a16z 베네딕트 에반스가 설명하는 AI의 현재 상태. 에이전트 코딩의 혁신, 모델 상품화, 소프트웨어의 미래까지 깊이 있는 분석.
AI가 1997년 인터넷처럼 느껴지는 이유: 베네딕트 에반스의 깊이 있는 통찰
실리콘밸리의 가장 영향력 있는 전략가 중 한 명인 베네딕트 에반스는 매년 그의 발표를 통해 기술 산업의 미래를 조망해왔습니다. 전 a16z 파트너이자 "AI가 세상을 먹어치운다"는 개념의 주창자인 그가 현재 AI의 상태를 어떻게 평가하는지 살펴봅시다.
핵심 요약
에이전트 코딩의 혁신: AI가 유용한 도구에서 진정으로 혁신적인 기술로 진화했으며, 특히 소프트웨어 개발 분야에서 명확한 제품-시장 적합성을 보이고 있습니다.
모델의 상품화 위험: 기초 모델(foundation model)과 챗봇은 최종 제품이 아니며, 실제 가치는 스택의 상위 계층으로 이동할 가능성이 높습니다.
공급-수요 불균형: 현재 AI 인프라에 대한 극심한 수요와 공급 부족으로 인한 가격 왜곡은 일시적이며, 결국 가격과 공급이 재조정될 것입니다.
미래의 불확실성: 지난 기술 혁명들과 달리 AI의 물리적 한계가 명확하지 않아, 무엇이 가능할지 완전히 예측하기 어렵습니다.
새로운 애플리케이션의 등장: 현재 코딩 분야에서의 성공이 다른 산업으로도 확산되면서 완전히 새로운 비즈니스 모델이 탄생할 것으로 예상됩니다.
AI가 1997년 인터넷처럼 느껴지는 이유
전례 없는 혁신의 초기 단계
베네딕트 에반스가 AI의 현 상태를 1997-98년의 인터넷이나 1970년대 후반의 초기 PC 시대와 비교하는 이유는 분명합니다. 이 시기들은 모두 "엄청나게 흥미롭지만 완전한 목적이 아직 명확하지 않으며 여전히 다듬어지고 있는" 특징을 공유합니다.
에이전트 코딩이 진정한 돌파구가 된 것은 매우 중요한 신호입니다. 지난 1년간 OpenAI와 Anthropic의 전략적 차이는 이를 분명히 보여줍니다. OpenAI는 초반에 "모든 것을 한 번에" 접근하다가 코딩 애플리케이션으로 초점을 좁혔고, Anthropic은 처음부터 코딩에 집중하여 성공했습니다. 이 전환점은 단순한 기술적 개선이 아니라 AI가 "유용함"에서 "변혁적"으로 진화했음을 의미합니다.
그러나 여전히 많은 근본적인 질문이 답을 기다리고 있습니다. 단일 지배적인 모델이 존재할 것인지, 모델이 스택의 상단에서 상당한 가치를 포착할 수 있을지, 소비자들이 이 기술을 일상생활에 어떻게 통합할지 같은 질문들이 그렇습니다. 이는 초기 인터넷 시대처럼 불확실성 속에서 진화하는 기술의 특징입니다.
기초 모델의 상품화와 가치의 이동
모델과 애플리케이션의 구조적 차이
베네딕트 에반스의 가장 흥미로운 주장 중 하나는 기초 모델이 최종 제품이 아니라는 것입니다. 이를 이해하기 위해 그는 네 가지 근본적인 구성 요소를 제시합니다.
첫째, 지속 가능한 차별화의 부재: 모델 간에 근본적인 차별화가 보이지 않습니다. 네트워크 효과나 전략적 지렛대가 없으며, 돈을 기꺼이 지출하는 의지 외에는 경쟁적 우위가 명확하지 않습니다. 이는 인스타그램, 유튜브, 구글 검색 같은 기존 플랫폼과 정반대입니다.
둘째, 챗봇의 제한된 역할: 현재의 챗봇 인터페이스는 V1 단계의 제한된 UI입니다. 어떤 상황에서는 탁월하지만, 대부분의 경우 추가적인 도구, 데이터, 설정, 제어, 그리고 적절한 사용자 인터페이스가 필요합니다. 이는 인디자인을 사용하는 사람과 만드는 사람이 다르고, 터보택스를 사용하는 사람과 설계하는 사람이 다르다는 점과 같습니다.
셋째, 엑셀 문제의 재현: 많은 회사가 거대한 스프레드시트에 의존하듯이, AI도 중간 공간에서 유사한 문제를 야기할 것입니다. 전용 소프트웨어가 필요한가, 수평적 소프트웨어인가, 수직적 소프트웨어인가 하는 의문이 계속됩니다. 그러나 모든 것을 한 도구로만 할 수는 없습니다.
넷째, 레버리지의 부재: 기초 모델은 하이퍼스케일러와 더 비슷해 보입니다. 경쟁 우위를 가질 수는 있지만, 스택의 더 위쪽에서는 레버리지나 네트워크 효과, 통제력을 갖지 못합니다. 이는 AWS와 같은 클라우드 서비스가 기저에 있으면서도 고객이 어떤 클라우드에 그 SaaS 제품이 있는지 알 필요가 없는 것과 같습니다.
과거 기술 전환과의 비교
이 패턴은 역사 속에서 반복되어 왔습니다. 칩 제조업체, ISP, 이동통신사들은 시간이 지나면서 상당한 가치를 포착하지 못했습니다. 대신 Windows와 iOS 같은 운영 체제가 가치를 지배했습니다. 모바일 네트워크는 총 1조 달러의 수익을 창출하지만, 모든 멋진 혁신은 다른 누군가에 의해 만들어졌습니다. 전화 회사들이 초기에 모바일 뱅킹까지 추진했던 이유는 자신들이 모든 흥미로운 신기술을 개발할 것이라고 믿었기 때문입니다.
지난 20년간 이들 통신사의 자본 지출은 거의 변동이 없었던 반면, 모든 가치는 기술 스택의 상위 계층으로 이동했습니다. 현재 Google, Meta, Amazon, Microsoft, Apple의 순이익을 합치면 전체 통신 산업의 순이익을 초과합니다. 이는 기초 모델 제공자에게 심각한 질문을 제기합니다: 모델이 전체 작업을 스스로 수행할 수 있을까요, 아니면 그 위에 수백 개의 애플리케이션이 구축되어야 할까요?
현재의 공급-수요 불균형과 미래의 가격 균형
극심한 희소성의 의미
에반스는 현재 AI 인프라 시장이 극심한 부족 상태에 있다고 지적합니다. 자본 부족으로 인해 AI 인프라에 연간 10조 달러를 지출하는 것은 불가능합니다. 이로 인한 공급 부족과 수요 증가는 가격을 왜곡하고 있습니다.
그러나 이러한 상황은 일시적입니다. 1조 달러 규모의 자본 투자가 진행 중이므로, 설비 투자의 증가로 인해 가격과 공급의 배수들은 움직일 것입니다. 이는 2009-2010년경의 모바일 데이터 위기와 유사합니다. 당시 예상치 못한 데이터 사용량으로 인해 갑자기 수천 달러의 요금 청구서를 받는 사람들이 있었고, 네트워크가 혼잡해졌습니다.
그 이후로 모바일 데이터 트래픽은 1,500배에서 2,000배 증가했습니다. 그러나 여전히 수요와 공급의 가격 균형에 도달했고, 전 세계 대부분의 지역에서 통신사 간에 살벌한 가격 전쟁이 벌어졌습니다. AI 토큰도 유사한 경로를 따를 가능성이 높습니다. 토큰에 대한 수요가 무한하다고 해서 다른 가격 균형에 도달할 수 없다는 의미는 아닙니다.
미래의 불확실성: 예측 불가능한 물리적 한계
이전 기술 혁명과의 결정적 차이
에반스가 강조하는 핵심 포인트는 이전의 기술 전환과 달리 AI는 예측 가능한 물리적 한계가 없다는 것입니다. 3G, 아이폰, 초기 웹 시대에는 다음에 무엇이 일어날지 알 수 없었지만, 물리적인 제약은 이해할 수 있었습니다.
1995년에는 통신사들이 다음 주에 전 세계 광대역망을 구축하지 않을 것이고, 소비자들이 하룻밤 사이에 3,000달러짜리 PC를 모두 구매하지 않을 것이라는 것을 알고 있었습니다. 그러나 생성형 AI에서는 그러한 명확한 한계가 없습니다.
이 녹음이 끝난 후 OpenAI가 획기적인 발전을 찾아내어 현재 가격의 2%에 불과한 새로운 모델을 출시했다는 알림을 받을 수도 있습니다. 어쩌면 가능성이 낮을 수도 있지만, 우리는 이 모델들이 얼마나 더 커지고, 좋아지고, 빨라지고, 저렴해질지 단순히 알지 못합니다. 이것은 근본적인 제약이 이해되었던 과거의 변화와는 상당히 다릅니다.
과거 기술 혁명으로부터의 교훈
역사는 우리에게 중요한 교훈을 제공합니다. 15년 전 기술 분야의 많은 똑똑한 사람들은 아이폰과 안드로이드를 또 다른 개방형 대 폐쇄형의 싸움으로 보았고, 아이폰의 종말을 예측했습니다. 그러나 그런 일은 일어나지 않았습니다. 이러한 역사적 비교는 이해하는 데 유용하지만, 예측적이지는 않습니다. 결과론적으로는 항상 명확합니다.
에반스가 최근 팟캐스트에서 받는 비판 중 하나는 "당신은 예측을 해야 하는데, 당신이 말하는 것은 '우리는 모른다'는 것뿐입니다"라는 것입니다. 이 비판에는 두 가지 결함이 있습니다. 첫째, 그는 구체적인 예측을 제시하는 경우가 많습니다. 예를 들어, 기초 모델이나 챗봇이 최종 제품이 아니며 가치가 스택의 더 위쪽으로 이동할 것이라고 예상합니다.
둘째, 기술 주기의 초기 단계에서는 여러 가지 경로가 가능합니다. 단일 결과를 예측하려는 시도는, 비록 맞을 수도 있지만, 내재된 불확실성과 기술이 나아갈 수 있는 수많은 방향을 간과하는 것입니다. 궁극적으로 S-곡선은 모바일에서 보았듯이 상승하고 좁아질 것입니다. 그러나 그 궤적이 명확해지기 전에는 불확실성의 시기가 있습니다.
AI가 다른 산업에 미칠 미래의 영향
소프트웨어 개발을 넘어 다른 분야로의 확산
에반스는 현재 코딩이 AI의 유일한 명확한 제품-시장 적합성을 가진 분야라고 지적합니다. 다른 분야의 적용 사례들은 여전히 제한적입니다. 실리콘밸리에서 맥 스튜디오 클러스터를 구매해 하루 종일 대규모 모델을 돌리는 사람들과, 일주일에 한 번 정도 특정 용도로 사용하며 어느 정도 유용하다고 느끼는 나머지 40%의 사람들 사이에는 분명한 격차가 존재합니다.
그러나 변화는 오고 있습니다. 예를 들어, 원자재 회사가 현금 흐름 예측을 개선하기 위해 대규모 언어 모델을 사용하려고 하는 경우, 이는 단순히 ChatGPT에게 이번 주 회의 요약을 요청하는 것과는 매우 다릅니다. 이는 깊은 산업 지식과 기술적 이해가 필요한 진정한 비즈니스 혁신입니다.
법률, 금융, 컨설팅 분야의 재구성
AI가 미칠 가장 큰 영향은 아마도 전문 서비스 산업에서 나타날 것입니다. 전통적인 피라미드 구조를 가진 법률 회사, 컨설팅 회사, 투자 은행에서 초급 직원이 하는 일의 상당 부분을 자동화할 수 있다면 어떻게 될까요?
에반스는 이것이 그들의 내부 채용 구조, 만들 수 있는 제품 유형, 그리고 마진 구조에 영향을 미칠 것이라고 예측합니다. 컨설턴트, 빅4, 빅3, 액센츄어, 대형 로펌과 광고 대행사에는 무엇을 의미할까요? 이러한 질문에 정확히 답하려면 해당 산업에 깊이 관여해야 합니다.
그는 "콘텐츠는 왕이 아니다"와 "넷플릭스는 기술 회사가 아니다"라는 그의 이전 글을 언급합니다. 요점은 넷플릭스가 전적으로 기술에 의해 가능해졌지만, 어떤 쇼를 만들지, 몇 개를 만들지, 어떤 종류로 만들지 같은 모든 중요한 결정은 근본적으로 샌프란시스코의 기술 질문이 아니라 로스앤젤레스의 미디어 산업 질문이라는 것입니다. 마찬가지로 AI가 법률 분야에 미치는 영향은 주로 변호사나 로펌이 어떻게 운영되는지, 실제로 무엇을 하는지에 대해 깊이 아는 사람들을 위한 질문입니다.
광고, 전자상거래, 추천의 혁신
LLM이 가능하게 하는 새로운 차원의 이해
AI가 가져올 또 다른 중요한 변화는 광고와 전자상거래 분야에서 나타날 것입니다. 현재 Google, Meta, Amazon은 제품을 SKU(재고 관리 코드)로 이해합니다. 그들은 게시자가 어떤 메타데이터를 입력했는지, 그리고 이 제품을 구매한 사람들이 어떤 다른 품목을 구매했는지 알고 있습니다. 그러나 사람들이 왜 그 제품을 구매하는지, 또는 이 제품들이 본질적으로 무엇인지 진정으로 이해하지 못합니다.
대규모 언어 모델을 사용하면 원칙적으로 이 제품들이 무엇인지, 사람들이 왜 구매하는지, 그리고 어떤 다른 것들을 구매하는지 알 수 있습니다. 이것이 Google과 Facebook의 광고 수치와 전환율이 분기마다 급증하는 이유입니다. 그들이 LLM을 광고 시스템, 추천 엔진, 예측 알고리즘에 통합하면서 더 관련성 높은 제품과 광고가 사용자에게 표시되어, 광고 수익이 급격히 증가하게 됩니다.
현재는 "이것을 구매한 사람들은 저것도 구매했습니다"라고 제안합니다. 그러나 곧 코트 사진을 보여주고 "이게 뭐죠? 어디서 살 수 있나요?"라고 물을 수 있을 것입니다. 10년 전에는 불가능했을 것이고, 5년 전에도 아마 안 됐을 것입니다. 이제는 가능해야 합니다. 더 나아가, 가격대가 다른 유사한 코트 10개를 추천해 달라고 요청하고, 어디서 구매할 수 있는지 알려주고, 장단점을 나열해 달라고 할 수도 있습니다.
그리고 더 나아가, "내 인스타그램을 보고 내 외모를 너무 많이 바꾸지 않으면서도 변화를 줄 수 있는 겨울 코트를 추천해 줘"라고 말할 수도 있습니다. 3년 전만 해도 이것은 공상 과학이었습니다. 이제는 "음, 아마 그런 것을 만들 수 있을 거야"라고 생각합니다. 컴퓨터가 아는 것, 자동화할 수 있는 것, 그리고 제안할 수 있는 것에서의 이러한 변화들은 매우 중요합니다.
AI와 소프트웨어 산업의 미래
기존 작업의 자동화를 넘어 새로운 가능성으로
새로운 기술이 등장하면 처음에는 기존의 것들을 "더 많이" 하게 됩니다. 더 많은 스프레드시트, 더 많은 파워포인트, 더 많은 이메일처럼요. 그러나 진정으로 중요한 변화는 단순히 기존의 것을 더 많이 하는 것이 아니라, 이전에는 불가능했던 완전히 새로운 것을 하는 것입니다.
에반스는 기업의 경우를 예로 듭니다. 모든 고객 Zoom 통화가 녹화되고, 모든 이메일 흐름이 Salesforce에 기록되며, 제품 사용에 대한 모든 원격 측정, 지표 및 분석이 이루어진다면, "이탈률을 개선하기 위해 가격을 어떻게 변경해야 할까요?"라고 물을 수 있습니다. 이는 단순히 콜센터 상호작용에 대한 감성 분석을 통해 불만 고객을 식별하도록 요청하는 것과는 매우 다릅니다.
이러한 시스템이 어떻게 작동하는지 생각해 보면, 현재는 통계적 상관관계 수준에서만 제안합니다. 하지만 LLM을 통합하면, 수행할 수 있는 분석의 추상화 수준에서 여러 가지 변화가 나타나게 됩니다.
새로운 기술로 기존의 것을 다시 만들려는 유혹과 함정
새로운 기술이 등장하면 사람들이 즉시 기존의 것을 그 기술로 다시 만들려고 생각하는 것이 전통적인 오류입니다. 예를 들어, 오픈 소스가 나왔을 때 사람들은 Office를 다시 만드는 것에 대해 이야기했습니다. 웹에서도 마찬가지였습니다. 그러나 새로운 기술로 기존의 것을 단순히 다시 만드는 것이 핵심이 아니라는 것이 밝혀졌습니다.
진정으로 흥미로운 것은 새로운 기술을 활용하여 완전히 다른 일을 하고, 이전에는 문제처럼 보이지도 않았던 문제들을 발견하는 것입니다. 벤처 캐피탈에서 수많은 투자 제안을 들으면서, 어떤 아이디어는 유용하게 들리고 어떤 아이디어는 잘 이해가 되지 않는 것을 보게 됩니다. 하지만 우주에 뻥 뚫린 구멍을 채워주는 희귀한 아이디어들도 있습니다. 이것이 바로 스타트업의 진정한 재미가 있는 부분입니다.
사람들은 이 새로운 기술인 AI를 사용하여, 심지어 문제를 겪고 있는 사람들조차 자신이 가지고 있다는 것을 깨닫지 못했던 문제들을 식별하고 해결할 것입니다. 우리가 본 모든 제안들을 고려해 볼 때, 그중 얼마나 많은 수가 업계에서 이미 인지하고 있던 문제에 관한 것이었을까요? 종종 답은 "사실, 그렇지 않다"입니다.
기업 소프트웨어의 구조 변화
SAP부터 엑셀까지, 그리고 AI의 위치
현재의 기업 소프트웨어 환경을 이해하려면 세 가지 범주로 나누어 생각해야 합니다.
첫째, 대규모 수평적 시스템: SAP 및 Workday와 같은 CRM, 자본 관리, 급여 등을 위한 엔터프라이즈 플랫폼입니다.
둘째, 수직 산업별 소프트웨어: 대기업들이 종종 수백 또는 수천 개를 보유하고 있는, 구매했거나 자체적으로 구축한 산업 특화 솔루션입니다.
셋째, 모호하고 즉흥적인 공간: 엑셀, 이메일, 공유 파일 시스템으로 이루어진 영역입니다.
이 범주들 사이에서 업무가 끊임없이 이동합니다. 원칙적으로 모든 SaaS 앱은 SAP나 엑셀로도 할 수 있었던 일을 수행합니다. 예를 들어, PWC와 같은 대기업이 매년 수천 명의 졸업생을 채용한다면, 전용 채용 소프트웨어를 가지고 있을 가능성이 높습니다. 하지만 연간 5명의 졸업생만 채용하는 소규모 회사라면, 전문 소프트웨어를 구매하는 것이 합리적이지 않기 때문에 이메일과 Google Sheet로 해당 프로세스를 관리할 것입니다.
이제 AI 시대에, Chat GPT가 이 그림에 어디에 들어맞는지가 문제입니다. LLM을 기존 도구 내의 기능으로 통합할까요, 아니면 스택의 맨 위에서 모든 것을 종합할까요? 답은 아마도 상황에 따라 둘 다일 것입니다.
지속되는 불확실성과 소프트웨어의 미래
실질적인 질문은 사람들이 사용하고 싶어 하는 것들 중에서 소프트웨어 개발이 아닌 것을 어떻게 만들 수 있을까 하는 것입니다. 물론 좋은 사업이죠. 하지만 그게 유일한 사업일까요?
만약 소프트웨어 산업을 더 생산적으로 만드는 데 수천억 달러가 든다고 칩시다. 좋습니다. 그런데 그 다음은요? 그건 아마 1조 달러의 가치가 있을 것입니다. 하지만 그 다음은요? 이를 어떻게 나머지 경제 분야, 다른 모든 사람들에게 확장할 수 있을까요?
이것이 사모펀드와 협력하고, 컨설팅 회사와 협력하는 것에 대한 대화가 나오는 이유입니다. 실제 회사를 운영하고 있다면 이 기술로 무엇을 해야 할지 알아내는 것이 사실 꽤 어렵습니다. 그래서 많은 기업이 베인, BCG, 맥킨지 같은 컨설팅 회사나 인포시스, 코그니전트, IBM, 액센츄어 같은 시스템 인테그레이터에 의존하게 될 것입니다.
자본 투자의 딜레마와 ROI 문제
과투자와 과소투자 사이의 긴장
마이크로소프트, Meta, Google과 같은 기업들이 올해 매출의 약 50%를 CAPEX에 지출할 것으로 예상되며, 총액은 약 7천억 달러에 달합니다. 이를 비교해 보면 자본 집약적인 것으로 알려진 전체 통신 산업은 매출의 약 15~20%를 CAPEX에 지출하며, 이는 대략 3천억 달러에 해당합니다. 글로벌 석유 및 가스 부문은 7천억 달러에서 1조 달러 사이를 지출합니다.
7천억 달러는 거대한 글로벌 인프라에 상당한 금액이지만, 여기에는 한계가 있습니다. 이 회사들이 내년에 단순히 그 금액을 1조 5천억 달러로 두 배 늘릴 수도 없고, 장기간 그러한 차입을 유지할 수도 없습니다. 이는 자본 가용성이 제약이 될 때 성장이 필연적으로 둔화될 것임을 시사합니다.
투자 수익률이 중요하고 자본 시장이 현재 이러한 성장을 기꺼이 지원하는 것처럼 보이지만, 물리적인 한계가 있습니다. 구글 CEO를 포함한 여러 리더들은 과소 투자의 위험이 과잉 투자보다 크다고 언급했습니다. 그러나 실제로 이 회사들이 감당할 수 있는 투자 규모는 제한적입니다.
초기 단계의 ROI 모호성
이는 1990년대 후반 인터넷 대역폭의 초기 시절과 유사하며, 당시에는 새로운 인프라의 정확한 가치를 수량화하기 어려웠습니다. 명확한 물리적 한계가 있으며, 영리한 분석가들이 이러한 추세에 숫자를 부여하려고 시도하지만, 이 초기 단계에서는 ROI의 정확한 수치가 다소 불분명합니다.
Deloitte나 연방준비제도와 같은 기관의 설문조사에 따르면, 지금까지 나타난 많은 이점들(예: 분석 개선, 고객 지원, 생산성 향상)은 재정적으로 측정하기 어렵다고 합니다. 이러한 이점들이 분명 가치가 있지만, 직접적인 수익 창출이나 비용 절감처럼 명확하게 수량화하기는 어렵습니다.
또 다른 해답은 소비자 잉여입니다. 분석에 일주일이 걸린다면 아마 한두 번만 할 것입니다. 하지만 분석에 10초가 걸린다면 50번을 할 수 있습니다. 그러나 이것이 더 많은 비용을 청구할 수 있다는 의미는 아닙니다.
모바일 인프라의 교훈과 AI의 미래
인프라 레이어가 가치를 포착하지 못하는 이유
에반스가 강조하는 중요한 교훈은 모바일 인프라 기업들의 경험입니다. 모바일 산업은 매우 크고 인프라에 많은 돈을 지출하며 매우 수익성이 높지만, 모든 멋진 혁신은 다른 누군가에 의해 만들어집니다.
모바일 네트워크는 총 1조 달러에 달하는 수익을 창출하며, 매년 약 2천억 달러를 자본 지출에 할당합니다. 이 수치는 지난 20년간 거의 변동이 없었으며, 모든 혁신적인 개발은 다른 주체들에 의해 이루어졌습니다. 초기 통신사들은 자신들이 모든 흥미로운 신기술을 개발할 것이라고 믿었으며, 심지어 모바일 뱅킹까지 추진하기 위해 은행 라이선스를 취득했습니다.
하지만 핵심 문제는 이 회사들이 놀랍도록 정교하고 값비싼 글로벌 인프라를 구축했고, 사용량은 지속적으로 엄청나게 증가했다는 점입니다. 이 인프라는 우리의 삶을 변화시켰지만, 결국 그들은 이로부터 이익을 얻는 데 실패했습니다. 모든 가치는 기술 스택의 더 상위 계층으로 이동했습니다.
구글의 순이익이 약 500억 달러였던 반면, 전체 통신 산업의 순이익을 합친 것과 비교하면 Google, Meta, Amazon, Microsoft, Apple의 순이익 합계가 전체 통신 산업을 능가합니다. 이는 기초 모델 제공자에게 심각한 경고입니다.
AI의 최종 모습: 마법이 될 것
20년 후의 AI에 대한 우리의 인식
에반스의 발표의 가장 인상적인 부분은 그의 결론입니다. 그는 AI의 최종 모습이 어떨 것인지에 대해 이렇게 설명합니다.
지금 우리가 한 시간 동안 이 통화를 하고 있는데 컴퓨터가 멈추지 않았다는 것을 생각해보세요. 우리는 서로에게 HD 비디오를 스트리밍하고 있고, '음, 당연히 작동하지'라고 생각합니다. 사실 그는 아이폰으로도 이를 하고 있으며, 아이폰이 Wi-Fi를 통해 Mac으로 스트리밍하고 있고, 여기서 비디오를 스트리밍하는데, 그저 작동합니다.
그리고 우리는 더 이상 그것을 알아차리지 못합니다. 이것이 AI가 어떻게 끝날지에 대한 한 줄 요약입니다. 그것은 마법이 될 것이고, 20년 후에는 우리는 그저 '음, 당연히 그래야지'라고 말할 것입니다. 컴퓨터는 항상 그렇게 해왔습니다.
이전 세대는 컴퓨터가 멈춰서 플러그를 뽑고 재부팅해야 했던 시절을 기억합니다. 또는 80년대에 300달러짜리 사운드 카드를 사서 주말 내내 씨름하며 작동하게 만들었던 경험을 기억합니다. 초기 인터넷도 플로피 디스크에서 TCP/IP를 설치해야 했고, 느리고 기능도 제한적이었습니다.
우리는 현재 AI와 함께 바로 그 단계에 있습니다. 어떤 애플리케이션이 성공할지, 모든 것이 어떻게 통합될지 항상 명확하지 않습니다. 흥미로운 가능성과 무언가를 기능적으로 만들기 위해 필요한 노력, 그리고 단순히 버튼을 눌러 작동하게 하는 것 사이에는 격차가 존재합니다.
하지만 궁극적으로 우리는 이 기술의 모든 측면을 이해하게 되고, 우리가 무언가를 완전히 이해하게 되면, 다음 미지의 영역으로 나아갈 때라는 것을 알게 됩니다. 우리는 아직 답이 발견되지 않은 영역을 끊임없이 찾아야 합니다.
결론
베네딕트 에반스의 분석은 AI 기술의 현재 상황을 매우 균형잡힌 관점에서 제시합니다. 에이전트 코딩이 실제로 작동하기 시작했다는 사실은 AI가 이론적 흥미에서 실제 응용으로 전환했음을 의미합니다. 그러나 동시에 우리는 여전히 초기 단계에 있으며, 많은 근본적인 질문들이 답을 기다리고 있습니다.
기초 모델이 상품화될 가능성, 현재의 공급-수요 불균형이 일시적일 가능성, 그리고 미래의 실제 가치가 스택의 상위 계층에서 포착될 가능성은 모두 과거의 기술 전환에서 우리가 본 패턴과 일치합니다. 그럼에도 불구하고 AI의 물리적 한계가 명확하지 않다는 사실은 이번 혁명을 특별하게 만듭니다.
최종적으로, AI는 마법이 될 것입니다. 20년 후에는 컴퓨터가 모든 것을 처리하는 것이 당연하게 여겨질 것입니다. 그 과정에서 일부 회사는 번영하고 일부는 사라질 것입니다. 새로운 비즈니스 모델이 등장하고 기존의 것들이 재구성될 것입니다. 하지만 가장 중요한 것은 이 여정 자체가 우리의 세상을 근본적으로 변화시킬 것이라는 점입니다.
Original source: Why AI Feels Like the Internet in 1997 | Benedict Evans on a16z
powered by osmu.app