해 두려움 속에서 더 큰 수표를 쓴다. ‘행복하게 하우스 머니를 쓰는 사람’과 ‘필사적으로 뒤쫓는 사람’ 사이에서 FOMO 자금이 가격을 올린다.

5.3. 어떤 속도로 투자할 것인가

1. 규칙보다 조합

   1. 한쪽 극단은 지금부터 4년 동안 정말 확신하는 한두 건만 투자하는 것이다. Harry는 2021년에 단 한 건의 시드 라운드만 맡았고, 그 회사가 최근 23억 달러에 매각됐다고 예를 들었다.
   2. 다른 극단은 펀드 자금이 타인의 돈이므로 좋은 거래에 계속 배치해야 한다는 현실이다.
   3. Rory는 일관된 투자 속도를 유지하되, 가격과 리스크를 의식하는 혼합 접근이 필요하다고 했다.

2. 조용한 복리 성장주의 문제

   1. 연 60% 성장하며 5,000만 달러 가치의 자본효율적인 회사를 사서 3배 매출에 Bending Spoons에 매각하는 전략이 보수적 대안으로 거론됐다.
   2. Bending Spoons는 연간 1,000건을 보고도 2~4건만 사므로 이런 자산을 팔 시장이 얇다.
   3. Harry는 “조용한 복리 성장주를 좋아하지만, 지금은 그런 회사의 시장이 거의 없다”고 말했다. 일정 규모를 넘으면 시장이 다시 생길 수 있다는 반론도 나왔다.

3. Sarah Guo 사례와 가격의 비대칭

   1. Sarah Guo는 한 회사의 시드 라운드를 5,000만 달러 프리머니에 참여했고, 불과 몇 달 뒤 3억 5,000만 달러, 25억 달러, 100억 달러 수준으로 이어지는 라운드가 진행됐다.
   2. 첫 라운드와 네 번째 라운드의 가격이 20배 이상 다르다면 위험도 같을 수 없다.
   3. “최고의 거래를 많이 하라”는 원칙은 맞지만, 50억 달러 때와 100억 달러 때의 안전마진은 다르다. 50억 달러에서는 월드클래스 기술 임원·아이디어·실행력만으로도 안전마진이 크지만, 100억 달러에서는 하방 시 1배 회수에 그칠 위험이 있다.

4. LP의 선택

   1. 벤처의 상위 성과는 공개시장보다 지속성이 높다. 공개시장에서는 지난해 에너지 투자자가 올해 반도체를 사는 식으로 성과가 쉽게 바뀌지만, 벤처는 성공에 성공이 붙는 수익 증가가 있다.
   2. 그래서 LP가 좋은 벤처 매니저의 다음 펀드를 일부 추종하는 것은 완전히 어리석지 않다.
   3. 다만 시드에서 상위 성과를 좇기는 어렵다. 최고의 매니저 다음 펀드에는 이메일 한 통으로 50배 초과 청약이 몰리고, LP가 검토할 수조차 없었던 초기 매니저가 다음 승자가 될 수 있다.

5. 현실적인 IRR

   1. 2021년 상위 사분위 LP의 IRR이 90%였지만, 이런 성과는 지속되지 않았다.
   2. 2026년에도 일부 상위 LP가 90%를 기록할 수 있으나, 10년 동안 90%를 복리로 유지하는 것은 수학적으로 불가능에 가깝다.
   3. 장기적으로 30%대 IRR을 유지하는 것도 매우 드물고, 이것이 현실 세계에서 가능한 최상위 성과에 가깝다는 판단이 나왔다.

6. 투자심의 1: Factory와 코딩이 ‘마더로드’인 이유

Factory는 엔터프라이즈 코딩 에이전트인 Droid를 제공하며, 2억 달러 라운드에서 50억 달러 가치로 평가됐다. 코딩은 AI가 가장 먼저, 가장 많은 가치를 만드는 영역이라는 데 의견이 모였다.

6.1. Factory에 투자할 이유

1. 코딩 수요의 구조적 증가

   1. 어떤 모델과 제품이 승리하든 추론 수요는 계속 늘어난다. Muse, Factory, Anthropic 중 누가 가져가든 코딩에 쓰이는 토큰 수요는 증가한다.
   2. Dreamforce에서 만난 C레벨 임원들은 AI 기업을 싫어해서가 아니라, 기밀 데이터를 경쟁사로 보내고 싶지 않아서 Anthropic과 OpenAI를 신뢰하지 않는다고 말했다.
   3. 데이터가 저장된 상태(data at rest)에서 어떻게 보관되고, 모델 학습에 재사용되는지에 대한 신뢰가 기업 구매의 핵심이 된다.

2. 데이터 주권과 모델 선택권

   1. 기업은 어느 국가·어느 서버에 데이터가 있는지, 어떤 모델을 골라 쓸지 통제하고 싶어 한다.
   2. Factory가 온프레미스(on-prem), 프라이빗 클라우드, 에어갭(air-gapped) 환경을 제공한다면 대형 모델의 능력과 데이터 격리를 동시에 얻을 수 있다.
   3. Bradley Gerstner처럼 AI부터 의료 영상까지 반복해서 정확한 판단을 해온 투자자를 신뢰할 수 있다는 점도 긍정적으로 언급됐다.

3. 기업의 코딩 압력

   1. 기업 이사회는 더 많은 코드를 더 빠르게 만들라고 압박하지만, 개발자 수는 그 속도를 따라가지 못한다.
   2. Factory와 Cognition은 기업에 “코딩을 더 해야 한다는 이사회의 요구를 우리가 해결하겠다”고 말할 수 있다.
   3. ‘Software Factory’라는 이름 자체가 기업의 생산성·자동화 요구와 잘 맞는다.

6.2. 왜 코딩이 AI의 마더로드인가

1. 가치 창출의 집중

   1. 코딩은 현재 AI가 만드는 다른 가치보다 10배 큰 영역으로 평가됐다.
   2. 코딩, QA, 테스트, 코드 리뷰, 배포까지 개발 생명주기 전체에 에이전트를 넣을 수 있다.
   3. AI 채택이 12~24개월 조정을 겪더라도 코딩 자동화는 누적되는 구조적 추세로 남을 가능성이 높다.

2. 독립 제품의 의미

   1. 기업은 자기 코드를 학습시키는 모델 제공업체와 같은 회사가 코드 도구까지 판매하는 상황을 불편해할 수 있다.
   2. Cursor가 독립 제품으로 크게 성장한 뒤 인수된 상황에서, 기업 시장에는 모델과 도구를 분리해 제공하는 회사의 자리가 남는다.
   3. 핵심 코드를 빅테크 모델에 오염시키고 싶지 않다는 요구는 AI 제품 품질만으로는 해결되지 않는 신뢰 문제다.

3. 보안 경험에서 나온 수요

   1. Adobe에서 일할 때 소스코드 오염은 최고 수준의 경보(code red)였다.
   2. GitHub를 처음 도입할 때도 엔지니어링팀은 수많은 보안·접근권 논쟁을 거쳤고, 도입하지 못하면 퇴사하겠다고 반발했다.
   3. 개발자들이 AI 코딩 도구가 너무 좋아 위험을 감수하고 있지만, 앞으로는 에어갭·온프레미스·프라이빗 클라우드로 보호되는 선택을 요구하게 될 가능성이 높다.

7. 투자심의 2: Harvey·Legora와 기업용 법률 AI

Harvey와 Legora는 법률 AI의 강한 카테고리를 대표하지만, 11억 달러 수준의 가격과 음의 총마진 보고 때문에 투자 판단이 갈렸다.

7.1. 긍정적 논거와 마진 위험

1. 법률 AI의 구조적 기회

   1. 법률 업무의 모든 부분을 대체하지 않더라도, 검색·초안·리서치·검토·사내 법무 지원에서 큰 효율을 낼 수 있다.
   2. 소프트웨어 엔지니어 한 명당 지출만큼 크지는 않겠지만, 법률 AI는 충분히 큰 카테고리다.
   3. Harvey가 제품 사용량이 적다는 비판을 받아왔다면, 총마진이 마이너스 50%라는 숫자는 오히려 변호사들이 제품을 강하게 사용한다는 증거로 재해석할 수 있다.

2. 음의 50% 총마진의 의미

   1. 정보가 보도한 Harvey의 총마진은 한 시점에 -50%였으며, 실제로는 일시적일 수도 있고 개선 중일 수도 있다.
   2. 자체 오픈 웨이트 모델을 학습한 뒤 마진이 0에 가까워지고 개선된다면, 초기에는 사용량을 확보하기 위한 투자로 볼 수 있다.
   3. 그러나 마진이 V자형으로 회복되지 않고 계속 악화된다면, 다음 라운드에 11억 달러로 리드하기는 불편하다. 투자심의에서 사전에 공유했어야 할 충격적인 숫자라는 불만도 나왔다.

3. 가격의 문제

   1. 카테고리 자체의 매력과 11억 달러 가격에 투자할 매력은 별개다.
   2. 법률 AI는 양자 경쟁 구도라서 총시장과 경쟁 강도에 관한 추가 사실이 필요하다.
   3. 장기 투자자는 매주 의견을 바꾸기보다 5~10년 가설을 유지해야 하지만, 가격과 단위경제(unit economics)가 바뀌면 투자 판단도 달라질 수 있다.

8. 투자심의 3: Crusoe와 AI 인프라의 레버리지

Crusoe는 데이터센터, GPU, 풀스택 관리형 추론을 제공하고 약 1,400억 달러의 총계약가치(order book)를 보유하지만, 3억 9,000만 달러 라운드의 309억 달러 가치에는 투자하지 않는 결론이 나왔다.

8.1. Crusoe의 강점과 밸류에이션

1. 수직 통합 인프라

   1. Crusoe는 자체 모듈형 데이터센터를 건설하고, 전력부터 토큰 처리까지 체인을 통제하려 한다.
   2. 빠르게 성장하는 데이터센터 시장에서 2군 상위권에 있고, 1,400억 달러 규모의 계약 잔고가 성장 가시성을 제공한다.
   3. 그러나 데이터센터 사업의 방어력은 결국 백로그와 인프라 접근권에 달려 있으며, 장기적으로 구조적 해자가 있는지는 불확실하다.

2. 스프레드시트 투자

   1. 데이터센터 투자는 브랜드나 바이럴 성장보다 DCF, 예상 성장률, 예상 마진, 부채, 금융 구조를 계산하는 스프레드시트 투자다.
   2. Jason은 기준 이상의 데이터센터를 포트폴리오로 여러 개 투자하되, 순환적 보증 금융(circular guaranteed financing)과 인프라 접근성이 중요하다고 봤다.
   3. Crusoe의 성장은 좋지만 309억 달러 가격은 요구수익률 바로 아래라서 패스한다는 결론이었다. 100억 달러였다면 좋은 거래였을 것이다.

8.2. 레버리지와 경기 둔화의 비대칭

1. 코딩·애플리케이션과 다른 위험

   1. 코딩 에이전트와 Harvey·Legora 같은 AI 애플리케이션은 1년의 시장 조정을 버틸 수 있는 비레버리지 사업에 가깝다.
   2. 데이터센터는 부채와 미래 AI 사용량에 동시에 노출된 레버리지 사업이다.
   3. AI 사용량의 상승에는 훌륭한 베팅이지만, 성장률이 꺾이면 4~5배 레버리지가 손실을 증폭한다.

2. 포트폴리오 구성

   1. AI 전체 포트폴리오를 AI CapEx 거래에만 몰아넣으면 안 된다.
   2. CoreWeave와 Nebius처럼 이미 큰 시가총액과 상당한 음의 자유현금흐름을 가진 회사에서는 미래 CapEx가 성공의 상당 부분을 결정한다.
   3. Crusoe에 투자한다면 Microsoft 같은 1군 고객의 장기 약정, 향후 3년 부채 런웨이, 낮은 가격과 더 많은 희석을 함께 검토해야 한다.

3. 시장 심리의 롤러코스터

   1. Wall Street Journal은 아침에 데이터센터 거래가 AI CapEx 우려로 철회된다고 보도했다.
   2. 같은 날 나스닥은 역사상 가장 좋은 하루 중 하나를 보냈고, 저녁에는 “AI CapEx 공포가 사라지며 주가가 폭발했다”는 헤드라인이 나왔다.
   3. 8시간 동안 시장은 CapEx를 두려워했다가 AI 성장을 확신했다. 공포와 탐욕이 같은 거래일에 뒤집힌다는 사실 자체가 사이클 위험의 증거다.

9. Keith Rabois·Joe Lonsdale 대 Airwallex: 경쟁, 중국 리스크, 여론전

Keith Rabois와 Joe Lonsdale이 Airwallex를 공개적으로 공격한 것은 Ramp 투자자로서 경쟁사를 견제하는 행동과, 중국 관련 실제 거래 리스크가 뒤섞인 사례다.

9.1. 공격이 지나치다는 주장

1. Ramp와의 경쟁 구도

   1. Ramp가 큰 투자 포트폴리오이므로 홈팀을 지지하고 경쟁사를 압박하려는 동기는 이해된다.
   2. 그러나 Airwallex를 사실상 파괴하려는 수준의 공개 공격은 2026년의 경쟁 방식으로도 매우 공격적으로 보인다.
   3. Keith가 경험 많고 똑똑하며 더는 불태울 다리가 많지 않다고 생각한다면 계산된 행동일 수 있지만, 외부에서 보면 과격하다.

2. 주장의 변화

   1. 처음에는 Airwallex가 중국 공산당(CCP)의 대리인이라는 식의 주장이 나왔다.
   2. 이후에는 자본 테이블의 20% 이상이 중국 및 중국계라는 주장으로 바뀌었다.
   3. Rory는 후자의 수치도 사실이 아니며, 시간이 갈수록 초기 주장이 약해졌다고 지적했다. 대형 기업 대부분이 중국에 어떤 형태로든 직원을 두고 있다는 점도 덧붙였다.

3. 공개 트윗에 대한 불편함

   1. 경쟁 투자자가 소셜미디어에서 상대 회사를 몰아붙이는 방식은 바람직하지 않다는 의견이 나왔다.
   2. 투자자·창업자·VC가 선출된 정부를 대신해 중국과의 상거래 위험을 결정할 권한은 없다.
   3. 명확한 정부 규정이 있다면 기업이 규정을 지켰는지 아닌지만 판단하면 되지만, 현재는 정책이 임시적이고 일관되지 않아 트위터에서 논쟁이 벌어진다.

9.2. 실제 거래에서 중국 IP가 문제가 된다는 반론

1. 기업 인수 사례

   1. 한 기업은 Salesforce 인수를 마무리하기 위해 31억 달러 규모 거래 직전 오픈 웨이트 모델을 전부 제거해야 했다.
   2. 또 다른 포트폴리오 회사도 M&A 조건으로 중국 관련 IP를 전부 정리하라는 요구를 받았다.
   3. 따라서 중국 소유·중국 IP에 관한 우려가 트위터의 과장만은 아니며, 실제 거래를 막고 상거래를 지연시키는 문제라는 반론이 제기됐다.

2. 논쟁의 한계

   1. 이 반론이 Airwallex의 실제 자본 테이블에 대한 주장을 증명하지는 않는다. Airwallex가 중국계 자본 20% 이상이라는 주장은 사실이 아니라는 전제는 유지됐다.
   2. 다만 특정 회사의 사실관계와 별개로, 미국 기업·투자자들이 중국 IP와 자본을 심사하는 현실은 존재한다.
   3. Microsoft·Zoom 등 중국에 직원이 있는 다른 기업에도 동일한 기준을 적용해야 한다는 일관성 문제가 남는다.

3. 정부가 해야 할 일

   1. 미국 정부가 어떤 고기술을 중국과 거래할 수 있는지, 어떤 자본·데이터 이동을 허용할지 규칙을 정해야 한다.
   2. 미국과 중국은 많은 상거래를 계속하고 있고, 양국 정상도 더 많은 거래를 논의하므로, 모든 교류를 금지하는 것은 현실적이지 않다.
   3. Jensen Huang이 허용받는 칩 판매와 금지되는 거래의 경계가 일관되지 않게 보이는 상황에서, 기업과 VC가 자의적으로 정책을 집행해서는 안 된다는 결론이다.

10. Jev의 출시 홍보와 창업자에게 필요한 ‘옹호자 군대’

Jev의 기술뿐 아니라 출시 방식도 사례가 됐다. Airwallex 논쟁은 창업자가 사실을 설명하는 것만으로는 여론전을 이기기 어렵고, 평소에 회사를 대신해 말할 사람들을 만들어야 한다는 교훈으로 이어졌다.

10.1. Jev의 마스터클래스형 출시

1. 동시 확산

   1. Jev는 Vercel, OpenAI 생태계, 소셜미디어 전반에서 동시에 언급됐다.
   2. 많은 사람이 제품이 얼마나 훌륭한지 설명하는 글·영상·트윗을 출시 시점에 맞춰 준비했다.
   3. 이런 배포 설계는 S급 출시 홍보였으며, 제품만큼 출시 커뮤니케이션이 중요하다는 평가를 받았다.

2. CEO의 역할과 한계

   1. Jack은 제품·사명·팀에 대한 신뢰를 만들었지만, Keith와 직접 싸우는 역할까지 떠맡고 있다.
   2. 수십억 달러 기업을 운영하는 CEO가 모든 공격에 직접 답하는 것은 비효율적이다.
   3. 회사는 “이것이 정확한 자본 테이블이다”, “이 직원들은 이런 역할이다”, “경쟁사와 비교하면 이런 수준이다”라고 대신 설명할 사람들을 확보해야 한다.

3. Airwallex의 약점

   1. DST와 Lee Fixel 같은 주요 투자자는 소셜미디어를 하지 않는다.
   2. 따라서 유명한 온라인 지지자가 많은 Ramp에 비해 Airwallex는 공개 논쟁에서 불리하다.
   3. “그런 투자자가 없으면 다른 곳에서 부족한 tribe를 찾아야 한다”는 말처럼, 투자자·고객·창업자·인플루언서가 회사의 사실관계를 설명하는 네트워크를 미리 만들어야 한다.

10.2. 유머로 드러난 커뮤니케이션의 본질

1. 고용 가능한 유명인

   1. Harry는 Airwallex가 충분히 큰 회사라면 Matthew McConaughey를 연간 1,400만 달러에 고용해 대변인으로 만들 수 있다고 농담했다.
   2. McConaughey의 Salesforce AI 광고가 좋았고, 무료 봉사가 아니라 “판매(sale)가 아니라 임대(rent)”라고 표현하며 웃음을 끌어냈다.
   3. Sydney Sweeney를 Airwallex 광고에 기용하자는 농담도 나왔다. 호주 출신인 Sydney와 Thor를 연기한 호주 배우들을 묶어 “호주인이면서 미국적인 인물”이라는 말장난이 이어졌다.

2. 논쟁이 쇼로 변하는 순간

   1. Rory가 약 30분 전에 자리를 떠난 뒤 Harry, Jason, Rory 목소리를 흉내 내는 AI만 남았다는 설정으로 마무리 농담이 이어졌다.
   2. “Rory가 나간 뒤에도 Rory 같은 AI가 있다”는 장면은 에이전트가 진행자와 패널의 역할까지 흉내 내는 시대의 자기참조적 농담이다.
   3. 다만 실제 핵심은 CEO가 자신을 변호하는 데 시간을 쓰지 않도록, 제품·수치·자본 테이블을 대신 설명할 수 있는 지지자 군대를 구축해야 한다는 것이다.

주요 발언 모음

“지능은 싸지 않다.”

“Muse는 ChatGPT에 맞서는 트로이 목마다. ChatGPT가 할 수 있는 일을 하고, 자율 에이전트도 가진다.”

“에이전트는 이 일을 용납하지 않는다. 공급업체가 가격을 올리면 12개월 안에 빠져나갈 계획을 스스로 세운다.”

“Jev는 텍스트를 반환하지 않고 true/false, 순위, 점수를 반환한다. 더 빠르고 정확하며 훨씬 싸다.”

“코딩은 AI가 만드는 가치의 마더로드다.”

“데이터센터 투자는 상승장에서는 훌륭하지만, AI 성장률이 꺾이면 레버리지 때문에 하락장에서는 힘들다.”

“선출되지 않은 VC들이 중국과 어떤 상거래 위험을 감수할지 결정해서는 안 된다. 정부가 규칙을 정해야 한다.”

“10배 비싼 가격은 중요하다. 최고의 거래라는 이유만으로 가격을 무시할 수 있는 지점이 아닐 수 있다.”

핵심 데이터 & 수치

• Anthropic IPO: 목표 기업가치 약 2조 달러, 10월에서 11월로 연기.
• IPO 수요: 20~30배 초과 청약 가능성이 거론됨.
• OpenAI 성장 전망: 약 350억 달러에서 3~4년 안에 약 3,500억 달러, 10배 성장.
• OpenAI 현금 소모: 약 2,780억 달러 전망, 현금 보유액 약 1,220억 달러.
• AI CapEx: OpenAI의 목표 달성을 위해 직접·간접적으로 약 7,000억 달러 필요.
• Meta 반응: 한 주 주가 약 7~8% 상승, 약 1,000억 달러 시가총액 증가, 한 달 약 34% 상승으로 언급됨.
• Muse 개인 활용: 약 150개 SaaS 스폰서의 이메일을 추적하는 개인용 CRM 구축.
• LLM 호출 시장: 현재 약 1,000억 달러, 5년 뒤 약 5,000억 달러 가능성.
• Jev의 대상: 전체 LLM 호출의 약 20%, 현재 기준 약 200억 달러 규모.
• Jev 가격 효과: 5분의 1 가격이면 해당 지출이 약 40억 달러로 축소되며 공급자 간 매출이 재분배됨.
• Jev 투자: 시드 라운드 약 4,000만 달러.
• 명목 GDP: 2010년 이후 약 2.5배. 2010년 400만 달러 수표는 2026년 약 1,000만 달러의 자원 구매력에 해당.
• Factory: 2억 달러 라운드, 기업가치 약 50억 달러, 엔터프라이즈 코딩 에이전트 Droid.
• Harvey: 약 2억 달러 ARR이 언급됨. 한 보도에서 총마진 -50%가 거론됐고 다음 가격은 약 110억 달러로 언급됨.
• Crusoe: 약 3억 9,000만 달러 라운드, 기업가치 약 309억 달러, 총계약가치 약 1,400억 달러.
• 벤처 성과: 상위 LP의 90% IRR은 지속되기 어렵고, 장기적으로 30%대 IRR도 매우 드문 성과로 평가됨.

결론 및 시사점

1. Anthropic의 IPO 연기는 시장 균열의 증거라기보다 Q3·10월 실적을 포함해 더 깨끗한 투자 설명서를 만들려는 선택일 가능성이 높다. 다만 11월까지 시장 창이 열려 있다는 보장은 없다.
2. 파운데이션 모델 사업은 소프트웨어가 아니라 수천억 달러의 현금·GPU·전력·데이터센터를 소비하는 자본집약적 사업이다.
3. Meta의 Muse는 무료 소비자용 LLM, 자율 에이전트, 거대한 배포망을 결합해 ChatGPT의 첫 실질적 소비자 경쟁자가 됐다.
4. Muse의 진짜 위력은 대화 품질만이 아니라, 사용자가 자기 데이터와 샌드박스를 조합해 개인용 CRM 같은 소프트웨어를 즉시 만들 수 있다는 점이다.
5. 에이전트 상거래는 Amazon의 광고·추천·업셀을 잠식하고 Shopify·Stripe·PayPal의 결제 수요를 키우며, 기업별 수익 구조에 따라 차단과 협력을 갈라놓는다.
6. 에이전트는 17개 사이트를 확인하고 열린 API를 찾아 우회할 수 있으므로, 검색과 정보만 제공하는 시스템 오브 레코드는 성장률과 마진 압박을 피하기 어렵다.
7. Jev는 LLM을 대체하는 제품이 아니라 단순 판단을 더 빠르고 저렴한 System One 모델로 언번들링하는 개발자 인프라다.
8. Jev가 전체 LLM 호출의 20%를 가져가면 파운데이션 모델의 총시장을 없애지는 않지만, 저가화와 전문화로 수십억 달러의 매출을 이동시킨다.
9. 여러 모델을 하니스로 라우팅하면 비용은 줄어도 평가·QA·운영 복잡성이 폭증한다. 모델 선택 자체가 새로운 DevOps 조직이 된다.
10. 좋은 창업자의 시드 라운드가 커졌다는 사실은 명목 GDP·인재 비용·AI 수요를 반영하지만, 다음 Cursor를 놓치지 않으려는 FOMO도 가격을 끌어올린다.
11. 과거의 작은 수표가 만든 성공을 오늘의 비싼 라운드에 그대로 대입해서는 안 된다. 가격이 10배 높으면 안전마진과 기대수익은 본질적으로 달라진다.
12. LP는 가장 유명한 매니저의 다음 펀드를 추종할 수 있지만, 최고 성과의 지속성을 과신해서는 안 된다. 30%대 장기 IRR만으로도 희소한 성과다.
13. 코딩은 AI의 구조적 수요가 가장 먼저 집중되는 영역이므로 Factory·Cognition 같은 제품은 경기 둔화에도 상대적으로 방어력이 있다.
14. 기업은 모델의 지능뿐 아니라 데이터 주권·온프레미스·에어갭·학습 재사용 정책을 구매한다. 독립 코딩 도구의 기회는 이 신뢰 격차에서 나온다.
15. Harvey와 Legora는 매력적인 법률 AI 카테고리에 있지만, 음의 총마진이 일시적인 고객 확보 비용인지 구조적 문제인지에 따라 높은 가격의 투자 판단이 달라진다.
16. Crusoe 같은 데이터센터 회사는 AI 성장의 레버리지 수혜자이지만, 부채·미래 CapEx·계약의 질에 노출되므로 AI 애플리케이션과 같은 비중으로 담아서는 안 된다.
17. 같은 거래일에 Wall Street Journal의 CapEx 공포와 나스닥의 역사적 상승이 공존한 것은 시장이 펀더멘털보다 심리와 포지셔닝에 크게 흔들린다는 신호다.
18. Airwallex에 대한 공격은 실제 중국 IP·자본 심사 위험과 경쟁사의 공격적 여론전이 섞여 있다. 사실이 틀렸다면 공격은 정당화되지 않지만, 현실의 거래 제한 문제는 무시할 수도 없다.
19. 중국과의 고기술 거래 규칙은 정부가 명확히 정해야 하며, 선출되지 않은 VC나 소셜미디어 논쟁이 임시 규제기관이 되어서는 안 된다.
20. Jev 출시와 Airwallex 논쟁이 함께 보여주는 창업자의 과제는 제품을 만드는 것에 그치지 않는다. CEO를 대신해 사실을 설명하고 공격을 해체할 ‘옹호자 군대’를 평소에 구축해야 한다.

핵심 요약 (20줄)

1. Anthropic은 2조 달러 IPO를 10월에서 11월로 미뤄 더 깨끗한 분기 실적을 공개하려 한다.
2. IPO 연기는 시장 붕괴보다 Q3와 10월 숫자를 포함하려는 금융 일정 조정일 가능성이 크다.
3. 프런티어 모델은 약 2,780억 달러의 현금 소모와 약 7,000억 달러의 CapEx를 요구한다.
4. AI는 소프트웨어처럼 보이지만 전력·GPU·데이터센터를 소비하는 자본집약적 산업이다.
5. Meta의 Muse는 무료 LLM과 자율 에이전트를 결합해 ChatGPT의 첫 실질적 소비자 경쟁자가 됐다.
6. Muse는 앱스토어 1위를 차지했고 Meta의 시가총액을 한 주에 약 1,000억 달러 늘렸다.
7. Muse는 개인의 이메일과 데이터베이스를 연결해 150개 스폰서를 관리하는 CRM을 만들 수 있다.
8. Amazon은 광고·업셀·장바구니를 잃을 수 있어 Muse의 에이전트 쇼핑을 차단했다.
9. Shopify는 롱테일 상인의 추가 수요와 결제 수수료를 얻기 때문에 Muse와 협력한다.
10. 에이전트는 여러 사이트와 열린 API를 우회하므로 기존 시스템 오브 레코드의 중개력을 약화시킨다.
11. Jev는 텍스트 대신 분류·순위·점수를 반환하는 TypeSafe AI의 System One 모델이다.
12. Jev는 제한된 판단을 기존 LLM보다 빠르고 훨씬 싸게 처리하지만 복잡한 추론은 수행하지 못한다.
13. Jev가 LLM 호출의 20%를 차지하면 파운데이션 모델 매출 일부가 저가 전문 모델로 이동한다.
14. 모델 라우팅은 비용을 줄이지만 모든 사용 사례를 평가해야 해 새로운 DevOps 부담을 만든다.
15. AI 시드 라운드는 수천만 달러로 커졌고, FOMO가 밸류에이션을 구조적 성장 이상으로 밀어올린다.
16. 가격이 10배 높아진 라운드는 같은 회사처럼 보여도 안전마진과 기대수익이 전혀 다르다.
17. 코딩은 AI 가치 창출의 마더로드이며 Factory는 데이터 주권과 코딩 자동화를 함께 판다.
18. Crusoe 같은 데이터센터 투자는 AI 성장에는 강하지만 부채와 CapEx 둔화에는 취약하다.
19. Airwallex 논쟁에는 실제 중국 IP 리스크와 Ramp 진영의 공격적 여론전이 동시에 존재한다.
20. 창업자는 제품뿐 아니라 자신을 대신해 사실을 설명할 투자자·고객·인플루언서 군대를 구축해야 한다.