🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

DoorDash가 구축하는 자율 배송 경험의 핵심은 자연어 에이전트가 주문 의도를 포착하고, 실제 배송 조건에서 역산한 Dot·드론·대셔를 하나의 운영 플랫폼으로 연결하는 것이다.

📌 핵심 요점

1. Ask DoorDash는 키워드 검색을 자연어 주문으로 전환해 이용 경로의 50%에서 신규 음식점 선택을 이끌었고, 복합적인 장보기 요청에서는 장바구니 규모를 약 40% 키웠다.
2. 에이전트 우선 커머스는 식단·알레르기·참석자·재고처럼 반복되는 생활 맥락을 기억하고, 탐색부터 자동 재주문까지 구매 마찰을 줄이는 방향으로 확장된다.
3. DoorDash는 범용 보도 로봇과 로보택시가 실제 배송의 거리·속도·인수인계 조건에 맞지 않는다고 보고, 3~5마일 교외 배송에 특화된 300파운드급 L4 로봇 Dot을 개발했다.
4. 누적 100억 건의 배송 기록, 실제 하차 위치, 매장별 픽업 절차와 예외 대응 데이터는 마지막 100피트와 도시별 운영 문제를 해결하는 핵심 경쟁 자산이다.
5. 대규모 자율 배송의 병목은 자율주행 모델 하나가 아니라 제조·정비·충전·공급망·매장 연동·차량군 운영이며, 배송망과 기업 AI 모두 실제 과업별 성과와 비용으로 투자수익률을 측정해야 한다.

🧩 배경과 문제 정의

• 기존 키워드 검색과 반복적인 화면 조작만으로는 새로운 음식점 발견, 식단 제약을 반영한 장보기와 반복 주문 같은 잠재 수요를 충분히 처리하기 어렵다. [01:17]
• 에이전트형 커머스는 사용자의 의도와 생활 맥락을 주문으로 직접 변환해 선택의 다양성, 장바구니 규모와 구매 편의성을 함께 높일 수 있다. [02:18]
• 물리적 배송에서는 범용 보도 로봇과 로보택시가 DoorDash의 거리·속도·정확한 인수인계 조건에 맞지 않아 실제 배송 용도에서 역산한 자율주행 체계가 필요하다. [14:59]

🕒 시간순 섹션별 상세정리

1. 음성에서 자연어 기반 주문으로의 전환

• 초기에는 음성을 핵심 인터페이스로 기대했지만 사용자 경험으로 자리 잡지 못했고, 머릿속 요구를 그대로 표현하는 대화형 방식이 새로운 방향이 됐다. [00:54]
• 자연어 검색은 키워드를 조합하거나 사전 조사하는 부담을 줄이면서 세밀한 음식점 탐색과 복합적인 장보기 요청을 처리했고, 확대 출시 이후에도 이용 흐름이 유지됐다. [01:17]

2. 신규 음식점 발견과 장보기 수요의 확대

• Ask DoorDash 음식점 이용 경로의 50%에서 과거에 주문한 적 없는 매장이 선택됐으며, 이는 기존 서비스에서 바꾸기 가장 어려웠던 신규 매장 탐색 행동을 크게 움직인 결과다. [02:02]
• 식재료 사진, 식단 제약, 가족 식사 계획, 평소 구매품 재주문을 한 요청으로 처리하면서 식료품 장바구니 규모가 약 40% 커졌다. [02:18]
• 인터넷 유행과 커뮤니티 반응 등 DoorDash 외부의 최신 정보를 음식점 탐색에 결합해 모델의 지식 시차를 보완하고 추천에 대한 신뢰를 높였다. [03:27]

3. 초기 진입 장벽과 에이전트 중심 커머스

• 자유롭게 질문할 수 있어도 무엇부터 입력해야 할지 모르는 사용자가 있어, 추천 질의와 실험적인 화면 설계로 실제 활용 사례를 발견하게 만드는 과정이 필요하다. [04:10]
• 지금 DoorDash를 새로 만든다면 더 나은 화면을 갖춘 기존 서비스가 아니라 에이전트 우선 구조가 적합하며, 웹의 에이전트 트래픽이 인간 트래픽보다 많아진 변화가 이를 뒷받침한다. [04:56]

4. 생활 맥락을 활용한 반복 주문 자동화

• 사무실 식료품 선반을 카메라로 확인하다 재고가 부족해지면 자동으로 보충 주문을 보내는 방식은 에이전트가 실제 구매 과정에 참여할 때의 마찰을 줄인다. [05:21]
• 가족 모임이나 사무실 점심은 참석자, 알레르기, 식단 선호, 주문 마감 시간을 매번 조율해야 하므로, 반복되는 조건을 기억한 자동 주문이 운영자의 부담을 크게 낮출 수 있다. [06:41]

5. 2018년에 시작된 로봇·자율주행 투자

• 자율주행과 로봇이 배송 산업을 바꾸거나 기존 사업을 위협할 기술이라는 판단 아래, 대중적 가능성이 뚜렷하지 않았던 2018년부터 관련 탐색이 시작됐다. [07:26]
• 미래의 경쟁자는 기존 DoorDash에 더 나은 화면만 붙이는 대신 AI 에이전트, 자율주행, 로봇, 드론 배송을 결합할 가능성이 크며, 최근의 기술 확산은 초기 투자의 필요성을 뒷받침한다. [08:16]

6. 소규모 실험과 외부 협력으로 시작한 투자 방식

• DoorDash 자체도 8개의 PDF 메뉴와 Google Voice 번호를 붙인 대학 기숙사 웹사이트 실험에서 출발했으며, 가능성을 확인한 뒤 회사로 확장하는 방식을 장기 기술 투자에도 적용했다. [08:53]
• 2018년 로봇 프로젝트는 전담 대규모 조직이 아니라 공동창업자와 엔지니어 업무 시간의 절반으로 구성된 비공개 실험이었고, 하드웨어 개발보다 시장 탐색과 학습이 우선이었다. [09:25]
• 자체 로봇이 필요하지 않을 것으로 보고 보도 로봇부터 로보택시까지 여러 업체와 수년간 협력했으며, DoorDash는 API와 주문 배분·유통 플랫폼을 담당했다. [09:57]

7. 협력 과정에서 확인한 자율배송 플랫폼의 조건

• 다양한 업체와의 실험은 자율배송이 실현될지보다 언제 실현될지가 핵심이라는 판단을 굳혔고, 실제 자율주행 차량의 확산은 지속적인 투자의 근거가 됐다. [10:31]
• 로봇이나 언어 모델만 기존 서비스에 추가해서는 배송이 작동하지 않으며, 주문 선택, 운영 절차, 상점 연동, 소비자 경험을 포괄하는 기반 생태계가 필요하다. [10:51]
• 자율배송 플랫폼은 로봇·드론이 보편화된 환경을 전제로 API, 배차, 상점 통합, 고객 접점을 하나의 시스템으로 연결한다. [11:23]

8. 기술이 아닌 배송 용도에서 역산한 로봇

• 다수의 자율주행 스타트업은 기술을 먼저 만든 뒤 적용할 문제를 찾았고, 그 결과 DoorDash의 구체적인 배송 조건에 정확히 맞지 않는 제품이 만들어졌다. [12:00]
• 시속 2~3마일인 보도 로봇은 평균 3~5마일을 조리 시간을 제외하고 약 15분 안에 이동해야 하는 배송 조건을 충족하기 어렵다. [13:16]
• 4,000파운드급 로보택시는 소량의 음식 운송에 과도하고 승객과 달리 상품은 한 블록을 걸을 수 없으므로, 상점 픽업부터 현관 인도까지 ‘처음과 마지막 100피트’를 해결하는 전용 시스템을 고객 용도에서 역산해야 한다. [14:59]

9. 보도 로봇과 로보택시 사이의 배송 수단

• 배송이 집중되는 고밀도 교외의 3~5마일 구간에는 약 300파운드 무게로 시속 20~25마일을 달리는 자율주행 오토바이·스쿠터형 차량이 적합하다. [15:16]
• 이 영역을 개발하는 업체가 없자 자체 투자를 결정했고, 실제 DoorDash 배송과 누적 100억 건의 운영 경험을 반복적으로 분석해 자율배송 로봇 Dot을 개발했다. [15:53]
• 제품 개발은 기술 자체보다 고객 문제와 사용 사례에서 출발해 가설을 검증하고 점진적으로 완성하는 방식으로 진행된다. [16:28]

10. 범용 소프트웨어와 다른 물리 세계의 복잡성

• 범용 모델을 먼저 만들면 응용과 운영 문제는 부차적으로 해결된다는 ChatGPT식 가정은 자율주행처럼 물리 세계와 맞닿은 사업에 그대로 적용하기 어렵다. [17:17]
• DoorDash의 연간 30억 건 배송은 지역·날씨·상품 종류에 따라 모두 다르며, 샌프란시스코와 댈러스의 환경부터 피자·아이스크림·식료품·의약품의 취급 조건까지 서로 다른 변수를 만든다. [18:11]
• 이런 다양성은 단일 기술의 성능보다 각 사용 사례를 이해하고 현실의 복잡성을 관리하는 능력을 더 중요하게 만든다. [18:55]

11. 현실 데이터의 우위와 자동화의 경제적 기준

• 누적 100억 건의 배송 데이터와 월간 4천만 명 이상의 소비자 기반에는 배송 실패 대응과 매장별 연동 방식이 축적돼 있으며, 대형 체인과 소규모 매장에는 서로 다른 픽업 절차가 필요하다. [19:26]
• Tasks는 Dasher 인력을 활용해 월드 모델 학습용 데이터를 수집하지만, 휴머노이드 로봇 분야는 폼팩터와 모델 방향이 아직 불확실하고 초기 제품 구축에도 큰 비용이 든다. [20:19]
• 물리적 자동화는 기존 사람이 수행하는 방식보다 품질이나 비용 측면에서 실제로 우수해야 투자와 도입의 가치를 확보한다. [20:54]

12. Dot의 사양과 실세계 데이터의 가치

• Dot은 DoorDash가 자체 개발한 300파운드급 L4 자율배송 로봇으로, 차량 크기의 약 10분의 1이며 시속 20마일로 보도·자전거도로·일반 도로를 모두 주행한다. [21:27]
• 피닉스와 템피에서는 약 2년 동안 실제 배송에 투입돼 단발성 시연이 아닌 반복 운행 데이터를 축적했다. [21:52]
• 로봇이 선별된 한 가지 작업에 성공하는 것과 다양한 물체·환경에서 안정적으로 작동하는 것은 별개의 문제이며, 실제 환경에서 얻은 데이터가 현실적인 조건 분포를 가장 잘 반영한다. [22:30]

13. 주문별로 수단을 나누는 다중 운송 전략

• DoorDash는 모든 배송을 하나의 로봇으로 처리하지 않고 주문 조건에 맞는 운송 수단을 선택하며, Dot은 교외 쇼핑몰에서 출발하는 3~5마일 배송을 담당한다. [23:23]
• 도로 사정이 좋지 않은 농촌의 가벼운 주문에는 드론을 배정하고, 계단 이동과 상품 선별·포장이 필요한 복잡한 식료품 주문에는 사람이 계속 참여한다. [24:01]
• 자동화 수단을 한꺼번에 전환하지 않고 단계적으로 도입하면 로봇에 적합한 배송과 사람이 필요한 배송을 분리하면서 각 수단의 적용 범위를 넓힐 수 있다. [24:20]

14. 하나의 앱과 연동으로 묶는 지역 상거래 생태계

• 소비자는 같은 앱을 계속 사용하고 매장은 한 번의 DoorDash 연동만 유지하면서, 실제 배송에는 Dasher·드론·자율주행 로봇 중 적합한 수단이 배정된다. [24:55]
• 이 통합 구조는 배송 수단뿐 아니라 AI 도구와 제품까지 하나의 지역 상거래 생태계로 연결한다. [25:14]
• 40~50개 이상의 국가에서 서로 다른 매장·업무·물리 환경을 동시에 지원해야 하므로 이 생태계를 그대로 복제하기는 어렵다. [25:38]

15. 연구보다 현실 배포를 중시하는 개발 문화

• 채용 경쟁력은 연구실의 프로토타입과 시연에 머무르지 않고 실제 환경에 제품을 출시해 사용자에게 영향을 줄 수 있다는 데서 나온다. [26:18]
• 순수 연구만 지속하기보다 완성한 기술을 현실 서비스에 투입하며, 오랫동안 제품의 실제 사용을 보지 못한 자율주행 인력에게 직접적인 결과와 학습 기회를 제공한다. [26:43]
• 거대한 장기 목표보다 먼저 배포 가능한 제품을 만들고 물리 세계와 접촉시켜야 예상하지 못한 조건을 발견하고 반복적으로 개선할 수 있다. [27:23]

16. 시연을 넘어 대규모 서비스로 확장하는 과제

• 피닉스의 2년 이상 운행 경험은 한 번 성공하는 시연과 대규모 차량·서비스·사업을 지속적으로 운영하는 일이 전혀 다른 문제임을 보여준다. [27:51]
• 하루 10시간씩 주 7일 운행하면 카메라 센서의 먼지처럼 시연 환경에서 드러나지 않던 문제가 누적되고, 자율주행 스택은 이런 오염에도 견뎌야 한다. [28:36]
• 도로 가장자리의 낙엽에 오른쪽 바퀴만 올라가면 좌우 접지력이 달라지므로 휠 토크와 저수준 제어를 즉시 조정해야 하며, 대규모 운영에는 차고지·정비·배터리 재충전 체계도 필요하다. [29:57]

17. 시제품을 대규모 로봇군으로 전환할 때의 숨은 병목

• 급제동 시 회생제동 시스템이 배터리에 전기적 충격을 줄 수 있는 극단적 상황까지 처리해야 하며, 드물게 발생하더라도 안전과 직결되므로 해결이 필수다. [30:05]
• 몇 시간 만에 만든 젠킨스 부팅 스크립트는 시제품 단계에서는 충분했지만, 매일 수백 대를 가동하면 잦은 오류와 대당 30~45분의 지연이 누적돼 심각한 생산성 손실을 만든다. [30:37]
• 규모가 커질수록 신뢰성·공급망뿐 아니라 매장 교육, 상품 인수·인계, 고객 위치 식별까지 하나의 운영 시스템으로 연결해야 한다. [31:20]

18. 마지막 100피트와 독점적인 배송 위치 데이터

• 지도상의 GPS 핀은 특히 아파트 단지에서 실제 출입구와 일치하지 않으며, 사람과 달리 로봇은 어느 매장·현관·게이트로 가야 하는지 주변 맥락만으로 판단하기 어렵다. [31:43]
• 과거 배달원이 실제로 상품을 내려놓은 위치 데이터는 마지막 100피트 문제를 보완하며, 일반 지도에는 없고 DoorDash의 배송 기록에만 축적된 경쟁 자산이다. [32:22]

19. 시뮬레이션의 한계와 현실 세계의 분포

• 기존 기업의 데이터 우위는 고객 기록의 양이 아니라 특정 AI가 수행할 실제 과업과 직접 연결되는 데이터인지에 따라 결정된다. [32:48]
• 식기세척기 안의 고양이나 낙엽 위에 걸친 바퀴처럼 현실의 변수는 엔지니어가 사전에 모두 상상할 수 없으며, 충분한 현장 배포를 통해서만 발생 빈도와 대응 범위를 파악할 수 있다. [33:22]
• 제한된 데모와 시뮬레이션을 넘어 실제 데이터를 수집·주석 처리하고 로봇 배치와 차량군 운영을 지원하는 조직 역량이 기술 성능을 현실의 배송으로 전환한다. [34:19]

20. 자율주행 기술에서 도시별 운영 확장으로

• 피닉스에서 2년 넘게 배송을 수행하고 완전 자율주행 레벨 4에 도달하면서, 과제는 소수의 로봇을 10대·100대 이상으로 확대하는 단계로 바뀌었다. [35:25]
• 배송용 자율주행 스택은 도로와 보도를 오가는 자전거 차로형 차량에 맞춰 자체 구축됐으며, Waymo 같은 승용차 중심 기술을 그대로 복사해서 적용할 수 없다. [35:50]
• 자율주행 자체의 제약은 점차 줄어드는 반면, 피닉스·샌프란시스코·런던·헬싱키처럼 도시마다 다른 매장 환경과 연동 방식에 맞춘 인터페이스와 차량군 관리가 새로운 병목이 된다. [37:03]

21. 하드웨어 제조와 상용화 역량의 부상

• 초기 100대는 직접 제작할 수 있었지만 1,000대와 1만 대 규모에서는 공급망, 부품 신뢰성, 실제 운행 수명을 관리하는 제조 체계가 필요하다. [37:36]
• 차량 확장 경험을 보완하기 위해 Rivian에서 분사한 마이크로모빌리티 기업 Also와 협력하며, 현장 운행 데이터에 기반한 제조·내구성 학습을 결합했다. [38:25]
• 5년 전의 핵심 난제가 자율주행이었다면 현재는 운영·상용화·하드웨어·제조이며, DoorDash의 네트워크와 운영 규모가 기술을 대량 배포로 전환하는 기반이 된다. [38:52]

22. 대기업의 AI 네이티브 전환과 투자수익률 측정

• 기술 산업에서 높은 성과를 내는 방식이 빠르게 바뀌었지만, 대규모 조직은 기존 업무 방식에 익숙해 최전선 AI가 가능하게 한 변화를 체감하기 어렵고, Metis 인수는 외부의 AI 네이티브 경험을 조직에 주입하려는 선택이었다. [40:01]
• 코딩에서 먼저 생산성 향상이 나타났고, Dashbench는 여러 모델과 실행 도구가 실제 코딩 과제를 얼마나 잘 수행하는지 비교해 AI 투자의 효과를 측정하는 출발점이 됐다. [40:50]
• AI 관련 지출은 1월 대비 6월에 약 20배로 증가해, 사용량 확대를 넘어 지출에 상응하는 수익과 생산성 향상을 계산해야 할 필요성이 커졌다. [41:24]

23. AI 비용 안정화와 업무별 모델 배분

• 초기에는 가능성을 확인하기 위한 자유로운 실험이 지출을 급격히 늘렸지만, 낭비를 줄이는 의도적 관리가 시작되면서 전체 비용은 정체 구간에 들어갔다. [41:58]
• 높은 지능이 필요한 작업에는 강력한 모델을 사용하고 저비용 작업은 오픈 웨이트 모델에 맡기면, 비슷한 성능을 유지하면서 폐쇄형 모델만 사용할 때보다 비용을 낮출 수 있다. [42:27]
• 지출의 대부분은 여전히 엔지니어링 업무에서 발생하지만, 사용자 좌석은 분석가·운영 담당자·계정 관리자 등 비기술 조직에서 가장 빠르게 늘며 분기별 비즈니스 리뷰 자동화 같은 용도로 확산되고 있다. [42:47]

24. 실험실 성능과 실제 기업 업무 사이의 격차

• 코딩 외 영역의 투자수익률을 계산하려면 회계·분석·운영 업무도 벤치마크해야 하지만, 현업의 “그럭저럭 작동한다”는 평가만으로는 수천만 달러 규모의 비용을 정당화하기 어렵다. [43:17]
• 민감 정보를 제거하고 문제를 단순화해 연구소 환경에 넣으면 모델이 높은 성능을 내지만, 복잡한 기업 데이터와 실제 업무 조건에서는 같은 성능이 재현되지 않는다. [43:55]
• 남은 과제는 실행 도구와 업무 환경을 개선하면 격차가 해소되는지, 아니면 모델의 학습 분포와 역량 자체에 회계·분석·재무 업무를 가로막는 한계가 있는지 판별하는 것이다. [44:20]

25. 인간과 자율주행 수단이 함께 확장되는 배송망

• DoorDash는 900만 명이 넘는 대셔와 연간 25% 성장률을 기록하고 있으며, 10년 뒤 5~10배 규모로 커지려면 미국인의 절반이 매달 배송에 참여하는 방식으로는 필요한 공급을 확보하기 어렵다. [45:40]
• 드론·자율주행차·보도 주행 로봇을 인간 배달원과 결합한 멀티모달 배송망이 필요하며, 활용 가능한 모든 수단을 확보해야 사업 규모와 운영 효율을 함께 높일 수 있다. [46:03]
• 자동화가 배송 비용을 낮추면 주문 수요가 더 강하게 늘어나므로, 로봇과 자율주행 수단의 확대에도 인간 배달원의 수는 오히려 증가할 가능성이 크다. [46:29]

26. 자연어 주문에서 자동 재고 보충으로 확장되는 에이전트 상거래

• Google 검색어가 길어진 흐름은 사용자가 앱이나 에이전트에 사람처럼 구체적으로 요청하는 데 익숙해졌음을 보여주며, 자연스러운 대화형 인터페이스는 음식·식료품·소매 주문의 마찰을 낮춘다. [47:22]
• 에이전트가 우선 사용하는 경험을 고려해야 하며, DoorDash CLI는 사람이 앱을 직접 조작하지 않아도 외부 도구가 주문 기능을 업무 흐름에 연결할 수 있는 초기 실험이다. [47:42]
• 한 스타트업은 카메라로 사무실 식료품 선반을 확인하고 재고가 줄면 에이전트가 편의점 상품과 식료품을 자동 주문하도록 구성했으며, 이런 자동 보충은 에이전트 중심 환경에서 실용적인 구매 방식으로 발전할 수 있다. [48:42]

🧾 결론

• 자율 배송은 로봇을 기존 앱에 추가하는 기능이 아니라 주문 선택, 배차, 매장 연동, 고객 인수인계와 운영을 함께 설계하는 시스템 문제다.
• 에이전트형 주문과 물리적 자동화는 별개의 흐름이 아니다. 앞단에서는 자연어가 의도를 주문으로 바꾸고, 뒷단에서는 플랫폼이 주문별 최적 운송 수단을 선택한다.
• 물리 세계에서 지속적인 우위는 범용 모델의 성능보다 과업에 직접 연결된 현실 데이터와 반복 배포를 통해 예외를 발견하고 해결하는 역량에서 나온다.
• Dot의 기술적 완성도만큼 중요한 다음 단계는 수백·수천 대를 안정적으로 제조하고 여러 도시의 서로 다른 운영 환경에 맞춰 확장하는 것이다.

📈 투자·시사 포인트

• 자율주행·로봇 기업의 가치는 시연 성능만이 아니라 실제 가동 시간, 안전성, 정비 체계, 공급망과 단위 경제성을 포함한 상용화 역량으로 평가해야 한다.
• 기존 기업의 데이터가 모두 해자가 되는 것은 아니다. 특정 AI가 수행할 실제 과업과 직접 연결되고 지속적으로 갱신되는 데이터인지가 더 중요하다.
• 인간 배달원을 한 종류의 로봇으로 일괄 대체하는 관점보다 사람·드론·보도 로봇·중거리 자율주행 차량을 주문별로 조합하는 멀티모달 전략이 현실적이다.
• 기업 AI 지출은 초기 실험 확대 이후 업무별 벤치마크와 모델 배분이 중요해진다. 고난도 작업에는 강력한 모델을, 저비용 작업에는 오픈 웨이트 모델을 적용하는 비용 최적화가 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• Ask DoorDash의 신규 매장 선택 50%와 장바구니 약 40% 증가 수치는 비교 기준, 표본 규모, 측정 기간과 사용자군별 차이가 제시되지 않아 일반화 범위를 확인해야 한다.
• Dot이 피닉스와 템피에서 약 2년간 운행됐다는 사실은 제시됐지만 사고율, 개입 빈도, 배송 성공률, 가동률과 건당 비용 같은 상용화 핵심 지표는 공개되지 않았다.
• AI 지출이 1월 대비 6월에 약 20배 증가하고 이후 정체됐다는 설명만으로는 생산성 향상과 재무적 수익이 비용을 상쇄했는지 판단하기 어렵다.
• 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

• 자연어 주문 실험에서는 신규 매장 발견률, 장바구니 규모, 주문 완료율, 재주문율을 기존 키워드 검색 경로와 분리해 측정한다.
• 거리·무게·도로 환경·계단·상품 선별·인수인계 난도를 기준으로 사람, 드론, 보도 로봇과 Dot의 주문 배분 매트릭스를 만든다.
• 마지막 100피트 위치, 매장별 픽업 절차, 실패 원인과 현장 개입을 구조화해 실제 과업에 직접 연결되는 데이터 자산으로 축적한다.
• AI 도구는 코딩·분석·운영 등 업무별 벤치마크를 마련하고, 품질·처리 시간·비용에 따라 강력한 모델과 오픈 웨이트 모델을 배분한다.

❓ 열린 질문

• Dot은 대셔나 다른 자율 배송 수단과 비교해 어느 주문 밀도와 가동률에서 품질과 비용 모두 우위를 확보하는가?
• 피닉스에서 확보한 자율주행 및 운영 체계를 샌프란시스코·런던·헬싱키처럼 환경이 다른 도시로 이전할 때 무엇을 공통화하고 무엇을 현지화해야 하는가?
• 외부 에이전트가 DoorDash CLI를 통해 주문할 때 인증, 결제 승인, 오류 복구와 책임 범위는 어떻게 설계될 것인가?