🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI Psychosis 시대의 사람들은 AI 에이전트가 만든 폭발적 생산성과 FOMO 속에서, 더 많이 위임하고 더 빨리 실행할수록 인간의 판단·학습·회복 능력이 새로운 병목이 되는 전환기를 지나고 있다.

📌 핵심 요점

1. Claude Code와 Codex 같은 AI 개발·에이전트 도구는 엔지니어 전용 도구를 넘어 지식노동 전반의 업무 방식으로 흡수되고 있으며, 모델 성능·하네스·추론 인프라가 함께 발전하면서 변화 주기가 매우 짧아지고 있다.
2. 모델 경쟁은 단순한 성능 비교를 넘어 컴퓨팅 자원, 토큰 한도, 가격 정책, 사용 제한, 실행 속도까지 포함하는 경쟁으로 바뀌었고, Anthropic의 자원 압박과 OpenAI의 Codex 확장은 사용자 경험과 생태계 방향에 직접 영향을 주고 있다.
3. AI 애플리케이션의 본질은 기존 앱을 더 빠르게 만드는 것이 아니라, 사용자의 의도를 받아 문제 해결까지 이어지는 workflow를 재작성하는 데 있으며, 앞으로의 핵심 가치는 화면·기능보다 task completion과 control layer에 놓인다.
4. AI 에이전트는 개인과 조직의 생산성을 크게 끌어올리지만, 동시에 사람이 계속 일을 배분하고 검토해야 하는 부담, 도파민성 몰입, FOMO, 번아웃, 학습 내재화 실패 같은 새로운 심리적·조직적 비용을 만든다.
5. AI 시대의 인재는 단순히 도구를 잘 쓰는 사람을 넘어, 모델·컴퓨트 경쟁의 흐름을 이해하고, 특정 고객 문제와 도메인 맥락을 붙잡아, 데이터·도구·워크플로를 결합한 새로운 문제 해결 방식을 설계하는 사람으로 재정의되고 있다.

🧩 배경과 문제 정의

• 2026년 상반기, Claude Code·Codex 같은 AI 개발 도구와 에이전트형 워크플로가 빠르게 확산되며 엔지니어뿐 아니라 지식노동 전반의 실무 방식으로 자리 잡고 있다.
• 모델 성능, 하네스, 추론 인프라가 함께 발전하면서 새 모델과 작업 방식이 몇 달 단위로 갱신되는 환경이 만들어지고 있다.
• Google, OpenAI, Anthropic의 경쟁은 단순한 모델 성능을 넘어 워크플로, 컴퓨팅 자원, 가격 정책, 사용자 생산성의 병목 문제로 확장되고 있다.
• AI 프로그래밍의 대중화는 Anthropic의 성장과 Claude Code의 유행을 이끌었지만, 계산 자원 부족과 요금·사용 제한 변화가 사용자 경험과 생태계 방향에 직접적인 영향을 주기 시작했다.

🕒 시간순 섹션별 상세정리

1. AI 도구 확산과 모델-하네스 선순환

• 2026년이 절반 가까이 지난 시점에 Claude Code, Codex, AI 프로그래밍, 에이전트 프로그래밍이 빠르게 확산되며 관련 워크플로와 실무 팁도 숨 가쁘게 공유되고 있다 [00:05]
• Claude Code와 Codex 활용은 기존 엔지니어 집단을 넘어 모든 지식노동자 계층으로 넓어졌고, 실제 업무 방식 안에 흡수되는 단계까지 도달했다 [00:34]

2. Google의 AI 워크플로 전략과 프런티어 모델 경쟁

• Google I/O를 앞두고 Gemini 3.5 Flash의 Arena 등장설과 Veo 4 발표 가능성이 거론되며, Google의 다음 모델과 제품 공개에 관심이 모인다 [01:12]
• Google은 Antigravity 이후 Codex와 Claude Code가 주도한 하네스 경쟁에 적극적으로 뛰어들지는 않았지만, AI Studio를 통해 몇 마디 지시만으로 결과물을 완성하는 워크플로를 지향하는 듯하다 [01:31]

3. 성능 상승, 출시 주기 단축, 컴퓨팅 인프라 확장

• Google 내부 훈련과 DeepMind 작업에 계산 자원이 많이 투입되면서 생산 환경에는 자원이 넉넉히 배분되지 않는다는 이야기가 있지만, 모델 성능 상승 자체는 분명하다 [03:34]
• GPT-5.4와 5.5 이후 AGI가 자주 언급되기 시작했고, 대부분의 지식노동 과제에서 모델 성능은 이미 매우 높은 수준에 도달했다 [04:03]

4. 성능 병목이 인간과 사용 정책으로 이동하는 흐름

• METR 기준으로 Mythos급 모델은 약 16.5시간 수준까지 올라왔고, 측정 방식에는 보완이 필요하지만 특정 영역에서 모델 성능은 여전히 J커브를 따라 상승하고 있다 [06:08]
• 더 많은 비용을 내면 더 빠르게 쓰는 fast mode가 등장하면서, 모델 사용의 핵심은 단순 성능이 아니라 대기 시간과 비용을 조정하는 문제로 바뀌고 있다 [06:33]

5. 메타 하네스의 안정화와 Claude Code 생태계의 압박

• 지난해 말부터 올해 초까지 Claude Code와 Codex 토큰을 얼마나 많이 쓰는지, Ralph loop처럼 엄격한 hook으로 task 완료까지 job을 계속 돌리는 메타 하네스가 유행했다 [07:56]
• oh-my-claude-code, oh-my-opencode, oh-my-codex 같은 oh-my 계열 메타 하네스의 장점은 Codex나 Claude Code의 기본 기능 안으로 점차 흡수되고 있다 [08:26]

6. Codex의 추격과 범용 workflow 도구화

• Codex는 빠르게 Claude Code를 따라잡고 있으며, OpenAI는 작년부터 computing resource에 크게 투자해 token 여유와 실행 환경에서 상대적으로 넉넉한 기반을 확보했다 [10:05]
• Codex의 token 한도는 weekly limit에 거의 닿기 어려울 만큼 크고, 실제 사용자는 한도를 모두 쓰기 어려울 정도의 작업 여력을 경험한다 [10:26]

7. agent 작업량 증가와 번아웃 압력

• 모델 성능과 harness 성능이 높아지면서 더 많은 일을 처리할 수 있게 됐지만, 그만큼 사람이 계속 일을 배분하고 확인해야 하는 부담도 커졌다 [11:36]
• Corca의 ace lead 휘동 사례에서는 과거 compute multiplier 논의가 120x 수준의 내부 dogfooding과 실험 생산라인으로 이어졌고, 제품화 전 단계에서도 회사 내부 효율이 빠르게 올라간다 [12:05]

8. 소프트웨어 제작 특권의 붕괴와 제품 대량생산

• 작년까지만 해도 소프트웨어 제작은 상당한 학습과 연습이 필요한 특권적 역량이었고, 엔지니어 수와 제품 구현력은 IT 사업을 시작할 수 있는지와 거의 같은 의미를 가졌다 [14:25]
• 투자금의 상당 부분은 엔지니어링과 제품팀 인건비로 들어갔고, 팀의 품질이 회사 가치로 연결되는 패러다임이 10년 이상 지배했다 [15:13]

9. 모델과 harness의 상품화, AI 애플리케이션 시대로의 전환

• 현재는 모델과 harness의 시대이지만, 모델과 harness 자체는 이미 상품화 단계에 가까워졌을 가능성이 있다 [17:25]
• 인터넷과 모바일 시대에는 인프라가 깔리고 안정화되며 가격이 내려간 뒤 애플리케이션 시대가 열렸고, 모바일에서는 Paper Toss나 Angry Birds 이후 Uber와 Airbnb 같은 대형 vertical이 산업화를 만들었다 [17:38]

10. AI 앱의 본질은 빠른 앱 제작이 아니라 workflow 전환

• 새로운 AI application은 기존 모바일 앱이나 웹 서비스를 단순히 더 빠르게 만드는 형태가 아니며, 핵심은 사용자의 workflow 자체가 바뀌는 데 있다 [19:18]
• 과거에는 서비스가 UX를 제공하고, 사람이 그 안에서 문제를 정의하고 flow를 찾아 도구로 해결했으며, 사용자는 직접 도구를 조작해야 했다 [19:31]

11. 앱이 아니라 workflow가 되는 AI 애플리케이션

• 상인이 팔아야 할 것은 제품 화면이 아니라 문제 해결 자체이며, AI 시대의 핵심 가치는 task completion으로 이동한다 [20:02]
• 새로운 UX가 반드시 대화형 인터페이스일 필요는 없지만, 자연어 인터페이스가 될 가능성은 높고, 사용자의 맥락을 보고 듣는 비서형 구조가 일을 처리한다 [20:15]

12. AI surface의 미확정성과 혼돈기

• AI surface는 ChatGPT식 대화창, 자연어 대화, 음성 인터페이스, Neuralink 같은 다른 형태까지 후보가 열려 있다 [21:40]
• OpenAI나 Google이 새로운 UX 형태를 명확히 제시하면 시장은 빠르게 따라갈 수 있지만, 아직 그 정의가 고정되지 않아 현재는 혼돈기에 가깝다 [22:06]

13. Codex형 super app과 기존 vertical의 충돌

• Codex는 일반 도구와 computation을 결합하면 쿠팡에서 물을 주문하는 일까지 처리할 수 있고, 이 위치는 여러 작업을 대신 수행하는 super app에 가깝다 [23:28]
• 기존 vertical의 의미는 “그럼에도 Codex에 맡기기 어려운 것”에서 다시 정의되며, tacit knowledge나 비즈니스 접점의 통제 문제가 함께 떠오른다 [23:49]

14. API 개방의 긴장과 기업별 agent 전략

• 쿠팡이 ChatGPT가 호출하기 쉬운 깨끗한 API로 모든 기능을 unbundle하면 ChatGPT의 실행 품질은 높아지지만, 그 순간 핵심 자산과 접점을 넘겨주는 문제가 생긴다 [25:01]
• 기업은 광고, 교차 추천, 미디어 영향력으로 비즈니스를 운영하기 때문에 범용 AI에 모든 것을 넘기는 순간 수익 구조와 고객 통제력이 약해진다 [25:19]

15. harness가 control layer가 되는 경쟁 구도

• 범용 ChatGPT 하나로 충분하다는 편의성과, 기업이 가진 데이터·도구·서비스 맥락에서 만들어지는 부가가치가 직접 경쟁한다 [26:47]
• 검색 시대의 vertical 웹 서비스, Apple·Android 시대의 App Store와 vertical 앱 경쟁이 AI 시대에도 같은 구조로 반복된다 [26:56]

16. 스타트업과 투자자의 playbook도 아직 형성 중

• AI로 사업을 만들려는 사람들은 meetup, funding, 신사업 흐름 속에 있지만, 대기업처럼 범용 AI와 차별화된 control layer 사이의 공식을 풀어야 한다 [28:52]
• 기업가와 투자자 모두 머릿속의 그림이 아직 완전히 잡히지 않았고, 스스로 정의하고 결정해 실행하기에는 peer belief가 부족하다 [29:19]

17. 기존 앱의 가치 하락과 vertical AI 애플리케이션의 조건

• 기존 UX 블록, 전통적 모바일 앱, 웹 앱을 다시 만드는 방식은 새 부가가치의 답이 아니며, 과거 사용자 경험을 전제로 한 애플리케이션의 의미는 빠르게 줄어든다 [30:00]
• 새 회사의 핵심은 하나의 harness가 되는 것이며, Codex와 구별되는 경쟁력은 독점적 사용자 접근권, 자체 데이터, 고유 tool set의 조합에서 나온다 [30:27]

18. AI 인재 논의로 넘어가는 전환과 재편된 조직 환경

• 기존 앱을 클릭하고 복제해 자기 서비스를 내놓는 방식은 초기 딥러닝의 MNIST 풀이처럼 연습 문제에 가깝고, 논의는 이런 문제를 실제로 풀 수 있는 사람의 형태로 이동한다 [32:07]
• 필요한 인재는 기존 기업 내부에서 정해진 업무를 수행하는 사람보다, 기업 외부에서 재편된 계약·팀·소규모 구조를 활용해 새 방식을 만드는 사람에 가깝다 [32:48]

19. 데이터와 디지털 전환 수준이 AI workflow 성패를 가른다

• 경영진과 구성원 모두 AI가 workflow를 다시 쓸 것이라는 인식은 갖고 있으며, 기존 업무를 더 빠르고 편하게 만들겠다는 목표도 비교적 분명해졌다 [33:16]
• 실제로 이를 깔끔하게 구현하는 회사는 드물고, 잘 되는 회사는 데이터가 정돈돼 있으며 digital transformation이 이미 끝나 Claude Code SDK나 Codex를 붙일 기반을 갖추고 있다 [33:40]

20. AI native와 AI assisted의 차이

• AI native는 사람의 도움이나 개입이 거의 없이 workflow가 끝나는 상태이고, AI assisted는 사람이 하던 일은 유지한 채 AI가 일부만 개선하는 상태다 [35:53]
• 많은 회사의 “AI native company” 구호는 실제로 AI assisted company에 가깝고, 전체 업무 100이 작은 단위로 쪼개진 뒤 일부 육체노동만 대체된다 [36:22]

21. 컨설팅 단가 하락과 workflow 재작성형 창업 기회

• 기존 회사를 AI native로 바꾸는 것보다 특정 프로세스를 AI native 방식으로 직접 수행하는 편이 더 빠르며, 외부 창업자가 기업 업무를 대신 AI native로 만들어 주겠다는 접근은 수익성부터 의심받는다 [37:32]
• AX 컨설팅이나 Forward Deployed Engineer 투입 사업은 단가가 높게 형성되기 어렵고, 의뢰자도 “AI가 도와주는데 왜 비싸야 하느냐”는 인식을 갖기 때문에 가격 압박이 커진다 [38:02]

22. AI 인재 기준은 모델·컴퓨트 경쟁 이해까지 확장된다

• 6개월 전에는 AI talent로 볼 수 있던 역량도 지금은 충분하지 않으며, 같은 수준의 사용자는 빠르게 늘어나고 있다 [40:00]
• AI 환경의 핵심 동력은 모델과 compute 경쟁이며, 범용 모델의 성능 성장과 실행 효율이 산업 전체의 판도를 흔든다 [40:17]

23. 자체 AI 서비스에는 frontier lab 수준의 추론 인프라가 필요하다

• Codex 같은 새 harness를 깔고 운영하려면, frontier lab이 inference cloud에 배포하는 수준의 infrastructure와 engineering skill이 바닥에 깔려 있어야 한다 [41:50]
• vLLM이나 SGLang을 단순히 설치하는 것으로는 충분하지 않고, 하드웨어 orchestration·운영 도구·workload별 최적 inference architecture가 함께 맞아야 한다 [42:14]

24. orchestration layer와 application layer가 AI 산업의 하단과 상단을 만든다

• Lablup 같은 회사는 orchestration 역량의 상단에 있고, 이런 workload 처리 경험은 AI infrastructure를 보는 중요한 기준이 된다 [43:03]
• 2000년대 초 Google의 BigTable·MapReduce·Borg 같은 분산 compute·storage infrastructure는 외부 open domain에서 Hadoop 등으로 따라잡히기까지 긴 시간이 걸렸다 [43:16]

25. 고객 문제와 AI 변화 타이밍을 맞추는 능력이 핵심 talent가 된다

• 택시 호출, 공장 생산 같은 문제는 단순 IT workflow와 다르며, AI application은 물리적·산업적 맥락까지 연결해야 한다 [44:32]
• 산업의 바닥에는 infrastructure가, 상단에는 application이 형성되고, 특정 비즈니스에서 목표 고객 문제와 빠르게 변하는 business cycle을 맞추는 사람이 AI talent가 된다 [44:50]

26. ChatGPT unbundling 이후에도 특화 서비스와 새로운 균형이 생긴다

• 지난 20년의 Web과 mobile은 Oracle 데이터베이스와 Web interface만으로도 가능했던 기능들이 B2B SaaS와 B2C application으로 분화한 과정이었다 [46:36]
• ChatGPT와 Codex가 모든 일을 할 수 있어도, ChatGPT를 unbundling한 각 분야의 서비스가 대량으로 등장할 가능성이 크다 [47:05]

27. AI native 전문가는 명확한 도메인 목표와 agent 협업을 결합한다

• AI를 많이 쓰고 harness를 직접 만들어보는 것은 필요조건에 가깝지만, 그것만으로 충분조건이 되지는 않는다 [48:17]
• 한 유형은 명확한 목표와 field knowledge를 갖고 AI를 끌고 가는 사람이며, 다른 유형은 목표 자체까지 모델에 delegation하며 meta optimization하는 사람이다 [48:33]

28. AI 기반 창업 인재의 두 갈래와 B2C·B2B 확산

• 신약 개발 파이프라인처럼 복잡한 영역에서는 기존에 도메인 지식과 시장 타이밍을 이해한 사람이 AI로 특정 고객 문제를 바꾸는 접근을 취한다 [50:02]
• 젊은 AI 활용 인재들은 생명공학·법률처럼 깊은 현장 축적이 필요한 영역보다 B2C 애플리케이션, 특히 캐릭터 챗 같은 제품에 더 많이 진입한다 [50:58]

29. AI 도구 숙련은 기본 조건이 되고 문제 선택 감각이 차별점이 된다

• 일부 창업자는 목표물을 정한 뒤 auto research와 Ralph loop를 결합하고, 암묵지라고 여겼던 부분까지 AI에 위임해 부족한 필드 지식을 빠르게 따라잡는다 [51:53]
• goal optimization까지 메타 레이어로 올려 AI가 목표를 찾게 만들면서, 개인의 부족한 지식보다 위임 구조와 반복 실행 속도가 더 중요한 역량으로 부상한다 [52:08]

30. 메타 목적 설정만으로 도메인 학습을 대체할 수 있는지의 한계

• 메타 레벨에서 목적성만 부여해 AI가 스스로 실행하게 하는 인재가, 깊은 도메인 학습 없이도 지속 가능한 성과를 낼 수 있는지가 쟁점이 된다 [53:14]
• longevity와 생명공학 학습에서는 기존 학부·대학원 커리큘럼을 처음부터 쌓는 대신, 이미 창업한 회사와 발표된 논문을 AI 루프에 넣어 최단 경로를 찾는 방식이 쓰인다 [53:46]

31. 업무 성과와 개인 성장 사이의 긴장

• B2C·B2B 애플리케이션 영역에서는 AI 위임만으로도 시스템과 사업을 굴리고 수익을 만드는 지속 가능성이 어느 정도 가능해 보인다 [56:06]
• 문제는 개인의 성장과 발전이며, AI로 대량의 일을 병렬 처리하고 context switching을 계속하면 인간의 두뇌가 학습을 내재화하기 어려워진다 [56:17]

32. AI psychosis, FOMO, 과몰입을 보상하는 시장 구조

• Karpathy는 Cursor에서 조심스럽게 Tab을 누르며 쓰던 방식에서 OpenClaw 이후 모든 것을 agent에 위임하는 방식으로 옮겨갔고, 도파민 폭발과 과몰입 상태를 psychosis로 표현했다 [57:26]
• 최근 psychosis라는 맥락은 실제로 일을 해낼 수는 있지만 정신 증상처럼 과도하게 몰입하고 빠져나오기 어려우며 사람을 소모시키는 상태를 가리킨다 [58:02]

33. 안정적 전문직 모델의 약화와 불확실성 대응 능력

• Anthropic식 인재상은 기본 역량 위에 혼돈을 즐기고 변화 속에서 버틸 수 있는 사람을 요구하며, P0 이슈가 하루 만에 더 큰 위기로 바뀌는 환경이 기준이 된다 [1:00:03]
• 기존의 좋은 직업은 안정적 직함, 반복 가능한 업무, 높은 보상을 결합한 구조였고, 의사·변호사처럼 진입 이후 일정한 루틴과 보장이 가능한 역할이 대표 사례가 된다 [1:00:30]

34. AI 위임의 확장과 구조적 붕괴 리스크

• PyDev OpenClaw의 Mario Zechner와 Mitchell Hashimoto 쪽 문제의식은 AI 개발 속도가 너무 빨라 유지보수 가능성과 검증 기준이 흔들리는 데 있다 [1:03:01]
• 테스트 커버리지가 있고 실행 가능하다는 사실만으로 충분하다는 태도는 위험하며, 겉으로는 돌아가도 전체 아키텍처 내부에서는 손상이 누적될 수 있다 [1:03:28]

35. 모델 신뢰와 AI 활용 능력의 필요성

• 모든 문제를 compute로 환원해 해결할 수 있다는 이상주의와 모델이 인간보다 강하다는 가정이 AI 위임의 핵심 전제가 된다 [1:04:53]
• Hashimoto나 Mario 같은 인물들은 AI를 거부하는 쪽이 아니라 적극적으로 활용하려는 사람들인데도 구조적 위험을 우려한다는 점에서, 단순한 반AI 논점과 구분된다 [1:05:10]

36. 주니어 교육 공백과 AI 기반 훈련장

• 주니어들이 실제 업무에서 학습 기회를 잃는 문제에 대해, AI가 엄격한 훈련장을 만들고 가상의 업무를 수행하게 한 뒤 일정 수준을 넘기면 위로 올리는 방식이 대안으로 떠오른다 [1:06:46]
• 실제 현장에는 필요하지 않은 과제라도 AI로 훈련용 업무를 구성하면, 주니어는 실무 투입 전 사고력과 판단력을 단계적으로 익힐 수 있다 [1:07:09]

37. AI 활용을 넘어 자기 학습 능력을 설계하는 방식

• Dwarkesh 사례에서는 젊은 나이에도 AI 활용 능력과 의식적 학습 태도가 함께 나타나며, 단순한 도구 사용을 넘어 사고에 부하를 주는 산출물을 만드는 것이 핵심이 된다 [1:07:40]
• Michael Nielsen의 조언은 글쓰기나 demanding artifact처럼 생각에 압력을 거는 작업이 학습을 다음 단계로 끌어올린다는 내용이며, 이는 AI 시대에도 자기 능력을 키우는 방식으로 작동한다 [1:08:14]

38. 사라지는 직무와 slow AI의 문제의식

• 복사나 단순 문서 처리처럼 보조적 성격의 직무는 공공기관처럼 고정성이 강한 곳이 아니면 기업 내부에서 계속 줄어드는 흐름에 놓인다 [1:10:03]
• slow AI 관점에서는 AI로 많은 일을 실행하거나 학습하더라도, 작업 단위가 개인의 마음과 인지가 소화할 수 있는 크기여야 한다는 원칙이 중요하다 [1:10:27]

39. AI 서비스의 급변과 자본의 분산 베팅

• 6개월 전이나 지난해 여름과 비교해도 AI 환경은 이미 크게 달라졌고, Google I/O 이후에는 새로운 형태의 스타트업이 더 많이 등장할 가능성이 크다 [1:11:22]
• Y Combinator 배치에서도 익숙한 일반 사업보다 각자의 방향으로 빠르게 뛰는 하위 카테고리가 늘어나며, AI 시장은 세분화된 실험장에 가까워진다 [1:11:42]

40. 빠른 성장 주기와 브랜드·유통의 중요성

• 과거에는 사업 성장에 10년 단위의 시간이 필요했지만, 지금은 몇 달 만에도 성과가 날 수 있어 바깥으로 빠르게 알려지려는 인센티브가 강해진다 [1:13:00]
• AI 시대의 사업은 연예계와 비슷한 흥행형 구조를 띠며, 인지도와 브랜드 가치가 시장 진입과 확산에서 더 큰 비중을 차지한다 [1:13:28]

41. 서브컬처 시장과 100회를 앞둔 변화 필요성

• 젊은 세대의 가치 기준은 좋은 집이나 좋은 차 같은 전통적 성공 표지에서 벗어나, 각자 커뮤니티를 만들고 그 안의 가치를 추구하는 방향으로 이동한다 [1:14:42]
• 서브컬처는 mainstream winner가 되지 못한 사람들의 주변부가 아니라 독립적인 세계가 되고 있으며, AI를 쓰지 않기로 한 사람들의 집단도 새로운 시장이 될 수 있다 [1:15:08]

🧾 결론

• 이 에피소드의 핵심은 AI 도구의 성능 향상이 곧바로 인간의 해방으로 이어지는 것이 아니라, 오히려 인간에게 더 빠른 판단, 더 많은 조율, 더 강한 학습 능력, 더 높은 불확실성 대응력을 요구한다는 점이다.
• Claude Code와 Codex로 대표되는 하네스와 에이전트형 워크플로는 소프트웨어 제작의 진입장벽을 크게 낮췄지만, 그 결과 “무언가를 만들 수 있다”는 사실 자체의 가치는 빠르게 하락하고 있다.
• 앞으로 중요한 것은 앱이나 기능을 만드는 능력보다, 고객이 실제로 해결하고 싶은 문제를 정의하고, AI가 실행 가능한 workflow로 바꾸며, 그 과정에서 데이터와 도구의 통제권을 확보하는 능력이다.
• AI psychosis라는 표현은 단순한 과장이 아니라, AI가 실제 성과를 만들어내기 때문에 더 빠져나오기 어려운 과몰입·FOMO·번아웃 구조를 설명하는 키워드로 제시된다.
• 다만 영상 속 논의에는 Google의 향후 발표, 특정 모델명, 기업별 컴퓨팅 자원 상황, 일부 매출 수치처럼 외부 검증이 필요한 내용도 포함되어 있으므로, 투자나 전략 판단에 활용할 때는 별도 확인이 필요하다.

📈 투자·시사 포인트

• 모델과 하네스가 점차 상품화된다면, 장기 가치는 범용 모델 자체보다 특정 고객 문제를 해결하는 vertical AI application, 고유 데이터, 독점적 tool set, workflow control layer를 가진 회사에 쌓일 가능성이 크다.
• 기존 모바일 앱·웹 앱을 단순히 AI로 다시 만드는 접근은 차별화가 약하며, 사용자의 intent를 받아 실제 문제 해결까지 완결하는 구조를 만들 수 있는지가 새로운 기업 가치의 기준이 된다.
• 기업 입장에서는 ChatGPT나 Codex 같은 범용 AI에 고객 접점과 실행권을 넘겨줄지, 자체 agent와 데이터·도구 통제권을 유지할지의 전략적 긴장이 커진다.
• AI 전환이 잘 되는 조직은 이미 데이터가 정돈되어 있고 디지털 전환 기반이 갖춰진 곳이며, 데이터가 Excel과 현장 수작업에 흩어져 있는 조직은 AI 도입보다 운영 구조 재설계가 선행 과제가 된다.
• 인재 시장에서는 단순 AI 도구 숙련보다 도메인 문제 감각, 빠른 학습 능력, 에이전트 orchestration, 불확실성 대응 능력, 브랜드와 distribution 역량이 더 중요한 차별점으로 부상한다.
• 검증 필요: 영상에서 언급된 특정 모델 출시 흐름, 기업별 컴퓨팅 자원 부족, 캐릭터 챗 매출, 엔지니어 보상 사례 등은 투자 판단에 직접 쓰기 전 별도 출처 확인이 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• Google I/O를 앞두고 언급된 Gemini 3.5 Flash의 Arena 등장설, Veo 4 발표 가능성은 영상 내에서 전망·관측으로 다뤄진 내용이므로 실제 발표 여부와 제품명은 별도 확인이 필요하다.
• OpenAI의 GPT-5.6, Anthropic의 Claude Mythos, GPT-5.4·5.5, GPT-5.2 sunset 등 모델명과 출시·운영 상태는 영상 발화 기준의 맥락으로 정리된 것이며, 공식 문서나 실제 서비스 상태와 대조가 필요하다.
• Anthropic의 계산 자원 부족, Opus 품질 저하, Claude Pro mode 제한 및 가격 개편은 영상에서 관측·체감·전언이 섞여 언급된 내용이므로 공식 공지와 사용자별 조건을 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

• Claude Code, Codex, OpenCode 등 현재 사용하는 AI 개발 도구의 실제 업무 적용 범위를 점검하고, 단순 자동화인지 workflow 재설계인지 구분해 기록한다.
• 반복적으로 agent에게 맡기는 업무 중 사람이 반드시 판단해야 하는 지점과 자동 위임 가능한 지점을 나눠, 검토 기준과 중단 기준을 정리한다.
• 조직 또는 개인 프로젝트에서 데이터가 어디에 흩어져 있는지 확인하고, Excel·문서·개별 파일에 갇힌 정보를 AI workflow에 연결 가능한 형태로 정리한다.
• AI 활용 시간이 과도하게 늘어나는지 점검하기 위해 하루 단위로 agent 실행 시간, 검토 시간, 휴식 시간을 분리해 추적한다.

❓ 열린 질문

• AI application의 최종 surface는 대화창, 음성 인터페이스, 디바이스, computer use 기반 super app 중 어떤 형태로 굳어질 것인가?
• 기업은 범용 AI에게 API와 도구를 열어 실행 품질을 높이는 편이 유리한가, 아니면 고객 접점과 데이터를 지키기 위해 자체 agent를 강화하는 편이 유리한가?
• AI native workflow는 기존 조직 내부에서 전환되는 방식이 더 빠를까, 아니면 외부 창업자가 기존 프로세스를 대체하는 방식이 더 빠를까?