🧩 모델 제공업체가 모든 것을 장악할 때: SaaS 생존 가이드

OpenAI나 Anthropic과 같은 파운데이션 모델 제공업체들은 더 이상 API 접근권만 판매하지 않습니다. 지난 한 해 동안 우리는 이들 기업이 공격적으로 스택 상위로 이동하며 인프라 제공업체에서 진정한 제품 회사로 진화하는 것을 지켜봤습니다. 만약 당신의 스타트업이 그들의 모델 중 하나를 사용하여 성공을 거둔다면, 해당 제공업체가 그 기능을 자신들의 서비스에 통합하거나 경쟁 앱을 출시할 실질적인 위험이 존재합니다.

다시 말해, 당신에게 힘을 실어주는 모델 제공업체가 등을 돌려 당신을 밀어버릴 수도 있다는 것입니다.

이러한 위협은 단지 이론적인 것에 그치지 않습니다. 주요 모델 연구소들은 수많은 AI 앱의 중추 역할을 하기 때문에, AI 생태계 전반에서 무엇이 효과가 있는지 파노라마처럼 조망할 수 있습니다. 그들은 어떤 도메인이 높은 API 사용량을 유발하는지, 어떤 새로운 앱이 인기를 얻고 있는지, 그리고 어떤 프롬프트와 기능이 최고의 결과를 내는지 알고 있습니다. 이 지식으로 무장한 그들은 유망한 사용 사례에 신속하게 집중하여 이를 자사 제품에 직접 통합할 수 있습니다. 초창기에는 빠르게 성장하는 스타트업들이 모델 제공업체로부터 '특별 대우'(예: 우대 API 조건이나 초기 기능 접근권)를 받기도 하지만, 나중에는 해당 제공업체를 경쟁자나 인수자로 마주하게 되는 경우가 있습니다(최근의 Windsurf 사태처럼).

그렇다면 당신이 의존하는 바로 그 플랫폼이 경쟁자가 될 수 있는 상황에서, 어떻게 지속 가능한 앱 레이어 AI 스타트업을 구축할 수 있을까요? 지금까지의 지혜는 기본 모델의 모든 개선이 순풍으로 작용하도록 제품을 설계해야 한다는 것입니다. 실제로는 OpenAI가 더 강력한 모델이나 새로운 기능을 출시하면, 당신의 제품이 쓸모없어지는 것이 아니라 더 좋아져야 한다는 의미입니다. 이는 훌륭한 원칙이지만, 실제로 달성하기는 말처럼 쉽지 않습니다.

지난 몇 달 동안 우리는 이 질문에 대한 답을 찾기 위해 노력했습니다. 우리는 수십 명의 AI 창업자들과 이야기를 나누고, 이사회에 참석했으며, 포트폴리오 회사들과 긴밀히 협력하여 가장 회복력 있는 AI 스타트업을 구별하는 요인이 무엇인지 파악했습니다. 이러한 대화에서 몇 가지 공통된 실마리가 나타났습니다. 요컨대, 가장 미래 지향적인 팀들은 시스템 수준에서 생각하고 있습니다. 즉, 주요 연구소들이 쉽게 복제할 수 없는 방식으로 실제 세계와의 상호작용을 통해 지속적으로 학습하는 AI 에이전트를 구축하고 있습니다.

이 글의 나머지 부분에서는 앱 레이어 AI 스타트업의 방어력을 높일 수 있는 전략들을 탐색할 것입니다. 먼저, 지난 3년간 AI 소프트웨어 지형이 어떻게 진화하여 강화 학습(RL)으로 구동되는 현재의 AI 에이전트 시대에 이르렀는지 요약하겠습니다. 다음으로, 앱 레이어 AI 스타트업이 모델 제공업체의 위협을 순풍으로 전환하는 데 도움이 되는 구체적인 전략들을 (우리 포트폴리오의 스타트업 사례와 함께) 설명하겠습니다.

AI 앱의 세 가지 물결

ChatGPT 출시 이후 우리는 세 가지 뚜렷한 앱 레이어 AI 스타트업의 물결을 보았으며, 각 물결마다 경쟁과 통합이 심화되었습니다.

1차 물결 (2022년): 래퍼(Wrapper) 시대. 이것들은 단순한 제품이었습니다. 직관적인 사용자 인터페이스 뒤에 영리한 프롬프트 한두 개가 있고, 이 모든 것이 파운데이션 모델의 API 위에 자리 잡고 있었습니다. 이러한 '래퍼'는 구축하기 쉬웠지만, 복사하기도 마찬가지로 쉬웠습니다. 그리고 기반 모델이 개선되자마자 이 앱들이 제공하던 기능의 상당 부분이 모델 자체에 흡수되거나 다른 사람들이 쉽게 복제할 수 있게 되었습니다.

2차 물결 (2023-2024년): AI 네이티브(AI-native) 시대. 2차 물결의 AI 스타트업들은 좀 더 진정한 'AI 네이티브'가 되려고 노력했습니다. 이 팀들은 제1원칙에서 시작했습니다. 즉, LLM의 고유한 능력을 중심으로 제품을 설계하고, 모델 출력을 보강하기 위한 맞춤형 데이터 파이프라인을 구축했으며, AI를 사용자 워크플로에 긴밀하게 내장했습니다. 그러나 모델 제공업체들이 스택 상위로 이동하면서—자체 앱을 출시하고, API 조건을 변경하며, 경쟁 제품을 만드는 등—이 스타트업들은 위태로운 위치에 놓이게 되었습니다. 많은 기업이 자신들이 의존하던 플랫폼에 의해 압박을 받았습니다.

3차 물결 (2025년): 에이전트(Agentic) 시대. 현재의 에이전트 AI 물결에서는 차세대 추론 모델과 사후 훈련 기술이 AI 인프라와 최종 사용자 애플리케이션 간의 경계를 더욱 모호하게 만들고 있습니다. 모델 제공업체들은 (OpenAI의 Agent Mode나 Anthropic의 Claude Code와 같은) 에이전트 제품을 사용자에게 직접 제공하고 있습니다. 스타트업에게 이는 'AI 네이티브'의 기준이 훨씬 더 높아졌음을 의미합니다. 강력한 모델을 활용하는 것만으로는 충분하지 않으며, 시간이 지남에 따라 적응하고 개선할 수 있는 학습 시스템을 구축해야 합니다.

강화 학습(RL)의 중요성 증대

이 세 번째 물결에서 강화 학습(RL)은 AI가 단순한 보조 파일럿(copilot)이 아닌 자율적인 작업자(worker) 역할을 하는 모델과 애플리케이션을 구축하는 핵심 요소로 부상했습니다. 이는 AI의 경쟁 역학을 변화시키고 있으며, 잠재적으로 스타트업에게 유리하게 작용할 수 있습니다.

생성형 AI의 초기에는 많은 사람들이 기존 기업(Google, Meta, Microsoft 등)이 "데이터를 소유하고 있기" 때문에 필연적으로 승리할 것이라고 가정했습니다. 그러나 AI의 역량이 발전함에 따라, 그들이 비축해 둔 과거 데이터의 결정적인 역할은 줄어들고 있습니다. 에이전트 세계에서 가장 큰 영향력을 가진 자산은 레거시 데이터 세트가 아니라, 실제 워크플로에서 실제 사용자와의 피드백 루프입니다.

기존 기업들은 자사의 SaaS 앱 내에 방대한 데이터를 통제할 수 있지만, 제품 간에 일어나는 일, 즉 실제 사용자들이 단일 UI 외부에서 수행하는 결정, 인계, 여러 도구를 사용하는 프로세스는 보지 못합니다. 스타트업들은 그 틈새로 파고들 수 있습니다. 여러 도구와 통합하고 엔드투엔드(end-to-end) 프로세스를 관찰함으로써, 그들은 작업이 실제로 시스템 전반에 걸쳐 어떻게 이루어지는지에 대한 데이터를 수집할 수 있습니다.

예를 들어, AI 영업 에이전트를 생각해 봅시다. 기본적인 AI 영업 보조 파일럿은 CRM 항목을 기록하거나 템플릿 이메일을 보내는 것과 같은 개별 작업을 자동화할 수 있습니다. 이는 생산성 향상에 유용하지만, 그 이득은 미미할 뿐입니다.

이제 잠재 고객 발굴부터 계약 체결까지 전체 프로세스를 지켜보며 판매 기술을 적극적으로 학습하는 강화 학습 기반 영업 에이전트를 상상해 보십시오. 시간이 지남에 따라, 이 에이전트는 거래를 성사시키는 패턴을 파악하기 시작합니다. 데모 후 이틀 뒤에 후속 조치를 하는 것이 하루 뒤보다 더 나은 결과를 낳는다는 것이나, 특정 산업의 거래에서는 제안 단계에서 영업 엔지니어를 참여시켜야 한다는 것을 학습할 수 있습니다. 결국, 이러한 에이전트는 단순히 이메일 초안을 작성해 주는 것을 넘어, 언제 보내야 할지 알려주고, 누구를 참여시켜야 할지 제안하며, 가장 효과적인 커뮤니케이션 채널을 선택해 줄 것입니다. 본질적으로 이 에이전트는 최고의 인간 영업 사원들의 행동과 결과를 관찰함으로써 그들의 문서화되지 않은 플레이북을 학습하고 있는 것입니다. 이는 CRM의 정적인 필드에서는 절대 찾을 수 없는 것입니다.

이러한 종류의 장기적이고 상호작용적인 지능을 구축하는 것은 어렵습니다. 이는 AI 연구와 엔지니어링 양쪽에서 새로운 접근 방식을 요구합니다. 모델 연구소(OpenAI, Anthropic, DeepMind 등)는 이를 해결하기 위해 막대한 투자를 하고 있습니다. '서비스형 강화 학습(RL-as-a-service)' 툴링을 제공하는 새로운 스타트업들도 등장하고 있습니다. (예를 들어, 우리 포트폴리오 회사인 Turing은 선도적인 AI 연구소에 'RL gyms'를 최초로 제공한 회사 중 하나였습니다.)

이 퍼즐의 몇 가지 중요한 조각들은 다음과 같습니다.

• 평가자(Evaluators): 평가자는 AI 에이전트의 출력이나 행동의 질을 판단하는 모든 메커니즘입니다. 이것은 정답이 하나가 아닌 모호한 영역에서 특히 중요합니다. 평가자는 여러 형태를 띨 수 있습니다. 루브릭, 체크리스트, 또는 비평가 역할을 하는 다른 AI 모델일 수도 있습니다. 그 역할은 에이전트가 얼마나 잘 수행했는지를 반영하는 피드백이나 점수를 제공하는 것입니다.
  OpenAI는 바로 이 목적을 위해 '범용 검증기(universal verifier)'를 개발하고 있습니다. 이 프로세스는 알려진 바에 따르면 하나의 AI 모델을 사용하여 다른 모델의 출력을 단계별로 확인하고 점수를 매기며, 다양한 출처와 사실 및 논리를 교차 확인합니다. 실제로 이것은 창의적인 글쓰기나 고급 수학 증명과 같은 주관적인 작업에 대해서도 모델의 응답에 대해 품질과 정확성을 점수화할 수 있음을 의미합니다. OpenAI는 이 접근법 덕분에 자사 모델 중 하나가 국제 수학 올림피아드에서 금메달을 획득하는 데 도움이 되었다고 밝히고 있으며, 이는 이전에는 AI에게서 들어본 적 없는 위업입니다.
• 보상 파이프라인(Reward pipelines): 보상 파이프라인은 모든 평가자 점수와 기타 피드백 신호를 강화 학습 알고리즘이 최적화하는 보상 값으로 변환합니다. 실제로 이것은 다양한 피드백을 단일 숫자(예를 들어, 스타일보다 사실적 정확성에 우선순위를 두는 등)로 집계하고 가중치를 부여하여 에이전트가 단일 지표가 아닌 전반적인 품질을 최적화하도록 하는 것을 의미합니다.
  좋은 보상 파이프라인은 또한 많은 결정 지점이 있는 장기적인 작업을 다룹니다. 복잡한 다단계 작업은 결과를 달성하기 전에 수백 개의 행동을 포함할 수 있으며, 에이전트는 학습 신호를 얻기 위해 맨 끝까지 기다릴 수 없습니다. 보상 파이프라인은 중간 행동에 대해 공로(또는 비난)를 부여함으로써 이 문제를 해결합니다. 즉, 주요 단계에서 피드백을 주거나 최종 결과를 이전 결정에 다시 전파하는 방식입니다(강화 학습의 고전적인 신용 할당 문제).
• 맞춤형 훈련 환경(Custom training environments): 이것들은 시뮬레이션된 소프트웨어 환경입니다. 샌드박스화된 Salesforce 인스턴스, 가짜 DoorDash와 같은 물류 대시보드, 또는 일반적인 웹 작업을 위한 모의 웹 브라우저를 생각해 보십시오. 이러한 환경은 AI 에이전트가 안전하게 실험할 수 있게 해줍니다. 에이전트는 행동을 시도하고, 결과를 보고, 실제 사용자나 데이터에 영향을 주지 않으면서 장기적인 전략을 학습할 수 있습니다.
  주목할 만한 점은 OpenAI와 Anthropic이 상위 150개 웹사이트와 모든 주요 기록 시스템의 시뮬레이션 버전 내에서 공격적으로 에이전트를 훈련시키고 있다는 것입니다. 그들의 목표는 이러한 환경을 제품으로 라이선스하는 것이 아니라, 모델의 훈련장으로 사용하는 것입니다. 모델이 이러한 샌드박스 시뮬레이션을 마스터하면 성능 우위를 확보하고, 첫날부터 실제 소프트웨어 워크플로를 이해하는 에이전트로 배포될 수 있습니다.
• 희소하고 지연된 피드백을 위한 RL 전용 인프라: 복잡한 시스템을 디버깅하거나 기업 영업 거래를 성사시키는 것과 같은 많은 가치 있는 작업은 긴 일련의 단계 후에만 결실을 맺습니다. 때로는 몇 분, 몇 시간, 심지어 며칠이 걸리기도 합니다. 이러한 지연은 AI 에이전트의 학습을 어렵게 만듭니다. 피드백이 드물고, 그에 영향을 미친 행동이 일어난 지 한참 후에 도착하기 때문입니다.
  이러한 조건에서 에이전트를 훈련시키려면 특화된 RL 인프라가 필요합니다. 예로는 리플레이 버퍼(에이전트가 과거 경험을 기억하고 학습하게 함), 비동기적 롤아웃(훈련 데이터를 더 빨리 수집하기 위해 에이전트의 여러 인스턴스를 병렬로 실행), 그리고 고급 신용 할당 기술(어떤 이전 행동이 최종 성공 또는 실패에 책임이 있는지 파악) 등이 있습니다.

강화 학습에 대한 이 모든 투자는 단지 더 나은 에이전트를 만들기 위한 것이 아닙니다. 그것은 학습 루프를 소유하는 것에 관한 것입니다. 사용자와 에이전트가 함께 작업하면서 생성되는 상호작용 데이터의 흐름은 AI에서 핵심적인 독점 자산이 되고 있습니다. 그 루프를 포착하는 자, 즉 그 클릭, 결정, 결과를 수집하는 인터페이스를 가진 자가 복리 효과를 내는 우위를 구축하게 될 것입니다.

방어력 있는 앱 레이어 AI 스타트업을 구축하는 방법

그렇다면 이 모든 것이 애플리케이션 측의 AI 창업자에게 무엇을 의미할까요? 실제로, 오늘날 내구성 있는 AI 앱 스타트업을 구축한다는 것은 가장 가치 있는 데이터와 피드백 루프를 통제할 수 있는 영역에 집중하는 것을 의미합니다. 이상적으로는, 당신의 AI 에이전트가 대형 모델 제공업체들이 쉽게 보거나 복제할 수 없는 상호작용 데이터를 생성하는, 판단 중심의 워크플로와 고객별 프로세스에 연결되어야 합니다.

이는 종종 인간의 판단, 정성적 신호, 그리고 맥락에 의존하는 복잡한 작업을 맡는 것을 의미합니다. 작업의 '성공'이 직접적으로 측정하기 쉬운 경우(예: 보험 청구가 정확하게 처리되었는지)든, 더 주관적인 경우(예: 분석이 CFO의 행동을 유발할 만큼 통찰력이 있었는지)든, 핵심은 당신이 성공의 모습을 정의하고 그 신호들을 포착하는 것입니다. 당신의 도메인에서 데이터, 결과, 그리고 성공의 정의를 소유함으로써, 당신은 지속적으로 제품을 개선하는 피드백 루프를 만들게 됩니다.

다음은 이를 제대로 해내고 있는 앱 레이어 AI 스타트업들에서 우리가 본 다섯 가지 패턴입니다.

⚠️ 전략 1: 예외가 많은 워크플로를 마스터하라

많은 기업 프로세스는 엣지 케이스, 예외, 그리고 끊임없이 변하는 규칙들로 가득 차 있습니다. 모델 제공업체들은 산업 전반에 걸친 이 모든 가변성을 처리하기 어려울 것이지만, 집중하는 스타트업은 그 복잡성을 이점으로 바꿀 수 있습니다.

보험 산업을 예로 들어봅시다. 보험금 청구 처리 과정은 보험 유형, 관할권, 그리고 새로운 규정에 따라 크게 달라질 수 있습니다. 기성 AI 모델이 모든 경우의 수를 자동으로 처리하는 방법을 알 수는 없을 것입니다.

우리 포트폴리오 회사 중 하나인 Fulcrum은 이를 인식하고, 어려운 경우를 위해 인간이 개입하는(humans in the loop) AI 에이전트 플랫폼을 설계했습니다. Fulcrum의 보험 처리 AI가 모호하거나 신뢰도 범위를 벗어나는 시나리오에 직면할 때마다, 인간 심사자에게 개입을 요청하는 플래그를 보냅니다. 드문 엣지 케이스를 어설프게 처리하는 대신, AI는 사람에게 맡기고—결정적으로, 전문가가 상황을 어떻게 처리하는지로부터 학습합니다. 시간이 지남에 따라 에이전트는 이러한 예외들과 적절한 해결책에 대한 지식 기반을 구축합니다. 처음부터 전문가의 개입을 워크플로에 포함시킴으로써, Fulcrum은 실제 세계의 복잡성을 훈련 자산으로 전환합니다.

🔄 전략 2: 모호한 영역에서 독점적인 피드백 루프를 만들어라

정답이 모호하거나 주관적인 영역에서는 대형 모델 제공업체들이 효과적으로 훈련시키는 데 어려움을 겪습니다. 이러한 고도의 모호한 환경에 자리 잡은 스타트업들은 이 모호함을 자신들의 이점으로 활용할 수 있습니다. 그들은 특정 문제 영역에서 성공을 정의하는 맞춤형 평가자, 루브릭, 그리고 보상 함수를 개발하여, 기성 모델에는 존재하지 않는 학습 신호를 에이전트에게 제공합니다.

PlayerZero가 좋은 예입니다. 그들의 코딩 에이전트는 코드베이스, 티켓, 원격 측정 데이터, 그리고 아키텍처 그래프 전반을 추론하며, 실패와 해결의 패턴으로부터 학습하여 시간이 지남에 따라 성능을 향상시킵니다. 결정적으로, PlayerZero는 훈련을 위해 정적인 데이터 세트에 의존하지 않습니다. 새로운 사고 데이터를 지속적으로 수집하고, 분석하며, 분산 시스템이 어떻게 작동하는지에 대한 내부 모델을 업데이트합니다. 이는 에이전트가 처리하는 모든 이상 현상을 통해 더 똑똑해지는 선순환 구조를 만듭니다. 성공 기준이 불분명하거나 맥락에 따라 달라지는 경우에도 실제 세계의 행동으로부터 학습하는 PlayerZero의 능력은 소프트웨어 관찰 가능성 및 인프라 문제 해결 분야에서 지속 가능하고 복리 효과를 내는 우위를 제공합니다.

실시간 사고 대응에 초점을 맞춘 Traversal에서도 비슷한 접근 방식을 보았습니다. 그들은 사고 중에 에이전트가 취하는 모든 조치를 캡처하고 기록하며, 결과를 라벨링하고, 근본 원인을 추적하며, 그 통찰력을 다시 모델에 피드백합니다. 그렇게 함으로써 Traversal은 모든 실패(또는 아슬아슬한 상황)를 시스템이 더 나아질 기회로 전환합니다. 이 맞춤형 루프는 범용 모델이 따라올 수 없는 방식으로 그들의 에이전트를 연마합니다.

⚙️ 전략 3: 실행 계층을 소유하라

방어력은 또한 대형 모델 제공업체들이 다루려 하지 않는 기술 스택의 복잡하고 접근하기 어려운 부분을 소유하는 데서 올 수 있습니다. 기업 기술은 레거시 소프트웨어, 반쯤 문서화된 API, 사일로화된 조직적 지식, 그리고 투박한 수동 워크플로로 가득 차 있습니다. 여기서 성공하는 스타트업들은 이 혼란을 포용합니다. 그들은 취약한 스크립트와 인간의 임시방편이 일반적이었던 비즈니스 프로세스의 임시방편 계층(duct-tape layer)에 연결되는 에이전트를 구축합니다.

예를 들어, Maximor는 경직된 ERP 시스템을 중심으로 존재하는 모든 그림자 프로세스, 즉 스프레드시트, 데스크톱 절차, 비공식 SOP 문서, 그리고 직원들이 주요 소프트웨어 외부에서 작업을 완료하기 위해 사용하는 다른 편법들을 대상으로 합니다. 그들의 AI 감사 도구는 이러한 행동들을 상세히 관찰하고, 작업이 실제로 어떻게 일어나는지(기업이 상상하는 방식과 반대로)를 반영하는 에이전트 플레이북을 생성합니다. 거기서부터 Maximor는 사용자와 긴밀히 협력하여 그 플레이북을 각 조직의 파편화된 스택 내에서 작동할 수 있는 AI 에이전트로 전환합니다.

또 다른 팀인 Optimized(현재 스텔스 모드)는 DocuSign 워크플로의 실행 표면을 완전히 소유함으로써 비슷한 플레이북을 따릅니다. 그들은 기본 데이터 기록을 관리하고 어떤 템플릿, 필드, 서명자가 필요한지 정확히 알기 때문에, 그들의 에이전트는 짧은 프롬프트만으로 계약 프로세스를 엔드투엔드로 완료할 수 있습니다. 다른 솔루션들이 여러 API와의 프롬프트 중심 상호작용에 의존하는 반면, Optimized의 제품은 원클릭 경험을 제공합니다.

공통된 교훈은 방어력이 대형 모델 제공업체들이 굳이 소유하려 하지 않을 기술 스택의 부분에 존재한다는 것입니다. 그 표면이 더 모호하고, 고통스럽고, 산업 특화적일수록, 그것을 기꺼이 소유하려는 스타트업에게는 해자(moat) 역할을 할 가능성이 더 큽니다.

👥 전략 4: 도메인 전문가를 고용하고 고객과 긴밀히 협력하라

우리가 관찰한 또 다른 패턴은 다음과 같습니다. 강력한 AI 앱을 구축하려면 깊은 도메인 이해와 최종 사용자와의 긴밀한 협력이 필요한 경우가 많습니다. 다시 말해, 훌륭한 AI 연구원을 보유하는 것만으로는 충분하지 않습니다. 고객의 세계를 진정으로 이해하는 팀원이 필요하며, 제품을 만드는 동안 그 고객들과 함께 일해야 합니다.

영업 및 마케팅 팀을 위한 AI 에이전트를 개발하고 있는 우리 포트폴리오 회사인 Regie가 그 대표적인 예입니다. 그들은 전체 조직을 GTM(Go-To-Market) 전문성을 중심으로 구성했습니다. 리더 중 몇몇은 전직 영업 참여 및 마케팅 자동화 임원 출신으로, Regie의 제품이 현재 해결하고 있는 고충을 직접 겪어본 사람들입니다.

도메인 전문가를 고용하는 것 외에도, Regie는 엔지니어와 제품 팀을 고객과 함께 일하게 합니다. 그들은 SDR, AE, RevOps 담당자들 옆에 앉아 영업 프로세스가 어떻게 작동하고 어디서 문제가 발생하는지를 직접 관찰합니다. 이를 통해 Regie는 엣지 케이스 영업 로직의 미묘한 차이를 포착할 수 있습니다. 영업 담당자들이 실제로 무슨 말을 하는지, RevOps가 ICP 점수 책정에 대해 어떻게 생각하는지, 아웃리치 시퀀싱이 어디서 무너지는지 등입니다. 그들은 또한 에이전트의 보상 함수를 '보낸 이메일 수'와 같은 일반적인 지표가 아닌, 채널별 담당자당 전환율과 같은 정확한 GTM 용어로 정의합니다. 이는 그들의 제품이 고객에게 진정한 비즈니스 영향을 미치는 것에 최적화되어 있음을 의미합니다.

🏃 전략 5: 빠르고 세부적인 부분에 집중하라

속도는 항상 스타트업의 장점이었지만, AI는 이를 초능력으로 바꾸어 놓았습니다. 몇 분기가 걸리던 기능 개발이 이제 몇 주 만에 가능하고, 수년이 걸리던 제품-시장 적합성(product-market fit) 달성이 몇 달 만에 일어날 수 있습니다. 하루라도 더 빨리 출시한다는 것은 더 많은 사용자 데이터를 수집하고, 더 많은 피드백 루프를 촉발하며, 더 빠른 모델 개선을 이끌어낸다는 것을 의미합니다.

그러나 빠르다는 것이 문제 이해에 있어 대충 넘어간다는 의미는 아닙니다. 사실, 세부 사항에 집중하는 것, 즉 실제 작업과 사용자와 가까이 머무르는 것은 복잡한 워크플로를 복제하는 AI 시스템을 구축할 때 매우 중요합니다. 예외가 많은 환경에서 고성능 에이전트를 만들려면, 세세한 부분까지 파고들어야 합니다. 즉, 기초 조사를 하고, 모든 엣지 케이스를 파악하며, 자동화하려는 프로세스의 모든 고충을 내재화해야 합니다. 여기서 성공하고 있는 많은 창업자들은 종종 자신들의 에이전트가 자동화하는 작업을 직접 경험한 전직 실무자(IC)들입니다.

앞으로 나아갈 길

이 모든 전략에 걸쳐 공통된 실마리는 선택한 문제 공간에 다른 누구보다 더 깊이 파고드는 것입니다. 가장 회복력 있는 AI 스타트업들은 AI를 중심으로 한 전체 시스템을 구축하고 있으며, 여기에는 도메인 특화 데이터 피드, 맞춤형 피드백 루프, 그리고 전문가의 개입이 포함됩니다.

핵심은 시스템적으로 생각하는 것입니다. 다른 누구도 볼 수 없는 데이터를 포착하고, 모든 상호작용으로부터 학습하며, 당신의 분야의 미묘한 차이에서 탁월한 성능을 발휘하도록 AI를 맞춤화할 수 있다면, OpenAI나 Anthropic의 다음 혁신에 대해 걱정할 필요가 없을 것입니다. 오히려 그것을 응원하게 될 것입니다. 왜냐하면 그것은 당신의 제품을 더욱 강력하게 만들어 줄 것이기 때문입니다.

When model providers eat everything: A survival guide for Service-as-Software startups - Foundation Capital

When model providers eat everything: A survival guide for Service-as-Software startups Foundation model…

Foundation CapitalJaya Gupta, Ashu Garg