Continuous Learning_Startup & Investment

“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

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.

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.

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.

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.

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

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

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.

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

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.

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.

AI는 숙련을 상품화한다. 그래서 많은 사람들이 공포를 느낀다. 보통 창업자들은 최근 10~20년의 기술 비즈니스만 보면서 “SaaS는 죽었다”, “프로그래머는 끝났다” 같은 식의 유한 게임적 결론을 내리는데, Pete Flint는 이건 문화사·예술사·미디어사의 훨씬 더 긴 흐름을 놓친 해석이라고 봅니다. Pete Flint는 전자음악이 음악을 끝내지 않았고, 사진이 회화를 죽이지 않았고, 더 강한 AI 체스 엔진이 체스를 끝내지 않았다고 말합니다. 이런 분야는 사라지지 않고, 오히려 갈라지고 커지고 새로운 하위 장르를 낳으며 더 큰 생태계가 됩니다. 그는 이걸 “infinite game” 이라고 부릅니다. 즉 단기적으로는 어떤 역할이나 기술이 덜 중요해질 수 있고, 어떤 비즈니스 창은 닫힐 수 있습니다. 하지만 장기적으로 보면, 진짜 변혁적 기술은 “가능한 것의 범위” 를 넓혀버립니다. 가능성이 넓어지면 사람들이 새 시도를 하고, 새 시도는 새로운 수요를 만들고, 그 수요는 이전에는 없던 시장·직업·산업을 낳습니다. 이게 Pete Flint가 말하는 AI의 본질입니다. AI는 기존 노동을 조금 줄이는 도구를 넘어서, 새로운 경제 표면적(surface area) 을 여는 기술이라는 것입니다. 역사적으로 이런 기술 충격은 대체보다 확장을 만들어왔다. 사진은 회화를 죽이지 않았고, 오히려 양쪽 모두를 확장했다. 1839년 다게레오타입이 공개됐을 때, 초상화 화가들은 당연히 위협을 느꼈습니다. 인간의 얼굴을 짧은 시간 안에 높은 충실도로 재현하는 기계가 등장했으니, 초상화라는 주요 생계 기반이 무너지는 것처럼 보였던 것입니다. 이때 “회화는 죽었다”는 식의 반응이 나왔고, 실제로 그런 정서가 널리 퍼졌습니다. 하지만 Pete Flint가 강조하는 건, 사진이 회화를 죽인 게 아니라 회화가 더 이상 “현실의 기록”만 담당할 필요가 없어졌다는 것입니다. 그 의무가 약해지자 오히려 회화는 자유로워졌고, 그 결과 인상주의, 표현주의, 입체주의 같은 새로운 방향이 폭발적으로 나왔습니다. 즉 사진은 회화를 대체한 것이 아니라, 회화를 표현의 다른 차원으로 밀어 올린 기술이었습니다. AI가 특정 기능을 너무 잘하게 되면, 인간은 그 기능을 계속 붙들기보다 그 위에서 더 자유롭고 더 표현적인 방향으로 이동하게 된다. 사진이 회화를 살려줬다는 것만이 아니라, 사진 자체도 그 후 엄청난 파생 산업과 표현 방식을 낳았다는 겁니다. 다게레오타입 이후 칼로타입, 대량 인쇄, 정부와 출판사의 고용, 전쟁 기록 사진, 포토저널리즘, 소비자용 필름 현상, 거리 사진, 즉석사진, 스마트폰 사진, 이미지 플랫폼, 개인 시각 기록 문화까지 계속 이어졌습니다. 기술이 한 번 열어젖힌 가능성은 한 가지 시장으로 끝나지 않고, 연쇄적으로 새로운 시장들을 생성했다. Kodak Brownie가 아마추어 사진 시장을 열었고, Leica가 거리 사진을 촉진했으며, Polaroid는 훗날 스마트폰 카메라의 즉시성 논리를 앞당겨 보여줬다고 설명합니다. 그리고 스마트폰도 사진을 끝내지 않았습니다. 오히려 수십억 명을 “사진가”로 만들고, 이미지 배포 플랫폼과 새로운 미학과 직업을 만들어냈습니다. 여기서 Pete Flint가 강조하는 메커니즘은 단순합니다. 근본 기술이 가능성을 바꾸면, 사람들이 시도하는 것이 바뀌고, 그러면 새로운 시장이 생긴다. “우리는 지금 AI의 daguerreotype moment에 있다.” 즉 공포는 현실적이고, 일부 대체와 충격도 분명 있으며, 그 과정은 실제로 많은 사람에게 고통스럽습니다. 하지만 역사적으로 이런 순간은 대개 “끝”이 아니라 “새로운 시작”이었습니다. 겉으로는 기존 기술과 직업의 소멸처럼 보이지만, 실제로는 전혀 다른 더 큰 영토가 열리는 순간이라는 것입니다. 그는 무조건 낙관론을 강요하지 않습니다. 오히려 “panic is real and displacement is painful”라고 인정합니다. 다만 그 고통의 순간만 보고 전체 미래를 축소해서 해석하면, 창업가는 완전히 잘못된 방향으로 갈 수 있다고 말합니다. AI의 의미는 숙련을 빼앗는 것에만 있는 게 아니라, 그 숙련 위에서 새롭게 시도할 수 있는 영역을 열어주는 것에 더 크게 있다는 것입니다. 숙련의 시대가 저물고, 표현의 시대가 온다 앞으로 중요한 건 craft → taste → expression 순으로 이동할 것 “숙련된 장인정신(craftsmanship)”의 가치가 빠르게 떨어지고 있다. 과거에는 코딩을 잘하고 글을 잘 쓰는 사람이 진입장벽을 가졌지만, 이제는 많은 사용자가 오랜 수련 없이도 꽤 훌륭한 결과물을 만들 수 있습니다. 그래서 많은 사람들이 다음 희소성으로 taste 를 말합니다. “이제 중요한 건 취향과 안목이다”라는 주장을 합니다. 그는 taste조차 오래 희소하지 않을 수 있다고 말합니다. 왜냐하면 taste는 본질적으로 과거를 바라봅니다. 즉 무엇이 잘 먹혔고 무엇이 아름다웠는지, 과거의 패턴을 압축해 판단하는 능력인데, 이런 건 결국 AI가 학습 가능한 신호가 될 수 있다는 것입니다. 그는 taste 다음의 진짜 희소성을 expression으로 둡니다. expression은 뒤를 보는 게 아니라 앞으로를 봅니다. 과거에 검증된 것을 고르는 게 아니라, “무엇이 아직 없지만 있어야 하는가”, “내가 세상에 어떤 새로운 관점을 제안하는가”를 담는 능력이라는 뜻입니다. AI는 taste를 점점 더 잘 흉내 낼 수 있어도, 정말 자기만의 관점에서 무언가를 밀어붙이는 표현은 인간에게 더 오래 남는다는 주장입니다. 피카소 사례: 기술을 버린 게 아니라 더 높은 차원의 표현으로 넘어갔다 피카소가 처음부터 추상적 실험을 한 사람이 아니라, 오히려 매우 뛰어난 사실주의적 화가였습니다. 1907년의 Les Demoiselles d’Avignon는 그 상징적 사례입니다. 당시엔 충격적이고 불쾌하다는 반응이 많았고, 심지어 동시대 예술가들조차 강한 거부감을 보였습니다. 하지만 지금은 현대미술사의 결정적 분기점으로 읽힙니다. Pete Flint는 여기서 중요한 건 피카소가 skill을 버린 게 아니라, representation보다 expression을 택했다는 점이라고 말합니다. 즉 있는 것을 잘 묘사하는 것보다, 자기 내부의 세계와 새로운 형식을 밀어넣는 쪽을 택한 것입니다. AI가 이제 “skill entry fee”를 내준다. 즉 기술적 숙련은 더 이상 희소성의 핵심이 아니다. 그러면 다음 승부는 “누가 더 잘 만든다”가 아니라, “누가 더 새롭게 본다”, “누가 더 강한 관점을 밀어넣는다”가 됩니다. Pete Flint는 미래의 승자는 “자동화된 것이 가능한지”에 흥분하는 사람이 아니라, 그 자동화를 너무 당연한 전제(table stakes)로 보고 그 위에 완전히 다른 게임을 만드는 사람이라고 봅니다. Bowie 인용: “Never play to the gallery” 글의 마지막 철학적 중심축은 David Bowie 인용입니다. Bowie는 “Never play to the gallery”, 즉 남의 기대나 박수에 맞춰 안전한 창작을 하지 말라고 말합니다. 그가 말하고 싶은 건 이겁니다. 지금 창업가에게 필요한 태도는 숙련이 싸지는 걸 방어적으로 슬퍼하는 장인의 자세도 아니고 이미 검증된 취향만 지키려는 평론가의 자세도 아니며 새 도구를 써서 자기 관점에서 전혀 새로운 것을 만드는 예술가의 자신감이라는 것입니다. 그래서 Bowie의 또 다른 구절, “항상 자신이 감당 가능하다고 느끼는 것보다 조금 더 깊은 물로 들어가라” Sasha Stiles 사례: 인간과 기계가 함께 만드는 새로운 표현 Sasha Stiles의 사례를 들면서, 이미 예술가들이 AI를 단순 자동화 도구가 아니라 새로운 표현 형식으로 쓰기 시작했다고 말합니다. 그는 MoMA에서 진행된 작업을 예로 들며, Stiles가 자신의 글을 바탕으로 만든 alter-ego AI Technelegy가 60분마다 시를 다시 쓰는 프로젝트를 언급합니다. 이 사례는 중요합니다. 왜냐하면 AI가 “인간을 대체하는 것”이 아니라, 인간 표현을 새로운 형식으로 재조합하고 확장하는 도구가 될 수 있음을 상징적으로 보여주기 때문입니다.

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

AI-Native Design의 시대, Paper가 바꾸는 디자인과 개발의 방식 지난 10년 동안 소프트웨어 디자인의 도구와 방식은 빠르게 변해왔다. Sketch에서 시작해 Figma, InVision 같은 웹 기반 협업 툴이 등장했고, Origami와 Framer는 프로토타이핑의 가능성을 넓혔다. Pixelcloud, Wake, Abstract 같은 협업 도구가 생겨났고, Zeplin은 개발자 핸드오프를 더 체계적으로 만들었다. 디자이너들은 그때그때 더 좋은 툴과 플러그인을 찾아 조합하며 일해 왔다. 그러나 최근에는 이런 변화와는 결이 다른, 훨씬 근본적인 전환이 나타나고 있다. 바로 AI 에이전트와 함께 디자인하고, 그 결과를 다시 코드로 연결하는 방식이다. Paper와 AI 에이전트를 중심으로 한 새로운 디자인 워크플로우다. 특히 Paper는 단순히 “AI가 디자인을 대신해 주는 툴”이 아니라, 사람이 직접 중심을 잡고 에이전트를 지휘하며 디자인과 구현을 함께 발전시켜 나가는 캔버스로 제시된다. 이는 단순한 생산성 향상이 아니라, 디자인과 개발의 관계 자체가 바뀌는 신호이다. 가장 인상적인 변화는, 이제 AI 에이전트가 단순히 아이디어를 제안하는 수준을 넘어 실제로 HTML/CSS를 생성하고 Paper의 캔버스를 직접 수정할 수 있다는 점이다. 에이전트는 MCP를 통해 Paper 안에서 프레임을 만들고, 수정 가능한 디자인 결과물을 남긴다. 이때 생성된 프레임은 단순한 이미지가 아니라 사용자가 직접 다시 편집할 수 있는 구조로 만들어지며, Paper의 flex 시스템까지 적용되는 경우가 많다. 그래서 디자이너는 결과물을 받기만 하는 것이 아니라, 캔버스에서 직접 레이아웃과 스타일을 손보고, 다시 그 결과를 에이전트에게 넘겨 코드로 구현하게 만들 수 있다. 즉, 디자인과 코드가 단절된 단계가 아니라 하나의 왕복 루프로 이어지는 것이다. 글쓴이는 이 변화를 “AI-native design”이라고 부른다. 이것은 AI가 사람을 대신해 디자인을 끝내는 방식이 아니라, 사람과 에이전트가 같은 작업 공간 안에서 반복적으로 협업하는 방식에 가깝다. 앞으로 디자이너는 다른 사람과만 협업하는 존재가 아니라, AI 에이전트와 훨씬 더 자주 일하게 될 것이다. 디자인과 UI 구현에는 주로 Claude Code, 특히 Opus 4.6을 사용하고, 프런트엔드 작업이나 빠른 수정에는 Codex 앱을 활용한다고 한다. 이 워크플로를 시작하려면 우선 Claude Code와 Paper MCP를 연결해야 한다. Paper 데스크톱 앱을 설치한 뒤 터미널에서 MCP 서버를 등록하고, Claude 안에서 /mcp 명령으로 연결 상태를 확인하면 준비가 끝난다. 설정 자체는 간단하지만, 그 이후 열리는 작업 방식은 이전과 전혀 다르다. 새 프로젝트를 시작할 때 글쓴이는 빈 화면에서 모든 것을 처음부터 만들지 않는다. 대신 Paper Snapshot을 활용한다. 이 크롬 플러그인은 웹사이트를 Paper 안으로 복사해 editable layer 형태로 가져올 수 있게 해 준다. 즉, 단순히 스크린샷을 참고하는 것이 아니라, 이미 존재하는 UI 패턴을 바로 캔버스로 가져와 구조와 스타일을 활용할 수 있다. 그의 가장 선호하는 방식은 먼저 Snapshot으로 참고할 만한 UI를 가져오고, 그다음 Claude에게 제품 스펙과 함께 “이 레퍼런스를 바탕으로 다시 설계해 달라”고 요청하는 것이다. 이렇게 하면 기본적인 컴포넌트와 프레임을 일일이 세팅하는 시간을 크게 줄일 수 있다. 이 과정에서 중요한 것은 프롬프트의 방식이다. 그는 짧고 추상적인 지시보다 구체적이고 맥락이 풍부한 요청이 훨씬 낫다고 강조한다. 전체 사용자 여정을 한 번에 만들라고 하기보다는 특정 페이지, 특정 컴포넌트, 특정 흐름 단위로 잘게 나눠서 요청하는 편이 결과가 좋다. 여기에 제품 스펙, 참고 스크린샷, 요구사항 문서 같은 부가 맥락까지 함께 제공하면 에이전트는 훨씬 더 나은 출발점을 만든다. 결국 AI와 일할 때도, 사람이 얼마나 명확하게 문제를 정의하느냐가 여전히 중요하다는 뜻이다. 기존 디자인이 있을 때도 이 방식은 유효하다. 그는 기존 파일 안에 에이전트와 집중적으로 실험할 별도의 페이지를 새로 만들어 작업하는 것을 좋아한다고 한다. QA 환경이나 배포 브랜치의 실제 앱 화면을 Snapshot으로 캔버스에 가져오고, Paper에서 선택해 둔 프레임을 기준으로 Claude에게 “이 프레임을 보고 이런 온보딩 플로를 만들어 달라”거나 “이 페이지의 구조를 유지하되 특정 산업군에 맞게 콘텐츠를 채워 달라”는 식으로 요청할 수 있다. 이 덕분에 단순한 와이어프레임을 만드는 것이 아니라, 꽤 현실감 있고 설득력 있는 시안을 빠르게 만들 수 있다. 고객 미팅이나 내부 리뷰를 위한 프로토타입을 준비할 때 특히 강력한 방식이다. 이 워크플로에서 중요한 순간은 AI가 완벽한 결과물을 한 번에 뽑아내는 장면이 아니다. 오히려 글쓴이가 말하는 “aha moment”는, Paper 위에서 에이전트가 실제로 화면을 구성하고 빌드해 나가는 과정을 보면서 디자인이 더 이상 사람이 혼자 하는 작업이 아니라는 사실을 체감하는 순간이다. 다만 그는 이 점을 지나치게 낙관적으로만 보지 않는다. 현실적으로 Opus가 한 번에 잘 만들어 줄 때도 있지만, 대부분은 사람과 에이전트가 여러 번 주고받으며 결과를 다듬게 된다. AI가 초안을 만들고, 사람이 Paper 캔버스에서 수정하고, 다시 에이전트에게 다른 변형안을 요청하고, 준비된 부분부터 코드로 구현하는 식이다. 결국 핵심은 “원샷 생성”이 아니라 반복적 협업이다. 그래서 구현 단계에서도 그는 한 번에 전체 페이지를 맡기지 말라고 조언한다. 디자인이 어느 정도 준비되었다면, 에이전트에게도 특정 페이지나 특정 컴포넌트처럼 작고 분명한 단위로 구현을 맡겨야 한다. 사람이 수동으로 작업할 때도 큰 문제를 작게 나누는 편이 안정적인 것처럼, AI에게도 더 세분화된 단위가 훨씬 좋은 결과를 만든다. 즉, 에이전트를 잘 활용하려면 더 큰 그림을 보는 능력만이 아니라, 일을 잘게 쪼개고 우선순위를 정하는 능력도 필요하다. Paper는 복잡한 WebGL 캔버스 위에 추상적인 구조를 얹은 방식이 아니라, 더 네이티브한 React 기반 접근을 취하고 있기 때문에 에이전트가 그냥 익숙한 HTML/CSS를 써서 캔버스에 결과를 떨어뜨릴 수 있다고 설명한다. 이 구조 덕분에 디자인 결과와 실제 구현 사이의 간격이 줄어들고, 툴 자체도 더 빠르고 UI 작업에 적합한 감각을 준다고 말한다. 여기에 더해 Paper는 단순히 AI 기능만 있는 도구가 아니라, 셰이더 같은 새로운 표현 도구까지 접근 가능하게 만들면서 디자이너를 위한 더 나은 캔버스를 구축하고 있다고 평가한다. 팀에 대한 신뢰 역시 이유 중 하나다. 특히 창업자인 Stephen Haney가 Radix UI를 만든 인물이라는 점에서, 디자인과 개발의 경계를 오랫동안 고민해 온 팀이 이 문제를 풀고 있다고 본다. “모델이 아직 UI를 아주 잘하는 것은 아니다”라고 솔직하게 인정한다. AI 모델이 많은 벤치마크에서 뛰어난 성능을 보이더라도, 실제 제품 수준의 세심한 UI 설계에는 여전히 반복과 수정이 필요하다는 것이다. 그래서 좋은 결과는 한 번의 생성이 아니라 사람의 감각과 여러 차례의 피드백 속에서 나온다. 둘째로, Paper는 아직 Figma와 비교했을 때 단축키나 세부 기능 면에서 부족한 부분이 있다고 한다. 예를 들어 데스크톱에서 scale 기능을 위한 k 단축키 같은 기본적인 요청도 아직 남아 있다는 이야기다. 즉, 가능성은 크지만 아직 완성형 도구라고 보기는 어렵다. 그럼에도 불구하고 글쓴이는 지금이야말로 AI-native하게 일하는 법을 익혀야 할 시점이라고 말한다. 자신이 초기 Ramp 시절에도 빠르게 제품을 만들며 일했지만, 지금의 Paper, Claude, Codex와 함께하는 속도는 그때와는 차원이 다르다고 느낀다고 한다. 도구의 발전이 단순히 몇 시간을 절약하는 수준이 아니라, 제품을 구상하고 만들고 수정하는 방식 자체를 바꾸고 있다는 뜻이다. 그래서 그는 지금 이 흐름을 놓치지 말아야 한다고 강조한다. 실제로 Paper가 Ramp의 SaaS 리포트에서 연이어 주목받는 벤더로 등장한 점도 이런 분위기를 보여 주는 사례로 제시된다.