고등학교 자퇴생, OpenAI 입사하다

URL: https://www.youtube.com/watch?v=lI0uYS9K9ek
날짜: 2026-08-23
채널: B_ZCF | 비즈까페
출연: Gabriel Peterson, Cel Wen(Extraordinary 창립자)

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==학위와 전통적인 선수과목이 없어도 실제 문제를 해결하고, AI를 이용해 지식의 빈틈을 재귀적으로 메우며, 자신의 실력을 눈에 보이는 결과로 증명하면 세계 최고 수준의 연구·엔지니어링 직무에 도달할 수 있다.==

• Gabriel Peterson은 스웨덴에서 고등학교를 중퇴하고 스타트업에 합류한 지 5년 만에 OpenAI의 Sora 팀에서 연구 과학자(research scientist)로 일한다.
• ChatGPT는 일을 대신하는 도구가 아니라 문제에서 출발해 필요한 수학·머신러닝 지식까지 내려가는 개인 교수가 될 수 있다.
• 채용에서 학위와 명문대 이력은 실력을 직접 보여주지 못할 때 사용하는 대리 신호(proxy signal)이며, 짧은 시간 안에 가치와 작동하는 데모를 보여주는 편이 강력하다.

Gabriel의 경로는 학교를 무조건 거부하라는 처방이 아니라, 각자가 원하는 목표와 위험 허용도에 맞춰 실제 문제·실제 팀·실제 경제적 책임에 최대한 빨리 들어가라는 주장이다. 대학에 가더라도 ChatGPT로 관심 분야를 먼저 시험해 보고, 수업 밖에서 실제 결과물을 만들며, 자신에게 맞는지 확인할 수 있다.

1. 스웨덴의 고등학교 중퇴생에서 OpenAI 연구 과학자까지

Gabriel은 스웨덴 시골 출신의 10대였지만, AI에 대한 관심과 높은 확신을 실제 제품·팀·연구 문제로 연결했다.

1.1. 출발점과 초기의 자기 인식

1. AI에 대한 관심은 책에서 시작됐다

   1. Nick Bostrom의 『Superintelligence』와 Max Tegmark의 『Life 3.0』을 읽으며 AI를 계속 생각하게 됐다.
   2. 두 저자가 모두 스웨덴 사람이라는 사실을 알고 “여기에는 뭔가 있다”고 느꼈지만, 처음에는 자신이 너무 둔해서 AI 분야의 똑똑한 사람들과 경쟁할 수 없다고 생각했다.

2. 프로그래밍에 대한 거리감이 컸다

   1. 처음 AI를 들여다볼 때 프로그래밍을 제대로 알지 못했고, 자신보다 훨씬 똑똑한 사람들이 이미 있는 분야라고 여겼다.
   2. 그럼에도 몇 년 동안 엔지니어로 일하며 문제를 해결하는 경험을 쌓았고, 훗날 ChatGPT를 이용해 수학·머신러닝을 독학하는 기반이 됐다.

1.2. 우연처럼 찾아온 스타트업 합류

1. 고등학교를 중퇴한 결정은 거창한 결심보다 급작스러운 제안에 가까웠다

   1. 사촌이 어느 날 전화해 “정말 똑똑한 사람을 만났는데, AI로 상품 추천 시스템을 만들자는 아이디어가 있다. 싱가포르에서 연구 중인 사람이 지금 스톡홀름으로 오라고 한다”고 전했다.
   2. Gabriel은 그날 큰 파티가 있어 다음 날 가겠다고 했지만, 사촌이 서두르라고 하자 다음 버스를 타고 스톡홀름으로 갔고 그대로 돌아오지 않았다.
   3. 주변 친구와 고향 사람들이 모두 학교에 남아 있는 상황에서 계획적으로 중퇴한 것이 아니라, 눈앞에 나타난 실제 기회를 따라가며 학교를 떠나게 됐다.

2. 첫 사업은 전자상거래용 상품 추천 시스템이었다

   1. 팀은 전자상거래 상점의 매출을 높이기 위해 상품 아래에 어떤 추천 상품을 보여줄지 계산하는 시스템을 만들었다.
   2. 창업과 판매를 아는 사람이 아무도 없었기 때문에 “무엇을 하고 어떻게 팔아야 하는가”부터 배워야 했다.

1.3. 18세의 영업과 과도하게 직접적인 구현

1. 콜드 이메일에서 회사 문 두드리기로 영업 방식을 바꿨다

   1. 처음에는 콜드 이메일을 보냈지만 반응이 좋지 않았고, 전화 영업으로 옮기자 가끔 관심을 보이는 사람이 생겼다.
   2. 당시 Gabriel은 기술 담당도 아닌 무작위의 18세 청년이었고, 무엇을 하는지 스스로도 완전히 알지 못했다.

2. 상대 회사의 웹사이트를 미리 복제해 비교 자료를 만들었다

   1. 고객 후보의 전체 웹사이트를 스크래핑하고, 새 상품 추천 시스템을 학습시킨 뒤 A3 크기의 종이에 기존 추천 결과를 왼쪽, 자신들이 만든 결과를 오른쪽에 인쇄했다.
   2. 이런 비교 자료를 약 100장 만들어 큰 폴더에 넣고 회사 문을 찾아다니며 “전자상거래 관리자나 CEO와 이야기할 수 있나요?”라고 물었다.
   3. 상대방이 “이걸 전부 직접 했느냐, 어떻게 했느냐”고 감탄하면, 바로 실행할 수 있도록 고객 사이트 콘솔에 붙여 넣을 스크립트까지 준비했다고 보여줬다.

3. 첫 만남에서 바로 A/B 테스트까지 제시했다

   1. 스크립트는 기존 추천 결과를 자신들의 추천 결과로 바꾸고, 두 집단의 추천 매출을 비교하도록 설계돼 있었다.
   2. 고객이 “이 시스템이 실제로 돈을 벌어준다는 것을 어떻게 아느냐”고 묻기 전에 A/B 테스트와 매출 추적을 준비해 두었다.
   3. 첫 미팅에서 구현까지 모두 끝낼 수 있다는 태도는 고객을 빠르게 얻는 데 도움이 됐지만, 확장 가능한 구조를 만들지 않고 고객 확보만 우선한 탓에 훗날 크게 역효과가 났다.

1.4. 중퇴생들의 생활과 극단적인 확신

1. 팀은 17~18세 중퇴생들로 구성됐다

   1. 팀에는 연구자였던 16~17세 구성원과 Gabriel의 사촌 등 젊은 사람들이 함께 있었고, 모두 스톡홀름에서 직접 생활했다.
   2. 스웨덴의 대학 기숙사는 미국식 기숙사라기보다 일반 아파트에 가까웠으며, 대학생만 살 수 있는 공간이었다.

2. Gabriel은 사촌의 작은 방에서 1년을 버텼다

   1. 팀이 여전히 대학에 다니는 것처럼 서류를 제출해 거주 자격을 유지했고, Gabriel은 공용 공간에서 찾은 소파 쿠션을 침대로 사용했다.
   2. 방은 “역겨울 정도로” 지저분했지만 일하는 데는 충분했고, 팀은 코워킹 스페이스에서 시간을 보냈다.

3. 성공 가능성에 대한 확신이 현실 감각을 압도했다

   1. Gabriel은 자신이 현실을 매우 왜곡해서 보고 있었다고 회고한다.
   2. 사업이 반드시 자신을 억만장자로 만들 것이라고 100% 확신했고, 다른 어떤 것도 중요하지 않다는 듯 밤샘을 반복하며 스톡홀름 곳곳을 돌아다니며 영업했다.
   3. 고객을 얻기 위해 “미친 짓”처럼 보이는 일도 모두 시도했고, 그래서 학교로 돌아가야 한다는 선택지를 진지하게 생각하지 않았다.

2. 학교 밖에서 코딩과 문제 해결을 배운 방식

실제 통합 작업과 책임이 생기자 코딩 학습은 추상적인 과목이 아니라 당장 해결해야 하는 업무가 됐다.

2.1. 첫 코딩 경험과 반복된 좌절

1. 어린 시절의 Java와 간단한 게임

   1. 13세 무렵 사촌에게 Java를 배워 턴 방식으로 공격하고 피해를 입는 아주 단순한 Pokémon 클론을 만들었다.
   2. 결과물은 형편없었지만, 코드를 통해 무언가를 직접 작동시킨 첫 경험이었다.

2. Udemy Python 과정과 오리 게임

   1. 이후 Udemy의 Python 강의를 듣고 기초 Python을 배웠다.
   2. 연잎이 날아오고 오리가 피하는 조악한 게임을 만들었으며, 스스로도 “정말 엉망인 게임”이라고 표현했다.

3. 전통적인 머신러닝 학습에서는 자신을 의심했다

   1. Andrew Ng의 고전적인 머신러닝 강의 같은 입문 과정을 시도했다.
   2. 수학과 개념을 처음부터 따라가며 “나는 아마 너무 멍청해서 이걸 못 하겠다”고 생각했다.

2.2. 실제 문제와 압박이 만드는 학습 속도

1. 상품 추천 통합이 학습 로드맵이 됐다

   1. 고객 사이트에 추천 시스템을 연결하려면 웹 페이지에서 요소를 선택하고, 올바른 위치에 삽입하고, 매출 비교를 위한 A/B 테스트를 구성해야 했다.
   2. “웹 페이지의 요소를 어떻게 선택하지?”, “추천 결과를 정확히 어디에 넣지?”처럼 구체적인 질문이 곧 학습 순서가 됐다.
   3. Stack Overflow와 주변 친구에게 질문하며 한 단계씩 해결했고, 학교의 일반적인 과목 순서 없이도 필요한 지식을 조립했다.

2. 압박은 학습의 강제 장치가 됐다

   1. 실제 직업에는 고객, 일정, 돈이라는 압박이 있어 무엇을 배워야 하는지 모호하지 않았다.
   2. Gabriel은 누군가 “시간은 무한하고 배워도 돈을 벌지 못하는 지식”을 주면 절대 배울 수 없을 것이라고 말할 만큼, 현실적인 책임이 학습의 핵심 동력이라고 본다.

3. 환경의 차이가 가능성에 대한 감각을 만든다

   1. 스웨덴의 외딴 마을 Vaggeryd에서는 엔지니어를 아는 사람이 거의 없었고, 고등학교 초기에 프로그래머를 한 번 만났을 때 “코드로 웹페이지를 만들 수 있다니 대단하다”고 느꼈다.
   2. 샌프란시스코에서는 스타트업과 창업이 주변 사람들의 대화 주제라서 누구나 가능한 일처럼 보이지만, 외딴 지역에서는 같은 일이 불가능하게 느껴질 수 있다.
   3. 첫 스타트업인 “The Pit”은 멀리 있던 세계가 실제로 존재한다는 것을 알려준 사건이었고, 선택지가 거의 없었기에 오히려 강력한 학습 기회가 됐다.

2.3. 문제에서 출발하는 하향식(top-down) 학습

1. 하향식 학습은 실제 과제에서 필요한 지식으로 내려간다

   1. “무엇을 공부해야 할까?”에서 시작하지 않고, “이 전자상거래 사이트의 추천 시스템을 작동시키려면 무엇을 해결해야 할까?”에서 출발한다.
   2. 실제 문제를 풀다가 다음 문제를 발견하고, 그 문제에 필요한 개념을 읽고, 다시 더 근본적인 수학과 원리로 내려간다.
   3. 과업 → 하위 문제 → 필요한 개념 → 기초 원리로 재귀적으로 내려가는 방식이 Gabriel이 가장 빠른 학습 방식이라고 보는 top-down 접근이다.

2. 학교의 상향식(bottom-up) 교육은 확장하기 쉽지만 느리다

   1. 머신러닝을 하려면 수학, 행렬 조작(matrix manipulation), 선형대수와 알고리즘을 먼저 배운 뒤 선형 회귀 같은 기초 ML로 넘어가는 긴 순서를 밟는다.
   2. 상향식 과정은 모든 학생에게 동일한 순서를 배정하기 쉽고 교사가 단계별 커리큘럼을 운영하기 편하지만, 생산 단계의 머신러닝을 만지기까지 오랜 시간이 걸린다.
   3. 하향식 방식은 각 시점에 필요한 지식을 정확히 골라주는 교사가 필요해 확장하기 어려웠지만, AI가 그 역할을 맡으면서 비용이 크게 낮아졌다.

3. ChatGPT는 기초 지식의 독점 구조를 약화시킨다

   1. Gabriel은 대학이 기초 지식의 독점권을 더 이상 갖지 못한다고 말하며, 두 살 때부터 ChatGPT를 가르쳐야 할 정도로 근본적인 변화라고 과장 섞인 표현을 쓴다.
   2. “ChatGPT를 쓰면 진짜 이해하지 못한다”는 반론에 대해, 문제를 시작점으로 삼아 모르는 부분을 계속 쪼개면 결국 기초 원리까지 도달한다고 답한다.
   3. 교육은 반복해서 AI가 바뀐다고 말해 왔지만, ChatGPT의 하향식 문제 해결은 교육의 학습 순서 자체를 바꿀 만큼 큰 전환이라고 본다.

2.4. 학교가 AI에 대해 놓치는 것

1. 학생과 교사가 AI를 부정행위 도구로만 이해하는 악순환

   1. 학생은 “AI가 모든 일을 대신해 주니 좋다”고 먼저 생각하고, 교사는 “학생이 과제를 전부 AI로 할 테니 금지해야 한다”고 반응한다.
   2. 그 결과 학생은 AI를 속이는 도구로 배우고, 교사는 AI가 속임수에만 쓰인다고 믿는 강화 회로가 생긴다.
   3. 실제로는 AI를 이용해 학습하는 방법을 명시적으로 가르쳐야 하며, 시험에서 부정행위를 하려는 학생은 AI를 금지해도 다른 방법을 찾는다.

2. AI를 퀴즈와 개념 추출에 활용하는 사례

   1. Gabriel의 스웨덴 대학 친구들은 과거 시험 문제를 모두 ChatGPT에 넣고, 서로 다른 문제들이 공유하는 근본 개념을 추출해 달라고 요청한다.
   2. “이 문제들이 공통으로 가르치려는 핵심은 무엇인가?”를 묻거나 비슷한 유형의 문제 10개를 생성해 학습한다.
   3. 교사는 금지 대신 이런 사용법을 가르치고, 과제 수행과 부정행위를 구분하는 학습 설계를 만들어야 한다.

3. ChatGPT로 수학·머신러닝을 독학하는 법

Gabriel의 방식은 답을 받아 적는 자동화가 아니라, 이해가 생길 때까지 질문과 재설명을 반복하는 “재귀적 빈틈 채우기(recursive gap filling)”다.

3.1. 확산 모델에서 시작해 기초로 내려가기

1. 먼저 큰 지도를 요청한다

   1. OpenAI의 Sora에서 비디오 모델을 만들기 위해 이미지·비디오 모델의 가장 기본적인 개념을 ChatGPT에 묻는다.
   2. 오토인코더(autoencoder)와 확산 모델(diffusion model)을 알게 되면, “확산 모델의 코드를 전부 작성해 달라”고 요청해 작동하는 출발점을 만든다.

2. 작동하는 코드와 이해는 별개의 단계다

   1. 처음 생성된 코드는 거대한 코드 덩어리처럼 보이고, Gabriel도 처음에는 무엇이 일어나는지 전혀 모른다.
   2. 코드를 실행하고 오류를 ChatGPT에 전달하며 디버깅하고, 각 줄이 무엇을 하는지 하나씩 묻는다.
   3. “이 부분은 무엇을 하나?”, “왜 이 모델 구조에 이 연산을 넣나?”, “이 단계가 실제로 학습을 더 쉽게 만든다는 말은 무슨 뜻인가?”를 이어서 질문한다.

3. 잔차 네트워크의 직관까지 재귀적으로 파고든다

   1. 확산 모델 안의 ResNet 블록이 변환을 수행하고 residual 경로로 데이터를 통과시킨다는 설명을 받는다.
   2. “학습이 쉬워진다”는 표현에서 멈추지 않고, 왜 그런지, gradient가 어떤 경로로 흐르는지, residual이 없으면 어느 지점에서 gradient가 막히는지 계속 묻는다.
   3. 처음에는 잔차 연결과 gradient의 관계를 몰라도, 질문을 반복하면서 모델 구조·미분·선형대수의 연결을 얻는다.

3.2. 이해의 빈틈과 ‘아하’ 신호를 감지하기

1. 모르는 것을 모른다고 알아차리는 능력이 선행 조건이다

   1. 학습자는 자신이 어떤 부분을 진정으로 이해하지 못하는지 먼저 찾아야 한다.
   2. 설명이 그럴듯하게 들리는 것과 개념의 원리를 재현할 수 있는 것은 다르므로, “잠깐, 나는 정말 이 부분을 이해했나?”라고 스스로 점검해야 한다.

2. 이해가 일어나는 순간을 강한 신호로 삼는다

   1. 계속 질문하다 보면 “아, 이제 이게 왜 그런지 근본적으로 알겠다”라는 명확한 클릭, 즉 아하 모멘트가 생긴다.
   2. 빠른 학습의 효용 함수는 가능한 한 자주 그런 클릭을 만들어 내는 것이며, 질문을 아끼지 않고 설명 방식을 바꾸는 이유도 여기에 있다.

3. 설명을 되돌려 주며 검증한다

   1. 개념을 이해했다고 느끼면 ChatGPT에 “내가 이해한 내용은 이렇다. 완전히 맞는가?”라고 다시 설명한다.
   2. 모델은 빠진 조건과 오해를 지적하고, 학습자는 다시 질문해 이해의 빈틈을 메운다.
   3. Richard Feynman의 설명 학습법을 AI와 함께 반복하는 셈이며, AI가 학습자의 설명을 평가하고 재구성할 수 있다는 점이 핵심이다.

3.3. 개인 학습 스타일에 맞게 프롬프트를 설계하기

1. 표준 답변을 그대로 받지 않는다

   1. ChatGPT는 보통 모든 사람에게 무난한 설명을 주도록 답하므로, 각자의 학습 방식에 맞는 응답을 요구해야 한다.
   2. Gabriel은 “극도로 직접적이고 구체적으로 답하라”, “중간 상태와 생성한 코드의 shape를 모두 보여 달라”고 지시한다.

2. 직관과 대안을 함께 요구한다

   1. 단순히 결과를 내지 말고 왜 그런 일이 일어나는지 직관을 만들라고 요청한다.
   2. 확신이 없으면 가능한 선택지와 다른 사람들이 시도한 방법, 한 방법이 작동하고 다른 방법이 실패한 이유를 함께 보여 달라고 한다.
   3. “12살에게 설명하듯 말해 달라”는 요청을 쓰면, 임베딩(embedding)을 서점 속의 서로 다른 책과 연결하는 식으로 추상 개념을 현실의 비유로 바꿀 수 있다.

3. 이해가 안 되면 질문의 표현을 창의적으로 바꾼다

   1. 같은 답을 50번 들어도 이해되지 않을 때는 “이 세상의 어떤 특징이 없었다면 이 발명품이 여전히 나왔을까?”처럼 반사실적 질문을 던진다.
   2. 필요한 분포를 보여주는 그래프를 만들게 하거나, 개념을 여러 비유와 시각적 형식으로 재구성하게 한다.
   3. 모델이 강해지기 전에는 이런 정보 추출 능력이 없으면 같은 질문을 1,000번 바꿔도 배우기 어려웠지만, 질문을 정교하게 만드는 능력과 모델 성능이 함께 발전하고 있다.

3.4. AI를 ‘일을 대신하는 도구’에서 ‘개인 교수’로 전환하기

1. 사용 목적을 먼저 바꾼다

   1. “AI가 내 일을 해 준다”는 오해를 “AI를 통해 내가 배운다”로 바꿔야 한다.
   2. 질문을 입력할 때마다 결과를 복사하는 것이 아니라, 작동 원리·중간 단계·실패 이유를 물어 지식을 내 것으로 만든다.

2. 질문을 머릿속에만 두지 않는 습관을 만든다

   1. Gabriel은 궁금한 점이 생겼을 때 즉시 ChatGPT에 입력하는 습관을 만드는 데 약 1년이 걸렸다고 회고한다.
   2. 사촌은 초기 ChatGPT 플레이그라운드 시절부터 “왜 아직도 이것을 쓰지 않느냐”고 매달 상기했지만, 처음에는 코드 작성 중 생긴 문제를 AI에 묻는 연결이 잘 되지 않았다.
   3. 이제는 어떤 추측이나 의문이든 비용이 거의 없이 질문할 수 있으므로, 질문을 보류할 이유가 없다.

3. 목표는 질문량과 이해 속도의 결합이다

   1. 하루 100개의 질문과 후속 질문을 던지면 100번의 사려 깊은 학습 루프가 생긴다.
   2. Gabriel은 이 정도의 반복이 세계 인구의 99.9%보다 빠르게 학습하게 만들 수 있다고 본다.
   3. AI를 잘 쓰는 사람은 단순한 프롬프트 기술자가 아니라, 언제 빈틈이 있는지 알고 아하 모멘트까지 질문을 밀어붙이는 사람이다.

4. Sora에서 비디오 모델을 만드는 연구 방식

OpenAI에서의 일은 신비한 천재성보다 문제를 관찰하고, 가설을 바꾸고, 결과를 다시 보는 반복 루프에 가깝다.

4.1. 모델을 개선하는 실험 루프

1. 출력의 결함에서 다음 실험을 시작한다

   1. 생성된 비디오를 보고 특정 부분이 좋지 않다고 판단한다.
   2. 모델 아키텍처를 조금 바꾸거나 데이터를 바꾸고, 다시 학습시킨다.
   3. 결과 비디오를 한동안 바라본 뒤 개선됐는지 평가하고, 좋아졌다면 그 변경을 기준 코드에 반영한다.

2. 다음 수정점을 찾는 반복이 연구의 일상이다

   1. “다음에 무엇을 고칠까?”, “무엇을 시험해 볼까?”를 정하고 같은 루프를 반복한다.
   2. 이 과정은 특별한 비밀 의식이 아니라 관찰 → 수정 → 학습 → 평가 → 반영의 누적이다.

4.2. 코드베이스와 연구 논문을 AI로 탐색하기

1. AI를 브레인스토밍 파트너로 사용한다

   1. 전체 코드베이스를 보여주며 개선 아이디어 10개를 요청한다.
   2. ChatGPT는 관련 논문과 새로운 접근법을 제안하고, 동료 연구자와 논의할 후보를 만들어 준다.
   3. 검색 기능을 켜고 특정 주제를 다룬 논문을 찾아 달라고 할 수도 있다.

2. 논문은 먼저 비교 요약한 뒤 깊이 읽는다

   1. 논문의 본문을 처음부터 끝까지 무조건 읽지 않고, 이미 알고 있는 기법과 비교해 무엇을 다르게 했는지 매우 구체적인 목록으로 정리하게 한다.
   2. 시도할 가치가 없다고 판단되면 다음 논문으로 넘어가고, 유망한 논문만 실제 구현 단계에서 깊이 읽는다.
   3. 논문을 구현하기로 결정했을 때는 코드와 논문을 함께 넣어 자신의 코드에 적용할 수 있는 형태로 도움을 받는다.

3. 생성 코드를 그대로 붙여 넣는 ‘vibe coding’을 거부한다

   1. Gabriel은 자신을 아무 코드나 복사해 넣는 vibe coder가 아니며, 코드에 대해 매우 강한 의견을 가진 사람이라고 농담한다.
   2. AI가 코드를 작성해도 각 줄과 설계의 이유를 읽고 이해해야 하며, 실제로 무엇이 일어나는지 모른 채 코드를 실행하지 않는다.

4.3. 지름길은 기초를 건너뛰는 것이 아니라 기초로 가는 시간을 줄이는 것

1. AI 활용에는 두 극단이 있다

   1. 한쪽은 AI가 모든 일을 해 주길 바라며 이해를 포기하는 “AI 슬롭” 진영이다.
   2. 다른 한쪽은 교수에게서 고전적인 순서로 모든 기초를 배워야만 이해가 가능하다고 믿는 진영이다.
   3. Gabriel은 AI를 이용해 모든 것을 이해하되, 필요한 기초까지 빠르게 내려가는 중간 지점을 택한다.

2. 짧은 지름길로 깊은 이해를 얻는다

   1. AI로 코드를 빠르게 만들고, 디버깅하며, 각 모듈의 직관과 수학적 근거를 재귀적으로 확인한다.
   2. 목표는 노동을 없애는 것이 아니라, 전통적인 순서에서 몇 년을 기다려야 만나는 기초를 실제 문제와 함께 즉시 이해하는 것이다.
   3. 인간은 창의성·주도성·판단을 제공하고 AI는 지식 접근과 피드백을 제공하는 인간-AI 공생(human-AI symbiosis)이 생산성을 높인다.

5. 학위 대신 실력과 피드백을 쌓은 경력 설계

Gabriel은 한 회사에 오래 머무르기보다 가장 좋은 사람에게서 가장 빠르게 배우는 환경을 계속 선택했다.

5.1. 샌프란시스코와 최고 팀을 향한 최적화

1. 배움의 속도를 커리어의 최우선 기준으로 삼았다

   1. 가장 뛰어난 사람들이 샌프란시스코로 이동하고, 자신이 아는 최고의 회사들이 그곳에 있다는 사실을 보고 이주를 목표로 삼았다.
   2. ChatGPT가 없던 시절에는 최고의 사람들과 함께 일하는 것이 가장 빠른 학습법이라고 판단했다.

2. 인터뷰에서도 회사를 검증했다

   1. 가능한 많은 회사와 이야기하고, 면접관에게도 질문했다.
   2. “Pull request를 실제로 하나요?”, “내 실수를 알 수 있도록 PR을 제대로 리뷰해 주나요?”처럼 코드 리뷰와 피드백 문화를 확인했다.

3. 초기 경력에는 계약직의 이동성이 유리했다

   1. 너무 일찍 한 회사에 오래 머무르는 것이 사람들이 하는 가장 큰 커리어 실수라고 봤다.
   2. 계약직을 주로 맡아 좋은 사람과 팀을 찾아 이동했고, 다른 사람이 하기 싫어하는 단순 업무만 받지 않도록 자신의 업무에 의견을 냈다.

5.2. 코드 리뷰를 피드백의 최대 원천으로 만들기

1. 리뷰어를 교사로 대한다

   1. 코드를 리뷰하는 사람에게 감사를 표현하고, “당신의 리뷰가 정말 좋다. 내 PR을 매번 리뷰해 줄 수 있느냐”고 직접 요청한다.
   2. 리뷰의 코멘트를 읽는 데서 끝내지 않고 전화를 걸어 모든 코멘트를 함께 검토하며, 왜 특정 설계가 더 나은지 묻는다.

2. 좋은 엔지니어가 되려면 넓은 직관이 필요하다

   1. 엔지니어링은 수많은 first principles와 직관을 동시에 요구하는 넓은 영역이다.
   2. 원리를 알고 나면 쉬워 보이지만 처음 배울 때는 어렵기 때문에, 뛰어난 동료의 설명을 빠르게 흡수하는 능력이 중요하다.

3. AI가 피드백의 시간을 24시간으로 확장한다

   1. 과거에는 직장 선배나 교사가 설명해 줄 때까지 기다려야 했지만, 이제는 새벽 4시에 코딩·논문·연구를 하다가도 AI에게 선택의 이유와 개선점을 물을 수 있다.
   2. 작성한 코드를 매번 AI에 넣어 “이 코드가 좋은가?”, “버그가 있는가?”, “더 단순한 방식은 없는가?”를 확인하는 습관을 활용한다.
   3. 인간의 판단과 최고의 동료가 주는 가치가 사라지는 것은 아니지만, AI로 그 가치의 약 95%에 언제든 접근할 수 있다고 본다.

5.3. Dataland, 미국행, O-1 비자

1. Dataland에서 뛰어난 엔지니어를 만났다

   1. Dataland는 Airtable과 비슷하지만 성능과 개발자 경험을 강조한 확장형 데이터 도구였다.
   2. 그곳의 한 엔지니어는 완벽한 코드를 좋아하고 PR마다 약 100개의 코멘트를 남겼으며, 각 설계의 first-principles 이유를 설명하는 데 능했다.
   3. Gabriel은 스웨덴에서 원격으로 일하고 팀은 뉴욕에 있었지만, 이 사람에게 계속 질문하며 미국에서 일하고 싶다는 목표를 구체화했다.

2. J-1 비자에서 O-1 비자로 목표가 바뀌었다

   1. 회사가 피벗하면서 Dataland에서 계획한 일이 무산됐고, 처음에는 학위나 큰 수상 경력이 없는 자신이 O-1 비자를 받을 수 없다고 생각했다.
   2. 노벨상이나 여러 복잡한 조건이 있어야 하는 비자라고 여겨 J-1 인턴십 비자 절차부터 시작했다.
   3. 이후 ESTA로 샌프란시스코에 몇 달 머물며 사람과 회사를 만나고, 이곳에서 가능한 경로를 찾았다.

3. Stack Overflow 활동이 O-1의 근거가 됐다

   1. 사촌은 Stack Overflow 답변에 시간을 쓰는 것을 낭비라고 했지만, Gabriel은 언젠가 도움이 될 수 있다고 생각했다.
   2. 실제로 Stack Overflow 게시물의 수백만 조회수, 동료들의 엄격한 검토, 추천 수와 다른 사람을 도운 기록이 O-1의 학술적 출판·영향력 기준을 뒷받침했다.
   3. 사실이 아닌 답변은 삭제되므로 품질 검증도 있었고, GitHub와 Stack Overflow는 학위가 없어도 실제 기여를 증명하는 창구가 됐다.

5.4. Midjourney로 이어진 기회의 사슬

1. 커리어는 결정론적 계획보다 작은 확률의 합이다

   1. 한 번에 원하는 회사로 직행하려 하기보다, 만든 것을 공개하고 좋은 데모를 만들고, 최대한 많은 사람에게 연락해 여러 기회를 동시에 만든다.
   2. 행사에서 누군가 소개해 주겠다고 하면 “지금 바로 소개를 진행하자”고 실행까지 밀어붙이는 high agency를 보여준다.

2. FastGrid가 관련성을 증명했다

   1. Gabriel은 매우 빠르게 작동하는 웹 테이블인 FastGrid를 만들었다.
   2. 누군가에게 도움을 요청할 때 자신이 아무것도 모르는 사람이 아니라 실제로 쓸 만한 것을 만든 사람이라는 증거로 FastGrid를 보여줬다.
   3. 상대방은 그 결과물을 보고 자신의 스타트업 창업자 친구에게 소개할 사회적 가치가 있다고 판단했고, 소개가 다음 기회로 이어졌다.

6. 학위보다 작동하는 데모가 강력한 채용 신호인 이유

기업이 원하는 것은 특정 학교의 이력이 아니라 회사에 가치를 만들 사람이라는 주장이다.

6.1. 3초 안에 능력을 보여주는 데모

1. 간단한 데모가 가장 어렵고 가장 강력하다

   1. 좋은 데모는 복잡한 기술을 많이 넣는 것이 아니라, 링크를 누른 사람이 3초 안에 무엇을 봐야 하는지 이해하게 만드는 것이다.
   2. 지원자 100명이 같은 채용에 지원할 때 링크 하나가 유일한 기회가 될 수 있으므로, 제품의 가치와 엔지니어링 수준이 짧은 시간에 드러나야 한다.

2. 가치를 직접 보여주면 학위의 대리 신호를 대체한다

   1. “파이프라인을 개선해 30% 효율화했다”는 이력서 문장은 실제 결과물을 보여주지 않으면 면접관에게 거의 아무것도 알려주지 못한다.
   2. 하버드 졸업, 높은 성적, 토론 챔피언 같은 이력도 일을 할 수 있다는 증거가 없으면 간접적인 신호에 불과하다.
   3. 반대로 돈을 벌게 하거나 실제 문제를 해결하는 데모는 회사가 바로 평가할 수 있는 직접 신호다.

6.2. CEO와 채용 담당자의 인센티브 차이

1. CEO는 돈을 벌 수 있는지를 본다

   1. “회사가 돈을 벌게 만들 수 있고, 코드를 쓸 수 있다”고 증명하면 CEO는 바로 할 일을 주고 채용할 수 있다.
   2. Gabriel의 핵심 문장은 “회사는 돈을 벌고 싶어 한다. 돈을 버는 방법과 코딩 능력을 보여주면 당신을 고용한다”이다.

2. 채용 담당자는 실수하지 않을 대리 신호를 찾는다

   1. 채용 담당자는 기술적으로 지원자를 판단할 수 없고, 잘못 뽑아도 자신이 책임지지 않도록 명문대와 학위 같은 관습적 이력을 사용한다.
   2. 회사의 의사결정권자에서 멀어질수록 회사에 최선인 사람을 찾기보다 “나쁜 채용으로 손해 보지 않는 것”이 우선되기 쉽다.
   3. 따라서 기술 행사에서 실제 기술자와 직접 대화하고, 기술 창업자에게 직접 데모를 보여주는 편이 프록시 신호를 통과하는 것보다 낫다.

3. 무료 단기 협업은 위험을 낮춘다

   1. 행사에서 만난 창업자에게 “일주일 동안 무료로 함께 일해 보자. 당신에게 시간이나 의무를 요구하지 않고, 내가 잘하는지 확인할 데이터만 얻으면 된다”고 제안할 수 있다.
   2. 실제 문제를 해결하는 모습은 지원자의 실력을 보여주고, 창업자에게는 비용 없는 평가 기회가 된다.
   3. ChatGPT를 이용해 배우고 결과를 내는 high-agency 인재라면, 그 자리에서 만난 스타트업에서 다음 날 일자리를 얻을 수도 있다고 본다.

6.3. 대학을 중퇴할 때의 안전한 선택지와 한계

1. 대학 중퇴는 모두에게 맞는 정답이 아니다

   1. 대학은 친구를 만나고, 즐겁게 지내고, 지식을 배우는 좋은 경험이지만 가르치는 방식이 비효율적일 수 있다.
   2. 아직 원하는 분야가 없거나 탐색 비용을 감당하기 어렵다면 대학에 다니면서 동시에 일자리에 지원하는 방식이 안전하다.
   3. 실제 직업을 하나 얻는 순간, 그 뒤에는 학위보다 무엇을 만들어 왔는지가 더 중요해진다.

2. 고도로 야심찬 사람에게는 속도가 중요하다

   1. Gabriel은 초고도 야심가라면 가능한 한 빨리 실제 경력을 시작하라고 권한다.
   2. 학교에서 선형대수를 배우는 것보다 실제 회사에서 책임을 지고 일하는 경험이 더 어렵고, 더 강한 증거가 될 수 있다.
   3. 다만 일자리를 얻지 못했을 때 돌아갈 수 있도록 대학에 등록해 두는 절충안도 가능하다.

3. 대학은 결정을 미루게 하는 성인용 데이케어가 될 수 있다

   1. 스웨덴은 대학이 무료이고, 법학·토목공학·산업경제학처럼 직업 결정을 당장 확정하지 않아도 되는 과정이 많다.
   2. 사람들은 “평생 무엇을 할지 결정한다”는 느낌을 피하려고 5년 동안 무작위 과정을 계속하며 결정을 미래로 미룬다.
   3. 한 분야에서 5년을 보낸 뒤 전혀 다른 법인 마케팅으로 옮겨도, 사람들은 “5년을 낭비했느냐”고 묻지만 실제로 더 행복하고 돈을 더 벌면 삶을 업그레이드한 것이다.

7. 무엇을 하고 싶은지 모르는 10대와 청년을 위한 실행 경로

진로를 찾는 가장 빠른 방법은 동기부여 콘텐츠를 소비하는 것이 아니라, 현실의 사람과 문제에 자신의 결과물을 연결하는 것이다.

7.1. 첫 번째 도약: 소프트웨어와 마케팅

1. 소프트웨어는 실력을 링크로 보여주기 쉽다

   1. 간단한 게임을 만들고, 자신이 빠르게 배우는 과정을 ChatGPT와 함께 기록하고, 그것을 링크로 보낸다.
   2. 자신의 이야기를 “고등학교를 나왔는가”가 아니라 “어떻게 배우고 무엇을 만들었는가”로 구성한다.
   3. 500명에게 보냈을 때 한 명만 “이 사람에게 기회를 줘 보자”고 생각해도 시작할 수 있으며, 초기에는 시간당 10달러 정도라도 실제 경험의 가치가 크다.

2. 마케팅도 무료로 문제를 먼저 해결하면 된다

   1. 16세라면 “마케팅을 할 수 있다”고 무작정 이메일을 보내도 아무도 답하지 않을 가능성이 높다.
   2. 대신 기업의 웹사이트를 분석하고, 자료를 잘라 개선안을 만들고, 무료로 일부 작업을 수행한 뒤 결과를 보내면 상대는 이미 일을 해낸 사람으로 인식한다.
   3. 기업에는 해결되지 않은 문제가 수없이 많고, 그중 하나만 해결해도 채용과 계약의 문턱이 크게 낮아진다.

3. 첫 실제 경험을 최대한 빨리 얻는다

   1. 돈을 받는 일, 고객의 요구, 동료의 피드백이 있는 실제 맥락에 들어가야 자신이 무엇을 좋아하고 잘하는지 데이터가 생긴다.
   2. “무엇을 하고 싶은지”를 생각만 해서는 데이터가 생기지 않으며, 실제 일을 하며 작은 확률의 선택들을 늘려야 한다.

7.2. 조언보다 인센티브와 실제 데이터를 본다

1. 대부분의 조언은 선의와 무관하게 신뢰하기 어렵다

   1. 대학 5년을 행복하게 보낸 사람에게 소프트웨어 엔지니어가 되고 싶다고 물으면, 그 사람은 자신이 한 것과 같은 5년 과정을 권할 가능성이 높다.
   2. 그 사람은 다른 경로를 비교해 본 경험이 없고, 자신이 보낸 시간이 낭비였을 가능성을 인정하기 어려워 조언을 객관적으로 평가하지 못한다.
   3. 의견은 인센티브 뒤에 오는 경우가 많으므로, 조언자의 실제 경험·목표·이해관계를 확인해야 한다.

2. Gabriel은 조언을 한 손으로 셀 만큼 적은 사람에게서만 받는다

   1. 사촌은 Gabriel과 사고방식이 매우 비슷하고 여러 살 많으며, 대학을 직접 경험해 본 뒤 Gabriel과 같은 목표에는 시간이 낭비될 수 있다고 판단했다.
   2. 서로 비슷한 목표를 가진 사람이 이미 겪은 시행착오를 압축해 주었기 때문에, Gabriel은 사촌의 조언을 신뢰했다.
   3. 젊고 검증된 경력이 없을수록, 자신의 목표와 사고방식을 이해하면서 실제로 다른 선택을 해 본 멘토를 찾아야 한다.

3. 부모의 사랑과 자녀를 통한 자아실현을 구분한다

   1. Gabriel의 부모는 A부터 F까지의 성적에서 E 이상만 받으면 괜찮다고 했고, 진로에 강한 의견을 내지 않았다.
   2. Gabriel은 어릴 때 부모가 자신을 더 밀어붙이지 않는다고 화냈지만, 나중에는 부모가 자녀에게 부착한 자아의 정도가 다르다는 사실을 이해했다.
   3. 반대편의 부모는 자신이 이루지 못한 꿈을 자녀에게 투사해 “너는 의사나 변호사가 되어야 한다”고 말하고, 자녀의 성취를 이웃에게 보여주려는 욕구를 사랑으로 포장할 수 있다.
   4. 스웨덴에서는 대학이 무료이고 부모의 평균적인 자아 투사가 약해 자녀의 학위에 집착하는 정도가 다른 문화보다 낮다고 느꼈다.
   5. Gabriel의 아버지는 중퇴 소식을 처음에는 나쁘게 받아들였지만 빠르게 적응했고, 부모는 Gabriel이 원하는 실험을 대체로 지지했다.

7.3. 동기부여 콘텐츠 대신 실제 일을 선택하기

1. 동기부여 영상은 행동 없는 기분을 판다

   1. 야심찬 16세가 온라인에서 “나는 수백만 달러를 벌었다”는 연설을 보고 잠시 고양되지만, 다음 날이면 동기는 사라진다.
   2. 그런 콘텐츠는 비밀을 배웠다는 느낌을 주면서 실제로는 아무것도 하지 않는 사람을 끌어들이는 함정이 될 수 있다.

2. 독서·운동·좋은 습관도 중요한 일과 연결해야 한다

   1. 독서, 운동, 일찍 일어나기, 좋은 습관 자체는 훌륭하지만 실제로 의미 있는 일을 하지 않는다면 성취와 연결되지 않는다.
   2. Gabriel은 초등학교와 고등학교 때 책을 읽고 달리며 생산적이라고 느꼈지만, 실제 문제를 해결하지 않았다면 그 시간의 직업적 가치는 0에 가까웠다고 회고한다.

3. 스타트업에서 진짜 업무를 제안한다

   1. LinkedIn에서 스텔스 창업자를 찾아 수십~수백 명에게 “이번 주말부터 함께 일해 보고 싶다. 무엇이든 하겠다”고 메시지를 보낸다.
   2. 처음에는 단순한 업무라도 실제로 수행해 첫 경험을 만든다.
   3. 실제 경험이 쌓이면 다음 팀과 더 좋은 문제를 선택할 수 있고, 무엇이 자신의 삶에 중요한지 스스로 데이터로 판단할 수 있다.

8. 직장을 바꾸는 데 필요한 정직함과 감정적 어려움

아무것도 하지 않는 선택지가 있을 때 사람은 정신적으로 어려운 결정을 피하며, 그 회피를 합리화한다.

8.1. ‘영구적인 가벼운 고통’의 구조

1. 70%의 사람은 결정을 미루며 가벼운 고통을 지속한다

   1. Gabriel은 사람들이 정신적으로 힘든 결정을 내리는 데 알레르기가 있어 영구적인 가벼운 고통 상태에 머무는 경우가 많다고 말한다.
   2. 직장이 마음에 들지 않으면 다른 직장을 찾고, 면접을 준비하고, 거절을 견디고, 연봉을 협상하고, 현재 회사에 퇴사를 통보해야 한다.
   3. 각 단계가 감정적으로 힘들기 때문에 뇌는 실제로는 최선이 아닌 현재 직장을 “아마 내가 가장 많이 배우는 곳”이라고 설득한다.

2. 현재의 안락함은 진실과 다를 수 있다

   1. 첫 직장에 3년을 머물러도 전 세계 수백만 일자리 중 가장 많이 배우는 곳이라고 자신을 설득할 수 있다.
   2. 필요한 것은 자신이 원하는 급여, 동료, 원격 근무, 학습 속도 등을 구체적으로 말하고 현재 선택이 그것을 충족하는지 정직하게 보는 것이다.
   3. 감정적으로 어려운 행동을 미루는 심리를 인식하면, 이직 준비를 시작할 수 있다.

8.2. 스웨덴 친구의 샌프란시스코 이직 사례

1. 기회를 알아도 행동은 어려울 수 있다

   1. 친구는 스웨덴 평균보다 약 50% 높은 정상적인 급여를 받으며 편안하게 살고 있었다.
   2. Gabriel은 샌프란시스코로 가면 급여를 10배로 높이고 더 뛰어난 사람들과 더 많은 사람이 쓰는 일을 할 수 있다고 여러 번 말했다.
   3. 친구의 머릿속에는 이주하지 말아야 할 이유가 계속 떠올랐고, Gabriel을 신뢰하면서도 그 기회를 감정적으로 생각하기 어려워 1년가량 미뤘다.

2. 면접의 관성이 결정을 대신하게 만들었다

   1. Gabriel이 회사를 직접 연결하고 면접을 시작하게 하자, 회사가 인터뷰와 절차를 끌고 가며 추진력이 생겼다.
   2. 제안서를 받은 뒤에는 서명만 하면 되므로, 처음부터 모든 결정을 스스로 떠안는 것보다 행동이 쉬워졌다.
   3. 친구는 결국 샌프란시스코에서 급여를 10배로 올렸고, 행동을 미룬 기간 동안 스웨덴의 집 한 채에 해당하는 금액을 잃은 셈이 됐다.

9. 샌프란시스코의 인재 밀도와 이주 전략

샌프란시스코는 급여·인재·자본·대화가 서로를 끌어당기는 네트워크 효과가 강한 스타트업 중심지로 제시된다.

9.1. 왜 샌프란시스코인가

1. 인재 밀도와 급여가 높다

   1. 한 공간에 매우 높은 집중도로 뛰어난 사람을 만날 수 있고, 생활 수준을 좌우하는 급여도 크게 높아진다.
   2. 스타트업에 인생을 전부 걸고 싶은 사람에게는 샌프란시스코가 가장 객관적으로 유리한 선택이라고 본다.

2. 자본과 네트워크가 자유롭게 흐른다

   1. 사람들이 늘 서로 대화하고, 뛰어난 인재를 채용하고, 새 회사를 만들고, 투자자를 만난다.
   2. 처음 온 사람은 자신이 관심을 가진 주제를 중요하게 생각하는 사람이 같은 방에 이렇게 많이 있다는 사실에 충격을 받는다.
   3. 유튜브 동기부여 연설이 아니라 주변의 실제 행동과 기준이 주는 동기부여가 생긴다.

3. 실리콘밸리의 기술이 생활을 바꿨다

   1. Google Maps, iPhone, 위성 인터넷, 마비 환자의 보행 회복, 질병 치료 같은 결과가 미국과 특히 샌프란시스코의 혁신 생태계에서 나왔다고 본다.
   2. Apple, Google, OpenAI, Anthropic 같은 기업이 이곳에 본사를 둔 데에는 이유가 있다.
   3. 샌프란시스코 인구는 약 100만 명으로 스톡홀름과 비슷하지만, 유럽 전체보다 큰 규모의 자본과 혁신이 집중되어 있다고 표현한다.

9.2. 외국인이 미국으로 이동하는 실전 순서

1. 첫 단계는 기술이 아니라 실력이다

   1. 무언가를 매우 잘해야 하며, 야심찬 사람이 실제 회사에서 계속 일하면 실력은 따라온다.
   2. 인터넷에서 만든 제품과 데모로 미국 회사에 자신이 큰 가치를 제공할 수 있음을 증명한다.

2. 두 번째 단계는 스폰서 회사다

   1. 미국 회사가 비자 절차의 행정 부담을 감수하고도 채용하고 싶을 만큼 뛰어나야 한다.
   2. 미국인 채용이 더 간단하더라도, 세계적으로 뛰어난 소프트웨어 엔지니어는 여전히 부족하므로 강한 실력에는 스폰서 기회가 있다.

3. 온라인에서 증명한 뒤 이주한다

   1. 처음부터 미국에 있을 필요 없이 인터넷으로 좋은 코드, 데모, 오픈소스·Stack Overflow 기여를 만들 수 있다.
   2. 샌프란시스코의 사람들은 큰 가치를 제공하는 해외 인재를 기꺼이 스폰서하며, 최근에는 과거보다 이런 이동이 쉬워지고 있다고 본다.

10. 과소평가하는 자기 능력과 미래의 가능성

자신을 똑똑하지 않다고 느끼는 감정은 능력의 상한선이 아니라, 주변에서 이미 실현된 가능성을 보지 못한 결과일 수 있다.

10.1. ‘나는 너무 평범하다’는 감정의 재해석

1. 비교 대상이 바뀌면 자기 평가도 바뀐다

   1. Gabriel은 학교와 고향 사람들 사이에서는 수학을 잘하는 편이었지만, 로켓을 만들고 거대한 프로젝트를 수행하는 사람들을 보면 자신이 아무것도 할 수 없다고 느꼈다.
   2. 실제로는 자신이 할 수 있는 양을 과소평가하기가 매우 쉽고, 인터넷과 AI는 그 한계를 빠르게 넓혀 준다.

2. 콘텐츠를 찾아 듣는 행동 자체가 주도성의 증거다

   1. 무언가를 하고 싶어 한 시간 동안 방법을 찾고 듣는 사람은 이미 대다수보다 높은 agency를 보인다.
   2. Gabriel은 이런 청취자들이 상위 1%에 가까운 행동을 하고 있으며, 상위 1%가 세계 상위 500개 또는 200개 스타트업을 만들 수 있는 집단이라고 과감하게 연결한다.

3. 작은 행동을 계속하면 선택지가 폭발한다

   1. 한 번의 게임, 한 번의 데모, 한 번의 PR, 한 번의 메시지가 다음 팀·비자·연구 기회를 만든다.
   2. 인터넷과 ChatGPT가 있다면 세계 어디에서든 세계 최고 AI 회사에 필요한 지식을 따라가고 결과물을 만들 수 있다.

10.2. 전 세계의 지식 노동이 재편되는 전망

1. AI는 지식 접근의 비용을 낮춘다

   1. 월 20달러의 ChatGPT와 강력한 추론 모델만으로 코딩과 개념 학습에 접근할 수 있다.
   2. 생명과학, 하드웨어, 우주 분야에서도 문제를 정하고 필요한 지식을 질문하며 바로 작은 실험을 시작할 수 있다.

2. 세계 GDP의 두 자릿수 증가 가능성

   1. Cel Wen은 모든 사람이 ChatGPT를 제대로 사용할 수 있다면 대규모 언어 모델이 세계 GDP를 두 자릿수 비율로 높일 수 있다고 전망한다.
   2. Gabriel은 더 많은 사람이 AI를 이용해 지금 자신이 하는 일을 수행하고, 혁신 속도가 모든 분야에서 빨라질 것이라며 이 전망에 강하게 동의한다.

3. 지식은 새 시대에 들어섰지만 인간 능력은 여전히 필요하다

   1. 창의성, agency, 판단력, 문제를 고르는 감각은 여전히 인간에게 필요하다.
   2. AI는 지식의 독점과 긴 선수과목 사슬을 약화시키지만, 실제 문제를 선택하고 끝까지 해결하는 주도성까지 자동으로 제공하지는 않는다.

주요 발언 모음

“대학이 ChatGPT를 커리큘럼의 일부로 가르치지 않는다면 대학을 거의 진지하게 받아들이기 어렵다.”

“기초 지식에 대해 대학이 더 이상 독점권을 갖고 있지 않다.”

“문제에서 시작해 재귀적으로 내려가면 된다. 그러면 기초 지식까지 도달한다.”

“아하 모멘트가 가능한 한 자주 생기도록 질문하는 것이 이제 가장 중요한 기술일 수 있다.”

“지름길을 택하고 싶다. 하지만 모든 기초를 이해하기 위한 지름길을 택하고 싶다.”

“회사는 돈을 벌고 싶어 한다. 돈을 벌게 할 수 있고 코딩할 수 있다는 것을 보여주면 회사가 당신을 고용한다.”

“대학에 가는 것은 괜찮지만, 대학은 많은 것을 매우 비효율적인 방식으로 가르친다.”

“70%의 사람들은 아무것도 하지 않는 선택지가 있을 때 정신적으로 어려운 결정을 내리는 데 알레르기가 있어서 영구적인 가벼운 고통 속에 산다.”

“당신이 무언가를 하고 싶어서 한 시간 동안 그 방법을 찾아 듣고 있다면, 이미 상위 1%다.”

핵심 데이터 & 수치

• 5년: Gabriel이 고등학교를 중퇴하고 스타트업에 합류한 뒤 OpenAI 연구 과학자가 되기까지의 기간으로 소개된다.
• 100%: 첫 스타트업이 자신을 억만장자로 만들 것이라고 믿었던 확신의 정도다.
• 약 100장: 고객의 기존·새 상품 추천 결과를 비교해 만든 A3 자료의 수량이다.
• 1년: 공용 공간의 소파 쿠션에서 자며 스타트업을 이어 간 기간이다.
• 13세: 사촌에게 Java를 배우고 첫 Pokémon 클론을 만든 시기다.
• 하루 100개 질문: AI에 코드와 개념을 반복적으로 묻는 권장 학습량의 예시다.
• 99.9%: 하루 100개의 깊은 질문이 세계 대부분의 사람보다 빠르게 학습하게 만들 수 있다는 주장에 사용된 비율이다.
• 약 95%: AI를 통해 최고 동료에게서 얻을 수 있는 피드백의 대부분을 비유적으로 표현한 수치다.
• 약 100개: Dataland의 뛰어난 엔지니어가 PR 하나에 남기던 코드 리뷰 코멘트의 예시다.
• 3초: 채용 담당자가 지원자의 데모가 무엇인지와 엔지니어링 역량을 이해해야 하는 시간이다.
• 500명: 청년이 자신의 데모와 학습 사례를 보낼 수 있는 잠재적 연락처의 예시다.
• 시간당 10달러: 첫 기회에서 받을 수 있는 낮은 초기 보상도 실제 경험에 비하면 가치가 있다는 예시다.
• 10배: 스웨덴 친구가 샌프란시스코 이직으로 높인 급여의 배수다.
• 약 50%: 이직 전 친구가 스웨덴 평균보다 높게 받던 급여의 수준이다.
• 월 20달러: 강력한 ChatGPT 추론 모델을 이용하는 비용의 예시다.
• 두 자릿수: LLM이 세계 GDP를 증가시킬 수 있다는 전망의 규모다.
• 약 100만 명: 샌프란시스코 인구를 스톡홀름과 비교한 수치다.

결론 및 시사점

1. 학교나 학위가 제공하는 안전한 경로를 선택하더라도, 실제 문제를 풀고 결과물을 공개하는 일을 동시에 시작하면 학습 속도와 선택지가 커진다.
2. ChatGPT를 코드 생성기로만 쓰지 말고, 프로젝트 선택·디버깅·직관 설명·수학적 근거·이해 검증을 반복하는 개인 교수로 사용해야 한다.
3. 모르는 것을 알아차리고, 아하 모멘트를 감지하고, 자신의 설명을 다시 AI에 검증받는 세 가지 능력이 AI 시대의 핵심 학습 역량이다.
4. 좋은 팀에서 PR 리뷰를 적극적으로 요청하고, 리뷰어에게 모든 코멘트의 이유를 물으면 학위보다 빠르게 실무 직관을 쌓을 수 있다.
5. 간단한 게임·웹 도구·분석 결과라도 3초 안에 가치를 보여주는 데모로 만들면 명문대·인턴십 같은 대리 신호를 대체할 수 있다.
6. 진로를 모를수록 동기부여 영상과 습관 목록을 소비하기보다 스텔스 스타트업에 연락해 실제 문제를 해결하고 첫 직업 경험을 얻어야 한다.
7. 조언자의 경력, 인센티브, 목표가 자신의 것과 같은지 확인하고, 자신과 다른 선택을 실제로 비교해 본 사람의 조언을 우선해야 한다.
8. 이직·이주·중퇴처럼 감정적으로 어려운 선택은 현재의 안락함이 최선이라는 자기합리화를 깨고, 면접과 제안의 추진력을 활용해 실행으로 옮겨야 한다.
9. 샌프란시스코 이주는 모든 사람의 답이 아니지만, 스타트업과 최첨단 AI에 인생을 걸 사람에게 인재 밀도·자본·네트워크 효과를 제공한다.
10. 고등학교 중퇴생이 OpenAI에서 일하게 된 사례의 핵심은 학위를 무시하는 데 있지 않고, 실제 문제 해결·AI 기반 독학·고품질 결과물·끈질긴 피드백의 결합에 있다.

핵심 요약 (20줄)

1. Gabriel Peterson은 스웨덴에서 고등학교를 중퇴하고 5년 만에 OpenAI Sora 팀의 연구 과학자가 됐다.
2. Gabriel은 사촌의 갑작스러운 연락을 받고 다음 버스로 스톡홀름에 가서 AI 상품 추천 스타트업에 합류했다.
3. 첫 팀은 17~18세 중퇴생 중심으로 운영됐고 Gabriel은 공용 공간의 소파 쿠션에서 1년을 지냈다.
4. 고객 웹사이트를 스크래핑하고 기존·신규 추천 결과를 약 100장의 A3 자료로 비교해 회사 문을 직접 두드렸다.
5. 준비한 스크립트와 A/B 테스트 덕분에 첫 미팅에서 추천 시스템 구현과 매출 검증까지 제안할 수 있었다.
6. 실제 고객 문제와 돈에 대한 압박은 학교의 추상적인 선수과목보다 빠른 학습을 강제했다.
7. ChatGPT는 문제에서 출발해 필요한 개념과 수학으로 내려가는 하향식 학습을 가능하게 한다.
8. 확산 모델 코드를 실행한 뒤 오류와 각 줄의 의미를 계속 질문하면 기초 원리까지 재귀적으로 도달할 수 있다.
9. 효과적인 AI 학습자는 자신의 지식 빈틈과 이해가 일어나는 아하 모멘트를 정확히 감지한다.
10. 직접적 설명, 중간 상태, 코드 shape, 직관, 대안, 반사실적 질문을 요구하면 개인 학습 방식에 맞는 답을 얻을 수 있다.
11. Gabriel은 하루 100개의 질문을 던지며 AI를 개인 교수이자 코드 리뷰어로 활용한다.
12. Sora의 연구는 비디오를 보고 모델 아키텍처나 데이터를 바꾼 뒤 다시 학습하는 실험 루프의 반복이다.
13. 연구 논문은 AI로 기존 기법과의 차이를 먼저 비교한 뒤 실제 구현할 때 깊이 읽는다.
14. AI로 지름길을 택한다는 것은 기초를 포기하는 것이 아니라 기초에 도달하는 시간을 줄이는 일이다.
15. 좋은 팀을 찾아 계약직으로 이동하고 PR 리뷰의 모든 이유를 물은 경험이 Gabriel의 실무 직관을 키웠다.
16. Stack Overflow의 조회수·추천·검토 기록은 학위가 없어도 O-1 비자와 전문성을 증명하는 근거가 됐다.
17. 채용에서는 명문대 이력보다 3초 안에 가치와 작동 방식을 보여주는 간단한 데모가 강력한 직접 신호가 된다.
18. 진로를 모르는 사람은 동기부여 콘텐츠보다 스타트업의 실제 문제를 해결하며 첫 직업 경험을 얻어야 한다.
19. 샌프란시스코는 높은 인재 밀도와 자본·네트워크 효과로 최첨단 스타트업 커리어를 가속할 수 있다.
20. 인터넷과 ChatGPT를 가진 사람은 출신지와 학위에 관계없이 실제 결과물과 끈질긴 학습으로 세계 최고 수준의 기회에 도전할 수 있다.