Will AI Be Bigger than the Internet? AI Eats the World - Benedict Evans (a16z 유투브 채널, Erik Forenberg) w/ lilys.ai + 랜덤 생각 메모

인터뷰어: a16z 유투브 채널 Erik Forenberg, General Partner a16z 
인터뷰이: Benedict Evans - 테크놀러지 애널리스트. 모바일 분야에 있었고, 좋은 질문을 잘 하는거로 유명함. 

Will AI Be Bigger than the Internet?
AI Eats the World: Benedict Evans on the Next Platform Shift
https://youtu.be/RH9vJNxFKDA?si=qa0rgf__-1OPK2qz

AI Eats the World: Benedict Evans on the Next Platform Shift

 

📌 AI는 인터넷보다 더 큰 영향력을 가질 것인가?

AI가 인터넷이나 스마트폰만큼 큰 변화를 가져올 것이라는 의견과, 컴퓨팅이나 전기처럼 훨씬 더 근본적인 구조적 변화를 일으킬 것이라는 의견이 대립하고 있으며, 아직 그 물리적 한계를 알 수 없어 예측하기 어렵다는 것이 핵심입니다.

 

💡 AI가 인터넷보다 더 큰 영향력을 가질 것이라고 판단할 수 있는 기준은 무엇인가?

현재의 AI는 특정 작업에서 사람과 유사한 능력을 보이지만, 실제 사람을 대체할 수준은 아니므로, AI의 역량이 실제 사람의 능력과 동등하거나 그 이상으로 인식될 때 더 큰 영향력을 가졌다고 판단할 수 있습니다.

 

AI가 인터넷보다 더 큰 플랫폼 시프트를 일으킬지 탐구하는 이 콘텐츠는, 현재의 기술적 논쟁과 산업적 파급력을 깊이 있게 다룹니다. 단순히 기술의 발전 속도를 예측하는 것을 넘어, AI가 기존 산업의 본질적 가치를 어떻게 재정의하고, 우리가 일상에서 마주하는 수많은 소프트웨어와 서비스가 어떻게 변화할지 구체적인 적용 시나리오를 제시합니다. AI의 잠재력을 현실적으로 평가하고, 이 거대한 변화 속에서 기업과 개인이 어떤 전략적 질문을 던져야 할지 통찰을 얻고 싶다면 반드시 확인해야 합니다.

 

1. AI의 잠재력과 플랫폼 시프트 논의

1.1. AI의 현재 사용 현황 및 용어 정의

1. ChatGPT의 높은 주간 활성 사용자 수: ChatGPT는 현재 8억에서 9억 명의 주간 활성 사용자(WAU)를 보유하고 있다.
2. 사용자 행동에 대한 질문: 매일 몇 시간씩 ChatGPT를 사용하는 사람들에게, 5배 더 많은 사람들이 이 기술을 알고 계정은 있지만 이번 주나 다음 주에 할 일이 떠오르지 않는 이유를 자문해 보아야 한다.
3. 'AI' 용어의 변화: 'AI'라는 용어는 '기술(technology)'이라는 용어와 유사하다.
   1. 어떤 기술이 일정 기간 사용되면 더 이상 AI로 불리지 않는다.
   2. 머신러닝이 여전히 AI인지에 대해서는 일반적인 사용에서는 불분명하다.
   3. 일반적인 사용에서 AI는 새로운 것(new stuff)을 의미하는 경향이 있다.
4. AGI(범용 인공지능)에 대한 인식: AGI는 새롭고 두려운 것으로 인식된다.
   1. AGI는 이미 존재하지만 작은 소프트웨어이거나, 아니면 항상 5년 후에나 올 것이라고 여겨진다.

1.2. 기술적 한계와 기대감에 대한 논쟁

1. 기술의 물리적 한계 미확인: 현재 기술의 물리적 한계를 알지 못하므로, 이 기술이 얼마나 더 좋아질 수 있을지 예측할 수 없다.
2. AGI 연구 수준에 대한 상반된 주장: 샘 알트만(Sam Altman)은 현재 박사 학위 수준의 연구자들이 있다고 말하는 반면, 데미스 허사비스(Demis Hassabis)는 그렇지 않다고 주장한다.
3. AI의 중요성에 대한 평가: AI는 매우 새롭고, 매우 크며, 매우 흥미로운 세계를 변화시킬 잠재력을 가지고 있다.
4. 버블 가능성: 세계를 변화시키는 일들은 거품(bubble)을 유발하는 경향이 있으며, 현재 거품이 아니더라도 곧 거품이 될 것이다.

 

1.3. 'AI가 세상을 먹는다(AI Eats the World)' 프레젠테이션 개요

1. 대화의 시작: 베네딕트(Benedict)가 아센즈(Asenz) 팟캐스트에 출연하여 자신의 최신 프레젠테이션인 'AI Eats the World'에 대해 논의한다.
2. 프레젠테이션의 배경: 많은 기업 CMO들이 이미 구글, 마이크로소프트, 베인, BCG, 액센츄어 등으로부터 수많은 AI 프레젠테이션을 받았으며, 이제 "그래서 다음은 무엇인가?"라는 질문을 던지고 있다.
3. 플랫폼 시프트(Platform Shift) 분석: 프레젠테이션은 AI가 플랫폼 시프트이거나 그 이상이라면, 플랫폼 시프트가 어떻게 작동하는지, 어떤 패턴이 반복되는지를 분석한다.
   1. 기술 산업 내부 변화: 기술 산업 내에서 많은 것이 변하고, 승자와 패자가 생기며, 지배적이던 기업이 무관해지고, 새로운 수조 달러 규모의 기업이 탄생한다.
   2. 기술 산업 외부 영향: 이전 플랫폼 시프트에서 일부 산업은 모든 것을 바꾸었지만, 시멘트 산업처럼 인터넷이 유용한 도구에 그친 경우도 있었다.
4. 프레젠테이션의 목표: 기술 내에서 무슨 일이 일어나고 있는지, 지출 규모, 해결되지 않은 질문, 그리고 기술 외부에서 이것이 도구, 배포, 새로운 사용 사례 및 행동으로 어떻게 나타나는지를 이해하는 데 도움을 주는 것이다.

1.4. AI의 중요성 비교 및 기술의 일상화

1. 인터넷/스마트폰과의 비교: 발표자는 AI가 인터넷이나 스마트폰만큼이나 큰 변화이지만, 그것만큼만 크다고 생각한다고 언급했다. *centrist: 중도주의자 
   1. 이에 대해 일부 청취자들은 AI가 그보다 더 크다고 반박했다.
2. 엘리베이터 사례를 통한 기술의 일상화:
   1. 1950년대 오티스(Otis)가 자동 엘리베이터를 도입했을 때, 적외선 빔을 '전자적 공손함(electronic politeness)'이라고 마케팅했다.
   2. 오늘날 사람들은 자동 엘리베이터를 사용하면서 "전자 엘리베이터를 사용한다"고 말하지 않고, 그냥 '리프트(lift)'라고 부른다.
   3. 데이터베이스, 웹, 스마트폰도 마찬가지로 시간이 지나면서 일상적인 '리프트'처럼 되었다.

1.5. AGI에 대한 회의론과 플랫폼 시프트의 본질

1. AGI에 대한 비유: 신학자들의 농담을 인용하며, 유대인들은 메시아를 기다리지만 오지 않고, 기독교인들은 메시아가 왔지만 아무 일도 일어나지 않았다고 비유한다.
2. AGI의 현주소: AGI는 이미 존재하여 소프트웨어일 뿐이거나, 아니면 항상 5년 후에나 올 것이라는 상황과 유사하다.
3. 플랫폼 시프트 비교:
   1. 인터넷: 페이스북, 구글과 같은 순수하게 새로운(net-new) 수조 달러 규모의 기업을 탄생시켰다.
   2. 모바일: 우버, 스냅, 인스타그램, 왓츠앱 같은 수십억 달러 규모의 기업을 낳았지만, 기존 강자(incumbents)인 페이스북과 구글에게 더 많은 가치가 돌아간 지속적인(sustaining) 성격이 강했다.
4. AI의 가치 배분 질문: AI로 인한 이득이 OpenAI나 Anthropic 같은 새로운 기업에게 갈지, 아니면 마이크로소프트, 구글, 메타 같은 기존 기업에게 갈지가 궁금하다.

2. 플랫폼 시프트의 이해와 AI의 위치 2.1. 모바일 시프트의 영향 분석

1. 프레이밍의 주의점: 구조와 정의에 갇혀 실제 일어날 일에 대한 논의를 놓치지 않도록 주의해야 한다.
2. 모바일의 근본적 변화: 모바일은 웹에서 앱으로의 전환을 유도하고, 전 세계 모든 사람에게 주머니 속 컴퓨터(pocket computer)를 제공했다.
   1. 현재 지구상에 10억 대 미만의 소비자용 PC가 있는 반면, 50억에서 60억 대의 스마트폰이 있다.
3. 모바일이 가능하게 한 것: 틱톡(TikTok)이나 온라인 데이팅과 같이 모바일 없이는 불가능했을 일들을 가능하게 했다.
4. 기존 기업에 미친 영향: 메타(Meta)는 모바일이 없었다면 훨씬 작은 회사가 되었을 것이라고 주장할 수 있다.

2.2. 플랫폼 시프트의 역사적 분류와 예측의 어려움

1. 플랫폼 시프트의 역사적 분류: 메인프레임, PC, 웹, 스마트폰으로 이어지는 표준적인 흐름에 SaaS, 오픈소스, 데이터베이스 등을 포함할 수 있다.
2. 프레이밍의 한계: 이러한 분류는 유용하지만 예측적이지 않으며 패턴을 이해하는 한 가지 방법일 뿐이다.
3. 생성형 AI의 위치: 생성형 AI가 또 다른 플랫폼 시프트인지, 아니면 그 이상인지에 대한 큰 논쟁이 있지만, 현재로서는 알 방법이 없으며 기다려봐야 한다.
   1. AI는 PC, 웹, SaaS, 오픈소스만큼 클 수도 있고, 컴퓨팅 자체만큼 클 수도 있다.
   2. 일부 과도하게 흥분한 사람들은 불이나 증기기관만큼 크다고 생각한다.

2.3. 새로운 기업의 탄생과 인터넷/스마트폰의 불확실성

1. 모바일과 블로그의 초기 혼란: 모바일 이전에 블로그가 웹과 다를 것이라고 생각했던 시기가 있었으며, 구글이 별도의 블로그 검색이 필요하다고 여겼던 때도 있었다.
2. 인터넷과 웹의 초기 불확실성: 1990년대 중반 인터넷이 큰일이 될 것이라는 것은 알았지만, 그것이 '웹'이 될 것이라는 점은 명확하지 않았다.
   1. 네트워크가 있을 것이라는 것은 알았지만, 그것이 인터넷이 될지는 불분명했다.
   2. 인터넷 이후 웹이 될 것이라는 점, 그리고 웹이 어떻게 작동할지가 불분명했다.
   3. 넷스케이프(Netscape) 출시 당시 마크 저커버그는 초등학생이었고, 래리/세르게이는 학생이었으며, 아마존은 서점이었다.
3. '알지만 모르는' 상태: 기술의 본질을 알지만(네트워크의 존재), 그것이 어떻게 구체화될지(인터넷, 웹)는 모르는 상태였다.
4. 스마트폰의 초기 불확실성: 모두가 주머니에 인터넷 연결 기기를 갖게 될 것이라는 것은 알았지만, 그것이 80년대 PC 회사(마이크로소프트)가 아닌 구글과 같은 검색 엔진 회사가 될 것이라는 점은 불분명했다.

3. AI의 예측 불가능성과 플랫폼 시프트의 본질적 차이 3.1. 예측의 어려움과 AI의 근본적 변화

1. 변화의 본질: 이러한 기술이 등장하면 모든 것이 변한다는 사실은 알 수 있지만, 구체적인 예측은 어렵다.
2. AI의 크기에 대한 확신: 발표자는 AI가 인터넷만큼 크다는 데는 확신하지만, 그 이상일지에 대해서는 아직 확신하지 못하고 있다.
3. 관점의 변화: AI가 인터넷보다 5% 더 클지 20% 더 클지 같은 수치적 논쟁보다는, 이것이 또 다른 산업 사이클인지, 아니면 컴퓨팅이나 전기처럼 근본적인 구조적 변화인지를 구분하는 것이 더 중요하다.

3.2. 기술 내부의 모순적 대화: AGI와 소프트웨어 개발

1. OpenAI 라이브 스트림의 모순:
   1. 한편에서는 다음 해에 인간 수준의 박사급 AI 연구자를 갖게 될 것이라고 말한다.
   2. 다른 한편에서는 윈도우처럼 수백, 수천 개의 새로운 소프트웨어 개발자를 가능하게 할 API 스택을 소개한다.
2. 모순의 지적: 이 두 가지는 동시에 참일 수 없다.
   1. 만약 박사급 AI 연구자가 있다면, 이는 박사급 회계사(CPA)와 같은 수준의 복잡한 문제를 해결할 수 있음을 의미한다.
   2. 혹은 세금을 대신 처리해주는 새로운 소프트웨어일 뿐이다.
3. 대화의 정신분열(Schizophrenia): 모델이 계속 확장될 것이라는 주장과 동시에 코드를 잘 쓴다는 주장이 공존한다.
   1. 만약 모델이 계속 확장되어 모든 것을 할 수 있다면, 왜 소프트웨어 회사를 계속 투자해야 하는지 의문이 제기된다.
   2. 원칙적으로는 '상자 속의 신(god in a box)'이 모든 것을 할 수 있게 될 것이다.

3.3. AI의 물리적 한계 미확인과 예측의 어려움

1. 이전 플랫폼 시프트와의 차이점: 인터넷이나 모바일 시기에는 향후 몇 년 동안 일어날 일(예: 아마존의 미래, 넷스케이프의 작동 방식)을 몰랐지만, 물리적 한계는 알고 있었다.
   1. 1995년에는 통신사들이 모두에게 기가비트 광섬유를 제공할 수 없다는 것을 알았다.
   2. 아이폰이 1년 배터리 수명이나 프로젝터를 가질 수 없다는 것도 알았다.
2. AI의 예측 불가능성: AI 기술은 왜 잘 작동하는지에 대한 이론적 이해가 부족하여 물리적 한계를 알 수 없으며, 따라서 얼마나 더 좋아질지 알 수 없다.
3. 모델링의 부재: 모뎀이나 DSL의 로드맵처럼 AI의 기본 능력을 모델링할 방법이 없어 3년 후의 능력을 알 수 없다.
   1. 이로 인해 제프 딘(Jeff Dean)이나 데미스 허사비스처럼 '느낌(vibes)'에 기반한 예측만 존재한다.
4. 미래는 스스로 드러낼 것: 미래는 스스로 드러날 것이라는 밈(meme)처럼, 현재는 모델링할 방법이 없다.

4. 투자 거품과 AI의 가치 창출 방식 4.1. 투자 거품의 가능성과 과잉 투자

1. 거품의 가능성: 세계를 변화시키는 일은 거품을 유발하며, 현재 거품이 아니더라도 곧 거품이 될 것이다.
2. 거품의 특징: 거품 시기에는 모든 것이 오르고 모두가 천재처럼 보이며, 레버리지를 사용하지만, 상황이 나빠지면 하락세로 전환된다.
3. 시기 예측의 어려움: 1997년이 거품이 아니었고 1999년이 거품이었다는 마크 앤드리슨의 말처럼, 현재가 97년인지 99년인지는 예측할 수 없다.
4. 컴퓨팅 요구 사항 예측의 어려움: 현재 AI의 컴퓨팅 요구 사항을 예측하는 것은 90년대 후반 대역폭 사용량을 예측하는 것과 비슷하게 어렵다.
   1. 소비량 대수학을 통해 예측할 수는 있지만, 100배 범위의 가능한 결과가 나올 수 있어 유용하지 않다.
5. 하이퍼스케일러들의 투자 결정: 현재 합리적인 행위자들은 AI가 변혁적이며 수요를 따라갈 수 없다고 보고, 과잉 투자하는 것보다 투자하지 않는 것의 위험이 더 크다고 말한다.
6. 마크 저커버그의 발언에 대한 비판: 저커버그가 과잉 투자하면 용량을 되팔 수 있다고 말한 것에 대해, 만약 용량을 사용할 수 없다면 모두가 여분의 용량을 갖게 될 것이므로 자신에게만 해당되는 이야기가 아님을 지적한다.
7. 투자 사이클의 예측 한계: 이러한 투자 사이클에서는 과잉 투자가 일어나지만, 그 이후에 일어날 일에 대해서는 예측이 매우 제한적이다.

4.2. 기존 제품 가치 증대와 사용량 예측의 어려움

1. 기존 제품 가치 증대: AI는 구글, 메타, 아마존과 같은 기업의 기존 제품 가치를 높이고, 그들이 새로운 것을 구축하는 데 사용될 것이다.
2. 모델 진화와 컴퓨팅 비용: 향후 1년 동안 모델이 진화하여 현재 컴퓨팅의 1/100로 동일한 결과를 얻을 수 있게 될 가능성이 있다.
   1. 컴퓨팅 비용은 이미 연간 20~40배 감소하고 있지만, 사용량은 증가하고 있다.
3. 예측의 무용성: 이는 90년대 후반/2000년대 초반 대역폭 소비를 예측하려는 것과 같아서, 모든 변수를 투입해도 유용한 결론에 도달하지 못한다.

5. AI 배포의 두 가지 유형과 사용자 행동 분석

5.1. AI 관련 논의의 분할과 명확한 사용 사례

1. 논의의 양분화: AI 관련 논의는 칩, 데이터 센터, 벤처 캐피탈(VC) 대화 등 매우 세부적인 영역으로 나뉘어 있다.
2. AI 배포의 두 가지 유형: 생성형 AI 배포에는 두 가지 종류가 있다.
   1. 명확하고 쉬운 영역: 소프트웨어 개발, 마케팅, 매우 지루하고 구체적인 엔터프라이즈 사용 사례를 위한 포인트 솔루션, 그리고 다양한 업무를 최적화하려는 자유로운 직업을 가진 사람들(예: 실리콘 밸리의 DBT 사용자)에게 유용하다.
      1. 마케팅에서는 30개 자산을 만들던 곳에서 300개를 만드는 사례가 있다.
      2. 액센츄어, 베인 등은 대기업 내부의 매우 구체적인 문제를 해결한다.
   2. 사용자 반응이 미온적인 영역: 다른 사람들은 AI를 사용해 보지만 "괜찮다(It's okay)"고 반응한다.

5.2. 사용자 채택률과 엑셀/회계사 비유

1. 채택률 데이터: ChatGPT는 8~9억 WAU를 보유하지만, 유료 사용자는 5%에 불과하다.
   1. 설문조사 데이터에 따르면, 선진국 인구의 약 10~15%가 매일 사용하고, 20~30%가 매주 사용한다.
2. 사용자 행동의 의문: 매일 몇 시간씩 사용하는 사람들을 제외하고, 대다수가 AI를 가지고 무엇을 해야 할지 모르는 이유를 질문해야 한다.
3. 회계사 비유:
   1. 회계사가 소프트웨어 스프레드시트를 처음 봤을 때, 10분 만에 한 달 치 작업을 할 수 있었다.
   2. 할인율을 바꿔 10년짜리 DCF를 재계산하는 데 며칠 걸리던 작업이 즉시 가능해졌다.
4. 변호사 비유: 변호사는 AI를 보고 "내 회계사가 봐야겠다. 나는 다음 주에 청구 시간표를 만들 때나 쓸 것 같다. 내 하루 일과를 바꾸지는 않는다"고 생각할 수 있다.
   1. 엑셀은 변호사가 매일 하는 일을 대체하지 못했다.
5. 제품화의 필요성: 많은 사람들이 AI를 어떻게 사용해야 할지 모르며, 이는 습관이나 새로운 방식을 깨닫는 문제이기도 하지만, 제품화의 문제이기도 하다.
   1. 16Z에 왔던 기업들은 기존의 데이터베이스나 CRM 개념을 활용하여 특정 산업의 문제를 해결하는 제품을 만들었다.
   2. 오늘날 대기업은 평균 400~500개의 SaaS 앱을 사용하며, 이들은 모두 오라클이나 엑셀, 이메일로 할 수 있는 일을 하고 있다.
   3. AI 기업들은 ChatGPT를 언번들링(unbundling)하는 엔터프라이즈 소프트웨어 회사와 같다.

어떤 부분은 '아니, 그렇게 하는 대신 이렇게 할 수도 있겠구나'라고 깨닫는 것과 같습니다. 하지만 제품이라는 것도 그런 거죠. 제가 2014년부터 2019년까지 16Z에 있었을 때 만났던 모든 기업가들이 그랬습니다. 지금은 어떤 회사를 보더라도 '저건 기본적으로 데이터베이스야', '저건 기본적으로 CRM이야', '저건 기본적으로 오라클이나 구글 문서야'라고 말할 수 있을 겁니다. 다만, 그들은 특정 산업 분야의 문제점이나 워크플로를 파악하고, 5년, 10년, 20년 전의 개념들을 활용해서 그 업계 사람들의 문제를 해결하고, 그 솔루션을 판매하고, 그들이 어떻게 활용할 수 있도록 할지 고민한 거죠. 그래서 오늘날 미국에서 대기업들이 400개에서 500개 정도의 SAS 애플리케이션을 사용하고 있다는 통계 자료를 보면 알 수 있습니다. SAS 애플리케이션이 400개에서 500개 정도 있는데, 기본적으로 오라클이나 엑셀, 이메일로도 할 수 있는 일들을 다 하고 있죠.

네. 네. 그리고 그게 바로 다른 측면이에요. 제가 너무 장황하게 말하는 것 같지만, 이런 것들을 어떻게 활용하느냐의 문제죠. 그냥 봇에게 가서 뭔가를 해달라고 시키면 될까요? 아니면 기업 영업사원이 상사에게 가서 버튼 하나만 누르면 필요한 프로세스를 분석해주는 솔루션을 팔까요? 심지어 그런 작업을 하고 있다는 사실조차 몰랐던 거죠. 네.

그리고 저는 그게 바로 AI 소프트웨어 회사들이 존재하는 이유라고 생각해요. 그렇죠? 정말요? 그들이 하는 일이 바로 그거 아닌가요? 10년 전 기업 소프트웨어 회사들이 오라클이나 구글, 엑셀을 분리했던 것처럼, 그들은 ChatGPT를 분리하고 있는 거죠. 엑셀이 어떤 역할을 했는지 생각해 보셨나요? 회계 담당자, 그러니까 아시다시피, AI는 현재 코더나 개발자들을 위해 어느 정도 역할을 하고 있지만, 다른 직종의 일상적인 핵심 업무 흐름은 아직 완전히 파악하지 못했습니다. 그래서 개발자가 아닌 사람들은 왜 하루에 몇 시간씩이나 이 도구를 사용해야 하는지 이해하기 어려울 수 있습니다.

 

 

5.3. 개발자와 비개발자의 워크플로우 차이

1. 개발자에게 미치는 영향: 엑셀이 회계사에게 한 것처럼, AI는 코더와 개발자에게 영향을 미치고 있다.
2. 비개발자 직무의 불확실성: 개발자가 아닌 다른 직무에서는 AI를 매일 몇 시간씩 사용해야 하는 결정적인 일일 워크플로우를 아직 찾지 못했다.
3. 검증(Validation)의 문제: AI는 여전히 실수를 하므로, 특정 정답이 필요한 질문에 대해 기계적으로 검증할 수 있는지, 아니면 사람의 검증이 효율적인지가 중요하다.
   1. 마케팅 사용 사례: 200개 이미지를 만들고 10개를 고르는 것이 사람이 100개를 만드는 것보다 효율적이다.
   2. 데이터 입력 사용 사례: 200개의 PDF에서 200개의 숫자를 복사한 후 모두 확인해야 한다면, 차라리 내가 직접 하는 것이 낫다.

6. 새로운 가능성의 발견과 플랫폼 시프트의 재정의

6.1. 기존 작업과 새로운 작업의 매핑

1. 실수하는 AI에 대한 시각: AI가 실수를 한다고 해서 쓸모없다고 보는 것은, 애플 II를 보고 은행을 운영할 수 없다고 말하는 것과 같다.
2. 파괴적 혁신의 본질: 새로운 기술은 이전 기술에서 중요했던 일에는 형편없지만, 다른 무언가를 수행한다.
   1. 생성형 AI가 잘하는 새로운 일을 찾아야 한다.
3. 새로운 행동의 발견: 사용자가 챗봇에 질문하거나, 기업가가 이전에 불가능했던 일을 제품으로 제공하는 방식으로 새로운 행동이 발견된다.
   1. 모바일에서는 낯선 사람의 차를 타거나(우버/리프트), 앱으로 만난 사람과 데이트하는 등의 새로운 행동이 있었다.
4. AI의 새로운 행동: AI에서는 챗봇과 대화하는 것과 같은 새로운 행동이 보이기 시작하지만, 이것이 기존 모델 제공업체나 새로운 기업에 의해 주도될지는 미지수이다.

6.2. 기술 스택에서의 위치와 솔루션 구매

1. 스택 상단의 위치 문제: 새로운 기술이 스택의 어디까지 올라갈지에 대한 질문이 있다.
   1. 90년대 중반, 윈도우 앱은 OS(문서 관리, 인쇄, 저장 등)가 대부분의 일을 처리하면서 얇은 래퍼(wrapper)에 불과하다는 주장이 있었다.
   2. 프레임워크는 유용하지만, 이것이 상황을 이해하는 유용한 방식은 아닐 수 있다.
2. 솔루션 대 기술: 법률 검색 회사(Everlaw) 사례에서, 로펌은 AWS에서 번역 앱과 감정 분석 앱을 가져와 직접 조합하는 대신, 법률 검색 소프트웨어 관리라는 솔루션을 구매하기를 원한다.
   1. 사람들은 기술이 아닌 솔루션을 구매한다.

6.3. GUI의 역할과 챗봇의 근본적 차이

1. GUI의 기능: GUI는 오피스에 500개의 기능을 갖게 하고 사용자가 키보드 명령을 외울 필요 없이 찾을 수 있게 한다.
   1. GUI는 화면 공간이 허용하는 한 사실상 무한한 기능을 추가할 수 있게 한다.
2. 워크플로우와 제도적 지식: GUI는 워크데이(Workday)나 세일즈포스(Salesforce) 같은 엔터프라이즈 소프트웨어 내에서 사용자가 이 시점에 어떤 질문을 받고 어떤 선택지를 제공받아야 하는지에 대한 제도적 지식과 신중한 생각을 반영한다.
3. 원시 프롬프트(Raw Prompt)의 문제: 사용자에게 원시 프롬프트를 주고 "이것을 어떻게 할지 스스로 생각하라"고 하는 것은, 사용자가 모든 것을 처음부터 생각해야 함을 의미한다.
   1. 머신러닝은 무한한 인턴을 제공하는 것과 같다.
   2. 인턴에게 벤처 캐피탈이 무엇인지 모른다면 도움이 되지 않듯이, LLM에게도 전문 지식이 필요하다.
   3. 컴퓨터가 스스로 알아야 할 질문(예: 어떤 소스를 사용해야 하는지)을 사용자에게 묻는 것은 잘못된 방식이다.
4. ChatGPT의 본질: ChatGPT는 제품이라기보다는 제품으로 위장한 챗봇이다.

// 이렇게 생각하는건 정말 참신했다. 근데 듣고보니 정말 맞는 말이다! 이건 제품이 아니다. 

 

화면에 버튼이 7개 있는 이유는 그 회사 사람들이 모여 앉아 "사용자에게 어떤 질문을 해야 할까? 어떤 질문을 던져야 할까? 이 단계에서 어떤 선택지를 줘야 할까?" 와 같은 고민을 거쳐 만들어낸 결과입니다. 이러한 고민에는 회사 내부의 지식, 학습, 테스트, 그리고 이 시스템이 어떻게 작동해야 하는지에 대한 심도 있는 고심이 담겨 있습니다. 그런데 누군가에게 기본적인 정보만 주고 "자, 이제 어떻게 해야 하는지 알려줘"라고 하면, 마치 눈을 감고 처음부터 다시 생각해야 하는 것처럼 느껴질 겁니다.

이 모든 것이 어떻게 작동하는 걸까요? 저는 머신러닝을 마치 무한한 인턴을 가진 것과 같다고 표현하곤 했습니다. 예를 들어, 어떤 과제가 주어졌는데 벤처 캐피털이 뭔지도 모르는 인턴이 있다고 상상해 보세요. >> 그들이 얼마나 도움이 될까요? 마치 그들이 기업들이 분기별 보고서를 발행한다는 사실이나, 우리가 블룸버그 계정을 통해 멀티플을 조회할 수 있다는 사실, 그리고 구글보다는 피치북을 사용하는 게 더 나은 정보를 얻을 수 있다는 사실조차 모르는 것처럼 말이죠. 제가 강조하고 싶은 건 심층적인 조사입니다. 즉, 이 소스를 사용해야 하고 저 소스는 사용하면 안 된다는 거죠.

음, 처음부터 직접 알아내시겠습니까, 아니면 이 분야에 정통한 사람들이 5년 동안 연구해서 화면에 어떤 선택지가 나와야 클릭할 수 있는지 파악해 놓은 걸 사용하시겠습니까? 마치 컴퓨터가 스스로 답을 알고 있어야 하고 사용자가 직접 알아내야 하는 질문은 절대 하지 말아야 한다는 옛날 사용자 인터페이스 원칙과 같습니다. 아무것도 없는 챗봇 화면에 들어가면 말 그대로 모든 걸 물어봅니다. 한두 가지 질문만 하는 게 아닙니다.

사용자가 무엇을 원하는지, 어떻게 알아낼 건지, 어떻게 해야 하는지 등 모든 것을 묻습니다.

7. 플랫폼 시프트의 진화와 새로운 기업의 등장

7.1. 사용자의 적응과 제품의 진화

1. 사용자 적응의 시간: 구글 맵스, 인스타그램 사용법을 깨닫는 데 시간이 걸렸듯이, AI도 시간이 지나면서 사용법이 진화한다.
2. 첫 원칙에서 벗어나기: 사용자가 스스로 첫 원칙에서부터 사용법을 깨닫도록 기대하는 것과, 1000명의 똑똑한 사람들이 제품으로 만들어 보여주는 것 사이의 균형이 필요하다.
3. 선행 기술(Precursors): 인스타그램 이전에 많은 시도가 있었고, 유튜브도 비디오 데이팅으로 시작했다.
   1. 아이폰 이전에도 네트워크와 폰은 매년 조금씩 나아지고 있었지만, 아이폰이 등장하며 차트 아래에서 급격한 변화를 일으켰다. (local maxima: 지역적 최댓값) 
   2. 아이폰조차도 가격, 기능, 배포 모델 문제로 작동하는 데 2년이 걸렸다.
4. 촉매제로서의 역할: 구글 이전에도 검색은 있었고, 페이스북 이전에도 소셜 활동이 있었지만, 이들이 촉매제 역할을 했다.
5. 새로운 것의 등장: 현재는 너무 초기 단계이므로, 수십, 수백 개의 새로운 것이 등장할 것이며, 그렇지 않다면 파운데이션 모델이 모든 것을 할 것이므로 A16Z는 문을 닫아야 할 것이다.

제 생각에는 또 다른 측면이 있는데, 아시다시피 이런 것들의 전신은 항상 존재해 왔습니다. 인스타그램 이전에도 수많은 다른 것들이 있었죠. 네. 유튜브도 처음부터 유튜브였던 건 아니잖아요. 아마 영상 데이트 앱으로 시작했을 거예요.

음, 틴더가 등장해서 판도를 완전히 뒤바꾸기 전까지는 온라인 데이트를 시도하는 앱들이 많았고, 그럭저럭 잘 작동했죠. 그러니까 항상 뭔가 있었는데, 뭐라고 표현해야 할까요? '지역적 최댓값' 같은 게 있었던 거죠. 사실, 특히 아이폰이 나오기 전에도 그랬어요. 제가 지난 10년 동안 모바일 업계에서 일했거든요. 뭔가를 기다리는 느낌이 아니라, 이미 잘 돌아가고 있다는 느낌이었죠.

매년 네트워크 속도가 빨라지고, 휴대폰 성능이 좋아지고, 모든 게 조금씩 더 나아졌어요. 앱도 생기고, 앱 스토어도 생기고, 3G도 나오고, 카메라도 생기고... 모든 게 매년 조금씩 더 좋아지는 것 같았죠. 그러다가 아이폰이 출시됐죠. 차트 아래쪽에서, 뭐랄까, 이런 식으로 선이 움직이고, 또 저런 식으로 움직이잖아요. 아이폰이 성공하기까지 2년이나 걸렸다는 것도 기억해야 해요. 가격도 안 맞고, 기능도 부족하고, 유통 모델도 제대로 작동하지 않았거든요.

 

7.2. 전문화와 다중 승자 시장

1. 후회와 전문화: 지난 몇 년간의 후회는 더 크게 가지 않은 것이며, 음성, 이미지 생성 등 세부 분야에서 전문화가 일어날 것이라는 점을 충분히 인식하지 못했다.
2. 카테고리 승자 모델의 변화: 웹 2.0 시대에는 카테고리 승자가 시장 대부분을 차지했지만, 이제 시장이 너무 커서 각 카테고리에서 여러 승자가 존재할 수 있다.
3. 카테고리 자체의 불명확성: 카테고리 자체가 명확하지 않으며, 묶이거나 풀리거나 재조합된다.
   1. 1995년 학생 시절, 필자는 PC에 4~5개의 웹 브라우저와 웹 서버를 가지고 있었는데, 팀 버너스 리는 웹을 네트워크 드라이브처럼 생각했기 때문이다.

8. 현재 질문의 재평가와 기업 전략에 대한 시사점

8.1. 현재 질문의 재평가와 소비자 사용량의 괴리

1. 잘못된 질문: 현재 우리가 던지는 질문의 대부분은 잘못된 질문일 가능성이 높다.
2. OpenAI의 불일치: 벤치마크 점수에서는 모델들이 비슷하다. 실제 사용량에서는 큰 차이가 난다.
   1. 클로드(Claude)는 벤치마크 점수는 비슷해도 소비자 사용량이 거의 없다. //(이렇게 차이가 많이 날줄 전혀 몰랐다 ㄷㄷ)
   2. 뉴스레터에서는 메타가 뒤처졌다고 하지만, 소비자 관점에서는 배포(distribution)가 핵심이다. //(메타도 모델이 있음?)
3. 소비자 모델의 취약성: 가끔 LLM을 사용하는 캐주얼 소비자 사용자에게는 챗지피티/클로드/그 어떤 모델이든 각 모델의 차이가 크게 느껴지지 않는다. 모델이 상품화(commodity)되고 네트워크 효과나 승자독식 효과가 없다면, 뭘로 경쟁할건지? 경쟁은 브랜드 인지도와 추가 기능/서비스에 의존하게 된다.
   1. 크롬이 바로 그런 식이었다. 네트워크 효과는 없고, 크롬이라서 크롬을 사용했다. 
4. ChatGPT의 취약한 기반: 8~9억 WAU는 기본값(default)과 브랜드의 힘에 의존하는 매우 취약한 상태이다.
   1. 네트워크 효과, 기능 잠금(feature lock-in), 생태계, 자체 인프라(비용 우위)가 없다.
   2. OpenAI는 매달 엔비디아에 비용을 지불해야 한다.
5. 두 가지 방향의 노력: 기업들은 모델 위에 제품을 구축하는 방향과 인프라(엔비디아, AMD, 오라클 등)를 확보하는 방향으로 동시에 노력해야 한다.
   1. 이 놀라운 기술적 돌파구와 수많은 '와우(wow)' 경험을 지속 가능하고 방어 가능한 비즈니스 가치로 전환해야 한다.

 

// 하이퍼스케일러(Hyperscaler)는 방대한 규모의 데이터 센터와 클라우드 인프라를 바탕으로 매우 확장성이 뛰어난 클라우드 서비스를 제공하는 초대형 기술 기업을 말함.

• Amazon Web Services (AWS)
• Microsoft Azure
• Google Cloud Platform (GCP)
• IBM Cloud
• Alibaba Cloud

 

8.2. 하이퍼스케일러별 경쟁 우위 질문

각자 정말 다른 질문이 중요해진다.

1. 지속 가능한 이점: 경쟁 구도에서 누가 지속 가능한 경쟁 우위를 가질지 결정할 질문들이 중요하다.
2. 메타(Meta): 모바일 시프트는 메타에게 변혁적이었으며, AI는 검색, 콘텐츠, 소셜 경험에 더 큰 질문을 던지므로 자체 모델을 갖는 것이 필수적이다.
3. 구글(Google): 모바일 검색은 기본적으로 검색이었으며, Web이나 모바일이나 그냥 더 많은 검색일 뿐 그냥 검색이었다. 현재 Gemini가 다른 모델만큼 좋다고 가정할 때, 구글은 막대한 자금(연간 1000억~2500억 달러)을 투입하여 기존 검색 및 광고 비즈니스를 최적화하고 새로운 경험을 구축할 수 있다.
   1. AI의 '아이폰'을 발명할 수도 있고, 안드로이드처럼 다른 사람이 발명하면 따라갈 수도 있다.
   2. 또는 모바일 때 그랬던 것 처럼, 모바일 환경의 구글 검색이 그냥 웹 환경의 구글 검색이었던 것 처럼, AI는 AI이며, 새로운 것을 기능(피쳐)으로 만들고 계속 하던대로 할 수도 있다. 
4. 아마존(Amazon): 한편으로는 범용 인프라로 판매하고, 다른 한편으로는 구매 결정이 어떻게 이루어질지에 대한 더 큰 질문이 있다.
   1. 마케터나 미디어 회사는 챗봇에 질문했을 때, 질문이 맞는지도 모른다면 이게 뭐냐. 레시피를 물으면 LLM이 답을 줄 수 있는 시대에, 내 비즈니스가 레시피를 가진다는게 어떤 의미인지 고민해야 한다.
   2. LLM이 아마존이 과거보다 더 규모 있는 추천 및 검색을 더 잘 할 수 있게 할지가 장기적으로 더 큰 질문이다.
5. 애플(Apple): 애플은 2년 전 시리(Siri)가 되어야 할 모습에 대한 매우 설득력 있는 비전을 제시했지만, 구현하지 못했다.
   1. 애플이 시연한 비전(멀티모달, instantaneous즉각적, 온디바이스, 에이전트, 제로 오류율)은 현재 구글이나 OpenAI도 구현하지 못하고 있다.
   2. 애플의 지적 질문은 "왜 우리는 자체 챗봇이 없으면서 유튜브나 우버도 없는가?"이다.
   3. AI에 모든 새로운게 들어가게 되고, 앱스토어에서 다운로드 받은 AI를 접속하게 된다면 이건 애플에게 얼마나 어떤 범위로 문제일까? 만약 AI가 컴퓨팅의 본질을 근본적으로 바꾼다면 문제이지만, 구글처럼 서비스라면 문제가 아니다.
   4. 소프트웨어의 본질이 바뀌어 앱이 없고 LLM에 질문만 하는 경우, 그 LLM을 구동하는 장치가 기존 아이폰의 10분의 1 가격이라면 사람들이 이걸 살까? 아니요. 왜냐면 여전히 좋은 화면, 배터리 수명, 마이크, 카메라를 갖춘 제품을 원함. 현재의 아이폰과 유사할 것이며, 사람들은 더 저렴한 기기를 선택하지 않을 것이다.
6. 우버(Uber): 운영 효율성이 높아지고 사기 감지가 작동하는 등 긍정적 변화가 있지만, 자율주행차가 없다면 크게 변하지 않을 것이다.

9. AI 발전 단계별 질문의 변화와 산업의 본질 재정의

9.1. 2023년 대비 2024년의 새로운 질문들 (인터뷰이가 좋은 질문 던지기로 유명해서, 과거의 질문 이후로 어떤게 좀 바뀌었을지)

1. 질문의 변화: GPT-3 출시 이후 질문들이 많이 업데이트되었다.
2. 2023년의 질문: 2023년 봄에는 오픈소스, 중국, 엔비디아, 스케일링 지속 여부, 이미지 문제, OpenAI의 리드 유지 기간 등이 주요 질문이었다.
3. 변하지 않은 질문: 대부분의 질문은 2023년과 2024년에도 여전히 남아있다 (예: 엔비디아 질문).
   1. 프론티어 모델: 20억 달러를 쓸 수 있는 누구나 프론티어 모델을 가질 수 있다는 것은 2023년 초에 명확해졌다.
4. 작은 모델의 운명: 기기에서 실행되는 작은 모델은 없을 것인데, 이는 작은 모델이 기기에 축소되기도 전에 능력이 너무 빠르게 발전하기 때문이다.
5. 새로운 제품 전략 질문: 실제 소비자 채택과 다양한 기업들의 움직임으로 인해, 단순히 모델을 만들고 돈을 더 쓰는 것 이상의 제품 전략 질문이 생겨났다.

9.2. 기술 외 산업의 단계별 접근과 시장 재정의

1. 기술 외 질문: 소매 미디어(retail media) 측면에서 AI를 어떻게 활용할지에 대한 질문이 늘었다.
2. 산업 적용 3단계:
   1. 1단계 (기능화): AI를 기능으로 만들고 흡수하며 명백한 작업을 수행한다.
   2. 2단계 (새로운 작업): 새로운 작업을 수행한다.
   3. 3단계 (산업 재정의): 산업 전체를 뒤집고 질문 자체를 재정의할 수 있다.
3. 월마트 매니저 가상 사례:
   1. 1단계: "그 지표를 찾아줘."
   2. 2단계: "대시보드를 만들어줘."
   3. 3단계: "블랙 프라이데이에 내가 걱정해야 할 것은 무엇인가?"
4. 아마존 사례:
   1. 1단계: 구매한 물품에 맞는 포장재 추천.
   2. 2단계: 이 사람이 이사 중이라면 주택 보험 광고를 보여주는 것(구매 데이터로는 알 수 없는 것).
5. 콘텐츠 비즈니스의 질문: LLM에 질문하면 되는 콘텐츠는 구글을 통해 유입되던 콘텐츠의 기반을 흔든다.  
   1. 구글이 그 질문을 여러분에게 연결하도록 유도하는 데에는 어떤 종류의 콘텐츠가 기반을 두고 있을까요? (What kinds of content were predicated on Google rooting that question to you? ) 그리고 어떤 질문, 어떤 콘텐츠는 그 질문과 직접적인 관련이 없을까요? 볼로네제 레시피를 원하는가, 아니면 이탈리아 요리에 대한 스탠리 투치(Stanley Tucci)의 이야기를 듣고 싶은가?
   2. LLM은 컴퓨터가 이전에 할 수 없었던 일을 해주지만, 그것이 나의 비즈니스인가? 아니면 다른 일을 하고 싶은가?
6. 신문업의 교훈: 신문업은 인터넷을 보며 저널리즘을 이야기했지만, 실제로는 경량 제조 및 지역 유통/운송 회사라는 본질을 놓쳤고, 인터넷이 이 언번들링을 촉발했다.
   1. LLM은 사람들이 자신이 무엇에 기반하여 방어력이나 수익성을 확보했는지 깨닫지 못했던 부분을 드러낼 수 있다.
7. 3G의 킬러 사용 사례: 2000년에 모두가 3G의 킬러 사용 사례를 물었지만, 실제로는 어디서든 주머니 속 인터넷이 사용 사례였다. 지금 묻는 질문들은 전부 잘못된 질문들일 수 있다. 
   1. 마찬가지로 LLM을 통해 새로운 방식으로 무언가를 하는 것을 나중에야 깨닫게 될 것이다. 현재는 모르는. 

10. AI가 인터넷보다 클 수 있는 조건과 현재의 한계

10.1. 인터넷보다 클 수 있는 조건

1. 새로운 것의 등장: 새로운 것이 등장하면, 그것이 기존의 것을 대체하는 것이 아니라 다른 무언가를 한다는 점이 중요하다.
2. 아이폰의 거대함 망각: 사람들은 아이폰과 인터넷이 얼마나 거대했는지 잊어버리며, 일부 기술자들은 여전히 스마트폰이 대단한 일이 아니라고 주장한다.
3. 현재 능력의 한계: 현재 우리가 가진 것은 좁고 엄격하게 제약된 가드레일 밖에서는 실제 사람을 대체할 수 있는 수준이 아니다.
   1. 데미스 허사비스의 주장이 맞듯이, 현재 박사급 능력이 있다는 주장은 터무니없다.
4. 인식의 전환 필요: AI가 실제로 사람과 같은 수준이라는 인식을 바꿀 만한 무언가를 보아야 한다.
5. AI 정의의 순환: AI는 아직 작동하지 않는 것이며, 작동하기 시작하면 사람들은 "그건 그냥 소프트웨어일 뿐"이라고 말한다.
6. 현재 상태: 현재 우리가 가진 것은 AGI가 아니다. 그것이 그 수준으로 성장할지는 알 수 없으며, 시간이 지나야 알 수 있다.

10.2. 마무리 및 자료 출처

1. 마무리: 대화는 긍정적으로 마무리된다.
2. 자료 출처: 프레젠테이션 제목은 'AI Eats the World'이며 링크가 제공될 예정이다.

 

Falsifiable'는 '반증 가능한', '반증될 수 있는'이라는 뜻으로, 어떤 주장이나 가설이 틀렸음을 증명할 수 있는(반박할 수 있는) 가능성이 있다는 것을 의미하며, 과학 철학에서 중요한 개념입니다. 이는 경험적 관찰이나 실험을 통해 잘못되었음을 입증할 여지가 있어야 진정한 과학 이론으로 인정된다는 칼 포퍼의 '반증주의'와 연결됩니다.