바이브코딩만으로 2주 만에 미국 갑니다

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

세 명이 바이브코딩으로 2주 남짓 만에 AI 조합 비교 서비스 이벨스를 만들고, 처음부터 미국 사용자를 겨냥해 오픈 베타를 시작했다.

📌 핵심 요점

1. 이벨스는 실제 작업을 여러 AI 조합에 맡기고 결과물로 비교하는 서비스다. 발표자는 모델별 벤치마크 순위만으로 자신의 작업에 맞는 선택을 하기 어렵다는 문제에서 출발했다.
2. 비교 대상은 모델 단독이 아니라 에이전트 모델·생성 도구·소프트웨어·스킬의 조합이다. 같은 입력과 첨부 파일을 제공하고 작업 공간을 분리하며, 추가 수정에 필요한 턴도 기록한다.
3. 결과물은 모델 이름을 가린 상태에서 비교하고, 투표가 쌓이면 조합별 리더보드가 된다. 이는 객관적인 정답 판정보다 사용자의 선호를 모으는 방식이다.
4. 결과마다 모델·도구·스킬·프롬프트·설정·수정 이력을 담은 ‘레시피’를 남긴다. 실행 시간과 토큰 기록까지 보면 결과의 외관뿐 아니라 투입 자원 대비 만족도를 비교할 수 있다.
5. 개발팀은 HTML 화면으로 기획을 확정한 뒤 Next.js로 옮기고, 용어 정의·결정 기록·기능별 작업 폴더로 여러 에이전트를 동시에 활용했다. 영어 우선 출시와 미국 시장 선택도 처음부터 정한 방향이었다.

🧩 배경과 문제 정의

새 모델과 스킬이 계속 등장하지만, 발표자는 각 업체가 유리한 벤치마크를 내세우는 상황에서 자신의 작업에 맞는 AI를 고르기 어렵다고 설명한다. 랜딩 페이지·광고 영상·게임처럼 정답이 하나가 아닌 작업은 직접 결과물을 비교해야 하는데, 구독과 실행 창을 나누고 같은 입력을 반복하는 과정에도 시간이 든다.

이벨스는 팀이 매주 손으로 하던 비교를 서비스로 만든 것이다. 같은 과제를 여러 조합에 맡기고, 이름을 가린 결과물에 투표하며, 제작 과정과 자원 사용 기록을 함께 보도록 구성했다. 영상은 서비스 소개와 함께 세 명이 2주 남짓 동안 개발한 방식, 미국 사용자를 먼저 겨냥한 이유, 오픈 베타의 한계를 설명한다.

🕒 시간순 섹션별 상세정리

1. 미국을 겨냥한 이벨스 출시와 비교 문제

• 도입부는 최대 네 개의 AI 셋업을 같은 작업에 투입하고, 이름을 가린 결과물을 고르며, 실행 기록과 리더보드를 확인하는 흐름을 보여 준다. 이어 세 명이 첫 커밋부터 첫 배포까지 2주 남짓 걸려 서비스를 만들었고 미국 사용자를 기준으로 오픈 베타를 시작한다고 보여준다. [01:15]
• 발표자는 벤치마크가 정해진 시험 문제의 점수인 반면, 실제 제작 작업은 정답이 하나가 아니며 과제에 따라 모델 순위도 달라진다고 지적한다. [01:58]
• 모델별 구독과 창을 따로 관리하고 같은 프롬프트를 반복 입력한 뒤 결과를 모으는 일을 매주 해 왔으며, 이 과정을 서비스로 만들기로 했다고 드러낸다. [02:20]

2. 같은 조건으로 실행하고 이름을 가려 선택하기

• 사용자는 만들고 싶은 것을 입력하고 에이전트 모델·생성 도구·스킬 조합을 고른다. 각 조합은 같은 입력과 첨부 파일로 시작하되 서로 분리된 작업 공간에서 실행된다. [02:59]
• 조합마다 추가 수정을 요청할 수 있고, 몇 턴 만에 결과가 나왔는지도 기록한다. 당시 공개 결과물은 250개 이상이며 웹사이트·앱·이미지·영상·3D·로고·게임 등으로 나뉜다고 보여준다. [03:23]
• 비교 화면은 모델 이름을 가리고 두 결과물 중 선호하는 쪽이나 둘 다 아니라는 선택을 받는다. 당시 월간 리더보드는 43개 조합과 결과물 141개를 포함하며, 모델 단독이 아닌 조합별 선호를 집계한다. [04:25]

3. 레시피로 과정과 자원을 비교하고 구독 연결하기

• 레시피에는 모델·생성 도구·스킬·프롬프트·설정·수정 이력이 남는다. 게임 제작 사례에서 오퍼스 5.5는 7분 36초에 입력 28만·출력 4만 1천 토큰, GPT6 아스트라는 6분 28초에 입력 17만 3천·출력 2만 토큰을 사용했다고 제시하며 결과 차이가 시간과 비용만큼 가치 있는지 묻는다. [05:36]
• 영상 생성 AI와 블렌더 작업도 비교할 수 있고, 공개 스킬 3만 7천 개를 정리했다고 보여준다. 스킬을 붙이지 않는 경우도 별도 조건으로 기록해 실제 효과를 비교하도록 한다. [06:35]
• 기존 구독 계정을 연결하면 추가 비용 없이 시작할 수 있다고 안내한다. 공식 로그인과 분리된 작업 공간을 활용하고 서버에 로그인 토큰을 저장하지 않도록 설계했다고 설명하며, 공개 결과물 열람은 로그인 없이 가능하다고 덧붙인다. [07:25]

4. 2주 개발을 만든 화면 기획과 에이전트 병렬 작업

• 2주 동안 커밋 1,685개가 쌓였고 1,000개 이상에 AI가 공동 작성자로 기록됐다고 드러낸다. 사람은 주로 무엇을 만들지 정하고 결과를 확인하며 다시 지시하는 역할을 맡았다. [07:56]
• 서버와 데이터베이스 없이 HTML 화면부터 만들어 기획을 끝내고 Next.js로 옮겼다. 목업과 실제 앱을 비교해 수정했으며, 용어 정의와 주요 결정 기록을 문서로 남겨 다른 에이전트가 이어서 작업할 수 있게 했다. [08:46]
• 기능별 작업 폴더를 나눠 여러 에이전트가 화면·결제·모바일 등을 동시에 수정했다. 미국에 새 모델을 빠르게 쓰고 여러 서비스를 구독하는 사람이 많다고 판단해 영어로 먼저 만들었으며, 한국에서도 이용할 수 있다고 보여준다. [09:26]

5. 오픈 베타의 한계와 실제 과제로 시작하라는 제안

• 투표는 취향이므로 높은 승률이 자신의 작업 적합성을 보장하지 않고, 같은 레시피로 실행해도 동일한 결과가 나오지는 않는다고 명시한다. [09:53]
• 일부 실행 기록은 누락되어 있으며 없는 정보를 채우지 않고 비어 있다고 표시한다. 영어 화면과 버그가 남아 있고, 이용 중 발견한 문제를 알려 달라고 요청한다. [10:20]
• 마지막으로 같은 일을 여러 모델에 맡겨 결과물로 비교하고 레시피로 제작 과정을 확인하는 흐름을 정리한다. 첫 과제로 지금 실제로 하는 일을 넣어 보라고 권하며 설명란의 서비스 링크를 안내한다. [10:49]

🧾 결론

• 영상에서 설명하는 빠른 개발의 핵심은 사람이 만들 것을 정하고, AI의 결과를 확인하며, 반복해서 수정시키는 작업 방식이다.
• 이벨스의 비교 단위는 모델 이름보다 실제 작업에 투입되는 전체 조합이다. 같은 모델도 도구와 스킬에 따라 결과가 달라질 수 있다는 관점이다.
• 레시피는 제작 과정의 기록이며 동일한 결과를 보장하지 않는다. 리더보드 역시 자신의 과제로 직접 확인할 때 참고 가치가 커진다.

📈 투자·시사 포인트

• 모델과 도구가 늘어날수록 실제 작업에 맞는 조합을 고르고 비교하는 과정 자체가 서비스 기회가 될 수 있다. 이벨스는 팀이 매주 수작업으로 하던 비교를 제품으로 옮긴 사례다.
• AI 활용의 경제성은 결과물의 완성도와 실행 시간·토큰 사용량을 함께 봐야 한다. 영상의 게임 제작 사례만으로 모델별 실제 비용이나 전반적인 우열을 확정할 수는 없다.
• 소규모 팀의 개발 속도에는 에이전트 활용뿐 아니라 화면 중심 기획, 용어 통일, 결정 기록, 작업 분리가 함께 작용했다. 커밋 수만으로 생산성이나 품질을 판단하기는 어렵다.
• 미국 우선 출시는 새 모델을 빠르게 쓰고 여러 서비스를 구독하는 이용자가 많다는 팀의 판단에 근거한다. 영상에는 이를 검증할 사용자 확보·매출·유지율 지표가 제시되지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 블라인드 투표는 선호를 측정한다. 승률이 높은 조합이 특정 사용자의 작업에도 가장 적합하다는 보장은 없으며, 영상에서도 직접 과제를 넣어 보라고 권한다.
• 같은 모델과 프롬프트를 사용해도 결과가 달라질 수 있다. 일부 결과물에는 실행 기록이 빠져 있어 레시피만으로 모든 조건을 비교하기 어렵다.
• 구독 계정 연결 시 추가 비용 없이 시작할 수 있다는 설명과 로그인 토큰을 서버에 저장하지 않는다는 설계는 발표자의 설명이다. 제공사별 이용 조건·사용 한도·실제 구현은 이 자료만으로 확인할 수 없다.
• 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

• 현재 실제로 수행하는 작업 하나를 골라, 동일한 프롬프트와 첨부 파일로 여러 조합을 비교한다.
• 모델 이름을 보기 전에 결과물을 선택하고, 선택 이유와 추가 수정에 걸린 턴을 함께 적는다.
• 선호하는 결과물의 레시피에서 모델·도구·스킬·설정·실행 시간·토큰 사용량과 누락된 기록을 확인한다.
• 같은 과제를 반복 실행하고 스킬을 붙인 경우와 붙이지 않은 경우를 비교해, 한 번의 결과에 판단이 좌우되는지 확인한다.

❓ 열린 질문

• 투표와 과제 종류가 늘어나면 전체 승률 외에 작업 유형별로 유용한 조합을 얼마나 잘 구분할 수 있을까?
• 실행 기록의 누락을 줄이고 반복 실행의 편차까지 보여 주면, 레시피의 비교 가치는 얼마나 높아질까?
• 미국 우선 전략이 실제 사용자 확보와 지속적인 사용으로 이어지는지는 어떤 지표로 확인할 수 있을까?