Atlassian CEO: Enterprises Won''t Trust Chinese AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Atlassian CEO는 일부 기업 고객의 신뢰 우려로 중국 AI 모델을 프로덕션에서 사용하지 않으며, 특화 모델의 장기적 우위도 아직 입증되지 않았다고 본다.

📌 핵심 요점

1. 중국 모델에 대한 우려와 개방형 모델 수용은 별개다. Atlassian은 고객 우려를 고려해 중국 모델을 프로덕션에서 사용하지 않지만, Nvidia의 Nemotron과 Mistral 등은 활용한다. 모델 선택에는 성능·가격과 함께 신뢰와 지정학적 판단이 작용한다.
2. 특화 모델은 출시 당시의 우위보다 우위의 지속성을 증명해야 한다. 독점 데이터나 로보틱스·월드 모델처럼 특수한 용도에서는 타당성이 있을 수 있다. 그러나 범용 모델이 발전하면 초기의 가격 대비 성능 우위가 사라질 수 있으며, 기존 공개 가중치 모델의 미세조정과 처음부터 학습한 모델도 구분해야 한다.
3. 모델 라우팅과 비용 관리가 제품 경쟁력의 일부가 된다. Atlassian은 기능별로 답변 품질·가격·속도를 조정하고, 내부 라우팅과 AI 게이트웨이 팀으로 모델 선택을 처리한다. 다만 제품팀은 고객이 원하는 기능을 먼저 검증하고, 채택과 사용 규모가 커지면 비용을 본격적으로 줄인다는 순서를 제시한다.
4. 에이전트 연결만으로 협업 제품의 가치를 지킬 수는 없다. MCP·CLI로 데이터 접근을 열면서도 전문 인터페이스와 사용자 경험을 개선해야 한다. 사람의 위임, 콘텐츠의 출처와 책임, 자동화 과정의 예외 알림과 개입 방법을 이해하기 쉽게 설계하는 일이 중요하다.
5. Teamwork Graph의 핵심은 고객 맥락의 연결과 최신성이다. 문서·회의·코드·프로젝트·사람의 관계를 연결하고, 질문 전에 정보를 처리해 응답을 뒷받침한다. 현재의 조직 사실은 갱신하면서 과거의 학습과 기억은 축적하는 방식이 목표다.

🧩 배경과 문제 정의

• 에이전트가 데이터를 직접 조회하고 업무를 수행하면, 기존 기업용 소프트웨어의 가치가 데이터 제공으로 좁아질 수 있다는 문제가 제기된다. 핵심은 업무 실행, 협업 경험, 고객 접점에서 어떤 가치가 남는가다.
• AI 시대의 협업 소프트웨어는 사람과 에이전트의 역할, 콘텐츠의 출처와 책임, 자동화 과정에 개입하는 방법을 새롭게 설계해야 한다.
• 기업의 모델 선택에는 성능과 비용뿐 아니라 고객 신뢰와 지정학적 우려가 작용한다. 특화 모델의 장기적 우위와 모델 라우팅의 전략적 가치도 아직 확정되지 않은 쟁점이다.

🕒 시간순 섹션별 상세정리

1. 에이전트의 대체 범위는 업무의 성격에 따라 달라진다

• 결과만 얻으면 되는 기능적 업무와 취향·상호작용·협업이 중요한 업무는 구분해야 한다. 충전 케이블 구매처럼 과정을 생략하고 싶은 일도 있지만, 직접 조사하거나 경험을 즐기려는 구매도 있어 모든 업무에 같은 대체 논리를 적용하기 어렵다 [02:00]
• 기업 협업과 업무 흐름에서는 에이전트가 일을 진전시켜 사람이 더 가치 있고 창의적인 부분에 집중하도록 도울 수 있다. 일자리는 달라지겠지만 반드시 부정적인 변화는 아니며, Atlassian에도 기회라는 판단이다. 다만 기업용 소프트웨어에서 이를 구현할 경험 설계는 아직 정착되지 않았다 [02:56]

2. 사용자 경험을 포기하는 전략과 에이전트 연결은 별개다

• 고객 문제를 해결하는 인터페이스와 경험의 발전을 포기하는 것은 잘못된 전략이라는 입장이다. 고객 경험에서 중요한 역할을 계속 수행하지 못하면 제품의 경쟁력이 위태로워진다 [03:56]
• MCP와 CLI를 통한 연결은 적극적으로 활용한다. 에이전트가 플랫폼과 팀워크 그래프에 데이터를 읽고 쓰게 하면 맥락 그래프의 가치를 드러낼 수 있지만, 고객 문제를 더 잘 해결하는 인터페이스 설계도 함께 발전해야 한다 [04:15]

3. 기술 생산이 쉬워질수록 디자인과 경험이 차별화 요소가 된다

• AI 시대에는 디자인과 경험의 중요성이 더 커진다는 판단에 따라 Atlassian은 해당 영역에 투자를 확대하고 있다. 기술을 저렴하고 풍부하게 만들 수 있을수록 제품과 서비스를 구별하는 경험의 가치가 커진다 [05:02]
• 지금 다른 앱의 90%보다 나은 앱도 5년 뒤에는 20%보다 나은 수준에 그칠 수 있다는 예시는 사용자 기대 수준의 상승을 강조한다. 경험을 지속적으로 개선하려면 상당한 연구개발과 세밀한 설계 작업이 필요하다 [05:28]

4. 수평·수직 에이전트와 전문 인터페이스는 공존할 수 있다

• 여러 업무를 넓게 처리하는 수평 에이전트, 특정 업무를 깊이 수행하는 수직 에이전트, 기존 인터페이스는 동시에 존재할 수 있다. 외부 에이전트가 Atlassian 데이터를 활용한다고 해서 모든 업무에 가장 좋은 인터페이스가 되는 것은 아니다 [06:39]
• Confluence에서 문서의 숫자를 선택해 Databricks나 Snowflake로 확인하고 작은 차트를 받는 기능은 유용하지만, 전문적인 BI 작업을 모두 대체하지는 않는다. 빠른 조회와 특정 분야에서 지속적으로 작업하는 경험은 요구가 다르다 [07:20]

5. 기업 맥락 그래프와 에이전트 협업 설계가 전략적 과제다

• 주요 전략 과제에는 기업 맥락 그래프의 경쟁력을 유지하는 일과 에이전트 시대에 맞게 디자인·경험을 발전시키는 일이 포함된다. 모바일 시대 이후 다시 근본적인 설계 패러다임을 고민해야 하는 상황이라는 평가다 [08:46]
• 협업 플랫폼에서 에이전트를 어떻게 표시하고 상호작용할지, 사람이 위임한 행동과 AI가 관여한 콘텐츠를 어떻게 설명할지가 중요하다. 출처와 책임을 이해할 수 있어야 하지만, 모든 에이전트 실행 기록을 항상 노출할 필요는 없다 [09:26]

6. 빈 입력창은 AI의 기능을 충분히 전달하지 못한다

• 강력한 기능을 가진 AI에 빈 한 줄 입력창만 제공하면 사용자는 무엇을 할 수 있는지 알기 어렵다. 실제로 많은 사용자가 이를 검색창처럼 사용한다는 관찰이 문제의 출발점이다 [10:22]
• 필요한 순간에 적절한 기능을 드러내는 인터페이스가 필요하다. 상황에 따라 기능 구성이 달라지는 도구 모음처럼, 에이전트의 능력을 이해하고 활용하도록 돕는 설계는 아직 해결 중인 과제다 [10:55]

7. 콘텐츠 출처는 AI 사용 여부보다 사람의 기여와 위임 관계가 중요하다

• Codex가 풀 리퀘스트를 만들었을 때 사람의 작업인지, 에이전트의 작업인지, 사람을 대신한 작업인지 구분해야 한다. 사람의 관여 정도에 따라 콘텐츠의 성격이 달라지며, 사람의 댓글과 에이전트의 댓글을 각각 보고 싶은 요구에도 타당한 이유가 있다 [11:16]
• AI에게 에이전트 설계에 관한 3,000단어 글을 전부 쓰게 하는 경우와 사람이 쓴 글을 다듬게 하는 경우는 다르다. 동일한 워터마크만으로는 이런 차이를 설명하기 어렵고, AI가 관여했다는 사실 자체를 낮은 품질의 신호로 볼 수도 없다 [12:15]

8. 자동화가 늘어나면 개별 작업보다 과정 운영과 예외 개입이 중요해진다

• 기업은 계속 개선되는 여러 업무 과정의 집합이다. 자동화된 과정 안에서 개별 결과물을 처리하는 일뿐 아니라, 그 과정 자체를 개선하고 운영하는 일이 중요해진다 [12:45]
• ‘소프트웨어 공장’이라는 비유는 과정 운영의 중요성을 보여주지만, 기계적으로 경계가 정해진 공장과 창의적인 소프트웨어 작업은 차이가 있다. 자동화 이후에도 사람은 작업을 시작하고 예외를 처리하며 방향을 조정하고 공동으로 만들어야 한다 [13:07]

9. AI 관여 여부보다 결과의 품질을 중시하게 될 가능성이 있다

• 진행자는 5년 뒤 콘텐츠의 90%가 AI로 만들어져 오히려 사람이 만든 콘텐츠에 워터마크를 붙일 수 있다는 전망을 제시한다. 이는 미래에 대한 가정이며 확정된 변화는 아니다 [14:14]
• 캐넌브룩스는 반대로 AI가 전혀 관여하지 않은 콘텐츠를 구별하기 어려워지고, AI 사용 여부에 좋고 나쁨을 부여하지 않게 될 가능성을 제시한다. 영화의 색 보정이나 CGI보다 이야기의 품질을 중시하듯 결과 자체를 평가할 수 있다는 관점이다 [15:39]

10. 일부 고객의 중국 모델 거부와 개방형 모델 수용은 구분된다

• 일부 고객은 중국 모델에 반감을 보이지만 개방형 모델 자체에 대한 반감은 없다는 설명이다. Atlassian은 Nvidia와의 협력 아래 Nemotron을 활용하고 Mistral 등도 사용하며, 업무와 가격에 맞는 모델 조합으로 고객이 원하는 결과를 얻는 데 초점을 둔다 [17:44]
• 고객 우려를 고려해 중국 모델을 프로덕션에서 사용하지 않는다는 입장이다. 동시에 미국 모델도 중국 모델을 학습에 활용하는 경우가 늘고 있다는 설명을 통해 모델의 출처가 단순하지 않음을 지적하며, 이런 구분이 장기적으로 사라질지는 지켜봐야 한다고 본다 [18:20]

11. 지정학적 통제와 공개 기술의 선택에는 서로 다른 판단 기준이 있다

• AI에 대한 전략적 통제권이라는 지정학적 문제와 중국에서 또는 중국인이 학습한 모델을 사용할지는 구분해야 한다는 입장이다. 진행자는 모델 개발자와 가족의 이동에 대한 정부 통제를 근거로 두 문제가 연결된다고 반론한다 [19:27]
• 기술적 관점에서는 내용을 알 수 있는 공개 기술이 더 저렴하고 더 나은 결과를 제공할 때 이를 계속 거부하기 어려울 수 있다는 판단이다. 사용하지 않을 선택은 존중하되, 기업의 장기적인 비용·성과 판단에는 부담이 될 수 있다고 본다 [20:13]

12. 특화 모델의 초기 이점이 장기적 우위를 보장하지는 않는다

• 특화 모델의 효용은 아직 결론이 나지 않았다. 독점 데이터가 많거나 로보틱스·월드 모델처럼 용도가 매우 특수한 경우에는 타당성이 있지만, 특화 모델을 만드는 다수의 기업이 그런 조건에 해당하는지는 회의적이다 [21:50]
• 특정 용도에서 출시 당시 가격 대비 성능이 좋을 수는 있다. 다만 범용 모델이 계속 발전하면 그 우위가 유지될지는 불확실하다 [22:24]

13. 특화 모델은 최신 기반 모델보다 우위를 지속해서 입증해야 한다

• 특화 모델이 최신 기반 모델보다 전력·비용 대비 성과에서 지속적으로 더 큰 개선을 보인다면 회의적인 판단을 수정할 수 있다. 비교 결과는 적용 업무, 응답 시간, 비용, 평가 시점에 따라 달라진다 [23:48]
• 에이전트 하네스는 프롬프트와 설정을 반복 적용해 같은 모델에서 더 많은 가치를 얻는 방식이다. 하네스 설계는 중요하지만 모델 자체의 발전과는 구분해야 한다 [24:26]

14. 기업의 AI 비용 관리가 제품 경쟁력으로 이어진다

• 풍부한 투자금으로 비용을 무시하는 방식은 장기적인 비용 관리 역량을 기르기 어렵다. 진행자는 항상 최첨단 모델을 사용하는 경쟁사의 제품이 2~3% 더 좋을 가능성을 제기하지만, 그런 지출을 계속 뒷받침할 자금 조달이 유지될지는 불확실하다 [26:19]
• 비싼 모델로 빠르게 좋은 결과를 얻는 것보다 저렴하거나 오래된 모델을 업무에 잘 적용하는 능력이 경쟁력이 될 수 있다. 대기업 고객은 가격 대비 성능을 중시하며, DX 등을 통해 토큰 지출과 모델별 활용·가치를 확인하고 지출을 최적화하려는 수요가 커지고 있다 [26:46]

15. 모델 라우팅과 조합이 더 작은 기능까지 AI 적용을 넓힌다

• 업무에 맞는 모델을 선택하고 여러 모델을 조합하며, 적절한 하네스가 선택을 조정하도록 하는 방식이 비용 최적화의 수단이다. 이런 적용 능력이 좋아질수록 더 작은 기능 단위에도 AI를 사용할 수 있다 [28:40]
• 이른바 의사결정 모델은 이전에는 GPT-3나 GPT-4 수준의 모델을 쓰기에도 비용이 너무 높았던 작업에 활용된다. 더 많은 기능에 확률적 판단을 적용할 수 있어 제품이 개선될 것이라는 전망이다 [29:01]

16. 모델 라우팅은 기업 규모와 사용 맥락에 따라 달라진다

• 대형 기술기업은 규모 문제 때문에 내부 라우팅을 구축할 가능성이 크며, 외부 라우터와 내부 라우터를 여러 층으로 결합할 수도 있다. 기술이 전문 분야가 아닌 기업이나 소규모 기업에는 외부 라우터·게이트웨이가 실용적인 선택이다 [30:24]
• 범용 LLM 호출을 자동으로 라우팅하기는 어렵고, 충분한 방향과 의도를 제공해야 한다. 하네스는 자체 라우팅을 수행하며, Atlassian의 Rovo와 AI 기능을 사용하는 고객에게는 플랫폼이 모델 선택을 자동으로 처리한다 [30:58]

17. 비용 최적화보다 고객이 원하는 기능을 먼저 검증한다

• 제품팀은 단기 비용을 지나치게 최적화하기보다 고객이 매력적으로 느낄 기능을 먼저 만들어야 한다. 고객이 실제로 채택하고 사용 규모가 커지면 본격적으로 비용을 줄인다 [31:55]
• 비용을 낮출 가능성은 미리 검토하되, 이용자가 5명인 기능과 500만 명인 기능에는 다른 기준을 적용한다. 사용 규모가 커지는 중간 단계에서 최적화할 시간이 있다고 본다 [32:10]

18. 추론 단가는 크게 하락하겠지만 사용량에는 경제적 한계가 있다

• 추론의 전력 대비 성능을 개선하는 데 막대한 자본과 인재가 투입되고 있다. 새 칩, 데이터센터 설계, 모델 증류 등의 개선이 수년에 걸쳐 반영되면서 LLM의 단위 성능당 비용이 급격히 낮아질 것으로 예상한다 [33:10]
• 진행자는 비용 하락이 더 많은 추론 사용으로 이어질 수 있다고 반론한다. CEO도 거의 무료인 영역에서는 사용량이 폭증할 수 있다고 인정하지만, 사용량 증가와 단가 하락은 함께 일어날 수 있다고 본다 [33:46]

19. 경쟁력의 중심이 정보 보유에서 상상력으로 이동한다

• 모델을 코딩·설계·업무 개선·예술 창작에 활용하는 사람에게 추론 기술 발전은 더 높은 가치의 기술과 더 나은 제품·서비스를 제공할 것으로 기대한다 [35:04]
• ‘정보 비대칭’에서 ‘상상력 비대칭’으로의 이동은 남보다 더 많이 아는 것보다 AI를 문제에 독창적으로 적용하는 능력이 중요해진다는 뜻이다. 사업을 근본 원리부터 다시 생각하는 사람에게는 큰 기회지만, 변화가 두렵게 느껴질 수도 있다 [35:57]

20. 에이전트 시대에는 바쁨보다 깊이 생각할 시간을 확보해야 한다

• 새로운 도구를 접하고 실험할 시간조차 부족한 상황에서 가장 필요한 것은 길고 깊게 생각할 여유다. 콘텐츠와 업무가 잘게 쪼개지고, 에이전트를 계속 실행하는 방식은 한발 물러서서 변화의 의미를 판단하기 어렵게 만든다 [37:28]
• 일별 변화보다 연도별 변화를 파악하기가 더 어렵고 깊은 사고가 필요하다. 최근 두세 달 동안 주당 몇 시간이라도 확보하려 했으며, 에이전트가 계속 주의를 요구하는 환경에서는 이런 시간을 의도적으로 만들어야 한다 [38:14]

21. Teamwork Graph는 기업 지식을 미리 연결하고 추론하는 기반이다

• 조직의 사실과 수치는 데이터베이스뿐 아니라 PowerPoint 같은 문서에도 저장된다. 의사결정·프로젝트·문서·조직의 역사에 사람들의 관계, 코드, 기술 서비스를 결합해야 더 나은 답변과 학습을 제공할 수 있다 [40:10]
• Teamwork Graph는 에이전트가 질문하기 전에 정보를 연결하고 추론하는 역할을 지향한다. Google이 웹을 미리 크롤링하고 색인을 만드는 것처럼, 기업마다 다른 정보에 맞춘 사전 처리가 저렴하고 확장 가능한 응답을 뒷받침한다 [40:44]

22. 기업 데이터의 가치는 현재성과 과거 학습을 함께 유지하는 데 있다

• 스피릿항공의 이메일 100만 건과 기타 기업 데이터가 3,000만 달러에 거래된 사례가 있지만, 이런 거래가 추세가 될지는 불확실하다. 기업 내부에서는 누가 어떤 프로젝트에서 함께 일하는지가 계속 바뀌므로 조직 그래프를 최신 상태로 유지하는 일이 중요하다 [41:45]
• 2003년에 작성한 Java 코드 자체는 2026년의 Atlassian에 거의 쓸모가 없지만, 과거 프로그래머였다는 사실은 설명 방식을 조정하는 데 도움이 될 수 있다. 조직 그래프는 사실은 최신으로, 학습과 기억은 역사적으로 축적해야 한다 [42:50]

23. Atlassian의 역할은 데이터를 소유하기보다 고객의 맥락을 연결하는 것이다

• 데이터를 확보하기 위한 기업 인수는 Atlassian에 특별히 중요하지 않다. 연결해야 할 맥락은 Atlassian 자체의 것이 아니라 고객이 지식·업무·커뮤니케이션을 통해 축적한 맥락이다 [44:03]
• 고객의 정보를 그래프로 연결하고 그 위에 어휘·의미 기반 검색을 구축하며, MCP와 CLI를 통해 에이전트가 접근할 수 있게 한다. 금융·제조·의료 기업마다 다른 고유 데이터도 문서·회의·코드와 결합해 정보와 학습을 검색할 수 있는 색인을 만드는 것이 핵심이다 [44:47]

24. AI 기업과의 경쟁에서도 제품 경험과 업무 통합이 차별점이다

• Anthropic과 OpenAI는 중요한 파트너이면서 애플리케이션 사업에도 진입하고 있다. 컴퓨팅 서비스와 애플리케이션의 경계가 어디에 형성될지는 치열한 경쟁 속에서 달라질 수 있으며, 아직 답을 알 수 없다고 본다 [45:41]
• Confluence는 몇 분기 전 공개한 ARR이 15억을 넘고 연 성장률도 25%를 크게 웃도는 사업이다. 텍스트를 작성하는 도구가 이미 많다는 점에서, 콘텐츠 작성 기능만으로 이런 성과를 설명하기는 어렵다 [46:24]

25. 디자인 경쟁력은 장기간의 지속적인 개선으로 판단해야 한다

• Linear가 Jira보다 디자인의 완성도를 더 강하게 전달한다는 비교를 CEO는 불공정하다고 본다. 좋은 디자인의 기준은 10년 전과 지금이 다르고 앞으로도 바뀌므로, 소프트웨어 경험 전반을 해마다 개선하는 능력이 중요하다 [47:57]
• Jira와 Teamwork Collection의 최근 성장에는 디자인 경험 개선이 상당 부분 기여했다는 설명이다. 근본적인 디자인 변화와 속도·성능·효과성을 높이면서, 고객이 경험하는 소프트웨어 전체의 품질을 장기적으로 개선하는 데 집중한다 [48:46]

26. 창업을 지속하는 힘은 제품과 사람에게서 얻는 에너지다

• CEO는 뛰어난 경영진과 1만 명의 동료들과 어려운 문제를 푸는 일을 즐긴다. 공동창업자 Scott과도 적어도 매달 만나 Atlassian·소프트웨어·AI를 이야기하며 관계를 유지한다 [50:24]
• 창업자는 다른 사람의 생계, 다음 투자 유치, 매출과 이익, 자신의 평판을 함께 책임져야 하므로 큰 정신적 부담을 겪는다. 성공과 실패에 관계없이 어려운 도전을 감수한다는 점을 인정해야 한다 [51:49]

27. 기술 유행과 풍부한 자본만으로는 장기적인 동기를 만들 수 없다

• 새로운 기술 유행은 자본과 사람을 끌어들이지만, 유행이 지나간 뒤에도 사업은 의미를 가질 수 있다. 모바일 산업에서도 오래 살아남은 사람들은 해당 분야에 지속적으로 집중한 경우가 많다는 관찰이다 [53:16]
• 진행자는 프리시드로 1,500만 달러를 조달하고 사람을 고용한 뒤 빠르게 사업에서 빠져나오는 행태가 너무 쉬워졌으며, 벤처투자자에게도 책임이 있다고 비판한다 [53:44]

28. 부는 개인적 혜택과 사회적 책임을 함께 가져온다

• 부는 좋은 것이면서 큰 부담이기도 하다. 잠시 맡아 보유하는 자산이라는 관점에서, 개인에게 이익이 되는 일뿐 아니라 사회에 이익이 되는 일에 사용할 책임이 있다고 본다 [54:58]

29. 자녀에게는 겸손과 감사, 실제 행동으로 본보기를 보여야 한다

• 부유한 환경에서 자녀를 잘 키울 확실한 답은 없으며, 자신의 결과도 20년 뒤에야 판단할 수 있다고 본다. 부모가 호기심·겸손·감사를 보여주는 것이 자녀가 자신의 환경을 이해할 가능성을 높일 수 있다는 조심스러운 입장이다 [55:54]
• 진행자는 아이들이 어른의 행동을 보고 따라 하므로, 성실함과 친절을 원한다면 일상에서 직접 보여줘야 한다고 제안한다. CEO도 부모가 사람을 대하는 태도를 아이들이 모방한다는 점에 동의한다 [56:40]

30. 높은 기준이 자기 자신을 과도하게 몰아붙이지 않도록 해야 한다

• ‘자기 자신과 평화를 이루라’는 조언은 최선을 다하고 필요한 일을 했다면 성공 여부와 별개로 자신을 지나치게 비난하지 말라는 뜻이다. 특히 기술업계의 높은 자기 기준은 또 다른 스트레스가 될 수 있다 [57:22]

31. 더 빠르게 발전하려면 느린 사고의 순간을 만들어야 한다

• 기술 변화가 빨라질수록 느리게 생각하고 잠시 속도를 늦추는 능력을 길러야 한다. 지금도 알림과 소셜미디어의 방해를 감당하기 어렵다면, 더 빨라지는 기술 환경에서는 문제가 커질 수 있다고 본다 [57:55]
• 화면 속 정보에만 몰두하지 않고 실제 세계를 인식하며 깊이 생각할 시간이 필요하다. 모든 것이 더 잘게 쪼개지고 빨라지는 상황에서, 앞으로 나아가기 위해 속도를 늦추는 법을 배우는 것이 중요한 과제다 [58:19]

32. 즉각적인 대가 없이 돕는 태도가 관계의 가치를 만든다

• 진행자는 자신에게 즉각적이거나 명확한 이익이 없어도 다른 사람을 돕는 사람을 좋은 사람으로 정의하며, 도움과 관계에 감사를 표한다. CEO는 앞으로도 도움이 필요할 때 알려 달라는 뜻을 전해진다 [58:43]

🧾 결론

• 기업 AI의 모델 선택은 최고 성능 하나로 결정되지 않는다. 고객 신뢰, 업무 적합성, 비용, 속도를 함께 판단해야 한다는 입장이다.
• 특화 모델의 경쟁력은 독점 데이터가 계속 공급되는지, 최신 기반 모델보다 실제 업무에서 지속적으로 나은 결과를 내는지에 달려 있다.
• Atlassian이 강조하는 차별점은 고객 맥락을 연결하는 그래프, 업무 흐름과의 통합, 지속적인 디자인·경험 개선이다.
• 자동화가 늘어날수록 사람에게는 과정 운영과 예외 판단이 중요해진다. 도구를 계속 실행하는 시간과 별도로 변화의 의미를 깊이 생각할 여유도 필요하다.

📈 투자·시사 포인트

• 협업 소프트웨어의 경쟁력: 에이전트가 데이터에 접근하는 환경에서도 고객 접점과 업무 통합을 유지할 수 있는지 살펴볼 필요가 있다. 데이터 보유만으로 제품의 장기적 가치를 설명하기는 어렵다는 논지다.
• 특화 모델 기업의 검증 기준: 자체 모델이라는 표현보다 학습 방식, 독점 데이터의 지속적 공급, 최신 기반 모델 대비 비용·전력·응답 시간·성과를 확인해야 한다.
• AI 기능의 경제성: 모델별 사용량과 토큰 지출을 파악하고 기능별 비용을 낮추는 역량이 중요해질 수 있다. 초기 기능 채택과 대규모 사용 단계의 비용 관리도 구분해서 봐야 한다.
• 라우팅 사업의 전략적 가치: 대형 기술기업은 내부 구축을 택할 가능성이 크고, 소규모 기업이나 기술이 전문 분야가 아닌 기업에는 외부 라우터가 실용적일 수 있다. 전문 라우팅 업체의 지속적인 차별화 가능성은 열린 쟁점이다.
• 모델 출처와 고객 신뢰: 중국 모델에 대한 일부 고객의 거부는 개방형 모델 전체에 대한 거부를 뜻하지 않는다. 공개 기술의 검토 가능성과 지정학적 통제 문제를 각각 평가할 필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 제목의 기업 전반에 대한 표현과 달리, 본문은 일부 고객의 중국 모델 우려를 설명한다. 이를 모든 기업의 공통 입장이나 중국 모델의 기술적 위험이 입증됐다는 의미로 확대하면 안 된다.
• 특화 모델의 장기적 우위에 관한 발언은 회의적인 평가다. 업무·평가 시점·비용·응답 시간에 따른 구체적인 비교 결과가 제시되지 않아, 모든 특화 모델의 효용을 부정하는 근거로 삼기는 어렵다.
• 추론 단가의 급격한 하락과 사용량의 경제적 한계는 전망이다. 단가 하락과 사용량 증가가 함께 일어날 수 있으므로 총지출의 감소까지 확정할 수는 없다.
• 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

• 도입 후보 모델별로 고객의 출처 관련 우려, 업무 적합성, 가격, 답변 품질, 응답 시간을 함께 정리한다.
• 특화 모델을 평가할 때 미세조정과 처음부터의 학습을 구분하고, 동일 업무에서 최신 기반 모델과 비교한다.
• AI 기능별 채택과 사용 규모를 확인한 뒤, 모델별 활용·토큰 지출·제공 가치를 점검해 비용 최적화 대상을 정한다.
• 협업 화면에서 사람과 에이전트의 기여, 위임 관계, 예외 알림, 세부 실행 내용에 접근하는 방법이 명확한지 점검한다.

❓ 열린 질문

• 중국 모델에 대한 고객의 신뢰 우려는 공개 기술의 검토 가능성과 비용·성과 개선을 통해 얼마나 달라질 수 있을까?
• 어떤 독점 데이터와 특수 업무가 범용 모델의 발전에도 특화 모델의 우위를 유지하게 할까?
• 전문 라우팅 업체는 기업 내부 라우팅과 에이전트 하네스가 발전하는 환경에서 어떤 지속적인 가치를 제공할까?