Box''s Aaron Levie: On Reinventing Yourself in the AI Age and Enterprise Diffusion

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Box의 아론 레비는 AI 시대의 재발명이 개인에게는 지속적인 학습과 직접 사용을, 기업에는 데이터·권한·업무를 연결해 AI를 현장에 확산시키는 실행력을 요구한다고 본다.

📌 핵심 요점

1. 개인의 변화는 정보 습관과 실사용에서 시작된다. 레비는 관련 계정으로 정보 피드를 구성하고 새로운 도구를 직접 써볼 것을 권한다. 자신도 여러 AI 시스템에 실제 업무 질문을 던지며 조사와 사업 판단에 활용한다.
2. 기업 AI의 병목은 모델 밖에도 있다. 분산된 데이터, 복잡한 접근 권한, 기존 시스템 통합, 사람의 검토와 조직 변화 관리가 도입 속도를 좌우한다. 레비는 이 간극을 해결하는 응용 소프트웨어와 현장 실행에 사업 기회가 있다고 본다.
3. Box는 파일 보관에서 문서 이해와 업무 자동화로 확장한다. 에이전트가 문서에 답하고 정보를 추출·구조화하며 업무 단계를 처리한다. 검색·권한·문서 선택 지식을 반영한 하네스와 업무별 평가가 핵심이며, 장시간 실행 에이전트는 다음 확장 방향이다.
4. 모델 선택은 업무별 정확도와 비용으로 검증해야 한다. Box는 문서 중심 평가와 내부 사용 평가를 병행하고 고객 데이터에 여러 모델을 시험한다. 레비는 고성능 모델과 저렴한 모델의 분업, 오픈웨이트 활용이 함께 확대될 수 있다고 전망한다.
5. 확산의 성과는 사용량보다 실제 업무 개선으로 판단한다. Box는 토큰 소비 자체보다 유용한 활용법의 공유와 고객 기능 제공을 중시한다. AI 문서에 대한 신뢰, 코드 리뷰, 보안·컴플라이언스 책임도 유지해야 하며, 제품 개발이 빨라질수록 기업 고객에게 도입시키는 능력이 중요해진다는 판단이다.

🧩 배경과 문제 정의

• 기업용 협업·콘텐츠 관리 플랫폼 Box는 클라우드에 저장된 비정형 데이터를 AI로 이해하고 업무에 활용하는 방향으로 사업을 확장하고 있다. 핵심 문제는 기업이 중요한 문서를 대량으로 보유하면서도 그 안의 정보를 충분히 파악하지 못한다는 점이다.
• 모델의 지능이 높아져도 실제 업무에는 데이터 연결, 권한 관리, 사람의 검토, 기존 시스템과의 통합이 필요하다. 이 간극을 메우는 응용 소프트웨어의 가치와 모델 제공업체의 사업 확장 범위가 주요 쟁점이다.
• AI 확산에는 기술 성능뿐 아니라 경제성과 신뢰도 영향을 미친다. 모델 간 비용 경쟁, AI가 작성한 결과물에 대한 거부감, 작성자의 이해도와 실행력을 판단하는 기준이 함께 바뀌고 있다.

🕒 시간순 섹션별 상세정리

1. AI 정보에 직접 연결되는 습관이 경력의 격차를 만든다

• 레비는 대학생에게 트위터에서 관련 계정을 팔로우하고 변화에 직접 연결될 것을 권한다. 정보 피드에 따라 남보다 1년 앞서거나 뒤처질 수 있다는 것이 그의 판단이다 [00:17]
• 우연히 전달받은 기사를 읽는 데 그치지 않고 새로운 도구를 직접 사용하며 변화를 따라가는 습관을 강조한다 [00:32]

2. 모델과 업무 사이의 간극이 응용 기업의 기회가 된다

• 오픈소스의 발전과 기업 업무의 복잡성은 이른바 ‘모델 래퍼’에도 사업 기회를 만든다. 모델 기능을 실제 업무에 연결하면서 데이터와 전문성이 축적되면, 응용 기업이 자체 모델까지 개발하는 선순환으로 이어질 수 있다 [02:12]
• 이 구조에서는 응용 서비스를 만드는 기업뿐 아니라 그 기업에 인프라를 제공하는 스타트업에도 기회가 생긴다 [03:25]

3. 초지능만으로는 기업 업무의 운영 문제를 해결할 수 없다

• 아무리 지능이 높은 모델도 외부 데이터 연결, 사람의 개입, 업무 중 대기, 프로세스 변경 관리, 오래된 시스템과의 통합을 필요로 한다. 이런 운영 과제를 모두 해결하는 일은 전통적인 연구 조직이 선호하는 역할과 거리가 있다 [04:44]
• 클라우드 인프라 위에서 Snowflake와 Databricks 같은 소프트웨어 기업이 성장했듯, AI도 금융·생명과학·의료·정부 업무에 적용하는 별도의 소프트웨어 시장을 만들 것이라는 전망이다 [05:37]

4. 기업별 도입 지원과 중립적인 모델 선택의 가치가 커진다

• 레비는 응용 계층에 낙관적이지만 자신의 사업상 이해관계가 편향을 만든다는 점도 인정한다. 법률회사·제약사·은행에는 여전히 핵심 기술을 각자의 업무와 기업 데이터에 연결하는 제품이 필요하다는 판단이다 [07:24]
• 범용 챗봇과 달리 업무용 에이전트는 적절한 시점의 알림, 특정 데이터 접근, 도메인 지식을 필요로 한다. 대형 연구소가 10만 명 규모의 조직까지 갖춘다고 가정하지 않는다면, 기업별 설치와 변화 관리를 지원하는 시장이 크게 형성될 것이라는 전망이다 [08:10]

5. 모델 제공업체의 가격 보조에는 수익성의 제약이 있다

• 모델 업체가 자사 제품에 더 저렴한 모델 가격을 적용할 수 있다는 반론에 대해, 레비는 상장 이후의 수익성 요구와 학습 비용 때문에 토큰 가격 보조가 일시적 현상에 그칠 것으로 본다. 이는 반독점 규제보다 매출총이익의 문제라는 입장이다 [09:58]
• 진행자는 높은 추론 매출총이익을 바탕으로 외부 API에는 높은 가격을, 자체 제품에는 낮은 가격을 적용할 수 있다고 지적한다. 레비도 가능성을 인정하지만, 고객이 모두 자체 응용 제품으로 이동하면 보조 재원이던 API 매출이 줄어들기 때문에 균형이 필요하다고 본다 [10:41]

6. 서로 다른 수익 모델이 추론 비용과 가치 배분을 바꾼다

• Meta, 잠재적으로 SpaceX, 중국, Nvidia는 OpenAI나 Anthropic과 같은 수준의 추론 수익성을 요구하지 않을 수 있다. 레비는 이들이 다른 사업 목적을 위해 추론 마진을 10% 수준까지 낮추는 데도 만족할 가능성을 예로 든다 [11:11]
• 경쟁이 이어지고 결정적인 기술이 극도로 폐쇄적으로 독점되지 않는다면, 동등한 성능 기준의 토큰 비용은 내려가고 응용 계층에 돌아가는 가치는 커질 것이라는 전망이다 [11:46]

7. Box의 초기 AI 실험은 비용과 용도별 모델의 한계에 막혔다

• Box는 클라우드에서 데이터를 안전하게 저장하고 공유하는 서비스로 출발해 기업 시장으로 빠르게 전환했다. 기업 문서·재무 자료·마케팅 자산·연구 자료 등 비정형 데이터를 저장하고 협업·관리하는 것이 핵심 사업이었다 [12:54]
• 2015년 무렵부터 이미지 분류와 OCR 등의 AI 활용을 검토했지만, 비용이 매우 높고 업무마다 별도로 특화한 모델이 필요해 시도를 보류했다 [13:33]

8. 저장된 파일을 이해하고 활용하는 에이전트 플랫폼으로 전환한다

• Box는 ChatGPT 등장 이후 핵심 인력을 별도 팀에 배치하고 매일 진척을 확인하며 AI 기술 체계와 Box 에이전트를 구축했다 [15:08]
• Box에 저장된 수천억 개 파일에는 계약·연구·대출 등의 중요 정보가 있지만, 사용자가 문서를 직접 찾아 읽지 않으면 내용을 알기 어렵다. 에이전트는 질문에 답하고 메타데이터를 추출해 구조화하며 업무 단계를 자동화한다 [15:29]

9. 대규모 문서 분석에서 장시간 업무 자동화로 확장한다

• 대표적인 활용은 계약서나 연구 문서 100만 개에서 핵심 정보를 추출해 데이터베이스에 넣고 조회·분석·자동화하는 것이다. 사람이 모든 문서를 읽기에는 비용이 너무 높아 활용하지 못했던 정보가 대상이다 [17:04]
• 다음 기회는 전체 업무를 수행하는 장시간 실행 에이전트다. 은행 고객 등록에서 자동화 가능한 단계를 처리하고 추가 검토·확인이 필요한 부분만 사람에게 넘겨, 1~2주 걸리는 과정을 한 시간 정도로 줄이는 것이 지향점이지 이미 달성한 성과로 제시되지는 않는다 [17:44]

10. AI 코드와 AI 문서에 대한 수용 차이는 결과물의 역할에서 나온다

• AI 코딩은 적극적으로 받아들여지는 반면, AI가 만든 업무 콘텐츠에는 ‘워크 슬롭’이라는 거부감이 생긴다. 진행자는 AI가 전부 작성한 이사회 자료를 받는 상황을 불편한 사례로 든다 [18:42]
• 레비는 대다수 사용자에게 코드가 기능을 구현하고 일을 자동화하는 수단이라고 본다. 디자인의 완성도나 보안 취약성 문제는 남지만, 개발이 진행을 막던 병목이라면 에이전트의 코드 생성은 오히려 선호될 수 있다 [19:29]

11. AI 콘텐츠의 신뢰 기준은 아직 정착되지 않았다

• 레비는 이런 혼란을 향후 3~5년 동안 사회적으로 조정해갈 가능성을 제시한다. 재무 모델의 자동 계산을 받아들이듯 전략 자료도 수용할 수 있겠지만, 콘텐츠가 작성자의 지식과 실행력을 얼마나 대변하는지에 대한 기준은 아직 불명확하다 [21:40]
• 진행자는 스탠 드러켄밀러의 월스트리트저널 글이 Pangram에서 100% AI로 판정됐다고 말하면서도 자신은 좋게 읽었다고 한다. 이는 실제 작성 방식의 확증이 아니라 탐지 결과에 관한 사례이며, 기존의 저자 신뢰가 반응에 영향을 줬는지도 확신하지 못한다 [22:28]

12. Box 하네스는 검색과 문서 선택에 대한 도메인 지식을 활용한다

• Box의 에이전트 하네스는 파일 시스템·권한·검색 엔진뿐 아니라 사용자가 여러 파일 중 관련 문서를 고르는 방식에 대한 지식을 반영한다. 시스템 작동 방식에 관한 정보를 모델 연구소와 공유해 외부 에이전트의 성능도 높이려는 의향이 있다 [24:16]
• 하네스는 검색·파일 접근, 문서 텍스트와 부분 추출, 즉석 임베딩 등의 도구를 사용한다. 레비의 계정에 쌓인 수천만 개 규모의 파일에서도 여러 검색과 재순위화를 수행하고, 필요한 경우 문서 전체를 읽어 관련 정보를 찾는다 [25:14]

13. 업무 평가와 내부 사용 평가로 모델 선택을 검증한다

• Box는 각 모델에 수백 가지 테스트를 수행한다. ‘Complex Work Eval’은 생명과학·금융·공공·기술 분야의 문서 중심 과제로, 주어진 문서와 문제에 모델이 에이전트를 통해 얼마나 잘 답하는지 평가한다 [26:17]
• 별도로 Box 내부 환경에서 직원들이 데이터를 활용하는 방식도 평가한다. 두 평가 모두 홀드아웃 평가로 설명되며, 이를 통해 모델 성능이 반 점 수준으로 변하는 작은 개선까지 추적한다 [26:50]

14. 코딩 성능과 기업 문서 업무 성능은 완전히 일치하지 않는다

• Box 사용 사례에서 모델의 성능 순위는 대체로 코딩 성능과 비슷하지만, 일부 용도에서는 Gemini가 코딩 평가로 예상하는 것보다 더 뛰어난 결과를 보인다 [27:23]
• 레비는 더 나은 도구 사용 능력이 이유일 가능성을 제시하지만 확정하지는 않는다. Gemini가 일반적인 지식 업무에서도 강점을 보인다는 관찰이다 [27:41]

15. 모델 선택은 기본값과 업무별 평가로 나뉜다

• 여러 업무 평가의 성능은 대체로 코딩 모델의 발전을 따라가며, 선두 모델 간 경쟁은 접전이라는 판단이다. 다른 모델에 관한 소문도 있어 이후 경쟁 구도는 지켜봐야 한다 [28:04]
• 고객은 편리하고 잘 작동하는 기본 모델을 주로 사용하지만, 토큰 사용량은 검색·질의보다 워크플로 에이전트와 데이터 추출에서 더 많이 발생한다 [28:41]

16. 오픈웨이트 도입은 관심과 비용 절감 가능성이 함께 이끈다

• 오픈웨이트 사용은 사람들이 생각하는 것보다 많지만 기업이 원하는 수준에는 못 미치며, 5년 뒤에는 훨씬 커질 것이라는 전망이다 [29:29]
• 현재 도입 동기의 30% 이상은 새로운 기술을 써보고 싶다는 매력에서 나온다는 개인적 추정이다. 같은 비용대에서 다른 모델로도 충분한 경우가 있지만, 기업은 선택지를 확보하는 데 의미를 둔다 [29:44]

17. 고성능 모델과 저렴한 모델의 분업이 두 시장을 함께 키운다

• 성숙하고 안정된 사용 사례는 실제 비용이 더 낮거나 추가 학습으로 성능이 개선될 때 오픈웨이트로 옮길 수 있다. 따라서 폐쇄형 모델 기업의 매출 성장과 오픈웨이트의 빠른 성장은 동시에 가능하다는 관점이다 [31:05]
• 고성능 모델이 작업을 조율하고 저렴한 모델에 세부 업무를 맡기거나, 저렴한 모델이 기본 업무를 처리하다 어려운 문제만 고성능 모델로 넘기는 구조가 가능하다. 예시로 비용은 양쪽에 50%씩 쓰면서 오픈웨이트의 토큰 사용량은 10배가 될 수 있다 [31:59]

18. 기업별 학습에는 수시로 바뀌는 접근 권한이 난제다

• 현재 개인화의 주류는 가중치를 바꾸기보다 RAG로 문맥을 찾아 넣는 방식이다. 사용자를 알아가며 가중치를 조정하는 지속 학습과 문맥을 가중치에 반영하는 접근도 관심을 받고 있다 [32:35]
• 기업에서는 모든 정보를 공유할 수 없다. 법률 업무의 경우 옆자리 사람이 경쟁 회사의 사건을 맡을 수 있어, 프로젝트 사이에 문서 하나도 넘어가지 않는 엄격한 정보 차단이 필요하다 [33:35]

19. 문맥 검색과 가중치 학습의 경계는 데이터와 업종에 달려 있다

• 무엇을 문맥에 넣고 무엇을 가중치에 반영할지는 데이터의 변화 속도와 학습으로 얻는 정확도 향상을 함께 따져야 한다. 가중치에 지식을 넣는 것 자체보다 그로 인한 성능 이득을 판단할 기준이 필요하다 [35:13]
• 추론 능력이나 조직의 일하는 방식은 모델에 담고 실제 정보는 검색으로 제공하는 구상도 가능하다. 다만 기업의 차별성이 실행 방식에 있는지, 특정 사건 등에 관한 고유 지식의 깊이에 있는지는 구분해야 한다 [35:49]

20. Box의 응용 연구는 실제 업무의 자동화에 필요한 정확도를 겨냥한다

• Box의 응용 AI 팀은 주어진 문제에서 에이전트 정확도를 추가로 10포인트 높이는 방법과, 데이터에 맞춰 문제를 구성하고 실행하는 방법을 연구한다 [37:45]
• 에이전트와 실행 환경 수준에서 답변 정확도를 반복적으로 개선하는 자동 연구도 진행한다. 은행의 100페이지 대출 문서 처리에서는 기성 모델의 정확도 70%와 97%가 자동화 가능 여부를 가를 수 있다는 예시다 [38:20]

21. 자체 에이전트의 경쟁력은 업무 전문성과 상시 거버넌스에서 나온다

• SaaS 기업은 자사 제품을 사용하는 능력에서 범용 에이전트보다 10~20포인트 우수함을 입증할 수 있어야 한다. 외부 에이전트를 제약하는 대신 충분한 평가와 업무별 조정으로 성능을 높여야 한다 [40:01]
• 고객이 제안한 사례는 문서를 백그라운드에서 살피며 거버넌스 정책에 따라 보관하거나 법적 보존 조치가 필요한지 판단하는 에이전트다 [41:28]

22. 외부 에이전트 연동은 업무 시스템의 사용량과 수익 기회를 넓힌다

• 기존 업무 시스템은 자체 에이전트와 함께 화면 없이도 사용할 수 있는 연동 구조를 갖춰야 한다. 외부 플랫폼에 API를 공개해 MCP 등으로 호출하게 하거나, 자체 에이전트를 외부에서 이용할 수 있게 해야 한다 [42:48]
• 외부 연결은 새로운 사용 사례를 만들 수 있다. 레비는 Claude나 ChatGPT에서 MCP로 CRM 데이터를 질문하면서 Salesforce 사용이 이전보다 아마 한 자릿수 규모가 달라질 정도로 늘었다고 보여준다 [43:25]

23. 백그라운드 에이전트에는 대화창 이상의 업무 화면이 필요하다

• 범용 대화창은 검색창처럼 기본 인터페이스로 남아 단발성 질문, 검색, 즉석 결과물 생성에 쓰일 전망이다. 그러나 기업에는 이미 뒤에서 돌아가는 업무와 인건비 때문에 실행하지 못했던 업무도 많다 [45:18]
• 계약서 검토, 로그 분석, 보안 사고 분류를 에이전트가 계속 수행한다면 사용자는 대시보드, 작업 대기열, 업무 목록을 필요로 한다. 범용 제품이 이를 모두 담으면 복잡해질 수 있어, 업무를 이해하는 전문 제품에 기회가 생긴다 [46:15]

24. 코딩은 텍스트 산출물·평가·사용자 역량이 맞물려 빠르게 확산된다

• 코딩에서는 생성한 텍스트가 실행 가능한 프로그램으로 계속된다. 무엇을 만들지 판단하고 좋은 코드를 작성할 수 있다는 전제 아래, 컴퓨터에서 작업하는 시간이 가치 창출과 밀접하게 연결된다는 설명이다 [48:31]
• 모델은 코딩에 집중적으로 훈련되고 연구소는 이를 경쟁 지표로 삼는다. 모델 개발자 자신도 매일 코딩하며 성능을 평가하고, 사용자인 개발자는 에이전트나 MCP 연결 오류를 직접 해결할 수 있다 [49:24]

25. 다른 직무의 자동화 속도는 외부 요인에 얼마나 묶이는지에 달려 있다

• 법률 업무는 문서를 검토·작성하고 대량의 정보를 처리하는 활동의 가치가 커 코딩과 닮은 면이 있다. 이런 특성이 AI 활용 확대와 연결된다는 판단이다 [50:39]
• 영업의 핵심 가치는 외부 고객을 설득해 구매하게 만드는 데 있다. 자동화가 뛰어나도 고객의 회신, 회의 일정, 예산에 제약받으므로 텍스트 작업의 속도를 높이는 것만으로 성과가 같은 비율로 늘지는 않는다 [50:54]

26. 분산된 데이터와 복잡한 권한이 기업 AI 도입을 늦춘다

• 코딩 에이전트는 GitHub 연결만으로 작업에 필요한 데이터에 접근할 수 있었지만, 일반 지식 노동에는 이에 대응하는 보편적 단일 진입점이 없다 [52:20]
• 많은 기업의 데이터는 온프레미스 시스템, 오래된 파일 공유와 인프라에 남아 있어 에이전트와 원활하게 연결되지 않는다 [52:52]

27. 느린 확산을 해결하는 현장 실행이 응용 AI의 사업 기회다

• 기업 도입에는 인내심, 깊은 분야 지식, 고객 현장에서 문제를 풀어내는 실행력이 필요하다. 기술이 준비됐다고 고객이 한꺼번에 유입되는 구조는 아니라는 관점이다 [53:49]
• 변호사, 영업 담당자, 생명과학 연구자, 고객지원 책임자에게 기술을 실제로 전달하는 일이 응용 AI의 가치다. 레비는 이 기회의 규모를 1조 달러로 보는 견해를 제시한다 [54:14]

28. 비정형 데이터 경험과 고객 수요가 Box의 AI 전환을 뒷받침했다

• 레비는 20년간 비정형 데이터를 다뤄 에이전트의 효용을 곧바로 이해할 수 있었다. 유사한 논의를 8~10년 전에도 시도했지만, 이제야 가능해졌다는 인식이다 [54:50]
• Box의 제품과 기존 사용 방식은 에이전트에 적합했고, 회사 차원에서 여기에 승부를 걸었다. 모든 문서를 읽고 어떤 질문에도 답할 수 있으면 강력하겠다는 고객 반응이 그 선택을 강화했다 [55:10]

29. AI 정보망과 직접 사용이 만드는 개인의 격차

• 트위터는 AI 정보를 교차 확인하는 세계적 공론장으로 기능한다. 레비는 대학생에게 관련 계정 20개를 팔로우하라고 권하며, 피드 구성만으로도 경력 준비가 1년 앞서거나 뒤처질 수 있다고 강조한다. 대담 상대 역시 AI 동향 파악을 위해 관련 계정 100개를 팔로우할 것을 권한다 [56:00]
• 개인 비서 제품에는 기대가 크지만, 레비가 시험 중인 일부 사용 사례에서는 브라우저 조작의 한계가 드러난다. 각 인터넷 서비스에 CLI가 필요할 수 있다는 생각을 제시하며, 충분한 성능을 내려면 기반 인프라를 더 개선해야 한다고 본다 [57:23]

30. 정돈된 데이터와 효과가 큰 업무가 기업 전환의 기반

• Box는 회의록, 프로젝트 계획, 로드맵, 발표 자료, 재무 문서 등 문서화된 비정형 업무 정보를 모두 Box에 모아 왔다. 다른 저장 도구의 사용을 제한해 온 운영 방식 덕분에 데이터를 대규모로 활용하기 쉬운 구조를 갖췄다 [58:24]
• Salesforce 등 핵심 시스템에서도 데이터 관리 상태를 양호하게 유지해 왔으며, 이는 에이전트를 업무에 적용하기 쉽게 만드는 조건이다. AI 도입에서는 효과가 가장 클 업무를 우선 찾고, CIO와 AI 전담 조직, 내부 AI 인력이 이를 지원한다 [59:03]

31. 토큰 사용량보다 활용법 확산과 고객 기능을 중시

• Box는 토큰 사용량 순위를 무조건적인 사용 확대의 목표로 삼지 않는다. 사용량이 많은 사람의 업무를 살펴 유용한 활용인지, 다른 부서에 전파할 배움이 있는지 판단한다. 레비는 상위 세 명 가운데 한 명은 토큰 절반을 낭비하고, 나머지 두 명은 내부 교육의 모범이 될 수도 있다는 예를 든다 [59:35]
• 한 직원의 AI 활용법을 팀 전체에 보여 달라는 요청 이후 약 6시간 만에 시연이 열렸다. 조직 확산의 핵심은 동료가 새로운 방식으로 일하는 모습을 구체적으로 볼 수 있게 하는 데 있다 [1:00:06]

32. 계속 바뀌는 개발 방식과 기존 기업의 신뢰 책임

• AI 개발 방식의 기준은 IDE 플러그인에서 Cursor 전사 도입으로, 다시 Slack에서 봇을 호출해 코딩을 맡기는 방식으로 빠르게 이동한다. 한 도구의 보급을 끝내는 것만으로 AI 전환이 완료되지는 않는다 [1:00:54]
• Box에는 Slack에서 동료처럼 작동하는 형태의 에이전트가 여럿 있으며, 직원들은 다양한 방식으로 이를 활용한다. 레비는 이 방향에 기대를 걸면서도 팀의 협업 구조와 데이터 준비가 필요하고, 활용 수준도 계속 발전시키는 단계라고 본다 [1:01:25]

33. 개발 속도가 평준화될수록 기업 고객 보급이 승부처

• 새로운 아이디어에 곧바로 경쟁사 다섯 곳이 붙는다는 표현은 AI 창업 시장의 경쟁 압박을 보여 준다. 레비는 Box 창업 당시에는 몇 년간 제품과 사용자 경험에 집중할 여지가 있었지만, 지금은 각 시장이 치열한 속도 경쟁에 놓였다고 본다 [1:03:22]
• AI가 제품을 훨씬 빠르게 만들수록 경쟁 우위는 고객에게 실제로 제품을 전달하는 쪽으로 이동할 가능성이 크다. 기업 시장에서는 기술을 만드는 능력과 함께 조직에 도입·확산시키는 능력이 중요해진다는 판단이다 [1:03:59]

🧾 결론

• AI 시대의 재발명은 특정 도구 도입으로 끝나지 않는다. 개인과 조직 모두 도구의 변화에 맞춰 학습과 업무 방식을 계속 갱신해야 한다.
• 기업용 에이전트의 가치는 모델 지능을 데이터 접근, 업무 전문성, 평가, 사람의 검토와 결합할 때 구체화된다.
• Box의 전환은 축적된 비정형 데이터와 고객 업무 경험을 활용하는 사례다. 다만 미래 자동화 목표와 실제 확인된 성과는 구분해야 한다.
• 레비의 최종 승부 기준은 기업 내 확산이다. 기술을 만드는 능력에 더해 고객 현장에서 도입 장애를 해결하는 역량이 필요하다는 주장이다.

📈 투자·시사 포인트

• 응용 기업의 경쟁력: 모델 연결 기능뿐 아니라 고객 데이터 접근, 업무 전문성, 정확도 개선, 도입 지원 능력을 살펴볼 필요가 있다. 기존 고객 기반이 실제 AI 활용 확대로 이어지는지도 중요하다.
• 비용 하락과 가치 배분: 경쟁이 유지되면 동등 성능의 토큰 비용이 내려가 응용 계층에 유리할 수 있다는 전망이다. 모델 제공업체의 응용 시장 진출과 자사 제품 가격 정책은 이 전망을 흔들 수 있다.
• 수익 모델의 변화: 외부 에이전트가 API·MCP로 업무 시스템을 호출하면 사용 기회가 넓어질 수 있다. 레비는 데이터 관리·보안·보호 장치가 제공하는 가치에 맞춘 사용량 중심 과금을 제안한다.
• 확산 속도의 차이: 코딩의 빠른 도입 속도를 모든 직무에 그대로 적용하기 어렵다. 고객 회신이나 예산 같은 외부 조건, 데이터 정비와 권한 부여가 자동화 효과를 제한할 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 응용 AI의 조 단위 시장 기회와 향후 기업 토큰의 90%가 비동기 작업에 쓰일 것이라는 수치는 레비의 전망이다. 그는 응용 계층에 대한 낙관에 사업상 이해관계가 작용할 수 있음을 인정한다.
• 은행 고객 등록을 1~2주에서 한 시간으로 줄이는 사례는 지향점이다. Box 하네스의 정확도·지연 시간 우위도 구체적인 비교 수치가 제시되지 않았다.
• 토큰 가격 보조의 지속 가능성, 오픈웨이트의 장기 비용 우위, 모델 제공업체와 응용 기업 사이의 가치 배분은 확정되지 않았다. 현재 비용뿐 아니라 토큰 효율과 업무 안정성을 확인해야 한다.
• 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

• 업무와 관련된 AI 정보원을 구성하고, 새로운 도구를 실제 조사·분석 질문에 사용하며 유용했던 활용법을 기록한다.
• 자동화 후보 업무의 데이터 위치, 접근 권한, 기존 시스템 연결, 사람의 검토 지점을 정리하고 효과가 큰 업무부터 선정한다.
• 대표 문서와 검증용 문제를 준비해 여러 모델의 정확도·비용·지연 시간을 비교하고, 해당 업무의 허용 오류 수준을 정한다.
• 시범 도입 성과를 토큰 사용량만으로 판단하지 않고 처리 시간, 검토 부담, 고객에게 제공한 기능과 연결해 확인한다.

❓ 열린 질문

• 모델 제공업체가 응용 계층으로 확장해도 독립 소프트웨어 기업은 업무 전문성과 중립적인 모델 선택으로 충분한 경쟁력을 유지할 수 있을까?
• 접근 권한이 매일 바뀌는 기업에서 검색으로 제공할 정보와 모델 가중치에 학습시킬 지식을 어떻게 나눠야 할까?
• 백그라운드 에이전트가 늘어날 때 사람의 검토를 어디에 배치해야 자동화 효과와 책임을 함께 확보할 수 있을까?