대한민국/서울 굉장히 합의적이지만 베이징과 SF도 그럴 수 있다는 것.

실리콘밸리는 강력하지만 지나치게 합의적(consensus)이다

그는 샌프란시스코와 베이징을 세상에서 가장 합의적인 사회로 봅니다.

똑똑한 사람은 많다.
돈도 많다.
좋은 아이디어도 빨리 공유된다.
하지만 그래서 오히려 모두가 서로 비슷하게 생각한다.
그 결과 세상을 보는 관점이 좁아지고, 나머지 세계와 단절된다.

그는 이런 환경이 한편으론 장점이라고 인정합니다. 예를 들어 AI나 스테이블코인처럼 아직 세상이 완전히 믿지 않는 분야를, 실리콘밸리에서는 상대적으로 안전하게 과감하게 시도할 수 있습니다. 이것이 실리콘밸리의 강점입니다.

하지만 동시에 약점도 있습니다.

창업자들이 서로를 위해 제품을 만들고
서로의 세계관을 강화하고
정작 평범한 미국인이나 비서구권 사용자들의 현실을 놓치게 된다는 겁니다.

제약이 큰 사회는 다른 종류의 창의성을 만든다

그는 emerging markets를 다니는 이유를 “제약(constraint)이 다르기 때문”이라고 말합니다.

예를 들어 콩고민주공화국(DRC)의 수도 킨샤사는:

엄청난 인구 성장
낮은 휴대폰 보급률
매우 낮은 은행 보급률
그러나 큰 규모의 자원 수출과 자금 흐름
중국 자본 유입
다양한 다국적 기업과 현지 기업 활동

이런 특성을 동시에 갖고 있습니다.

William이 보기에 이런 곳에서는 사람들이 풍요 속에서 최적화를 고민하는 것이 아니라, 제약 속에서 생존과 확장을 동시에 고민합니다. 그래서 실리콘밸리와는 완전히 다른 창의성이 나옵니다.

그는 실제로 그런 나라에서 CEO, 창업자, 대기업 경영진을 만나고, 그냥 많이 걷고 관찰한다고 말합니다. 그리고 샤워나 낯선 시장을 걷는 중에 아이디어의 90%가 나온다고까지 말합니다.

핵심 메시지는 이것입니다.

샌프란시스코에만 있으면 “AI가 세상을 다 바꾼다”는 생각만 하게 된다.
그런데 DRC에 가면, 아직 휴대폰 보급률 25%도 안 되고 은행 보급률은 5%도 안 된다.

즉 세상에는 LLM을 뇌에 심기 전에 해결해야 할 문제가 훨씬 많다.

Emerging markets가 금융 혁신의 진짜 실험실일 수 있는가

열악한 환경일수록 leapfrogging이 일어난다

그는 중국의 사례를 들며:

랩톱을 건너뛰고 모바일로 갔다.
전통 e-commerce를 넘어서 social commerce가 발전했다.

금융 제약이 심한 나라들은 오히려 bespoke system을 만든다

그는 아르헨티나, 이란, 아프리카 국가들을 예로 듭니다.
글로벌 금융시장 접근이 제한되거나
통화 신뢰가 약하거나
인플레이션이 심하거나
규제나 제재가 강하면

그 안에서 살아남기 위해 자체적인 금융 시스템과 프로세스를 발명하게 됩니다.
그래서 이런 시장의 플레이어들은 미국보다 오히려 더 혁신적일 수 있다고 말합니다.

Talent distribution에 대한 관점

여기서 William은 꽤 도발적인 이야기를 합니다.
뇌(brains)는 전 세계에 고르게 분포한다.
하지만 미국에서는 최고의 인재가 Anthropic, Google 같은 데로 간다.

반면 콩고 같은 곳에는 그런 선택지가 적다.
그래서 현지의 상위 인재는 은행, 양조장, 대기업 같은 안정적이고 수익성 있는 로컬 기관으로 간다.

즉, 신흥국의 상위/중상위 인재 풀은 사람들이 생각하는 것보다 훨씬 강하다는 주장입니다.
그는 심지어 emerging market bank executive team이 서구의 은행 경영진보다 더 낫다고까지 말합니다.

Kaspi와 Rawbank: 미국과 전혀 다른 금융 플랫폼의 진화

카자흐스탄의 Kaspi
은행을 인수했다.
그 위에 이것저것 다 만들었다.
전자상거래
금융
세금 납부
운전면허 갱신

생활형 서비스를 하나의 플랫폼 안에 넣었다.

AI 시대에도 핀테크는 늦게 무너질 수 있다

그는 핀테크가 AI에 의해 가장 늦게 붕괴되거나 재편될 영역 중 하나라고 봅니다.

그 이유를 풀면 대략 이렇습니다.

많은 소프트웨어 카테고리는 AI로 빠르게 약화될 수 있다.

하지만 핀테크는 단순 UI나 워크플로우 소프트웨어가 아니라 규제, 돈의 흐름, 결제 레일, 계좌, 신용, 실물 금융 오퍼레이션 을 다루기 때문에 쉽게 무너지지 않는다.

대신 그가 보는 변화는 domestic fintech와 enterprise software의 경계가 무너지는 것입니다.

예를 들어 Ramp 같은 회사는 이미 단순 카드/비용 처리 회사를 넘어 더 깊은 workflow management 쪽으로 들어가고 있고, 앞으로 이런 융합이 커진다는 것입니다.

즉 그는 AI가 핀테크를 당장 없애기보다는, “금융 기능을 가진 엔터프라이즈 소프트웨어”를 더 중요하게 만들 것이라고 봅니다.

실리콘밸리는 엘리트가 지배하는 사회이고, 결국 엘리트는 엘리트를 위한 소프트웨어를 만든다.

그가 말하는 구조는:

예전에는 실리콘밸리가 연구 공동체에 가까웠을지 몰라도
지금은 훨씬 더 월스트리트형 엘리트 시스템에 가깝다
그 결과 제품은 점점 더 “우리끼리 쓰는 것”이 된다

그는 물론 aspirational product가 위에서 아래로 내려가는 모델 자체는 인정합니다.
하지만 문제는 실리콘밸리가 자기 Kool-Aid를 너무 많이 마셨다, 즉 스스로 만든 서사를 너무 믿게 되었다는 것입니다.

AI 연구는 매우 잘할 수 있다.

왜냐하면 그건 합의형 문제(consensus problem)이기 때문이다.
똑똑한 사람들을 한곳에 몰아넣고 아이디어를 교환하게 하면 잘 풀린다.
하지만 그걸 사람들의 실제 삶에 적용하는 문제로 가면 얘기가 달라진다.

왜냐하면 실리콘밸리 사람들은:

일반 미국인의 삶도 잘 모르고
세계 다른 나라 사람들의 삶도 잘 모르기 때문입니다.

그래서 그는 “실리콘밸리의 적용 감각(applicability sense)은 내가 여기 온 이래 최저점”이라고까지 표현합니다.

그는 기술 자체의 우수성을 부정하지 않습니다.
오히려 기술 연구는 여전히 강하다고 인정합니다.
하지만 “뭘 만들어야 하는가”, “누구의 삶을 위해 만들어야 하는가”에서는 실리콘밸리가 약해졌다고 보는 것입니다.

왜 VC 구조는 생각보다 장기주의를 막는가

VC는 표면적으로 장기지향 같지만 실제론 다음 라운드에 최적화된다

VC-backed 회사는 보통:
많이 쓰고
적자 내고
12~18개월마다 다시 자금 조달을 해야 한다

그 결과 경영진은 필연적으로:
올해는 stablecoin이 유행이면 stablecoin 전략
올해는 AI가 유행이면 AI 전략
다음 펀딩에서 매력적으로 보이는 내러티브
에 신경 쓰게 됩니다.

즉 회사는 목표를 향해 곧게 가지 않고, 투자시장 서사에 맞춰 지그재그로 이동하게 됩니다.

“VC money is like heroin”
VC 돈은 헤로인 같다

맞으면 기분 좋다 그런데 끊기 어렵다

즉 한 번 큰 돈을 받으면 그 규모에 맞는 비용 구조와 기대치가 생기고, 결국 계속 다음 돈이 필요해진다는 겁니다.

그는 “100 million 달러 Series A를 받았으면 그걸로 수십억 달러 회사 만들 수 있어야지 왜 계속 돈을 더 받아야 하냐”고 말합니다.
물론 구조적 이유가 있다는 점은 인정하지만, 야심찬 창업자에게 꼭 맞는 모델은 아니라고 주장합니다.

비자금 없이 더 자유로운 장기 투자

반대로 Column은 10년 회수기간 투자도 할 수 있고

80% 성장하든 110% 성장하든 큰 차이가 없고 흑자만 유지하면 자신들이 원하는 소프트웨어와 회사를 만들 수 있습니다

이 자유를 그는 매우 큰 장점으로 봅니다.

VC-backed였다면 못 했을 일들

초기에 규제된 은행 자체를 샀다
그는 Column 초기에 실제 regulated bank를 인수했다고 말합니다.
이건 매우 큰 의미가 있습니다.
수년간 매출 성장보다 규제/인프라 구축에 시간을 써야 하고
스케일하지 않는 업무가 많고
소프트웨어처럼 깔끔하게 반복되는 문제가 아니고
당시엔 비합의적(non-consensus) 베팅이었다

즉 VC 관점에서는 “지금 AI나 stablecoin을 해야 하지 왜 은행을 사냐”는 반응이 나왔을 법한 선택이라는 겁니다.

공식 자료에서도 William은 2019년부터 first principles로 은행을 처음부터 다시 만들었다고 설명합니다.

스케일하지 않는 직원 정책도 실행
그는 “scale하지 않는 weird stuff”도 할 수 있다고 말합니다.
사무실 2마일 이내 거주 직원에게 월 2,000달러 주거 보조
매년 이익의 25%를 써서 직원 지분 buyback

이런 정책은 전통적 VC 논리로 보면 비효율적일 수 있습니다.
하지만 Column은 이익을 내고 있으므로:

성장에도 재투자하고
직원 보상/유동성에도 투자할 수 있습니다

이건 그가 회사를 자본시장의 산물이 아니라, 사람과 시스템이 지속가능하게 결합된 유기체로 본다는 걸 보여줍니다.

직원 보상 철학: “종이 지분”이 아니라 실제 유동성
이 부분은 매우 실무적이고 중요합니다.

William은 Column이 구조적으로는 일반 하이그로스 스타트업과 비슷하다고 말합니다.

같은 인재를 채용하고
주식도 부여하고
베스팅도 한다

하지만 차이는 두 가지입니다.

매년 회사가 주식을 사준다

Column은 매년 이익의 일부로 직원 주식을 매입합니다.
즉 직원은 IPO나 M&A를 막연히 기다리는 대신, 정기적으로 liquidity를 확보할 수 있습니다.

희석과 preference stack이 없다

그는 일반 스타트업 직원이 잘 이해하지 못하는 경제학을 설명합니다.
초창기 창업자/직원은 희석(dilution)으로 지분가치의 50~75%를 잃을 수 있고
preference stack 때문에 실제 upside가 크게 깎일 수 있다

하지만 Column은:
외부 투자자가 없고
prep stack이 없고
희석이 거의 없으므로

“처음 준 지분이 실제로 네 것”이라는 스토리를 할 수 있다는 겁니다.
이게 채용에서 매우 강력하다고 말합니다.

누구를 채용하는가: 첫 회사 신입보다, 두 번째 회사 경험자를 선호

21세 신입은

친구들이 어디 가는지
Hacker News 1위 회사가 뭔지
트위터에서 화제인 회사가 뭔지
같은 기준으로 판단하기 쉽다.

그런데 25세 이상, 한 번 6번의 펀딩과 4번의 피벗을 겪은 사람은
종이 valuation의 허상
dilution
유동성 부재
긴 시간의 불확실성
을 더 잘 이해한다.

즉 “빠르게 성장하면서도 매년 유동성을 주고, 실제 경제학이 더 좋은 회사”라는 포지셔닝입니다.

왜 retention이 높은가

William은 Column의 직원 유지율이 매우 높고, regretted attrition이 거의 없다고 말합니다. 즉 남았으면 좋겠는 사람이 떠나는 경우가 거의 없다는 뜻입니다.

두 번째 회사라서 더 성숙하다

Plaid에서의 시행착오를 통해:
어디에 시간을 써야 하는지
어디는 쓰지 말아야 하는지 를 더 잘 알게 됐다고 말합니다.

사람들은 모두 억만장자가 되려고 입사하지 않는다
그는 많은 창업자와 VC가 직원의 동기를 오해한다고 봅니다.
현실의 많은 직원은 20대 후반~30대 초반이 되면 이런 걸 생각합니다.
아이를 좋은 학교에 보내고 싶다
룸메이트 없이 살고 싶다
교육과 생활의 안정성이 중요하다

그런데 illiquid stock은 이런 욕구를 채워주지 못합니다.

즉 사람들은 단지 “20년 뒤 엄청난 부자”가 되는 약속만을 원하지 않고,

단기, 중기, 장기 모든 시점에서 자신이 돌봄받고 있다고 느끼길 원한다는 겁니다.

문화도 전 생애주기를 최적화해야 한다

그는 좋은 회사 문화란 추상적인 미션이 아니라, 직원 삶 전체를 설계하는 것이라고 봅니다.

단기 현금 니즈
중기 안정감
장기 부의 축적
를 모두 고려해야 한다는 겁니다.

이건 굉장히 현실적이면서도, 전형적인 스타트업 낭만주의와는 다른 시각입니다.

“그건 네가 원래 부자라서 가능한 거 아니냐?”

그는 자신이 신뢰와 명성은 얻었지만, 실제로는 사람들이 생각하는 만큼 현금 부자가 아니었다고 설명합니다.

Plaid를 Visa에 약 50억 달러 규모로 매각하려 했지만
DOJ 제지로 거래가 무산되었고
따라서 실제 현금화가 되지 않았다
그 결과 그는 종이 자산은 많았지만, 현금은 부족했습니다.
그래서 Column을 사실상 부채로 시작했다고 말합니다.

구조는 매우 공격적이었습니다.
보유한 Plaid 주식을 담보로 은행에서 돈을 빌렸다
가장 좋은 조건이 SOFR + 10%, LTV 5% 수준이었다
10억 달러 이상의 주식을 담보로 약 7천만 달러를 빌렸다

그 돈으로 은행을 샀다
즉 “자기 돈으로 창업”처럼 보이지만 실제론 엄청난 개인 리스크를 진 구조였습니다.

몇 번의 마진콜을 겪었고
여러 번 파산 직전까지 갔다고 표현합니다

창업자의 스트레스와 감춰야 하는 불안

William은 초창기 3년이 인생에서 가장 스트레스가 심했다고 말합니다.

은행을 인수했고
몇 년간 돈을 못 벌 수밖에 없고
규제 환경도 쉽지 않았고
개인 대출 상환 부담도 있었고
회사는 계속 투자해야 했다

그는 이 상황에서 창업자의 딜레마를 말합니다.

팀에게 투명해야 한다
사람들을 상황 속으로 어느 정도 끌어들여야 한다
하지만 동시에 너무 많은 불안을 팀에 전가해서도 안 된다

즉 창업자는 현실을 감추면 안 되지만, 공포를 그대로 조직 전체에 퍼뜨릴 수도 없습니다.

https://youtu.be/hFIvttHf0oo?si=dVdGcrnBfGkt9PTv

인생의 비밀은 삶을 장난처럼 대하는 거야.

무엇이든 가벼움과 기쁨, 편안함으로 접근할 수 있어.

지금 뭐 하는지 상관없어. 카페에서 일하거나, 처음 만나는 사람과 대화하거나, 저녁 먹으러 나가거나, 업무 전화 받거나, 트윗 쓰거나, 미친 여행 모험을 떠나거나.

진짜 착각은 ‘이건 진지하게 다뤄야 해’라는 생각이야.

오늘 아침에 나 자신을 봤는데, 시간과 싸우고 있었어.

친구가 태국에 도착한다고 해서,
운동하고, 바다에 뛰어들고, 커피 사 마시고 싶었는데 그 전에 다 끝내야 했거든.

스트레스 받고 긴장돼서 — 현실과 싸우고 있었지, 흐름에 맡기지 않고.

그런데 단 하나의 마음가짐 변화로 모든 게 달라졌어.

내 팔에 새겨놓은 문장
“It’s all play.” (모두 놀이일 뿐이야)

그 상황 전체를 내가 통제하고 싸워야 할 게 아니라, 영화 속 한 장면처럼 그냥 경험하는 것으로 보기로 했어.

오토바이 타고 마을을 질주하고, 바다에 뛰어들고, 카푸치노 하나 사는 게

서두르며 해내야 할 일들이 아니라, 전율을 느끼며 즐기는 경험이 됐어.

친구가 도착하고 나서 그날 나머지도 마법처럼 흘러갔어.

내 마음 상태가 긴장에서 바뀌었기 때문이야.

그래서 네가 서두르거나, 긴장하거나, 너무 진지해질 때마다
머릿속에 빨간 경고등이 켜져야 해.

인생은 그렇게 심각하게 살도록 만들어진 게 아니야.

현실은 통제하고 맞서 싸우라고 있는 게 아니야.

이건 게임이고, 영화고, 의식의 탐험이고, 네 영혼이 ‘너’라는 캐릭터를 통해 경험하기 위해 선택한 여정일 뿐이야.

그런 인식의 상태에 푹 빠져봐.

그러면 긴장되고 딱딱한 마음으로는 절대 컨트롤할 수 없었던,
훨씬 더 마법 같은 삶이 펼쳐지는 걸 보게 될 거야.

It’s all play.

https://x.com/gsivulka/status/2031797989908627849?s=46&t=h5Byg6Wosg8MJb4pbPSDow

Vibe Coding의 폭발, Cursor의 경고탄, 그리고 해자의 재정의

지금 vibe coding 시장은 과장이 아니라 실제로 폭발하고 있다. Lovable은 2026년 3월 기준 ARR 4억 달러를 공개적으로 언급했고 직원 수는 146명 수준이다. Replit은 2026년 3월 4억 달러를 조달하며 기업가치 90억 달러를 기록했고, 5천만 명 이상 사용자와 Fortune 500의 85%가 사용 중이라고 밝혔다. Vercel은 2025년 9월 93억 달러 가치로 Series F를 마쳤고, v0는 350만 명 이상이 사용하며 Teams·Enterprise가 v0 매출의 절반 이상을 차지한다고 밝혔다. Emergent는 2026년 1월 보도 기준 7개월 만에 ARR 5천만 달러에 도달했다고 했고, 이후 1억 달러 ARR 구간 진입 보도도 나왔다. Base44는 Wix에 인수된 뒤 2026년 3월 1억 달러 ARR에 도달했다고 보도됐다. 수치의 출처와 공개 수준은 제각각이지만, 결론은 하나다. “자연어로 앱을 만든다”는 수요는 이미 실제 매출 시장이 됐다.

하지만 이 시장을 보는 올바른 질문은 “누가 가장 멋진 데모를 보여주느냐”가 아니다. 보고서 원문이 던진 세 질문이 훨씬 본질적이다. 마법은 builder에 있나, model에 있나? 진짜 해자는 만들 수 있나? 그리고 labs가 직접 내려오면 이 카테고리는 살아남는가? 내 생각엔 이 세 질문이 각각 다른 답을 갖는 게 아니라, 사실상 하나의 질문으로 수렴한다. 모델이 만든 지능을 누가 배포 가능하고, 운영 가능하고, 감사 가능한 소프트웨어로 바꾸느냐가 결국 승부를 가른다.

1. Is the magic in the builder or the model?

초기 폭발의 직접적 원인은 builder였다. Lovable Cloud는 데이터 저장, 인증, 스토리지, edge functions를 인프라 설정 없이 붙여 주고, Replit Agent는 자연어로 앱을 만들고 수정하고 배포까지 이어지는 흐름을 제공한다. Vercel의 v0 역시 단순 채팅 UI가 아니라 RAG, frontier model, AutoFix를 결합한 다단계 파이프라인으로 “앱이 실제로 돌아가게 만드는” 경험을 제품화하고 있다. 즉 사용자가 느끼는 wow moment는 원시 모델 접근보다 prompt → preview → fix → deploy 전체를 감싼 builder 경험에서 나온다.

그렇다고 마법이 전부 builder에 있다고 보기는 어렵다. 상향 평준화의 큰 몫은 여전히 모델이 만든다. Anthropic은 Opus 4.6이 코딩과 디버깅, 대규모 코드베이스 처리, 장기 작업에서 개선됐다고 밝혔고, 그런 개선이 오면 그 위의 builder들도 거의 자동으로 좋아진다. Lovable도 기본 모델을 Gemini 3 Flash로 두면서 다른 모델이나 조합을 쓸 수 있게 하고, Replit은 OpenAI·Anthropic·Google·OpenRouter를 관리형으로 연결해 주며, Vercel은 AI Gateway로 여러 모델을 한 API와 fallback 구조 아래 통합한다. 즉 builder들은 멀티모델로 방어하려 하지만, 원시 지능의 주된 업그레이드 곡선은 여전히 frontier labs가 쥐고 있다.

그래서 이 질문의 가장 정확한 답은 이렇다. 초기 마법은 builder가 만든다. 하지만 장기적으로 가치의 더 큰 몫은 model이 빨아들일 위험이 있다. Builder가 계속 의미 있으려면 단순한 프롬프트 상자가 아니라, 모델이 혼자서는 제공하지 못하는 배포·복구·검증·운영 경험을 소유해야 한다.

2. Can anyone build a real moat?

여기서 pure builder와 infrastructure-backed platform이 갈린다. Lovable과 Bolt 같은 pure builder는 비개발자 onboarding, 빠른 생성, 즉각적인 wow moment에서는 매우 강하다. 하지만 Lovable은 프로젝트를 GitHub와 동기화하고 외부 호스팅이나 self-hosting으로 내보낼 수 있고, Bolt도 프로젝트를 export해서 다른 환경에서 이어갈 수 있다. 이 구조는 사용자에게는 장점이지만 회사 입장에서는 전환비용을 약하게 만든다. 그래서 Lovable이 최근 roles & permissions, SSO/SCIM, audit logs, traceability 같은 enterprise 제어 기능을 강화하는 건 매우 논리적이다. 생성만으로는 약하니, 거버넌스로 락인을 만들려는 것이다.

Replit은 이보다 한 단계 더 방어적이다. Replit은 Agent 경험뿐 아니라 호스팅, private deployments, 접근 제어, 앱 모니터링, 그리고 Azure·Google Cloud 같은 대형 인프라 파트너십까지 한 묶음으로 제공한다. 특히 Microsoft와의 공식 통합은 자연어로 만든 앱을 Azure 위의 엔터프라이즈 소프트웨어로 연결하려는 방향을 보여주고, Replit은 Fortune 500 침투와 enterprise-grade 보안·배포를 동시에 강조한다. 이건 단순 builder가 아니라 AI-native application platform 쪽에 가깝다. 이런 플랫폼은 사용자가 “앱을 만들었다”에서 끝나지 않고 “앱을 조직 안에서 운영한다”까지 이어질 때 해자가 더 두꺼워진다.

Vercel은 또 다른 종류의 해자를 가진다. Vercel은 Replit처럼 범용 앱 플랫폼 전체를 다 쥐려 하기보다, 웹 애플리케이션의 배포·성능·관측성·보호 계층을 강하게 장악하고 있다. v0는 composite model stack과 AutoFix를 갖고 있고, Vercel은 AI Gateway로 모델 공급자 전환과 budget control, fallback, usage monitoring을 제공한다. 여기에 SAML, RBAC, deployment protection, edge network, Blob·Edge Config·Postgres 연동까지 붙는다. 즉 Vercel의 해자는 “앱 생성기”보다 웹 런타임과 배포의 표준 위치에 더 가깝다. app layer가 흔들려도 deployment layer가 남는다면, Vercel은 비교적 더 오래 버틸 가능성이 있다.

Emergent는 아직 덜 증명됐지만, 왜 다음 세대 entrant들이 계속 나올 수 있는지 보여주는 좋은 예다. Emergent는 대화형 full-stack 앱 생성, 자동 배포, managed backend, 그리고 회사 설명 기준으로 multi-agent orchestration, containerized environments, auditability, code export를 전면에 내세운다. 아직 Replit이나 Vercel만큼 검증된 인프라 해자를 가졌다고 보기엔 이르지만, 방향은 분명하다. 새 entrants가 이기려면 더 이상 “저도 앱 만들어 드려요”로는 안 되고, production deployment·agent orchestration·vertical workflow 같은 더 깊은 wedge를 가져야 한다.

즉 “누가 진짜 해자를 가질 수 있나?”에 대한 내 답은 이렇다. 가능은 하다. 하지만 해자는 prompting UI에서 나오지 않는다. 해자는 인프라, 거버넌스, 검증, 운영, 그리고 특정 사용자 집단의 반복 workflow를 소유하는 데서 나온다.

3. Does the category survive the labs?

이 질문에 답하려면 Cursor를 봐야 한다. Cursor는 Lovable의 반대 사례가 아니라, 프론티어 랩이 충분히 큰 시장이라고 판단하면 애플리케이션 레이어로 직접 내려와 경쟁한다는 선행 사례다. Anthropic은 Claude Code를 일반 공개한 뒤 2026년 2월 기준 25억 달러 이상의 런레이트 매출을 공개했고, Anthropic Labs를 통해 Cowork 같은 데스크톱 agent surface도 실험하고 있다. OpenAI는 Codex 앱을 내놓았고, Reuters에 따르면 Codex는 이미 주간 활성 사용자 200만 명을 넘겼다. 같은 날 OpenAI는 Astral 인수를 발표했고, ChatGPT·Codex·브라우저를 묶는 desktop superapp 계획도 확인됐다. 즉 labs는 모델 공급자로만 남지 않는다. 시장 규모가 보이면 인터페이스와 제품 레이어까지 가져가려 한다.

그렇다고 독립 회사가 전부 사라지는 것은 아니다. Cursor의 대응이 그걸 보여준다. Reuters에 따르면 Cursor는 2025년 11월 ARR 10억 달러를 넘겼고, 이후 자체 연구와 제품 깊이에 더 투자했다. Cursor Automations는 항상 켜져 있는 agent, cloud sandbox, MCP, memory를 제공하고, enterprise 제품은 zero data retention, SAML SSO, SCIM 같은 신뢰 계층을 내세운다. 즉 살아남는 독립 플레이어는 wrapper가 아니라 workflow OS가 되려 한다. 이건 Lovable, Replit, Vercel, Emergent 모두에게 같은 메시지다. labs가 내려오면 category 자체가 사라진다기보다, 얇은 builder는 feature가 되고, 깊은 platform만 남는다.

그럼 이 분야에서 해자가 생길 수 있는 방향은 어디인가

내 판단으로, 앞으로 방어 가능한 회사는 다섯 방향 중 하나로 수렴할 가능성이 크다. 첫째, deployment와 runtime을 소유하는 플랫폼이다. Replit과 Vercel이 여기 가장 가깝다. 둘째, enterprise governance layer다. SSO, RBAC, SCIM, audit logs, traceability, deployment protection 같은 기능이 단순 부가기능이 아니라 핵심 해자가 된다. 셋째, evaluation·verification·autofix·agent orchestration 같은 제품 레이어 연구다. Vercel의 composite stack, Cursor의 Automations, Replit의 agent workflow가 이 방향이다. 넷째, distribution moat다. Wix 안의 Base44처럼 기존 제품군에 builder를 끼워 넣으면 생성 기능 자체보다 유통이 더 큰 방어막이 된다. 다섯째, vertical moat다. 규제 산업, 특정 데이터 모델, 특정 workflow approvals가 필요한 영역에서는 general builder보다 domain-specific builder가 훨씬 방어적일 수 있다. 이건 OpenAI의 Responses API와 Anthropic의 MCP/Labs가 기본 빌딩블록을 열어줄수록 더 중요해진다. 누구나 builder를 만들 수 있게 될수록, 아무나 쉽게 따라 할 수 없는 workflow와 distribution이 더 중요해지기 때문이다.

Lovable은 가장 빠른 pure builder의 대표 주자이고, Replit은 가장 강한 infra-backed generalist, Vercel은 웹 배포와 runtime을 쥔 specialist, Emergent는 next-wave entrant의 방향성, 그리고 Cursor는 frontier labs가 시장을 크게 보면 직접 들어온다는 선행 경고다. 그래서 이 시장의 핵심 질문은 더 이상 “누가 제일 잘 만들어 주느냐”가 아니다. 진짜 질문은 누가 모델의 지능을 조직이 신뢰할 수 있는 소프트웨어 시스템으로 바꾸느냐다. 마법은 모델에서 시작할 수 있다. 하지만 오래 남는 경제성은, 생성된 코드가 배포되고, 보호되고, 운영되고, 감사 가능한 소프트웨어가 되는 지점에 쌓인다.

AI-Native Design의 시대, Paper가 바꾸는 디자인과 개발의 방식

지난 10년 동안 소프트웨어 디자인의 도구와 방식은 빠르게 변해왔다. Sketch에서 시작해 Figma, InVision 같은 웹 기반 협업 툴이 등장했고, Origami와 Framer는 프로토타이핑의 가능성을 넓혔다. Pixelcloud, Wake, Abstract 같은 협업 도구가 생겨났고, Zeplin은 개발자 핸드오프를 더 체계적으로 만들었다. 디자이너들은 그때그때 더 좋은 툴과 플러그인을 찾아 조합하며 일해 왔다. 그러나 최근에는 이런 변화와는 결이 다른, 훨씬 근본적인 전환이 나타나고 있다. 바로 AI 에이전트와 함께 디자인하고, 그 결과를 다시 코드로 연결하는 방식이다.

Paper와 AI 에이전트를 중심으로 한 새로운 디자인 워크플로우다. 특히 Paper는 단순히 “AI가 디자인을 대신해 주는 툴”이 아니라, 사람이 직접 중심을 잡고 에이전트를 지휘하며 디자인과 구현을 함께 발전시켜 나가는 캔버스로 제시된다. 이는 단순한 생산성 향상이 아니라, 디자인과 개발의 관계 자체가 바뀌는 신호이다.

가장 인상적인 변화는, 이제 AI 에이전트가 단순히 아이디어를 제안하는 수준을 넘어 실제로 HTML/CSS를 생성하고 Paper의 캔버스를 직접 수정할 수 있다는 점이다. 에이전트는 MCP를 통해 Paper 안에서 프레임을 만들고, 수정 가능한 디자인 결과물을 남긴다. 이때 생성된 프레임은 단순한 이미지가 아니라 사용자가 직접 다시 편집할 수 있는 구조로 만들어지며, Paper의 flex 시스템까지 적용되는 경우가 많다. 그래서 디자이너는 결과물을 받기만 하는 것이 아니라, 캔버스에서 직접 레이아웃과 스타일을 손보고, 다시 그 결과를 에이전트에게 넘겨 코드로 구현하게 만들 수 있다. 즉, 디자인과 코드가 단절된 단계가 아니라 하나의 왕복 루프로 이어지는 것이다.

글쓴이는 이 변화를 “AI-native design”이라고 부른다. 이것은 AI가 사람을 대신해 디자인을 끝내는 방식이 아니라, 사람과 에이전트가 같은 작업 공간 안에서 반복적으로 협업하는 방식에 가깝다. 앞으로 디자이너는 다른 사람과만 협업하는 존재가 아니라, AI 에이전트와 훨씬 더 자주 일하게 될 것이다.

디자인과 UI 구현에는 주로 Claude Code, 특히 Opus 4.6을 사용하고, 프런트엔드 작업이나 빠른 수정에는 Codex 앱을 활용한다고 한다. 이 워크플로를 시작하려면 우선 Claude Code와 Paper MCP를 연결해야 한다. Paper 데스크톱 앱을 설치한 뒤 터미널에서 MCP 서버를 등록하고, Claude 안에서 /mcp 명령으로 연결 상태를 확인하면 준비가 끝난다. 설정 자체는 간단하지만, 그 이후 열리는 작업 방식은 이전과 전혀 다르다.

새 프로젝트를 시작할 때 글쓴이는 빈 화면에서 모든 것을 처음부터 만들지 않는다. 대신 Paper Snapshot을 활용한다. 이 크롬 플러그인은 웹사이트를 Paper 안으로 복사해 editable layer 형태로 가져올 수 있게 해 준다. 즉, 단순히 스크린샷을 참고하는 것이 아니라, 이미 존재하는 UI 패턴을 바로 캔버스로 가져와 구조와 스타일을 활용할 수 있다. 그의 가장 선호하는 방식은 먼저 Snapshot으로 참고할 만한 UI를 가져오고, 그다음 Claude에게 제품 스펙과 함께 “이 레퍼런스를 바탕으로 다시 설계해 달라”고 요청하는 것이다. 이렇게 하면 기본적인 컴포넌트와 프레임을 일일이 세팅하는 시간을 크게 줄일 수 있다.

이 과정에서 중요한 것은 프롬프트의 방식이다. 그는 짧고 추상적인 지시보다 구체적이고 맥락이 풍부한 요청이 훨씬 낫다고 강조한다. 전체 사용자 여정을 한 번에 만들라고 하기보다는 특정 페이지, 특정 컴포넌트, 특정 흐름 단위로 잘게 나눠서 요청하는 편이 결과가 좋다. 여기에 제품 스펙, 참고 스크린샷, 요구사항 문서 같은 부가 맥락까지 함께 제공하면 에이전트는 훨씬 더 나은 출발점을 만든다. 결국 AI와 일할 때도, 사람이 얼마나 명확하게 문제를 정의하느냐가 여전히 중요하다는 뜻이다.

기존 디자인이 있을 때도 이 방식은 유효하다. 그는 기존 파일 안에 에이전트와 집중적으로 실험할 별도의 페이지를 새로 만들어 작업하는 것을 좋아한다고 한다. QA 환경이나 배포 브랜치의 실제 앱 화면을 Snapshot으로 캔버스에 가져오고, Paper에서 선택해 둔 프레임을 기준으로 Claude에게 “이 프레임을 보고 이런 온보딩 플로를 만들어 달라”거나 “이 페이지의 구조를 유지하되 특정 산업군에 맞게 콘텐츠를 채워 달라”는 식으로 요청할 수 있다. 이 덕분에 단순한 와이어프레임을 만드는 것이 아니라, 꽤 현실감 있고 설득력 있는 시안을 빠르게 만들 수 있다. 고객 미팅이나 내부 리뷰를 위한 프로토타입을 준비할 때 특히 강력한 방식이다.

이 워크플로에서 중요한 순간은 AI가 완벽한 결과물을 한 번에 뽑아내는 장면이 아니다. 오히려 글쓴이가 말하는 “aha moment”는, Paper 위에서 에이전트가 실제로 화면을 구성하고 빌드해 나가는 과정을 보면서 디자인이 더 이상 사람이 혼자 하는 작업이 아니라는 사실을 체감하는 순간이다. 다만 그는 이 점을 지나치게 낙관적으로만 보지 않는다. 현실적으로 Opus가 한 번에 잘 만들어 줄 때도 있지만, 대부분은 사람과 에이전트가 여러 번 주고받으며 결과를 다듬게 된다. AI가 초안을 만들고, 사람이 Paper 캔버스에서 수정하고, 다시 에이전트에게 다른 변형안을 요청하고, 준비된 부분부터 코드로 구현하는 식이다. 결국 핵심은 “원샷 생성”이 아니라 반복적 협업이다.

그래서 구현 단계에서도 그는 한 번에 전체 페이지를 맡기지 말라고 조언한다. 디자인이 어느 정도 준비되었다면, 에이전트에게도 특정 페이지나 특정 컴포넌트처럼 작고 분명한 단위로 구현을 맡겨야 한다. 사람이 수동으로 작업할 때도 큰 문제를 작게 나누는 편이 안정적인 것처럼, AI에게도 더 세분화된 단위가 훨씬 좋은 결과를 만든다. 즉, 에이전트를 잘 활용하려면 더 큰 그림을 보는 능력만이 아니라, 일을 잘게 쪼개고 우선순위를 정하는 능력도 필요하다.

Paper는 복잡한 WebGL 캔버스 위에 추상적인 구조를 얹은 방식이 아니라, 더 네이티브한 React 기반 접근을 취하고 있기 때문에 에이전트가 그냥 익숙한 HTML/CSS를 써서 캔버스에 결과를 떨어뜨릴 수 있다고 설명한다. 이 구조 덕분에 디자인 결과와 실제 구현 사이의 간격이 줄어들고, 툴 자체도 더 빠르고 UI 작업에 적합한 감각을 준다고 말한다. 여기에 더해 Paper는 단순히 AI 기능만 있는 도구가 아니라, 셰이더 같은 새로운 표현 도구까지 접근 가능하게 만들면서 디자이너를 위한 더 나은 캔버스를 구축하고 있다고 평가한다. 팀에 대한 신뢰 역시 이유 중 하나다. 특히 창업자인 Stephen Haney가 Radix UI를 만든 인물이라는 점에서, 디자인과 개발의 경계를 오랫동안 고민해 온 팀이 이 문제를 풀고 있다고 본다.

“모델이 아직 UI를 아주 잘하는 것은 아니다”라고 솔직하게 인정한다. AI 모델이 많은 벤치마크에서 뛰어난 성능을 보이더라도, 실제 제품 수준의 세심한 UI 설계에는 여전히 반복과 수정이 필요하다는 것이다. 그래서 좋은 결과는 한 번의 생성이 아니라 사람의 감각과 여러 차례의 피드백 속에서 나온다. 둘째로, Paper는 아직 Figma와 비교했을 때 단축키나 세부 기능 면에서 부족한 부분이 있다고 한다. 예를 들어 데스크톱에서 scale 기능을 위한 k 단축키 같은 기본적인 요청도 아직 남아 있다는 이야기다. 즉, 가능성은 크지만 아직 완성형 도구라고 보기는 어렵다.

그럼에도 불구하고 글쓴이는 지금이야말로 AI-native하게 일하는 법을 익혀야 할 시점이라고 말한다. 자신이 초기 Ramp 시절에도 빠르게 제품을 만들며 일했지만, 지금의 Paper, Claude, Codex와 함께하는 속도는 그때와는 차원이 다르다고 느낀다고 한다. 도구의 발전이 단순히 몇 시간을 절약하는 수준이 아니라, 제품을 구상하고 만들고 수정하는 방식 자체를 바꾸고 있다는 뜻이다. 그래서 그는 지금 이 흐름을 놓치지 말아야 한다고 강조한다. 실제로 Paper가 Ramp의 SaaS 리포트에서 연이어 주목받는 벤더로 등장한 점도 이런 분위기를 보여 주는 사례로 제시된다.

결국 이 글이 말하는 바는 단순하다. 디자인과 개발은 더 이상 분리된 단계가 아니라, 하나의 연속된 대화가 되고 있다. 디자이너는 더 이상 정적인 화면만 만드는 사람이 아니라, 에이전트와 함께 탐색하고 수정하고 구현까지 이어 가는 역할로 바뀌고 있다. Paper는 그 변화가 실제 작업 흐름 속에서 가능하다는 것을 보여 주는 도구다. 사람은 방향을 잡고, AI는 속도를 높이고, 둘은 같은 캔버스 위에서 함께 만든다. 글쓴이가 말하는 “AI-native design”이란 결국 기술의 유행어가 아니라, 이제 막 현실이 되기 시작한 새로운 제작 방식의 이름이다.

AI는 숙련을 상품화한다. 그래서 많은 사람들이 공포를 느낀다.

보통 창업자들은 최근 10~20년의 기술 비즈니스만 보면서 “SaaS는 죽었다”, “프로그래머는 끝났다” 같은 식의 유한 게임적 결론을 내리는데, Pete Flint는 이건 문화사·예술사·미디어사의 훨씬 더 긴 흐름을 놓친 해석이라고 봅니다. Pete Flint는 전자음악이 음악을 끝내지 않았고, 사진이 회화를 죽이지 않았고, 더 강한 AI 체스 엔진이 체스를 끝내지 않았다고 말합니다. 이런 분야는 사라지지 않고, 오히려 갈라지고 커지고 새로운 하위 장르를 낳으며 더 큰 생태계가 됩니다. 그는 이걸 “infinite game” 이라고 부릅니다.

즉 단기적으로는 어떤 역할이나 기술이 덜 중요해질 수 있고, 어떤 비즈니스 창은 닫힐 수 있습니다. 하지만 장기적으로 보면, 진짜 변혁적 기술은 “가능한 것의 범위” 를 넓혀버립니다. 가능성이 넓어지면 사람들이 새 시도를 하고, 새 시도는 새로운 수요를 만들고, 그 수요는 이전에는 없던 시장·직업·산업을 낳습니다. 이게 Pete Flint가 말하는 AI의 본질입니다. AI는 기존 노동을 조금 줄이는 도구를 넘어서, 새로운 경제 표면적(surface area) 을 여는 기술이라는 것입니다.

역사적으로 이런 기술 충격은 대체보다 확장을 만들어왔다. 사진은 회화를 죽이지 않았고, 오히려 양쪽 모두를 확장했다.

1839년 다게레오타입이 공개됐을 때, 초상화 화가들은 당연히 위협을 느꼈습니다. 인간의 얼굴을 짧은 시간 안에 높은 충실도로 재현하는 기계가 등장했으니, 초상화라는 주요 생계 기반이 무너지는 것처럼 보였던 것입니다. 이때 “회화는 죽었다”는 식의 반응이 나왔고, 실제로 그런 정서가 널리 퍼졌습니다.

하지만 Pete Flint가 강조하는 건, 사진이 회화를 죽인 게 아니라 회화가 더 이상 “현실의 기록”만 담당할 필요가 없어졌다는 것입니다. 그 의무가 약해지자 오히려 회화는 자유로워졌고, 그 결과 인상주의, 표현주의, 입체주의 같은 새로운 방향이 폭발적으로 나왔습니다. 즉 사진은 회화를 대체한 것이 아니라, 회화를 표현의 다른 차원으로 밀어 올린 기술이었습니다.

AI가 특정 기능을 너무 잘하게 되면, 인간은 그 기능을 계속 붙들기보다 그 위에서 더 자유롭고 더 표현적인 방향으로 이동하게 된다.

사진이 회화를 살려줬다는 것만이 아니라, 사진 자체도 그 후 엄청난 파생 산업과 표현 방식을 낳았다는 겁니다. 다게레오타입 이후 칼로타입, 대량 인쇄, 정부와 출판사의 고용, 전쟁 기록 사진, 포토저널리즘, 소비자용 필름 현상, 거리 사진, 즉석사진, 스마트폰 사진, 이미지 플랫폼, 개인 시각 기록 문화까지 계속 이어졌습니다. 기술이 한 번 열어젖힌 가능성은 한 가지 시장으로 끝나지 않고, 연쇄적으로 새로운 시장들을 생성했다.

Kodak Brownie가 아마추어 사진 시장을 열었고, Leica가 거리 사진을 촉진했으며, Polaroid는 훗날 스마트폰 카메라의 즉시성 논리를 앞당겨 보여줬다고 설명합니다. 그리고 스마트폰도 사진을 끝내지 않았습니다. 오히려 수십억 명을 “사진가”로 만들고, 이미지 배포 플랫폼과 새로운 미학과 직업을 만들어냈습니다. 여기서 Pete Flint가 강조하는 메커니즘은 단순합니다. 근본 기술이 가능성을 바꾸면, 사람들이 시도하는 것이 바뀌고, 그러면 새로운 시장이 생긴다.

“우리는 지금 AI의 daguerreotype moment에 있다.”
즉 공포는 현실적이고, 일부 대체와 충격도 분명 있으며, 그 과정은 실제로 많은 사람에게 고통스럽습니다. 하지만 역사적으로 이런 순간은 대개 “끝”이 아니라 “새로운 시작”이었습니다. 겉으로는 기존 기술과 직업의 소멸처럼 보이지만, 실제로는 전혀 다른 더 큰 영토가 열리는 순간이라는 것입니다.

그는 무조건 낙관론을 강요하지 않습니다. 오히려 “panic is real and displacement is painful”라고 인정합니다. 다만 그 고통의 순간만 보고 전체 미래를 축소해서 해석하면, 창업가는 완전히 잘못된 방향으로 갈 수 있다고 말합니다. AI의 의미는 숙련을 빼앗는 것에만 있는 게 아니라, 그 숙련 위에서 새롭게 시도할 수 있는 영역을 열어주는 것에 더 크게 있다는 것입니다.

숙련의 시대가 저물고, 표현의 시대가 온다

앞으로 중요한 건 craft → taste → expression 순으로 이동할 것

“숙련된 장인정신(craftsmanship)”의 가치가 빠르게 떨어지고 있다. 과거에는 코딩을 잘하고 글을 잘 쓰는 사람이 진입장벽을 가졌지만, 이제는 많은 사용자가 오랜 수련 없이도 꽤 훌륭한 결과물을 만들 수 있습니다. 그래서 많은 사람들이 다음 희소성으로 taste 를 말합니다. “이제 중요한 건 취향과 안목이다”라는 주장을 합니다.

그는 taste조차 오래 희소하지 않을 수 있다고 말합니다. 왜냐하면 taste는 본질적으로 과거를 바라봅니다. 즉 무엇이 잘 먹혔고 무엇이 아름다웠는지, 과거의 패턴을 압축해 판단하는 능력인데, 이런 건 결국 AI가 학습 가능한 신호가 될 수 있다는 것입니다.

그는 taste 다음의 진짜 희소성을 expression으로 둡니다.
expression은 뒤를 보는 게 아니라 앞으로를 봅니다.

과거에 검증된 것을 고르는 게 아니라, “무엇이 아직 없지만 있어야 하는가”, “내가 세상에 어떤 새로운 관점을 제안하는가”를 담는 능력이라는 뜻입니다. AI는 taste를 점점 더 잘 흉내 낼 수 있어도, 정말 자기만의 관점에서 무언가를 밀어붙이는 표현은 인간에게 더 오래 남는다는 주장입니다.

피카소 사례: 기술을 버린 게 아니라 더 높은 차원의 표현으로 넘어갔다

피카소가 처음부터 추상적 실험을 한 사람이 아니라, 오히려 매우 뛰어난 사실주의적 화가였습니다.

1907년의 Les Demoiselles d’Avignon는 그 상징적 사례입니다. 당시엔 충격적이고 불쾌하다는 반응이 많았고, 심지어 동시대 예술가들조차 강한 거부감을 보였습니다. 하지만 지금은 현대미술사의 결정적 분기점으로 읽힙니다. Pete Flint는 여기서 중요한 건 피카소가 skill을 버린 게 아니라, representation보다 expression을 택했다는 점이라고 말합니다. 즉 있는 것을 잘 묘사하는 것보다, 자기 내부의 세계와 새로운 형식을 밀어넣는 쪽을 택한 것입니다.

AI가 이제 “skill entry fee”를 내준다. 즉 기술적 숙련은 더 이상 희소성의 핵심이 아니다.
그러면 다음 승부는 “누가 더 잘 만든다”가 아니라, “누가 더 새롭게 본다”, “누가 더 강한 관점을 밀어넣는다”가 됩니다. Pete Flint는 미래의 승자는 “자동화된 것이 가능한지”에 흥분하는 사람이 아니라, 그 자동화를 너무 당연한 전제(table stakes)로 보고 그 위에 완전히 다른 게임을 만드는 사람이라고 봅니다.

Bowie 인용: “Never play to the gallery”

글의 마지막 철학적 중심축은 David Bowie 인용입니다. Bowie는 “Never play to the gallery”, 즉 남의 기대나 박수에 맞춰 안전한 창작을 하지 말라고 말합니다.

그가 말하고 싶은 건 이겁니다.
지금 창업가에게 필요한 태도는

숙련이 싸지는 걸 방어적으로 슬퍼하는 장인의 자세도 아니고

이미 검증된 취향만 지키려는 평론가의 자세도 아니며

새 도구를 써서 자기 관점에서 전혀 새로운 것을 만드는 예술가의 자신감이라는 것입니다.

그래서 Bowie의 또 다른 구절,
“항상 자신이 감당 가능하다고 느끼는 것보다 조금 더 깊은 물로 들어가라”

Sasha Stiles 사례: 인간과 기계가 함께 만드는 새로운 표현

Sasha Stiles의 사례를 들면서, 이미 예술가들이 AI를 단순 자동화 도구가 아니라 새로운 표현 형식으로 쓰기 시작했다고 말합니다. 그는 MoMA에서 진행된 작업을 예로 들며, Stiles가 자신의 글을 바탕으로 만든 alter-ego AI Technelegy가 60분마다 시를 다시 쓰는 프로젝트를 언급합니다. 이 사례는 중요합니다. 왜냐하면 AI가 “인간을 대체하는 것”이 아니라, 인간 표현을 새로운 형식으로 재조합하고 확장하는 도구가 될 수 있음을 상징적으로 보여주기 때문입니다.

1. “코딩”의 본질이 바뀌었다

카파시는 이 에피소드에서 가장 먼저, 이제 code라는 말 자체가 정확하지 않다고 말해. 예전에는 개발자가 직접 코드를 타이핑하는 사람이었다면, 지금은 여러 에이전트에게 “내 의지”를 전달하고, 그들이 병렬로 일하도록 설계하는 사람이 되어 간다는 거야. 그가 “하루 16시간 동안 에이전트에게 내 의지를 표현한다”고 한 이유도 여기 있고, 특히 12월을 기점으로 자신이 직접 쓰는 코드보다 에이전트에게 위임하는 비중이 더 커졌다고 본다. 그는 이걸 단순 생산성 향상이 아니라 소프트웨어 엔지니어링의 phase shift처럼 느낀다고 설명한다.

2. 새 병목은 모델이 아니라 “사람의 오케스트레이션 실력”이다

이전 병목은 타이핑 속도, 구현 시간, 인간의 집중력이었는데, 이제 카파시는 실패의 원인을 모델 한계보다 “내가 아직 잘 못 시켰기 때문”으로 느낀다고 말해. instruction file이 약했을 수 있고, memory tool이 부실했을 수 있고, task decomposition이 안 좋았을 수 있다는 식이야. 그래서 “everything is skill issue”라는 표현이 나온다. 같은 맥락에서 그는 GPU가 놀고 있으면 불안했던 박사과정 시절처럼, 이제는 subscription과 token throughput이 남아 있으면 불안하다고도 말해. 즉, 코딩의 중심 스킬이 “직접 구현”에서 지시, 분해, 검증, 병렬화로 이동하고 있다는 뜻이야.

3. 다음 단계는 단일 에이전트가 아니라 멀티에이전트 + persistent system이다

카파시가 보는 “숙련”은 좋은 프롬프트 한 번 던지는 수준이 아니야. 여러 에이전트가 동시에 돌아가고, 서로 간섭하지 않는 일을 나눠 맡고, 사람은 그 위에서 macro action 단위로 레포를 조작하는 상태를 말해. 그가 Peter Steinberger 사례를 든 것도 그래서야. 여기서 중요한 게 “claw”인데, 이건 그냥 채팅형 코딩 에이전트보다 더 persistent한 층위야. 계속 살아 있고, 사용자가 보고 있지 않아도 루프를 돌고, memory와 tool을 붙여 장기 실행이 가능해야 한다는 발상이지. OpenClaw 공식 저장소도 실제로 agent workspace에 AGENTS.md, SOUL.md, TOOLS.md를 주입하고, gateway daemon을 설치해 assistant를 always-on으로 유지하는 구조를 설명한다.

4. 에이전트의 성능만큼 “성격과 인터페이스”도 중요하다는 게 그의 포인트다

카파시는 Claude와 Codex를 비교하면서, 단순히 코드 생성 품질만이 아니라 에이전트가 팀메이트처럼 느껴지는가, 내가 뭘 만들고 있는지 이해하는가, 칭찬이나 반응이 얼마나 적절한가까지 중요하다고 말해. 그의 표현대로 Codex는 상대적으로 dry하고, Claude는 teammate-like하게 느껴진다는 거지. 그리고 OpenClaw가 resonant했던 이유로 그는 SOUL.md 같은 personality layer, memory system, 그리고 WhatsApp 같은 단일 포털을 꼽는다. 즉 앞으로의 경쟁력은 “더 똑똑한 모델”만이 아니라 더 인간이 다루기 쉬운 agent persona + persistent UX에도 있다는 거야.

5. Dobby 사례가 보여주는 건 “앱의 시대에서 API의 시대로”의 이동이다

그가 가장 재미있게 든 예시는 집 자동화용 claw인 Dobby야. transcript에 따르면 그는 에이전트에게 집 LAN에서 Sonos 같은 장치를 찾게 했고, 에이전트가 이를 발견해 API를 찾아내고, 조명/HVAC/블라인드/풀/스파/보안까지 하나의 자연어 인터페이스로 엮었다고 설명한다. 그 결과 예전엔 6개 앱을 써야 하던 걸 이제는 WhatsApp을 통해 자연어로 제어하게 됐다는 거야. 여기서 카파시가 끌어낸 더 큰 결론은 강하다. 많은 앱은 사실 존재할 필요가 없고, 하드웨어/서비스는 API만 노출하면 되며, agent가 그 위의 지능 레이어가 된다는 거지. 즉 UX의 중심이 “사람이 배워야 하는 GUI”에서 “에이전트가 호출하는 API”로 이동한다는 주장이다.

6. AutoResearch는 “연구자까지 루프 밖으로 빼자”는 발상이다

카파시가 AutoResearch에서 밀고 있는 건 단순한 ML demo가 아니야. 핵심은 연구 루프를 인간이 계속 이어붙이는 구조 자체를 문제 삼는 것이야. 공식 repo 설명대로 autoresearch는 에이전트가 작은 LLM training setup에서 train.py를 바꾸고, 5분 훈련을 돌리고, val_bpb를 보고, 개선되면 유지하고 아니면 버리는 루프를 자동으로 반복한다. 그리고 사람은 Python 코드를 고치는 대신 program.md라는 markdown instructions를 고친다. 에피소드에서 카파시는 이걸 더 밀어붙여, 결국 연구 조직 전체가 markdown files로 표현될 수 있고, 그 조직 자체도 튜닝 대상이 된다고 말한다. standup을 적게 하는 조직, 더 risk-taking한 조직, 더 보수적인 조직을 전부 “code”로 볼 수 있다는 거지.

7. 그래서 그가 말하는 진짜 게임은 “evaluation이 있는 문제를 닫힌 루프로 바꾸는 것”이다

카파시는 이 패턴이 특히 objective metric이 명확한 문제에 강하다고 본다. 예를 들어 같은 동작을 유지하면서 CUDA kernel을 더 빠르게 만들기, validation metric을 낮추기, unit test 통과 여부로 판정되는 문제는 agent loop와 너무 잘 맞는다는 거야. 반대로 좋은지 나쁜지 평가하기 어려운 문제, 의도 해석, 미묘한 취향, 애매한 소프트한 판단은 아직 훨씬 어렵다고 말한다. 그래서 그의 메시지는 “모든 문제가 자동화된다”가 아니라 “평가 가능하게 정의된 문제부터 자동화가 급속히 먹힌다”에 가깝다.

8. 하지만 그는 동시에 지금 모델들이 여전히 ‘jagged’하다고 본다

이 대화의 밸런스가 좋은 이유는, 카파시가 엄청 흥분하면서도 모델의 이상한 불균일성을 계속 강조하기 때문이야. 그는 현재 모델을 “평생 시스템 프로그래머였던 뛰어난 박사과정생과 10살 아이가 한 몸에 들어 있는 것 같다”고 묘사한다. agentic task에서는 몇 시간씩 산을 옮길 수 있는데, 검증되지 않은 영역이나 soft task에선 엉뚱하게 헤매고, 심지어 농담 하나도 몇 년째 별로 발전이 없다는 예를 든다. 그의 설명은 명확해. RL이 잘 먹는 verifiable domain은 빨리 좋아지지만, 그렇지 않은 부분은 상대적으로 덜 최적화되어 남는다는 것. 그래서 그는 “코드가 좋아지면 모든 지능이 고르게 따라온다”는 강한 일반화 서사에는 회의적이다.

9. 모델의 미래도 “하나의 거대 oracle”보다 점점 분화될 수 있다고 본다

그는 지금의 labs가 하나의 거대한 monoculture model을 만들고 거기에 모든 능력을 밀어 넣으려 하는 것처럼 보인다고 말한다. 하지만 장기적으로는 speciation, 즉 분화가 더 자연스럽다고 본다. 생물계에서 시각 피질이 강한 동물, 특정 niche에 특화된 동물이 있듯이, AI도 모든 것을 다 아는 하나의 oracle보다 작지만 competent한 core를 가진 뒤 특정 작업에 전문화된 모델들이 늘어날 수 있다는 거야. 다만 아직은 fine-tuning으로 특정 능력을 올리면서 다른 능력을 망가뜨리지 않는 기술, 즉 “weights를 만지는 과학”이 충분히 성숙하지 않아 실제 분화가 크게 보이지는 않는다고 본다. 지금은 context window를 조작하는 쪽이 훨씬 쉽고 싸다는 얘기다.

10. 일자리와 산업에 대해서는 “디지털 작업이 먼저 재편된다”는 관점이 강하다

카파시는 jobs data를 보면서 특히 디지털 정보를 다루는 직업군에 주목했다고 말한다. 이유는 간단해. 지금 AI는 물리 세계보다 디지털 세계의 비트를 훨씬 잘 다룬다. 그는 “bits are so much easier”라고 말하고, 그래서 단기적으로는 원자(atom)를 다루는 물리 노동보다 디지털 정보 처리 직업군이 더 빨리 재편될 거라고 본다. 그렇다고 무조건 일자리가 사라진다고 단정하지는 않아. 오히려 그는 software가 그동안 희소하고 비쌌기 때문에, 장벽이 내려가면 Jevons paradox처럼 software 수요가 늘 수 있다고 본다. 그래서 사람들에겐 우선 “두려워하거나 dismiss하지 말고 따라붙어라”는 조언을 한다. 현재 시점에서 AI는 아직은 주로 task bundle을 가속하는 도구라는 거지.

11. 오픈소스와 프런티어 랩에 대해서는 “긴장된 균형”을 선호한다

그는 frontier labs가 비싼 frontier intelligence를 밀어 올리는 역할은 필요하다고 본다. 동시에 모든 지능이 닫혀 있는 구조는 구조적으로 위험하다고 본다. transcript에서 그는 오픈 모델이 frontier보다 몇 달 뒤에 따라오면서, 산업 전체가 접근 가능한 common working space for intelligences 역할을 해주는 구도가 꽤 건강하다고 말한다. 또 frontier lab 안에 있으면 실제 frontier를 보며 판단력을 유지할 수 있지만, 동시에 조직의 인센티브와 압력에서 완전히 자유롭기는 어렵다고도 본다. 그래서 그의 결론은 inside/outside 중 하나가 아니라, 양쪽을 오가며 frontier 감각과 독립성을 동시에 확보하는 것에 가깝다.

12. 로보틱스는 오겠지만, 그는 여전히 “bits first, atoms later”라고 본다

자율주행 경험을 가진 사람답게 그는 물리 세계 자동화에 훨씬 조심스럽다. 핵심 메시지는 디지털 공간에서의 unhobbling이 먼저 대규모로 일어나고, 물리 세계는 그보다 늦다는 것. 원자를 다루는 건 비트를 다루는 것보다 훨씬 어렵기 때문이야. 다만 그는 중간 단계로 physical–digital interface, 즉 센서와 액추에이터 층을 아주 중요하게 본다. AI가 이미 업로드된 디지털 정보만 다 소화하고 나면 결국 세상에 새 질문을 던지고 답을 받아와야 하니까, 실험장비, 카메라, 데이터 수집 네트워크, 현실 세계 작업을 agent에게 외주 주는 메커니즘 같은 것들이 다음 큰 영역이 된다는 거지.

13. 교육도 “사람에게 직접 설명”에서 “에이전트가 가르치게 설명”으로 이동한다

microGPT 얘기에서 카파시가 말한 건 꽤 근본적이야. 그는 LLM training의 알고리즘적 본질은 사실 200줄 정도의 Python까지 압축 가능하다고 보고, 그 200줄이 자신의 오랜 단순화 집착의 결과라고 말한다. 그런데 더 중요한 건 그다음 결론이야. 예전에는 그걸 사람에게 설명하는 강의나 글을 만들었겠지만, 이제는 에이전트가 이해하도록 설명하면, 에이전트가 인간에게 각자 수준에 맞춰 무한한 인내로 다시 설명할 수 있다는 거야. 그래서 문서도 HTML docs for humans보다 markdown docs for agents로 바뀔 수 있고, “skill”은 결국 agent에게 무엇을 어떤 순서로 가르치게 할지 정의하는 curriculum prompt가 된다. 그의 최종 정리는 더 날카롭다. 에이전트가 아직 못 하는 몇 비트를 만드는 것이 인간의 일이고, 나머지 설명·전달·확장은 점점 에이전트의 일이 된다는 거야.

성공에 더 유리한 마음가짐은 상태 지향(state oriented) 이 아니라 행동 지향(action oriented) 이다.
즉, 지금 내 기분·컨디션·불안에 집중하기보다, 눈앞의 해야 할 일에 바로 집중하고 움직이는 태도가 더 성과를 만든다는 이야기다.

행동 지향 vs 상태 지향

행동 지향:
지금 내가 어떤 기분인지, 몸 상태가 어떤지에 매달리지 않고 해야 할 과업 자체에 집중한다.
상태 지향:
“내가 지금 준비가 됐나?”, “기분이 별로인데?”, “아까 답장 안 온 게 신경 쓰이네”, “목이 좀 칼칼한데”처럼 자기 상태를 계속 의식한다.

왜 중요한가
심리학 연구에 따르면, 행동 지향적 태도를 취할수록 실제로 과제를 끝낼 가능성이 높아진다.
즉, 성공에 필요한 것은 “완벽한 컨디션”이 아니라 일단 행동에 들어가는 것이다.

아놀드 슈워제네거의 예시
글은 아놀드를 행동 지향의 대표 사례로 든다.
그는 아침에 일어나서 “오늘 나는 어떤 기분이지?”, “슬픈가?”를 먼저 묻지 않는다.
대신 생각보다 행동을 우선한다.
그의 태도는 한마디로:
“계속 바쁘게 움직이면 그런 생각에 빠질 시간도 없다. 그냥 앞으로 가라. 움직여라.”

이 글의 메시지
성공하는 사람은 자신의 감정과 상태를 지나치게 점검하지 않는다.
그들은 기분이 좋아야 움직이는 사람이 아니라, 움직이면서 기분과 상태를 넘어서는 사람이다.

한 줄 정리
“내 상태를 점검하느라 멈추지 말고, 일단 해야 할 행동으로 들어가라.”

https://www.linkedin.com/posts/gokulrajaram1_be-action-oriented-not-state-oriented-the-activity-7441321359928074241-giWU?utm_source=share&utm_medium=member_desktop&rcm=ACoAABqmkk8B31-f1cgLX5fNW16TpECDoRf4kWg

에이전트가 에이전트를 만드는 시대

우리는 보통 AI 에이전트를 떠올릴 때, 하나의 똑똑한 조수부터 상상한다. 코드를 짜주고, 문서를 써주고, 테스트를 돌려주는 존재. 하지만 지금 더 중요한 변화는 그보다 한 단계 바깥에서 일어나고 있다. 이제 에이전트는 단지 일을 대신하는 도구가 아니라, 다음 에이전트가 더 잘 일하도록 환경을 만들고 규칙을 세우고 신호를 배치하는 존재가 되어가고 있다. 다시 말해, 이제 중요한 것은 “에이전트가 무엇을 만들 수 있는가”만이 아니라 “에이전트가 어떤 에이전트 조직을 만들어내는가”다.

이 점에서 Ramp의 사례는 매우 상징적이다. 그들은 처음에 QA 에이전트를 밤마다 돌렸다. 핵심 기능을 점검하고, 최근 머지된 PR을 스트레스 테스트하고, 잠재 버그를 탐색하게 했다. 그리고 실제로 꽤 잘 작동했다. 매일 여러 프로덕션 버그를 잡았고, 문제를 확인하면 원인까지 추적해 수정 PR을 올리도록 만들었다. 여기까지만 보면, 이 시스템은 “AI가 디버깅을 잘한다”는 익숙한 이야기처럼 보인다.

하지만 진짜 전환점은 그 다음 단계에 있었다. 그들은 에이전트가 직접 Datadog 모니터를 생성하게 만들었고, 그 모니터가 다시 새로운 에이전트를 호출하게 만들었다. PR이 머지되면 새 코드에 맞는 감시 장치를 만들고, 에러율이나 지연이나 이상 로그가 감지되면, 그 신호를 받은 에이전트가 샌드박스 환경에서 실제로 재현하고 수정안을 제시한다. 여기서 중요한 것은 에이전트가 더 이상 단순히 “문제를 푸는 존재”가 아니라는 점이다. 에이전트는 이제 무엇이 문제인지 정의하는 장치까지 만들고 있다. 문제 해결이 아니라 문제 정의의 자동화가 시작된 것이다.

이 변화는 생각보다 훨씬 크다. 어떤 조직이 무엇을 중요하게 보는지는, 결국 무엇을 측정하고 무엇을 경보로 올리는지에 달려 있다. 만약 에이전트가 그 경보 체계를 만든다면, 조직은 점점 “실제 고객의 고통”보다 “에이전트가 잘 처리할 수 있는 고통”에 더 민감해질 수 있다. 재현 가능한 문제, 로그에 남는 문제, 신호로 표준화할 수 있는 문제는 점점 더 빨리 해결될 것이다. 반대로 사용자는 불편하지만 계측하기 어렵고, 모델이 우선순위를 잡기 어려운 문제는 시야 밖으로 밀릴 수 있다. AI 조직의 첫 번째 위험은 성능 부족이 아니라, 현실 인식의 편향일지도 모른다.

Oh my claude code/codex를 만드는 벨만의 여러 “가제”의 이야기는 이 문제를 한 단계 더 확장한다. 그가 공유해준 내용은 AI를 좋은 도구처럼 쓰는 법이 아니라, AI를 팀처럼 운영하는 법에 있었다. 개발 에이전트가 OMC와 OMX를 사용해 다시 OMC와 OMX를 개선하고, 그 업데이트가 다시 에이전트의 생산성을 높이는 식의 재귀적 루프. 여기서 에이전트는 더 이상 결과물을 생산하는 노동력이 아니다. 에이전트는 자신이 속한 운영체제 자체를 개조하는 공동 관리자에 가깝다.

그래서 이 세계에서는 메모리조차 단순한 저장소가 아니다. 발표에서 흥미로웠던 대목은 기억을 임베딩이나 백과사전처럼 다루지 않고, doctrine, operating rule, 즉 운영 교리로 다룬다는 점이다. 이것은 매우 중요한 전환이다. 검색 가능한 기억보다 강제 가능한 규칙이 더 중요해지는 순간, 시스템은 학습 조직이라기보다 규율 조직에 가까워진다. 무엇을 기억할 것인가보다 무엇을 규칙으로 승격할 것인가가 더 중요해진다. 그리고 그때부터 핵심 질문은 “무엇을 배웠는가”가 아니라 “누가 규칙을 고칠 권한을 갖는가”가 된다.

결국 agents building agents의 핵심은 코드 생성이 아니다. 더 본질적인 것은 오케스트레이션이다. 어떤 이벤트가 누구를 호출하는지, 어떤 상태 보고가 실패로 간주되는지, 실행과 보고는 어떤 리듬으로 연결되는지, 중간 상태에서 멈추는 행동을 어떻게 금지하는지, 노이즈는 어디서 잘라내는지. 이 층위는 겉으로 보기에는 부수적이지만, 실제로는 시스템 전체의 지능을 결정한다. 훌륭한 모델보다 훌륭한 배선이 더 중요한 순간이 오고 있는 것이다.

이때 특히 흥미로운 것은 triage의 부상이다. 우리는 AI 시대에도 여전히 “코딩을 얼마나 잘하느냐”를 중심 능력으로 생각하지만, 두 사례를 합치면 오히려 더 희소한 능력은 triage처럼 보인다. 무엇이 진짜 문제인지, 무엇이 노이즈인지, 어디에 사람을 깨워야 하고 어디서 에이전트를 멈춰야 하는지, 어떤 신호가 수정으로 이어져야 하고 어떤 신호는 버려져야 하는지. 코드를 생성하는 능력은 점점 보편화되겠지만, 문제를 분류하고 우선순위를 정하는 능력은 오히려 더 전략적인 자원이 될 가능성이 크다. 미래의 강한 AI 조직은 좋은 코더를 가진 조직이 아니라, 좋은 triage 구조를 가진 조직일 수 있다.

물론 이런 시스템은 효율만큼이나 위험도 키운다. 발표에서는 noisy한 junior agent를 걷어내고 더 강한 소수의 에이전트 중심으로 수렴하는 모습이 보인다. 합리적인 선택이다. 약한 에이전트가 만들어내는 잡음은 실제 팀 생산성을 갉아먹기 쉽다. 그러나 동시에 여기엔 다른 위험이 있다. 다양성이 줄어들면 효율은 좋아지지만, 세계를 보는 방식도 좁아진다. 정상 상태에선 슈퍼 에이전트 하나가 더 강할 수 있다. 하지만 분포가 바뀌고 예외가 쏟아질 때는, 비효율적이지만 다양한 시도들이 오히려 조직을 살릴 수도 있다. 인간 조직에서 주니어와 변두리 실험이 쓸모없는 낭비만은 아니었던 것처럼, 에이전트 조직에서도 약한 다수는 단지 품질이 낮은 리소스가 아닐 수 있다.

그리고 마지막으로 남는 질문은 책임이다. 에이전트가 모니터를 만들고, 경보를 받고, 재현하고, 수정안을 올리고, 사람은 머지 전 승인만 하는 구조에서, 인간은 정말 최종 결정자인가. 아니면 이미 시스템이 만든 결론에 서명만 하는 존재가 되는가. 이 차이는 작지 않다. 자동화의 깊이가 깊어질수록, 책임은 개인의 판단에서 시스템의 규칙으로 이동한다. 앞으로 중요한 것은 “누가 실수했는가”보다 “어떤 운영 규칙이 잘못 설계되었는가”가 될 가능성이 크다. 속도를 얻는 대신, 우리는 점점 판단의 주체를 잃어갈 수도 있다.

그래서 agents building agents는 단순한 기술 트렌드가 아니다. 이것은 새로운 소프트웨어 조직의 탄생에 가깝다. 이 조직에서는 에이전트가 코드를 쓰고, 모니터를 만들고, 메모리를 교리로 바꾸고, 다른 에이전트를 호출하고, 스스로의 작업 환경을 다시 최적화한다. 인간은 점점 더 직접 실행하는 사람이라기보다, 이 재귀적 시스템의 헌법을 설계하고 수정하는 사람에 가까워진다. 앞으로 경쟁력은 더 좋은 모델 하나를 갖는 데서 오지 않을 것이다. 어떤 조직은 AI를 잘 쓸 것이고, 어떤 조직은 AI가 서로를 더 잘 쓰게 만드는 구조를 만들 것이다. 그리고 아마 후자가 더 오래 남을 것이다.

챗(Chat)이 첫 번째 AI 물결의 "UI"였다면, 에이전트(Agents)는 다음 물결의 "UX"입니다.

"질문해 보세요"에서 → "이것 좀 처리해 줘"로의 변화.

이 변화의 의미는 생각보다 훨씬 큽니다. 에이전트가 주요 인터페이스로 자리 잡는 순간 다음과 같은 일이 일어납니다:

앱(App)은 에이전트를 위한 도구가 됩니다.

워크플로우는 프로그래밍이 가능해집니다.

사람들의 관심은 화면을 보는 것에서 '결과물' 자체로 이동합니다.

다시 말해, 이제 승부처는 '더 나은 답변'을 찾는 것이 아닙니다. '더 나은 실행력'을 갖추는 것입니다.

수십억 명의 사용자들은 단순히 AI와 상호작용하는 데 그치지 않고… 에이전트에게 업무를 '위임(delegate)'하게 될 것입니다.

https://www.linkedin.com/posts/dharmesh_breaking-news-meta-buys-dreamer-boy-that-activity-7441942541605711873-owME?utm_source=share&utm_medium=member_desktop&rcm=ACoAABqmkk8B31-f1cgLX5fNW16TpECDoRf4kWg

AI는 아이디어와 실행 사이의 거리를 단축시킵니다. 하지만 좋은 판단과 나쁜 판단 사이의 거리를 좁혀주지는 않습니다. AI는 당신이 겨냥하는 것이 무엇이든 그것을 증폭시킬 뿐입니다. 명확한 전략을 가진 강력한 팀은 더 빨라지고 중요한 일에 더욱 집중하게 될 것입니다. 반면 모호한 전략을 가진 약한 팀은 더 소란스러워지고 주의력만 더 산만해질 것입니다. 명확한 사고는 복리로 쌓여 단단해지지만, 혼란스러운 사고는 쉽게 허물어집니다. 이 격차는 좁혀지지 않습니다. 오히려 더 벌어집니다.

다니엘 카네만(@kahneman_daniel)은 불확실성 속에서 인간이 어떻게 결정을 내리는지 수십 년간 연구했으며, 그의 가장 중요한 발견 중 하나는 우리를 가장 겸손하게 만드는 것이기도 합니다. 우리는 우리 자신의 판단의 질을 일관되게 과신합니다. 유창함(매끄러움)을 정확성과 혼동합니다. 단순히 무언가를 하는 '활동(activity)'을 진정한 '진전(progress)'으로 착각합니다. 그저 바쁠 뿐인데도 생산적이라고 느낍니다. AI가 모든 사람을 더 생산적으로 만드는 세상에서, 이러한 진전에 대한 환상은 더욱 매력적인 유혹이 됩니다. 우리는 더 많이 출시하고, 더 많이 구축하고, 더 많이 배포하면서 그 '양(volume)'을 '가치(value)'로 착각합니다.

이에 대한 해결책은 속도를 늦추는 것이 아닙니다. 우리가 측정하는 기준의 방향을 바꾸는 것입니다. 활동을 측정하는 것을 멈추고 '배움(학습)'을 측정하기 시작하십시오. 시간이 지남에 따라 판단력을 날카롭게 해주는 피드백 루프에 최적화하십시오. 그저 결정을 빨리 내리는 사람이 아니라, 지속적으로 더 나은 결정을 내리는 사람에게 투자하십시오. 결정 속도를 높이는 것과 동시에 결정의 질을 향상시키는 시스템과 문화를 구축하십시오. 단순히 무언가를 출시했는지 여부가 아니라, 출시한 결과물로부터 무엇을 배웠는지에 집중하십시오.

GTC(NVIDIA 개발자 컨퍼런스)에서 젠슨 황의 비전에 대한 월스트리트의 반응은 엇갈렸습니다. 투자자들은 1조 달러 규모의 수요 전망과 함께 AI 버블의 가능성을 저울질했습니다. "AI가 소프트웨어 기업을 돕는다"는 내러티브가 "AI가 사용자당 과금(per-seat) 비즈니스 모델을 위협한다"로 바뀌면서, 소프트웨어 섹터의 가치 평가는 계속해서 재조정되고 있습니다. 칩에서부터 모델, 오케스트레이션(조정), 가격 책정, 조달에 이르기까지 전체 스택이 실시간으로 재평가되고 있습니다. 모든 층위에서 지각변동이 일어나고 있습니다. 발밑의 땅이 흔들리고 있을 때, 누구나 AI에 적응하고 도입해야 한다는 절박함을 느낍니다.

하지만 판단력이 결여된 절박함은 이름만 그럴듯하게 포장한 '패닉(공황)'에 불과합니다. 누구나 AI를 도입할 것입니다. 누구나 더 많이 만들고, 더 빨리 출시하며, (AI) 에이전트를 배포할 것입니다. 그것은 이제 기본적인 필수 조건(table stakes)입니다. 승리하는 창업자는 '더 나은 선택'을 하는 사람들일 것입니다. 진짜 중요한 질문은 당신이 AI를 얼마나 많이 사용하고 있는가가 아닙니다. AI가 당신의 판단력을 향상시키고 있는가, 아니면 당신의 실수를 가속화하고 있는가 하는 것입니다. 이 둘의 차이를 아는 것이 바로 당신만의 AI 경쟁력을 갖추는 핵심입니다.

https://x.com/Alfred_Lin/status/2036433182774727105