YouTube20VC with Harry Stebbings·2026년 11월 16일·0

Jev Creator on Will US Open Models Catch Chinese

Quick Summary

Jev Creator on Will US Open Models Catch Chinese를 중심으로, 자동화의 병목은 판단의 편차다. 어려운 문제를 풀어도 일부 실패의 비용이 크면 기업은 업무를 맡기기 어렵다. Jev가 지향를 핵심 판단 포인트로 압축 정리한다.

영상 보기

클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.

원본 열기

🖼️ 인포그래픽

Jev Creator on Will US Open Models Catch Chinese 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

Jev Creator on Will US Open Models Catch Chinese의 핵심 내용을 4단계로 요약한 인포그래픽
Jev Creator on Will US Open Models Catch Chinese 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 결론

Jev Creator on Will US Open Models Catch Chinese를 중심으로, 자동화의 병목은 판단의 편차다. 어려운 문제를 풀어도 일부 실패의 비용이 크면 기업은 업무를 맡기기 어렵다. Jev가 지향를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

  1. 자동화의 병목은 판단의 편차다. 어려운 문제를 풀어도 일부 실패의 비용이 크면 기업은 업무를 맡기기 어렵다. Jev가 지향하는 신뢰성은 가동 시간이 아니라, 사람의 상시 확인 없이 같은 일을 일관되게 처리하는 능력이다.
  2. 올바른 과제를 정하고 그에 맞는 데이터를 만들어야 한다. 알메이다는 과제·데이터·연산·알고리즘 순으로 중요도를 둔다. 인간 선호나 벤치마크 점수를 높이는 학습 목표가 백그라운드 업무의 안정적인 실행까지 보장하지는 않으며, 합성 데이터도 목표에 맞게 써야 가치가 있다는 주장이다.
  3. 미·중 공개 모델 경쟁은 점수만으로 결론 내리기 어렵다. 그는 중국 모델의 벤치마크 추격과 실제 사용 품질을 구분한다. 미국 공개 모델이 중국을 따라잡기 어려울 수 있다는 견해도 제시하지만, 윤리·법적 기준 차이에 관한 자신의 이해에 기댄 추측이며 성능 정체로 격차의 실용적 의미가 작아질 가능성도 인정한다.
  4. 저렴한 토큰이 지출 확대로 이어지려면 자동화가 성공해야 한다. 신뢰할 수 있는 의사결정 모델이 새로운 프로젝트를 가능하게 하면 제번스 역설처럼 총사용량이 늘 수 있다. 다만 가격 하락만으로 예산이 커지는 것은 아니며, 추론 효율과 실제 가치 입증이 함께 필요하다.
  5. 소프트웨어의 기회는 업무를 새롭게 구성하는 데 있다. 인간 동료를 그대로 모방하기보다 좁은 작업부터 확실히 자동화해야 한다는 관점이다. 기존 SaaS 기업의 업무 이해와 주변 소프트웨어의 엔지니어링이 강점이 될 수 있지만, 기존 대형 업체의 승리가 보장되지는 않는다. 투자와 채용에서도 규모보다 기술 철학과 작업에 대한 몰입을 중시한다.

🧩 배경과 문제 정의

  • AI는 어려운 수학 문제를 다룰 만큼 뛰어나지만, 회계나 고객 서비스처럼 일관된 판단이 필요한 업무에서는 완전한 자동화에 실패한다. 핵심 문제는 최고 성능과 실제 업무에서 믿고 맡길 수 있는 능력 사이의 격차다.
  • 알메이다가 말하는 신뢰성은 가동 시간이나 처리량이 아니라 판단의 일관성이다. Jev는 사람이 계속 확인하는 보조 도구를 넘어, 백그라운드에서 업무를 수행할 수 있는 AI를 지향한다.
  • 논의의 중심은 학습 목표와 데이터가 신뢰성을 어떻게 결정하는지, 현재의 투자와 경쟁이 그 목표에 맞는지, 신뢰할 수 있는 AI가 소프트웨어의 기능과 수요를 얼마나 바꿀 수 있는지에 있다.

🕒 시간순 섹션별 상세정리

1. 뛰어난 평균 성능만으로는 업무를 자동화할 수 없다

  • AI는 고난도 수학 문제를 다루면서도 회계처럼 상대적으로 단순한 업무에 안심하고 투입하기 어렵다. 기존 SaaS와 전체 업무의 자동화가 크게 달라지지 않은 이유를 이런 능력의 불균형에서 찾는다. [01:50]
  • ‘95%는 아인슈타인, 5%는 미스터 빈’이라는 비유는 결과의 큰 편차를 뜻한다. 일부 실패의 비용 때문에 기대값이 맞지 않으므로, 기업이 자동화를 보류하는 것은 합리적이라는 판단이다. [03:24]

2. 신뢰성은 연산량보다 무엇을 최적화하는지에 달려 있다

  • 연산이 알고리즘보다 중요하다는 ‘쓴 교훈’에서 더 나아가, 데이터가 연산보다 중요하며 그보다 먼저 올바른 과제를 정의해야 한다는 관점을 제시한다. [04:55]
  • RLHF의 인간 선호 충족과 RLVR의 벤치마크 고득점은 백그라운드 소프트웨어의 안정적인 실행과 같은 목표가 아니다. 사람의 개입을 전제로 최적화하면 그에 맞는 모델이 나온다는 주장이다. [05:41]

3. GPT-4.5는 연산만 늘리면 된다는 기대의 한계를 드러냈다

  • 더 많은 연산이 더 나은 결과를 낼 수 있다는 점은 인정하지만, 과거 예상보다 훨씬 많은 데이터가 필요하다고 본다. GPT-4.5는 규모를 계속 키우면 AGI에 도달한다는 서사를 깨뜨린 사례라는 평가다. [07:30]
  • 연구소 내부 사정은 모른다는 전제 아래, 가격이 추론 연산량을 대략 반영한다면 GPT-4.5는 토큰 비용상 매우 큰 모델이면서 상업적으로 성공하지 못한 사례라고 추정한다. 연산 확대의 성과에는 그에 맞는 데이터가 함께 필요하다. [07:51]

4. 새로운 과제를 정의해야 필요한 데이터도 만들 수 있다

  • 중요도의 순서를 올바른 과제, 데이터, 연산, 알고리즘으로 둔다. 과제가 맞으면 작은 모델도 훨씬 큰 모델을 이길 수 있다는 설명에서 GPT-2와 가상의 GPT-9를 대비하며, GPT-9는 존재하지 않는다고 명시한다. [09:22]
  • RLHF에 필요한 LLM 출력 간 인간 선호 비교 데이터는 인터넷이나 기업 데이터베이스에 이미 준비돼 있지 않았다. 지침을 정의하고 평가자를 투입해 반복적으로 데이터 형태를 찾아야 했으며, 새로운 과제의 출발이 어려운 이유도 필요한 데이터가 아직 없기 때문이다. [09:52]

5. RLVR의 성과에는 검증 가능한 보상뿐 아니라 추론 구조가 중요하다

  • RLVR의 핵심을 정답 검증에만 두지 않는다. 모델이 내부적으로 추론한 뒤 답하는 구조가 중요하며, 과거에도 단위 테스트 같은 검증 가능한 보상은 있었지만 추론 없는 강화학습 시도는 계속 실패했다는 근거를 든다. [10:35]
  • 좋은 데이터의 기준은 현재 모델의 수준에 따라 달라진다. 최첨단 모델을 실제로 개선할 수 있도록 난도를 맞춰야 하므로, 데이터 제작자도 최신 모델에 접근필요가 있다. [11:20]

6. 데이터 수요의 성장과 지속 가능한 지출 규모는 별개다

  • 진행자는 연구소의 데이터 지출이 크고, 기업이 자체 지능을 보유하게 되면 보완 데이터의 수요도 늘어날 것으로 예상한다. 이 가정에서는 데이터 공급사의 시장이 연구소에서 일반 기업 전체로 확대될 수 있다. [12:48]
  • 알메이다는 아직 과열 이후의 현실적인 사업 단계에 도달하지 않았다고 본다. RLHF와 RLVR, 그리고 이를 위한 데이터의 가치는 인정하지만, 지속 가능한 사업을 운영해야 할 때 기업들이 지금만큼 지출할지는 알 수 없다는 입장이다. [13:14]

7. 합성 데이터의 가치는 생성 방식보다 활용 목적에 달려 있다

  • 합성 데이터는 하나의 고정된 방법이나 만능 해법이 아니라 도구다. 연구만 보면 작은 모델을 큰 모델에 근접시키는 용도가 두드러지고 최첨단 모델 개선에는 한계가 있어 보이지만, 실제 가치는 사용 방식에 달려 있다고 본다. [14:03]
  • Jev도 합성 데이터를 많이 사용하지만, 차별점은 합성 여부 자체가 아니라 지능의 신뢰성이라는 목표에 맞춰 활용하는 방식에 있다는 주장이다. [14:33]

8. 연구 성과가 있다는 이유만으로 모든 AI 투자가 정당화되지는 않는다

  • 일부 신생 AI 연구소가 기존 연구소 인력을 채용하고 GPU를 확보한 뒤 인수를 기대하는 구조에 가깝다고 비판한다. 이런 자원 낭비에 대한 우려 때문에 자신의 회사를 같은 범주로 부르기를 원하지 않는다. [15:06]
  • 강화학습 투자가 수익 체감 속에서도 모델을 더 똑똑하게 만드는 점은 긍정적으로 평가한다. 다만 자신의 자금으로 같은 투자를 하지는 않겠으며, 벤처 투자자에게는 낮은 성공 확률의 큰 도전이 기대값상 성립할 가능성을 열어 둔다. [15:41]

9. Jev의 차별점은 속도와 비용보다 실패를 줄이는 집요함이다

  • 신뢰할 수 있는 자동화의 가치는 창업 전부터 명백하다고 생각했으며, 처음에는 Anthropic이 이미 상당 부분 구현했을 것이라 여겨 아이디어를 포기하기도 했다. 예상하지 못한 부분은 출시 후 비개발자까지 관심을 보인 반응이었다. [16:31]
  • Jev의 핵심은 비용이나 속도가 아니라 지능의 신뢰성이라는 입장이다. 모방 제품이 벤치마크, 화제성, 속도와 비용에 집중하면 정작 중요한 안정적인 판단 능력을 놓칠 수 있다고 비판한다. [17:49]

10. 벤치마크와 이용자 수는 실제 판단 품질을 충분히 대변하지 못한다

  • 벤치마크는 지능을 이해하기 위한 대리 지표일 뿐이라는 관점이다. 중국 모델이 점수를 따라잡더라도 Anthropic 모델이 실제로 더 낫게 느껴진다는 자신의 평가를 들어, 점수와 사용 품질의 차이를 지적한다. [20:29]
  • 월간 활성 이용자 수를 늘리는 목표는 최상의 챗봇 경험과 다를 수 있다. 이용자가 원하는 반응을 최적화하면 아첨이나 거짓말이 강화될 수 있으며, 현재는 코딩 에이전트에서도 비슷한 이용량 지표를 추구한다고 본다. [21:31]

11. 신뢰할 수 있는 의사결정 모델은 토큰 수요를 크게 늘릴 수 있다

  • 향후 시장의 업체 수나 구도보다 계속 뛰어난 기술을 내놓는 능력을 중시한다. 경쟁 구도를 예측하기보다 기술적 성과를 지속하는 것이 자신의 강점이라는 입장이다. [23:05]
  • 의사결정 모델이 널리 쓰이면 강한 제번스 역설이 발생해 토큰 소비가 기존 언어모델을 크게 넘어설 것으로 전망한다. AI가 백그라운드에서 실제 생활을 개선하면, 결과물을 쏟아내는 도구라는 인식도 바뀔 수 있다고 기대한다. [23:28]

12. 확산의 병목은 추론 효율과 새로운 소프트웨어를 만드는 개발자다

  • 자사 모델은 보조금에 의존하는 방식이 아니라 효율적으로 제공할 수 있다는 주장이다. 예상하는 대규모 사용을 실현하려면 앞으로도 효율을 상당히 개선하는 연구가 필요하다. [24:29]
  • 기술의 한계를 밀어내는 일과 개발자가 새로운 활용을 개척하도록 돕는 일을 주요 병목으로 꼽는다. 모델 연구만으로 충분하지 않으며 개발자와 긴밀하게 협력해야 한다. [24:58]

13. AI가 새로운 구성 요소가 되면 자동화 가능한 범위 자체가 달라진다

  • 개발자는 파일 이동처럼 자동화할 수 있는 일과 노트북의 음성 인터페이스처럼 어렵다고 여기는 일을 구분한다. AI가 이 경계를 없애고 구현에 필요한 노력의 문제로 바꾸기를 기대하지만, 아직 다듬는 중인 아이디어라는 단서를 붙인다. [26:23]
  • 소프트웨어를 작성하는 방식은 크게 달라졌지만 소프트웨어 자체는 그대로라는 문제의식이다. 청색 LED가 기존 LED 시장을 조금 키우는 데 그치지 않고 화면과 백색 조명 같은 활용을 가능하게 한 것처럼, AI도 빠져 있던 구성 요소가 될 수 있다는 비유다. [27:02]

14. 기업용 AI가 부가 기능에 머무는 이유는 검증 부담을 사용자에게 넘길 수 있어서다

  • 기업에는 AI를 도입할 유인이 충분하므로 확산 부족을 유통 문제로 보지 않는다. 신뢰할 수 없는 모델에 회사의 이해관계가 걸린 결정을 맡기기 어렵고, 적극적으로 도입한 기업일수록 피해를 입었다는 진단이다. [28:25]
  • 그 결과 AI는 앱의 핵심 로직보다 기존 B2B SaaS 옆에 붙는 기능이 되기 쉽다. 생성 결과의 정확성을 사용자가 확인하도록 하면 기업이 부담할 위험을 줄일 수 있으며, 이런 제품 형태는 현재 모델의 신뢰성 수준에서는 합리적이라고 본다. [28:52]

15. SaaS 붕괴를 부정해도 대형 기존 업체의 승리가 보장되지는 않는다

  • SaaS가 사라진다는 전망을 부정하고, ‘SaaS 아포칼립스’보다 ‘SaaS 팔루자’라는 표현을 선호한다. 다만 이것이 곧 대형 SaaS 기업의 승리를 뜻한다고 보지는 않으며, 제공된 구간에서는 수혜자가 누구인지에 대한 답이 완결되지 않는다. [29:47]

16. SaaS 기업의 강점은 업무 문제에 대한 이해다

  • 기존 SaaS 기업은 고객의 업무 흐름을 알고 있으며, 자동화에 필요한 초기 엔지니어링에 투자할 규모도 갖추고 있다. 알메이다는 이들이 유리한 이유를 유통망보다 실제 문제와의 가까운 거리에서 찾는다 [30:00]
  • 세무 소프트웨어의 인터페이스를 어디서 바꾸면 업무가 매끄러워지는지는 해당 제품을 만드는 기업이 더 잘 안다는 논리다. 다만 이런 강점이 대형 SaaS 기업의 승리를 항상 보장한다고 보지는 않는다 [30:24]

17. 인간 동료를 모방하기보다 좁은 작업을 확실하게 자동화해야 한다

  • AI를 인간과 비슷한 인터페이스의 동료로 만드는 접근은 초기 자동차를 ‘말 없는 마차’로 상상한 것과 유사하다는 비판이다. 자동화는 인간과 강점이 다르므로, 병뚜껑을 잠그는 일처럼 좁은 작업부터 그 특성에 맞게 설계해야 한다 [31:38]
  • 기업별 지능 소유는 AI 동료가 적절한 형태이고, 기업이 자사 업무에 맞춰 이를 훈련할 의지와 역량을 갖췄다는 조건에서 설득력을 얻는다. 알메이다는 두 전제를 당연하게 받아들이지 않는다 [32:35]

18. 특화 모델의 비용 최적화와 근본적인 성능 도약은 구별해야 한다

  • 특화 모델은 더 저렴해지거나 특정 업무에 집중할 수 있지만, 벤치마크에는 자체 모델이 우월해 보이도록 만들 유인이 섞여 있다. 따라서 해당 기업들의 모델이 실제로 얼마나 좋은지는 알 수 없다는 입장이다 [33:58]
  • AI 성능은 특정 업무의 데이터가 학습 분포에 들어오면서 계단식으로 개선된다고 본다. 코딩 에이전트의 큰 도약도 이런 변화로 해석하며, 이후 수익 체감 구간에서는 토큰당 비용 같은 세부 최적화의 비중이 커진다고 보여준다 [34:25]

19. 기업 고유의 지능은 모델보다 주변 소프트웨어에 축적될 수 있다

  • Jev와 유사한 모델로 안정적인 자동화가 가능해지면, 기업은 이를 자주 교체하기보다 고정해서 사용할 것이라는 전망이다. 기업 고유의 지능도 직접 훈련한 모델보다 그 주변에 구축한 소프트웨어에서 형성될 수 있다 [35:50]
  • 자체 지능을 소유한다는 주장은 기반 모델 위의 얇은 제품으로 보일 위험과 연결된다. 그러나 실제 문제를 이해하고 반복 업무를 없애는 엔지니어링 자체에도 큰 가치가 있으며, 데이터베이스의 종류보다 활용 방식이 중요한 것처럼 코드가 차별화의 중심이 될 수 있다 [36:13]

20. 법률 코파일럿의 전문성과 대규모 업무 자동화 사이에는 간극이 있다

  • 진행자는 Harvey가 깊은 도메인 기능을 갖춘 법률 제품이므로 단순한 래퍼로 보기 어렵다고 반박한다. 알메이다는 직접 제품을 충분히 알지 못한다는 한계를 밝히면서, 자신이 아는 범위에서는 대규모 자율 작업의 목표가 변호사 코파일럿 형태로 좁혀졌다고 이해한다 [37:00]
  • 법률 자료 검색과 도메인 도구를 결합하는 기능은 유용하지만, 사용자가 원하는 것은 업무의 큰 덩어리를 자동화하는 것이다. 사람의 효율을 두 자릿수 퍼센트 높이는 수준과는 요구되는 엔지니어링의 깊이가 다르다는 주장이다 [38:00]

21. 토큰당 지능의 발전은 업무별 신뢰성으로 나눠 봐야 한다

  • 모델은 어떤 순간에는 매우 뛰어나지만 다른 순간에는 크게 부족한 답을 내놓는다. 이런 편차 때문에 지능을 단일 수치로 보거나, 벤치마크 점수 대비 달러 비용만으로 발전을 판단하기 어렵다는 입장이다 [40:06]
  • 알메이다의 이해로는 사전학습 기반의 일반 지능이 연산 비용 대비 개선되는 속도는 현재 매우 느리다. 반면 특정 업무의 데이터가 늘어나면 해당 분포 안에서는 성능이 크게 좋아질 수 있다 [40:41]

22. 공개 벤치마크는 모델을 직접 확인하기 어려운 사람에게 더 큰 영향을 준다

  • 벤치마크를 유리하게 만들 유인이 존재하며, 모델을 직접 시험할 시간이 없는 사람일수록 공개 점수에 의존해 판단을 왜곡당하기 쉽다는 비판이다. 공개 가중치 모델과 공개 연구도 이 문제에서 예외가 아니라고 본다 [42:26]
  • 지능을 측정하는 일은 어렵고, 연구소는 내부적으로 쓰는 대리 지표를 충분히 공개하지 않는다. 가장 유용한 측정법을 외부에 내놓을 유인도 부족해 공개 정보의 신뢰성이 떨어진다는 진단이다 [42:48]

23. 연구소의 경쟁 위치가 벤치마크 최적화 유인을 바꾼다

  • 알메이다는 OpenAI와 Anthropic이 대체로 정직하다고 평가하는 반면, 추격하는 연구소에는 상위권에 도달할 수 있다는 믿음을 유지하려고 점수를 과도하게 최적화할 내부 압력이 있다고 본다. Llama 4를 그 사례로 들고 Google과 여러 중국 연구소에도 비슷한 유인이 있다고 주장한다 [43:23]
  • ‘미국 공개 모델 선두’ 같은 별도 지위를 노리는 경쟁에서는 실제 사용보다 외형적 성과가 중요해질 수 있다는 비판이다. 의사결정 모델 분야도 좋은 성능의 기준 자체가 불명확해 벤치마크 최적화 문제가 심하다고 평가한다 [44:11]

24. 중국 공개 모델의 보안 위험은 사용 방식별로 평가해야 한다

  • 중국 모델을 후처리된 상태 그대로 사용하는 경우와 기업이 추가 훈련해 사용하는 경우는 위협 모델이 다르다. 추가 훈련으로 편향을 어느 정도 제거하는 것은 이론적으로 가능하므로, 즉시 연결해 쓰는 상황만을 전제로 위험을 판단해서는 안 된다는 입장이다 [46:20]
  • 알메이다는 중국 모델을 수정 없이 자신의 코딩 에이전트에 사용하지 않겠다고 명확히 한다. 다만 이것은 특정 사용 방식의 위험이며, AI 전체를 코딩 에이전트 하나의 형태로 가정할 수는 없다고 본다 [46:49]

25. 미국 공개 모델의 추격 가능성과 GPU 경쟁에는 불확실성이 남는다

  • 미국 공개 모델이 더 높은 윤리·법적 기준을 지킨다는 것이 알메이다의 이해이며, 이 차이 때문에 중국이 계속 노력한다면 실제 지능에서 따라잡기 어려울 수 있다고 추측한다. 다만 성능이 충분히 정체되면 소폭의 우위가 실용적으로 중요하지 않을 가능성도 열어둔다 [48:34]
  • GPU 수출 제한과 중국 모델의 최신 하드웨어 사용 의혹에 대해서는 확정적인 결론을 내리지 않는다. 같은 분석 기법으로 다른 결과가 나왔다는 온라인 이야기도 들었다며, 해당 정보의 불확실성을 인정한다 [48:53]

26. AI 거품은 기대와 실제 성과의 차이에서 수요 충격을 받을 수 있다

  • 진행자는 수요 충격이 보이지 않는 상황에서 무엇이 거품을 터뜨릴지 반문한다. 알메이다는 코딩 에이전트가 시장을 바꿨다는 점을 인정하면서도, 일부 수요는 뒤처질 수 있다는 두려움과 AI 능력에 대한 과대평가에서 발생한다고 본다 [50:04]
  • 사용자가 실제 한계를 마주하면 수요가 빠르게 꺾일 수 있다는 전망이다. 다만 자신은 경제학자가 아니며, AI 분야의 과도한 약속과 부족한 결과가 수요 충격으로 이어질 가능성을 말하는 것이라고 한계를 둔다 [50:43]

27. 저렴한 지능이 지출 확대로 이어지려면 자동화가 성공해야 한다

  • Jev는 좋은 마진을 확보하고 있다고 답하지만, 저렴한 가격으로 100억 달러 매출 규모에 도달하려면 막대한 사용량이 필요하다는 질문을 받는다. 이에 대한 설명으로 제번스의 역설을 제시한다 [52:48]
  • 비용 절감만으로 예산이 자동 증가하지는 않는다. 기존 예산으로 불가능했던 프로젝트가 가능해지고, 그 프로젝트가 안정적으로 성공해 가치를 입증해야 사용자가 기존 수준을 넘어 지출을 늘릴 이유가 생긴다 [53:16]

28. 코딩 에이전트 시장의 성장보다 자동화에 집중한다

  • 알메이다는 코딩 에이전트 시장을 직접 분석하지 않으며, Jev가 그 분야에 쓰이기를 바라면서도 회사 차원에서는 경쟁에서 거리를 두고 자동화에 집중하는 편이 단기적으로 유리할 수 있다고 본다 [55:28]
  • 코딩 에이전트가 큰 시장이라는 점은 인정하지만, 지금보다 얼마나 더 커질지는 알 수 없다고 답한다. AI는 겉으로 지수 성장처럼 보여도 여러 차례 기대 상승과 하락을 겪었으며, 이번에는 계속 상승할 것이라고 단정하기 어렵다는 판단이다 [56:01]

29. 투자 유치는 투자사들의 실제 사용 정보가 뒷받침했다

  • 투자 유치 논의는 대부분 외부에서 먼저 들어왔고, 회사는 투자 설명 자료도 준비하지 않은 상태였다. 운영이 매우 바빴기 때문에 오히려 투자사에 자신들이 보고 있는 시장 신호를 알려달라고 요청했다 [57:22]
  • 투자사들이 포트폴리오 기업의 Jev 활용 방식과 중요성을 전하면서 관심이 어떻게 변하는지 확인할 수 있었다. 회사는 고객 데이터를 들여다보지 않으므로 이런 경로로 누가 무엇에 사용하는지 파악했고, 이 정보가 투자 유치 성사에 도움이 됐다 [58:02]

30. 투자금과 기업가치보다 함께 경쟁할 동맹을 우선했다

  • 투자 논의를 시작할 때는 원하는 조건이 명확하지 않았고, 조건도 여러 차례 바뀌었다. 최종적으로는 기업가치나 투자금의 최대화보다 세계 최대 기업들과 경쟁할 때 함께할 가장 좋은 사람들을 확보하는 데 초점을 맞췄다 [58:41]
  • 어려운 시장을 헤쳐 나가는 데 도움을 줄 투자자와 동맹이 핵심이었다. 회사는 이미 수익을 내고 현금 잔액도 증가하고 있으며, 이전까지 적은 자금으로 운영했던 만큼 새로 조달한 돈을 곧바로 소진할 계획을 세울 이유도 없다는 입장이다 [59:25]

31. 투자금보다 중요한 기술 철학과 전략적 동반자

  • 회사에 추가 자금이 필요하지 않은데도 기존의 3배 기업가치로 투자하겠다는 수요가 있었다. 진행자는 이를 거품이라고 비판하고, 알메이다는 자금이나 기업가치를 위해 그런 거래를 할 필요가 없다는 입장을 보인다. [1:00:11]
  • a16z를 선택한 핵심 이유는 기술 낙관주의와 철학적 일치다. 알메이다는 다수의 VC가 금융적 판단을 중시하는 반면, a16z는 조직 깊숙이 기술에 대한 관심을 공유한다고 평가한다. [1:00:58]

32. 중요한 결정은 이유와 판단 틀을 충분히 검토한다

  • “좋은 결정을 천천히 내린다”는 원칙을 중시한다. 중요한 사안에서는 관행대로 실행하기보다 왜 그렇게 해야 하는지, 어떤 철학과 판단 틀을 따르는지 이해해야 한다고 본다. [1:03:13]
  • 데이터와 데이터 로드맵, 제품, 신뢰성, 각 채용 역할에 더 많은 사고 시간을 쓰고 싶어 한다. 동시에 모든 사안을 직접 충분히 검토할 시간이 없다는 제약도 인정한다. [1:04:15]

33. 데이터 제작 인재 채용의 병목은 역할에 대한 이해다

  • 가장 채용하기 어려운 조직은 ‘데이터 데몬’ 팀이다. 새로운 과제에는 새로운 형태의 데이터가 필요하며, 회사 내부에 데이터 제작을 위한 독자적인 연구 분야를 구축하고 있다고 보여준다. [1:04:50]
  • 역할에 맞지 않는 지원자가 계속 들어오는 반면, 적합한 인재는 자신이 참여할 수 있다고 생각하지 못하는 문제가 있다. ML 연구자가 아니어도 전문가에게 배우며 모델을 더 똑똑하게 만들 수 있다는 기회를 전달하는 일이 핵심 과제다. [1:05:21]

34. 최고액 보상보다 기술과 작업에 대한 몰입을 채용 기준으로 삼는다

  • 일부 뛰어난 졸업생을 두고 2,000만 달러 규모의 보상 경쟁이 있다는 질문에, 자사는 그런 수준을 추구하지 않는다고 답한다. 충분히 좋은 보상을 제공하되, 최고액 보상 때문에 합류하는 사람을 걸러내는 방향을 택했다. [1:05:55]
  • 알메이다는 앤트로픽의 높은 보상이 사명보다 금전적 동기로 지원할 유인을 만들 수 있다고 본다. 문화 면접을 준비시키는 시장까지 생겼다는 점을 들어, 문화에 맞는 답변과 실제 동기가 어긋날 가능성을 지적한다. [1:06:28]

35. 홍보 열기보다 실제 사용 경험과 신뢰성을 중시한다

  • 지난 12개월 동안 홍보 열기의 중요성을 이전보다 낮게 평가하게 됐다. 출시 당시에는 주목도가 매우 중요하다고 생각했지만, 벤치마크 성적을 극대화한 경쟁 제품도 실제 사용자에게 좋은 평가를 받지 못하는 사례를 접하면서 생각이 바뀌었다. [1:08:34]
  • 사용자가 실제 품질과 제품에 들인 노력을 알아본다는 경험은 “약속은 적게 하고 결과는 더 많이 제공한다”는 방식을 뒷받침했다. 프런티어 연구소의 인재들과 견해가 다르다고 보는 핵심 쟁점도 현재 AI가 할 수 있는 일의 범위와 신뢰성의 중요성이다. [1:08:49]

36. OpenAI 연구자 채용을 꺼리는 이유는 연구 관심사의 불일치다

  • OpenAI 연구자를 주로 채용하지 않는 이유로 특정한 조직적 믿음에 대한 동조와 연구 성향을 든다. 알고리즘과 규모 확장을 좋아하고 데이터를 덜 중시하는 경향이 있다는 자신의 판단이며, 대부분의 연구소에서 데이터의 위상이 낮다고 비판한다. [1:09:26]
  • 특정 과제에 깊이 몰입하는 뛰어난 연구자라도 회사가 추구하는 ‘머신 네이티브 AI’에 같은 열정을 가질 것이라고 기대하지 않는다. 텍스트로 이미지를 만드는 분야를 개척한 연구자를 예로 들며, 그 사람은 자신의 과제를 계속 발전시키는 편이 맞다고 본다. [1:10:00]

37. 로보틱스의 신뢰성에는 회의적이고 새로운 소프트웨어 인터페이스에는 낙관적이다

  • 가장 과대평가된 분야로는 직관적으로 로보틱스를 꼽는다. 로보틱스의 매력을 부정하는 것이 아니라, 신뢰성을 확보하기 위해 먼저 해결해야 할 전제 조건이 많이 남아 있다고 보기 때문이다. [1:10:50]
  • 가장 과소평가된 분야는 AI와 소프트웨어를 결합해 새로운 것을 만드는 연구, 특히 새로운 인터페이스다. 이 방향의 가능성에 비해 관심이 지나치게 적다고 평가한다. [1:11:14]

38. AI가 대리인의 이해관계 불일치와 법 집행 방식을 바꿀 가능성

  • 향후 5년을 내다보는 질문에, 유권자와 대표자, 주주와 회사, 조직 내 보고 관계 등에 널리 존재하는 주인–대리인 문제를 핵심 변화 대상으로 꼽는다. 대리인의 행동이 위임자의 의사와 어긋나는 문제에 훨씬 나은 해결책이 생길 것으로 전망한다. [1:11:31]
  • 현재 허용하는 수준의 이해관계 불일치를 미래에는 이상하게 여기게 될 수 있다고 본다. AI를 통해 법의 문구뿐 아니라 취지를 집행할 수 있는 사회를 기대한다. [1:12:08]

🧾 결론

  • 이 인터뷰의 중심 주장은 최고 성능과 업무를 믿고 맡길 수 있는 능력이 다르다는 것이다. 평가의 초점도 평균 점수에서 실패 원인과 판단의 일관성으로 옮겨야 한다.
  • 신뢰할 수 있는 AI가 구현되면 소프트웨어의 기능과 토큰 수요가 크게 확대될 수 있다는 전망이다. 이는 아직 달성된 성과가 아니라 자동화 성공을 전제로 한 기대다.
  • Jev의 방향은 분명하지만 검증 과제도 크다. 알메이다 스스로 실제 자동화라는 큰 기준에서는 Jev와 다른 업체들이 대략 0% 수준이라고 표현하며 남은 거리를 강조한다.

📈 투자·시사 포인트

  • 토큰 가격과 총수요를 함께 봐야 한다. 단가 하락이 매출 증가로 연결되는지는 기존에 불가능했던 업무가 안정적으로 실행되고 추가 지출을 유도하는지에 달려 있다.
  • AI 투자와 데이터 지출의 지속 가능성은 별도 문제다. 연구 성과와 데이터의 가치를 인정하더라도, 기업이 지속 가능한 사업 운영 단계에서 현재 수준의 지출을 유지할지는 불확실하다.
  • SaaS의 경쟁력은 고객 업무에 대한 이해에서 나올 수 있다. 업무 흐름을 알고 초기 엔지니어링에 투자할 수 있는 기업은 유리하지만, 그 강점이 자동으로 시장 지배력으로 이어지지는 않는다.
  • 벤치마크와 홍보 열기를 실제 사용 성과로 대조해야 한다. 알메이다는 일부 수요가 뒤처질 수 있다는 두려움과 능력 과대평가에서 발생하며, 사용자가 한계를 체감하면 수요 충격이 올 수 있다고 본다.

⚠️ 불확실하거나 확인이 필요한 부분

  • 미국과 중국 공개 모델의 추격 가능성, 윤리·법적 기준 차이, 연구소별 벤치마크 최적화 유인은 알메이다의 평가와 추측이다. 제공된 자료에는 이를 독립적으로 검증할 비교 결과가 없다.
  • Jev의 신뢰성·효율·마진·수익성은 회사 측 설명이다. 실제 실패율, 업무별 성능, 비용 구조를 확인할 수 있는 정량 자료는 제시되지 않았다.
  • GPT-4.5의 규모와 상업적 성과에 관한 평가는 내부 사정을 모른다는 전제와 가격이 추론 연산량을 대략 반영한다는 가정에 의존한다. GPU 수출 제한 및 중국 모델의 하드웨어 사용 의혹도 결론이 나지 않았다.
  • 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

  • 자동화할 업무를 좁게 정의하고, 평균 정확도와 함께 실패의 종류·비용·사람의 재검토 부담을 기록한다.
  • 모델 후보를 같은 실제 업무에 적용해 공개 벤치마크 순위와 판단의 일관성이 일치하는지 비교한다.
  • 데이터 확보 전에 목표 과제와 개선 기준을 정하고, 보유 데이터나 합성 데이터가 그 기준을 실제로 개선하는지 확인한다.
  • 토큰 비용 절감만 계산하지 말고, 자동화가 성공했을 때 새로 가능해지는 프로젝트와 추가 지출의 근거를 검토한다.

❓ 열린 질문

  • 미국 공개 모델은 실제 업무 품질에서 중국 모델을 따라잡을 수 있으며, 성능이 정체된다면 남은 격차는 얼마나 중요할까?
  • 백그라운드 자동화에 충분한 판단 신뢰성은 어떤 업무별 기준으로 측정하고 검증할 수 있을까?
  • 자동화 성공으로 늘어나는 토큰 수요가 가격 하락과 추론 효율 개선을 상쇄할 만큼 커질까?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.