Horizon Press | 호라이즌프레스
"자금은 분산 투자된 저비용 인덱스 펀드에 투자되며, 자녀가 18세가 될 때까지는 인출할 수 없다." https://www.hankyung.com/article/202512029636i
The Gospel of The Wealth Andrew Carnegie
카네기는 먼저 산업화로 인해 빈부 격차가 커진 현실을 인정하지만, 이것이 인류 전체의 진보를 위해 필수적인 대가라고 주장합니다. 과거에는 추장과 부족민의 생활 수준 차이가 미미했으나, 현대에는 백만장자의 궁전과 노동자의 오두막 사이에 큰 차이가 존재합니다. 하지만 그는 이것이 문명의 증거라고 말합니다.
경쟁의 법칙 (The Law of Competition)
카네기는 경쟁이 개인에게는 가혹할지라도 인류 전체에게는 유익하다고 봅니다. 경쟁을 통해 더 좋은 품질의 제품이 더 싸게 공급되어 가난한 사람들도 과거의 왕보다 더 풍요로운 물질을 누리게 되었기 때문입니다.
잉여 부를 처리하는 세 가지 방법
카네기는 부자가 자신의 막대한 재산을 처리하는 데에는 오직 세 가지 방법만 있다고 말합니다.
1. 자손에게 물려주는 것: 이는 가장 현명하지 못한 방법입니다. 막대한 유산은 자녀의 재능과 에너지를 망치고 무거운 짐이 될 수 있습니다.
"The man who dies thus rich dies disgraced."
*(이렇게 부자로 죽는 사람은 불명예스럽게 죽는 것이다.)*
1. 사후에 공공 목적을 위해 유증하는 것: 이는 그가 살아생전 부를 놓기 싫어했다는 증거일 뿐이며, 종종 법적인 문제로 뜻대로 실현되지도 않습니다.
"Men who leave vast sums in this way may fairly be thought men who would not have left it at all, had they been able to take it with them."
이런 식으로 막대한 돈을 남기는 사람들은, 만약 그 돈을 저승으로 가져갈 수 있었다면 결코 남기지 않았을 사람들이라고 생각해도 무방하다.
살아생전에 사회를 위해 쓰는 것: 카네기가 주장하는 유일하고 올바른 길입니다. 부자는 자신의 부를 사회를 위한 '신탁 자금(trust funds)'으로 여기고, 자신의 지혜와 경험을 발휘해 직접 관리해야 합니다.
부자의 의무
부자는 검소하게 살며 가족에게 필요한 만큼만 남기고, 나머지는 사회의 공동선을 위해 사용해야 합니다.
자신에게 들어오는 모든 잉여 수익을 단순히 신탁 자금으로 간주하여 관리해야 하며... 그리하여 부유한 자는 가난한 형제들을 위한 대리인이자 관리자가 되어, 자신의 뛰어난 지혜와 경험, 관리 능력을 그들을 위해 사용해야 한다.
자선을 위한 최고의 분야
부자들의 수백만 달러가 게으르고, 술 취하고, 무가치한 사람들을 조장하는 데 쓰이느니 차라리 바다에 던져버리는 편이 인류에게 더 낫다.
*자선을 베풀 때 가장 중요하게 고려해야 할 점은 스스로 돕는 자를 돕는 것이어야 한다*
카네기가 제안하는 7가지 최고의 기부 분야
1. 대학 (Universities): 기존 대학을 확장하거나 강화하는 데 기부하는 것은 훌륭한 투자입니다.
2. 무료 도서관 (Free Libraries): 카네기가 가장 중요하게 생각한 분야입니다. 도서관은 스스로 발전하려는 의지가 있는 사람들에게 최고의 기회를 제공합니다.
"The result of my own study of the question, What is the best gift which can be given to a community? is that a free library occupies the first place..."
지역 사회에 줄 수 있는 최고의 선물이 무엇인가에 대한 내 연구의 결과는, 무료 도서관이 첫 번째 자리를 차지한다는 것이다)
3. 병원 및 의료 연구소 (Hospitals, Medical Colleges, Laboratories): 질병의 고통을 덜어주고 예방하는 것은 인류를 위한 고귀한 사용처입니다.
4. 공원 (Public Parks): 대중에게 휴식을 제공하고 도시를 아름답게 만드는 공원은 훌륭한 기부처입니다.
5. 공공 회관 (Public Halls): 음악회나 강연을 열 수 있는 공간을 제공하여 대중의 문화적 수준을 높입니다.
6. 수영장 (Swimming Baths): 위생과 건강, 여가를 위해 대중 목욕탕이나 수영장을 건립합니다.
7. 교회 (Churches): 카네기는 이를 마지막에 두었습니다. 교회는 특정 교파에 한정되기 때문입니다. 다만, 건물 자체를 짓는 것은 지역사회의 중심이 될 수 있어 긍정적으로 보았습니다.
그렇게 함으로써 그는 더 이상 쓸모없는 수백만 달러를 움켜쥔 비천한 구두쇠로서가 아니라... 동료 인간들의 애정과 감사, 존경 속에서 여전히 스무 배나 더 큰 부자로서 생을 마감하게 될 것이다
카네기는 먼저 산업화로 인해 빈부 격차가 커진 현실을 인정하지만, 이것이 인류 전체의 진보를 위해 필수적인 대가라고 주장합니다. 과거에는 추장과 부족민의 생활 수준 차이가 미미했으나, 현대에는 백만장자의 궁전과 노동자의 오두막 사이에 큰 차이가 존재합니다. 하지만 그는 이것이 문명의 증거라고 말합니다.
경쟁의 법칙 (The Law of Competition)
카네기는 경쟁이 개인에게는 가혹할지라도 인류 전체에게는 유익하다고 봅니다. 경쟁을 통해 더 좋은 품질의 제품이 더 싸게 공급되어 가난한 사람들도 과거의 왕보다 더 풍요로운 물질을 누리게 되었기 때문입니다.
잉여 부를 처리하는 세 가지 방법
카네기는 부자가 자신의 막대한 재산을 처리하는 데에는 오직 세 가지 방법만 있다고 말합니다.
1. 자손에게 물려주는 것: 이는 가장 현명하지 못한 방법입니다. 막대한 유산은 자녀의 재능과 에너지를 망치고 무거운 짐이 될 수 있습니다.
"The man who dies thus rich dies disgraced."
*(이렇게 부자로 죽는 사람은 불명예스럽게 죽는 것이다.)*
1. 사후에 공공 목적을 위해 유증하는 것: 이는 그가 살아생전 부를 놓기 싫어했다는 증거일 뿐이며, 종종 법적인 문제로 뜻대로 실현되지도 않습니다.
"Men who leave vast sums in this way may fairly be thought men who would not have left it at all, had they been able to take it with them."
이런 식으로 막대한 돈을 남기는 사람들은, 만약 그 돈을 저승으로 가져갈 수 있었다면 결코 남기지 않았을 사람들이라고 생각해도 무방하다.
살아생전에 사회를 위해 쓰는 것: 카네기가 주장하는 유일하고 올바른 길입니다. 부자는 자신의 부를 사회를 위한 '신탁 자금(trust funds)'으로 여기고, 자신의 지혜와 경험을 발휘해 직접 관리해야 합니다.
부자의 의무
부자는 검소하게 살며 가족에게 필요한 만큼만 남기고, 나머지는 사회의 공동선을 위해 사용해야 합니다.
자신에게 들어오는 모든 잉여 수익을 단순히 신탁 자금으로 간주하여 관리해야 하며... 그리하여 부유한 자는 가난한 형제들을 위한 대리인이자 관리자가 되어, 자신의 뛰어난 지혜와 경험, 관리 능력을 그들을 위해 사용해야 한다.
자선을 위한 최고의 분야
부자들의 수백만 달러가 게으르고, 술 취하고, 무가치한 사람들을 조장하는 데 쓰이느니 차라리 바다에 던져버리는 편이 인류에게 더 낫다.
*자선을 베풀 때 가장 중요하게 고려해야 할 점은 스스로 돕는 자를 돕는 것이어야 한다*
카네기가 제안하는 7가지 최고의 기부 분야
1. 대학 (Universities): 기존 대학을 확장하거나 강화하는 데 기부하는 것은 훌륭한 투자입니다.
2. 무료 도서관 (Free Libraries): 카네기가 가장 중요하게 생각한 분야입니다. 도서관은 스스로 발전하려는 의지가 있는 사람들에게 최고의 기회를 제공합니다.
"The result of my own study of the question, What is the best gift which can be given to a community? is that a free library occupies the first place..."
지역 사회에 줄 수 있는 최고의 선물이 무엇인가에 대한 내 연구의 결과는, 무료 도서관이 첫 번째 자리를 차지한다는 것이다)
3. 병원 및 의료 연구소 (Hospitals, Medical Colleges, Laboratories): 질병의 고통을 덜어주고 예방하는 것은 인류를 위한 고귀한 사용처입니다.
4. 공원 (Public Parks): 대중에게 휴식을 제공하고 도시를 아름답게 만드는 공원은 훌륭한 기부처입니다.
5. 공공 회관 (Public Halls): 음악회나 강연을 열 수 있는 공간을 제공하여 대중의 문화적 수준을 높입니다.
6. 수영장 (Swimming Baths): 위생과 건강, 여가를 위해 대중 목욕탕이나 수영장을 건립합니다.
7. 교회 (Churches): 카네기는 이를 마지막에 두었습니다. 교회는 특정 교파에 한정되기 때문입니다. 다만, 건물 자체를 짓는 것은 지역사회의 중심이 될 수 있어 긍정적으로 보았습니다.
그렇게 함으로써 그는 더 이상 쓸모없는 수백만 달러를 움켜쥔 비천한 구두쇠로서가 아니라... 동료 인간들의 애정과 감사, 존경 속에서 여전히 스무 배나 더 큰 부자로서 생을 마감하게 될 것이다
김병훈 대표가 정의한 성공 공식 "끝까지 해내고 + 성장하고 + 운(귀인)을 만나면 = 성공한다"입니다.
변수 1: 끝까지 해낸다 (Make it Happen)
의미 1: 포기하지 않는다.
아이템 실패, 핵심 팀원 이탈, 인수 기업 폐업 등 어떤 위기가 와도 그만두지 않고 버티는 것. 포기하는 순간이 진짜 끝이다.
의미 2: 수단과 방법을 가리지 않고 결과를 만든다.
단순히 붙잡고 있는 것은 시간 낭비. 상황을 타개할 창의적인 방법을 계속 바꿔가며 시도해야 함.
남들이 불가능하다고 해도, 우리가 안 된다고 결론 내렸다면 최소 6개월 내에는 누구도 못 할 일이어야 함.
실천 팁:
목표 좁히기: 여러 목표를 동시에 잡지 말고, 하나로 좁혀 성공 가능성을 높인다.
자기 확신: 결과는 이미 성공으로 정해져 있다고 믿고, 현재의 고난은 배움의 과정이라 여긴다. (과학은 데이터지만, 사업은 신념의 영역)
밸런스 게임 마인드: "10년 동안 매일 14시간씩 일하면 1조를 주겠다"는 신과의 약속이 있다고 믿고 과정을 수행하면, 결과는 따라온다.
변수 2: 성장하기
경력 ≠ 실력: 얼마나 오래 했느냐보다 얼마나 치열하게 했느냐가 실력을 결정함.
리더의 성장이 조직의 성장: 조직의 크기는 대표의 그릇을 넘을 수 없음.
위임의 전제조건: 대표가 실무를 꽤 잘할 수 있어야 위임받는 사람의 실력을 판단하고, 올바른 의사결정을 할 수 있음.
인재 채용: 대표가 상위 0.1%여야 0.01%의 인재와 시너지를 낼 수 있음. 대표가 부족하면 유능한 인재와 일해도 성과가 나지 않음.
태도: 메타인지(자신의 부족함을 아는 것)와 수용하는 태도가 필수.
변수 3: 운 (귀인, 貴人)
사업에서의 운 = 귀인: 자본이나 아이템보다 중요한 것은 결국 '사람'.
귀인을 만나는 법:
귀인은 일방적인 관계가 아니라 서로를 채워주는 관계.
나와 우리 조직이 먼저 훌륭한 사람, 훌륭한 조직이 되어야 귀인이 찾아옴. (성장의 연장선)
성공의 기준: 매출, 기업가치, IPO 등 각자 다르지만, 성공의 기준 또한 성장한다.
무한 동력 사이클:
목표 설정
끝까지 해내기 + 성장 + 귀인 만남
성공 달성
더 큰 목표 발생 (이 과정의 무한 반복)
APR의 현재 목표: 글로벌 안티에이징 No.1 기업.
빌 게이츠 인용: "대부분의 사람은 1년 안에 할 수 있는 일은 과대평가하고, 10년 안에 할 수 있는 일은 과소평가한다."
10년의 여정: 10년은 인생 전체로 보면 그리 길지 않은 시간. 고통스럽겠지만 성취의 기쁨과 신대륙 발견의 쾌감은 그 모든 고통을 상쇄할 만큼 달콤함.
마지막 조언:
"길이 없으면 길을 찾고, 찾아도 없으면 만들면 됩니다."
끝까지 해내고 성장하여 귀인을 만나 목표를 달성하십시오.
https://youtu.be/q_NgaXK0l6c
변수 1: 끝까지 해낸다 (Make it Happen)
의미 1: 포기하지 않는다.
아이템 실패, 핵심 팀원 이탈, 인수 기업 폐업 등 어떤 위기가 와도 그만두지 않고 버티는 것. 포기하는 순간이 진짜 끝이다.
의미 2: 수단과 방법을 가리지 않고 결과를 만든다.
단순히 붙잡고 있는 것은 시간 낭비. 상황을 타개할 창의적인 방법을 계속 바꿔가며 시도해야 함.
남들이 불가능하다고 해도, 우리가 안 된다고 결론 내렸다면 최소 6개월 내에는 누구도 못 할 일이어야 함.
실천 팁:
목표 좁히기: 여러 목표를 동시에 잡지 말고, 하나로 좁혀 성공 가능성을 높인다.
자기 확신: 결과는 이미 성공으로 정해져 있다고 믿고, 현재의 고난은 배움의 과정이라 여긴다. (과학은 데이터지만, 사업은 신념의 영역)
밸런스 게임 마인드: "10년 동안 매일 14시간씩 일하면 1조를 주겠다"는 신과의 약속이 있다고 믿고 과정을 수행하면, 결과는 따라온다.
변수 2: 성장하기
경력 ≠ 실력: 얼마나 오래 했느냐보다 얼마나 치열하게 했느냐가 실력을 결정함.
리더의 성장이 조직의 성장: 조직의 크기는 대표의 그릇을 넘을 수 없음.
위임의 전제조건: 대표가 실무를 꽤 잘할 수 있어야 위임받는 사람의 실력을 판단하고, 올바른 의사결정을 할 수 있음.
인재 채용: 대표가 상위 0.1%여야 0.01%의 인재와 시너지를 낼 수 있음. 대표가 부족하면 유능한 인재와 일해도 성과가 나지 않음.
태도: 메타인지(자신의 부족함을 아는 것)와 수용하는 태도가 필수.
변수 3: 운 (귀인, 貴人)
사업에서의 운 = 귀인: 자본이나 아이템보다 중요한 것은 결국 '사람'.
귀인을 만나는 법:
귀인은 일방적인 관계가 아니라 서로를 채워주는 관계.
나와 우리 조직이 먼저 훌륭한 사람, 훌륭한 조직이 되어야 귀인이 찾아옴. (성장의 연장선)
성공의 기준: 매출, 기업가치, IPO 등 각자 다르지만, 성공의 기준 또한 성장한다.
무한 동력 사이클:
목표 설정
끝까지 해내기 + 성장 + 귀인 만남
성공 달성
더 큰 목표 발생 (이 과정의 무한 반복)
APR의 현재 목표: 글로벌 안티에이징 No.1 기업.
빌 게이츠 인용: "대부분의 사람은 1년 안에 할 수 있는 일은 과대평가하고, 10년 안에 할 수 있는 일은 과소평가한다."
10년의 여정: 10년은 인생 전체로 보면 그리 길지 않은 시간. 고통스럽겠지만 성취의 기쁨과 신대륙 발견의 쾌감은 그 모든 고통을 상쇄할 만큼 달콤함.
마지막 조언:
"길이 없으면 길을 찾고, 찾아도 없으면 만들면 됩니다."
끝까지 해내고 성장하여 귀인을 만나 목표를 달성하십시오.
https://youtu.be/q_NgaXK0l6c
YouTube
10년만에 국내 뷰티 시총 1위🔥 창업가라면 꼭 알아야 할 성공 공식 | 김병훈 #에이피알 대표 | 2025 정주영 창업경진대회
“저는 사업에서 성공하는 방법이 존재한다고 믿는 사람입니다.”
2025 정주영 창업경진대회 데모데이는
아산 정주영 현대 창업자의 어록 ‘길이 없다면 길을 찾고, 찾아도 없으면 만들면 된다’에 담긴 개척(Frontier)을 주제로
시대적 과제에 도전하고 기존 창업생태계의 경계를 넘어 새로운 시도를 하는 스타트업을 발굴하고 육성해왔습니다.
데모데이 키노트에는 글로벌 뷰티 기업을 이끌고 있는 김병훈 에이피알(APR) 대표님이
‘사업에서 성공하는 방법(A)’을…
2025 정주영 창업경진대회 데모데이는
아산 정주영 현대 창업자의 어록 ‘길이 없다면 길을 찾고, 찾아도 없으면 만들면 된다’에 담긴 개척(Frontier)을 주제로
시대적 과제에 도전하고 기존 창업생태계의 경계를 넘어 새로운 시도를 하는 스타트업을 발굴하고 육성해왔습니다.
데모데이 키노트에는 글로벌 뷰티 기업을 이끌고 있는 김병훈 에이피알(APR) 대표님이
‘사업에서 성공하는 방법(A)’을…
❤3
AI가 마켓플레이스를 되살리다
a16z는 에어비앤비(Airbnb), 인스타카트(Instacart) 등에 투자하며 마켓플레이스 모델을 깊이 연구해 왔습니다. 모바일 시대 이후 새로운 마켓플레이스의 등장이 둔화되었지만, AI의 등장으로 다시 활기를 띨 것으로 예상했습니다. 하지만 AI는 완전히 새로운 카테고리를 만들기보다, **과거에 실패했던 마켓플레이스 영역을 "무덤(Graveyard)"에서 "기회의 땅(Greenfield)"으로 변화**시키고 있습니다. 이는 과거 인터넷 시대에 타이밍이 맞지 않아 실패했던 모델들(예: Pets.com)이 나중에 성공했던 것과 유사합니다.
마켓플레이스의 실패 원인은 주로 높은 고객 획득 비용(CAC) 또는 낮은 생애 가치(LTV) 때문입니다. AI는 이러한 유닛 이코노믹스(Unit Economics) 문제를 해결하고 확장의 병목을 제거함으로써 실패했던 모델들을 성공 가능하게 만듭니다.
AI를 중개자로 활용하기 (Letting AI be the Middleman)
AI는 거래가 불규칙하거나 불투명한 영역(숙련 노동, 부동산, 수리 등)에서 공급과 수요를 검증하고 매칭하며 고객 관계를 관리하는 역할을 수행합니다. 이를 통해 거래당 공헌 이익을 높이고(인건비 절감), 거래 처리량을 늘릴 수 있습니다(인적 병목 제거).
- 자동화된 인테이크(Automated Intake): 복잡한 매칭에 필요한 인터뷰, 스크리닝, 자격 검증 등을 AI 음성 에이전트가 대신합니다.
- *사례:* Jack and Jill, Dex (숙련 인력 마켓플레이스) - AI가 후보자/고용주와 대화하여 선호도를 파악하고 매칭하며, 관련 역할이 생기면 후보자에게 연락하여 거래 성사 확률을 높입니다.
- 수동 조정 감소(Lowering Manual Coordination): 거래 성사를 위해 필요했던 계정 관리자나 영업 담당자의 역할을 AI가 대신하여 소통 및 일정 관리를 수행합니다.
- *사례:* Spotlight Realty (부동산) - AI가 문의 응답, 일정, 서류 등을 처리하여 중개 수수료를 업계 표준(6%)보다 훨씬 낮은 1.5%로 제공합니다.
- 반복 거래 유도(Driving Repeat Transactions): 고객의 필요 시점을 정확히 파악하여 개인화된 메시지로 재참여를 유도하거나, 구독 모델로 전환합니다.
- *사례:* "지난달 청소한 배수관은 어떠신가요?"와 같은 개인화된 후속 조치.
- *사례:* Honey Homes (홈 케어) - 연간 고정 요금제를 통해 AI가 조율하고 전문가가 수행하는 홈 케어 서비스를 제공하여 "일회성" 서비스를 장기적인 관계(구독)로 전환합니다.
가치 제안의 변화 (Changing the Value Proposition)
과거 마켓플레이스는 사용자들을 플랫폼에 묶어두기에 충분한 가치를 제공하지 못해 이탈(Disintermediation)이 발생했습니다. AI는 구매자와 판매자에게 제공하는 가치 구조를 근본적으로 변화시킵니다.
- 구매자를 위한 더 매력적인 "제품" 만들기: 불투명한 가격과 복잡한 절차를 투명하고 효율적인 고정 가격 서비스로 전환합니다.
- *사례:* Remi (지붕 공사) - AI로 계약, 일정, 검사를 관리하여 처음부터 확정된 가격을 제공합니다.
- *사례:* Lawhive (법률 서비스) - AI와 변호사가 협업하여 시간당 요금이 아닌 고정 요금으로 법률 서비스를 제공합니다.
- 공급자의 충성도 및 처리량 증대: 판매자에게 AI 도구를 제공하여 업무 효율을 높이고 플랫폼에 대한 충성도를 강화합니다.
- *사례:* Paraform (채용) - 리크루터에게 소싱, CRM, 노트 필기 등의 AI 도구를 제공하여 더 많은 후보자를 관리하고 플랫폼 내에서 활동하도록 유도합니다.
- *사례:* Counsel Health (의료) - 환자가 AI와 먼저 증상을 상담한 뒤 의사와 연결되어, 의사는 단순 반복 업무를 줄이고 고부가가치 진료에 집중하여 하루 진료량을 늘릴 수 있습니다.
새로운 플레이북 (The New Playbook)
AI는 운영 비용이나 매칭 복잡성이 문제였던 마켓플레이스를 해결하고, 사용자 경험이 좋지 않았던 카테고리를 혁신할 수 있습니다. 하지만 희소성, 주관적 품질, 극복 불가능한 신뢰 요구 사항이 근본적인 제약인 경우에는 AI만으로 해결하기 어렵습니다.
따라서 AI 시대의 성공 가능성은 **초기 단계에서 실패한 모델보다는, 어느 정도 매출 규모(수백만 달러)를 달성했으나 더 이상 확장하지 못했던(약 5천만 달러 ARR 미만) "스케일업 단계에서 정체된" 카테고리**에서 가장 높을 것으로 예상됩니다.
a16z는 에어비앤비(Airbnb), 인스타카트(Instacart) 등에 투자하며 마켓플레이스 모델을 깊이 연구해 왔습니다. 모바일 시대 이후 새로운 마켓플레이스의 등장이 둔화되었지만, AI의 등장으로 다시 활기를 띨 것으로 예상했습니다. 하지만 AI는 완전히 새로운 카테고리를 만들기보다, **과거에 실패했던 마켓플레이스 영역을 "무덤(Graveyard)"에서 "기회의 땅(Greenfield)"으로 변화**시키고 있습니다. 이는 과거 인터넷 시대에 타이밍이 맞지 않아 실패했던 모델들(예: Pets.com)이 나중에 성공했던 것과 유사합니다.
마켓플레이스의 실패 원인은 주로 높은 고객 획득 비용(CAC) 또는 낮은 생애 가치(LTV) 때문입니다. AI는 이러한 유닛 이코노믹스(Unit Economics) 문제를 해결하고 확장의 병목을 제거함으로써 실패했던 모델들을 성공 가능하게 만듭니다.
AI를 중개자로 활용하기 (Letting AI be the Middleman)
AI는 거래가 불규칙하거나 불투명한 영역(숙련 노동, 부동산, 수리 등)에서 공급과 수요를 검증하고 매칭하며 고객 관계를 관리하는 역할을 수행합니다. 이를 통해 거래당 공헌 이익을 높이고(인건비 절감), 거래 처리량을 늘릴 수 있습니다(인적 병목 제거).
- 자동화된 인테이크(Automated Intake): 복잡한 매칭에 필요한 인터뷰, 스크리닝, 자격 검증 등을 AI 음성 에이전트가 대신합니다.
- *사례:* Jack and Jill, Dex (숙련 인력 마켓플레이스) - AI가 후보자/고용주와 대화하여 선호도를 파악하고 매칭하며, 관련 역할이 생기면 후보자에게 연락하여 거래 성사 확률을 높입니다.
- 수동 조정 감소(Lowering Manual Coordination): 거래 성사를 위해 필요했던 계정 관리자나 영업 담당자의 역할을 AI가 대신하여 소통 및 일정 관리를 수행합니다.
- *사례:* Spotlight Realty (부동산) - AI가 문의 응답, 일정, 서류 등을 처리하여 중개 수수료를 업계 표준(6%)보다 훨씬 낮은 1.5%로 제공합니다.
- 반복 거래 유도(Driving Repeat Transactions): 고객의 필요 시점을 정확히 파악하여 개인화된 메시지로 재참여를 유도하거나, 구독 모델로 전환합니다.
- *사례:* "지난달 청소한 배수관은 어떠신가요?"와 같은 개인화된 후속 조치.
- *사례:* Honey Homes (홈 케어) - 연간 고정 요금제를 통해 AI가 조율하고 전문가가 수행하는 홈 케어 서비스를 제공하여 "일회성" 서비스를 장기적인 관계(구독)로 전환합니다.
가치 제안의 변화 (Changing the Value Proposition)
과거 마켓플레이스는 사용자들을 플랫폼에 묶어두기에 충분한 가치를 제공하지 못해 이탈(Disintermediation)이 발생했습니다. AI는 구매자와 판매자에게 제공하는 가치 구조를 근본적으로 변화시킵니다.
- 구매자를 위한 더 매력적인 "제품" 만들기: 불투명한 가격과 복잡한 절차를 투명하고 효율적인 고정 가격 서비스로 전환합니다.
- *사례:* Remi (지붕 공사) - AI로 계약, 일정, 검사를 관리하여 처음부터 확정된 가격을 제공합니다.
- *사례:* Lawhive (법률 서비스) - AI와 변호사가 협업하여 시간당 요금이 아닌 고정 요금으로 법률 서비스를 제공합니다.
- 공급자의 충성도 및 처리량 증대: 판매자에게 AI 도구를 제공하여 업무 효율을 높이고 플랫폼에 대한 충성도를 강화합니다.
- *사례:* Paraform (채용) - 리크루터에게 소싱, CRM, 노트 필기 등의 AI 도구를 제공하여 더 많은 후보자를 관리하고 플랫폼 내에서 활동하도록 유도합니다.
- *사례:* Counsel Health (의료) - 환자가 AI와 먼저 증상을 상담한 뒤 의사와 연결되어, 의사는 단순 반복 업무를 줄이고 고부가가치 진료에 집중하여 하루 진료량을 늘릴 수 있습니다.
새로운 플레이북 (The New Playbook)
AI는 운영 비용이나 매칭 복잡성이 문제였던 마켓플레이스를 해결하고, 사용자 경험이 좋지 않았던 카테고리를 혁신할 수 있습니다. 하지만 희소성, 주관적 품질, 극복 불가능한 신뢰 요구 사항이 근본적인 제약인 경우에는 AI만으로 해결하기 어렵습니다.
따라서 AI 시대의 성공 가능성은 **초기 단계에서 실패한 모델보다는, 어느 정도 매출 규모(수백만 달러)를 달성했으나 더 이상 확장하지 못했던(약 5천만 달러 ARR 미만) "스케일업 단계에서 정체된" 카테고리**에서 가장 높을 것으로 예상됩니다.
Q: AI 시대의 해자에 대한 구체적인 견해는 무엇인가요?
해자는 여전히 중요하며 그 형태도 크게 변하지 않았습니다.
- 차별화(Differentiation) vs 방어력(Defensibility): AI 기능(예: 50개 언어로 24시간 응대하는 음성 에이전트)은 훌륭한 차별화 요소이지만, 그 자체로 방어력이 되지는 않습니다. 누구나 비슷한 기능을 구현할 수 있기 때문입니다.
- 진정한 방어력의 원천: 엔드 투 엔드(End-to-End) 워크플로우 장악, 시스템 오브 레코드(System of Record) 등극, 네트워크 효과, 고객 업무 깊숙이 내재화되는 것 등 기존 소프트웨어 기업의 성공 방정식이 여전히 유효합니다.
- 핵심 변화: 소프트웨어가 IT 도구를 넘어 **노동 자체를 대체**한다는 점입니다.
Q: 데이터 네트워크 효과는 초기 단계 스타트업에게도 유효한 해자인가요?
데이터 네트워크 효과는 **매우 거대한 규모(Mega Scale)**에서만 실질적인 해자로 작용합니다.
- 중력 비유: 중력은 모든 물체에 존재하지만, 지구 나 태양처럼 거대해야 체감할 수 있는 것과 같습니다.
- 사기 방지(Anti-fraud) 예시: 고객 4명 본 회사나 3명 본 회사나 성능 차이는 미미합니다. 하지만 40억 명의 데이터를 가진 회사는 10억 명 데이터를 가진 회사보다 확실히 더 나은 성능을 보여줄 수 있습니다. 따라서 초기 단계(Zero to One)에서는 데이터 우위를 주장하기 어렵고, 압도적인 1등이 되어야만 데이터가 해자가 됩니다.
Q: 어떤 소프트웨어는 대체하기 어렵고, 어떤 것은 쉽게 대체되나요?
A: **'청소 용역(Janitorial Services)' 문제**로 비유할 수 있습니다.
- 골디락스 존(무관심 영역): 화장실 청소 비용을 1% 아껴준다고 해도 대기업 CEO는 관심을 갖지 않습니다. 중요도가 낮고 교체 비용이 귀찮기 때문에, 한번 들어가면 쫓겨나지 않습니다. (예: 급여 관리 소프트웨어 ADP)
- 그린필드(Greenfield) 전략: 반면, 새로운 회사들이 생겨날 때 그들을 타겟으로 하는 것은 좋은 전략입니다. 기존의 낡은 솔루션을 쓰지 않을 것이기 때문입니다.
Q: 비용 절감 시 어떤 종류의 소프트웨어가 먼저 해지되나요?
- 좌석당 과금(Per-seat) 소프트웨어: 세일즈포스(Salesforce)나 어도비(Adobe)처럼 직원 수에 비례해 비용을 내지만 실제 사용률이 떨어지는 소프트웨어는 정리 1순위입니다.
- 필수적인 서비스: 반면 급여(Payroll) 시스템처럼 업무와 불가분의 관계에 있는 서비스는 비용을 줄이기 어렵습니다. 직원이 없으면 급여 시스템도 필요 없으므로, 이는 사용량과 비용이 정확히 연동되는 구조입니다.
Q: "이제는 브랜드와 실행 속도가 해자다"라는 주장에 동의하나요?
- 시장의 소음: 시장이 너무 시끄럽기 때문에 브랜드 인지도를 통해 눈에 띄는 것이 그 어느 때보다 중요해졌습니다.
- 기술 변화 속도: 기술이 빠르게 변하므로 창업자들은 최전선(Frontier)에 머물며 최신 기술을 이해해야 합니다.
- 규모의 경제: 시리얼 공장 비유처럼, 가장 빠르게 성장하여 '중력장'을 형성할 만큼의 규모(Gravitational Scale)를 달성하는 것이 중요합니다. 20개 기업이 경쟁할 때 가장 빠른 속도(Velocity)로 성장하여 1등이 되면, 규모의 경제를 통해 비용을 낮추고 승자가 될 수 있습니다.
Context is King (맥락이 왕이다)
Q: 기술적 이해도와 산업 전문성 중 무엇이 더 중요한가요?
A: 최신 AI 모델의 능력을 이해하는 것도 중요하지만, 그것을 **특정 산업의 워크플로우에 맞게 적용하는 '맥락(Context)'**이 핵심입니다.
- Eve(법률 AI) 사례: 창업자들은 법률 전문가가 아니었지만, AI 기술을 법률 문서 분석에 어떻게 적용할지 깊이 이해했습니다. 또한 실제 변호사들을 채용하여 모델 업데이트가 실무에 미치는 영향을 지속적으로 파악했습니다. 이처럼 기술과 산업적 맥락을 결합하는 것이 진정한 방어력입니다.
Will OpenAI Build Everything? (오픈AI가 모든 것을 만들까?)
Q: 오픈AI 같은 거대 모델 기업이 모든 애플리케이션을 직접 만들어서 스타트업을 위협할까요?
A: 그럴 가능성은 낮습니다.
- 시장 기회의 폭발: AI 덕분에 과거에는 소프트웨어 시장이 아니었던 분야(예: 법률 서비스, 자동차 대출 추심 등)가 거대한 기회로 바뀌었습니다. 오픈AI가 치과 예약 관리 같은 세부적인 버티컬 시장까지 모두 진출하기는 어렵습니다.
- 플랫폼의 딜레마: 플랫폼 기업은 보통 자신들의 플랫폼 위에서 생태계가 커지길 원하며, 특정 애플리케이션과 직접 경쟁하는 것은 피하려 합니다.
- "금괴(Gold Bricks)" 이야기: 페이스북 임원이 말했듯, 거대 기업은 발밑에 있는 수많은 '금괴'(핵심 사업 기회)를 줍느라 바빠서, 100피트 떨어진 곳에 있는 또 다른 금괴(스타트업의 기회)를 줍으러 갈 여력이 없습니다. AI 시대에는 이 금괴들이 더 커졌기 때문에 스타트업에게 여전히 기회가 많습니다.
해자는 여전히 중요하며 그 형태도 크게 변하지 않았습니다.
- 차별화(Differentiation) vs 방어력(Defensibility): AI 기능(예: 50개 언어로 24시간 응대하는 음성 에이전트)은 훌륭한 차별화 요소이지만, 그 자체로 방어력이 되지는 않습니다. 누구나 비슷한 기능을 구현할 수 있기 때문입니다.
- 진정한 방어력의 원천: 엔드 투 엔드(End-to-End) 워크플로우 장악, 시스템 오브 레코드(System of Record) 등극, 네트워크 효과, 고객 업무 깊숙이 내재화되는 것 등 기존 소프트웨어 기업의 성공 방정식이 여전히 유효합니다.
- 핵심 변화: 소프트웨어가 IT 도구를 넘어 **노동 자체를 대체**한다는 점입니다.
Q: 데이터 네트워크 효과는 초기 단계 스타트업에게도 유효한 해자인가요?
데이터 네트워크 효과는 **매우 거대한 규모(Mega Scale)**에서만 실질적인 해자로 작용합니다.
- 중력 비유: 중력은 모든 물체에 존재하지만, 지구 나 태양처럼 거대해야 체감할 수 있는 것과 같습니다.
- 사기 방지(Anti-fraud) 예시: 고객 4명 본 회사나 3명 본 회사나 성능 차이는 미미합니다. 하지만 40억 명의 데이터를 가진 회사는 10억 명 데이터를 가진 회사보다 확실히 더 나은 성능을 보여줄 수 있습니다. 따라서 초기 단계(Zero to One)에서는 데이터 우위를 주장하기 어렵고, 압도적인 1등이 되어야만 데이터가 해자가 됩니다.
Q: 어떤 소프트웨어는 대체하기 어렵고, 어떤 것은 쉽게 대체되나요?
A: **'청소 용역(Janitorial Services)' 문제**로 비유할 수 있습니다.
- 골디락스 존(무관심 영역): 화장실 청소 비용을 1% 아껴준다고 해도 대기업 CEO는 관심을 갖지 않습니다. 중요도가 낮고 교체 비용이 귀찮기 때문에, 한번 들어가면 쫓겨나지 않습니다. (예: 급여 관리 소프트웨어 ADP)
- 그린필드(Greenfield) 전략: 반면, 새로운 회사들이 생겨날 때 그들을 타겟으로 하는 것은 좋은 전략입니다. 기존의 낡은 솔루션을 쓰지 않을 것이기 때문입니다.
Q: 비용 절감 시 어떤 종류의 소프트웨어가 먼저 해지되나요?
- 좌석당 과금(Per-seat) 소프트웨어: 세일즈포스(Salesforce)나 어도비(Adobe)처럼 직원 수에 비례해 비용을 내지만 실제 사용률이 떨어지는 소프트웨어는 정리 1순위입니다.
- 필수적인 서비스: 반면 급여(Payroll) 시스템처럼 업무와 불가분의 관계에 있는 서비스는 비용을 줄이기 어렵습니다. 직원이 없으면 급여 시스템도 필요 없으므로, 이는 사용량과 비용이 정확히 연동되는 구조입니다.
Q: "이제는 브랜드와 실행 속도가 해자다"라는 주장에 동의하나요?
- 시장의 소음: 시장이 너무 시끄럽기 때문에 브랜드 인지도를 통해 눈에 띄는 것이 그 어느 때보다 중요해졌습니다.
- 기술 변화 속도: 기술이 빠르게 변하므로 창업자들은 최전선(Frontier)에 머물며 최신 기술을 이해해야 합니다.
- 규모의 경제: 시리얼 공장 비유처럼, 가장 빠르게 성장하여 '중력장'을 형성할 만큼의 규모(Gravitational Scale)를 달성하는 것이 중요합니다. 20개 기업이 경쟁할 때 가장 빠른 속도(Velocity)로 성장하여 1등이 되면, 규모의 경제를 통해 비용을 낮추고 승자가 될 수 있습니다.
Context is King (맥락이 왕이다)
Q: 기술적 이해도와 산업 전문성 중 무엇이 더 중요한가요?
A: 최신 AI 모델의 능력을 이해하는 것도 중요하지만, 그것을 **특정 산업의 워크플로우에 맞게 적용하는 '맥락(Context)'**이 핵심입니다.
- Eve(법률 AI) 사례: 창업자들은 법률 전문가가 아니었지만, AI 기술을 법률 문서 분석에 어떻게 적용할지 깊이 이해했습니다. 또한 실제 변호사들을 채용하여 모델 업데이트가 실무에 미치는 영향을 지속적으로 파악했습니다. 이처럼 기술과 산업적 맥락을 결합하는 것이 진정한 방어력입니다.
Will OpenAI Build Everything? (오픈AI가 모든 것을 만들까?)
Q: 오픈AI 같은 거대 모델 기업이 모든 애플리케이션을 직접 만들어서 스타트업을 위협할까요?
A: 그럴 가능성은 낮습니다.
- 시장 기회의 폭발: AI 덕분에 과거에는 소프트웨어 시장이 아니었던 분야(예: 법률 서비스, 자동차 대출 추심 등)가 거대한 기회로 바뀌었습니다. 오픈AI가 치과 예약 관리 같은 세부적인 버티컬 시장까지 모두 진출하기는 어렵습니다.
- 플랫폼의 딜레마: 플랫폼 기업은 보통 자신들의 플랫폼 위에서 생태계가 커지길 원하며, 특정 애플리케이션과 직접 경쟁하는 것은 피하려 합니다.
- "금괴(Gold Bricks)" 이야기: 페이스북 임원이 말했듯, 거대 기업은 발밑에 있는 수많은 '금괴'(핵심 사업 기회)를 줍느라 바빠서, 100피트 떨어진 곳에 있는 또 다른 금괴(스타트업의 기회)를 줍으러 갈 여력이 없습니다. AI 시대에는 이 금괴들이 더 커졌기 때문에 스타트업에게 여전히 기회가 많습니다.
❤1
어느 날, 한 젊은 전사가 수련을 하러 가던 중 정원에서 식물을 돌보고 있는 스승님을 보게 되었습니다. 그는 위대한 전사였습니다.
제자는 자신이 그토록 많은 것을 배운 스승을 방해하고 싶지 않아, 조심스럽게 다가가 조용히 곁에 섰습니다.
"무엇을 원하느냐?"
스승은 식물에게서 눈을 떼지 않은 채 물었습니다.
제자가 대답했습니다.
"우리는 왜 싸우는 법을 훈련합니까? 차라리 정원사가 되어 식물을 가꾸는 것이 훨씬 더 평화롭고 평온하지 않겠습니까?"
스승은 하던 일을 멈추고 제자를 돌아보며 미소 지었습니다.
"정원을 가꾸는 것은 마음을 편하게 해주는 소일거리지만, 삶에서 피할 수 없이 마주쳐야 할 전투를 대비하게 해주지는 않는다. 그런 평화로운 환경에서 침착함을 유지하기란 쉽지. 하지만 공격을 받을 때 침착하기란 어려운 법이다."
제자는 그 대답에 만족하여 고개를 끄덕이고 돌아섰지만, 스승의 말은 아직 끝나지 않았습니다.
"전쟁터에 던져진 정원사보다, 정원을 가꾸는 전사가 되는 것이 훨씬 낫단다."
저는 이 이야기를 거의 매일 생각합니다.
왜냐하면 우리 모두가 아는 진실이 있기 때문입니다. 인생은 힘듭니다. 혼돈, 불확실성, 실패, 고난, 고통, 상실. 이 모든 것은 삶의 자연스러운 일부입니다. 좋고 나쁨을 떠나, 그저 존재하는 것들입니다.
그리고 대부분의 경우, 우리는 문앞까지 들이닥치는 전투를 선택할 수 없습니다. 마음에 드는 적수를 고를 수도 없습니다. 시기나 조건을 협상할 수도 없죠. 준비가 안 됐다고 "타임아웃"을 외칠 수도 없고, 상황이 마음에 안 든다고 잠시 멈춰둘 수도 없습니다.
단순한 진리는 이것입니다. 당신은 정확히 당신이 준비된 수준만큼 인생의 피할 수 없는 전투들을 마주하게 된다는 것입니다.
그 준비란, 굳이 하지 않아도 되었을 때 당신이 선택했던 힘든 일들을 통해 쌓아 올려집니다.
당신이 견뎌낸 이른 아침들.
당신이 쏟아부은 집중력.
당신이 지켜낸 원칙들.
당신이 이행한 약속들.
당신이 먼저 꺼낸 어려운 대화들.
자발적인 고난을 기꺼이 받아들일 때마다, 당신은 필연적으로 닥쳐올 비자발적인 고난에 대비하게 되는 것입니다.
무적의 존재가 되는 것은 아닙니다. 다만 '감당할 수 있는' 사람이 되는 것입니다.
남들이 당황할 때 침착함을 유지할 수 있고, 상황이 무너져 내릴 때 명확하게 생각할 수 있으며, 그 순간이 당신을 필요로 할 때 이끌고, 헌신하고, 보호하고, 버텨낼 수 있게 됩니다.
왜냐하면 언젠가는 반드시 그런 날이 올 것이기 때문입니다.
상실, 좌절, 배신, 예상치 못한 일격.
그리고 그날이 오면, 당신은 당신의 희망사항만큼 그 순간을 감당해낼 수 있는 것이 아닙니다. 오직 당신이 준비한 만큼만 감당해낼 수 있을 것입니다.
그러니 오늘, 힘든 길을 선택하십시오. 좋은 습관을, 엄격한 규율을, 진솔한 대화를, 무거운 약속을 선택하십시오. 자발적인 고난을 선택하십시오.
이것이 바로 내면의 평온함을 가지고 전쟁 같은 혼돈을 마주하는 방법입니다.
이것이 바로 마르쿠스 아우렐리우스가 말했듯, "끊임없이 파도가 부서지지만 꿈쩍도 하지 않아 결국 주변의 성난 물결을 잠재우는 바위"와 같은 존재가 되는 방법입니다.
이것이 바로 전투가 당신의 문앞에 닥쳤을 때, 준비된 자세로 맞이하는 방법입니다.
기억하십시오.
전쟁터의 정원사가 되는 것보다, 정원을 가꾸는 전사가 되는 것이 훨씬 낫습니다.
https://x.com/SahilBloom/status/1995892784025174109
제자는 자신이 그토록 많은 것을 배운 스승을 방해하고 싶지 않아, 조심스럽게 다가가 조용히 곁에 섰습니다.
"무엇을 원하느냐?"
스승은 식물에게서 눈을 떼지 않은 채 물었습니다.
제자가 대답했습니다.
"우리는 왜 싸우는 법을 훈련합니까? 차라리 정원사가 되어 식물을 가꾸는 것이 훨씬 더 평화롭고 평온하지 않겠습니까?"
스승은 하던 일을 멈추고 제자를 돌아보며 미소 지었습니다.
"정원을 가꾸는 것은 마음을 편하게 해주는 소일거리지만, 삶에서 피할 수 없이 마주쳐야 할 전투를 대비하게 해주지는 않는다. 그런 평화로운 환경에서 침착함을 유지하기란 쉽지. 하지만 공격을 받을 때 침착하기란 어려운 법이다."
제자는 그 대답에 만족하여 고개를 끄덕이고 돌아섰지만, 스승의 말은 아직 끝나지 않았습니다.
"전쟁터에 던져진 정원사보다, 정원을 가꾸는 전사가 되는 것이 훨씬 낫단다."
저는 이 이야기를 거의 매일 생각합니다.
왜냐하면 우리 모두가 아는 진실이 있기 때문입니다. 인생은 힘듭니다. 혼돈, 불확실성, 실패, 고난, 고통, 상실. 이 모든 것은 삶의 자연스러운 일부입니다. 좋고 나쁨을 떠나, 그저 존재하는 것들입니다.
그리고 대부분의 경우, 우리는 문앞까지 들이닥치는 전투를 선택할 수 없습니다. 마음에 드는 적수를 고를 수도 없습니다. 시기나 조건을 협상할 수도 없죠. 준비가 안 됐다고 "타임아웃"을 외칠 수도 없고, 상황이 마음에 안 든다고 잠시 멈춰둘 수도 없습니다.
단순한 진리는 이것입니다. 당신은 정확히 당신이 준비된 수준만큼 인생의 피할 수 없는 전투들을 마주하게 된다는 것입니다.
그 준비란, 굳이 하지 않아도 되었을 때 당신이 선택했던 힘든 일들을 통해 쌓아 올려집니다.
당신이 견뎌낸 이른 아침들.
당신이 쏟아부은 집중력.
당신이 지켜낸 원칙들.
당신이 이행한 약속들.
당신이 먼저 꺼낸 어려운 대화들.
자발적인 고난을 기꺼이 받아들일 때마다, 당신은 필연적으로 닥쳐올 비자발적인 고난에 대비하게 되는 것입니다.
무적의 존재가 되는 것은 아닙니다. 다만 '감당할 수 있는' 사람이 되는 것입니다.
남들이 당황할 때 침착함을 유지할 수 있고, 상황이 무너져 내릴 때 명확하게 생각할 수 있으며, 그 순간이 당신을 필요로 할 때 이끌고, 헌신하고, 보호하고, 버텨낼 수 있게 됩니다.
왜냐하면 언젠가는 반드시 그런 날이 올 것이기 때문입니다.
상실, 좌절, 배신, 예상치 못한 일격.
그리고 그날이 오면, 당신은 당신의 희망사항만큼 그 순간을 감당해낼 수 있는 것이 아닙니다. 오직 당신이 준비한 만큼만 감당해낼 수 있을 것입니다.
그러니 오늘, 힘든 길을 선택하십시오. 좋은 습관을, 엄격한 규율을, 진솔한 대화를, 무거운 약속을 선택하십시오. 자발적인 고난을 선택하십시오.
이것이 바로 내면의 평온함을 가지고 전쟁 같은 혼돈을 마주하는 방법입니다.
이것이 바로 마르쿠스 아우렐리우스가 말했듯, "끊임없이 파도가 부서지지만 꿈쩍도 하지 않아 결국 주변의 성난 물결을 잠재우는 바위"와 같은 존재가 되는 방법입니다.
이것이 바로 전투가 당신의 문앞에 닥쳤을 때, 준비된 자세로 맞이하는 방법입니다.
기억하십시오.
전쟁터의 정원사가 되는 것보다, 정원을 가꾸는 전사가 되는 것이 훨씬 낫습니다.
https://x.com/SahilBloom/status/1995892784025174109
X (formerly Twitter)
Sahil Bloom (@SahilBloom) on X
Everyone should read this story…
One day, a young warrior was walking to his training when he spotted his teacher, a master warrior, tending to plants in the garden.
He approached cautiously and stood quietly, not wanting to disturb the man from whom he…
One day, a young warrior was walking to his training when he spotted his teacher, a master warrior, tending to plants in the garden.
He approached cautiously and stood quietly, not wanting to disturb the man from whom he…
👍2
Q. 살면서 받은 최고의 조언은 무엇인가요?
대학 졸업 후 첫 직장을 구할 때 아버지께서 해주신 말씀입니다.
"직장에서의 인격과 집에서의 인격을 따로 두지 말아라. 두 개의 다른 인생을 사는 것은 너를 지치게 할 뿐이다."
Q. 직장과 밖에서의 모습이 다른 사람들과 일해본 적이 있나요? 그때 어떤 느낌이 들었나요?
A. 네, 있습니다. 처음에는 그 차이(직장에서는 엄격한데 집에서는 자상한 등)에 놀랍니다. 하지만 결국 "왜 직장에서는 저런 진짜 모습을 보여주지 않을까?"라는 아쉬움이 들고, 이는 예측 불가능성 때문에 신뢰를 저해하는 요소가 됩니다. 코로나19(재택근무)가 이런 경계를 허무는 데 도움이 되기도 했습니다.
Q. 현실을 대하는 당신의 철학은 무엇인가요?
A. "현실은 무패(Reality is undefeated)"이며, "현실을 포용하라(Embrace reality)"는 것입니다. 문제를 회피하지 않고 현실을 빨리 받아들이고 작업에 착수할수록 상황은 나아집니다. 아프리카의 사자와 가젤 이야기처럼, 현실을 직시하지 않는 비용은 매우 큽니다.
Q. 창업자들에게 현실을 직시하도록 어떻게 조언하나요? (스티브 잡스의 '현실 왜곡장'과 반대되는 개념인가요?)
A. 스티브 잡스의 현실 왜곡장은 시장 신호를 무시한 게 아니라, 팀의 야망을 높이고 기준을 극도로 높인 것입니다(캐비닛 뒷면도 아름다워야 한다는 일화처럼). 창업자들에게 올바른 시장 신호를 보여주고, 단기적인 지표에 취해있을 때 장기적인 재무 성과라는 냉정한 현실을 일깨워줍니다.
Q. KKR에서 10년 넘게 일하며 무엇을 배웠나요?
1. 진짜 비즈니스를 구축하는 것은 매우 어렵지만, 깊게 파고들면 모든 비즈니스는 매력적이다.
2. 성장을 다시 시작하는 것은 극도로 어렵다. (정체된 기업을 다시 성장시키는 것의 어려움).
3. 투자를 할 때는 성공을 위해 반드시 맞아야 하는 1~3가지 핵심 요소에 집중해야 한다.
Q. 왜 성장이 멈춘 회사를 다시 성장시키는 게 어렵나요?
A. 성장이 멈추면 조직 내에 **'희소성 사고방식(Scarcity mindset)'**이 발동해 서로 밥그릇 싸움을 하게 됩니다. 또한 창조적인 사람들 대신 최적화(Optimization)를 중시하는 사람들이 조직을 채우게 되고, 실패를 두려워하게 됩니다. 소비자의 행동을 바꾸려면 제품이 10%가 아니라 10배는 좋아야 하므로 혁신이 어렵습니다.
Q. 글쓰기에 대한 최고의 조언은 무엇인가요?
1. 소리 내어 읽어보라. (마이크 모리츠의 조언)
2. 남들이 좋아할 주제가 아니라 당신이 진짜 관심을 가진 주제를 써라.
3. 영감이 떠오르면 하던 일을 멈추고 즉시 적어라.
Q. 의지력이 부족할 때 운동이나 식단 관리는 어떻게 하나요?
- 운동: 아이들이 컸을 때도 같이 활동하고 싶다는 욕구, 그리고 오래 살고 싶다는 두려움이 동기부여가 됩니다.
- 식단: **'21끼의 법칙'**을 씁니다. 일주일에 21끼 중 19끼 이상 건강식을 하면 살이 빠지고, 15~19끼면 유지됩니다. 평일 아침/점심은 메뉴를 고정해서 의사결정을 제거합니다.
- 일: "해야 한다(Have to)"가 아니라 **"할 수 있다(Get to)"**는 마음가짐을 갖습니다. 가족과 떨어져 있는 시간을 가치 있게 만들기 위해 더 몰입합니다. (쉐인의 팁: 매일 하면 협상의 여지가 없어서 더 쉽다.)
Q. '양보다 질'이라는 원칙을 어떻게 비직관적으로 적용하나요?
1. 인재 관리: 조직에서 가치의 90%는 상위 5%의 인재가 만듭니다. 우리는 그 5%를 찾고 대우하는 데 그만큼의 시간과 노력을 쏟고 있는지 반성해야 합니다.
2. 가족과의 거리: 커리어를 위해 가족(부모님 등)과 멀리 떨어져 사는 것이 장기적으로 옳은 결정인지 고민해봐야 합니다.
Q. 반대로 '질보다 양'이 중요한 경우는 언제인가요?
A. **어린 자녀와의 시간**입니다. "질 좋은 시간(디즈니랜드 가기 등)"으로 양을 대체할 수 있다는 건 핑계입니다. 아이들과의 진짜 소중한 순간은 차를 타고 이동하는 평범한 시간 같은 곳에서 예고 없이 찾아옵니다. 그래서 저는 아이들 스포츠 활동 픽업 같은 '양적인 시간'을 소중히 여깁니다.
Q. 세계 최고가 되면서 동시에 균형 잡힌 삶을 살 수 있을까요?
A. 솔직히 말하면 아닐 수도 있습니다. (워런 버핏의 예). 하지만 만약 세계 최고가 되는 대가가 가족과의 관계를 잃는 것이라면, 저는 그것을 원하지 않습니다.
Q. 균형을 지키기 위한 당신만의 규칙은 무엇인가요?
A. 아이들이 학교에서 돌아오는 시간에는 반드시 집에 있는 것입니다. 그리고 가족과 떨어져 일하는 시간에는 그 시간이 헛되지 않도록 **극도로 집중(Focus)**하여 성과를 냅니다.
Q. "가장 중요한 것을 가장 중요하게 유지하라(Keep the main thing the main thing)"는 원칙은 왜 중요한가요?
A. 인스타카트가 현금이 말라가고 생존이 위협받을 때, 직원들은 생존과 무관한 주제로 논쟁하곤 했습니다. 리더의 역할은 조직이 생존과 직결된 단 하나의 목표에 집중하게 하는 것입니다. 이는 가정에서도 마찬가지입니다.
Q. 이 원칙이 언제 깨지기 쉽나요?
A. "좋은 일"을 하자는 제안이 들어올 때입니다. 예를 들어 회사가 생존 위기인데 "기후 변화 대응 프로그램을 하자"는 식입니다. 좋은 명분이라 거절하기 힘들지만, 회사의 현재 목표(생존 및 성장)와 맞지 않는다면 거절해야 합니다. 구글의 복지 시스템을 따라 하자는 주장도 마찬가지입니다. 구글의 성공 원인은 검색 독점이지 복지 시스템이 아닙니다.
Q. 좋은 의사결정자들의 특징은 무엇인가요?
1. 좋은 포지션을 선점하여 나쁜 결정을 내릴 상황을 피합니다.
2. 일방향 문(되돌릴 수 없는 결정)과 양방향 문(되돌릴 수 있는 결정)을 구분합니다. 양방향 문은 속도가 생명입니다.
3. 생각을 정리하기 위해 글을 씁니다(Writing).
4. 조언을 구할 때 아무나 부르지 않고, 특정 주제에 적합한 사람을 골라 묻습니다.
5. **의사결정 피로**를 관리하기 위해 하루 일정을 구조화합니다.
Q. 일정을 구조화하는 팁이 있나요?
A. 중요한 결정을 내려야 하는 회의 뒤에는 다른 일정을 잡지 않습니다. "다음 회의 때문에 빨리 결정하자"는 상황을 만들지 않기 위해, 결론이 날 때까지 끝장토론을 하거나 다음날로 미룹니다.
Q. 단기 결정 vs 장기 결정의 트레이드오프는 어떻게 하나요?
A. 대부분의 단기 결정은 중요하지 않습니다. 저는 "상관없다(I don't care)"는 말을 자주 합니다. 단기적이고 되돌릴 수 있는 결정은 팀원들에게 맡기고, 저는 장기적이고 되돌릴 수 없는 결정에만 깊게 관여합니다.
Q. 뛰어난 사람들이 스스로 무너지는 일반적인 방식은 무엇인가요?
1. 자아(Ego)와 과거의 지식에 의존하기: 과거에 성공했다고 해서 지금 당면한 어려운 문제를 쉽게 풀 수 있다고 착각합니다.
2. 존경보다 사랑받기를 택함: 리더는 장기적으로 존경받는 결정을 해야 하는데, 당장 직원들에게 사랑받고 싶어서 쉬운(나쁜) 결정을 내립니다.
Q. 당신에게 성공이란 무엇인가요?
A. 제 인생에서 가장 중요한 사람들(가족, 가까운 지인)이 **"저 사람이 나에게 자신의 모든 것을 주었다"**고 느끼는 것입니다. 거창한 이벤트가 아니라 매일매일의 일상에서 제가 그들을 얼마나 사랑하고 아끼는지 느끼게 해주는 것이 저의 성공입니다. 직업적으로는 빌 캠벨처럼 사람들이 진심으로 고마워하는 리더가 되는 것입니다.
https://youtu.be/gXJAnh-iSTc?si=pAgh_AOAHNTm72jc
대학 졸업 후 첫 직장을 구할 때 아버지께서 해주신 말씀입니다.
"직장에서의 인격과 집에서의 인격을 따로 두지 말아라. 두 개의 다른 인생을 사는 것은 너를 지치게 할 뿐이다."
Q. 직장과 밖에서의 모습이 다른 사람들과 일해본 적이 있나요? 그때 어떤 느낌이 들었나요?
A. 네, 있습니다. 처음에는 그 차이(직장에서는 엄격한데 집에서는 자상한 등)에 놀랍니다. 하지만 결국 "왜 직장에서는 저런 진짜 모습을 보여주지 않을까?"라는 아쉬움이 들고, 이는 예측 불가능성 때문에 신뢰를 저해하는 요소가 됩니다. 코로나19(재택근무)가 이런 경계를 허무는 데 도움이 되기도 했습니다.
Q. 현실을 대하는 당신의 철학은 무엇인가요?
A. "현실은 무패(Reality is undefeated)"이며, "현실을 포용하라(Embrace reality)"는 것입니다. 문제를 회피하지 않고 현실을 빨리 받아들이고 작업에 착수할수록 상황은 나아집니다. 아프리카의 사자와 가젤 이야기처럼, 현실을 직시하지 않는 비용은 매우 큽니다.
Q. 창업자들에게 현실을 직시하도록 어떻게 조언하나요? (스티브 잡스의 '현실 왜곡장'과 반대되는 개념인가요?)
A. 스티브 잡스의 현실 왜곡장은 시장 신호를 무시한 게 아니라, 팀의 야망을 높이고 기준을 극도로 높인 것입니다(캐비닛 뒷면도 아름다워야 한다는 일화처럼). 창업자들에게 올바른 시장 신호를 보여주고, 단기적인 지표에 취해있을 때 장기적인 재무 성과라는 냉정한 현실을 일깨워줍니다.
Q. KKR에서 10년 넘게 일하며 무엇을 배웠나요?
1. 진짜 비즈니스를 구축하는 것은 매우 어렵지만, 깊게 파고들면 모든 비즈니스는 매력적이다.
2. 성장을 다시 시작하는 것은 극도로 어렵다. (정체된 기업을 다시 성장시키는 것의 어려움).
3. 투자를 할 때는 성공을 위해 반드시 맞아야 하는 1~3가지 핵심 요소에 집중해야 한다.
Q. 왜 성장이 멈춘 회사를 다시 성장시키는 게 어렵나요?
A. 성장이 멈추면 조직 내에 **'희소성 사고방식(Scarcity mindset)'**이 발동해 서로 밥그릇 싸움을 하게 됩니다. 또한 창조적인 사람들 대신 최적화(Optimization)를 중시하는 사람들이 조직을 채우게 되고, 실패를 두려워하게 됩니다. 소비자의 행동을 바꾸려면 제품이 10%가 아니라 10배는 좋아야 하므로 혁신이 어렵습니다.
Q. 글쓰기에 대한 최고의 조언은 무엇인가요?
1. 소리 내어 읽어보라. (마이크 모리츠의 조언)
2. 남들이 좋아할 주제가 아니라 당신이 진짜 관심을 가진 주제를 써라.
3. 영감이 떠오르면 하던 일을 멈추고 즉시 적어라.
Q. 의지력이 부족할 때 운동이나 식단 관리는 어떻게 하나요?
- 운동: 아이들이 컸을 때도 같이 활동하고 싶다는 욕구, 그리고 오래 살고 싶다는 두려움이 동기부여가 됩니다.
- 식단: **'21끼의 법칙'**을 씁니다. 일주일에 21끼 중 19끼 이상 건강식을 하면 살이 빠지고, 15~19끼면 유지됩니다. 평일 아침/점심은 메뉴를 고정해서 의사결정을 제거합니다.
- 일: "해야 한다(Have to)"가 아니라 **"할 수 있다(Get to)"**는 마음가짐을 갖습니다. 가족과 떨어져 있는 시간을 가치 있게 만들기 위해 더 몰입합니다. (쉐인의 팁: 매일 하면 협상의 여지가 없어서 더 쉽다.)
Q. '양보다 질'이라는 원칙을 어떻게 비직관적으로 적용하나요?
1. 인재 관리: 조직에서 가치의 90%는 상위 5%의 인재가 만듭니다. 우리는 그 5%를 찾고 대우하는 데 그만큼의 시간과 노력을 쏟고 있는지 반성해야 합니다.
2. 가족과의 거리: 커리어를 위해 가족(부모님 등)과 멀리 떨어져 사는 것이 장기적으로 옳은 결정인지 고민해봐야 합니다.
Q. 반대로 '질보다 양'이 중요한 경우는 언제인가요?
A. **어린 자녀와의 시간**입니다. "질 좋은 시간(디즈니랜드 가기 등)"으로 양을 대체할 수 있다는 건 핑계입니다. 아이들과의 진짜 소중한 순간은 차를 타고 이동하는 평범한 시간 같은 곳에서 예고 없이 찾아옵니다. 그래서 저는 아이들 스포츠 활동 픽업 같은 '양적인 시간'을 소중히 여깁니다.
Q. 세계 최고가 되면서 동시에 균형 잡힌 삶을 살 수 있을까요?
A. 솔직히 말하면 아닐 수도 있습니다. (워런 버핏의 예). 하지만 만약 세계 최고가 되는 대가가 가족과의 관계를 잃는 것이라면, 저는 그것을 원하지 않습니다.
Q. 균형을 지키기 위한 당신만의 규칙은 무엇인가요?
A. 아이들이 학교에서 돌아오는 시간에는 반드시 집에 있는 것입니다. 그리고 가족과 떨어져 일하는 시간에는 그 시간이 헛되지 않도록 **극도로 집중(Focus)**하여 성과를 냅니다.
Q. "가장 중요한 것을 가장 중요하게 유지하라(Keep the main thing the main thing)"는 원칙은 왜 중요한가요?
A. 인스타카트가 현금이 말라가고 생존이 위협받을 때, 직원들은 생존과 무관한 주제로 논쟁하곤 했습니다. 리더의 역할은 조직이 생존과 직결된 단 하나의 목표에 집중하게 하는 것입니다. 이는 가정에서도 마찬가지입니다.
Q. 이 원칙이 언제 깨지기 쉽나요?
A. "좋은 일"을 하자는 제안이 들어올 때입니다. 예를 들어 회사가 생존 위기인데 "기후 변화 대응 프로그램을 하자"는 식입니다. 좋은 명분이라 거절하기 힘들지만, 회사의 현재 목표(생존 및 성장)와 맞지 않는다면 거절해야 합니다. 구글의 복지 시스템을 따라 하자는 주장도 마찬가지입니다. 구글의 성공 원인은 검색 독점이지 복지 시스템이 아닙니다.
Q. 좋은 의사결정자들의 특징은 무엇인가요?
1. 좋은 포지션을 선점하여 나쁜 결정을 내릴 상황을 피합니다.
2. 일방향 문(되돌릴 수 없는 결정)과 양방향 문(되돌릴 수 있는 결정)을 구분합니다. 양방향 문은 속도가 생명입니다.
3. 생각을 정리하기 위해 글을 씁니다(Writing).
4. 조언을 구할 때 아무나 부르지 않고, 특정 주제에 적합한 사람을 골라 묻습니다.
5. **의사결정 피로**를 관리하기 위해 하루 일정을 구조화합니다.
Q. 일정을 구조화하는 팁이 있나요?
A. 중요한 결정을 내려야 하는 회의 뒤에는 다른 일정을 잡지 않습니다. "다음 회의 때문에 빨리 결정하자"는 상황을 만들지 않기 위해, 결론이 날 때까지 끝장토론을 하거나 다음날로 미룹니다.
Q. 단기 결정 vs 장기 결정의 트레이드오프는 어떻게 하나요?
A. 대부분의 단기 결정은 중요하지 않습니다. 저는 "상관없다(I don't care)"는 말을 자주 합니다. 단기적이고 되돌릴 수 있는 결정은 팀원들에게 맡기고, 저는 장기적이고 되돌릴 수 없는 결정에만 깊게 관여합니다.
Q. 뛰어난 사람들이 스스로 무너지는 일반적인 방식은 무엇인가요?
1. 자아(Ego)와 과거의 지식에 의존하기: 과거에 성공했다고 해서 지금 당면한 어려운 문제를 쉽게 풀 수 있다고 착각합니다.
2. 존경보다 사랑받기를 택함: 리더는 장기적으로 존경받는 결정을 해야 하는데, 당장 직원들에게 사랑받고 싶어서 쉬운(나쁜) 결정을 내립니다.
Q. 당신에게 성공이란 무엇인가요?
A. 제 인생에서 가장 중요한 사람들(가족, 가까운 지인)이 **"저 사람이 나에게 자신의 모든 것을 주었다"**고 느끼는 것입니다. 거창한 이벤트가 아니라 매일매일의 일상에서 제가 그들을 얼마나 사랑하고 아끼는지 느끼게 해주는 것이 저의 성공입니다. 직업적으로는 빌 캠벨처럼 사람들이 진심으로 고마워하는 리더가 되는 것입니다.
https://youtu.be/gXJAnh-iSTc?si=pAgh_AOAHNTm72jc
YouTube
Ravi Gupta (Sequoia) Opens Up About The Realities of Success | E164
Sequoia Capital partner Ravi Gupta dives deep into the realities of success, decision-making, why it’s crucial to practice doing things you don’t want to do, and the value of quality over quantity.
--
00:00 - Intro
00:38 - Gupta’s best advice
02:54 - Gupta’s…
--
00:00 - Intro
00:38 - Gupta’s best advice
02:54 - Gupta’s…
❤2👍1
10대들은 무엇을 공부해야 하는가?
사람들은 제가 수학, 컴퓨터 공학, 혹은 AI라고 말할 것이라 예상했습니다. 물론 그런 과목들은 필수적인 기초입니다. 특정 교과 과정 때문이 아니라, 비판적으로 생각하는 법을 가르쳐주기 때문입니다. 하지만 제가 학부 때 그 분야에서 배웠던 거의 모든 지식은 취업하자마자 금세 구식이 되어버렸습니다. 의견이 어느 정도 오간 뒤, 저는 다른 대답을 내놓았습니다. "불확실성 속에서 좋은 결정을 내리는 법을 배우세요."
창업, 벤처 투자, 과학과 같이 경쟁이 치열한 분야에는 똑똑한 전문가가 차고 넘칩니다. 세상은 타고난 지성과 날카로운 논리로 가득 차 있습니다. 하지만 가장 큰 영향력을 발휘하는 사람들은 단순한 지능 그 이상의 깊이 있는 무언가를 공유하고 있습니다. 그들은 일관되게 더 나은 결정을 내리며, 그 능력은 복리로 쌓여갑니다.
'내가 옳다는 것을 증명하는 것(Being right)'과 '올바른 결과를 얻어내는 것(Getting it right)' 사이에는 큰 차이가 있습니다. 두 가지는 비슷하게 느껴지지만 완전히 다른 길로 이끕니다.
'내가 옳아야 한다'는 것은 자존심(Ego)에 관한 것입니다. 자신이 똑똑함을 증명하고, 신념을 방어하며, 논쟁에서 이기고, 지위를 유지하려는 것입니다. 이는 전문가의 빠른 두뇌 회전과 논평가들의 확신에 찬 태도에 보상을 주기 때문에 매혹적이지만, 동시에 눈을 멀게 하기도 합니다. '내가 옳아야 한다'는 생각에 매몰되면, 우리는 내 견해를 확인해 주는 정보만 받아들이고, 반대 의견은 배제하며, 이미 졸업했어야 할 낡은 생각에 집착하게 됩니다. 이해를 발전시키기보다는 자신의 정체성을 보호하려 드는 것입니다.
반면, '올바른 결과를 얻어내는 것'은 적절한 성과에 도달하는 것에 관한 것입니다. 진실을 탐구하는 과정입니다. 세상이 변함에 따라 배우고(learn), 배웠던 것을 비우고(unlearn), 다시 배우는(relearn) 것입니다. 자존심보다 발전을 우선시하는 태도입니다.
올바른 결과를 추구하는 사람들은 호기심을 포용합니다. 새로운 데이터가 나타나면 기존의 전제를 업데이트합니다. 그들은 자신과 자신의 아이디어를 분리하여, 더 이상 도움이 되지 않는 아이디어는 과감히 버릴 줄 압니다. 급변하는 세상에서는 뛰어난 머리보다 적응력이 진정한 경쟁 우위라는 사실을 인식하고 있는 것입니다. 이것이 바로 행동으로 나타나는 '의사결정의 질'입니다.
창업자와 리더들은 의사결정의 질이 미치는 영향을 누구보다 직접적으로 체감합니다. 리더가 '자신의 옳음'을 우선시하면, 구성원들이 몸을 사리고, 위험을 회피하며, 권위에 무조건 복종하는 문화를 만들게 됩니다. 획일화와 집단사고가 기본이 되어버립니다. 대화는 단절되고 진보는 느려집니다.
반면, 누가 해결책을 제시하든 상관없이 '올바른 결과'에 집중하는 리더는 심리적 안전감을 조성하고, 열린 토론을 장려하며, 팀원들이 의미 있는 기여를 할 수 있도록 힘을 실어줍니다. 이런 환경에서 사람들은 자신의 한계를 넓히고, 주인의식을 가지며, 최고의 성과를 냅니다.
일반적으로 우리는 '자기가 옳다'는 리더는 마지못해 따르지만, '올바른 길을 찾는' 리더는 자발적으로 따릅니다. 당신은 어떤 리더가 되고 싶습니까?
https://x.com/Alfred_Lin/status/1997009342466507258
사람들은 제가 수학, 컴퓨터 공학, 혹은 AI라고 말할 것이라 예상했습니다. 물론 그런 과목들은 필수적인 기초입니다. 특정 교과 과정 때문이 아니라, 비판적으로 생각하는 법을 가르쳐주기 때문입니다. 하지만 제가 학부 때 그 분야에서 배웠던 거의 모든 지식은 취업하자마자 금세 구식이 되어버렸습니다. 의견이 어느 정도 오간 뒤, 저는 다른 대답을 내놓았습니다. "불확실성 속에서 좋은 결정을 내리는 법을 배우세요."
창업, 벤처 투자, 과학과 같이 경쟁이 치열한 분야에는 똑똑한 전문가가 차고 넘칩니다. 세상은 타고난 지성과 날카로운 논리로 가득 차 있습니다. 하지만 가장 큰 영향력을 발휘하는 사람들은 단순한 지능 그 이상의 깊이 있는 무언가를 공유하고 있습니다. 그들은 일관되게 더 나은 결정을 내리며, 그 능력은 복리로 쌓여갑니다.
'내가 옳다는 것을 증명하는 것(Being right)'과 '올바른 결과를 얻어내는 것(Getting it right)' 사이에는 큰 차이가 있습니다. 두 가지는 비슷하게 느껴지지만 완전히 다른 길로 이끕니다.
'내가 옳아야 한다'는 것은 자존심(Ego)에 관한 것입니다. 자신이 똑똑함을 증명하고, 신념을 방어하며, 논쟁에서 이기고, 지위를 유지하려는 것입니다. 이는 전문가의 빠른 두뇌 회전과 논평가들의 확신에 찬 태도에 보상을 주기 때문에 매혹적이지만, 동시에 눈을 멀게 하기도 합니다. '내가 옳아야 한다'는 생각에 매몰되면, 우리는 내 견해를 확인해 주는 정보만 받아들이고, 반대 의견은 배제하며, 이미 졸업했어야 할 낡은 생각에 집착하게 됩니다. 이해를 발전시키기보다는 자신의 정체성을 보호하려 드는 것입니다.
반면, '올바른 결과를 얻어내는 것'은 적절한 성과에 도달하는 것에 관한 것입니다. 진실을 탐구하는 과정입니다. 세상이 변함에 따라 배우고(learn), 배웠던 것을 비우고(unlearn), 다시 배우는(relearn) 것입니다. 자존심보다 발전을 우선시하는 태도입니다.
올바른 결과를 추구하는 사람들은 호기심을 포용합니다. 새로운 데이터가 나타나면 기존의 전제를 업데이트합니다. 그들은 자신과 자신의 아이디어를 분리하여, 더 이상 도움이 되지 않는 아이디어는 과감히 버릴 줄 압니다. 급변하는 세상에서는 뛰어난 머리보다 적응력이 진정한 경쟁 우위라는 사실을 인식하고 있는 것입니다. 이것이 바로 행동으로 나타나는 '의사결정의 질'입니다.
창업자와 리더들은 의사결정의 질이 미치는 영향을 누구보다 직접적으로 체감합니다. 리더가 '자신의 옳음'을 우선시하면, 구성원들이 몸을 사리고, 위험을 회피하며, 권위에 무조건 복종하는 문화를 만들게 됩니다. 획일화와 집단사고가 기본이 되어버립니다. 대화는 단절되고 진보는 느려집니다.
반면, 누가 해결책을 제시하든 상관없이 '올바른 결과'에 집중하는 리더는 심리적 안전감을 조성하고, 열린 토론을 장려하며, 팀원들이 의미 있는 기여를 할 수 있도록 힘을 실어줍니다. 이런 환경에서 사람들은 자신의 한계를 넓히고, 주인의식을 가지며, 최고의 성과를 냅니다.
일반적으로 우리는 '자기가 옳다'는 리더는 마지못해 따르지만, '올바른 길을 찾는' 리더는 자발적으로 따릅니다. 당신은 어떤 리더가 되고 싶습니까?
https://x.com/Alfred_Lin/status/1997009342466507258
X (formerly Twitter)
Alfred Lin (@Alfred_Lin) on X
The latest on Outlier's Path - Being Right vs. Getting It Right
--
During Thanksgiving Break, I found joy at several friends' and family gatherings. I've learned to sit between the adults' table and the kids' table. The conversations at that intersection…
--
During Thanksgiving Break, I found joy at several friends' and family gatherings. I've learned to sit between the adults' table and the kids' table. The conversations at that intersection…
❤7🔥1
Continuous Learning_Startup & Investment
10대들은 무엇을 공부해야 하는가? 사람들은 제가 수학, 컴퓨터 공학, 혹은 AI라고 말할 것이라 예상했습니다. 물론 그런 과목들은 필수적인 기초입니다. 특정 교과 과정 때문이 아니라, 비판적으로 생각하는 법을 가르쳐주기 때문입니다. 하지만 제가 학부 때 그 분야에서 배웠던 거의 모든 지식은 취업하자마자 금세 구식이 되어버렸습니다. 의견이 어느 정도 오간 뒤, 저는 다른 대답을 내놓았습니다. "불확실성 속에서 좋은 결정을 내리는 법을 배우세요." 창업…
더 나아지는 법을 배우기
모든 리더에게는 되돌리고 싶은 결정들의 목록이 있습니다. 특히 지난 몇 년간 극단적으로 요동쳤던 시장 상황을 고려하면 더욱 그렇습니다.
실제로 달성한 것보다 더 큰 성장을 가정하고 임원들을 채용했으나, 지금 와서 보면 잘못된 팀을 꾸린 것 같다는 생각이 들 수도 있습니다. 감원 규모가 너무 작아 조직이 충분히 빠르게 움직이지 못하고 있다고 느낄 수도 있습니다. 혹은 야심 차게 추진한 전략적 베팅이 효과를 보지 못하고 있어, 차라리 실패를 선언하고 자원을 재배치하는 편이 낫겠다고 생각할 수도 있습니다.
하지만 이런 실수를 바로잡으려 할 때, 무언가가 당신을 주저하게 만듭니다. 왠지 모르게 위험 대비 보상이 맞지 않아 보입니다. 왜냐하면 단기적으로 그 문제들이 당장 회사의 존망을 위협할 정도는 아니지만, 제안된 해결책들은 확실히 고통스럽기 때문입니다.
가장 고통스러운 예시인 해고 상황으로 돌아가 봅시다. 당신은 떠나는 동료들에게 해고 통보를 하며 눈물을 흘렸을지도 모릅니다. 실망을 안겨주어 미안하다고 말했고, 다시는 이런 실수를 하지 않겠다고 맹세했을 수도 있습니다.
하지만 첫 번째 감원 때 충분히 깊게 도려내지 못했다는 것을 깨닫게 되면 어떻게 해야 할까요? 당장 돈이 떨어지는 것은 아니니 존망의 위기는 아닙니다. 하지만 당신은 마음속으로 회사가 너무 비대하고 느리다는 것을 알고 있습니다. 리더로서 무능해 보이지 않으면서, 더 나아가 거짓말쟁이처럼 보이지 않으면서 어떻게 팀원들에게 또 다른 해고가 필요하다고 말할 수 있을까요?
그렇게 중대한 사안에 대해 실수를 했다고 팀 앞에 서서 말하는 상상은 끔찍하게 고통스럽습니다. 리더로서의 자존심과 정체성이 무너지는 것처럼 느껴질 수 있습니다.
하지만 현실에서는 자신의 실수를 인정하는 고통을 기꺼이 감수하는 것이야말로 리더십의 '슈퍼파워'이며, 이는 조직에 복리 효과를 가져다주는 혜택이 될 수 있습니다.
첫 번째이자 가장 명백한 이점은 실수로부터 교훈을 얻는다는 것입니다. 실수가 클수록, 그리고 더 공개적으로 인정할수록, 똑같은 실수를 반복할 가능성은 줄어듭니다.
두 번째 이점은 직관과는 다를 수 있습니다. 큰 실수를 저지르고, 인정하고, 궁극적으로 바로잡는 경험은 우리를 더 대담하게 만듭니다. 우리는 세상이 그리 쉽게 무너지지 않는다는 것을 배웁니다. 우리 조직이 생각보다 더 회복력이 있다는 것을 알게 됩니다. 그리고 우리 자신 또한 생각보다 더 강인하다는 것을 깨닫습니다. 그래서 우리는 더 크고 대담한 시도를 하게 되고, 다음번에는 실패를 인정하기까지 그렇게 오래 망설이지 않게 됩니다. 실수를 인정함으로써 오는 자존심과 정체성의 타격을 다루는 데 더 능숙해집니다. 이것이 선순환을 만들기 시작합니다.
하지만 진정한 복리 효과는 조직 문화에 미치는 영향에서 나옵니다. 기억하십시오. 리더인 당신의 일거수일투족을 팀원들이 지켜보고 있습니다. 만약 당신이 모든 정답을 알고 있는 것처럼 행동한다면, 팀원들도 그렇게 할 것입니다. 하지만 당신이 무언가를 시도하고, 망쳤을 때 책임을 지며, 다시 일어나 도전하는 모습을 보인다면, 팀원들 역시 그렇게 할 것입니다. 조직 문화는 대담함, 진실 추구, 그리고 빠른 학습 속도에 보상하기 시작할 것입니다.
당신의 회사는 '더 나은 실수'를 하고 '더 나은 교훈'을 얻게 될 것입니다. 피드백 루프는 더 빨라질 것입니다. 회사는 '더 나아지는 법'을 배우는 데 더 능숙해질 것입니다.
이 중 쉬운 것은 하나도 없습니다. 하지만 잔인한 현실은 '더 나아지는 것'과 '현상 유지' 사이의 선택지가 없다는 것입니다. 우리 시장은 그러기엔 너무 역동적입니다. 당신은 더 나아지는 법을 배우며 성장하든가, 아니면 도태되든가 둘 중 하나입니다.
투르 드 프랑스 우승자인 사이클 선수 그렉 르몽드(Greg LeMond)는 이런 명언을 남겼습니다.
"결코 더 쉬워지지는 않는다. 다만 당신이 더 빨라질 뿐이다." 그는 훈련에 대해 이야기했지만, 이는 스타트업에 대해서도 똑같이 적용될 수 있는 말입니다.
고통을 받아들이십시오. 당신은 정직하고, 결단력 있으며, 회복 탄력성이 강한 조직을 만들게 될 것입니다.
일이 더 쉬워지지는 않겠지만, 당신은 그 속도를 주도하게 될 것입니다.
https://www.rkg.blog/getting_better.php
모든 리더에게는 되돌리고 싶은 결정들의 목록이 있습니다. 특히 지난 몇 년간 극단적으로 요동쳤던 시장 상황을 고려하면 더욱 그렇습니다.
실제로 달성한 것보다 더 큰 성장을 가정하고 임원들을 채용했으나, 지금 와서 보면 잘못된 팀을 꾸린 것 같다는 생각이 들 수도 있습니다. 감원 규모가 너무 작아 조직이 충분히 빠르게 움직이지 못하고 있다고 느낄 수도 있습니다. 혹은 야심 차게 추진한 전략적 베팅이 효과를 보지 못하고 있어, 차라리 실패를 선언하고 자원을 재배치하는 편이 낫겠다고 생각할 수도 있습니다.
하지만 이런 실수를 바로잡으려 할 때, 무언가가 당신을 주저하게 만듭니다. 왠지 모르게 위험 대비 보상이 맞지 않아 보입니다. 왜냐하면 단기적으로 그 문제들이 당장 회사의 존망을 위협할 정도는 아니지만, 제안된 해결책들은 확실히 고통스럽기 때문입니다.
가장 고통스러운 예시인 해고 상황으로 돌아가 봅시다. 당신은 떠나는 동료들에게 해고 통보를 하며 눈물을 흘렸을지도 모릅니다. 실망을 안겨주어 미안하다고 말했고, 다시는 이런 실수를 하지 않겠다고 맹세했을 수도 있습니다.
하지만 첫 번째 감원 때 충분히 깊게 도려내지 못했다는 것을 깨닫게 되면 어떻게 해야 할까요? 당장 돈이 떨어지는 것은 아니니 존망의 위기는 아닙니다. 하지만 당신은 마음속으로 회사가 너무 비대하고 느리다는 것을 알고 있습니다. 리더로서 무능해 보이지 않으면서, 더 나아가 거짓말쟁이처럼 보이지 않으면서 어떻게 팀원들에게 또 다른 해고가 필요하다고 말할 수 있을까요?
그렇게 중대한 사안에 대해 실수를 했다고 팀 앞에 서서 말하는 상상은 끔찍하게 고통스럽습니다. 리더로서의 자존심과 정체성이 무너지는 것처럼 느껴질 수 있습니다.
하지만 현실에서는 자신의 실수를 인정하는 고통을 기꺼이 감수하는 것이야말로 리더십의 '슈퍼파워'이며, 이는 조직에 복리 효과를 가져다주는 혜택이 될 수 있습니다.
첫 번째이자 가장 명백한 이점은 실수로부터 교훈을 얻는다는 것입니다. 실수가 클수록, 그리고 더 공개적으로 인정할수록, 똑같은 실수를 반복할 가능성은 줄어듭니다.
두 번째 이점은 직관과는 다를 수 있습니다. 큰 실수를 저지르고, 인정하고, 궁극적으로 바로잡는 경험은 우리를 더 대담하게 만듭니다. 우리는 세상이 그리 쉽게 무너지지 않는다는 것을 배웁니다. 우리 조직이 생각보다 더 회복력이 있다는 것을 알게 됩니다. 그리고 우리 자신 또한 생각보다 더 강인하다는 것을 깨닫습니다. 그래서 우리는 더 크고 대담한 시도를 하게 되고, 다음번에는 실패를 인정하기까지 그렇게 오래 망설이지 않게 됩니다. 실수를 인정함으로써 오는 자존심과 정체성의 타격을 다루는 데 더 능숙해집니다. 이것이 선순환을 만들기 시작합니다.
하지만 진정한 복리 효과는 조직 문화에 미치는 영향에서 나옵니다. 기억하십시오. 리더인 당신의 일거수일투족을 팀원들이 지켜보고 있습니다. 만약 당신이 모든 정답을 알고 있는 것처럼 행동한다면, 팀원들도 그렇게 할 것입니다. 하지만 당신이 무언가를 시도하고, 망쳤을 때 책임을 지며, 다시 일어나 도전하는 모습을 보인다면, 팀원들 역시 그렇게 할 것입니다. 조직 문화는 대담함, 진실 추구, 그리고 빠른 학습 속도에 보상하기 시작할 것입니다.
당신의 회사는 '더 나은 실수'를 하고 '더 나은 교훈'을 얻게 될 것입니다. 피드백 루프는 더 빨라질 것입니다. 회사는 '더 나아지는 법'을 배우는 데 더 능숙해질 것입니다.
이 중 쉬운 것은 하나도 없습니다. 하지만 잔인한 현실은 '더 나아지는 것'과 '현상 유지' 사이의 선택지가 없다는 것입니다. 우리 시장은 그러기엔 너무 역동적입니다. 당신은 더 나아지는 법을 배우며 성장하든가, 아니면 도태되든가 둘 중 하나입니다.
투르 드 프랑스 우승자인 사이클 선수 그렉 르몽드(Greg LeMond)는 이런 명언을 남겼습니다.
"결코 더 쉬워지지는 않는다. 다만 당신이 더 빨라질 뿐이다." 그는 훈련에 대해 이야기했지만, 이는 스타트업에 대해서도 똑같이 적용될 수 있는 말입니다.
고통을 받아들이십시오. 당신은 정직하고, 결단력 있으며, 회복 탄력성이 강한 조직을 만들게 될 것입니다.
일이 더 쉬워지지는 않겠지만, 당신은 그 속도를 주도하게 될 것입니다.
https://www.rkg.blog/getting_better.php
www.rkg.blog
Getting Better at Getting Better | RKG
❤5
앤드류 카네기의 삶은 한 편의 드라마와 같습니다.
영국에서 수동 방직기 기사였던 아버지는 산업혁명으로 직업을 잃자 가족을 이끌고 기회의 땅 미국으로 건너왔습니다. 12살 때부터 면직물 공장 잡일부터 시작해 증기기관 공장, 전신 배달원을 거치며 전신 기술을 독학하고 고객사 위치와 사장의 얼굴을 통째로 외워버리는 집념을 보였습니다. 틈틈이 도서관에서 역사, 과학, 문학 등을 탐독하고, 또래들과 토론하며 논쟁하고 설득하는 법을 익히기도 했습니다.
전신 기사로 일하던 중 펜실베이니아 철도 회사 지부장 토마스 스콧의 눈에 띄어 철도 산업에 발을 들이게 됩니다. 스콧을 롤모델로 삼아 서기로 일하며 철도 사업 전반을 익혔고, 스콧 부재중 발생한 사고를 능수능란하게 처리하며 두터운 신뢰를 얻습니다.
그는 당시를 회상하며 "자신감은 필수불가결한 자질이었다. 나는 무엇이든 해낼 수 있다고 믿었다."라고 말했습니다. 그는 밤낮없이 일하며 부하 직원들을 몰아붙였고, 자신의 한계를 시험하듯 일에 몰두했습니다. "나는 아마도 가장 배려심 없는 감독관이었을 것이다. 나 자신이 피로를 몰랐기에 부하들을 과로시켰고, 인간의 한계를 고려하지 않았다.”고 했습니다.
회사의 신뢰를 바탕으로 스콧은 카네기에게 철도 관련 회사 투자 기회를 제공합니다. 월급쟁이에서 벗어나 자본 소득의 맛을 보게 된 그는 철도 산업의 폭발적인 성장과 함께 침대차, 석유, 철강 등 유망 분야에 투자하며 막대한 부를 축적합니다.
"태풍이 불면 돼지도 난다"는 말처럼 그는 시대의 흐름을 정확히 읽었습니다. 철도라는 거대한 인프라 위에서 파생되는 기회들을 놓치지 않았습니다. 장거리 이동 증가에 따른 침대차 사업, 철도 운송량 증가에 따른 석유 사업, 목재 교량의 화재 위험성을 대체할 철제 교량 사업 등이 그 예입니다.
물론 모든 투자가 성공적이었던 것은 아닙니다. 석유 보관 아이디어는 실패로 돌아갔지만, 빠르게 잘못을 인정하고 시장에 석유를 팔아 수익을 냈습니다. 만약 지금 카네기가 살아있다면 AI 로보틱스나 자율주행차 시대의 병목 현상을 해결할 전력이나 데이터 처리 분야에 투자하지 않았을까요?
이후 그는 철강 생산과 교량 건설에 집중했습니다. 철 생산 회사는 그의 다른 회사 교량 건설 회사에 철을 공급했고, 철도 회사와의 끈끈한 관계 덕분에 판로 걱정 없이 사업을 확장했습니다.
영국 여행 중 목격한 '베세머 공정'은 그에게 강철 시대의 도래를 확신하게 했고, 과감하게 신기술을 도입했습니다. 강철 표면 레일이나 석탄 채굴 기계 사업 등 실패도 있었지만, 철 생산 사업은 큰 성공을 거두었습니다. 금융권 인맥을 활용해 채권과 주식 발행을 주선하며 수수료 수익도 챙겼습니다.
철강 회사를 키우면서 그는 학벌보다 실력을 중시했습니다. 현장 출신의 유능한 인재들을 임원으로 발탁하고, 회사 지분을 주되 퇴사 시 반납하는 조건으로 배당금을 지급하여 '황금 수갑'을 채웠습니다.
또한 철광석 채굴부터 운송, 제조까지 수직 계열화를 이루고, 파트너 헨리 핍스가 도입한 원가 회계 시스템을 통해 철저하게 비용을 관리했습니다. 경쟁사들이 톤당 판매 가격만 볼 때, 카네기는 1g의 석탄 비용까지 분석하며 경쟁 우위를 확보했습니다.
이 시기 카네기의 성공 비결은 '모든 것에 관여하는 것'이었습니다. 넘치는 에너지로 끊임없이 소통하고 회의하며 기회를 포착했습니다. 업계 뉴스와 정세에 밝아 위기에 대처하고 기회를 선점했습니다. 탁월한 네트워킹 능력으로 사람들을 끌어모으고 정보를 교류했습니다. 신중한 사업가처럼 보였지만 사실은 과감하게 위험을 감수하는 투자자였으며, 든든한 파트너들과 함께 위험을 관리했습니다.
https://www.amazon.com/Autobiography-Andrew-Carnegie-Gospel-Classics/dp/0451530381
영국에서 수동 방직기 기사였던 아버지는 산업혁명으로 직업을 잃자 가족을 이끌고 기회의 땅 미국으로 건너왔습니다. 12살 때부터 면직물 공장 잡일부터 시작해 증기기관 공장, 전신 배달원을 거치며 전신 기술을 독학하고 고객사 위치와 사장의 얼굴을 통째로 외워버리는 집념을 보였습니다. 틈틈이 도서관에서 역사, 과학, 문학 등을 탐독하고, 또래들과 토론하며 논쟁하고 설득하는 법을 익히기도 했습니다.
전신 기사로 일하던 중 펜실베이니아 철도 회사 지부장 토마스 스콧의 눈에 띄어 철도 산업에 발을 들이게 됩니다. 스콧을 롤모델로 삼아 서기로 일하며 철도 사업 전반을 익혔고, 스콧 부재중 발생한 사고를 능수능란하게 처리하며 두터운 신뢰를 얻습니다.
그는 당시를 회상하며 "자신감은 필수불가결한 자질이었다. 나는 무엇이든 해낼 수 있다고 믿었다."라고 말했습니다. 그는 밤낮없이 일하며 부하 직원들을 몰아붙였고, 자신의 한계를 시험하듯 일에 몰두했습니다. "나는 아마도 가장 배려심 없는 감독관이었을 것이다. 나 자신이 피로를 몰랐기에 부하들을 과로시켰고, 인간의 한계를 고려하지 않았다.”고 했습니다.
회사의 신뢰를 바탕으로 스콧은 카네기에게 철도 관련 회사 투자 기회를 제공합니다. 월급쟁이에서 벗어나 자본 소득의 맛을 보게 된 그는 철도 산업의 폭발적인 성장과 함께 침대차, 석유, 철강 등 유망 분야에 투자하며 막대한 부를 축적합니다.
"태풍이 불면 돼지도 난다"는 말처럼 그는 시대의 흐름을 정확히 읽었습니다. 철도라는 거대한 인프라 위에서 파생되는 기회들을 놓치지 않았습니다. 장거리 이동 증가에 따른 침대차 사업, 철도 운송량 증가에 따른 석유 사업, 목재 교량의 화재 위험성을 대체할 철제 교량 사업 등이 그 예입니다.
물론 모든 투자가 성공적이었던 것은 아닙니다. 석유 보관 아이디어는 실패로 돌아갔지만, 빠르게 잘못을 인정하고 시장에 석유를 팔아 수익을 냈습니다. 만약 지금 카네기가 살아있다면 AI 로보틱스나 자율주행차 시대의 병목 현상을 해결할 전력이나 데이터 처리 분야에 투자하지 않았을까요?
이후 그는 철강 생산과 교량 건설에 집중했습니다. 철 생산 회사는 그의 다른 회사 교량 건설 회사에 철을 공급했고, 철도 회사와의 끈끈한 관계 덕분에 판로 걱정 없이 사업을 확장했습니다.
영국 여행 중 목격한 '베세머 공정'은 그에게 강철 시대의 도래를 확신하게 했고, 과감하게 신기술을 도입했습니다. 강철 표면 레일이나 석탄 채굴 기계 사업 등 실패도 있었지만, 철 생산 사업은 큰 성공을 거두었습니다. 금융권 인맥을 활용해 채권과 주식 발행을 주선하며 수수료 수익도 챙겼습니다.
철강 회사를 키우면서 그는 학벌보다 실력을 중시했습니다. 현장 출신의 유능한 인재들을 임원으로 발탁하고, 회사 지분을 주되 퇴사 시 반납하는 조건으로 배당금을 지급하여 '황금 수갑'을 채웠습니다.
또한 철광석 채굴부터 운송, 제조까지 수직 계열화를 이루고, 파트너 헨리 핍스가 도입한 원가 회계 시스템을 통해 철저하게 비용을 관리했습니다. 경쟁사들이 톤당 판매 가격만 볼 때, 카네기는 1g의 석탄 비용까지 분석하며 경쟁 우위를 확보했습니다.
이 시기 카네기의 성공 비결은 '모든 것에 관여하는 것'이었습니다. 넘치는 에너지로 끊임없이 소통하고 회의하며 기회를 포착했습니다. 업계 뉴스와 정세에 밝아 위기에 대처하고 기회를 선점했습니다. 탁월한 네트워킹 능력으로 사람들을 끌어모으고 정보를 교류했습니다. 신중한 사업가처럼 보였지만 사실은 과감하게 위험을 감수하는 투자자였으며, 든든한 파트너들과 함께 위험을 관리했습니다.
https://www.amazon.com/Autobiography-Andrew-Carnegie-Gospel-Classics/dp/0451530381
1. 발전은 선형적이나, 혁명은 순간적이다
기술의 발전은 겉보기에 선형적(Steady)입니다. 엔진의 마력이나 체스 엔진의 Elo 점수는 매년 꾸준히 우상향합니다. 하지만 시장이 느끼는 '유용성(Utility)'과 '대체(Equivalence)'는 이진법(Binary)으로 작동합니다. 기술이 특정 작업의 최소 요구치(Threshold)를 넘지 못할 때 그 가치는 '0'이지만, 임계점을 넘는 순간 '1(완전 대체)'로 돌변하기 때문입니다.
2. 말(Horse)과 체스(Chess): 도구와 지능의 대체
증기기관의 성능이 말을 앞지르자, 수천 년간 지속된 말의 효용 가치는 순식간에 붕괴했습니다. 말은 '도구'였고 인간은 '주인'이었기에, 더 효율적인 도구가 등장하자 기존 도구는 폐기되었습니다.
체스 또한 마찬가지입니다. 컴퓨터 체스 실력은 40년간 매년 50점씩 일정하게 올랐습니다. 그러나 인간의 한계선을 돌파하는 짧은 교차 구간(Crossover Window)을 지나자, 인간은 '지배자'에서 '패배자'로 전락했습니다. 2000년에는 인간이 컴퓨터를 연습 상대로 여겼지만, 불과 10년 뒤에는 넘을 수 없는 벽이 되었습니다. 이는 인간 고유의 영역이라 믿었던 '지적 판단(Decision Making)'조차 기계에 잠식될 수 있음을 보여줍니다.
3. 왜 일자리는 사라지고 체스는 살아남았나?
흥미로운 점은 AI가 체스를 정복했음에도 체스 시장은 역사상 가장 커졌다는 사실입니다. 이는 체스가 결과가 아닌 '과정(Process)의 즐거움'을 소비하는 엔터테인먼트이기 때문입니다.
반면, 우리가 종사하는 코딩, 번역, 데이터 분석 등의 일자리는 '결과(Result)'를 납품하는 경제 활동입니다. 당신의 직업이 '결과'를 파는 것이라면 말처럼 대체될 것이고, 인간 고유의 '행위 그 자체'가 상품(스포츠, 예술 등)이라면 체스처럼 살아남을 것입니다.
4. 켄타우로스(Centaur)의 붕괴와 경제적 필연성
한때 인간과 AI가 협력하는 '켄타우로스' 모델이 최강이었던 시기가 있었습니다. 하지만 이제 순수 AI 엔진이 인간+AI 팀을 압도합니다. 인간의 개입이 오히려 '노이즈'가 되어버린 것입니다. 현재 우리는 업무에서 AI를 코파일럿(Co-pilot)으로 쓰며 효율적이라 믿지만, 이 역시 켄타우로스 단계와 같은 과도기일 수 있습니다.
실제로 Anthropic의 저자는 신규 입사자의 질문에 답변하는 업무를 AI에게 완전히 넘겨주어야 했습니다. 인간의 인지 노동은 막대한 생물학적 에너지를 소모하는 고비용 구조인 반면, AI의 한계 비용은 0에 수렴하기 때문입니다. 이 경제적 격차는 인간이 '주체'에서 '비효율적 비용'으로 전락할 수 있다는 구조적 위기감을 줍니다.
5. 인간은 '말'이 아니라 '진화의 주체'다
그러나 인간에게는 말과 다른 결정적인 차이가 있습니다. 말은 진화의 객체였지만, 인간은 진화의 주체입니다. 인간은 도구를 신체의 일부로 확장하는 인지적 유연성(Plasticity)을 가진 '개방된 시스템'입니다. 안경, 스마트폰, 언어가 이미 우리 지능의 확장인 것처럼, AI 또한 인간의 새로운 확장 도구가 될 수 있습니다.
6. 병목(Bottleneck)의 해결과 새로운 불평등
문제는 '대역폭'입니다. AI의 연산은 빛의 속도지만, 인간의 입출력(타자, 음성)은 초당 몇 비트에 불과합니다. 이 I/O 병목(Input/Output Bottleneck)이 통합의 최대 걸림돌입니다. 뉴럴링크(Neuralink)와 같이 인간의 대역폭을 획기적으로 늘려주는 기술들이 등장한다면, 이는 인간이 새로운 도구와 결합하여 진화하는 다음 단계가 될 것입니다.
다만, 말은 모두 평등하게 도태되었지만 인간의 미래는 다를 수 있습니다. 경제력에 따라 기술 접근권이 나뉜다면, 업그레이드된 인간(Homo Deus)과 자연 상태의 인간(Homo Sapiens) 간의 격차는 종의 분화 수준으로 벌어질지 모릅니다. 결국 미래의 갈등은 "기술적으로 가능한가?(Can we?)"가 아니라, "누가 그 혜택을 누리는가?(Who gets to?)"라는 사회적 분배의 문제가 될 것입니다.
https://x.com/andy_l_jones/status/1998060552565002721
기술의 발전은 겉보기에 선형적(Steady)입니다. 엔진의 마력이나 체스 엔진의 Elo 점수는 매년 꾸준히 우상향합니다. 하지만 시장이 느끼는 '유용성(Utility)'과 '대체(Equivalence)'는 이진법(Binary)으로 작동합니다. 기술이 특정 작업의 최소 요구치(Threshold)를 넘지 못할 때 그 가치는 '0'이지만, 임계점을 넘는 순간 '1(완전 대체)'로 돌변하기 때문입니다.
2. 말(Horse)과 체스(Chess): 도구와 지능의 대체
증기기관의 성능이 말을 앞지르자, 수천 년간 지속된 말의 효용 가치는 순식간에 붕괴했습니다. 말은 '도구'였고 인간은 '주인'이었기에, 더 효율적인 도구가 등장하자 기존 도구는 폐기되었습니다.
체스 또한 마찬가지입니다. 컴퓨터 체스 실력은 40년간 매년 50점씩 일정하게 올랐습니다. 그러나 인간의 한계선을 돌파하는 짧은 교차 구간(Crossover Window)을 지나자, 인간은 '지배자'에서 '패배자'로 전락했습니다. 2000년에는 인간이 컴퓨터를 연습 상대로 여겼지만, 불과 10년 뒤에는 넘을 수 없는 벽이 되었습니다. 이는 인간 고유의 영역이라 믿었던 '지적 판단(Decision Making)'조차 기계에 잠식될 수 있음을 보여줍니다.
3. 왜 일자리는 사라지고 체스는 살아남았나?
흥미로운 점은 AI가 체스를 정복했음에도 체스 시장은 역사상 가장 커졌다는 사실입니다. 이는 체스가 결과가 아닌 '과정(Process)의 즐거움'을 소비하는 엔터테인먼트이기 때문입니다.
반면, 우리가 종사하는 코딩, 번역, 데이터 분석 등의 일자리는 '결과(Result)'를 납품하는 경제 활동입니다. 당신의 직업이 '결과'를 파는 것이라면 말처럼 대체될 것이고, 인간 고유의 '행위 그 자체'가 상품(스포츠, 예술 등)이라면 체스처럼 살아남을 것입니다.
4. 켄타우로스(Centaur)의 붕괴와 경제적 필연성
한때 인간과 AI가 협력하는 '켄타우로스' 모델이 최강이었던 시기가 있었습니다. 하지만 이제 순수 AI 엔진이 인간+AI 팀을 압도합니다. 인간의 개입이 오히려 '노이즈'가 되어버린 것입니다. 현재 우리는 업무에서 AI를 코파일럿(Co-pilot)으로 쓰며 효율적이라 믿지만, 이 역시 켄타우로스 단계와 같은 과도기일 수 있습니다.
실제로 Anthropic의 저자는 신규 입사자의 질문에 답변하는 업무를 AI에게 완전히 넘겨주어야 했습니다. 인간의 인지 노동은 막대한 생물학적 에너지를 소모하는 고비용 구조인 반면, AI의 한계 비용은 0에 수렴하기 때문입니다. 이 경제적 격차는 인간이 '주체'에서 '비효율적 비용'으로 전락할 수 있다는 구조적 위기감을 줍니다.
5. 인간은 '말'이 아니라 '진화의 주체'다
그러나 인간에게는 말과 다른 결정적인 차이가 있습니다. 말은 진화의 객체였지만, 인간은 진화의 주체입니다. 인간은 도구를 신체의 일부로 확장하는 인지적 유연성(Plasticity)을 가진 '개방된 시스템'입니다. 안경, 스마트폰, 언어가 이미 우리 지능의 확장인 것처럼, AI 또한 인간의 새로운 확장 도구가 될 수 있습니다.
6. 병목(Bottleneck)의 해결과 새로운 불평등
문제는 '대역폭'입니다. AI의 연산은 빛의 속도지만, 인간의 입출력(타자, 음성)은 초당 몇 비트에 불과합니다. 이 I/O 병목(Input/Output Bottleneck)이 통합의 최대 걸림돌입니다. 뉴럴링크(Neuralink)와 같이 인간의 대역폭을 획기적으로 늘려주는 기술들이 등장한다면, 이는 인간이 새로운 도구와 결합하여 진화하는 다음 단계가 될 것입니다.
다만, 말은 모두 평등하게 도태되었지만 인간의 미래는 다를 수 있습니다. 경제력에 따라 기술 접근권이 나뉜다면, 업그레이드된 인간(Homo Deus)과 자연 상태의 인간(Homo Sapiens) 간의 격차는 종의 분화 수준으로 벌어질지 모릅니다. 결국 미래의 갈등은 "기술적으로 가능한가?(Can we?)"가 아니라, "누가 그 혜택을 누리는가?(Who gets to?)"라는 사회적 분배의 문제가 될 것입니다.
https://x.com/andy_l_jones/status/1998060552565002721
X (formerly Twitter)
andy jones (@andy_l_jones) on X
So after all these hours talking about AI, in these last five minutes I am going to talk about:
Horses.
Engines, steam engines, were invented in 1700.
And what followed was 200 years of steady improvement, with engines getting 20% better a decade.
For…
Horses.
Engines, steam engines, were invented in 1700.
And what followed was 200 years of steady improvement, with engines getting 20% better a decade.
For…
❤6
AI 세상에서는 끊임없이 새로운 것들이 쏟아져 나옵니다. 저는 이 분야에 매우 관심이 많지만 따라가기가 정말 어렵더군요. 당신과 당신 팀은 이렇게 빈번하게 일어나는 업데이트를 어떻게 처리하고 소화합니까?
첫 번째 원칙은 **무조건 직접 써봐야 한다**는 겁니다. 정말 많은 유명하고 저명한 투자자들이 AI에 대해 아주 확정적인 결론을 내리는데, 알고 보면 '무료 버전(Free tier)'만 써보고 하는 소리일 때가 많아 놀랍습니다.
두 번째는, 예전에 OpenAI 내부자 포스팅에서도 언급됐듯이, OpenAI조차 상당 부분 '트위터(X)의 분위기(Vibes)'에 따라 돌아간다는 겁니다. 저는 AI의 모든 일은 X에서 일어난다고 생각합니다.
지구상에 이 분야를 정말 깊이 이해하고 최첨단에 있는 사람이 500명에서 1,000명 정도 되는데, 그중 상당수가 중국에 살고 있기도 합니다. 그냥 그 사람들을 팔로우해야 합니다. 저에게 있어 AI의 모든 것은 그 사람들의 하류(downstream)에 있습니다. 엄청난 신호들이 그곳에 있죠.
Q: 안드레 카파시(Andrej Karpathy)가 쓰는 글은 다 읽어야겠죠?
A: 네, 안드레 카파시가 쓰는 모든 글은 최소 세 번은 읽어야 합니다. 그는 정말 대단하죠. 그리고 중요한 4개 랩(OpenAI, Google Gemini, Anthropic, xAI)의 관계자가 팟캐스트에 나오면 무조건 듣는 게 중요합니다.
그리고 저에게 있어 AI의 가장 좋은 활용 사례 중 하나는 이 모든 정보를 따라잡는 것입니다. 팟캐스트를 듣다가 흥미로운 부분이 있으면 AI와 그것에 대해 이야기하는 거죠. 마찰(friction)을 줄이는 게 중요한데, 저는 버튼 하나만 누르면 Grok이 뜨게 해 놨습니다.
Q: 추론 모델 덕분에 발전이 계속됐다는 건 구체적으로 어떤 의미인가요?
1. 사후 학습(Post-training) 단계에서의 검증 가능한 보상을 통한 강화 학습(RLVR).
2. 테스트 타임 컴퓨트(Test-time compute, 추론 시 연산 시간을 늘리는 것).
카파시가 말했듯 소프트웨어는 명세할 수 있는 모든 것을 자동화하지만, AI는 검증할 수 있는(Verify) 모든 것을 자동화합니다. 이 두 가지 새로운 법칙 덕분에 2024년 10월 이후 엄청난 발전이 있었던 겁니다.
Q: 저비용 생산자가 되는 게 왜 중요한가요?
A: 제 기술 투자 경력상 처음으로 '저비용 생산자'가 되는 게 중요한 시점입니다. 애플이나 마이크로소프트, 엔비디아가 시총 1위인 이유는 저비용 생산자여서가 아닙니다. 하지만 AI에서는 구글이 저비용 생산자로서 AI 생태계의 **'경제적 산소'를 빨아들이는 전략**을 쓰고 있습니다. 경쟁자들을 힘들게 만드는 매우 합리적인 전략이죠.
하지만 2026년 초가 되면 상황이 바뀝니다. 첫 번째 Blackwell 기반 모델이 나올 겁니다. 아마 xAI가 최초일 겁니다. 젠슨 황도 말했듯이 일론 머스크보다 데이터 센터를 빨리 짓는 사람은 없으니까요. xAI가 엔비디아를 위해 대규모로 Blackwell을 깔고 버그를 잡아주면, 그다음엔 GB300 칩이 나옵니다. GB300은 기존 랙에 그대로 끼울 수 있는(Drop-in compatible) 칩입니다.
GB300을 쓰는 기업들이 이제 저비용 생산자가 될 겁니다. 구글의 비용 우위가 사라지는 거죠.
Q: 구글의 전략적 계산이 바뀌겠군요?
A: 네, 구글이 압도적인 비용 우위가 있다면 검색 사업 등으로 돈을 벌면서 AI 사업을 마진 -30%로 운영해서 경쟁자들을 말려 죽이는 게 합리적입니다. 하지만 구글이 더 이상 저비용 생산자가 아니게 되면, 그 전략은 매우 고통스러워집니다. 구글 주가에도 영향을 줄 수 있고요. AI의 경제학에 심오한 변화가 오는 시점입니다.
Q: 구글 TPU가 계속 발전해서 엔비디아를 따라잡을 순 없나요?
A: 구글은 TPU 설계(프런트엔드)는 직접 하지만, 제작(백엔드)과 TSMC 관리는 브로드컴(Broadcom)에 맡깁니다. 브로드컴은 여기서 50~55% 마진을 챙기죠. 구글이 300억 달러를 쓰면 150억 달러를 브로드컴에 주는 셈입니다. 애플처럼 모든 걸 내재화하면 이 돈을 아낄 수 있습니다. 구글도 이걸 알고 미디어텍(MediaTek)을 끌어들이며 브로드컴을 견제하고 있습니다.
하지만 엔비디아와 AMD가 매년 신제품을 내놓으며 가속하고 있기 때문에, 자체 칩(ASIC)으로 이를 따라잡기는 점점 더 어려워지고 있습니다. 칩만 만드는 게 아니라 네트워킹, 소프트웨어 등 모든 게 얽혀 있으니까요. 아마존의 자체 칩 팀이 가장 훌륭하긴 하지만, 저는 Tranium(아마존 칩)과 TPU 외에 다른 자체 칩들이 크게 성공할지 의문입니다. 결국 경제성의 논리에 따라 자체 칩들도 엔비디아 GPU와 섞어 쓰거나 대체될 수밖에 없을 겁니다.
Q: 너무 디테일에 빠진 것 같으니 좀 크게 봐서(Zoom out), 이 모든 인프라 전쟁의 결과로 인류가 얻는 이득은 무엇입니까? 다음 단계의 '잠금 해제'는 무엇인가요?
A: Blackwell 모델들이 나오면 토큰당 비용이 급격히 줄어들고, 모델들이 훨씬 더 오랫동안 '생각'할 수 있게 됩니다. Gemini 3가 제 식당 예약을 대신해줬는데 꽤 인상적이었습니다. 식당 예약을 할 수 있다면 호텔, 비행기, 우버까지 예약해서 제 비서가 될 날이 머지않았습니다.
하지만 더 중요한 건 기업의 핵심 기능인 '판매(Sales)'와 '고객 지원(Support)'입니다. AI는 설득에 능합니다. 그리고 무엇보다 '검증 가능한(Verified)' 영역에서 엄청난 능력을 발휘할 겁니다.
Q: 검증 가능한 영역이란 어떤 건가요?
A: 회계장부가 맞는지 틀린 지(회계), 코딩이 돌아가는지 안 돌아가는지, 고객이 물건을 샀는지 안 샀는지 같은 겁니다. 정답이나 결과가 명확한 분야는 강화 학습을 통해 AI를 엄청나게 똑똑하게 만들 수 있습니다.
2026년쯤 되면 AI가 기업의 핵심 기능들을 수행하고, 로봇 공학(테슬라 옵티머스 등)이 현실화되며, 미디어 제작에도 큰 영향을 줄 겁니다.
Q: 가장 큰 리스크(Bear Case), 즉 찬물을 끼얹는 시나리오는 무엇인가요?
A: 가장 명백한 베어 케이스는 **'에지 AI(Edge AI)'**입니다. 3년 뒤, 조금 더 크고 배터리가 덜 가는 스마트폰에서 Gemini 5나 GPT-4 수준의 모델이 무료로 돌아간다면 어떨까요? 애플의 전략이 바로 이겁니다. "우리는 AI 배포자가 되겠다. 프라이버시를 지키며 폰에서 돌리고, 정말 어려운 것만 클라우드 신(God) 모델에게 물어보라."
만약 폰에서 무료로 꽤 괜찮은 지능(IQ 115 수준)을 초당 60 토큰 속도로 쓸 수 있다면, 굳이 비싼 클라우드 AI를 쓸 필요가 없어질 수도 있습니다. 이게 확장 법칙 둔화 외에 가장 무서운 시나리오입니다.
이제는 '지능의 향상'에서 **'유용성(Usefulness)의 향상'**으로 넘어가야 할 때입니다. 모델이 더 많은 문맥(Context)을 기억하고, 내 모든 슬랙 메시지와 이메일, 회사 매뉴얼을 기억해서 새로운 업무를 처리할 수 있어야 합니다.
Q: 중국 상황은 어떤가요?
A: 중국이 희토류 수출 통제로 미국을 압박하려 한 건 큰 실수였습니다. 엔비디아의 Blackwell 칩이 나오면서 미국 모델과 중국 모델(오픈소스 포함) 간의 성능 격차가 크게 벌어질 겁니다. 중국 모델인 DeepSeek도 논문에서 "컴퓨팅 파워 부족으로 경쟁하기 힘들다"라고 우회적으로 인정했죠. 중국이 Blackwell을 구하지 못하면 격차는 더 벌어질 것이고, 희토류 문제는 미국이 기술적/지정학적으로 해결책을 찾을 겁니다.
첫 번째 원칙은 **무조건 직접 써봐야 한다**는 겁니다. 정말 많은 유명하고 저명한 투자자들이 AI에 대해 아주 확정적인 결론을 내리는데, 알고 보면 '무료 버전(Free tier)'만 써보고 하는 소리일 때가 많아 놀랍습니다.
두 번째는, 예전에 OpenAI 내부자 포스팅에서도 언급됐듯이, OpenAI조차 상당 부분 '트위터(X)의 분위기(Vibes)'에 따라 돌아간다는 겁니다. 저는 AI의 모든 일은 X에서 일어난다고 생각합니다.
지구상에 이 분야를 정말 깊이 이해하고 최첨단에 있는 사람이 500명에서 1,000명 정도 되는데, 그중 상당수가 중국에 살고 있기도 합니다. 그냥 그 사람들을 팔로우해야 합니다. 저에게 있어 AI의 모든 것은 그 사람들의 하류(downstream)에 있습니다. 엄청난 신호들이 그곳에 있죠.
Q: 안드레 카파시(Andrej Karpathy)가 쓰는 글은 다 읽어야겠죠?
A: 네, 안드레 카파시가 쓰는 모든 글은 최소 세 번은 읽어야 합니다. 그는 정말 대단하죠. 그리고 중요한 4개 랩(OpenAI, Google Gemini, Anthropic, xAI)의 관계자가 팟캐스트에 나오면 무조건 듣는 게 중요합니다.
그리고 저에게 있어 AI의 가장 좋은 활용 사례 중 하나는 이 모든 정보를 따라잡는 것입니다. 팟캐스트를 듣다가 흥미로운 부분이 있으면 AI와 그것에 대해 이야기하는 거죠. 마찰(friction)을 줄이는 게 중요한데, 저는 버튼 하나만 누르면 Grok이 뜨게 해 놨습니다.
Q: 추론 모델 덕분에 발전이 계속됐다는 건 구체적으로 어떤 의미인가요?
1. 사후 학습(Post-training) 단계에서의 검증 가능한 보상을 통한 강화 학습(RLVR).
2. 테스트 타임 컴퓨트(Test-time compute, 추론 시 연산 시간을 늘리는 것).
카파시가 말했듯 소프트웨어는 명세할 수 있는 모든 것을 자동화하지만, AI는 검증할 수 있는(Verify) 모든 것을 자동화합니다. 이 두 가지 새로운 법칙 덕분에 2024년 10월 이후 엄청난 발전이 있었던 겁니다.
Q: 저비용 생산자가 되는 게 왜 중요한가요?
A: 제 기술 투자 경력상 처음으로 '저비용 생산자'가 되는 게 중요한 시점입니다. 애플이나 마이크로소프트, 엔비디아가 시총 1위인 이유는 저비용 생산자여서가 아닙니다. 하지만 AI에서는 구글이 저비용 생산자로서 AI 생태계의 **'경제적 산소'를 빨아들이는 전략**을 쓰고 있습니다. 경쟁자들을 힘들게 만드는 매우 합리적인 전략이죠.
하지만 2026년 초가 되면 상황이 바뀝니다. 첫 번째 Blackwell 기반 모델이 나올 겁니다. 아마 xAI가 최초일 겁니다. 젠슨 황도 말했듯이 일론 머스크보다 데이터 센터를 빨리 짓는 사람은 없으니까요. xAI가 엔비디아를 위해 대규모로 Blackwell을 깔고 버그를 잡아주면, 그다음엔 GB300 칩이 나옵니다. GB300은 기존 랙에 그대로 끼울 수 있는(Drop-in compatible) 칩입니다.
GB300을 쓰는 기업들이 이제 저비용 생산자가 될 겁니다. 구글의 비용 우위가 사라지는 거죠.
Q: 구글의 전략적 계산이 바뀌겠군요?
A: 네, 구글이 압도적인 비용 우위가 있다면 검색 사업 등으로 돈을 벌면서 AI 사업을 마진 -30%로 운영해서 경쟁자들을 말려 죽이는 게 합리적입니다. 하지만 구글이 더 이상 저비용 생산자가 아니게 되면, 그 전략은 매우 고통스러워집니다. 구글 주가에도 영향을 줄 수 있고요. AI의 경제학에 심오한 변화가 오는 시점입니다.
Q: 구글 TPU가 계속 발전해서 엔비디아를 따라잡을 순 없나요?
A: 구글은 TPU 설계(프런트엔드)는 직접 하지만, 제작(백엔드)과 TSMC 관리는 브로드컴(Broadcom)에 맡깁니다. 브로드컴은 여기서 50~55% 마진을 챙기죠. 구글이 300억 달러를 쓰면 150억 달러를 브로드컴에 주는 셈입니다. 애플처럼 모든 걸 내재화하면 이 돈을 아낄 수 있습니다. 구글도 이걸 알고 미디어텍(MediaTek)을 끌어들이며 브로드컴을 견제하고 있습니다.
하지만 엔비디아와 AMD가 매년 신제품을 내놓으며 가속하고 있기 때문에, 자체 칩(ASIC)으로 이를 따라잡기는 점점 더 어려워지고 있습니다. 칩만 만드는 게 아니라 네트워킹, 소프트웨어 등 모든 게 얽혀 있으니까요. 아마존의 자체 칩 팀이 가장 훌륭하긴 하지만, 저는 Tranium(아마존 칩)과 TPU 외에 다른 자체 칩들이 크게 성공할지 의문입니다. 결국 경제성의 논리에 따라 자체 칩들도 엔비디아 GPU와 섞어 쓰거나 대체될 수밖에 없을 겁니다.
Q: 너무 디테일에 빠진 것 같으니 좀 크게 봐서(Zoom out), 이 모든 인프라 전쟁의 결과로 인류가 얻는 이득은 무엇입니까? 다음 단계의 '잠금 해제'는 무엇인가요?
A: Blackwell 모델들이 나오면 토큰당 비용이 급격히 줄어들고, 모델들이 훨씬 더 오랫동안 '생각'할 수 있게 됩니다. Gemini 3가 제 식당 예약을 대신해줬는데 꽤 인상적이었습니다. 식당 예약을 할 수 있다면 호텔, 비행기, 우버까지 예약해서 제 비서가 될 날이 머지않았습니다.
하지만 더 중요한 건 기업의 핵심 기능인 '판매(Sales)'와 '고객 지원(Support)'입니다. AI는 설득에 능합니다. 그리고 무엇보다 '검증 가능한(Verified)' 영역에서 엄청난 능력을 발휘할 겁니다.
Q: 검증 가능한 영역이란 어떤 건가요?
A: 회계장부가 맞는지 틀린 지(회계), 코딩이 돌아가는지 안 돌아가는지, 고객이 물건을 샀는지 안 샀는지 같은 겁니다. 정답이나 결과가 명확한 분야는 강화 학습을 통해 AI를 엄청나게 똑똑하게 만들 수 있습니다.
2026년쯤 되면 AI가 기업의 핵심 기능들을 수행하고, 로봇 공학(테슬라 옵티머스 등)이 현실화되며, 미디어 제작에도 큰 영향을 줄 겁니다.
Q: 가장 큰 리스크(Bear Case), 즉 찬물을 끼얹는 시나리오는 무엇인가요?
A: 가장 명백한 베어 케이스는 **'에지 AI(Edge AI)'**입니다. 3년 뒤, 조금 더 크고 배터리가 덜 가는 스마트폰에서 Gemini 5나 GPT-4 수준의 모델이 무료로 돌아간다면 어떨까요? 애플의 전략이 바로 이겁니다. "우리는 AI 배포자가 되겠다. 프라이버시를 지키며 폰에서 돌리고, 정말 어려운 것만 클라우드 신(God) 모델에게 물어보라."
만약 폰에서 무료로 꽤 괜찮은 지능(IQ 115 수준)을 초당 60 토큰 속도로 쓸 수 있다면, 굳이 비싼 클라우드 AI를 쓸 필요가 없어질 수도 있습니다. 이게 확장 법칙 둔화 외에 가장 무서운 시나리오입니다.
이제는 '지능의 향상'에서 **'유용성(Usefulness)의 향상'**으로 넘어가야 할 때입니다. 모델이 더 많은 문맥(Context)을 기억하고, 내 모든 슬랙 메시지와 이메일, 회사 매뉴얼을 기억해서 새로운 업무를 처리할 수 있어야 합니다.
Q: 중국 상황은 어떤가요?
A: 중국이 희토류 수출 통제로 미국을 압박하려 한 건 큰 실수였습니다. 엔비디아의 Blackwell 칩이 나오면서 미국 모델과 중국 모델(오픈소스 포함) 간의 성능 격차가 크게 벌어질 겁니다. 중국 모델인 DeepSeek도 논문에서 "컴퓨팅 파워 부족으로 경쟁하기 힘들다"라고 우회적으로 인정했죠. 중국이 Blackwell을 구하지 못하면 격차는 더 벌어질 것이고, 희토류 문제는 미국이 기술적/지정학적으로 해결책을 찾을 겁니다.
👍4
Q: 칩 이야기 말고, 데이터 센터와 관련해 당신이 생각하는 '미친(Crazy)' 아이디어나 다른 혁신은 무엇인가요?
A: 향후 3~4년 내에 '우주 데이터 센터(Data Centers in Space)'가 가장 중요한 화두가 될 겁니다. 제1원칙(First Principles)으로 생각하면 데이터 센터는 무조건 우주에 있어야 합니다.
1. 전력: 우주에서는 24시간 태양광 발전이 가능합니다. 대기가 없어 태양광 효율이 지상보다 30% 높고, 전체적으로 6배 더 많은 에너지를 얻을 수 있습니다. 밤이 없으니 배터리도 필요 없죠. 가장 저렴한 에너지입니다.
2. 냉각: 데이터 센터 비용과 무게의 대부분은 냉각 시스템입니다. 우주의 그늘진 곳은 절대온도에 가깝습니다. 라디에이터만 달면 냉각이 공짜입니다.
3. 통신 속도: 지상의 광섬유 케이블보다 진공 상태에서 레이저를 쏘는 게 더 빠릅니다. 위성 간 레이저 통신(Laser link)을 하면 지상 데이터 센터보다 연결 속도가 더 빠르고, 스타링크처럼 사용자 폰에 직접 연결하면 지상의 복잡한 네트워크 단계를 거칠 필요도 없어집니다.
유일한 장벽은 발사 비용인데, 스페이스 X의 스타십(Starship)이 이를 해결해 줄 겁니다. 일론 머스크가 테슬라, 스페이스 X, XAI를 융합하려는 이유가 여기에도 있습니다.
Q: 역사적으로 공급 부족 뒤에는 항상 과잉 공급(Glut)이 왔습니다. 지금의 컴퓨팅 부족 현상도 결국 과잉 공급으로 끝나지 않을까요?
A: AI는 소프트웨어와 달리 사용할 때마다 연산(Compute)을 소모합니다. 수요는 엄청납니다. 하지만 과잉 공급을 막아주는 자연적인 제동 장치(Governor)가 두 가지 있습니다.
첫째는 **TSMC**입니다. 그들은 과거의 경험 때문에 과잉 투자를 극도로 경계하며 보수적으로 증설하고 있습니다.
둘째는 전력(Power)입니다. 전력을 구하기가 너무 어렵습니다.
이 두 가지 제약 때문에 공급이 수요를 폭발적으로 초과하기는 어렵습니다. 오히려 전력 제약은 최고의 효율을 내는 칩(엔비디아 등)에게는 호재입니다. 전력이 제한되면 와트당 성능이 가장 좋은 칩을 써야 하니까요. 전력 문제는 결국 천연가스와 태양광으로 해결될 겁니다. 원자력은 너무 오래 걸립니다.
Q: 반도체 벤처(VC) 시장은 어떤가요?
A: 엔비디아의 성공 덕분에 반도체 VC 붐이 다시 일어났습니다. 과거에는 50대 엔지니어가 창업하는 지루한 분야였지만, 이제는 수많은 부품(케이블, 광학 등)을 만드는 스타트업들이 생겨나고 있습니다. 엔비디아 혼자 모든 걸 할 수 없기에 이런 생태계의 부활은 필수적입니다.
SaaS 기업의 위기
Q: 기존 소프트웨어(SaaS) 기업들은 AI 시대에 어떻게 대응해야 하나요?
A: 많은 SaaS 기업들이 과거 오프라인 소매업체들이 아마존(e커머스)을 무시했던 것과 똑같은 실수를 저지르고 있습니다. 그들은 **80~90%에 달하는 높은 마진율을 지키려다 AI 도입을 주저**하고 있습니다. AI는 연산 비용 때문에 마진율이 30~40%대로 낮을 수밖에 없습니다.
하지만 AI 네이티브 스타트업들은 낮은 마진을 감수하고 치고 들어옵니다. Salesforce나 ServiceNow 같은 기업들은 지금 당장 마진율 하락을 감수하더라도 적극적으로 'AI 에이전트'를 도입해야 합니다. "불타는 플랫폼(Burning platform)"에서 뛰어내려야 살 수 있습니다. 지금은 생사가 걸린 결정을 내려야 할 때입니다.
Q: 마지막으로 이기적인 질문 하나 할게요. 제 아들이 제가 하는 일에 관심을 보이기 시작했는데요. 당신은 어떻게 이토록 열정적인 투자자가 되었나요? 젊은 친구들에게 이 직업을 어떻게 소개하시겠습니까?
A: 저는 투자가 어느 정도는 '진실을 찾는 과정(Search for truth)'이라고 믿습니다. 남들이 아직 보지 못한 진실을 먼저 찾아서 맞추면 알파(초과 수익)를 얻는 거죠.
저는 어릴 때 역사를 좋아했습니다. 2학년 때 아빠 차를 타고 등교하며 2차 대전 역사를 다 훑었죠. 그러다 보니 현재의 사건(Current events)에 관심이 생겼고, 신문과 잡지를 탐독했습니다.
대학 때는 공부보다 암벽 등반에 미쳐 있었습니다. 스키장에서 청소부로 일하고, 여름엔 강 가이드, 숄더 시즌엔 등반을 하며 야생 동물 사진가나 소설가가 되는 게 꿈이었죠. 스키장에서 화장실 청소를 하며 사람들이 저를 투명 인간 취급하는 걸 보고 충격을 받기도 했습니다.
부모님의 간곡한 부탁으로 딱 한 번 금융사(Donaldson, Lufkin & Jenrette)에서 인턴을 하게 됐는데, 거기서 리서치 보고서를 읽고 완전히 매료되었습니다.
투자는 '역사에 대한 지식'과 '현재 사건에 대한 이해'를 결합해 '미래를 예측하는 게임'이었습니다. 기술과 운이 결합된, 제가 본 가장 흥미로운 게임이었죠. 저는 스포츠나 체스, 포커는 잘하지 못했지만, 주식 시장이라는 패리뮤추얼(Pari-mutuel) 베팅 시스템에서 어떤 주식이 잘못 가격 매겨졌는지 찾아내는 데에는 경쟁력이 있다는 걸 깨달았습니다. 저는 경쟁심이 강한데, 유일하게 잘할 수 있었던 게 바로 투자였습니다. 그래서 지금까지도 이것에만 매달리고 있습니다.
https://youtu.be/cmUo4841KQw
A: 향후 3~4년 내에 '우주 데이터 센터(Data Centers in Space)'가 가장 중요한 화두가 될 겁니다. 제1원칙(First Principles)으로 생각하면 데이터 센터는 무조건 우주에 있어야 합니다.
1. 전력: 우주에서는 24시간 태양광 발전이 가능합니다. 대기가 없어 태양광 효율이 지상보다 30% 높고, 전체적으로 6배 더 많은 에너지를 얻을 수 있습니다. 밤이 없으니 배터리도 필요 없죠. 가장 저렴한 에너지입니다.
2. 냉각: 데이터 센터 비용과 무게의 대부분은 냉각 시스템입니다. 우주의 그늘진 곳은 절대온도에 가깝습니다. 라디에이터만 달면 냉각이 공짜입니다.
3. 통신 속도: 지상의 광섬유 케이블보다 진공 상태에서 레이저를 쏘는 게 더 빠릅니다. 위성 간 레이저 통신(Laser link)을 하면 지상 데이터 센터보다 연결 속도가 더 빠르고, 스타링크처럼 사용자 폰에 직접 연결하면 지상의 복잡한 네트워크 단계를 거칠 필요도 없어집니다.
유일한 장벽은 발사 비용인데, 스페이스 X의 스타십(Starship)이 이를 해결해 줄 겁니다. 일론 머스크가 테슬라, 스페이스 X, XAI를 융합하려는 이유가 여기에도 있습니다.
Q: 역사적으로 공급 부족 뒤에는 항상 과잉 공급(Glut)이 왔습니다. 지금의 컴퓨팅 부족 현상도 결국 과잉 공급으로 끝나지 않을까요?
A: AI는 소프트웨어와 달리 사용할 때마다 연산(Compute)을 소모합니다. 수요는 엄청납니다. 하지만 과잉 공급을 막아주는 자연적인 제동 장치(Governor)가 두 가지 있습니다.
첫째는 **TSMC**입니다. 그들은 과거의 경험 때문에 과잉 투자를 극도로 경계하며 보수적으로 증설하고 있습니다.
둘째는 전력(Power)입니다. 전력을 구하기가 너무 어렵습니다.
이 두 가지 제약 때문에 공급이 수요를 폭발적으로 초과하기는 어렵습니다. 오히려 전력 제약은 최고의 효율을 내는 칩(엔비디아 등)에게는 호재입니다. 전력이 제한되면 와트당 성능이 가장 좋은 칩을 써야 하니까요. 전력 문제는 결국 천연가스와 태양광으로 해결될 겁니다. 원자력은 너무 오래 걸립니다.
Q: 반도체 벤처(VC) 시장은 어떤가요?
A: 엔비디아의 성공 덕분에 반도체 VC 붐이 다시 일어났습니다. 과거에는 50대 엔지니어가 창업하는 지루한 분야였지만, 이제는 수많은 부품(케이블, 광학 등)을 만드는 스타트업들이 생겨나고 있습니다. 엔비디아 혼자 모든 걸 할 수 없기에 이런 생태계의 부활은 필수적입니다.
SaaS 기업의 위기
Q: 기존 소프트웨어(SaaS) 기업들은 AI 시대에 어떻게 대응해야 하나요?
A: 많은 SaaS 기업들이 과거 오프라인 소매업체들이 아마존(e커머스)을 무시했던 것과 똑같은 실수를 저지르고 있습니다. 그들은 **80~90%에 달하는 높은 마진율을 지키려다 AI 도입을 주저**하고 있습니다. AI는 연산 비용 때문에 마진율이 30~40%대로 낮을 수밖에 없습니다.
하지만 AI 네이티브 스타트업들은 낮은 마진을 감수하고 치고 들어옵니다. Salesforce나 ServiceNow 같은 기업들은 지금 당장 마진율 하락을 감수하더라도 적극적으로 'AI 에이전트'를 도입해야 합니다. "불타는 플랫폼(Burning platform)"에서 뛰어내려야 살 수 있습니다. 지금은 생사가 걸린 결정을 내려야 할 때입니다.
Q: 마지막으로 이기적인 질문 하나 할게요. 제 아들이 제가 하는 일에 관심을 보이기 시작했는데요. 당신은 어떻게 이토록 열정적인 투자자가 되었나요? 젊은 친구들에게 이 직업을 어떻게 소개하시겠습니까?
A: 저는 투자가 어느 정도는 '진실을 찾는 과정(Search for truth)'이라고 믿습니다. 남들이 아직 보지 못한 진실을 먼저 찾아서 맞추면 알파(초과 수익)를 얻는 거죠.
저는 어릴 때 역사를 좋아했습니다. 2학년 때 아빠 차를 타고 등교하며 2차 대전 역사를 다 훑었죠. 그러다 보니 현재의 사건(Current events)에 관심이 생겼고, 신문과 잡지를 탐독했습니다.
대학 때는 공부보다 암벽 등반에 미쳐 있었습니다. 스키장에서 청소부로 일하고, 여름엔 강 가이드, 숄더 시즌엔 등반을 하며 야생 동물 사진가나 소설가가 되는 게 꿈이었죠. 스키장에서 화장실 청소를 하며 사람들이 저를 투명 인간 취급하는 걸 보고 충격을 받기도 했습니다.
부모님의 간곡한 부탁으로 딱 한 번 금융사(Donaldson, Lufkin & Jenrette)에서 인턴을 하게 됐는데, 거기서 리서치 보고서를 읽고 완전히 매료되었습니다.
투자는 '역사에 대한 지식'과 '현재 사건에 대한 이해'를 결합해 '미래를 예측하는 게임'이었습니다. 기술과 운이 결합된, 제가 본 가장 흥미로운 게임이었죠. 저는 스포츠나 체스, 포커는 잘하지 못했지만, 주식 시장이라는 패리뮤추얼(Pari-mutuel) 베팅 시스템에서 어떤 주식이 잘못 가격 매겨졌는지 찾아내는 데에는 경쟁력이 있다는 걸 깨달았습니다. 저는 경쟁심이 강한데, 유일하게 잘할 수 있었던 게 바로 투자였습니다. 그래서 지금까지도 이것에만 매달리고 있습니다.
https://youtu.be/cmUo4841KQw
YouTube
GPUs, TPUs, & The Economics of AI Explained | Gavin Baker Interview
In this episode of Invest Like The Best, Patrick O'Shaughnessy sits down with investor Gavin Baker to explore the rapidly evolving AI landscape. They dive deep into the infrastructure war between Nvidia and Google, discuss the implications of Gemini 3 and…
👍5❤1
2025 LLM 패러다임 변화: '모델 크기'를 넘어 '최적화·제품·평가'의 시대로 Andrej Karpathy
2025년, AI 산업의 중심축은 단순한 "모델 크기 경쟁"에서 벗어나 최적화 압력, 제품의 하네스(Harness), 그리고 실질적인 평가로 이동하고 있습니다.
1. 성능(Capability)의 원천이 바뀌다: Pre-train에서 RLVR로
더 이상 '더 큰 모델'만이 능사가 아닙니다. 2025년의 핵심 성장 동력은 RLVR(검증 가능한 보상 기반 강화학습)을 통한 포스트 트레이닝(Post-training)입니다.
컴퓨팅 자원 배분의 이동: 거대 모델의 사전 학습(Pre-train)보다 장시간의 RLVR 최적화가 성능 향상의 주축이 되었습니다. 프론티어 연구소들이 특정 직무나 업무별로 특화된 '에이전트 체육관(Agent Gym)'을 구축하는 이유가 여기에 있습니다.
새로운 스케일링 레버, 'Thinking Time': 추론 단계에서 더 많은 연산 자원을 투입하는 '테스트 타임 컴퓨트(Test-time compute)'가 성능을 높이는 확실한 방법으로 자리 잡았습니다. 물론 이는 비용 및 응답 지연과의 트레이드오프를 고려해야 합니다.
2. '검증 가능성(Verifiability)'이 모든 것을 규정한다
시스템이 내놓은 결과가 맞는지 틀린지 검증할 수 있는가? 이 질문이 학습, 평가, 제품화를 관통하는 핵심입니다.
자동 검증기와 RLVR의 시너지: 테스트 케이스, 정답 확인, 실행기 등 '자동 검증기'가 존재하는 환경에서 RLVR의 성능은 폭발적으로 증가합니다.
벤치마크의 함정: 대부분의 벤치마크 역시 '검증 가능한 환경'이므로, 모델의 학습 타깃이 되기 쉽습니다(과적합). 따라서 기존 벤치마크 점수의 신뢰도는 하락하고 있습니다.
새로운 평가 기준: 단순 점수보다는 ▲오프라인/온라인 평가 스위트(Eval Suite) ▲데이터 오염 방지 대책 ▲실패 복구 능력 및 가드레일 설계가 더 중요해졌습니다.
3. 제품과 투자의 해자(Moat): 모델이 아닌 '워크플로우'
이제 경쟁력의 핵심은 모델 그 자체가 아니라 검증 가능한 워크플로우, 컨텍스트 엔지니어링, 오케스트레이션(DAG), 그리고 로컬 에이전트 UX에 있습니다.
3.1. 제품 레이어(Harness)가 곧 성능이다
LLM 앱의 새로운 표준: Cursor와 같은 도구들이 보여주듯, 이제 LLM 앱은 단순한 채팅창이 아닙니다. 컨텍스트 엔지니어링 + 다중 호출 오케스트레이션 + GUI + 자율성 조절 슬라이더가 결합된 형태가 성능을 결정짓습니다.
대학생 vs 전문가: LLM 연구소들이 '전반적으로 유능한 대학생' 수준의 모델을 배출하는 추세라면, LLM 앱들은 사설 데이터, 센서, 액추에이터, 피드백 루프를 결합하여 이들을 '특정 산업 분야의 숙련된 전문가 팀'으로 조직화해야 합니다.
3.2. 최적화 압력이 지능의 '형태'를 만든다
인간의 지능이 생존과 사회성이라는 압력 하에 진화했듯, LLM은 텍스트 모방, 코드 해결, 사용자 피드백(Upvote)이라는 상업적 선택압에 의해 진화합니다.
따라서 모델의 능력치가 톱니바퀴처럼 들쑥날쑥한(Jagged) 것은 자연스러운 현상입니다.
전략 포인트: 여러분의 버티컬(Vertical) 시장에서 '모델 교체 비용이 낮아지는 속도'와 '워크플로우 및 데이터 피드백 루프의 누적 가치'를 분리해서 측정해야 합니다.
4. 로컬 환경이 에이전트의 승부처인 이유
클라우드 샌드박스보다 로컬 환경이 에이전트 구동에 더 강력한 설득력을 가집니다.
'진짜' 맥락(Context)은 로컬에만 있다: 깃허브(Repo)에는 없는 커밋 전 변경 사항, 로컬 환경 변수, 빌드 캐시, 시스템 라이브러리 등 '코드가 실제로 돌아가는 환경'은 오직 로컬에만 존재합니다.
피드백 루프의 밀도: 개발은 수정 → 실행 → 오류 확인 → 반복의 연속입니다. 로컬 에이전트(예: Claude Code)는 터미널에 상주하며 이 루프를 끊김 없이 수행하지만, 클라우드 방식은 동기화(Sync) 과정에서 지연과 마찰을 발생시켜 몰입을 방해합니다.
접근 권한(Access)의 우위: 로컬 에이전트는 VPN 내부망, 사내 비공개 문서, 로컬 DB 등 개발자가 접속 가능한 모든 곳에 닿을 수 있습니다. 반면 클라우드 샌드박스는 보안상 격리되어 있어 '반쪽짜리' 도구가 되기 쉽습니다.
통제감(Governance)을 주는 UX: 내 컴퓨터를 건드린다는 위험성은 역설적으로 훌륭한 UX를 낳았습니다. 파일 수정이나 명령어 실행 전 사용자의 승인을 구하는 절차는 사용자에게 "AI를 안전하게 통제하고 있다"는 감각을 제공합니다.
5. 멀티모달과 새로운 인터랙션 (GUI의 부활)
"텍스트로 설명하기"보다 "직접 가리키고 조작하기(Direct Manipulation)"가 훨씬 빠릅니다. 결과물 역시 텍스트가 아닌 슬라이드, 웹앱, 인포그래픽 등 '사람 친화적 표현'으로 진화해야 합니다.
Gemini 2.5 Flash Image 등의 시사점: 자연어로 특정 부분을 정밀 편집하거나, 여러 이미지를 합성하고, 브랜드 톤앤매너를 일관되게 유지하는 기능들이 등장하고 있습니다.
UX의 재구성: 사용자는 더 이상 장문의 프롬프트를 쓰지 않습니다. 대신 레이아웃, 템플릿, 참조 이미지를 던져주고 모델이 이를 기반으로 "디자인 조작"을 수행하는 방식으로 UX가 바뀌고 있습니다.
💡 Food for Thoughts: 전략적 점검 포인트
1. 검증 가능성: 우리 도메인은 결과의 참/거짓을 얼마나 명확하게(테스트, 회계적 일치 등) 검증할 수 있는가?
2. 해자의 위치: 우리의 경쟁 우위는 데이터, 피드백 루프, 시스템 통합, 유통(Distribution) 중 어디에 쌓이고 있는가?
3. 실질적 평가: 벤치마크 점수가 아니라, 실제 고객에게 가치를 주는지 측정하는 Eval 시스템을 갖추고 있는가?
4. 피드백 루프의 가치: 데이터가 쌓일수록 모델이 고도화되는 루프가 작동하는가? 더 똑똑한 모델(대학생)이 나왔을 때, 우리 도메인에 즉시 온보딩시킬 교육 프로그램(데이터 파이프라인)이 준비되어 있는가?
5. 로컬-퍼스트 전략: 레포지토리, 시크릿 키, 툴체인 접근이 가능한 '로컬 우선' 전략이 가능한가? 가능하다면 UX와 성능 혁신의 기회가 있다.
6. 인터페이스의 미래: 멀티모달과 GUI 조작이 본격화될 때, 현재의 텍스트 기반 UX는 어디까지 대체될 것인가?
https://karpathy.bearblog.dev/year-in-review-2025/
2025년, AI 산업의 중심축은 단순한 "모델 크기 경쟁"에서 벗어나 최적화 압력, 제품의 하네스(Harness), 그리고 실질적인 평가로 이동하고 있습니다.
1. 성능(Capability)의 원천이 바뀌다: Pre-train에서 RLVR로
더 이상 '더 큰 모델'만이 능사가 아닙니다. 2025년의 핵심 성장 동력은 RLVR(검증 가능한 보상 기반 강화학습)을 통한 포스트 트레이닝(Post-training)입니다.
컴퓨팅 자원 배분의 이동: 거대 모델의 사전 학습(Pre-train)보다 장시간의 RLVR 최적화가 성능 향상의 주축이 되었습니다. 프론티어 연구소들이 특정 직무나 업무별로 특화된 '에이전트 체육관(Agent Gym)'을 구축하는 이유가 여기에 있습니다.
새로운 스케일링 레버, 'Thinking Time': 추론 단계에서 더 많은 연산 자원을 투입하는 '테스트 타임 컴퓨트(Test-time compute)'가 성능을 높이는 확실한 방법으로 자리 잡았습니다. 물론 이는 비용 및 응답 지연과의 트레이드오프를 고려해야 합니다.
2. '검증 가능성(Verifiability)'이 모든 것을 규정한다
시스템이 내놓은 결과가 맞는지 틀린지 검증할 수 있는가? 이 질문이 학습, 평가, 제품화를 관통하는 핵심입니다.
자동 검증기와 RLVR의 시너지: 테스트 케이스, 정답 확인, 실행기 등 '자동 검증기'가 존재하는 환경에서 RLVR의 성능은 폭발적으로 증가합니다.
벤치마크의 함정: 대부분의 벤치마크 역시 '검증 가능한 환경'이므로, 모델의 학습 타깃이 되기 쉽습니다(과적합). 따라서 기존 벤치마크 점수의 신뢰도는 하락하고 있습니다.
새로운 평가 기준: 단순 점수보다는 ▲오프라인/온라인 평가 스위트(Eval Suite) ▲데이터 오염 방지 대책 ▲실패 복구 능력 및 가드레일 설계가 더 중요해졌습니다.
3. 제품과 투자의 해자(Moat): 모델이 아닌 '워크플로우'
이제 경쟁력의 핵심은 모델 그 자체가 아니라 검증 가능한 워크플로우, 컨텍스트 엔지니어링, 오케스트레이션(DAG), 그리고 로컬 에이전트 UX에 있습니다.
3.1. 제품 레이어(Harness)가 곧 성능이다
LLM 앱의 새로운 표준: Cursor와 같은 도구들이 보여주듯, 이제 LLM 앱은 단순한 채팅창이 아닙니다. 컨텍스트 엔지니어링 + 다중 호출 오케스트레이션 + GUI + 자율성 조절 슬라이더가 결합된 형태가 성능을 결정짓습니다.
대학생 vs 전문가: LLM 연구소들이 '전반적으로 유능한 대학생' 수준의 모델을 배출하는 추세라면, LLM 앱들은 사설 데이터, 센서, 액추에이터, 피드백 루프를 결합하여 이들을 '특정 산업 분야의 숙련된 전문가 팀'으로 조직화해야 합니다.
3.2. 최적화 압력이 지능의 '형태'를 만든다
인간의 지능이 생존과 사회성이라는 압력 하에 진화했듯, LLM은 텍스트 모방, 코드 해결, 사용자 피드백(Upvote)이라는 상업적 선택압에 의해 진화합니다.
따라서 모델의 능력치가 톱니바퀴처럼 들쑥날쑥한(Jagged) 것은 자연스러운 현상입니다.
전략 포인트: 여러분의 버티컬(Vertical) 시장에서 '모델 교체 비용이 낮아지는 속도'와 '워크플로우 및 데이터 피드백 루프의 누적 가치'를 분리해서 측정해야 합니다.
4. 로컬 환경이 에이전트의 승부처인 이유
클라우드 샌드박스보다 로컬 환경이 에이전트 구동에 더 강력한 설득력을 가집니다.
'진짜' 맥락(Context)은 로컬에만 있다: 깃허브(Repo)에는 없는 커밋 전 변경 사항, 로컬 환경 변수, 빌드 캐시, 시스템 라이브러리 등 '코드가 실제로 돌아가는 환경'은 오직 로컬에만 존재합니다.
피드백 루프의 밀도: 개발은 수정 → 실행 → 오류 확인 → 반복의 연속입니다. 로컬 에이전트(예: Claude Code)는 터미널에 상주하며 이 루프를 끊김 없이 수행하지만, 클라우드 방식은 동기화(Sync) 과정에서 지연과 마찰을 발생시켜 몰입을 방해합니다.
접근 권한(Access)의 우위: 로컬 에이전트는 VPN 내부망, 사내 비공개 문서, 로컬 DB 등 개발자가 접속 가능한 모든 곳에 닿을 수 있습니다. 반면 클라우드 샌드박스는 보안상 격리되어 있어 '반쪽짜리' 도구가 되기 쉽습니다.
통제감(Governance)을 주는 UX: 내 컴퓨터를 건드린다는 위험성은 역설적으로 훌륭한 UX를 낳았습니다. 파일 수정이나 명령어 실행 전 사용자의 승인을 구하는 절차는 사용자에게 "AI를 안전하게 통제하고 있다"는 감각을 제공합니다.
5. 멀티모달과 새로운 인터랙션 (GUI의 부활)
"텍스트로 설명하기"보다 "직접 가리키고 조작하기(Direct Manipulation)"가 훨씬 빠릅니다. 결과물 역시 텍스트가 아닌 슬라이드, 웹앱, 인포그래픽 등 '사람 친화적 표현'으로 진화해야 합니다.
Gemini 2.5 Flash Image 등의 시사점: 자연어로 특정 부분을 정밀 편집하거나, 여러 이미지를 합성하고, 브랜드 톤앤매너를 일관되게 유지하는 기능들이 등장하고 있습니다.
UX의 재구성: 사용자는 더 이상 장문의 프롬프트를 쓰지 않습니다. 대신 레이아웃, 템플릿, 참조 이미지를 던져주고 모델이 이를 기반으로 "디자인 조작"을 수행하는 방식으로 UX가 바뀌고 있습니다.
💡 Food for Thoughts: 전략적 점검 포인트
1. 검증 가능성: 우리 도메인은 결과의 참/거짓을 얼마나 명확하게(테스트, 회계적 일치 등) 검증할 수 있는가?
2. 해자의 위치: 우리의 경쟁 우위는 데이터, 피드백 루프, 시스템 통합, 유통(Distribution) 중 어디에 쌓이고 있는가?
3. 실질적 평가: 벤치마크 점수가 아니라, 실제 고객에게 가치를 주는지 측정하는 Eval 시스템을 갖추고 있는가?
4. 피드백 루프의 가치: 데이터가 쌓일수록 모델이 고도화되는 루프가 작동하는가? 더 똑똑한 모델(대학생)이 나왔을 때, 우리 도메인에 즉시 온보딩시킬 교육 프로그램(데이터 파이프라인)이 준비되어 있는가?
5. 로컬-퍼스트 전략: 레포지토리, 시크릿 키, 툴체인 접근이 가능한 '로컬 우선' 전략이 가능한가? 가능하다면 UX와 성능 혁신의 기회가 있다.
6. 인터페이스의 미래: 멀티모달과 GUI 조작이 본격화될 때, 현재의 텍스트 기반 UX는 어디까지 대체될 것인가?
https://karpathy.bearblog.dev/year-in-review-2025/
karpathy
2025 LLM Year in Review
2025 Year in Review of LLM paradigm changes
❤3
1. AI는 지식 산업의 '중국 효과(China Cost)'다
"중국이 저렴한 노동 비용으로 세계 제조업을 평정했듯, AI는 지식 산업에서 동일한 효과를 낼 것입니다."
과거 제조업 혁신의 핵심이 '카이젠(Kaizen, 점진적 개선)'이었다면, 이제는 지식 노동 분야에서 '디지털 카이젠'*이 일어날 차례입니다.
격차의 가속화: AI와 로봇을 도입해 매년 비용을 15~20%씩 낮추는 기업과, 인건비 상승으로 매년 3~5%씩 비용이 오르는 기업. 이 둘의 격차는 5년 뒤면 도저히 따라잡을 수 없는 수준(Insurmountable)으로 벌어집니다.
아마존의 교훈: 아마존은 기술로 비용을 절감해 시장 점유율을 뺏어오고, 그 이익을 다시 '물리적 해자(물류 센터, 공장 등 복제하기 어려운 자산)'에 재투자하여 경쟁자의 진입을 원천 봉쇄했습니다.
진짜 AI 승자: AI 기술 기업 그 자체가 아닙니다. 유통, 물류, 제조 등 탄탄한 물리적 해자를 이미 보유한 기업이 AI를 도입해 운영 효율을 극대화할 때, 진정한 승자가 탄생합니다.
2. 50년의 역사, 성과는 오직 20개 종목에서 나왔다
"월마트를 너무 일찍 판 단 한 번의 실수가 다른 수많은 성공을 상쇄해 버렸습니다."
주식 시장의 수익은 정규분포가 아닌 철저한 멱법칙(Power Law)을 따릅니다. 전체의 단 1%에 해당하는 'Valedictorian(수석 졸업생)' 기업들이 시장 전체의 수익을 견인합니다.
매수보다 중요한 매도: 형편없는 종목을 매수하는 실수보다, '위대한 복리 기계(Compounder)'를 너무 일찍 팔아버리는 실수가 수학적으로 훨씬 더 뼈아픈 손실을 안겨줍니다.
확률론적 접근: 시장의 4,000개 종목 중 연 20% 이상 성장하는 '수석 졸업생'은 약 40개(1%)에 불과합니다. 이들은 주로 'Small Cap(소형주)' 단계에서 탄생하므로, 이 모집단에 집중하는 것이 성공 확률을 극대화하는 길입니다.
3. 기술은 '목적'이 아니라 '수단'일 뿐이다 (도미노피자 케이스)
"2010년대 최고의 소형주 수익률을 기록한 곳은 IT 기업이 아니라, 바로 도미노피자였습니다."
성공 방정식: 평범한 상품(Commodity, 피자)에 압도적인 기술 투자(Convenience, 편의성)를 더했습니다.
기술 해자의 구축: 앱 주문, 배달 추적 등 기술을 통해 '편의성'을 극대화함으로써 어중간한 지역(Regional) 경쟁자들을 도태시켰습니다. 물리적 프랜차이즈 위에 강력한 '기술 해자(Tech Moat)'를 쌓아 올린 것입니다.
Lesson: 당신의 비즈니스가 '물리적 유통'이나 '지루한 운영'을 다루고 있습니까? 바로 그 지점에 기술을 투입해 압도적인 효율을 만드십시오. 그곳에 기회가 있습니다.
4. 'Act 2' 창업가가 가지는 구조적 이점
"두 번째 창업(Act 2)이 유리한 이유는 '무엇을 모르는지 아는 상태(Known Unknowns)'에서 시작하기 때문입니다."
구조적 마찰의 제거: 첫 창업의 시행착오를 바탕으로, 시작부터 캡 테이블(주주 구성), 이사회, 조직 구조를 완벽하고 깨끗하게 세팅할 수 있습니다.
탁월한 예외 처리 능력: Workday 창업자들의 사례처럼, 해당 산업에서 발생할 수 있는 특수한 돌발 상황(Edge Case)들을 이미 경험해 봤기에 위기 관리와 예외 처리에 있어 비교할 수 없는 능숙함을 보입니다.
https://youtu.be/plx6Foxoam4?si=NPAnpyUnF3Vxoumn
"중국이 저렴한 노동 비용으로 세계 제조업을 평정했듯, AI는 지식 산업에서 동일한 효과를 낼 것입니다."
과거 제조업 혁신의 핵심이 '카이젠(Kaizen, 점진적 개선)'이었다면, 이제는 지식 노동 분야에서 '디지털 카이젠'*이 일어날 차례입니다.
격차의 가속화: AI와 로봇을 도입해 매년 비용을 15~20%씩 낮추는 기업과, 인건비 상승으로 매년 3~5%씩 비용이 오르는 기업. 이 둘의 격차는 5년 뒤면 도저히 따라잡을 수 없는 수준(Insurmountable)으로 벌어집니다.
아마존의 교훈: 아마존은 기술로 비용을 절감해 시장 점유율을 뺏어오고, 그 이익을 다시 '물리적 해자(물류 센터, 공장 등 복제하기 어려운 자산)'에 재투자하여 경쟁자의 진입을 원천 봉쇄했습니다.
진짜 AI 승자: AI 기술 기업 그 자체가 아닙니다. 유통, 물류, 제조 등 탄탄한 물리적 해자를 이미 보유한 기업이 AI를 도입해 운영 효율을 극대화할 때, 진정한 승자가 탄생합니다.
2. 50년의 역사, 성과는 오직 20개 종목에서 나왔다
"월마트를 너무 일찍 판 단 한 번의 실수가 다른 수많은 성공을 상쇄해 버렸습니다."
주식 시장의 수익은 정규분포가 아닌 철저한 멱법칙(Power Law)을 따릅니다. 전체의 단 1%에 해당하는 'Valedictorian(수석 졸업생)' 기업들이 시장 전체의 수익을 견인합니다.
매수보다 중요한 매도: 형편없는 종목을 매수하는 실수보다, '위대한 복리 기계(Compounder)'를 너무 일찍 팔아버리는 실수가 수학적으로 훨씬 더 뼈아픈 손실을 안겨줍니다.
확률론적 접근: 시장의 4,000개 종목 중 연 20% 이상 성장하는 '수석 졸업생'은 약 40개(1%)에 불과합니다. 이들은 주로 'Small Cap(소형주)' 단계에서 탄생하므로, 이 모집단에 집중하는 것이 성공 확률을 극대화하는 길입니다.
3. 기술은 '목적'이 아니라 '수단'일 뿐이다 (도미노피자 케이스)
"2010년대 최고의 소형주 수익률을 기록한 곳은 IT 기업이 아니라, 바로 도미노피자였습니다."
성공 방정식: 평범한 상품(Commodity, 피자)에 압도적인 기술 투자(Convenience, 편의성)를 더했습니다.
기술 해자의 구축: 앱 주문, 배달 추적 등 기술을 통해 '편의성'을 극대화함으로써 어중간한 지역(Regional) 경쟁자들을 도태시켰습니다. 물리적 프랜차이즈 위에 강력한 '기술 해자(Tech Moat)'를 쌓아 올린 것입니다.
Lesson: 당신의 비즈니스가 '물리적 유통'이나 '지루한 운영'을 다루고 있습니까? 바로 그 지점에 기술을 투입해 압도적인 효율을 만드십시오. 그곳에 기회가 있습니다.
4. 'Act 2' 창업가가 가지는 구조적 이점
"두 번째 창업(Act 2)이 유리한 이유는 '무엇을 모르는지 아는 상태(Known Unknowns)'에서 시작하기 때문입니다."
구조적 마찰의 제거: 첫 창업의 시행착오를 바탕으로, 시작부터 캡 테이블(주주 구성), 이사회, 조직 구조를 완벽하고 깨끗하게 세팅할 수 있습니다.
탁월한 예외 처리 능력: Workday 창업자들의 사례처럼, 해당 산업에서 발생할 수 있는 특수한 돌발 상황(Edge Case)들을 이미 경험해 봤기에 위기 관리와 예외 처리에 있어 비교할 수 없는 능숙함을 보입니다.
https://youtu.be/plx6Foxoam4?si=NPAnpyUnF3Vxoumn
YouTube
Finding The 1% of Stocks That Matter | Henry Ellenbogen Interview
In this episode, Patrick interviews Henry Ellenbogen, founder of Durable Capital Partners. Henry shares his investment philosophy of finding the 1% of companies that become long-term compounders, growing 6x over 10 years. He discusses "Act Two" entrepreneurs…
❤4
지능의 공급 변화
모든 변화의 시작점은 '희소 자원'이 '무한 자원'으로 바뀌는 순간입니다.
과거 (The Human Limit): '지능(Intelligence)'과 '실행(Execution)'은 생물학적 한계(수면, 피로, 처리 속도)를 가진 인간에게 종속된 희소 자원이었습니다.
현재 (The Infinite Shift): AI의 등장으로 지능은 "무한하고, 잠들지 않으며, 복사가 가능한 자원(Infinite Minds)"으로 전환되었습니다.
결론: 따라서 생산성의 한계는 더 이상 '인간의 노동 시간'이 아니라, '무한한 AI 지능을 통제하고 조율하는 구조(Architecture)'에 의해 결정됩니다.
현재의 제약 (The Current Constraints): 왜 혁명은 아직인가?
지능이 무한해졌음에도 대부분의 지식 노동자가 여전히 '자전거(인간 주도)'를 타는 이유는 기술 부족이 아닌, 두 가지 구조적 문제 때문입니다.
제약 A: 맥락의 파편화 (Context Fragmentation)
원리: 지능이 작동하려면 데이터(Context)가 통합되어야 합니다.
현상: 프로그래머의 코딩 환경(IDE)은 모든 문맥이 한곳에 있어 AI가 즉시 개입 가능합니다. 반면, 일반 지식 노동은 슬랙, 문서, 이메일, 그리고 개인의 머릿속에 정보가 파편화되어 있습니다.
결과: 통합되지 않은 문맥에서는 AI가 추론할 수 없습니다. 결국 인간이 흩어진 정보를 찾아 '복사-붙여넣기'하는 접착제 역할을 수행해야 하므로 생산성이 정체됩니다.
제약 B: 검증 불가능성 (Unverifiability)
원리: 시스템을 완전 자동화하려면 결과물의 '참/거짓'을 판별하는 피드백 루프가 필수적입니다.
현상: 코드는 에러 여부로 즉시 검증(Testable)이 가능합니다. 하지만 기획안이나 전략 보고서는 '좋은지 나쁜지' 판단하는 객관적 기준이 모호합니다.
결과: 검증이 불가능하므로 인간이 루프 안에(Human-in-the-loop) 머물며 감시해야 합니다. 이는 '1865년 붉은 깃발법(Red Flag Act)'처럼, 자동차(AI) 앞에 사람이 깃발을 들고 걷게 만들어 전체 속도를 인간의 보행 속도로 떨어뜨리는 결과를 낳습니다.
이러한 제약을 극복하고 '무한 지능'을 제대로 활용하려면, 과거의 기술 혁명에서 증명된 설계 원칙을 적용해야 합니다.
기술 수용의 패턴: 백미러 효과 (The Rearview Mirror Effect)
- 역사적 사례 (Fact)
- 영화: 초창기 영화는 카메라를 고정해두고 연극 무대를 그대로 촬영한 '녹화된 연극'에 불과했다.
- 전화: 초기 전화 통화는 전보(Telegram)처럼 용건만 간단히 전하는 방식이었다.
- 마샬 맥루언의 관찰: "우리는 백미러를 보며 미래로 운전한다." (새로운 기술을 과거의 익숙한 틀에 가두는 현상)
- 추론 원리 (Principle)
- 신기술 도입 초기에는 항상 스큐어모피즘(Skeuomorphism, 과거의 형태를 모방) 현상이 발생한다. 기술의 본질이 발현되기 전까지 과도기적 비효율이 존재한다.
- AI의 미래 재구성 (Conclusion)
- 지금의 '챗봇(Chatbot)' 형태는 구글 검색창(과거)을 흉내 낸 과도기적 모델이다.
- 진정한 AI 시대는 인간이 질문하고 AI가 답하는 '검색' 방식이 아니라, AI가 인간이 자는 동안 스스로 업무를 완결하는 '에이전트(Agent)' 형태로 전환될 때 시작된다.
조직 확장의 물리학: 강철의 법칙 (The Steel Analogy)
- 역사적 사례 (Fact)
- 19세기 건축: 목재와 무쇠(Iron)로 지은 건물은 6~7층이 한계였다. 그 이상 올리면 자재 무게를 이기지 못해 붕괴했다.
- 강철(Steel)의 등장: 가볍고 강력한 강철 프레임 덕분에 울워스 빌딩(Woolworth Building) 같은 마천루가 가능해졌다.
- 추론 원리 (Principle)
- 구조물의 최대 크기(Scale)는 그것을 지탱하는 **소재(Material)의 물리적 한계**에 의해 결정된다. 조직에 있어 '소재'는 구성원 간의 '소통 능력'이다.
- AI의 미래 재구성 (Conclusion)
- 인간의 뇌와 회의로 이루어진 기존 조직(목재)은 규모가 커지면 소통 비용으로 인해 무너진다.
- AI(강철)는 맥락을 잃지 않고 무한히 정보를 처리하므로, 소통 비용의 붕괴 없이 조직을 무한 확장(Infinite Scale) 가능하게 한다. 기업은 더 이상 인간 규모에 갇히지 않는다.
생산성 혁명의 조건: 증기기관의 배치 (The Steam Engine Architecture)
- 역사적 사례 (Fact)
- 1단계: 초기 공장주들은 물레방아를 증기기관으로 교체만 하고, 공장 위치(강가)와 구조는 그대로 두었다. -> 생산성 증가 미미함.
- 2단계: 증기기관의 특성에 맞춰 공장을 강가에서 떼어내고, 기계 배치를 동력원에 맞춰 완전히 재설계했다. -> 생산성 폭발.
- 추론 원리 (Principle)
- 새로운 동력원의 효율은 단순히 부품을 교체하는 것(Substitution)이 아니라, 전체 시스템의 레이아웃을 재설계(Redesign)할 때 극대화된다.
- AI의 미래 재구성 (Conclusion)
- 현재 기업들이 쓰는 'AI 코파일럿'은 물레방아만 바꾼 격이다.
- 진정한 혁신은 인간 중심의 워크플로우(회의, 결재, 9-to-6)를 해체하고, **'잠들지 않는 지능(AI)'이 주도하는 비동기식 프로세스**로 조직을 재건축할 때 발생한다.
자동화의 병목: 붉은 깃발법 (The Red Flag Act)
- 역사적 사례 (Fact)
- 1865년 붉은 깃발법: 자동차가 등장하자 안전을 위해 기수가 붉은 깃발을 들고 차 앞에서 걷게 했다.
- 결과: 자동차의 속도는 사람의 보행 속도로 제한되었다.
- 추론 원리 (Principle)
- Human-in-the-loop(인간이 개입하는 루프)는 시스템의 속도를 인간의 인지 속도로 하향 평준화시킨다. 검증 불가능한 시스템은 인간 감시를 필요로 하므로 느리다.
- AI의 미래 재구성 (Conclusion)
- 코딩(Programming)은 테스트 코드로 자동 검증이 가능(Verifiable)하므로 이미 인간 개입이 줄어들고 속도가 빨라졌다(자전거→자동차).
- 반면 **일반 지식 노동**은 맥락이 파편화되어 있고 검증이 어려워 여전히 인간이 '깃발'을 들고 서 있다.
- 미래는 맥락 통합(Context Consolidation)과 결과 검증(Verifiability) 시스템을 구축하여 '깃발 든 인간'을 제거하는 쪽으로 진화할 것이다.
경제의 밀도 변화: 피렌체에서 도쿄로 (From Florence to Tokyo)
- 역사적 사례 (Fact)
- 르네상스 피렌체: 인간의 보행 거리와 목소리가 닿는 범위 내에서 설계된 '인간 스케일'의 도시.
- 현대 도쿄/메가시티: 강철, 철도, 전기가 결합되어 인간의 생물학적 한계를 초월한 거대 밀도와 속도를 가진 도시.
- 추론 원리 (Principle)
- 기술은 시공간의 제약을 없애 **복잡도(Complexity)와 기회(Opportunity)의 밀도**를 기하급수적으로 높인다.
- AI의 미래 재구성 (Conclusion)
- 지금까지의 지식 경제가 아늑하고 파악 가능한 '피렌체'였다면, AI 에이전트가 결합된 미래 경제는 복잡하고 방향을 잃기 쉽지만 압도적인 생산성을 가진 **'도쿄'와 같은 메가시티 경제**가 될 것이다.
"새로운 물질(AI)은 필연적으로 새로운 구조(Architecture)를 요구한다."
미래는 AI라는 도구를 쥔 사람이 아니라, AI라는 소재에 맞게 조직과 일하는 방식을 완전히 '재설계'한 사람이 지배하게 된다는 결론에 도달합니다.
https://x.com/ivanhzhao/status/2003192654545539400
모든 변화의 시작점은 '희소 자원'이 '무한 자원'으로 바뀌는 순간입니다.
과거 (The Human Limit): '지능(Intelligence)'과 '실행(Execution)'은 생물학적 한계(수면, 피로, 처리 속도)를 가진 인간에게 종속된 희소 자원이었습니다.
현재 (The Infinite Shift): AI의 등장으로 지능은 "무한하고, 잠들지 않으며, 복사가 가능한 자원(Infinite Minds)"으로 전환되었습니다.
결론: 따라서 생산성의 한계는 더 이상 '인간의 노동 시간'이 아니라, '무한한 AI 지능을 통제하고 조율하는 구조(Architecture)'에 의해 결정됩니다.
현재의 제약 (The Current Constraints): 왜 혁명은 아직인가?
지능이 무한해졌음에도 대부분의 지식 노동자가 여전히 '자전거(인간 주도)'를 타는 이유는 기술 부족이 아닌, 두 가지 구조적 문제 때문입니다.
제약 A: 맥락의 파편화 (Context Fragmentation)
원리: 지능이 작동하려면 데이터(Context)가 통합되어야 합니다.
현상: 프로그래머의 코딩 환경(IDE)은 모든 문맥이 한곳에 있어 AI가 즉시 개입 가능합니다. 반면, 일반 지식 노동은 슬랙, 문서, 이메일, 그리고 개인의 머릿속에 정보가 파편화되어 있습니다.
결과: 통합되지 않은 문맥에서는 AI가 추론할 수 없습니다. 결국 인간이 흩어진 정보를 찾아 '복사-붙여넣기'하는 접착제 역할을 수행해야 하므로 생산성이 정체됩니다.
제약 B: 검증 불가능성 (Unverifiability)
원리: 시스템을 완전 자동화하려면 결과물의 '참/거짓'을 판별하는 피드백 루프가 필수적입니다.
현상: 코드는 에러 여부로 즉시 검증(Testable)이 가능합니다. 하지만 기획안이나 전략 보고서는 '좋은지 나쁜지' 판단하는 객관적 기준이 모호합니다.
결과: 검증이 불가능하므로 인간이 루프 안에(Human-in-the-loop) 머물며 감시해야 합니다. 이는 '1865년 붉은 깃발법(Red Flag Act)'처럼, 자동차(AI) 앞에 사람이 깃발을 들고 걷게 만들어 전체 속도를 인간의 보행 속도로 떨어뜨리는 결과를 낳습니다.
이러한 제약을 극복하고 '무한 지능'을 제대로 활용하려면, 과거의 기술 혁명에서 증명된 설계 원칙을 적용해야 합니다.
기술 수용의 패턴: 백미러 효과 (The Rearview Mirror Effect)
- 역사적 사례 (Fact)
- 영화: 초창기 영화는 카메라를 고정해두고 연극 무대를 그대로 촬영한 '녹화된 연극'에 불과했다.
- 전화: 초기 전화 통화는 전보(Telegram)처럼 용건만 간단히 전하는 방식이었다.
- 마샬 맥루언의 관찰: "우리는 백미러를 보며 미래로 운전한다." (새로운 기술을 과거의 익숙한 틀에 가두는 현상)
- 추론 원리 (Principle)
- 신기술 도입 초기에는 항상 스큐어모피즘(Skeuomorphism, 과거의 형태를 모방) 현상이 발생한다. 기술의 본질이 발현되기 전까지 과도기적 비효율이 존재한다.
- AI의 미래 재구성 (Conclusion)
- 지금의 '챗봇(Chatbot)' 형태는 구글 검색창(과거)을 흉내 낸 과도기적 모델이다.
- 진정한 AI 시대는 인간이 질문하고 AI가 답하는 '검색' 방식이 아니라, AI가 인간이 자는 동안 스스로 업무를 완결하는 '에이전트(Agent)' 형태로 전환될 때 시작된다.
조직 확장의 물리학: 강철의 법칙 (The Steel Analogy)
- 역사적 사례 (Fact)
- 19세기 건축: 목재와 무쇠(Iron)로 지은 건물은 6~7층이 한계였다. 그 이상 올리면 자재 무게를 이기지 못해 붕괴했다.
- 강철(Steel)의 등장: 가볍고 강력한 강철 프레임 덕분에 울워스 빌딩(Woolworth Building) 같은 마천루가 가능해졌다.
- 추론 원리 (Principle)
- 구조물의 최대 크기(Scale)는 그것을 지탱하는 **소재(Material)의 물리적 한계**에 의해 결정된다. 조직에 있어 '소재'는 구성원 간의 '소통 능력'이다.
- AI의 미래 재구성 (Conclusion)
- 인간의 뇌와 회의로 이루어진 기존 조직(목재)은 규모가 커지면 소통 비용으로 인해 무너진다.
- AI(강철)는 맥락을 잃지 않고 무한히 정보를 처리하므로, 소통 비용의 붕괴 없이 조직을 무한 확장(Infinite Scale) 가능하게 한다. 기업은 더 이상 인간 규모에 갇히지 않는다.
생산성 혁명의 조건: 증기기관의 배치 (The Steam Engine Architecture)
- 역사적 사례 (Fact)
- 1단계: 초기 공장주들은 물레방아를 증기기관으로 교체만 하고, 공장 위치(강가)와 구조는 그대로 두었다. -> 생산성 증가 미미함.
- 2단계: 증기기관의 특성에 맞춰 공장을 강가에서 떼어내고, 기계 배치를 동력원에 맞춰 완전히 재설계했다. -> 생산성 폭발.
- 추론 원리 (Principle)
- 새로운 동력원의 효율은 단순히 부품을 교체하는 것(Substitution)이 아니라, 전체 시스템의 레이아웃을 재설계(Redesign)할 때 극대화된다.
- AI의 미래 재구성 (Conclusion)
- 현재 기업들이 쓰는 'AI 코파일럿'은 물레방아만 바꾼 격이다.
- 진정한 혁신은 인간 중심의 워크플로우(회의, 결재, 9-to-6)를 해체하고, **'잠들지 않는 지능(AI)'이 주도하는 비동기식 프로세스**로 조직을 재건축할 때 발생한다.
자동화의 병목: 붉은 깃발법 (The Red Flag Act)
- 역사적 사례 (Fact)
- 1865년 붉은 깃발법: 자동차가 등장하자 안전을 위해 기수가 붉은 깃발을 들고 차 앞에서 걷게 했다.
- 결과: 자동차의 속도는 사람의 보행 속도로 제한되었다.
- 추론 원리 (Principle)
- Human-in-the-loop(인간이 개입하는 루프)는 시스템의 속도를 인간의 인지 속도로 하향 평준화시킨다. 검증 불가능한 시스템은 인간 감시를 필요로 하므로 느리다.
- AI의 미래 재구성 (Conclusion)
- 코딩(Programming)은 테스트 코드로 자동 검증이 가능(Verifiable)하므로 이미 인간 개입이 줄어들고 속도가 빨라졌다(자전거→자동차).
- 반면 **일반 지식 노동**은 맥락이 파편화되어 있고 검증이 어려워 여전히 인간이 '깃발'을 들고 서 있다.
- 미래는 맥락 통합(Context Consolidation)과 결과 검증(Verifiability) 시스템을 구축하여 '깃발 든 인간'을 제거하는 쪽으로 진화할 것이다.
경제의 밀도 변화: 피렌체에서 도쿄로 (From Florence to Tokyo)
- 역사적 사례 (Fact)
- 르네상스 피렌체: 인간의 보행 거리와 목소리가 닿는 범위 내에서 설계된 '인간 스케일'의 도시.
- 현대 도쿄/메가시티: 강철, 철도, 전기가 결합되어 인간의 생물학적 한계를 초월한 거대 밀도와 속도를 가진 도시.
- 추론 원리 (Principle)
- 기술은 시공간의 제약을 없애 **복잡도(Complexity)와 기회(Opportunity)의 밀도**를 기하급수적으로 높인다.
- AI의 미래 재구성 (Conclusion)
- 지금까지의 지식 경제가 아늑하고 파악 가능한 '피렌체'였다면, AI 에이전트가 결합된 미래 경제는 복잡하고 방향을 잃기 쉽지만 압도적인 생산성을 가진 **'도쿄'와 같은 메가시티 경제**가 될 것이다.
"새로운 물질(AI)은 필연적으로 새로운 구조(Architecture)를 요구한다."
미래는 AI라는 도구를 쥔 사람이 아니라, AI라는 소재에 맞게 조직과 일하는 방식을 완전히 '재설계'한 사람이 지배하게 된다는 결론에 도달합니다.
https://x.com/ivanhzhao/status/2003192654545539400
X (formerly Twitter)
Ivan Zhao (@ivanhzhao) on X
Steam, Steel, and Infinite Minds
👍4
성과를 내려면 '결과'가 아닌 '과정'을 목표로 삼고, '동기' 대신 '루틴'을 믿으십시오
명확하고 도전적인 목표는 수행 능력을 향상시킵니다. 하지만 연구 결과에 따르면 우리가 흔히 설정하는 승리나 순위 같은 결과 목표(Outcome Goals)는 성과 향상에 유의미한 효과가 없었습니다. 통제할 수 없는 결과에 대한 집착은 오히려 불안을 높이고 수행 능력을 떨어뜨립니다.
반면, 기술 수행이나 구체적인 행동에 초점을 맞춘 과정 목표(Process Goals)는 수행 능력을 가장 크게 향상시켰습니다(d=1.36). 통제 가능한 요소에 집중함으로써 자신감을 높이고 불안을 잠재우기 때문입니다.
1. 목표 효과를 극대화하는 4가지 조건
단순히 목표를 정하는 것만으로는 부족합니다. 연구에 따르면 다음의 조건들이 갖춰질 때 목표 설정의 효과는 배가됩니다.
1. 자기 조절 과정: 목표 설정은 계획 수립, 모니터링, 평가라는 자기 조절 과정이 동반될 때 가장 강력했습니다.
2. 피드백의 유무: 현재 내 상태와 목표 사이의 차이를 인식할 수 있는 피드백이 반드시 제공되어야 합니다.
3. 참여자의 특성: 흥미로운 점은 성인이나 숙련자보다 청소년과 초보자가 목표 설정의 효과를 더 크게 경험했다는 것입니다. 이는 학습 초기에 방향성을 잡아주는 것이 매우 중요함을 시사합니다.
4. 누가 설정하는가: 스스로 정한 목표보다 지도자나 연구자가 설정해 준 목표가 더 효과적이었습니다. 외부에서 제시된 목표가 더 구체적이고 도전적인 경우가 많기 때문입니다.
2. 실전 적용: 목표의 위계(Hierarchy) 설정
위의 조건들을 만족시키기 위해 '목표의 위계'를 설정하십시오. 방향성을 잡기 위해 큰 '결과 목표(예: 우승, 승진)'를 하나 두되, 실제 실행은 철저히 과정 목표에 집중해야 합니다.
러닝: "5km를 20분 안에 주파하기" 대신 "보폭을 유지하며 어깨 힘 빼기"를 목표로 삼습니다.
업무: "완벽한 프레젠테이션" 대신 "시작 전 심호흡하기" 혹은 "정확한 딕션 유지하기"에 집중합니다.
이때 과정 목표는 구체적이고 측정 가능하게(SMART) 설정하고, 매주 피드백을 통해 궤도를 수정해야 합니다.
3. 동기가 아닌 루틴으로 완성하라
마지막으로 가장 중요한 조언은 '동기부여'를 유일한 연료로 삼지 말라는 것입니다. 동기는 훌륭하지만 단기적인 연료일 뿐입니다. 대부분의 사람들이 중도에 포기하는 이유는 동기가 고갈되는 순간 멈추기 때문입니다.
지속 가능한 유일한 연료는 '루틴'입니다. 루틴은 동기가 없는 날에도, 하기 싫은 날에도 자신을 끌고 나가게 만듭니다. 마법 같은 비결은 없습니다. 장기적인 성과는 하기 싫은 날에도 자리에 앉아 수행하는 단순하고도 무식한 반복(Brute force)에서 나옵니다.
https://www.tandfonline.com/doi/full/10.1080/1750984X.2022.2116723
명확하고 도전적인 목표는 수행 능력을 향상시킵니다. 하지만 연구 결과에 따르면 우리가 흔히 설정하는 승리나 순위 같은 결과 목표(Outcome Goals)는 성과 향상에 유의미한 효과가 없었습니다. 통제할 수 없는 결과에 대한 집착은 오히려 불안을 높이고 수행 능력을 떨어뜨립니다.
반면, 기술 수행이나 구체적인 행동에 초점을 맞춘 과정 목표(Process Goals)는 수행 능력을 가장 크게 향상시켰습니다(d=1.36). 통제 가능한 요소에 집중함으로써 자신감을 높이고 불안을 잠재우기 때문입니다.
1. 목표 효과를 극대화하는 4가지 조건
단순히 목표를 정하는 것만으로는 부족합니다. 연구에 따르면 다음의 조건들이 갖춰질 때 목표 설정의 효과는 배가됩니다.
1. 자기 조절 과정: 목표 설정은 계획 수립, 모니터링, 평가라는 자기 조절 과정이 동반될 때 가장 강력했습니다.
2. 피드백의 유무: 현재 내 상태와 목표 사이의 차이를 인식할 수 있는 피드백이 반드시 제공되어야 합니다.
3. 참여자의 특성: 흥미로운 점은 성인이나 숙련자보다 청소년과 초보자가 목표 설정의 효과를 더 크게 경험했다는 것입니다. 이는 학습 초기에 방향성을 잡아주는 것이 매우 중요함을 시사합니다.
4. 누가 설정하는가: 스스로 정한 목표보다 지도자나 연구자가 설정해 준 목표가 더 효과적이었습니다. 외부에서 제시된 목표가 더 구체적이고 도전적인 경우가 많기 때문입니다.
2. 실전 적용: 목표의 위계(Hierarchy) 설정
위의 조건들을 만족시키기 위해 '목표의 위계'를 설정하십시오. 방향성을 잡기 위해 큰 '결과 목표(예: 우승, 승진)'를 하나 두되, 실제 실행은 철저히 과정 목표에 집중해야 합니다.
러닝: "5km를 20분 안에 주파하기" 대신 "보폭을 유지하며 어깨 힘 빼기"를 목표로 삼습니다.
업무: "완벽한 프레젠테이션" 대신 "시작 전 심호흡하기" 혹은 "정확한 딕션 유지하기"에 집중합니다.
이때 과정 목표는 구체적이고 측정 가능하게(SMART) 설정하고, 매주 피드백을 통해 궤도를 수정해야 합니다.
3. 동기가 아닌 루틴으로 완성하라
마지막으로 가장 중요한 조언은 '동기부여'를 유일한 연료로 삼지 말라는 것입니다. 동기는 훌륭하지만 단기적인 연료일 뿐입니다. 대부분의 사람들이 중도에 포기하는 이유는 동기가 고갈되는 순간 멈추기 때문입니다.
지속 가능한 유일한 연료는 '루틴'입니다. 루틴은 동기가 없는 날에도, 하기 싫은 날에도 자신을 끌고 나가게 만듭니다. 마법 같은 비결은 없습니다. 장기적인 성과는 하기 싫은 날에도 자리에 앉아 수행하는 단순하고도 무식한 반복(Brute force)에서 나옵니다.
https://www.tandfonline.com/doi/full/10.1080/1750984X.2022.2116723
Taylor & Francis
The performance and psychological effects of goal setting in sport: A systematic review and meta-analysis
Goal setting is widely applied in sport. Whereas existing reviews have addressed the performance effects of goal setting, less is known about the concurrent psychological and psychophysiological ef...
👍7
갑옷을 벗어야 승리한다: 내면 게임의 법칙
우리는 흔히 인생을 전쟁터라고 부릅니다. 그리고 그 전쟁에서 승리하기 위해, 우리는 매일 아침 ‘성취’라는 무거운 갑옷을 입고 집을 나섭니다. 사회는 우리에게 끊임없이 속삭입니다. “더 높이 올라가라. 멈추면 도태된다. 네가 이룬 결과가 곧 너 자신이다.”
하지만 아이러니하게도, 가장 높이 오르고자 하는 순간에 우리는 가장 자주 무너집니다. 결정적인 프레젠테이션에서 머리가 하얗게 되거나(Choking), 승승장구하다가도 갑작스런 번아웃에 쓰러집니다.
저 또한 그랬습니다. 더 많이 성취하려고 할수록 인생을 ‘제로 섬 게임’으로 여기게 되었고, 신경은 날카로워졌으며, 타인의 작은 피드백조차 견디지 못하는 옹졸한 모습을 발견하곤 했습니다. 도대체 우리는 왜 성공을 갈망할수록 더 취약해지는 걸까요? 스티브 매그니스는 그 답을 우리의 ‘뇌’에서 찾습니다.
1. 뇌는 예측 기계다: “실패는 죽음이다”라는 원시적 착각
당신의 뇌는 끊임없이 미래를 예측하는 기계입니다. 문제는 이 기계의 초기 설정값이 수만 년 전 원시 시대의 생존 본능에 맞춰져 있다는 점입니다. 당신이 일과 성취에 자아를 완전히 일치시키는 순간(Identity Fusion), 뇌는 ‘업무상의 실패’를 곧 ‘자아의 죽음’으로 예측합니다.
회사에서 받은 부정적인 피드백이나 좋지 않은 성과를 마주할 때, 뇌는 즉시 비상벨을 울립니다. 마치 원시인이 숲속에서 곰을 마주친 것과 똑같은 생화학적 반응이 일어납니다. 이것이 바로 “생존 모드(Survival Mode)”입니다.
편도체가 활성화되고 스트레스 호르몬인 코르티솔이 온몸을 휘감습니다. 시야는 좁아지고, 몸은 굳으며, 이성적이고 창의적인 사고를 담당하는 전전두엽은 셧다운됩니다. 우리가 가정과 개인의 삶을 희생하면서까지 일에 매달릴 때, 역설적으로 우리는 뇌를 가장 불안한 상태로 몰아넣게 됩니다. 무의식 깊은 곳에 ‘이 일이 잘못되면 나에게 남는 건 아무것도 없다’는 공포가 깔려 있기 때문입니다.
2. 추구(Drive)와 만족(Contentment): 엑셀과 브레이크의 조화
그렇다면 성취 욕구를 버려야 할까요? 아닙니다. 핵심은 균형, 아니 ‘조화(Harmony)’입니다.
현대 사회의 ‘아메리칸 드림’은 우리에게 성취(Drive)라는 엑셀만 밟으라고 강요합니다. 하지만 브레이크 없는 질주는 결국 엔진 과열(번아웃)을 부릅니다. 지속 가능한 성과를 위해서는 위축된 ‘만족 시스템(Contentment)’을 복원해야 합니다.
- 결과에서 숙달로: ‘이겨야 한다’는 결과 지향적 사고는 위협 시스템을 자극합니다. 대신 호기심을 가지고 ‘내가 얼마나 성장했는가’를 묻는 ‘숙달 지향적(Mastery)’ 사고로 전환하세요. 이것이 만족 시스템을 깨우는 열쇠입니다.
- 어른의 놀이 시간: 모든 행동을 생산성과 연결 짓지 마십시오. 목적 없는 즐거움, 즉 ‘놀이(Play)’를 허용할 때 뇌는 위협 계산을 멈추고 휴식합니다.
- 자기 연민: 실패했을 때 자신을 채찍질하는 것은 뇌를 더 깊은 생존 모드로 밀어넣는 행위입니다. “누구나 실수할 수 있다”며 자신에게 친절할 때, 우리는 더 빠르게 회복하여 다시 도전할 수 있습니다.
3. 갑옷 벗기: 자아의 편집자가 되어라
진정한 승리자는 ‘내가 하는 일(Do)’과 ‘나라는 사람(Be)’ 사이에 공간을 만듭니다. 이를 위해서는 우리 스스로가 인생이라는 책의 현명한 ‘편집자(Editor)’가 되어야 합니다.
미숙한 편집자는 한 번의 실패를 인생의 ‘결말’이나 책의 ‘제목’으로 삼아버립니다. (“나는 실패자다.”) 하지만 지혜로운 편집자는 그 사건을 전체 스토리 중 ‘성장을 위한 한 챕터’로 배치합니다.
또한, 우리는 ‘입체적인(3D)’ 사람이 되어야 합니다. 일터에서의 유니폼을 입은 채 식탁에 앉지 마십시오. “나는 치열한 리더지만, 동시에 다정한 부모이고, 주말에는 서툰 요리사다.” 이렇게 다양한 정체성이 통합될 때, 한 기둥(일)이 흔들려도 다른 기둥(가정, 취미)이 자아를 지탱해줍니다.
4. 패배를 데이터로 만들기: 연결이라는 해독제
아무리 준비해도 패배는 찾아옵니다. 이때 중요한 것은 패배를 ‘인격의 결함’이 아닌 ‘정보(Data)’로 처리하는 기술입니다.
패배 직후, 뇌는 코르티솔에 절여져 있습니다. 이때 혼자 방에 틀어박혀 분석하려 들면 자책만 늘어납니다. 가장 먼저 해야 할 일은 ‘생물학적 경보’를 끄는 것입니다. 그 스위치는 바로 ‘사람’입니다.
가족이나 친구와 농담을 주고받고, 맛있는 것을 먹으며 가벼운 스킨십을 나누세요. 이때 분비되는 옥시토신은 코르티솔을 씻어내는 가장 강력한 해독제입니다. 뇌가 “아, 나는 여전히 안전하구나”라고 안심한 후에야, 우리는 비로소 패배를 비디오 게임의 ‘재시작(Restart)’ 버튼처럼 가볍게 받아들일 수 있게 됩니다. 이것이 바로 가정이 우리 삶의 ‘스포터(Spotter, 안전 보조자)’가 되어야 하는 이유입니다.
5. 무대를 세팅하라: 환경과 소속감의 설계
내면을 다스렸다면, 이제 외부 환경을 설계할 차례입니다. 뇌는 환경을 끊임없이 스캔합니다. 낯선 곳에서 우리는 긴장하지만, ‘나의 공간’에서는 능력을 발휘합니다.
- 환경의 개인화: 책상 위에 가족 사진을 두거나 좋아하는 문구를 붙이세요. 이것은 단순한 장식이 아닙니다. ‘도덕적 자아’를 깨우는 스위치이자, 이 공간의 주인이 나임을 뇌에 알리는 깃발입니다.
- 융합되지 않는 소속감: 나를 깎아내야만 받아주는 집단(Fitting In)은 우리를 병들게 합니다. 진정한 소속감은 내가 실패하고 튀는 행동을 해도 “괜찮아, 계속해봐”라고 말해주는 보안(Security) 관계에서 나옵니다. 우리는 서로의 취약함을 공유하고 각자의 트랙을 달리면서도 서로를 응원하는 ‘육상 팀’ 같은 관계를 지향해야 합니다.
6. 다시 움직이기: 몸으로 뇌를 속여라
마지막으로, 도저히 빠져나올 수 없는 슬럼프(Doom Loop)에 갇혔다면 어떻게 해야 할까요? 머리로 생각해서는 빠져나올 수 없습니다. 이미 뇌의 예측 모델이 고장 났기 때문입니다. 이때는 ‘감각적인 충격(Disruptor)’으로 뇌를 강제 부팅해야 합니다.
- 감각 차단과 변형: 안경을 벗어 청중을 흐릿하게 만들거나, 일부러 엉망진창으로 노래를 불러보세요.
- 신체적 충격: 찬물 샤워를 하거나 심장이 터질 때까지 언덕을 뛰어보세요.
이런 ‘미친 짓(Crazy Stuff)’들은 뇌에게 강력한 신호를 보냅니다. “봐! 네가 예측한 공포는 실제가 아니야. 나는 지금 여기에 생생하게 살아있어!” 몸의 감각을 통해 현실과 재정렬(Realign)할 때, 우리는 비로소 다시 움직일 수 있습니다.
결론: 생존을 넘어 번영으로
성취 지향적인 삶과 개인의 행복은 결코 양립 불가능한 적이 아닙니다. 오히려 내면의 평온과 단단한 관계(가정)가 뒷받침될 때, 우리의 성취 욕구는 ‘불안’이 아닌 ‘열정’으로 타오를 수 있습니다.
진정한 승리는 갑옷의 두께가 아니라, 갑옷을 벗고도 나 자신으로 설 수 있는 내면의 명확성(Clarity)에서 옵니다.
이제 갑옷을 벗으십시오. 실패를 데이터로 삼고, 사랑하는 사람들과 연결되십시오. 그리고 당신만의 내면 게임(Inside Game)에서 승리하십시오. 그때 세상 밖에서의 승리는 자연스러운 부산물로 따라올 것입니다.
https://www.amazon.com/Win-Inside-Game-Surviving-Thriving/dp/0063339927
우리는 흔히 인생을 전쟁터라고 부릅니다. 그리고 그 전쟁에서 승리하기 위해, 우리는 매일 아침 ‘성취’라는 무거운 갑옷을 입고 집을 나섭니다. 사회는 우리에게 끊임없이 속삭입니다. “더 높이 올라가라. 멈추면 도태된다. 네가 이룬 결과가 곧 너 자신이다.”
하지만 아이러니하게도, 가장 높이 오르고자 하는 순간에 우리는 가장 자주 무너집니다. 결정적인 프레젠테이션에서 머리가 하얗게 되거나(Choking), 승승장구하다가도 갑작스런 번아웃에 쓰러집니다.
저 또한 그랬습니다. 더 많이 성취하려고 할수록 인생을 ‘제로 섬 게임’으로 여기게 되었고, 신경은 날카로워졌으며, 타인의 작은 피드백조차 견디지 못하는 옹졸한 모습을 발견하곤 했습니다. 도대체 우리는 왜 성공을 갈망할수록 더 취약해지는 걸까요? 스티브 매그니스는 그 답을 우리의 ‘뇌’에서 찾습니다.
1. 뇌는 예측 기계다: “실패는 죽음이다”라는 원시적 착각
당신의 뇌는 끊임없이 미래를 예측하는 기계입니다. 문제는 이 기계의 초기 설정값이 수만 년 전 원시 시대의 생존 본능에 맞춰져 있다는 점입니다. 당신이 일과 성취에 자아를 완전히 일치시키는 순간(Identity Fusion), 뇌는 ‘업무상의 실패’를 곧 ‘자아의 죽음’으로 예측합니다.
회사에서 받은 부정적인 피드백이나 좋지 않은 성과를 마주할 때, 뇌는 즉시 비상벨을 울립니다. 마치 원시인이 숲속에서 곰을 마주친 것과 똑같은 생화학적 반응이 일어납니다. 이것이 바로 “생존 모드(Survival Mode)”입니다.
편도체가 활성화되고 스트레스 호르몬인 코르티솔이 온몸을 휘감습니다. 시야는 좁아지고, 몸은 굳으며, 이성적이고 창의적인 사고를 담당하는 전전두엽은 셧다운됩니다. 우리가 가정과 개인의 삶을 희생하면서까지 일에 매달릴 때, 역설적으로 우리는 뇌를 가장 불안한 상태로 몰아넣게 됩니다. 무의식 깊은 곳에 ‘이 일이 잘못되면 나에게 남는 건 아무것도 없다’는 공포가 깔려 있기 때문입니다.
2. 추구(Drive)와 만족(Contentment): 엑셀과 브레이크의 조화
그렇다면 성취 욕구를 버려야 할까요? 아닙니다. 핵심은 균형, 아니 ‘조화(Harmony)’입니다.
현대 사회의 ‘아메리칸 드림’은 우리에게 성취(Drive)라는 엑셀만 밟으라고 강요합니다. 하지만 브레이크 없는 질주는 결국 엔진 과열(번아웃)을 부릅니다. 지속 가능한 성과를 위해서는 위축된 ‘만족 시스템(Contentment)’을 복원해야 합니다.
- 결과에서 숙달로: ‘이겨야 한다’는 결과 지향적 사고는 위협 시스템을 자극합니다. 대신 호기심을 가지고 ‘내가 얼마나 성장했는가’를 묻는 ‘숙달 지향적(Mastery)’ 사고로 전환하세요. 이것이 만족 시스템을 깨우는 열쇠입니다.
- 어른의 놀이 시간: 모든 행동을 생산성과 연결 짓지 마십시오. 목적 없는 즐거움, 즉 ‘놀이(Play)’를 허용할 때 뇌는 위협 계산을 멈추고 휴식합니다.
- 자기 연민: 실패했을 때 자신을 채찍질하는 것은 뇌를 더 깊은 생존 모드로 밀어넣는 행위입니다. “누구나 실수할 수 있다”며 자신에게 친절할 때, 우리는 더 빠르게 회복하여 다시 도전할 수 있습니다.
3. 갑옷 벗기: 자아의 편집자가 되어라
진정한 승리자는 ‘내가 하는 일(Do)’과 ‘나라는 사람(Be)’ 사이에 공간을 만듭니다. 이를 위해서는 우리 스스로가 인생이라는 책의 현명한 ‘편집자(Editor)’가 되어야 합니다.
미숙한 편집자는 한 번의 실패를 인생의 ‘결말’이나 책의 ‘제목’으로 삼아버립니다. (“나는 실패자다.”) 하지만 지혜로운 편집자는 그 사건을 전체 스토리 중 ‘성장을 위한 한 챕터’로 배치합니다.
또한, 우리는 ‘입체적인(3D)’ 사람이 되어야 합니다. 일터에서의 유니폼을 입은 채 식탁에 앉지 마십시오. “나는 치열한 리더지만, 동시에 다정한 부모이고, 주말에는 서툰 요리사다.” 이렇게 다양한 정체성이 통합될 때, 한 기둥(일)이 흔들려도 다른 기둥(가정, 취미)이 자아를 지탱해줍니다.
4. 패배를 데이터로 만들기: 연결이라는 해독제
아무리 준비해도 패배는 찾아옵니다. 이때 중요한 것은 패배를 ‘인격의 결함’이 아닌 ‘정보(Data)’로 처리하는 기술입니다.
패배 직후, 뇌는 코르티솔에 절여져 있습니다. 이때 혼자 방에 틀어박혀 분석하려 들면 자책만 늘어납니다. 가장 먼저 해야 할 일은 ‘생물학적 경보’를 끄는 것입니다. 그 스위치는 바로 ‘사람’입니다.
가족이나 친구와 농담을 주고받고, 맛있는 것을 먹으며 가벼운 스킨십을 나누세요. 이때 분비되는 옥시토신은 코르티솔을 씻어내는 가장 강력한 해독제입니다. 뇌가 “아, 나는 여전히 안전하구나”라고 안심한 후에야, 우리는 비로소 패배를 비디오 게임의 ‘재시작(Restart)’ 버튼처럼 가볍게 받아들일 수 있게 됩니다. 이것이 바로 가정이 우리 삶의 ‘스포터(Spotter, 안전 보조자)’가 되어야 하는 이유입니다.
5. 무대를 세팅하라: 환경과 소속감의 설계
내면을 다스렸다면, 이제 외부 환경을 설계할 차례입니다. 뇌는 환경을 끊임없이 스캔합니다. 낯선 곳에서 우리는 긴장하지만, ‘나의 공간’에서는 능력을 발휘합니다.
- 환경의 개인화: 책상 위에 가족 사진을 두거나 좋아하는 문구를 붙이세요. 이것은 단순한 장식이 아닙니다. ‘도덕적 자아’를 깨우는 스위치이자, 이 공간의 주인이 나임을 뇌에 알리는 깃발입니다.
- 융합되지 않는 소속감: 나를 깎아내야만 받아주는 집단(Fitting In)은 우리를 병들게 합니다. 진정한 소속감은 내가 실패하고 튀는 행동을 해도 “괜찮아, 계속해봐”라고 말해주는 보안(Security) 관계에서 나옵니다. 우리는 서로의 취약함을 공유하고 각자의 트랙을 달리면서도 서로를 응원하는 ‘육상 팀’ 같은 관계를 지향해야 합니다.
6. 다시 움직이기: 몸으로 뇌를 속여라
마지막으로, 도저히 빠져나올 수 없는 슬럼프(Doom Loop)에 갇혔다면 어떻게 해야 할까요? 머리로 생각해서는 빠져나올 수 없습니다. 이미 뇌의 예측 모델이 고장 났기 때문입니다. 이때는 ‘감각적인 충격(Disruptor)’으로 뇌를 강제 부팅해야 합니다.
- 감각 차단과 변형: 안경을 벗어 청중을 흐릿하게 만들거나, 일부러 엉망진창으로 노래를 불러보세요.
- 신체적 충격: 찬물 샤워를 하거나 심장이 터질 때까지 언덕을 뛰어보세요.
이런 ‘미친 짓(Crazy Stuff)’들은 뇌에게 강력한 신호를 보냅니다. “봐! 네가 예측한 공포는 실제가 아니야. 나는 지금 여기에 생생하게 살아있어!” 몸의 감각을 통해 현실과 재정렬(Realign)할 때, 우리는 비로소 다시 움직일 수 있습니다.
결론: 생존을 넘어 번영으로
성취 지향적인 삶과 개인의 행복은 결코 양립 불가능한 적이 아닙니다. 오히려 내면의 평온과 단단한 관계(가정)가 뒷받침될 때, 우리의 성취 욕구는 ‘불안’이 아닌 ‘열정’으로 타오를 수 있습니다.
진정한 승리는 갑옷의 두께가 아니라, 갑옷을 벗고도 나 자신으로 설 수 있는 내면의 명확성(Clarity)에서 옵니다.
이제 갑옷을 벗으십시오. 실패를 데이터로 삼고, 사랑하는 사람들과 연결되십시오. 그리고 당신만의 내면 게임(Inside Game)에서 승리하십시오. 그때 세상 밖에서의 승리는 자연스러운 부산물로 따라올 것입니다.
https://www.amazon.com/Win-Inside-Game-Surviving-Thriving/dp/0063339927
👍1
차세대 1조 달러 기회: '컨텍스트 레이어'와 데이터브릭스의 딜레마
SaaS(기록의 시스템)에서 AI Agent(판단과 실행의 시스템)로 넘어가는 과도기, 기존 강자들의 구체적인 움직임과 스타트업이 파고들 빈틈에 대한 심층 분석입니다.
문제의 본질: "결과는 남지만, 판단의 맥락은 증발한다"
기존 SaaS는 결과값(What)만 기록합니다. 예를 들어 영업팀이 규정보다 10% 더 높은 할인을 승인했다면, CRM에는 '10%'라는 숫자만 남습니다.
하지만 실제 중요한 정보인 "경쟁사 방어를 위한 전략적 결정", "지난 분기 유사 사례 참조", "슬랙에서 재무팀과 합의함" 같은 의사결정의 근거(Why)와 과정은 기록되지 않고 증발합니다. 이 '의사결정 경로(Trace)'를 구조화된 데이터로 만드는 것이 차세대 플랫폼의 핵심입니다.
데이터브릭스(Databricks)의 공격적인 행보와 디테일
데이터브릭스는 이 기회를 잡기 위해 가장 적극적으로 움직이고 있습니다. 단순히 데이터만 저장하는 것이 아니라 '실행' 영역으로 넘어가기 위해 구체적인 기술 스택을 쌓고 있습니다.
LakehouseIQ: 기업 내부 데이터, 문서, 쿼리 로그를 학습하여 회사의 전문 용어와 고유한 맥락을 이해시키는 '두뇌' 역할을 시도 중입니다.
AgentBricks & Genie: 시맨틱 레이어를 활용해 자연어로 데이터를 분석하고 작업을 수행하는 에이전트 기능을 지원합니다.
Operational DB 확보: 에이전트가 실시간 데이터를 처리할 수 있도록 Lakebase(관리형 Postgres)를 출시하고, Neon(서버리스 Postgres)을 인수하여 에이전트용 '운영 데이터 플레인'을 직접 갖췄습니다.
MLflow 3: 배포된 에이전트들을 오케스트레이션하고 모니터링하는 인프라까지 구축했습니다.
그럼에도 불구하고 놓칠 수 있는 구조적 한계 (Innovator's Dilemma)
데이터브릭스가 이렇게 철저히 준비했음에도 불구하고, 스타트업에게 기회가 있는 이유는 그들의 태생적 위치 때문입니다.
사후 처리(Post-Event)의 덫: 데이터브릭스는 기본적으로 ETL(추출-변환-적재) 이후의 데이터를 다룹니다. 영업사원이 세일즈포스에서 버튼을 누르고, 개발자가 지라에서 티켓을 넘기는 그 '실시간 실행 시점'에는 개입하지 못합니다. 데이터가 창고에 도착했을 때는 이미 슬랙에서의 미묘한 토론과 합의 맥락이 증발한 뒤입니다.
읽기(Read) 경로의 한계: 그들은 데이터를 읽어서 분석하는 데 최적화되어 있지, 의사결정을 내리고 실행(Write)하는 워크플로우의 최전선(Last Mile)에 있지 않습니다.
사용자 접점 부재: 맥락 데이터는 사용자가 직접 사용하는 이메일, 슬랙, 줌, SaaS 화면에서 발생하는데, 데이터브릭스는 백엔드 인프라에 숨어 있습니다.
스타트업의 승리 전략
거대 기업이 구조적으로 들어오기 힘든 '실행의 순간'을 장악하는 전략입니다.
AI Native로 전면 교체 (Full Replacement): Regie.ai(영업)나 Rox(ERP)처럼 기존 레거시를 대체합니다. 인건비(Opex)를 소프트웨어 비용으로 전환시키며, AI가 직접 이메일을 쓰고 실행하므로 모든 맥락이 자동으로 저장됩니다.
새로운 기록 시스템 창출 (Glue Layer): PlayerZero처럼 개발과 운영 사이, 혹은 RevOps처럼 부서 간의 협업 맥락을 저장하는 '접착제' 영역을 정의합니다. 기존 소프트웨어의 사각지대입니다.
모듈 대체 (Unbundling): Maximor처럼 ERP 전체가 아닌, 판단이 가장 복잡한 '재무 조정(Reconciliation)' 업무만 떼어내어 장악합니다.
엣지(Edge) 데이터 확보: 보안 이슈를 해결한 화면 녹화나, 업무의 80%가 발생하는 슬랙/줌/팀즈에 봇으로 침투하여 대화 데이터를 직접 채집합니다.
타겟 영역: 어디에 문제가 숨어 있는가?
높은 인건비와 조율 비용: 50명 이상이 엑셀/메신저로 무언가를 조율(Routing)하고 있다면 복잡한 의사결정 로직이 숨어 있다는 신호입니다.
예외가 많은 업무: 규칙대로 되지 않고 "그때그때 달라요(It depends)"가 정답인 업무가 컨텍스트 그래프의 타겟입니다.
기술적 재정의: 컨텍스트 레이어란 무엇인가?
이것은 기존 기술(Vector, Graph, Ontology)의 단순 합이 아닙니다.
Vector DB: 유사성은 알지만 인과관계를 모릅니다.
Graph DB: 관계는 알지만 당시의 급박한 상황과 시간 흐름은 없습니다.
Ontology: 규칙은 알지만 실제 현장에서 규정이 어떻게 무시되었는지 모릅니다.
컨텍스트 레이어(Context Layer)는 시간 순서대로 기록된 인과관계의 역사책(Dynamic Decision History)입니다. 핵심은 의사결정의 흔적(예외, 전례, 승인 사유)을 실행 시점(Commit Time)에 포착하여, "무엇이 일어났는가"가 아니라 "왜 허용되었는가"를 AI가 이해할 수 있게 만드는 것입니다.
https://foundationcapital.com/context-graphs-ais-trillion-dollar-opportunity/
SaaS(기록의 시스템)에서 AI Agent(판단과 실행의 시스템)로 넘어가는 과도기, 기존 강자들의 구체적인 움직임과 스타트업이 파고들 빈틈에 대한 심층 분석입니다.
문제의 본질: "결과는 남지만, 판단의 맥락은 증발한다"
기존 SaaS는 결과값(What)만 기록합니다. 예를 들어 영업팀이 규정보다 10% 더 높은 할인을 승인했다면, CRM에는 '10%'라는 숫자만 남습니다.
하지만 실제 중요한 정보인 "경쟁사 방어를 위한 전략적 결정", "지난 분기 유사 사례 참조", "슬랙에서 재무팀과 합의함" 같은 의사결정의 근거(Why)와 과정은 기록되지 않고 증발합니다. 이 '의사결정 경로(Trace)'를 구조화된 데이터로 만드는 것이 차세대 플랫폼의 핵심입니다.
데이터브릭스(Databricks)의 공격적인 행보와 디테일
데이터브릭스는 이 기회를 잡기 위해 가장 적극적으로 움직이고 있습니다. 단순히 데이터만 저장하는 것이 아니라 '실행' 영역으로 넘어가기 위해 구체적인 기술 스택을 쌓고 있습니다.
LakehouseIQ: 기업 내부 데이터, 문서, 쿼리 로그를 학습하여 회사의 전문 용어와 고유한 맥락을 이해시키는 '두뇌' 역할을 시도 중입니다.
AgentBricks & Genie: 시맨틱 레이어를 활용해 자연어로 데이터를 분석하고 작업을 수행하는 에이전트 기능을 지원합니다.
Operational DB 확보: 에이전트가 실시간 데이터를 처리할 수 있도록 Lakebase(관리형 Postgres)를 출시하고, Neon(서버리스 Postgres)을 인수하여 에이전트용 '운영 데이터 플레인'을 직접 갖췄습니다.
MLflow 3: 배포된 에이전트들을 오케스트레이션하고 모니터링하는 인프라까지 구축했습니다.
그럼에도 불구하고 놓칠 수 있는 구조적 한계 (Innovator's Dilemma)
데이터브릭스가 이렇게 철저히 준비했음에도 불구하고, 스타트업에게 기회가 있는 이유는 그들의 태생적 위치 때문입니다.
사후 처리(Post-Event)의 덫: 데이터브릭스는 기본적으로 ETL(추출-변환-적재) 이후의 데이터를 다룹니다. 영업사원이 세일즈포스에서 버튼을 누르고, 개발자가 지라에서 티켓을 넘기는 그 '실시간 실행 시점'에는 개입하지 못합니다. 데이터가 창고에 도착했을 때는 이미 슬랙에서의 미묘한 토론과 합의 맥락이 증발한 뒤입니다.
읽기(Read) 경로의 한계: 그들은 데이터를 읽어서 분석하는 데 최적화되어 있지, 의사결정을 내리고 실행(Write)하는 워크플로우의 최전선(Last Mile)에 있지 않습니다.
사용자 접점 부재: 맥락 데이터는 사용자가 직접 사용하는 이메일, 슬랙, 줌, SaaS 화면에서 발생하는데, 데이터브릭스는 백엔드 인프라에 숨어 있습니다.
스타트업의 승리 전략
거대 기업이 구조적으로 들어오기 힘든 '실행의 순간'을 장악하는 전략입니다.
AI Native로 전면 교체 (Full Replacement): Regie.ai(영업)나 Rox(ERP)처럼 기존 레거시를 대체합니다. 인건비(Opex)를 소프트웨어 비용으로 전환시키며, AI가 직접 이메일을 쓰고 실행하므로 모든 맥락이 자동으로 저장됩니다.
새로운 기록 시스템 창출 (Glue Layer): PlayerZero처럼 개발과 운영 사이, 혹은 RevOps처럼 부서 간의 협업 맥락을 저장하는 '접착제' 영역을 정의합니다. 기존 소프트웨어의 사각지대입니다.
모듈 대체 (Unbundling): Maximor처럼 ERP 전체가 아닌, 판단이 가장 복잡한 '재무 조정(Reconciliation)' 업무만 떼어내어 장악합니다.
엣지(Edge) 데이터 확보: 보안 이슈를 해결한 화면 녹화나, 업무의 80%가 발생하는 슬랙/줌/팀즈에 봇으로 침투하여 대화 데이터를 직접 채집합니다.
타겟 영역: 어디에 문제가 숨어 있는가?
높은 인건비와 조율 비용: 50명 이상이 엑셀/메신저로 무언가를 조율(Routing)하고 있다면 복잡한 의사결정 로직이 숨어 있다는 신호입니다.
예외가 많은 업무: 규칙대로 되지 않고 "그때그때 달라요(It depends)"가 정답인 업무가 컨텍스트 그래프의 타겟입니다.
기술적 재정의: 컨텍스트 레이어란 무엇인가?
이것은 기존 기술(Vector, Graph, Ontology)의 단순 합이 아닙니다.
Vector DB: 유사성은 알지만 인과관계를 모릅니다.
Graph DB: 관계는 알지만 당시의 급박한 상황과 시간 흐름은 없습니다.
Ontology: 규칙은 알지만 실제 현장에서 규정이 어떻게 무시되었는지 모릅니다.
컨텍스트 레이어(Context Layer)는 시간 순서대로 기록된 인과관계의 역사책(Dynamic Decision History)입니다. 핵심은 의사결정의 흔적(예외, 전례, 승인 사유)을 실행 시점(Commit Time)에 포착하여, "무엇이 일어났는가"가 아니라 "왜 허용되었는가"를 AI가 이해할 수 있게 만드는 것입니다.
https://foundationcapital.com/context-graphs-ais-trillion-dollar-opportunity/
Foundation Capital
AI’s trillion-dollar opportunity: Context graphs - Foundation Capital
By building context graphs from decision traces, AI agent startups are capturing the “why” behind the “what” - and gaining a structural advantage in shaping what comes next. Continue reading
Continuous Learning_Startup & Investment
Gemini 3 관련 Demis Hassabis 인터뷰 가장 큰 차이점은 '추론(Reasoning)' 능력의 깊이입니다. Gemini 3는 단순히 답을 내놓는 것을 넘어, 복잡한 문제를 해결하기 위해 스스로 **'생각의 흐름(Train of Thought)'**을 유지할 수 있습니다. 이전 모델들이 3~4단계의 추론 과정에서 길을 잃거나 환각(Hallucination)을 보였다면, Gemini 3는 수십 단계의 논리적 과정을 안정적으로 밟아나갑니다. 특히…
발전, 루트 노드 문제, 그리고 과학
우리는 자석 안에 플라즈마를 가두는 것을 돕고 어쩌면 재료 설계까지 지원하여 그 과정을 가속화하고 싶습니다. 정말 흥미로운 일이죠. 그리고 구글의 양자 AI 팀과도 협력하고 있습니다. 우리는 기계 학습을 사용하여 그들의 오류 수정 코드를 돕고 있습니다. 핵융합은 항상 '성배(holy grail)'였습니다. 물론 태양열도 매우 유망하다고 생각합니다. 사실상 하늘과 구름 속에 있는 핵융합로를 사용하는 셈이니까요. 하지만 우리가 모듈식 핵융합로를 가질 수 있다면, 무제한적이고 재생 가능하며 깨끗한 에너지라는 약속은 분명 모든 것을 변화시킬 것입니다. 그것이 성배죠. 그리고 물론, 그것이 우리가 기후 문제에 도움을 줄 수 있는 방법 중 하나입니다.
물론 에너지와 오염 문제 등을 직접적으로 해결하고 기후 위기를 돕습니다. 하지만 에너지가 정말로 재생 가능하고 깨끗하며, 거의 공짜에 가까울 정도로 저렴해진다면 담수화 플랜트를 거의 어디에나 설치할 수 있게 되어 물 접근성 문제 같은 다른 많은 것들이 해결 가능해집니다. 심지어 로켓 연료를 만드는 것도요. 바닷물에는 수소와 산소가 많이 포함되어 있고, 그게 기본적으로 로켓 연료거든요. 단지 수소와 산소를 분리하는 데 에너지가 많이 들 뿐이죠. 하지만 에너지가 저렴하고 재생 가능하며 깨끗하다면, 왜 안 하겠습니까? 24시간 내내 생산할 수도 있을 겁니다.
능력과 확장의 역설
Q: 저는 알파고(AlphaGo)와 알파제로(AlphaZero)의 이야기도 궁금합니다. 인간의 경험을 모두 제거했더니 모델이 오히려 더 발전했었죠. 지금 만들고 있는 모델들에서도 그런 과학적 혹은 수학적 버전이 있나요?
현재 우리가 구축하려는 것은 알파고에 더 가깝다고 생각합니다. 사실상 거대 언어 모델, 파운데이션 모델들은 인터넷에 있는 모든 인간의 지식, 오늘날의 거의 모든 것을 가지고 시작하며, 이를 유용한 압축물로 만들어 검색하고 일반화할 수 있게 합니다. 하지만 알파고처럼 모델을 사용하여 유용한 추론 과정을 지시하고, 계획 아이디어를 내고, 그 시점에 문제에 대한 최적의 해결책을 찾아내는 검색이나 사고(thinking) 기능을 그 위에 얹는 것은 아직 초기 단계라고 생각합니다. 그래서 저는 현재 우리가 인터넷 같은 인간 지식의 한계에 갇혀 있다고 느끼지 않습니다. 현재의 주된 문제는 알파고 때처럼 신뢰할 수 있는 방식으로 이 시스템들을 완전히 사용하는 법을 아직 모른다는 것입니다.
물론 게임이라서 훨씬 쉬웠던 점은 있습니다. 알파고가 있다면, 알파 시리즈에서 그랬던 것처럼 알파제로로 돌아가서 스스로 지식을 발견하게 할 수 있을 겁니다. 그것이 다음 단계가 되겠지만, 분명 더 어렵습니다. 그래서 먼저 알파고와 같은 시스템으로 첫 단계를 만들고, 그다음에 알파제로와 같은 시스템을 생각하는 것이 좋다고 봅니다. 하지만 오늘날 시스템에서 빠져 있는 것 중 하나는 온라인 학습과 지속적인 학습 능력입니다. 우리는 시스템을 훈련시키고, 조정하고, 사후 훈련을 시킨 다음 세상에 내놓습니다. 하지만 우리가 그러하듯이 세상 밖에서 계속 배우지는 않습니다. 이것이 AGI를 위해 필요한, 현재 시스템에서 빠진 또 다른 중요한 조각이라고 생각합니다.
Q: 작년 이맘때만 해도 스케일링(규모 확장)이 결국 벽에 부딪힐 것이라는 이야기, 데이터가 고갈될 것이라는 이야기가 많았습니다. 스케일링이 벽에 부딪히는 문제가 있지 않았나요?
많은 사람들이 그렇게 생각했던 것 같습니다. 특히 다른 회사들의 진전이 더뎌지면서요. 하지만 우리는 사실상 어떤 벽도 본 적이 없습니다. 제가 말하고 싶은 것은 수확 체감(diminishing returns)이 있을 수는 있다는 것입니다. 제가 이렇게 말하면 사람들은 "아, 그럼 수확이 없다는 거구나. 0 아니면 1이구나. 기하급수적이거나 점근적이거나 둘 중 하나구나"라고만 생각합니다. 아닙니다. 사실 그 두 체제 사이에는 많은 공간이 있습니다. 우리는 그 사이에 있다고 생각합니다. 새로운 버전을 출시할 때마다 모든 벤치마크 성능이 두 배가 되지는 않을 겁니다. 3, 4년 전 아주 초기에는 그랬을지 모릅니다. 하지만 제미나이 3에서 보듯이 투자할 가치가 충분한 의미 있는 개선을 얻고 있습니다. 그래서 우리는 둔화를 보지 못했습니다.
가용 데이터가 고갈되는 것 아니냐는 이슈가 있습니다. 하지만 합성 데이터(synthetic data)나 생성 등을 통해 이를 우회할 방법들이 있습니다. 시스템이 충분히 좋아지면 자체 데이터를 생성하기 시작할 수 있습니다. 특히 코딩이나 수학 같은 특정 도메인에서는 답을 검증할 수 있으므로 어떤 의미에서는 무제한의 데이터를 생산할 수 있습니다. 이 모든 것들은 연구 과제입니다. 그리고 저는 우리가 항상 연구 우선(research-first)이었다는 것이 우리의 장점이라고 생각합니다. 우리는 항상 가장 넓고 깊은 연구 인력을 보유해 왔습니다. 지난 10년의 발전, 트랜스포머든 알파고든 알파제로든 방금 논의한 모든 것들을 돌아보면 모두 구글이나 딥마인드에서 나왔습니다. 그래서 저는 더 많은 혁신, 과학적 혁신이 필요하다면 지난 15년 동안 많은 대형 돌파구를 마련했던 것처럼 우리가 그것을 해낼 곳이라고 장담합니다.
그래서 저는 지금 상황이 그렇게 전개되고 있다고 봅니다. 사실 저는 지형이 더 험난해지는 것을 정말 좋아합니다. 왜냐하면 그때는 이미 충분히 어려운 세계적 수준의 엔지니어링뿐만 아니라, 우리가 전문으로 하는 세계적 수준의 연구와 과학을 결합해야 하기 때문입니다. 게다가 우리는 TPU와 오랫동안 투자해 온 다른 것들을 포함한 세계적 수준의 인프라라는 이점도 가지고 있습니다. 그래서 그 조합이 스케일링 부분뿐만 아니라 혁신의 최전선에 설 수 있게 해 준다고 생각합니다. 사실상 우리 노력의 50%는 스케일링에, 50%는 혁신에 있다고 보시면 됩니다. 제 내기에는 AGI에 도달하려면 둘 다 필요할 겁니다.
우리는 자석 안에 플라즈마를 가두는 것을 돕고 어쩌면 재료 설계까지 지원하여 그 과정을 가속화하고 싶습니다. 정말 흥미로운 일이죠. 그리고 구글의 양자 AI 팀과도 협력하고 있습니다. 우리는 기계 학습을 사용하여 그들의 오류 수정 코드를 돕고 있습니다. 핵융합은 항상 '성배(holy grail)'였습니다. 물론 태양열도 매우 유망하다고 생각합니다. 사실상 하늘과 구름 속에 있는 핵융합로를 사용하는 셈이니까요. 하지만 우리가 모듈식 핵융합로를 가질 수 있다면, 무제한적이고 재생 가능하며 깨끗한 에너지라는 약속은 분명 모든 것을 변화시킬 것입니다. 그것이 성배죠. 그리고 물론, 그것이 우리가 기후 문제에 도움을 줄 수 있는 방법 중 하나입니다.
물론 에너지와 오염 문제 등을 직접적으로 해결하고 기후 위기를 돕습니다. 하지만 에너지가 정말로 재생 가능하고 깨끗하며, 거의 공짜에 가까울 정도로 저렴해진다면 담수화 플랜트를 거의 어디에나 설치할 수 있게 되어 물 접근성 문제 같은 다른 많은 것들이 해결 가능해집니다. 심지어 로켓 연료를 만드는 것도요. 바닷물에는 수소와 산소가 많이 포함되어 있고, 그게 기본적으로 로켓 연료거든요. 단지 수소와 산소를 분리하는 데 에너지가 많이 들 뿐이죠. 하지만 에너지가 저렴하고 재생 가능하며 깨끗하다면, 왜 안 하겠습니까? 24시간 내내 생산할 수도 있을 겁니다.
능력과 확장의 역설
Q: 저는 알파고(AlphaGo)와 알파제로(AlphaZero)의 이야기도 궁금합니다. 인간의 경험을 모두 제거했더니 모델이 오히려 더 발전했었죠. 지금 만들고 있는 모델들에서도 그런 과학적 혹은 수학적 버전이 있나요?
현재 우리가 구축하려는 것은 알파고에 더 가깝다고 생각합니다. 사실상 거대 언어 모델, 파운데이션 모델들은 인터넷에 있는 모든 인간의 지식, 오늘날의 거의 모든 것을 가지고 시작하며, 이를 유용한 압축물로 만들어 검색하고 일반화할 수 있게 합니다. 하지만 알파고처럼 모델을 사용하여 유용한 추론 과정을 지시하고, 계획 아이디어를 내고, 그 시점에 문제에 대한 최적의 해결책을 찾아내는 검색이나 사고(thinking) 기능을 그 위에 얹는 것은 아직 초기 단계라고 생각합니다. 그래서 저는 현재 우리가 인터넷 같은 인간 지식의 한계에 갇혀 있다고 느끼지 않습니다. 현재의 주된 문제는 알파고 때처럼 신뢰할 수 있는 방식으로 이 시스템들을 완전히 사용하는 법을 아직 모른다는 것입니다.
물론 게임이라서 훨씬 쉬웠던 점은 있습니다. 알파고가 있다면, 알파 시리즈에서 그랬던 것처럼 알파제로로 돌아가서 스스로 지식을 발견하게 할 수 있을 겁니다. 그것이 다음 단계가 되겠지만, 분명 더 어렵습니다. 그래서 먼저 알파고와 같은 시스템으로 첫 단계를 만들고, 그다음에 알파제로와 같은 시스템을 생각하는 것이 좋다고 봅니다. 하지만 오늘날 시스템에서 빠져 있는 것 중 하나는 온라인 학습과 지속적인 학습 능력입니다. 우리는 시스템을 훈련시키고, 조정하고, 사후 훈련을 시킨 다음 세상에 내놓습니다. 하지만 우리가 그러하듯이 세상 밖에서 계속 배우지는 않습니다. 이것이 AGI를 위해 필요한, 현재 시스템에서 빠진 또 다른 중요한 조각이라고 생각합니다.
Q: 작년 이맘때만 해도 스케일링(규모 확장)이 결국 벽에 부딪힐 것이라는 이야기, 데이터가 고갈될 것이라는 이야기가 많았습니다. 스케일링이 벽에 부딪히는 문제가 있지 않았나요?
많은 사람들이 그렇게 생각했던 것 같습니다. 특히 다른 회사들의 진전이 더뎌지면서요. 하지만 우리는 사실상 어떤 벽도 본 적이 없습니다. 제가 말하고 싶은 것은 수확 체감(diminishing returns)이 있을 수는 있다는 것입니다. 제가 이렇게 말하면 사람들은 "아, 그럼 수확이 없다는 거구나. 0 아니면 1이구나. 기하급수적이거나 점근적이거나 둘 중 하나구나"라고만 생각합니다. 아닙니다. 사실 그 두 체제 사이에는 많은 공간이 있습니다. 우리는 그 사이에 있다고 생각합니다. 새로운 버전을 출시할 때마다 모든 벤치마크 성능이 두 배가 되지는 않을 겁니다. 3, 4년 전 아주 초기에는 그랬을지 모릅니다. 하지만 제미나이 3에서 보듯이 투자할 가치가 충분한 의미 있는 개선을 얻고 있습니다. 그래서 우리는 둔화를 보지 못했습니다.
가용 데이터가 고갈되는 것 아니냐는 이슈가 있습니다. 하지만 합성 데이터(synthetic data)나 생성 등을 통해 이를 우회할 방법들이 있습니다. 시스템이 충분히 좋아지면 자체 데이터를 생성하기 시작할 수 있습니다. 특히 코딩이나 수학 같은 특정 도메인에서는 답을 검증할 수 있으므로 어떤 의미에서는 무제한의 데이터를 생산할 수 있습니다. 이 모든 것들은 연구 과제입니다. 그리고 저는 우리가 항상 연구 우선(research-first)이었다는 것이 우리의 장점이라고 생각합니다. 우리는 항상 가장 넓고 깊은 연구 인력을 보유해 왔습니다. 지난 10년의 발전, 트랜스포머든 알파고든 알파제로든 방금 논의한 모든 것들을 돌아보면 모두 구글이나 딥마인드에서 나왔습니다. 그래서 저는 더 많은 혁신, 과학적 혁신이 필요하다면 지난 15년 동안 많은 대형 돌파구를 마련했던 것처럼 우리가 그것을 해낼 곳이라고 장담합니다.
그래서 저는 지금 상황이 그렇게 전개되고 있다고 봅니다. 사실 저는 지형이 더 험난해지는 것을 정말 좋아합니다. 왜냐하면 그때는 이미 충분히 어려운 세계적 수준의 엔지니어링뿐만 아니라, 우리가 전문으로 하는 세계적 수준의 연구와 과학을 결합해야 하기 때문입니다. 게다가 우리는 TPU와 오랫동안 투자해 온 다른 것들을 포함한 세계적 수준의 인프라라는 이점도 가지고 있습니다. 그래서 그 조합이 스케일링 부분뿐만 아니라 혁신의 최전선에 설 수 있게 해 준다고 생각합니다. 사실상 우리 노력의 50%는 스케일링에, 50%는 혁신에 있다고 보시면 됩니다. 제 내기에는 AGI에 도달하려면 둘 다 필요할 겁니다.
❤2
월드 모델과 시뮬레이션
Q: 시뮬레이션된 세계와 그 안에 에이전트를 넣는 것에 대해서도 꼭 이야기하고 싶습니다. 올해 초에 지니(Genie) 팀과 이야기를 나눴거든요. 왜 시뮬레이션에 관심을 가지시나요? 언어 모델이 할 수 없는 무엇을 월드 모델이 할 수 있나요?
사실 AI 외에도 월드 모델과 시뮬레이션은 아마 저의 가장 오래된 열정일 겁니다. 물론 지니 같은 최근 작업에서 모든 것이 하나로 합쳐지고 있지만요. 언어 모델은 세상에 대해 많은 것을 이해할 수 있습니다. 사실 우리가 예상한 것보다, 제가 예상한 것보다 더 많이요. 언어가 우리가 생각했던 것보다 훨씬 더 풍부하기 때문이죠. 언어학자들이 상상했던 것보다 세상에 대해 더 많은 것을 담고 있습니다. 그리고 새로운 시스템들로 그것이 증명되었습니다. 하지만 여전히 세상의 공간적 역학, 공간 인식, 우리가 처한 물리적 맥락, 그리고 그것이 기계적으로 어떻게 작동하는지에 대해서는 말로 설명하기 어렵고 일반적으로 말뭉치(corpus)에 설명되어 있지도 않은 것들이 많습니다. 그리고 많은 부분이 경험, 온라인 경험을 통한 학습과 연결되어 있습니다. 어떤 것들은 말로 설명할 수 없고 그냥 경험해야만 합니다. 감각 같은 것들은 말로 표현하기 매우 어렵죠. 모터의 각도나 냄새 같은 감각들 말입니다. 언어로 설명하기 매우 어렵습니다.
그래서 그런 것들에 대한 전체적인 영역이 있다고 생각합니다. 그리고 로봇 공학이 작동하게 하거나, 안경이나 전화기에 탑재되어 컴퓨터뿐만 아니라 일상생활에서 당신과 함께하며 돕는 만능 비서를 원한다면, 이런 종류의 세상에 대한 이해가 필요하며 월드 모델이 그 핵심입니다. 우리가 월드 모델이라고 할 때 의미하는 것은 세상의 인과 관계와 역학, 직관적 물리학, 사물이 어떻게 움직이고 행동하는지를 이해하는 모델입니다.
지금 비디오 모델들에서 그런 것들을 많이 보고 있습니다. 그런 이해력을 가지고 있는지 어떻게 테스트할까요? 현실적인 세계를 생성할 수 있는지 보면 됩니다. 생성할 수 있다면 어떤 의미에서는 시스템이 세상의 역학을 많이 캡슐화(내재화)했다고 볼 수 있으니까요. 그래서 지니나 비오(Veo), 우리의 비디오 모델들과 상호작용형 월드 모델들이 정말 인상적이면서도, 우리가 일반화된 월드 모델을 가지고 있다는 것을 보여주는 중요한 단계들입니다. 그리고 언젠가는 로봇 공학과 만능 비서에 적용할 수 있기를 바랍니다. 그리고 물론 제가 언젠가 꼭 하고 싶은, 제가 가장 좋아하는 일 중 하나는 그것을 게임과 게임 시뮬레이션에 다시 적용하여 궁극의 게임을 만드는 것입니다. 물론 그것이 제 무의식적인 계획이었을 수도 있고요.
Q: 과학 분야는 어떤가요?
과학적으로 복잡한 영역, 생물학의 원자 수준 재료나 날씨 같은 물리적인 것들의 모델을 구축하는 한 가지 방법은 원시 데이터(raw data)로부터 해당 시스템의 시뮬레이션을 학습하는 것입니다. 원시 데이터 뭉치가 있다고 해보죠. 날씨에 관한 것이라고 칩시다. 물론 우리는 놀라운 날씨 프로젝트들을 진행 중입니다. 그런 다음 그 역학을 학습하고, 무식하게 계산하는(brute force) 것보다 더 효율적으로 그 역학을 재현할 수 있는 모델을 갖는 겁니다. 그래서 저는 시뮬레이션과 월드 모델, 어쩌면 특화된 모델들이 과학과 수학의 여러 측면에서 엄청난 잠재력을 가지고 있다고 생각합니다.
Q: 하지만, 그 시뮬레이션된 세계 안에 에이전트를 떨어뜨려 놓을 수도 있잖아요? 지니 3 팀이 정말 멋진 말을 했어요. "어떤 주요 발명품의 전제 조건도 그 발명품을 염두에 두고 만들어진 것은 거의 없다"라고요. 그들은 시뮬레이션된 환경에 에이전트를 떨어뜨려 호기심을 주된 동기로 삼아 탐험하게 하는 것에 대해 이야기하고 있었죠.
그것이 이 월드 모델들의 또 다른 정말 흥미로운 용도입니다. 우리에게는 시마(SIMA)라는 또 다른 프로젝트가 있습니다. 방금 시마 2를 출시했는데, 시뮬레이션된 에이전트로서 아바타나 에이전트를 가상 세계에 둡니다. 일반적인 상업용 게임일 수도 있고, '노 맨즈 스카이(No Man's Sky)'처럼 매우 복잡한 오픈 월드 우주 게임일 수도 있습니다. 그리고 내부에 제미나이가 탑재되어 있어서 지시를 내릴 수 있습니다. 에이전트에게 말로 임무를 줄 수 있죠. 그러다 우리는 지니를 시마에 연결해서, 즉 시마 에이전트를 다른 AI가 즉석에서 생성하는 세계에 떨어뜨려 보면 재미있지 않을까 생각했습니다. 이제 두 AI가 서로의 마음속에서 상호작용하는 셈이죠. 시마 에이전트는 이 세상을 탐색하려고 노력합니다. 지니 입장에서는 그저 플레이어일 뿐이고, 아바타가 다른 AI라는 것은 상관하지 않습니다. 그저 시마가 하려는 행동에 맞춰 주변 세상을 생성할 뿐입니다.
두 AI가 함께 상호작용하는 것을 보는 것은 정말 놀랍습니다. 그리고 저는 이것이 흥미로운 훈련 루프(training loop)의 시작이 될 수 있다고 생각합니다. 거의 무한한 훈련 예시를 가질 수 있게 되니까요. 시마 에이전트가 무엇을 배우려고 하든 지니가 기본적으로 즉석에서 만들어낼 수 있습니다. 그래서 수백만 개의 과제를 자동으로 설정하고 해결하며 점점 더 어렵게 만드는 전체 세상을 상상할 수 있습니다. 그래서 우리는 그런 루프를 설정하려고 노력할 수도 있고, 분명 시마 에이전트들은 훌륭한 게임 동료가 될 수도 있으며, 그들이 배우는 것들 중 일부는 로봇 공학에도 유용할 수 있습니다.
Q: 당신이 만드는 그 세계들이 정말 현실적인지는 어떻게 확신하나요? 그럴듯해 보이지만 실제로는 틀린 물리학으로 끝나지 않도록 어떻게 보장하나요?
네, 아주 훌륭한 질문이고 문제가 될 수 있습니다. 기본적으로 또다시 환각 문제입니다. 어떤 환각은 흥미롭고 새로운 것을 만들어낼 수 있다는 점에서 좋습니다. 사실 창의적인 일을 하려거나 시스템이 새로운 것, 참신한 것을 만들게 하려 할 때 약간의 환각은 좋을 수 있습니다. 하지만 의도적이어야 합니다. "지금 환각을 켜라" 혹은 "창의적 탐험을 해라" 하는 식으루요. 하지만 시마 에이전트를 훈련시킬 때 지니가 틀린 물리학을 환각해 내는 것은 원치 않을 겁니다.
그래서 지금 우리가 하고 있는 것은 거의 '물리학 벤치마크'를 만드는 것입니다. 물리학적으로 매우 정확한 게임 엔진을 사용하여 꽤 단순한 것들을 많이 만듭니다. 물리학 A-레벨 실험실 수업에서 할 법한 것들 말이죠. 다른 트랙에 작은 공을 굴려 속도를 본다거나 하는 식으로 뉴턴의 운동 3법칙을 아주 기초적인 수준에서 분석하는 겁니다. 그것을 캡슐화했는가? 비오든 지니든 이 모델들이 그 물리학을 100% 정확하게 캡슐화했는가? 지금 당장은 아닙니다. 일종의 근사치죠. 그냥 대충 보면 현실적으로 보이지만, 로봇 공학 등에 의존할 만큼 충분히 정확하지는 않습니다.
그게 다음 단계입니다. 이제 우리는 정말 흥미로운 모델들을 가지고 있으니, 다른 모든 모델에서 시도하는 것처럼 환각을 줄이고 더욱 기반을 튼튼하게(grounded) 만드는 것이 목표 중 하나입니다. 물리학의 경우, 아마도 진자 운동 같은 단순한 비디오들의 '그라운드 트루스(ground truth, 실측값)'를 엄청나게 많이 생성해야 할 겁니다. 두 진자가 서로 돌면 어떻게 되는가? 그러다 보면 금방 삼체 문제(three-body problems)에 도달하게 되는데, 어차피 해결 불가능하죠. 그래서 흥미로울 겁니다. 하지만 이미 놀라운 점은 비오 같은 비디오 모델을 볼 때 반사나 액체를 처리하는 방식이 적어도 육안으로 보기에는 꽤나 믿을 수 없을 정도로 정확하다는 것입니다. 다음 단계는 인간 아마추어가 인식할 수 있는 수준을 넘어, 정말로 물리학 수준의 실험을 견뎌낼 수 있느냐 하는 것입니다.
Q: 시뮬레이션된 세계와 그 안에 에이전트를 넣는 것에 대해서도 꼭 이야기하고 싶습니다. 올해 초에 지니(Genie) 팀과 이야기를 나눴거든요. 왜 시뮬레이션에 관심을 가지시나요? 언어 모델이 할 수 없는 무엇을 월드 모델이 할 수 있나요?
사실 AI 외에도 월드 모델과 시뮬레이션은 아마 저의 가장 오래된 열정일 겁니다. 물론 지니 같은 최근 작업에서 모든 것이 하나로 합쳐지고 있지만요. 언어 모델은 세상에 대해 많은 것을 이해할 수 있습니다. 사실 우리가 예상한 것보다, 제가 예상한 것보다 더 많이요. 언어가 우리가 생각했던 것보다 훨씬 더 풍부하기 때문이죠. 언어학자들이 상상했던 것보다 세상에 대해 더 많은 것을 담고 있습니다. 그리고 새로운 시스템들로 그것이 증명되었습니다. 하지만 여전히 세상의 공간적 역학, 공간 인식, 우리가 처한 물리적 맥락, 그리고 그것이 기계적으로 어떻게 작동하는지에 대해서는 말로 설명하기 어렵고 일반적으로 말뭉치(corpus)에 설명되어 있지도 않은 것들이 많습니다. 그리고 많은 부분이 경험, 온라인 경험을 통한 학습과 연결되어 있습니다. 어떤 것들은 말로 설명할 수 없고 그냥 경험해야만 합니다. 감각 같은 것들은 말로 표현하기 매우 어렵죠. 모터의 각도나 냄새 같은 감각들 말입니다. 언어로 설명하기 매우 어렵습니다.
그래서 그런 것들에 대한 전체적인 영역이 있다고 생각합니다. 그리고 로봇 공학이 작동하게 하거나, 안경이나 전화기에 탑재되어 컴퓨터뿐만 아니라 일상생활에서 당신과 함께하며 돕는 만능 비서를 원한다면, 이런 종류의 세상에 대한 이해가 필요하며 월드 모델이 그 핵심입니다. 우리가 월드 모델이라고 할 때 의미하는 것은 세상의 인과 관계와 역학, 직관적 물리학, 사물이 어떻게 움직이고 행동하는지를 이해하는 모델입니다.
지금 비디오 모델들에서 그런 것들을 많이 보고 있습니다. 그런 이해력을 가지고 있는지 어떻게 테스트할까요? 현실적인 세계를 생성할 수 있는지 보면 됩니다. 생성할 수 있다면 어떤 의미에서는 시스템이 세상의 역학을 많이 캡슐화(내재화)했다고 볼 수 있으니까요. 그래서 지니나 비오(Veo), 우리의 비디오 모델들과 상호작용형 월드 모델들이 정말 인상적이면서도, 우리가 일반화된 월드 모델을 가지고 있다는 것을 보여주는 중요한 단계들입니다. 그리고 언젠가는 로봇 공학과 만능 비서에 적용할 수 있기를 바랍니다. 그리고 물론 제가 언젠가 꼭 하고 싶은, 제가 가장 좋아하는 일 중 하나는 그것을 게임과 게임 시뮬레이션에 다시 적용하여 궁극의 게임을 만드는 것입니다. 물론 그것이 제 무의식적인 계획이었을 수도 있고요.
Q: 과학 분야는 어떤가요?
과학적으로 복잡한 영역, 생물학의 원자 수준 재료나 날씨 같은 물리적인 것들의 모델을 구축하는 한 가지 방법은 원시 데이터(raw data)로부터 해당 시스템의 시뮬레이션을 학습하는 것입니다. 원시 데이터 뭉치가 있다고 해보죠. 날씨에 관한 것이라고 칩시다. 물론 우리는 놀라운 날씨 프로젝트들을 진행 중입니다. 그런 다음 그 역학을 학습하고, 무식하게 계산하는(brute force) 것보다 더 효율적으로 그 역학을 재현할 수 있는 모델을 갖는 겁니다. 그래서 저는 시뮬레이션과 월드 모델, 어쩌면 특화된 모델들이 과학과 수학의 여러 측면에서 엄청난 잠재력을 가지고 있다고 생각합니다.
Q: 하지만, 그 시뮬레이션된 세계 안에 에이전트를 떨어뜨려 놓을 수도 있잖아요? 지니 3 팀이 정말 멋진 말을 했어요. "어떤 주요 발명품의 전제 조건도 그 발명품을 염두에 두고 만들어진 것은 거의 없다"라고요. 그들은 시뮬레이션된 환경에 에이전트를 떨어뜨려 호기심을 주된 동기로 삼아 탐험하게 하는 것에 대해 이야기하고 있었죠.
그것이 이 월드 모델들의 또 다른 정말 흥미로운 용도입니다. 우리에게는 시마(SIMA)라는 또 다른 프로젝트가 있습니다. 방금 시마 2를 출시했는데, 시뮬레이션된 에이전트로서 아바타나 에이전트를 가상 세계에 둡니다. 일반적인 상업용 게임일 수도 있고, '노 맨즈 스카이(No Man's Sky)'처럼 매우 복잡한 오픈 월드 우주 게임일 수도 있습니다. 그리고 내부에 제미나이가 탑재되어 있어서 지시를 내릴 수 있습니다. 에이전트에게 말로 임무를 줄 수 있죠. 그러다 우리는 지니를 시마에 연결해서, 즉 시마 에이전트를 다른 AI가 즉석에서 생성하는 세계에 떨어뜨려 보면 재미있지 않을까 생각했습니다. 이제 두 AI가 서로의 마음속에서 상호작용하는 셈이죠. 시마 에이전트는 이 세상을 탐색하려고 노력합니다. 지니 입장에서는 그저 플레이어일 뿐이고, 아바타가 다른 AI라는 것은 상관하지 않습니다. 그저 시마가 하려는 행동에 맞춰 주변 세상을 생성할 뿐입니다.
두 AI가 함께 상호작용하는 것을 보는 것은 정말 놀랍습니다. 그리고 저는 이것이 흥미로운 훈련 루프(training loop)의 시작이 될 수 있다고 생각합니다. 거의 무한한 훈련 예시를 가질 수 있게 되니까요. 시마 에이전트가 무엇을 배우려고 하든 지니가 기본적으로 즉석에서 만들어낼 수 있습니다. 그래서 수백만 개의 과제를 자동으로 설정하고 해결하며 점점 더 어렵게 만드는 전체 세상을 상상할 수 있습니다. 그래서 우리는 그런 루프를 설정하려고 노력할 수도 있고, 분명 시마 에이전트들은 훌륭한 게임 동료가 될 수도 있으며, 그들이 배우는 것들 중 일부는 로봇 공학에도 유용할 수 있습니다.
Q: 당신이 만드는 그 세계들이 정말 현실적인지는 어떻게 확신하나요? 그럴듯해 보이지만 실제로는 틀린 물리학으로 끝나지 않도록 어떻게 보장하나요?
네, 아주 훌륭한 질문이고 문제가 될 수 있습니다. 기본적으로 또다시 환각 문제입니다. 어떤 환각은 흥미롭고 새로운 것을 만들어낼 수 있다는 점에서 좋습니다. 사실 창의적인 일을 하려거나 시스템이 새로운 것, 참신한 것을 만들게 하려 할 때 약간의 환각은 좋을 수 있습니다. 하지만 의도적이어야 합니다. "지금 환각을 켜라" 혹은 "창의적 탐험을 해라" 하는 식으루요. 하지만 시마 에이전트를 훈련시킬 때 지니가 틀린 물리학을 환각해 내는 것은 원치 않을 겁니다.
그래서 지금 우리가 하고 있는 것은 거의 '물리학 벤치마크'를 만드는 것입니다. 물리학적으로 매우 정확한 게임 엔진을 사용하여 꽤 단순한 것들을 많이 만듭니다. 물리학 A-레벨 실험실 수업에서 할 법한 것들 말이죠. 다른 트랙에 작은 공을 굴려 속도를 본다거나 하는 식으로 뉴턴의 운동 3법칙을 아주 기초적인 수준에서 분석하는 겁니다. 그것을 캡슐화했는가? 비오든 지니든 이 모델들이 그 물리학을 100% 정확하게 캡슐화했는가? 지금 당장은 아닙니다. 일종의 근사치죠. 그냥 대충 보면 현실적으로 보이지만, 로봇 공학 등에 의존할 만큼 충분히 정확하지는 않습니다.
그게 다음 단계입니다. 이제 우리는 정말 흥미로운 모델들을 가지고 있으니, 다른 모든 모델에서 시도하는 것처럼 환각을 줄이고 더욱 기반을 튼튼하게(grounded) 만드는 것이 목표 중 하나입니다. 물리학의 경우, 아마도 진자 운동 같은 단순한 비디오들의 '그라운드 트루스(ground truth, 실측값)'를 엄청나게 많이 생성해야 할 겁니다. 두 진자가 서로 돌면 어떻게 되는가? 그러다 보면 금방 삼체 문제(three-body problems)에 도달하게 되는데, 어차피 해결 불가능하죠. 그래서 흥미로울 겁니다. 하지만 이미 놀라운 점은 비오 같은 비디오 모델을 볼 때 반사나 액체를 처리하는 방식이 적어도 육안으로 보기에는 꽤나 믿을 수 없을 정도로 정확하다는 것입니다. 다음 단계는 인간 아마추어가 인식할 수 있는 수준을 넘어, 정말로 물리학 수준의 실험을 견뎌낼 수 있느냐 하는 것입니다.
Q: 당신이 오랫동안 이 시뮬레이션된 세계에 대해 생각해 왔다는 것을 압니다. 우리의 첫 인터뷰 대본을 다시 봤는데, 당신은 의식이 진화의 결과라는 이론을 정말 좋아한다고 말했더군요. 진화적 과거의 어느 시점에 타인의 내부 상태를 이해하는 것이 이점이 있었고, 그것을 우리 자신에게로 돌렸다는 이론 말이죠. 그렇다면 시뮬레이션 안에서 에이전트 진화를 실행해 보는 것에 대해 호기심이 생기지 않나요?
언젠가 그 실험을 꼭 해보고 싶습니다. 진화를 다시 돌려보고, 사회적 역학도 다시 돌려보는 거죠. 산타페 연구소(Santa Fe Institute)에서 작은 그리드 월드(grid world)에서 멋진 실험들을 하곤 했습니다. 저는 그런 것들을 좋아했죠. 대부분 경제학자들이었는데, 작은 인공 사회를 운영해 보려고 했고, 에이전트들이 올바른 인센티브 구조하에 충분히 오랫동안 돌아다니게 두면 시장, 은행 등 온갖 흥미로운 것들이 발명된다는 것을 발견했습니다. 그래서 정말 멋질 것 같고, 생명의 기원과 의식의 기원을 이해하는 데도 좋을 것 같습니다.
제가 처음부터 AI 연구에 열정을 가졌던 큰 이유 중 하나는 우리가 어디서 왔는지, 이 현상들이 무엇인지 정말로 이해하기 위해 이런 종류의 도구가 필요할 것이라고 생각했기 때문입니다. 시뮬레이션은 그것을 수행하는 가장 강력한 도구 중 하나입니다. 통계적으로 수행할 수 있으니까요. 초기 시작 조건을 약간씩 다르게 하여 시뮬레이션을 여러 번 실행하고, 어쩌면 수백만 번 실행한 다음, 매우 통제된 실험 방식으로 그 미세한 차이가 무엇인지 이해할 수 있습니다. 물론 우리가 답하고자 하는 정말 흥미로운 질문들에 대해 현실 세계에서는 하기가 매우 어렵죠. 그래서 정확한 시뮬레이션은 과학에 믿을 수 없을 만큼 큰 혜택이 될 것입니다.
Q: 이 모델들의 창발적 속성(emergent properties)에 대해 우리가 발견한 것들, 우리가 예상치 못한 개념적 이해를 가지고 있다는 점을 감안할 때, 그런 종류의 시뮬레이션을 실행하는 것에 대해서도 꽤 조심해야 하지 않을까요?
네, 그래야 한다고 생각합니다. 하지만 그게 시뮬레이션의 또 다른 장점입니다. 꽤 안전한 샌드박스 안에서 실행할 수 있으니까요. 결국에는 에어갭(airgap, 외부와 네트워크 격리) 상태로 만들고 싶을 수도 있고요. 물론 시뮬레이션에서 일어나는 일을 24시간 모니터링할 수 있고 모든 데이터에 접근할 수 있습니다.
시뮬레이션이 너무 복잡하고 너무 많은 일이 일어날 것이기 때문에 모니터링을 돕기 위해 AI 도구가 필요할 수도 있습니다. 수많은 AI가 시뮬레이션 안을 돌아다니는 것을 상상해 보면 인간 과학자가 따라잡기는 힘들 겁니다. 하지만 다른 AI 시스템을 사용하여 시뮬레이션에서 흥미롭거나 걱정스러운 점을 자동으로 분석하고 표시하도록 도울 수 있을 겁니다.
언젠가 그 실험을 꼭 해보고 싶습니다. 진화를 다시 돌려보고, 사회적 역학도 다시 돌려보는 거죠. 산타페 연구소(Santa Fe Institute)에서 작은 그리드 월드(grid world)에서 멋진 실험들을 하곤 했습니다. 저는 그런 것들을 좋아했죠. 대부분 경제학자들이었는데, 작은 인공 사회를 운영해 보려고 했고, 에이전트들이 올바른 인센티브 구조하에 충분히 오랫동안 돌아다니게 두면 시장, 은행 등 온갖 흥미로운 것들이 발명된다는 것을 발견했습니다. 그래서 정말 멋질 것 같고, 생명의 기원과 의식의 기원을 이해하는 데도 좋을 것 같습니다.
제가 처음부터 AI 연구에 열정을 가졌던 큰 이유 중 하나는 우리가 어디서 왔는지, 이 현상들이 무엇인지 정말로 이해하기 위해 이런 종류의 도구가 필요할 것이라고 생각했기 때문입니다. 시뮬레이션은 그것을 수행하는 가장 강력한 도구 중 하나입니다. 통계적으로 수행할 수 있으니까요. 초기 시작 조건을 약간씩 다르게 하여 시뮬레이션을 여러 번 실행하고, 어쩌면 수백만 번 실행한 다음, 매우 통제된 실험 방식으로 그 미세한 차이가 무엇인지 이해할 수 있습니다. 물론 우리가 답하고자 하는 정말 흥미로운 질문들에 대해 현실 세계에서는 하기가 매우 어렵죠. 그래서 정확한 시뮬레이션은 과학에 믿을 수 없을 만큼 큰 혜택이 될 것입니다.
Q: 이 모델들의 창발적 속성(emergent properties)에 대해 우리가 발견한 것들, 우리가 예상치 못한 개념적 이해를 가지고 있다는 점을 감안할 때, 그런 종류의 시뮬레이션을 실행하는 것에 대해서도 꽤 조심해야 하지 않을까요?
네, 그래야 한다고 생각합니다. 하지만 그게 시뮬레이션의 또 다른 장점입니다. 꽤 안전한 샌드박스 안에서 실행할 수 있으니까요. 결국에는 에어갭(airgap, 외부와 네트워크 격리) 상태로 만들고 싶을 수도 있고요. 물론 시뮬레이션에서 일어나는 일을 24시간 모니터링할 수 있고 모든 데이터에 접근할 수 있습니다.
시뮬레이션이 너무 복잡하고 너무 많은 일이 일어날 것이기 때문에 모니터링을 돕기 위해 AI 도구가 필요할 수도 있습니다. 수많은 AI가 시뮬레이션 안을 돌아다니는 것을 상상해 보면 인간 과학자가 따라잡기는 힘들 겁니다. 하지만 다른 AI 시스템을 사용하여 시뮬레이션에서 흥미롭거나 걱정스러운 점을 자동으로 분석하고 표시하도록 도울 수 있을 겁니다.