구글 랩스가 만드는 AI 제품과 실험 문화

URL: https://www.youtube.com/watch?v=3I6QYkccd3o 날짜: 2026-10-12 채널: Lenny's Podcast 원문 제목: Lessons from running the biggest labs team in the world | Josh Woodward (VP Google Labs) 출연: Josh Woodward — Google Labs, Gemini 앱, AI Studio 총괄 핵심 키워드: Google Labs, Gemini, AI Studio, NotebookLM, Flow, 실험, 제품-시장 적합성, AI 제품 조직

📌 핵심 질문 / 모든 기업이 랩스처럼 움직여야 하는 이유

==기술의 가능성이 매주 바뀌는 AI 시대에는 모든 기업이 최전선을 탐색하고, 작은 팀으로 실험하고, 사용자의 반응을 확인하며, 될 만한 것만 확장하는 랩스 운영체제를 갖춰야 한다.==

• 모델과 도구의 변화가 너무 빨라서 현재의 경쟁우위만 지키는 조직은 스타트업에 순식간에 추월당한다.
• 좋은 아이디어는 정해진 브레인스토밍 회의보다 호기심 많은 사람들이 주말과 휴식 시간에 직접 만든 작은 프로젝트에서 더 자주 나온다.
• 초기 제품-시장 적합성은 대시보드보다 프로토타입을 본 사람의 눈빛, 몸이 앞으로 기우는 반응, “그걸 원한다”는 순간에서 먼저 드러난다.
• 랩스는 독립성을 가지되 기존 회사와 연결되어야 하며, 미래를 먼저 보는 팀과 상용화·확장을 책임지는 팀 사이의 다리가 되어야 한다.

AI 모델의 성능과 제품 제작 비용이 빠르게 바뀌는 상황에서 전략은 장기 계획을 고정하는 일이 아니라, ‘거의 가능했던 것(almost possible)’의 목록을 관리하고 가능해지는 순간 문제와 연결하는 일이다. 제품을 많이 만드는 것보다 어떤 미래를 만들고 싶은지 결정하는 원칙이 먼저이며, 실험 조직은 제품뿐 아니라 회사의 일하는 방식도 바꾸는 좋은 긴장을 만들어야 한다.

1. 좋은 아이디어는 회의실보다 집요한 호기심에서 나온다

1.1. 아이디어가 태어나는 환경

1. 아이디어를 예약할 수 없다는 사실

   1. 디자인 스프린트나 “오늘 다음 아이디어를 만들자”라는 일정이 좋은 아이디어를 안정적으로 만들어 주지 않는다.
   2. 복도에서 우연히 나눈 대화, 주말의 해킹, 휴식 기간에 만든 작은 프로젝트, 팀원이 공유한 데모에서 강한 아이디어가 출발한다.
   3. 좋은 아이디어는 전자레인지에 넣고 빠르게 데울 수 있는 것이 아니므로, 조직은 정답을 요구하기보다 이상한 것이 자랄 공간을 마련해야 한다.

2. 사람보다 작은 열정 프로젝트를 관찰하기

   1. NotebookLM, Flow, AI Studio, Google Beam 같은 제품은 처음부터 거대한 사업계획으로 시작하지 않고, 특정 문제에 집착한 소수의 사람들이 멈추지 않고 만든 결과에서 커졌다.
   2. 채용과 조직 설계에서 “누가 흥미로운가”만 보지 말고 그 사람이 퇴근 후에도 계속 만드는 것, 읽는 것, 실험하는 것을 살펴야 한다.
   3. 랩스의 역할은 그런 프로젝트를 억지로 발명하는 것이 아니라 이미 싹튼 신호를 알아보고 앞으로 흘려보내는 것이다.

1.2. ‘거의 가능함’ 목록으로 최전선을 쫓기

1. 가능해지는 경계 기록하기

   1. 팀은 “무엇이 거의 가능한가”라는 목록을 만들고, 모델·지연시간·멀티모달 능력·사용자 행동의 변화를 계속 기록한다.
   2. 목록에 있던 기능이 실제로 가능해지는 순간은 고체가 기체로 바뀌는 상전이처럼 느껴진다. 이때 “이틀 전 데모에서 본 것을 계속 생각하게 된다”는 감각이 강한 신호가 된다.
   3. 가능해진 기술을 발견하면 곧바로 사용자 문제와 결합할 소규모 팀을 만들고 움직인다. 기술만 신기해서는 부족하며, 사람의 문제를 해결하고 누군가 기꺼이 돈을 낼 수 있어야 한다.

2. 미래를 여러 가설로 쫓기

   1. Google Labs 내부 문서에는 “미래는 …일 것이다” 또는 “우리는 …을 예측한다”로 시작하는 82개의 예측이 있다.
   2. 예측의 90% 또는 99%가 틀릴 수 있다는 사실을 전제로 하면서도, 미래에 대한 관점을 세우고 그 미래 안에서 잠시 살아보는 태도를 기른다.
   3. 소프트웨어 개발, 창의성, 지식과 업무, 엔터테인먼트의 미래를 각각 상상하고, 기술적 가능성과 실제 행동 변화가 만나는 지점을 찾는다.

3. 베이 지역 밖에서 행동 변화 찾기

   1. 몰입형 엔터테인먼트는 모델의 지연시간·언어 수·모달리티가 개선될 때 어떤 경험이 가능한지와 사람들이 실제로 무엇을 하고 싶어 하는지를 함께 봐야 한다.
   2. 미래의 단서는 실리콘밸리의 기술자뿐 아니라 다른 도시, 교실, 생활 공간에 나타나는 행동 변화에서 얻을 수 있다.
   3. “거의 가능했던 기술”과 “이미 바뀌기 시작한 사용자 행동”을 겹치면 단순한 기술 데모보다 오래가는 제품 후보가 된다.

1.3. 좋은 아이디어를 판별하는 초기 신호

1. 놀라움과 지속적인 흥분

   1. 최전선에서 본 무언가가 예상 밖으로 흥미롭고 48시간이 지나도 계속 생각난다면 초기 탐색을 시작할 만한 신호다.
   2. 다만 매일 쏟아지는 마법 같은 데모만으로는 부족하므로, 그 흥분이 보편적인 사용자 행동 변화나 반복되는 필요와 연결되는지 확인한다.

2. 없으면 살 수 없는 사용자 집단

   1. 특정 집단이 제품을 “없으면 안 되는 것”으로 느끼고 실제로 돈을 지불할 정도의 가치가 있는지 본다.
   2. 기술이 가능한지, 사용자가 원하는지, 지불 의사가 있는지를 한꺼번에 맞추는 것이 아이디어의 다음 단계다.

3. NotebookLM과 Flow가 보여준 출발점

   1. NotebookLM의 초기 오디오 개요는 영국 의회 토론 기록처럼 재미없어 보이는 자료를 두 AI 진행자가 흥미롭게 대화하는 형태로 바꾸었다.
   2. 처음 그 결과를 들은 순간 팀은 “이것으로 무언가를 해야 한다”고 느꼈고, 기능의 목적과 사용자 경험이 동시에 선명해졌다.
   3. Whisk는 여러 이미지를 섞고 애니메이션으로 만드는 통제력과 창의적 표현을 제공했고, 그 가능성이 Google Flow로 이어졌다.
   4. 모든 흥분이 제품 성공으로 이어지지는 않는다. 매력적으로 보여도 실제로는 좋지 않은 제품을 만드는 경우가 있으므로 여러 번 시도하는 숫자 게임의 면모도 있다.

2. 제품-시장 적합성을 보고, 문제를 사랑하고, 실패를 멈추기

2.1. 초기 PMF는 과학보다 관찰과 확신에 가깝다

1. 데이터가 오기 전의 확신

   1. 초기 단계의 제품-시장 적합성은 과학 실험처럼 깔끔하게 측정되지 않으며, 소수의 팀원이 “미래가 이렇게 될 것”이라는 확신을 갖고 밀어붙이는 경우가 많다.
   2. OKR, 데이터 기반 의사결정, 실험 프로세스는 도움이 되지만 첫 신호를 만들어 주지는 않는다.

2. 사람의 눈빛을 첫 번째 지표로 삼기

   1. 건물 밖으로 나가 초기 프로토타입을 실제 사람에게 보여 주고, 설명이 끝난 뒤 눈이 밝아지는지, 몸이 앞으로 기우는지, 질문을 더 하는지 관찰한다.
   2. 초기에는 DAU·MAU·D7 같은 대시보드 숫자보다 “이걸 원한다”는 즉각적인 반응이 더 앞선 신호가 된다.
   3. 상대가 지루해하는지, 재미있어하는지, 삶의 고통 지점을 건드렸는지 대화 중에 드러난다.

3. PMF가 온 뒤의 폭발

   1. Nano Banana가 Gemini에서 바이럴되고, NotebookLM 팟캐스트가 퍼지고, Flow·Stitch 같은 프로젝트에 작은 폭발이 일어나면 팀은 제품을 붙잡고 확장하느라 매우 바빠진다.
   2. 이런 순간은 지치도록 힘들지만 동시에 “사람이 실제로 이 기능을 원한다”는 강력한 검증이 된다.

2.2. 제품이 아니라 문제에 빠져들기

1. 3~5번의 피벗을 전제로 하기

   1. 처음 만든 제품이 정답일 가능성은 낮으며, 무언가를 얻거나 완전히 접기까지 세 번·네 번·다섯 번의 피벗이 필요할 수 있다.
   2. 특정 솔루션과 사랑에 빠지면 솔루션을 지키느라 나쁜 시간을 보내기 쉽다.
   3. 반복해서 확인해야 하는 대상은 제품 형태가 아니라 사용자가 실제로 겪는 문제다.

2. 문제의 신경을 건드리기

   1. 좋은 제품은 사람의 삶에서 특정한 통증 지점을 건드려 “그게 필요하다”고 말하게 만든다.
   2. 얼마나 많은 사람의 신경을 건드릴 수 있는지 탐색하는 과정이 제품 개발의 재미이자 핵심이다.

2.3. 아이디어를 죽이는 문화

1. 팀이 리더보다 먼저 안다

   1. 열정이 줄고, 생각할 수 있는 방법을 모두 시도했는데도 나아지지 않는다면 팀은 이미 프로젝트가 작동하지 않는다는 사실을 알고 있다.
   2. 리더가 결정을 내려 주기만 기다리게 만들면 실패 신호가 숨겨진다.

2. 불편한 질문을 말할 수 있게 하기

   1. 리더는 “이건 잘 안 되는 것 같다”는 말을 안전하게 할 수 있는 환경을 만들어야 한다.
   2. Gemini의 한 기능이 출시 직전 초기 반응에서 눈빛을 얻지 못했을 때, 담당 PM이 “출시하면 안 된다”고 먼저 말했다.
   3. 그 판단은 비난받지 않고 “이런 신호를 찾아 줘서 고맙다”는 공개적인 칭찬을 받았다. 팀이 프로젝트를 매일 움직이는 사람들이므로, 그들이 멈추자고 할 때 피벗하는 것이 합리적이다.

3. Google Labs, Gemini, 소비자 AI의 다음 기회

3.1. 0→1과 10억 사용자를 한 조직에 둔 이유

1. 서로 다른 규모, 같은 심장

   1. Gemini 앱은 전 세계 10억 명이 넘는 사용자를 가진 반면, 초기 Labs 팀은 1만 명의 사용자를 얻고도 대시보드에 숫자가 표시되지 않는다고 농담할 정도로 규모가 작다.
   2. 두 조직 모두 AI에 열광하고, 계속 만들며, 새로운 가능성을 실험하는 0→1의 심장을 공유한다.

2. 우선순위의 순서

   1. 팀의 만트라는 “사용자 우선, Google 두 번째, 우리 제품 세 번째”다.
   2. Labs나 Gemini 자체의 성공을 목표로 삼지 않고, 사용자를 성공시키고 Google 전체를 성공시키는 수단으로 제품을 본다.

3. AI에 올인하되 하드웨어까지 확장하기

   1. Labs는 초기의 다른 탐색 영역을 접고 당분간 AI에 전념하기로 결정했다.
   2. Google Beam처럼 상대방을 3D로 보여 주는 ‘마법의 거울’에 가까운 장치도 개발하므로, AI 소프트웨어만이 아니라 AI와 결합된 하드웨어까지 탐색한다.

3.2. 소비자 AI에서 열리는 공간

1. 엔터테인먼트의 재구성

   1. 사람은 영원히 같은 종류의 피드만 볼지, AI가 현실 세계의 사람들을 더 가깝게 연결하는 경험을 만들지 아직 결정되지 않았다.
   2. 봇 중심 경험과 사람 중심 경험 모두 가능성이 있으며, 몰입형 엔터테인먼트는 기술·행동·사회적 관계가 함께 바뀌는 영역이다.

2. 메시징과 채팅의 재개방

   1. 한때 해결된 것처럼 보였던 메시징·채팅 공간에서 Google 안팎으로 새로운 실험이 쏟아지고 있다.
   2. 챗봇, 개인 에이전트, 새로운 인터페이스 중 어떤 형태가 될지는 정해지지 않았지만 기존 시장이 더 이상 고정되어 있지 않다.

3. 희소한 자원을 다루는 제품

   1. 사람에게 가장 부족한 자원은 지구에서 보낼 시간, 돈과 절약할 수 있는 여지, 현실 세계에서 함께 만드는 기억과 경험이다.
   2. 새로운 소비자 제품은 이 문제를 챗봇이나 개인 에이전트 같은 형태로 해결할 수 있지만, 아직 최종 형태는 발명되지 않았다.

3.3. 개인 비서의 방향

1. 토글이 아니라 하나의 요청창

   1. Gemini Spark에서는 Gmail·Google Calendar·Docs 등 개인 데이터를 연결하는 기능이 이미 작동한다.
   2. 여러 모드와 토글을 직접 선택하게 하는 대신 하나의 입력창에 원하는 것을 말하면 시스템이 실행하는 UX로 단순화하는 방향을 택한다.

2. 개인적이고 선제적이며 강력한 Gemini

   1. Personal Intelligence는 사용자의 자료를 연결해 개인적이고, 선제적이며, 강력하게 작동하는 Gemini를 지향한다.
   2. Google에 모든 자료가 있다는 사용자의 기대와 다른 경쟁 제품에 데이터를 연결하는 데 대한 거부감이 함께 존재하므로, 프라이버시와 신뢰를 만족시키는 설계가 필요하다.
   3. Google의 강점은 배포력이다. 새로운 기능이 충분히 좋아지는 순간 기존 사용자 기반을 통해 빠르게 확산할 수 있다.

4. AI 제품을 만드는 사람과 팀의 역량

4.1. 상승하는 신호: 학습보다 빠른 비학습

1. Unlearning rate

   1. 학습률이나 성장 마인드셋만큼 중요한 것은 한 번 배운 가설과 방법을 얼마나 빨리 버릴 수 있는가다.
   2. 제품 테스트 결과가 틀렸다는 사실을 보여 줄 때 기존 생각을 미련 없이 내려놓는 사람이 빠르게 전진한다.

2. Explosive endurance

   1. Roger Federer에 관한 책에서 얻은 “폭발적 지구력”은 짧은 전력 질주와 장기 지속력을 동시에 갖는 능력이다.
   2. 사람과 주변 동료를 돌보면서 강하게 달리고, 오래 달리기 위해 속도를 조절하고 회복하는 방식이 필요하다.
   3. AI 시대의 팀은 한 번에 탱크를 비우는 9개월짜리 스프린트가 아니라 여러 해 지속할 수 있는 리듬을 설계해야 한다.

3. 사람과 에이전트를 잇는 신뢰

   1. 에이전트 하나 또는 에이전트 군집과 협업하는 능력이 중요해져도 사람과 협업하는 기쁨과 화학작용은 사라지지 않는다.
   2. 에이전트와 뛰어난 협업을 하면서도 동료와 신뢰를 빠르게 쌓는 사람이 제품을 더 잘 만든다.
   3. 신뢰를 쌓고 확장하는 능력은 모든 협업의 기반이며, 코드 작성 능력만으로 대체되지 않는다.

4.2. 역할은 하나로 녹지 않고 전문성을 중심으로 연결된다

1. 작아지는 랩스 팀의 단위

   1. 과거 Labs 프로젝트가 5~7명으로 움직였다면 이제는 2~3명, 많아도 4명이 함께 만드는 경우가 많다.
   2. 뛰어난 음악가들이 서로 다른 조합으로 곡을 연주하듯, 뛰어난 사람들이 프로젝트마다 새로운 조합을 이루고 각 제품을 곡처럼 만든다.

2. PM의 수평적 강점

   1. PM은 법무·BD·영업 등 다른 기능의 관점을 회의에서 시뮬레이션하는 데 익숙하므로 빌더 실험에 빠르게 적응하는 경향이 있다.
   2. 전략·운영·제품 디자인·마케팅 등 어떤 기능에서든 뛰어난 빌더가 나올 수 있다.

3. 전문화라는 메이저를 잃지 않기

   1. “모두가 빌더”라는 구호가 모든 전문성을 같은 것으로 만들면 각 기능의 깊이와 존중을 잃을 위험이 있다.
   2. 대학 전공과 부전공처럼 빌딩 역량을 키우되 PM·디자인·엔지니어링·마케팅 등 자신의 핵심 전문성을 메이저로 유지해야 한다.
   3. 특히 초기 경력 PM은 바이브 코딩과 프로토타이핑을 뛰어난 PM이 되기 위한 수단으로 사용해야 하며, PM이라는 메이저를 잃지 않아야 한다.

4.3. 속도와 지속성을 함께 만드는 시즌 운영

1. 실험의 계절과 공통 언어

   1. 20~30개의 실험이 동시에 돌아가더라도 각 팀에는 다음 마일스톤과 작업 리듬이 필요하다.
   2. 모델 출시나 Google I/O처럼 중요한 사건을 앞두면 “폭발적 모드”라고 선언하고 구성원이 참여할지 선택하게 한다.
   3. 전력 질주 기간이 끝나면 무엇이든 만드는 시간을 의도적으로 배치해 새로운 씨앗을 찾는다.

2. 비생산적으로 보이는 시간이 씨앗을 만든다

   1. Google I/O 뒤 6월에는 팀이 새로 배운 것을 해킹하고, 재발견하고, 재미있게 만들도록 둔다.
   2. 이때 당장 출시하지 않아 비생산적으로 보일 수 있지만, 다음 시즌의 아이디어는 바로 그 기간에 태어난다.

3. 짧은 계획 창과 100일 마일스톤

   1. 다년간의 비전은 유지하되 실제 Gemini 팀의 로드맵은 약 6개월 단위로 굴러간다.
   2. 새로운 사전학습 모델이 1년에 몇 차례 나오고, 48시간 전에 본 기술이 곧바로 프로젝트가 될 수 있으므로 2년짜리 세부 계획은 현실을 놓친다.
   3. 가장 좋은 Labs 팀은 아이디어에서 의미 있는 진전까지 50~100일 안에 도달하고, 대략 100일 안에 제품을 실질적으로 앞으로 이동시킨다.

5. 모든 회사에 필요한 프런티어 팀과 랩스의 수명

5.1. 프런티어 팀의 세 가지 역할

1. 최신 가능성을 감시하기

   1. 모든 회사에는 최신 모델과 도구의 최전선에 사는 소수의 팀이 필요하다.
   2. 이 팀은 24시간 이내에 X에서 바이럴된 최신 기술을 모르면 “무엇을 하고 있느냐”는 말을 들을 정도로 깊게 연결되어 있어야 한다.
   3. 월 200달러짜리 구독을 여덟 개씩 결제하며 각 모델과 제품을 직접 비교하는 사람이 이 역할에 어울린다.

2. 나머지 조직의 집중력을 지키기

   1. 프런티어 팀이 새 도구를 시험하고 결과를 공유하면 나머지 조직은 매주 모든 유행을 따라가느라 업무를 중단하지 않아도 된다.
   2. 단순히 사람을 모으는 것만으로는 부족하며, 최전선의 사람들이 실제로 만들 수 있는 환경과 권한을 함께 제공해야 한다.

3. 발견과 상용화 사이를 연결하기

   1. 역사적으로 대기업의 랩스는 3~4년 뒤 무력해지거나, 연구 결과를 상용 제품으로 연결하지 못하는 경우가 많았다.
   2. 프런티어 팀이 만든 것이 장난감처럼 보여도 5년 뒤 회사에 필수적일 수 있다고 해석하고 연결하는 사람이 필요하다.
   3. 독립성과 회사와의 연결을 동시에 확보하지 못하면 랩스는 “기묘한 R&D 그룹”으로 고립되거나, 본사가 흡수해 실험의 활력을 잃는다.

5.2. Labs 생애주기: 0→1, 1→10, 10→100

1. 0→1 Labs

   1. 새로운 가능성과 제품을 찾고 눈알 수, 즉 사람들이 실제로 바라보고 반응하는지를 확인한다.
   2. 작은 팀과 불확실성, 사용자 반응, 문제의 신호가 최적화 대상이다.

2. 1→10 Labs

   1. 반응이 확인된 제품을 더 많은 사용자에게 전달하면서 팀·제품·운영 체계를 확장한다.
   2. 0→1의 실험 에너지를 유지하되 반복 가능한 성장 메커니즘을 만든다.

3. 10→100 Labs

   1. 더 큰 규모에서는 워터폴, CPA, 제품 안에서 사용자를 핵심 순간으로 전환하는 지표가 중요해진다.
   2. 확장 단계의 문제는 새로운 가능성을 찾는 일과 다르므로, 성장한 프로젝트가 0→1 실험을 몰아내지 않도록 별도의 운영 언어와 공간을 둔다.

6. 내부 랩스 팀을 만드는 실전 설계

6.1. 독립성을 확보하고 성공의 정의를 정하기

1. 이상한 것이 자랄 공간

   1. 기존 사업부 밑에 랩스를 단순히 끼워 넣으면 기존 목표와 승인 구조가 실험을 압도한다.
   2. CEO에게 직접 보고하거나 충분히 떨어진 위치에 두어 독립적인 판단을 할 수 있게 해야 한다.

2. 랩스의 게임을 명확히 하기

   1. 목표가 기존 제품으로 졸업시키는 것인지, 새로운 제품군과 카테고리를 발명하는 것인지 먼저 결정한다.
   2. Google Labs는 처음에 졸업을 돕는 랩이었지만, AI가 카테고리를 흐리고 재구성하면서 새로운 제품군을 만드는 역할까지 넓어졌다.
   3. 격리된 실험 조직이면서도 회사 전체의 사용자와 성공을 위해 일해야 하며, 랩스 자기 자신을 성공시키는 것이 목표가 아니다.

3. 제품 외에 회사의 작동 방식도 실험하기

   1. 랩스는 제품 개발과 기술 탐색뿐 아니라 회사의 프로세스와 역할 체계를 시험하는 장소가 될 수 있다.
   2. Google Labs는 역할이 흐려지는 현상을 먼저 발견하고 빌더 직무 체계를 실험했으며, 이를 나중에 Google 전체로 확장할 수 있는 “좋은 문제”를 만들었다.

6.2. 적합한 사람을 찾기

1. 멈출 수 없이 만드는 사람

   1. 지적으로 호기심이 많고, 계속 읽고, X를 보고, 팟캐스트를 듣고, 사람의 문제를 해결하는 데 집착하는 사람을 찾는다.
   2. 자신의 명성보다 사용자의 문제에 관심이 많고, 주변 사람에게 에너지를 더해 대화가 끝난 뒤 함께 벽을 뚫고 싶게 만드는 사람이 적합하다.

2. 불확실한 어두운 동굴을 즐기는 사람

   1. 정답과 방향이 없는 상황에서 어떤 길이 열릴지 알아내는 과정 자체에 에너지를 얻는지 확인한다.
   2. 면접에서 “최근에 만든 것을 보여 드리겠다”고 직접 만든 결과를 보여 주면 즉시 신뢰가 생긴다.
   3. 미지의 구조화되지 않은 문제에서 어떻게 전진했는지 묻는 질문은 실험 역량을 드러낸다.

3. 생애주기에 맞는 사람을 배치하기

   1. 0→1에 강한 사람, 1→10에 강한 사람, 10→100에 강한 사람은 조금씩 다르다.
   2. 공통의 문화와 원칙은 유지하되 모든 단계에 같은 유형의 사람을 배치하려고 하면 각 단계의 최적화를 놓친다.

6.3. 조직 설계에서 피할 실수

1. 너무 빨리 깔끔하게 합치기

   1. 하나의 테마 아래 여러 팀을 묶을지, 다섯 명이 다섯 번의 시도를 하게 할지는 실제로 살아 보며 판단해야 한다.
   2. 조직을 깔끔하게 만들려는 편향으로 너무 일찍 통합하면 어떤 조합과 아이디어가 자연스럽게 떠오르는지 볼 기회를 잃는다.
   3. 일정 기간의 messy한 상태를 감수하되, 효과가 드러나면 구조를 바꿀 준비를 해야 한다.

2. 사람을 너무 빨리 늘리기

   1. 분기나 반기에 팀 규모가 두 배·세 배가 되었다는 숫자는 성과처럼 보이지만 대부분 허영 지표다.
   2. 30명의 엔지니어와 고무적인 비전을 갖고도 제품-시장 적합성이 전혀 없었던 프로젝트 경험은 인원 증가가 검증을 대신할 수 없음을 보여 준다.

7. AI 제품의 미래와 피드백 루프

7.1. Google의 미래는 1만 개 제품일까, 5개 제품일까

1. 제품 수 논쟁을 경험의 문제로 바꾸기

   1. 모델이 제품을 대량 생산할 수 있다면 1만 개의 브랜드와 화면을 가진 제품 공장이 생길 수 있다.
   2. 반대로 랩스가 하나의 공통 화면 안에서 특정 일을 수행하는 에이전트를 만들고, 사용자는 매번 맞춤형 경험을 받을 수도 있다.

2. 통합과 파편화를 동시에 실험하기

   1. 초앱(super app)과 초앱 집합이 모든 기능을 한곳에 모으는 세계, 기능이 여러 제품으로 파편화되는 세계를 각각 구현해 비교한다.
   2. 초앱은 일부 지역과 사용 사례에서 매우 잘 작동했지만, 기능이 지나치게 복잡하면 실제 가치로 이어지는 행동을 만들기 어렵다.
   3. 사람이 화면을 직접 누르는 방식이 아니라 에이전트가 경험을 조립한다면 복잡성의 의미가 달라지므로, 답을 정해 두기보다 양쪽을 모두 증명해야 한다.

7.2. AI가 강화하는 제품 피드백 루프

1. 좋은 PM의 통찰을 자동화하기

   1. 좋은 PM은 특정 사람들의 욕구와 그들을 기쁘게 하거나 문제를 풀어 줄 기회를 깊이 안다.
   2. AI가 제품 사용 피드백을 밤새 수집하고 요약하는 에이전트를 운영하면 대규모 피드백에서 통찰을 추출할 수 있다.
   3. 목표는 단순한 요약이 아니라 상위 1% PM처럼 기회를 발견하고 우선순위를 세우는 능력이다.

2. 사람과 AI가 통찰을 함께 만드는 방식

   1. 주변에 함께 있으면 자연스럽게 통찰이 흐르는 사람이 있듯, AI와 사람의 협업이 그런 대화와 관점 교환을 더 많이 만들 수 있다.
   2. 피드백을 수집·분류·요약하는 도구와 사람의 판단을 결합하면 제품 팀이 사용자 신호를 놓치지 않는 새로운 협업 모델이 열린다.

8. 문화를 제품 개발에 새기는 의식과 보상

8.1. 상징물로 가치 행동을 강화하기

1. TPU Harvester

   1. 제품이 성장할수록 TPU가 더 필요하므로, 사용하지 않는 TPU를 회수하고 효율을 높이는 사람에게 작은 갈퀴와 현금 보상을 준다.
   2. 갈퀴는 TPU를 수확한다는 작업의 의미를 우스꽝스럽지만 기억에 남는 상징으로 만든다.

2. Golden Bandaid

   1. 제품의 작은 불편, 즉 종이 베임 같은 페이퍼컷을 고치는 사람에게 황금 반창고를 준다.
   2. 사소해 보이는 불편을 없애는 일이 제품을 사랑스럽고 탁월하게 만드는 핵심이라는 가치를 드러낸다.

3. LLM Whisperer

   1. 모델을 예상 밖의 최전선까지 밀어붙여 다른 사람이 듣지 못한 답을 끌어내는 사람을 LLM Whisperer로 부른다.
   2. 커다란 귀 모양의 상징물과 좋은 기계식 키보드를 주어 새로운 제품 돌파구를 만드는 능력을 기념한다.

8.2. 비밀스러운 감사 의식

1. 리더 몇 명이 안건 없이 구성원의 일정에 초대를 보내면 초대받은 사람은 나쁜 소식을 예상하기 쉽다.
2. 실제 모임에서는 리더들이 돌아가며 그 사람이 팀에 얼마나 중요한지, 어떤 기여를 고맙게 여기는지 직접 말한다.
3. “나쁜 회의가 아니라 좋은 회의다”라고 시작하는 이 의식은 핵심 인재가 자신이 인정받고 있음을 예상 밖의 방식으로 경험하게 한다.

주요 발언 모음

“모든 회사는 분명히 최전선에 있는 것이 직업인 사람들, 즉 모든 것에 월 200달러짜리 구독을 여덟 개씩 하는 팀을 가져야 한다.”

“좋은 아이디어는 전자레인지에 넣을 수 없다.”

“거의 가능한 것의 목록을 갖고 있다가 무언가가 가능해지는 순간을 포착하면, 상전이가 일어나는 것처럼 느껴진다.”

“초기 프로토타입을 보여 줄 때 보는 것은 사람들의 눈이며, 그것이 지표다.”

“팀은 보통 리더가 알기 전에 이미 알고 있다.”

“사용자 우선, Google 두 번째, 우리 제품 세 번째.”

“지금은 학습률뿐 아니라 비학습률을 보고 있다. 무언가를 얼마나 빨리 배우고, 그다음 얼마나 빨리 떠날 수 있는가다.”

“폭발적 지구력은 아주 세게 달리면서도 오랫동안 그렇게 할 수 있도록 속도를 조절하는 능력이다.”

“제품을 사랑하기보다 문제를 사랑해야 한다.”

“우리는 장기적인 비전을 갖지만 2년짜리 세부 로드맵은 갖지 않는다. 이 팀에는 6개월짜리 로드맵이 있다.”

“랩스는 Google에서 때때로 좋은 문제를 만든다.”

핵심 데이터 & 수치

• 82개 예측: Google Labs는 “미래는 …일 것이다” 또는 “우리는 …을 예측한다”라는 형식의 미래 가설을 관리한다.
• 90~99%의 오답 가능성: 미래를 예측할 때 대부분 틀릴 것을 인정하면서도 여러 가설을 던져야 한다.
• 3~4년: 대기업의 랩스가 무력해지거나 연구 결과를 상용화하지 못하고 끝나는 흔한 시점이다.
• 10억 명 이상: Gemini 앱은 Labs의 0→1 실험과 달리 전 세계 대규모 사용자 기반을 가진다.
• 5~7명에서 2~4명으로: 작은 Labs 프로젝트를 구성하는 인원은 AI 도구와 실행 비용 하락으로 줄어드는 추세다.
• 20~30개 실험: Labs에서는 여러 실험이 동시에 진행되며, 각 팀의 시즌과 마일스톤으로 집중도를 관리한다.
• 6개월 창: 모델 발전 속도와 제품 변화를 고려한 실질적인 계획 구간이다.
• 50~100일: 좋은 Labs 팀이 아이디어에서 의미 있는 제품 진전까지 이동하는 목표 구간이다.
• 0→1·1→10·10→100: 실험, 초기 확장, 대규모 전환을 구분하는 Labs 생애주기다.
• 30명 엔지니어의 실패 사례: 팀 규모와 영감을 주는 비전이 있어도 PMF가 없으면 확장 자체가 성과가 되지 않는다.

결론 및 시사점

1. AI 조직은 최신 모델을 구경하는 팀과 실제 제품을 만드는 팀을 분리하되, 두 팀 사이에 상용화의 다리를 만들어야 한다.
2. ‘거의 가능한 것’ 목록을 만들고 48시간 동안 머릿속을 떠나지 않는 기술을 사용자 문제와 결합해 50~100일 실험으로 전환해야 한다.
3. 초기 PMF는 대시보드보다 사람의 눈빛과 몸짓을 보고 판단하고, 문제에 대한 집착을 유지한 채 솔루션은 여러 번 피벗해야 한다.
4. 팀이 “이건 작동하지 않는다”고 말할 수 있는 심리적 안전을 만들면 리더보다 먼저 실패를 감지하고 비용을 줄일 수 있다.
5. 비학습률, 폭발적 지구력, 사람과 에이전트 모두와 신뢰를 만드는 능력이 AI 시대의 과소평가된 역량이다.
6. 모두가 빌더가 되어도 PM·디자인·엔지니어링·전략·마케팅의 전문성은 메이저로 남겨야 하며, 빌딩은 그 전문성을 증폭해야 한다.
7. 폭발적 모드와 회복·탐색 모드를 번갈아 배치하고, 비생산적으로 보이는 해킹 기간을 다음 시즌의 씨앗으로 인정해야 한다.
8. 랩스는 독립적이어야 하지만 회사의 사용자와 사업을 위해 존재해야 하며, 자기 조직의 생존을 최우선으로 삼으면 고립된다.
9. 제품을 늘리는 것과 통합하는 것 어느 쪽도 미리 정답으로 정하지 말고, 1만 개 제품과 소수의 초앱 세계를 각각 실험해 비교해야 한다.
10. AI가 피드백을 수집하고 요약하더라도, 어떤 미래를 원하는지 결정하는 제품 원칙과 인간의 판단은 제품 팀이 맡아야 한다.

핵심 요약 (20줄)

1. AI 기술의 가능성이 빠르게 바뀌므로 모든 기업은 최전선을 실험하는 랩스 운영체제를 갖춰야 한다.
2. 좋은 아이디어는 예약된 디자인 스프린트보다 복도 대화, 주말 해킹, 열정적인 사이드 프로젝트에서 자주 나온다.
3. 조직은 정답을 강요하기보다 이상한 프로젝트가 자랄 독립적인 공간을 마련해야 한다.
4. “거의 가능한 것” 목록은 기술과 사용자 행동이 만나는 순간을 포착하는 탐색 도구다.
5. Google Labs는 미래에 대한 82개의 예측을 세우면서 대부분의 예측이 틀릴 가능성도 받아들인다.
6. 새로운 기술은 베이 지역뿐 아니라 다른 도시와 교실에서 나타나는 행동 변화와 함께 살펴야 한다.
7. NotebookLM의 영국 의회 토론 팟캐스트는 지루한 자료를 흥미로운 AI 대화로 바꾼 순간부터 강한 제품 신호를 만들었다.
8. 초기 제품-시장 적합성은 대시보드 수치보다 프로토타입을 본 사람의 눈빛과 몸이 앞으로 기우는 반응에서 먼저 드러난다.
9. 제품보다 문제를 사랑해야 하며, 정답을 찾기까지 세 번에서 다섯 번의 피벗을 감수해야 한다.
10. 열정이 식고 모든 시도가 실패할 때 팀은 리더보다 먼저 아이디어를 끝내야 한다는 사실을 안다.
11. Gemini와 Google Labs는 규모가 달라도 사용자 우선, Google 두 번째, 제품 세 번째라는 순서를 공유한다.
12. 소비자 AI의 새 기회는 엔터테인먼트, 메시징, 시간과 돈, 현실 세계의 기억과 경험에서 열린다.
13. 개인 비서는 여러 모드와 토글보다 하나의 요청창에서 개인적이고 선제적으로 일하는 방향으로 진화한다.
14. 비학습률은 틀린 가설을 얼마나 빨리 버리는지 보여 주며 학습률만큼 중요한 역량이 된다.
15. 폭발적 지구력은 짧은 전력 질주와 장기 지속력을 결합해 AI 제품의 빠른 변화를 오래 견디게 한다.
16. 에이전트와 협업하는 능력이 커져도 사람과 신뢰를 쌓는 능력과 전문성은 오히려 더 중요해진다.
17. 모든 사람이 빌더가 되어도 PM, 디자인, 엔지니어링, 전략, 마케팅의 전문성은 각자의 메이저로 남아야 한다.
18. 20~30개 실험을 시즌과 50~100일 마일스톤으로 운영하면 빠른 실행과 장기 지속성을 함께 얻을 수 있다.
19. 프런티어 팀은 최신 기술을 감시하고 회사와 연결되어야 하며, 독립성 없이 기존 사업부에 묻히면 실패한다.
20. AI 시대의 제품 리더는 무엇을 만들 수 있는지뿐 아니라 어떤 미래를 만들고 싶은지 결정하고 사용자 피드백 루프를 설계해야 한다.