로봇팔/이동식 로봇이 공장 자동화를 이끌어왔다면, AI를 탑재한 새로운 형식의 로봇(휴머노이드, 로봇팔 + AI)가 제조업의 생산성을 몇배 좋게 만들 수 있다.

사람의 태스크를 어느정도 수행하는 로봇을 대량 생산할 수 있다면 한 가정당 하나의 로봇이 설치되는 미래도 그리 멀지 않을수도 있다.

과거 로봇팔/물류 로봇
- 산업용 로봇 (사람과 격리/크고 무거움) -> 협동 로봇(사람과 협업, 전세계 산업용 로봇 중 10%) & 이동 로봇(이동이 핵심)
- 과거에는 정해진 동작만 반복하는 “고정적·구조화된 환경” 전용 로봇이 주류(주로 자동차 공장 등). -> 사람이 해야하는 작업 상당수 존재
- 로봇이 무언가를 인지/사고/계획하는 것을 각각의 소프트웨어, 모델로 다루던 것을 하나의 모델로 통일하면서 실시간으로 사람스럽게 행동하는게 가능해짐.
- 배터리/정밀모터/센서 등 하드웨어도 빠르게 개선중
- 부분적으로 자동화하는 로봇에서 완전 자동화하는 공장들이 등장할 것

지금은 전 세계 산업·제조업이 ‘로봇+AI’라는 범용 기술을 통해 폭발적 생산성 향상이 가능해지는 전환점이다. 중국은 이미 이 방향으로 온 국가 역량을 집중하여 생산·공급망·R&D·AI 모두 선점 중이다.

미국과 서구의 위험
부품·소재·배터리·희토류 공급망이 중국 의존
제조 프로세스·인프라·인력 풀에서 중국 대비 뒤처짐
기술·정책의 연속성 확보가 불투명하며, 대규모 투자도 여전히 제한적

미국(및 서구권)은 제조업과 로보틱스 분야의 핵심 인프라, 소재·부품 생산 역량을 되살려야 한다. 안 그러면 “무제한 확장 가능한 자동화”라는 미래 노동경제의 패권을 중국이 독점할 가능성이 매우 높다.

한국도 One Team으로 이 변화속에 답을 만들어야한다.

DJI vs GoPro
DJI
중국 심천(선전) 지역의 제조 생태계와 밀접하게 연계하여 설계-시제품-생산 과정을 초고속 반복
대규모 투자와 정부 지원으로 원가를 낮추고, 제품 완성도를 높인 뒤 해외 시장에 진출
결국 세계 상업용 드론 시장 80% 이상, 미국 소비자 시장 90% 이상 점유

Go Pro의 드론 시장 진출
설계팀은 주로 미국, 제조는 아시아 국가에 분산되어 있어 ‘시제품 → 피드백 → 수정’에 수주~수개월 소요
DJI 대비 더디게 개선되면서 출시 시점에 성능·가격 모두 경쟁력 부족
제품 결함 발생 시 빨리 고치지 못해 시장에서 밀림

한국
- 제조 비중 높고 로봇 설치 비율은 1위 이지만 16년도 이후 전체 성장세는 정체
- 핵심 부품 중 상당수 중국/일본 의존해서 공급망 이슈가 있음.
- 초저출산으로 자동화 수요 높음

일본
- 로봇팔 빅2 소유(화낙, 야스카와)

독일
- 제조 강국/로봇 밀도 높음
- 화낙 중국자본에 인수됨
- 정책대응이 느림

미국
- AI/소프트웨어/반도체에 막대한 투자 -> 제조/조립 분야는 중국에 의존
- 로봇 밀도 세계 10위. 노동 비용 대비 로봇 도입률도 낮음
- 정부가 바뀔때마다 주요 Initiative가 바뀜. -> 제조기업의 역량 축적 부족

중국의 제조업이 가진 경쟁력
1. 설계-생산-검증의 빠른 Iteration
2. 가장 싸고 좋은 공급망 (핵심 부품: 서보 모터/드라이브, 기어박스, 센서, 마이크로컨트롤러 등 /희토류/배터리): 주요 제품 국산화 율 2020 40% -> 2025 70%
3. 전세계에서 가장 로봇을 많이 설치한 제조/소비시장: 23년 기준 전체 로봇 설치 51% 중국
4. 로봇팔 Big 4 Kuka인수:
- 중국의 수직계열화·기술축적을 더 가속.
5. 풍부한 자본
6. 정부의 빠르고 전폭적인 지원(인재/지원금/시장형성/일부 기업을 규모있게 키움): 휴머노이드 로봇 생산 가속화 -> 대규모 보조금
- 에스턴(Estun), 이포트(EFort), 시아순(Siasun) 등: 대규모 생산시설, 수직계열화(핵심 부품 자급)를 통해 빠른 반복과 저비용 달성
- 유니트리(Unitree) 등: 저가 4족 로봇, 이제는 휴머노이드 로봇까지 상용화(단가 $16K)

https://semianalysis.com/2025/03/11/america-is-missing-the-new-labor-economy-robotics-part-1/

자율성의 5단계 (Five Levels of Autonomy)

Level 1: Structured Manipulation

기존 산업용 로봇(자동차 공장 등).
고도로 구조화된 환경에서 반복 동작 수행. 환경이 로봇에 맞춰져 있어 변동성 취약.
Level 2: Autonomous Navigation

자율주행차, 로봇 청소기, 드론 등. 이동(내비게이션)은 가능하지만, 정교한 조작은 거의 없음.
Level 3: Foundational Robotics (일반목적 로보틱스)

이동 + 조작을 모두 수행, 즉 GPMM.
인간이 하는 물리적 노동(다양한 작업)을 단일 플랫폼에서 적응적으로 수행할 수 있음.
**글은 “지금 우리가 레벨3 시대로 진입 중”**이라고 강조.
Level 4: Modular Robotics

레벨3의 범용로봇이 더 발전하여, 하드웨어와 소프트웨어가 모듈 형태로 표준화·플러그앤플레이 가능.
즉, 로봇 팔, 다리, 센서, 소프트웨어 등을 필요한 대로 조립·교체해 기능 확장.
Level 5: Autonomous Systems

단일 로봇이 아니라 공장·도시·서플라이체인 전체가 자율적으로 조직.
물적 자원이 완전 자동화되어 흐르는 미래. “문명 전반의 자율화” 단계.


왜 지금까지 실패했나 (Why It Never Worked)
여기서는 로봇 분야의 역사적 난관을 ①모바일 매니퓰레이션, ②하드웨어 한계, ③소프트웨어 병목, ④파편화된 산업구조, ⑤문화적 장벽으로 정리.

가장 큰 난관: GPMM(이동+조작)
- 이동 중 균형, 비정형 물체 잡기, 예측 불가능한 변수 등, 고차원 복잡성이 폭발→ 기존 기술로 해결 불가능.
- DARPA 로보틱스 챌린지에서 문 열기도 어려웠던 이유.

하드웨어의 유리 천장
- 센서(시각, 촉각, 힘, 관절 위치 등) 부정확·내구성 낮음.
- 액추에이터: 전통적으로 무겁고 효율 떨어지거나(유압), 전기모터는 출력-무게-내구성 등에 한계가 있어 인간 수준 기민성을 못 냄.
- 이들이 너무 비싸고 표준화 안 되어 대량생산 어렵고, 파편화된 공급망.

소프트웨어 병목
- 과거 로봇 SW는 ‘따로따로 붙인’ 작은 모델(시각, 네비게이션, 조작 등)을 룰 기반으로 합치는 식→ 통합 지능 어려움.
- 데이터 부족: 인터넷에서 쉽게 모을 수 있는 텍스트와 달리, 로봇은 물리적 환경에서 데이터를 수집해야 하므로 비용↑.
- 인프라 부재: ROS 등의 오픈소스는 학술 목적 한계. 대형 SI(시스템 통합)도 천편일률적.
- 시뮬레이터, 툴링, 운영체제 레벨에서 품질 낮아 대규모 상용화 힘듦.

파편화된 산업 구조
- 제조사마다 HW·SW 인터페이스가 달라 호환성 부족.
- 하드웨어 표준 부재로 매번 ‘처음부터’ 만들다 보니 규모의 경제 실패, 혁신 속도 느림.

문화적 장벽
- 시연·연구 중심(‘데모’ 문화)으로, 실제 사업화를 위한 제품·시장 전략 부족.
- 하드웨어 위주 사고, AI 경시.
- 인재 부족·폐쇄적 커뮤니티 등으로 대기업·투자자 참여가 원활치 않음.

지금 상황이 다른 이유 (What’s Different Now)
글은 하드웨어+소프트웨어+지정학적 요인+산업 기반이 동시 성숙되었음을 강조.

하드웨어 혁신
- 센서(고해상도 카메라·Depth·LiDAR·광학 촉각 등)가 인간 수준 인지 가능해짐.
- 액추에이터: 소형·고효율 전기모터, 기어, 탄성구동(SEA) 등으로 인간처럼 유연·정확한 모션 달성.
- 온보드 컴퓨팅: 엔비디아 Jetson 등 고성능 에지컴퓨팅 가능.

물리적 AI(Physical AI)의 성숙
- 대규모 멀티모달 모델: 시각·촉각·언어 통합, 파운데이션 모델·VLM(Vision-Language Model) 등으로 과거 단편적 모델의 한계 극복.
- 학습 기법: 시뮬레이션 강화학습(RL), 메타 러닝, 행동 사슬(Chain-of-Affordances) 등으로 인간에 가까운 적응력 확보.
- 시뮬레이션: 고정밀 가상환경에서 수백만 시간 학습 가능→ 짧은 시간에 데이터·경험 축적.

시장·산업 준비도 상승
- 기업·정부가 “로봇을 당장 실제로 써야 한다”는 절박감. 테슬라가 공장 노동 대체를 목표로 휴머노이드 개발→ 민간에서도 긴급히 뛰어듦.
- 표준화·모듈화: 중국 등에서 서보·센서·모터 등 핵심 부품 표준화→ 대량생산 인프라 확충.
- 소프트웨어 생태계도 ROS 한계 넘어 클라우드-엣지 통합, VPC(Virtual Private Cloud) 등으로 대규모 플릿 운영 가능.

지정학적 정세
- 탈세계화·리쇼어링→ 노동력 없는 선진국이 자동화로 제조 자립 시도.
- 중국 인구절벽으로 본토 제조 경쟁력 유지 위해 대규모 로봇 투자.
- 미국·중국 모두 군사·안보 차원에서 로보틱스가 필수라 막대한 자금 공급.

자본 유입
- 부유층·가문 등도 “노동력이 사라지면 내 산업 기반 붕괴”라는 위기감→ 로봇 분야에 대규모 장기 투자.
- 정부 주도 프로젝트(미국 CHIPS Act, 중국 5개년 계획 등)로 뒷받침.


제품 측면
- 범용 하드웨어: 휴머노이드, 모바일 매니퓰레이터, 드론 등. 인간 환경 그대로 쓰도록 설계.
- 표준화된 부품: 공용 서보·센서·액추에이터·통신 프로토콜 등으로 비용↓, 개발 속도↑.
- 물리적 AI 모델: 파운데이션 모델(범용), 업무별 특화 모델(도어 열기, 용접, 조립 등), 오케스트레이션 모델(로봇들 간 협업).
- AI 서비스(VPC 등): 학습/배포/운영/시뮬레이션 플랫폼. 로봇 관제, 재훈련, 인벤토리관리, 필드관리까지 클라우드에서 통합.

기존 업계 vs 신진 업체
- 전통 제조·자동화 업체(ABB, FANUC 등)는 구조화된 작업에 최적화→ 신세대 휴머노이드/적응형 로봇에선 뒤처짐.
- 군사 영역: 미·중 주도 하에 무인 전투·정찰 로봇이 실제 전장 투입, 대규모 예산으로 R&D 가속.
- 소비자 영역: 현재 로봇청소기 외엔 미미하지만, 곧 “가정용 휴머노이드/다목적 로봇” 수요가 폭발할 가능성.
- 신생(Vertical Integration vs Specialists)
수직통합형(테슬라, Figure, 샤오미 등): HW~SW 전부 자체 개발→ 완전한 통제와 최적화 가능하지만 자본·조직역량 엄청나야.
전문분야형(부품·AI 모델·클라우드 인프라 전담): 특정 영역에 특화해 독립된 솔루션 제공.

자본 흐름
- 전통 재벌·금융기관이 “생존” 위해 거액 투자.
- 국가·정부도 산업·안보 목적으로 보조금·인센티브.
- 빅테크 역시 AI→로봇으로 확장 위해 공격적 M&A·투자.

“진정한 로봇 산업”이 출범하면 인류 사회에 거대한 격변이 불가피하며, 이는 “단순한 기술 혁신”이 아니라 ‘인류 질서 재구축’에 가까운 파급력을 가질 것.

https://www.edgeofautomation.com/p/the-physical-ai-revolution-part-ii

"예스라고 말할 수 있는 방법을 찾아보세요. 새로운 나라로의 초대, 새로운 친구와의 만남, 새로운 언어 배우기, 새로운 스포츠 배우기 등에 '예스'라고 말하세요. 예스는 첫 직장과 다음 직장을 얻는 방법이기도 합니다. 배우자, 심지어 자녀를 찾는 데도 '예스'가 필요합니다.

예스라고 말하는 것은 다소 모험적이고 안전지대를 벗어나더라도 새로운 일을 하고, 새로운 사람을 만나고, 자신의 삶은 물론 다른 사람의 삶에도 변화를 가져올 수 있다는 것을 의미합니다. 예스는 군중 속에서 눈에 띄고, 낙관주의자가 되고, 긍정적인 태도를 유지하고, 모두가 도움이나 조언을 구하거나 재미를 위해 찾아오는 사람이 될 수 있게 해줍니다. 예스는 우리 모두를 젊게 유지하는 힘입니다. 예스는 큰 일을 할 수 있는 작은 단어입니다. 자주 말하세요."

Eric Schmidt

때때로 당신은 패배를 받아들여야합니다.

Satya는 Apple, Google, Linux에서 L을 탔다. 그리고 클라우드 및 모바일을 위해 Microsoft를 재배치했습니다. 심지어 MS 하드웨어에서 리눅스를 실행하기까지 한다. 패배를 받아들이고 자원을 재할당하는 것은 MS를 성장으로 되돌렸고, 이는 오늘날까지 계속되고 있다.

비즈니스에서 가장 어려운 결정은 빌드 대 구매가 아니라 지속 대 피벗입니다.

승자는 절대 포기하지 않고, 포기하는 자는 절대 이기지 못하기 때문에, 당신은 비합리적으로 고집합니까? 아니면 전술적 또는 전략적 패배를 인정하고 자원을 재할당하여 다른 날을 싸우기 위해 살고 있습니까?

상황적이기 때문에 쉬운 답은 없습니다.

정량적으로 하고 싶다면, 이것을 최적화 이론에서 다중 무장 산적 문제로 공식화할 수 있다. 매개 변수에 따라 악용(이미 있는 경로)을 계속하거나 탐색을 시작할 수 있습니다(그리고 다른 경로를 찾기 위해 종료).

둘 사이의 균형은 어떤 상황에서도 숫자에 달려 있습니다. Satya의 경우, 그는 (감소하는) Windows/Office 데스크톱 비즈니스를 악용하는 길을 가는 것을 멈추고, 심각한 클라우드 및 모바일로의 도약을 모색하기로 결정했습니다. Linux/Google/Apple이 견인력을 얻은 지 몇 년 후인 2014년에 CEO가 된 후, 그리고 아마도 그러한 움직임을 할 수 있었던 마지막 순간에 그는 해냈습니다.

https://x.com/balajis/status/1901892795125903614?s=46&t=h5Byg6Wosg8MJb4pbPSDow

처음보는 재미난 회사가 많군!

https://insighter050.substack.com/p/ai-255

[ AI발 Innovation Window, 그리고 살아남을 기업 대한 단상]

새로운 기술의 등장은 기존 강자의 우위를 한순간에 무력화시킬 수 있다.

한때 전장의 승패는 숙련된 중장갑 기마병의 보유 여부로 갈렸지만, 석궁의 등장으로 기마병의 위상은 퇴색되었다. 모바일 시대가 처음 열렸을 때, 기존 PC 헤게모니에서는 신입 졸업생들로 구성된 작은 팀조차 기존의 강력한 기업과 싸워 승리할 수 있었다. 블록체인처럼 완전히 새로운 개념이 등장했을 때는 모두가 초보였기에 오히려 경력이 많은 사람들이 채용 과정에서 불리함을 겪기도 했다.

지금의 AI도 비슷한 상황이다. 얼마 전까지만 해도 AI 기술을 개발하려면 방대한 데이터와 막대한 비용, VC의 투자가 필수였다. 하지만 이제는 AWS처럼 사용한 만큼 비용을 내고 누구나 쉽게 고품질의 AI 서비스를 이용할 수 있는 시대가 열렸다. 수억 원과 오랜 시간이 필요했던 일을 단 2~3명의 개발자가 며칠 만에 완성할 수 있게 된 것이다.

이렇게 열린 혁신의 틈(Innovation Window)은 결코 오래 지속되지 않는다. 빈자리는 수많은 플레이어로 빠르게 채워지고, 결국 시장은 다시 새로운 선점자들에 의해 안정화될 것이다. 지금 우리가 마주한 바로 이 순간이 그 틈이 열려있는 때다.

(데이터 분석에서 분석 대상의 시간 범위를 window size라고 표현하는 것처럼, 정신아 의장님이 언급한 'Innovation Window'는 우리가 살아가는 이 순간을 표현하는 데 정말 적절한 단어라고 생각한다.)

[ 이 Innovation Window는 앞으로 어떻게 흘러갈까? ]

1. (당연한 소리겠지만)타임킬링(Time Killing)보다는 페인킬링(Pain Killing) 영역에서 성공 사례가 더 많이 나올 것이다. 타임킬링은 무료한 시간을 도파민으로 채우는 서비스들(넷플릭스, 웹툰, 커뮤니티 등)이며, 페인킬링은 문서 작업, 메일, 개발, 디자인, 리서치, 분석, CS, QA, 정산 등 '하기 싫은 일'을 쉽고 빠르게 처리할 수 있게 해주는 도구의 영역이다.

2. 단순한 래핑 수준의 서비스는 잠시 반짝하겠지만 결국 OS 레벨로 흡수될 것이다. 모바일 초기에 등장했던 손전등, 배터리 관리, 램 관리 서비스가 시간이 지나 OS로 흡수된 것처럼 말/이다. 물론 모든 래핑 서비스가 사라지는 것은 아니다.

3. 그럼 누가 살아남을까? 시장이 좁다고 느껴질 정도로 뾰족한 ICP를 설정하고, 그들의 삶에 최적화된 워크플로우를 제공하여 OS가 제공하는 대중성 제품과 확실히 차별화된 서비스를 제공하는 제품들이 살아남을 것이다. 작은 스타트업은 이러한 방식으로 움직이고, 이를 메타 전략으로 삼아 제품 라인을 확장해 나가는 것이 효과적일 것이다.

4. 오히려 지금 가장 머리가 아픈 곳은 네이버나 카카오 같은 대기업일 것이다. 크고 담대한 문제를 해결하기에는 OpenAI와 경쟁이 어렵고, 뾰족한 제품을 만들기엔 규모나 명분이 부족하여 이러지도 저러지도 못하는 상황일 것이다. 즉, 지금은 작은 조직과 작은 회사가 오히려 우위를 점할 수 있는 시대다.

[ 제품적인 측면에서 이 Innovation Window에서 살아남는 기업은 어떤 모습일까? ]

최근 등장한 서비스와 YC 배치 제품들을 보며 오프라이트 2.0을 준비하면서 UX를 경험한 결과, 몇 가지 방향성이 명확해졌다.

1. Cursor 형태의, 오늘쪽 대화창을 기반으로 왼쪽에 표시된 오브젝트들에 대해 수정을 가하는 UX가 꽤나 빠르게 주요 폼팩터로 자리 잡고 있다. 한번 경험해보면 이전에 하나하나 수동으로 클릭하며 하던 행위들을 자연어로 한번에 조정할 수 있게 되는 경험을 하고 나면 되돌아 갈 수 없고 느끼게 된다. (적어도 초반에는 - 이런 UX는 한번 Short wave이라는 메일 서비스를 통해서도 느낄수 있다. 소개해주신 김효준 대표님께 감사를)

2. 하지만 ‘자연어’로 무언가를 시킨다는 행위로 인해 가장 달라지는것은 2가지다. 1) 즉발하는 것이 당연하던 UX에 LLM의 처리를 기다리는 ‘로딩’의 시간이 필요해지게 되었다. 이에 따라 AI가 진행 상황을 명확히 설명해주는 explanatory UX가 대부분 등장하게 되었고 2) 사용자가 입력한 프롬프트가 모호할 경우 명확하게 이 의도를 확인하는 UX가 중요해졌다. 이는 기존의 단일 버튼-단일 기능이라는 명확한 입력이 자연어라는 애매모호한 입력으로 대체되면서 생긴 변화다.

3. 자연어만으로 모든 작업을 원하는 수준으로 수행하는 것은 사실상 불가능하다. GUI의 버튼이나 단축키로 해결할 수 있던 작업을 자연어로 전환하는 과정에서 사용자는 불편함을 느낀다. 이를 해결하려면 "자율주행이 가능하지만 핸들이 달린 테슬라" 같은 접근이 필요하다. 즉, AI가 주도하되 사용자가 필요하면 직접 컨트롤할 수 있는 양손잡이 모드를 제공해야 한다. 이 미묘한 차이가 제품의 성패를 가를 것이다.

4. 기존 GUI 기반 제품이 AI Native로 변신하는 것과 AI Native 제품이 GUI를 추가하는 것 중 어느 것이 더 유리할지 정답은 없다. 결국 팀의 역량이 중요하며, 유저의 워크플로우에 대한 집착과 새로운 AI 서비스 문법을 받아들이는 유연성이 성패를 결정할 것이다.

[글을 마치며]

얼마 전까지만 해도 유저 데이터를 기반으로 자체 AI 모델을 개발하여 Moat를 형성하는 것이 표준이었다. 그러나 초거대 자본으로 개발된 LLM의 등장은 AI를 공산품화했고, 오히려 UX의 중요성이 더욱 강조되는 시대를 열었다. 지금 우리는 모바일 이후 처음으로 찾아온 커다란 기회를 마주하고 있다. 이 시기를 통해 우리나라 프로덕트 리더들이 국내는 물론 글로벌 시장에서도 인정받는 멋진 서비스를 만들어내고, 오프라이트 또한 그런 기업으로 성장하길 희망한다.

홍남호님

Deal: The Unicorn Boom Is Over, and Startups Are Getting Desperate

한때 실리콘밸리는, 세상의 모든 관심이 인공지능(AI)만 쫓기 전에도 떠오르는 스타트업들로 들썩인 적이 있었다. 코로나 시기 테크 붐이 정점이었던 2021년 무렵, 10억 달러 이상 가치를 평가받은 이른바 ‘유니콘’ 스타트업은 1,000곳이 훌쩍 넘었다. 가령 가짜 고기를 만드는 임파서블 푸드, 집안 유지·보수 중개 플랫폼 섬택, 온라인 강의 플랫폼 마스터클래스 등이 그런 예다. 그러다 금리 상승, 신규 상장 시장 냉각, 그리고 AI가 아닌 스타트업들은 ‘지난 시절’이라는 인식이 겹치면서 타격을 받았다.

그렇게 오랫동안 예견되어 온 구조조정이 이제 가시화되고 있다. 2021년에만 354곳이 새로 유니콘에 등극했는데, 스탠퍼드 경영대학원 일랴 스트레불라에프 교수에 따르면 이 중 IPO에 성공한 기업은 6곳뿐이다. 또 4곳은 기업인수목적회사를 통해 상장했고, 10곳이 인수·합병되었으며 그중 몇 곳은 10억 달러 이하 가격으로 매각되었다. 그 외 보어리 파밍 같은 실내농업 업체나 AI 헬스케어 기업 포워드 헬스 등은 아예 문을 닫았다. 2022년에 38억 달러 가치로 평가받았던 화물 중개 스타트업 컨보이는 다음 해 붕괴해, 공급망 회사 플렉스포트가 헐값에 자산을 사들였다.

법률회사 펜윅 앤 웨스트의 파트너 샘 앵거스는 “어떤 스타트업들은 마치 ‘바닥이 갑자기 꺼졌다’고 느끼고 있다”면서, “펀딩 상황이 확 달라졌다”고 말했다.

지금은 ‘좀비 유니콘’ 시대다. 벤처캐피털 투자로 유니콘 반열에 오른 뒤 아직 상장도 인수도 안 된 회사가 총 1,200곳에 달한다고 스타트업 정보 업체 CB Insights는 밝힌다. 거액 투자를 받아온 스타트업들은 이제 필사적인 방법을 동원하기 시작했다. 특히 후기 단계 스타트업들은 규모 있는 운영 자금이 필요하지만, 과거처럼 10억 달러 이상의 밸류에이션에 기꺼이 투자할 투자자는 줄었다. 이에 따라 대규모 할인(Down round)이나 매각 외에는 완전히 파산 상태로 가는 걸 막을 길이 없는 경우도 있다.

스타트업 투자시장이 식기 시작한 건 2022년으로, 연준이 10여 년 만의 초저금리 기조를 거둬들이며 연이어 금리를 인상한 것이 큰 이유 중 하나다. 이로 인해 비용 절감과 업계 전반의 정리해고가 뒤따랐는데, 자료 업체 Statista에 따르면 그 정점은 2023년 1분기였다. 많은 회사들이 벤처캐피털에 의존하던 ‘고성장’ 노선을 접고, 단기적인 수익성에 집중하기 시작했다.

그러나 초창기부터 당장의 이익보다는 거액 자금을 유치해 공격적으로 확장하는 모델로 설계된 스타트업도 적지 않다. 기존처럼 투자 유치와 기업가치 상승을 무한정 반복할 수 없게 되자, 이 공식이 통하지 않는 경우가 늘었다. 파이낸셜 테크 회사 카르타가 수집한 데이터에 따르면, 2021년 유니콘 된 회사 중 30% 이하만이 지난 3년간 신규 자금을 유치했으며, 그중 절반 가까이는 ‘다운 라운드(기업가치가 과거보다 낮은 상태에서 자금조달)’를 했다.

예를 들어 유명인 영상 메시지 서비스를 제공하는 캐미오는 한때 기업가치가 10억 달러였으나, 작년에 약 90% 할인가로 자금을 조달했다고 익명을 요구한 소식통은 전했다. 또 핀테크 회사 램프는 최근 2년 새 2차례 상당한 투자 라운드를 진행했는데, 3년 전 80억 달러 대비 낮은 기업가치에서 거래를 마쳤다.

물론 다운 라운드를 통해 자금을 확보하고 다시 궤도에 오르는 스타트업도 있다. 예컨대 계약업자 소프트웨어 회사 서비스타이탄은 2022년에 불리한 조건으로 돈을 모았지만, 이후 2024년에 상장하면서 그 가치를 뛰어넘는 결과를 냈다. 현재 시가총액은 94억 달러로, 2021년 최고치였던 95억 달러와 비슷한 수준이다.

하지만 감원과 다운 라운드가 겹치면 악순환이 생길 위험도 크다. 일반적으로 스타트업은 앞으로 더 성장하리라는 ‘모멘텀’ 스토리를 투자자에게 파는데, 비용 절감과 단기 수익성에 집중하기로 선회하면 그러한 성장 서사를 유지하기 어려워진다. 또 직원 입장에서는 주식매수선택권이 보상책인 경우가 많은데, 회사 가치가 낮아지면 이직을 택하는 사례가 늘어난다.

스타트업들이 고르는 전략은 다양하다. 상대적으로 건전한 회사라면, 신규 자금 조달을 “이전 라운드의 연장선”으로 분류해, 기업가치가 오르지 않았다는 현실을 노골적으로 드러내지 않는 식이다. 이렇게 밸류에이션이 ‘플랫’하게 유지되는 것만으로도 요즘 환경에서는 성공처럼 여겨진다.

더 힘든 회사들은 그보다 더 안 좋은 조건으로 자금 조달을 해야 한다. 예를 들어, 이전 투자자가 추가로 투자하지 않으면 기존 지분을 상실하도록 하는 계약(‘Pay-to-play’) 같은 오너십 구조 변경이다. 이런 딜은 당연히 기존 투자자 입장에서 달갑지 않다. 결제 스타트업 볼트의 공동창업자 라이언 브레스로도 지난해 이 같은 라운드를 추진했으나, 대주주들의 반발로 무산된 바 있다.

문제는 이렇게 추가 자금을 투입해도, 실제 회사 전망이 밝지 않으면 악수가 될 수 있다. 디지털 약국 트루필은 페이 투 플레이를 통한 라운드 후 인수됐지만, 2021년 가치 대비 1/3 가격에 매각되었다고 피치북 데이터는 전한다. “이런 식으로 자금 조달에 나섰다는 건 거의 끝났다는 신호”라며, “그런 회사에 더 투자하는 건 의미가 없다”고 앵콜크 캐피털의 설립자 제프 클라비에는 말한다.

재무 여력이 넉넉한 사모펀드 등 투자회사들이 이들 ‘성장 정체’ 스타트업을 인수할 수도 있다. 그러나 “2021년 투자자들이 줬던 가치를 이제는 받지 못할 것”이라고 배터리벤처스의 제너럴 파트너 첼시 스토너는 말한다.

여전히 낙관론자들은 어떤 요인이 다시 테크에 대한 열광을 부추기거나, 리나 칸이 물러난 트럼프 정부가 M&A나 IPO 시장을 진작해줄 가능성을 기대할 수도 있다. 하지만 아처 벤처캐피털의 창립자 겸 대표인 그렉 마틴은, 많은 유니콘들이 유일하게(하지만 가능성 낮은) 바라는 건 “시장이 또 한 번 미쳐 날뛰는” 상황뿐이라고 말한다. “팬데믹 당시처럼 제로금리로 인한 비이성적 밸류에이션 환경이 돌아오지 않는 한,” 대부분의 좀비 유니콘들은 “결국 지하묘지(회생 불가 상태)로 갈 것”이라는 게 그의 전망이다.

- Bloomberg, Macro Trader.

“중국 정부는 헝다그룹 같은 곳을 부도낼 만큼 강력한 부동산 통제정책을 썼다”면서 “중국이 10년간 부동산을 억제하고 기술굴기하는 동안 한국은 정책과 자본 모두 부동산 담론에 갇혀 있었다”

“중국의 내수 경기가 굉장히 안 좋은데 기술기업들의 실적은 좋게 나온다”면서 “출장에서 만난 중국 기업인들은 여기서 자신감을 얻고 미국에 뒤지지 않는 기술투자에 나서려고 한다”

https://www.mk.co.kr/news/stock/11271376

내가 틀렸다. 역시 젠슨황은 큰 뜻이 있었다.


1. The Power Constraint

“블랙웰(Blackwell)은 호퍼(Hopper)보다 훨씬 훨씬 더 좋습니다. 게다가, 이것은 칩(칩 개수)이 동일한 상황이 아니라 동일 전력(iso power) 하에서의 비교입니다. 이것이야말로 궁극적인 무어의 법칙(Moore’s Law)입니다. 과거 무어의 법칙이 추구하던 것이 결국 이것이었는데, 이번 세대에 동일 전력 대비 25배 성능을 달성한 것이죠. 동일 칩 수도, 동일 트랜지스터 수도 아닌, 동일 ‘전력’이 결정적입니다. 데이터센터에 들어갈 수 있는 에너지(전력)에는 한계가 있잖아요.”

2. The Pareto Frontier

"추론 프로세스에서, 특히 ‘Reasoning’ 모델의 경우, 서로 다른 단계(연구·사고 단계 vs. 토큰 생성 단계)가 요구하는 자원 특성이 다릅니다. 예컨대 “Deep Research”가 필요한 시점에는 ‘프리필(prefill)’이라 부르는 과정에서 모델의 FLOPS 연산이 집중적으로 쓰이고, 실제로 방대한 양의 웹사이트나 PDF 내용을 읽고 요약할 때 이 부분이 바쁩니다. 반면, 사용자와 계속 대화하는(토큰을 계속 생성하는) 상황에서는 대역폭(메모리/네트워킹) 중심의 리소스가 중시됩니다(‘디코드(decode)’ 단계)."

"ASIC은 결국 특정 지점(특정 목적)에 최적화되어야 합니다. 그런데 GPU는 전체 스펙트럼에서 활동할 수 있습니다. 사고(프리필) 비중이 큰 작업에도, 토큰 생성(디코드) 비중이 큰 작업에도, 상황에 따라 유연하게 대처할 수 있습니다."

-> “이 동적 운영(dynamic operation)은 정말 어렵습니다. 제가 방금 설명한 파이프라인 병렬, 텐서 병렬, 전문가 병렬(expert parallel), 인플라이트 배칭(in-flight batching), 분리형 추론(dis-aggregated inferencing), 워크로드 매니지먼트, KV 캐시 라우팅 등등의 모든 것을 관리하는 소프트웨어가 필요합니다. 그래서 오늘 엔비디아 다이너모(Nvidia Dynamo)를 발표하는 것입니다. 다이너모는 이 모든 것을 해결하는, 본질적으로 ‘AI 공장의 운영체제(OS)’ 역할을 합니다.”


-> 이는 소프트웨어로 GPU의 활용도를 극대화하여 하드웨어 자체 이상의 성능을 끌어올리는 전형적인 엔비디아 전략입니다. 그래서 황은 다음 슬라이드에서 다이너모가 이른바 ‘파레토 프런티어(Pareto Frontier)’를 바깥으로 확장(push out)한다고 설명합니다. 즉, “같은 하드웨어라도 어떻게 병렬화·배치·메모리 관리를 하느냐에 따라, 토큰 처리량과 응답 속도 간의 트레이드오프에서 최적점을 더 높은 수준으로 끌어올릴 수 있다”는 논리입니다.

결국 황의 요점은 “이렇게 동적으로 할당하고 조정할 수 있는 GPU 솔루션이야말로, 이유를 불문하고 ASIC보다 훨씬 범용적이면서 효율적”이라는 것입니다. 그리고 그렇게 하려면, 네트워킹부터 소프트웨어까지 긴밀하게 통합된 생태계가 필요한데, 현재는 이를 ‘온전히’ 해낼 수 있는 곳이 엔비디아 말고는 없다는 것이죠.

https://stratechery.com/2025/nvidia-gtc-and-asics-the-power-constraint-the-pareto-frontier/

1. 기본 물리 원리: 데이터센터에서 왜 열이 발생하는가?

IT 장비의 전력 소비 = 열 발생
- 서버, 스위치, 스토리지 등 모든 IT 장비는 전력(W)을 사용 → 동일한 양만큼 열(kW, BTU 등)로 전환됨(에너지 보존법칙).
- 예: 1kW 전력 소모 = 1kW 열 발생.

더욱 증가하는 칩 전력(TDP)
- AI/고성능 컴퓨팅(HPC) 칩은 수백 W에서 앞으로 1000~1500W까지 증가 예상.
- 서버 한 대, 랙 단위, 데이터홀 전체 등 여러 수준에서 열 부하가 폭증.

열을 제거하지 않으면?
- 서버 온도가 상승 → 부품 수명 단축, 성능 저하(쓰로틀링), 심하면 물리적 손상.
- 데이터센터 신뢰도에 치명적.
- 따라서 ‘열제거(쿨링)’는 필수 인프라.

2. 열 관리의 목적: “최적의 온도 유지 vs 에너지/비용 최소화”
왜 냉각이 중요한가?
- 데이터센터 총 소모전력 중 냉각이 차지하는 비중이 매우 큼(비IT 장비 전력의 60~80% 이상일 수 있음).
- CSP(Cloud Service Provider)는 전력 비용을 크게 절감해야 수익 개선 가능.
- 냉각 설비 자체의 CapEx(초기 투자비)와 OpEx(운영비)도 크므로, 효율적 시스템 설계가 핵심.

PUE(Power Usage Effectiveness)
- 전제: 데이터센터 전체 전력 ÷ IT 로드 전력
- 예: PUE=1.5 → IT부하 1W당 냉각 등 부수 장비로 0.5W 추가 소모.
- 하이퍼스케일러(구글, 메타 등)는 1.1~1.15 수준까지 달성.

WUE(Water Usage Effectiveness)
- 수냉식(쿨링 타워 등)에서 물 소비량이 문제되는 경우 ‘리터/ kWh’로 표시.
- 일부 지역(애리조나 등)에서는 물 부족이 심각하므로 중요 지표.

3. 데이터센터 냉각의 전통적 방식: 공냉(Air-Cooled)
공랭의 원리
- 서버 팬이 뜨거운 공기를 데이터홀로 배출 → CRAC/CRAH 등으로 공기를 냉각 → 밖으로 열을 방출.
- 과거 사무실용 HVAC를 강화하여 적용하던 방식에서 발전.

데이터홀 구조 & 공기흐름
- 뜨거운 공기와 차가운 공기가 섞이지 않도록 ‘Hot Aisle/Cold Aisle’ 설계 & 컨테인먼트로 혼합 최소화.
- 공기 순환(Delta T) 및 팬 전력 최적화: Fan 속도를 낮추면(예: -10%) 전력은 세제곱(약 -27%)으로 감소.

CRAC/CRAH/Fan Wall
- CRAC: 냉매 직접 순환(소형, 레거시), CRAH: 냉수(칠러수) 순환, Fan Wall: 대규모(500kW~수MW) 대응.
- 데이터홀 내부나 옥외(건물 옆/지붕) 설치해 냉각수 또는 공기로 열 교환.

에어컨(Chiller) & 쿨링 타워
- 냉동 사이클(압축, 응축, 팽창)로 물을 차갑게 만들어 순환.
- 물-공기 열교환(쿨링 타워) or 물-물 열교환(수냉식 칠러 + 냉각탑).
- ‘물’ 사용을 많이 하면(Wet Cooling Tower) 냉각효율 좋지만, 물 부족·규제 문제가 발생.

4. 열 부하 증가와 한계: 고밀도 랙 및 새로운 요구사항
1. 점점 증가하는 랙 전력(10~20kW → 100kW 이상)
- AI/딥러닝 훈련용 GPU·가속기의 급증.
- 전통적 공냉만으로는 열을 충분히 제거하기 어려운 한계점 도달.

2. 데이터센터 운영 온도 상향
- ASHRAE 권장: 18~27℃ (최대 45℃까지 허용하는 등급도 존재).
- 서버 공기 유입 온도를 높이면, 칠러 가동 감소로 에너지 절약.
- 하이퍼스케일러는 30℃ 이상으로 설정하기도 함.

3. Inlet/Outlet Delta T, Fan Law
- 들어가는 공기 온도와 나오는 공기 온도가 클수록(=열 교환 잘됨) 팬 전력이 줄어듦(선형 관계).
- 팬 속도↓ → 소비전력은 세제곱으로 줄어듦.

5. 고밀도 대안: 액냉(Liquid Cooling)과 하이브리드 접근
Direct-to-Chip Liquid Cooling(DLC)
- 칩 위에 냉각수 블록 장착해 열 직접 회수(예: Nvidia GB200 NVL72 등).
- 서버 팬 전력 감소, 고발열(1kW~1.5kW/칩)도 대응 가능.
- 기존엔 슈퍼컴 HPC 등에 제한적이었으나, AI 대중화로 빠른 확산 예상.

Immersion(액침냉각)
- 전체 서버를 불활성 액체에 담가 열을 제거.
- 열 제거 효율 높으나, 유지보수·호환성·비용 이슈로 아직 제한적.

RDHx(Rear-Door Heat Exchanger)
- 랙 뒤에 냉각 코일 설치해 공기 배출 직후 열을 흡수.
- 공냉과 액냉의 중간적 솔루션.
- 30~50kW급 랙 냉각 가능, 일부 AI 인프라에서 활용(xAI 등).

6. 하이퍼스케일러 사례: 마이크로소프트, 메타, 구글, AWS

마이크로소프트
- ‘Ballard’ 레퍼런스 디자인(48MW), 공냉(직접 증발 냉각) + 외기 활용(Free Air Cooling).
- 물 사용량은 지역별 기후(건조 vs 습윤)에 따라 달라짐. 애리조나→WUE>2.0 등.

메타(Meta)의 “H” 디자인
- 고온 인렛+낮은 전력밀도로 PUE=1.08, WUE=0.20 달성.
- 건물 자체가 큰 3단 구조로 공기흐름 최적화.
- 완공 시간 길어, 최근 AI 수요 급증에 맞춰 “H” 폐기→새 AI 설계로 교체.

구글
- 다양한 방식(물 많이 쓰는 에바포레이티브, 시워터 프리쿨링 등).
- 대표적으로 ‘워터사이드 이코노마이저’(chiller loop + heat exchanger loop)로 외기 조건 좋을 시 냉동 사이클 off.
- PUE=1.10, WUE>1.0 (물 사용 집중).

AWS
- 상대적으로 정보 비공개.
- 유사하게 외기 냉각 + 증발 기법 조합으로 추정(루버+팬).

7. 미래 관점: AI 시대 데이터센터 냉각 재설계
AI 트레이닝(고발열) vs 추론(저발열?)
- 일부는 “추론(Serving)은 저전력으로 공냉 가능” 주장,
- 하지만 모델 크기·성능 요구↑ → 결론적으로 대규모 액냉 인프라 필요성 증대.

Nvidia 및 주요 고객 로드맵
- Nvidia H100차세대 GPU 랙에서 100kW120kW 이상(직접 칩 액냉) 필수.
- 전 세계적 AI 클러스터 수요 폭발 → 냉각인프라 공급망(쿨링 피팅, Quick Disconnect, CDU 등)도 병목 현상.

“Bridge” 솔루션 증가
- 완벽한 액냉 전환까지 ‘RDHx+공냉’ 등 임시 하이브리드 방식이 확산.
- 장기적으로는 Immersion 같은 ‘극단적’ 액냉도 가능성.

https://semianalysis.com/2025/02/13/datacenter-anatomy-part-2-cooling-systems/

“세계가 지속가능한 에너지로 전환되도록 가속한다.”

테슬라가 진입한 시장(전기차, 에너지 저장, 로봇, 자율주행 등)은 결국 에너지 효율과 기술 혁신을 통해 “모두가 풍족한 삶을 누리는 미래”를 현실화한다는 비전을 갖는다.

“단순히 만족(satisfied)이 아닌, 사랑(love)하게 만들어야 사람들은 자발적으로 홍보한다.”

“가능하면 5초에 1대씩 생산”하는 미래를 목표로, ‘물리적 한계’를 실험한다(“50,000톤짜리 기계를 만들어서 한번에 5대 캐스팅?”).

최근 테슬라 성과
1. Cybertruck
- “불가능하다”던 전기 대형 트럭 성공 양산
- 혁신적인 생산공정(초고속·하이테크 라인) 도입
- 장기적으로 수백만~수천만 대 목표

2. 배터리·에너지
- 메가팩(Megapack) 및 파워월(3세대 Powerwall) 생산 증가
- 상하이 메가팩 공장 빠른 속도로 가동
- 배터리 셀 내제화: “세계에서 가장 저비용·고효율 셀”
- 배터리 공급망(리튬정제, 양극재 등) 통합 투자

자율주행과 AI
1. Autopilot HW4
- 현재 테슬라 차량에 탑재되는 강력한 Inference(추론) 칩
- 향후 HW5, HW6 등 계속해서 개선 예정
“10만 대 이상, 수백만 대 차를 소프트웨어 업데이트로 가치를 5~10배 끌어올릴 수 있다.”

2. FSD(Full Self-Driving)
- 이미 무인(무인 주차, 공장 내 주행 등) 기능 부분 시범 적용
- 5년 내 글로벌 규제 승인 전망 → 대규모 보급
- “소프트웨어 업데이트만으로 차량 가치가 5~10배 상승 가능” → 유례없는 사례

3. Dojo 슈퍼컴퓨터
- 자율주행 AI 학습용 자체 슈퍼컴(dojo 1~2) 개발
- 기존 GPU 클러스터와 함께 대규모 데이터 트레이닝 수행

4. Optimus 로봇
- 22자유도(팔·손부) 등 지속 업그레이드 → “세계 최고 수준 휴머노이드”
- 전기차 모터·배터리·AI·생산기술 등 테슬라가 가진 핵심 역량을 집약
- “장기적으로 인류 역사상 가장 큰 제품(수요·규모) 될 것”
- 2024년 하반기~ 이후, 우선 테슬라 직원에게 공급 → 일반인 구매 가능성
- 2023년엔 최대 5,000대 수준 시범생산(“로마 군단 규모”), 2024년엔 50,000대 예측

5. 서비스 및 슈퍼차저:
전 세계적 슈퍼차저 네트워크 확대, 고속 충전 기능 강화(V4 슈퍼차저 최대 500kW, 세미 1.2MW)
서비스 품질 향상을 통한 사용자 만족도 제고 (차량 판매뿐 아니라 장기 관점에서 중요)

“물리적 전력망 확대 없이도, 배터리로 피크 타임 재분배해 전력 사용량 2배 이상 늘릴 수 있다.”

테슬라 조직
“본질적으로, 회사란 사람들의 집합이며, 그 사람들이 만들어내는 가치가 곧 회사의 존재 이유이다.”
“모두가 어느 정도는 틀릴 수 있다. 매일 조금씩 덜 틀리는(team less wrong) 방향으로 나아가자.”
“프로세스를 자동화하기 전에, 먼저 요구사항을 단순화·삭제하고, 그 뒤에 최적화·속도 개선을 하라.”

1. 전 세계에서 가장 많은 지원자: 소수만 채용, 뛰어난 인재들이 자발적으로 몰려듦
2. 빠른 내부 승진·기회: 회사가 급성장 중이므로 성장 기회가 많음
3. Elon의 경영 철학
- “모두가 어느 정도 틀릴 수 있음 → 끊임없이 자기비판하고 개선해야”
- “회사의 존재 이유는 ‘고객이 사랑하는 제품/서비스 생산’이다.”

테슬라 = 단순 ‘전기차 회사’ 아님
자율주행, 로봇, 에너지, AI 슈퍼컴 등 종합 테크 기업

“지속가능한 풍요”
자율주행차 + 휴머노이드 + 재생에너지 + 배터리 = 인류가 풍족한 삶을 누리는 미래
궁극적으로 우주 진출(스페이스X)과도 시너지 기대

계속되는 혁신
사이버트럭, Optimus, 차세대 공장(초고속 자동화), AI 하드웨어·소프트웨어 등 전방위 확장
“가장 혁신적이고 사랑받는 제품을 계속 만들어 나갈 것”

https://youtu.be/QGJysv_Qzkw

기업용 소프트웨어·솔루션 분야에서 반복 창업가(Repeat Entrepreneurs)는 “황금 티켓(golden ticket)”처럼 평가됨.
- 이미 다수의 Go-to-Market(시장 진출) 경험과 노하우를 축적 → 성공 패턴을 재현할 가능성이 큼.
- 기술 환경이 크게 변할 때, 이를 기회로 삼아 신규 사업자가 기존 플레이어를 교란(disrupt)할 수 있음.

ChatGPT vs. 경쟁 제품들(Grock, Deepseek, Gemini 등)
App Store 순위
- ChatGPT: 꾸준히 1위 유지
- Deepseek/Grock: 잠시 상위권(Top2~Top5)에 올랐다가 하위권으로 떨어짐 (60~100위 밖)

승자독식(winner-take-most)
- 과거 구글·페이스북 사례처럼, 초기 선점과 네트워크 효과가 매우 커 쉽게 뒤집히기 어려움
- 시장 점유율이 이미 큰 OpenAI(ChatGPT)를 넘어서는 것은 “10배 이상 낫거나 하는 극적 혁신이 필요”
- Meta/Google 등 대형기업도 계속 추격 중이나, 당장 소비자 시장에서 ChatGPT를 압도하는 징후는 적음

2.2 현재 수요·인프라 부족
- OpenAI, 자체 인프라 외에 오라클·Coreweave와 텍사스에 대규모 데이터센터(Abilene/Denton) 건설
- 제품(기능) 출시 대기 중이나, GPU·컴퓨트 리소스(서빙 인프라)가 부족해 공급 제약
- Anthropic, 구글 Gemini, Grock 등도 공격적 확장, 그러나 ChatGPT의 사용량/인기와의 격차는 존재

“AI 비용 구조”와 기초 경제학

3.1 Contribution Margin(기여 이익) 문제
Contribution Margin: 매출(Revenue)에서 변동비(모델 서빙 비용, 트래픽 획득 비용 등)를 뺀 값.
예) Anthropic이 AWS를 통해 엔터프라이즈 API를 판매한다면, AWS에게 지급하는 비용(일종의 TAC, Traffic Acquisition Cost) + 모델 inference 비용이 큼
만약 이 변동비가 너무 높으면 사실상 “0 또는 음(陰)의 마진”일 수도
OpenAI는 직접 소비자 상대(중간채널 없이) → TAC 등의 비용이 상대적으로 적고, 단 유·무료 모델 서빙 비용은 큼

3.2 “음(陰)의 마진 AI” 가설(Girly Negative Gross Margin AI Theory)
Bill Gurley(“Girly"로 언급)가 제시한 가설: AI 비즈니스들이 고착화한 선점 효과와 거대한 VC 투자금에 기대어, 실제로는 판매 단가 < 서비스 비용인 상태로 시장점유율을 위해 돈을 태우고(underpricing) 있을 가능성

과거 인터넷 시절과 비교
- 구글/페이스북은 소규모 투자금으로 시작해도 “고마진(near-zero marginal cost) 모델”을 구축 → 높은 이익률로 빠르게 자립
- 반면 AI는 고비용(서빙용 GPU, 클라우드비 등) + 가격 경쟁 → 손해를 감수하며 점유율을 쌓는 업체 많을 수 있음(“e-commerce 초창기 때처럼, 1달러 매출 위해 1달러 이상 쓰는 상황”)

3.3 대형 업체와의 비교
구글·메타·아마존·애플 등은 자체 대규모 수익원(검색광고, 소셜광고, 클라우드, iPhone 등)을 통해 자금 조달 가능 → 신기술/시장에 장기 투자
- OpenAI는 MS 파트너십, 엘론이 이끄는 Grock/X.ai, 또다른 거대 자본 지원받는 Anthropic 등은 “자금력 + 기술력” 동시에 보유
- 결과적으로 쉽게 “단기 승부”로 끝나지 않을 것이고, 장기전에 따른 많은 변동 가능성

https://youtu.be/ymEtsnDif5M

Agility Robotics Leadership https://youtu.be/qjf28ZBnn3k

클라우드 자동화 플랫폼

Peggy Johnson (CEO):
- 로봇 배치 증가에 따라 플릿 관리를 위한 엔터프라이즈 소프트웨어 필요성 대두.
- 로봇 관리자가 된 전 작업자들에게 디지털 경력 경로 제공. (12:48)

Melanie Wise (CPO): (13:27)
- Agility Arc는 단순 플릿 관리를 넘어선 클라우드 자동화 플랫폼.
- 목표: Digit뿐만 아니라 솔루션 중심의 전체 자동화 생태계 지휘(Orchestration). (13:49)
- 기능: WMS, 컨베이어, 충전 도크, AMR 등 다양한 시스템 연결 및 통합 관리. 고객에게 완전한 패키지 솔루션 제공.
- 구현 방식: 표준 커넥터 (Manhattan 등), 사용하기 쉬운 인터페이스 (PLC 컨트롤러 등), 시각적 프로그래밍 언어 (Blockly 기반), 스케줄링, 메트릭스, 성능 추적, Tier 1/2 지원, 문서화, 알림 등 단일 창(Single Pane of Glass) 제공. (15:40)
- 고객 가치: 최종적으로 고객이 중시하는 처리량(Throughput), 신뢰성(Reliability), 가동 시간(Uptime) 보장. (16:09)

Digit의 '두뇌': AI 및 학습 전략
Melanie Wise (CPO):
AI/ML 수준: (17:06)
- 물리적 지능 (Physical Intelligence): 제어 아키텍처, 로봇의 고유한 물리적 속성(다리 구조 등), 모델링 용이성.
- 의미론적 지능 (Semantic Intelligence): LLM, LMM 등 활용. 자연어 작업 지시 변환 (가장 유망한 초기 사용 사례). (18:46) (예: "Put Wall에서 주문 가져와서 긴급도에 따라 행동해")
- 집합적 지능 (Collective Intelligence): 클라우드 기반 시스템, 데이터 수집/활용 (Arc 플랫폼), 로봇 데이터 기반 미래 모델 훈련 (특화 LLM 등). (19:59)

Nvidia 파트너십: (18:00) Digit 아키텍처의 물리적 특성 덕분에 Sim-to-Real 전환 용이.
LLM 적용 과제: 범용 LLM을 공장/물류 시설 같은 고도로 특화된 환경에 맞게 조정 필요.
안전성: AI/학습 기반 접근 방식 도입 시 안전성 확보가 핵심 과제. (20:44) 단계적 적용 및 산업 안전 요구사항 준수 필요.
협업 안전 목표: 향후 2-3년 내 완전한 협업 안전(Collaborative Safety) 달성 목표. (21:05)

단기 목표 및 확장 계획
- 현재 로봇 수: 수십 대 -> 내년 수백 대 -> 내후년 수천 대 목표.
- 차별점: 지금 당장 배치(Deploy) 가능 (AI에 제약받지 않음).
- 데이터 활용: 3년간 축적된 고객 데이터(Data Lake)를 활용하여 Digit에게 새로운 기술 학습.
- 산업 확장: 물류에서 얻은 학습을 운송(Transportation), 소매(Retail - 예: 대형 식료품 체인 야간 작업 지원) 등 다른 분야로 확장.
- 엔드 이펙터 (손): 교체 가능한(Swappable) 손 설계. 특정 작업에 맞는 특수 그리퍼나 도구 장착 가능. 현재 작업에 반드시 5개 손가락이 필요한 것은 아니며, 복잡성 고려.

비즈니스 모델 및 자금 조달
자금: 약 2년 전 Series B 1억 5천만 달러 유치 완료. 현재 운영 자금(Runway) 확보. 향후 추가 자금 조달 계획 있음. (25:44)

수익 창출: 로봇 배치에 따른 수익 발생 시작. 곧 수익 계약 발표 예정. (26:05)
비즈니스 모델: (26:10)
- CapEx + SaaS: 고객이 로봇 초기 구매 + 지속적인 SaaS 요금 (Arc 플랫폼 사용 등). (ROI 약 2년 미만)
- RaaS (Robots as a Service): 월 단위 구독형. 고객 진입 장벽 낮춤 (소프트웨어, 유지보수 포함). 중소규모 고객 실험 용이.
- 가격 정책: 공개 불가하나, 일반적으로 **인간 노동자 비용과 비슷한 수준(on par)**으로 책정하여 고객 ROI 충족 목표. (27:19)

Q&A
1. AR을 사용하는게 ROI가 있나?
GXO 사례 등에서 ROI 충족, 즉 '유용한 작업' 수행 중. 피크 타임 외 비수기에도 비용 효율성 있음

2. 다리 vs. 바퀴
AMR은 특정 문제에 좋지만, 복잡한 작업(특히 높은 곳/깊은 곳의 무거운 물체 조작) 시 안정성 한계 (Tippy). 공간 제약(좁은 통로) 고려 시 다리가 유리.
Digit은 동적 안정성으로 깊은 선반 등 접근 용이. 안전 문제(넘어짐 등)는 해결 과제지만, 협업 안전 가능성 보고 Agility 합류
현재 많은 애플리케이션에서 Digit이 AMR의 가장 친한 친구(best friend) 역할 수행 (AMR이 운반 -> Digit이 상하차/적재)

3. 로봇 스펙
- 초기 4축 -> 현재 7축 팔(3-1-3 관절 구조). 특정 어깨 디자인 선호보다는 작업 공간(Manipulation Workspace) 확보 및 작업 수행 능력(좁은 공간 접근, 기계 조작 등) 극대화

4. 안전성
- 완전한 협업 안전(Full Collaborative Safety) 달성 시점으로 예상 (향후 2-3년). 현재는 동적 안정 로봇 표준 부재로 워크셀(Work Cell) 내 운영. 안전성 확보가 핵심.
- 디자인은 비용 효율성 및 안전성 고려. 다리 끼임 등은 오용(Misuse)에 가깝지만, 위험 평가 기반으로 회피 가능성(Avoidability) 높이고 심각성(Severity) 낮추는 방식으로 설계 중

5. 손?
- 5개 손가락 손 배제는 아님. 다양한 종류의 손/도구 부착 가능. 지난 60년간 산업 로봇 역사가 증명하듯, 대부분의 물류/제조 작업에 5개 손가락 불필요.
- 오히려 자동차 조립 라인 등에서 인간이 사용하는 특수 공구(스크류 건, 리벳 건 등)를 로봇 팔 끝에 직접 장착하는 것이 더 효율적일 수 있음 (복잡한 5지 손 제어 불필요, 전원 공급 용이).

6. 액추에이터
- 싸이클로이드(Cycloidal) 및 하모닉 드라이브(Harmonic Drive) 기술 혼합 사용. 맞춤 설계(Custom Design). 일부 자체 생산, 일부 외주 생산. 투명성(Transparency) 높고 제어 용이한 싸이클로이드 기술 선호도 증가.
- 궁극적으로는 고객 문제 해결 및 ROI 달성에 최적인 기술/가격을 선택할 것
- 추가하고 싶은 관절 1개?: Melanie: 허리 회전(Waist Rotation) 관절. (손의 작업 공간 확장 목적)
- 제거해야 하는 관절 1개?: Melanie: 발목(Ankle) 또는 엉덩이(Hip) 관절. 팔 관절(7축)은 작업 수행에 필수적이라 제거 불가. (현재 시장인 평평한 바닥 환경 고려 시 가격 절감을 위해)

7. 비용 구조
- 액추에이터보다 센서 및 안전 시스템이 현재 가장 큰 비용 차지. 안전 인증 시간/비용, 시장 경쟁 부족 때문. 액추에이터는 장기적으로 원자재 비용(bare metal cost)으로 수렴 경향.
- 대량 생산 시(수만 대 이상) 알루미늄, 강철 등 원자재 비용이 최종 한계.

8. 현재 가장 큰 병목은?
- AI 훈련이나 제조 스케일업보다는 신속한 고객 현장 배치(Deployment). (49:36) 기존 대규모 자동화 시스템은 배치에 수개월 소요. Agility는 현재 1주~1.5주 소요, 장기 목표는 72시간 이내.

9. Digit이 궁극적으로 Digit 자체를 100% 생산하게 될 것인가?
- 이미 Agility의 부품 수령 구역(receiving area)에서 Digit이 도움을 줄 계획이 있다. (즉, 초기 단계의 부분적인 자가 생산 기여는 계획 중)
- 멜라니(Melanie)가 지적했듯이, 기계에 부품을 로딩/언로딩하는 작업은 현재 인간이 하거나 산업용 로봇으로 자동화되지만, 장기적으로 Digit이 이러한 역할을 수행하는 것이 목표이다.
- 이 목표 달성의 핵심 요소는 **교체 가능한 엔드 이펙터(손)**이다.

10. RoboFab의 현재 역할 및 공급망
- 현재 RoboFab(Agility의 공장)은 주로 조립(Assembly)과 테스트(Test)에 집중한다.
- 금속 가공(벤딩, 머시닝)과 같은 작업은 제3자 제작업체(third-party fabricators)를 이용한다.
- 모든 하위 부품(subcomponents)이 공장으로 들어오면 Agility가 이를 조립한다.
- Agility가 공급업체를 이용하므로, 반대로 Agility가 그 공급업체들에게 Digit을 판매하여 그들의 공정을 자동화할 수도 있다. (새로운 사업 기회 가능성)

11. 경쟁사를 어떻게 보나? 누가 성공하고 누가 실패할까? Agility의 성공/생존 요건은 무엇인가(자금 규모, 목표 - 수백만 대?)? 이것은 경주인가?
- 이것은 경주(race)이며, Agility는 현재 앞서 있다(ahead). 그리고 계속 앞서 나갈 목표를 가지고 있다.
- Agility는 전문성, 실제 환경에 대한 지식, 고객의 안전 기준 충족 능력 등을 보유하고 있다.
- 지속적인 혁신을 추구할 것이다.
- 협업 안전(Collaborative Safety) 달성 시 새로운 시장(궁극적으로 소비자 시장 포함)이 열릴 것이다. 이것이 Agility의 비전이자 계획이다.
- Agility의 (비교적) 작은 팀은 그 규모 이상의 성과(punched above its weight)를 내왔다.
- 실제로 작동하는 로봇을 보유하고 있으며, 고객들이 그 가치를 인정했다는 것은 매우 중요한 성과(milestone)이다.
- 수익(Revenue)을 창출하기 시작했으며, 곧 발표될 수익 발생 계약들은 실제 비즈니스의 선순환(flywheel)을 시작할 것이다.

12. 어떤 회사들이 왜 실패할까?
- 가장 큰 실수: 로봇의 물리적 측면, 즉 물리적 지능(physical intelligence)을 가장 중요하게(paramount) 생각하지 않는 것.
- AI는 물리적 지능 위에 덧붙여져야(layered on top) 하는 것이지, AI만으로 로봇을 제어하려는 것은 현재 AI 단계에서는 너무 이르다.
- Agility는 AI를 효과적인 보조 수단(aid)으로 사용하지만, 로봇 배포의 핵심 기반으로 의존하지는 않는다.
- AI만이 답이라고 기대하는 경쟁사들은, 물리적 지능과 의미론적 지능(semantic intelligence)이 함께 해결되어야 한다는 점을 간과하여 위험에 처할 수 있다.

13. 실제 환경에서 1000대 이상의 로봇 데이터를 수집해야 진정한 AI 훈련이 가능하다는 의견에 동의하는가?
- 복잡하다 (Yes and No).
- 일부 유형의 훈련은 대규모 데이터 없이도 가능하다.
- 하지만 더 복잡하고 흥미로운 AI/ML 작업은 로봇 군집(Fleet) 규모가 600~800대 이상이 될 때 가능해진다 (과거 회사 경험 기반).
- (과거 회사 경험) 로봇 한 대당 하루 30GB의 데이터를 생성하는 매우 큰 데이터 레이크(Data Lake)를 활용하여 흥미로운 AI 작업을 수행했다.
- Agility도 포괄적인 데이터 레이크/레이크하우스를 구축할 것이다.
- Digit은 AMR보다 훨씬 더 많은 데이터(하루 3~5배)를 생성한다.
- 결론적으로 '1000대'라는 숫자는 단정적이며, 필요한 데이터 양은 해결하려는 특정 문제와 데이터 사용 목적에 따라 다르다. Agility는 데이터 필요성에 대해 매우 실용적으로(pragmatic) 접근할 것이다.

임상의, 백오피스 직원, 환자, 문제에 대한 관점을 가진 모든 사람들과 이야기를 나누며 이 공간을 파헤치기 시작했습니다...

우리가 계속 반복해서 들었던 문구는 "사전 승인"이었습니다.

사전 승인은 의사가 치료 전에 보험사에 확인하여 보험 적용 여부와 필요성을 확인하는 간단한 절차이지만 실제로는 보험사의 인센티브와 의료 제공자의 인센티브가 충돌하는 도가니입니다

환자는 그 사이에 끼어들게 됩니다.

임상 문서를 가져오고, 양식을 작성하고, 후속 조치를 취하고, 중환자 치료를 위해 환자를 신속하게 승인하는 등 임상의가 있는 곳에서 임상의를 지원하는 플랫폼을 구축하기 위해 노력해 왔습니다.

몇 시간이 걸리는 프로세스를 30초의 승인 흐름으로 전환합니다.

보험사가 새로운 양식을 출시하면 AI가 내용을 이해하고 임상 문서를 활용하여 양식을 작성하는 등 각 보험사 프로세스의 미묘한 차이를 기본적으로 처리하고 자동화할 수 있는 플랫폼을 구축했습니다

이미 전국적으로 약 1000개의 보험사를 지원하고 있습니다.

저희는 사무 프로세스를 자동화하면서 보험사가 치료를 거부하는 이유에 대한 인사이트를 구축합니다. 보험사의 답변을 몇 주씩 기다리지 않고 환자가 정보에 입각한 결정을 내릴 수 있도록 실시간 보험 적용 여부 결정을 위해 노력하고 있습니다

보험사 프로세스로 인해 환자 치료가 지연되어서는 안 됩니다.

미국 헬스케어 AI회사 $27m 투자유치

https://x.com/Pavel_Asparagus/status/1904554522313175256

로봇에게 특정 작업(예: 병뚜껑 잠그기, 주걱 사용)을 훈련시키는 것은 가능했으나, 일반화(Generalization), 즉 다양한 시나리오와 객체에서 해당 작업을 수행하게 하는 것이 주요 난제임을 인식.

연구 초점: 더 광범위한 데이터셋 구축 방법, 다양한 학습 접근법(강화학습, 모방학습, 비디오 예측 등), 지식 이전 방법론 개발에 집중.

Physical Intelligence (PI): 즉, 어떤 로봇이든, 어떤 작업이든, 어디서든 제어할 수 있는 대규모 신경망 모델 개발.

- 가능한 모든 데이터를 활용하는 것이 중요하다고 믿음. 이는 다양한 로봇 형태(Embodiments)(다른 관절 수, 팔 개수 등)의 데이터를 포함. 이기종 하드웨어 간에도 상당한 지식 이전이 가능하며, 이는 로봇 플랫폼 반복 개발 시 데이터 손실을 방지함.
- "로봇 동작의 인터넷" 같은 것이 없기 때문에, **원격 조작(Teleoperation, "puppeteering")**을 통한 실세계 로봇 데이터 확장이 핵심("bread and butter"). 다른 데이터 소스도 탐색 중.

현재 R&D 초점:
- 언어 상호작용: 사용자가 자연어 프롬프트와 상황적 수정(situated corrections) (예: "채식 샌드위치 만들어줘, 피클 빼고")으로 로봇과 상호작용 가능하게 함.
- 일반화: 단일 환경을 넘어 다양한 환경, 객체, 작업을 처리하도록 함. 이를 위해 훨씬 더 다양한 데이터 수집(다양한 장소, 객체, 작업)이 최우선 과제(#1 priority).
- 모델 아키텍처: 트랜스포머(Transformers) 사용 및 사전 훈련된 비전-언어 모델(Vision-Language Models, VLMs) 활용하여 인터넷의 방대한 지식 통합 (예: 로봇 훈련 데이터에 없던 테일러 스위프트 인식).

주요 병목: 충분히 다양한 로봇 데이터의 부족. 다양한 실제 장소에서 데이터를 수집하는 것이 매우 중요함.
기타 요인: 사람 비디오 활용, 웹 데이터 활용, 사전 훈련 모델 활용, 기본 추론 능력(예: 샌드위치 만들 때 알레르기 이해) 탐색.
메모리: 현재 정책(policy)은 메모리가 없음. 새로운 센서 추가보다 모델에 메모리를 추가하는 것이 더 높은 우선순위.

오픈소스 철학:PI는 모델 가중치, 기술 논문, 심지어 로봇 디자인까지 하드웨어 회사와 공유하는 등 상당히 개방적인 태도를 취함.
- 분야가 초기 단계이므로 개방성이 커뮤니티 발전과 미래 모델 수용 준비에 도움.
- 개방성과 학문적 기여를 중시하는 최고 수준의 연구 인재 유치.
- 가장 큰 위험은 경쟁이 아니라, 일반적인 물리적 지능이라는 근본 문제가 해결되지 않는 것. 로보틱스는 본질적으로 어렵고 오류 허용 범위가 낮음.

휴머노이드는 흥미롭지만, 현재 단계에서는 잠재적으로 **과대평가(overrated)**됨.
- 데이터 수집 반론: 휴머노이드 원격 조작은 실제로는 더 단순한 로봇보다 더 어려워서 데이터 수집 효율성을 저해함. PI는 데이터 수집의 용이성과 속도를 위해 더 저렴하고 단순한 로봇 사용을 우선시함.
- 미래 예측: 단일 지배적 형태보다는, 특정 작업(예: 주방 가전)에 최적화된 **매우 다양한 로봇 플랫폼("캄브리아기 대폭발")**이 공존하는 미래를 예상함.

핵심 연구 전환점
- SayCan: 상위 수준 계획에 LLM 사용 + 하위 수준 정책 결합.
- RT-2 (VLM 연구): 웹 규모 지식(VLM 경유)을 로봇 작업으로 이전 가능성 입증.
- RT-X: 다양한 로봇 하드웨어 전반에 걸쳐 모델 훈련 성공, 데이터 통합의 이점 증명.
- Aloha/Mobile Aloha: 원격 조작을 통해 복잡하고 정교한 조작 작업 훈련 가능성 시연.

계층적 상호작용 로봇 (H-Robot - 최근 PI 연구)
- 개념: 장기적 작업(long-horizon tasks)과 자연어 상호작용을 다루는 시스템.
- 계층 구조: 상위 모델이 프롬프트를 해석하고 중간 단계를 출력, 하위 모델이 해당 단계를 모터 명령으로 실행.
- 상호작용: 사용자가 작업 실행 중 미묘한 지침과 수정 사항을 제공할 수 있음.
- 시연: 프롬프트에 따라 다른 샌드위치 만들기, 장보기, 테이블 청소 등.

센서:
- 현재: RGB 비전(기본 및 손목 장착 카메라)에 크게 의존하며 성공적으로 활용 중.
- 요구: 피부와 같은 촉각 센서가 필요하지만, 현재 옵션은 내구성 부족, 고비용, 저해상도 등의 하드웨어적 한계가 있음. 손목 카메라가 일부 대체 정보 제공.
- 미래: 다른 센서(오디오, 냄새, 열)는 중복성을 통해 견고성을 높일 수 있지만, 현재의 병목 현상은 아님. 메모리 추가가 더 중요함.

로보틱스 vs. 자율주행: 로보틱스는 상업적 생존을 위해 초기 전체 분포 해결 필요성이 낮을 수 있으나, 제어 복잡성은 더 높음. 자율주행의 통합 사례는 초기 시작이 너무 빨랐음을 시사할 수 있으며, 딥러닝 성숙도를 고려할 때 로보틱스의 현재 타이밍이 더 나을 수 있음.

https://youtu.be/AzqsJk1f12k?si=CDNHUQ_5XwlxchWk

수십 년 동안 기술 업계에서는 마크 저커버그나 빌 게이츠와 같은 대학 중퇴 창업자를 낭만적으로 묘사해 왔지만, 실제로는 대부분의 자금력을 갖춘 창업자들은 전통적으로 나이가 많았으며, 풍부한 네트워크와 업계 경험을 활용하여 엔터프라이즈 소프트웨어에 진출했습니다.

AI가 이를 바꾸고 있습니다.

AI는 경쟁의 장을 평준화하여 젊은 창업자들이 수십 년의 경험 없이도 기회를 파악하고 빠르게 구축하며 기업 고객을 확보하기가 더 쉬워졌습니다.

세 가지 주요 변화가 이러한 변화를 주도하고 있습니다.

1. AI는 워크플로우의 비효율성을 제거하여 창업자가 업계에 대한 깊은 지식 없이도 업무를 자동화할 수 있도록 지원합니다.
2. 경험보다 속도가 우선: AI 네이티브 제품은 빠른 반복을 선호합니다. AI 네이티브 제품은 '모범 사례'보다 빠른 반복을 선호합니다.
3. 엔터프라이즈 AI 도입으로 유통 장벽이 낮아져 기존 네트워크 없이도 고객을 확보하기가 그 어느 때보다 쉬워졌습니다.

결과는? 최근 졸업생과 중퇴자가 그 어느 때보다 더 많이 회사를 설립하고 있습니다.

현재 미디어에서 간과되지만, 미래의 역사가들이 연구할 만한 주제는 무엇인가?

Naval Ravikant는 다음과 같은 세 가지 주요 영역을 지적합니다.

1. 현대 의학 및 생물학의 현주소 (석기 시대 수준):

미디어 간과: 사람들은 현대 의학을 과도하게 신뢰하지만, 실제로는 매우 초기 단계에 머물러 있다.

근본 문제:
- 최선의 치료법이 여전히 '절제(수술)'인 경우가 많다 (예: 담낭, 충수, 편도). 이는 인체가 매우 효율적이며 불필요한 기관은 없다는 사실을 간과한다.
- 생물학 분야에 근본적인 설명 이론이 부족하다 (세균 이론, 진화론, 세포 이론, 유전학 외에는 대부분 경험적 규칙과 암기에 의존). A가 B에 영향을 미치고... 연쇄 반응은 알지만 근본 원리는 모른다.
- 인명 피해 위험 때문에 충분한 실험이 이루어지지 않고, 규제 기관에 의해 많은 잠재적 치료법이 금지되어 혁신이 부족하다.

미래 전망: 미래 세대는 현재의 생물학/의학 수준을 보고 경악할 것이다. 브라이언 존슨(Bryan Johnson)처럼 더 극단적이고 실험적인 접근(N of 1 실험)이 필요하지만, 보충제 과다 복용 등 특정 방법론에는 동의하지 않는다 (자연 상태의 음식 섭취 강조).
핵심 인사이트: 생물학과 의학은 아직 근본적인 이해가 부족한 '암흑기'에 있으며, 혁신을 위한 더 과감한 실험과 접근 방식이 필요하다.


2. 드론 전쟁의 미래 (전장의 완전한 변화):

미디어 간과: 드론의 중요성이 여전히 과소평가되고 있다.

궁극적 형태: 미래 전쟁은 완전히 드론으로만 이루어질 것이다. 드론의 최종 형태는 단순 유도탄이 아닌 '자율적 총알(Autonomous Bullets)', 즉 스스로 목표를 설정하고 공격하는 형태가 될 것이다.

전장 변화: 자율적 총알 시대에는 항공모함, 탱크, 보병 등 기존의 군사력은 의미를 잃게 된다. 전쟁은 각자의 자율적 총알들이 싸우고, 승리한 쪽이 결정되면 끝나는 형태가 될 것이다.

핵심 인사이트: 드론 기술, 특히 자율성은 전쟁의 양상을 근본적으로 바꿀 것이며, 기존의 군사 체계는 무용지물이 될 것이다.


3. GLP-1 작용제 (획기적인 신약의 파급 효과):

미디어 간과: GLP-1 약물(비만/당뇨 치료제)의 잠재력이 과소평가되고 있으며, 주로 부작용이나 특정 집단의 반발에 초점이 맞춰지는 경향이 있다.

획기적인 약물: 항생제 이후 가장 획기적인 약물이며, 스타틴보다 더 중요할 수 있다.
- 단순 체중 감량 이상의 효과: 중독 차단 (음식, 흡연, 심지어 헤로인/오피오이드까지), 다양한 암 위험 감소, 신진대사 개선을 통한 노화 역전 효과, 치매/알츠하이머/심혈관 질환 예방 등 엄청난 잠재적 이점.
- 부작용은 이점에 비해 미미하다. (암 유발 주장은 사실과 다름, 근육/뼈 손실은 고단백 섭취와 운동으로 관리 가능)

사회적/경제적 영향:
- 의료 비용 곡선을 크게 꺾을 잠재력 (비만 관련 질환 예방).
- 높은 약값 문제: 미국 내 높은 가격과 해외의 저렴한 가격/접근성 사이의 격차가 큰 사회적 문제로 대두될 것이다. (버니 샌더스가 "GLP-1 무료화"를 공약으로 내걸어야 한다고 제안)
- 사회적 저항: 비만을 도덕적 실패로 간주하거나, 자신의 '노력'으로 얻은 건강/체형의 가치(Status)가 희석되는 것을 우려하는 사람들의 반발이 존재한다. ("부작용 모른다", "암 유발한다" 등의 주장)
- 신체 긍정성 운동(Body Positivity Movement)의 종말: 효과적인 체중 관리 약물의 등장은 이 운동의 기반을 약화시킬 것이다.

핵심 인사이트: GLP-1은 단순히 비만 치료제를 넘어 사회 전반의 건강, 의료비, 심지어 중독 문제까지 해결할 수 있는 잠재력을 가진 '기적의 약'이다. 높은 약값과 사회적 저항에도 불구하고, 그 광범위한 이점으로 인해 사회적 요구가 폭발적으로 증가할 것이며, 이를 해결하는 정치적 리더십이 중요해질 것이다.

https://youtu.be/RLGLEaAhVJQ

저희는 OpenAI, Anthropic, Suno, Perplexity, Midjourney, Cognition, ElevenLabs, LangChain, Pinecone, Mistral, Cohere, Sierra, Decagon, Invideo를 포함하여 빠르게 성장하는 비즈니스를 가진 수많은 회사와 파트너 관계를 맺고 있습니다. 또한 아직은 잘 알려지지 않았지만 (언제든 그렇게 될 수 있는) 수많은 다른 기업들과도 협력하고 있습니다. 저희의 2024년 데이터는 이들 스타트업이 기록적인 속도로 비즈니스를 구축하고 있음을 보여줍니다.

SaaS가 수평적으로 시작하여 수직적으로 확장된 것처럼 (처음에는 Salesforce, 그 다음에는 Toast처럼), 우리는 AI에서도 유사한 역학이 펼쳐지는 것을 보고 있습니다. 우리는 ChatGPT로 시작했지만, 이제는 산업별 특화 도구들이 확산되는 것을 목격하고 있습니다. 어떤 사람들은 이러한 스타트업들을 "LLM 래퍼(wrapper)"라고 불렀지만, 그들은 요점을 놓치고 있습니다. 경제학의 O-링 모델은 상호 의존적인 작업으로 이루어진 프로세스에서 전체 결과물이나 생산성은 단순히 비용 측면뿐만 아니라 전체 시스템의 성공 측면에서도 가장 비효율적인 구성 요소에 의해 제한된다는 것을 보여줍니다. 비슷한 맥락에서, 우리는 이러한 새로운 산업별 특화 AI 도구들이 개별 산업이 LLM의 경제적 영향을 제대로 실현할 수 있도록 보장하며, 문맥(contextual), 데이터, 워크플로우 통합이 지속적으로 가치 있다는 것을 증명할 것으로 봅니다.

이러한 맥락의 예로는 의료 분야의 Abridge Nabla DeepScribe 등이 있으며, 한편 Studeo는 부동산 기업이 자산을 마케팅하는 방식을 재편하고 있습니다. 건축가들은 간단한 텍스트 프롬프트로 즉시 디자인을 렌더링하기 위해 Sketch Pro을 사용하고 있으며, 레스토랑은 Slang AI전화 예약을 사용하고 있고, 부동산 관리자들은 HostAI를 통해 고객 지원을 통합하고 있습니다. Harvey 법률 비서는 많은 Fortune 500 기업에서 사용되고 있으며, 2024년에는 매출이 4배 증가했습니다.

AI는 온라인 상거래의 기본적인 방식까지도 변화시킬 것입니다. 우리는 오랫동안 인간을 위해 결제 과정을 최적화해왔지만, 이제는 AI 에이전트를 위해서도 동일한 작업을 수행하고 있습니다. 지난 11월에 출시된 저희의 Agent 를 시작으로 말입니다. 우리는 또한 Stripe Issuing을 통해 생성된 가상 카드로 에이전트가 쉽게 돈을 쓸 수 있도록 하고 있습니다. 이를 통해 사용자는 프로그래밍 방식으로 승인을 허가하거나 거부할 수 있어, 에이전트가 사용자가 원하는 것만 구매하도록 보장합니다. (그리고 네, 지출 통제 기능이 내장되어 있습니다: 아무도 T-1000이 가족 신용카드로 난동을 부리는 것을 원하지 않으니까요.)

Stripe Annual Letter 2024

개개인들이 GPT를 통해서 하던 행동들이 하나의 Product로 녹아져나오고 있음. Cursor가 개인을 위한 제품이라면 팀을 위한 제품들이 개발직군쪽에서도 빠르게 성장중.

이런 제품들은 고객의 Workflow에서 발생하는 데이터, 이전에 시행착오를 겪었던 데이터를 가지고 원하는 의도를 잘 파악해서 원하는 결과물을 줄 수 있음(이상적으로).

General하게 여러분야에서 쓸수 있던지 아니면 특정 워크 플로우를 완결성있게 해결해주는 플레이어들로 기존 개발 Stack도 크게 바뀔 예정.

https://www.qodo.ai/

2. 고객의 문제 (Customer Problem):
- 시간 부족: 개발자 중 58%가 철저한 코드 리뷰를 할 시간이 부족합니다. 이로 인해 코드 리뷰가 소홀해지거나 생략될 수 있습니다.
- 버그 발생: 평균적으로 코드 1,000줄당 15개의 버그가 고객에게 전달됩니다. 이는 코드 리뷰가 충분히 효과적이지 않다는 것을 의미합니다.
- Pull Request(PR) 설명 부족: 1/3 이상의 PR에 설명이 누락되어 있어, 리뷰어가 변경 사항을 이해하고 검토하기 어렵습니다.
- 리뷰 일관성 부족: 팀 전체에 걸쳐 일관된 코드 리뷰 표준을 적용하기 어렵습니다.
- 수동적이고 비효율적인 리뷰 프로세스: 기존의 코드 리뷰 방식은 시간이 많이 걸리고, 중요한 문제를 놓칠 수 있습니다.
- 코드 품질 저하: 시간 부족, 비효율적인 프로세스 등으로 인해 최종 제품의 코드 품질이 저하될 위험이 있습니다.
- 코드 변경 사항 추적 및 이해의 어려움: 복잡한 변경 사항이나 테스트되지 않은 코드를 파악하기 어렵습니다.

3. Qodo Merge의 해결책 (Product Solution):

AI 기반 코드 리뷰 자동화: Qodo Merge는 코드 리뷰 워크플로우를 자동화하고 AI를 활용하여 코드 분석, 제안, 직접적인 AI 채팅 기능을 Git 환경(특히 Pull Request) 내에서 제공하는 코드 리뷰 도구입니다.

주요 기능:
- 자동 PR 설명 생성 (/describe): 코드 변경 사항을 기반으로 PR 설명을 자동으로 생성하여 리뷰어가 변경 내용을 쉽게 파악하도록 돕습니다.
- 이슈 및 버그 탐지/우선순위 지정 (/review): 코드 내의 잠재적인 버그, 이슈, 보안 취약점을 식별하고 우선순위를 지정해줍니다.
- 요구사항 준수 확인: 코드가 관련 티켓의 요구사항을 준수하는지 확인합니다.
- 상황 인식 코드 제안 (/improve): 코드베이스에 맞춰진 구체적이고 실행 가능한 코드 개선 제안을 제공하며, 노이즈를 최소화합니다. (수락된 제안을 학습하여 더 정확해짐)
- PR 내 직접 AI 채팅: Chrome 확장 프로그램을 통해 PR 내에서 코드에 대해 질문하거나, 사전 설정된/사용자 정의 명령(commands)을 실행하여 리뷰 워크플로우를 자동화할 수 있습니다. (/ask, /implement, /analyze, /add_docs 등)
- 일관된 표준 적용: 팀의 코딩 표준 및 모범 사례에 맞게 사용자 정의하여 일관된 리뷰 기준을 쉽게 적용할 수 있도록 지원합니다.
- 유연한 배포: 자체 호스팅(Self-hosted) 또는 완전 관리형(fully-managed) 옵션을 제공합니다.
- 다중 AI 모델 활용: Claude Sonnet 3.5, OpenAI o1 등 최고의 AI 모델의 강점을 활용합니다.

4. 고객에게 주는 가치 (Value Proposition):
- 시간 절약 및 효율성 증대: PR 설명 자동 생성, 자동 분석 등으로 개발자와 리뷰어의 시간을 절약하고 리뷰 프로세스를 효율화합니다 ("Give reviewers a short cut").
- 코드 품질 향상: AI가 잠재적 버그, 보안 문제, 개선점을 조기에 발견하여 최종 제품의 품질을 높이고 고객에게 전달되는 버그 수를 줄입니다 ("tough on bugs", "most effective line of defense").
- 리뷰 일관성 확보: 팀 전체에 걸쳐 일관된 코딩 표준과 리뷰 기준을 적용하기 쉬워집니다.
- 리뷰 집중도 향상: 중요한 이슈에 집중할 수 있도록 도와주어 리뷰의 실효성을 높입니다 ("Keep code reviews in focus").
- 개발 생산성 향상: 리뷰 프로세스 개선을 통해 개발자가 코딩 자체에 더 집중할 수 있게 합니다.
- 커밋/머지에 대한 신뢰도 증가: 자동화된 검증과 AI 제안을 통해 코드 변경 사항에 대한 신뢰도를 높입니다 ("Confidence in every commit").
- 팀 맞춤 설정 가능: 워크플로우, 인프라, 코딩 표준에 맞게 AI 리뷰 방식을 유연하게 조정할 수 있습니다.