Should American Enterprises Work With Open-Source Chinese Models?

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Should American Enterprises Work With Open-Source Chinese Models를 중심으로, AI의 경제성은 토큰 단가가 아니라 원하는 결과를 얻기까지 소비한 전체 비용과 시행착오로 판단해야 한다. 저가 모델을 반복 호출하를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. AI의 경제성은 토큰 단가가 아니라 원하는 결과를 얻기까지 소비한 전체 비용과 시행착오로 판단해야 한다. 저가 모델을 반복 호출하는 것보다 고성능 모델로 한 번에 정확한 결과를 얻는 편이 지능 집약적 업무에서는 더 저렴할 수 있다.
2. 중국계 오픈 모델은 제작 지역만으로 일괄 배제할 대상이 아니다. 미국 국가안보 업무에는 부적합할 수 있지만 일반 코드 리뷰처럼 대체 가능한 업무에서는 실제 성능, 검열, 제한 정책, 보안 위험을 개별적으로 검증해야 한다.
3. 일반 업무는 저렴한 오픈 모델로 이동하고, 고빈도 특수 업무는 기업 데이터로 사후 학습한 전용 모델이 담당할 가능성이 높다. 최첨단 지능이 필요한 소수 업무만 프런티어 모델에 남아도 상당한 경제적 가치를 차지할 수 있다.
4. 장기적인 기업 해자는 모델 자체보다 검증 가능한 결과, 고객 워크플로와의 결합, 사용자·사용 데이터, 상태와 학습을 축적하는 하네스에서 형성된다. 기업이 작업 결과와 학습을 소유하지 못하면 외부 공급자에게 지능 주권을 넘길 위험이 있다.
5. 향후 18개월 안에 네오랩의 80~90%가 독립 기업으로 남지 못할 수 있다. 생존 여부는 지속적인 워크플로에 연결돼 있는지, 프런티어 모델이 발전해도 가치가 유지되는지, 경쟁자가 쉽게 복제할 수 없는 정보 우위를 보유했는지에 달려 있다.

🧩 배경과 문제 정의

• AI 비용은 토큰 단가보다 원하는 결과를 얻는 데 들어가는 전체 자원과 시행착오를 기준으로 판단해야 한다.
• 범용 오픈 모델과 기업별 특화 모델이 확산되면 소수 프런티어 모델 기업의 시장 지배력과 높은 마진을 유지하기 어려워진다.
• AI 기업의 장기 경쟁력은 독점 기술보다 검증 가능한 성과, 고객 워크플로와의 결합, 사용자·사용 데이터에서 나오는 정보 우위에 달려 있다.
• 보조금으로 확보한 사용자와 모델 종속형 애플리케이션은 전환 비용이 낮아 이탈 위험이 크며, 가격 인상에 상응하는 가치 향상이 필요하다.

🕒 시간순 섹션별 상세정리

1. 기술을 신체적 한계의 확장 수단으로 받아들인 배경

• 에노 레예스의 부모는 예술과 기술의 접점에 관심이 많았고, 이러한 가정환경이 컴퓨터와 창작 기술에 대한 초기 관심을 형성했다. [01:41]
• 아버지는 여섯 살 때 버스 사고로 신체 활동에 제약을 받은 뒤 초기 컴퓨터를 탐구했고, 기술을 물리적 한계를 넘어 영향력을 확장하는 수단으로 활용했다. [02:19]

2. 토큰 단가가 아닌 결과 비용으로 보는 AI 경제성

• AI 시스템의 실질 가격은 입력 토큰 가격이 아니라 코드 리뷰처럼 원하는 결과 하나를 완성하는 데 드는 전체 비용으로 판단해야 한다. [03:22]
• 저가 모델이 반복 실행과 5천만 토큰을 요구하는 동안 고성능 모델이 적은 시행착오로 정확한 결과를 내면, 지능 집약적 작업에서는 가장 똑똑한 모델이 오히려 가장 저렴하다. [03:42]

3. 범용 오픈 모델과 기업 전용 특화 모델의 분화

• 모델 생태계는 소수 공급자의 범용 모델만 남기보다 작업과 기업에 따라 여러 종으로 빠르게 분화하며, 모델 제작을 지원하는 도구와 인프라의 가치도 커진다. [04:43]
• 일상적인 범용 작업은 오픈 모델이 담당하고, 기업의 고빈도 특수 작업은 범용 모델을 사후 학습한 내부 전용 모델이 맡는 구조가 유력하다. [05:00]

4. 사후 학습 역량의 소프트웨어화

• 모델 사후 학습 노하우는 아직 소수 전문가에게 집중돼 있지만, 과거 소프트웨어 개발처럼 도구의 발전을 통해 일반 기업도 사용할 수 있는 역량으로 바뀔 수 있다. [06:11]
• 기업이 작업과 기존 워크플로를 지정하면 플랫폼이 특화 모델을 생성하는 방식이 확산되고, 재귀적 개선과 모델 학습은 일부 프런티어 기업의 독점 영역에 머물기 어렵다. [06:41]

5. AI 성능 확장의 핵심인 검증 가능성

• 현재 AI 시스템의 성공을 좌우하는 가장 중요한 속성은 결과를 검증할 수 있는지 여부이며, 모호한 업무까지 확장하려면 새로운 평가 방법을 함께 만들어야 한다. [07:42]
• 의료·법률처럼 정답이 명확하지 않은 분야에서는 전문가의 비교 판단을 평가 기준으로 축적하고, AI가 그 패턴을 바탕으로 새로운 검증 체계를 구축할 수 있다. [08:01]

6. 직관을 조직적 판단 체계로 바꾸는 과정

• 대형 로펌이 신입 직원을 직감만으로 평가하면 관리 품질을 확장하기 어렵고, 좋은 성과와 나쁜 성과의 특징을 기록한 공통 판단 체계가 필요하다. [09:30]
• AI도 직관적 추론만으로 높은 정확도를 낼 수 있지만, 안정적인 운영을 위해서는 좋은 결과와 나쁜 결과의 기준 및 판정 방식을 명시해야 한다. [10:10]

7. AI 전환 규모와 데이터 기업의 가치

• AI 기업의 잠재 규모를 수백억 달러 수준으로 제한하는 관점은 전환의 크기를 한 자릿수 이상 과소평가하며, 수천억 달러 규모의 기업이 등장할 가능성이 있다. [11:52]
• 미래의 거대 기업은 복제하기 어려운 단일 기술보다 AI 시대의 변화를 경쟁자보다 명확히 이해하고 빠르게 대응하는 인재 집단에서 우위를 얻는다. [12:08]

8. 프런티어 모델 시장의 과대평가와 애플리케이션 이동

• 자체 데이터와 특화 모델의 확산은 프런티어 모델의 전체 시장을 줄일 수 있으며, 소수 기업이 지능 시장 전체를 지배한다는 가정은 경쟁과 고객 선택권을 과소평가한다. [12:58]
• 수조 달러 가치에는 토큰 가격을 크게 올려도 고객이 계속 구매한다는 전제가 들어가지만, 대체 모델이 많아질수록 모델 공급자의 방어 가능한 마진은 축소된다. [13:27]

9. 모델 종속형 애플리케이션의 구조적 약점

• 애플리케이션이 자체 모델에 묶이면 고객의 최적 결과보다 자사 토큰 판매량과 마진을 우선할 유인이 생겨, 결과 중심 시장에서 불리하다. [14:57]
• 비종속 사업자는 작업·비용·위험 선호에 따라 시장 전체에서 최적 모델을 선택할 수 있지만, 모델 공급자가 만든 앱은 자사 모델 중 최선만 제공할 수 있다. [15:08]

10. 규제 장벽과 개방형 생태계 사이의 선택

• 프런티어 기업이 높은 기업가치를 실현하려면 규제로 최첨단 지능 공급권을 독점하거나, 여러 모델을 활용해 비용과 품질의 최적 경계에 도달하는 애플리케이션을 만들어야 한다. [16:34]
• 독점을 유지하는 전략과 외부 모델을 받아들이는 전략은 서로 충돌하며, OpenAI가 실행 환경에 더 많은 모델을 수용하는 움직임은 이 딜레마를 드러낸다. [17:21]

11. 공포 중심 AI 마케팅과 경제의 지속성

• AI를 불안정하고 생계를 위협하는 기술로 홍보하면서 대규모 배포를 추진한 전략은 대중의 거부감을 키웠고, 실제 안전 위험과 과장된 경제적 위협을 구분하지 못했다. [17:39]
• AI의 변혁 가능성과 인간의 지속적인 역할을 함께 다루고 현실적 위험을 관리해야 하며, 특이점과 신적 지능의 서사는 불필요한 공포를 확대한다. [18:24]

12. 장기 계획보다 반응 속도가 좌우하는 사업 성과

• 기업의 중요한 결정은 6개월 전부터 설계한 계획보다 새로 들어온 정보에 대한 즉각적인 대응에서 나오는 경우가 많다. [19:38]
• 경제와 기업은 참여자들이 대화하고 행동을 조정하는 지속적인 피드백 루프로 움직이며, 미래는 고정된 답이 아니라 실시간 의사결정으로 형성된다. [20:18]

13. 소비자 보조금 대신 오픈 모델에 거는 장기 전략

• AI 기업의 낮은 마진이 필수는 아니며, Factory는 사용량 보조금보다 고객이 얻는 결과의 가치에 집중해 양호한 마진과 고객 이해관계를 함께 추구한다. [21:30]
• 막대한 자본을 가진 사업자가 보조금으로 소비자 시장을 장악해도 지원이 축소되면 사용자는 더 저렴한 대안으로 이동하므로, 보조금 사용자가 장기 고객으로 남는다는 보장은 없다. [22:27]

14. 마진 개선 경로와 엔터프라이즈 고객 유지

• 낮은 초기 마진은 고객 기반과 워크플로 잠금을 확보하는 전략이 될 수 있지만, 장기적으로 마진을 높일 구체적인 경로가 없다면 투자 위험이 크다. [23:40]
• 제품 가치와 결과 품질을 높이지 않은 채 가격만 인상하면 경쟁 제품으로 이탈하기 쉬우므로, AI 기업의 마진 확대는 고객 성과 개선과 함께 진행돼야 한다. [24:08]

15. 모델 라우팅 기술보다 중요한 자원 배분 정보

• 모델 라우팅 자체는 쉽게 범용화될 수 있으므로, 대형 인수의 가치는 알고리즘보다 사용자 기반과 기업들이 어떤 모델에 지능 예산을 배분하는지 보여주는 데이터에 있다. [26:45]
• 토큰은 에너지를 지능으로 바꾸고 비용을 지불해 소비하는 자원이며, 기업은 돈·지능·에너지를 어디에 배분할지 결정해야 성장과 수익을 확대할 수 있다. [27:23]

16. 기술 해자의 약화와 80억 달러 인수의 조건

• 같은 기술을 더 잘 구현했더라도 사용자가 없다면 80억 달러를 지불하기 어려우며, 사용자와 사용 데이터의 차이가 기술 성능보다 강한 해자가 된다. [28:31]
• 80억 달러의 가치를 정당화하려면 OpenRouter가 Stripe 고객의 자본 배분을 지원하는 차세대 핵심 기반이 되거나, 해당 데이터가 Stripe 본업의 의사결정을 실질적으로 개선해야 한다. [28:47]

17. 라우팅 게이트웨이에서 상태 기반 하네스로

• 여러 제품의 LLM 호출을 통합하는 게이트웨이는 약 10~20%의 비용을 절감할 수 있지만, 에이전트 작업의 성과를 높이기에는 단순 라우팅만으로 부족하다. [30:11]
• 에이전트는 현재 작업뿐 아니라 직전 결과와 향후 단계를 함께 파악해야 하며, 상태와 로직이 축적되는 하네스가 새로운 애플리케이션 계층이 된다. [31:39]

18. 지속 학습의 위치와 지능 주권

• 모든 학습을 LLM 내부의 폐쇄 루프에 축적하는 지속 학습 기술은 아직 존재하지 않으며, 초기 시도만 진행되는 단계다. [32:44]
• 실제 지속 학습은 하네스에서 발생하므로 기업이 작업 결과·학습·워크플로를 직접 소유하지 않으면 외부 공급자가 지능의 주권을 갖게 된다. [33:38]

19. 지능 아웃소싱이 만드는 사업 종속

• 로펌이 모든 사건을 외부 업체들에 맡기면 이들이 업무 수행법 전체를 학습해 향후 직접 경쟁하거나 기존 고객을 압박할 수 있다. [34:17]
• 모델 공급자가 고객 산업에 직접 진출할 가능성과 서비스 통제권을 함께 가지면, 기업은 사업 침해뿐 아니라 공급자와의 이해 충돌에서도 불리해진다. [35:38]

20. 온프레미스가 제공하는 통제권

• 온프레미스의 핵심 가치는 기술 자체보다 필요할 때 소프트웨어의 모든 요소를 직접 통제하고 운영권을 회수할 수 있다는 선택권이다. [36:00]
• 실제 운영은 SaaS를 선택하더라도 데이터와 학습 결과를 잃지 않고 온프레미스로 전환할 수 있어야 공급자와 고객의 이해관계가 정렬된다. [36:37]

21. 모델 기업에 인수된 개발 도구의 독립성

• 모델 연구소와 결합된 개발 도구는 특정 모델을 우선할 유인이 커지고, 제품이 그 모델 중심으로 재편되면서 모델 독립성을 유지하기 어려워진다. [37:24]
• 대기업은 소프트웨어 개발 수명주기를 모델 종속 가능성이 높고 보안 환경 운영 이력이 부족한 공급자에게 맡길지를 다시 검토하게 된다. [38:02]

22. 모델 출시 가속과 취향 기반 선택

• 모델 라우터는 새로운 모델을 발견하는 정보 채널이자 무료 홍보 수단으로 작동하고, 모델 제작 난도가 낮아지면서 출시 빈도도 계속 높아진다. [39:15]
• 모델마다 관점과 선호가 달라지면 사용자는 성능만이 아니라 제작자와 가치관까지 고려해 선택하며, 시장은 축소되기 전에 더 빠르고 넓게 확장된다. [40:02]

23. 네오랩의 생존 조건

• 향후 18개월 안에 네오랩의 80~90%가 독립 기업으로 남지 못할 수 있지만, 상당수는 실패가 아니라 인수 같은 좋은 결과로 귀결될 수 있다. [40:31]
• 생존 가능성은 지속적인 워크플로에 연결돼 있는지, 프런티어 모델이 발전해도 가치가 유지되는지, 새로운 경쟁자가 쉽게 더 나은 방식을 만들 수 없는지에 달려 있다. [41:20]

24. 산업별 AI 발전 속도와 암묵지

• 팟캐스트 클리핑처럼 발전이 느린 영역은 현업 전문가의 판단과 직관이 데이터나 절차로 변환되지 않았으며, 이를 집중적으로 학습시키는 기업도 부족하다. [43:22]
• 바이럴 가능성을 높이는 시작 지점과 훅의 위치는 숙련자의 취향처럼 보이지만 실제 성과를 좌우하는 암묵지이며, 이를 명문화하는 일이 모델 성능 향상의 병목이다. [44:04]

25. 중국계 오픈 모델을 평가하는 기준

• 오픈 모델을 일괄적으로 ‘중국 모델’로 규정하면 출처만으로 위험을 일반화하게 되며, 제작 지역보다 실제 검열·성능·대체 가능성을 기준으로 판단해야 한다. [44:33]
• 중국계 모델에서 미국 모델과 구별되는 보안 백도어 사례는 확인되지 않았고, 양쪽 모두 제작자의 가치와 선호가 반영되는 편향을 가진다. [45:55]

26. 오픈 모델의 사용량과 프런티어 모델의 경제적 가치

• 3년 뒤 전체 워크플로의 99%가 오픈 모델에서 처리될 수 있지만, 나머지 1%의 고난도 작업이 지능 시장 경제 가치의 30~40%를 차지할 수 있다. [47:59]
• 생명과학·고급 AI 연구·안보처럼 최첨단 지능이 필요한 분야는 프런티어 모델이 맡고, 일반 기업 업무의 대부분은 최고 성능이 필요하지 않아 비용이 저렴한 오픈 모델로 이동한다. [49:11]

27. 하이퍼스케일러의 모델 독립 전략

• Microsoft는 OpenAI 투자 수익을 확보하면서도 Azure에서 Anthropic·OpenAI·오픈 모델을 모두 지원해 단일 공급자로는 충족할 수 없는 기업 수요를 흡수한다. [50:27]
• Meta의 미국산 오픈 모델 투자는 생태계 확장에 기여하지만 자체 소비자 사업과 운영 전반에 모델을 적용해야 투자 규모를 사업 가치로 전환할 수 있다. [51:31]

28. 데이터센터 부채와 칩 수직계열화

• Microsoft·Google은 기존 현금흐름과 진입장벽으로 AI 투자 손실을 견딜 수 있지만, OpenAI·Anthropic은 막대한 데이터센터 부채를 갚기 위해 기술 역사상 최고 수준의 현금 창출 기업이 돼야 한다. [53:23]
• 모델 연구소가 자체 칩과 인프라를 확보하면 외부 공급자 의존과 부채 부담을 줄일 수 있지만, 현재 협력사의 사업을 대체하려는 목표 때문에 중기 관계는 경쟁적으로 변한다. [54:10]

29. AI 시장 과열과 성장 기대치의 변화

• AI가 과학과 생산성에서 실질적인 결과를 만들기 시작했기 때문에 시장 전체가 2008년식 금융 붕괴로 이어질 가능성보다 변화를 주도할 기업이 교체될 가능성이 더 크다. [55:38]
• 현재 선도 모델 기업은 인터넷 초창기의 Netscape처럼 먼저 출발한 기업일 수 있으며, 장기 승자는 최초 진입보다 완성도와 실행력에서 결정될 수 있다. [56:21]

30. 기존 SaaS의 인수합병과 블록버스터 구조

• AI의 자기잠식이 본격화되기 전에 기존 SaaS 기업들이 낮아진 가치로 매각되는 사례가 늘어날 수 있으며, Airtable의 약 25억 달러 거래는 이전 110억 달러 평가보다 크게 낮다. [58:15]
• 현대 SaaS는 영화 스튜디오처럼 첫 성공작 이후에도 계속 새로운 히트 제품을 내야 관심과 성장을 유지하며, 단일 성공에 머물면 인수 대상이 되기 쉽다. [58:52]

31. 기업 인수를 통한 채용 전략

• Factory는 향후 채용 인력 전부를 기업 인수로 확보하고, 인수한 회사의 창업자와 팀을 내부 조직에 합류시키는 방식을 지향한다. [59:39]
• 창업자가 일반 직원 역할에 적응하지 못할 수 있으므로, 인수 전 팀의 역량뿐 아니라 Factory 내부에서 자율성과 실행력을 유지하며 협업할 수 있는지를 판별해야 한다. [59:58]

32. 오픈소스 창업자가 새로운 인수 대상이 된 이유

• 직장을 그만두고 5~8개월 동안 하나의 오픈소스 프로젝트를 만든 행동은 면접보다 강한 확신과 실행력을 드러내며, 한 명으로 구성된 회사도 인재 확보 대상이 된다. [1:00:22]
• 이미 독립적으로 사명을 수행하는 창업자에게 더 많은 자원을 제공하면 큰 책임을 맡길 수 있고, 기술적 해자가 약하다는 현실을 아는 이들은 기존 작업을 빠르게 통합하거나 폐기할 준비도 되어 있다. [1:00:49]

33. 말이 아니라 작업으로 검증하는 미션 정렬

• 미션 정렬은 막연한 열정이 아니라 같은 문제를 깊이 파고든 이력이며, 결제 분야 경험처럼 유사성만 주장하는 것과 실제 AI 소프트웨어 개발 도구를 구축한 것은 구별된다. [1:01:43]
• 매일 수만 명이 사용하는 개발 하네스를 만들었거나 기업의 AI 투입을 성과로 전환하는 문제를 연구했다면, 기존 작업 자체가 조직 적합성과 입사 후 성과를 검증하는 증거가 된다. [1:02:12]

34. 실리콘밸리의 돈과 기술적 야심

• 초기 소프트웨어 팩토리 구상은 시장이 인정한 결과를 좇기보다 불확실한 기술적 미래에 베팅한 시도였고, 수년간 틀렸다는 반응을 견디며 제품과 엔지니어링 문제를 파고들어야 했다. [1:03:18]
• 실리콘밸리에는 세계를 바꿀 기술을 만들려는 사람이 여전히 많으며, 그 주변의 금융 활동도 생태계에 필요하지만 지역 전체를 대표하지는 않는다. [1:04:04]

35. 기술 생태계를 바꾸는 낙관적 서사

• 샌프란시스코를 순수한 금전 추구의 공간으로만 규정하면 꿈을 실현하려는 창업 문화를 훼손하고, 기술 개발 동기까지 지나치게 단순화한다. [1:05:10]
• 사회가 반복하는 이야기는 향후 업무에 쓰일 LLM과 월드 모델의 학습 재료가 되므로, 낙관적인 미래상을 확산하는 행위도 그 미래의 실현 가능성에 영향을 준다. [1:05:28]

36. 학벌과 수상 경력보다 중요한 자율적 실행력

• 명문대와 대회 실적은 정해진 목표와 규칙을 잘 따른 결과일 수 있어 지능을 일부 보여주지만, 기존 체계 밖에서 스스로 방향을 정하는 주도성까지 보장하지는 않는다. [1:06:26]
• 아이비리그 학력도 역량을 확실히 증명하지 못하며, 자신이 중요하게 여긴 무언가를 직접 만들어 세상에 내놓은 경험이 더 선명한 채용 신호가 된다. [1:07:34]

37. 개인 가격표가 아니라 인재 네트워크의 가치

• 한 사람의 직관적 판단이 역사적인 기업 성과를 만들 수 있지만, 인재 가치는 개별 노드보다 사람들 사이의 연결에서 발생하며 강한 조합은 수백억 달러 규모의 가치를 만들 수 있다. [1:08:28]
• 최고의 인재는 기존 조직의 관계망 전체를 강화하고, AI 이전에 인력 구조를 확정한 대기업은 새로운 기술에 맞게 그 관계망을 빠르게 갱신해야 한다. [1:08:55]

38. 장시간 노동을 과시하는 문화의 함정

• 하루 종일 일하겠다는 선언과 996식 태도는 생산성처럼 보이지만, 실제로는 다른 역량 부족을 보완하려는 신호와 상관관계가 있어 잘못된 채용 판단을 부를 수 있다. [1:10:10]
• 사업 단계에 따라 주말이나 15시간 연속 근무가 필요할 수는 있지만, 이를 상시 문화로 삼아야만 유지되는 사업은 구조 자체의 타당성이 약할 가능성이 크다. [1:10:45]

39. 근무시간보다 성과와 방향 설정 능력

• 긴급한 고객 문제로 일요일에 대응하는 것은 스타트업 운영의 현실이지만, 일하는 모습을 증명하도록 유도하는 제도는 실질적 성과 대신 과시 행동에 보상을 준다. [1:11:13]
• 고객 통화의 목적은 주말 근무 자체가 아니라 문제 해결이며, 채용도 노동시간이 아닌 달성할 결과에 초점을 맞춰야 과시 문화를 거부하는 우수 인재를 놓치지 않는다. [1:11:54]

40. 개인별 토큰 할당에서 프로젝트별 자본 배분으로

• 엔지니어 한 명에게 토큰 예산을 배정하면 투입량만 보게 되므로, 프로젝트의 범위·예상비용·목표 성과를 기준으로 자본을 배분해야 한다. [1:13:38]
• Program Bench 성능을 높이는 연구에는 한 사람이 수행하더라도 하루에 거의 일곱 자릿수 규모의 크레딧을 투입할 수 있으며, 판단 기준은 개인 소비량이 아니라 연구 성과의 실현 가능성이다. [1:14:01]

41. 셀프서비스 확장을 미루는 경제적 선택

• 셀프서비스를 확대하면 수천만 사용자를 얻을 수 있지만, 사용 비용을 보조해야 하는 구조는 기업 고객 경험과 사업 수익성을 훼손할 수 있어 의도적으로 확장을 제한한다. [1:15:29]
• 현재도 매일 수만 명의 셀프서비스 사용자가 개인 수준의 경험을 개선하는 피드백을 제공하며, 약 25만 명 이하에서도 제품 수정에 필요한 임계 규모를 확보할 수 있다. [1:16:44]

42. 마이크로소프트·엔비디아·메타의 상대적 위치

• 마이크로소프트는 거의 모든 포천 500대 기업의 핵심 업무에 침투한 장기 보유 대상이며, 소프트웨어 회사를 넘어 전방위 기업으로 확장한 유통력과 정착성이 강점이다. [1:18:20]
• 엔비디아는 누가 기술 경쟁에 참여할지 결정하는 현재의 킹메이커지만, 공급망 전체를 한 기업이 통제하는 데 대한 반발이 장기 지속성을 좌우할 수 있다. [1:18:50]

43. 시스템 오브 레코드의 방어력과 애자일의 위기

• 세일즈포스처럼 합의된 워크플로와 기록 체계를 장악한 제품은 사용자 불만에도 계속 구매되며, 고객이 사는 것은 화면이나 기술보다 그 아래에 고착된 업무 구조다. [1:20:26]
• Linear와 Atlassian은 같은 애자일 워크플로 시장에서 함께 성장할 수 있지만, AI가 소프트웨어 개발 방식을 근본적으로 바꾸면 애자일 이후의 새로운 기록 체계가 필요해지고 양사 모두 급진적 전환에 직면한다. [1:21:18]

44. 코딩 에이전트의 경쟁 순위와 낮은 전환 비용

• 엔터프라이즈 구매 대화에서는 Claude Code가 가장 자주 등장하고 Codex가 뒤를 잇지만, 고객이 두 제품 사이를 쉽게 이동한다는 사실은 현재 도구의 고착성이 낮다는 증거다. [1:22:30]
• Cognition은 모델 독립형 엔터프라이즈 사업자라는 점에서 비교 대상이 되며, Cursor는 널리 쓰이지만 기업의 핵심 개발 전략보다 IDE로 인식되는 경향이 강하다. [1:23:20]

45. 엔터프라이즈 시장에서 제품과 영업을 검증하는 기준

• 새로운 엔터프라이즈 개발 제품의 성공은 실제 소프트웨어가 기업 환경에서 작동하고 성과를 내는지, 핵심 고객이 이를 상시 개발 수단으로 진지하게 채택하는지에 달려 있다. [1:25:06]
• 신시장 영업은 고객을 설득하는 과정이 아니라 아직 해결되지 않은 가장 큰 문제를 함께 발견하는 과정이며, 선택지가 상품화된 기존 시장에서만 관계와 설득의 비중이 커진다. [1:25:49]

46. 누구나 즉석에서 소프트웨어를 만드는 미래

• 약 200만 명의 전문 개발자가 인류의 소프트웨어를 결정하는 현재 구조는 3~5년 안에 낡은 방식이 되고, 정보 조작으로 풀 수 있는 문제에는 필요한 소프트웨어를 현장에서 즉시 생성할 수 있게 된다. [1:27:40]
• 개인용 앱 제작 도구를 넘어 여행지의 소규모 보트 운영자도 자신에게 완전히 맞춘 고품질 인터페이스를 갖게 되며, 우수한 소프트웨어가 전 세계 현장으로 분산되는 변화는 3~5년 안에 빠르게 진행될 수 있다. [1:28:10]

🧾 결론

• 미국 기업의 합리적인 선택은 중국계 모델의 전면 허용이나 전면 금지가 아니라 업무 위험도에 따른 선택적 도입이다.
• 모델 공급자를 고르는 것보다 여러 모델을 교체할 수 있는 구조와 데이터·학습 결과를 회수할 수 있는 운영권을 확보하는 일이 중요하다.
• 네오랩은 단순 모델 래퍼나 범용 라우터를 넘어 고객의 실제 작업 상태, 평가 기준, 피드백을 축적하는 애플리케이션 계층을 장악해야 한다.
• 프런티어 모델 기업도 높은 마진을 유지하려면 가격 인상에 의존하지 않고 고객 성과를 높이거나 여러 모델을 활용하는 결과 중심 제품으로 이동해야 한다.

📈 투자·시사 포인트

• 오픈 모델 확산은 프런티어 모델의 사용 비중과 방어 가능한 마진을 낮출 수 있지만, 생명과학·고급 AI 연구·안보처럼 최첨단 지능이 필요한 시장의 가치는 계속 클 수 있다.
• 모델 독립형 플랫폼, 온프레미스 전환권, 평가 시스템, 사후 학습 도구, 상태 기반 에이전트 하네스가 구조적인 수혜 영역으로 제시된다.
• 사용자 수 자체보다 어떤 업무에 지능 예산이 배분되는지를 보여주는 사용 데이터와 결제 흐름이 더 강한 전략 자산이 될 수 있다.
• 네오랩을 평가할 때는 모델 성능보다 반복되는 워크플로, 독점 데이터, 검증 체계, 공급자 교체 이후에도 남는 고객가치를 우선 확인해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 중국계 모델에서 미국 모델과 구별되는 보안 백도어 사례가 확인되지 않았다는 설명은 모든 모델과 배포 경로의 안전을 보장하지 않는다. 개별 가중치, 코드, 공급망, 원격 호출 여부를 별도로 검증해야 한다.
• 3년 뒤 전체 워크플로의 99%가 오픈 모델에서 처리된다는 전망과 향후 18개월 내 네오랩의 80~90%가 독립성을 잃는다는 전망은 미래 추정치이며 실제 시장 결과는 달라질 수 있다.
• 중국계 모델이 일반 코드 리뷰에서 미국 모델과 비슷한 결과를 낼 수 있다는 주장은 구체적인 모델명, 평가셋, 보안 시험 결과가 제시되지 않아 기업별 재현 검증이 필요하다.
• 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

• 업무를 국가안보·기밀·규제 업무와 일반 개발·분석 업무로 분류하고, 중국계 오픈 모델을 허용할 수 있는 위험 등급을 정의한다.
• 후보 모델별로 결과 완성 비용, 정확도, 반복 호출 횟수, 검열·편향, 데이터 외부 전송 여부를 동일한 평가셋에서 비교한다.
• SaaS 사용 중에도 데이터, 평가 기준, 작업 이력, 사후 학습 결과를 내보내 온프레미스로 전환할 수 있는지 계약과 기술 구조를 확인한다.
• 네오랩 또는 AI 애플리케이션 투자 검토 시 반복 워크플로 연결성, 독점 데이터, 모델 교체 가능성, 프런티어 모델 발전 이후의 잔존 가치를 점검한다.

❓ 열린 질문

• 중국계 오픈 모델의 출처 위험과 실제 기술 위험을 분리해 측정할 수 있는 기업 공통 평가 기준은 무엇이어야 하는가?
• 기업이 외부 SaaS를 사용하면서도 하네스의 상태, 학습 결과, 워크플로에 대한 지능 주권을 실질적으로 유지할 수 있는가?
• 오픈 모델이 대부분의 업무를 처리하게 될 때 프런티어 모델 기업은 소수 고난도 업무만으로 현재의 기업가치와 인프라 부채를 감당할 수 있는가?