🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Why AI is going vertical (again)를 중심으로, Anthropic의 사례에서 수직화는 범용 모델을 특정 산업에 포장하는 데 그치지 않고, 연구·모델 훈련·평가·제품 인터페이스·사를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. Anthropic의 사례에서 수직화는 범용 모델을 특정 산업에 포장하는 데 그치지 않고, 연구·모델 훈련·평가·제품 인터페이스·사용자 피드백을 하나의 루프로 연결하는 것을 뜻한다.
2. 장문 코드 생성에 맞춘 Opus 3의 학습과 Opus 4.5·Claude Code의 결합은 모델 능력과 제품 경험이 서로의 효용과 채택을 증폭할 수 있음을 보여준다.
3. 모델의 전반적 성능은 연속적으로 개선되더라도 개별 능력은 갑자기 출현하므로, 고정된 로드맵보다 평가·안전 테스트·프로토타입에 따라 투자를 바꾸는 운영 방식이 필요하다.
4. AI 제품에서는 모호한 사용자 불만을 실패 궤적과 평가셋으로 변환해야 하며, 이 때문에 평가셋은 연구와 제품을 잇는 새로운 PRD 역할을 맡는다.
5. 작은 제로투원 팀, 공개적인 집단 실험, 직접 출시 경험이 제품 발견 속도를 높이지만, 최종 문제 선택과 검증에는 인간의 판단력·끈기·책임이 계속 필요하다.

🧩 배경과 문제 정의

2023년 Anthropic은 OpenAI가 앞선 상황에서 소수의 제품 인력으로 Claude만의 정체성을 찾아야 했다. 모델 성능을 연구 성과에 머물게 하지 않고 사용자가 체감하는 경험으로 연결해야 했으며, 코딩이 자동완성에서 장문 생성과 에이전트 실행으로 확장되자 모델 학습과 제품 설계를 함께 최적화할 필요가 커졌다. 동시에 지수적으로 개선되는 미래 모델이 사용자 행동을 어떻게 바꿀지 예상해 현재의 제품 방향을 정해야 했다.

🕒 시간순 섹션별 상세정리

1. Anthropic의 전환을 만든 세 가지 축

• 코딩 도구로 거의 인식되지 않던 Claude는 장문 코드 생성에 맞춘 Opus 3의 학습과 Opus 4.5·Claude Code의 결합을 통해 모델 능력, 제품 경험, 채택이 서로를 강화하는 전환점을 만들었다. [00:31]

2. 작은 조직이 탐색한 제품 정체성

• 제품 엔지니어 5명과 API 엔지니어 1명 규모의 조직은 미션과 문화에 대한 결속을 바탕으로 채팅에서 도구 사용까지 범위를 넓히며 기술을 사용자 가치로 바꿀 정체성을 탐색했다. [04:24]

3. 골든게이트 Claude와 상향식 실행 문화

• 해석가능성 연구에서 나온 골든게이트 브리지 집착형 모델을 여러 팀이 24시간 안에 Claude.ai 경험으로 구현했고, 약 2,000명의 이용 규모와 무관하게 상향식 제품화 가능성을 확인했다. [07:25]

4. Opus 3가 만든 프런티어 역량과 조직 신뢰

• 200명 미만 조직의 공동 목표였던 Opus 3를 위해 추론·파인튜닝·사전학습 팀이 모델 행동과 학습 목표를 함께 조정하면서 제품과 연구 사이의 장기적인 신뢰를 형성했다. [10:41]

5. 장문 코드 생성이 만든 초기 차별화

• 자동완성에서 장문 코드 작성으로 이동한 사용자 행동을 Opus 3 학습에 반영한 비교적 작은 변경은 당시 어렵다고 여겨진 가치를 제공하며 초기 Claude 개발자층을 끌어들였다. [11:48]

6. Opus 4.5와 Claude Code의 상호 증폭

• Opus 4.5의 향상된 지능은 Claude Code를 통해 처음부터 끝까지 수행하는 에이전트 실행으로 전달됐고, 모델과 제품은 서로의 효용과 채택을 가속하며 지수적 개선에 대비해야 할 과제를 남겼다. [14:56]

7. 예측 불가능한 모델 도약에 맞춘 제품 운영

• 새 능력의 출현 시점을 정확히 알 수 없기 때문에 기존 계획을 고수하기보다 평가·안전 테스트·프로토타입의 정보로 사용자 가치와 투자를 다시 판단하고 필요한 기능을 앞당겨야 한다. [16:08]

8. 연속적 성능 향상과 불연속적 능력 출현

• 스케일링에 따라 전반적인 손실과 지능은 매끄럽게 개선되지만 개별 능력은 갑자기 출현할 수 있으므로, 능력과 위험을 놓치지 않는 평가 체계가 제품 발굴과 안전 관리 모두에 필요하다. [19:03]

9. 토큰 소비보다 중요한 실험 밀도

• 기존 모델에도 제품·사용자 오버행이 남아 있으므로 토큰 지출 자체보다 새로운 사용법과 제품 아이디어를 얼마나 빠르게 검증했는지를 측정하고, 전략 담당자도 연구 모델을 직접 오래 사용해야 한다. [21:01]

10. 공개 실험이 만드는 집단적 사용법 발견

• 초기 Anthropic의 전사 Slack 실험에서는 한 사람의 아이디어를 동료들이 변형해 약 10회의 요청만으로 새 사용 사례를 만들기도 했으며, 구체적인 사용자 고통과 일반 능력을 연결하는 집단적 반복의 효과를 보여줬다. [23:13]

11. Labs의 비연속적 대형 베팅

• Labs는 Claude Code·Skills·Claude Design MCP처럼 핵심 로드맵 밖에서 10배 이상 확장될 실마리를 찾고, 문제 영역에는 확신을 유지하되 실패한 프로토타입도 미래 모델에서 재시험할 학습 자산으로 남긴다. [24:51]

12. 작은 팀과 제로투원 인재가 만드는 실행력

• 때로 엔지니어 한 명으로 출발하는 작은 팟은 조율 비용을 줄이며 제로투원 실험을 주도하고, 가능성이 낮아지면 큰 노력을 들인 프로젝트도 중단한 뒤 미래의 재도전을 감수한다. [27:01]

13. 연구 조직의 장기 비전과 사용자 피드백 루프

• 연구팀은 컴퓨터를 사용하는 AI 같은 장기 방향과 현재 배포된 Claude의 개선을 동시에 추구하며, 제품팀은 비전·코딩·에이전트·도구 사용의 사용자 피드백을 연구자가 활용할 수준으로 구체화한다. [29:55]

14. 모호한 사용자 피드백을 연구 과제로 변환하기

• 환각이라는 표현만으로는 원인을 고칠 수 없으므로 전체 응답 궤적을 분석해 도구 사용·검색·지식 종합·정렬 실패로 분류하고, 규모와 우선순위를 평가셋으로 측정해야 한다. [31:11]

15. 뛰어난 AI 연구자를 만드는 사고방식

• 강한 연구자는 제1원칙과 대담한 장기 비전을 갖는 동시에 훈련 실행·평가 결과·기반 데이터를 직접 살피며, 높은 목표를 겨냥하는 과정에서 연구적 안목과 영향 범위를 넓힌다. [33:20]

16. 야심을 미래 호환적 제품 설계로 구체화하기

• 문제 영역에는 끈질기게 집중하되 접근법은 유연하게 유지하고, Claude 8이 바꿀 사용자 행동을 먼저 가정해 다음 세대 모델과 호환되는 현재의 구조와 우선순위를 선택해야 한다. [34:50]

17. 프런티어 모델의 안전성과 접근성 균형

• 모델 능력과 함께 안전장치·레드팀·출시 전 검증을 발전시키고, 접근 제한 시에는 대체 시스템으로 유용성을 보존하면서 일부 연구소에만 생길 수 있는 구조적 격차도 줄여야 한다. [37:59]

18. AI 시대에도 유지되는 PM 채용 기준

• PM 채용에서는 특정 AI 도구 숙련도보다 3년간 유지된 사고 역량과 문제 해결 특성을 중시하며, 과거 제품 공식을 복제하지 않고 현재 기술과 사용자에게서 가치를 도출하는 제1원칙 사고를 평가한다. [40:27]

19. PRD를 대체하는 평가셋 중심의 업무 방식

• 제품 전략과 사용자 가치라는 PM의 목적은 유지되지만 연구 PM은 피드백을 평가셋으로 변환하며, 팀은 이를 평가셋이 새로운 PRD라는 원칙으로 다루고 목표에 필요한 산출물부터 결정한다. [41:57]

20. 픽셀에서 토큰과 실패 궤적으로 확장된 사용자 조사

• AI 제품의 사용자 조사는 화면과 픽셀뿐 아니라 모델이 거친 토큰·판단·대화 궤적까지 읽어야 하며, 이를 통해 단순 환각과 과도한 확신을 구분하고 측정 가능한 고충을 정의한다. [42:58]

21. 분포를 반영한 평가셋과 스키마 준수 사례

• 평가셋은 실패와 정상 사례의 경계를 모두 반영해야 하며, 문서 검색·정보 종합과 함께 초기 Claude가 취약했던 JSON 스키마 준수도 API·도구 호출 에이전트의 필수 능력으로 측정해야 한다. [44:48]

22. 모호한 불만을 재현 가능한 평가로 전환하기

• 초기 지시 이행 실패의 약 80%를 차지한 JSON 문제를 30~40개의 프롬프트·정답 쌍으로 평가한 결과, 새 Claude 버전에서는 해당 항목이 99.9~100%에 도달해 반복적인 불편이 사실상 해소됐다. [46:17]

23. 평가와 PRD가 맡는 서로 다른 역할

• 확률적으로 동작하는 모델·하네스·사용자 맥락에는 폭넓은 품질 평가가 필요하지만, 모델별 PRD는 여러 조직이 목표를 공유하고 컴퓨터 사용처럼 미성숙한 기술의 초기 사용자와 경험을 정의하는 역할을 유지한다. [49:16]

24. AI 제품 리더에게 필요한 직접 출시 경험

• 중견 PM과 관리자도 실험에 머물지 않고 토큰 단위 동작까지 다루며 제품을 출시하고, 사용자 피드백과 고객 대화를 직접 경험하며 모델 출시마다 일부 작업 흐름을 맡아야 한다. [52:14]

25. AI 제품 감각을 만드는 즐거운 실전 경험

• AI를 즐기는 사람은 탐색에서 끝나지 않고 처음부터 끝까지 만들고 출시해 피드백을 받으며, 실제 구현에서 드러나는 컴퓨터 사용의 제약과 UX 문제를 통해 제품 감각을 축적한다. [53:19]

26. 혼자보다 함께할 때 커지는 실험의 즐거움

• 중요한 문제를 AI에 적극적인 동료와 함께 풀고 프로토타입을 공유하면 개인의 탐색 부담이 줄며, 다른 구성원이 미처 몰랐던 Claude의 가능성을 발견해 다시 실험하는 선순환이 생긴다. [55:02]

27. 많은 도구보다 한두 가지 문제에 깊이 집중하기

• 완벽한 아이디어나 모든 신제품을 좇기보다 해결하고 싶은 한두 가지 문제를 Claude Code로 깊이 구현해야 피상적인 시도를 벗어나 AI가 실제 생활을 개선하는 만족을 얻을 수 있다. [56:47]

28. 공개 실험을 제품 발견 과정으로 만들기

• AI 실험에 제품 우선순위처럼 시간과 에너지를 배분하고 상향식으로 공개하며, 완성도를 기다리지 않고 일찍 출시해 실제 사용 방식을 관찰한 뒤 제품 방향을 구체화해야 한다. [58:03]

29. 에이전트 위임과 관리 역량 보완

• 에이전트가 일정 시간 독립적으로 결과물을 만드는 환경에서 PM은 위임과 검토를 설계하고, AI는 중요한 대화의 세부 수준과 표현 선택지를 제시해 관리자의 코칭 준비를 돕는다. [59:50]

30. 개인화된 코칭으로 어려운 대화 준비하기

• 『크루셜 컨버세이션스』를 반영한 Claude 스킬은 어려운 동료 대화의 접근법과 대응을 개인 상황에 맞춰 제안하며, 그대로 따르지 않더라도 본질과 상대 반응을 점검하는 브레인스토밍 파트너가 된다. [1:00:53]

31. 사고 주도권을 지키는 선택적 위임

• 개인적 판단이 필요한 문제는 먼저 자신의 관점을 만든 뒤 Claude로 확장하고, 월간 비즈니스 리뷰 같은 표준 문서는 작성 작업을 위임하되 인간이 결정·검토·검증에 집중해야 한다. [1:02:21]

32. 무조건적인 동의보다 가치 있는 반론

• Claude와 이미 세운 관점을 겨루고 필요한 반론을 요구할 때 아이디어의 허점을 발견할 수 있으며, 높은 지능과 안전·정렬은 무조건 동의하지 않는 사고 파트너를 지향해야 한다. [1:04:49]

33. 올바른 행동을 선택하는 능동성

• AI는 가격 검토처럼 위임된 일을 수행하는 데서 나아가 결정 자체가 옳은지 판단하고 새 아이디어나 반론을 제시해야 하며, 협업 뒤에는 인간의 생각과 야심도 실질적으로 확장돼야 한다. [1:06:31]

34. AI 글쓰기에서 저자보다 중요한 책임 주체

• AI 글쓰기에서는 인간처럼 보이는 문체보다 아이디어의 주도권을 구분하는 일이 중요하고, 작성자가 Claude이더라도 인간 검증자와 최종 승인자가 신뢰와 책임의 기준점으로 남아야 한다. [1:08:34]

35. 들쭉날쭉한 모델 역량과 글쓰기 훈련

• 도구 호출과 에이전트성이 향상되자 글쓰기가 새로운 취약 영역으로 드러났고, 기술 도약에 따라 말투·성격·능동성·생산성의 우선순위가 이동하므로 별도의 훈련 투자가 필요하다. [1:10:53]

36. 인간에게 남는 판단력과 행동 특성

• 오랜 경험과 미묘한 맥락에서 나오는 판단력은 아직 AI가 대체하기 어렵고, 무엇을 만들지 고르는 제품 리더의 판단과 최선의 해결책을 추구하는 끈기·능동성이 지속적인 차이를 만든다. [1:12:55]

37. 분야 전문성과 다음 세대의 내적 기준

• AI 변화가 초기인 생물학·생명과학에서는 깊은 전문성과 AI의 결합 여지가 크며, 다음 세대에는 특정 도구보다 호기심·끈기·내적 판단과 자신의 입장을 형성하는 힘이 중요하다. [1:14:59]

38. 아이의 관점과 시행착오를 지키는 AI 교육

• 아이도 AI를 쓰기 전에 자기 관점을 세워야 하지만 적정 입문 시점은 불확실하며, 낮은 성능의 초기형·로컬 모델로 시행착오를 남기고 자율 탐색을 보존하는 방식이 한 대안으로 제시됐다. [1:16:11]

39. 빠른 모델 출시를 버티게 하는 상호 백업

• 모델 출시량과 중요한 판단이 급증하는 환경은 개인의 주인의식만으로 감당할 수 없으므로, 담당자가 아니어도 데모와 블로그를 돕고 휴가 중 우선순위를 대신 판단하는 팀의 상호 백업이 필요하다. [1:19:04]

40. 에이전트 시대에 더 중요해지는 인간 중심 문화

• 작은 팀과 에이전트 중심 업무가 고립을 키울 수 있는 만큼 인간 동료의 영감과 지원, 제1원칙과 기본 가정의 공유, 개인의 자아보다 팀의 사명과 성과를 우선하는 채용이 속도와 지속 가능성을 만든다. [1:21:30]

41. AI 시대에 더 커지는 제품관리자의 역할

• 구현 능력이 커질수록 무엇을 만들고 결과가 정확하며 가치 있는지를 판단하는 일이 더 어려워지므로, 호기심과 직접적인 사용자 이해를 바탕으로 문제를 실행 가능한 형태로 만드는 PM의 역할은 오히려 확대된다. [1:24:04]

42. 육아와 조직문화를 연결하는 두 권의 책

• 《How to Raise an Adult》는 미래의 자립적인 성인을 키우는 관점을, 《Incorruptible》은 좋은 조직의 지속 조건을 제시하며, 매출뿐 아니라 문화와 가치도 측정해야 행동 기준을 지킬 수 있다는 시사점을 준다. [1:25:48]

43. 휴식에서 찾은 콘텐츠와 협업 제품

• 휴가 중 본 《폴아웃》의 재치·유머·액션과 함께, Anthropic 내부의 클로드 태그는 AI를 기존 협업 흐름과 낯선 구성원이 모인 커뮤니티로 끌어들이는 제품 경험으로 소개됐다. [1:27:12]

44. 끝없는 성장과 변화에 대응하는 삶의 원칙

• 조부모와 보낸 어린 시절에서 이어진 아무리 멀리 가도 다음 단계가 있다는 원칙은, 지금이 앞으로 가장 평범한 시점일 수 있다는 태도와 함께 낯설고 격렬한 변화 속의 지속적인 학습을 요구한다. [1:28:55]

45. 고수익 채권 트레이딩에서 이어진 업무 감각

• JP모건 고수익 채권 트레이더로 일한 4년의 경험은 이후 업무에도 적용됐으며, 실제 트레이딩 플로어는 영화적 이미지와 달리 단말기 분석이 대부분이었지만 성별 구성은 남성 중심이었다. [1:29:58]

46. 차별화된 배경에서 얻은 아이디어 중심의 업무 원칙

• 연차와 배경보다 좋은 아이디어와 확신이 중요하다는 경험은 직급과 근속 기간에 관계없이 제안을 실행하도록 돕고, 후속 조치와 세부 작업까지 완수하는 책임을 중시하는 원칙으로 이어졌다. [1:30:50]

47. Claude 개선을 위한 피드백과 연구팀 채용

• 평가 버튼과 영업 채널의 피드백은 연구 모델의 선호도와 취약점 개선에 활용되며, Anthropic은 기술에 대한 호기심·제1원칙 사고·가정에 도전하는 실험적 인재를 모집한다는 안내와 팟캐스트 정보로 대화를 마쳤다. [1:33:36]

🧾 결론

• 프런티어 AI의 경쟁력은 모델 점수 하나보다 연구 성과를 사용자가 체감하는 작업 흐름으로 전환하는 전체 시스템에서 결정된다.
• 미래 모델이 바꿀 행동을 먼저 가정하되, 구체적인 구현은 새 능력과 사용자 피드백에 맞춰 유연하게 바꿔야 한다.
• 평가셋은 모델 결함을 재현하고 개선을 측정하는 동시에 제품팀과 연구팀이 같은 문제 정의를 공유하게 만드는 핵심 인터페이스다.
• 에이전트가 더 많은 실행을 맡을수록 인간에게는 무엇을 만들지 선택하고, 반론을 요구하며, 결과를 검증하고 승인하는 책임이 더 중요해진다.

📈 투자·시사 포인트

• 범용 모델 접근권만 보유한 제품보다 모델·하네스·평가·사용자 맥락을 긴밀하게 결합한 제품이 더 지속적인 차별화를 만들 가능성에 주목필요가 있다.
• 토큰 소비량보다 새로운 사용 사례의 검증 속도, 평가셋 개선, 반복 사용, 실제 작업 완료율처럼 실험의 학습 밀도를 보여주는 지표가 중요하다.
• 대규모 인력 투입보다 작은 팟의 빠른 프로토타이핑과 중단 가능한 비연속적 베팅이 초기 AI 제품 탐색에 적합할 수 있다.
• 안전성 검증, 대체 시스템, 접근성 확대를 제품 경험과 함께 설계하는 역량은 프런티어 모델의 장기 채택을 좌우하는 운영 기반이 될 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• Opus 3의 장문 코드 학습 변경이나 Opus 4.5·Claude Code의 상호 증폭이 채택에 미친 효과는 방향성으로 설명되지만, 기여도를 분리한 정량 자료는 제시되지 않는다.
• Anthropic의 조직문화와 프런티어 모델 개발 경험이 자원·시장 위치가 다른 AI 기업에도 같은 방식으로 적용되는지는 추가 검증이 필요하다.
• 지수적 성능 개선, 10배·100배·1,000배 기회, 제품 오버행 같은 표현은 전략적 개념이며 구체적인 발생 시점이나 성공 확률을 제공하지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 조직에서 가치가 큰 작업 흐름 한두 개를 선정하고 모델·도구·사용자 맥락을 포함한 처음부터 끝까지의 프로토타입을 직접 출시한다.
• 실제 실패 사례와 실패해서는 안 되는 정상 사례를 함께 수집해 재현 가능한 평가셋과 성공 기준을 만든다.
• 토큰 사용량 대신 검증한 가설 수, 발견한 사용 사례, 평가 개선, 사용자 피드백 반영 속도를 실험 지표로 관리한다.
• 새 모델 출시 때 평가·안전 테스트·프로토타입 결과에 따라 로드맵을 앞당기거나 중단할 수 있는 의사결정 절차를 정한다.

❓ 열린 질문

• 모델과 제품을 얼마나 수직적으로 통합해야 차별화가 생기며, 어느 지점부터 개방형 플랫폼의 확장성을 해치게 될까?
• 예측하기 어려운 능력 도약을 제품 기회와 안전 위험 양쪽에서 조기에 발견하려면 어떤 평가 포트폴리오가 필요한가?
• 에이전트에게 실행을 위임하면서도 인간의 고유한 관점·말투·판단력과 최종 책임을 지키는 경계는 어떻게 설계해야 하는가?