AI 시장의 재편: 오픈AI의 반격과 에이전트 시대의 승자

메타데이터

• title_original: Cognition vs Factory | Anthropic Under Threat | ElevenLabs Doubles Its Valuation to $22B
• 채널: 20VC
• URL: https://www.youtube.com/watch?v=NAwiGfk_sCY
• video_id: NAwiGfk_sCY
• 원본 발행일: 2026-10-08
• 노트 작성일: 2026-10-09
• 주요 인물: Harry Stebbings, Dev Ittycheria(MongoDB CEO), Jason Lemkin, Rory O’Driscoll
• 콘텐츠 성격: AI 모델 경쟁, 오픈웨이트 모델, AI 스타트업 투자·인수, 에이전트 유통

📌 핵심 질문 / 이 콘텐츠가 다루는 핵심 논점

==AI 시장의 경쟁축은 모델 성능만이 아니라 개발자 전환 속도, 기업의 토큰 비용·데이터 주권, 에이전트의 추천, 그리고 스타트업이 기능을 넘어 독점적 데이터와 유통을 확보하는지로 이동하고 있다.==

• OpenAI는 불과 몇 달 전의 열세 평가를 뒤집고 분기 매출 성장률과 Codex의 개발자 채택으로 Anthropic을 다시 압박하고 있다.
• 개발자는 모델에 충성하지 않고 빠르게 여러 도구를 시험하지만, 기업은 조달·교육·워크플로·IP 권리 때문에 쉽게 모델을 바꾸지 못한다.
• 중국 모델에 대한 기업의 심리적·규제적 거부감은 미국 오픈웨이트 모델에 거대한 수요 공간을 만들 수 있다.
• AI 애플리케이션의 장기 가치는 단순 기능이 아니라 사용 데이터의 순환, 정확한 에이전트용 문서·API, 그리고 구매 결정을 내리는 에이전트에 대한 가시성에서 나온다.
• 빠른 20억 달러 매각이 정답인지 세대적 기업을 만드는 것이 정답인지는 창업자의 목표와 이후 성장 확률을 냉정하게 비교해야 결정할 문제다.

토큰 경제가 커질수록 가장 비싼 최전선 모델 하나가 시장을 독점하기보다, 작업별로 저렴한 오픈웨이트 모델과 고성능 모델을 조합하는 구조가 자연스러워진다. 이 과정에서 기업의 안전성·데이터 주권·실제 업무 성능 검증이 벤치마크 점수보다 중요해진다. 동시에 제품을 선택하는 주체가 사람에서 에이전트로 이동하면, 검색엔진 최적화의 다음 단계는 에이전트가 제품을 발견하고 신뢰하고 추천하도록 만드는 일이다.

1. 오픈AI의 반격과 앤트로픽의 다음 시험

오픈AI는 소비자 서비스 회사라는 한계를 넘어 개발자와 기업의 실제 사용량을 다시 끌어오며 경쟁 구도를 단기간에 뒤집었다.

1.1. $700억 런레이트가 바꾼 경쟁 서사

1. 오픈AI의 급격한 회복

   1. 오픈AI는 약 700억 달러의 매출 런레이트에 접근했고, 1조 4,000억 달러 가치로 300억 달러 규모의 신규 자금을 조달하는 초대형 라운드를 추진했다.
   2. 기업공개(IPO)는 2027년으로 미루는 분위기인 반면, 앤트로픽은 11월 중순 전후 상장을 추진할 가능성이 거론됐다.
   3. 불과 3~4개월 전에는 소비자 중심 전략에 갇혀 기업과 개발자 시장으로 돌아오지 못할 것처럼 보였지만, Codex와 새 모델이 더 싸고 충분히 좋아지면서 실제 고객이 모델을 교체하기 시작했다.
   4. B2B 업무와 코딩이 한동안 앤트로픽에서만 제대로 작동한다는 인식이 있었으나, 10월 현재 오픈AI도 대규모로 경쟁 가능한 제품군을 갖췄다는 평가가 나왔다.

2. 성장률이 만든 안도감

   1. 오픈AI의 1분기→2분기 분기 성장률은 약 18%로 둔화했고, 당시 앤트로픽은 약 10배 성장하는 듯한 대비를 보였다.
   2. 오픈AI가 3분기에 전분기 대비 약 70% 성장했다는 수치가 맞다면, 성장률이 18%에서 다시 가속되면서 경쟁에서 탈락했다는 서사를 뒤집는다.
   3. 당시 비교에 사용된 대략적인 수치는 오픈AI 약 68억 달러, 앤트로픽 약 110억 달러 수준이었으며, 오픈AI의 70% 성장은 절대 매출 규모와 함께 해석해야 한다.
   4. 오픈AI는 컴퓨트, 데이터센터, 토지에 선행 투자와 구매 약정을 크게 쌓아 놓았으므로 초고속 성장이 꺾이면 인프라 계획 전체가 흔들릴 수 있다.

1.2. 앤트로픽의 3분기와 개발자 이동성

1. 폭발적 실적이 전제된 앤트로픽

   1. 시장은 앤트로픽이 계속 압도적인 성장률을 낼 것이라고 가정하지만, 실제로는 여러 개발팀이 일부 사용량을 Codex로 옮겼다는 이야기가 들린다.
   2. 앤트로픽의 3분기 실적이 기대에 못 미치면, 오픈AI의 성장이 시장 전체 확대인지 앤트로픽의 점유율 탈취인지가 핵심 쟁점이 된다.
   3. IPO 시점에는 3분기 수치가 투자설명서에 포함되면서 공개시장 투자자가 두 회사의 성장률과 가격을 직접 비교하게 된다.

2. 개발자는 충성보다 효용을 따른다

   1. 개발자는 한 도구에 오래 충성하기보다 새로운 도구를 즉시 시험하고 여러 모델을 동시에 사용한다.
   2. 모델 교체에는 프롬프트 검증과 워크플로 재작업이 필요하지만, 데이터베이스 교체보다 비용이 낮아 전환이 빠르게 일어난다.
   3. 기업은 계약, 수천 명의 직원 교육, 내부 프로세스, 조달 승인을 거쳐야 하므로 모델이 깊게 업무에 들어갈수록 전환 장벽이 높아진다.
   4. 매주 약 10억 명이 사용하는 ChatGPT는 강력한 배포 채널이지만, 기업 고객의 장기적 해자는 계약과 업무 프로세스에 남는 통합 깊이일 수 있다.

1.3. 기업이 모델을 고르는 기준

1. 토큰 비용과 예산

   1. 기업 CIO와 CFO는 토큰 비용을 별도 예산으로 보기 시작했고, 어떤 모델이 더 똑똑한가만큼 어떤 모델 조합이 예산을 지키는가를 따지게 된다.
   2. 오픈AI와 앤트로픽이 각각 700억 달러의 런레이트에 도달하면 두 회사가 만드는 총 1,400억 달러의 매출은 거대한 기업용 AI 비용 풀을 형성한다.
   3. CFO는 CIO에게 덜 중요한 의사결정의 20%를 저렴한 모델로 옮겨 토큰 비용을 수백만 달러 줄이라고 요구할 수 있다.

2. IP 권리와 데이터 주권

   1. 기업은 모델을 학습한 방식, 입력 데이터의 소유권, 독점 데이터가 어떻게 처리되는지를 확인해야 한다.
   2. 규제 산업과 민감한 정보를 다루는 기업은 비용이 낮더라도 데이터 주권이 불확실한 모델을 쉽게 채택하지 않는다.
   3. 가격·IP·안전성이라는 세 조건은 단일 최전선 모델의 성능 점수보다 실제 조달 결정에 더 직접적인 영향을 준다.

2. Factory와 Cognition이 드러낸 AI 시대의 충성도 문제

경쟁사로의 인재 이동은 흔한 일이지만, 자문역이 내부 전략을 들여다본 직후 직접 경쟁사에 합류하면 법적 의무와 비공식적 신뢰의 경계가 충돌한다.

2.1. 크리스 데그넌의 이동과 정보 비대칭

1. 관계의 배경

   1. Snowflake에서 오랫동안 영업을 이끈 크리스 데그넌은 Factory의 이사회 옵서버로 활동했고, 창업자 Matan과 매일 대화할 정도로 가까운 관계였다고 알려졌다.
   2. 그는 Factory의 자문·이사회 옵서버 역할을 수행하면서 Cognition의 직무를 면접했고, 이후 Cognition의 최고매출책임자(CRO)가 됐다.
   3. Matan은 이 이동을 공개적으로 비판하며 신뢰를 저버린 행동으로 묘사했다.

2. 자문역의 실제 접근 범위

   1. 특정 지역의 채용 후보를 검토하는 제한적 자문과 제품 로드맵·이사회 계획·재무 계획·경쟁 전략을 보는 내부 자문은 전혀 다르다.
   2. 이사회 옵서버는 정식 이사와 달리 같은 수준의 수탁 의무를 지지 않을 수 있고, 고용된 직원도 아니므로 법적 의무가 명확하지 않을 수 있다.
   3. 법적 의무가 없다는 사실이 상대방이 느끼는 배신감과 민감한 정보의 경제적 가치를 없애지는 않는다.

2.2. 직원 이동과 자문역 이동은 같은가

1. 직접 경쟁사로 가는 CRO

   1. CRO는 뜨거운 시장에서 더 나은 기회를 빠르게 선택할 수 있고, 많은 CEO는 이를 현실적인 고용 시장의 일부로 본다.
   2. 반대쪽에서는 CRO가 자기 조직에 합류하라고 설득했던 사람들의 신뢰까지 훼손할 수 있으므로, 다른 산업이 아니라 직접 경쟁사로 가는 행동은 전례가 드물다고 본다.
   3. 정규직도 경쟁사의 제안을 받기 전까지 CEO에게 미리 말하기 어렵지만, 자문역은 애초에 회사 전체 전략을 볼 필요가 없었다는 점에서 차이가 생긴다.

2. 정보 범위에 따른 판단

   1. 재무나 특정 기능을 맡은 정규직은 회사 전체 전략을 모두 보지 않을 수 있지만, 여러 기능을 가로질러 제품·보드·경쟁 상황을 파악한 자문역은 더 넓은 정보를 가질 수 있다.
   2. 자문 계약에 경쟁사 이직 가능성, 정보 접근 범위, 냉각 기간, 공개 의무를 명시적으로 합의해야 한다.
   3. 두 회사 사이에 암묵적으로만 존재한 기대가 분쟁을 키웠으므로 최소한의 경계는 문서화해야 한다.

2.3. AI 시대에 바뀐 충성도의 규칙

1. 인재 이동의 가속

   1. 프런티어 AI 연구소의 인력은 OpenAI와 Anthropic 사이를 오가며 시장의 지식과 보상을 빠르게 이동시킨다.
   2. 과거에는 이직할 때 함께 데려갈 수 있는 사람이 두 명 정도라는 비공식적인 ‘2인의 규칙’이 있었지만, 이제는 첫 주에 8~10명을 데려가는 사례도 보인다.
   3. 빠른 실행과 높은 보상 압력이 경쟁사 이동과 집단 이동을 정상적인 선택처럼 보이게 만들고 있다.

2. 신뢰의 장기 비용

   1. 리더가 자신을 믿고 합류한 사람들을 남겨둔 채 직접 경쟁사로 이동하면, 그 리더의 약속이 진심이었는지에 대한 의문이 남는다.
   2. 업계가 좁고 이동 기록이 남는 AI 시장에서는 장기 평판이 다음 채용·투자·파트너십에 영향을 줄 수 있다.
   3. AI가 모든 인간관계를 바꾼 것은 아니며, 사람을 채용하고 개발하고 책임을 묻는 문제는 1998년의 첫 스타트업과 지금의 AI 스타트업에서 본질적으로 같다.

3. 벤처 투자자의 공개 발언과 오픈웨이트 모델

직접 경쟁하는 회사에 동시에 투자한 벤처캐피털은 회사 간 긴장을 공개적으로 키우지 않는 절제가 필요하며, 미국 오픈웨이트 모델은 그 긴장 속에서 새로운 전략적 자리를 얻고 있다.

3.1. 비노드 코슬라의 Factory 발언

1. 공개 비판이 만든 무기

   1. Factory의 시리즈 C와 최근 라운드를 이끈 비노드 코슬라는 소셜미디어에서 Factory를 ‘고전하는 2류 경쟁사’처럼 표현하며 Matan을 강하게 비판했다.
   2. Factory에 투자한 파트너가 투자 직후 회사를 공개적으로 깎아내리면 경쟁 투자사는 그 글을 들고 와서 ‘상황이 나빠졌을 때도 이 파트너와 함께하고 싶은가’라고 물을 수 있다.
   3. 직접 경쟁하는 포트폴리오를 동시에 관리할 때는 두 회사를 똑같이 사랑한다는 원칙을 지키고 공개적인 비교·비난을 피해야 한다.

2. 법적 의무와 암묵적 규칙

   1. 법적으로 허용되는 발언과 벤처 업계의 암묵적 규칙은 같지 않다.
   2. 공개 칭찬과 비공개 질책이라는 원칙을 깨면 투자사와 양쪽 포트폴리오 모두가 신뢰 비용을 부담한다.
   3. 공개 발언을 ‘힘든 사랑’으로 해석할 여지도 있지만, 직접적인 경쟁 관계에서는 의도보다 실제로 경쟁사에 제공한 협상 무기가 더 중요하다.

3.2. Reflection의 Beam과 미국 오픈웨이트 모델

1. 기업이 원하는 미국산 대안

   1. Reflection이 공개한 Beam은 미국에서 만든 오픈웨이트 모델로서 최전선 모델에 가까운 지능을 약속하면서 3~4배 낮은 비용을 목표로 한다.
   2. 중국산 오픈 모델이 기술적으로 강해도 규제 산업과 민감한 데이터를 가진 기업은 중국 모델을 진심으로 원하지 않는다는 수요가 확인됐다.
   3. 미국산 오픈웨이트 모델이 코딩·추론·에이전트 업무의 90%를 처리하고 최신 최전선 모델보다 6~12개월만 뒤처진다면, 기업은 업무별로 즉시 도입할 유인이 생긴다.

2. 최전선 지능은 모든 작업에 필요하지 않다

   1. 중요도가 낮은 작업은 저렴한 모델로 처리하고 복잡한 작업만 고성능 모델로 보내는 계층형 구조가 합리적이다.
   2. 현재 기업의 실제 AI 사용량은 내부 인력과 운영 역량 부족 때문에 모델의 잠재력보다 훨씬 낮다.
   3. 비용이 내려가면 사용이 더 늘어나는 Jevons의 역설이 적용되어, 모델 단가 하락은 시장 축소가 아니라 새로운 사용 사례의 폭발로 이어질 수 있다.
   4. Dreamforce에서 만난 기업 관계자들은 토큰 수요가 감당하기 어려울 만큼 크다고 말했고, 실제 표면화된 수요보다 한 자릿수 배 큰 잠재 수요가 있다고 느꼈다.

3.3. 오픈소스 토큰의 미국·중국 비중과 안전성

1. 12개월 뒤의 점유율

   1. 미국 오픈웨이트 모델이 12개월 안에 오픈소스 토큰의 절반을 차지할 수 있다는 낙관적 전망이 제시됐다.
   2. 실제로 50%가 아니라 10~20%만 달성해도 기업 중심·안전성 중심 고객이 미국 모델을 선택했다는 점에서 큰 성과가 된다.
   3. OpenRouter에서 파운데이션 모델은 토큰의 20~30%를 처리하면서도 매출의 약 90%를 가져가는 것으로 언급됐고, 미국 오픈웨이트 모델이 토큰 점유율을 확보하면 추론 인프라 기업에도 탈위험 효과가 생긴다.

2. 벤치마크보다 실제 워크플로

   1. 공개 평가 점수는 체스 챔피언십처럼 측정하기 쉬운 과제에 최적화될 수 있어 실제 업무의 정확도·지연시간·실패율을 보장하지 않는다.
   2. 상품 재고가 없는데 있다고 답하는 문제처럼 작은 오류가 미션 크리티컬한 업무를 망칠 수 있으므로 모든 평가에는 전제와 각주가 필요하다.
   3. 기업은 비용뿐 아니라 모델이 유해한 행동을 막는 방식과 안전성을 검증할 기준을 요구한다.
   4. 안전성의 정의가 사용자마다 다르더라도 최소한의 평가·자율규제 메커니즘이 있어야 더 많은 기업이 모델을 실제 업무에 사용할 수 있다.

4. ElevenLabs와 Salesforce가 보여준 AI 애플리케이션의 가치

음성처럼 실패가 즉시 고객 경험을 망치는 영역에서는 가격보다 신뢰성과 품질이 중요하며, 시장조사처럼 질문·응답·분석을 반복하는 업무는 LLM의 강점과 잘 맞는다.

4.1. 220억 달러 가치의 ElevenLabs

1. 투자위원회의 강한 매수 의견

   1. ElevenLabs는 가치가 220억 달러로 두 배가 됐지만 경쟁이 치열한 음성 시장에서 선두와 격차를 계속 넓히고 있다.
   2. 음성은 에이전트 애플리케이션의 핵심 모달리티가 됐고, ElevenLabs는 서브밀리초 수준의 응답 속도와 인상적인 마진을 갖춘 팀으로 평가됐다.
   3. 10%의 펀드를 투입해 현재 소유권을 확보하고 기업가치가 500억~1,000억 달러로 커진 뒤 다시 투자하는 상황을 피하자는 의견이 나왔다.
   4. 친구·가족 라운드를 500억 달러 가치로 마무리할 무렵 매출이 10억 달러에 가까워질 수 있다는 공격적인 전망도 제시됐다.

2. 음성 모델은 완전히 대체 가능하지 않다

   1. 저가 모델이 음성 시장을 잠식할 수 있다는 전망은 여전히 유효하지만, 전화 응대처럼 한 번의 오류가 매출을 잃게 만드는 업무에서는 품질과 안정성이 가격보다 우선한다.
   2. 꽃집의 전화 에이전트가 몇 초 안에 전화를 받고 정확한 꽃을 주문하지 못하면 제품 전체의 가치가 사라지므로 미세한 오인식도 허용하기 어렵다.
   3. ElevenLabs는 저가부터 고품질까지 여러 모델을 제공하고 수십만 달러를 매년 지불하는 중견 고객도 가격 대비 가치가 좋다고 평가한다.
   4. 따라서 모든 추론 모델이 서로 대체 가능하다는 가정은 음성·고신뢰 업무에는 아직 적용되지 않는다.

4.2. Listen Labs의 20억 달러 매각

1. 기존 시장과 LLM의 결합

   1. Salesforce는 Listen Labs를 20억 달러에 인수했고 시장에는 15억 달러 수준의 제안도 있었다고 알려졌다.
   2. Sequoia는 시드와 시리즈 A를 주도해 9,600만 달러 투자로 약 8억 5,000만 달러를 회수하고 약 25배 수익을 냈으며, Ribbit의 시리즈 B 투자자는 8개월 만에 약 4배를 얻었다.
   3. 시장조사는 컨설팅 회사와 Qualtrics·Medallia·SurveyMonkey 같은 기존 업체로 나뉜 크고 파편화된 시장이며 이미 수십억 달러 규모의 지출이 존재한다.
   4. LLM은 사람에게 질문하고 답변을 취합·분석하는 일을 잘하며 응답에 따라 다음 질문을 바꾸는 적응형 인터뷰로 고정된 설문보다 풍부한 데이터를 만든다.

2. 기능과 프랜차이즈의 구분

   1. Salesforce의 매출 규모가 500억~600억 달러에 접근하는 상황에서 매출 약 2,000만 달러의 AI 설문 제품을 20억 달러에 사는 일이 회사 전체를 움직일 만큼 큰지는 의문으로 남는다.
   2. AI 스타트업이 대형 플랫폼 위의 영리한 기능에 머물면 플랫폼의 유통과 현금에 흡수될 수 있다.
   3. 반대로 사용량이 고유 데이터를 만들고 데이터가 제품을 개선하며 개선된 제품이 더 많은 사용량을 끌어오면 기능을 넘어 프랜차이즈가 된다.
   4. Listen Labs의 창업자는 독립적으로 계속 키우기보다 Salesforce의 유통과 자원을 활용하는 제안을 선택했고 세 살짜리 회사를 20억 달러에 매각했다.

4.3. 빠른 매각인가, 세대적 기업인가

1. 20억 달러 매각의 현실성

   1. 첫 3~5년 동안 20억 달러에 매각하면 창업자와 팀은 장기간의 현금 부족·고객 확보·채용 압박에서 벗어날 수 있다.
   2. 매출 3억 달러와 직원 3,000명 규모에서 6배 매출 배수로 계속 버티는 길은 심신을 크게 소모할 수 있다.
   3. 앞으로 AI 애플리케이션의 일부는 초기에 30배 매출 배수로 매각되고 나머지는 낮은 배수와 거대한 조직을 감당하며 장기간 운영할 가능성이 있다.

2. 결정 기준

   1. 회사가 진정으로 세대적 기업이 될 수 있다고 믿는다면 높은 제안을 거절할 명확한 이유가 생긴다.
   2. 이후의 성장 궤적과 3배·10배 추가 상승 가능성, 창업자가 그 과정을 계속 원하는지를 냉정하게 계산해야 한다.
   3. BladeLogic은 2008년 약 9억 달러에 BMC에 매각됐고, 그 전에 Cisco의 John Chambers와 EMC 등으로부터 여러 차례 인수 제안을 받았지만 계속 성장할 수 있다는 판단으로 늦췄다.
   4. 최선의 회사는 늘 매각 제안을 받지만 어느 시점에 매각할지는 숫자뿐 아니라 창업자가 앞으로의 실행 과정 자체를 좋아하는지에 달려 있다.
   5. 남의 성공 속도와 자기 회사를 비교하면 만족을 잃기 쉬우므로 비교보다 자신이 선택한 과정과 목표를 평가해야 한다.

5. 에이전트가 고르는 인프라와 새로운 유통 전쟁

에이전트가 특정 제품을 선택하면 인간 구매자의 한 번의 비교보다 반복적이고 강한 유통 효과가 발생하므로 스타트업은 사람뿐 아니라 에이전트에게 발견·이해·추천되는 구조를 설계해야 한다.

5.1. Vercel의 에이전트 효과

1. 매출의 절반을 차지한 신규 에이전트 사업

   1. Vercel은 ARR 6억 달러에 도달했고 연초 신규 사업의 3%에 불과했던 에이전트 관련 사업이 50%까지 늘었다.
   2. 고객 수 증가율보다 확장 매출이 훨씬 크게 나타났고 에이전트가 애플리케이션을 자동으로 만들고 실행하면서 기존 인프라가 예상보다 중요한 위치를 차지했다.
   3. 2020년에 설립된 Vercel과 2016년에 설립된 Replit처럼 AI 이전에 올바른 인프라와 제품을 갖춘 기업은 에이전트라는 새 수요에 올라타며 급격히 성장할 수 있다.

2. 에이전트가 선택하는 제품의 힘

   1. 개발자가 아니라 에이전트가 기본 인프라를 고르면 한 번 선택한 공급자를 바꾸는 데 상당한 에너지가 필요해 선택이 자연적인 힘처럼 누적된다.
   2. 여러 에이전트를 매일 8~10시간 사용하면 에이전트가 특정 벤더를 고집하는 현상을 직접 경험할 수 있고 이런 추천은 단순 검색보다 애플리케이션의 전체 맥락을 반영한다.

5.2. SEO에서 에이전트 가시성으로

1. 구글 1페이지의 다음 버전

   1. 지난 25년 동안 기업은 사람이 구글 첫 페이지에서 제품을 발견하도록 SEO를 해 왔지만 이제는 에이전트가 제품을 찾고 이해하고 신뢰하도록 만들어야 한다.
   2. 에이전트가 생성한 답변에서 빠지는 일은 과거 구글에 노출되지 않는 것과 같으며 이커머스와 소매업체도 에이전트에게 제품을 교육하지 않으면 매출이 사라질 수 있다.
   3. Profound와 Peak 같은 회사는 빠진 정보를 분석하는 데서 출발하지만 부족한 콘텐츠를 만들고 문제를 해결하는 폐쇄형 제품으로 확장할 수 있다.

2. 고유한 추천이 만드는 데이터

   1. 에이전트는 공개 순위만 보는 것이 아니라 사용자의 인프라, 애플리케이션, 기존 스택, 신뢰도, 구체적 요구를 함께 보고 벤더를 추천한다.
   2. 한 개발자가 이메일용 에이전트를 만들며 물어본 결과 에이전트는 SendGrid 대신 Resend를 선택했고 Resend의 MCP 호출은 4월 10만 6,000회에서 9월 300만 회로 늘었다.
   3. 호스팅 선택에서 에이전트는 Render를 1순위, Railway를 2순위, Fly.io를 그다음으로 추천하고 Vercel은 해당 작업에 적합하지 않다고 판단했다.
   4. 이런 추천은 모든 고객에게 같은 답을 내는 검색 결과가 아니라 특정 코드베이스와 애플리케이션에 맞춘 판단이라는 점에서 새로운 유통 채널이 된다.

5.3. 초기 스타트업이 겪는 불리함과 대응

1. 기존 업체의 데이터 우위

   1. 10~15년 동안 축적된 문서와 고객 사례가 있는 기존 업체는 에이전트의 학습·검색 코퍼스에 많이 노출되지만 초기 스타트업은 좋은 제품을 갖고 있어도 정보가 거의 없다.
   2. 데이터가 적은 스타트업은 문서, API, SDK, 래퍼, 사례를 의도적으로 공개해 에이전트가 안전한 선택으로 기존 업체를 고르는 구조를 깨야 한다.
   3. 에이전트가 사용하기 좋은 첫 경험을 만들고 신뢰할 수 있는 최신 정보를 모든 출처에 제공해야 제품이 후보로 들어간다.

2. 새로운 측정 제품

   1. 기존 AI 검색 분석 도구는 LLM이 무엇을 답하는지를 추정하지만 실제 운영 중인 에이전트가 특정 카테고리에서 무엇을 추천하는지 직접 묻는 제품은 충분히 만들어지지 않았다.
   2. 서로 다른 업무를 수행하는 10개 회사의 에이전트에게 2주마다 같은 카테고리의 추천을 물으면 정적인 검색 순위와 실제 에이전트 선택을 비교할 수 있다.
   3. 추천이 축적되면 마케터가 인간과 에이전트 양쪽에서 제품이 어떻게 보이는지 측정하고 빠진 문서와 콘텐츠를 보강할 수 있다.
   4. SEO 분석에서 콘텐츠 제작·배포·에이전트 추천 검증까지 연결하면 기존 SEO 시장보다 깊고 큰 카테고리가 될 수 있다.

6. 우회 인수 구조, Meta Muse와 OpenAI Dots

규제 때문에 빠르게 인재와 IP를 확보하려는 ‘라이선스+채용’ 구조는 실행 속도를 얻지만 남겨진 주주와 직원의 권리를 둘러싼 소송 위험을 만든다. Meta의 Muse는 실제 제품을 빠르게 출시하는 실행력이 경쟁력을 증명했지만 OpenAI Dots는 사용 사례를 더 지켜봐야 한다.

6.1. NVIDIA의 170억 달러 거래와 공통 주주 보호

1. Grok 엔지니어들의 소송

   1. 전직 엔지니어 두 명은 Delaware에서 NVIDIA의 약 110억 달러 라이선스와 약 30억 달러 주식 거래가 핵심 기술과 상위 인력 200명을 사실상 가져가면서 회사에 남은 공통 주주를 빈 껍데기에 남겼다고 주장했다.
   2. 회사법은 같은 종류의 보통주를 가진 주주를 동일하게 대우하고 이사회가 모든 주주에게 주의의무와 수탁의무를 다할 것을 전제로 한다.
   3. 라이선스와 인력 채용으로 구조를 짜면 인수자에게 넘어가는 사람은 큰 보상을 받고 남은 주주와 이미 퇴사한 직원은 거래 대가에서 배제될 수 있다.

2. 왜 이런 구조가 생겼는가

   1. FTC 심사로 정식 M&A 완료에 9개월이 걸릴 수 있지만 라이선스와 채용 거래는 일요일 밤에 계약하고 월요일부터 인력을 시작시킬 수 있다.
   2. 핵심 인력과 IP를 즉시 확보하지만 실질적으로 합병인 거래를 서류상 인수가 아니라고 부르는 데서 법적 위험이 생긴다.
   3. 거래가 인수와 같은 실질을 가진다면 인수에 적용되는 주주 보호와 절차를 피할 수 없다는 주장이 가능하다.
   4. 남겨진 소수의 전직 직원에게 추가 보상을 지급하는 선에서 합의될 가능성도 있지만 한 건의 승소만으로도 이 구조의 경제성이 악화될 수 있다.

3. 창업자와 직원이 물어야 할 질문

   1. 직원은 회사의 1% 지분 가치뿐 아니라 IP와 일부 팀만 팔리고 회사가 남는 경우 그 지분이 어떻게 되는지도 확인해야 한다.
   2. 투자자는 청산·매각 상황을 계약으로 보호하지만 직원은 비정상적 종료 시나리오를 거의 협상하지 않아 사후 불이익을 받을 수 있다.
   3. 잔류 직원에게 IP 가치와 인수 대가가 돌아가지 않으면 채용과 장기 신뢰가 어려워지고 우회 인수 구조 자체가 사라질 수 있다.

6.2. Meta Muse의 실행력

1. 제품 출시가 회의론을 압도했다

   1. Meta의 Muse는 강한 초기 반응을 얻었고 이전에 제기된 인수 통합 의문을 실제 제품 출시로 잠재웠다.
   2. Zuckerberg와 Alex Wang이 제품·컴퓨트·인력에 자원을 집중하고 빠르게 출시한 결과 Muse는 스타트업과 비교해도 최전선 수준의 제품으로 평가됐다.
   3. 좋은 실행은 인수와 조직에 관한 논쟁을 줄이는 가장 직접적인 방법이며 실제 출시와 사용자의 비교가 가장 강력한 검증이 된다.

2. OpenAI Dots의 다른 가능성

   1. Dots는 소비자에게 보여준 데모와 홍보가 Muse만큼 강렬하지 않았고 무엇을 위한 제품인지 첫인상이 명확하지 않았다.
   2. 그러나 Codex와 통합된 24시간 지속 코딩 에이전트라면 Replit과 Lovable이 보여준 상시 실행 경험을 OpenAI 스택에서 제공할 수 있다.
   3. 지속형 에이전트가 애플리케이션을 만들고 작업을 이어가면 소비자용 화제성보다 개발자에게 큰 가치가 생길 수 있다.
   4. Dots는 개발자가 실제로 무엇을 만드는지 30~90일 동안 확인한 뒤 평가해야 하며 소비자 제품보다 개발자 중심이어도 충분한 사업이 될 수 있다.

6.3. 동시에 모든 시장을 잡기 어려운 OpenAI

1. 개발자·기업·소비자의 충돌

   1. 개발자 중심, 기업 중심, 소비자 중심 제품을 동시에 훌륭하게 만들기는 어렵고 OpenAI는 넓은 제품 표면적과 복잡한 방향성 때문에 이 문제를 반복해서 겪는다.
   2. Dots의 초기 소비자 반응보다 개발자 업무에서 실제 효용이 있는지가 중요하다.

2. NuBank 주식의 짧은 일화

   1. Rory는 브라질 NuBank 주식을 샀고 브라질 선거와 Monzo 거래 무산을 예상하지 못했지만 주가가 일주일에 26% 상승해 주변 투자자들에게 수익을 안겼다고 농담했다.
   2. 통제하지 못한 사건으로 오른 주가를 투자 실력으로 착각하지 말아야 한다는 가벼운 자기풍자의 소재가 됐다.

7. Oura IPO 철회가 벤처 유동성에 던진 신호

고성장 소비자 하드웨어 기업이 충분한 규모와 반복 매출을 갖추고도 IPO를 철회하면 AI 기업의 풍부한 M&A와 대조되어 비AI 벤처의 유동성 경로가 더 좁아진다는 신호가 된다.

7.1. 규모가 있어도 상장할 수 없는 이유

1. Oura의 숫자

   1. Oura는 약 12억 달러의 매출과 74%의 성장률, 매력적인 반복 매출 비중을 가진 것으로 언급됐다.
   2. IPO 철회는 AI 프런티어 기업은 수십억 달러에 인수되는 반면 소비자 하드웨어 기업은 공개시장 진입조차 어려운 현실을 보여줬다.

2. 가격의 문제라는 추정

   1. 가장 단순한 설명은 은행이 경영진과 이사회에 약속한 가격을 공개시장 투자자가 받아들이지 않았다는 것이다.
   2. 은행이 주당 50달러를 받을 수 있다고 설득한 뒤 실제 수요가 40달러 또는 그보다 낮게 나타나면 경영진은 이미 상장을 예고한 뒤라 더 나쁜 결과를 맞을 수 있다.
   3. 기존 투자자가 보유 지분 전체를 매각하려 한 모습도 좋지 않은 신호지만 실제 철회 이유가 임박한 M&A인지 가격인지는 확인되지 않았다.

7.2. ‘일단 가격을 받아라’는 반론

1. 시장에 들어가는 가치

   1. Jawbone과 Peloton처럼 상장 후 주가가 급락한 사례가 있어도 제시된 가격이 충분하다면 공모가를 받아들이라는 의견이 나왔다.
   2. IPO를 너무 오래 끌면 금리와 부채 시장이 악화되고 BladeLogic처럼 상장 뒤 시장이 흔들리면 창이 닫힐 수 있다.

2. 벤처 생태계의 의미

   1. AI 기업의 대형 인수가 계속되더라도 Oura 같은 비LLM 기업이 IPO에서 가격을 인정받지 못하면 벤처 투자금의 회수 경로는 여전히 취약하다.
   2. 기업은 은행의 낙관적인 피치와 실제 시장 수요의 차이를 고려해 상장 기대가격보다 유동성 확보 자체를 우선할지 결정해야 한다.

주요 발언 모음

“개발자는 반짝이는 새 장난감을 매우 빠르게 찾는다.”

“기업에 깊이 들어갈수록 전환은 더 어려워진다. 계약을 맺고 수천 명을 교육하고 워크플로를 만들어야 하기 때문이다.”

“AI 시대에는 충성도의 정의가 영구적으로 바뀌었다.”

“공개 평가에는 오늘날 세 개의 별표와 네 개의 각주가 붙어야 한다.”

“에이전트가 당신을 선택하면 지금은 자연의 힘처럼 작동한다.”

“사람과 에이전트가 모두 구매 결정을 내리는 세상에서는 두 쪽에 제대로 나타나야 한다.”

“기능을 흉내 낸 회사인지, 정말 프랜차이즈를 만들고 있는지 구분해야 한다.”

“세대적 기업을 만드는 일이 아니라면 첫 5년 안에 20억 달러를 받는 선택을 진지하게 고려하겠다.”

핵심 데이터 & 수치

• OpenAI: 약 700억 달러 매출 런레이트, 1조 4,000억 달러 가치에서 300억 달러 조달 추진, IPO는 2027년 가능성.
• OpenAI 성장률: 1분기→2분기 약 18%에서 3분기 약 70%로 재가속했다는 주장.
• Anthropic: 11월 중순 전후 IPO 가능성, 3분기 성장률이 OpenAI의 점유율 이동 여부를 가르는 핵심 수치.
• Reflection Beam: 최전선에 가까운 미국 오픈웨이트 모델, 기업 사용 시 3~4배 낮은 비용 가능성.
• 오픈웨이트 전망: 미국 모델이 12개월 안에 오픈소스 토큰의 50%를 차지할 수 있다는 낙관론, 10~20%만으로도 의미 있는 성과라는 보수론.
• ElevenLabs: 가치 220억 달러로 두 배 상승, 10% 펀드 투입 의견, 서브밀리초 음성 응답과 고품질·저가 모델 라인업.
• Listen Labs: Salesforce가 20억 달러에 인수, Sequoia의 약 9,600만 달러 투자 대비 약 25배 회수.
• Vercel: ARR 6억 달러, 신규 사업 중 에이전트 비중 3%→50%, 높은 확장 매출.
• Resend: MCP 호출 4월 약 10만 6,000회→9월 약 300만 회로 증가.
• NVIDIA 거래: Grok 관련 핵심 기술·상위 200명 인력을 약 110억 달러 라이선스와 약 30억 달러 주식으로 이전했다는 소송 주장.
• Oura: 매출 약 12억 달러, 성장률 74%, IPO 철회.
• BladeLogic: 2008년 BMC에 약 9억 달러 매각.

결론 및 시사점

1. 모델 기업의 단기 승패는 벤치마크가 아니라 실제 개발자와 기업의 전환, 토큰 비용, 데이터 권리, 조달 마찰을 함께 봐야 판단할 수 있다.
2. OpenAI가 빠르게 회복했더라도 Anthropic의 3분기 수치와 두 회사의 성장 방식이 공개될 때까지 최종 승자를 단정하면 안 된다.
3. 기업용 AI는 최전선 모델 하나에 몰아주는 대신 중요도·비용·안전성에 따라 여러 모델을 조합하는 방향으로 발전한다.
4. 미국 오픈웨이트 모델은 중국 모델에 대한 기업의 주권·보안 우려를 해소할 수 있다면 성능 격차가 완전히 사라지기 전에도 큰 시장을 확보할 수 있다.
5. 모델 평가를 도입할 때는 공개 점수보다 실제 업무의 오류·지연·안전성·데이터 처리 방식을 검증해야 한다.
6. 자문역과 임원에게 경쟁사 이직을 금지할 수 없다면 정보 접근과 냉각 기간을 계약에 명확히 적어 암묵적 기대가 분쟁으로 변하지 않게 해야 한다.
7. 직접 경쟁하는 회사에 투자한 VC는 공개 발언 하나가 포트폴리오와 다음 투자 경쟁에 무기를 제공할 수 있다는 점을 기억해야 한다.
8. AI 애플리케이션은 기능을 복제하기 어렵게 만드는 데이터 루프와 에이전트가 읽고 실행할 수 있는 문서·API·사례를 축적해야 한다.
9. 에이전트가 구매를 결정하는 시대에는 SEO 예산의 일부를 에이전트 가시성, 추천 추적, 최신 문서, API 품질에 배정해야 한다.
10. 창업자는 20억 달러 매각을 거절하기 전에 세대적 기업이 될 확률과 그 여정을 계속 감당하고 싶은지를 숫자와 개인적 목표로 함께 평가해야 한다.
11. 라이선스·인재 채용 방식의 우회 인수는 속도는 높이지만 공통 주주와 잔류 직원에 대한 공정성을 훼손할 수 있어 법적·평판적 비용을 사전에 계산해야 한다.
12. Muse처럼 빠른 제품 출시와 실제 사용성은 인수에 대한 회의론을 잠재우며 Dots 같은 개발자 제품은 화제성보다 30~90일의 실제 제작 결과로 평가해야 한다.
13. Oura IPO 철회는 AI 기업의 풍부한 M&A가 전체 벤처시장 유동성을 의미하지 않는다는 점을 보여준다.

핵심 요약 (20줄)

1. 오픈AI는 약 700억 달러 매출 런레이트와 Codex의 개발자 채택으로 불과 몇 달 전의 열세 평가를 뒤집었다.
2. 오픈AI가 3분기 전분기 대비 약 70% 성장했다는 수치가 맞다면 앤트로픽과의 성장 격차에 대한 시장 서사가 다시 바뀐다.
3. 앤트로픽의 3분기 실적과 11월 상장 가능성은 성장이 시장 확대인지 오픈AI의 점유율 탈취인지 판별할 기준이 된다.
4. 개발자는 모델에 충성하지 않고 여러 도구를 빠르게 시험하지만 기업은 계약·교육·워크플로 때문에 전환이 느리다.
5. 기업은 모델을 고를 때 성능뿐 아니라 토큰 비용, IP 권리, 데이터 주권, 안전성을 함께 평가한다.
6. Factory 자문역에서 Cognition CRO로 이동한 사례는 민감한 정보 접근과 경쟁사 이직의 경계를 드러냈다.
7. AI 인재 시장의 속도가 빨라져 과거의 비공식적인 ‘두 명의 규칙’이 무너지고 집단 이동이 더 흔해졌다.
8. 비노드 코슬라의 Factory 공개 비판은 경쟁 투자사에 협상 무기를 제공하며 VC의 공개 발언 위험을 보여줬다.
9. Reflection Beam 같은 미국 오픈웨이트 모델은 중국산 모델을 꺼리는 기업에 비용과 데이터 주권을 동시에 제안한다.
10. 기업은 모든 업무에 최전선 모델을 쓸 필요가 없어 저렴한 모델과 고성능 모델의 조합을 선호하게 된다.
11. 공개 벤치마크보다 실제 워크플로의 오류율과 안전성 검증이 모델 도입의 핵심 기준이 된다.
12. ElevenLabs는 220억 달러 가치에서도 음성 품질·응답 속도·신뢰성으로 투자 매력을 유지했다.
13. Salesforce의 Listen Labs 인수는 LLM이 적응형 질문과 응답 분석을 개선하는 시장조사 사업의 가능성을 보여줬다.
14. AI 애플리케이션은 단순 기능이 아니라 사용 데이터가 제품을 개선하는 순환을 만들어야 장기 프랜차이즈가 된다.
15. 세대적 기업을 만들 의지가 없다면 초기 20억 달러 매각이 장기간의 자금·채용·운영 부담보다 합리적일 수 있다.
16. Vercel은 에이전트 관련 사업이 신규 매출의 3%에서 50%로 늘면서 에이전트 유통의 힘을 입증했다.
17. 에이전트가 제품을 선택하면 개발자의 검색보다 구체적인 스택과 업무 맥락을 반영한 추천이 반복적으로 누적된다.
18. 스타트업은 에이전트가 읽을 문서·API·사례를 만들고 실제 운영 에이전트의 추천을 추적해야 기존 업체의 정보 우위를 넘을 수 있다.
19. NVIDIA의 라이선스·인재 채용 거래는 빠른 우회 인수의 속도와 공통 주주·잔류 직원 보호 사이의 충돌을 만들었다.
20. Muse와 Dots의 대비, Oura IPO 철회는 실행력과 에이전트 전환, 비AI 기업의 유동성이 앞으로의 승패를 가른다는 점을 보여준다.