Continuous Learning_Startup & Investment

🤯 딜레마: 왜 내 코드는 자꾸 '쓸려나갈까'? 컴퓨팅과 데이터의 힘이 알고리즘을 이긴다는 "The Bitter Lesson"은 현실입니다. 특정 모델(예: GPT-4)의 단점을 보완하려 만든 복잡한 '하니스(harness)'는, 더 똑똑한 다음 모델에겐 불필요해지죠. 이것이 우리 코드가 '쓸려나가는' 이유입니다. 👉 핵심: 모델의 약점을 임시로 때우는 게 아니라, 모델을 언제든 갈아 끼울 수 있는 시스템을 만들어야 합니다. 핵심 전략은 '분리(Decouple)'와 '계약(Contract)'입니다. 여기에 투자하세요 (Your Core Asset) * 📜 명세/계약 (Spec/Contract): 자연어 설명과 함께, OpenAPI나 JSON Schema로 기계가 검증 가능한 '계약'을 만드세요. 모델은 이 계약을 따라야 합니다. * ⚖️ 평가 (Evals): 모델이 바뀌어도 "좋은 결과"의 기준은 그대로입니다. 자동화된 테스트, 특히 에이전트 간 통신은 계약 테스트(Pact)로 깨지지 않게 관리하세요. * 🏛️ 아키텍처 (Architecture): 헥사고날 아키텍처로 핵심 로직과 외부 도구(LLM, DB)를 분리하세요. LLM은 그저 하나의 '어댑터'일 뿐입니다. 🔄 이건 계속 갈아끼우세요 (Swappable Parts) * 🧠 LLM 모델: GPT, Claude, Gemini 등 특정 모델에 종속되지 않게 추상화합니다. * 🤔 추론 전략: CoT, 에이전트 루프 등은 언제든 더 나은 방법론으로 교체 가능한 '플러그인'입니다. * 🎓 학습 알고리즘: 강화학습, 파인튜닝 기법 등도 마찬가지입니다. https://youtu.be/qdmxApz3EJI

Cognition이 $10.2B에 $400M를 투자 받았다. 작년 9월 ARR이 $1M에서 올해 $73M ARR in June 2025까지 성장했다. 창업후 $20m을 썼다고 하니 이미 수익성은 검증한 것 같다. 기업대상으로 상대적으로 비싸게 받은 것이 좋은 마진을 만들어준 것 같다. Cursor/Windsurf같은 IDE보다 유저가 가치를 가치를 덜 느끼다보니 Cursor에 비해서는 더디게 성장하는 것처럼 느껴지지만 1년이 안되는 시점에 73배 성장했다. 초기 투자한 투자자와 Latent Space Podcast를 진행하는 swyx도 팀에 조인. Scott이 수학/컴퓨터/AI 말고도 포커에도 훌륭한 능력이 있다는데 Windsurf팀을 인수해서 그동안 약했던 IDE 부분 강화하고 개발자/AI Researcher 중심의 팀에 Revenue Engine을 붙이는 결정을 보면 AI 시대 훌륭한 창업자로 성장할 것 같다. swyx가 Cognition에 합류하면서 그 이유를 적은 글이 있는데 생각해볼만한 부분들이 있다. 1. 에이전트 랩 vs. 모델 랩: 거대 모델 개발(모델 랩)의 시대가 지나고, 특정 도메인에 모델을 적용하고 제품을 만드는 '에이전트 랩'의 시대가 올 것이라는 믿음 미래는 Cognition(인지/지능)을 단위별로 판다. 과거에 증기기관이 말의 힘을 대체했다면 GPU+AI가 사고 연산의 결과물을 단위로 재서 판매한다. 그 때 Foundation Model을 만드는 팀은 전반적인 지능(석유)를 판다면 석유를 가져와서 실제 End User에게 쓸만하게 정제해주는 건 Agent Labs일 수 있겠다. Kimi 대표는 모델부터 에이전트까지 통일해서 만들었을 때 Agent의 기능이 더 극대화된다는 이야기를 한 적이 있어서 누구의 말이 맞는지는 2-3년 정도 시간이 흘러야 할 것 같다. 코딩이라는 영역에서 전개된 Agent Labs들이 각 분야들로 앞으로 2-3년 내에 뻗어나갈 것이다. 2. 우리는 동기/비동기 Agents들과 협업한다. Cursor는 IDE로 완전 동기형 제품이라면(Agent도 최근 지원하지만), Devin은 Agent(비동기) 솔루션이다. 아예 일정 태스크는 비동기 Agent들에게 위임하는게 일반화 될 것. 코드 리뷰해줘, 이런 주제로 조사해서 이런 결과물을 만들어서 누구에게 전달해줘 등. 그런 측면에서 Cognition은 동기/비동기 스택을 둘 다 마련하게 되었다. Swyx도 코드 에이전트 제품을 2년전에 내놨었다. 초반에 모델의 성능에 따라 기능이 불안정해서 스스로 믿음이 약해져서 접었다. 사실 데빈도 그렇다. 초반에 큰 투자에 반해서 사용자들의 악평이 많았다. 별거 없는데 대단한척 한다던지 여러 이야기들. 믿음의 중요성을 느낀다. 그 길이 맞다고 확신이 들었을 때 고객의 피드백, 주변의 혹평이 있더라도 우직하게 그 길을 가는 건 그 미래를 만드는 게 정말 맞다는 믿음에서 온다. https://www.swyx.io/cognition

실패를 통과하는 일에서 한 스타트업이 시작하고 마무리되는 과정을 솔직하게 공유해주셨다. 누군가의 시행착오를 보면서 평가하긴 쉽지만, 실제 그 일을 해보면 중이 제 머리 깎는게 가장 어렵다. 창업이나 투자나 합리성을 꾸준히 누적할 수만 있다면 좋은 결과를 얻을 확률이 높겠지만, 사람은 수많은 편향을 가지고 있기에 불가능에 가깝다. 누군가의 성공을 그대로 따라하는 것은 성공을 보장하지 않으나 실패로부터 하지 말아야할 것들을 배우는 것은 실패하지 않는 법을 배울 수 있다. 우리 사회에서 잘못되었다 실패했다고 말하고 이를 공유하는 건 아직 쉽지 않다. 그런 점에서 이 경험은 귀하다. 다양한 시행착오의 기록이 쌓여 더 많은 변화를 만드는 사람들이 배우고 시도하면 좋겠다. 대표님이 컨텐츠를 좋아하시다보니 좋은 글귀들이 많았다. 중요한 것은 비평가가 아닙니다. 뭐가 문제였고, 어떻게 해야 했는지 지적하는 사람들이 아닙니다. 공로는 실제로 경기장에 나가 얼굴이 먼지와 땀과 피로 범벅이 되도록 용감하게 싸운 사람, 거듭 실수하고 기대에 못 미쳐도 실제로 뛰는 사람, 무한한 열정과 헌신의 가치를 아는 사람, 값진 대의에 자신을 바치는 사람의 몫입니다. 그는 끝까지 노력해 마지막에 크나큰 승리를 쟁취할 것입니다. 설령 실패하는 최악의 경우라도 최소한 과감히 도전하다 실패했으므로 승리도 패배도 모르는 냉소하고 소심한 영혼들은 결코 그를 대신할 수 없을 것입니다. Theodore Roosevelt, “The Man in the Arena. Citizenship in a Republic,” address delivered at the Sorbonne, Paris 사이클링은 인간의 가치와 고통을 끊임없이 느끼게 하는 경주에요. 더는 고통받고 싶지 않다면 직업을 바꿔야죠. 신체적 조건이 비슷한 두선수가 경쟁할 땐 순전히 심리 싸움이 돼요. 고통을 더 오래 견디는 사람이 이겨요. <트루드 프랑스> 부와 행복은 두가지 요소로 이뤄진 등식임을 기억하자. 가진 것(현실)과 기대하는 것(기대치). 가진것을 늘리는 데 노력을 쏟으면서 기대치를 관리하는데 신경을 쓰지 않는 것은 말이 안된다. 우리는 기대치를 더 쉽게 통제할 수 있다. 기대치 게임은 결국 멘탈 게임이다. 우리는 기대한 것보다 더 좋은 결과를 얻었을 때 만족과 성취감을 느낀다. <불변의 법칙> 어떤 분야에서 정말로 뛰어나려면 반드시 강한 흥미를 느껴야 한다는 것입니다. 저는 많은 일을 상당히 잘하는 수준까지 해낼 수 있습니다. 하지만 강한 흥미를 느끼지 못하면 어떤 일도 잘해낼 수 없죠. 가능한 강한 흥미를 느끼는 일을 좇아야 합니다. 여러분이 해야할 또 다른 일은 진력을 다하는 것입니다. 진득하게 일을 해내는 것을 좋아합니다. 자신이 사지 않을 것은 팔지 않는다. 존경하지 않고 존중하지 않는 사람 밑에서 일하지 않는다. 같이 있으면 즐거운 사람들하고만 일한다. 진화는 인간에게 사회적 증거 경향을 나겨주었습니다. 주위 사람들이 생각하고 행동하는 모습을 보고 따라 하려는 경향이죠. 사회적 증거 경향은 수수께끼(불확실성)나 스트레스가 존재할 때입니다. 두가지 모두 존재할 땐 더 그렇고요. 사람 문제와 관련해서 바랄 수 있는 건 적당한 타율일 뿐입니다. 문제를 바로잡는 것을 미루는 것, 즉 찰리 멍거가 말했던 손가락 빨기야말로 가장 큰 죄악입니다. 문제는 저절로 사라지지 않는다. 해결하려면 행동이 필요하다. <가난한 찰리의 연감> 유능한 CEO가 되기 위해서는 제도가 가하는 압박에서 벗어나야한다. 업계에서 CEO는 당연히 XX를 해야한다는 것에서 벗어나고 각자 독자적으로 경영 철학을 세워야한다. 이런 CEO들의 가치관은 합리성, 데이터 분석, 스스로 생각하는 능력에 대한 강한 확신이 있었다. 이들은 경쟁자들과 언론이 떠들어대건 말건 자기 사업의 핵심적인 경제성에 주목했다. <워런 버핏> 시류를 거슬러 움직여라. 남들과 다른 방향으로 가는 것들을 두려워하면 안된다. 기존의 방식이나 틀에 얽매이지 말고 새로운 시도를 해야한다. 사람들이 모두 같은 방향으로 움직일 때 반대 방향으로 눈을 돌리면 틈새시장을 발견할 확률이 높다. 단, 많은 사람이 당신을 만류하며 그쪽으로 가면 안된다고 할 것이므로, 그런 반대를 이겨낼 마음의 준비를 해야한다. 나는 인구 5만 명 이하의 소도시에는 할인 매장을 그렇게 오랫동안 운영할 수 없을 거라는 말을 평생 가장 많이 들은 것 같다. <샘 월튼> https://product.kyobobook.co.kr/detail/S000217395322

한 분야에서 다양한 시행착오를 겪고 가치있는 것을 만들면서 결국 자신만의 길을 개척한 사람은 예술가라고 생각한다. “농업은 스스로 실천하는 행위 예술이다”, “보이는 것에 만족하지 말고 보이지 않는 세계를 탐구하라.”, “농업은 더하기다. 곱하기는 도박이다.”, “작물을 내 생각대로 대하지 말고 작물이 원하는 방식으로 대하라.”, “하고자 하는 사람은 방법을 찾고 하기 싫은 사람은 구실을 찾는다.”, “결과를 능가하는 이론은 존재하지 않는다.” “사람이 물을 뿌리 가까이에 주고, 영양제도 주고 모든 것을 갖춰 주면 식물 자체가 사람 손에 길들여져서 자기가 갖고 있는 능력을 발휘하지 않아요. 그러면 뿌리 발달이나 모든 기능들이 저하되기 때문에 물도 멀리서 주고 먹을 것도 멀리 주어서(묘목은 50cm, 큰 나무는 1~2m 먼 거리에 물 주기) 네가 먹고 싶으면 나와서 먹어라, 이런 식으로 키워야 강하고 큰 나무가 될 수 있어요.”, “포도알에 칼로 흠집 내고 이쑤시개로 찌르는 실험을 10년 이상 하여 왔는데, 사람도 건강한 사람은 병이 나도 약 안 먹고도 잘 낫잖아요. 건강한 나무는 상처를 스스로 치유합니다. 즉 스스로 치유력을 갖고 있는지 실험하는 겁니다. 그랬더니 10년 동안 하나도 썩지 않고 그대로 낫는 것을 보면 우리 포도들은 스스로 자기를 치료하는 항산화 물질이 많이 들어 있지 않나 생각합니다.”, “토양이 발효형 토양(유산균, 효모 등 발효 미생물이 많은 토양)일 경우에는 병이나 벌레도 잘 오지 않지만 오더라도 자기가 스스로 이겨내는 면역력이 생겨요.” https://www.youtube.com/watch?v=0BuKzqPEO9o https://m.blog.naver.com/PostView.naver?blogId=saynoletter&logNo=223727485209&navType=by

Q: 당신은 투자를 '물리학 스타일(정해진 법칙을 찾는 것)'과 '생물학 스타일(끊임없이 진화하는 생태계로 보는 것)'로 구분합니다. 이 비유를 좀 더 자세히 설명해주시겠습니까? 세상을 바라보는 두 가지 다른 방식을 설명하는 재미있는 렌즈입니다. 물리학자의 사고방식은 불변의 법칙을 찾아내려는 것이고, 생물학자의 렌즈는 진화와 변화, 그리고 현재 환경에 무엇이 잘 적응했는지를 생각하는 것입니다. 저는 변화에 대한 호기심과 미래에 잘 적응하는 것에 초점을 맞추는 후자의 렌즈로 세상을 봅니다. 마치 다윈이 비글호를 타고 새로운 종을 처음 발견했을 때의 경이로움과 같습니다. 왜 저 종이 저렇게 생겼을까, 정말 잘 적응한 종일까, 영원히 살아남을 수 있을까 궁금해하는 것이죠. AI가 바로 그런 환경의 변화입니다. 지능형 컴퓨팅이라는 새로운 환경에 무엇이 가장 잘 적응할지, 고객과 기업이 무엇을 요구할지 궁금해하는 것입니다. 규칙을 찾는 것이 아니라 무엇이 잘 적응할지를 보는 것이죠. Character.AI를 보면, 사람들이 캐릭터와 그렇게 많은 시간을 보내는 것이 매혹적입니다. Cursor가 마케팅 없이도 사용자들이 몰려드는 것을 보면, 그것이 오늘날에 정말 잘 적응한 새로운 진화, 즉 '유전자(genetics)'라는 것을 알 수 있습니다. 저는 이러한 호기심과 경이로움으로 변화하는 세상에 접근하는 것이 지배적인 사고방식이라고 생각합니다. Q ’비즈니스 유전자(business genetics)'라는 개념에 대해, 특히 초기 단계 기업을 평가할 때 어떻게 접근하는지 궁금합니다. "고객 내부에서 복리 성장(compound)할 수 있는가?", "시장 외부에서 복리 성장할 수 있는가?", "제품 잠재력의 층위를 복리 성장시킬 수 있는가?"라는 질문들을 어떻게 활용하십니까? A: 초기 단계 회사를 만날 때, 우리는 그들의 꿈과 야망의 아주 작은 조각만을 봅니다. 새끼 고양이 시절에는 호랑이와 집고양이가 똑같이 보이는 것처럼요. 우리는 그 작은 조각에서 미래의 위대함을 투영해야 합니다. 저희가 Thrive에서 중요하게 생각하는 유전적 요소는 진정성(Authenticity), 높은 천장(High Ceiling), 그리고 강력한 비즈니스 유전자(Strong Business Genetics), 이 세 가지입니다. 진정성: 창업자가 해당 분야에 대해 깊은 애정과 야망을 가지고 오랫동안 고민해왔는지를 봅니다. 이것이 바로 '인생의 과업(life's work)'이라는 개념입니다. 이런 진정성이 있어야만 수많은 난관을 거치고 7, 8, 9, 10년 차에도 계속해서 혁신을 이어나갈 수 있습니다. 높은 천장: 5년 뒤에도 제품 로드맵에 대한 아이디어가 넘쳐나서 '소화불량(indigestion)'에 걸릴 정도인지를 상상합니다. 아마존은 책으로 시작했지만 야망은 결코 책에만 머물지 않았습니다. 강력한 비즈니스 유전자: 리텐션이 높은 제품 경험, 적은 영업/마케팅 비용, 자연스러운 고착성(stickiness), 데이터 해자(data moat), 생태계 구축 가능성 등을 의미합니다. Cursor를 예로 들면, IDE는 개발자들이 매일 사용하는 매우 고착적인 도구이며, AI를 통해 완전히 새로운 경험을 제공함으로써 기존 도구에서 전환할 가치를 만듭니다. 이 세 가지 요소를 통해 우리는 초기 단계의 작은 팀이 미래에 얼마나 거대하게 복리 성장할 수 있을지, 그들의 '발현되지 않은 유전적 잠재력'을 가늠하려고 노력합니다. Q: AI 시장 초기에는 가치의 대부분이 베이스 모델 제공사(OpenAI, Anthropic 등)에 귀속될 것이라는 시각이 지배적이었습니다. 하지만 당신은 다르게 본 것 같습니다. 소프트웨어가 '일을 돕는(co-pilot)' 것에서 '일을 대신하는(command center)' 것으로 변하면서, AI 기반 비즈니스는 어떻게 해자(moat)를 구축하고 그 전환을 이뤄낼 수 있을까요? A: 저희는 애플리케이션 레이어에서 몇 가지 중요한 점을 찾습니다. 첫째는 앞서 말한 풀스택 팀입니다. 단순히 베이스 모델에 API를 호출하는 것만으로는 충분하지 않습니다. 그 지능을 획기적이고 차별화된 제품 경험으로 빚어내는 것이 중요합니다. 둘째는 그들이 시장에 내놓는 경험이 '한번 보면 잊을 수 없는(can't unsee it)' 마법 같은 경험이어야 한다는 것입니다. Cursor가 처음으로 당신을 위해 코딩을 해주거나, Waymo를 처음 타본 경험처럼, 일단 경험하고 나면 이전의 비효율적인 방식으로 돌아갈 수 없게 만드는 것입니다. 셋째는 애플리케이션 레이어 회사들이 경쟁의 속도를 주도(pace the race)할 수 있다는 것입니다. 이들은 매우 빠르게 움직일 수 있습니다. 이 풀스택 팀들은 최초의 '경이로운(holy)' 경험을 제공하고, 지능을 제품 경험으로 빚어내며 고객 수요를 충족시키는 속도를 계속해서 설정합니다. 이것이 바로 우리가 Cursor, Voggo 등에서 보기 시작한 돌파구를 만드는 애플리케이션 레이어 회사들의 특징입니다. Q Thrive는 '사람과 아이디어에 집중한다'는 우아한 만트라를 가지고 있습니다. 당신의 일과 삶에서 가장 진지하게 여기는 몇 가지 아이디어를 요약한다면 무엇이겠습니까? 한 가지는 제 형제들과 이야기하는 것인데, 정말 열심히 일하기 위해 당신이 하는 일에 열정을 가지라는 것입니다. 저는 제품 개발부터 팀 빌딩까지, 놀라운 회사를 만드는 다각적인 도전을 사랑해왔습니다. 그런 의미에서 저는 평생 하루도 일한 적이 없다고 할 수 있습니다. 제 모든 시간을 그것에 쏟을 수 있으니까요. 또 하나는 팀의 정신(ethos)에 관한 것입니다. 조니 아이브가 최근 한 말에 깊이 공감했는데, 함께 일하는 사람들을 진심으로 아끼라는 것입니다. 그래야만 그들의 말을 진정으로 경청하기 위해 스스로를 취약하게 만들 수 있기 때문입니다. 다양한 관점을 경청하며 함께 최상의 결정에 도달하는 것은 마법 같은 일입니다. Q: 한때 유명했던 투자 레터에서 아마존의 성공 요인을 '하나의 큰 것'이 아닌 '서로 맞물려 강화되는 수많은 작은 행동들의 네트워크'라고 분석했습니다. 벤처 투자 환경에서는 어떻습니까? 지속적으로 경쟁 우위를 점하는 것은 몇 가지 큰일을 해내는 것입니까, 아니면 수백만 가지 작은 일들을 해내는 것입니까? 그 노마드 레터의 발췌문은 훌륭합니다. 아마존의 핵심은 고객을 위한 다양한 선택, 가격, 그리고 배송 속도였습니다. 그들은 유통 센터의 자판기에서 전구를 빼서 전기료를 절약하는 것과 같은 수천, 수만 가지의 작은 일들을 했고, 이 모든 것이 결국 고객 가치로 이어진 것입니다. 벤처 투자에서 우리에게 그것은 소수의 카테고리 정의 기업에 집중하는 하나의 큰 목표를 위해 수많은 작은 일들을 하는 것입니다. 임팩트 팀이 채용, 마케팅, 재무 등에서 회사를 지원하는 것, 투자팀이 2~5명 규모의 초기 팀과 즉시 만날 수 있도록 일정을 비워두는 것, 일요일 오후에도 함께 모여 투자나 포트폴리오에 대해 논의하는 것 등이 모두 그 작은 일들입니다. 이런 작은 문화적 요소들이 쌓여서 우리가 빠르고 훌륭한 파트너가 될 수 있게 합니다. 이 모든 작은 일들은 우리의 유일한 목표, 즉 카테고리를 정의하는 회사들과 파트너가 되는 것을 가능하게 하기 위한 것입니다. https://youtu.be/OWjg27u5rpA

미국 의사들을 위한 Bloomberg Terminal, Open Evidence 창업자 인터뷰 내용인데 흥미로운 부분 메모. 복잡한 자료를 다루는 Professional들에게 Bloomberg형 제품으로 시작해서 결국엔 Agents들까지 더 생겨날 것 같다. 사용자들이 출처 자료를 보나요? 항상 봅니다. 복잡한 질문으로 시작하는 것이 거의 사용자의 기본 행동이라고 할 수 있습니다. 제가 언급한 이유들 때문에 구글에는 입력할 수 없는, 한 문단 길이의 질문이죠. 그리고 3,500만 개의 생물의학 간행물이라는 검색 공간에서, 질문에 부합하는 정확한 3~5개의 표준적인 랜드마크 3상 RCT나 가이드라인 또는 다른 정보 출처를 찾아냅니다. '정답'이 아니라 질문에 '부합하는' 정보 말이죠. 이런 제품을 만들때 겪는 기술적 어려움의 핵심은 **의미론적인 검색을 얼마나 잘 해줄 수 있느냐**다. 역사적으로 두 가지가 매우 어려웠습니다. 복잡한 환자 시나리오나 사례를 **검색 엔진에 입력해서 유용한 결과를 얻는 것**이 어려웠고, 엔지니어의 관점에서 수백억 개의 토큰으로 구성된 동료 심사를 거친 의학 문헌의 세계에서, 몇 개의 키워드가 아닌 **질문의 의미론적 의미에 직접적으로 부합하는 7개의 구절을 찾는 것**이 매우 어려웠습니다. 저희는 바로 그 두 가지를 했습니다. 그 두 가지를 극도로 잘 해냈습니다. 저희는 올바른 사회적 계약을 구성했고, 청중을 매우 잘 선택했습니다. 이 모든 것들이 쌓여 의사를 위한 블룸버그 터미널과 같은, 즉 전문가용 도구처럼 보이게 된 것입니다. 그들은 AI가 '좋은 데이터가 들어가면 좋은 결과가 나오고, 쓰레기 데이터가 들어가면 쓰레기 결과가 나온다'는 것을 알기 때문에 이것을 사용합니다. 이것이 트윗으로 훈련된 것이 아님을 압니다. 이것이 뉴잉글랜드 저널 오브 메디슨, JAMA 등으로 훈련되었다는 것을 압니다. 저희가 의학 지식의 '골드 스탠더드'들과 전략적 파트너십을 맺고 있다는 것을 압니다. 그들은 오픈에비던스에서 '정답'을 얻는 것이 아니라, 질문에 답하는 '출처'로 안내받을 것이라는 것을 압니다. 이 모든 것들이 쌓여 전문가용 도구처럼 느껴지게 되었다고 생각합니다. 지식 노동자를 소비자로 대하다. 과거에 회사에 특정 의사결정권자에게 판매하던 B2B Software들이 PLG(Product Led Growth)를 하게되는 것을 여러 도메인에 걸쳐서 관찰할 수 있게될 것 같다. 지식 노동자를 위한 소비자 인터넷 회사를 만들고 싶었음. 의사들은 그저 의료 시스템의 부속물처럼 취급되었고, 이 의료 시스템이 의사결정권자이자 문지기였습니다. '최고 의료 정보 책임자(CMIO)' 같은 직함을 가진 사람들이 의사들이 무엇을 사용할지 결정했습니다. 그 CMIO들 중 상당수가 의학 학위조차 없다는 사실에도 불구하고 말이죠. 제게는, 전투기 조종사이자 지식 노동자이며, 자신의 의사 면허(MD)를 걸고 고위험 결정을 내려야 하는 의사들이 자신들이 사용하는 기술에 대한 문지기 역할조차 하지 못한다는 사실이 꽤 심오한 깨달음이었습니다. 바로 그들을 소비자로, 그리고 앱스토어에 가서 무료 앱을 다운로드하고 사용을 시작할 수 있는 사람으로 대한 것입니다. 정말 바보처럼 간단하게 들리지만, 그것은 정말 심오했고 정말 효과적이었습니다. 의학 교육은 어떻게 바뀔까? 1950년에 인용 횟수로 측정한 의학 지식의 두 배가 되는 속도는 50년마다였습니다. 50년마다 동료 심사를 거친 의학 문헌의 총 인용 횟수가 두 배가 되었죠. 오늘날에는 영국 의학 저널(BMJ)과 네이처(Nature)의 추정에 따르면 73일마다입니다. 정말 뛰어난, 세계적인 의사들과 이야기해보면, 그들은 자신이 진료하는 것의 90~95%를 의대 졸업 후에, 그리고 대부분의 경우 펠로우십 이후에 배웠다고 매우 솔직하게 말할 것입니다. 레지던트 과정의 본질을 바꾸거나 의사들이 훈련받는 방식을 바꿀 수 있을까요? 바뀌고 있습니다. 메이요, 클리블랜드, UCSF 같은 최고 수준의 기관들에서는 50년 된 모델을 해체하려는 매우 선구적인 접근 방식들이 있습니다. 단지 가이드라인 기반 의학뿐만 아니라 증거 기반 의학을 장려합니다. 그들은 비공식 자문(curbside consult)을 장려합니다. 기본적으로 정보 과부하 문제를 분산된 집단 지성을 통해 해결하려고 합니다. '비공식 자문'은 거창하게 들리지만, 단지 '이 문제에 대해 알 만한 다른 의사들에게 가서 물어보라'는 뜻입니다. 이 모든 것들은 당연하게 들립니다. 누가 증거 기반 의학을 원하지 않겠어요? 누가 의사들이 다른 의사 패널에게 물어보는 것을 원하지 않겠어요? 복잡한 사실 패턴을 가진 환자가 있다면, 학제 간으로 의사 그룹을 데려와서 학제적인 방식으로 이것을 보자고 합니다. 심장 전문의, 신경 전문의, 종양 전문의를 데려와서 보는 거죠. 문제는 그것이 매우 비싸다는 것입니다. 제가 이것을 설명하면서 실시간으로 '이거 정말 비싸네'라고 생각하고 있습니다. 그래서 형평성 문제가 생깁니다. 2025년에 생명공학의 황금기와 치료법의 폭발 속에서 올바른 의료 행위 방식이 무엇인지는 꽤 명확합니다. 하지만 그것을 어떻게 지불할지는 명확하지 않습니다. 이제는 극도로 비싼 전문가 한 명이 아니라 서너 명이니까요. 그리고 우리는 그렇게 많은 전문가를 가지고 있지 않습니다. 우리가 종양 전문의를 더 빠른 속도로 배출하고 있는 것도 아닙니다.

미국 의사들을 위한 Bloomberg Terminal, Open Evidence 창업자 인터뷰 내용인데 흥미로운 부분 메모. 복잡한 자료를 다루는 Professional들에게 Bloomberg형 제품으로 시작해서 결국엔 Agents들까지 더 생겨날 것 같다. 사용자들이 출처 자료를 보나요? 항상 봅니다. 복잡한 질문으로 시작하는 것이 거의 사용자의 기본 행동이라고 할 수 있습니다. 제가 언급한 이유들 때문에 구글에는 입력할 수 없는, 한 문단 길이의 질문이죠. 그리고 3,500만 개의 생물의학 간행물이라는 검색 공간에서, 질문에 부합하는 정확한 3~5개의 표준적인 랜드마크 3상 RCT나 가이드라인 또는 다른 정보 출처를 찾아냅니다. '정답'이 아니라 질문에 '부합하는' 정보 말이죠. 이런 제품을 만들때 겪는 기술적 어려움의 핵심은 의미론적인 검색을 얼마나 잘 해줄 수 있느냐다. 역사적으로 두 가지가 매우 어려웠습니다. 복잡한 환자 시나리오나 사례를 검색 엔진에 입력해서 유용한 결과를 얻는 것이 어려웠고, 엔지니어의 관점에서 수백억 개의 토큰으로 구성된 동료 심사를 거친 의학 문헌의 세계에서, 몇 개의 키워드가 아닌 질문의 의미론적 의미에 직접적으로 부합하는 7개의 구절을 찾는 것이 매우 어려웠습니다. 저희는 바로 그 두 가지를 했습니다. 그 두 가지를 극도로 잘 해냈습니다. 저희는 올바른 사회적 계약을 구성했고, 청중을 매우 잘 선택했습니다. 이 모든 것들이 쌓여 의사를 위한 블룸버그 터미널과 같은, 즉 전문가용 도구처럼 보이게 된 것입니다. 그들은 AI가 '좋은 데이터가 들어가면 좋은 결과가 나오고, 쓰레기 데이터가 들어가면 쓰레기 결과가 나온다'는 것을 알기 때문에 이것을 사용합니다. 이것이 트윗으로 훈련된 것이 아님을 압니다. 이것이 뉴잉글랜드 저널 오브 메디슨, JAMA 등으로 훈련되었다는 것을 압니다. 저희가 의학 지식의 '골드 스탠더드'들과 전략적 파트너십을 맺고 있다는 것을 압니다. 그들은 오픈에비던스에서 '정답'을 얻는 것이 아니라, 질문에 답하는 '출처'로 안내받을 것이라는 것을 압니다. 이 모든 것들이 쌓여 전문가용 도구처럼 느껴지게 되었다고 생각합니다. 지식 노동자를 소비자로 대하다. 과거에 회사에 특정 의사결정권자에게 판매하던 B2B Software들이 PLG(Product Led Growth)를 하게되는 것을 여러 도메인에 걸쳐서 관찰할 수 있게될 것 같다. 지식 노동자를 위한 소비자 인터넷 회사를 만들고 싶었음. 의사들은 그저 의료 시스템의 부속물처럼 취급되었고, 이 의료 시스템이 의사결정권자이자 문지기였습니다. '최고 의료 정보 책임자(CMIO)' 같은 직함을 가진 사람들이 의사들이 무엇을 사용할지 결정했습니다. 그 CMIO들 중 상당수가 의학 학위조차 없다는 사실에도 불구하고 말이죠. 제게는, 전투기 조종사이자 지식 노동자이며, 자신의 의사 면허(MD)를 걸고 고위험 결정을 내려야 하는 의사들이 자신들이 사용하는 기술에 대한 문지기 역할조차 하지 못한다는 사실이 꽤 심오한 깨달음이었습니다. 바로 그들을 소비자로, 그리고 앱스토어에 가서 무료 앱을 다운로드하고 사용을 시작할 수 있는 사람으로 대한 것입니다. 정말 바보처럼 간단하게 들리지만, 그것은 정말 심오했고 정말 효과적이었습니다. 의학 교육은 어떻게 바뀔까? 73일마다가 아니라 5년마다 상위 4분의 1의 동료 심사 의학 문헌의 총합이 인용 횟수 기준으로 두 배가 됩니다. 이제 '인간에게 의학은 전문화되었으니, 피부과 의사는 신경학의 모든 것을 읽을 필요는 없다'고 말할 수 있습니다. 그게 제 초기 예시였고, 이제는 오픈에비던스가 있어서 이런 것들을 연결할 수 있죠. 그렇다면, 더 보수적으로 가서, 의사가 자신의 전문 분야에서 상위 10%의 동료 심사 의학 문헌만 읽으면 된다고 가정해봅시다. 이제 이건 매우 보수적인 가정입니다. 기능 간, 학제 간 의학은 전혀 없고, 모두가 극도로 전문화되어 있습니다. 좋은 결과는 아니지만, 그렇다고 가정해봅시다. 그게 무엇을 의미할까요? 이제는 가능한 영역에 들어섭니다. 73일마다, 5년마다 읽는 것은 불가능하지만, 이제는 가능한 영역입니다. 하지만 그 의사는 자신의 분야에서 상위 10%의 동료 심사 의학 문헌을 읽는 데만 하루 평균 9시간을 보내야 합니다. 성과 - 미국 의사의 40%가 사용. 18개월만에 폭발적 성장. 2위와 사용자 수 20배 차이 - 의사가 특정 문제를 입력하면 관련된 참고문헌과 인용 정보를 안내해줌. 문제 의사들이 잘못된 판단을 할수밖에 없는 구조적 문제 의료 과실이 심장질환, 암에 이어서 세번째 주요 사망 원인이고, 사망이 아닌 다른 피해를 고려하면 더 심각함. 의사들이 과거 방식의 교육을 받는데에 반해, 현대 의학 발전속도를 개인이 노력해서 따라갈 수 있는 수준을 넘음. 예) IL-17 억제제와 IL-23 억제제 중에서 어떤 것을 써야할까? IL-17 억제제는 다발성 경화증을 악화시키고 IL-23은 다발성 경화증에서 내약성이 좋음. 현실에선 50:50 확률로 처방해서 다발성 경화증이 악화될 수 있음. IL-23 억제제는 2019년 FDA승인을 받아서 그 전에 의사 수련을 받은 사람은 신약과 새로운 기전을 이해하기 어려움. OpenEvidence에서 조금만 자세히 찾아보면 비교적 빠르게 이런 사례들을 확인할 수 있음. 솔루션 GPT가 의사들이 필요한 정보를 줄 수 있도록하기 위해서는 다양한 임상/논문 데이터 안에서 유의미한 검색 결과를 얻을 수 있게해야함. 본질은 의미론적 검색 문제이다. 건선 질환을 가지고 있는 여성이 다발성 경화증(MS)을 겪고 있을 때

여러 AI 서비스(Notion, Cursor, Cognition)에서 검색 기능이 Default로 탑재되면서 실시간 검색 기능이나 신뢰할 수 있는 정보를 제공하는 것, 그리고 고객의 데이터를 저장하지 않는 것이 중요해지면서 새로운 API 레이어가 크고 있음. 기존에 많은 데이터를 들고 있는 Brave, B2C로 확장하던 Perplexity 그 외 새로운 스타트업들이 이 시장에서 싸우고 있고 시장의 수요가 빠르게 늘어나는 만큼 당분간 모두 잘 성장의 수혜를 누릴 것 같다. Exa AI — 자체 인덱스 기반 “AI용 검색 인프라” “구글/빙 래핑이 아닌 독립 인덱스+ZDR로 엔터프라이즈 니즈 공략” 최근 Series B $85M(Val. ~$700M) https://exa.ai/ Perplexity — “Answer/Deep Research” 엔진의 엔터프라이즈화+API B2C 성장 축 이외에 엔터프라이즈로 열심히 확장중. Deep Research 기능과 API, 가격 정책도 잘 설계되었다는 평 Brave Search API — 독립 인덱스·저가 CPM의 범용 검색 API 독립 인덱스+저가 CPM이 Bing API 대체재로 확고. “Bing API 인상” 이후 가격/독립성으로 개발자 유입. AI grounding 수요에 정합. Tavily — 에이전트 친화 “웹 액세스 레이어” 개발자 친화 가격·문서·무료티어 성장 전략. 생태계 확장(체험 → 유료). You.com API — 검색·뉴스·이미지 등 “수트형 API” Smart/Research API로 심화 응답·커스터마이즈. 검색엔진 트래픽·인덱스 자산을 API화해 코파일럿/리서치 에이전트 수요 흡수

지식의 컨베이어 벨트, AI 로펌 Crosby 이야기 전문 서비스업에 AI가 도입된다면 어떤 모습일까요? 로펌 안에 '지식의 컨베이어 벨트'가 놓인다면 어떨까요? Crosby는 계약 업무에 특화된 AI 로펌으로, 복잡한 계약서 협상 과정을 자동화하여 계약이 더 빠르게 체결되도록 돕습니다. 주요 고객은 Cursor와 같이 빠르게 성장하는 B2B SaaS 및 AI 스타트업입니다. 이들은 사업 확장 과정에서 NDA(비밀유지계약), MSA(기본 서비스 계약), DPA(데이터 처리 계약) 등 수많은 계약을 처리해야 합니다. 성장의 병목을 해결하는 AI 변호사 스타트업이 폭발적으로 성장할 때, 법률 검토는 종종 성장의 발목을 잡는 병목 현상을 일으킵니다. Crosby는 이 문제를 해결하기 위해 계약 협상에 소요되는 시간을 획기적으로 단축시킵니다. 핵심은 AI를 통해 대부분의 반복적인 업무를 자동화하고, 변호사에게는 가장 중요한 최종 확인이 필요한 순간에만 정확하게 개입을 요청하는 것입니다. Crosby의 시스템에서 AI는 계약서 내용을 요약하고, 수정 사항을 추적하며, 관련 코멘트를 생성합니다. 또한, 고객사의 비즈니스 맥락에 맞는 정보를 적시에 제공하여 변호사의 생산성을 극대화합니다. 그리고 최종 결과물에 대한 법적 책임은 숙련된 변호사가 집니다. 현재는 업무를 분류하고 배분하는 '사무직원' 레벨의 AI 에이전트를 구축했으며, 앞으로는 주니어, 시니어, 파트너급 에이전트를 각각 개발하여 자동화의 깊이를 더할 계획입니다. 혁신적인 비즈니스 모델과 문화 Crosby는 기존 로펌에 AI 솔루션을 판매하는 방식이 아닌, 스스로 'AI 네이티브(AI-Native) 로펌'이 되는 길을 선택했습니다. 이를 통해 고객에게 훨씬 빠른 법률 서비스를 제공하고, 전통적인 '시간당 청구' 방식에서 벗어나 '문서당 과금'이라는 혁신적인 모델을 도입했습니다. Q: 변호사들이 AI를 거부감 없이 받아들이고, 심지어 직접 프롬프트를 작성하게 만들 수 있었던 비결은 무엇인가요? A: 인센티브 구조에 있습니다. Crosby는 '시간당 보상'이 아닌 '총 검토 시간(Total Review Time) 단축'을 공동의 목표로 설정했습니다. 이를 통해 변호사들은 스스로 AI를 활용하여 업무 효율을 높이는 데 적극적으로 기여하게 됩니다. Q: 왜 AI 기술의 중심지인 샌프란시스코가 아닌 뉴욕을 선택했나요? A: 뉴욕이 금융, 법률, 헬스케어 등 깊이 있는 도메인 전문성이 밀집된 곳이기 때문입니다. 기술만 외치는 'AI 메아리(echo chamber)'에서 벗어나, 현실 세계의 복잡한 문제에 집중하며 제품을 만들기에 최적의 환경이라고 판단한 것입니다. AI가 열어갈 새로운 법률 시장의 미래 Crosby가 그리는 미래는 단순히 기존 법률 시장을 효율화하는 데 그치지 않습니다. "대형 로펌이 담당하는 복잡한 기업 법무보다는, 현재 법률 서비스의 사각지대에 놓인 개인들을 위한 법률 업무(예: 양육비 청구, 임대차 계약 분쟁 등)가 완전히 자동화될 가능성이 높습니다. 이는 기존 변호사의 일자리를 빼앗는 것이 아니라, 비싼 비용 때문에 법률 자문을 받지 못했던 사람들을 위한 새로운 시장을 창출하는 것입니다." https://youtu.be/tBPnlHS2HUA

성공 신화의 이면 한동안 AI 붐이 일면서 다음과 같은 뉴스가 넘쳐났다: "ChatGPT는 두 달 만에 1억 명의 사용자를 모았다. Cursor는 1억 달러의 연 매출에 다가섰다. 모든 AI 래퍼들이 돈을 찍어내는 것 같다. 하룻밤 사이의 성공이 여기저기서 보인다." 하지만 진실은 다르다. 이 글의 저자는 "사실은 그렇지 않다"며 운을 뗀다. 아무도 힘들고 오래 걸린 '진짜 이야기를' 듣기 싫어해서 그렇지, 알려진 스타트업의 성공 이면에는 긴 과정을 거친 '그라인드(grind: 갈고 닦는 고생의 시간)'가 있다. Notion: 두 번이나 무너질 뻔한 창업기 Notion을 만든 Ivan Zhao와 Simon Last도 마법처럼 성공한 것처럼 보이지만, 실상은 "회사를 두 번이나 거의 망하게 했다." 처음에는 $5만 달러만 남은 채 두 사람만 교토로 이주해 매일 18시간씩 Figma를 붙들고 같은 인터페이스를 처음부터 다시 그렸다. 두 번째 위기는 코로나로 단일 Postgres 데이터베이스가 무너지기 시작했을 때 찾아왔다. 경쟁사들이 기능을 쏟아내는 사이, 그들은 몇 달씩 인프라만 붙들고 고쳤다. "우리는 Figma에서 하루 18시간을 보내며 똑같은 인터페이스를 다시 그리고 있었어요." 직접 시장을 만들다: Vanta와 Canva 사례 Vanta의 창업자 Christina Cacioppo는 코딩도 따로 배워야 했다. 처음 6개월은 사람이 일일이 해주는 보안 감사를 했다. 매일 아침 5시 45분에 일어나 "자동화 메일"을 사실 손수 보냈다. 시장이 SOC 2 인증을 원하지 않는다는 걸 알면서도 코드를 써 내려갔다. "누구라도 SOC 2에 신경 쓰는지 테스트하고 싶었어요. 시장이 원하지 않았어요. 그럼에도 불구하고 만들었죠." Canva의 Melanie Perkins도 100명 넘는 투자자에게 거절당했다. "호주 회사가 Adobe를 이긴다고?"라며 모두가 고개를 저었다. 실리콘밸리 투자자와 단 15분 만나기 위해 카이트서핑까지 배워야 했고, 3년 동안 'NO'라는 답만 들었다. 단 한 번의 'YES'를 듣기까지 거절이 반복된 것. "투자자 100명이 모두 '안 돼'라고 했어요. 그 후 딱 한 번 '예스'가 나왔죠." 지금 Canva의 가치는 400억 달러가 되었다. 아무도 알아주지 않는 시간: WorkOS와 Meter Michael Grinich는 WorkOS를 만들며 1년 동안 단 한 명의 고객도 없었다. 자신이 이전 회사에서 겪었던 문제를 해결하려 만든 것이었지만, 시장은 그 필요를 모른 채였다. Meter의 Varanasi 형제는 고객을 만나기도 전에 6년을 투자했다. 펌웨어, OS 등 하드웨어를 세상에 내놓으려면 물리적 현장, 공급망, 설치까지 모두 챙겨야 했기에 COVID 시기 소프트웨어 회사들이 돈을 벌 때도 그들은 '존버'해야 했다. "우리가 2020년에 살아남을 수 있을지 정말 궁금했어요." 실패는 또 다른 성공의 씨앗: 비노드 코슬라 Vinod Khosla는 콩 우유 회사 창업에 실패했고, 스탠퍼드에 두 번 떨어졌으며, 400곳에 이력서를 보내도 답변을 받지 못했다. Daisy Systems라는 첫 회사도 대실패로 끝났다. 하지만 그 자리가 Sun Microsystems의 공동 창업자로 이어진다. "이력서를 400곳에 보냈지만, 답장은 한 곳도 없었죠." 진짜 성공의 조건 세상에 알려진 성공 스토리 뒤에는 꼭 지옥 같은 실패, 시장을 계몽하는 오랜 시간, 팀을 지키는 끈기, 그리고 10년 가까운 인고의 시간이 숨어 있다. 가장 잘나가는 회사도 결국 '10년 뒤에야 빛났다'고 저자는 강조한다. "진짜 문제는 어렵고, 시장은 설명이 필요하고, 팀원들은 시간이 필요합니다. 최고의 회사도 회사를 세우는 데 10년이 걸립니다." https://harvest.pub/shared/eb923128-cdbd-4062-beac-0f4b2acb58de

미국 VS 중국인데 우리나라에 해당하는 이야기들도 많네. 중국의 창업가와 투자자들은 서구 세계를 강박적으로 연구하지만, 서구는 중국에 대해 그렇지 않다. 중국을 배워야 하는 이유: 댄 왕(Dan Wang)의 저서 "Breakneck" 엔지니어 vs. 변호사: 빌은 중국 방문 전 읽은 댄 왕의 책을 인용하며, 중국의 지도층(정치국)은 대부분 엔지니어 출신인 반면, 워싱턴 DC는 변호사 출신이 다수라고 지적합니다. 이는 중국이 인프라와 제조업 등 '건설'에 강하고, 미국은 인권과 자유 등 '사회적 가치' 보호에 강한 이유를 설명하는 하나의 렌즈가 됩니다. 지방정부 간의 치열한 경쟁: 중국의 혁신 가속은 중앙정부가 5개년 계획으로 방향을 제시하면, 각 성(Province)의 지도자들이 연방 정부로 승진하기 위해 치열하게 경쟁하며 목표를 달성하기 때문입니다. 이는 마치 한 회사의 사업부들이 CEO 자리를 놓고 경쟁하는 것과 같으며, 엄청난 건설과 산업 발전을 이끌었습니다. (단, 유령 도시 같은 과잉 건설의 부작용도 존재) 사례 연구 1: 자동차 산업의 충격적인 혁신 BYD & 샤오미(Xiaomi): 빌은 세계 최대 EV 생산업체인 BYD와, 휴대폰 회사에서 단 3년 만에 경쟁력 있는 자동차를 출시한 샤오미 공장을 방문한 경험을 공유합니다. 샤오미 공장: 하루에 1,000대의 자동차를 단 2,000명의 직원으로 생산합니다. (직원 1명당 하루 0.5대) 이는 미국의 6배에 달하는 생산성으로, 극도의 자동화가 이루어져 있음을 보여줍니다. 레이쥔(Lejun)의 기업가 정신: 샤오미 CEO 레이쥔은 자동차를 만들기 위해 직접 운전을 다시 시작하고, 170종이 넘는 차를 빌려 타며 장단점을 연구하는 등 엄청난 집념을 보였습니다. 서구 CEO들의 반응: 포드(Ford) CEO 짐 팔리는 샤오미 차를 경험한 후 "내가 본 것 중 가장 겸허해지는 경험"이라며 "품질과 비용 경쟁력에서 서구는 한참 뒤처져 있다"고 극찬했습니다. 메르세데스, 스텔란티스 CEO들도 중국 EV의 위협을 최고 수준으로 평가합니다. 사례 연구 2: AI 생태계와 오픈소스 문화 오픈소스 중심: 중국 정부는 5개년 계획에서 '오픈소스'를 명시적으로 장려했습니다. 이로 인해 딥시크(DeepSeek), 알리바바의 Qwen 등 다수의 강력한 오픈소스 모델이 등장하며 특정 기업의 독점을 막고 있습니다. 경쟁 심화: 수많은 오픈소스 모델이 서로의 성능을 학습하며 발전할 수 있기 때문에, EV 산업보다 더 치열한 '초경쟁(hyper competition)' 환경이 조성되어 있습니다. 주요 플레이어: 딥시크: 기술적 브랜드 가치가 높음. Qwen: 중국 클라우드 시장 70%를 점유한 알리바바를 등에 업고 있어 중요. 바이트댄스: 소비자 AI 앱 분야에서 가장 주목받는 기업. 미국의 대응: 분리(Decouple) 정책의 한계와 자기 개혁의 필요성 분리 정책의 비현실성: 미국은 중국과의 분리를 주장하지만, 이미 중국의 수출에서 미국이 차지하는 비중은 14%에 불과하며, GDP에서는 3%에 그칩니다. 중국은 유럽, 아프리카, 남미 등 새로운 시장을 개척했습니다. 즉, 미국이 문을 닫아도 중국 경제에 미치는 영향은 제한적입니다. '보조금'과 '기술 탈취' 프레임의 문제점: 빌은 BYD 임원에게 보조금에 대해 묻자 "정부 보조금을 받는다면 제발 찾아서 보여달라"는 답변을 들었다고 전합니다. 미국 역시 EV 크레딧, 칩스법(CHIPS Act) 등 막대한 산업 보조금을 지급하고 있으며, 테슬라의 특허는 모두 공개되어 있습니다. 즉, 중국의 성공을 단순히 보조금과 탈취 탓으로 돌리는 것은 자기기만일 수 있습니다. 진정한 해법: '더 빠른 경주를 하라' (Run a Faster Race): 미국이 직면한 진짜 문제는 중국이 아니라, 자국의 과도한 규제, 소송 남발, 비효율적인 시스템입니다. 중국과의 경쟁에서 이기려면 관세 장벽을 높이는 것만으로는 부족합니다. 미국 내에서 원자력 발전소 건설 비용이 4~5배 더 비싼 이유를 분석하고, 규제 개혁을 통해 혁신을 가로막는 '진흙(mud)'을 제거해야 합니다. 벤처 캐피털(VC) 시장의 변화와 기타 관찰 미국 VC의 후퇴: 과거 세콰이어, GGV 등 많은 미국 VC들이 중국에 투자했으나, 미중 갈등과 중국 정부의 규제 강화(잭 마 사태 등)로 대부분 철수하거나 분리되었습니다. 현지 자금 부족: 중국 내에는 미국처럼 대학 기금이나 재단 같은 대규모 기관 투자자(LP)가 부족하여 벤처 자금 조달이 예전 같지 않습니다. 생활 속 혁신: 신용카드는 거의 쓰이지 않고, 알리페이(Alipay)와 위챗페이(WeChat Pay)가 보편화되었습니다. 식당에서는 테이블의 QR코드로 주문과 결제를 한 번에 해결하는 등 결제 자동화가 미국보다 훨씬 앞서 있습니다. 인재 유치 경쟁: 미국이 중국 유학생 및 연구자에 대한 비자 장벽을 높이는 사이, 중국은 'K 비자'를 신설하여 전 세계 기술 인재들에게 직업 없이도 비자를 발급해주며 적극적으로 인재를 유치하고 있습니다. "적을 미워하지 마라. 판단력을 흐리게 한다" https://www.youtube.com/watch?v=hUJz55AsUz4

Agency 사람들이 종종 냉소적으로 “모든 부는 은행가, 정경유착 자본가, 도둑, 올리가르히 같은 자들이 훔친 것이다”라고 말합니다. 또 “너는 가난한 집에서 태어났으니 성공 못 해”, “너는 특정 인종이나 민족이니 불가능하다”, “너는 그런 나라에서 태어났으니 안 된다”, “장애가 있으니 안 된다” 같은 말도 하죠. 물론 세상에는 실제 장벽이 존재합니다. 공정한 경쟁장은 없어요. 공정함이라는 건 아이들의 상상 속에서나 있는 개념이지 현실에서 명확히 규정할 수는 없습니다. 하지만 세상이 전적으로 운만으로 굴러가는 건 아니에요. 왜냐하면 스스로 뭔가 해서 좋은 결과를 낸 경험이 누구에게나 있거든요. 만약 그 일을 하지 않았다면 좋은 결과도 없었을 거예요. 그러니까 우리는 분명 변화를 만들 수 있습니다. 모든 게 운은 아니에요. 특히 더 긴 시간 동안, 더 치열하게 활동하고, 더 많이 시도하고, 더 많이 고민하고 선택을 할수록 운의 영향력은 점점 사라집니다. 예를 들어, 실리콘밸리에서 20년 전 제가 만났던 뛰어난 젊은이들—모두 성공했습니다. 단 한 명도 예외가 없어요. YC가 하는 일이 바로 그걸 체계화한 것이죠. 20년간 꾸준히 몰입하면 결국 성공합니다. 물론 사람들이 이렇게 말할 수 있죠. “쉽게 말하네. 그건 실리콘밸리 사람들의 얘기잖아.” 하지만 여기 태어난 사람은 아무도 없습니다. 다들 스스로 이곳으로 온 거예요. 똑똑한 사람들과 함께 있고 싶었고, 높은 주도권을 발휘하고 싶었기 때문에. 즉, agency(주도권)는 실제로 효과가 있습니다. 다만 문제는, 사람들이 너무 짧은 시간 안에 결과를 기대한다는 겁니다. 그러면 실망하고 포기하죠. 그래서 더 큰 동기가 필요합니다. 그게 바로 엘론이 화성으로 가려는 이유고, 샘이 AGI를 만들려는 이유이며, 잡스가 1980년대에 이미 책 속에 들어갈 컴퓨터(iPad)를 만들고 싶다고 말한 이유죠. 아주 긴 비전이 있어야 수십 년간 버티며 결국 원하는 걸 만들 수 있습니다. 냉소적인 믿음은 자기 충족적 예언(self-fulfilling prophecy)입니다. 비관적 믿음은 마치 오토바이를 타고 벽을 피해야 하는데, 오히려 그 벽만 계속 바라보다가 그대로 돌진하는 것과 같아요. 그래서 주도권을 지켜야 합니다. 우리는 태어날 때부터 agency를 갖고 있어요. 아이들은 원하는 게 있으면 그냥 가서 가져옵니다. 그 본능을 잃지 말아야 해요. “나는 바꿀 수 있다”는 믿음을 반드시 유지해야 합니다. https://nav.al/agency

AI-Native의 정의 - 흔히 오해되는 “AI-native”: - 직원들이 ChatGPT에 사내 데이터를 물어보는 것 - Cursor 같은 툴로 코딩 생산성 향상 - AI SaaS 툴을 도입하는 것 - Borislav(CTO)의 정의: - 회사 전체가 AI를 기반으로 **조직·업무 프로세스를 재구성**하는 것 - 개발자/비개발자의 경계가 무너지고, 모든 사람이 스스로 문제를 해결하는 조직으로 탈바꿈 “Ah-ha Moment” - GPT-3.5 출시 직후, 운영팀의 백로그가 폭발적으로 쌓임 - “모든 직원이 SQL을 쓸 수 있다면, 왜 직접 문제를 해결하지 못할까?”라는 질문 - No-code/low-code 툴은 표현력이 부족했지만 LLM은 충분히 표현 가능 - 직원이 스스로 fraud detection rule을 만들고, API+Zapier/Make.com과 연결해 자동화 가능 CTO 역할의 변화 - 과거: 엔지니어링 팀이 요청을 받아 직접 해결 - 이후: CTO는 내부 PaaS(Platform as a Service) 제공자 - 회사 전체가 “신뢰할 수 없는 개발자”들로 구성되어 있고, 안전하게 쓸 수 있도록 primitive(기초 기능) 제공 - 예: SQL→API 변환, 트리거→웹훅, 모니터링, 알림, 보안/PII 관리 - 직원이 뭔가를 못 한다면 CTO 책임 → 제대로 된 primitive를 주지 않은 것 조직 문화 전환 - “비개발자는 코드를 못 짠다”는 심리적 장벽 깨기 - 전사적으로 LLM 이해 교육: - Karpathy “Zero to Hero” 시리즈, Fei-Fei Li, 3Blue1Brown 등 - Learning Fridays: 강의 시청 & 토론 - 요청을 대신 해주는 대신, 직원이 직접 해결하도록 유도 - 초기에는 어렵지만, 신뢰 + 인프라 + 교육 3단계로 문화 전환 성공 - 현재: 개발자 + 반(半)개발자 + 소수의 진짜 비개발자 (~10%) AI-Free 코딩의 필요성 - Borislav은 주 2일 AI 없이 순수 코딩: - 이유: “LLM이 만들어내는 코드에 대한 감각을 잃지 않기 위해” - AI 코드를 무비판적으로 받아들이면 **복잡성(accidental complexity)**이 쌓임 - Vanity Metric(“AI가 몇 % 코드 작성”)은 위험 지표 Theory of Mind와 LLM 코드 리뷰 - 인간 코드: 의도/맥락을 추론 가능 (“왜 이렇게 짰을까?”) - LLM 코드: 단순 벡터 정렬 → 의도 없음 → 리뷰/리팩터링 시 disconnect 발생 - 해법: LLM 코드를 내 코드처럼 보고 책임과 소유감을 가져야 함 미래 전망 - 코드량이 기하급수적으로 증가 → 인간이 이해할 수 없는 블랙박스 위험 - AI가 아키텍처·컴파일러까지 설계할 경우 인간은 “호환성 레이어”조차 이해 불가 - 따라서 복잡성을 통제(conserve complexity) 하는 능력이 중요 - 프롬프트 설계 시에도 “토큰 압력” 이해 필요: binary 출력 대신 score, 단계별 reasoning 유도 https://www.sarahtavel.com/p/the-benefits-of-writing-code-two

안드레가 말하는 요즘 코딩 최적의 LLM 보조 코딩 경험을 찾아가는 여정을 이어가고 있다. 특히, 한 가지 완벽한 방식에 집중하기보다는 여러 워크플로우를 섞어서 각 장단점을 “봉합(stitch up)”하며 점점 더 다양화해서 활용하는 것 같다. 개인적으로 LLM 보조의 핵심(약 75% 정도)은 여전히 (Cursor의) 탭 자동완성이다. 내가 직접 코드/주석을 구체적으로 작성하고 코드의 올바른 위치에 배치하는 것이 LLM에 “작업 명세(task specification)”를 전달하는 가장 효율적인 방법이라고 생각한다. 즉, 본질은 작업 명세 비트(bits)를 전달하는 것인데, 내가 원하는 바를 텍스트로만 설명하기에는 너무 많은 비트와 지연(latency)이 필요하다. 차라리 코드 안에서 직접 보여주는 것이 훨씬 빠르다. 가끔 탭 완성 모델이 짜증날 때가 있어서 켜고 끄기를 자주 반복한다. 그다음 단계는 구체적인 코드 블록을 하이라이트하고 어떤 수정 작업을 요청하는 것이다. 그 위 단계는 Cursor 옆에서 돌리는 Claude Code, Codex 같은 모델이다. 큰 기능 단위이고 프롬프트로 명세하기 쉬운 경우에 사용한다. 매우 유용하지만 여전히 결과가 섞여 있고, 가끔은 답답하다. 나는 YOLO 모드(그냥 무작정 실행)로 쓰지 않는데, 모델이 산으로 가서 쓸데없는 일을 하기 때문이다. 그래서 ESC를 자주 누른다. 여러 인스턴스를 병렬로 활용하는 생산적인 방법도 아직 못 찾았다—하나만 해도 벅차다. CLAUDE[.]md 같은 걸 제대로 유지·업데이트하는 방법도 아직 못 찾았다. 스타일이나 취향 문제 때문에 정리(cleanup) 작업을 자주 해줘야 한다. 예를 들어, 지나치게 방어적으로 try/catch를 남발하거나, 추상화를 과도하게 복잡하게 만들거나, 리스트 컴프리헨션이나 한 줄 if-then-else로 충분한 경우에도 중첩된 if-else 블록을 쓰거나, 헬퍼 함수로 뺄 수 있는 코드를 중복시키는 등… 기본적으로 “코드 취향”이 없다. 그래도 내가 익숙하지 않은 영역(예: 최근 Rust 작성, SQL 명령, 예전에 거의 안 써본 언어들)에 발을 담글 때는 필수적이다. CC로부터 코드와 동시에 학습하려고 시도했지만 완전히 실패했다—이 모델은 코드를 설명하는 것보다 그냥 코드를 쓰는 데 더 집중한다. 예전에 CC로 하이퍼파라미터 튜닝을 시켜본 적도 있는데 꽤 웃겼다. 또 CC는 단발성 저위험 시각화, 유틸리티, 디버깅 코드에 굉장히 유용하다. 내가 직접 짜기엔 너무 오래 걸릴 것 같은 것들이다. 예를 들어, 특정 버그를 잡기 위해 1,000줄짜리 맞춤형 시각화 코드를 CC가 뚝딱 만들어주고, 버그를 찾자마자 다 삭제하는 식이다. 이건 코드 포스트-스카시티(post-scarcity, 희소성 해소) 시대다—수천 줄의 맞춤형, 일회성 코드를 만들었다가 바로 버려도 괜찮다. 이제 코드는 더 이상 귀하고 비싼 자원이 아니다. 마지막 방어선은 GPT-5 Pro다. 가장 어려운 문제를 맡긴다. 예를 들어, 나/커서/CC가 10분 동안 같은 버그에 갇혀 헤매는데, 전체 코드를 5 Pro에 붙여넣으면 10분 정도 돌리다가 실제로 아주 미묘한 버그를 찾아내는 경우가 있었다. 정말 강력하다. 희귀한 문서나 논문 같은 것도 잘 찾아낸다. 좀 더 무거운 작업에도 활용했다. 예컨대 추상화를 정리하는 방법을 제안하게 했는데 결과는 반반이었다—괜찮은 아이디어도 있었지만 그렇지 않은 것도 있었다. 또는 사람들이 어떤 방법을 쓰는지 전체 문헌 리뷰를 요청하면 관련 자원이나 참고 자료를 잘 모아준다. 어쨌든, 지금은 코딩이 여러 “종류”의 코딩 방식과 각기 다른 장단점을 가진 도구들로 완전히 열린 상태다. 집단적으로 가능한 최전선(frontier)에 내가 못 따라가고 있다는 불안감을 피하기 어렵다. 그래서 이런 일요일 샤워 중 잡생각들이 나오고, 다른 사람들은 어떤 경험을 하고 있는지에 대한 호기심도 크다. https://x.com/karpathy/status/1959703967694545296?s=46&t=h5Byg6Wosg8MJb4pbPSDow

TLDR; 1. 환경과 궤적: 정보 흐름과 만나는 사람을 바꾸면 개인의 궤적이 달라지고, 최고가 되려면 해당 분야의 클러스터에 직접 들어가야 한다. 어디서든 성공할 수 있다는 말은 가능하지만 극히 드물다. 2. 클러스터 효과: 혁신과 성과는 특정 지역·집단에 몰려 있다. 영화는 할리우드, 금융은 뉴욕, 테크는 실리콘밸리. 본인이 최고가 되고 싶은 영역의 클러스터는 어디인가? 3. 평판보다 제품 시장 적합성: 창업자의 평판보다 제품-시장 적합성이 더 중요하다. 맥락이 바뀌면 같은 사람도 전혀 다르게 성과를 낼 수 있다.

그럼 이런 질문이 가능합니다. ‘정보 흐름을 바꾸면 사람의 궤적(trajectory)을 바꿀 수 있을까?’ 만약 특정 분야에서 최고가 되고 싶다면, 그 분야의 클러스터로 이동해야 합니다. 영화라면 헐리우드, 테크라면 실리콘밸리 같은 식입니다. ‘어디서든 성공할 수 있다’는 말도 약간은 사실이지만, 굉장히 드뭅니다. 왜 스스로를 더 어렵게 만들겠습니까? 굳이 하드 모드로 플레이할 필요는 없죠.” 여기서 반직관적인 교훈도 있습니다. 예를 들어 ‘창업자는 반드시 동등한(co-equal) 공동창업자가 있어야 한다’는 믿음이 있죠. 하지만 역사적으로 가장 큰 성공 기업들은 대부분 단독 창업자거나, 창업자 간 불균형한 관계였습니다. 아마존은 제프 베조스가 유일한 창업자였고, 마이크로소프트도 빌 게이츠 중심의 불균형 관계였죠. 진짜 50:50인 경우는 드뭅니다. 그런데도 지금은 그게 신화처럼 굳어졌습니다. 사실은 부정적 효과도 있습니다. 또 다른 교훈은 창업자에 대한 ‘레퍼런스 체크’입니다. 창업자에 대한 부정적 레퍼런스를 들어도, 실제로는 대개 중립적입니다. 제품-시장 적합성(product-market fit)이 창업자의 성격보다 훨씬 중요하기 때문이죠. 또한, 어떤 사람이 특정 환경에서는 게으르고 무능해 보여도, 다른 맥락에서는 훨씬 더 잘할 수 있습니다. 제가 트위터에서 함께 일했던 한 사람은 늘 별로 생산적이지 않아 보였는데, 몇 년 뒤엔 굉장히 성공한 스타트업 CEO가 되어 있었습니다. 그에게 물었더니 ‘이번엔 내 목숨이 걸린 것 같아서 죽어라 일했다’고 하더군요. 물론, 진짜로 압도적인 성과를 내는 사람들은 환경과 상관없이 항상 ‘온(On)’ 상태이긴 합니다. 하지만 이런 맥락 의존성도 존재한다는 겁니다. https://podcasts.apple.com/kr/podcast/the-knowledge-project-with-shane-parrish/id990149481?l=en-GB&i=1000708306340&r=1226

이건 일종의 ‘혈통(lineage) 효과’입니다. 요가, 종교 운동에서도 그렇습니다. 어떤 계보에서 나왔느냐가 엄청나게 중요합니다. 결국 어떤 분야든 소수의 핵심 인물이 판을 주도하고, 그 소수의 인맥·계보·클러스터 안에서 큰 성공이 이어집니다. 그리고 이건 지역적으로도 집중됩니다. 미국이 전 세계 기술 부의 절반을 차지해왔고, 그 중 절반이 베이 에어리어(실리콘밸리)에 몰려 있습니다. 즉, 세계 전체 민간 기술 부의 25%가 한 도시에서 창출되는 겁니다. 뉴욕과 LA를 합치면 전 세계의 40%에 달합니다. AI의 경우는 더 심합니다. 전체 시가총액의 80~90%가 베이 에어리어에 몰려 있죠. 완전한 슈퍼 클러스터입니다. 핀테크는 뉴욕과 베이 에어리어로 양분되었고, 우주·방산은 스페이스X 이전까지는 남캘리포니아에 집중되어 있었습니다. 예를 들어 IOI(국제정보올림피아드)나 수학·코딩 대회 금메달리스트 커뮤니티 같은 것들이 있습니다. Cognition의 CEO 스콧 같은 경우가 대표적이죠. 그는 실리콘밸리의 많은 창업자들과 알고 지내는데, 그 연결 고리 중 하나가 바로 이런 대회였습니다. 전국, 전 세계에서 흩어져 있던 사람들이 대회라는 장치 덕분에 한데 모였던 겁니다. 인터넷은 이렇게 비슷한 사람들을 찾는 기회를 과거보다 훨씬 크게 열어주었습니다. 예전에는 어떻게 실리콘밸리에 가야 하는지조차 알기 어려웠을 겁니다.

AI는 이제 시작이다. 사람들이 인공지능을 오해하는 지점이 있다고 생각합니다. 지금은 사람들이 그저 멋진 생산성 도구 정도로 바라보는 경향이 있죠. 하지만 몇 년 후에는 ‘우리는 인지(cognition)의 단위를 사고파는 중이다’라고 생각하게 될 겁니다. 사람의 시간, 혹은 사람과 동등한 지능 단위를 빌려다가 우리 일을 대신하도록 하는 것이죠. 예를 들어 저는 효과적으로 ‘봇 프로그래머 20명’을 고용해 앱을 만들도록 코드를 작성하게 하거나, AI 회계사를 고용해 인지 단위의 시간을 빌리는 식으로 활용할 수 있습니다. 디지털 측면에서는 단순히 도구(tool)를 파는 것이 아니라 사실상 화이트칼라 노동을 파는 형태로 전환되는 겁니다. 로보틱스 측면에서는 ‘로봇 사용 분(minute)’ 같은 개념이 등장할 수도 있죠. 아마 결국에는 인간 형태의 로봇이든, 아니면 다른 형태이든 간에 여러분을 대신해 다양한 일을 수행하는 것들을 갖게 될 겁니다. 여러분은 그것들을 직접 구매할 수도 있고, 혹은 빌릴 수도 있겠죠. 이와 관련해 어떤 비즈니스 모델이 등장할지 지켜보는 것도 흥미로울 겁니다. 그다음 AI 물결은 대규모 엔터프라이즈(기업) 채택이라고 봅니다. 저는 인공지능(AI)이 지금 극도로 저평가되어 있다고 생각해요. 왜냐하면 대부분의 기업들은 아직 아무것도 하지 않았기 때문입니다. 하지만 거기에 돈, 변화, 임팩트, 일자리, 모든 게 다 있습니다. Relevance(의미 가치 관련성)이란? 관련성이란, 세계에서 중요한 무언가에 영향을 주고 있고, 그로 인해 사람들이 여러분을 찾아오게 되는 것을 의미합니다. 혹은 단순히 어떤 영향력을 끼치고 있는 것이기도 하죠. 보통은 특정한 분야에서 중요한 무언가를 하고 있기 때문에 사람들이 결국 찾아오게 됩니다. 놀라운 사실은, 성공은 했지만 더 이상 관련성이 없는 사람들이 엄청 많다는 점입니다. 억만장자 리스트나 어떤 지표를 보더라도, 지금 실제로 중요한 일을 하거나 흥미로운 일을 하고 있어서 사람들이 찾아가는 경우는 많지 않습니다. 그래서 흥미로운 질문이 생깁니다. 아주 오랜 기간 동안 관련성을 유지하는 사람들에게는 어떤 특징이 있을까? 사람들은 끊임없이 흥미로운 일을 하죠. 예를 들어 샘 올트먼은 YC부터 초기 투자 활동, 그리고 지금의 OpenAI까지 오랜 시간 동안 계속해서 관련성을 유지해 왔다고 볼 수 있습니다. 패트릭(Stripe 공동창업자) 역시 Stripe, Arc 등을 통해 그것을 하고 있죠. 더 긴 호(arc)를 가진 사람들도 있습니다. 마크 안드리센은 브라우저를 발명했고, 넷스케이프라는 인터넷의 거인을 창업했으며, 이후 세계에서 가장 중요한 벤처 캐피털 중 하나를 세웠습니다. 아주 강한 장기 호의 사례죠. 일론 머스크 역시 Zip2, 페이팔, 그리고 지금까지의 모든 업적을 통해 강한 장기 호를 보여주고 있습니다. 그렇다면 이 사람들의 공통점은 무엇일까요? 피터 틸을 생각해보세요. 정치, 틸 펠로우십, 펀드, 팔란티어, 페이스북 등 다양한 영역에서 활동해왔습니다. 이들 모두에게서 눈에 띄는 공통점은 다재다능함(polymathic)입니다. 매우 다양한 관심사를 가지고 있고, 단순히 돈만으로 움직이지 않는다는 점이죠. 물론 돈도 중요합니다. 하지만 일부는 흥미로움 자체에, 일부는 임팩트에, 일부는 권력에 더 동기가 부여됩니다. 사람마다 다르지만 보통은 이런 것들이 혼합되어 있습니다. 또 다른 공통점은 거의 모두가 초기에 일정한 성공을 경험했다는 점입니다. 찰리 멍거가 늘 강조하는 ‘인센티브의 힘’을 사람들이 과소평가하듯이, 제가 늘 과소평가한다고 생각하는 것은 ‘복리(compounding)의 힘’입니다. 이는 투자나 금융 시장에서만 보이는 게 아니라, 사람들의 경력과 임팩트에도 나타납니다. 일찍 성공한 사람들은 그 위에서 시간이 갈수록 거대한 기반을 쌓을 수 있습니다. 위험을 감수하거나 새로운 시도를 자금으로 지원할 수 있는 능력이 생기죠. 무엇보다도 중요한 건, 정보의 흐름 속에 있게 된다는 점입니다. 가장 흥미로운 생각을 하는 사람들을 만나고, 그들과 대화하며 아이디어와 통찰을 모을 수 있습니다. 이게 바로 다시 원점으로 돌아가는 겁니다. 정보 흐름이 얼마나 중요한가? 새로운 기회를 발견하고, 다른 사람들의 실수를 자본화하며, 계속해서 관련성을 유지하는 데 핵심적인 요소입니다. 정보에는 두 가지 유형이 있습니다. 숨겨진 정보와, 공개되어 있지만 제대로 인식되지 않는 정보입니다. 예를 들어 제가 생성형 AI에 투자하기 시작했을 때, 기초 모델(foundation model) 초기 연구들은 거의 공개적으로 존재했지만, 아무도 주목하지 않았습니다. GPT-3가 공개되었을 때도 마찬가지였죠. GPT-2에서 GPT-3로의 도약은 누구나 볼 수 있었지만, 그것이 얼마나 중요한지는 극소수만 알아봤습니다. 그렇다면 왜일까요? 정보는 이미 있었는데 말이죠. 이처럼 ‘조기 접근’이 사고방식에 큰 영향을 주는 정보들도 있습니다. 때로는 일대일 대화일 수도 있고, 때로는 공개적으로 펼쳐져 있는 것일 수도 있습니다. 예컨대 피터 틸이 10년 전쯤 했던 여러 주장들이 실제로 많은 부분 사실로 드러났습니다. 전부는 아니지만요. 그래서 정보 우위란 다음과 같은 방식으로 나타납니다. - 다른 사람은 보지 못한, 공개되어 있는 정보를 발견한다. - 같은 정보를 보더라도 가치를 다르게 평가한다. - 혹은 내가 접근할 수 있지만 남들은 접근할 수 없는 정보가 있다. 그리고 ‘같은 정보를 다르게 해석한다’는 건 여러 층위가 있습니다. 예컨대 내가 그걸 해석할 수 있는 도구(tooling)가 있느냐? 데이터 사이언티스트가 필요하냐? 이런 게 바로 알고리즘 트레이딩과 비슷합니다. 모든 정보는 공개되어 있지만, 그걸 실제로 활용할 수 있는 사람은 소수입니다. 또는, 적절한 필터를 가지고 있느냐? 다른 사람이 보지 못한 통찰을 잡아내거나, 직관적인 도약을 하느냐? 리처드 파인만 얘기를 떠올려보세요. 다른 노벨상 수상 물리학자들과 달리, 파인만은 ‘논리적 단계의 연속’으로 갈 수 있는 길 대신에, 아무도 이해하지 못하는 도약을 해냈습니다. 그래서 그가 내린 결론은 맞았지만, 다른 사람들은 도저히 이해할 수 없었던 겁니다. 세상에는 정보를 독창적으로 종합해서 특정 결론에 도달하는 사람들이 있습니다. 그리고 그런 결론은 대체로 옳습니다. 하지만 사람들이 이해하지 못하는 방식으로 거기까지 가는 거죠. 결국 중요한 건 클러스터 안에 있느냐입니다. 정보 해석과 이해는 전부 ‘클러스터 효과’와 연관됩니다. 그렇다면 어떻게 더 나은 클러스터를 구축할 수 있을까요? 내 머릿속에 들어오는 원재료(raw material)는 독서, 대화, 탐색 같은 것들입니다. 그렇다면 그 원재료의 질을 어떻게 높일 수 있을까요? 저는 몇 가지 요인이 있다고 생각합니다. 사람마다 접근법은 다르지만, 최고의 사람들은 이상하게도 서로를 찾아 모입니다. 젊은 시절부터 같은 지리적 공간에서 만나는 경우가 많죠. 역사적으로 늘 반복되어 왔습니다. 분명, 이런 사람들 사이에는 서로 끌어당기는 힘이 있고, 함께 어울리며 배우는 과정이 있습니다. 그래서 어떤 사람을 만났을 때 ‘와, 30분 만에 엄청난 걸 배웠다’는 느낌을 주기도 합니다. 반대로 ‘좋은 사람이긴 한데 별로 남는 건 없네’ 할 때도 있고요. 흥미로운 성과를 내는 사람들은 대부분 서로를 소개받고, 함께 모이고, 집단을 형성합니다. 요즘은 인터넷 덕분에 온라인 버전의 클러스터가 생겨났습니다. 이처럼 지역 단위의 강력한 클러스터 효과가 존재합니다. 그리고 그 안에서도 특정 인물 집단이 모든 걸 움직입니다. 거의 모든 분야를 보면, 수십 명, 많아야 몇백 명 정도가 거의 모든 것을 주도합니다. 예컨대 암 연구의 경우도 가장 중요한 돌파구를 만드는 실험실은 20~30곳 정도에 불과합니다. 거기서 배출된 제자들이 또 다른 주요 연구 성과를 냅니다. 스타트업도 마찬가지입니다. 저희 팀이 창업자들의 학력을 조사했더니, 대규모 성공을 거둔 창업자들은 대부분 스탠퍼드·MIT·하버드 출신이었습니다. 그 뒤로 버클리 같은 학교가 이어지지만 큰 격차가 있죠.

"10년 뒤에 무엇을 하고 싶으세요?" 어떻게 똑똑하고 야심 있는 사람들이 장기적인 포부도 없는 분야에서 계속 일할 수 있는 걸까요? 목표는 가장 높은 언덕에 도달하는 것입니다. 가장 단순한 알고리즘을 생각해 봅시다. 어떤 순간이든, 자신을 더 높은 곳으로 이끄는 방향으로 한 걸음 내딛는 것입니다. 더 정교한 버전의 알고리즘은 당신의 걸음에 약간의 무작위성을 더합니다. 처음에는 많은 무작위성을 가지고 걷다가 시간이 지남에 따라 무작위성을 줄여나가는 방식입니다. 이는 당신이 집중적이고 비무작위적인 등반을 시작하기 전에, 더 큰 언덕 근처를 배회할 더 나은 기회를 줍니다. 하지만 현재 언덕의 유혹은 강력합니다. 인간에게는 다음 한 걸음을 위로 내딛으려는 자연스러운 경향이 있습니다. 결국 그는 행동 경제학자들이 강조하는 흔한 함정에 빠지게 됩니다. 사람들은 장기적인 보상보다 단기적인 보상을 체계적으로 과대평가하는 경향이 있다는 것입니다. 이러한 효과는 야심이 큰 사람들에게서 훨씬 더 강하게 나타나는 것 같습니다. 그들의 야망이 오히려 바로 눈앞의 오르막길을 포기하기 어렵게 만드는 것처럼 보입니다. 커리어 초기의 사람들은 컴퓨터 과학에서 교훈을 얻어야 합니다. (특히 커리어 초반에는) 이리저리 걸어 다니며 탐색하고, 무작위로 자신을 지형의 새로운 부분에 떨어뜨려 보세요. 그리고 가장 높은 언덕을 찾았을 때, 현재 언덕에서 다음 한 걸음이 아무리 더 나아 보일지라도 더 이상 시간을 낭비하지 마세요. https://cdixon.org/2009/09/19/climbing-the-wrong-hill 잘못된 언덕 오르기 - 크리스 딕슨 (Chris Dixon) 제가 아는 아주 똑똑한 젊은 친구가 있습니다. 그는 1년 전 대학을 졸업하고 지금은 한 대형 투자 은행에서 일하고 있습니다. 그는 월스트리트를 싫어하게 되었고, 이제는 테크 스타트업에서 일하고 싶어 합니다. (좋은 생각이죠!) 최근에 그는 상사에게 사직 의사를 밝혔고, 상사들은 그를 붙잡기 위해 온갖 그럴싸한 쇼를 벌이며 설득했습니다. 은행에 남으면 연봉도 오르고 더 큰 책임도 맡게 될 거라고 말입니다. 테크 업계로 가면 맨바닥부터 다시 시작해야 합니다. 금융 분야에는 장기적인 포부가 없다고 단호하게 선언했음에도 불구하고, 그는 지금 남는 쪽으로 마음이 기울고 있습니다. 지난 몇 년간, 저는 비슷한 상황에 놓인 수많은 입사 지원자들을 만나왔습니다. 제가 그들에게 "10년 뒤에 무엇을 하고 싶으세요?"라는 아주 명백한 질문을 하면, 그 대답은 거의 예외 없이 "테크 스타트업에서 일하거나 창업하는 것"입니다. 하지만 그들 대부분은 현재의 길에 머물기로 결정하고 스타트업에 합류하지 않습니다. 결국 몇 년 뒤에야 직장을 그만두지만, 이는 이미 그들이 즐기지 않는 업계에서 수년을 보낸 후이고, 그 시간은 그들의 장기적인 포부를 향해 나아가는 데 별다른 도움이 되지 못했습니다. 어떻게 똑똑하고 야심 있는 사람들이 장기적인 포부도 없는 분야에서 계속 일할 수 있는 걸까요? 저는 그들이 저지르는 실수에 대한 좋은 비유를 컴퓨터 과학에서 찾을 수 있다고 생각합니다. 컴퓨터 과학의 고전적인 문제 중 '언덕 오르기(hill climbing)'라는 것이 있습니다. 언덕이 많은 지형의 임의의 지점에 당신이 떨어졌다고 상상해 보세요. 안개가 끼었거나 해서 각 방향으로 몇 피트밖에 볼 수 없습니다. 목표는 가장 높은 언덕에 도달하는 것입니다. 가장 단순한 알고리즘을 생각해 봅시다. 어떤 순간이든, 자신을 더 높은 곳으로 이끄는 방향으로 한 걸음 내딛는 것입니다. 이 방법의 위험은, 만약 당신이 더 낮은 언덕 근처에서 시작하게 되면, 가장 높은 언덕이 아닌 그 낮은 언덕의 꼭대기에서 끝나게 된다는 점입니다. 더 정교한 버전의 알고리즘은 당신의 걸음에 약간의 무작위성을 더합니다. 처음에는 많은 무작위성을 가지고 걷다가 시간이 지남에 따라 무작위성을 줄여나가는 방식입니다. 이는 당신이 집중적이고 비무작위적인 등반을 시작하기 전에, 더 큰 언덕 근처를 배회할 더 나은 기회를 줍니다. 또 다른, 그리고 일반적으로 더 나은 알고리즘은 지형의 여러 곳에 자신을 무작위로 반복해서 떨어뜨려 본 후, 단순한 언덕 오르기를 수행하고, 그런 여러 시도 끝에 한 걸음 물러서서 어떤 언덕이 가장 높았는지 결정하는 것입니다. 다시 입사 지원자의 이야기로 돌아가서, 그는 자신의 지형을 덜 안개 낀 시야로 볼 수 있다는 이점이 있습니다. 그는 자신이 현재 오르고 있는 언덕과는 다른 언덕의 꼭대기에 도달하고 싶다는 것을 (적어도 그렇게 믿고는) 알고 있습니다. 그는 자신이 서 있는 곳에서 그 다른 언덕이 더 높다는 것을 볼 수 있습니다. 하지만 현재 언덕의 유혹은 강력합니다. 인간에게는 다음 한 걸음을 위로 내딛으려는 자연스러운 경향이 있습니다. 결국 그는 행동 경제학자들이 강조하는 흔한 함정에 빠지게 됩니다. 사람들은 장기적인 보상보다 단기적인 보상을 체계적으로 과대평가하는 경향이 있다는 것입니다. 이러한 효과는 야심이 큰 사람들에게서 훨씬 더 강하게 나타나는 것 같습니다. 그들의 야망이 오히려 바로 눈앞의 오르막길을 포기하기 어렵게 만드는 것처럼 보입니다. 커리어 초기의 사람들은 컴퓨터 과학에서 교훈을 얻어야 합니다. (특히 커리어 초반에는) 이리저리 걸어 다니며 탐색하고, 무작위로 자신을 지형의 새로운 부분에 떨어뜨려 보세요. 그리고 가장 높은 언덕을 찾았을 때, 현재 언덕에서 다음 한 걸음이 아무리 더 나아 보일지라도 더 이상 시간을 낭비하지 마세요.

Brian Armstrong(Coinbase CEO)가 말하길 Balaji는 자신이 만난 사람 중 가장 똑똑하고 진정으로 독창적인 사상가라고 하는데 지속적으로 발라지가 이야기 해오는 미국 패권의 몰락 시나리오. 🌏 GDP ‘지리중심’의 회귀(=U자 곡선) 산업혁명 이후 서쪽(유럽·미국)으로 쏠렸던 경제 중심이, 1991년 이후 더 빠르게 아시아로 재이동. 1950년대 ‘미국 전성기’는 전쟁·공산권 붕괴가 만든 일시적 이상치였다는 해석. 🎬 미디어의 현실부정 & 자본의 이동 서구 미디어는 비서구 부상을 충분히 비추지 않으며, 대중은 ‘현실 회피’ 콘텐츠에 몰입. 백만장자 순이동: 일부 서구 국가는 순유출, UAE·싱가포르·호주 등은 순유입 확대. 금융 허브는 뉴욕·런던·도쿄 → 마이애미·두바이·싱가포르 서사로 전환 중. ⚔️ 4자 구도: 적색 미국 vs 청색 미국 vs 중국 vs 인터넷 중국 → 레드 미국의 기반(제조·군사)을 잠식(로봇·드론). 인터넷(=AI+크립토) → 블루 미국의 기반(미디어·머니)을 잠식. 2035~2040년, 미 정치는 공화당=비트코인 맥시 / 민주당=중국 우호 쪽으로 더 양극화될 수 있다는 예측. 사례로 개빈 뉴섬의 대중(對中) 파트너십 제안 등을 거론. 🧨 레드/블루 해법이 실패하는 이유(발라지 주장) 무역전쟁·관세(레드): 중국은 이미 시장 다변화. 복잡한 글로벌 공급망에 대한 관세는 자해적. 실효성 있는 산업정책은 공급망의 정교한 재구축이 전제. 테크 때리기·‘워크’ 동원(블루): AI·크립토의 생산성 물결은 막기 어려움. 미국이 이탈해도 인터넷 질서는 미국 밖에서 굴러감. 💵 미 제국 모델 붕괴 논지: “달러 인플레=전세계 과세”의 한계 제재·관세 등 양당의 선택이 탈달러화를 가속 → 글로벌 ‘세원’ 축소, 미국 내 생활수준 하락 압력. 부채 폭탄: 장기 미지급 의무가 누적되어 재정 지속가능성 훼손. 초인플레이션/슈퍼 비트코인화 서사: 달러의 체계적 약화 주장. 체제 위기: 경제 국면을 넘어 소련식 붕괴와 유사한 정치·사회 파열 가능성. 🛰️ 승자 프레임: ‘서구 3.0’=인터넷 블록체인·스마트컨트랙트가 ‘강제된 공정성’을 제공: 국적·인종 무관 동일 규칙. 인터넷은 좌(평등·글로벌)와 우(자유시장·자본주의)의 가치를 동시에 극대화. 해법의 그릇: 네트워크 국가(The Network State) — 온라인 공동체 → 오프라인 확장. 📍 개인 전략: 위치·커뮤니티 퍼스트 향후 5~15년 안정·번영 지표: 낮은 범죄, 양호한 부채비율, 사회 안정성. 예시(발라지 언급): 엘살바도르·두바이·싱가포르·인도 등(선호·리스크 기준은 개인차 존재). 🧵 교육·경력의 전환 태스크 기반 학습과 도제식(인턴십) 재부상: 나이 무관, 온라인에서 실력으로 경쟁. “대학 선택”보다 커뮤니티/국가 선택이 먼저가 될 수 있음. https://www.podchemy.com/notes/100-balaji-srinivasan-the-collapse-of-the-west-40563333634