Atlassian CEO: 에이전트가 인터페이스를 대체하지 못하는 이유와 중국 AI 신뢰의 조건

URL: https://www.youtube.com/watch?v=_qRv_CveLik 날짜: 2026-10-13 채널: 20VC with Harry Stebbings

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI 에이전트는 기능적이고 반복적인 업무의 인터페이스를 바꾸지만, 인간의 취향·협업·판단이 필요한 소프트웨어의 인터페이스와 경험을 대체하지 못한다.== Atlassian의 승부처는 에이전트가 읽고 쓸 수 있는 최신 기업 컨텍스트 그래프, 뛰어난 디자인과 고객 경험, 작업별 모델 라우팅을 함께 갖추는 데 있다.

• 헤드리스(headless) 소프트웨어는 고객 경험과 문제 해결을 포기한다는 뜻이라면 “마음 없는(mindless) 베팅”이다.
• 기업 AI의 차별화된 자산은 공개 데이터가 아니라 회의·문서·코드·조직 관계·의사결정의 의미를 묶은 살아 있는 Teamwork Graph다.
• 중국 모델에 대한 고객 거부감은 현실이지만 오픈 모델 전반에 대한 거부감은 아니다. 어떤 모델을 썼는지보다 업무별 최적의 품질·가격·속도를 조합하는 능력이 중요하다.
• 특화 모델의 우위는 아직 결론 나지 않았으며, 범용 기반 모델의 가격 대비 성능 향상을 지속적으로 앞선다는 증거가 필요하다.

Mike Cannon-Brookes는 에이전트 시대를 “정보 비대칭(information asymmetry)”에서 “상상력 비대칭(imagination asymmetry)”으로 이동하는 시기로 본다. 아는 정보의 희소성보다 AI를 이용해 문제를 새롭게 정의하고 해결하는 능력이 중요해진다. 기술 생산 속도가 고객의 실제 소비·변화 속도보다 빨라진 만큼, 좋은 제품을 만들려면 더 많이 만드는 것과 동시에 멈춰서 깊이 생각하고 고객 경험을 다듬어야 한다.

1. 에이전트가 바꾸는 업무와 인터페이스의 경계

반복적이고 기능적인 일은 에이전트가 대신하지만, 취향·상호작용·협력이 핵심인 일에는 사람이 선택하고 경험하는 인터페이스가 계속 필요하다.

1.1. 프록시가 대체하는 것과 남겨 두는 것

1. 기능적 과업의 자동화

   1. 즉시 처리형 쇼핑: 새 나이키 운동화나 아마존 충전 케이블처럼 제품을 찾아 결제하고 끝내려는 구매는 에이전트가 대신하기 좋은 영역이다. 사용자는 매장 경험이나 조사 과정을 원하지 않고 “그 물건만 달라”고 한다.
   2. 경험형 쇼핑: 매장에 가서 조사하고 비교하고 직접 고르는 과정 자체를 즐기는 구매는 단순 결과 반환으로 대체하기 어렵다.
   3. 기업 협업: 에이전트는 일을 앞으로 밀고 사람이 더 높은 가치의 창의적 업무에 집중하게 한다. 직무가 크게 바뀌더라도 부정적인 변화일 필요는 없으며 Atlassian은 에이전트 기반 세계의 일부가 되기를 원한다.

2. 아직 안정되지 않은 엔터프라이즈 실행

   1. 실험 단계: 에이전트가 기업 소프트웨어에서 무엇을 할 수 있는지에 대한 실험은 많지만 안정적인 해결책에 도달했다고 보기는 어렵다.
   2. 가치의 이동: 에이전트가 데이터 제공자와 직접 상호작용하고 일을 실행하면 소프트웨어 사업자가 단순 데이터 제공자로 밀릴 수 있다. 그러나 과업의 종류를 나누지 않고 한 문장으로 답하는 것 자체가 부정확하다.

1.2. 헤드리스 소프트웨어는 마음이 없다는 주장

1. 헤드리스의 위험

   1. 경험 포기의 문제: 고객 문제를 해결하겠다고 약속한 회사가 사용자 인터페이스와 고객 경험을 포기하면 “headless software is mindless”라는 말처럼 마음 없는 전략이다.
   2. MCP와 CLI의 양립: MCP(Model Context Protocol)나 CLI(command-line interface)를 무시하자는 뜻은 아니다. Atlassian은 MCP를 중요하게 여기며 세계 상위 3~5개 수준이라고 자평하는 MCP 서버를 운영한다.
   3. 컨텍스트의 증명: MCP와 도구가 Teamwork Graph에서 데이터를 읽고 쓰게 하면 그래프의 가치가 드러난다. 그래도 디자인이 고객 문제를 더 넓고 깊게 해결하지 못하면 문제가 남는다.

2. 수평 에이전트와 수직 에이전트의 공존

   1. 단일 슈퍼 에이전트의 거부: 여러 업무를 처리하는 수평(horizontal) 에이전트와 특정 미션을 깊이 파고드는 수직(vertical) 에이전트가 공존한다. 모든 일을 해결하는 하나의 마법 버튼이 세상을 지배할 것이라는 전망은 단순하다.
   2. 다중 플랫폼 사용: Cloud, Codex, Cursor, Teams, Slack의 에이전트가 Atlassian 플랫폼에 접속해 데이터를 추가한다. 편리하지만 모든 Atlassian 과업에 항상 최적인 인터페이스라는 뜻은 아니다.
   3. Databricks·Snowflake 연동: Confluence 페이지의 숫자를 확인해 달라고 하면 Teamwork Graph 맥락을 통해 Databricks나 Snowflake로 질의하고 답이나 간단한 그래프를 가져온다. Confluence가 BI 도구가 되는 것이 아니라 빠른 답을 얻는 경험이다.
   4. Figma와의 양방향 연결: Atlassian 안에서 Figma 에이전트를 쓰고 Figma 안에서 Atlassian 기능을 쓴다. 각 전문 인터페이스의 강점을 유지하면서 에이전트 대 에이전트로 기능을 호출한다.

2. AI 시대의 디자인과 풀리지 않은 인터페이스 문제

기술 생성 비용이 낮아질수록 디자인, 실험, 세심한 제작과 고객 경험이 제품을 구별하는 핵심이 된다.

2.1. 디자인이 차별화 요소가 되다

1. 경험의 기준이 올라간다
   1. 지금은 평균 앱의 90%보다 나은 앱을 만들기 쉽지만 5년 뒤에는 그 앱이 전체 앱의 20%보다 나은 정도에 그칠 수 있다.
   2. 기준이 올라갈수록 경험의 상대적 수준은 내려간다. 연구개발, 사용자 조사, 세밀한 제작과 장인정신 없이는 좋은 경험을 유지할 수 없다.
   3. 기술이 풍부하고 값싸게 생산되는 시대에는 디자인과 실험이 애플리케이션·제품·서비스를 돋보이게 한다.
2. 새로운 디자인 패러다임
   1. 모바일 시대 이후 다시 근본적인 디자인 문제를 풀어야 한다. 암스테르담에서 발표한 기능 중 상당수도 이런 디자인 돌파구다.
   2. 에이전트가 어디에 나타나고, 어떻게 호출되며, 어떤 일을 대신했는지를 이해시키는 설계가 필요하다.
   3. 정상 진행 때는 알림을 줄이고 예외나 문제 때 알려 주되, 필요하면 세부 단계로 들어갈 수 있어야 한다.

2.2. AI 콘텐츠의 출처·책임·기여도

1. AI 생성과 AI 보조의 차이
   1. AI가 텍스트를 100% 작성한 경우와 사람이 쓴 글을 AI가 다듬은 경우는 결과가 같아 보여도 의미가 다르다.
   2. Harry가 코드를 작성하고 Codex가 풀 리퀘스트를 만들었다면 Harry의 작업인지 Codex의 작업인지, Harry를 대신한 Codex의 작업인지 판단해야 한다.
   3. 어떤 사람은 인간 코멘트만, 다른 사람은 자동화 코멘트만 보고 싶어 한다. 두 출처 모두 타당하므로 원천과 책임성을 표시해야 한다.
2. 워터마크의 한계
   1. AI 텍스트 워터마크가 있다고 나쁜 텍스트라는 뜻은 아니다. 아이디어 한두 개를 보태 AI에 3,000단어 글을 쓰게 한 경우와 자신이 쓴 글을 AI에 고쳐 달라고 한 경우는 기여가 다르다.
   2. 5년 안에 콘텐츠의 90%가 AI 도움을 받을 수 있고, 오히려 인간이 전혀 손대지 않은 콘텐츠를 표시하는 워터마크가 등장할 수 있다. 반대가 될 가능성도 있다.
   3. 영화가 색보정되지 않았는지 묻지 않듯 사람은 AI가 장면을 바꿨는지보다 이야기의 품질을 본다. Word가 맞춤법을 고쳤다고 글을 거부하지도 않는다. 저품질 합성 콘텐츠는 인간 판단으로 걸러지고 인간의 독특한 작업은 돋보일 수 있다.

2.3. 에이전트가 일하는 조직의 운영 인터페이스

1. 텍스트 상자는 너무 빈약하다
   1. “여기에 글자를 쓰면 무한한 능력을 발휘한다”는 빈 텍스트 상자는 시작부터 나쁜 인터페이스다. 많은 사용자가 LLM을 Google 검색창처럼 바라본다.
   2. Word 리본처럼 맥락에 따라 기능이 바뀌는 Agentic UI가 필요하다. 에이전트가 할 수 있는 일, 현재 단계, 권한을 보여 줘야 한다.
2. 소프트웨어 팩토리의 재해석
   1. 회사는 프로세스가 묶인 커다란 유기체다. 산출물만 보는 것이 아니라 공장 자체를 개선하고 운영하는 방법도 설계해야 한다.
   2. 공장은 경계가 명확하지만 소프트웨어는 창의적이다. 에이전트가 수작업을 맡아도 사람은 공장을 가동하고 시작점을 정하며 예외를 처리한다.
   3. 방향 제시, 창의적 참여, 멘토링은 남는다. 언제 개입하고 언제 맡겨 둘지 정하는 인터페이스가 핵심 운영 문제가 된다.

3. 중국 모델, 오픈 모델, 특화 모델의 현실

Atlassian은 오픈 모델을 폭넓게 활용하지만 고객이 중국 모델을 거부하는 경우를 고려해 중국 모델을 프로덕션에서 사용하지 않는다. 기술적 가치와 지정학적 신뢰 문제는 분리해야 한다.

3.1. 기업 고객이 중국 모델을 꺼리는 이유

1. 고객 반응은 실제다
   1. Jason Lampkin은 대기업들이 중국 오픈 모델과 협업하기를 원하지 않는다고 말했다. Cannon-Brookes는 그가 세상에서 가장 작은 회사 중 하나를 운영하려는 사람이라며 농담했지만 일부 고객의 거부감은 인정했다.
   2. 고객은 오픈 모델 전반을 거부하지 않는다. Atlassian은 NVIDIA와 깊은 파트너십을 맺고 NemoTron을 많이 사용하며 Mistral과 여러 오픈 모델도 활용한다.
   3. 역할은 특정 모델 선택이 아니라 고객 과업에 가장 좋은 모델을 적용하고 여러 모델을 조합해 가격과 결과를 최적화하는 것이다. 중국 모델에 대한 거부가 있는 만큼 현재 프로덕션에는 중국 모델을 쓰지 않는다.
2. 기술 판단과 지정학적 판단
   1. 미국과 중국 중 누가 전략적 통제권을 갖는지에 대한 지정학적 질문은 모델이 중국에서 훈련됐는지 묻는 기술적 질문과 다르다.
   2. 고객이 리눅스를 쓴다고 하면 “유럽산이냐”고 묻는 사고실험을 제시했다. 리눅스 기여의 약 40%가 중국 개발자에게서 올 수 있으므로 오픈소스가 중국과 무관하다고 말하기 어렵다. 공개 코드라면 AI로 더 잘 검토할 수도 있다.
   3. 조직이 오픈소스나 중국 모델을 쓰지 않기로 결정하는 것은 정당하다. 다만 내부를 알고 더 싸며 더 좋은 결과를 내는 대안을 출신만으로 장기 거부하는 것은 어려운 선택이다.

3.2. 자체 모델이라는 표현의 과장

1. 오픈 웨이트를 가져와 이름을 바꾸는 관행
   1. 많은 기업이 자체 모델을 만들었다고 발표하지만 실제로는 오픈 웨이트 모델을 가져와 자체 데이터와 도메인 지식으로 파인튜닝하고 이름을 붙인다.
   2. 100만 달러로 모델을 훈련했다고 말해도 수십억 달러 기반 모델을 가져와 특정 응용에 맞춘 것일 수 있다. 가치 있지만 처음부터 모델을 훈련했다는 뜻은 아니다.
   3. Atlassian도 목적별 오픈 웨이트 모델을 조정해 좋은 가격 대비 성능을 제공하지만 이를 “우리 모델을 훈련했다”고 부르지 않는다. 원시 데이터에서 시작하는 정의와 구별해야 한다.
2. 특화 모델의 검증 조건
   1. 비공개 데이터가 많고 응용이 전문적이며 로봇이 세계의 물리적 상태를 모델링해야 하는 경우 특화 모델이 합리적이다.
   2. 특정 시점 가격 대비 성능에서 앞서도 범용 모델이 빠르게 정확도를 높이면 우위가 오래 유지될지는 불확실하다.
   3. 최신 기반 모델을 같은 와트당 비용으로 쓰는 것보다 특화 모델이 지속적으로 지수적 성능 향상을 보인다면 기존 판단은 틀린다. 응용·응답 시간·비용·운용 기간에 따라 답이 달라진다.
3. 프레임워크는 모델 발전과 다르다
   1. 프레임워크는 특정 문제에 프롬프트와 설정을 묶어 반복 적용하는 하네스다. 반복 루프와 도구 연결로 특정 문제의 가치를 키울 수 있다.
   2. 더 나은 기반 모델을 적용하면 많은 프레임워크보다 좋은 결과가 난다. 프레임워크 설계는 중요하지만 모델 자체의 발전은 아니다.
   3. 2~3년 전 자체 모델을 만들던 스타트업 상당수는 기본 모델의 전체 품질이 특정 분야 전문성보다 빠르게 향상되면서 경쟁력을 잃었다.

4. 비용, 모델 라우팅, 추론의 경제학

AI 경쟁력은 가장 비싼 모델이 아니라 과업별로 적절한 모델을 선택해 품질·가격·속도를 관리하는 데 있다.

4.1. 공개기업의 비용 규율

1. 창업자들의 비용 농담
   1. Cannon-Brookes는 사기업 CEO들에게 선도 모델과 오픈 모델의 성능 차이에 따른 비용을 묻는다. 많은 CEO가 돈을 많이 모았으니 비용을 신경 쓰지 않는다고 말하고 녹화에서 삭제해 달라고 농담한다.
   2. 돈을 많이 모은 사기업도 비용 규율을 만들지 않으면 취약해진다. 인생의 거의 모든 일에는 규율이 필요하다.
   3. 비싼 모델을 쓰지 않아 제품이 2~3% 열등해도 계속 자금을 받을 수 있을지는 불투명하다. 영원한 자금 공급은 기대하기 어렵다.
2. 가격 대비 성능의 운영화
   1. 비싼 모델로 빠르게 좋은 결과를 얻기는 쉽다. 오래되거나 싼 모델을 문제 묶음에 능숙하게 적용하는 능력이 실제 강점이다.
   2. 대기업 고객은 모델 비용과 성능의 비율을 매우 신경 쓴다. 상위 3~5개 회사의 모델을 사는지 비용이 포함된 제품을 사는지는 달라도 비용은 커진다.
   3. 토큰 지출을 개인 에이전트나 엔지니어링 조직 수준에서 보여 주고 모델·기능별 가치를 측정해 적합한 모델로 바꿔야 한다.

4.2. 내부 모델 라우팅과 세 가지 균형

1. 대형 기업의 내부 역량
   1. Atlassian 규모 기업은 모델 라우팅을 내부에서 잘해야 한다. OpenRouter 같은 외부 서비스를 써도 자체 라우터와 다른 계층을 함께 쌓게 된다.
   2. 기술이 핵심 역량이 아닌 작은 기업에는 모델 게이트웨이가 실용적이지만 자동 라우팅은 어렵고 충분한 의도와 지침이 필요하다.
   3. 도구 바인딩을 많이 사용할수록 도구 자체가 라우팅한다. Atlassian의 Rovo와 AI 기능도 SaaS 맥락에서 모델 선택을 좁힌다.
2. 품질·가격·속도
   1. 질문에 가장 좋은 답과 기능 결과를 제공해야 한다.
   2. 과업마다 과도하게 비싼 모델을 호출하지 않고 단위 비용을 낮춰야 한다.
   3. 품질과 가격을 맞추면서 기다릴 수 있는 속도를 보장해야 한다. Atlassian은 모든 기능에서 이 삼각 균형을 본다.
3. 혁신을 먼저, 비용 최적화는 나중에
   1. 제품팀에는 먼저 고객이 “마법 같다”고 느끼는 기능을 만들라고 한다. 다섯 명이 쓰는 동안에는 비싸도 괜찮지만 500만 명이 쓰기 시작하면 비용이 가장 큰 걱정이다.
   2. 기능이 중간 단계에 이르면 비용을 낮출 시간이 있다. 초기부터 비용을 줄이다가 놀라운 기능을 만들 기회를 잃지 않아야 한다.
   3. Atlassian은 이를 대규모 AI 포털 팀의 내부 역량으로 다룬다.

4.3. 추론 비용이 급락할 때 생기는 반작용

1. 가격 하락 전망
   1. 새 칩, 더 나은 데이터센터, 기본 모델 결과의 증류·추출에 막대한 자본과 지성이 몰린다. McKinsey나 NASA에서 일했을 사람들이 와트당 가격 대비 성능에 몰려드는 규모가 크다.
   2. 이 정도 투입이면 대규모 언어 모델의 성능 단위 가격이 크게 내려갈 수밖에 없다. Cannon-Brookes는 1년 전보다 가격이 훨씬 더 내려갈 것이라고 생각을 바꿨다.
   3. Jevons의 역설처럼 추론이 싸지면 사용량은 폭발한다. Instinct는 하루 종일 약 50개의 검색을 실시간으로 돌린다. 무료에 가까워질수록 호출량은 늘지만 단가 하락도 계속된다.
2. 생산 속도가 소비 속도를 앞선다
   1. 기술기업은 고객이 사업을 실제로 바꾸며 소비할 수 있는 속도보다 빠르게 기능을 만든다. 모든 기능을 무한히 쓸 수는 없다.
   2. 스마트폰은 주머니 속 슈퍼컴퓨터지만 CPU를 항상 100% 사용하지 않는다. 추론 가치와 인재가 무한히 생산되어도 실제 필요에는 상한이 있다.
   3. 프로그래밍·건축·비즈니스 프로세스·예술에 AI를 쓰면 더 높은 가치의 기술과 더 나은 제품·서비스가 돌아온다. 생산과 소비 속도의 차이를 관리해야 한다.

5. 정보 비대칭에서 상상력 비대칭으로

AI가 지식 접근 비용을 낮추면서 경쟁력은 무엇을 아는가에서 무엇을 새롭게 상상하고 적용하는가로 이동한다.

5.1. 새 경쟁력은 상상력이다

1. Didier의 표현
   1. Culture Amp 창업자 Didier가 알려 준 표현에 따르면 세계는 정보 불평등의 시대에서 상상력 불평등의 시대로 이동한다.
   2. 남들이 모르는 사실이나 특수한 비즈니스 지식만으로는 차별화하기 어렵다. AI를 적용해 문제를 독특하게 푸는 능력이 중요하다.
   3. 비즈니스 원리 위에서 AI를 새롭게 적용하는 지금은 기술 역사상 가장 역동적인 시기일 수 있다.
2. 생각할 시간
   1. 지난 12개월 동안 상상력을 충분히 발휘하지 못한 가장 큰 이유는 시간이었다. Harry가 “나는 대담한 투자자라 옆에서 조언만 한다”고 하자 Cannon-Brookes는 팟캐스팅도 끔찍한 결정이라고 받아쳤다.
   2. Harry는 50개의 AI 작업을 동시에 돌리지만 Instinct조차 설치할 시간이 없다고 농담했다. Cannon-Brookes도 개념적으로 이해하지만 아직 써 보지 않았다고 했다.
   3. 영화에서 TV·YouTube·TikTok으로, 책에서 잡지·신문·트윗으로 콘텐츠가 쪼개졌다. 스마트 에이전트의 작업 흐름에서 물러나 반추하는 시간을 따로 확보해야 한다.
   4. 바쁜 1년 뒤 최근 2~3개월 동안 매주 몇 시간이라도 깊게 생각하려 했다. 알림·소셜미디어·에이전트가 집중력을 공격하는 시대에 모두가 개선해야 할 능력이다.

6. 공개 데이터가 아닌 살아 있는 기업 컨텍스트

Atlassian의 핵심 자산은 외부 데이터의 대형 저장소가 아니라 각 기업의 의사결정과 사람·문서·코드가 연결된 현재형 인덱스다.

6.1. PowerPoint와 조직의 숨은 지식

1. 데이터베이스 밖의 사실
   1. 실제 사실과 수치는 데이터베이스가 아니라 PowerPoint 슬라이드에 들어가는 경우가 많다. 의사결정·프로젝트·문서·회의 기록이 조직 지식의 원재료다.
   2. 조직의 역사와 의사결정을 사회적 그래프, 회사가 만든 코드와 기술 서비스에 연결해야 에이전트가 답·교훈·결정을 함께 찾는다.
   3. Teamwork Graph는 질문마다 문서를 처음부터 긁는 것이 아니라 Google이 웹 인덱스를 미리 만드는 방식처럼 사전에 추론·인덱싱한다.
2. 기업별 컨텍스트
   1. 투자회사는 주식, 제조사는 자재 공급, 의료기관은 병원과 병상을 중요하게 여긴다. 여기에 회의·문서·코드·업무 지식을 합친다.
   2. Atlassian은 데이터를 소유하거나 되팔기보다 기업이 축적한 의미를 연결하고 에이전트가 점을 이어 교훈을 검색하게 한다. 그래프 위에는 어휘·의미 검색 엔진과 MCP·CLI용 질의 언어가 놓인다.
   3. 대형 데이터 마켓플레이스가 중소기업 연락처나 대량 데이터에 돈을 지불하는 흐름이 있지만 조직 컨텍스트는 회사별로 다르고 내부 사용 가치가 크다. 대화에서 “Macozo”와 “Surgers”로 들린 데이터 마켓플레이스가 예로 제시됐다.

6.2. 신선함과 역사적 기억의 균형

1. 살아 있는 사회적 그래프
   1. 기업 사회적 그래프는 오늘 유효하다. 내일은 사람이 퇴사하고 새 사람이 들어오며 누가 누구와 어떤 프로젝트에서 일하는지가 변한다.
   2. 그래프는 과거 데이터를 쌓는 것으로 끝나지 않는다. 현재 협업 관계와 역할을 갱신하면서 조직의 교훈과 기억도 보존해야 한다.
   3. 2003년에 쓴 Java 코드의 실제 내용은 2026년 Atlassian에 거의 쓸모없다. 당시 프로그래머였다는 사실은 기술 전문가에게 맞는 방식으로 설명하는 데 조금 유용하다. 현재는 전일제 관리자이자 스토리텔러이며 디자인·제품 테스트는 취미 수준이다.
2. 전문 데이터와 일반 지식
   1. 자율주행차는 도로의 회전·표지판·교통·유모차를 탄 아이·자전거와 움직임의 물리학을 알아야 한다. 자전거가 갑자기 도로로 뛰어들지 않는 맥락도 필요하다.
   2. 자율주행차가 알베르트 아인슈타인의 생년을 아는 것은 완전히 쓸모없다. 목적에 맞는 전문 데이터와 일반 지식을 구분해야 한다.
   3. Atlassian은 연결 그래프의 빈칸을 채우기 위해 회사를 인수할 필요가 없다. 고객 컨텍스트를 조립하고 연결하는 일이 핵심이지 외부 데이터 보유량이 핵심이 아니다.

7. OpenAI·Anthropic, Confluence, 디자인 경쟁

AI 모델 기업은 컴퓨팅 서비스와 애플리케이션의 경계에서 Atlassian과 경쟁하면서도 파트너가 된다. 최종 승부는 텍스트 입력 기능이 아니라 목적·경험·통합에 달려 있다.

7.1. 모델 기업이 애플리케이션으로 내려오는 문제

1. 협력과 경쟁의 경계
   1. OpenAI와 Anthropic은 Atlassian의 핵심 파트너이며 다른 많은 회사와도 협업한다. 컴퓨팅 서비스 판매자이면서 애플리케이션 영역에도 들어온다.
   2. 컴퓨팅·모델·문서·애플리케이션의 경계는 변하고 경쟁적으로 다퉈진다. 누가 고객을 차지할지 확실히 알 수 없다.
   3. Confluence는 마지막 공개 수치 기준 ARR 15억 달러 이상이고 연 25% 넘게 성장한다. 텍스트를 쓸 방법이 컴퓨터에 20개 있어도 성장한 이유는 글쓰기 자체가 아니다.
2. 목적과 통합
   1. 콘텐츠 작성은 결정적 우위가 아니다. 디자인·경험·용도·다른 워크플로와의 통합이 고객이 계속 쓰는 이유다.
   2. Confluence 문서가 팀 맥락과 연결되고 Rovo·MCP·다른 SaaS가 그 맥락을 활용할 때 단순 문서 앱보다 큰 가치가 생긴다.

7.2. Linear와 Jira, 장기 레이스

1. 장인정신에 대한 지적
   1. Harry는 Linear 창업자 Kieran의 디자인 장인정신을 언급하며 사람들이 Jira보다 Linear 디자인의 세심함을 더 쉽게 느낄 수 있다고 말했다.
   2. Cannon-Brookes는 비교가 공정하지 않다고 답했지만 경쟁사의 강점을 부정하지 않았다. 중요한 것은 성공했다고 멈추지 않는 일이다.
   3. 10년 전 좋은 디자인과 오늘 좋은 디자인의 기준은 다르고 10년 뒤에도 달라진다. 매년 소프트웨어 경험을 개선하는 일은 단기 출시와 다른 사고다.
2. 자신의 레이스
   1. Linear 작업 도구 제품군은 한 해 동안 사용자와 관심이 크게 늘고 성장 속도도 빨라졌다. 그 성장은 디자인 경험과 관련이 크다.
   2. Atlassian은 속도·성능·효과성에서 고객에게 근본적 변화를 주며 자신의 레이스를 달린다. 기준은 전체 소프트웨어의 고객 경험과 품질이다.
   3. 창업 20년을 지나 앞으로도 20년을 더 이어 가려는 관점에서 제품 경험을 개선한다. 40대 중반의 CEO도 장기 레이스에서는 매년 기준을 높여야 한다.

8. 창업자의 에너지, 정신건강, 빠른 엑시트

장기적으로 회사를 만드는 원동력은 자금이나 유행보다 제품을 만들고 복잡한 문제를 똑똑한 사람들과 푸는 데서 얻는 에너지다.

8.1. 젊은 창업자가 일찍 물러나는 현상

1. 12년이면 충분하다는 태도
   1. 20대 창업자들이 회사를 빠르게 팔고 물러나겠다는 사례가 많아 걱정된다고 했다. 본인은 창업 후 12년이 지났지만 어느 때보다 에너지가 많다.
   2. Scott 없이 외로운지 묻자 훌륭한 임원진과 수만 명의 뛰어난 사람들과 복잡한 문제를 풀 수 있어 외롭지 않다고 답했다.
   3. 은퇴한 Scott과 적어도 한 달에 한 번 만나 와인이나 맥주를 마시며 처음 3분은 Atlassian 소프트웨어와 AI를 이야기한다. Scott은 은퇴했지만 활발하게 업데이트를 준다.
2. 에너지원 찾기
   1. 자신의 에너지가 어디서 오는지 찾고 그 일을 더 하면 삶이 좋아진다. Cannon-Brookes는 자녀에게 이 점을 전하고 싶어 한다.
   2. 타인의 생계를 책임지고 투자금·다음 라운드·매출·수익·고객을 걱정하는 초기 창업은 매우 스트레스가 크다. 정신건강 논의는 아직 충분하지 않다.
   3. 돈이나 네트워크 욕망만으로 5~10년을 버티기 어렵다. 제품과 서비스를 만드는 일을 즐겨야 한다.

8.2. 자본이 유행을 쫓을 때 생기는 문제

1. 모바일 앱 붐의 반복
   1. 새 기술이 등장할 때 자본과 사람이 몰린다. 모바일 기술이 떠올랐을 때 수많은 사람이 앱과 회사를 만들러 왔지만 모두 남지는 못했다.
   2. 성공하고 계속한 사람은 대개 좋아하던 분야에 남아 있었다. AI 창업자도 유행보다 문제와 제품 자체를 즐겨야 한다.
   3. 시드 단계에서 1,500만 달러를 조달하고 사람을 고용한 뒤 첫 매각 기회에 물러나는 일이 전보다 쉬워졌다. 이 구조를 만든 것은 VC의 실수일 수 있다.
2. 장기 협업의 가치
   1. 자본주의 시장의 거래 가격 자체를 막을 수는 없지만 어려운 문제를 똑똑한 사람들과 오래 푸는 일의 가치를 다시 깨닫기를 바란다.
   2. 함께 창의적으로 일할 사람들 때문에 계속 일한다. 장기 협업이 모든 사람의 DNA에 맞지는 않지만 장기 기업에는 필요하다.

9. 마지막 Q&A: 돈, 본보기, 자기 자신과의 평화

부와 성취는 자유만이 아니라 사회적 책임과 자기 관리의 부담을 동반한다. 아이에게 가치관을 설명하는 가장 강한 방법은 행동으로 보여 주는 것이다.

9.1. 최근 생각을 바꾼 것과 부의 부담

1. 가격 하락 전망: 지난 12개월 동안 가장 많이 생각을 바꾼 것은 추론 가격이다. 가격이 예상보다 훨씬 더 내려갈 것이라고 생각한다.
2. 돈은 선물이자 부담
   1. 돈은 훌륭한 것이면서 동시에 큰 부담이다. 잠시 맡은 유산처럼 느껴지고 사회적으로 유익한 일에 쓸 책임이 있다.
   2. 부유한 환경의 아이가 오만해지지 않게 하는 방법은 20년 뒤에 성공 여부를 알려 달라고 답했다. 호기심·겸손·감사를 유지하고 역할이 커질수록 성장해야 한다.
   3. 전 Goldman Sachs CEO의 조언처럼 승진했을 때 직책과 함께 성장하는지 직책 때문에 오만해지는지를 보면 사람을 알 수 있다. Cannon-Brookes는 매년 이 직책을 맡을 자격을 얻으려 노력해야 한다고 느낀다.

9.2. National Geographic의 코끼리와 웨이터

1. 부모는 행동으로 가르친다
   1. 새끼 코끼리가 어른 코끼리를 모방하듯 아이도 부모의 행동을 모방한다.
   2. 아이가 부지런하고 친절하기를 바란다면 부모가 실제로 부지런하고 친절해야 한다. 출장에서 열심히 일하고 카페에서 웨이터에게 인사하고 하루를 묻는 모습을 보여 줘야 한다.
   3. 45세에 은퇴하고 배우자를 속이며 웨이터에게 무례하게 굴면 그런 행동도 아이가 배운다는 농담을 덧붙였다.
2. 자신과 평화롭게 지내라
   1. 기술업계 사람들은 높은 기준을 세우고 완벽을 좇다가 새로운 스트레스를 만든다.
   2. 옳은 일을 다했다면 결과가 성공이든 실패든 자신을 너무 몰아붙이지 말고 최선을 다했다는 사실과 화해해야 한다.
   3. “Make peace with yourself”를 반복할 조언으로 제시했다.

9.3. 느려져야 빨라진다

1. 정적과 성찰
   1. 휴대전화 알림·소셜미디어 경고·에이전트 작업은 계속 주의를 끈다. 이 흐름을 다루지 못하면 기술이 빨라질수록 삶과 일은 어려워진다.
   2. 기술업계 사람은 화면 속 숫자와 비트 안에 살기 쉽지만 기술이 영향을 주는 실제 세계는 화면 밖에 있다.
   3. 깊은 사고를 위해 느려지는 일이 결국 더 빨리 나아가기 위한 조건이다.
2. 좋은 사람의 정의
   1. Harry는 좋은 사람을 “도움을 주어도 자신에게 즉각적이고 명백한 이익이 없는 사람”으로 정의했다.
   2. Cannon-Brookes가 오랫동안 친절하게 대해 준 것에 감사를 표했고 두 사람은 필요할 때 돕겠다고 답했다.
   3. 에이전트·모델·데이터의 설계와 별개로 장기적인 제품과 조직은 친절·책임·성찰·깊은 관계를 바탕으로 유지된다.

주요 발언 모음

“헤드리스 소프트웨어는 정의상 마음이 없다.”

“에이전트가 모든 인터페이스를 대체하지는 않을 것이다.”

“기술 생산이 기술 소비보다 빠르다.”

“정보 비대칭의 세계에서 상상력 비대칭의 세계로 이동하고 있다.”

“특화 모델의 이점에 대한 논쟁은 아직 끝나지 않았다.”

“품질, 가격, 속도라는 세 가지를 모든 기능에서 본다.”

“콘텐츠 작성 자체는 결정적 우위가 아니다. 디자인, 경험, 목적, 다른 워크플로와의 통합이 중요하다.”

“자신과 평화롭게 지내라.”

“속도를 높이려면 먼저 느려지는 법을 배워야 한다.”

핵심 데이터 & 수치

• 6.5B달러 ARR: 설명란 기준 Atlassian의 2026년 매출 지표다.
• 35만+ 고객: Atlassian이 서비스하는 고객 수다.
• Fortune 500의 85% 이상: Atlassian 고객 기반의 기업 침투율이다.
• 90%와 20%: 지금은 평균 앱의 90%보다 나은 앱을 만들기 쉽지만 5년 뒤에는 20%보다 나은 수준에 그칠 수 있다는 경험 기준의 변화다.
• 5년·90%: 5년 안에 콘텐츠의 90%가 AI 도움을 받을 수 있다는 전망이다.
• 약 40%: 리눅스 기여 중 중국 개발자 기여가 차지할 수 있다고 언급한 비율이다.
• 15억 달러+ ARR, 연 25%+ 성장: Confluence의 마지막 공개 수치 기준 규모와 성장률이다.
• 약 3,000단어: AI가 자동화된 프록시 디자인 글을 만들게 하는 예시의 분량이다.
• 2~3%: 비싼 최신 모델을 쓰지 않아 생길 수 있는 가상의 성능 차이다.
• 5명 대 500만 명: 초기 기능 비용과 대규모 확장 비용을 다르게 판단하는 기준이다.
• 약 50개 검색: Instinct가 실시간으로 수행하는 검색 작업 규모다.
• 2~3개월·주 몇 시간: 깊은 사고 시간을 되찾으려는 노력의 기간과 최소 단위다.
• 2003년과 2026년: 과거 Java 코드의 세부보다 현재 역할과 조직 맥락이 중요하다는 예시다.
• 20년+20년: Atlassian의 과거와 앞으로의 장기 관점이다.
• 12년: Cannon-Brookes가 창업 후 보낸 기간이다.
• 1,500만 달러: 빠른 엑시트를 전제로 한 최근 시드 펀딩의 과도한 규모 사례다.
• 3,000만 달러·100만 통 이메일: Spirit Airlines 기업 데이터가 거래됐다는 데이터 시장 사례다.

결론 및 시사점

1. 헤드리스가 아니라 멀티 인터페이스: 수평 에이전트·수직 에이전트·전문 애플리케이션이 공존한다. 모든 일을 하나의 챗봇 버튼에 맡기지 말고 도구의 강점과 전환 맥락을 설계해야 한다.
2. 디자인은 AI 시대의 해자: 생성 기술이 상품화될수록 출처·권한·개입·예외·협업을 이해시키는 경험 설계와 장인정신이 장기 차별화 요소다.
3. 중국 모델과 오픈 모델을 구별하라: 고객 신뢰와 지정학적 위험을 고려해 출신을 관리하되 오픈 모델의 기술적 가치까지 일괄 거부하지 말아야 한다.
4. 특화 모델의 주장을 검증하라: 기반 모델과 비교해 가격 대비 성능의 지수적 우위를 지속 증명하지 못하면 오픈 웨이트 파인튜닝과 자체 모델 훈련을 같은 말로 부를 수 없다.
5. 라우팅은 제품 역량이다: 품질·가격·속도를 맞추는 모델 선택과 도구 연결, 비용 관측을 내부에 축적해야 한다. 초기에는 혁신을 먼저 검증하고 확장기에 비용을 최적화한다.
6. 기업 컨텍스트는 살아 있어야 한다: 최신 조직 관계와 업무 데이터를 갱신하면서 과거 교훈을 보존하는 Teamwork Graph가 기업 에이전트 답변 품질을 결정한다.
7. 상상력과 집중력을 보호하라: 정보 접근이 평준화될수록 문제를 새롭게 정의하는 상상력과 깊게 생각할 시간을 확보하는 능력이 경쟁력이다.
8. 장기 게임의 동력은 사람이다: 자금과 유행만으로 5~10년을 버티기 어렵다. 제품을 만들고 어려운 문제를 함께 푸는 과정에서 에너지를 얻는 팀이 오래 남는다.
9. 느려져야 빨라진다: 알림과 에이전트의 속도에 끌려가지 않고 조용한 성찰·겸손·친절을 훈련해야 기술이 실제 세계의 좋은 결과로 이어진다.