Daniel Dines on Why Work Processes Not Models Will Be The Most Valuable Asset in AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Daniel Dines on Why Work Processes Not Models Will Be The Most Valuable Asset in AI를 중심으로, 업무 지도는 기업 고유의 지식재산이다. 목표·절차·시스템뿐 아니라 예외 처리와 판단 이유까지 기록해야 하며, 이 자산은 기반 모델를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 업무 지도는 기업 고유의 지식재산이다. 목표·절차·시스템뿐 아니라 예외 처리와 판단 이유까지 기록해야 하며, 이 자산은 기반 모델이 바뀌어도 남는다.
2. 높은 추론 능력이 현장 수행 능력을 보장하지는 않는다. 다인스는 기록을 참조하는 기억과 경험으로 변화하는 학습을 구분하고, 직원의 주도성과 고객 관계처럼 문서 밖에 있는 기여를 강조한다.
3. AI의 추론과 소프트웨어의 정확한 실행을 결합해야 한다. 코딩 에이전트가 자동화를 만들고 수정하되, 반복 업무는 검증 가능한 소프트웨어가 수행하도록 구성하는 방식이다.
4. 자동화의 병목은 코드 생성 이후에도 남는다. 운영에는 권한·보안·감사·테스트·유지보수가 필요하며, 인력 전환도 실제 도입 성과와 직원의 비정형 기여를 확인하면서 진행해야 한다.
5. 가치 확보의 관건은 업무 흐름의 소유와 모델 선택권이다. 다인스는 비용 효율적인 모델의 활용이 커질 것으로 예상하며, 기업이 업무 매뉴얼과 원천 데이터를 보유하고 대체 모델을 검증해 공급자 종속을 줄여야 한다고 주장한다.

🧩 배경과 문제 정의

• UiPath 창업자이자 CEO인 다니엘 다인스는 AI의 높은 추론 능력이 기업의 실제 업무 수행 능력과 같은지 문제를 제기한다. 핵심 쟁점은 현장 학습, 주도성, 반복 실행의 정확성이다.
• 기업 업무에는 문서화된 절차뿐 아니라 고객 관계, 암묵적 판단, 예외 처리와 조직문화가 포함된다. AI 도입과 인력 재편에는 이러한 기여까지 파악하는 과정이 필요하다.
• AI 개발 속도 조절과 오픈소스의 위험, 기업 지식재산 보호를 둘러싼 논쟁이 이어진다. 다인스의 해석과 진행자의 반론은 현재 기술의 한계와 미래 가능성을 구분하는 데 초점을 둔다.
• 기업 자동화의 과제는 AI가 모든 단계를 직접 수행하게 하는 데 그치지 않는다. 실제 업무 구조를 명시하고, AI의 추론과 예측 가능한 소프트웨어 실행을 결합하는 방식이 대안으로 제시된다.

🕒 시간순 섹션별 상세정리

1. 집필의 출발점은 AI의 지속적인 한계에 대한 질문이다

• 다인스는 Claude와 ChatGPT의 도움을 받아 약 6개월 동안 책을 집필했으며, 글쓰기를 통해 자신의 생각과 사업 방향을 더 명확하게 정리했다고 한다 [01:47]
• 핵심 질문은 AI에 오래 지속될 한계가 있는지, 아니면 몇 년 안에 데이터센터의 수백만 ‘아인슈타인’이 인간의 일을 대신할 수 있는지다 [02:28]

2. 아인슈타인 수준의 추론과 현장에서 배우는 직원은 다르다

• 다인스는 AI가 아인슈타인의 추론 능력 일부를 갖출 가능성에는 동의하지만, 이를 현장에서 배우며 일하는 인격체와 동일시하지 않는다. 기업은 신입 직원에게 업무 전체를 설명하는 완벽한 매뉴얼 없이도 적응과 학습을 기대한다 [02:59]
• 진행자는 인간과 모델 모두 업무를 통해 개선될 수 있다고 반박한다. 다인스는 AI가 메모에 정책을 저장하는 것과 경험을 통해 모델의 가중치 자체가 바뀌는 것은 다르다고 구분한다 [04:15]

3. 실행 중심 업무에도 문서 밖의 작은 주도성이 존재한다

• 진행자는 회계·재무·마케팅·영업 등 기업 업무의 상당 부분이 실행 중심이어서 AI가 수행할 여지가 크다고 본다 [05:54]
• 다인스는 직원들이 일상 업무에서도 작은 주도성을 발휘한다고 반박한다. 고객 이탈 신호가 데이터에 나타나기 전에 위험을 직감하고 행동하는 능력은 오랜 경험에서 생기며, 운영 방식을 문서에 적는 것만으로 충분히 전달하기 어렵다는 주장이다 [06:24]

4. 기억을 붙이는 것과 지식이 가중치에 내재하는 것은 다르다

• 진행자는 OpenAI의 기억 기능이 과거 질문을 바탕으로 제안할 수 있다는 점을 든다. 다인스는 기록을 참조하는 기억과 모델 자체가 개선되는 학습을 구분하며, 더 나은 새 모델을 기존 모델에 메모 한 장을 더한 것으로 볼 수는 없다고 주장한다 [07:50]
• UiPath 플랫폼을 코딩 에이전트에 개방한 경험에서도 이 차이가 드러났다고 한다. 학습 사례가 풍부한 오픈소스 기술은 모델 가중치에 이미 반영되어 있어, UiPath 기술에 프롬프트와 스킬을 추가하는 것보다 모델이 더 잘 활용하는 경향을 보였다는 설명이다 [08:40]

5. 재귀적 자기개선이 의지까지 만들어낼지는 불확실하다

• 진행자는 인간 개입 없이 스스로 학습하고 개선하는 재귀적 자기개선이 현장 학습의 한계를 해소할 수 있는지 묻는다. 다인스는 그 결과를 모른다고 답하며, 무한히 확장하고 개선하는 모델이 복잡한 세계의 시뮬레이션을 만들 수도 있다는 사고실험을 제시한다 [09:47]
• 다인스는 추론과 무언가를 하려는 의지를 별개로 본다. 의지가 추론이나 의식에서 발생하는지 확실하지 않으므로, 큰 모델을 자기개선 고리에 넣으면 의지가 생긴다는 기대에는 회의적이다 [11:03]

6. 최전선 개발 속도 조절에는 책임과 오픈소스 논쟁이 얽혀 있다

• 다인스는 개발사가 기술을 통제할 수 없고 실험이 큰 피해를 일으킬 수 있다고 진심으로 믿는다면, 외부 압력 없이도 개발 속도를 조절해야 한다고 본다. 시민으로서의 책임과 법적 결과에 대한 우려가 그 근거다 [12:36]
• 그는 ‘악의적 세력보다 먼저 개발해야 한다’는 논리가 위험한 개발을 계속하면서 책임에서는 벗어나려는 요구일 수 있다고 해석한다. 이는 해당 주장에 대한 다인스의 해석이며, 확정된 의도는 아니다 [13:25]

7. 기업의 우려는 모델 업체의 직접 경쟁보다 지식재산 유출에 가깝다

• 다인스는 대기업이 최전선 모델 업체와 협력하는 데 우려를 느낀다는 데 동의하지만, OpenAI가 각 기업의 산업에 직접 진출할 가능성보다 기존 경쟁사에 지식재산이 새어나갈 가능성을 더 중요하게 본다 [15:05]
• 기업 지식으로 모델을 학습시킬 경우 다른 경쟁사가 모델을 통해 유사한 지식을 간접적으로 얻을 수 있다는 우려다. 그는 이를 정당한 위험으로 평가하며 기업들이 지식재산을 보호하려 한다고 보여준다 [15:51]

8. 단계별 높은 성공률만으로 전체 업무의 정확성을 보장할 수 없다

• 다인스는 AI가 확률적으로 작동하기 때문에 100~200단계의 작업에서는 오류가 누적될 수 있다고 주장한다. 단계별 성공 확률 99%와 0.99의 100제곱을 예로 들면서 전체 성공 가능성을 “약 60%”라고 표현하지만, 이 수치는 발언자의 추정이다 [16:36]
• 같은 절차를 수백만 번 정확하게 반복하거나 큰 수를 곱하는 작업에는 기존 컴퓨터 계산을 사용할 이유가 충분하다. AI가 어떤 일을 할 수 있다는 사실만으로 그 일에 AI를 써야 하는 것은 아니라는 결론이다 [17:14]

9. 자연어 인터페이스와 정확한 실행 도구를 결합한다

• 진행자는 사용자가 이미 ChatGPT 안에서 일하고 있다면 계산기나 다른 도구로 이동하기보다 그 환경에서 바로 질문하는 편의성이 중요하다고 지적한다 [18:02]
• 다인스는 자연어 질문을 정확한 계산으로 연결하는 인터페이스 역할에 동의한다. 다만 큰 수의 곱셈에서 정확성을 제공하는 것은 모델 자체가 아니라 모델이 뒤에서 호출하는 컴퓨터 계산이라고 구분한다 [18:26]

10. 코딩 에이전트는 실행보다 자동화의 제작과 수리를 바꾼다

• 다인스의 평가로는 기업에 AI 에이전트를 배포하는 일이 2년 전보다 쉬워지지는 않았지만, 코딩 에이전트 덕분에 자동화를 만드는 일은 훨씬 쉬워졌다. AI가 설계 시점에 소프트웨어를 만들고, 실행 시점에는 그 소프트웨어가 정해진 방식으로 작동하는 비대칭이 생긴다 [19:27]
• 상위 시스템의 변경으로 자동화가 깨지면 AI가 다시 개입해 이를 수정할 수 있다. 이 방식에서 AI의 역할은 기업 운영 소프트웨어를 만들고 유지하는 데 있다 [20:31]

11. 인력 전환은 AI 도입의 실제 성과와 함께 진행해야 한다

• UiPath의 인력 규모는 엔지니어가 아마 1,000명 이상, 전체 직원이 약 4,000명으로 드러난다 [21:36]
• 다인스는 AI에 따라 회사와 인력이 함께 변해야 한다는 사실을 직원들에게 숨기지 않았다고 한다. 다만 AI를 감원의 구실로 삼기보다 기업 내 AI 도입이 성공하는 과정에 맞춰 인력을 전환해야 한다는 입장이다 [22:00]

12. 직무의 측정 가능한 성과 밖에도 조직을 지탱하는 기여가 있다

• 다인스는 모든 직무에 측정 가능한 산출물 외에 조직의 힘을 유지하는 기여가 있다고 본다. 고객과의 깊은 관계는 개인의 실적 숫자에 직접 드러나지 않아도 고객이 해당 기술을 계속 쓰는 이유가 될 수 있다 [23:08]
• AI가 고객에게 전화하거나 이메일을 쓸 수 있다는 이유만으로 인력을 줄이면 인간관계와 신뢰의 가치를 놓칠 수 있다. 기업은 직원들이 공식 직무 정의 밖에서 수행하는 일까지 기록한 장부를 갖추고, 이를 바탕으로 직무 영향과 재배치를 판단해야 한다 [23:55]

13. 전문성 위주의 감원은 AI 시대에 필요한 사람을 잃게 할 수 있다

• 다인스는 먼저 인력의 20%를 줄인 뒤 AI 도입을 늘리는 식의 일괄 감원이 오히려 AI 시대에 필요한 인재를 제거할 위험이 있다고 본다 [25:01]
• 특정 분야의 자격과 깊은 전문성을 중심으로 채용해온 관행은 AI로 달라질 수 있다. 전문지식 일부는 AI가 보완하는 반면, 주도성·고객 관계·신입 직원 멘토링·조직문화 유지 능력의 중요성은 커질 수 있다는 전망이다 [25:23]

14. 자동화 가능성을 가르는 것은 업무의 판단 틀이 얼마나 명시되어 있느냐다

• 진행자는 재무·회계처럼 정답을 검증하기 쉬운 업무부터 인력 축소를 판단할 수 있다고 본다. 다인스는 검증 가능성보다 업무가 다른 사람이 정한 명확한 판단 틀 안에 있는지가 중요하다고 반박한다 [27:04]
• 송장과 주문도 고객에 따라 다르게 처리할 수 있으며, 우선순위가 항상 규칙으로 기록되어 있는 것은 아니다. 다인스는 엔비디아가 OpenAI에 우선 공급하는 상황을 예로 들면서, 그런 규칙이 실제로 명시되어 있을 수도 없을 수도 있다고 가정한다 [27:39]

15. 남길 인력의 기준에는 AI 활용 능력과 주도성이 포함된다

• 진행자는 재무 책임자 한 명이 에이전트 30개를 관리하고 특별한 결제 조건 같은 예외를 처리하는 구조를 가정한다. 이는 모든 사람을 대체하지 않더라도 소수의 인력으로 업무를 운영할 수 있다는 반론이다 [28:45]
• 다인스는 필요한 인원이 줄어드는 상황에서도 누가 남고 누가 다른 일을 맡을지 판단해야 한다고 강조한다. 그 기준으로 AI 활용 능력과 주도성을 들며, 고객의 송장을 처리하는 재무 직원도 조직문화에 기여할 수 있다고 본다 [29:13]

16. 직원의 가치는 화면에 남는 행동만으로 평가하기 어렵다

• 고객과 기업 평판을 세심하게 챙기는 직원과 그렇지 않은 직원을 구별해야 한다. 다인스는 이런 정의하기 어려운 성과까지 평가해야 누구를 유지하고 누구의 업무가 AI로 대체되기 쉬운지 판단할 수 있다고 본다. [30:00]
• 화면에서 발생하는 모든 행동을 기록하더라도 통화의 어조나 고객에게 보내는 따뜻한 후속 메시지의 가치를 충분히 포착하기 어렵다는 문제가 남는다. [30:40]

17. 전문가의 판단 이유를 인터뷰해 실제 업무 지도를 만든다

• UiPath가 도입하는 기술은 직원의 데스크톱 작업을 조사하고 업무 전문가를 실시간으로 인터뷰해, 실제로 일이 처리되는 방식을 드러내는 데 초점을 둔다. [31:09]
• 재무 담당자가 우편번호가 다른 청구서를 수정하거나 다른 처리 경로를 선택하면 에이전트가 이유를 묻는다. 여러 직원의 답변을 통합하면 문서에 드러나지 않았던 예외까지 포함한 프로세스 지도를 만들 수 있다. [32:02]

18. 조직 변화에는 직원의 전환 기회와 점진적인 도입이 필요하다

• 업무 관찰이 해고 준비로 받아들여질 수 있다는 우려에 대해, 다인스는 UiPath에서 AI를 명분으로 무분별한 대규모 감원을 추진하지 않으며 직원 모두에게 변화할 기회를 주겠다는 메시지를 전달했다고 보여준다. AI 활용 역량은 현재 회사와 향후 직장에서의 기회를 높이는 요소로 본다. [33:16]
• 직원 반응은 긍정적이지만 AI 도입은 업무 발견과 의견 수집만으로 끝나지 않는다. 연초의 극심한 대체 공포가 완화되는 가운데, 기업의 AI 확산은 프로세스 하나씩 비교적 느리게 진행될 수 있다는 판단이다. [34:16]

19. 인력 대체의 제약은 토큰 가격보다 수행 능력과 검증 수준이다

• 진행자는 한 데이터 공급업체가 인건비의 세 배를 추론에 지출한다는 사례를 제시한다. 다인스는 기계가 사람 수준 이상으로 일을 수행한다면 현재 비용이 더 높더라도 채택하겠다는 입장으로, 당장의 토큰 비용을 핵심 기준으로 보지 않는다. [35:02]
• 다인스는 자신을 온전히 대신할 AI는 아직 없다고 본다. 의지를 갖고 업무 중 학습하며 경험으로 변화하고 뛰어난 추론과 상상력까지 발휘하는 존재가 등장한다면 모든 일자리가 사라질 수 있다는 전망은 조건부로 제시한다. [35:56]

20. 바이브 코딩의 병목은 시제품 이후의 운영과 유지보수다

• UiPath의 바이브 코딩 실험은 초기에는 뛰어나 보였지만 운영 환경에 적용하면서 병목이 드러났다. 커넥터, 권한, 감사, 보안, 테스트를 유지하는 일이 코드 작성보다 더 큰 과제로 남았다. [37:50]
• 자체 조달 도구는 처음에 AI만으로 작성했지만 테스트와 신뢰가 부족해 전면 운영에 투입하기 어려웠다. 잘못 생성된 데이터베이스 스키마를 사람이 다시 설계하는 등 상당한 개입이 필요했다. [38:50]

21. SaaS의 존속 가능성과 상장의 효용은 별개로 판단해야 한다

• 다인스는 소프트웨어 업종의 비관론이 강했던 시기에 투자했지만, 감정에 크게 좌우되는 시장에서 개별 종목의 가치를 단정하기는 어렵다고 본다. 다만 Salesforce를 바이브 코딩으로 대체할 수 있다는 주장에는 동의하지 않는다. [40:12]
• 진행자는 비상장 시장에서도 주주와 직원에게 유동성을 제공하고 주식으로 기업을 인수할 수 있으므로 상장 필요성이 약해졌다고 주장한다. [41:01]

22. 유망한 AI 기업을 보유하는 판단과 높은 가격에 매수하는 판단은 다르다

• 진행자는 Anthropic과 OpenAI가 막대한 자금 수요 때문에 상장을 필요로 하는 예외적 기업이라고 본다. 다인스는 기존 투자자 모두가 장기간 잔류하지는 않을 것이며, 2조 달러에 투자하려면 5조 달러로 성장할 경로가 필요하다고 지적한다. [42:26]
• Anthropic이 2조 달러 가치로 상장한다면 매도하겠느냐는 가정에 다인스는 보유하고 있다면 팔지 않겠다고 답한다. 과거 기업가치가 600억 달러였을 때 유망하게 봤지만 실제로 투자하지는 않았으며, OpenAI도 최근 상당히 따라왔다고 평가한다. [43:08]

23. Nvidia의 장기적 이해관계는 개방형 모델 생태계와 연결된다

• 진행자는 어떤 AI 애플리케이션이나 모델이 승리할지 불확실하므로 공통으로 필요한 칩과 인프라에 투자하는 논리를 제시한다. [44:10]
• 다인스는 Anthropic과 OpenAI가 시장을 양분하면 자체 칩을 만들 수 있으므로 Nvidia의 성공도 무조건 보장되지 않는다고 반박한다. 다양한 모델 공급자가 살아남는 오픈소스 생태계가 Nvidia에 유리하다는 관점이다. [44:44]

24. AI 인프라의 과잉 여부는 노동 대체가 실현되는 시점에 달려 있다

• 순환 투자와 매출에 관한 우려에 다인스는 대형 인프라가 역사적으로 과잉 구축됐다는 논리를 제시한다. 각 기업이 최대 점유율을 노리면 전체 시장은 100%인데 공급 계획은 200%가 되는 식으로 패자가 생긴다는 설명이다. [46:22]
• 진행자는 현재는 전력, 물, 데이터센터, 규제와 정책이 공급을 제한하므로 과잉보다 부족이 문제라고 반박한다. 가용 연산 자원이 모두 사용되는 상황이라는 주장이다. [47:15]

25. 법률 AI의 성과는 문서화된 규칙과 기업별 예외의 차이를 드러낸다

• 진행자는 코딩 도구의 작업 비중이 6개월 사이 20%에서 80%로 늘었다는 사례와, 인터뷰한 변호사 15명 모두 AI 도구를 빼앗기면 크게 불만일 것이라고 답했다는 사례를 들어 빠른 확산을 주장한다. 상당수는 6개월 동안 직접 문서를 작성하지 않았다고 답했다. [48:26]
• 다인스는 법률처럼 외부에서 정립한 업무의 틀이 있는 분야와, 기업마다 고유한 예외가 많고 업무의 틀이 불명확한 분야를 구분한다. [49:12]

26. 절감되는 인건비보다 업무 흐름을 소유하는 쪽에 더 큰 가치가 생긴다

• 진행자는 미국 법률 산업을 3,000억 달러로 놓고 노동의 30%를 대체하면 900억 달러의 매출 기회가 생길 수 있다고 추산한다. 다인스는 절감액 전체가 토큰 매출이 되지는 않으며, 약 10%만 과금한다면 기회는 대략 100억 달러 수준일 수 있다고 반박한다. [50:10]
• 다인스는 법률 의견 생성 자체에는 오픈소스나 프런티어 모델도 충분히 쓰일 수 있으며 모델은 서로 교체 가능하다고 본다. 차별화되는 자산은 업무 지도와 그 위에 구축한 실제 업무 흐름이다. [50:54]

27. 기업의 운영 업무는 저비용 모델 중심으로 이동할 수 있다

• 다인스는 개방형과 폐쇄형 모델의 점유율보다 최고 성능 모델과 비용 효율적인 모델 사이의 배분이 더 중요하다고 본다. 기업 업무 흐름의 90%가 비용 효율적인 모델로 향할 것으로 예측하며, 대부분의 운영 업무에는 최첨단 성능이 필요하지 않다고 판단한다. [51:57]
• Anthropic과 OpenAI의 저비용 모델을 사용하더라도 검증 가능한 오픈소스 대안을 상시 확보해야 한다. 기업은 필요할 때 모델을 교체할 수 있어야 하며 특정 공급자에 종속돼서는 안 된다는 입장이다. [52:40]

28. 기업의 핵심 지식재산은 모델이 바뀌어도 남는 업무 매뉴얼이다

• 다인스는 Fireworks를 실제로 상당히 사용하고 있으며, 기업이 여러 선택지에 분산 투자하되 오픈소스와 업무 지도 구축을 포함해야 한다고 본다. [53:36]
• 자체 모델을 훈련하려면 회사가 어떻게 일하는지 먼저 문서화해야 한다. 두 달 뒤 더 나은 기반 모델이 등장했을 때도 원천 데이터와 정확한 매뉴얼이 있어야 지식 이전 과정의 손실을 줄일 수 있다. [54:00]

29. 자체 모델의 경제성과 Fireworks의 성장은 규모 있는 추론 공급에 달려 있다

• 다인스는 기업들이 최소한 프런티어 모델의 대안으로 자체 모델을 보유할 것으로 예상한다. 다만 대형 공급자가 인프라를 최적화해 더 높은 비용 효율을 낼 수 있어, 자체 모델이 언제나 더 저렴할지는 확신하지 않는다. [54:56]
• 특정 기업의 데이터로 훈련한 모델이 토큰 효율에서 유리할 수 있다는 주장에는 조건부로 동의한다. 실제 훈련뿐 아니라 Fireworks 같은 공급자가 이를 대규모로 최적화해 제공할 능력도 필요하다. [55:47]

30. 데이터의 가치는 보관량뿐 아니라 필요한 맥락을 제공하는 능력에 있다

• 진행자는 데이터 공급업체들이 상품화된 사업으로 취급되며 저평가돼 있다고 주장한다. 다인스는 단순 저장과 데이터 이해를 구분하며, 필요한 순간에 적절한 데이터를 추출해 모델에 공급하는 지능이 중요하다고 본다. [57:07]
• 데이터가 많아도 질문에 맞는 맥락을 구성하지 못하면 모델에 유용하지 않다. 진행자는 폭넓은 데이터 라이브러리가 구체적인 요구에 대응하는 경쟁력이라고 반박하고, 다인스는 실제로 모델에 가치 있는 자체 데이터라면 구매 수요가 있을 것이라고 답한다. [57:54]

31. AI의 기억과 경험을 통해 변화하는 학습은 구별해야 한다

• 다인스가 지난 12개월 동안 가장 크게 바꾼 생각은 AI가 작동하려면 업무 매뉴얼이 필요하다는 인식이다. 질의할 때마다 회사 전체 또는 해당 프로세스가 어떻게 작동하는지 AI가 참조할 수 있어야 한다는 결론이다. [58:27]
• 기록이나 메모를 남기는 기억과 경험으로 자신이 변화하는 학습 사이에는 큰 차이가 있다는 판단이다. 업무 매뉴얼의 필요성을 이해하면서 이 구분도 더 명확해졌다고 보여준다. [59:00]

32. 기억을 넘어 경험으로 변화하는 AI가 필요하다

• 고유한 스타일은 개인이 내린 선택과 경험에 따른 변화에서 나온다는 관점이다. 책을 읽고 특정 작가의 정신으로 글을 쓰라는 지시만으로는 이런 개성을 충분히 재현하기 어렵다고 본다. [1:00:00]
• 다인스가 기대하는 돌파구는 업무 경험으로 변화하는 대형 개인 모델이다. 약 20년 뒤에는 노트북에 자신과 함께 변화하는 10조 규모의 모델을 둘 가능성을 상상하지만, 실현 여부는 불확실하며 여러 혁신이 필요하다고 전제한다. [1:00:39]

33. 고용 충격의 속도는 기업의 도입 준비에 달려 있다

• 진행자는 일자리 감소가 더 크고 빠르게 나타날 것으로 예상하며 이미 변화가 진행 중이라고 본다. 다인스는 자신과 자녀의 미래에 매우 낙관적이며, 고용 충격의 규모와 속도에서도 더 완만한 전망을 유지한다. [1:03:18]
• 다인스는 기업이 업무 프로세스를 훨씬 자세하게 문서화해야 하므로 AI 확산이 진행자의 예상만큼 빠르지는 않을 것이라고 판단한다. [1:03:42]

34. 유럽의 기술 자산과 미국의 사업화 역량 사이에 격차가 있다

• 다인스는 유럽의 기술적 영향력이 크게 약해졌다고 평가한다. 반도체 제조 장비를 만드는 주요 기업과 뛰어난 AI 인재를 보유하면서도 이를 충분한 산업 경쟁력으로 연결하지 못하고 있다는 문제의식이다. [1:04:21]
• 영국 팀이 오후 5시에 펍으로 향했던 자신의 경험을 들며, 근무 태도 차이를 돈보다 문화의 차이로 해석한다. 자신의 기업가적 성공에는 미국의 역동적인 창업 문화가 중요했다고 본다. [1:05:10]

35. 유럽의 AI 기회는 응용 기술과 주권 수요에 있다

• 유럽에서도 성공적인 AI 기업이 나올 것으로 예상하지만, 최첨단 모델 연구소보다는 AI 응용 분야의 가능성에 무게를 둔다. 에너지와 모델에 대한 주권도 중요한 사업 조건으로 인정한다. [1:07:11]
• 유럽 고객은 온프레미스 소프트웨어와 모델 선택권을 선호한다는 판단이다. Fireworks에 온프레미스 제공을 설득한 경험을 들며 큰 시장을 예상하지만, 유럽에서는 기술을 먼저 입증해야 매출이 따라온다고 본다. [1:07:33]

36. 공개시장은 성장률로 AI 승자와 패자를 가르려 한다

• 다인스는 UiPath의 지난해 성장률을 약 14%라고 보여준다. 진행자는 20% 이상 성장하지 못하는 기업에 공개시장이 매우 가혹하다는 관점을 제시한다. [1:08:10]
• 다인스는 투자자들이 AI의 승자와 패자를 구분하는 데 혼란을 겪고 있다고 본다. 수백 개 소프트웨어 기업을 깊이 분석하기 어려워, 뚜렷한 성장과 사업 성과가 없으면 AI 패자로 분류하기 쉽다는 설명이다. [1:08:35]

37. UiPath의 강세 논리는 업무 맥락과 실행 통제의 결합이다

• 기업가치 500억 달러의 가능성을 묻는 질문에, 다인스는 Gartner의 업무 오케스트레이션·자동화 기술 평가에서 UiPath가 전년의 도전자에서 리더로 이동했다는 점을 근거로 든다. 이를 RPA 중심 기업에서 오케스트레이션과 자동화 기업으로 전환한 증거로 해석한다. [1:09:02]
• AI 에이전트 하나가 기업의 모든 프로세스를 알아서 조율하고 자동화한다는 기대에는 한계가 있다고 본다. 업무용 소프트웨어를 만드는 일은 1년 전보다 쉬워졌지만, 그 소프트웨어를 실제로 운영하는 에이전트를 만드는 일은 여전히 어렵다는 주장이다. [1:09:56]

38. UiPath의 약세 시나리오는 인간을 대체하는 초저비용 AI다

• AI가 실제 사람을 대체할 만큼 유능해지고 토큰 비용이 거의 0에 가까워져, 기업의 모든 업무를 맡길 수 있는 ‘수백만 명의 아인슈타인’이 생기는 상황이 UiPath에 불리한 시나리오다. 단순한 추론 능력 향상을 넘어서는 조건이다. [1:12:08]
• 진행자는 토큰 100만 개당 비용이 60달러에서 1달러로 내려갔다며 추가 하락을 예상한다. 다인스도 그 가능성을 인정하고, 현재의 토큰 비용 때문에 투자를 중단하지는 않겠다고 드러낸다. [1:12:43]

39. CEO의 업무가 발표 자료 검토에서 AI와 문서 분석으로 바뀐다

• CEO 업무에서 가장 어려운 과제는 서로 다른 성격과 자존심, 자아를 가진 사람들의 방향을 맞추는 일이다. [1:13:07]
• 다인스는 하루의 절반가량을 Visual Studio Code에서 AI와 작업하며 보내고, 그 결과 회사에 미칠 수 있는 영향력이 이전보다 커졌다고 느낀다. [1:13:20]

40. 엔비디아의 추가 상승 가능성을 낙관한다

• 진행자는 엔비디아의 기업가치가 3년 뒤 7조 5,000억 달러를 넘을지 묻는다. 다인스는 약 40%의 추가 상승을 충분히 상상할 수 있다고 답하며 낙관적인 투자 견해를 보인다. [1:14:41]

41. 오래된 관계는 창업자의 외로움 속에서 삶의 연속성을 지켜준다

• 외로움을 느끼는 창업자에게 어린 시절부터 알고 지낸 가까운 친구들과 더 자주 대화하라고 조언한다. 이들은 성공 이전의 자신을 알고 있어 변화한 현재의 모습까지 연결해서 이해할 수 있다는 이유다. [1:15:11]
• 이런 관계가 외로움을 완전히 없애지는 않지만 삶이 이어진다는 감각을 줄 수 있다고 본다. 친구 및 가족과 함께하는 시간을 자신의 삶에서 가장 보람 있는 부분 가운데 하나로 꼽는다. [1:16:01]

42. 장수에 대한 기대와 개인적인 건강 관리 경험

• 진행자는 어머니의 다발성경화증을 계기로 만성질환 치료의 돌파구를 기대한다. 다인스는 나이가 들며 느끼는 신체적 불편과 연결해 장수 분야에 큰 관심을 보인다. [1:16:26]
• 다인스는 펩타이드와 보충제를 활용하며 하루 약 60종의 보충제를 복용한다고 드러낸다. 본인의 설명에 따르면 AI가 이를 추천하고 검토했으며, 알약과 분말을 시간대별로 나눠 복용한다. [1:16:55]

43. 책은 다운로드로 공개됐고 행사에서 인쇄본을 배포할 예정이다

• 책은 이미 다운로드할 수 있으며 인쇄본도 제작 중이다. 다인스는 몇 주 뒤 열릴 Fusion 행사 참석자들에게 책을 한 부씩 배포할 계획이라고 드러낸다. [1:18:27]

🧾 결론

• 기업 AI 도입의 출발점은 실제로 일이 처리되는 방식과 판단 근거를 파악하는 것이다. 화면 기록에 전문가 인터뷰를 더해야 숨은 예외를 드러낼 수 있다.
• 업무 맥락을 담은 지도와 허용된 실행 경로를 통제하는 자동화를 결합하는 것이 다인스가 제시하는 기업 운영 구조다.
• 모델의 발전 속도와 기업의 도입 속도는 다를 수 있다. 업무 문서화, 운영 검증, 직원 전환에 필요한 시간이 확산 속도를 좌우한다.

📈 투자·시사 포인트

• 기업용 AI의 경쟁력은 모델 호출 기능뿐 아니라 고객의 업무 흐름을 얼마나 깊이 구현하고 안정적으로 운영하는지에서 평가할 필요가 있다. 절감되는 인건비 전체가 공급자의 매출로 전환된다는 가정은 경계해야 한다.
• UiPath의 강세 논리는 업무 지도와 오케스트레이션·자동화의 결합이다. 반대로 사람 수준의 업무 수행 능력과 초저비용 추론이 함께 실현되면 이 논리가 약해질 수 있다.
• AI 인프라 투자는 노동 대체의 실현 시점에 민감하다. 장기적으로 필요한 설비도 수요가 늦게 발생하면 단기적으로 과잉이 될 수 있다는 것이 다인스의 우려다.
• 유망한 기업을 보유하는 판단과 높은 가격에 새로 매수하는 판단은 구분해야 한다. 다인스는 AI 기업의 IPO 투자에도 실제 재무 수치와 추가 성장 경로를 확인해야 한다고 본다.

⚠️ 불확실하거나 확인이 필요한 부분

• 현장 학습과 주도성에 관한 설명은 다인스의 현재 기술 평가다. 진행자는 모델의 개선 가능성과 빠른 도입 사례를 제시하며 반박하고, 재귀적 자기개선의 결과는 양측 모두 불확실하다고 인정한다.
• 단계별 성공률 99%를 100번 곱한 결과를 ‘약 60%’로 표현한 대목은 재계산이 필요하다. 또한 단계별 확률을 곱하려면 오류의 독립성 같은 가정을 확인해야 하므로 실제 업무의 성공률로 바로 적용할 수 없다.
• 기업 업무 흐름의 90%가 비용 효율적인 모델로 향한다는 수치와 인프라 수요 전망은 예측이다. 개별 기업의 인력 축소·재채용 사례도 산업 전체의 효과를 입증하지는 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

• 자동화 후보 업무 하나를 골라 목표, 처리 절차, 사용 시스템, 예외, 담당자의 판단 이유를 업무 지도로 작성한다.
• 화면 기록만으로 설명되지 않는 고객 관계와 우선순위 판단을 실무자 인터뷰로 보완한다.
• AI가 판단하거나 코드를 만드는 단계와 검증 가능한 소프트웨어가 실행하는 단계를 구분하고, 전체 업무의 정확성과 예외 처리 결과를 확인한다.
• 운영 전 권한·보안·감사·테스트·유지보수 부담을 점검하고, 시제품 성과와 실제 운영 성과를 구분한다.

❓ 열린 질문

• 업무 지도가 핵심 자산이 된다면 그 소유권과 경제적 가치는 고객 기업과 자동화 플랫폼 사이에 어떻게 배분될까?
• AI가 업무 경험으로 학습하는 능력이 발전하면 기업별 매뉴얼과 실행 통제의 필요성은 얼마나 달라질까?
• 업무 관찰과 인터뷰로 수집하기 어려운 신뢰·주도성·관계의 가치를 자동화 설계와 인력 평가에 어떻게 반영할 수 있을까?