준비되기 전에 AI로 만들기 시작하라 — Greg Brockman

메타데이터

• 원문 제목: [한영자막] 준비되기 전에 AI로 만들기 시작하세요 | OpenAI 공동창업자 그렉 브록만
• 한국어 제목: 준비되기 전에 AI로 만들기 시작하라 — Greg Brockman
• 채널: Tech Bridge
• URL: https://www.youtube.com/watch?v=J1BGMIWTJ1U
• 영상 ID: J1BGMIWTJ1U
• 처리 날짜: 2026-10-06
• 원본 인터뷰 발행일: 2026-09-30 (Silicon Valley Girl)
• 출연자: Greg Brockman (OpenAI 공동창업자, 전 Stripe CTO)
• 영상 길이: 약 29분 22초
• 태그: #AI #에이전트 #코딩에이전트 #창업 #생산성 #도메인전문성

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI를 잘 쓰는 사람과 기업은 준비가 끝날 때까지 기다리지 않고 작은 문제부터 시도하며, AI를 더 큰 야심과 새로운 사업을 실현하는 실행 파트너로 만든다.==

• ChatGPT는 주간 활성 사용자 12억 명과 건강 관련 주간 사용자 3억 명을 보유하지만 대부분은 AI 능력의 표면만 사용한다.
• 모델이 강해질수록 차별화는 코드가 아니라 문제의 본질, 고객 이해, 도메인 지식, 신뢰와 관계에서 나온다.
• 자동화는 처음부터 완전 자동으로 만들지 않고 사람이 직접 몇 차례 수행해 흐름을 이해한 뒤 같은 일을 다섯 번쯤 했을 때 시작한다.
• 인간이 목표와 통제권을 유지하고 AI가 조사·실행·반복 업무를 맡아 사람의 판단과 야심을 증폭해야 한다.

AI는 질문에 답하는 챗봇을 넘어 이메일과 문서를 조사하고, 답장을 초안으로 만들고, 코드를 작성하고, 데이터 웨어하우스에 질의하고, 일정과 업무 맥락을 종합하는 단계에 들어섰다. 핵심은 기능을 외우는 일이 아니라 AI가 가능한 다음 단계를 제안하게 하고, 사용자가 문제를 깊이 이해한 채 더 높은 수준의 결과를 만드는 데 있다. 사업자는 모델이 바뀌어도 강해지는 도메인 이해와 고객 관계를 쌓아야 하며, 개인은 한 시간의 실험으로 자기 업무의 반복 지점을 발견해야 한다.

1. AI의 잠재력을 가로막는 것은 모델이 아니라 사용자의 상상력이다

AI의 능력은 빠르게 확장됐지만 많은 사용자는 무엇을 할 수 있는지 세 가지도 발견하지 못한 채 표면적인 질문만 반복한다.

1.1. 대규모 사용과 낮은 활용 깊이의 간극

1. 사용 규모와 실제 활용은 다르다
   1. 주간 사용자: Greg는 ChatGPT의 주간 활성 사용자가 12억 명이라고 말한다.
   2. 생활 속 사용: 매주 약 3억 명이 건강 질문 등 개인 생활 지원에 ChatGPT를 사용한다.
   3. 표면적 활용: 이용자 수는 크지만 대부분의 사용 사례는 AI 능력의 일부만 건드린다.
2. 세 가지 사용 사례가 전환점이다
   1. 사용자가 ChatGPT가 할 수 있는 서로 다른 일을 세 가지 발견하면 파워 유저가 되어 계속 사용한다.
   2. 무엇이든 할 수 있는 AI 앞에서 처음 무엇을 시킬지 정하는 일이 가장 어렵다.
   3. AI가 “이 요청을 바탕으로 프레젠테이션이나 스프레드시트도 만들 수 있다”고 다음 단계를 제안하면 발견의 장벽이 낮아진다.

1.2. 버튼이 아니라 목적을 이해하는 능동적 비서

1. 단순성이 새로운 인터페이스다
   1. 사용자는 버튼·슬라이더·모델 선택기를 배우고 싶어 하지 않는다.
   2. 목표를 말하면 AI가 문제를 풀고 필요한 일을 수행하는 방식이 약속받았던 AI에 가깝다.
2. 선제적 지원은 이미 현실이다
   1. AI는 며칠째 답하지 않은 이메일을 찾아 상대의 질문을 조사하고 답장을 작성한 뒤 승인을 요청할 수 있다.
   2. Greg는 인터뷰 직전에 자신이 바로 이런 도움을 실제로 받았다고 말한다.
   3. 사용자가 시스템의 능력을 추측하는 부담을 AI가 덜어주면 목표 달성에 집중할 수 있다.

2. 코드를 직접 작성하지 않고 AI를 지휘하는 시대

안전한 작은 실험을 반복해 가능성의 경계를 확인하는 방식이 AI를 배우는 가장 빠른 방법이며, 소프트웨어는 그 변화를 즉시 보여준다.

2.1. Greg의 코딩 방식과 빠른 실험

1. 프로그래머의 역할이 감독자로 이동한다
   1. Greg는 자신이 소프트웨어를 잘 작성하지만 이제는 직접 작성하지 않는다고 말한다.
   2. AI에게 소프트웨어를 만들게 하고 결과에 피드백과 방향을 제공한다.
   3. 작은 게임을 만든 뒤 더 복잡한 요구를 던지면 결과가 나오는 속도와 한계를 빠르게 확인할 수 있다.
2. AI는 소프트웨어 밖의 제작도 돕는다
   1. Astra는 Blender와 3D 모델링에 능숙하며 사진에서 3D 모델을 만들 수 있다.
   2. AI가 Microsoft Paint로 사진을 스케치하는 것처럼 사람이 쓰던 소프트웨어를 직접 조작할 수 있다.
   3. Greg의 지인은 AI로 게스트하우스 CAD 계획을 만들고 시공업자에게 가져가 실제 건축으로 이어지게 했다.
   4. 과거에 CAD 전문가를 고용해야 했던 일이 주머니 속 지능으로 가능해졌다.

2.2. 음성 모드와 개인 생활의 확장

1. 음성은 접근 장벽을 낮춘다
   1. 음성 모드에서는 자연스럽게 말하는 것만으로 AI를 사용할 수 있다.
   2. 이메일과 캘린더를 연결하면 오늘 일정과 깊이 생각할 시간을 확보하는 법을 물을 수 있다.
   3. AI는 일정의 각 부분에 어떤 맥락이 있는지도 확인할 수 있다.
2. 현재보다 한 단계 더 야심 찬 요청을 한다
   1. 지금까지 해준 일보다 약간 어려운 일을 요청하고 결과를 바탕으로 다시 요구한다.
   2. 삶의 여러 영역에서 어디까지 밀어붙일 수 있는지 직접 확인해야 한다.

3. 개인 생산성 앱 시연이 보여준 새로운 제작 단위

앱 개발 자체보다 경험을 얼마나 야심 차게 설계할지가 중요해졌다.

3.1. 인터뷰 준비 앱의 구성

1. 목표와 지표를 입력한다
   1. 진행자는 누구를 얼마나 오래 인터뷰하는지와 성공 지표를 AI에 알려준다.
   2. 성공 지표는 YouTube 조회수이며 AI는 팟캐스트 준비 앱을 만든다.
   3. 앱은 출연자의 배경을 조사하고 토론 주제를 제안한다.
2. 앱은 여러 맥락을 통합한다
   1. Greg의 과거 인터뷰와 OpenAI 보도자료, 과거 에피소드와 대화를 검토한다.
   2. 질문 탭과 인터뷰 질문, 제목과 썸네일까지 생성한다.
   3. 당시 소셜 미디어 연결은 되지 않았지만 플러그인으로 해결할 수 있는 문제였다.

3.2. 질문 생성에서 최종 영상 제작까지

1. 사람의 검토만 남기는 흐름
   1. 진행자는 질문을 확인하고 마음에 들지 않는 부분만 피드백한다.
   2. 인터뷰가 끝나면 AI가 편집·게시 과정까지 처리하고, 진행자는 최종 결과를 승인하는 흐름이 이상적이다.
   3. AI가 과거 에피소드와 출연자 맥락을 알고 있으면 어디를 어떻게 잘라낼지도 제안할 수 있다.
2. 기계적 시간을 판단의 시간으로 바꾼다
   1. 진행자는 준비부터 YouTube 게시까지 에피소드당 최소 40시간을 쓴다.
   2. 12년간 문서와 파일을 체계화했어도 사람과 팀의 기계적 작업은 많다.
   3. 자동화가 기계적 과정을 맡으면 인터뷰 주제와 프로그램 방향, 더 많은 인터뷰 기획에 시간을 쓸 수 있다.

4. 소상공인에게 AI는 세계 최고의 프로그래머를 고용하는 일이다

AI는 대기업의 효율화 도구가 아니라 인력과 전문성이 부족해 포기했던 일을 소규모 사업자가 시도하게 하는 인프라다.

4.1. 창업 장벽을 낮추는 지능

1. 전문 지식이 주머니에 들어온다
   1. 사업을 시작하려면 여러 분야의 지식이 필요해 원래는 시작 자체가 어려웠다.
   2. 이제 박사급 지능, 세계적 전문가, 비즈니스 컨설턴트에 가까운 도움을 무료로 받을 수 있다.
   3. 비용을 지불하면 문제에 더 깊은 추론과 연산을 투입할 수 있다.
2. AI가 없었다면 하지 않았을 일을 한다
   1. 문서 작성과 전략 점검처럼 사람이 부족해 아무도 하지 않던 업무가 실행 가능해진다.
   2. AI를 인건비 절감보다 사업의 빈틈을 발견하고 채우는 방식으로 써야 한다.

4.2. 골동품 시계 가게의 사례

1. AI를 못 쓴다는 전제가 문제다
   1. 한 골동품 시계 가게 주인은 시계 가게라 AI를 쓸 일이 없다고 생각했다.
   2. OpenAI 직원은 음성으로 멋진 웹사이트를 만들라고 AI에 요청했다.
   3. 각 시계의 고유한 사연을 AI에 알려주자 이야기와 제품을 아름답게 시각화할 수 있었다.
2. 세계 최고의 프로그래머 사고 실험
   1. “세계 최고의 프로그래머가 내 급여명세서에 있다면 무엇을 시키겠는가?”라고 물어야 한다.
   2. AI를 검색창으로 보면 기존 업무만 빨라지지만 최고 전문가로 보면 웹사이트·콘텐츠·프로세스 전체를 다시 설계한다.
   3. 필요한 것은 모든 기능을 아는 능력보다 무엇을 더 크게 만들지 상상하는 야심이다.

4.3. 장애인의 독립성과 접근성

1. Greg는 OpenAI 기술을 쓰는 시각장애인 형제 두 명을 소개한다.
2. 두 사람은 일상과 업무에서 AI를 사용하고, 컴퓨터의 올바른 포트에 케이블을 꽂는 일도 해결한다.
3. 과거에는 다른 사람에게 물어야 했던 일을 스스로 처리하며 생활의 선택권과 독립성을 높인다.
4. AI의 가치는 생산성 숫자뿐 아니라 자립과 통제권을 돌려주는 데도 있다.

5. 모델이 좋아질수록 강해지는 제품

특정 모델의 약점을 가리는 코드와 프롬프트는 다음 모델에 흡수될 수 있으므로, 모델 성능 상승과 함께 가치가 커지는 기반을 만들어야 한다.

5.1. 소프트웨어 제작의 민주화와 차별화 이동

1. 기계적 장벽은 상품화된다
   1. 코드 작성과 기본 앱 제작은 누구나 활용할 수 있는 능력이 된다.
   2. 프롬프트와 손으로 만든 얇은 래퍼만 제공하는 제품은 당시에는 유용해도 장기적으로 취약하다.
   3. 모델 능력이 올라갈 때마다 사용자가 기대하는 인터페이스도 새로 만들어진다.
2. AI 제품은 모델과 함께 진화한다
   1. 2022년에는 개인화된 응답을 읽을 만해지며 ChatGPT 같은 대화형 인터페이스가 의미를 얻었다.
   2. 2025년 말에는 코딩 에이전트가 AI의 소프트웨어 생산 비중을 약 20%에서 80%로 높이며 완전히 다른 제품을 요구했다.
   3. 다음은 클라우드에서 사용자를 대표하는 개인화된 에이전트의 시대이며 Greg는 OpenAI의 Dots가 이를 보여준다고 평가한다.

5.2. 지속 가능한 방어력은 고객과 관계에서 나온다

1. 교육 제품은 교사·학부모·학생·관리자에게 올바른 정보와 안전장치를 제공하고 누구에게 팔지까지 결정해야 한다.
2. 차별화는 코드보다 사업자가 발견한 문제, 고유한 관점, 사용자에 대한 깊은 이해에서 나온다.
3. 병원 제품은 환자·의사·관리자·보험 제공자 사이의 신뢰와 업무 흐름을 통합해야 한다.
4. 모델이 좋아질 때 제품도 좋아지려면 고객 관계와 산업 세부 지식을 축적해야 한다.

6. 도메인 전문성과 새로운 기업의 탄생

AI가 넓은 분야에 닿을수록 특정 산업의 비효율을 발견하고 서로 다른 전문 영역을 연결하는 사람이 기회를 얻는다.

6.1. 경제는 아직 최적화되지 않았다

1. 의료처럼 한 분야를 확대하면 수많은 회사와 업무 방식, 개선 가능한 비효율이 보인다.
2. 효율적인 프로세스로 사람의 시간을 돌려주고 실제 가치를 전달하는 일은 아직 충분히 이뤄지지 않았다.
3. 5년 전에는 대기업의 기능이었을 일이 이제는 작은 회사 하나의 사업이 될 수 있다.
4. 창업자는 거대한 시장보다 특정 산업에서 반복되는 구체적인 불편을 관찰해야 한다.

6.2. 하이브리드 창업과 기업·소비자 경계

1. 지식이 많아질수록 전문화 영역은 좁아졌고 분야 사이의 연결은 약해졌지만, AI는 서로 다른 전문성을 결합하게 한다.
2. 교육과 기술을 결합하는 에듀테크처럼 앞으로는 지금까지 생각하지 못했던 하이브리드 영역이 사업이 될 수 있다.
3. AI가 개인의 능력을 증폭하면 작은 팀도 과거 기업 규모의 일을 수행해 기업의 정의가 덜 명확해진다.
4. Greg는 향후 1~2년 동안 기업가 정신의 거대한 르네상스가 본격화될 것으로 전망한다.
5. 엔터프라이즈 영업이 관계의 사업이었던 이유는 소비자 수가 너무 많아 관계를 관리하는 비용이 컸기 때문이며, AI가 관계를 증폭하면 소비자 사업도 깊은 관계를 만들 수 있다.

7. 아침 브리핑 에이전트에서 AI 비서실장까지

좋은 에이전트는 알림을 모으는 수준을 넘어 맥락을 조사하고 우선순위를 정하며 실행 직전까지 일을 밀어붙인다.

7.1. 브리핑의 세 단계

1. 정보 나열: 알림을 모아 보여주는 수준은 사용자가 직접 스크롤해도 얻을 수 있다.
2. 우선순위 정리: 답하지 않은 Slack 메시지와 할 일을 찾고 무엇부터 답할지 정한다.
3. 조사와 실행 준비: 시장 전략을 위해 프레젠테이션을 조사하고 의사결정에 필요한 핵심을 압축한다.
4. 다음 단계: 동료와 외부 파트너에게 직접 연락해 정보를 모으고 구매 주문서 승인만 남기는 능동적 에이전트가 등장한다.

7.2. AI 비서실장과 인간 비서의 결합

1. Greg는 OpenAI에 대한 질문이 생기면 먼저 AI 에이전트에 묻는 것이 효율적이라고 말한다.
2. 이메일·Slack·문서를 연결하면 예전에 어디에 있었는지 희미한 자료도 AI가 찾아 맥락을 정리한다.
3. 컴퓨터 사용은 기업 시스템의 마지막 연결 구간을 닫아 AI가 실제 업무 환경에서 행동하게 한다.
4. 인간 비서실장은 AI가 기본 질문에 답해주는 덕분에 더 중요한 일에 집중할 수 있다.
5. AI는 데이터 웨어하우스에 질의해 시장 성장률과 고객 유지 곡선을 계산할 수 있으며, Stripe 시절 데이터팀에 보내 일주일 뒤 받던 답을 즉시 얻는다.

7.3. 생산성 측정과 의존성

1. OpenAI는 토큰 사용량과 코드 라인, 커밋, pull request 사이의 상관관계를 보지만 모두 프록시 지표다.
2. 내부 모델 장애 때 사람들이 “일을 할 수 없다”고 느끼는 정도도 실질적인 생산성 신호다.
3. 6개월 전에는 없던 도구가 두 시간 멈췄다고 업무가 중단된다면 업무 상당 부분이 AI에 흡수된 것이다.

8. 더 많은 토큰과 연산을 써야 할 때

무조건 토큰을 늘리는 것이 목표는 아니지만 중요하고 어려운 문제를 골라 충분한 연산을 투입하면 큰 성과가 나온다.

8.1. 토큰 맥싱과 정교한 사용

1. 한때는 무조건 토큰을 더 던지는 토큰 맥싱이 유행했지만 문제를 정의하지 않은 채 양만 늘리면 낭비다.
2. 정교하게 사용하는 사람은 더 많은 토큰으로 놀라운 결과를 만들며 OpenAI 리더보드에서도 이런 경향이 보인다.
3. 재무팀은 장부 마감 업무를 빠르게 바꾸고, 커뮤니케이션팀은 기자 행사 좌석과 식단 선호를 한 사람이 Codex로 관리한다.

8.2. 과학적 발견

1. OpenAI는 Navier–Stokes 문제에 약 1만 에이전트를 며칠 동안 투입해 새로운 지식 창출을 시도했다.
2. 같은 연산량이라도 어떤 문제에 투입할지에 따라 가치가 달라지므로 문제의 중요성을 판단하는 능력이 핵심이다.
3. 과학·의학·재료과학에서 올바른 문제에 토큰 예산을 높게 설정하면 전문 집단만 풀던 문제를 더 넓은 공동체가 탐색할 수 있다.

9. 에이전트는 작게 시작하고 다섯 번 해본 뒤 자동화한다

완벽한 자동화 아이디어를 기다리기보다 작은 고통 지점을 직접 처리하며 반복 패턴을 확인해야 한다.

9.1. 백지 문제와 작은 첫 실행

1. Greg는 무엇을 쓸지 모르는 백지 상태가 AI 활용의 가장 어려운 문제라고 말한다.
2. 아무 문장이나 입력하고 실행해 결과를 본 뒤 다음 개선을 정하면 피드백 루프가 시작된다.
3. 며칠째 답하지 못한 이메일을 고르고 처음에는 복사·붙여넣기로 AI에 전달해도 된다.
4. Gmail 커넥터는 문제와 흐름을 이해한 뒤 붙이는 기능이다.

9.2. 다섯 번이라는 기준

1. 같은 일을 세 번에서 다섯 번 직접 하면 필요한 입력과 판단 지점을 이해할 수 있다.
2. 이 과정을 건너뛰고 처음부터 자동화하면 잘못된 가정을 시스템으로 굳힐 위험이 있다.
3. 다섯 번 수행한 뒤 자동화하면 문제를 이해한 상태에서 이점을 얻는다.
4. 자동화 후에도 사업자는 고객이 가입하고 돈을 내며 만족하는지 직접 책임져야 한다.

10. 인간의 통제권과 신뢰를 남겨두는 설계

AI가 많은 일을 할수록 무엇을 자동화하지 않을지 결정하는 일이 중요하며 목표·가치·책임은 인간에게 남아야 한다.

10.1. 인간이 목표와 통제권을 갖는다

1. 기술의 목적은 사람을 돕고 모두가 원하는 일을 더 많이 성취하게 하는 것이다.
2. AI가 목표를 정하게 하기보다 인간이 목적을 정하고 사업의 결과에 책임져야 한다.
3. 제품에는 적절한 안전장치와 신뢰, 감독 가능성, 모니터링 가능성이 포함되어야 한다.
4. 조사·요약·초안·데이터 조회·도구 조작·우선순위·반복 실행은 AI에 맡기기 적합하다.
5. 목표 설정·가치 판단·고객 약속·중요한 승인·책임 소재는 인간이 맡아야 한다.

11. 이번 주말 한 시간으로 시작하는 에이전트 실험

최신 에이전트를 완벽하게 배우려 하지 말고 자신의 맥락과 연결된 작은 작업 하나를 실제로 수행하게 해야 한다.

11.1. 실천 순서

1. Greg는 ChatGPT의 Dots에 가입해 대화하며 새로운 보조 형태를 경험하라고 권한다.
2. Dots는 자체 클라우드 컴퓨터를 쓰고 필요하면 로컬 컴퓨터에도 연결할 수 있다.
3. 이메일·캘린더·문서 중 자주 쓰는 하나를 연결하고 문자처럼 요청할 채널을 만든다.
4. 물건 구매, 특정 주제 조사, 정기 업무처럼 범위가 분명한 작업 하나를 반복 실행하게 한다.
5. Dots는 사용자가 관심을 보인 지역에 새 소식이 나오면 먼저 알려주는 선제적 보조로 확장될 수 있다.

11.2. 5년 뒤의 AI와 일

1. AI는 더 똑똑하고 접근 가능하며 사람을 강하게 만들지만 실제 이용 형태는 지금의 예상과 달라질 수 있다.
2. 모두가 해결되지 않은 수학 문제를 다루고, 의학·신약·재료과학에서 소수 전문가만 풀던 문제를 탐색하게 된다.
3. 개인과 기업은 자신을 대표하는 AI를 갖게 되며, 사람과 AI가 협력할 신뢰할 수 있고 관찰 가능한 인프라가 필요하다.
4. 이번 주말의 숙제는 에이전트뿐 아니라 지금보다 더 큰 야심을 설계하는 일이다.

주요 발언 모음

“나는 소프트웨어를 꽤 잘 작성하지만 이제는 직접 작성하지 않는다. AI에게 작성하도록 지시하고 피드백과 방향을 제공한다.”

“AI로 충분히 야심 차게 하고 있는지에 대한 답은 언제나 ‘아니다’일 것이다. 우리가 할 수 있는 일은 항상 더 많기 때문이다.”

“세계 최고의 프로그래머가 내 급여명세서에 있다면 무엇을 시키겠는가?”

“모델이 더 똑똑해질 때 어디에서 함께 성장할지를 생각해야 한다.”

“경제의 어떤 분야를 골라도 사람의 시간을 돌려줄 낮게 매달린 과일이 아주 많다.”

“처음에는 작게 시작하라. 입력하고 실행해 결과를 본 다음 반복해서 개선하라.”

“어떤 일을 다섯 번 해봤다면 자동화를 시작하기 좋은 시점일 가능성이 높다.”

“인간이 통제하고 책임져야 한다. 목표는 사람에게서 나와야 한다.”

“알림을 보여주는 데서 그치지 않고 조사까지 끝내 주목할 것을 압축하는 AI가 가능해지고 있다.”

핵심 데이터 & 수치

• 12억 명: ChatGPT 주간 활성 사용자 규모다.
• 3억 명: 건강 질문 등 개인 생활 지원에 매주 ChatGPT를 사용하는 규모다.
• 세 가지: 서로 다른 사용 사례를 발견하면 파워 유저로 전환되는 기준이다.
• 약 40시간: 인터뷰 한 편을 녹화에서 YouTube 게시까지 만드는 최소 시간이다.
• 20%에서 80%: 코딩 에이전트 시대 AI의 소프트웨어 생산 기여 비중 변화다.
• 다섯 번: 반복 업무를 직접 수행한 뒤 자동화를 검토할 실용적 기준이다.
• 약 1만 개: Navier–Stokes 문제에 투입한 에이전트 규모다.
• 1~2년: 기업가 정신의 르네상스가 본격화될 것으로 본 기간이다.
• 6개월: AI 도구가 없던 시점과 현재의 의존성 변화를 설명하는 간격이다.
• 5년: AI와 함께 일하는 방식이 크게 바뀔 미래 시점이다.

결론 및 시사점

1. 자신의 실제 문제에 작은 요청을 실행하고 결과를 확인하는 것이 AI를 배우는 가장 빠른 방법이다.
2. 현재보다 한 단계 야심 찬 일을 요청하면 새로운 사용 사례와 파워 유저 습관을 발견할 수 있다.
3. 코딩보다 문제 정의, 피드백, 고객 맥락, 결과 검증에 시간을 써야 한다.
4. 소상공인은 세계 최고의 프로그래머가 있다면 무엇을 시킬지 묻고 웹사이트·콘텐츠·프로세스를 다시 설계해야 한다.
5. 오래가는 제품은 모델의 약점이 아니라 고객 관계, 산업 지식, 신뢰, 복잡한 업무 흐름을 해결한다.
6. 처음에는 직접 세 번에서 다섯 번 수행해 입력·판단·결과를 이해한 뒤 자동화해야 한다.
7. 이메일·문서·캘린더·Slack·데이터를 연결하면 AI는 답변기가 아니라 비서실장이 된다.
8. 중요한 문제에 충분한 연산을 투입하되 인간은 목표와 승인, 책임을 유지해야 한다.

20줄 핵심 요약

ChatGPT는 주간 활성 사용자 12억 명을 확보했지만 대다수는 AI 능력의 표면만 사용한다.

서로 다른 세 가지 사용 사례를 발견한 사람은 AI를 계속 활용하는 파워 유저가 된다.

AI는 버튼과 모델 선택기보다 목표를 이해하고 다음 행동을 제안하는 비서에 가까워져야 한다.

며칠째 답하지 않은 이메일을 조사하고 답장을 작성해 승인을 요청하는 선제적 지원은 이미 현실이다.

Greg Brockman은 직접 코드를 쓰지 않고 AI에게 소프트웨어를 만들게 하며 피드백과 방향을 제공한다.

작은 게임부터 3D 모델과 CAD 도면까지 빠른 실험을 반복하면 AI의 실제 능력을 체감할 수 있다.

음성 모드와 이메일·캘린더 연결은 AI가 개인 생활의 맥락을 이해하게 하는 출발점이다.

인터뷰 준비 앱은 배경 조사와 질문 생성에서 편집과 게시까지 이어지는 생산성 앱의 가능성을 보여준다.

에피소드 하나에 40시간을 쓰는 제작자는 기계적 업무를 AI에 맡겨 더 나은 질문과 프로그램을 고민할 수 있다.

AI는 소상공인에게 박사급 지능과 세계 최고의 프로그래머를 필요할 때 활용할 수 있게 한다.

골동품 시계 가게도 AI로 웹사이트를 만들고 각 시계의 사연을 매력적인 콘텐츠로 바꿀 수 있다.

시각장애인 사용자가 컴퓨터 포트와 케이블을 구분하는 사례는 AI가 독립성과 선택권을 높임을 보여준다.

기본적인 앱 제작이 상품화될수록 차별화는 코드가 아니라 문제 이해와 고객 관계에서 발생한다.

모델의 약점을 우회하는 제품보다 산업 지식과 신뢰를 축적해 모델이 좋아질수록 강해지는 제품이 오래간다.

의료와 교육처럼 이해관계자가 많은 산업은 도메인 전문성과 기술을 결합한 하이브리드 창업의 기회를 제공한다.

아침 브리핑 에이전트는 알림을 나열하는 수준에서 조사와 우선순위화, 실행 준비 단계로 발전한다.

OpenAI는 토큰 사용량과 코드 지표를 살피지만 생산성의 최종 책임은 업무 결과와 고객 반응에 있다.

처음에는 작은 고통 지점을 직접 처리하고 같은 일을 다섯 번 해본 뒤 자동화를 시작하는 것이 안전하다.

인간은 목표와 통제권, 중요한 승인을 유지하고 AI는 조사와 반복 실행을 맡아야 한다.

이번 주말 한 시간은 에이전트를 시험하는 동시에 지금보다 더 큰 야심을 설계하는 시간이 되어야 한다.