남들이 믿기 전의 진실에 투자하라 — 알렉산더 왕의 AI 창업과 미래 전략

URL: https://www.youtube.com/watch?v=7SwnJcTMews 날짜: 2026-08-14 채널: B_ZCF 원문 제목: 돈 벌려면 남들 하는거 하지마라 (알렉산더 왕)

---

📌 핵심 질문 / AI 시대에 돈과 영향력을 만드는 사람은 무엇이 다른가

==남들이 아직 동의하지 않는 세계의 진실을 먼저 찾아내고, 그 진실이 합의가 될 때까지 자기 나침반과 확신으로 구축하는 사람이 큰 기회를 차지한다.== AI가 지능과 실행력을 풍부하게 만들수록 희소한 자원은 지능 자체가 아니라 미래에 대한 비전, 야망, 그리고 그 비전을 현실로 밀어붙이는 추진력이 된다.

• Scale AI는 대규모 언어 모델이 유행하기 전, 모델 학습에 필요한 세 요소 가운데 데이터만 버튼 한 번으로 얻을 수 없다는 단순한 관찰에서 출발했다.
• AI 모델이 오늘 수준에서 더 이상 발전하지 않아도 기술 확산과 사회 적응만으로 수십 년의 경제적 격변이 일어난다.
• 에이전트가 기존 기업의 업무를 자동화하면 스타트업도 거대 기업에 맞설 수 있는 자원을 갖게 되고, 개인별 초지능과 사업 에이전트가 결합하면 창업과 창의성이 폭발한다.
• 장기적으로 지능과 주체성은 풍부해지고, 오히려 어떤 미래를 만들 것인지 정하는 철학적 비전과 그 일을 끝까지 추진할 야망이 병목이 된다.

알렉산더 왕은 자신의 창업 경험, Meta에서 프론티어 AI 연구소를 만드는 과정, 개인 초지능과 에이전트 생태계에 대한 관점, 그리고 18살의 자신에게 보내는 조언을 연결한다. 실용적인 결론은 유행을 좇아 사업을 시작하지 말고, 직접 검증한 근본 원리에서 비합의적 신념을 세운 뒤 가장 가파르고 오래 지속될 지수적 성장 곡선에 올라타라는 것이다.

1. 알렉산더 왕의 출발점과 Scale AI의 탄생

로스앨러모스에서 수학·컴퓨터 과학을 좋아하던 학생이 실제 기업의 작동 방식을 경험하고, MIT에서 모델을 직접 훈련하면서 데이터라는 구조적 공백을 발견했다.

1.1. 로스앨러모스에서 실리콘밸리까지

1. 큰일을 하고 싶었지만 정해진 경로는 없었다

   1. 알렉산더 왕은 뉴멕시코주 로스앨러모스에서 자랐다. 훗날 영화와 역사 속 오펜하이머로 유명해졌지만, 그가 성장할 당시에는 정말 외딴 곳이었다.
   2. 수학 경시대회와 컴퓨터 과학 경시대회에 여러 번 참가했고, 자신이 정말 큰일을 하고 싶다는 감각은 있었지만 정확히 어떤 길을 택해야 할지는 알지 못했다.
   3. 프로그래밍에 깊이 빠져 있던 친구가 중요한 영향을 주었다. 그 친구는 고등학교를 졸업한 뒤 실리콘밸리에서 인턴으로 일했고, 첫 인턴십은 Palantir로 기억된다.

2. 고등학교 졸업 뒤 회사에서 먼저 배웠다

   1. 알렉산더 왕은 고등학교를 마친 뒤 실리콘밸리의 Kora에서 일했다.
   2. Kora에서 일하기 위해 1년을 휴학했고, 19살 무렵 그곳에서 일했다. 회사가 실제로 어떻게 움직이는지 교실 밖에서 배운 시기였다.
   3. 18살에 MIT에 들어갔고, 19살에 Scale을 시작했다. 17살부터 19살까지는 하고 싶은 일이 계속 바뀌고 주변 사람들에게 끊임없이 배우던 시기였다.
   4. 그 시기의 배움은 소방호스에서 쏟아지는 물을 계속 마시는 것처럼 느껴졌다. 짧은 기간에 환경·관심사·기술·진로가 모두 빠르게 변했다.

1.2. 회사 경험과 MIT가 준 두 가지 기반

1. 회사에서 일해본 경험은 창업의 기초가 됐다

   1. 회사 밖에만 있으면 회사가 어떻게 작동하는지 알기 어렵다. 실제로 무언가를 만든다는 것이 어떤 일인지, 만든 것을 반복해서 개선한다는 것이 어떤 일인지 체감할 수 없다.
   2. 여러 사람이 모여 결정을 내리는 방식도 외부에서는 알기 어렵다. 제품 제작, 반복 개선, 조직 의사결정은 창업자가 책으로만 익히기 힘든 실전 감각이다.
   3. 그래서 사업을 시작하기 전에 회사 안에서 실제 업무와 의사결정을 경험한 것이 매우 중요했다.

2. MIT는 관심 분야를 탐색하고 Scale의 씨앗을 찾게 했다

   1. MIT는 무엇이 흥미로운지 자유롭게 탐색할 기회를 제공했다.
   2. 알렉산더 왕은 MIT에서 처음으로 모델을 직접 훈련했다.
   3. 그해 막 나온 TensorFlow를 가지고 실험하면서 모델과 컴퓨팅, 데이터가 어떻게 확장될 수 있는지 고민했고, 결국 Scale이라는 사업 아이디어를 떠올렸다.
   4. MIT에 1년 다닌 뒤 Y Combinator(YC)에 지원했다. 합격은 당시 자신에게 기적처럼 느껴졌다.

3. YC는 지지와 냉정함을 함께 제공했다

   1. YC는 창업자의 성공을 진심으로 바라는 만큼 매우 지지적이다.
   2. 동시에 사업에 대해 현실적인 조언을 하고, 창업자가 어리석은 행동을 하면 그것을 직접 지적한다.
   3. 따뜻한 격려만으로는 부족하고, 현실을 직시하게 만드는 피드백도 모든 사람에게 필요하다는 것이 알렉산더 왕의 평가다.

1.3. 데이터라는 단순한 문제에서 Scale의 첫 시장까지

1. Scale의 처음과 현재는 달랐다

   1. 알렉산더 왕은 Jared Friedman과 함께 Scale을 시작했지만, 처음부터 지금의 Scale과 같은 사업을 생각한 것은 아니었다.
   2. 당시에는 데이터를 판매한다는 발상 자체가 널리 알려지지 않았다.
   3. 대규모 언어 모델도 아직 전면에 등장하지 않았고, 자율주행차와 컴퓨터 비전이 막 주목받기 시작한 시기였다.
   4. 따라서 자율주행과 컴퓨터 비전이 Scale의 첫 번째 시장이 됐다.

2. 모델을 훈련하는 데 필요한 세 가지

   1. MIT에서 여러 종류의 모델을 훈련하는 프로젝트를 진행했다. 당시 모델은 오늘날과 비교하면 작은 장난감 모형에 가까웠다.
   2. 첫째는 GCP 계정이었다. 클라우드 서비스 계정이 있어야 컴퓨팅 자원을 얻을 수 있었다.
   3. 둘째는 실제 학습을 실행할 코드였다. 모델을 훈련하려면 코드가 실행되어야 했다.
   4. 셋째는 데이터 세트였다. 모델을 학습시키려면 적절한 데이터가 필요했다.
   5. 이 세 가지 가운데 GCP 계정과 코드는 온라인에서 버튼 하나를 누르면 얻을 수 있었다.
   6. 하지만 데이터만큼은 모델 훈련에 사용할 수 있는 것을 효과적으로 구할 방법이 없었다.

3. 데이터 문제에서 미래를 읽었다

   1. 데이터만 버튼 하나로 얻을 수 없다는 사실은 언젠가 누군가가 그 문제를 해결할 것이라는 뜻으로 보였다.
   2. 데이터 확보를 버튼 한 번의 경험으로 바꾸는 사업이 미래가 될 것이라는 점이 당시에는 매우 분명하게 느껴졌다.
   3. 훗날 데이터가 AI 사업의 핵심 기회로 평가될 것이라는 합의가 만들어지기 전에, 단순한 세계의 사실에서 출발해 회사를 만들었다.

4. 투자자들이 외면한 ‘매력 없는’ 데이터 사업

   1. Scale의 초기 여러 해 동안 데이터는 여전히 매력적이지 않은 분야로 보였다.
   2. Scale이 투자 유치를 나갈 때 실적과 매출은 좋았지만, 벤처캐피털과 투자자들은 좋은 사업인지, 오래갈 수 있는지, 지속 가능한지 회의적으로 물었다.
   3. 알렉산더 왕에게는 이상한 반응이었다. 투자자 대부분이 모델을 직접 훈련해본 적이 없었기에 데이터의 병목을 체감하지 못했다고 판단했다.
   4. Scale은 투자를 모으고 사업을 계속 성장시켰다.
   5. 과거 Scale의 투자를 거절하고 AI 잠재력에 회의적이었던 투자자들이 훗날 데이터가 얼마나 중요한지, AI에서 가장 큰 사업 기회 중 하나가 무엇인지 분석하는 글을 쓰기 시작했다.
   6. 과거의 비합의적 판단이 시간이 흐르며 시장의 상식으로 돌아오는 장면은 근본 원리 사고의 사례가 됐다.

2. 합의보다 먼저 세계의 진실을 붙잡는 법

성공적인 기업은 인기 있는 주장을 따라 설립되지 않는다. 다른 사람이 동의하지 않는 믿음을 오래 유지하고, 그 믿음을 사업과 제품으로 증명한다.

2.1. 월스트리트저널에서 사업 아이디어를 복사할 수 없는 이유

1. 유행을 발견하는 것과 기회를 만드는 것은 다르다

   1. 월스트리트저널을 펼쳐 최근 데이터가 뜨겁다는 기사를 읽고 “이 데이터로 사업을 하자”고 말하는 방식으로는 Scale을 시작할 수 없었다.
   2. 이미 인기 있는 데이터라는 표면적 현상만 따라서는 Scale을 그 규모로 키울 수 없었다.
   3. 먼저 세상에 대한 간단한 진술을 세우고, 자신이 참이라고 판단한 그 진술을 해결하는 무언가를 구축해야 했다.

2. 근본 원리 사고의 순서

   1. 관찰 가능한 세계에서 단순하지만 중요한 사실을 분리한다.
   2. 다른 사람이 아직 중요하게 보지 않는 구조적 문제를 찾는다.
   3. 그 문제를 해결하는 제품과 사업을 만든다.
   4. 시장이 그 진실을 인정할 때까지 결과와 학습으로 버틴다.

2.2. 비합의적 신념과 자기 나침반

1. 아무도 동의하지 않는 믿음에 확신을 키워야 한다

   1. 세계에서 가장 성공한 기업들을 보면 핵심 아이디어가 대중화되기 훨씬 전에 설립된 경우가 많다.
   2. 창업자들은 아이디어·분야·개념·사업이 합의를 얻을 때까지 수년 동안 알려지지 않은 채 묵묵히 일한다.
   3. 남들보다 훨씬 일찍 세계의 진실을 파악하고, 그 진실에 대한 확신을 사업으로 옮기는 것이 성공의 핵심이다.

2. 무리를 따르면 혼란만 커진다

   1. Scale은 AI를 10년 동안 연구해 왔다. 그만큼 주변의 말만으로 사업 결정을 내릴 수 없다는 교훈이 분명하다.
   2. 무리의 의견을 지나치게 따르면 서로 다른 전망에 휩쓸려 혼란스러워지고 결국 아무것도 얻지 못한다.
   3. 미래가 어떤 모습일지 스스로 판단하는 나침반을 만들어야 한다. 다른 사람들의 말은 참고 자료일 뿐 방향 자체가 될 수 없다.

3. 처음부터 잘할 수 없는 일을 빠르게 개선하는 게임

   1. 초기 투자자들은 Scale이 매우 빠르게 성장하고 빠르게 변했다고 회고했다. 알렉산더 왕은 당시에는 자신의 변화 속도를 완전히 인식하지 못했다.
   2. 누구도 이전에 해보지 않은 일을 처음부터 잘할 수 없다. 모든 기업가는 처음에는 거의 모든 면에서 형편없는 상태로 시작한다.
   3. 기업가 정신의 핵심은 처음부터 완벽해지는 것이 아니라, 계속 발전하고 더 나아지며 빠르게 학습하도록 자신을 개발하는 데 있다.

3. AI 시대의 창업: 병목은 모델이 아니라 확산이다

현재는 모델의 발전 속도보다 이미 존재하는 강력한 기술을 사회 전체에 퍼뜨리고, 기업과 정부가 그 기술에 적응하도록 돕는 일이 더 큰 병목이다.

3.1. 모델이 오늘 멈춰도 수십 년의 변화가 남는다

1. 기술 발전 자체가 병목이 아닌 순간

   1. 세계는 AI 모델의 개선이 병목이 아니라, AI 기술을 전 세계에 확산하고 기존 사회가 그 기술에 적응하도록 돕는 일이 병목인 시점에 들어섰다.
   2. 오늘의 모델이 지금 수준에서 전혀 개선되지 않는다고 가정해도 경제, 세계의 운영 방식, 일상 주변의 모든 것에는 수십 년 동안 엄청난 격변이 이어진다.
   3. 따라서 “모델이 다음 달에 얼마나 좋아질까”만 계산하는 것보다, 이미 존재하는 능력이 어떤 산업과 조직에 아직 배치되지 않았는지 찾는 일이 중요하다.

2. 문명 역사상 한 번 있을까 말까 한 건설의 기회

   1. AI는 꿈을 꾸고, 비전을 세우고, 야망을 품고, 놀라운 것을 만들어 미래 세계의 형태에 자신의 견해를 제시할 기회를 준다.
   2. 단순히 현재 시장의 수요를 충족하는 사람이 아니라 미래가 어떤 모습이어야 하는지 제안하고 실제 시스템을 만드는 사람이 큰 영향을 미칠 수 있다.

3.2. 다윗 대 골리앗에서 골리앗 대 골리앗으로

1. 10년 전 스타트업의 전투 방식

   1. Scale을 시작하던 약 10년 전에는 스타트업이 다윗과 골리앗의 싸움을 해야 했다.
   2. 적은 자원으로 시장에 진입하려면 영리해야 했고, 독특한 진입 각도를 찾아야 했으며, 자원이 훨씬 많은 대기업과 경쟁할 방법을 고안해야 했다.

2. 에이전트가 스타트업의 체급을 바꾼다

   1. 이제 AI와 에이전트의 힘을 이용하면 구도가 골리앗 대 골리앗에 가까워진다.
   2. 스타트업은 에이전트와 AI로 크게 강화된 ‘메카 골리앗’이 되고, 기존 대기업은 전통적인 골리앗으로 남는다.
   3. 스타트업이 AI 에이전트를 제대로 받아들이고 그 강점을 가장 야심찬 방식으로 활용하면 기존 기업을 쉽게 앞지를 수 있다.
   4. 핵심은 단순히 챗봇을 도입하는 것이 아니라, 에이전트가 사람과 조직이 하던 일을 실제로 수행하고 여러 에이전트가 협력하도록 설계하는 것이다.

4. 개인 초지능과 AI로 강화된 생태계

초지능은 소수의 중앙 기관이 세상을 통제하는 체계가 아니라, 모든 사람이 자신의 목표와 맥락에 맞는 지능을 갖고 개인·기업 에이전트가 함께 활동하는 생태계로 그려진다.

4.1. 개인 초지능은 주체성을 확장한다

1. 사람마다 맞춤형 초지능을 갖는다

   1. Mark Zuckerberg가 약 1년 전 작성한 ‘개인 초지능(personal superintelligence)’ 메모는 개인 인공 일반 지능(personal AGI) 개념과 유사하다.
   2. 전 세계 수십억 명의 사람들은 각자에게 맞춰진 초지능을 갖게 된다.
   3. 개인 초지능은 각자의 목표를 달성하도록 돕고, 개인의 맥락을 이해하며, 궁극적으로 자신의 주체성(agency)을 확장한다.

2. 주체성 확장이 핵심 질문이다

   1. 중요한 질문은 사람들이 이전에는 꿈도 꾸지 못했던 일을 성취하도록 어떻게 도울 것인가다.
   2. 모든 일이 쉬워진다면 세계의 사람들은 무엇을 할지, 자동화된 능력이 인간의 욕망과 창의성을 어디까지 확장할지 고민하게 된다.
   3. AI는 인간을 대체하는 단일 통치자가 아니라 사람이 스스로 더 많은 일을 할 수 있게 하는 능력 확장 장치가 된다.

4.2. 사업 에이전트와 개인 에이전트의 결합

1. 전체주의적 AI 관점을 거부한다

   1. AI가 세상을 지배하고 모든 결정을 중앙에서 통제하는 전체주의적 관점은 지지하지 않는다.
   2. 개인별 초지능이 넓은 생태계를 풍요롭게 하고, 각자가 자신만의 목표와 사업을 추진하는 방향을 지향한다.

2. 기업 수가 수십억 개로 늘어나는 창업 폭발

   1. 현재 Meta 플랫폼에는 약 2억 개의 사업체가 등록되어 있다.
   2. AI 도구를 이용한 창의성 폭발이 일어나면 사업체 수가 수십억 개로 늘어날 수 있다.
   3. 기업가 정신은 전문 개발자와 대기업의 전유물이 아니라, 개인 에이전트를 활용하는 모든 사람이 참여할 수 있는 활동이 된다.

3. 복잡한 AI 강화 생태계

   1. 개인 에이전트는 사람의 목표를 이해하고 실행을 보조한다.
   2. 사업 에이전트는 고객·제품·운영·채용·성장과 관련된 업무를 수행한다.
   3. 개인 에이전트와 사업 에이전트가 협력하면서 AI로 완전히 강화된 복잡하고 역동적인 생태계가 구축된다.

5. Meta의 프론티어 AI 연구소를 만드는 운영 원칙

Meta에서 약 1년 동안 새로운 프론티어 연구소를 사실상 제로베이스로 구축하며, 인재 밀도와 과학적 운영 모델, 지수적 성장에 맞춰 발달하는 조직의 중요성이 드러났다.

5.1. 1년 동안의 제로베이스 재구축과 출시 속도

1. 필요한 궤도에 오르지 못했던 법률·조직 상황

   1. Meta에 합류하기 전 공개적으로 논의된 것처럼, 법률 관련 사항과 조직의 방향은 Meta가 필요로 하는 궤도에 올라 있지 않았다.
   2. 알렉산더 왕은 합류한 뒤 기존 자원을 활용하되, 새로운 프론티어 랩을 거의 백지에서 다시 설계하는 방식으로 접근했다.
   3. 목표는 가능한 한 빠르게 연구소와 운영 체계를 세우는 것이었다.

2. 9개월과 2개월의 출시 간격

   1. 재구축을 시작한 뒤 9개월 만에 Museark 1을 출시했다.
   2. 그로부터 두 달 뒤 MuseImage와 Muse Spark 1.1을 출시했다.
   3. 대형 AI 연구소는 장기 연구만 하는 조직이 아니라, 빠른 실험과 제품 출시를 동시에 수행하는 생명체에 가깝다.

5.2. 인재 밀도와 과학적 운영 모델

1. 인재 밀도는 가장 중요한 베팅이다

   1. 프론티어 AI 연구소에서 가장 인상적인 요소는 인재 밀도의 중요성이었다.
   2. 뛰어난 사람이 많을수록 더 뛰어난 사람들이 합류하고 싶어 한다.
   3. 따라서 인재 밀도는 한 번의 채용으로 끝나는 자원이 아니라 자연스럽게 복리로 증가하는 요소다.

2. 프론티어 AI는 인터넷 제품과 다른 연구다

   1. 프론티어 AI 작업은 과학적 연구다. 모델로 무엇을 할 수 있는지, 어떻게 모델의 한계를 밀어붙일 수 있는지, 어떤 성취까지 가능한지 탐구한다.
   2. 인터넷 기업이나 일반 인터넷 제품을 운영할 때보다 실험, 과학, 확장성에 훨씬 더 큰 비중을 둬야 한다.
   3. 제품 기능을 순차적으로 추가하는 운영 모델만으로는 빠르게 변하는 모델 능력과 연구 결과를 따라가기 어렵다.

3. 지수적 성장에 복리로 대응하는 연구소

   1. AI 생태계에서는 모델 역량이 지수적으로 성장한다.
   2. 컴퓨팅 능력도 지수적으로 성장한다.
   3. 채택과 사용량 역시 지수적으로 늘어난다.
   4. 생태계의 거의 모든 차원에서 매우 가파른 지수 곡선이 나타나므로, 연구소·운영 모델·시스템도 그 성장과 함께 발전해야 한다.
   5. 연구소는 고정된 공장보다 환경과 함께 커지는 유기체처럼 설계되어야 한다.

5.3. 더 큰 모델, 하네스, 오픈소스

1. 계속되는 모델 라인업 확장

   1. Muse Spark 계열은 계속 업데이트된다.
   2. Muse Spark 1.1과 관련해 좋은 모델을 출시했고, 현재 시장의 최고급 모델과도 훨씬 경쟁력 있는 더 큰 모델을 준비하고 있다.
   3. 개발자와 에이전트 개발자가 더 효과적으로 작업하도록 돕는 새로운 하네스(harness)도 출시할 예정이다.

2. 분산된 AI 역량을 지향한다

   1. 오픈소스 모델을 개발하고, AI의 역량·발전·개발이 한곳에 집중되지 않는 분산된 세상을 지향한다.
   2. 더 넓은 생태계와 전 세계 사람들이 이 기술로 구축하고 개발할 수 있도록 힘을 실어주려 한다.
   3. 연구소의 성과를 독점하기보다 개발자와 생태계가 가능한 한 많이 활용하게 만드는 것이 목표다.

3. 가격과 접근성이 혁신의 조건이다

   1. OpenClaw와 함께 Muse Spark를 스킬 파일 기반 에이전트 작업에 사용한 경험에서는 Opus에 가까운 성능을 내면서도 비용이 8배 저렴했다.
   2. 모델이 너무 비싸서 부유한 개발자와 기업만 제한적으로 쓰는 세상은 바람직하지 않다.
   3. 누구나 AI를 사용해 원하는 것을 만들 수 있어야 하고, 아직 만들어지지 않은 최고의 AI 제품들이 수없이 남아 있다.

6. AI 물결은 이전 물결보다 10배 커진다

AI의 각 물결은 앞선 물결보다 훨씬 큰 시장과 사용 범위를 만들었다. 자율주행, 챗봇, 코딩 에이전트의 순서는 앞으로도 이어질 확대의 패턴을 보여준다.

6.1. 자율주행에서 코딩 에이전트까지

1. 첫 번째 물결: 자율주행차

   1. Scale을 시작할 때 처음 경험한 AI 물결은 자율주행차였다.
   2. 자율주행차는 매우 멋지고 인상적인 기술이지만, 뒤이은 물결과 비교하면 초기 시장의 크기는 제한적이었다.

2. 두 번째 물결: 대규모 언어 모델과 챗봇

   1. 대규모 언어 모델과 챗봇은 자율주행차보다 대략 10배 큰 관심과 사용을 만들어냈다.
   2. 자연어로 누구나 사용할 수 있다는 점이 기술을 훨씬 넓은 사용자층에 확산시켰다.

3. 세 번째 물결: 코딩 에이전트

   1. 몇 년 뒤 등장한 코딩 에이전트는 챗봇보다도 대략 10배 큰 물결이 될 가능성이 있다.
   2. 코딩 에이전트는 단순히 답변을 생성하는 것을 넘어 실제 작업을 수행하고 결과를 반복 개선한다.

4. 다음 물결은 더 커진다

   1. 앞으로 새로운 모달리티, 형태, AI 패러다임의 발전이 계속 나타난다.
   2. 각각의 발전은 앞선 것보다 극적으로 큰 규모로 진행될 가능성이 있다.
   3. 따라서 아직 존재하지 않는 제품과 시장을 상상하고 생태계를 풀어놓는 것이 중요하다.

6.2. 오픈 코드와 에이전트 하네스의 방향

1. 현재 코딩 모델을 활용하는 가장 쉬운 방법

   1. 현재는 오픈 코드(OpenCode)를 사용하는 것이 Muse Spark 코딩 모델을 활용하는 가장 쉬운 방법이다.
   2. 웹사이트에 온보딩 프로그램이 있고, 자체 하네스도 준비 중이다.

2. 모든 하네스와 연결되는 모델

   1. 장기적으로는 사용할 수 있는 모든 하네스에 연결되는 훌륭한 모델을 만들고자 한다.
   2. 모델 하나에 사용자를 가두기보다 여러 도구와 조합하는 혁신을 최대한 촉진하려 한다.

3. ‘고장 나는 페라리’ 농담과 하네스의 기준

   1. OpenClaw와 Hermes Agent를 사용하는 사람들은 에이전트 도구를 길가에서 자주 고장 나는 페라리라고 농담한다.
   2. 자체 하네스가 고장 나지 않는 페라리인지, 살짝 힌트를 달라는 요청이 이어졌다.
   3. 답변은 “부디 고장 나지 않기를 바란다”는 농담으로 시작했지만, 실제 우선순위는 속도·신뢰성·확장성이었다.

4. 차세대 하네스의 핵심 속성

   1. 속도는 에이전트 도구를 사용하는 사람에게 가장 중요한 요소 중 하나다.
   2. 신뢰성은 반복 작업과 복잡한 자동화에서 필수다.
   3. 원하는 만큼 복잡하고 흥미로운 다중 에이전트 설정을 구현할 수 있어야 한다.
   4. 하네스 위에서도 에이전트를 오케스트레이션하고 루프를 설정하며 복잡한 생태계를 함께 작동시키는 혁신이 계속 일어날 것이다.
   5. 하네스는 사람이 AI를 활용하도록 권한을 주는 확장 가능한 기반이어야 한다.

7. 지능이 풍부해진 뒤 희소해지는 것은 비전과 야망이다

AI의 미래를 둘러싼 단기 예측 논쟁보다, 지능과 주체성이 풍부해지는 장기 추세와 그 결과를 이해하는 일이 중요하다.

7.1. 초지능의 시점을 맞히는 논쟁은 본질이 아니다

1. 2년인가 5년인가라는 논쟁

   1. 현재의 논쟁은 모델이 얼마나 좋아지고 있는지, 실제 문제를 얼마나 정확하게 해결하는지, 초지능이 2년 뒤인지 5년 뒤인지, 발전이 한계에 부딪힐지에 집중되어 있다.
   2. 이런 논쟁은 어느 정도 시간 낭비다. 매우 강력한 모델을 갖게 되는 일 자체는 피할 수 없기 때문이다.
   3. 훗날 돌아보면 정확히 언제 초지능이 도착할지를 두고 다툰 일은 근시안적인 논쟁으로 평가될 가능성이 높다.

2. 고양이 인식에서 디지털 신까지

   1. 10년 전 최고 수준의 AI 모델은 유튜브 영상에서 고양이를 인식하는 정도였다.
   2. 지금은 해킹을 포함해 사람들이 상상하기 어려웠던 다양한 일을 수행하는 시스템과 대화하고 있다.
   3. 이 변화는 놀라움을 넘어 약간 짜증이 날 정도로 압도적이다. AI가 이미 인간의 기대와 통제 감각을 앞지르는 순간들이 있기 때문이다.
   4. 이 추세가 계속되면 모델은 점점 더 강력해진다.

7.2. 지능과 주체성의 풍부함

1. 10년 뒤 당연해질 두 가지

   1. 10년 뒤 돌아보면 지능이 풍부해졌다는 사실이 당연해진다.
   2. 사람과 조직이 목표를 향해 실제 행동을 취하는 주체성도 풍부해졌다는 사실이 당연해진다.
   3. 현재의 추세는 계속 이어지며, 그 변화는 매우 이상하고 낯선 사회를 만들 수 있다.

2. 인류 진보의 병목이 이동한다

   1. 인류 역사에서 똑똑한 사람들이 공동 목표를 향해 모이는 것이 진보의 병목이었다.
   2. 미국은 똑똑한 사람들이 미래에 대한 비전을 세우고 그것을 현실로 만들기 위해 모인 사례로 볼 수 있다.
   3. 미국의 거의 모든 회사와 YC의 모든 회사에도 같은 패턴이 있다. 사람을 모으고 목표를 공유하며 조직적으로 실행해야 했기 때문이다.
   4. AI가 지능과 주체성을 풍부하게 만들면 희소 자원은 더 이상 지능이나 실행 능력이 아니다.

3. 새로운 희소 자원: 비전과 야망

   1. 미래 세계가 어떤 모습이 되기를 원하는지 명확한 그림을 가진 사람이 필요하다.
   2. 5~10년 뒤 세계가 오늘과 어떻게 달라지기를 원하는지, 그 변화에 자신의 손가락을 얹어 어떤 방향으로 기울일지 정해야 한다.
   3. 현실의 온갖 고생을 견디며 그 미래를 만들어낼 야망과 추진력이 있어야 한다.
   4. AI와 에이전트는 일을 10배 또는 100배 쉽게 만들어준다. 반대편에서 사람은 더 큰 꿈을 꿀 책임을 갖게 된다.

7.3. 건설자의 책임과 전례 없는 기회

1. 세계는 아직 AI를 받아들일 준비가 부족하다

   1. 사회가 AI를 완전히 받아들이려면 제도·기업·정부·보안 등 많은 요소가 바뀌어야 한다.
   2. 현재 세계는 이미 존재하는 기술을 받아들일 준비가 거의 되어 있지 않다.
   3. 건설자는 세상을 준비시킬 책임이 있다.

2. 적응과 안전을 함께 설계해야 한다

   1. 기업과 정부가 새로운 기술에 적응하도록 도와야 한다.
   2. 생물보안 관점에서 세계를 안전하게 지키는 방법을 마련해야 한다.
   3. 사이버보안 관점에서도 새로운 위험을 차단해야 한다.
   4. AI로 인해 발생할 수 있는 위험을 어떻게 관리할지 체계를 세워야 한다.

3. 위험과 기회가 함께 존재한다

   1. AI는 새로운 과학을 발전시키고 오랫동안 풀리지 않은 건강·생물학 문제를 해결할 수 있다.
   2. 이전에는 상상조차 하지 못했던 새로운 사업을 만들 수 있다.
   3. 과거에는 존재할 수 없었던 창의적 기회가 생겨난다.
   4. 위험과 기회가 동시에 넘치는 요람이므로, 세상이 어떻게 변해야 하는지 강한 관점을 가진 건설자에게 지금보다 좋은 시기는 드물다.

8. AI 시대에 무엇을 배우고 어떤 사람을 채용할 것인가

추상화 계층이 코드에서 에이전트 오케스트레이션으로 이동해도 엄격하고 체계적인 사고, 시스템 사고, 미래에 대한 철학적 나침반은 사라지지 않는다.

8.1. 컴퓨터 과학 전공 감소와 ‘워드셀 대 셰이프 로테이터’ 질문

1. 경로가 바뀌었는가

   1. 스탠퍼드에서 컴퓨터 과학 전공자 수가 두 자릿수 비율로 감소했다는 사례가 언급됐다.
   2. AI 에이전트를 만드는 데 여전히 컴퓨터 과학 기술이 필요한데 학생들이 걱정하는 모습은 이상하게 보일 수 있다.
   3. 다만 미래에 정말 같은 기술이 계속 필요한지는 확실히 단정하기 어렵다.

2. 새로운 인재상에 대한 질문

   1. 사람들은 언어와 개념을 다루는 ‘워드셀(wordcel)’에 가까워져야 하는가, 아니면 도형을 회전시키는 능력 같은 전통적 공간 추론을 덜 사용해도 되는가를 묻는다.
   2. AI의 추론 능력이 발전하면 채용하려는 인재상과 팀을 관리하는 방식도 변할 수 있다.

8.2. 추상화 계층은 바뀌지만 시스템 사고는 남는다

1. 엄격하고 체계적인 사고는 계속 중요하다

   1. Meta에서는 여전히 체계적이고 엄격한 사고방식을 매우 중요하게 본다.
   2. 기술의 추상화 계층이 계속 변하기 때문이다.
   3. 알렉산더 왕도 처음에는 세상이 이런 방향으로 전개될 것이라고 생각하지 않았지만, 실제로 추상화 계층은 계속 바뀌었다.

2. 코드에서 에이전트 조직으로

   1. 과거 창업자는 직접 코드를 작성하는 것에서 일을 시작했다.
   2. 청중을 향해 “이제 여기 있는 사람 중 아무도 코드를 작성하지 않을 것”이라는 농담을 던졌고, 곧바로 그것이 말도 안 되는 과장이라고 웃음을 유발했다.
   3. 현재의 핵심 문제는 에이전트들을 한데 모아 작업을 수행하게 만드는 것이다.
   4. 다음 단계는 백만 명의 에이전트를 함께 일하게 하는 것이고, 더 나아가 수조 명의 에이전트를 협력시키는 문제가 된다.

3. 워크플로우와 에이전트 군단의 오케스트레이션

   1. 어떤 추상화 계층에서 일하든 워크플로우를 어떻게 구성할지 계속 고민해야 한다.
   2. 과거에는 코드를 작성하고 인간 조직을 만든 다음 사람들을 어떻게 조직할지 고민했다.
   3. 이제는 에이전트를 먼저 오케스트레이션한 뒤 에이전트 군단을 어떻게 오케스트레이션할지 설계하는 쪽으로 이동한다.
   4. 사람이든 에이전트든 여러 요소를 목적에 맞게 구성하는 시스템 사고는 유행을 타지 않는다.

4. 한 가지 능력에 전부 걸지 말라

   1. 언어 능력인 워드셀에 모든 것을 거는 것은 실수다.
   2. 공간 능력인 셰이프 로테이터(shape rotator) 역량도 필요하다.
   3. 특정 능력 하나의 유행을 따라가기보다 다양한 사고 도구를 함께 갖추고 시스템 전체를 볼 수 있어야 한다.

8.3. 다음 10년을 위한 철학적 관점

1. 더 깊은 나침반이 필요하다

   1. 미래에는 세상이 어떻게 발전해야 하는지에 대한 더 깊은 나침반과 철학적 관점이 필요하다.
   2. 인류 역사를 통해 문명이 전환기를 통과한 방식에서 많은 교훈을 얻을 수 있다.
   3. 기술을 잘 다루는 능력만으로는 어떤 방향으로 기술을 사용할지 결정할 수 없다.

2. 10년의 변화가 지난 100년보다 클 수 있다

   1. 인류는 지난 100년보다 앞으로의 10년 동안 훨씬 더 많이 변할 가능성이 있다.
   2. 긍정적인 미래 비전을 갖고 그 미래가 어떻게 발전해야 하는지 일관되게 설명하는 일이 그 어느 때보다 중요하다.
   3. 개인과 기업은 효율성만 극대화할 것이 아니라, 어떤 문명을 만들고 싶은지 명시해야 한다.

9. 가까운 미래의 큰 기회: 에이전트 루프와 기업 피드백 루프

아직 충분히 개발되지 않은 가장 큰 기회는 에이전트에 더 많은 토큰을 투입해 지속적인 피드백 루프를 돌리고, 기업 전체의 성장 고리를 자동화·최적화하는 것이다.

9.1. 1,000배 또는 100만 배의 토큰을 쓰는 루프

1. 에이전트 루프가 만드는 새로운 기회

   1. 에이전트 루프(agentic looping)에는 여전히 천문학적인 기회가 남아 있다.
   2. 결과를 만들기 위해 토큰에 현재보다 1,000배 또는 100만 배 더 많은 비용을 투자하는 시스템을 설계할 수 있다.
   3. 중요한 것은 한 번의 답변이 아니라 지속적인 피드백 루프 안에서 결과를 평가하고 개선하는 구조다.

2. 큰 모델보다 반복 구조가 중요해진다

   1. 에이전트가 결과를 만들고 평가하며 다시 시도하는 루프가 정교해질수록 단일 호출보다 훨씬 복잡한 업무를 수행할 수 있다.
   2. 어떤 목표를 최적화할지 정하고, 그 목표를 측정할 평가 기준을 설계하는 일이 핵심 인프라가 된다.

9.2. 모든 회사는 인간이 작동시키는 피드백 루프다

1. 기업의 기본 고리

   1. 기업은 각 단계에서 인간이 작동시키는 대규모 피드백 루프처럼 볼 수 있다.
   2. 기업은 고객을 확보한다.
   3. 고객을 더 만족시키는 방법을 찾는다.
   4. 고객이 만족하면 더 많은 돈을 쓴다.
   5. 더 많은 매출이 생기면 더 많은 사람을 채용할 수 있다.
   6. 새로 채용된 사람들은 다시 더 많은 고객을 확보하고 고객 만족을 높이는 방법을 찾는다.

2. 기업 안에는 작은 루프가 겹쳐 있다

   1. 고객 확보·제품 개선·매출 증대·채용·운영 개선은 서로 연결된 큰 루프다.
   2. 각 단계 안에도 마케팅, 영업, 지원, 연구개발, 제품 실험 같은 작은 피드백 루프가 존재한다.
   3. 에이전트가 각 루프의 입력과 결과를 관찰하고 반복 최적화하면 기업의 성장 속도를 크게 높일 수 있다.

9.3. 에이전트 군단이 100명 엔지니어 팀을 넘어서는 조건

1. 올바른 루프와 평가 지표

   1. Meta 내부에서 적절한 에이전트 루프를 개발한 사례가 있었다.
   2. 에이전트가 최적화할 올바른 평가 기준이나 지표를 설정하면 성과가 급격히 달라진다.
   3. 루프와 평가 지표가 맞을 때 에이전트 무리는 100명의 엔지니어 팀보다 훨씬 많은 일을 아주 쉽게 수행할 수 있다.

2. 새로운 핵심 문제

   1. 앞으로 중요한 문제는 에이전트를 만들 수 있는가가 아니라 많은 에이전트를 어떤 구조로 협력시킬 수 있는가다.
   2. 이런 에이전트 조정 문제와 그 결과로 바뀌는 세계의 모습을 연구하는 일이 현재 가장 흥미로운 문제 중 하나다.

10. 18살의 알렉산더 왕에게 보내는 메시지

젊을수록 경험 부족 때문에 자기 믿음에 확신을 갖기 어렵지만, 주변의 소음과 시장의 혼란을 견디려면 내부 나침반과 오래 지속될 지수적 곡선을 찾아야 한다.

10.1. 소음 속에서 내부 나침반을 세워라

1. 미래에 대한 자기 판단을 개발하라

   1. 미래가 어떻게 전개될지에 대한 자신만의 내부 나침반을 개발해야 한다.
   2. 그 나침반이 가리키는 방향에 강한 확신을 가져야 한다.
   3. 세상에는 온갖 소음과 다른 사람들의 헛소리가 넘쳐나며, 그 속에서 혼란스럽고 힘들 수 있다.

2. 경험 부족은 확신을 어렵게 만든다

   1. 젊고 경험이 부족하면 자신이 믿는 것과 하고 싶은 일에 진짜 확신을 갖기 어렵다.
   2. 외부의 권위자와 시장의 평가가 자신보다 더 정확해 보이기 때문이다.
   3. 그러나 Scale이 수년간 시장·업계·주변 사람들의 혼란을 견딜 수 있었던 바탕은 자신들이 만들고 있는 것에 대한 깊은 확신이었다.

10.2. 가장 가파르고 오래가는 지수적 성장을 찾아라

1. 지수 곡선의 두 조건

   1. 세상에서 가장 가파른 곡선이 무엇인지 찾아야 한다.
   2. 그 곡선이 가장 오래 지속될 수 있는지도 살펴야 한다.
   3. 가파르기만 하고 금방 꺾이는 성장보다, 수십 년 동안 지속되며 산업 전체를 바꾸는 곡선이 더 중요하다.

2. 무어의 법칙과 AI

   1. 수십 년 전에는 무어의 법칙이 그런 곡선이었다.
   2. 당시 무어의 법칙 위에 투자하는 것은 명백히 올바른 선택으로 여겨졌다.
   3. 현재는 AI의 발전이 빠른 지수 곡선이며, 앞으로도 이처럼 가파른 성장 곡선이 더 많이 나타날 수 있다.

3. 출발점이 지루해도 괜찮다

   1. 지수 곡선의 출발점은 지루하거나 중요하지 않아 보일 수 있다.
   2. Scale이 처음 다룬 것도 유튜브 영상 속 고양이를 탐지하는 모델이었다.
   3. 고양이 탐지기를 당대 가장 중요한 기술이라고 설명하기는 어려웠지만, 그 기술은 믿을 수 없을 정도로 가파른 성장 곡선의 시작점에 있었다.
   4. 오늘의 소박한 문제를 미래의 거대한 곡선과 연결해 보는 능력이 중요하다.

주요 발언 모음

“다른 사람들이 동의하지 않는 일련의 신념에 대한 확신을 키워야 합니다.”

“무리에 너무 휩쓸리면 엄청나게 혼란스러워지고 결국 아무것도 얻지 못합니다.”

“미래가 어떤 모습일지 스스로 판단하는 나침반을 개발해야 합니다.”

“모델이 오늘보다 전혀 개선되지 않더라도 경제와 세계의 운영 방식에는 수십 년 동안 엄청난 격변이 계속될 것입니다.”

“스타트업은 에이전트와 AI의 힘으로 강화된 메카 골리앗이 될 수 있습니다.”

“지능과 주체성이 풍부해지면 희소한 자원은 비전과 야망이 될 것입니다.”

“시스템적 사고는 결코 시대에 뒤떨어지지 않을 것입니다.”

“세상에서 가장 가파른 곡선을 그리면서 가장 오랫동안 지속될 지수적 성장이 무엇인지 파악해 보세요.”

핵심 데이터 & 수치

• 17~19세: 알렉산더 왕이 진로와 관심사를 빠르게 바꾸며 주변 사람들에게 폭발적으로 배우던 시기다.
• 18세: MIT에 입학했다.
• 19세: Kora에서 일했고, Scale을 시작했다.
• 3가지: 모델 훈련에 필요한 GCP 계정, 실행 코드, 데이터 세트다.
• 2가지: GCP 계정과 코드는 온라인에서 버튼 한 번으로 얻을 수 있었지만 데이터는 그렇지 않았다.
• 10년: Scale이 AI를 연구하고 사업을 발전시켜 온 기간이다.
• 약 10년 전: 스타트업은 적은 자원으로 대기업과 싸우는 다윗 대 골리앗 구도에 있었다.
• 9개월: Meta에서 새로운 프론티어 랩을 재구축한 뒤 Museark 1을 출시하기까지 걸린 기간이다.
• 2개월: Museark 1 출시 뒤 MuseImage와 Muse Spark 1.1을 내놓기까지의 기간이다.
• 약 2억 개: 현재 Meta 플랫폼에 등록된 사업체 수다.
• 수십억 개: AI 도구와 창의성 폭발로 늘어날 수 있다고 전망한 사업체 수다.
• 8배: OpenClaw의 스킬 파일 기반 에이전트 작업에서 Muse Spark가 Opus에 가까운 성능을 내면서 더 저렴했던 비용 차이다.
• 10배: AI의 각 물결이 이전 물결보다 커지는 대략적인 규모다. 자율주행차에서 챗봇, 챗봇에서 코딩 에이전트로 이어진다.
• 10배 또는 100배: 에이전트와 AI가 비전의 실행을 과거보다 쉽게 만들어주는 정도로 제시된 규모다.
• 1,000배 또는 100만 배: 지속적인 피드백 루프에서 결과를 만들기 위해 토큰에 더 투자할 수 있는 규모다.
• 100명: 올바른 루프와 평가 지표를 갖춘 에이전트 무리가 쉽게 넘어설 수 있는 엔지니어 팀의 규모다.
• 백만 명·수조 명: 앞으로 여러 에이전트를 함께 오케스트레이션해야 하는 규모의 예시다.
• 5~10년: 자신이 원하는 미래 세계의 차이를 구체적으로 상상해야 하는 시간 범위다.
• 지난 100년 대 다음 10년: 인류가 다음 10년 동안 지난 100년보다 훨씬 더 많이 변할 수 있다는 전망이다.

결론 및 시사점

1. 유행이 아니라 근본 원리에서 시작한다: 시장 뉴스에서 인기 있는 분야를 복사하지 말고, 직접 문제를 경험하며 누구도 쉽게 반박하기 어려운 세계의 사실을 찾아야 한다.
2. 비합의적 신념을 오래 유지한다: 좋은 아이디어가 당장 합의를 얻지 못하는 것은 약점이 아니라 경쟁 우위가 될 수 있다. 시장이 인정할 때까지 구축하고 학습할 확신이 필요하다.
3. 회사에서 실제 작동을 배운다: 제품을 만들고 반복 개선하며 여러 사람이 의사결정하는 방식을 경험하면 창업 아이디어를 실행 가능한 조직으로 바꾸기 쉬워진다.
4. AI의 병목을 재정의한다: 모델 자체가 아니라 기업·정부·사회에 이미 존재하는 능력을 어떻게 확산하고 안전하게 적용할지를 찾아야 한다.
5. 에이전트를 조직의 체급으로 만든다: 단일 챗봇 도입보다 에이전트 루프, 평가 지표, 다중 에이전트 오케스트레이션을 설계하는 것이 스타트업의 경쟁력을 키운다.
6. 지능이 아니라 비전과 야망을 키운다: AI가 실행 능력을 민주화할수록 무엇을 만들고 싶은지, 5~10년 뒤 어떤 세상을 원하는지 정하는 사람이 희소해진다.
7. 시스템 사고를 버리지 않는다: 코드 작성이 에이전트 오케스트레이션으로 이동해도 여러 요소를 구조화하고 워크플로우를 설계하는 능력은 계속 중요하다.
8. 안전과 기회를 함께 설계한다: 생물보안·사이버보안·기업과 정부의 적응을 준비하면서 과학·건강·사업·창의성의 새로운 가능성도 적극적으로 구축해야 한다.
9. 가파르고 오래가는 곡선을 찾는다: 무어의 법칙과 AI처럼 수십 년 지속될 수 있는 지수적 성장에 올라타고, 시작점이 고양이 탐지기처럼 작고 지루해 보여도 장기 잠재력을 검증해야 한다.
10. 내부 나침반을 행동으로 증명한다: 주변의 소음과 회의론을 견디는 것은 믿음만으로 되지 않는다. 자신이 발견한 진실을 제품·조직·피드백 루프로 구현하고, 시장이 따라올 때까지 계속 개선해야 한다.