1. “코딩”의 본질이 바뀌었다

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

2. 새 병목은 모델이 아니라 “사람의 오케스트레이션 실력”이다

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

3. 다음 단계는 단일 에이전트가 아니라 멀티에이전트 + persistent system이다

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

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

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

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

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

6. AutoResearch는 “연구자까지 루프 밖으로 빼자”는 발상이다

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

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

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

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

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

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

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

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

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

11. 오픈소스와 프런티어 랩에 대해서는 “긴장된 균형”을 선호한다

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

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

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

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

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

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

행동 지향 vs 상태 지향

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

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

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

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

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

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

에이전트가 에이전트를 만드는 시대

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

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

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

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

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

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

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

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

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

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

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

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

"질문해 보세요"에서 → "이것 좀 처리해 줘"로의 변화.

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

앱(App)은 에이전트를 위한 도구가 됩니다.

워크플로우는 프로그래밍이 가능해집니다.

사람들의 관심은 화면을 보는 것에서 '결과물' 자체로 이동합니다.

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

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

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

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

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

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

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

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

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

Q7. 여기서 말하는 agent-native product란?
Dan의 정의를 Mike도 사실상 받아들이는데, 핵심은 사용자가 할 수 있는 일을 agent도 할 수 있어야 한다는 점입니다. 동시에 진입은 쉬워야 하지만, 커스터마이즈 가능하고 유연하며 확장 가능해야 하고, 디자이너가 미리 상상하지 못한 일도 해낼 수 있어야 합니다.

Q8. Mike가 보는 agent-native의 본질은?
그에게 agent-native는 단순히 “AI를 넣은 더 강한 앱”이 아닙니다. 오히려 예전엔 복잡한 CLI 명령이나 숨은 절차 때문에 접근하기 어려웠던 컴퓨터 기능이, 이제는 Claude 같은 agent 덕분에 원래 그렇게 되어야 했던 방식으로 작동하기 시작했다는 쪽에 가깝습니다. 한마디로 “컴퓨터가 드디어 같이 일하는 도구처럼 느껴진다”는 관점입니다.

Q9. Claude Code와 Claude.ai를 비교하며 무슨 말을 했나?
Mike는 Claude Code는 이 방향을 잘 보여주지만, Claude.ai는 아직 더 진화해야 한다고 말합니다. 예로, 사용자가 artifact나 문서를 만든 뒤 “이걸 project knowledge에 넣어줘”라고 했을 때, Claude가 직접 처리하지 않고 방법만 설명했다는 사례를 듭니다. agent-native라면 그런 primitive를 agent가 바로 다룰 수 있어야 한다는 뜻입니다.

Q10. agent-native 제품을 만들려면 모델에 무엇을 심어야 하나?
좋은 패턴, 템플릿, skill, 그리고 자기 자신에 대한 이해입니다. Mike는 Claude API 자체에 대한 skill만 있어도 새 모델 이름을 둘러싼 쓸데없는 오류를 줄일 수 있었다고 말하고, Every의 agent-native writeup을 skill로 패키징해 Claude Code가 그 원칙을 제품 설계에 반영하게 한 예도 이야기합니다.

Q11. 왜 agent-native 제품은 테스트 방식도 달라져야 하나?
예측 불가능성이 커지기 때문입니다. Mike는 agent-native iOS 앱에서 Claude가 앱 안 채팅 기능으로 자기 자신과 대화하는 모습을 본 사례를 말하면서, 이런 emergent behavior는 기존 unit test나 단순 e2e test만으로는 잡기 어렵다고 설명합니다. 그래서 더 실제적인 harness와 높은 fidelity의 verification이 필요하다고 봅니다.

Q12. 결국 2026년 software design의 핵심은 뭐라고 하나?
표면은 agent가 자유롭게 흔들 수 있어야 하지만, 아래 primitive와 구조는 아주 튼튼해야 한다는 것입니다. Mike는 이를 “유연하지만 모래 위에 지은 느낌이 아니어야 한다”는 식으로 말하며, 이 균형이 2026년 소프트웨어 설계의 예술이자 과학이라고 봅니다.

3) Robustness, 리뷰, 채용, 팀 구조

Q13. AI 시대의 PR/review 기준은 어떻게 달라지나?
단순히 “코드가 생겼다”가 아니라, 정말 작동한다는 증거와 왜 그렇게 만들었는지에 대한 생각이 필요합니다. Mike는 Claude에게도 “PR 전에 네가 직접 이 기능을 검증했다는 걸 보여줘”라고 요구하고, 사람에게는 proof of work보다 proof of thoughtfulness를 본다고 말합니다.

Q14. vibe-coded codebase를 운영할 때 생기는 문제는?
만든 사람 자신도 구조를 완전히 설명하지 못하는 경우가 생긴다는 점입니다. Dan은 Proof가 빠르게 성장했지만 자주 다운되자 내부 지원 인력을 온보딩하면서, 모델과 왕복하며 아키텍처를 설명할 언어를 만들어야 했다고 말합니다. 즉, 너무 빨리 만들어진 코드베이스는 가정의 탑이 쌓여 있고 지식이 암묵적이어서 운영 전환이 어렵습니다.

Q15. Mike가 말하는 robust product의 기준은?
사용자가 “한 번 잘못 클릭하면 다 무너질 것 같다”는 느낌을 받지 않아야 합니다. 그는 Instagram DM V1은 메시지가 갔는지조차 믿기 어려웠지만, V2는 적어도 로드·전송 상태가 신뢰 가능하도록 만들려고 집요하게 다듬었다고 말합니다. agent-native 제품도 마찬가지로, 위에서 흔들어도 아래 데이터와 상태는 안전해야 한다는 얘기입니다.

Q16. 그럼 AI 시대에 어떤 사람을 채용해야 하나?
오히려 systems/architecture 감각이 더 중요해졌다고 봅니다. Mike는 distributed systems 경험이 여전히 매우 유효하다고 말하고, 동시에 product-oriented GM처럼 프롬프트를 덧칠하기보다 도구 구조 자체를 다시 설계할 수 있는 사람도 중요하다고 설명합니다.

Q17. prompt patching은 왜 위험한가?
문제가 생길 때마다 프롬프트에 지시를 더 얹으면, 결국 새 직원 첫날에 지시 100개를 주는 것 같은 상태가 되기 때문입니다. Mike는 이런 경우 보통 문제는 더 많은 instruction이 아니라 툴 분해가 잘못됐거나 agent를 둘로 나눠야 하는 상황일 수 있다고 봅니다.

Q18. UI/flow/polish는 누가 맡고 있나?
Labs에서는 웹의 polish에 강한 사람들이 프로토타입에 성격을 불어넣고, 디자이너들도 상당수 code를 직접 쓰는 designer-builder 역할로 움직입니다. Mike는 일부 프로젝트를 사실상 “아이디어를 민 디자이너 + 뒤에서 길을 닦는 엔지니어”의 cofounder 모델로 운영한다고 설명합니다.

Q19. 새 프로젝트를 시작할 때 가장 중요한 신호는?
문제 공간에 대해 벽을 뚫고서라도 끝까지 확인하겠다는 수준의 확신을 가진 사람이 있는가입니다. 아이디어 디테일에 대한 고집이 아니라, 이 질문을 끝까지 밀어붙일 사람인지가 핵심이고, 그런 사람이 없으면 프로젝트는 “그럴듯하네” 수준에서 죽는다고 말합니다.

Q20. 팀은 왜 작게 유지해야 하나?
아이디어가 아직 한 사람 머릿속에 들어갈 정도면 사람을 더 붙일수록 coordination cost가 더 커지기 때문입니다. Mike는 Instagram과 Artifact 경험을 예로 들며, product-market fit 이전에는 팀을 너무 빨리 키우면 정렬 회의만 늘어난다고 말합니다. AI 시대엔 제품을 3~6개월마다 크게 갈아엎을 수도 있어서 이 문제가 더 심해집니다.

4) 삭제, 리라이트, enterprise tension

Q21. 왜 삭제가 product discipline이 됐다고 보나?
만드는 비용이 급격히 내려갔기 때문에, 이제 진짜 경쟁력은 무엇을 없앨지 아는 능력으로 이동했기 때문입니다. Mike는 Claude Code 팀이 “안 되면 지워라”를 거의 원칙처럼 다루고, 새로운 기능이 기존 기능의 상당 부분을 대체하면 과감히 deprecated/replaced 해야 한다고 말합니다.

Q22. enterprise 고객이 붙으면 왜 삭제가 더 어려워지나?
고객은 현재 UI와 기능 위에 교육 자료, 운영 습관, 내부 규칙을 쌓기 때문입니다. Mike는 Claude.ai 대규모 리디자인 후 어떤 고객이 20시간짜리 enablement 콘텐츠를 다시 찍어야 했다고 항의한 사례를 들고, Styles 기능도 사용자는 적지만 몇몇 회사에는 매우 핵심적이라 쉽게 없애지 못한다고 말합니다.

Q23. 그 문제를 장기적으로 어떻게 풀려 하나?
feature를 core product에서 빼내고 plugins/skills 같은 형태로 이동시키는 방향입니다. 그러면 특정 기능을 좋아하는 사용자는 계속 쓸 수 있지만, 신규 사용자에게는 기본 복잡성을 얹지 않아도 됩니다.

Q24. enterprise 고객을 상대하면서도 속도를 유지하려면 어떻게 해야 하나?
Mike의 답은 “core는 계속 움직이고, enterprise에는 toggle과 rollout 배려를 제공하라”입니다. Cowork는 처음부터 직원에게 비활성화할 수 있는 관리 옵션이 있었고, 고객은 1년짜리 계약을 하더라도 제품이 고정되는 게 아니라 계속 진화할 것이라는 믿음을 가져야 한다고 봅니다.

Q25. 그럼 enterprise-facing startup은 어떤 운영 리듬을 가져야 하나?
연 단위가 아니라 월 단위로 생각해야 한다는 것입니다. Mike는 예전엔 “작년 제품 vs 올해 제품”이었다면 지금은 “3개월 전 제품 vs 오늘 제품” 수준으로 압축됐다고 말하며, V3/V4 수준의 큰 리라이트도 감수하지 않으면 처음부터 다시 생각한 회사에 밀릴 수 있다고 봅니다.

5) OpenClaw, 개인 에이전트, 2026년의 질문

Q26. Mike는 OpenClaw를 어떻게 보나?
이미 가능했던 capability를 사람들이 실제로 만져보게 해준 좋은 packaging으로 봅니다. 코딩도 원래 가능했지만 Replit, Lovable 같은 도구가 대중적 직관을 만들어줬듯, OpenClaw도 “모델에게 툴을 주고 돌리면 어떤 일이 생기는지”를 직접 체감하게 해준 사례라는 평가입니다. 동시에 잠재력과 위험을 한 번에 보여줬다고 말합니다.

Q27. Mike가 꼽는 2026년의 핵심 product question은?
지나치게 제한된 현재 제품과 OpenClaw 같은 넓은 autonomy 사이에 어떤 중간 제품 형태가 존재하느냐입니다. 충분히 강력해서 유용하지만, 연락처 전체에 메일을 보내버리는 식으로 폭주하지는 않는 경계를 어떻게 설계할지가 앞으로 몇 달간 가장 재미있는 문제라고 봅니다.

Q28. 왜 personal agent는 사람들에게 ‘내 것’처럼 느껴지나?
이름을 붙이고, 시간이 지나며 지식과 신뢰가 축적되고, 셋업에 공을 들인 만큼 소유감이 생기기 때문입니다. Mike는 이를 IKEA effect와 연결하고, OpenClaw처럼 설정이 아직 쉽지 않을수록 “내가 이걸 만들었다”는 감각이 강해진다고 설명합니다.

Q29. single agent vs multi-agent에 대한 Mike의 생각은?
그는 앞단에는 하나의 이름 있는 coordinator agent가 있고, 뒤에서는 subagents에 일을 위임하는 구조를 선호하는 쪽입니다. 이유는 run loop를 열어 둬서 사용자가 계속 대화하고 개입할 수 있어야, 도구라기보다 함께 일하는 존재처럼 느껴지기 때문입니다.

Q30. 조직 차원에서는 어떤 변화가 생기나?
Dan은 각 사람의 Claude가 그 사람의 전문성을 닮아 가면서, 조직 안에 shadow org chart가 생긴다고 말합니다. Mike는 여기에 동의하면서, 동시에 “내 agent가 나에 대해 무엇을 알고 있고, 무엇을 다른 사람에게 드러내는가”라는 프라이버시와 지식 이전 문제가 중요한 연구 주제가 될 것이라고 봅니다.

오랫동안 글을 쓰지 않았다.

읽는 건 멈추지 않았다. Agents와 함께 살면서 매일 배우고 있었다. 근데 배운 것들이 너무 빠르게 바뀔 것 같아 기록하지 못했고, 더 좋은 글을 쓰려다가 계속 미뤘다.

그러다 USV의 Fred Wilson이 생각났다. 20년 넘게 거의 매일 블로그를 썼다. 처음부터 잘 쓴 게 아니다. 우연히 시작했고, 쓰다 보니 좋은 글이 됐다. 완벽한 글을 기다리는 것보다 쓰는 과정이 학습 곡선을 만든다. 다시 쓰기로 했다.

SF로 넘어왔다. 세 번째 창업을 준비 중이다.

한국에서 확실한 무언가를 만들고 나서 오려고 시간을 오래 끌었다. 와보니 알았다. 완벽한 준비는 없다. 허락받는 것보다 일이 되게 하는 게 중요하다.

오히려 일찍 온 게 다행이다. 고객과 파트너를 빠르게 만날 수 있고, AI가 바뀌는 속도를 몸으로 경험할 수 있다.

미국에서 나는 소셜 캐피털이 없다.

여기 학교를 나온 것도, 여기 회사에서 일해본 것도 없다. 네트워크도 평판도 0이다. 한국에서 두 번의 창업을 하며 10년 가까이 쌓아온 것들 — 누가 어떤 사람인지 아는 정보력, 나를 알아주는 평판, 믿을 수 있는 네트워크. 그게 여기서는 없다.

Chamath가 한 말이 있다. "하버드, 스탠퍼드 라벨이 없어도 된다. 단 그 문은 네 두 발로 직접 걸어 들어가야 한다." 소셜 캐피털이 없다는 건 비극이 아니다. 스스로 걸어 들어가야 한다는 뜻이다.

다시 태어난 느낌이다. 첫 창업 때처럼, 아무것도 모르는 상태에서 지식과 경험과 네트워크를 처음부터 쌓아가고 있다.

Naval이 Joe Rogan 팟캐스트에서 이런 말을 했다.

"위대한 아티스트들 — Paul Simon, Madonna, U2 — 은 모두 다시 시작할 수 있는 능력이 있다. 위대한 창업자들도 마찬가지다. Elon은 PayPal 이후 $200M을 받아 SpaceX에 $100M, Tesla에 $80M, Solar City에 $20M을 넣었다. 월세도 빌려야 했다. 실패처럼 보이는 걸 두려워하지 않았다. Pride is the enemy of learning. 과거 성공에 집착하면 local maximum에 갇힌다."

한국은 내가 도달한 local maximum이었다. 의도적으로 내려왔다. 더 큰 산이 보였기 때문이다.

SF에 와서 가장 크게 받은 영향은 낙관주의다.

글로벌 AI 사적 기업 시총의 91%가 베이에어리어에 있다. 말도 안 되는 아이디어에 크게 베팅하고, PMF를 찾은 기업가에게 경험과 자본이 몰리는 곳. 다음으로 크게 될 비즈니스를 놓치는 것이 오히려 큰 손해라는 생각이 공기처럼 있다.

AI가 세상을 바꾸는 건 자명하다. 그런데 같은 SF 안에서도 Claude Code나 Agent가 어디까지 할 수 있는지 아직 모르는 비즈니스들이 많다. SF만 벗어나도 Agent에 대한 관심도는 낮다. 기술은 이미 왔다. 아직 퍼지지 않았을 뿐이다. 그 사이에 비즈니스와 투자의 기회들이 보인다.

돌이켜보면 나는 항상 이 과정이 좋았다. 문제를 찾고 해결하면서 비즈니스를 만들고, 나보다 똑똑하고 나은 사람들과 일하면서, 함께한 사람들과 부를 나누는 과정.

Chamath가 이런 말을 했다. "진짜 성공한 사람들은 자기 자신과의 infinite game에 집중한다. 남의 규칙으로 남의 게임을 하지 않는다. 그게 인생을 낭비하는 가장 어리석은 방법이다."

Bay도 소셜 스테이터스 게임이 심하다. 얼마를 투자받았고, 어떤 리서치를 했고, 어디에서 일했고 누구를 알며. 나는 남들과 비교해서 이기는 게임을 하고 싶지 않다. 내가 좋아하는 걸 배우고, 문제를 해결하는 비즈니스를 만들고, 자본주의 안에서 부를 일구고, 함께한 사람들과 나누는 것. 그게 내 게임이다. 나라는 인간의 이 챕터를 나답게 쓰고 싶다.

앞으로 여기서 기록하겠다. 세 번째 창업의 과정, SF에서 발견하는 것들, AI가 실제로 어떻게 쓰이는지를. 완벽한 글을 기다리지 않고.

힘든 시간을 보내고 있는 모든 분들에게. 고통을 피하는 법이 아니라 — 나아가는 법.

https://x.com/raulcontev/status/2054597265172377732

1. 고통은 포기할 이유가 아니다.

고통은 모든 것이 끝났다는 의미가 아니라, 당신이 살아 있다는 의미다. 포기하는 것은 단지 일시적인 위안일 뿐, 그 후에는 후회로 변한다.

목표는 매일 기분이 좋게 느끼는 것이 아니라, 고통 속에서도 계속 나아가는 것이다.

2. 개인적으로 받아들이지 마.

나쁜 연속은 네 가치를 결정짓는다고 믿을 때 벌처럼 느껴져. 하지만 고통은 인간으로서의 일부지, “일부 피해자들”에게만 일어나는 일이 아니야.

네가 누구인지, 네게 일어나는 일과 분리해.
사건들은 챕터일 뿐, 꼬리표가 아니야.

3. 너를 지탱해 주는 루틴을 만들어라.

삶이 무너질 때, 루틴은 너의 구명줄이 된다.

규칙적인 시간에 잠자고, 건강하게 먹고, 매일 몸을 움직여라. 네 아침은 단순하고 반복 가능하게 하라.

루틴은 혼돈을 줄인다.
덜한 혼돈 = 덜한 나쁜 결정들.

4. 목적이 당신을 이끌게 하라.

동기는 사라지지만, 목적은 남는다.
그것은 당신의 신앙, 가족, 목표, 또는 약속일 수 있다.

목적은 고통에 의미를 부여하고,
의미가 있을 때 절망은 줄어든다.

목적은 휘발유다.

5. 다음 한 시간을 통제하세요.

문제들이 거대하게 느껴지는 이유는 산 전체를 보고 있기 때문입니다. 초점을 좁히세요.

다음 해가 아니라 다음 한 시간에 집중하세요. 물을 마시고, 목욕을 하고, 구석을 청소하고, 전화를 걸어보세요.

작은 행동 하나가 기분을 바꿔줍니다.

6. 올바른 사람들에게 진실을 말하라.

고립시키는 것은 모든 것을 더 무겁게 만든다.
솔직한 대화는 짐을 덜어준다.

신뢰할 수 있는 사람을 찾아 두려움도 부끄러움도 없이 이야기하라.
도움을 요청하는 것은 약점이 아니라 강점이다.

지지해주는 것은 안정감을 주고, 안정감은 치유를 돕는다.

7. 패배에서 배우세요.

모든 손실은 경험으로 가득 찬 교훈을 가져옵니다. 패턴을 배우고 반복하지 마세요.

당신이 통제할 수 있는 것은 고치고, 통제할 수 없는 것은 놓아주세요. 당신의 한계, 습관, 결정을 개선하세요.

고통은 당신을 변화시킬 때 유용합니다.

8. 시간에 신뢰를 두세요.

시간이 모든 것을 고쳐주지는 않지만, 시간 + 행동은 그렇습니다.

많은 사람들이 모든 것이 바뀌기 직전에 포기합니다.

치유는 처음에는 느리지만, 나중에는 갑작스럽습니다.

치유는 따분해 보일 수 있지만, 당신을 강력하게 만듭니다.

변화가 보일 때까지 충분히 버텨라.

아무것도 나아지지 않는 것처럼 보여도 계속 서 있어라.

어느 날 더 강해진 채로 깨어날 거야,

그게 포기하지 않은 대가야.

“The best strategy is to do 100 things and hope that some of them work – and if they don’t, do another 100 things.”

- Economic sciences laureate Edmund Phelps on how to encourage entrepreneurs

“가장 좋은 전략은 100가지를 시도해 보고 그중 몇 가지가 성공하기를 바라는 것입니다. 만약 성공하지 못하더라도, 또 다른 100가지를 시도하면 됩니다.”

- 경제학상 수상자 에드먼드 펠프스가 말하는 기업가 정신을 고취하는 방법

http://x.com/NobelPrize/status/1807432930601406740

가까운 친구가 내게 이런 말을 해 줬다.

“네가 정말 좋아하고 잘하는 일을, 큰 비즈니스가 되지 않을 것 같다는 이유로 애써 외면하지 마.”

돌이켜 보면 나는 잘하고 관심 있는 일조차 “이게 큰 비즈니스가 되겠어?”라는 생각으로 외면해 왔다. 마음속에서 반복되는 울림을 노이즈로 치부한 채, “어딘가에 더 큰 기회가 있을 거야”라며 바깥의 새로운 기회만 찾아다니는 데 많은 시간을 썼다.

나는 기업가와 투자자, 자기 방식으로 세상에 새로운 가치를 만드는 사람들을 동경한다. 내게 그들은 BTS이고 블랙핑크다. 그들의 여정을 탐구하고, 그 안에서 발견한 원리를 다른 사람들과 나누고, 나 역시 새로운 문제를 풀어 가치를 만드는 일을 진심으로 사랑한다.

하지만 그들을 동경한다고 해서 그들이 걸어온 길을 내 삶에 그대로 대입해야 하는 것은 아니다. 나와 그들은 서로 다른 삶을 살아왔고, 출발점도 다르다. 누군가의 여정을 재현하려 애쓰다 보면 오히려 나다운 길을 놓칠 수 있다.

다른 사람의 강점과 기회를 발견하는 일은 쉬운데, 정작 내 마음을 제대로 들여다보는 일은 늘 어렵다. 내가 실제로 좋아하고 잘하는 것과, 내가 좋아한다고 믿어 온 것이 언제나 같았던 것은 아니다. 그 간극은 어쩌면 나 자신에게 충분히 솔직하지 못했던 데서 생겼는지도 모른다.

나 자신에게 솔직해지는 데에는 용기가 필요하다. 그리고 그 용기에서 비로소 나다운 여정이 시작된다.

1MW 컴퓨트로 가장 높은 가치를 만들 수 있는 주체가 AI가 만들어내는 밸류를 캡쳐한다.

여기서 세 가지를 구분해야 한다. 컴퓨트 가격/MW-year는 1MW의 컴퓨트 용량을 1년간 확보하는 데 드는 비용이다. 매출/MW-year는 그 용량으로 외부 고객에게 서비스를 제공해 얻는 매출이다. 경제적 가치/MW-year는 광고, 거래, 연구, 비용 절감 등 내부 사용까지 포함해 만들어 내는 총가치다.

AI 랩의 단위경제학이 달라졌다.

프런티어 랩은 데이터센터의 GPU를 이용해 모델을 연구·학습하고, 완성된 모델을 추론 서비스로 제공해 매출을 얻는다. 대담의 출발점은 GPT-4를 NVIDIA Hopper에서 서비스하던 시기에는 요청을 하나 더 처리할수록 손실이 나는 음의 추론 매출총이익이 발생했다는 것이다. 당시에는 모델 연구와 추론 서비스 모두 외부 투자금에 크게 의존했다.

이후 두 가지가 동시에 달라졌다. 모델·칩·서빙 소프트웨어의 효율이 개선되면서 같은 MW로 더 많은 요청을 처리할 수 있게 됐고, 모델 성능이 좋아지면서 사용량과 고객의 지불의사도 높아졌다.

당시 컴퓨트의 기초 가격은 대략 `$10M–$15M/MW-year`로 제시된다. 반면 Anthropic이 실제 고객 요청 처리에 배정한 일부 생산적 추론 용량에서는 매출이 최고 `$50M/MW-year`에 이르렀다는 추정이 나온다. 즉 컴퓨트에 10을 지출해 50의 매출을 만드는 구간이 생겼다는 주장이다.

다만 세 가지는 혼동하면 안 된다.

- `$50M/MW-year`는 회사 전체 컴퓨트의 평균이 아니라 생산적으로 가동되는 특정 추론 용량에 대한 SemiAnalysis의 추정이다.
- 매출 50에서 컴퓨트 비용 10을 뺀 40이 곧바로 이익이 되는 것은 아니다. 인력, 네트워크, 데이터, 연구개발과 본사 비용도 들어간다.
- 특정 추론 서비스의 매출총이익이 양수라는 사실은 랩 전체가 흑자라는 뜻이 아니다. 대규모 연구·학습과 선행 설비투자는 계속 현금을 소모한다.

그럼에도 이 변화는 중요한 플라이휠을 만든다.

모델 성능 상승 → 작업 성공률·사용량·지불의사 상승 → 추론 매출/MW 상승 → 현금흐름 개선 → R&D 컴퓨트 확대 → 다음 모델 성능 상승

단위경제성이 좋아졌다면 다음 질문은 자연스럽다. 누가 새로 건설되는 컴퓨트를 가장 높은 가격에 확보할 수 있는가?

2. 컴퓨트를 가지고 돈을 버는 방법을 찾았으니 세계의 컴퓨트를 흡수한다.

여기서 제시되는 2026~2029년 숫자는 세계의 전체 컴퓨트 보유량이 아니라 그해 새로 추가되는 AI 컴퓨트 용량이다. SemiAnalysis는 연간 신규 증설량을 2026년 약 30GW, 2027년 50GW, 2028년 70GW, 2029년 90~100GW로 예상한다.

이 추정에 따르면 OpenAI와 Anthropic이 가져가는 몫은 2026년 신규 용량의 약 30%, 2027년 40~50%다. 공격적인 시나리오에서는 2028년 70~80%까지 올라간다. 2029년의 두 랩 점유율은 별도로 제시되지 않는다.

개별 랩의 규모를 보면 OpenAI는 2026년 초 약 2GW, Anthropic은 2GW 미만에서 시작해 연말에는 두 회사가 각각 5GW를 넘는다는 추정이다. 다만 이 시작·종료 수치와 앞의 세계 신규 용량 점유율은 계약 시점과 워크로드 분류가 서로 달라 정확히 맞아떨어지지 않는다. 각각 별도의 공급망 추정으로 읽는 편이 안전하다. 이미 체결된 계약을 바탕으로 보면 2027년 세계 신규 용량의 40~50%가 두 랩의 워크로드에 사용될 수 있다는 것이 핵심이다.

여기서도 세 개념을 구분해야 한다.

1. 신규 유입량(flow)과 이미 설치된 누적 용량(stock)은 다르다. 신규 용량의 절반을 가져간다고 세계 전체 컴퓨트의 절반을 보유하는 것은 아니다.
2. 물리적 소유와 경제적 통제도 다르다. AWS의 서버에서 Claude가 실행되더라도 그 워크로드가 Anthropic의 매출을 만들면 이 분류에서는 Anthropic 수요로 잡힌다.
3. 와트와 유효 FLOPs도 다르다. GB300, TPU v7, Trainium3 같은 신형 하드웨어가 이전 세대보다 와트당 성능이 3~5배 높다면, 두 랩의 전력 점유율보다 실제 사용 가능한 연산량 점유율이 더 빠르게 커질 수 있다.

따라서 “두 랩이 세계 컴퓨트의 대부분을 곧 소유한다”보다 다음 표현이 정확하다.

두 랩이 신규 용량의 큰 몫을 흡수하고 최신 하드웨어를 먼저 사용한다면, 2028년 말 세계 유효 FLOPs의 상당 부분을 경제적으로 통제할 수 있다. 다만 이는 모델 우위와 매출/MW 상승이 계속된다는 조건이 붙은 상단 시나리오다.

하지만 높은 지불의사가 존재해도 칩, 전력, 공장과 데이터센터는 즉시 늘어나지 않는다.

3. 공급은 왜 수요만큼 빨리 늘어나지 못하는가

AI 공급망은 긴 채찍과 같다. 프런티어 랩에서 시작된 수요 신호가 가속기, HBM, 첨단 패키징, 웨이퍼 장비, EUV 광학계, 변압기와 발전설비까지 전달되고 실제 생산능력으로 바뀌기까지 수년이 걸린다.

대표적인 예가 ZEISS의 EUV 광학계다. ZEISS는 2026년 기준 60대에서 2030년경 연간 약 100대의 EUV 장비에 필요한 광학계를 공급하는 방향으로 계획을 높였다고 한다. 자본주의는 높은 가격에 반응해 공급을 늘리지만, 돈을 투입한 즉시 숙련인력과 정밀부품, 전력망이 생기지는 않는다.

2027년의 공급망 투자 규모도 크다. 웨이퍼 제조장비에 약 $200B, 데이터센터·가속기·에너지 공급망까지 합치면 전체 설비투자가 `$2T`를 훨씬 넘을 수 있다는 추정이다. 랩의 현금흐름이 빠르게 늘더라도 공급망 전체를 한꺼번에 현금으로 조달할 수준은 아니라는 뜻이다.

컴퓨트 가격은 어디까지 오를 수 있는가

GB300에 Kimi 같은 공개 모델을 올려 API로 판매하는 사업자도 $10M–$15M/MW-year`의 컴퓨트에서 매출을 낼 수 있다고 가정해 보자. 이 가격대에서도 여러 수요자가 돈을 벌 수 있다면 OpenAI와 Anthropic이 2028년 신규 용량의 70% 이상을 가져가기 위해서는 `$25M, $30M, 경우에 따라 `$50M/MW-year`까지 지불해야 한다.

그러나 이 숫자는 희소한 최신 용량의 상단 가격이지 시장 평균 전망이 아니다. 기본 시나리오에서는 2027년 말에도 대부분의 컴퓨트가 $20M/MW-year 미만에서 거래된다. 대부분의 프로젝트는 건설 전에 장기 고객계약과 금융조달을 확보해야 하기 때문이다.

먼저 짓는 사업자는 선택권을 가진다

일반적인 GPU 클라우드는 고객의 장기계약을 담보로 자금을 빌리고 나서 데이터센터를 짓는다. 반면 Meta, 대형 하이퍼스케일러와 SpaceX처럼 기존 현금흐름과 대차대조표가 강한 기업은 최종 고객이 확정되기 전에 먼저 설비를 구축할 수 있다.

이들은 완공 시점의 가격을 보고 세 가지 중 하나를 선택할 수 있다.

- 광고·검색·추천·연구 등 자체 사업에 사용한다.
- 일반 클라우드 고객에게 판매한다.
- 더 높은 가격을 제시하는 프런티어 랩에 임대한다.

고객 없이 먼저 지을 수 있는 능력은 반드시 승자가 되기 위한 필요조건은 아니지만, 내부 사용과 외부 판매 사이에서 더 높은 수익을 고를 수 있는 강한 선택권이다.

규제의 효과는 한 방향이 아니다. 모델의 공개나 내부 사용을 제한하면 랩의 매출/MW와 컴퓨트 입찰력이 낮아질 수 있다. 반대로 데이터센터와 발전소 건설을 막는 규제는 물리적 공급을 줄여 이미 가동 중인 컴퓨트의 가격을 높일 수 있다.

4. AI가 만드는 가치와 그 가치를 가져가는 주체는 다르다

AI의 잠재가치를 가늠하는 또 하나의 방법은 노동가치와 비교하는 것이다. 연봉 `$100K`인 사무직 100만 명의 결과물을 1GW의 컴퓨트가 만들어 낸다면 연간 경제적 가치는 `$100B/GW`다. 완전한 AGI라면 그 값이 GW당 수천억 달러에 이를 수도 있다는 추측까지 나간다.

물론 이는 모델이 사람의 일을 완전히 대체하고, 높은 가동률로 작동하며, 검수와 실패 비용이 크지 않다는 강한 가정에 기반한 상한 사고실험이다.

더 중요한 질문은 그 가치가 누구의 매출과 이익이 되느냐다. 이 관점에서 현재 가장 큰 잉여는 최종 사용자와 기업 고객에게 돌아간다. 독립 AI 애플리케이션이 지금까지 포획한 이익은 상대적으로 작다. 반면 모델 랩은 음의 추론 매출총이익에서 높은 양의 매출총이익으로 이동하고 있다. AI 투자 초기에는 칩과 파운드리가 공급망 초과이익을 크게 가져갔지만, 최근에는 HBM·기판·즉시 사용할 수 있는 컴퓨트가 새로운 병목이 되면서 가치 포획의 중심도 이동하고 있다.

Jane Street는 모델 사용료보다 훨씬 큰 거래가치를 만들어 내는 사례로 등장한다. Meta도 한때 Anthropic 매출의 최대 10%를 차지했다는 소문과 함께, 모델을 광고 알고리즘과 참여도 개선에 사용해 토큰 비용보다 큰 내부가치를 얻을 수 있는 사례로 언급된다. 다만 Jane Street의 계약 조건, Meta의 매출 비중과 “참여시간 5% 증가”는 기업 공시로 확인된 사실이 아니라 대담에서 제시된 주장과 예시다.

이 사례가 보여 주는 핵심은 명확하다.

컴퓨트 입찰력은 모델을 판매하는 랩에만 생기지 않는다. 광고, 거래, 검색, 커머스처럼 AI의 판단을 즉시 현금흐름으로 바꿀 수 있는 기존 사업자도 매우 높은 내부가치/MW를 만들 수 있다.

20GW가 곧바로 `$1T`의 매출을 뜻하지는 않는다

대담에 등장하는 20GW와 `$50M/MW-year`를 단순히 곱하면 `$1T`가 된다. 그러나 전체 20GW에는 연구와 학습용 컴퓨트가 포함된다. 예를 들어 40%인 8GW만 추론에 배정되고 그 용량이 `$50M/MW-year`의 매출을 낸다면 연율화 추론 매출은 약 `$400B`다.

따라서 원문의 `$750B–$1T`를 확정적인 매출 전망으로 쓰는 것은 부정확하다. `$1T`는 20GW 전체가 생산적인 추론 용량과 같은 매출을 낸다는 기계적 상한에 가깝다.

AI가 만든 초과이익은 한 층에 고정되지 않는다. 고객의 지불의사가 높아지면 모델 가격이 오르고, 모델 랩의 입찰력이 높아지면 컴퓨트 가격이 오르며, 공급망은 다시 증설한다. 그 과정에서 공급탄력성이 가장 낮은 병목으로 초과이익이 이동한다. 이것이 곧 소비자물가가 같은 비율로 오른다는 뜻은 아니지만, AI 공급망 내부에는 강한 가격 상승 압력을 만들 수 있다.

5. 랩은 왜 돈이 되는 추론보다 내부 R&D를 택하는가

당시 랩들은 전체 컴퓨트의 약 40%를 추론에 사용하고, 나머지를 연구실험과 모델 개발에 배정하는 것으로 추정된다. 추론 용량이 `$30M–$40M/MW-year`의 매출을 만들고 있다면, 더 많은 용량을 추론에 투입해 당장 이익을 늘리는 것이 합리적으로 보인다.

그러나 랩의 경영진은 마지막 1MW의 현재 현금이익과 미래가치를 비교한다.

추론에 사용 → 현재 매출·현금흐름·사용자 데이터 확보

R&D에 사용 → 다음 모델의 출시 앞당김·성능 개선·서빙 원가 절감 → 미래 전체 컴퓨트의 매출과 가치 상승

같은 MW를 내부 연구에 사용해 다음 모델을 먼저 출시하면, 그 효과는 연구에 투입한 1MW에만 머물지 않는다. 이후 확보할 수십 GW의 매출/MW와 컴퓨트 입찰력까지 높일 수 있다. 외부 판매보다 내부 사용의 기대현재가치가 더 클 수 있다는 논리는 여기에서 나온다. 대담 후반에는 내부 R&D 가치가 MW당 수억 달러에 이를 수 있다는 강한 주장도 나오지만, 이는 공개된 R&D 수익률이 아니라 재귀적 자기개선 가능성에 기댄 추정이다.

근거로 제시된 것은 Anthropic의 컴퓨트가 계속 늘었는데도 월별 신규 ARR 증가폭은 둔화됐다는 점이다. 이를 한계 컴퓨트의 더 큰 비중이 이미 R&D로 이동하고 있다는 신호로 해석한다. 다만 가동 시차, 이용률 변화, 가격정책과 매출 인식 방식도 같은 현상을 설명할 수 있으므로 확정된 내부 배분으로 보기는 어렵다.

추론을 완전히 줄일 수도 없다. 외부 서비스는 현금흐름과 고객관계, 실제 사용 데이터와 제품 유통망을 제공하고, 그 현금이 다시 R&D를 지원한다. 최적 배분은 결국 마지막 추론 MW의 현재 이익과 마지막 R&D MW의 기대가치가 만나는 지점에서 결정된다.

이 논리가 성립하려면 더 많은 연구 컴퓨트가 실제로 더 빠른 모델 개선으로 이어져야 한다. 중국 모델의 추격은 바로 이 전제를 시험한다.

6. 중국은 훨씬 적은 컴퓨트로 왜 경쟁력 있는 모델을 만드는가

중국 선두 랩의 전체 컴퓨트는 대체로 100~200MW 수준으로 추정되며, ByteDance의 Seed는 이보다 큰 예외로 언급된다. 그런데 Kimi, GLM, DeepSeek 같은 모델은 공개 평가에서 미국 프런티어 모델과 격차를 상당히 좁혔다.

핵심은 “좋은 모델에는 컴퓨트가 필요 없다”는 것이 아니다. 한 번의 최종 학습에 필요한 동시 컴퓨트와 랩이 보유한 전체 컴퓨트가 다르다는 것이다.

Anthropic의 컴퓨트 배분은 대략 연구실험 50%, 모델 개발 10%, 추론 40%로 나뉜다는 추정이다. 여기서 앞의 60%가 모두 하나의 최종 학습 작업에 동시에 투입되는 것은 아니다. 대담에서 예로 든 가칭 Mythos급 모델의 사전학습은 약 두 달 동안 200MW 미만의 단일 클러스터를 사용한다. 강화학습도 단일 시점의 최대 사용량 기준으로 이보다 작을 수 있다.

미국 랩이 보유한 나머지 수GW는 여러 연구 아이디어와 데이터 조합을 시험하고, 추론을 제공하며, 순차적으로 여러 작업을 수행하는 데 사용된다. 그래서 현재에는 전체 컴퓨트 격차만큼 단일 모델의 성능 차이가 벌어지지 않을 수 있다. 알고리즘 효율, 데이터 품질과 학습·서빙 엔지니어링도 이 간극을 줄인다.

다만 자동화된 코딩과 연구가 가능해지면 상황이 달라질 수 있다.

큰 컴퓨트 보유량 → 더 많은 병렬 연구실험 → 더 빠른 알고리즘 개선 → 더 강한 자동화 연구자 → 다시 더 많은 연구실험

이 단계에서는 미국 랩이 축적한 컴퓨트 재고가 복리로 작동할 수 있다는 것이 중앙 논리다.

수출통제는 영구 격차보다 시간을 번다

2022년 이후 중국 내 신규 데이터센터 AI 컴퓨트는 세계 신규 용량의 10% 미만으로 추정된다. 이 시나리오에서 중국은 2028년에도 전체 AI 컴퓨트가 30GW 이하일 수 있지만, SMIC·CXMT 등의 생산 확대를 통해 그해 국산칩만으로 5~10GW를 추가할 수 있다.

2029년에는 중국이 50GW를 추가하는 경로도 가능하다는 전망이 나온다. 다만 당시 중국산 칩의 성능과 효율을 고려하면 그 50GW가 미국산 최신 칩 약 20GW와 비슷한 유효 연산량일 수 있다는 추정이다. 이 환산은 2029년의 특정 신규 물량에 대한 거친 가정이지, 중국의 모든 컴퓨트에 일률적으로 적용할 비율은 아니다.

미국은 민간 자본시장을 통한 선투자에 강하고, 중국은 정책금융과 보조금을 특정 산업에 집중해 제조능력을 빠르게 확대하는 데 강하다. 따라서 수출통제는 영구적인 격차를 보장하기보다 미국의 자동화 연구가 시작될 때까지 시간을 벌어 주는 정책에 가깝다.

결국 경쟁은 두 시계의 경주다.

- 미국 랩의 모델·자동화 연구 플라이휠이 얼마나 빨리 가속되는가
- 중국의 칩·HBM·패키징·소프트웨어 생태계가 얼마나 빨리 규모화되는가

미국의 도약이 늦고 중국의 제조 확대가 빠르면 격차는 다시 줄어들 수 있다. Kimi와 Qwen의 추격은 $ / MW 원리를 반증하지 않는다. 다만 OpenAI와 Anthropic이 계속 가장 높은 가치/MW를 만드는 주체일 것이라는 가정을 반증할 수 있다.

7. `$11T`의 AI 투자는 누가 감당하는가

이 장의 숫자는 기간과 포함 범위를 맞춰 읽어야 한다. SemiAnalysis의 계산처럼 1GW당 핵심 IT 장비비를 `$40B–$50B`로 놓으면, 연간 100GW 증설에는 서버·네트워크·광통신 같은 핵심 IT 장비만 약 `$4T–$5T`가 필요하다. 대담에서 말하는 약 `$5T`는 이 범위의 상단을 둥글게 표현한 값이다. 흔히 언급되는 `$40B–$50B`를 시장 전체의 연간 AI 투자액으로 읽으면 안 된다.

여기에 다음 해 수요를 위한 데이터센터와 발전설비까지 미리 건설하면 필요한 자금은 `$7T–$10T`로 커질 수 있다. 데이터센터는 15~20년, 발전설비는 약 30년 동안 사용하는 장기 자산이기 때문에 실제 컴퓨트 수요가 발생하기 훨씬 전에 자본을 투입해야 한다.

2028년만 놓고 보면 전체 설비투자는 약 $3T–$4T`로 추정된다. 핵심 IT 장비에 `$2.5T 이상, 데이터센터·에너지·반도체 공급망에 `$1T–$2T`가 필요하다는 설명도 뒤따른다. 다만 두 범위에는 포함관계와 중복이 있어 합계가 전체 투자액과 정확히 일치하지 않는다.

2024~2029년 누적 투자액은 $11T 이상으로 잡는다. 약 `$6T`는 기업 현금흐름으로, 나머지 `$5T`는 신용으로 조달한다는 시나리오다. 독립적으로 검증된 확정 투자계획이 아니라 공격적인 성장모형의 결과라는 점은 분명히 해야 한다.

2030년 무렵에는 연간 신규 설비투자가 `$10T`에 접근할 수 있다는 극단적 상단도 제시된다. 이를 세계 GDP의 약 10%, 현재 미국 GDP의 25~33%와 비교한 대목은 투자 규모를 보여 주기 위한 사고실험이다. 실제 그 비중의 투자가 전부 한 해에, 대부분 미국에서 집행된다는 강한 가정이 필요하다.

왜 AI 신용수요가 다른 경제를 압박할 수 있는가

초기에는 Google, Microsoft, Amazon과 Meta 같은 하이퍼스케일러가 영업현금흐름과 자사주 매입 축소로 설비투자를 감당할 수 있다. 규모가 더 커지면 하이퍼스케일러, 반도체 기업, 인프라 펀드, 사모신용과 채권시장이 함께 자금을 대야 한다.

AI 인프라의 기대수익률이 높으면 자본은 국채, 주택금융과 전통 산업보다 데이터센터와 AI 기업의 채권으로 이동한다. 다른 조건이 같다면 대규모 신규 신용수요는 시장금리와 신용스프레드를 높이고, 저수익·고부채 기업과 외화·단기부채가 많은 국가를 압박할 수 있다.

예시로 제시된 조달금리도 상당히 공격적이다. Anthropic은 추가 용량을 확보하기 위해 20% 금리도 감수할 수 있고, Meta의 조달금리는 최근 5~6%에서 8% 수준으로 오를 수 있다는 가정이다. 이 숫자들 역시 정교한 예측모형의 결과가 아니라 직관적인 추측에 가깝다. 세계 저축, 해외자본 유입, AI가 새로 만드는 현금흐름에 따라 실제 금리 효과는 크게 달라질 수 있다.

현재의 공급 부족과 미래의 버블은 동시에 가능하다. 기술은 수개월 단위로 변하지만 데이터센터와 전력망은 수년, 부채는 만기 일정에 따라 움직인다.

높은 가격 신호 → 장기계약과 차입 → 여러 프로젝트의 동시 착공 → 수요보다 늦은 동시 준공 → 가동률·갱신가격 하락 → 차환 실패

따라서 최신 대형 클러스터는 계속 부족한데 구형 GPU, 불리한 지역, 단기 임대에 의존한 데이터센터는 과잉이 되는 상황도 가능하다. 현재의 공급 부족을 설명하는 논리는 강하지만, 후행 과잉설비 위험은 상대적으로 적게 다뤄진다.


8. 컴퓨트 집중은 노동과 권력의 집중으로 이어지는가

대담의 마지막 논리는 다음 산식에서 출발한다.

프런티어의 총 FLOPs 증가 × 같은 능력에 필요한 컴퓨트 감소 = 유효 AI 노동량 증가

프런티어의 FLOPs가 연 4~5배 늘고 같은 능력을 구현하는 데 필요한 컴퓨트가 연 3배 줄면, 유효 AI 노동량은 RSI 없이도 연간 약 10배 늘 수 있다. 여기서 “AI 노동자 수”는 실제 사람 수가 아니라 특정 수준의 업무를 수행할 수 있는 작업 등가 용량이다.

재귀적 자기개선(Recursive Self-Improvement, RSI)이 실제로 시작되면 이 증가율이 연 100배 또는 1,000배까지 커질 수 있다는 추측도 나온다. 이는 현재 관측된 사실이 아니라 훨씬 더 강한 가정에 기반한 상단 시나리오다.

컴퓨트가 소수 랩으로 집중될 수 있는 경로는 네 가지다.

1. 모델 연구의 고정비를 수십억 명의 사용자에게 나눌 수 있는 규모의 경제가 있다.
2. 모델이 조금이라도 앞서면 희소한 컴퓨트에서 더 높은 매출/MW를 만들 수 있다.
3. 더 넓은 배포를 통해 실제 사용 데이터와 피드백을 더 많이 얻을 수 있다.
4. 가장 좋은 모델을 다음 모델의 연구에 투입하면 우위가 자기강화될 수 있다.

그러나 이것이 한 회사가 AI의 모든 가치를 가져간다는 뜻은 아니다. 현재도 최종 고객이 상당한 잉여를 누리고 있으며, 공개 모델의 추격, 멀티모델 사용, 데이터·검증·유통망의 중요성, R&D 한계수익의 체감과 규제가 반대 방향으로 작동한다. 지능이 상품화되면 초과이익은 모델 자체보다 광고·검색·업무흐름·독점 데이터·저비용 인프라로 이동할 수 있다.

따라서 가장 정확한 결론은 “하나의 영구 승자가 모든 컴퓨트를 지배한다”가 아니다.

프런티어 모델이 희소한 동안에는 랩이 높은 매출/MW로 컴퓨트를 흡수할 수 있다. 동시에 기존 사업에서 더 높은 내부가치/MW를 만드는 플랫폼과, 공급탄력성이 낮은 칩·HBM·전력·데이터센터도 초과이익을 얻는다. 이후 지능이 보편화되면 가치 포획은 유통, 데이터, 검증 루프와 저비용 인프라로 이동할 수 있다.

결국 추적해야 할 것은 GPU 보유량 자체가 아니다. 각 시점에 누가 마지막 1MW를 가장 높은 회수 가능한 가치로 바꾸는지, 그리고 그때 가장 공급탄력성이 낮은 병목이 어디인지를 함께 봐야 한다.

한 문장으로 정리하면

추론 단위경제성 개선 → 컴퓨트 입찰력 상승 → 신규 용량 집중 → R&D 재투자 → 다음 모델 우위

이 플라이휠은 강력하지만 자동으로 영원히 지속되지는 않는다.

공개 모델 추격·내부수익화 경쟁·규제·공급 증설·금융 시차 → 랩의 우위 약화 또는 초과이익의 이동

AI 산업의 승자는 하나로 고정되기보다, 시기마다 가장 높은 회수 가능한 가치/MW를 만들거나 가장 희소한 병목을 보유한 여러 층에서 나타날 가능성이 크다.

최근에 봤던 영상 중에서 Frontier Labs가 가진 비즈니스 모델, 앞으로 미칠 파급력에 대해서 컴퓨트(칩, 데이터센터), 모델, 고객 등 전반적으로 잘 다룬 대화.

https://www.youtube.com/watch?v=aV26V1UvkJw&t=927s

내용이 좀 길어서 보기 쉽게 시각화해본 내용들