Mark Cuban on Why AI Could Turn Solo Founders Into Trillionaires

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Mark Cuban on Why AI Could Turn Solo Founders Into Trillionaires를 중심으로, AI는 개인이 운영할 수 있는 사업의 규모를 넓힌다. 쿠반은 개인이 에이전트 집단을 운영해 거대한 사업을 만들 가능성을 제를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. AI는 개인이 운영할 수 있는 사업의 규모를 넓힌다. 쿠반은 개인이 에이전트 집단을 운영해 거대한 사업을 만들 가능성을 제시한다. 다만 에이전트가 소셜미디어와 광고 정보를 충분히 읽지 못하는 문제가 있어, agentfeeds.dev처럼 에이전트에게 정보를 전달하는 유통 방식도 실험하고 있다. 조만장자 등장은 실적이 아닌 전망이다. [31:11–31:49]
2. 의료 분야의 가까운 기회는 계약 분석이다. 쿠반은 운영 자동화에 앞서 불리한 계약을 서명 전에 찾아야 한다고 강조한다. 실제로 에이전트에게 공공기관 계약과 제안요청서를 찾게 하고, 수집한 문서를 여러 모델로 검토해 문제 조항과 대응 방안을 정리한다. [13:48–15:15, 18:39–20:14]
3. 가격 공개와 직접 계약은 기술을 절감 효과로 연결하는 장치다. 코스트 플러스 드럭스의 공개 가격은 기존 공급자와 협상할 비교 기준이 된다. 직접 계약에서는 신속한 지급과 행정 부담 축소를 제공하는 대신 낮은 가격을 요구하며, 계약 공개와 투명성을 통해 신뢰를 쌓으려 한다. [02:31, 08:50–09:33, 23:33]
4. 디지털 생산성은 실제 제조 역량과도 연결된다. 쿠반은 AI와 로봇으로 의약품 생산시설을 축소하고, 이동식 제조 포드를 재난 대응과 개인별 치료제 생산에 활용하는 구상을 설명한다. 그러나 포드 가격은 약 2,000만 달러이며, 의약품별 허가 비용과 일정이 확장의 제약이다. [05:33–07:14, 24:10–24:59]
5. 사람의 판단과 학습은 계속 필요하다. 쿠반은 신입 채용을 유지하면서 조직 전체에 AI 활용을 교육해야 한다고 본다. 모델이 모르는 현장 맥락을 제공하고 결과를 검증하는 역할이 중요하며, 맞춤 의료에서도 의사의 즉각적인 판단과 개인 사정을 해석하는 사람이 필요하다는 입장이다. [27:22–29:04, 40:20–45:58]

🧩 배경과 문제 정의

• 미국 의료시장은 가격과 계약 조건이 불투명하고 경쟁이 제대로 작동하지 않아, 고용주와 환자가 비용의 적정성을 판단하기 어렵다는 문제의식이 출발점이다.
• 코스트 플러스 드럭스는 의약품 가격 공개에서 출발해 지역 약국 연계, 의약품 제조, 병원 공급, 고용주와 의료기관의 직접 계약으로 사업을 넓히고 있다.
• AI는 계약 분석과 업무 개선에 유용하지만, 불리한 계약과 대형 의료기업의 수직계열화까지 기술만으로 해결하기는 어렵다는 것이 쿠반의 판단이다.
• 의료비를 낮추려면 정확한 데이터와 신뢰를 확보하고, 고용주의 계약 관리 역량과 조직 전체의 AI 활용 능력을 함께 높여야 한다.

🕒 시간순 섹션별 상세정리

1. 공개된 의약품 가격이 기존 사업자의 협상 기준을 바꾼다

• 경쟁 압력이 부족했던 의료시장에서 코스트 플러스 드럭스의 등장은 기존 사업자의 변화를 유도했다. 정책 등 다른 압력으로 오랫동안 움직이지 않던 기업에도 새로운 가격 비교 대상이 생겼다 [01:33]
• 공개 가격과 API를 활용하면 기업이 매일 데이터를 가져와 기존 공급자에게 더 낮은 가격을 요구할 수 있다. 다만 일부 대형 사업자는 실제 계약이 없는데도 코스트 플러스 드럭스가 자사 네트워크에 포함돼 있다고 고객에게 주장했다는 것이 쿠반의 경험이다 [02:31]

2. 온라인 제네릭 판매를 지역 약국 수령으로 확장한다

• 코스트 플러스 드럭스는 2022년 1월 19일 제네릭 의약품 111개로 출발했다. 판매량 증가에 따라 제조사의 공급 품목과 참여 제조사가 늘어 약 4,000개 SKU로 확대됐으며, 성장 속도를 따라가는 일이 주요 과제가 됐다 [03:31]
• 당일 수령 수요에 대응하는 팀 쿠반 카드는 약 1만 7,000개 제휴 약국에서 대부분의 취급 의약품을 구매할 수 있게 한다. 독립 약국을 지원하기 위해 조제 건당 12달러를 지급하므로, 5달러짜리 스타틴처럼 저렴한 약은 다른 곳보다 비싸질 수 있다 [04:04]

3. AI와 로봇으로 공급 부족 의약품의 생산시설을 줄인다

• 공동창업자의 초기 구상은 FDA 공급 부족 목록에 있는 제네릭 의약품을 제조하는 것이었다. 소아암 치료제와 병원에서 널리 쓰는 의약품의 공급 부족이 제조사업의 출발 문제였다 [05:10]
• AI와 로봇을 활용해 미식축구장 이상 규모가 필요했을 시설을 5,000제곱피트로 줄였다는 것이 쿠반의 설명이다. 생산라인은 4시간마다 다른 약으로 전환할 수 있어, 한 의약품의 6개월분을 생산한 뒤 다음 의약품으로 넘어가는 방식이 가능하다 [05:33]

4. 이동식 제조 포드가 재난 대응과 개인별 치료제 생산을 겨냥한다

• 제조설비를 트랙터 트레일러 크기의 ‘포드’로 축소해 필요한 곳으로 운송할 수 있게 했다. 정부가 첫 고객이었으며, 첫 포드를 배송한 뒤 두 번째 주문도 받았다. 재난이나 군사적 비상 상황에서는 필요한 종류의 약을 만들도록 구성할 수 있다 [06:04]
• 여러 포드를 연결해 생산 규모를 키우거나 무균실과 제네릭 정제 생산 기능을 나눌 수 있다. 연구병원에 배치하면 환자 한 명을 위한 ‘N-of-one’ 치료제를 현장에서 만들고 빠르게 개선하는 용도로도 사용할 수 있다 [06:41]

5. 병원 공급에서는 저렴한 가격만큼 구매 조직의 전환이 중요하다

• 코스트 플러스 마켓플레이스는 자체 생산하거나 다른 제조사에서 조달한 무균 주사제를 원가에 10% 또는 12%를 더한 가격으로 병원·클리닉 등에 판매한다 [07:39]
• 병원에 연간 수백만 달러를 절감해줄 수 있다는 것이 쿠반의 주장이다. 그러나 최고경영자를 설득해도 실제 구매 담당자의 거래 전환까지 이끌어내기는 어렵다 [07:59]

6. 직접 계약은 행정 부담과 환자 미수금 위험을 줄이는 교환이다

• 보험사의 지급 지연, 지급 거절, 사전 승인, 환수와 높은 공제액은 의료기관의 행정 부담과 수금 위험을 키운다. 특히 환자 부담금을 먼저 받아야 하는 구조는 의료기관을 사실상 신용위험을 떠안는 대출자처럼 만든다 [08:25]
• 쿠반의 직접 계약은 특별한 예외를 제외하면 의사의 판단을 신뢰하고 사전 승인과 지급 거절을 없애는 방식이다. 약정한 금액을 제때 지급하고 환자 본인부담금도 대신 내거나 신용위험을 부담하는 대신, 의료기관에는 낮아진 행정비용을 반영한 가격을 요구한다 [08:50]

7. 고용주 의료보험의 비용 급등과 수직계열화가 진입 장벽을 만든다

• 고용주 제공 의료보험은 약 1억 5,500만 명 이상을 포괄하는 거대한 시장이지만, 전국 단위 네트워크와 굳어진 거래 관계 때문에 스타트업이 진입하기 어려웠다. 일부 스타트업에는 전년 대비 60%의 보험료 인상이 요구될 정도로 비용 압박이 커졌다는 사례도 나온다 [10:06]
• 쿠반은 유나이티드헬스의 자회사가 3,000개 이상이고 연간 계열사 간 거래가 1,500억 달러에 이른다고 지적한다. 보험료·공제액·본인부담금을 올리면서 가입자를 소유 관계가 잘 드러나지 않는 계열사로 보내는 구조가 문제라는 주장이다 [11:05]

8. 청구·지급 데이터의 단절이 의료비 차액을 숨긴다

• 자가보험 고용주는 실제 비용을 부담하면서도 보험사와 병원 사이의 계약 조건을 제대로 알기 어렵다. 병원의 가격 투명성 파일을 조회할 수는 있지만, 그 정보가 항상 정확한 것도 아니다 [12:24]
• 고용주가 낸 금액이 병원 청구액이나 실제 지급액과 일치하지 않아 중간 차액이 생긴다는 것이 쿠반의 비판이다. 대형 보험사 소유 ASO는 금액을 대조하기 어렵게 만들어 그 차이를 확인하는 일도 막는다 [12:55]

9. AI의 단기 우선순위는 불리한 계약을 체결 전에 찾는 일이다

• AI로 통합형 의료보험 상품을 빠르게 구축할 수 있다는 기대에도, 누가 위험을 부담하는지와 기존 금융 구조의 결함은 남는다. 쿠반은 임상과 운영 모두에서 AI를 지지하지만, 단기적으로는 계약 분석의 중요성이 가장 크다고 본다 [13:48]
• 댈러스시의 PBM 계약은 1,335쪽에 달했다. 이처럼 방대한 계약의 조건을 충분히 이해하지 못한 채 서명하면, 이후 운영에 AI를 도입해도 이미 수용한 불리한 조건을 없애기는 어렵다 [15:15]

10. 청구 자동화 경쟁은 상쇄되고 데이터 사일로는 남는다

• 보험사와 의료기관이 AI로 청구 코드를 올리거나 낮추며 경쟁해도, 양측이 비슷한 도구를 갖추면 효과가 어느 정도 상쇄될 가능성이 크다. 먼저 도입한 쪽의 단기 이익이나 소송은 생길 수 있지만, 쿠반은 장기적으로 극적인 변화를 기대하지 않는다 [17:13]
• 인수합병으로 성장한 대형 기업에는 수많은 자회사에 데이터가 분산돼 있다. 일부 청구 데이터 활용과 별개로, 이런 구조는 기업 전체를 AI 중심으로 바꾸기 어렵게 해 장기적인 부담이 될 수 있다 [18:10]

11. AI 에이전트로 계약 수집과 분석을 반복한다

• 고용주는 브로커·컨설턴트·TPA·PBM 등과 맺은 기존 계약을 AI에 넣고, 불리한 조항과 대응 방법을 물어볼 수 있다. 쿠반은 새로운 계약에 서명하기 전 이런 검토를 수행하는 데 개혁의 출발점이 있다고 본다 [18:39]
• 쿠반은 여러 AI 에이전트에 정보공개가 가능한 공공기관과 계약·제안요청서를 찾게 하고, 자료 요청 이메일 초안을 작성하게 한다. 초안은 직접 수정한 뒤 발송하는 방식으로 처리한다 [19:35]

12. 의료비 절감에는 고용주의 계약 관리 책임이 필요하다

• 쿠반은 교육구·도시·노조 등의 계약에서 불리한 조건을 확인했다고 주장한다. 이어 고용주들이 계약을 AI로 검토하고 협상한다면 대형 보험사와 PBM의 기존 수익 구조가 무너지고 의료비가 크게 내려갈 수 있다는 강한 전망을 제시한다 [20:47]
• 고용주에게 필요한 역할은 계약과 관련 업무만 전담하는 ‘의료 CEO 또는 CFO’다. 먼저 계약을 관리해 비용을 낮춘 뒤, 일부 의료서비스를 분리해 직접 계약하는 단계로 나아갈 수 있다는 접근이다 [21:35]

13. 투명성과 고정 마진으로 의료시장의 신뢰를 확보한다

• 궁극적 목표는 의료비를 다시 감당할 수 있게 만드는 것이다. 쿠반은 보편적 의료보장을 지지하지만, 그에 앞서 정확한 데이터와 실제 정보를 토대로 의사결정할 수 있는 조건이 필요하다고 본다 [23:00]
• 소매 의약품 사업에서 더 낮은 마진을 내세우는 경쟁자가 등장해도 핵심 상품은 신뢰라는 입장이다. 광고비를 쓰지 않고 절감 경험의 입소문에 의존하며, 완전한 투명성과 15%의 고정 마진을 지켜 고객 신뢰를 쌓는 전략이다 [23:33]

14. 제조 포드의 성장 전망에는 허가 비용과 일정 제약이 따른다

• 쿠반은 약 2,000만 달러인 포드를 2년 내 연간 수백 대, 5년 내 연간 수천 대 판매할 수 있을 것으로 전망한다. 이는 현재 실적이 아니라, 수익성과 제조 확장성을 바탕으로 제시한 사업 구상이다 [24:10]
• 포드를 활용하면 댈러스에서 제네릭 정제를 생산하는 비용을 현재 거래하는 인도 제조사의 공급 가격보다 낮출 수 있다는 주장이다. 다만 현재 공급자 선정에서도 최저가보다 제조 품질을 우선해 다소 높은 가격을 지급하고 있다 [24:34]

15. 기술의 이익이 환자에게 전달되려면 시장 구조가 바뀌어야 한다

• 쿠반은 규제 포획과 규모에 의한 시장 장악을 구분하며, 현재 의료경제에서는 특히 규모가 문제라고 본다. 대형 수직계열화 기업의 실적 발표에서 기술은 고용주와 환자의 비용 절감보다 이익 증가·주주 환원·자사주 매입과 연결된다는 비판이다 [26:04]
• 고용주가 계약 구조를 이해하지 못하면 기존 사업자의 영향력은 유지된다. 코스트 플러스 드럭스가 대형 사업자들과 직접 거래하지 않는 이유도 그들의 계약에 묶이지 않고 외부에서 경쟁하기 위해서다 [26:35]

16. 신입 채용과 AI 활용 교육을 함께 유지해야 한다

• 모델에는 최신 상황을 반영하지 못하는 시차가 있으므로, 현장 맥락을 제공하고 결과의 영향을 판단할 사람이 필요하다. 신입 직원도 조직과 함께 성장하며 과거 도입 과정과 변화의 이력을 축적해야 하므로 초급 직무를 모두 없애서는 안 된다는 입장이다 [27:22]
• 신입을 포함한 사무직 인력 전체가 AI 사용법을 익혀야 한다. 쿠반은 AI 자체보다 AI를 잘 쓰는 사람이 그렇지 못한 사람의 일자리를 대체한다는 관점에서 교육의 필요성을 강조한다 [28:01]

17. 경영진의 AI 이해가 고객을 위한 실험의 출발점이다

• 경영진은 에이전트와 모델의 사용법, 공개 모델과 비공개 모델의 차이, 최신 정보가 반영되기까지의 시차를 이해해야 한다. 아직 공개되지 않은 대화는 모델이 알 수 없다는 점처럼 정보 범위의 한계를 파악해야 사업 영향을 판단할 수 있다 [28:18]
• 기본 원리를 이해한 뒤에는 고객에게 이익을 주거나 새로운 기회를 만드는 실험을 시작할 수 있다. 쿠반은 AI가 지식에는 강해도 현실 감각과 창업가의 판단을 대신하지는 못하므로, 사람이 방향을 잡아줘야 한다고 본다 [29:04]

18. AI 창업 기회와 에이전트용 정보 유통

• 더 낮은 가격의 제품을 만들기 위한 전체 부품 명세, 조달처, 제조 요건을 요청한 사례에서는 약 3분 만에 답을 얻었다. 무엇부터 해야 할지 모르는 상황 자체를 LLM에 질문할 수 있다는 점이 기업의 AI 도입 출발점이다 [30:14]
• 개인이 에이전트 집단을 운영해 거대한 사업을 만드는 ‘지하실의 조만장자’가 등장할 것이라는 전망이다. 다만 에이전트가 소셜미디어 게시물과 광고를 충분히 읽지 못하는 한계 때문에 상거래 정보를 전달하는 방식도 바뀌어야 한다 [31:11]

19. 환자의 의료비 부담을 줄이는 지원 정보 탐색

• 임상 외 영역에서 AI의 큰 기회는 환자가 보험급여 설명서인 EOB와 의료비 관련 정보를 이해하도록 돕는 데 있다. 미국인의 40%가 400달러의 긴급 지출을 감당하지 못한다는 진단이 이런 필요성의 배경이다 [32:29]
• 비영리병원의 재정 지원 제도를 미리 확인하면 자신의 선택지를 구체적으로 비교할 수 있다. 보험료로 낼 돈을 머니마켓펀드에 적립하는 경우도 검토 대상으로 거론하지만, 개인별 결정을 대신할 수는 없다는 전제가 붙는다 [33:15]

20. 병원 지원 제도를 실제 이용으로 연결하는 사업

• 비영리병원마다 지원 정보를 에이전트가 조회할 수 있게 정리하고, 환자가 자신의 AI에 간단한 안내문을 입력해 질문하도록 돕는 사업을 구상할 수 있다. 병원이 보험사 네트워크의 환자 유입에 의존하는 구조를 바꿀 기회이기도 하다 [34:30]
• 재정 지원 안내, 지역 은행과의 연계, 중소기업의 스톱로스 보장 활용 등으로 환자 선택지를 넓힐 수 있다. 가격 인하와 직접 계약이 가능해져도 최종 이용자가 이해하고 사용하지 못하면 효과는 제한된다 [35:08]

21. 개인 맞춤 의약품 설계 비용의 하락 가능성

• 모델 성능과 알고리즘 효율이 높아지면 DNA와 개인 정보를 바탕으로 약을 설계하는 비용이 0에 가까워질 수 있다는 전망이다. 다만 알고리즘의 개선 속도는 알 수 없으며, 실현 시점도 5년·10년·20년 뒤처럼 열려 있다 [36:59]
• 같은 일반의약품도 사람마다 반응이 달라 직접 시험해 봐야 한다. 모델의 분석 능력이 향상되면 개인에게 맞는 일반의약품의 용량이나 조합부터 최적화하고, 이후 다른 의약품의 개인화로 확장할 수 있다는 구상이다 [38:08]

22. AI 구독에 포함되는 맞춤 의료와 제조 기반

• 개인 맞춤 의료의 초기 비용은 크겠지만 추론 비용처럼 점차 낮아질 수 있다는 예상이다. 서비스가 가능해지면 월 20달러나 200달러 수준의 AI 구독에 포함하는 방안이 제안된다 [38:56]
• DNA 분석에 99달러 이하를 내는 사례를 들어, 초기 분석 후 정보를 보관하고 필요할 때 활용하는 모델을 상정한다. DNA 제공과 보관에는 개인정보 우려가 있으며, 유전적 위험을 알고 싶은지도 개인마다 다르다 [39:19]

23. 맞춤 의료에서도 남는 의사의 판단과 교육 변화

• 개인에게 더 잘 맞는 약은 효과 부족의 원인을 찾거나 용량을 조절하는 진료 업무를 바꿀 수 있다. 그러나 새 약 복용 후 심한 이상 반응이 생기는 상황에서는 현장에서 즉시 판단할 의사가 여전히 필요하다 [40:20]
• 사람의 오감과 질문, 가족의 반응까지 포함하는 맥락 판단을 AI가 대신하기는 어렵다는 입장이다. 어떤 질문과 변수가 중요한지 판단하고 시간과 비용을 고려하려면 훈련받은 사람이 필요하다 [41:16]

24. 의료 지식재산이 AI 접근을 제한할 가능성

• AI가 특허 내용을 조금 바꾼 대안을 쉽게 만들 수 있다면, 지식 보유자는 공개 대신 유료 모델이나 지정 소프트웨어 안에서만 지식을 제공하려 할 수 있다. 의료 지식의 유통과 수익화 방식이 달라질 가능성이다 [42:45]
• 정보의 자유로운 유통을 바라는 사람과 지식재산으로 수익을 얻으려는 소유자의 이해는 다르다. 저렴한 모델을 고르는 것만으로는 학습·추가 학습·검색 증강에 필수적인 지식이 공개되지 않는 문제를 해결할 수 없다 [43:25]

25. 의사과학자와 개인별 AI 해석자의 역할

• 의료 조언이 풍부해지면 실제 의료서비스 수요도 증가해 의사가 더 필요할 수 있다는 전망이다. 의사는 정형화된 업무에서 벗어나 개인의 새로운 반응을 관찰하고 데이터와 통찰을 만드는 의사과학자 역할을 확대할 수 있다 [44:17]
• 혈압처럼 계속 변하는 지표를 드물게 측정하는 대신 웨어러블로 지속 관찰하면, 치료뿐 아니라 식단과 운동에 대한 개인별 반응도 더 정확히 파악할 수 있다 [44:58]

26. 전자의무기록 시장과 처방 시점의 가격 정보

• Epic이 지배하는 전자의무기록 시장이 AI로 어떻게 바뀔지는 불확실하다. 쿠번은 이 시장의 변화 방향을 단정하기보다 자신이 영향을 줄 수 있는 협력 영역에 집중한다 [46:27]
• 의사가 처방하는 시점에 의약품 가격과 대안을 보여 주는 기능은 유용한 개선으로 평가된다. Epic·Amazon 등과 관련된 발표가 거론되지만, 실제 제공까지 다음 해 5월을 기다려야 한다는 점에는 답답함이 제기된다 [47:02]

27. 의료비 비중보다 건강과 생산성의 개선

• 효율이 높아져도 의료 수요가 늘어 10년 뒤 의료비가 경제의 약 5분의 1 수준을 차지할 수 있다는 견해다. 같은 지출에서 얻는 가치가 얼마나 커지는지가 중요하다 [47:42]
• 질병이 생긴 뒤 대응하는 데서 건강을 유지하는 방향으로 바뀌면 생산성과 학습 능력이 높아지고 활동하지 못하는 시간이 줄어들 수 있다. 이런 편익이 의료 지출을 상쇄할 만큼 커질 것이라는 전망이다 [48:02]

28. 계약·가격·회계 공개를 통한 의료시장 개혁

• 납세자 돈을 받는 기관의 계약을 가림 없이 공개하면 가격 비교와 경쟁이 가능해져 비용이 내려갈 것이라는 제안이다. 보험 적용 시 본인부담금보다 저렴한 가격을 찾았다면 그 지출도 공제액 충족에 반영하도록 해야 하며, 이미 8개 주가 일정 수준에서 시행 중이라고 보여준다 [49:04]
• 비영리병원은 총계정원장의 개별 항목과 조달 영수증·요건까지 공개해야 한다는 입장이다. 납세자 자금이 쓰이는 만큼 지출의 세부 내역도 확인할 수 있어야 한다는 논리다 [49:20]

29. 보험료를 개인 자산으로 쌓는 의료비 조달 구상

• 대형 보험사 매출의 72%가 납세자에게서 나오며 위험을 떠넘긴다는 비판과 함께, 평생 보험료를 내고도 필요할 때 보장을 놓고 다퉈야 하는 구조를 문제 삼는다. 대안으로 보험료에 해당하는 돈을 개인 소유 계좌에 의무 적립하는 방식을 제안한다 [50:04]
• 텍사스의 특정 소득 수준인 5인 가족이 2,100달러를 적립한다는 가정에서는 의료비가 잔액을 넘으면 은행이 대출하고 정부가 이를 보증한다. 적립금 일부는 스톱로스 보장에 쓰며, 대출은 급여 공제로 갚고 큰 의료비 지출 없이 65세에 도달하면 적립금과 이자를 받는 구상이다 [51:12]

30. AI 여론을 바꾸려면 개인화된 피드에 도달해야 한다

• 소셜미디어 알고리즘은 이용자가 찾는 정보를 더 많이 보여 주므로 사람마다 접하는 현실이 달라진다. AI 기업은 자사 기술로 알고리즘을 분석하고 그 환경에 맞는 마케팅을 설계해야 한다는 주장이다 [53:57]
• 특히 젊은 층의 AI 인식을 바꾸는 데 기존 방송 광고를 늘리는 방식은 효과가 제한적이라는 판단이다. 개인별 피드를 세분화해 홍보와 소통 방식을 맞춰야 하며, 여론 분열을 키우는 추천 알고리즘 자체도 AI라는 역설이 있다 [55:14]

31. 데이터센터 갈등과 소셜미디어 이해의 부족

• 데이터센터 반감에는 AI를 충분히 이해하지 못하는 문제가 투영돼 있다는 진단이다. 동시에 일부 지역사회가 불리한 계약 조건을 받아들였다는 비판도 있어, 주민의 반응을 일방적으로 탓하지는 않는다 [55:37]
• 시민과 입법자, 대통령 모두가 각자 다른 피드를 소비하는 환경의 영향을 이해해야 한다. AI 기업이 사람들의 실제 피드 안으로 들어갈 방법을 찾지 못하면 입장문을 계속 내도 설득력이 떨어질 것이라는 경고다 [56:40]

32. AI로 배우고 검증하며 낯선 사업 기회를 찾는 태도

• AI를 잘 쓰는 기업과 도태되는 기업으로 갈릴 것이라는 강한 전망과 함께, 개인에게도 AI로 무엇이든 배우는 방식과 배우지 않기 위해 의존하는 방식의 차이가 생긴다. 기회를 찾으려면 배우는 쪽에 서서 아직 해결되지 않은 문제를 질문해야 한다 [57:42]
• AI와 대화하는 데 대한 주저함이 큰 장벽이지만 결과 검증은 계속 필요하다. 한 모델의 계약 분석을 다른 모델에 넣고 반론을 구하는 방식으로 검토를 보완할 수 있다 [58:25]

33. 함께한 시간에 대한 긍정적 소감

• 함께한 시간이 즐거웠다는 소감을 남긴다 [1:00:00]
• 함께한 이들 모두와 줄리에게 감사를 전해진다 [1:00:15]

🧾 결론

• 제목의 핵심은 개인이 에이전트 집단을 활용해 사업 수행 능력을 크게 확장할 수 있다는 전망이다. 조만장자라는 결과나 달성 시점이 입증된 것은 아니다.
• 의료 사례에서 창업 기회는 불투명한 계약, 접근하기 어려운 정보, 복잡한 지원 제도처럼 아직 해결되지 않은 문제를 찾아 실행으로 연결하는 데 있다.
• AI가 만든 분석이 실제 성과가 되려면 계약 재협상, 구매 담당자의 거래 전환, 제조·허가 절차, 최종 이용자의 이해까지 이어져야 한다.

📈 투자·시사 포인트

• 계약 분석 서비스: 문서에서 문제 조항을 찾는 능력과 함께, 고객이 재협상과 직접 계약으로 비용을 얼마나 줄였는지 확인필요가 있다.
• 에이전트용 정보 유통: 에이전트가 읽고 활용할 수 있는 상거래 정보와 병원 지원 정보는 사업 후보 영역이다. agentfeeds.dev는 아직 본격적으로 활성화되지 않은 실험으로 제시된다.
• 제조 기반의 가치: 맞춤 의약품 설계가 쉬워질수록 실제 생산 역량이 중요해질 수 있다. 다만 제조 포드의 성장 전망은 허가 비용, 품질, 생산 확대 가능성과 함께 평가해야 한다.
• 기존 의료기업의 대응: 쿠반은 수직계열화가 진입 장벽을 만들지만, 자회사별 데이터 분산은 AI 전환의 부담이 될 수 있다고 본다. 기술 도입 여부뿐 아니라 데이터 접근성과 계약 구조를 함께 살펴야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 1인 창업자의 조만장자 등장은 쿠반의 전망이며, 제공 자료에는 이를 뒷받침할 실제 사례나 수익 구조가 제시되지 않는다.
• 제조 포드의 대규모 판매, 개인별 의약품 설계 비용의 급락, AI 구독에 포함되는 맞춤 의료는 미래 구상이다. 특히 알고리즘 개선 속도와 실현 시점은 열려 있다.
• AI 계약 검토로 수백만 달러를 절감할 수 있다는 주장과 대형 의료기업의 거래 구조에 관한 수치는 쿠반의 설명이다. 실제 계약, 청구·지급 자료, 절감 결과로 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

• 기존 브로커·TPA·PBM 계약을 모아 AI에 불리한 조항과 대응 방안을 정리하게 하고, 각 판단의 근거를 원문에서 확인한다.
• 계약 분석 결과를 다른 모델에 넣어 반론을 구하고, 담당자가 검토한 뒤 재협상할 항목을 선정한다.
• 고용주가 접근할 수 있는 계약 조건과 835·837 청구·지급 자료의 범위를 확인하고, 납부액과 실제 지급액을 대조할 수 있는지 점검한다.
• 에이전트의 자료 탐색·요청 이메일 초안 작성처럼 범위가 분명한 업무부터 시험하고, 결과를 직접 수정·검증한다.

❓ 열린 질문

• 개인이 에이전트 집단으로 거대한 사업을 운영할 때, 고객 신뢰와 정보 접근성은 어떻게 확보할 수 있을까?
• AI 계약 분석이 실제 비용 절감으로 이어지는 데 가장 큰 장애물은 데이터 접근, 재협상 권한, 기존 거래 관계 중 무엇일까?
• 에이전트용 정보 피드는 어떤 방식으로 신뢰할 수 있는 정보를 확보하고 지속 가능한 사업이 될 수 있을까?