The AI Company Simulating the Entire Economy

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

The AI Company Simulating the Entire Economy를 중심으로, 인간다운 행동을 재현하는 모델: 시밀리는 정답을 잘 계산하는 초합리적 AI보다 사람의 기억·관계·가치관·취향은 물론 실수와를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 인간다운 행동을 재현하는 모델: 시밀리는 정답을 잘 계산하는 초합리적 AI보다 사람의 기억·관계·가치관·취향은 물론 실수와 편향까지 재현하는 모델을 지향한다. 스몰빌 실험에서는 25명의 가상 인물이 경험을 기억하고 계획과 성찰을 거쳐 관계와 집단행동을 형성했다.
2. 예측보다 인과·반사실에 집중: 핵심 질문은 “무슨 일이 일어날까”가 아니라 “어떤 선택을 하면 결과가 어떻게 달라질까”다. 거래·관찰 데이터뿐 아니라 A/B 테스트와 무작위 대조시험을 활용해 개입과 행동 변화 사이의 인과관계를 학습하려 한다.
3. 개인에서 시장 전체로 확장: 개인이나 특정 소비자 집단을 재현하는 합성 패널을 넘어, 다수의 행위자가 상호작용하며 만들어내는 후속 행동·시장 변화·균형 상태까지 시뮬레이션하는 것이 목표다. 이를 통해 제품 출시, 캠페인, 정책처럼 실행 비용이 큰 대안을 사전에 비교할 수 있다.
4. 현실 결과가 만드는 데이터 플라이휠: 시뮬레이션 결과를 실제 사업 성과와 반복 비교하고, 현실에서 확인된 결과를 다음 학습 신호로 사용하는 구조다. 고객과의 실험이 누적될수록 특정 산업과 의사결정 맥락에 맞는 정확도를 높일 수 있다는 설명이다.
5. 가치만큼 큰 대표성과 오용 문제: 인간 행동 시뮬레이션은 의사결정 비용과 시간을 크게 줄일 가능성이 있지만, 여론 조작이나 특정 집단의 이해를 강화하는 데 악용될 수도 있다. 따라서 모집단의 다양성, 세부 집단의 대표성, 결과 평가 방식과 사용 권한이 기술 성능만큼 중요하다.

🧩 배경과 문제 정의

• 기존 대규모 언어 모델은 웹에 기록된 ‘말’을 주로 학습하므로 실제 행동, 인간의 편향, 가치관과 취향을 정확히 재현하는 데 한계가 있다.
• 기업과 사회가 원하는 것은 미래를 맞히는 예측보다 현재의 선택이 미래를 어떻게 바꾸는지 검증하는 인과·반사실 시뮬레이션이다.
• 시밀리(Simile)는 개인부터 하위 집단, 생태계와 시장 전체까지 확장할 수 있는 인간 행동 파운데이션 모델을 구축하며, 현실의 결과를 학습 신호로 활용해 정확도와 대표성을 높이려 한다.
• 대규모 시뮬레이션은 실험 비용과 시간을 줄일 수 있지만, 여론 조작이나 의사결정 왜곡에도 쓰일 수 있어 다양한 사람의 관점을 빠짐없이 반영하는 원칙이 중요하다.

🕒 시간순 섹션별 상세정리

1. 1억 달러 비전과 스몰빌 실험

• 2~3년 안에 단일 시뮬레이션 세션에 1억 달러를 지불하는 시장이 생길 수 있다는 장기 전망은 인간 행동을 예측·재현하는 기술의 잠재 가치를 전제로 한다. [00:06]
• 2023년 연구는 방대한 행동·감정 데이터를 학습한 언어 모델에서 현실적인 인간 행동을 끌어내고, 특정 분야에 국한되지 않는 범용 에이전트로 확장할 수 있다는 가설에서 출발했다. [02:17]

2. 장기 행동을 만드는 기억과 성찰 구조

• GPT-3.5에 기억·계획·성찰 구조를 결합하면서 에이전트들은 만날 때마다 처음 보는 것처럼 인사하지 않고, 과거 관계를 바탕으로 다음 행동을 계획할 수 있었다. [04:16]
• 초기에는 모든 경험을 마크다운 파일에 저장했지만, 제한된 컨텍스트 창으로는 가상 마을과 현실에서 누적되는 방대한 경험을 그대로 처리할 수 없었다. [05:04]

3. 인간 행동에 특화된 파운데이션 모델

• 시밀리는 개인과 하위 집단을 넘어 전체 생태계와 시장까지 시뮬레이션할 수 있는 인간 행동 파운데이션 모델을 구축한다. [06:56]
• 프런티어 모델이 코딩·수학·자연과학에 강한 초합리적 지능을 추구하는 반면, 인간 행동 모델은 같은 상황에서 사람이 범하는 실수와 편향까지 재현해야 한다. [07:34]

4. 말과 행동의 간극을 넘는 인과 데이터

• 웹 데이터에는 실제 행동보다 사람들이 표현한 말이 많이 남기 때문에, 시밀리는 거래·관찰 데이터와 고객·데이터 공급자와의 협업 자료를 별도로 수집한다. [08:29]
• 관찰 데이터는 현재 상태와 미래 결과의 상관관계를 찾는 데 유용하지만, 기업은 미래를 수동적으로 예측하기보다 원하는 방향으로 바꿀 방법을 필요로 한다. [09:00]

5. 방어 가능한 데이터 전략과 모집단 대표성

• AI 기업의 장기 경쟁력에는 복제하기 어려운 데이터 전략이 필요하며, 시밀리의 주요 과제는 적절한 사람을 모집하고 인간의 본질을 드러낼 질문을 설계하는 일이다. [10:15]
• 전문 프로그래머나 과학자보다 평범한 일상을 사는 사람을 모집하고, 실제 세계의 인구 구성을 충분히 대표하는지가 데이터 품질을 좌우한다. [10:42]

6. 예측에서 반사실적 의사결정으로

• 스타벅스의 매출 하락 예측도 구매량과 자원 배분을 바꾸는 전략으로 연결될 때 가치가 생기며, 핵심 질문은 시장 변화에 어떤 대응을 해야 하는가에 있다. [11:45]
• 소비자와 모집단이 각 선택에 어떻게 반응할지 시뮬레이션하면 설문·고객 피드백을 넘어 전략별 결과와 향후 수요를 비교할 수 있다. [12:21]

7. 설문 도구를 넘어선 다중 행위자 시뮬레이션

• 관심 모집단을 지정하면 그 집단을 모델링하는 범용 구조가 핵심이며, 기존 설문·인터뷰 도구의 개선보다 사람들의 관점을 대규모로 재현하는 능력이 더 큰 목표다. [13:08]
• 여러 사람이 상호작용하는 환경에서는 신제품 출시 후 고객 반응뿐 아니라 후속 행동과 시장 변화까지 한꺼번에 시험할 수 있다. [13:32]

8. 오용 위험과 전체 인구의 대표성

• 시뮬레이션은 AGI와 함께 강력한 기술 축이 될 수 있지만 오용 가능성도 크며, 중요한 결정에서 배제된 다양한 관점을 대규모로 반영하는 것이 운영 원칙이다. [15:33]
• 범위가 좁은 모집단은 약 1,000명으로도 통계적 유의성을 얻을 수 있지만, 세부 집단별 분석을 반복하려면 더 많은 사람이 필요하다. [16:04]

9. 현실을 정답지로 활용하는 데이터 플라이휠

• 시뮬레이션 결과를 실제 사업 결과와 반복 비교하면 고객별 맥락에 맞춰 모델이 개선되고, 초기 파트너는 시간이 지날수록 누적되는 성능 우위를 얻는다. [16:55]
• 코딩 에이전트는 제안의 수락·거절이라는 즉각적인 보상을 받지만, 미래를 다루는 시뮬레이션은 결과가 발생할 때까지 정답을 확인하기 어렵다. [18:05]

10. 시뮬레이션 연산비용의 100배 절감

• 연산 자원은 새로운 훈련 방식과 데이터 조합을 탐색해 기술적 돌파구를 찾는 단계에 집중되며, 모델링 방향이 정해지면 추론 과정을 빠르게 최적화할 수 있다. [19:18]
• 현재 운영 모델은 동일한 보상 체계와 철학을 유지하면서 추론 방식을 개선해 초기보다 실행비용을 약 100분의 1로 줄였다. [19:49]

11. 엔터프라이즈 시장을 초기 진입점으로 선택한 이유

• 시뮬레이션은 장기적으로 사회 전체의 의사결정을 돕는 기술이지만, 현재는 충분한 예산과 명확한 제품·시장 적합성을 갖춘 엔터프라이즈 고객이 초기 시장을 형성한다. [21:09]
• 실제 기업 환경에서 결과의 옳고 그름을 빠르게 확인하면 피드백 주기가 짧아지고, 모델을 매일 개선할 수 있다. [21:28]

12. 스몰빌 데모가 입증한 제품·시장 적합성

• 포천 500 기업의 이사회와 경영진은 스몰빌 데모를 본 뒤 시장 전체를 같은 방식으로 시뮬레이션하면 운영 방식이 바뀔 수 있다고 판단했고, 초기 수요가 즉각 형성됐다. [22:59]
• 약 1년 동안 설문과 행동 실험, 실제 환경을 통해 개인 행동 모델의 정확도를 검증하면서 흥미로운 데모를 상용 기술로 전환했다. [23:28]

13. 합성 패널이 확장하는 실험 가능 범위

• 합성 패널은 현재의 인간 패널 시장을 대체하는 데 그치지 않고, 비용과 규모 때문에 묻지 못했던 질문까지 다루면서 전체 시장을 더 크게 만들 수 있다. [24:04]
• 현재는 제품·정책·과학 실험 아이디어 중 약 5%만 실제 검증으로 이어지고, 나머지 95%는 대규모 상호작용을 재현할 방법이나 시간·예산이 없어 포기된다. [24:47]

14. 연구 조직과 제품 조직의 이해관계 정렬

• 공동창업진은 에이전트 시뮬레이션·인간과 AI·파운데이션 모델 연구 역량에 제품·엔지니어링·시장 진출 역량을 결합했다. [26:31]
• 시뮬레이션은 새로운 AI 패러다임을 만들 수 있는 연구 과제인 동시에 기업이 당장 필요로 하는 인간 행동 예측 문제와 직접 맞닿아 있다. [26:42]

15. 예상보다 빠른 엔터프라이즈 도입과 실용성 검증

• 시장이 시뮬레이션을 받아들이는 데 1~2년이 걸리고 2026년 말부터 본격 확장할 것이라는 예상과 달리, 대기업 고객은 초기부터 매우 빠르게 움직였다. [28:04]
• 느린 실험과 높은 예산 부담이라는 현장 문제가 예상보다 심각했기 때문에 대기업도 새 해결책을 즉시 시험했고, 일부 계약은 엔터프라이즈 시장에서 이례적으로 짧은 3개월 안에 체결됐다. [29:02]

16. 창출 가치와 손실 예방의 경제성

• 과거 캠페인의 대안 시나리오가 성과를 12% 높였을 것이라는 반사실 데이터는 제품 구매를 설득하고 후속 의사결정을 개선하는 강력한 근거가 된다. [30:11]
• CVS급 대기업에서는 의사결정 개선이 수억~수십억 달러의 매출 차이를 만들 수 있어, 100만 달러 수준의 가격과 실제 창출 가치 사이에 큰 간극이 생긴다. [30:41]

17. 결과 예측을 넘어 과정과 원인까지 추적하는 시뮬레이션

• 예측시장과 Simile은 미래를 엿보려는 목적을 공유하지만, Simile의 핵심은 무엇이 일어날지보다 그 결과가 어떻게, 왜 발생하는지를 파악하는 데 있다. [31:46]
• 생태계가 특정 결과에 도달하는 단계별 경로를 재현하면, 기업은 부정적 결과를 차단하거나 원하는 결과를 촉진할 개입 지점을 찾을 수 있다. [32:16]

18. 상호 보완적인 창업팀과 일관된 기준

• 연구자 출신 창업자는 엔터프라이즈 영업 경험의 공백을 인정하고, 그 역량을 담당할 공동창업자 레이니와 역할을 나눠 팀의 균형을 맞췄다. [32:56]
• 조직이 성장할 때마다 새로운 역량 공백이 생기므로, 부족한 영역을 미리 발견하고 적합한 인재로 채우는 능력이 확장의 기반이 된다. [33:10]

19. 성공의 공통분모가 되는 사람

• 인물화의 피사체가 화가의 분위기를 닮듯, 깊이 관여해 만든 팀에는 창업자가 중요하게 여기는 기준과 성향이 반영된다. [33:57]
• 서로 다른 경력 단계마다 성공을 주도한 사람은 강한 주인의식으로 결과를 책임지고, 새로운 환경에 맞춰 자신을 재발명할 가능성이 높다. [34:43]

20. 한 사람 안에 공존하는 상반된 초능력

• 수학과 프로그래밍처럼 서로 연관된 역량보다, 일반적으로 함께 나타나기 어려운 두 가지 강점을 동시에 가진 인재가 더 희소한 경쟁력을 만든다. [36:01]
• 세계적 수준의 CMO는 데이터와 과학적 검증에 대한 엄밀함을 창의적 상상력과 결합해 분석과 예술이라는 상반된 사고방식을 동시에 활용한다. [36:26]

21. 단기적 편집증과 장기적 확신의 결합

• 레이니는 당장 모든 자원을 투입하지 않으면 뒤처진다는 위기감을 유지하면서도, 장기적으로는 어떤 상황에서도 성공을 만들 수 있다고 확신한다. [37:23]
• 단기적 불안만 강하면 비관론에 빠지고 장기적 낙관만 강하면 안주하기 쉬우므로, 오늘의 위험을 직시하면서 미래를 믿는 균형이 필요하다. [38:03]

22. 고액 보상 경쟁 속 연구 인재의 채용과 유지

• 최고 연구자의 총보상은 수천만 달러에 이르며, 스타트업이 대규모 자금을 확보해도 기존 기업의 기본급을 그대로 맞추기는 어렵다. [39:35]
• OpenAI와 Anthropic의 급성장을 직접 본 연구자들은 대담한 비전이 현실이 될 수 있음을 알고 있으며, 보상 외에도 기술의 사회적 영향과 연구 자체의 흥미를 중시한다. [40:20]

23. 학술 연구에서 사업으로 넘어가는 기준

• 지적으로 흥미로운 과학 프로젝트도 고객과 시장에 연결되지 않으면 좋은 기업이 되기 어려워, 학계 출신 창업팀의 연구 성과만으로 사업성을 판단할 수 없다. [42:30]
• 특정 문제 자체에 집착하는 연구자보다 세상에 만들 영향에 집착하는 연구자가 필요에 따라 문제를 바꾸고 사업 기회를 선택할 가능성이 높다. [42:39]

24. 내부 투자자가 촉발한 2억 달러 투자 라운드

• 1억 달러를 조달한 지 약 5개월 만에 기존 투자자들은 시장의 이례적인 성장세를 확인하고 후속 투자를 선제적으로 추진했다. [43:45]
• 강한 시장 수요와 기술 진척, 추가 컴퓨팅 자원으로 발전 속도를 높일 가능성이 결합되면서 당초 계획에 없던 투자 논의가 시작됐다. [44:24]

25. 추가 자본과 투자자의 비금전적 효용

• 연구 결과 자체는 통제하기 어렵지만 데이터·컴퓨팅·실험 과정 같은 입력은 늘릴 수 있으므로, 추가 자본은 기술 발전의 속도를 실질적으로 높인다. [46:35]
• 처음 회사를 운영하는 기술 창업자에게 신뢰할 수 있는 투자자는 낯선 경영 문제를 함께 해결하는 멘토이자 의사결정 파트너가 된다. [47:43]

26. 예상보다 빠른 투자 주기와 펀더멘털

• 시드 이후 1년 간격으로 후속 투자를 받을 것이라는 예상과 달리 여러 라운드가 1년 안에 이어졌고, 투자 시장은 회사의 계획보다 먼저 움직일 수 있어 상시 준비가 필요하다. [49:17]
• AI 시장의 풍부한 자본과 기대감은 과열 위험을 키우므로, 실제 고객·시장 수요·기술 수준을 확인하는 펀더멘털이 기업가치의 기준이 돼야 한다. [49:55]

27. 시뮬레이션의 비용 구조와 초고가 시장

• 전국 단위 시장 세분화나 의사결정의 모든 후속 영향을 계산하는 복잡한 시뮬레이션은 비용이 크지만, 실패 시 손실도 큰 문제를 다루므로 고객 ROI는 오히려 높아진다. [51:13]
• 장시간 추론하는 사고 모델처럼 AI 추론 비용이 계속 증가하는 가운데, 대규모 시뮬레이션은 더 많은 계산을 가치로 전환하는 다음 시장이 될 수 있다. [51:39]

28. 개념 증명과 신뢰 가능한 제품 사이의 간극

• 원하는 대상의 초기 시뮬레이션은 대부분 만들 수 있지만, 개념 증명을 실제 가치와 안정성을 갖춘 제품으로 전환하는 일이 핵심 기술 장벽이다. [52:40]
• 복잡한 멀티에이전트와 장기 시뮬레이션의 구상은 10년 뒤 가능한 일을 현재 구현해 보는 ‘타임머신 게임’에서 출발했고, Smallville 실험이 그 초기 결과가 됐다. [53:23]

29. 지능의 CPU에서 집단지능의 GPU로

• 하나의 거대한 언어 모델이 복잡한 추론을 수행하는 현재 구조가 지능의 CPU라면, 다수의 개체를 병렬로 재현하는 시뮬레이션은 지능의 GPU 역할을 맡을 수 있다. [54:36]
• 사람을 재현하는 모델은 초지능일 필요가 없으며, 실제 개인의 능력뿐 아니라 같은 상황에서 실패하는 방식까지 닮아야 정확한 대표성을 얻는다. [54:56]

30. 시뮬레이션이 바꿀 시장·대표성·관계

• 헤지펀드는 세계 모델에서 투자 우위를 얻을 수 있지만, AGI와 완전한 시뮬레이터가 특정 기업에 집중되면 주식시장의 공정성과 투자 가능성 자체가 흔들릴 수 있다. [57:42]
• 모든 사람의 관점을 직접 수집할 수 없다는 한계 때문에 대표자를 사용해 왔지만, 사회와 집단지능을 재현하는 계층은 개별 관점을 훨씬 세밀하게 반영할 수 있다. [58:22]

31. 관계 시뮬레이션의 실질적 가치

• 적합한 상대를 찾아주는 것만으로는 부족하며, 그 사람이 실제 삶의 과정에 함께 참여하도록 이끄는 설계까지 관계 시뮬레이션의 가치에 포함된다. [1:00:04]
• 사전 시뮬레이션으로 궁합을 검증한 뒤 처음 만난 두 사람을 결혼시키는 구상은 《첫눈에 결혼》 형식과 시밀리의 기술을 결합한 강력한 홍보 사례가 될 수 있다. [1:00:21]

32. 데이터와 진입장벽을 중심으로 한 AI 투자 기준

• 현실에 어떤 영향을 줄지 명확한 비전이 없는 신생 AI 연구소는 흥미로운 연구 성과를 내더라도 지속 가능한 회사로 이어지지 못할 위험이 있다. [1:01:03]
• 남들이 접근할 수 없는 데이터와 수집하기 어려운 데이터를 확보하는 방식이 미래 AI 기업의 핵심 경쟁력이며, 이런 데이터 전략을 가진 기회가 우선 투자 대상이다. [1:01:28]

33. 첫 조언자가 열어준 AI 연구 진입로

• 대학 졸업 후 팰로앨토의 차고에 살며 성과 없이 끝난 스타트업을 붙들고 있었고, 직업과 연구 경력이 없는 상태에서도 다가오는 AI 흐름에 올라타는 데 그치지 않고 그 흐름을 만드는 사람이 되려 했다. [1:02:50]
• 학부 연구 경험이 없어 박사과정 진입이 매우 어려운 상황에서 여러 사람에게 연락했고, 같은 대학 출신인 스탠퍼드 교수 메리 워드가 답장을 보내 오전 내내 AI 분야와 연구 진로를 함께 검토했다. [1:03:25]

🧾 결론

• 시밀리가 만들려는 것은 단순한 설문 자동화나 미래 예측기가 아니라, 여러 선택의 결과가 어떤 과정과 원인으로 나타나는지 탐색하는 반사실적 의사결정 시스템이다.
• 경쟁력의 핵심은 범용 언어 모델 자체보다 실제 행동을 드러내는 독점적 데이터, 대표성 있는 참여자 구성, 인과 실험, 그리고 시뮬레이션을 현실 결과와 대조하는 검증 체계에 있다.
• 초기 시장으로 엔터프라이즈를 택한 이유는 의사결정 실패의 비용이 크고, 고객이 결과를 실제 사업 성과로 확인해 강한 피드백을 제공할 수 있기 때문이다.
• 장기적으로는 다수의 개인과 상호작용을 병렬로 재현하는 시뮬레이션이 집단지능을 계산하는 기반이 될 수 있지만, 개념 증명을 신뢰할 수 있고 반복 가능한 제품으로 전환하는 일이 핵심 장벽으로 남는다.
• 기술이 사회적 의사결정에 사용될수록 “얼마나 그럴듯한가”보다 “누구를 대표하며, 어떤 현실 데이터로 검증됐고, 어떤 개입에서 실패하는가”를 공개하는 것이 중요해진다.

📈 투자·시사 포인트

• 방어력은 데이터에서 형성될 가능성이 크다: 다른 기업이 얻기 어려운 행동·거래·실험 데이터를 확보하고 현실 결과와 연결할 수 있다면, 모델 사용량이 늘수록 성능 격차가 누적되는 데이터 플라이휠을 구축할 수 있다.
• 초기 고객의 경제성이 분명하다: 대규모 캠페인, 시장 진입, 가격 결정처럼 실패 비용이 큰 문제에서는 시뮬레이션 비용이 높더라도 손실 예방과 의사결정 개선으로 투자수익률을 설명하기 쉽다.
• 시장 규모는 기존 조사 시장에 한정되지 않는다: 합성 패널이 기존 설문을 대체하는 것보다, 비용과 시간 때문에 지금까지 검증하지 못했던 가설을 새롭게 실험하게 만드는지가 더 큰 성장 요인이다.
• 평가 체계가 상용화의 관건이다: 인간 행동은 정답 확인이 늦고 상황 의존성이 높다. 고객별 성능, 시간 경과에 따른 예측력, 세부 집단별 오차, 개입 효과의 재현성을 측정할 수 있어야 제품 신뢰도가 생긴다.
• 규제·거버넌스 위험을 함께 봐야 한다: 특정 기업이나 투자자가 정교한 세계 모델을 독점하면 시장 공정성, 여론 형성, 개인정보와 대표성 문제가 커질 수 있다. 데이터 동의, 편향 감사, 사용 목적 제한과 결과 설명 가능성이 주요 투자 실사 항목이다.
• 검증 필요: 인터뷰에서 언급된 개인 행동 재현 정확도 약 85%, 초기 대비 추론비용 약 100분의 1, 컨설팅사의 수개월 연구를 2분 만에 재현했다는 사례, 캠페인 성과 12% 개선 가능성, 3개월 내 엔터프라이즈 계약, 6개월간 총 3억 달러 조달 등의 수치는 회사 자료·고객 사례·투자 공시를 통한 독립적인 확인이 필요하다.
• 전망으로 구분해야 할 주장: 2~3년 안에 단일 시뮬레이션에 1억 달러를 지불하는 시장이 생길 수 있다는 발언은 현재 실적이 아니라 장기적 시장 가설이며, 실제 수요와 기술적 실현 가능성은 별도로 검증해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 개인의 행동과 태도를 재현하는 정확도가 약 85%라는 주장은 평가 지표, 비교 기준, 표본 구성, 반복 실험 결과가 제시되지 않아 원 논문과 검증 자료를 확인해야 한다. [23:28–23:43]
• 실행비용을 초기 대비 약 100분의 1로 줄였다는 수치는 기준 모델, 동일 품질을 판단한 방법, 절대 비용과 처리 규모가 공개되지 않아 직접적인 성능·비용 비교가 어렵다. [19:18–19:58]
• 매일 수만 개, 한 달에 약 100만 개의 검증 가능한 가설을 생성한다는 설명은 가설의 독립성, 정답 판정 방식, 검증 지연과 오류율을 어떻게 통제하는지 추가 확인이 필요하다. [18:05–18:48]
• 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

• 2023년 스몰빌 연구와 2024년 말 공개 결과를 찾아 표본 구성, 실험 설계, 평가 지표, 기준선 및 한계를 확인한다.
• 85% 정확도, 100배 비용 절감, 월 100만 개 가설, 2분 내 연구 재현, 12% 성과 개선 등 핵심 수치를 타임스탬프·출처·검증 상태별로 정리한다.
• 실제 도입을 검토한다면 과거 의사결정 데이터를 사용해 시뮬레이션 결과를 블라인드 방식으로 예측하고, 실제 결과 및 기존 설문·인터뷰와 비교하는 소규모 파일럿을 설계한다.
• 파일럿에서 방향성 정확도뿐 아니라 확률 보정, 세부 집단별 오차, 반복 실행 안정성, 실패 사례와 비용을 함께 측정한다.

❓ 열린 질문

• 행동 재현 정확도 85%는 어떤 질문과 행동을 대상으로 하며, 인간이 시간차를 두고 자기 응답을 반복했을 때의 일관성과 비교하면 어느 수준인가?
• 실제로 관측할 수 없는 반사실 결과의 정확성을 어떤 방식으로 평가하고, 인과관계와 단순한 상관관계를 어떻게 구분하는가?
• 현실의 결과가 늦게 나타나거나 여러 외부 요인의 영향을 받을 때 어떤 결과를 특정 시뮬레이션의 학습 신호로 귀속하는가?