AI 활용 vs. AI 중심 구축: 경계는 어디인가?

우리는 AI라는 단어를 브라우저에서 ChatGPT와 대화하는 것부터 언어 모델 없이는 현재 형태로는 운영이 불가능할 정도로 전체 비즈니스를 운영하는 것까지 다양한 상황을 설명하는 데 사용합니다. AI 자동화를 활용하는 것과 AI가 비즈니스의 핵심이 되는 것 사이의 경계는 어디일까요? 언제 근본적인 전환이 일어나는 걸까요? 그리고 가장 중요한 것은, 기업이 AI를 중심에 두기 위해 노력해야 할까요?

비즈니스가 AI‑네이티브가 되는 시점은 언제인가?

오늘날 경영진이 AI 전환을 공식적으로 발표하지 않았더라도, 직원들은 이미 Gemini로 정보를 검색하고, ChatGPT로 이메일을 작성하고, Grok으로 보고서를 준비하고, Claude로 코드를 작성하는 등 다양한 LLM 도구를 사용하고 있습니다. LLM 도구에 대한 접근성이 너무 널리 퍼져버려, 단순히 이를 사용한다는 사실만으로는 기업 자체에 대해 많은 것을 알 수 없게 되었습니다.

저에게는 훨씬 간단한 테스트가 있습니다: AI를 끄면 어떻게 될까요?

예를 들어 회계 소프트웨어 회사를 생각해 보세요. 그 개발자들은 AI를 사용해 기능을 작성하거나 제품을 유지보수할 수 있습니다. 내일 그 도구들을 끈다면 엔지니어들은 아마도 작업 속도가 느려질 것입니다. 하지만 소프트웨어는 여전히 존재하고, 회계사들은 계속 사용하며, 고객들은 계속 비용을 지불합니다. AI는 회사 운영 방식을 개선하지만, 비즈니스 자체가 AI에 의존하는 것은 아닙니다.

이제 한때 만 명의 직원이 근무하던 은행 콜센터를 상상해 보세요. 그 환경에서 최초 세대 AI는 운영자 옆에 앉은 프롬프터처럼 거의 작동했습니다: 대화를 듣고, 문제를 이해하며, 답변을 제시했습니다. 많은 경우, 그 프롬프터는 이제 에이전트 자체가 되었습니다. 고객이 잘못 청구되었다고 말하면, 시스템이 기록을 확인하고, 관련 데이터를 검토하며, 문제를 식별하고, 때로는 사람을 개입시키지 않고 해결합니다. 인간은 사례가 에스컬레이션이 필요할 때만 개입합니다.

이는 기술과의 관계가 크게 다릅니다. 회계 회사는 AI 없이는 효율성이 떨어집니다. 콜센터는 운영 모델의 큰 부분을 재구축해야 할 수도 있습니다. 이러한 차이가 바로 제가 AI‑네이티브라고 부르는 개념에 더 가깝습니다. 이는 기업이 보유한 AI 구독 수나 홈페이지에 ‘AI’가 표시되는지와는 별개입니다.

이 현상이 가장 두드러지는 곳은 어디인가?

일부 기업은 다른 기업이 전환하도록 돕는 비즈니스를 구축했습니다. Cohere는 좋은 예입니다: 캐나다 기업인 이 회사는 전통적인 소프트웨어와 워크플로우에서 AI로 전환하도록 기업을 지원함으로써 주요 사업으로 성장했습니다. 그러나 다른 산업에서는 AI가 제품에 이미 너무 깊게 내재되어 있어 두 요소를 거의 분리할 수 없습니다.

자율주행은 아마도 가장 명확한 사례일 것입니다. 차량이 도로를 보고, 물체를 인식하고, 주변 상황을 이해하며, 스스로 판단해야 한다면, AI를 제거하면 제품의 기본 개념 자체가 사라지게 됩니다.

의료 및 제약 분야도 다른 방식으로 같은 점을 강조합니다, 특히 약물 발견 분야에서 그렇습니다. 규모 면에서 이것이 의미하는 바를 가장 잘 보여주는 사례 중 하나는 DeepMind의 단백질 구조 연구입니다.

Protein Data Bank는 1971년에 설립되었으며, 전 세계 과학자들의 수십 년에 걸친 노력으로 실험적으로 결정된 구조의 방대한 컬렉션을 구축했습니다. 데이터베이스는 1993년에 1,000개, 2000년경에 10,000개, 2014년에 100,000개의 구조를 기록했습니다. 2023년 1월까지는 200,000개의 실험적으로 결정된 생체분자 구조를 넘었습니다. 다시 말해, 약 60년간의 구조생물학 연구 끝에 연구자들은 약 20만 개에 달하는 실험적으로 결정된 구조를 축적한 것입니다.

그 뒤에 등장한 AlphaFold는 DeepMind의 단백질 아미노산 서열로부터 3차원 구조를 예측하는 시스템입니다. 2022년에 AlphaFold는 200 백만개의 예측된 단백질 구조를 공개했으며, 당시 과학계에 기록된 거의 모든 단백질을 포괄했습니다. 이는 AI가 존재하는 모든 단백질을 ‘발견’했다는 의미는 아닙니다. 이미 알려진 아미노산 서열을 기반으로 예측된 구조이기 때문입니다. 그러나 규모의 차이는 여전히 거대합니다.

그 변화의 중요성은 2024년에 더욱 명확해졌습니다. Google DeepMind의 Demis Hassabis와 John Jumper가 ‘단백질 구조 예측’ 공로로 노벨 화학상을 절반 받았고, 나머지 절반은 David Baker가 계산 단백질 설계 공로로 받았습니다. 몇 년 전만 해도 인상적인 AI 돌파구로 여겨졌던 것이 현대 생물학의 근본적인 진보로 빠르게 인정받게 된 것입니다.

DeepMind는 전 세계적으로 주목받는 사례이지만, AI‑우선 의료 스타트업은 이제 드물지 않습니다. 제가 Keymakr에서 근무하던 시절, 우리 팀은 프로젝트에 참여했습니다—치과, 초음파 영상부터 중재적 심장학까지 다양했으며, 모델은 시술 중에 심장 판막, 대동맥 및 기타 구조를 감지하도록 훈련되었습니다. 또한 신경외과 프로젝트에서는 모델이 뇌 조직, 혈관, 수술 기구 및 수술 부위를 구분하도록 학습했습니다. 이러한 모든 경우에서 AI는 제품에 추가된 부가 기능이 아니라 제품 자체였습니다. 

단백질 구조에서 콜드 이메일까지

같은 현상이 비즈니스의 훨씬 더 일상적인 영역에서도 일어나고 있습니다. 영업과 마케팅은 아마도 가장 빠르게 변화하는 사례 중 하나일 것입니다: 이전에 몇 시간이 걸리던 작업이 이제는 아주 적은 추가 노력으로 수백 번, 수천 번 반복될 수 있습니다.

CRM, 캠페인, 잠재고객 발굴 및 리드 조사 작업이 언어 모델을 중심으로 구축되고 있습니다. 우리는 이미 ChatGPT에게 콜드 이메일을 쓰게 하는 단계는 훨씬 지나갔습니다. 시스템은 누군가의 LinkedIn 프로필을 살펴보고, 그들이 무엇을 하는지, 무엇에 관심이 있는지, 어떤 내용을 게시했는지를 파악한 뒤, 그 정보를 활용해 매우 개인적인 느낌의 문장을 작성할 수 있습니다.

한 번은 다음과 같은 메시지를 받았습니다: “Michael, 4,000피트 고도에서 날아가며 유리를 통해 밖을 보는 건 정말 놀라운 일일 거야…” 이 메시지는 소셜 미디어에 올린 제 항공 이야기를 언급한 것이었습니다. 처음에는 누군가 실제로 제 LinkedIn 프로필을 자세히 살펴본 것이라고 생각했죠. 물론, 그런 일은 없었습니다. 시스템이 정보를 찾아 자동으로 아웃리치를 생성한 것이었습니다.

여기서 개인화의 경제학이 변하기 시작합니다. 한때 사람이 오랜 시간을 들여야 했던 연구가 이제는 공개 정보를 스캔하고 관련 세부 정보를 식별하는 도구의 도움을 받을 수 있습니다. 그런 뒤 인간이 실제로 유용하고 적절하며 포함할 가치가 있는지를 판단하게 됩니다.

나는 같은 변화를 Keymakr, 비록 우리에게는 인간 판단이나 관계를 자동화하는 것이 목표가 아니었습니다. 나는 사람들에게 일상 업무의 반복적인 부분을 살펴보고, 에이전트가 어디에서 시간을 절약하고, 일관성을 높이며, 더 큰 규모로 작업하도록 도울 수 있는지를 물어보도록 지속적으로 격려했습니다. 

에서 Scryon, 우리는 이미 그 논리를 회사에 내재화한 상태에서 시작했습니다. 마케팅 작업의 대부분은 기사, 블로그, LinkedIn, 웹사이트 전반에 걸쳐 여러 에이전트가 담당합니다.

흥미로운 점은 그들의 가장 큰 장점이 종종 글쓰기 자체가 아니라는 것입니다. 웹사이트에 새로운 페이지 20개를 추가한다고 가정해 보세요. 새 글을 쓰는 사람은 아마 몇 개의 내부 링크만 추가할 것입니다. 거의 아무도 80개 혹은 800개의 기존 콘텐츠를 다시 살펴보며 새로운 페이지가 어디에 링크되어야 하는지를 확인하지 않을 것입니다. 에이전트는 할 수 있습니다. 이런 작업에서는 에이전트가 사람보다 더 똑똑할 필요가 없습니다. 단지 지루해하지 않을 뿐이며, 80페이지와 800페이지 사이의 차이는 우리에게는 큰 의미이지만 에이전트에게는 그다지 중요하지 않습니다.

하지만 여기서 자동화는 나에게 한계에 도달합니다. 좋은 PR은 단순히 에이전트에게 맡겨두고 잊어버릴 수 없습니다. 의견 기사 역시 마찬가지로, 포지셔닝, 청중 이해, 그리고 무엇을 말할지 결정하는 능력이 핵심입니다.

따라서 꽤 복잡한 에이전트 시스템을 구축하더라도, 이를 운영할 사람은 여전히 필요합니다. 누군가가 결과물을 판단하고, 무엇이 중요한지 결정하며, 방향을 설정해야 합니다.

창업자를 자동화할 수 있나요?

초기 단계 스타트업에서는 창업자가 기술, 운영, 경영을 모두 겸하는 경우가 많습니다. 그래서 자연스럽게 이런 생각이 듭니다: 에이전트가 팀의 많은 업무를 대신할 수 있다면, 창업자의 역할 일부도 맡겨볼 수 있지 않을까?

나는 Scryon Business에 연결된 별도의 에이전트를 가지고 있으며, 이 에이전트는 회사에 대해 많은 정보를 알고 있습니다. “다음 달에 5,000명의 사용자를 확보하고 싶다”와 같은 질문을 할 수 있습니다. 이것이 현실적인가, 아니면 내가 만든 멋진 숫자에 불과한가요?

이 에이전트는 데이터를 끌어오고, 시장을 살펴보며, 경쟁사와 연계 시스템을 확인한 뒤, 5,000명은 아마도 과도하고 이 단계에서는 2,000명조차도 공격적이라고 답합니다. 이는 내 생각을 검증하는 데 도움이 됩니다. 하지만 에이전트는 여전히 조언을 제공하고 있습니다.

결정은 여전히 나에게 달려 있습니다. 모든 데이터와 계산을 마친 뒤에도, 때때로 나는 밖으로 나가 공원을 거닐며 회사를 어디로 이끌고 싶은지 스스로 결정해야 합니다.

내게 진정한 업무 분산은 누군가에게 소유권을 넘겨주고, “이건 네가 맡아”라고 말한 뒤 한 달 뒤에 내가 없어도 계속 작동하고 있음을 확인할 때 시작됩니다. 현재 창업자 역할에서는 그런 모습을 보지 못하고 있습니다.

C‑레벨 역할에도 동일하게 적용됩니다. 이들의 업무는 방향을 설정하는 것으로, 예를 들어 6개월 후에 자동차 시장에 진입하거나 업계 사람들이 브랜드를 알게 하고 싶다고 합니다. 그런 뒤 부사장, 팀장, 팀 리드가 이를 구체적인 목표와 작업으로 전환합니다.

AI 툴킷: 개인 및 기업 비용

나는 하나의 “최고” 모델을 믿지는 않습니다. 나는 특정 작업에 가장 적합한 모델이 무엇인지, 그리고 대규모로 사용할 때 비용이 얼마인지에 더 관심이 있습니다. 나는 종종 코덱스를 코딩에 사용하고, 필요에 따라 모델을 교체합니다. 어떤 날은 디자인을 위해 Claude를 시도하고, 다른 날은 언어 관련 작업을 위해 ChatGPT로 전환합니다. 이러한 선택은 월별로, 때로는 작업 중에도 바뀝니다.

궁극적으로, 모든 사람은 시간이 지나면서 자신만의 스택을 구축하고, 특정 목표에 최적화된 모델을 판단합니다. 스스로 코딩을 많이 하는 기술 창업자라면 월 약 $1,000 정도를 자신의 스택에 투자할 것으로 예상합니다. 하지만 자동화를 훨씬 적극적으로 진행해 월 $10,000–15,000을 쓰는 사람들도 알고 있습니다.

AI가 핵심 비즈니스의 일부가 되면 숫자는 다시 변합니다. Scryon과 함께라면, 매출의 30~40%가 제품이 운영되는 인프라와 서비스에 직접 들어갈 수 있다는 생각이 편합니다, 이를 구축하는 인력을 계산하기 전에도 말이죠.

먼저 비즈니스 목표, 그 다음 기술

자동화 경쟁과 “AI 기업”이라는 라벨 속에서, “어떤 종류의 AI를 구현해야 할까?”라는 질문 자체가 위험하다고 생각합니다. 잘못된 출발점에서 시작하고 있기 때문이죠.

우리는 최근에 비교적 일반적인 비즈니스 목표인 비용 절감을 설정했습니다. 이를 위해 에이전트를 만들고, Amazon, Google 등 회사가 비용을 지출하고 있는 곳에 대한 정보를 접근하도록 허용했으며, 정기적으로 이상 징후를 찾아보고 이상이 발견되면 경고를 띄우도록 요청했습니다.

첫 주만에 시스템이 우리가 거의 잊고 있던 지출 항목을 빠르게 보여주면서 비용을 약 30% 절감했습니다. 에이전트 자체는 월 $50 정도에 불과하지만, 절감액은 수만 달러에 이를 수 있습니다.

Keymakr에서는 AI가 주로 사람과 개별 프로세스를 강화했습니다. Scryon에서는 이미 회사 아키텍처에 내재되어 있습니다. 자율주행에서는 AI 없이는 제품이 사라지고, 신약 탐색에서는 탐색 범위를 변화시킵니다.

저에게는 근본적인 목표를 묻는 것이 AI 네이티브 기업이 되고자 하는 욕구보다 훨씬 건전한 출발점입니다. 먼저 비즈니스 목표가 명확해져야 합니다: 매출 증대, 빠른 확장, 비용 절감, 새로운 제품 구현, 혹은 기존 프로세스의 급진적 변화 등. 그런 뒤에야 어떤 기술이 목표 달성에 적합한지 고민하는 것이 의미가 있습니다.