🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Why the AI Boom Is Just Getting Started의 핵심은 AI가 아직 침투율 초입에 있고, 모델·컴퓨트·인프라 병목이 동시에 커지면서 성장 여지가 이미 끝난 것이 아니라 이제 본격화된다는 주장이다.

📌 핵심 요점

1. 인터뷰의 기본 프레임은 AI를 S-curve 초입의 기술 채택 사이클로 보는 것이다. 침투율이 낮은 구간에서는 사용량과 이익이 선형이 아니라 지수적으로 커질 수 있고, 시장은 이런 2~4년 뒤의 이익 변화를 자주 과소평가한다고 본다.
2. ChatGPT 이후 AI는 전력, 칩, 클라우드, 파운데이션 모델, 애플리케이션을 아우르는 새로운 컴퓨팅 스택으로 해석된다. 초기에는 상위 레이어의 승자가 불확실해도 컴퓨트 수요는 확실하다는 판단 아래 칩과 인프라가 우선 투자 대상으로 부각됐다.
3. 파운데이션 모델 시장은 완전 상품화보다 OpenAI, Anthropic, Google 중심의 과점 가능성이 커진 것으로 설명된다. 다만 오픈소스 모델 추격, 모델 성능 정체, 가격 경쟁은 여전히 중요한 리스크로 제시된다.
4. Anthropic에 대한 투자 논리는 엔터프라이즈 집중, Claude Code를 비롯한 코딩 수요, 모델별 강점 차별화, SDK·오케스트레이션·도구 묶음 같은 API 주변 생태계가 결합된다는 데 있다.
5. AI 붐은 모델 기업에만 국한되지 않고 Nvidia, HBM, 서버 제조, 네트워킹, PCB, 광섬유, 전력 부품 등 공급망 전반의 병목과 탈상품화를 만든다. 동시에 기존 소프트웨어 기업은 AI 지출 확대, 좌석 기반 과금 압박, AI 네이티브 대체 위험에 노출된다.

🧩 배경과 문제 정의

• 이 영상은 AI 붐을 단기 과열이 아니라, 거대한 S-curve의 초입에서 벌어지는 침투율 문제로 해석한다.
• 핵심 논지는 AI 사용률이 아직 낮은 수준임에도 컴퓨트·전력·칩·클라우드 인프라가 이미 부족하며, 본격적인 채택이 시작되면 수요와 이익이 선형이 아니라 지수적으로 커질 수 있다는 것이다.
• ChatGPT 이후 새로운 컴퓨팅 패러다임과 스택이 열렸고, 전력·칩·메모리·네트워킹·클라우드·파운데이션 모델·애플리케이션 각 층에서 승자와 패자가 갈리고 있다.
• 투자 관점에서는 S-curve의 현재 위치, 경쟁우위, 시장이 과소평가한 장기 이익력을 함께 봐야 하며, 초기 데이터보다 현장 단서와 패턴 인식이 더 중요할 때가 많다.
• Anthropic에 대한 투자 논리는 엔터프라이즈 집중, 코딩 에이전트 수요, 모델 차별화, API 주변 생태계, 컴퓨트 확보 능력이 결합해 파운데이션 모델 시장에서 지속 가능한 우위를 만들 수 있다는 판단에 기반한다.
• 핵심 쟁점은 AI 모델이 범용 상품이 되어 가격이 무너질지, 아니면 소수 강자가 품질·컴퓨트·제품 생태계를 바탕으로 과점적 수익을 확보할지다.
• 동시에 기존 소프트웨어 기업, AI 네이티브 애플리케이션, 데이터센터 공급망, 공개시장과 비상장시장 투자 접근법까지 모두 AI S-curve의 영향을 받는다.

🕒 시간순 섹션별 상세정리

1. S-curve 초입의 AI 성장 논리

• S-curve의 적절한 구간에서는 단위 성장과 이익 성장이 지수적으로 커지며, 강한 비즈니스 모델일수록 이익 레버리지가 매출 성장보다 더 크게 나타난다 [00:09]
• 시장은 지수 성장을 과소평가해 2~4년 뒤를 정확히 예측하기 어렵지만, S-curve와 해자, 모델링을 이해하면 큰 변화의 방향을 잡을 수 있다 [00:24]

2. ChatGPT 이후 새 컴퓨팅 스택과 인프라 우선 전략

• 2022년 11월 ChatGPT 출시 이후 AI는 새로운 컴퓨팅 패러다임으로 전환됐고, 팀은 전력·칩·클라우드·파운데이션 모델·애플리케이션으로 이어지는 새 스택을 분석했다 [01:13]
• 초기 투자 초점은 칩과 인프라에 맞춰졌으며, 상위 레이어의 승자는 불확실해도 막대한 컴퓨트 수요는 확실하다는 판단이 핵심이었다 [01:51]

3. 파운데이션 모델 시장의 과점화와 오픈소스 리스크

• 이후 3년 동안 다수 스타트업이 사라졌고, Amazon은 뚜렷한 존재감을 만들지 못했으며, Meta의 시도도 재정비가 필요한 상태로 약해졌다 [02:51]
• Anthropic은 엔터프라이즈에 집중한 다크호스로 부상했고, OpenAI는 소비자 시장에서 앞섰으며, Gemini를 보유한 Google까지 포함해 3강 구도가 형성됐다 [03:18]

4. 코딩 에이전트가 만든 수익성과 노동 대체 가능성

• AI 초기 몇 년은 잠재력은 컸지만, 기업 현장의 반응과 에이전트성 한계 때문에 실제 매출 규모와 노동 대체 가능성에는 의문이 남아 있었다 [04:51]
• 2025년 들어 Claude Code와 코딩 도구가 폭발적으로 성장했고, 초기 Copilot식 문법 보정·버그 탐지·짧은 코드 생성에서 더 넓은 작업 수행으로 기능이 확장됐다 [05:22]

5. Anthropic의 코딩 우위와 모델별 차별화

• Claude Code는 거의 완전한 에이전트형 코딩으로 이동했고, Karpathy의 작업 방식도 기존 AI 20%·수작업 80%에서 최신 모델 이후 그 비율이 뒤집힌 것으로 묘사된다 [07:12]
• 코딩을 몰랐던 사람들까지 새로 개발 역량을 얻을 수 있어, 코딩 시장의 확장은 기존 개발자 생산성 향상에만 머물지 않는다 [07:48]

6. API 주변 생태계와 엔터프라이즈 AI의 초기 침투율

• Anthropic의 경쟁력은 API나 모델 하나에 그치지 않고, SDK·Claude for co-work·오케스트레이션 레이어·도구 묶음 같은 하네스 소프트웨어로 확장된다 [09:04]
• AWS도 2013년에는 창고 속 상품형 서버처럼 보였지만, 새로운 컴퓨팅 방식에 맞는 제품을 먼저 만들면서 점진적인 락인을 구축했다 [09:35]

7. AI 인프라 부족과 비상장 투자 접근 문제

• AI를 실제로 쓰는 사람은 아직 약 10bp 수준인데도 전 세계 컴퓨트는 이미 부족하고, Anthropic도 필요한 물량의 절반만 확보한 상태라 인프라 병목이 드러난다 [12:00]
• 향후 4년 동안 충분한 컴퓨트가 없을 가능성이 높으며, AI 확산의 핵심 제약은 모델 수요보다 인프라 공급 부족으로 이동한다 [12:17]

8. OpenAI 투자 배정 확보와 리서치 기반 신뢰 형성

• 600억 달러 라운드 당시에는 회사를 충분히 알지 못했고, 매출총이익률이 마이너스였으며, 코딩 시장 폭발도 아직 확인되지 않아 투자하지 않았다 [14:57]
• 시간이 지나며 경영진의 집중력, 낮은 이직률, 코드 품질, 사업계획 실행력이 확인됐고, 1억 달러에서 10억 달러로 성장하는 것과 90억 달러 규모까지 가는 것은 전혀 다른 검증 단계가 됐다 [15:30]

9. 유니콘 시장 확대와 Stripe 투자 사례

• 유니콘 시장은 독일이나 영국 주식시장보다 클 정도로 커졌고, 일부 비상장 기업은 각 산업에서 가장 큰 영향력을 가진 회사가 되면서 공모주 투자자도 이들을 이해해야 한다 [16:31]
• 연간 2,000~3,000건의 경영진 대면 미팅 중 10~15%가 비상장 기업과 이뤄지며, 관심 기업을 좁힌 뒤 라운드 참여 기회를 찾는 방식이 비상장 투자 접근법으로 자리 잡았다 [16:59]

10. S-curve 투자 프레임워크와 저평가된 장기 이익력

• 투자 프레임워크는 S-curve, 경쟁우위, 과소평가된 이익력으로 구성되며, 올바른 S-curve 구간에서는 단위 성장과 이익 성장이 선형이 아니라 지수적으로 확대된다 [20:07]
• 장기 이익력이 과소평가될 때 이익은 1달러에서 10달러, 50달러, 20달러 수준으로 크게 달라질 수 있고, 시장은 이런 변화를 자주 놓치기 때문에 우량 기업을 낮은 PER로 살 수 있다 [20:31]

11. 채택 장벽 제거와 수요 폭발의 조건

• 모든 기술은 오래 존재하다가 특정 조건이 맞을 때 대중화되며, 스마트폰은 iPhone 전 10년, 인터넷은 Netscape 전 20년, AI는 ChatGPT 전까지 기업 내부에 숨어 있던 기술이었다 [21:34]
• 초기 스마트폰에는 터치스크린 부재, 무선 데이터망 부족, 높은 가격 같은 장벽이 있었지만, iPhone은 200달러 가격, AT&T 3G, 쉬운 터치 인터페이스, 생태계로 이를 제거했다 [22:08]

12. S-curve의 높이와 AWS의 거대 TAM 판단

• S-curve가 시작됐는지만으로는 충분하지 않고, 얼마나 큰 시장까지 올라갈지 알아야 매도 시점과 보유 기간, 2~3년 뒤 성장률을 판단할 수 있다 [23:06]
• S-curve는 동적으로 변하며, AWS는 Amazon 내부의 숨은 항목이었고 당시에는 인터넷 리테일 애널리스트가 다루던 사업이라 클라우드 인프라의 잠재력이 제대로 반영되지 않았다 [23:25]

13. S-curve 침투율과 매도 판단의 기준

• 초기에는 AI가 약 50% 디플레이션을 일으켜 기존 시장을 일부 대체한다고 봤지만, 자체 구축 비용이 비슷하다는 판단이 나오면서 전체 시장 규모가 훨씬 크다는 결론으로 바뀌었다 [24:03]
• 인터넷 1.0, 모바일, 클라우드, 이커머스, AI 같은 거대 S-curve는 서로 위에 쌓이며, AI는 그중에서도 가장 큰 흐름으로 분류된다 [24:28]

14. 초기 진입 신호는 데이터보다 현장 단서와 패턴 인식에서 나온다

• 전략적 변곡점에서는 신뢰할 만한 정량 데이터가 충분하지 않아, 직관·일화적 증거·시각적 단서가 초기 진입 판단의 핵심 근거가 된다 [26:39]
• 모바일 게임은 작은 화면과 낮은 처리 성능 때문에 오래 지연됐지만, 중국에서 큰 스마트폰으로 고품질 게임을 하는 아이를 본 장면이 S-curve 전환의 현장 신호가 됐다 [27:06]

15. S-curve 초반을 놓쳐도 시장 크기와 지속 기간이 더 중요하다

• 거대한 S-curve에서는 첫 1~3년이나 초기 100% 상승을 놓쳐도, 이후의 성장 여지가 충분히 남아 있을 수 있다 [28:22]
• 피터 린치식 관점에서는 과거 차트보다 미래의 시장 크기가 중요하며, S-curve의 상단이 수천억 달러 규모라면 장기간 성장에 참여할 시간이 남는다 [28:46]

16. 기업용 기술은 시스템·보안·문화 장벽 때문에 느리지만 AI는 접근성이 다르다

• B2B 기술은 기존 시스템과 연결돼야 하므로 확산이 느리고, 과거 B2B 인터넷도 인프라 부족 탓에 20년 뒤 SaaS에서야 본격 성장했다 [29:49]
• AI 역시 대기업의 보안 우려, 느린 의사결정, 조직 문화, 내부 전도자와 최고경영진의 추진력 부족이라는 채택 리스크를 안고 있다 [30:30]

17. 디지털 시장의 승자는 강력한 경쟁우위로 장기 자산이 된다

• S-curve를 찾은 뒤에는 해당 영역에 노출된 기업들을 폭넓게 살피고, 그중 가장 강력한 경쟁우위를 가진 회사를 선별해야 한다 [32:27]
• 기술 기업은 변화가 빠르고 예측이 어렵다는 이유로 회피되기도 하지만, S-curve는 미래 수요를 가늠하는 투자 지도로 작동한다 [32:41]

18. AWS 사례와 기반 모델 경쟁은 S-curve 안에서도 승패가 갈린다는 점을 보여준다

• 2013년 AWS는 이미 경쟁이 본격화되기 전 승기를 잡았다고 평가될 만큼 앞서 있었고, 당시에는 의미 있는 경쟁자가 거의 없어 보였다 [35:01]
• AWS는 7년의 선행 기간, 생태계와 플랫폼, 경쟁사 대비 10배 규모를 바탕으로 R&D 투자 격차를 벌리며 후발주자가 따라잡기 어려운 구조를 만들었다 [35:20]

19. AI 모델 기업의 리더십과 방어력

• 상위 AI 기업 두세 곳이 선두로 올라섰고, 이들이 그 위치를 계속 유지할 수 있는지가 경쟁 구도의 핵심 쟁점으로 남는다 [36:00]
• AI는 과거의 다른 S-curve보다 훨씬 복잡하고 빠르게 변하며, 시장 규모도 클라우드의 약 8,000억 달러를 넘어 3조~5조 달러에 이를 가능성이 거론된다 [36:28]

20. 코드 우위, 재귀 개선, 인터넷 리더의 복리 효과

• Anthropic은 코드 분야의 선도 지위를 모델 개선에 다시 투입하며 재귀적 개선 효과를 만들고, 그만큼 혁신 속도도 빨라진다 [37:52]
• OpenAI는 여러 영역에 분산돼 있었지만 엔터프라이즈와 코딩 도구에서 성장 속도가 빨라지고 있으며, 소비자 기반은 광고나 개인 비서형 상품으로 확장될 잠재력을 갖는다 [38:11]

21. 소프트웨어 투자 축소와 기존 앱의 AI 제품 한계

• 소프트웨어가 포트폴리오의 40~50%를 차지하던 시기도 있었지만, 2023년 4월 무렵에는 우선 투자 대상이 칩으로 이동했다 [40:50]
• 초기에는 대형 소프트웨어 기업이 판매 조직, 고객 데이터, AI API를 결합해 강력한 애플리케이션 제품을 만들 수 있다는 기대가 컸다 [41:01]

22. CIO 예산, 가격 인상, 좌석 수가 받는 압박

• CIO 우선순위에서 기존 소프트웨어의 위치가 내려가고, 더 빠른 ROI를 기대할 수 있는 Anthropic 토큰 같은 AI 지출이 예산을 흡수한다 [42:14]
• AI 지출이 늘면 기존 소프트웨어 예산이 눌리고, 매년 가격을 올리던 소프트웨어 기업도 가격 인상에 더 조심스러워진다 [42:42]

23. 점착성 높은 기존 시스템과 AI 네이티브 대체 위험

• ERP 같은 핵심 시스템을 기업이 직접 새로 만들 가능성은 낮고, 오래된 기술은 통합·업무흐름·구매 관성 때문에 상당히 끈질기게 유지된다 [43:58]
• 모바일 게임이 콘솔을 없애지 못하고 태블릿·스마트폰이 PC를 없애지 못한 것처럼, 기존 소프트웨어의 점착성은 쉽게 무너지지 않는다 [44:06]

24. 에이전트 시대의 기존 플랫폼 가치와 헤드리스 위험

• AI가 일부 소프트웨어 플랫폼을 더 중요하게 만들 가능성도 있으며, Claude를 Slack에 연결하면 Slack이 조직 안의 핵심 저장소이자 지속적 업무 기반이 될 수 있다 [46:17]
• 다음 단계의 AI 에이전트는 도구를 쓰는 방식으로 움직이고, 기존 소프트웨어 안에서 인간처럼 작업하면서 incumbent 도구의 사용 빈도와 중요도를 높일 수 있다 [46:36]

25. 데이터센터 하드웨어의 상품화가 AI로 되돌아선다

• 지난 40년 동안 데이터센터의 중심은 Intel x86 기반 서버였고, 클라우드 시대에도 컴퓨트 워크로드 증가율이 무어의 법칙 개선 속도와 크게 어긋나지 않아 대규모 하드웨어 혁신 압력이 작았다 [48:27]
• 서버 부품, 메모리, 인클로저, 네트워킹, PCB까지 산업 전반이 상품화됐고, 1기가에서 10기가 네트워킹으로 넘어가는 변화도 짧은 혁신 뒤 다시 상품화되는 구조였다 [49:07]

26. 메모리와 서버 제조가 핵심 인프라로 재평가된다

• 고대역폭 메모리는 10개 칩을 쌓는 구조와 이전보다 10배 큰 입출력 요구를 갖고 있으며, Samsung 같은 업체도 수년이 걸릴 만큼 제조 난도가 높아졌다 [50:40]
• HBM은 Nvidia와 여러 세대 앞의 로드맵을 맞춰야 하는 핵심 부품이 됐고, 과거 순수 상품에 가까웠던 메모리가 AI 서버 성능과 공급 제약의 중심으로 이동했다 [50:57]

27. 네트워킹과 PCB 병목이 성장률·마진·가시성을 바꾼다

• 과거 이더넷 업그레이드는 100기가에서 400기가, 800기가로 7년 주기에 가까웠지만, AI 수요에서는 매년 업그레이드가 필요해지고 실행 난도가 크게 높아진다 [52:42]
• Celestica는 open source SONiC 소프트웨어와 Broadcom 협업을 바탕으로 클라우드 이더넷 스위치 시장에서 50~60% 점유율을 갖고, AI의 네트워크 집약도가 전략적 중요성을 키운다 [53:02]

28. 광섬유·전력 부품까지 AI 공급망 부족이 확산된다

• PCB 관련 기업은 과거 5% 성장과 낮은 마진에서 향후 4년간 35~50% 매출 성장률과 마진 상승 가능성을 갖는 구조로 바뀌고, 공급 부족까지 겹치며 강한 사이클에 들어간다 [54:20]
• Corning은 데이터센터용 광섬유에서 높은 점유율을 갖고 있으며, Microsoft 데이터센터 하나에 지구를 네 바퀴 반 감을 만큼의 광섬유가 들어갈 정도로 수요가 커진다 [54:44]

29. 보안·운영 복잡성 광고 구간이 계속된다

• 기업이 커질수록 컴플라이언스와 보안 요구가 복잡해지고, 여러 도구의 임시 처방은 누락과 리스크를 만들 수 있어 단일 기준점이 되는 자동화 플랫폼 수요가 생긴다 [57:01]
• Vanta는 보안 업무와 컴플라이언스·리스크 관리를 자동화하는 도구로 소개되며, Ramp·Cursor·Snowflake 같은 기업이 제품 개발에 집중하면서 통제 체계를 유지하는 사례가 붙는다 [57:09]

30. AI 비중의 변화 속도와 공개시장 오판의 이유

• AI 매출 비중과 시장점유율은 절대 수준도 중요하지만, 10%에서 30%로 빠르게 올라가는 변화율이 성장률과 마진의 동반 가속을 만들기 때문에 투자 판단의 핵심 변수가 된다 [58:04]
• 공개시장에서 이 프레임워크가 쉽게 확산되지 않는 이유는 실행 난도가 높고, 기술 사이클을 오래 다룬 팀 경험과 다양한 사이클을 구분하는 판단력이 필요하기 때문이다 [58:39]

31. AI 낙관론을 흔드는 규제와 모델 정체 리스크

• AI에 대한 대중과 일부 정부의 부정적 시각이 강하고, 메인주의 데이터센터 금지 사례처럼 인프라 확장을 제약할 수 있는 규제 리스크가 존재한다 [1:01:01]
• AI 모델 개선이 멈추면 기존 모델만으로도 채택은 계속될 수 있지만, 프런티어 모델의 차별성이 약해지고 오픈소스가 따라붙으면서 가격 경쟁과 주가 부담이 커질 수 있다 [1:01:16]

32. 대형 플레이어 이탈과 컴퓨트 수요의 흡수 가능성

• 한두 개 주요 기업이 경쟁에서 밀려나면 미래에 필요하지 않은 컴퓨트가 대량으로 남을 수 있고, 이는 AI 인프라 투자 논리에 직접적인 위험이 된다 [1:02:21]
• Oracle이 큰 계약을 취소한 뒤 Meta가 바로 들어간 사례처럼, AI 수요가 충분히 크면 다른 플레이어가 남는 컴퓨트를 흡수할 가능성도 있다 [1:02:36]

33. 애플리케이션 계층의 기회와 불확실한 해자

• AI 애플리케이션 계층은 iPhone 초기처럼 본격적인 성장이 늦게 올 수 있고, ChatGPT 같은 사례가 있지만 전체 생태계는 아직 초기 단계에 가깝다 [1:03:27]
• 파운데이션 모델의 영역과 애플리케이션의 영역이 어디서 갈리는지 불명확하고, 앱 기업이 충분한 해자를 만들 수 있는지가 핵심 리스크다 [1:03:48]

34. AI가 바꾸는 리서치 업무와 인간 애널리스트의 남는 역할

• AI 도구는 리서치 속도를 높이고 일부 앱은 유용하지만, 아직 애널리스트의 핵심 업무를 대체하지 못하며 기업 미팅과 경영진 관계 구축은 여전히 중요하다 [1:06:14]
• Philip Fisher의 스커틀버트 방식처럼 공급업체, 고객, 경쟁사를 직접 만나 선도 기업의 특성을 확인하고 확신을 쌓는 과정은 성장투자의 핵심으로 남아 있다 [1:06:39]

35. AppLovin 사례와 외부 투자자 네트워크가 만드는 확신

• AppLovin 투자 사례에서는 사모 단계 추적, 경쟁사 이해, 업계 용어와 구조 파악, 라스베이거스 앱 광고 콘퍼런스와 칸 현장 조사가 함께 이뤄졌다 [1:08:26]
• 모델링과 Adam Foroughi 경영진과의 관계 형성이 병행됐고, 이처럼 현장에서 확신을 쌓는 과정은 AI가 직접 수행하기 어려운 영역이다 [1:08:50]

36. Whale Rock의 상품 확장과 대형 기술주 비중 문제

• Whale Rock은 첫 15년 동안 롱쇼트 펀드에 집중했으며, 전략의 초점을 흐리지 않기 위해 목표 규모까지 키운 뒤에야 상품 확장을 진행했다 [1:10:20]
• 투자자 요청이 누적되면서 2020년 롱온리 펀드를 출시했고, 6년 뒤에는 롱온리 펀드가 롱쇼트보다 커지며 두 상품이 자산의 대부분을 차지하게 됐다 [1:10:32]

37. 메가캡 기술주 과소보유와 디지털 경제의 승자 집중

• 엔도먼트는 사모 비중이 크고 공개주식 안에서도 해외 비중이 높아, 미국 대형 기술주에 대한 실제 노출이 작아진다 [1:12:01]
• 대형주에는 알파가 없다는 직관 때문에 대형주 비중을 낮게 두고, 대신 중소형 주식 선별 매니저를 더 많이 활용하는 구조가 형성된다 [1:12:18]

38. Whale Rock Mega Cap Tech Fund와 대형주 알파 논리

• Whale Rock Mega Cap Tech Fund는 글로벌 시가총액 상위 30개 기업을 투자 universe로 삼고, 그중 가장 매력적인 12~13개를 고르는 방식으로 설계된다 [1:13:43]
• 대형주는 이미 널리 알려졌다는 인식과 달리, Google 같은 기업의 승자 지위를 다수의 분산 PM이 받아들이기까지 시간이 걸리기 때문에 여전히 알파 기회가 남는다 [1:14:00]

39. Whale Rock의 리서치 머신과 장기 지식 축적

• Whale Rock의 핵심은 여러 상품 자체보다 기업을 통해 세계를 이해하는 리서치 체계이며, 이 체계를 개선하는 일이 상품 확장의 기반이 된다 [1:14:58]
• 내부에서는 이를 “Whale Rock learning machine”으로 부르며, 10명의 경험 많은 인력이 기술 기업과 경영진을 직접 만나며 지식을 축적한다 [1:15:18]

40. 창업을 도운 아버지의 역할과 클로징 후 후원사 메시지

• 창업 초기 아버지는 Goldman Sachs에서 41년을 보낸 뒤 Whale Rock에 합류해 회장·감독자 역할을 맡았고, 보스턴에서 팀을 만들고 자금을 운용하는 일을 뒷받침했다 [1:16:30]
• 6년간 함께 일하는 동안 큰 갈등 없이 회사를 운영했으며, 2011년 별세 이후에도 많은 사람들이 그의 겸손함·멘토십·인품이 자신에게 깊은 영향을 줬다고 전했다 [1:17:27]

🧾 결론

• 이 영상은 AI 붐을 단기 테마가 아니라 인터넷, 모바일, 클라우드에 이어지는 거대한 기술 채택 곡선으로 해석한다.
• 핵심 주장은 “AI는 이미 많이 오른 산업”이 아니라 “실제 엔터프라이즈 침투율과 고급 활용률은 아직 낮고, 본격 채택은 이제 시작”이라는 쪽에 가깝다.
• 투자 판단의 중심은 단순히 AI라는 시장에 노출됐는지가 아니라, S-curve의 높이, 침투율 위치, 경쟁우위, 장기 이익력이 시장에 얼마나 덜 반영됐는지를 함께 보는 것이다.
• 파운데이션 모델에서는 Anthropic, OpenAI, Google 같은 선두권의 방어력이 강조되지만, 승자가 계속 선두를 유지할 수 있는지는 별도 검증이 필요한 핵심 변수다.
• AI 애플리케이션 계층은 잠재력은 크지만, 파운데이션 모델과의 경계, 해자 형성 가능성, 실제 수익화가 아직 덜 선명한 영역으로 정리된다.

📈 투자·시사 포인트

• AI 투자에서는 “AI 매출이 있는가”보다 “AI 매출 비중이 얼마나 빠르게 커지는가”와 “해당 카테고리에서 점유율을 확보하고 있는가”가 더 중요한 판단 기준으로 제시된다.
• 인프라 쪽에서는 칩뿐 아니라 HBM, 서버 제조, 네트워킹, PCB, 광섬유, 전력 부품처럼 과거 상품화됐던 하드웨어 영역이 AI 수요로 재평가될 수 있다.
• 기존 소프트웨어 기업은 AI를 붙였다는 이유만으로 재평가되기 어렵다. 실제 AI 매출 비중이 작거나 좌석 기반 과금이 압박받는다면 성장 궤적을 바꾸기 어렵다는 시각이 나온다.
• 비상장 AI 기업 투자는 자본만으로 접근하기 어렵고, 장기간 리서치, 경영진 관계, 제품 이해, 시장 피드백을 통해 배정 기회를 확보하는 역량이 중요하다고 설명된다.
• 검증 필요: AI 시장 규모 3조~5조 달러 가능성, Anthropic의 컴퓨트 확보 수준, 모델별 점유율과 품질 격차, 공급망 부족률 같은 수치는 인터뷰 발언 기반이므로 실제 투자 판단에는 최신 데이터와 독립 검증이 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• Anthropic·OpenAI·Google이 파운데이션 모델 시장의 3강 구도를 형성했다는 평가는 영상 내 투자자 관점의 판단이며, 실제 시장점유율·기업 도입률·모델 성능 지표로 별도 확인이 필요하다.
• 엔터프라이즈 애플리케이션 AI 침투율이 1% 미만이고, 고급 AI 활용자가 지식노동자의 10bp 수준이라는 수치는 정의와 산출 기준이 명확히 제시되지 않았으므로 검증이 필요하다.
• Claude Code 사용자가 하루 100달러 규모의 토큰을 소비할 수 있고, 코딩만으로 약 5,000억 달러 시장이 가능하다는 추정은 사례와 가정에 크게 의존하므로 실제 사용자 수·지불 의사·기업 예산 전환을 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

• Anthropic, OpenAI, Google의 엔터프라이즈·소비자·코딩 도구별 경쟁 위치를 최신 공개 자료 기준으로 비교한다.
• 엔터프라이즈 AI 침투율, 실제 활성 사용자 비율, 기업 AI 예산 증가율을 확인할 수 있는 외부 리서치 자료를 찾는다.
• AI 인프라 공급망에서 언급된 HBM, PCB, 네트워킹, 광섬유, 전원 부품 관련 기업들의 실적 발표와 수주 전망을 검토한다.
• 코딩 에이전트 시장의 TAM 추정이 개발자 수, 토큰 소비량, 좌석 과금, 기업 도입률 중 어떤 변수에 가장 민감한지 따로 모델링한다.

❓ 열린 질문

• 파운데이션 모델 시장은 실제로 3~4개 업체 중심의 과점으로 굳어질까, 아니면 오픈소스와 라우터 구조 때문에 장기적으로 가격 경쟁이 심해질까?
• Anthropic의 코딩 우위는 모델 품질, 제품 경험, 엔터프라이즈 신뢰, API 생태계 중 어느 요소에서 가장 방어력이 강한가?
• AI 애플리케이션 계층에서는 어떤 회사가 모델 제공자에게 잠식되지 않는 독자적 해자를 만들 수 있을까?