AI가 모든 소프트웨어 회사를 재평가하는 방식
1. Vanta CEO Christina Cacioppo의 핵심 메시지는 간단하다: 과거엔 80% 성장 + 80% 마진 SaaS가 최고 비즈니스였지만, 지금 시장은 그런 회사를 예전의 1/3~1/4 멀티플로 평가하고 대신 저마진 고성장 AI 기업에 프리미엄을 준다.
2. 하지만 그녀는 이걸 단순한 SaaS 종말이 아니라 “가격 모델 전쟁”으로 본다. 고객은 똑똑해서 토큰 기반 과금에 바로 “Claude 토큰에 4배 마진 붙인 것 아니냐”고 반응하고, 그 순간 앱 기업은 모델 자체와 정면 비교되는 함정에 빠진다.
3. 그래서 Vanta는 지금 AI 비용을 고객에게 전가하지 않고 직접 먹는다. 단기적으로는 마진 희석이지만, 먼저 사용량과 워크플로우 장악률을 올린 뒤 나중에 outcome/output pricing으로 상업화를 푸는 게 맞다고 본다.
4. 이 포인트는 투자적으로 중요하다. 앞으로 SaaS 재평가는 “AI 붙였는가”보다 “토큰 코스트를 삼키면서도 retention과 product wedge를 키울 수 있는가”로 갈 가능성이 높다.
5. Vanta는 자신을 단순 컴플라이언스 툴이 아니라 보안 데이터 레이어이자 에이전트 실행 플랫폼으로 재정의한다. 16,000개 고객, 400개 연동, 이 ‘trust graph’가 AI 에이전트의 진짜 해자라는 주장이다.
6. 제품 방향도 흥미롭다. 예전 SaaS식으로 온보딩 위저드와 고정 UI를 만드는 대신, 파일·스크린샷을 던지면 LLM이 구조를 이해하고 필요한 UI를 즉석 생성하는 식이다. “소프트웨어 안에 Tableau를 넣는 시대가 끝난다”는 시각과 통한다.
7. 사이버보안 쪽 전망도 강하다. AI는 제로데이 자체보다 “17개의 저위험 취약점을 집요하게 체인으로 엮는 능력” 때문에 더 위험해졌고, 결국 보안은 인간 속도가 아니라 머신 속도로 탐지·패치하는 구조로 간다는 얘기다.
8. 이건 Wiz, CrowdStrike류의 상위 엔터프라이즈 보안과, 중견 시장용 경량 자동화 보안 사이에 새로운 세그먼트가 열린다는 뜻이기도 하다. Vanta는 여기서 저가형 but deeply embedded 보안 플랫폼을 노린다.
9. 인재 시장에 대한 발언도 시장 심리를 잘 보여준다. 상위 인재 보상은 5년 전 대비 총보상 기준 10배 정도 뛰었고, 그녀는 “사실 더 벌어져야 한다”고 본다. 지금 AI 시대의 병목은 GPU보다 high-agency operator라는 신호다.
10. 흥미로운 반대편 시각도 있다. 실리콘밸리가 과대평가하는 것은 token pricing, 낮은 마진 자체, 그리고 “우리는 post-train 했다”는 마케팅이다. 실제론 커스텀 모델 학습이 품질보다 투자자용 시그널인 경우가 많다는 지적이다.
11. 유럽 현장 코멘트도 의미심장하다. 프랑스 소프트웨어 회사들이 미국 모델 대신 중국 모델을 쓰는 이유는 반미감정보다 “Trump가 Fable 같은 서비스를 미국 외 국가에 닫아버린 걸 보고 사업 연속성 리스크를 깨달았기 때문”이라고 한다. AI 공급망도 이제 지정학 리스크 자산이다.
12. 가장 큰 장기 테마는 ‘신뢰’다. AI 확산으로 기술 낙관은 높아졌지만 빅테크와 소프트웨어에 대한 신뢰는 오히려 낮아졌고, Vanta는 이 간극을 메우는 인프라가 되겠다는 포지션이다. 결국 AI 시대의 프리미엄은 기능보다 신뢰 증명 체계에 붙을 수 있다.
트레이더/투자자 관점
• 내러티브: AI는 SaaS를 대체하는 게 아니라 SaaS의 과금 방식·마진 구조·제품 UI·보안 운영모델을 전부 다시 쓰고 있으며, 특히 “AI wrapper”보다 데이터 레이어·워크플로우 장악·신뢰 인프라가 더 강한 테마로 부상한다.
• 가격/포지셔닝: 단기적으로는 저마진 고성장 AI가 시장의 사랑을 받지만, 중기적으로는 토큰 비용을 흡수하면서도 retention을 높일 수 있는 기존 SaaS 강자들의 멀티플 복원 가능성을 봐야 한다; 반대로 토큰 마진에 의존한 AI 앱은 압축 리스크가 크다.
• 체크포인트: AI 앱들의 실제 pricing 전환 방식(token→seat→outcome), gross margin 추이, NRR 변화, 보안 자동화 수요 확대, 중국 오픈모델 채택률, AI procurement 규제/데이터 주권 이슈, 그리고 상위 인재 보상 인플레이션이 dilution과 기업가치에 미치는 영향.
https://youtu.be/sQaM5oPlUYs
1. Vanta CEO Christina Cacioppo의 핵심 메시지는 간단하다: 과거엔 80% 성장 + 80% 마진 SaaS가 최고 비즈니스였지만, 지금 시장은 그런 회사를 예전의 1/3~1/4 멀티플로 평가하고 대신 저마진 고성장 AI 기업에 프리미엄을 준다.
2. 하지만 그녀는 이걸 단순한 SaaS 종말이 아니라 “가격 모델 전쟁”으로 본다. 고객은 똑똑해서 토큰 기반 과금에 바로 “Claude 토큰에 4배 마진 붙인 것 아니냐”고 반응하고, 그 순간 앱 기업은 모델 자체와 정면 비교되는 함정에 빠진다.
3. 그래서 Vanta는 지금 AI 비용을 고객에게 전가하지 않고 직접 먹는다. 단기적으로는 마진 희석이지만, 먼저 사용량과 워크플로우 장악률을 올린 뒤 나중에 outcome/output pricing으로 상업화를 푸는 게 맞다고 본다.
4. 이 포인트는 투자적으로 중요하다. 앞으로 SaaS 재평가는 “AI 붙였는가”보다 “토큰 코스트를 삼키면서도 retention과 product wedge를 키울 수 있는가”로 갈 가능성이 높다.
5. Vanta는 자신을 단순 컴플라이언스 툴이 아니라 보안 데이터 레이어이자 에이전트 실행 플랫폼으로 재정의한다. 16,000개 고객, 400개 연동, 이 ‘trust graph’가 AI 에이전트의 진짜 해자라는 주장이다.
6. 제품 방향도 흥미롭다. 예전 SaaS식으로 온보딩 위저드와 고정 UI를 만드는 대신, 파일·스크린샷을 던지면 LLM이 구조를 이해하고 필요한 UI를 즉석 생성하는 식이다. “소프트웨어 안에 Tableau를 넣는 시대가 끝난다”는 시각과 통한다.
7. 사이버보안 쪽 전망도 강하다. AI는 제로데이 자체보다 “17개의 저위험 취약점을 집요하게 체인으로 엮는 능력” 때문에 더 위험해졌고, 결국 보안은 인간 속도가 아니라 머신 속도로 탐지·패치하는 구조로 간다는 얘기다.
8. 이건 Wiz, CrowdStrike류의 상위 엔터프라이즈 보안과, 중견 시장용 경량 자동화 보안 사이에 새로운 세그먼트가 열린다는 뜻이기도 하다. Vanta는 여기서 저가형 but deeply embedded 보안 플랫폼을 노린다.
9. 인재 시장에 대한 발언도 시장 심리를 잘 보여준다. 상위 인재 보상은 5년 전 대비 총보상 기준 10배 정도 뛰었고, 그녀는 “사실 더 벌어져야 한다”고 본다. 지금 AI 시대의 병목은 GPU보다 high-agency operator라는 신호다.
10. 흥미로운 반대편 시각도 있다. 실리콘밸리가 과대평가하는 것은 token pricing, 낮은 마진 자체, 그리고 “우리는 post-train 했다”는 마케팅이다. 실제론 커스텀 모델 학습이 품질보다 투자자용 시그널인 경우가 많다는 지적이다.
11. 유럽 현장 코멘트도 의미심장하다. 프랑스 소프트웨어 회사들이 미국 모델 대신 중국 모델을 쓰는 이유는 반미감정보다 “Trump가 Fable 같은 서비스를 미국 외 국가에 닫아버린 걸 보고 사업 연속성 리스크를 깨달았기 때문”이라고 한다. AI 공급망도 이제 지정학 리스크 자산이다.
12. 가장 큰 장기 테마는 ‘신뢰’다. AI 확산으로 기술 낙관은 높아졌지만 빅테크와 소프트웨어에 대한 신뢰는 오히려 낮아졌고, Vanta는 이 간극을 메우는 인프라가 되겠다는 포지션이다. 결국 AI 시대의 프리미엄은 기능보다 신뢰 증명 체계에 붙을 수 있다.
트레이더/투자자 관점
• 내러티브: AI는 SaaS를 대체하는 게 아니라 SaaS의 과금 방식·마진 구조·제품 UI·보안 운영모델을 전부 다시 쓰고 있으며, 특히 “AI wrapper”보다 데이터 레이어·워크플로우 장악·신뢰 인프라가 더 강한 테마로 부상한다.
• 가격/포지셔닝: 단기적으로는 저마진 고성장 AI가 시장의 사랑을 받지만, 중기적으로는 토큰 비용을 흡수하면서도 retention을 높일 수 있는 기존 SaaS 강자들의 멀티플 복원 가능성을 봐야 한다; 반대로 토큰 마진에 의존한 AI 앱은 압축 리스크가 크다.
• 체크포인트: AI 앱들의 실제 pricing 전환 방식(token→seat→outcome), gross margin 추이, NRR 변화, 보안 자동화 수요 확대, 중국 오픈모델 채택률, AI procurement 규제/데이터 주권 이슈, 그리고 상위 인재 보상 인플레이션이 dilution과 기업가치에 미치는 영향.
https://youtu.be/sQaM5oPlUYs
계좌를 덜 보고 기업을 더 보라
1. 영상의 핵심은 단순하다: 장기 투자자는 가격을 자주 볼수록 손실을 더 자주 체감하고, 그 감정이 결국 리스크 축소와 성급한 매도로 이어져 기대수익을 깎는다.
2. 이 논리는 1995년 Benartzi와 Richard Thaler의 myopic loss aversion에서 출발한다. 사람은 이익보다 손실에 약 2배 민감하고, 실제 보유기간은 길어도 평가주기는 지나치게 짧게 가져간다는 것이다.
3. 같은 S&P500을 들고 있어도 매일 보면 한 해 100번 넘게 “직전보다 손실”을 보지만, 월 1회면 4~5번, 연 1회면 0~1번 수준이라 동일 자산도 체감 난이도가 완전히 달라진다.
4. 실험도 흥미롭다: 1997년 복권 실험에선 결과를 1장씩 본 그룹보다 3장씩 묶어 본 그룹이 더 크게 베팅했고, 2005년 CME 프로 트레이더 실험에선 오히려 학생들보다 이 효과가 더 강했다.
5. 더 현실적인 2016년 실험에선 런던의 헤지펀드·IB 소속 FX 트레이더 150명을 대상으로, 한 그룹은 1초마다 가격을 보고 다른 그룹은 4시간마다만 가격을 보게 했는데, 덜 본 그룹이 위험자산 비중을 더 높게 유지했고 수익도 평균 1.5배 높았다.
6. 투자적으로 중요한 포인트는 “시장과 멀어지라”가 아니다. 가격 노출은 줄이되, 실적 발표, 가이던스, 현금흐름, 부채비율, 산업 규제 변화처럼 투자논리를 바꿀 수 있는 정보는 오히려 더 자주, 더 구조적으로 봐야 한다는 얘기다.
7. 여기서 present bias도 연결된다. 가격 확인은 즉각적 자극이라 중독적으로 반복하지만, 10-Q 읽기나 실적 검토는 보상이 늦게 와서 계속 미루게 되고, 결국 투자자는 중요하지 않은 것은 과잉 모니터링하고 중요한 것은 방치한다.
8. 실전 해법은 의외로 행동설계 쪽이다: 가격 알림은 줄이고, 급락 임계치 알림만 남기고, “왜 샀는지”와 “무슨 일이 벌어지면 내 가설이 틀린지”를 미리 적어두면 크래시 때 감정 대신 체크리스트로 대응할 수 있다.
트레이더/투자자 관점
• 내러티브: 이 영상은 “정보를 많이 볼수록 우위”라는 통념을 뒤집고, 투자 성과를 해치는 건 정보 부족보다 가격 노이즈 과잉노출일 수 있다는 행동재무 프레임을 준다.
• 가격/포지셔닝: 장기 롱북 운용자라면 틱 단위 가격은 알파가 아니라 손실회피 트리거일 가능성이 높다. 반대로 포지션의 유지 근거가 되는 실적·가이던스·온체인 펀더멘털·정책 변수는 더 자주 점검해야 한다.
• 체크포인트: 가격 확인 빈도 자체를 줄였을 때 매매회전율, 익절 속도, 손절 기준, 급락일 대응이 어떻게 바뀌는지 기록해볼 것. 특히 크립토라면 가격 앱 확인 횟수보다 토큰 언락, 규제 공지, 프로토콜 수익, 스테이블 유입, ETF 자금흐름 같은 “논리 변경 변수”를 체크리스트화하는 게 더 중요하다.
https://youtu.be/ZnHT6K8k5Sc
1. 영상의 핵심은 단순하다: 장기 투자자는 가격을 자주 볼수록 손실을 더 자주 체감하고, 그 감정이 결국 리스크 축소와 성급한 매도로 이어져 기대수익을 깎는다.
2. 이 논리는 1995년 Benartzi와 Richard Thaler의 myopic loss aversion에서 출발한다. 사람은 이익보다 손실에 약 2배 민감하고, 실제 보유기간은 길어도 평가주기는 지나치게 짧게 가져간다는 것이다.
3. 같은 S&P500을 들고 있어도 매일 보면 한 해 100번 넘게 “직전보다 손실”을 보지만, 월 1회면 4~5번, 연 1회면 0~1번 수준이라 동일 자산도 체감 난이도가 완전히 달라진다.
4. 실험도 흥미롭다: 1997년 복권 실험에선 결과를 1장씩 본 그룹보다 3장씩 묶어 본 그룹이 더 크게 베팅했고, 2005년 CME 프로 트레이더 실험에선 오히려 학생들보다 이 효과가 더 강했다.
5. 더 현실적인 2016년 실험에선 런던의 헤지펀드·IB 소속 FX 트레이더 150명을 대상으로, 한 그룹은 1초마다 가격을 보고 다른 그룹은 4시간마다만 가격을 보게 했는데, 덜 본 그룹이 위험자산 비중을 더 높게 유지했고 수익도 평균 1.5배 높았다.
6. 투자적으로 중요한 포인트는 “시장과 멀어지라”가 아니다. 가격 노출은 줄이되, 실적 발표, 가이던스, 현금흐름, 부채비율, 산업 규제 변화처럼 투자논리를 바꿀 수 있는 정보는 오히려 더 자주, 더 구조적으로 봐야 한다는 얘기다.
7. 여기서 present bias도 연결된다. 가격 확인은 즉각적 자극이라 중독적으로 반복하지만, 10-Q 읽기나 실적 검토는 보상이 늦게 와서 계속 미루게 되고, 결국 투자자는 중요하지 않은 것은 과잉 모니터링하고 중요한 것은 방치한다.
8. 실전 해법은 의외로 행동설계 쪽이다: 가격 알림은 줄이고, 급락 임계치 알림만 남기고, “왜 샀는지”와 “무슨 일이 벌어지면 내 가설이 틀린지”를 미리 적어두면 크래시 때 감정 대신 체크리스트로 대응할 수 있다.
트레이더/투자자 관점
• 내러티브: 이 영상은 “정보를 많이 볼수록 우위”라는 통념을 뒤집고, 투자 성과를 해치는 건 정보 부족보다 가격 노이즈 과잉노출일 수 있다는 행동재무 프레임을 준다.
• 가격/포지셔닝: 장기 롱북 운용자라면 틱 단위 가격은 알파가 아니라 손실회피 트리거일 가능성이 높다. 반대로 포지션의 유지 근거가 되는 실적·가이던스·온체인 펀더멘털·정책 변수는 더 자주 점검해야 한다.
• 체크포인트: 가격 확인 빈도 자체를 줄였을 때 매매회전율, 익절 속도, 손절 기준, 급락일 대응이 어떻게 바뀌는지 기록해볼 것. 특히 크립토라면 가격 앱 확인 횟수보다 토큰 언락, 규제 공지, 프로토콜 수익, 스테이블 유입, ETF 자금흐름 같은 “논리 변경 변수”를 체크리스트화하는 게 더 중요하다.
https://youtu.be/ZnHT6K8k5Sc
이번 사이클의 알파는 어디에 숨었나
1. Arthur Cheong, Rajiv Patel-O'Connor, Smac의 공통된 메시지는 명확했다: 이번 장은 과거처럼 베타에 레버리지만 얹는 시장이 아니라, 분산도(dispersion)가 커지며 진짜 액티브 매니저가 빛나는 장이다.
2. 크립토 x AI는 2023년엔 억지 결합이 많았지만, 최근 1년은 “어디서 실제로 맞물리는가”가 보이기 시작했고, 핵심 키워드는 프라이버시, 자본조달(financing), 머신 간 조정(coordination)이다.
3. AI 에이전트가 꼭 블록체인을 써야 하냐는 질문에는 확답이 없었지만, 소액 결제·머신투머신 거래·내구성 있는 메시지 저장·퍼미션리스 조정 레이어라는 점에서 블록체인이 실험할 가치가 있다는 시각이 나왔다.
4. 구체 사례로는 Nous Research의 Hermes, 프라이버시 중심 inference 라우팅을 하는 Venice AI, GPU 클러스터 금융을 제공하는 포트폴리오사 Upexi/USDA 계열 사례가 언급됐고, Arweave·Filecoin 같은 영구 저장 네트워크의 AI swarm 활용 가능성도 거론됐다.
5. 특히 흥미로운 포인트는 “크립토 AI는 효율성으로 중앙화 AI를 이기기보다, 프라이버시와 퍼미션리스라는 사회적 요구 변화에서 엣지가 생길 수 있다”는 프레임 전환이다.
6. 펀드 운용 측면에선 liquid와 venture를 함께 가져가는 바벨 전략이 여전히 유효하다고 봤고, illiquid 토큰도 확신이 있다면 시간 분산 매수로 충분히 사이즈를 만들 수 있다는 의견이 나왔다.
7. Arthur는 포지션 구축 시 최종 평균단가 기준 5~10% 슬리피지를 예산으로 잡는다고 했는데, 이건 “당일 가격”보다 “큰 추세를 먹는 것”이 중요해진 시장이라는 힌트다.
8. 이번 사이클의 핵심 변화는 crowding이 더 빨라졌다는 점이다. 좋은 아이디어는 여러 펀드가 동시에 발견하고 빠르게 컨센서스가 되지만, 예전과 달리 컨센서스가 됐다고 바로 끝나는 게 아니라, 펀더멘털이 따라오면 계속 오른다.
9. 그 대표 사례로 Hyperliquid와 $HYPE가 언급됐다. Arthur는 HYPE가 1년 넘게 컨센서스였음에도 여전히 아웃퍼폼하는 점을 “드디어 크립토가 펀더멘털을 가격에 반영하는 시장이 되고 있다는 신호”로 해석했다.
10. 동시에 시장은 양극화됐다. 스마트머니는 메이저와 “좋은 미드캡”으로 몰리고, 10배~20배를 원하는 리테일은 10만~5000만달러급 초소형 밈코인으로 내려가며 같은 크립토 안에서도 완전히 다른 게임이 열리고 있다.
11. 그래서 올해는 롱숏 전략의 황금기라는 진단도 나왔다. 강한 펀더멘털 자산은 계속 리레이팅되고, 실패한 프로젝트는 6개월마다 -50%씩 미끄러질 수 있어, 롱과 숏 양쪽에서 돈 벌 기회가 동시에 열린다는 것.
12. 벤치마크에 대해선 여전히 Bitcoin이 사실상 기준점이다. LP 입장에선 ETF로 IBIT를 살 수 있는데, 그걸 못 이기는 크립토 펀드에 왜 돈을 맡기냐는 냉정한 질문이 여전히 유효하다.
13. 벤처 쪽에서는 seed와 pre-seed 기회가 다시 좋아지고 있다는 평가가 나왔다. 성장 단계(growth)는 딜이 너무 적고 경쟁이 심해 오버랩이 크지만, 초기 단계는 2021~2022년의 과열이 꺼지며 오히려 좋은 창업자를 싸게 만날 확률이 높아졌다는 얘기다.
14. 또 하나 중요한 변화는 AI가 초기 팀의 자본 효율을 높이고 있다는 점이다. 과거엔 headcount로 태웠을 자금이 이제는 compute와 API credits로 옮겨가고, 5~10M 달러가 예전보다 훨씬 오래 버티게 해준다.
15. 다만 불확실성도 선명하다. AI 에이전트의 블록체인 활용은 아직 실험 단계이고, 퍼미션리스 금융은 “rogue agent가 가장 먼저 악용할 인프라”가 될 수도 있으며, 크립토 AI의 가치 포착 구조 역시 아직 완전히 증명되지 않았다.
트레이더/투자자 관점
• 내러티브: 이번 사이클은 “다 같이 오르는 불장”보다 “좋은 것만 오르는 초기 강세장”에 가깝고, 크립토 AI도 단순 밈이 아니라 프라이버시·조정·AI 인프라 금융이라는 실제 유스케이스 중심으로 재편될 수 있다.
• 가격/포지셔닝: 컨센서스 자산이라고 무조건 피할 장이 아니라, Hyperliquid 같은 강한 펀더멘털 자산은 crowding 이후에도 추가 리레이팅이 가능하며, 반대로 경쟁력 없는 토큰은 계속 디레이팅될 수 있어 롱숏/상대가치가 유리하다.
• 체크포인트: AI 관련 온체인 수요가 실제로 inference 매출·저장 사용량·에이전트 트랜잭션으로 이어지는지, HYPE류의 고품질 자산이 실적과 수수료로 밸류에이션을 정당화하는지, 그리고 초기 단계 크립토 스타트업이 AI 덕분에 더 적은 인력으로 더 빠르게 PMF에 도달하는지를 봐야 한다.
https://youtu.be/LmSWQM_dmzI
1. Arthur Cheong, Rajiv Patel-O'Connor, Smac의 공통된 메시지는 명확했다: 이번 장은 과거처럼 베타에 레버리지만 얹는 시장이 아니라, 분산도(dispersion)가 커지며 진짜 액티브 매니저가 빛나는 장이다.
2. 크립토 x AI는 2023년엔 억지 결합이 많았지만, 최근 1년은 “어디서 실제로 맞물리는가”가 보이기 시작했고, 핵심 키워드는 프라이버시, 자본조달(financing), 머신 간 조정(coordination)이다.
3. AI 에이전트가 꼭 블록체인을 써야 하냐는 질문에는 확답이 없었지만, 소액 결제·머신투머신 거래·내구성 있는 메시지 저장·퍼미션리스 조정 레이어라는 점에서 블록체인이 실험할 가치가 있다는 시각이 나왔다.
4. 구체 사례로는 Nous Research의 Hermes, 프라이버시 중심 inference 라우팅을 하는 Venice AI, GPU 클러스터 금융을 제공하는 포트폴리오사 Upexi/USDA 계열 사례가 언급됐고, Arweave·Filecoin 같은 영구 저장 네트워크의 AI swarm 활용 가능성도 거론됐다.
5. 특히 흥미로운 포인트는 “크립토 AI는 효율성으로 중앙화 AI를 이기기보다, 프라이버시와 퍼미션리스라는 사회적 요구 변화에서 엣지가 생길 수 있다”는 프레임 전환이다.
6. 펀드 운용 측면에선 liquid와 venture를 함께 가져가는 바벨 전략이 여전히 유효하다고 봤고, illiquid 토큰도 확신이 있다면 시간 분산 매수로 충분히 사이즈를 만들 수 있다는 의견이 나왔다.
7. Arthur는 포지션 구축 시 최종 평균단가 기준 5~10% 슬리피지를 예산으로 잡는다고 했는데, 이건 “당일 가격”보다 “큰 추세를 먹는 것”이 중요해진 시장이라는 힌트다.
8. 이번 사이클의 핵심 변화는 crowding이 더 빨라졌다는 점이다. 좋은 아이디어는 여러 펀드가 동시에 발견하고 빠르게 컨센서스가 되지만, 예전과 달리 컨센서스가 됐다고 바로 끝나는 게 아니라, 펀더멘털이 따라오면 계속 오른다.
9. 그 대표 사례로 Hyperliquid와 $HYPE가 언급됐다. Arthur는 HYPE가 1년 넘게 컨센서스였음에도 여전히 아웃퍼폼하는 점을 “드디어 크립토가 펀더멘털을 가격에 반영하는 시장이 되고 있다는 신호”로 해석했다.
10. 동시에 시장은 양극화됐다. 스마트머니는 메이저와 “좋은 미드캡”으로 몰리고, 10배~20배를 원하는 리테일은 10만~5000만달러급 초소형 밈코인으로 내려가며 같은 크립토 안에서도 완전히 다른 게임이 열리고 있다.
11. 그래서 올해는 롱숏 전략의 황금기라는 진단도 나왔다. 강한 펀더멘털 자산은 계속 리레이팅되고, 실패한 프로젝트는 6개월마다 -50%씩 미끄러질 수 있어, 롱과 숏 양쪽에서 돈 벌 기회가 동시에 열린다는 것.
12. 벤치마크에 대해선 여전히 Bitcoin이 사실상 기준점이다. LP 입장에선 ETF로 IBIT를 살 수 있는데, 그걸 못 이기는 크립토 펀드에 왜 돈을 맡기냐는 냉정한 질문이 여전히 유효하다.
13. 벤처 쪽에서는 seed와 pre-seed 기회가 다시 좋아지고 있다는 평가가 나왔다. 성장 단계(growth)는 딜이 너무 적고 경쟁이 심해 오버랩이 크지만, 초기 단계는 2021~2022년의 과열이 꺼지며 오히려 좋은 창업자를 싸게 만날 확률이 높아졌다는 얘기다.
14. 또 하나 중요한 변화는 AI가 초기 팀의 자본 효율을 높이고 있다는 점이다. 과거엔 headcount로 태웠을 자금이 이제는 compute와 API credits로 옮겨가고, 5~10M 달러가 예전보다 훨씬 오래 버티게 해준다.
15. 다만 불확실성도 선명하다. AI 에이전트의 블록체인 활용은 아직 실험 단계이고, 퍼미션리스 금융은 “rogue agent가 가장 먼저 악용할 인프라”가 될 수도 있으며, 크립토 AI의 가치 포착 구조 역시 아직 완전히 증명되지 않았다.
트레이더/투자자 관점
• 내러티브: 이번 사이클은 “다 같이 오르는 불장”보다 “좋은 것만 오르는 초기 강세장”에 가깝고, 크립토 AI도 단순 밈이 아니라 프라이버시·조정·AI 인프라 금융이라는 실제 유스케이스 중심으로 재편될 수 있다.
• 가격/포지셔닝: 컨센서스 자산이라고 무조건 피할 장이 아니라, Hyperliquid 같은 강한 펀더멘털 자산은 crowding 이후에도 추가 리레이팅이 가능하며, 반대로 경쟁력 없는 토큰은 계속 디레이팅될 수 있어 롱숏/상대가치가 유리하다.
• 체크포인트: AI 관련 온체인 수요가 실제로 inference 매출·저장 사용량·에이전트 트랜잭션으로 이어지는지, HYPE류의 고품질 자산이 실적과 수수료로 밸류에이션을 정당화하는지, 그리고 초기 단계 크립토 스타트업이 AI 덕분에 더 적은 인력으로 더 빠르게 PMF에 도달하는지를 봐야 한다.
https://youtu.be/LmSWQM_dmzI
YouTube
Where Is The Crypto Alpha Hiding This Cycle?
Is crypto finally rewarding the investors who do the work?
This week, we sit down with three top allocators at DAS Singapore to unpack where the real alpha lives in an early, uneven bull market.
We explore where crypto x AI actually works, building size…
This week, we sit down with three top allocators at DAS Singapore to unpack where the real alpha lives in an early, uneven bull market.
We explore where crypto x AI actually works, building size…
AI가 비트코인 보안을 다시 쓴다
1. Rob Hamilton은 Coldcard 해킹을 “하드웨어월렛 한 회사의 사고”로 보되, 더 큰 그림에서는 AI가 기존 보안 감사보다 훨씬 싸고 빠르게 취약점을 찾기 시작한 첫 공개 신호라고 본다.
2. 그는 Kimmy K3 같은 오픈웨이트 모델로 약 650개 코드베이스를 스캔해 1만개 이상의 findings를 잡았고, 이 중 1,500개가 high 또는 critical이었다고 말한다. 결론은 “비트코인만의 문제가 아니라 소프트웨어 전체가 깨져 있다”는 것.
3. 투자적으로 중요한 포인트는 비트코인 프로토콜 자체보다 지갑, 라이브러리, 인프라, 의존성(dependencies) 레이어가 더 큰 타격면이라는 점이다. Bitcoin Core와 libsecp256k1에는 치명적 문제를 못 찾았고, 오히려 주변 애플리케이션이 약했다는 메시지다.
4. Coldcard 취약점은 “엔트로피”라는 하드웨어월렛의 가장 핵심 가정이 무너진 사건으로, Rob은 이를 “용납 불가한 catastrophic failure”로 규정한다. 단순 버그가 아니라 self-custody 내러티브의 신뢰 프리미엄을 건드린 사고였다.
5. 이 사건 이후 “don’t trust, verify”도 재해석된다. 과거엔 극소수 개발자만 검증할 수 있었지만, 이제는 AI 덕분에 일반 사용자도 어느 정도 검증에 참여할 수 있게 됐고, 반대로 검증하지 않는 리스크는 더 커졌다.
6. self-custody의 시장 구조도 바뀐다. 단일 하드웨어월렛 single-sig는 심리적으로는 단순하지만 단일 실패지점이 될 수 있고, Hamilton은 멀티시그·협업형 커스터디·miniscript·timelock recovery 같은 설계를 더 강하게 밀어야 한다고 본다.
7. “비트코인 해킹이 먼저 눈에 띈 이유는 돈이 즉시 움직이고 온체인에 공개되기 때문”이라는 해석도 중요하다. 은행, 병원, 유틸리티도 이미 비슷하게 뚫리고 있을 수 있지만, 비트코인은 자금 흐름이 투명해서 시장 드라마가 더 빨리 드러난다는 것.
8. 또 하나의 큰 축은 AI 지정학이다. OpenAI·Anthropic은 방어적 보안 작업조차 종종 막았고, 실제 실무에선 중국 오픈 모델이 더 유용했다는 경험담이 나온다. 이것은 단순 모델 성능 비교가 아니라 “미국 클로즈드 모델 vs 중국 오픈 모델”의 규제·자유·산업정책 이슈로 번진다.
9. Hamilton은 미국 빅 AI의 안전 담론을 사실상 시장 독점과 규제 해자 구축 시도로 본다. 오픈소스 AI 규제가 강화될수록, 보안·코딩·에이전트 인프라 쪽에서는 오픈웨이트 생태계와 비미국권 모델의 전략적 가치가 올라갈 수 있다.
10. 흥미로운 대비는 이렇다: Bitcoin Core는 견고했고, 비트코인 주변 기업 소프트웨어는 생각보다 취약했으며, 기존 수만 달러짜리 감사보다 수십~수백 달러 AI 스캔이 더 많은 문제를 찾을 수 있었다. 보안 산업의 가치사슬이 재편될 수 있다는 뜻이다.
트레이더/투자자 관점
• 내러티브: 비트코인 강세와 별개로 “비트코인 인프라 보안 할인”이 붙을 수 있고, 반대로 멀티시그·보험형 커스터디·엔터프라이즈 보안·오픈소스 AI 보안 툴링은 재평가 받을 수 있다.
• 가격/포지셔닝: BTC 자체보다는 하드웨어월렛 단일 벤더 리스크, 커스터디 인프라, 사이버보안 SaaS, AI 보안 에이전트 쪽이 상대적으로 더 큰 포지셔닝 변화 구간이다. “비트코인 프로토콜은 강하지만 엣지 레이어는 약하다”는 구분이 중요하다.
• 체크포인트: 추가 해킹이 비트코인 외부의 은행·전력·의료 인프라로 확산되는지, OpenAI/Anthropic의 보안 정책 변화, 중국 오픈 모델의 성능 추격, Bitcoin 프로젝트들의 멀티시그·miniscript 채택 증가, 그리고 Coldcard/FBI 수사 진행 상황을 봐야 한다.
https://youtu.be/7f4bt_mnAQk
1. Rob Hamilton은 Coldcard 해킹을 “하드웨어월렛 한 회사의 사고”로 보되, 더 큰 그림에서는 AI가 기존 보안 감사보다 훨씬 싸고 빠르게 취약점을 찾기 시작한 첫 공개 신호라고 본다.
2. 그는 Kimmy K3 같은 오픈웨이트 모델로 약 650개 코드베이스를 스캔해 1만개 이상의 findings를 잡았고, 이 중 1,500개가 high 또는 critical이었다고 말한다. 결론은 “비트코인만의 문제가 아니라 소프트웨어 전체가 깨져 있다”는 것.
3. 투자적으로 중요한 포인트는 비트코인 프로토콜 자체보다 지갑, 라이브러리, 인프라, 의존성(dependencies) 레이어가 더 큰 타격면이라는 점이다. Bitcoin Core와 libsecp256k1에는 치명적 문제를 못 찾았고, 오히려 주변 애플리케이션이 약했다는 메시지다.
4. Coldcard 취약점은 “엔트로피”라는 하드웨어월렛의 가장 핵심 가정이 무너진 사건으로, Rob은 이를 “용납 불가한 catastrophic failure”로 규정한다. 단순 버그가 아니라 self-custody 내러티브의 신뢰 프리미엄을 건드린 사고였다.
5. 이 사건 이후 “don’t trust, verify”도 재해석된다. 과거엔 극소수 개발자만 검증할 수 있었지만, 이제는 AI 덕분에 일반 사용자도 어느 정도 검증에 참여할 수 있게 됐고, 반대로 검증하지 않는 리스크는 더 커졌다.
6. self-custody의 시장 구조도 바뀐다. 단일 하드웨어월렛 single-sig는 심리적으로는 단순하지만 단일 실패지점이 될 수 있고, Hamilton은 멀티시그·협업형 커스터디·miniscript·timelock recovery 같은 설계를 더 강하게 밀어야 한다고 본다.
7. “비트코인 해킹이 먼저 눈에 띈 이유는 돈이 즉시 움직이고 온체인에 공개되기 때문”이라는 해석도 중요하다. 은행, 병원, 유틸리티도 이미 비슷하게 뚫리고 있을 수 있지만, 비트코인은 자금 흐름이 투명해서 시장 드라마가 더 빨리 드러난다는 것.
8. 또 하나의 큰 축은 AI 지정학이다. OpenAI·Anthropic은 방어적 보안 작업조차 종종 막았고, 실제 실무에선 중국 오픈 모델이 더 유용했다는 경험담이 나온다. 이것은 단순 모델 성능 비교가 아니라 “미국 클로즈드 모델 vs 중국 오픈 모델”의 규제·자유·산업정책 이슈로 번진다.
9. Hamilton은 미국 빅 AI의 안전 담론을 사실상 시장 독점과 규제 해자 구축 시도로 본다. 오픈소스 AI 규제가 강화될수록, 보안·코딩·에이전트 인프라 쪽에서는 오픈웨이트 생태계와 비미국권 모델의 전략적 가치가 올라갈 수 있다.
10. 흥미로운 대비는 이렇다: Bitcoin Core는 견고했고, 비트코인 주변 기업 소프트웨어는 생각보다 취약했으며, 기존 수만 달러짜리 감사보다 수십~수백 달러 AI 스캔이 더 많은 문제를 찾을 수 있었다. 보안 산업의 가치사슬이 재편될 수 있다는 뜻이다.
트레이더/투자자 관점
• 내러티브: 비트코인 강세와 별개로 “비트코인 인프라 보안 할인”이 붙을 수 있고, 반대로 멀티시그·보험형 커스터디·엔터프라이즈 보안·오픈소스 AI 보안 툴링은 재평가 받을 수 있다.
• 가격/포지셔닝: BTC 자체보다는 하드웨어월렛 단일 벤더 리스크, 커스터디 인프라, 사이버보안 SaaS, AI 보안 에이전트 쪽이 상대적으로 더 큰 포지셔닝 변화 구간이다. “비트코인 프로토콜은 강하지만 엣지 레이어는 약하다”는 구분이 중요하다.
• 체크포인트: 추가 해킹이 비트코인 외부의 은행·전력·의료 인프라로 확산되는지, OpenAI/Anthropic의 보안 정책 변화, 중국 오픈 모델의 성능 추격, Bitcoin 프로젝트들의 멀티시그·miniscript 채택 증가, 그리고 Coldcard/FBI 수사 진행 상황을 봐야 한다.
https://youtu.be/7f4bt_mnAQk
AI의 비밀 데이터 파이프 Grass
1. Andrej Radonjic(Wynd Labs CEO)의 핵심 주장은 단순하다: 이제 AI 경쟁의 병목은 GPU만이 아니라 “공개 웹에 실제로 접근할 수 있는가”이며, Grass는 이를 해결하는 데이터 인프라라는 것.
2. 팬데믹 이후 기업·정부의 웹 인텔리전스 수요가 폭증했고, 동시에 사이트들은 데이터센터 IP와 봇을 강하게 차단하기 시작했는데, 이 충돌이 Grass 같은 residential bandwidth 네트워크의 시장을 만들었다.
3. Grass의 차별점은 “동의 기반(consent)”이다; 과거 스마트TV·VPN·앱 업데이트에 몰래 프록시 기능을 심는 방식과 달리, 사용자가 직접 노드로 참여하고 보상을 받는 구조라 지속 가능성과 규제 리스크 측면에서 우위가 있다는 논리다.
4. 숫자가 인상적이다: Grass는 800만 노드 수준 네트워크를 바탕으로 이미 frontier AI labs에 엑사바이트급 데이터를 공급했고, 내부적으로는 수천 대의 컴퓨트 서버와 대규모 스토리지를 운영 중이라고 설명한다.
5. 중요한 포인트는 AI 랩이 돈을 내는 대상이 “그냥 많은 데이터”가 아니라는 점이다; 텍스트, 코드, 영상, 특정 언어/방언, 특정 도메인(법률·금융·수학)처럼 모델 성능을 실제로 올리는 고신호 데이터와 그것을 빠르게 정제하는 속도가 핵심이라고 본다.
6. 훈련 데이터와 추론 데이터의 경계도 흐려지고 있다; 지금은 pretraining용 크롤링과 inference용 live context retrieval이 나뉘어 있지만, 장기적으로는 실시간 정보가 모델 업데이트와 결합되는 continuous learning 방향으로 수렴할 것이라는 시각이다.
7. 새 제품인 Contents API는 이 논리를 제품화한 사례다; URL 하나만 넣으면 특정 국가 시점에서 해당 웹페이지 콘텐츠를 markdown/text로 뽑아주며, anti-bot·브라우저 렌더링·TLS fingerprint 같은 복잡한 레이어를 API 1콜로 추상화했다.
8. 이건 검색 시장 프레임도 바꾼다; 과거엔 웹 크롤링은 쉽고 검색 인덱싱이 어려웠다면, 지금은 오픈소스 임베딩/벡터 검색은 싸졌고 오히려 “차단당하지 않고 웹을 읽는 능력”이 진짜 moat가 됐다는 주장이다.
9. 로보틱스도 흥미롭다: Grass는 1000억 개 이상 웹 비디오를 인덱싱했다고 말하며, 범용 영상 생성과 달리 로봇 학습은 인간 동작·환경 상호작용처럼 더 정밀한 비디오 필터링이 중요해 새 수요가 열리고 있다고 본다.
10. Andrej는 AI 데이터 비즈니스를 defense tech에 비유한다; 어떤 랩이 어떤 데이터를 사는지 공개되면 향후 6~12개월의 연구 방향과 제품 전략이 노출되기 때문에, 데이터 공급사는 실제로 최전선 정보를 보지만 말할 수 없는 경우가 많다는 얘기다.
11. 수익 구조에서도 흥미로운 점이 있다: 공개된 revenue attestation은 Wynd Labs가 아니라 ownerless한 Grass Foundation 기준이며, 고객 계약·현금 수취·IP 보유를 재단이 담당하고 운영사는 서비스 제공자 역할을 한다는 설명은 토큰-비즈니스 정렬을 의식한 설계로 읽힌다.
12. 다만 리스크도 명확하다; 웹 차단은 더 강해질 수 있고, inference 수요가 커질수록 지리별 노드 밀도·지연시간·품질 유지가 어려워지며, AI 랩이 내재화하거나 특정 데이터 영역이 빠르게 commoditize될 가능성도 배제할 수 없다.
트레이더/투자자 관점
• 내러티브: AI 투자에서 “GPU 다음은 데이터”가 아니라 “접근 가능한 데이터”가 핵심 내러티브로 이동 중이며, 프록시 네트워크·실시간 웹 접근·에이전트 인프라가 독립 섹터로 재평가될 수 있다.
• 가격/포지셔닝: AI 애플리케이션 레이어보다 데이터 파이프라인·웹 액세스·검색 인프라가 더 높은 전략적 가치를 가질 수 있다는 메시지이고, 특히 에이전트 테마 확산 시 residential network 기반 프로젝트는 밸류에이션 재평가 후보가 된다.
• 체크포인트: Grass 노드 수 증가, LCR/Contents API 채택률, Search API 출시, AI 랩 고객 다변화, 로보틱스·멀티모달 데이터 계약, latency 개선, 재단 수익의 지속성·투명성, 그리고 웹 플랫폼들의 anti-bot 정책 강화 여부를 봐야 한다.
https://youtu.be/QT7adhMLMI4
1. Andrej Radonjic(Wynd Labs CEO)의 핵심 주장은 단순하다: 이제 AI 경쟁의 병목은 GPU만이 아니라 “공개 웹에 실제로 접근할 수 있는가”이며, Grass는 이를 해결하는 데이터 인프라라는 것.
2. 팬데믹 이후 기업·정부의 웹 인텔리전스 수요가 폭증했고, 동시에 사이트들은 데이터센터 IP와 봇을 강하게 차단하기 시작했는데, 이 충돌이 Grass 같은 residential bandwidth 네트워크의 시장을 만들었다.
3. Grass의 차별점은 “동의 기반(consent)”이다; 과거 스마트TV·VPN·앱 업데이트에 몰래 프록시 기능을 심는 방식과 달리, 사용자가 직접 노드로 참여하고 보상을 받는 구조라 지속 가능성과 규제 리스크 측면에서 우위가 있다는 논리다.
4. 숫자가 인상적이다: Grass는 800만 노드 수준 네트워크를 바탕으로 이미 frontier AI labs에 엑사바이트급 데이터를 공급했고, 내부적으로는 수천 대의 컴퓨트 서버와 대규모 스토리지를 운영 중이라고 설명한다.
5. 중요한 포인트는 AI 랩이 돈을 내는 대상이 “그냥 많은 데이터”가 아니라는 점이다; 텍스트, 코드, 영상, 특정 언어/방언, 특정 도메인(법률·금융·수학)처럼 모델 성능을 실제로 올리는 고신호 데이터와 그것을 빠르게 정제하는 속도가 핵심이라고 본다.
6. 훈련 데이터와 추론 데이터의 경계도 흐려지고 있다; 지금은 pretraining용 크롤링과 inference용 live context retrieval이 나뉘어 있지만, 장기적으로는 실시간 정보가 모델 업데이트와 결합되는 continuous learning 방향으로 수렴할 것이라는 시각이다.
7. 새 제품인 Contents API는 이 논리를 제품화한 사례다; URL 하나만 넣으면 특정 국가 시점에서 해당 웹페이지 콘텐츠를 markdown/text로 뽑아주며, anti-bot·브라우저 렌더링·TLS fingerprint 같은 복잡한 레이어를 API 1콜로 추상화했다.
8. 이건 검색 시장 프레임도 바꾼다; 과거엔 웹 크롤링은 쉽고 검색 인덱싱이 어려웠다면, 지금은 오픈소스 임베딩/벡터 검색은 싸졌고 오히려 “차단당하지 않고 웹을 읽는 능력”이 진짜 moat가 됐다는 주장이다.
9. 로보틱스도 흥미롭다: Grass는 1000억 개 이상 웹 비디오를 인덱싱했다고 말하며, 범용 영상 생성과 달리 로봇 학습은 인간 동작·환경 상호작용처럼 더 정밀한 비디오 필터링이 중요해 새 수요가 열리고 있다고 본다.
10. Andrej는 AI 데이터 비즈니스를 defense tech에 비유한다; 어떤 랩이 어떤 데이터를 사는지 공개되면 향후 6~12개월의 연구 방향과 제품 전략이 노출되기 때문에, 데이터 공급사는 실제로 최전선 정보를 보지만 말할 수 없는 경우가 많다는 얘기다.
11. 수익 구조에서도 흥미로운 점이 있다: 공개된 revenue attestation은 Wynd Labs가 아니라 ownerless한 Grass Foundation 기준이며, 고객 계약·현금 수취·IP 보유를 재단이 담당하고 운영사는 서비스 제공자 역할을 한다는 설명은 토큰-비즈니스 정렬을 의식한 설계로 읽힌다.
12. 다만 리스크도 명확하다; 웹 차단은 더 강해질 수 있고, inference 수요가 커질수록 지리별 노드 밀도·지연시간·품질 유지가 어려워지며, AI 랩이 내재화하거나 특정 데이터 영역이 빠르게 commoditize될 가능성도 배제할 수 없다.
트레이더/투자자 관점
• 내러티브: AI 투자에서 “GPU 다음은 데이터”가 아니라 “접근 가능한 데이터”가 핵심 내러티브로 이동 중이며, 프록시 네트워크·실시간 웹 접근·에이전트 인프라가 독립 섹터로 재평가될 수 있다.
• 가격/포지셔닝: AI 애플리케이션 레이어보다 데이터 파이프라인·웹 액세스·검색 인프라가 더 높은 전략적 가치를 가질 수 있다는 메시지이고, 특히 에이전트 테마 확산 시 residential network 기반 프로젝트는 밸류에이션 재평가 후보가 된다.
• 체크포인트: Grass 노드 수 증가, LCR/Contents API 채택률, Search API 출시, AI 랩 고객 다변화, 로보틱스·멀티모달 데이터 계약, latency 개선, 재단 수익의 지속성·투명성, 그리고 웹 플랫폼들의 anti-bot 정책 강화 여부를 봐야 한다.
https://youtu.be/QT7adhMLMI4