Why OpenAI and Anthropic Won''t Win Finance

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

OpenAI와 Anthropic이 금융을 장악하지 못할 것이라는 주장의 핵심은, 금융 AI의 경쟁력이 모델 지능뿐 아니라 Rogo가 구축하려는 특화 업무·데이터·준법·거래 기반에 달려 있다는 데 있다.

📌 핵심 요점

1. 금융 특화 구현이 차별화의 중심이다. 금융기관에는 기업별 투자 철학, 내부 데이터, 감사 추적, 기존 기록 시스템과의 연결이 필요하다. Rogo는 범용 모델 기업이 개별 금융시장의 복잡한 구현을 직접 맡을 유인이 낮다는 가정에 베팅한다.
2. 초기 공략 대상은 비상장 거래 실무다. 데이터룸 준비와 실사, 관계자 협의, 거래 종결을 지원하고 CRM 등 기존 시스템에 활동을 기록한다. 분석 답변을 만드는 능력과 거래 전 과정을 실제로 처리하는 능력을 함께 확보하려는 전략이다.
3. 모델의 실무 성능은 맥락과 실행 환경에 좌우된다. 투자 논지와 관련 데이터를 연결하고, 정보 수집·검증 도구와 작업별 평가 체계를 제공해야 한다. 이메일 수정 지시와 기존 자료 검토 습관을 지원하는 설계도 도입에 중요하다.
4. 생산성 향상과 사업 성과 사이에는 조직 설계가 필요하다. 자료 작성 시간이 줄어도 수주와 거래 증가로 자동 연결되지는 않는다. 금융사는 확보한 역량을 어느 고객·시장·거래에 배분할지 결정하고, 개인의 전문성을 조직의 시스템으로 축적해야 한다.
5. 장기 목표는 성과 과금과 에이전트 거래 기반이다. 현재 좌석당 요금과 인력 중심의 기업 영업에서 출발하지만, 장기적으로는 보고서·투자 아이디어 같은 결과물에 과금하려 한다. 에이전트 간 협상과 입찰까지 지원하는 거래 채널은 아직 구축해야 할 미래 구상이다.

🧩 배경과 문제 정의

• AI가 주니어 애널리스트와 투자은행 직원의 핵심 업무까지 수행하면서, 금융회사의 과제는 투자·거래 전 과정에 AI를 통합하고 조직의 일하는 방식을 재설계하는 것으로 확장된다.
• 금융 업무에는 모델의 지능 외에도 기업별 투자 철학, 내부 데이터, 규제 요건, 감사 기록, 기존 시스템과의 연결이 필요하다. Rogo의 경쟁 전략은 이러한 금융 특화 기반을 구축하는 데 있다.
• 비상장시장 거래는 자료 준비와 검토, 관계자 조율, 거래 실행에 사람의 개입이 많아 자동화 기회가 크다. 다만 AI가 투자자의 판단까지 대체할지, 사용량과 고객 가치에 맞춰 어떻게 과금할지는 여전히 불확실하다.

🕒 시간순 섹션별 상세정리

1. 금융회사의 경쟁력이 사람에서 소프트웨어와 데이터로 이동한다

• 향후 10년 안에 최상위 투자회사와 은행의 기업가치 중 90%가 사람보다 소프트웨어·데이터·시스템에 담길 것이라는 전망에 따르면, 핵심 인력의 머릿속 지식을 회사가 소유하고 운영하는 시스템으로 옮기는 일이 중요해진다 [00:18]
• Jane Street가 지배적인 사업을 구축하는 데 15년이 걸렸듯이, 뛰어난 AI가 등장해도 조직의 변화에는 시간이 필요하다. 주요 투자자들은 앞으로 2~5년 동안 AI 통합과 자기 조직의 재설계를 추진하며, 투자 전 과정에 AI를 적용하는 일이 향후 5년의 핵심 과제가 될 것으로 예상한다 [01:26]

2. 모델의 신뢰도 향상이 Rogo를 시연용 기술에서 실무 도구로 바꿨다

• 고등학교와 대학 시절의 초기 시도는 제대로 작동하지 않았고, 실제 창업 초기에도 인상적인 시연과 실무에서 쓸 수 있는 결과 사이에 간극이 컸다 [02:50]
• o1 Pro 단계에서는 특정 기업의 최근 12개 분기 재무지표 계산 같은 작업을 직접 처리하는 편이 낫다고 느끼지 않을 정도로 신뢰도가 높아졌다. Opus 4.5가 등장한 2025년 말부터는 적절한 지시와 맥락을 제공하면 주니어 투자 전문가나 은행원의 업무 대부분을 수행할 수 있게 됐다는 평가다 [03:33]

3. 기존 업무 습관에 맞춘 설계가 금융 전문가의 AI 도입을 돕는다

• 은행 임원이 발표자료 수정 지시를 이메일로 보내면 AI 애널리스트가 처리하고, 기존에 이틀 걸리던 결과를 20분 만에 돌려주는 흐름을 구현했다. 동시에 담당 주니어 애널리스트에게 알리고 수정 내역을 추적할 수 있게 해 검토와 개입을 지원한다 [05:24]
• iPad에서 자료에 표시하는 기존 습관을 유지할 수 있다는 점이 도입 장벽을 낮춘다. 이런 세부 설계에는 특정 사용자의 실제 직무와 작업 방식을 이해하는 전문성이 필요하다 [05:48]

4. 대규모 에이전트의 투자 아이디어 탐색은 맥락 연결에 달려 있다

• 헤지펀드 포트폴리오 매니저마다 에이전트 1만 개가 자료를 읽고 24시간 토론한 뒤 하나의 아이디어를 제시하는 구상을 제시한다. 좋은 투자 아이디어 하나에 5만 달러를 지불할 의향이 있는 시장에서는 대량의 토큰을 투입하는 방식이 성립할 수 있다는 논리다 [06:26]
• 모델의 지능이 이미 매우 높다는 평가 아래, 현재의 핵심 개발 과제는 투자 논지와 업무 방식, 관련 데이터를 수집해 모델에 연결하는 기반을 구축하는 데 있다 [06:50]

5. 현재 주력 고객은 거래 전 과정을 처리하는 딜메이커다

• 공개 데이터가 풍부한 상장주식은 AI에 적합한 분야지만, Rogo의 초기 핵심 고객은 기업을 사고팔거나 거래를 조율하는 실무자다. 데이터룸 준비·분석부터 제삼자와의 협의, 거래 종결까지 실행 업무를 지원한다 [07:38]
• 매도 측은 기업 재무모델, 고객 설명자료, 실사 질문에 대한 답변을 준비한다. 매수 측 에이전트는 같은 자료를 분석해 고객 집중도가 펀드의 허용 위험 수준에 맞는지처럼 투자 철학에 따른 검토를 수행한다 [08:20]

6. 상장주식 확장보다 비상장시장 거래 기반 구축에 우선순위를 둔다

• 상장주식 투자자를 제대로 지원하려면 해당 분야의 전문 인력을 확보하고 기존 기술을 실제 투자 업무에 맞게 구성해야 한다. 기반 기술의 활용 가능성에는 강한 확신이 있지만, 창업자 자신에게 충분한 상장시장 투자 경험이 없다는 한계도 인정한다 [10:07]
• 현재 딜메이커 시장만으로도 큰 사업을 만들 수 있으며, 비상장시장의 거래 기반 전체를 구축하려는 목표와도 맞는다. 상장시장에는 이미 거래소와 상당한 자동화 기반이 있지만, 비상장시장은 조율·표준화·검토·거래 실행을 여전히 사람이 많이 담당한다 [10:48]

7. 인간 투자자의 판단력과 독점적 정보 수집 능력의 가치는 구분해야 한다

• 뛰어난 투자자는 무엇이 중요한지 식별하고 여러 주제에 걸쳐 판단을 내린다. AI가 이 능력까지 대체할지는 아직 결론이 나지 않았으며, 알파고의 ‘37수’와 같은 발견이 상장주식 투자에서도 가능해지면 필요한 역량이 크게 달라질 수 있다 [12:36]
• 그런 변화가 일어난다면 현장 활동, 전문가 대화, 관계망을 통해 남들이 갖지 못한 정보를 확보하는 능력이 핵심이 될 수 있다. 투자자가 최종 해법을 직접 계산하지 않더라도 모델에 독점적인 입력을 제공할 수 있기 때문이다 [13:14]

8. 복잡한 모델 호출 체계에서 데이터·감사·평가 도구 중심으로 전환한다

• 초기 Rogo는 기업명 식별, 티커 확인, 외부 API 조회, 결과 종합 등에 약 60번의 모델 호출을 연결했다. 모델이 똑똑해질수록 세부 절차를 일일이 지정하기보다 정보 수집, 자체 검증, 결과 전달에 필요한 단순하고 품질 높은 도구를 제공하는 방향으로 바뀐다 [16:01]
• 필요한 데이터와 함께 규제·준법 요건을 설계한다. 향후 법원이 AI의 입력과 조사 자료를 증거개시 대상으로 삼을 가능성에 대비해, 정보가 부적절하게 섞이지 않고 결과가 만들어진 경로를 추적할 수 있어야 한다 [16:48]

9. 범용 모델 기업과의 차별점은 금융 특화 업무와 거래 기반에 있다

• 금융은 데이터, 품질 기준, 규제 요건이 서로 다른 세부 시장의 집합이다. Rogo는 이 영역의 업무와 기록 시스템을 깊게 구축해 매출 50억 달러 규모에 도달할 수 있다고 보며, 훨씬 큰 매출 규모를 추구하는 모델 기업에는 이런 개별 시장의 우선순위가 낮을 것이라는 전략적 가정을 둔다 [17:49]
• 중요 미공개정보를 다루는 거래에서는 감사 추적, 정보 표시, 은행·투자회사 내부 시스템과의 정밀한 연동이 필요하다. 이러한 준법 기반은 일반적인 지능만으로 해결되지 않는 구체적인 구현 과제다 [18:54]

10. 모델을 둘러싼 실행 환경이 실제 수행 능력을 좌우한다

• Claude Code와 Claude Cowork의 성장은 모델 성능뿐 아니라 실행 환경과 제공 방식이 장시간 작업 능력을 끌어낸 결과라는 해석이다. 비슷한 수준의 모델이라도 어떤 환경에서 작동하게 하느냐에 따라 활용도에 큰 차이가 날 수 있다 [20:07]
• 인간 투자자의 판단에는 지식 저장·검색과 특정 상황에서 과거 경험을 떠올리는 작동 방식이 함께 관여한다. AI에도 이러한 기억과 호출 기능을 세밀하게 구축해야 한다는 관점이다 [20:35]

11. 산업별 AI 기업에는 복잡한 시장, 전문성, 제품 재설계 능력이 필요하다

• 데이터 종류, 기록 시스템, 배포 방식이 충분히 복잡한 산업에서는 어려운 연동 문제를 해결하는 과정이 진입 기반이 된다. 범용 AI 제품을 즉시 판매할 수 있는 단순한 시장에서는 차별화된 기능을 구축할 시간을 확보하기 어렵다는 판단이다 [21:30]
• 팀의 도메인 전문성과 산업에 대한 호기심도 중요하다. Rogo는 투자은행·투자회사 경험을 가진 인력 100명 이상을 바탕으로 새 모델의 능력을 금융기관 업무에 적용하고 있다 [22:05]

12. 장기 기억의 압축은 조직형 에이전트의 미해결 과제다

• 하나의 에이전트와 100번 대화했을 때 중요한 내용을 선별해 제한된 토큰 안에 보존하고, 사용자의 관심사와 맥락을 일관되게 유지하는 기억 압축이 어렵다. 이 능력이 개선돼야 상호작용이 쌓일수록 사용자를 더 잘 이해하는 경험을 만들 수 있다 [24:05]
• 에이전트가 개인을 넘어 100명이 있는 Slack 채널이나 회사 전체에서 일하면 여러 사람의 대화와 업무를 함께 기억하고 조율해야 한다. 이러한 지속적 맥락 유지에는 현재 모델의 한계가 있다 [24:28]

13. 금융 AI 판매는 사용량 확산보다 인력 중심의 기업 영업에 의존한다

• Rogo는 구매자가 익숙한 좌석당 요금을 적용하며 Bloomberg, FactSet, Capital IQ, PitchBook과 유사한 구매 범주에 놓인다. 계약마다 영업 담당자, 솔루션 아키텍트, 세일즈 엔지니어가 제품과 통합 방식을 설명해야 한다 [25:37]
• Rogo가 Anthropic에 지불하는 비용은 추가적인 대면 영업 없이 토큰 소비에 따라 급증했지만, 금융 고객에 대한 판매는 같은 방식으로 성장하기 어렵다. 따라서 빠른 성장에는 기업 영업 조직을 신속하게 확장하는 일이 필요하다 [26:03]

14. 장기 과금 방향은 토큰 소비보다 고객이 받는 성과에 맞춰져 있다

• 장기적으로 사용량 기반과 성과 기반의 두 차례 과금 전환이 필요하다고 보지만, Rogo는 가능하면 사용량 과금을 건너뛰고 싶어 한다. 좋은 투자 아이디어, 출자자용 분기 보고서, 은행의 매각 설명자료처럼 고객이 받는 결과물에 과금하는 방식을 선호한다 [27:01]
• 토큰에 10만 달러를 지출해도 그만큼의 가치를 얻었는지는 판단하기 어렵다. 투자 아이디어로 얻은 수익이나 기업 매각 업무에서 받는 수수료처럼 고객의 경제적 가치와 연결되는 결과는 가격을 설명하기 더 쉽다는 논리다 [27:31]

15. 사람 중심의 자본시장 업무를 온라인 거래로 전환할 가능성

• 과거에는 대면 상담이 당연했던 주택담보대출도 이제 40~50%가 Rocket Mortgage 같은 온라인 플랫폼에서 제공된다는 사례가 기업 금융 자동화의 근거다. 기업의 거래·자본 조달·차입에도 큰 혁신이 가능하다는 전망이다. [29:16]
• 향후 10~20년에는 기업이 온라인에서 버튼을 눌러 자본 조달을 시도하고, KKR 같은 투자사가 포트폴리오 기업의 매각 가능성을 판단하는 시간이 5개월에서 5분으로 줄어들 수 있다는 구상이다. 자산 가격 산정이 빨라지면 시장의 투명성·유동성·효율성과 거래 활동이 늘어날 것으로 기대한다. [29:29]

16. AI 보조 도구에서 에이전트 거래 인프라로 확장하는 전략

• Bloomberg가 데이터로 고객을 확보한 뒤 분석·업무 도구와 거래·소통 플랫폼을 구축했듯, Rogo는 AI로 진입해 전체 업무를 지원하려 한다. 챗봇형 보조 도구에서 투자위원회 메모와 실사 질문서의 정확성을 보장하는 자동 수행 도구로 발전시키는 것이 목표다. [30:31]
• 다음 단계는 사람용 메신저가 아니라 기업과 투자사에 속한 에이전트들이 거래하는 통신 채널이다. 에이전트가 협상, 외부 자문사와의 연락, 복수 투자자의 입찰을 받는 경매까지 수행하려면 상당한 소프트웨어가 더 필요하며, 비표준 자산을 위한 거래소와 유사한 모습이 될 수 있다. [31:04]

17. 대형 은행을 초기 고객으로 선택한 유통 전략

• 현재 고객은 주로 대형 은행이며, 초기 공략에는 창업자의 투자은행 인수 측 M&A 업무 경험이 작용했다. 투자은행에서 경력을 시작한 인력이 이후 투자업계로 이동하므로 은행은 금융 전반으로 제품을 확산시키는 유통 경로가 된다. [32:03]
• 은행은 사용자 좌석 수도 압도적으로 많다. Bank of America 같은 은행 한 곳에 진입하면, 투자자가 각각 10명인 소규모 주식 투자사 여러 곳을 확보하는 것보다 훨씬 많은 사람에게 제품을 제공할 수 있다. [32:30]

18. 개인 생산성을 조직 성과로 바꾸는 데 필요한 전략

• 다수 금융사는 개인 생산성 향상을 체감하지만 이를 측정 가능한 회사 성과로 연결하는 방법을 찾고 있다. 한 임원은 분석가와 3일간 주고받아야 했던 고객용 자료 5페이지를 직접 10분 만에 만들었다고 했지만, 이런 시간 절약이 실제 수주와 거래 증가로 이어지는지는 별도 문제다. [33:05]
• AI 활용의 방향은 비용 절감뿐 아니라 기존에 수익성이 낮아 외면했던 시장 진출일 수도 있다. JPMorgan의 중소기업 M&A 확대 계획처럼, 은행원 한 명이 거래팀 역할을 할 수 있다면 수수료가 작아 인력 배치가 어려웠던 거래도 맡을 가능성이 생긴다. [33:55]

19. 정확성만큼 중요한 감사 가능성과 판단 근거 추적

• 금융 AI는 정확성뿐 아니라 답변의 가정과 데이터 출처를 쉽게 확인할 수 있어야 한다. 대체로 정확하더라도 오류를 점검할 방법이 없으면 신뢰하기 어렵고, 반대로 오류가 있어도 원인을 바로 확인할 수 있으면 실무에 활용하며 시간을 절약할 수 있다. [35:17]
• AI가 정보 검색을 넘어 투자 판단이나 이메일 발송을 실행하면, 잘못된 결정의 원인이 입력 데이터인지 다른 정보인지 추적할 수 있어야 한다. 규제기관의 감독을 받는 자본시장에서는 판단 이유와 사용 데이터를 설명하지 못하는 방식이 통하기 어렵다. [35:47]

20. 직원의 숙련 속도를 높이는 사내 지식 시스템 Shrek

• 빠르게 성장하는 기업용 소프트웨어 회사의 핵심 문제는 영업·마케팅·고객 지원 인력이 얼마나 빨리 사업을 이해하고 생산적으로 일하느냐다. Rogo는 교육과 지속적인 재교육을 이를 해결할 핵심 과제로 본다. [37:05]
• Rogo는 모든 사내 대화를 녹음한다고 설명하며, 축적한 대화 기록을 직원이 필요할 때 검색하도록 한다. 특정 시장의 고객에게 어떤 데이터나 활용 사례가 유효한지 찾을 때, 만난 적 없는 아시아태평양 지역 동료의 과거 대화도 활용할 수 있다. [37:34]

21. 인재 확보의 명분과 자본시장 접근성 확대

• Rogo의 채용 설득 논리는 응용 AI가 사람과 기술의 접점을 설계하는 분야이며, 금융의 자본 배분 효율을 높이면 기업과 아이디어의 실현을 촉진할 수 있다는 것이다. 1,000억 달러를 넘어 5,000억 달러 규모의 기업이 되겠다는 표현은 이러한 장기 포부에 해당한다. [39:46]
• 금융 중개의 긍정적 사례로 유럽 투자자와 미국 기업가를 연결해 철도와 기반시설에 자금을 공급했던 J.P. Morgan의 기원이 드러난다. 자본을 배분하려는 사람과 혁신하려는 사람을 연결하는 기능이 경제 발전에 기여했다는 논리다. [41:35]

22. 광고 구간의 규정 준수 자동화와 투자관리 통합 플랫폼

• Vanta 광고는 규정 준수 자동화로 감사 준비를 82% 줄이고 고객 보고 기준 526%의 투자수익률을 제공한다고 주장한다. 이용 기업은 1만 6,000곳 이상이며, 보안 검토와 수작업을 줄여 고객 계약을 앞당기는 효과를 내세운다. [42:43]
• Ridgeline 광고는 포트폴리오·회계·대사·보고·거래·규정 준수를 하나의 AI 내장 플랫폼에서 처리하는 구성을 내세운다. AI 활용 수준과 관계없이 투자회사에는 거버넌스, 통제, 일관된 데이터 기준이 필요하다는 주장이다. [43:15]

23. 급성장 과정의 인사 실패와 기술 변화가 만드는 부담

• 빠른 성장에는 장기 시장에 대한 확신과 일상적인 문제에 매몰되지 않는 집중력이 필요하다. Harvey의 Winston은 수많은 당면 문제 속에서도 3년 뒤 목표와 이를 달성하는 핵심 과제에 집중하는 사례다. [44:18]
• 창업 초기에는 채용·해고·관리·피드백·방향 설정을 시행착오로 배웠다. 퇴사와 유지율 문제, 6개월간 영입하려던 후보의 합류 무산, 새 모델 출시로 무의미해진 제품 개발, 투자자 40명의 연속 거절이 큰 부담이었다. [45:03]

24. AI 구매 시기를 선점하기 위한 공격적 확장과 위험 감수

• 이사회에서는 금융기관들이 향후 18개월 안에 어떤 형태로든 AI를 구매한다는 전제 아래, 구매 결정의 순간에 시장에 충분히 진출해 있는지가 중요하다는 판단이 나왔다. 이 관점에서는 이미 공격적으로 보였던 채용·영업·제품 계획도 부족했다. [46:35]
• 벤처 투자를 받은 기업은 실패 위험과 초대형 성공 가능성을 동시에 높이는 선택을 감수해야 한다는 입장이다. 실패 가능성이 30% 더 커져도 1,000억 달러 기업이 될 가능성이 20% 높아진다면 받아들일 수 있다는 예시는 실제 확률 추정치가 아니라 위험 감수 태도를 나타낸다. [47:23]

25. 시리즈 A의 연속 거절과 이후 투자자 신뢰의 변화

• 2년 반 동안 제품을 만든 뒤 David의 소개로 주요 투자자 40명을 만났지만 모두 거절했다. 일부는 투자위원회 미팅과 식사까지 진행한 뒤 거절했으며 Thrive도 포함됐다. 이후 Keith에게는 금융판 Harvey가 역발상 투자가 아니라면 왜 다른 투자자들은 모두 거절했느냐고 반문했다. [47:52]
• 거절의 원인으로 금융 시장 규모에 대한 과소평가, 당시 절반가량 틀렸던 제품, 창업자의 해결 능력에 대한 신뢰 부족을 꼽는다. 제품이 6개월·12개월·18개월 뒤에는 작동할 것이라는 주장은 당시의 확신이었고, 실현 시점이 정해져 있었던 것은 아니다. [49:38]

26. 금융 AI의 진입 장벽과 기술 인재의 조건

• 금융 AI의 경쟁 장벽은 기술만으로 설명되지 않는다. 금융기관과 신뢰를 쌓고 가치를 제공하는 유통·관계 역량이 필요하면서도 제품과 엔지니어링의 요구 수준 역시 높다. 초기 금융업계 출신 인력과 그들의 네트워크가 Rogo의 실행에 도움이 됐다. [51:13]
• 일부 업무에서는 도메인 지식, 제품 감각, 사업 전반을 보는 관점의 가치가 높아지고 있다. 반면 급격한 규모 확장을 처리하는 영역에는 여전히 강한 엔지니어링 역량이 필요하다. [52:32]

27. 기존 금융기관에 생긴 혁신가의 딜레마

• 투자업은 진입이 어렵고, 특히 사모시장에서는 펀드를 연속적으로 조성하면서 사업에 관성이 생긴다. 다만 펀드 운영의 어려움을 단순화한 설명이라는 단서를 두며, 지난 10~20년 동안 기존 금융사에 전면적인 재설계를 요구하는 충격은 드물었다고 본다. [53:43]
• AI는 은행과 투자사가 기존 업무 방식을 다시 생각하게 만드는 계기다. 수백 개의 AI 기반 투자사와 투자은행이 기존 사업모델에 도전할 가능성이 생기면서 사모펀드·헤지펀드·투자은행도 혁신가의 딜레마에 직면한다는 전망이다. [54:13]

28. AI 네이티브의 기준은 모든 업무를 재설계하는 태도

• AI 네이티브는 현재의 실현 가능성만으로 한계를 정하지 않고, 모든 업무에 AI를 통합하는 방향으로 계속 자신을 바꾸는 태도에 가깝다. 어떤 부문도 변화의 예외로 남겨두지 않는 것이 핵심이다. [54:38]

29. AI 사용량 공개의 유인과 인적 가치에 관한 마지막 질문

• Rogo는 매월 직원별 외부·내부 AI 도구 사용량을 보고받고, 부서별 상위 5명과 하위 5명의 순위를 공개한다. 각 부서 최하위 사용자는 ‘바보 모자’를 씌운 출력물로 사무실에 게시하는 방식까지 사용한다. [55:36]
• 이 방식은 AI 사용을 유도하지만, 회사가 커져 창업자의 농담 맥락을 모르는 직원들은 실제로 두려워하기도 한다. 창업자는 그런 두려움이 줄어들기를 바란다고 인정하면서도 강한 사용 유인으로 평가한다. [56:06]

30. 핵심 금융 인력의 전문성을 조직의 시스템으로 전환

• 향후 10년 안에 최고의 투자회사와 은행은 기업가치의 90%가 사람이 아닌 소프트웨어·데이터·시스템에서 나올 것이라는 전망이다. 이에 대비하려면 뛰어난 인력의 머릿속 지식을 조직이 소유하고 자율적으로 운영하는 시스템에 담아야 한다 [57:05]
• 거래 생애주기를 단계별로 나누고 독점적인 데이터·전문성·관계·맥락이 있는지 점검해야 한다. 단순히 자신이 더 똑똑하거나 많이 읽었다는 데 기댄 우위는 AI로 사라질 수 있다 [57:26]

31. 비공개시장 자동화의 속도와 인간관계의 잔존 가치

• 자산의 표준화는 추적과 거래를 쉽게 해 거래량과 유동성을 높인다. AI는 비공개시장의 비정형 데이터 문제를 해결할 것으로 기대되지만, 규제나 시장의 힘이 추가 표준화를 촉진할지는 통제하기 어려운 변수다 [59:20]
• 인간관계에서 얼마나 많은 초과수익이 남을지는 불확실하다. 20년간 회사를 키운 소기업 소유주가 인수자를 신뢰하고 직접 악수하려는 요구까지 완전히 자동화하기는 어렵다는 판단이다 [59:59]

32. 투자 유치는 투명성·반복 접촉·조건부 확신의 축적

• 자금 조달에서는 우려와 목표를 솔직하게 밝히면서도 최종 지향점은 확고히 유지하는 접근을 선호한다. 시드부터 여러 차례 투자를 거절했던 투자자가 창업자와 사업에 관한 정보를 축적한 뒤 시리즈 C나 D를 주도할 수 있어, 반복적인 접촉과 관계가 중요하다 [1:00:55]
• 자신감이 없는 순간에도 방향에 대한 확신은 필요하지만, 실제와 다른 모습을 꾸밀 필요는 없다. 기업가치 1,000억 달러에 이를 확률이 5%라면 이를 100%라고 가장하는 대신, 어떤 조건과 전략으로 그 결과가 가능한지 명확한 로드맵을 제시해야 한다 [1:01:28]

33. AI 경쟁의 승패를 가르는 인재·자본 집중과 실행력

• 각 분야의 문제를 해결하는 기업은 인재·자본·브랜드가 집중되는 중심이 돼 실행에 필요한 자원을 끌어들일 것이라는 전망이다. AI가 강력한 순풍이어도 경쟁에서 요구되는 실행 수준은 이전보다 높아진다 [1:03:29]
• 더 빠른 속도, 강한 회복력과 민첩성, 적합한 팀이 필요하며 우수한 팀을 구성하는 비용도 매우 높다. 인재와 자본을 빠르게 확보할 전략이 없으면 AI 연구소나 자원 확보에 성공한 다른 기업에 밀릴 위험이 커진다 [1:03:54]

34. 무조건적인 지지와 높은 기준이 만든 자신감

• 어머니의 무조건적인 지지는 실패와 반복된 거절 속에서도 자신을 믿게 했다. 현실적으로 과도해 보이는 믿음이라도 변함없는 사랑에서 오는 자신감이 어려운 시기를 버티는 데 필요했다 [1:04:26]
• 아버지는 엄격한 규율과 높은 기준을 유지하면서도 실패의 이유를 이해하고 세부 사항을 함께 검토하는 방식으로 도왔다. 원칙과 탁월함의 기준을 지키면서 시간을 들여 개선을 돕는 것이 아버지의 친절이었다 [1:05:14]

35. 마지막 후원 광고의 지출·보안·기업용 인프라 메시지

• Ramp 광고는 작은 우위가 누적된다는 논리로 지출 시스템을 자본 배분 전략과 연결한다. 더 나은 데이터가 의사결정과 장기적인 경제성을 개선한다는 홍보 메시지다 [1:06:03]
• Vanta 광고는 컴플라이언스 자동화와 보안·위험 정보의 통합을 강조한다. 이어 WorkOS 광고는 기업 고객 대응에 필요한 인프라 구축 시간을 줄여 제품에 집중할 수 있다고 주장한다 [1:06:18]

🧾 결론

• 제목은 범용 모델 기업의 패배가 확인됐다는 뜻보다, 금융 특화 기업이 독자적인 사업을 구축할 수 있다는 전략적 주장으로 읽어야 한다.
• Rogo의 경쟁력은 금융 업무 이해, 데이터 접근, 감사 가능성, 시스템 연동, 고객 신뢰를 함께 구축하는 실행력에 달려 있다.
• 금융기관의 과제는 AI 도입 자체를 넘어, 인력의 지식과 관계를 조직 자산으로 축적하고 늘어난 생산력을 실제 성과에 연결하는 것이다.

📈 투자·시사 포인트

• 금융 AI 기업을 평가할 때 모델 성능뿐 아니라 실제 거래 과정에 얼마나 깊게 연결됐는지, 판단 근거를 추적할 수 있는지 살펴볼 필요가 있다.
• 좌석당 매출이 늘어도 사용량 증가에 따른 모델 비용과 영업·통합 인력 비용이 함께 커질 수 있다. 고객 가치와 공급자의 수익성이 함께 개선되는지 확인해야 한다.
• 비상장시장 자동화는 기존에 수수료가 작아 맡기 어려웠던 거래까지 지원할 가능성을 연다. 다만 규제, 비정형 데이터, 대면 신뢰가 확산 속도를 좌우할 수 있다.
• 모델 기업의 금융시장 진입 우선순위가 낮다는 가정이 바뀌면 경쟁 구도도 달라진다. 특화 기업의 고객 관계와 거래 기반이 얼마나 지속적인 우위인지가 관찰 지점이다.

⚠️ 불확실하거나 확인이 필요한 부분

• OpenAI와 Anthropic이 금융에서 승리하지 못한다는 결론은 입증된 사실이 아니다. 모델 기업이 금융의 세부 업무와 데이터룸 구축을 우선하지 않을 것이라는 전략적 가정이 핵심이다.
• 주니어 업무 대부분의 수행, 월 수백 시간 절약, 자료 작업의 이틀→20분 단축은 제공된 발언과 사례에 근거한다. 적용 범위, 오류율, 검토 비용을 포함한 독립 검증은 제시되지 않았다.
• 기업가치의 90%가 시스템으로 이동한다는 전망, 매각 판단의 5개월→5분 단축, 에이전트 간 거래는 장기 전망이나 구상이다. 구현 완료나 실현 시점이 확인된 성과로 취급하면 안 된다.
• 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

• 거래 과정을 자료 준비·실사·협의·실행·기록으로 나누고, 각 단계에 필요한 독점 데이터·전문성·관계·맥락을 정리한다.
• 반복 업무 하나를 선정해 처리 시간, 오류, 사람의 검토 시간, 모델 비용을 함께 측정하는 도입 평가를 설계한다.
• 답변의 출처·가정·수정 내역을 확인하고, 중요 미공개정보의 접근 범위와 내부 시스템 연동 방식을 점검한다.
• 절약한 시간을 어느 고객과 거래에 재배분할지 정하고, 수주·거래 증가 등 조직 성과로 이어지는지 추적한다.

❓ 열린 질문

• 범용 모델 기업이 금융 특화 업무와 거래 기반까지 직접 확장한다면 Rogo의 차별점은 얼마나 유지될까?
• 투자 아이디어나 거래 지원의 경제적 성과를 AI의 기여로 분리해 측정하고 가격에 반영할 수 있을까?
• 인간관계와 대면 신뢰가 중요한 비상장 거래에서 에이전트는 어디까지 자율적으로 실행할 수 있을까?