🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

“모든 소기업은 스스로 운영되어야 한다”는 Lassie의 비전은 AI를 정보 도구가 아니라 반복 행정을 끝까지 수행하는 노동력으로 전환해, 사업자가 본업에 집중하도록 만드는 데 있다.

📌 핵심 요점

1. 기존 업무용 소프트웨어는 종이 기록을 디지털화했지만, 청구·회계·고객 응대처럼 정보를 읽고 판단해 후속 조치를 하는 노동은 여전히 사람에게 남겼다.
2. Lassie는 치과 현장에서 보험 청구와 재무 업무를 직접 수행하며 업무 맥락, 실행 도구, 예외 처리 지식을 축적했고, 모델의 추론 성능이 향상될 때 지능 계층을 교체할 수 있는 구조를 만들었다.
3. 소기업에는 새로운 도구를 관리할 전담 인력이 부족하므로, 사용자가 계속 조작해야 하는 보조 기능보다 기존 시스템에 연결된 뒤 업무의 약 95~98%를 자율적으로 처리하는 제품이 더 실질적인 시간 절감을 제공한다.
4. AI 노동의 경제적 기회는 소프트웨어 사용료보다 큰 노동 예산에 있으며, 특히 채용이 어려워 사업주와 전문 인력이 반복 행정까지 떠안는 시장에서는 비용 절감뿐 아니라 서비스 공급 확대 효과도 기대할 수 있다.
5. 장기 경쟁력은 범용 모델 자체보다 산업별 데이터 온톨로지, 읽기·쓰기 연동, 현장에서 축적한 암묵적 업무 지식, 즉시 가치를 제공하는 온보딩, 분산된 소기업에 도달하는 유통망에서 형성된다.

🧩 배경과 문제 정의

• 전통적인 업무용 소프트웨어는 종이 기록을 데이터베이스로 옮겼지만, 청구·회계·고객 관리 등 실질적인 업무 수행은 여전히 사람의 몫으로 남아 있다.
• 소규모 의료기관은 인력 부족과 반복되는 행정 업무로 인해 본업인 환자 진료에 집중하기 어렵다. 우수한 사업자조차 매달 서류 처리에 막대한 시간을 할애한다.
• AI의 추론 능력이 향상되면서 소프트웨어의 역할은 정보를 저장하는 도구에서 업무를 직접 수행하는 노동력으로 확장되고 있다.
• Lassie는 진료소의 업무 맥락과 실행 도구를 먼저 구축하고, 여기에 발전하는 AI 모델을 결합해 사업체가 스스로 운영되는 상태를 지향한다.

🕒 시간순 섹션별 상세정리

1. 소규모 사업장에서 과소평가된 AI의 가치

• 실리콘밸리에서는 AI에 대한 기대가 과도한 반면, 아이오와에서는 실제 잠재력이 과소평가된다. 기존 소프트웨어가 종이 기록을 화면으로 옮긴 뒤에도 실무 노동은 그대로 남았다. [00:13]
• Yelp 최고 평점 사업자조차 매달 200시간을 서류 업무에 쓴다. 서비스 품질이 높아도 운영상의 노동 병목은 사라지지 않는다. [00:28]

2. 치과에서 발견한 월 200시간의 행정 병목

• 창업 문제를 찾던 스타인은 암스테르담에서 실리콘밸리로 이주해 Robinhood에서 일했고, 환자로 다니던 콴 박사의 치과에서 진료소 운영의 현실을 접했다. [01:38]
• 높은 평가를 받는 치과의사도 보험 청구와 반복적인 서류 작업에 매달 200시간을 썼다. 담당자를 구하지 못하면 직접 늦게까지 일해야 했다. [02:00]

3. 고객 현장에 들어가 확인한 절박한 수요

• 창업팀은 정식 제품을 내놓기 전부터 고객의 진료실에서 실제 업무를 수행하며 운영 과정과 재무 흐름을 직접 파악했다. [03:47]
• 청구 경험이 없는 창업자들이 재무 업무를 맡겠다고 했는데도, 의사들은 오랫동안 누적된 문제를 털어놓으며 협업을 받아들였다. [04:04]

4. 맥락과 도구를 먼저 구축한 자동화 구조

• 2020년부터 사업체를 자동 운전 상태로 만들겠다는 목표는 유지됐지만, 당시 AI 모델에는 복잡한 판단을 맡길 만큼의 추론 능력이 없었다. [05:58]
• 자동화하려면 환자 기록과 업무 이력을 아우르는 맥락뿐 아니라 청구·조회·수정 등의 행동을 실행할 도구도 필요하다. [06:17]

5. 기록을 디지털화했지만 노동은 남긴 기존 소프트웨어

• 초기 소프트웨어는 서류 캐비닛의 기록을 데이터베이스로 옮기는 방식에서 출발했으며, IBM과 American Airlines의 Sabre가 대표적이다. [07:40]
• 이 구조는 PeopleSoft, LexisNexis, QuickBooks, NetSuite로 확산되며 산업별 종이 기록을 전산 시스템으로 옮겼다. [08:05]

6. 정보를 보관하는 소프트웨어에서 노동을 수행하는 소프트웨어로

• 새로운 소프트웨어는 기록을 보여주는 데 그치지 않고 신원 조회, 입사 절차, 복리후생 안내, 연체 청구 후속 조치까지 수행할 수 있다. [09:21]
• 저장된 정보를 바탕으로 처리해야 할 업무는 정보 자체보다 훨씬 방대하다. 실행 능력을 갖춘 AI는 소프트웨어가 포착할 수 있는 경제적 가치를 크게 확장한다. [09:57]

7. 채용 공백이 드러낸 AI 노동의 시장 확장

• 소프트웨어 기능이 아니라 실제 업무 수행량에 과금하면, 인간보다 낮은 비용으로 기업의 노동 예산에 접근할 수 있다. [12:01]
• 닥터 슬룹은 장부와 행정을 담당하던 핵심 직원이 떠난 뒤 대체 인력을 구하지 못해 치과를 후배 의사에게 매각하고 은퇴했다. [12:52]

8. 치과 행정비와 인력난이 만든 즉각적 수요

• 미국에는 약 16만 개의 치과가 있으며, 각 치과는 행정 업무에 연간 약 20만 달러를 지출한다. 자동화가 대체할 수 있는 비용 규모가 큰 시장이다. [14:56]
• 직원을 구하지 못한 전문 의료인이 자정까지 행정 업무를 처리하면서 환자에게 쓸 시간과 직업 만족도를 함께 잃는 사례가 반복된다. [15:08]

9. 사람 없는 운영을 위한 정확성과 신뢰

• 치과 운영을 대신하는 에이전트는 의사가 계속 감시하는 보조 도구와 달리, 보험금 대사와 환자 청구를 오류 없이 처리해야 한다. [16:29]
• 사람의 최종 판단에 의존하지 않는 자율 시스템을 구축하는 데 수년이 걸렸다. 업무를 인수하는 순간부터 실제 운영을 책임질 만큼 안정적이어야 했다. [16:54]

10. 현장 업무를 직접 수행하며 자동화를 축적

• 팀은 치과 사무실에서 행정 업무를 직접 처리하며 예외 상황과 작업 순서를 익혔고, 이 현장 지식을 높은 자동화율의 기반으로 삼았다. [18:08]
• 전담 운영 인력이 없는 소규모 사업장에는 사용자가 직접 조작해야 하는 도구보다 업무 자체를 인수하는 방식이 더 적합하다. [18:21]

11. 100% 대신 98% 자동화로 얻는 실질적 절감

• 치과는 매주 약 200개의 장부·보험 포털·기록 시스템·은행 계좌 항목을 대조한다. 수동 처리 대상을 몇 건으로 줄이면 매주 10~20시간을 절약할 수 있다. [20:30]
• 일부 청구를 사람이 처리하더라도 대부분이 자동화되면 운영 난도는 크게 낮아진다. 완전 자동화가 아니어도 충분한 가치를 만들 수 있다. [20:56]

12. 기존 시스템 연동과 고객 접점 소유

• Lassie는 기존 소프트웨어의 교체를 요구하지 않고 진료 관리 시스템과 연동해 전환 비용과 운영 중단 위험을 낮춘다. [22:08]
• TiVo와 ReplayTV는 혁신적인 녹화 기술을 개발했지만 고객 관계를 케이블 사업자가 장악해 유통 통제권의 한계를 넘지 못했다. [22:36]

13. 고객 접점 선점과 기존 사업자의 복제 우위

• 초기 Stripe는 평범해 보이는 결제 처리로 고객 접점과 거래 파이프를 먼저 장악한 뒤, 이를 기반으로 고수익 후속 사업에 진입했다. [24:14]
• Workday 연동형 신원 조회 서비스는 수요가 분명해도, 고객을 보유한 Workday가 같은 기능을 추가하면 유통 경쟁에서 밀릴 위험이 크다. [24:35]

14. 소프트웨어가 없던 노동 시장의 AI 기회

• 기존 해결책이 소프트웨어가 아닌 사람의 직접 노동뿐이었던 업종에서는 기능을 복제할 기존 강자가 없어 AI 기업이 새 시장을 만들 수 있다. [26:20]
• 반면 기존 소프트웨어 사업자가 고객을 장악한 업종에서는 해당 제품이 AI 기능을 추가할 수 있어 순수 AI 스타트업의 대체 위험이 높다. [26:46]

15. 파편화된 시스템을 연결하는 기술적 해자

• 보험 청구와 환자 결제의 정의가 시스템마다 달라, 단순 연동을 넘어 생태계 전체가 공유할 데이터 온톨로지가 필요하다. [28:18]
• 시스템별 읽기·쓰기 연동, 공통 데이터 모델, 실제 업무를 통해 개선되는 에이전트를 차례로 구축한 경험이 기술적 해자가 된다. [28:45]

16. 즉시 작동해야 하는 AI 온보딩

• AI 앱을 설치하는 것만으로 기존 수작업이 자동화되지는 않으며, 현장별 설정을 얼마나 자동화하느냐가 비용 구조와 확장성을 결정한다. [30:11]
• Lassie에는 기술 개발뿐 아니라 AI의 가능성을 낮게 평가하는 지역 사업자에게 도달해야 하는 라스트마일 유통 과제도 남아 있다. [30:35]

17. 금융 서비스 수준으로 단순화한 셀프서비스 설정

• 원장은 Stripe나 Replit 가입과 비슷한 흐름에서 은행 계좌·기록 시스템·보험 청구 포털을 연결하고 의료진과 사업자 정보를 확인한다. [32:04]
• Lassie는 연결된 정보로 업무 환경을 자동 구성하며, 남은 절차까지 해결하면 수개월 안에 거의 셀프서비스 방식으로 에이전트를 설치할 수 있다. [32:26]

18. 치과에서 모든 소상공인으로 확장하는 3단계 구상

• 최종 목표는 모든 소상공인이 스스로 운영되는 상태이며, 업무용 에이전트가 반복 업무를 맡고 다른 주체의 에이전트와 직접 상호작용한다. [34:06]
• 첫 단계는 미국 치과 16만 곳의 미충원 노동 수요를 공략하는 것이며, 치과 시장만으로도 약 10억 달러의 반복 매출 기회가 있다. [34:30]

19. 엄격한 고객 선별과 설계된 온보딩

• 초기에는 한 가지 문제를 정확히 해결한 뒤 범위를 확장하되, 장기적으로 모든 소기업의 운영을 돕는 방향을 유지한다. [36:01]
• 올바른 이상적 고객 프로필에 집중하고 뛰어난 경험을 보장할 수 있는 고객만 온보딩해야 초기 신뢰와 제품 성과를 지킬 수 있다. [36:40]

20. 기능 제공에서 노동의 완전한 자동화로

• 과거 제품은 사용자가 특정 작업을 할 수 있는 기능에 집중했지만, 이제는 어떤 노동을 대신하고 얼마나 많은 시간을 절약하는지가 기준이다. [37:46]
• 기존 환자 청구 도구는 명세서 발송과 결제 수납 기능만 제공했고, 금액과 보험 적용 여부를 판단하는 실제 노동은 여전히 사람에게 남았다. [38:12]

21. 높은 인재 기준과 AI 네이티브 조직

• 대규모 시장에서 제품·시장 적합성을 찾은 뒤에는 노동 자동화 기회를 빠르게 확장할 팀을 구성하는 일이 핵심 과제가 된다. [39:37]
• 빠른 성장 기울기와 강한 야망, 엔지니어링이나 영업에서 상위 5% 수준의 역량을 요구하는 채용 기준은 AI 시대에도 변하지 않았다. [39:47]

22. 운영 자동화가 만드는 진입장벽의 역설

• 누구나 ‘Betty’ 같은 AI 노동력을 확보하면 소기업 창업과 운영은 쉬워지지만, 같은 이유로 기존 사업자가 경쟁에서 살아남기는 더 어려워질 수 있다. [42:00]
• AI로 소프트웨어를 복제하는 일은 쉬워졌지만, 기존 치과의 인력과 서비스 전달 체계 전체를 복제하는 일은 여전히 훨씬 어렵다. [42:19]

23. 경쟁 심화보다 공급 확대가 큰 시장

• 자동화가 과잉 경쟁만 만든다는 전망은 수요에 상한이 있다는 전제를 요구하지만, 치과와 배관 서비스에는 현재 공급량보다 약 두 배 많은 수요가 있다. [43:32]
• 좋은 치과와 지역사회·가족을 이해하는 주치의를 찾기 어려운 현실에서는 자동화가 제로섬 경쟁보다 서비스 접근성 확대에 기여할 수 있다. [43:49]

24. 범용 모델에 없는 현장 업무 지식

• 방대한 데이터로 학습한 대형 모델도 산업 현장의 세부 워크플로를 충분히 알지 못하며, 이런 지식은 모델 내부에 체계적으로 인코딩돼 있지 않다. [46:49]
• 보험 청구를 자동화하려면 보험자별 청구 방식이 담긴 SOP와 문서를 직접 수집해야 하며, 범용 추론만으로는 산업별 처리 규칙을 완성할 수 없다. [47:05]

25. 빠르게 학습하는 소형 모델과 현장 피드백

• 적은 데이터로 빠르게 학습하는 소형 모델은 중앙의 거대 모델에만 의존하지 않고, 다양한 사물과 환경으로 지능을 확산할 가능성을 연다. [48:22]
• 개별 사물이 고유한 성격을 갖는 미래는 흥미롭지만, 현재 모델은 학습 속도가 느려 실현까지 거리가 있고 Lassie에 미칠 직접적 효용도 불확실하다. [48:40]

26. 이의 제기 비용의 소멸과 보험 산업의 공방

• AI가 제한 없이 대응할 수 있게 되면 이의 제기의 한계비용은 사실상 0에 가까워지고, 보험금 지급과 채권 회수를 둘러싼 기존 역학도 달라질 수 있다. [49:26]
• 보험사가 온라인 등록 없이 종이 수표만 보내면 분실되거나 입금되지 않을 가능성이 커지며, 이런 의도적 마찰은 지급 비용을 줄이는 수단으로 작동한다. [49:48]

27. 명확한 청구 규정과 에이전트의 실행 조건

• 크라운 치료에 필요한 엑스레이와 서술문을 보험사의 문서화된 기준에 맞춰 제출하면, 청구 결과를 규칙에 따라 판단할 수 있다. [50:55]
• 치과에서 흔히 사용하는 청구 코드만 50~100개에 이르기 때문에, 직원이 보험사별 요건을 모두 기억해 정확히 적용하기는 어렵다. [51:09]

28. 종이 수표에서 자동화 가능한 데이터로의 전환

• 미국 진료소에는 여전히 종이 수표가 도착하며, 현장에서는 약 10만 달러어치 수표를 개봉·입금한 뒤 항목별 지급명세서를 수작업으로 대조하기도 했다. [53:10]
• 수표와 명세서가 서류함에만 머물 때는 AI 자동화가 불가능했지만, 직접입금 선택권과 디지털 지급명세 형식이 의무화되면서 자동화의 기반이 마련됐다. [53:49]

29. 분산된 소기업을 위한 새로운 시장 진입 전략

• 소수의 고액 계약에 집중하는 대기업 영업 방식으로는 전국의 수천·수만 개 소기업에 도달하기 어려우므로, 대규모 고객 발굴에 맞춘 별도의 유통 체계가 필요하다. [56:38]
• Lassie는 치과의 위치·소유주·사용 시스템을 지도화하고 채용 공고 같은 구매 의도 신호를 포착해, 각 진료소의 구체적인 문제에 맞춘 메시지로 접촉한다. [57:08]

🧾 결론

• 소기업 운영 자동화의 핵심 기준은 기능의 수가 아니라, 사람이 개입하지 않아도 특정 업무가 안정적으로 완료되고 실제 노동 시간이 줄어드는지 여부다.
• 완전한 100% 자동화가 아니더라도 대부분의 반복 업무를 처리하고 드문 예외만 사람에게 넘길 수 있다면, 인력난이 심한 사업장에는 충분히 큰 운영 개선이 될 수 있다.
• 치과에서 검증하려는 맥락·도구·온톨로지·온보딩 구조는 기록 시스템, 고객, 결제, 예약을 가진 다른 소기업으로 확장될 가능성을 보여준다.
• 다만 결제와 보험 청구처럼 사업 운영에 직접 영향을 주는 업무는 높은 정확성, 보안, 예외 복구 능력과 고객 신뢰가 전제돼야 한다.

📈 투자·시사 포인트

• 시장 구조: 업무 수행형 AI는 기존 소프트웨어 예산을 넘어 인건비와 외주비를 겨냥할 수 있다. 처리한 업무량과 절감한 노동시간이 명확할수록 높은 과금과 빠른 도입을 정당화하기 쉽다.
• 수요 신호: 사람이 대체될 위험보다 필요한 직원을 구하지 못하는 문제가 큰 업종에서는 AI가 기존 일자리를 빼앗기보다 공급 부족을 완화하고 전문 인력이 본업에 쓰는 시간을 늘릴 가능성이 있다.
• 방어력: 범용 모델은 경쟁사도 이용할 수 있으므로, 산업별 연동망·공통 데이터 모델·예외 처리 기록·고객 접점·현장 유통 역량이 더 지속적인 해자가 될 수 있다.
• 확장 조건: 한 업종에서 높은 자동화율과 신뢰를 먼저 확보한 뒤 인접 업종으로 이동하는 전략이 중요하다. 고객 범위를 너무 일찍 넓히면 예외 처리 비용과 온보딩 실패가 커질 수 있다.
• 주요 위험: 자율 처리 오류, 민감한 금융·의료 데이터 접근, 보험사와 청구 측 에이전트 간 자동화된 공방, 기존 소프트웨어 사업자의 기능 복제, 소기업별 설정 비용이 성장성과 수익성을 제약할 수 있다.
• 외부 검증 필요: 영상에서 제시된 미국 치과 약 16만 곳, 치과당 연간 약 20만 달러의 행정비, 약 10억 달러의 반복 매출 기회, 소기업의 약 70%가 종이로 대금을 받는다는 수치는 투자 판단 전에 공식 통계와 최신 산업 자료로 별도 확인해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 미국 치과 시장을 설명하며 제시한 약 16만 개의 치과, 치과당 연간 약 20만 달러의 행정비, 약 10억 달러의 반복 매출 기회는 산정 기준과 원자료가 제시되지 않았다. 특히 16만이라는 수치가 진료소 수인지 치과의사 수인지 발언 구간에 따라 모호하므로 별도 확인이 필요하다. [14:56] [34:30] [44:13]
• 매달 200시간의 서류 업무, 매주 10~20시간 절약, 첫 에이전트의 98% 자동화율은 특정 고객 사례인지 전체 고객 평균인지 명확하지 않다. 업무 범위와 측정 기간을 확인해야 일반화할 수 있다. [00:28] [20:30] [21:29]
• Lassie가 보유했다는 수백 곳의 고객, 제품 도입 후의 시간 절감, 입소문 중심 성장에 대해서는 독립적으로 검증할 고객 수·유지율·오류율·성과 자료가 영상에 제시되지 않았다. [15:08] [17:42]
• 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 사람이 반복적으로 수행하는 청구·대사·회계·고객 응대 업무를 목록화하고, 각 업무의 월간 소요 시간·인건비·오류 비용을 측정한다.
• 자동화 후보를 고를 때 기능 수보다 완료된 노동시간, 정확도, 예외 처리량, 사람에게 되돌아오는 업무 비율을 핵심 지표로 설정한다.
• 첫 자동화 범위를 규칙이 비교적 명확하고 데이터 접근이 가능한 단일 업무로 제한한 뒤, 정상 사례와 긴 꼬리 예외를 함께 수집한다.
• 에이전트에 필요한 요소를 과거 기록과 업무 이력 등의 맥락 계층, 조회·수정·제출을 담당하는 실행 도구, 판단을 담당하는 지능 계층으로 나눠 설계한다.

❓ 열린 질문

• Lassie가 말하는 95~98% 자동화율은 업무 건수, 처리 시간, 금액, 또는 전체 워크플로 중 무엇을 기준으로 계산한 것인가?
• 자동 처리된 보험 청구나 환자 청구에서 오류가 발생했을 때 책임은 진료소, Lassie, 기존 시스템 사업자 중 누구에게 귀속되는가?
• 남은 2~5%의 예외가 가장 복잡하고 위험한 사례에 집중돼 있다면, 이를 처리하는 인간 비용까지 포함해도 경제성이 유지되는가?