샘 알트먼의 불가능한 베팅과 OpenAI의 다음 AI 플랫폼

URL: https://www.youtube.com/watch?v=-4lID6Ww0OA 날짜: 2026-08-25 채널: Tech Bridge 원문 제목: [한영자막] 샘 알트먼이 OpenAI를 만들고 불가능에 베팅한 이야기 영상 길이: 1시간 15분 34초 주요 인물: Sam Altman, David Senra(문맥상)

---

📌 핵심 질문 / 이 대화가 다루는 핵심 논점

==AI의 핵심 경쟁은 모델을 먼저 만드는 데서 끝나지 않고, 불확실한 연구에 장기간 베팅하고 현실의 사용자 피드백으로 안전성과 제품을 함께 진화시키며 사람의 자율성과 창업 능력을 넓히는 데 있다.==

• AI가 아무리 빠르게 발전해도 경제와 인간의 습관은 기술보다 느리게 바뀌므로, 기술적 가능성과 실제 채택 사이의 간극을 이해해야 한다.
• AGI(Artificial General Intelligence)는 2015년에는 비합의적(non-consensus)인 목표였지만, 높은 위험을 감수하되 성공했을 때 가치가 큰 가설에 집중한 연구가 GPT 계열과 규모 확장으로 이어졌다.
• 안전은 현실과 분리된 연구실에서 완성되는 정적인 보증이 아니라, 실제 사용·사고 보고·사후 분석·반복 배포를 통해 점진적으로 강해지는 제품 속성이다.
• AI의 최종 목적은 소수 회사나 모델에 권력을 집중하는 것이 아니라, 개인과 소규모 기업을 포함한 더 많은 사람이 미래를 설계하고 창업하도록 능력을 부여하는 데 있다.

샘 알트먼의 사고방식에는 어린 시절의 낙관주의, 스타트업 투자자로서 축적한 패턴 인식, YC(Y Combinator)의 반복 배포 철학, OpenAI 연구소에서의 혼란스러운 학습이 함께 들어 있다. 그는 연구·컴퓨트·칩·데이터센터·전력 같은 상류 문제에 집중하면서, 최종적으로는 모든 사람이 자신의 AGI를 쓰고 API로 새로운 회사를 만들 수 있는 플랫폼을 지향한다. 동시에 통제 상실과 권력 집중을 가장 큰 위험으로 꼽고, 사람을 배제하는 안전 논리와 자유를 포기시키는 번영의 교환을 거부한다.

1. 최첨단 사용자가 보여주는 AI 채택의 속도

1.1. Toby Lu가 보여주는 ‘현실을 여섯 달에서 여덟 달 앞서 사는’ CEO

1. 제품을 직접 만지는 CEO의 희소성

   1. Toby Lu는 AI 초창기부터 변화 곡선의 모든 순간에 가장 전향적인 CEO로 행동했다.
   2. 그는 팀에 맡기기만 하지 않고 직접 소프트웨어를 쓰고, 모델을 실험하고, 제품과 모델 역량에 관한 매우 구체적인 피드백을 보낸다.
   3. 다른 CEO들이 아직 말하지 않을 때부터 “우리는 NPC 회사가 아니므로 에이전트를 도입해야 하며, 그렇지 않으면 완전히 망한다”는 식으로 문제를 정의하고 직접 구축했다.
   4. AI가 지금 할 수 있는 일, 곧 할 수 있을 일, 그에 맞춰 회사를 밀어붙일 방법을 구분하므로 과장(hype)이 아니라 실제 역량에 근거해 판단한다.

2. AI-native Shopify를 향한 베팅

   1. Toby Lu는 2026년을 돌아보면 모든 사업이 새로 경쟁에 열려 있던 해로 기억하게 될 것이라고 말했다.
   2. 누군가는 AI-native 버전의 Shopify를 만들 것이며, 그 사람이 자신이 될 것이라고 선언했다.
   3. 밤마다 기존 회사를 다시 세우듯 자신의 업무와 사업을 AI 중심으로 재구성하려는 태도가 그 선언을 뒷받침한다.

1.2. 기술 가능성보다 느린 경제와 습관

1. ‘모든 사업이 쟁탈전’이라는 예측의 수정

   1. Sam Altman은 많은 소프트웨어 사업이 새 경쟁에 열릴 것이라는 취지에는 동의하지만, 2026년이라는 시점에는 동의하지 않는다.
   2. AI가 좋아질수록 더 경쟁하기 어려워지는 비(非)AI 사업도 있다. 사람은 진정성 있는 비기술적 경험, 스포츠 팀, 실제 세계의 접촉을 더 소중히 여길 수 있기 때문이다.
   3. GPT-4가 나온 2023년 무렵에는 소프트웨어 사업의 대규모 재편이 곧바로 일어날 것으로 예상했지만, 실제 변화는 더뎠다.

2. 경제의 관성과 채택의 지연

   1. 사람은 계속 같은 방식으로 일하고, 같은 회사에서 구매하고, 익숙한 도구를 같은 방식으로 사용한다.
   2. 이런 관성은 변화의 전환을 더 느리고 부드럽게 만들어 주는 긍정적 기능도 있지만, AI의 경제적 파급 시점에 대한 예측을 지나치게 낙관적으로 만든다.
   3. 기술은 놀라운 속도로 발전해도 사회와 경제는 훨씬 느리게 적응한다.

3. Netflix와 Blockbuster의 기억

   1. Netflix가 스트리밍 이전에 DVD를 배송하기 시작한 뒤에도 사람들은 한동안 Blockbuster에 갔다.
   2. 기술적으로 더 나은 선택지가 등장했다는 사실만으로 행동이 즉시 바뀌지는 않는다.
   3. 기술 전문가가 놓치기 쉬운 핵심은 기술 문제가 아니라 사람의 습관과 행동을 바꾸는 문제다.

2. Codex를 만든 사람도 낡은 컴퓨터 습관을 버리지 못한다

2.1. ‘생산성처럼 느껴지는’ 반복의 심리

1. 오래된 업무 방식의 자기모순

   1. Sam Altman은 20년 동안 컴퓨터를 거의 같은 방식으로 사용해 왔다.
   2. Codex라는 강력한 도구가 생겼다면 메시지 앱 사이를 복사·붙여넣기하거나, 고통스러운 이메일을 미루며 스크롤하거나, 할 일 목록을 수작업으로 처리하지 않아야 한다.
   3. 더 빠르고 더 나은 방식이 있다는 것을 알고도, 반복 작업을 수행하는 것이 ‘일하고 생산적인 상태’라는 감각이 머릿속에 인코딩되어 있다.
   4. 실제 선택(revealed preference)은 자신이 주장하는 선호와 다르다. 하지 않아도 되는 구식 일을 계속한다는 사실은 그 방식에 은밀한 만족을 느끼는 것처럼 보이게 한다.

2. 두 세계 사이에 걸친 사용자

   1. 현재의 컴퓨터는 전통적인 방식으로도 쓸 수 있고 Codex를 통해 놀라운 새 방식으로도 쓸 수 있다.
   2. 사람들은 어떤 작업에 어느 방식을 써야 하는지 아직 직관을 갖지 못해 두 세계를 오간다.
   3. 이런 마찰은 사용자의 의지 부족만이 아니라 제품 설계의 실패다. 새 기술이 기존 습관을 자연스럽게 대체하는 경험을 아직 만들지 못했기 때문이다.

2.2. iPhone 이전의 스마트폰과 AI의 ‘iPhone 순간’

1. 기술 부품은 이미 있었지만 제품 개념이 없었다

   1. Sam Altman은 2003~2004년 무렵 Palm Treo를 쓰던 얼리어답터였고, 인터뷰어는 Sidekick을 갖고 싶었지만 실제로 쓰지는 못했다고 농담한다.
   2. iPhone 이전에도 스마트폰 기술의 상당 부분은 존재했지만, 멀티터치와 함께 사람들이 기기와 상호작용하는 방식을 바꾸는 제품 아이디어가 부족했다.
   3. AI도 모델·에이전트·도구 호출 같은 기술 부품은 빠르게 갖춰졌지만, 컴퓨터와 일하는 방식을 완전히 바꾸는 iPhone 순간은 아직 오지 않았다.

2. Steve Jobs의 ‘켜짐, 꺼짐’ 제품 감각

   1. Josh Kushner는 Steve Jobs의 사고방식과 Sam Altman의 방식 사이에 공통점이 있다고 말한다.
   2. Jobs는 코드를 직접 쓰거나 하드웨어를 직접 조립하지 않아도 자신을 환자 0번(patient zero)으로 삼아 자신이 원하는 제품을 만들었다.
   3. MacBook 검토 회의에서 Jobs는 긴 프레젠테이션을 기다리지 않고 전원 버튼을 눌러 켜지고 다시 꺼지는지 확인했다.
   4. 노트북을 열었을 때 반응이 지연되자 “이렇게 만들어라”고 말하고 방을 나갔다. 제품의 본질적인 사용 감각을 직접 확인한 것이다.

3. 제품보다 먼저 해결해야 할 상류 문제

   1. Sam Altman은 제품에 더 많은 시간을 쓰고 싶지만, 당장의 가장 큰 레버리지는 똑똑한 모델을 만들고 많은 사람이 풍부하게 쓸 수 있도록 효율적으로 실행하는 데 있다고 판단한다.
   2. 모델과 컴퓨트가 제대로 갖춰지면 그 위의 제품 경험은 결국 따라온다고 본다.
   3. 이는 자신에게 자연스럽고 높은 레버리지를 갖는 어려운 문제에 집중해 지수적 성장을 이어 가려는 선택이다.

3. 연구·컴퓨트·공급망을 스타트업처럼 운영하기

3.1. 가장 비싼 인프라 프로젝트를 구성하는 여러 문제

1. 컴퓨트 확장의 복합성

   1. AI 컴퓨트를 확장하려면 칩 설계, 팹(fab) 공급망, 랙 제조사, 전력 시스템을 한꺼번에 다뤄야 한다.
   2. GPU와 데이터센터를 확보하는 일은 기술 문제만이 아니라 파트너십, 물류, 금융, 정책 문제이기도 하다.
   3. 필요한 자금 규모는 이미 역사상 가장 비싼 인프라 프로젝트가 되었거나 빠르게 그 수준으로 향하고 있다.

2. Sam Altman에게 맞는 문제의 성격

   1. 그는 에너지에 오랫동안 관심이 있었고, 칩·전력·공급망·정책이 동시에 얽히는 문제를 흥미롭게 느낀다.
   2. 컴퓨트 구축은 기술, 비즈니스, 정책, 공급망, 물류가 함께 움직이는 거대한 시스템 문제다.
   3. 제품 화면을 다듬는 일보다 지수적 성장을 계속 가능하게 하는 기반을 만드는 일이 현재 그의 성향과 역할에 더 잘 맞는다.

3.2. 스타트업 투자와 AI 연구의 공통 구조

1. 파워 로(power law)의 지배

   1. 투자에서 최고의 한 건은 나머지 모든 투자를 합친 것보다 더 큰 성과를 낼 수 있다.
   2. 두 번째 최고의 투자도 그 뒤의 모든 투자를 합친 것보다 더 큰 성과를 낼 수 있다.
   3. AI 연구도 같은 구조를 보여 주므로, 평균적인 개선을 고르게 쌓는 것보다 성공했을 때 압도적 가치가 생기는 가설을 선택해야 한다.

2. 2015년 AGI 베팅의 비합의성

   1. OpenAI가 시작된 2015년에는 AGI가 가능하다고 보는 시각 자체가 비현실적으로 여겨졌다.
   2. AGI를 목표로 삼는다고 말하자 해당 분야의 지적 거장들에게 강한 비판을 받았다.
   3. 대규모 언어 모델(large language model)에 집중했을 때도 “완전히 터무니없다”는 비판을 다시 받았다.
   4. 높은 위험을 감수할 수 있는 조건은 실패해도 괜찮다는 뜻이 아니라, 성공하면 엄청난 가치가 생기는 선택에 위험을 집중한다는 뜻이다.

3. 비표준적 연구자의 조건

   1. 좋은 연구자는 마지막으로 성공한 유행을 뒤쫓기보다, 새로운 가설에 높은 확신을 품고 남들이 틀렸다고 말하는 방향을 견딜 수 있다.
   2. 단지 기존 아이디어에 얇은 차이를 얹고 ‘나는 다르다’고 말하는 사람과, 실제로 다르게 생각하고 그 확신을 감당하는 사람은 구별된다.
   3. 옳지 않을 가능성이 있어도 옳다면 크게 옳은 주장을 선택하는 태도가 연구의 비표준성이다.

4. 사진 공유 앱과 새 연구 방향의 대비

   1. 2015년에는 사진 공유 앱을 만드는 창업자가 수천 명이었고, AGI에 도전하는 연구팀은 DeepMind와 한두 곳 정도에 불과했다.
   2. 지금은 AI 연구소를 만들려는 사람이 많아졌지만, 아직 가능해 보이지 않거나 좋은 생각인지도 확신할 수 없는 새 방향을 파고드는 사람은 소수다.
   3. OpenAI는 마지막 성공 사례를 복제하는 연구자보다 그런 소수의 비합의적 연구자에게 매력적인 연구소가 되려 한다.

3.3. 첫 원칙과 예상 밖의 가치

1. 성공자는 예상 밖의 장소에서 가치를 찾는다

   1. Peter Thiel의 『Zero to One』에서 기억에 남은 핵심은 성공한 사람이 공식이나 유행이 아니라 첫 원칙(first principles)으로 사업을 생각한다는 점이다.
   2. AI 연구에서도 모두가 따르는 경로를 조금 다르게 걷는 것보다, 아직 정답으로 인정되지 않은 질문을 처음부터 다시 보는 편이 큰 기회를 만든다.

2. AppLovin의 광고 사례

   1. AppLovin은 모바일 게임 안에서 10억 명이 넘는 잠재 고객에게 도달하도록 설계된 광고 플랫폼이다.
   2. 전체 화면 동영상 광고를 평균 35초 동안 시청하게 해 높은 주의력(retention)을 확보한다고 설명한다.
   3. 목표만 설정하면 복잡한 전문 지식이나 설정 없이 몇 분 안에 캠페인을 시작할 수 있고, 대규모 지출과 수백만 달러의 매출 증가로 확장한 기업 사례를 제시한다.
   4. 광고주에게는 경쟁자가 모두 참여하기 전에 apploven.com에서 시작하라는 행동 촉구가 붙는다.

4. 어린 시절의 불가능한 AI와 OpenAI로 이어진 경로

4.1. AI에 끌린 컴퓨터 nerd의 첫 경험

1. 공상과학과 컴퓨터에서 시작된 관심

   1. Sam Altman은 금요일 밤을 컴퓨터 게임과 공상과학 소설에 쓰던 괴짜 아이였다.
   2. AI가 가장 놀랍고 미친 듯한 기술이 될 것이라고 생각했지만, 직접 연구할 수 있을 거라고는 예상하지 못했다.
   3. 대학 진학도 어느 정도 AI를 공부하기 위한 선택이었고, 1학년과 2학년 사이 여름에는 AI 연구실에서 일했다.

2. 2005년의 잘못된 확신

   1. 당시 연구실의 시도는 제대로 작동하지 않았고, 한 교수는 여러 방향을 시도해 보되 딥러닝(deep learning)만큼은 절대 작동하지 않는다고 말했다.
   2. 딥러닝을 오래 시도했으며 그것이 나쁜 커리어를 보장하는 길이라는 설명을 어린 학생으로서 그대로 믿었다.
   3. 2005년의 AI는 실제로 작동하지 않는 것처럼 보였고, 그 사이 우연히 스타트업에 들어가면서 AI 연구는 잠시 경력의 우회로가 되었다.

4.2. 창업자에서 투자자, 다시 창업자로

1. 투자자가 준 데이터셋

   1. 일반적인 실리콘밸리 경로는 창업자가 회사를 매각하고 반은 은퇴한 뒤 투자자가 되는 흐름이다.
   2. Sam Altman은 창업자 경험 뒤 투자자가 된 것이 아니라, 먼저 투자자로 많은 회사를 관찰한 뒤 회사를 운영하는 반대 경로를 밟았다.
   3. 투자자는 매일 회사를 운영하는 실전 감각은 덜 얻지만, 여러 회사의 전략 전환·임원 해고·고비의 순간을 반복해서 본다.
   4. 비슷한 결정을 만날 때 “이 회사는 이때 이렇게 했고, 저 창업자는 이 실수를 했으며, 다른 창업자는 이 선택을 제대로 했다”는 비교 데이터가 떠오른다.

2. 성공과 실패에서 배움의 비대칭

   1. 실패는 끈기와 피해야 할 행동 같은 일반적인 교훈을 주지만, 일이 잘못되는 원인은 너무 많아 정확한 인과를 추출하기 어렵다.
   2. 성공한 사례는 어떤 요소가 실제로 작동했는지 비교적 선명하게 보여 주므로, 그 교훈을 다음 회사에 적용하기 쉽다.
   3. 실패에서 배우는 일을 포기할 수는 없지만, Sam Altman의 경험상 성공에서 얻은 교훈을 더 적극적으로 적용하는 편이 유용했다.

3. 역사적 창업자의 LLM 비유

   1. David Senra는 10년간 『Founders』를 만들며 역사상 위대한 기업가의 패턴을 학습한 LLM처럼 행동하지만, 열정의 온도가 높아 더 과격하다는 친구 Daniel X의 묘사를 소개한다.
   2. Carnegie, Rockefeller 같은 과거 기업가의 선택은 현재 창업자의 문제와 닮은 사례를 찾게 해 주지만, 원칙을 적용하는 방식은 창업자의 성격에 따라 달라진다.
   3. Sam Altman은 간결한 글과 번호 매기기를 선호하며, 여러 산업의 사례에서 나온 소수의 원칙을 구체적인 사람에게 맞춰 적용해야 한다고 본다.

4.3. 왜 불가능해 보이는 것이 더 매력적인가

1. 낙관주의와 저항의 차이

   1. 어린 Sam Altman에게 AI는 모두가 멋지다고 생각하지만 너무 불가능해 보여 시도하지 않는 종류의 기술이었다.
   2. 그의 반응은 “그건 안 된다”가 아니라 “정말 안 되는가, 왜 시도하지 않는가, 한번 보자”에 가까웠다.
   3. 무언가가 불가능해 보일수록 더 흥미를 느끼는 성향과 낙관주의가 AGI에 대한 장기 베팅을 가능하게 했다.

2. 사람의 능력을 증폭하는 기술

   1. AI는 다른 모든 일을 가능하게 하는 능력을 사람에게 부여할 수 있다는 점에서 다른 기술보다 강력한 버전의 기술 확장이다.
   2. 기술의 긴 역사는 사람이 더 큰 힘과 능력을 갖도록 돕는 과정이며, AI는 그 흐름의 가장 강한 형태다.

3. 로봇에서 과학적 발견까지

   1. 학교 로봇 동아리에서 컴퓨터로 바닥이나 탁자 위의 작은 거북이를 움직이는 일은 당시에도 놀라운 경험이었다.
   2. 현재 가장 큰 관심은 AI가 새로운 물리학을 발견하고, 질병을 치료하고, 수학의 새 문제를 풀도록 돕는 과학적 발견이다.
   3. 『The Beginning of Infinity』를 현재의 시점에서 다시 읽으면, AI가 세계를 이해하려는 인간의 능력을 크게 확장할 수 있다는 생각이 더 선명해진다.
   4. 자동화로 다른 일을 대신하는 것보다, 이해의 범위를 넓혀 예측과 발견을 가능하게 하는 일이 더 중요할 수 있다.

5. 인간이 AI에서 원하는 것과 인간다움의 가치

5.1. Claude Shannon과 Alan Turing이 상상한 미래

1. 1940년대의 AI 낙관론

   1. Bell Labs에서 일하던 Claude Shannon과 Alan Turing은 매일 커피를 마시며 AI를 이야기했다.
   2. 두 사람은 1955년쯤 인간보다 똑똑한 컴퓨터가 등장할 것이라고 생각했고, 그런 일이 불가능하다고 보는 사람을 이상하게 여겼다.
   3. 그들이 컴퓨터에 기대한 일은 수학 문제 풀기, 시 쓰기, 질병 치료였고, 오늘날 AI의 발전 방향과 놀랄 만큼 겹친다.

2. 현재의 성취와 심리적 맹점

   1. AI는 새 수학 문제를 풀고 과학적 발견을 돕기 시작했으며, 시와 음악을 만들고 팟캐스트 같은 형식도 만들 수 있다.
   2. 사람은 자신이 살아 있는 현재의 능력을 AI가 넘을 수 없다고 생각하는 경향이 있다.
   3. “AI는 지금 내가 하는 일을 절대 능가하지 못한다”는 믿음은 인간이 현재를 기준으로 미래를 제한하는 심리적 결함이다.

5.2. AI가 만든 훌륭한 팟캐스트와 실제 사람의 관계

1. 참조 정보와 관계의 차이

   1. 단순히 책의 아이디어를 설명하는 콘텐츠는 AI가 더 잘 만들 가능성이 있다.
   2. 반면 특정 사람에게 호감이나 반감을 느끼고, 그 사람들 사이의 대화를 흥미롭게 듣는 경험은 인간 관계에 깊이 연결되어 있다.
   3. AI 두 개가 인간보다 더 재미있는 대화를 하더라도, 많은 사람은 여전히 실제 인간을 선택할 가능성이 높다.

2. 포스트-슈퍼인텔리전스 세계의 인간성

   1. AI가 사람처럼 할 수 있는 업무를 더 잘하게 되어도, 사람과 사람 사이의 연결과 서로에게 호감을 느끼는 일은 더 가치 있어질 수 있다.
   2. 아날로그를 선호하는 사람, 실제 책을 읽고 Zoom 회의보다 대면 만남을 좋아하는 사람은 여전히 많다.
   3. 컴퓨터와만 소통하고 인간을 싫어하는 소수의 사람은 존재하겠지만, 인류 전체가 그 방향으로 바뀌지는 않는다.
   4. 사람은 근본적으로 다른 사람을 돌보고 함께 있고 싶어 하는 존재이며, 인간을 장애물이나 위험으로만 보는 사람이 권력을 얻지 않도록 감시해야 한다.

6. AI 안전, 권력 집중, 그리고 현실과 함께 만드는 기술

6.1. 가장 걱정되는 두 가지 위험

1. 통제 상실(loss of control)

   1. AI가 너무 강력해져 원하는 통제를 보장할 수 없게 되는 상황이 첫 번째 위험이다.
   2. 모델의 능력이 인간의 통제 능력을 넘어서는 순간에는 기존의 안전 가정이 작동하지 않을 수 있다.

2. 권력의 중앙집중

   1. 한 회사, 한 모델, 한 사람이 미래에 지나치게 큰 권력을 갖는 상황이 두 번째 위험이다.
   2. 두 위험의 공통점은 사람을 미래의 주체가 아니라 통제 대상이나 수혜자로 밀어내는 반(反)인간적 결과라는 점이다.

3. 사람이 중심이어야 하는 이유

   1. 사람은 미래를 깊이 통제하고, 기술로부터 능력을 부여받아야 한다.
   2. AI를 신뢰하고 사람을 불신한다는 이유로 모델에게 세계의 의사결정권을 넘기는 것은 인간을 경시하는 태도다.
   3. 안전을 명분으로 소수 회사만 기술을 사용하게 하고 나머지 사람에게 약간의 혜택만 주는 방식도 권력 집중을 정당화한다.

6.2. ‘질병 치료와 부를 줄 테니 자율성을 포기하라’는 거래

1. 반인간적 세일즈 피치

   1. AI가 암을 치료하고 물질을 풍부하게 만들며 훌륭한 오락을 제공하는 대신, 사람은 미래에 영향을 줄 권리와 자율성을 포기하라는 식의 제안이 있다.
   2. 극소수는 엄청난 부와 권력을 갖고 다수는 꽤 괜찮은 생활만 누리는 구조가 안전이라는 이름으로 포장될 수 있다.
   3. “친애하는 농민들이여, 선물을 줄 테니 불평을 멈추고 우리가 모든 결정을 하게 해 달라”는 식의 풍자는 이 문제를 정확히 드러낸다.

2. 두려움과 권력 추구

   1. AI 위험을 크게 느끼는 사람은 자유를 안전과 교환해야 한다고 생각하기 쉽다.
   2. 그 불안은 실제 위험에 대한 진지한 대응일 수 있지만, 동시에 권력을 더 많이 가져야 한다는 행동을 정당화하는 장치가 될 수 있다.
   3. AI 시대의 번영은 사람을 의존적 수혜자로 만드는 것이 아니라, 더 많은 사람이 회사를 만들고 아이디어를 추구하며 미래를 공동 설계할 수 있게 하는 방향이어야 한다.

6.3. 운항 사고 보고에서 배우는 안전

1. Doomer 논리에서 받아들일 부분과 거부할 부분

   1. AI는 강력한 기술이므로 각 단계에서 안전을 우선하고 신중하게 행동해야 한다는 주장에는 동의한다.
   2. AI 안전이 원리적으로 풀 수 없는 문제이며 결국 파국이 확정된다는 주장은 받아들이지 않는다.
   3. OpenAI가 시작될 때 널리 퍼진 예상은 10년 안에는 AGI 같은 시스템이 만들어지지 않을 것이며, 설령 만들어져도 안전하게 만드는 데 실패한다는 것이었다.
   4. 10년 뒤에는 당시 기준으로 AGI에 가깝다고 여겼을 시스템이 만들어졌고, 세계가 멸망하지 않았으며 좋은 일도 많이 일어났다.

2. 현실 배포가 안전을 학습하게 한다

   1. 스타트업에서 좋은 제품을 만드는 방식은 세상에 내놓고, 고객 반응을 보고, 어디서 깨지는지 확인하고, 개선하는 것이다.
   2. AI 안전도 현실과 단절된 상아탑에서 완성되는 것이 아니라 실제 사용 중 발생한 실패를 통해 배운다.
   3. 새로운 모델을 배포할 때 유용한 사용 사례, 완화해야 할 과도한 가드레일, 정렬(alignment) 실패, 안전 시스템의 실패를 함께 관찰한다.
   4. ChatGPT는 출시 후 4년이 채 안 된 기간에 매주 10억 명 규모의 사용과 민감하고 중요한 업무를 경험하며 안전 데이터를 축적했다.

3. FAA와 항공 산업의 교훈

   1. 비행은 표면적으로 매우 위험하지만, FAA와 항공 산업은 사고 보고를 체계화해 사람들이 큰 걱정 없이 비행기를 타게 만들었다.
   2. 사고를 얼버무리지 않고 가능한 많은 정보를 추출하며, 명확한 사후 분석(postmortem)을 남기는 태도가 안전성을 높였다.
   3. AI도 모델이 불완전하고 환각(hallucination)을 일으킬 수 있다는 사실을 인정한 채 세상에 배포하고, 문제가 생기면 투명하게 배우는 과정이 필요하다.

4. 사회와 모델의 공동 진화

   1. 사회와 모델은 서로 영향을 주며 함께 진화하므로, 연구실 안에서 모든 영향을 미리 계산하려는 접근은 작동하지 않는다.
   2. 기술의 힘을 사람에게 넘기면서 모두가 사용법과 위험을 함께 익혀야 한다.
   3. 사고 분석을 자사 제품 개선에만 쓰지 않고 다른 AI 개발자와 공유하면 생태계 전체의 안전이 높아진다.
   4. 앞으로 모델이 세계에서 가장 똑똑한 사람보다 더 똑똑해질수록 절대적인 난도는 커지며, 개발을 언제 늦추고 현실 접촉을 언제 늘릴지 어려운 판단이 필요하다.

7. AI를 사랑하면서도 미워하는 사람들

7.1. 급격한 사회경제 변화에 대한 본능적 저항

1. 산업혁명의 반복

   1. 산업혁명처럼 이전의 기술 혁명도 변화에 대한 보편적인 호감만 남기지 않았다.
   2. 급격한 변화에 회의적이고 익숙한 방식을 유지하려는 인간의 관성은 혼란과 국지적 광기를 흡수하는 사회의 방어 기능일 수 있다.
   3. 이 본능을 지나치게 억누르기보다, 사회가 변화의 속도를 소화할 시간을 인정해야 한다.

2. AI 업계의 공포 커뮤니케이션

   1. AI를 만드는 사람들이 세상을 파괴할 확률이 25%라고 말하면서도 다른 나쁜 사람들이 먼저 만들지 않도록 경쟁해야 한다고 말하는 경우가 있다.
   2. 1년 안에 일자리의 50%가 사라질 것이라고 말한 뒤 사람들이 괜찮기를 바란다고 하는 식의 메시지는 공포를 증폭한다.
   3. AI 업계는 기술의 혜택, 위험을 줄이는 방법, 사람이 더 큰 권한과 자유를 갖는 것이 왜 중요한지 충분히 설명하지 못했다.

7.2. AI가 만들 수 있는 역사상 가장 큰 소규모 사업 붐

1. 창업 기회의 대중화

   1. 모든 사람이 거대 기업을 만들고 싶어 하지는 않지만, 많은 사람은 작은 회사를 시작하고 싶어 한다.
   2. 지금까지 소규모 창업에는 특권, 운, 자원, 전문성이 많이 필요했다.
   3. AI는 아이디어를 실제 사업으로 옮기는 비용을 낮추며, 역사상 가장 큰 소규모 사업 창업 붐을 만들 가능성이 있다.

2. AI 업계가 놓친 이야기

   1. AI 업계와 OpenAI는 이런 창업 역량 확대의 징후를 많이 보면서도 충분히 말하지 못했다.
   2. 더 많은 사람이 작은 사업을 시작하도록 가속하는 제품도 아직 충분히 만들지 못했다.
   3. AI의 정당성은 거대한 모델의 성능만으로 확보되지 않고, 사람의 자율성과 실질적인 창업 선택지를 넓히는 결과로 증명되어야 한다.

3. AI와 교육·영감의 공통 사업

   1. Toby Lu는 기업가를 위한 인프라를 만들고, David Senra는 기업가를 위한 교육·영감의 팟캐스트를 만들므로 둘 다 더 많은 기업가를 만드는 사업을 한다고 말했다.
   2. AI 기업은 기술을 제공하는 데 그치지 않고 사람들이 무엇을 만들 수 있는지 이해하도록 교육해야 한다.

7.3. Intel이 보여준 기술 교육의 책임

1. Intel Trinity의 사례

   1. Bob Noyce, Andy Grove, Gordon Moore를 다룬 『The Intel Trinity』에는 새 기술을 교육한 일화가 나온다.
   2. 집적회로에서 마이크로프로세서로 넘어가며 세 사람은 기술이 너무 중요해 잠재 고객을 겁먹게 할 수 있다고 판단했다.
   3. 그들은 업무를 멈추고 잠재 고객, 투자자, 미국 전체를 상대로 새 기술을 설명하는 교육에 나섰다.
   4. 지역 커뮤니티 칼리지 전체 강좌 수보다 많은 수업을 열 정도로 교육을 우선순위에 두었다.

2. AI에 필요한 설명 방식

   1. AI도 사람에게 기술을 밀어붙이기보다, 무엇이 가능하고 어떤 위험을 어떻게 줄이며 왜 자율성이 중요한지 설명해야 한다.
   2. 기술을 만든 사람만 이해하는 언어로는 대중의 사랑과 신뢰를 얻을 수 없다.

8. 지능보다 중요한 다음 제품 축: 개인의 전체 맥락

8.1. 더 똑똑한 모델보다 더 풍부한 맥락

1. 현재의 병목

   1. 최신 모델은 상당히 똑똑해졌지만, 이제 사용자의 유용한 맥락을 얼마나 많이 이해하는지가 더 큰 제한이 되고 있다.
   2. Sam Altman은 AI가 자신을 도울 수 있도록 내부 Slack의 모든 글, 고객이 ChatGPT를 잘 쓴 사례와 실패한 사례, 필요한 연구 논문을 전부 읽어 주기를 원한다.
   3. 시간과 정신 에너지가 부족해 직접 읽지 못하는 정보까지 AI가 파악하고 중요한 결정을 도와주기를 바란다.

2. 사람이 접근할 수 없는 규모의 읽기

   1. 매우 똑똑한 사람도 수만 페이지의 맥락을 짧은 시간에 정확히 읽고 활용할 수는 없다.
   2. AI는 이처럼 사람이 가질 수 없는 규모의 기억과 맥락을 이용해 의사결정의 질을 보완할 수 있다.
   3. 업무용 AI의 다음 도약은 단순히 답변하는 챗봇이 아니라, 지속적으로 맥락을 관찰하고 필요할 때 조언하는 에이전트(agent)다.

8.2. David Senra의 개인 지식 시스템

1. 2018년 이후의 독서 데이터베이스

   1. David Senra는 2018년 이후 읽은 모든 책의 메모와 하이라이트를 데이터베이스에 넣었다.
   2. OpenAI가 제공하는 작업물과 『Founders』 에피소드의 모든 트랜스크립트도 연결했다.
   3. 책을 읽고 녹음한 지 7년이 지나면 내용이 잘 기억나지 않지만, AI에게 질문하면 특정 창업자의 발언이나 Rockefeller의 행동 같은 세부를 즉시 찾을 수 있다.

2. Claude Shannon 에피소드의 사용법

   1. Claude Shannon 에피소드를 만들 때 AI에게 “Bob은 이 주제에 대해 무엇이라 말했는가” 또는 “Rockefeller는 이런 상황에서 무엇을 했는가”를 물었다.
   2. 직접 책을 읽고 노트까지 했어도 오래된 세부는 잊히므로, 개인 지식 데이터베이스가 기억의 검색 계층으로 작동한다.
   3. 이런 시스템은 AI가 단순한 대화 상대를 넘어 개인의 장기 기억과 의사결정 맥락을 보조하는 도구가 될 수 있음을 보여 준다.

9. OpenAI는 제품 회사보다 플랫폼 회사가 되려 한다

9.1. ChatGPT·Codex·API의 통합

1. 제품 라인의 정리

   1. OpenAI는 과거 ChatGPT, Codex, API를 별개의 제품처럼 제공했다.
   2. Codex는 코딩에만 쓰이는 이름처럼 들렸지만 실제로는 다양한 종류의 일을 할 수 있어 사용자에게 혼란을 줬다.
   3. 현재 ChatGPT와 Codex를 합쳐, 개인이나 회사가 자신의 AGI를 한 인터페이스에서 사용하는 방향으로 통합했다.

2. 개인·기업 AGI와 API

   1. 대부분의 사람에게 필요한 것은 무엇이든 도와주는 개인 또는 회사용 AGI에 접속하는 단일 인터페이스다.
   2. 동시에 개발자는 API를 이용해 그 위에 원하는 제품과 사업을 만들 수 있어야 한다.
   3. 챗봇으로 시작한 인터페이스는 코딩 에이전트를 포함하고, 장기적으로는 지속적으로 실행되며 필요한 일을 먼저 제안하는 에이전트로 발전한다.

9.2. 비용-성능 곡선 전체를 덮는 AI 유틸리티

1. 모든 가격대의 지능

   1. 과학적 발견처럼 최고 수준의 지능이 필요한 작업에는 고성능 AI를 제공한다.
   2. 천재 수준의 추론이 필요하지 않지만 엄청난 양을 처리해야 하는 업무에는 저렴하고 빠른 AI를 제공한다.
   3. 사용자는 AI를 많이 쓰고 싶어 하므로, 낮은 비용·빠른 속도·높은 신뢰성·충분한 맥락·매끄러운 경험을 함께 원한다.

2. 고객과 경쟁하지 않는 플랫폼

   1. OpenAI가 모든 제품 카테고리를 직접 만들거나 고객과 경쟁해서는 안 된다.
   2. 경제 전체를 잠식하기보다, 하나의 직접 인터페이스와 하나의 API를 제공하고 사람들이 그 위에 다양한 사업을 세우도록 해야 한다.
   3. 목표는 1억 개의 새로운 기업과 80억 명의 사람이 각자의 방식으로 플랫폼을 사용하는 것이다.

10. 좋은 아이디어를 죽이고 가장 중요한 상류 문제에 집중하기

10.1. Sora와 Atlas를 포기한 이유

1. 자원의 유한성

   1. 컴퓨트, 인력, 자본이 제한된 상황에서 좋은 아이디어를 모두 추진하면 가장 중요한 일에 충분한 힘을 쓸 수 없다.
   2. 기업가는 좋은 아이디어를 죽이는 일이 가장 어렵다는 것을 알면서도 대체로 그 일에 서툴다.

2. Sora를 죽인 선택

   1. Sora는 재미있고 좋은 제품이었지만 많은 컴퓨트를 사용했다.
   2. Codex에 그 컴퓨트를 투입하는 편이 OpenAI의 핵심 목표에 더 중요하다고 판단해 Sora를 중단했다.

3. Atlas 브라우저를 죽인 선택

   1. Atlas는 좋은 제품이자 최고의 웹 브라우저였지만, 그 인력과 역량을 다른 곳에 쓰는 편이 더 중요했다.
   2. 잘 만든 제품이라는 사실만으로 계속 유지할 이유가 되지는 않는다.

10.2. 지식 노동과 과학을 위한 상류 플랫폼

1. 최우선 목표의 재정의

   1. 일반 지능을 지식 노동에 제공하고 궁극적으로 과학에 연결하는 일이 가장 중요하다.
   2. 자체 칩, 데이터센터, 인프라 소프트웨어, 모델 학습처럼 지능 생성의 상류에 있는 역량은 모두 핵심이다.
   3. 그 결과물을 서비스로 제공해 사람들이 지적 탐구, 업무, 과학적 발견, 개인 생활의 생산성에 사용하게 한다.

2. 생각을 정리하는 지능적 파트너

   1. 복잡한 일을 하는 사람은 누구나 생각을 정리해 줄 상대가 필요하다.
   2. Charlie Munger의 ‘오랑우탄 이론’은 비교적 똑똑한 사람이 오랑우탄에게 모든 문제를 이야기한 뒤 아무 답도 받지 않고 떠나도 생각이 정리되어 더 나아질 수 있다는 농담이다.
   3. Warren Buffett처럼 매우 똑똑한 사람도 Munger에게 생각을 말하고 정리할 필요가 있었다.

10.3. Sam Altman의 사고 파트너

1. OpenAI 내부의 공유 언어

   1. 오랫동안 함께한 연구자들은 기술의 진행 방향, 다음에 일어날 일, 판단 기준에 대한 공통 언어와 직관을 갖고 있다.
   2. 이런 공유된 경험은 회사 밖에서 다른 사람과 쉽게 복제할 수 없다.

2. Paul Graham과 Peter Thiel

   1. 사업과 세상에 관한 비자명한 문제를 풀 때 Sam Altman이 오랫동안 찾는 사람은 Paul Graham과 Peter Thiel이다.
   2. 두 사람은 다음에 어떤 말을 할지 예측하기 어려울 만큼 비선형적으로 생각한다.
   3. 여러 선택지를 검토한 뒤 막혀 있을 때, 기존 선택지 모두가 나쁘다고 말하고 전혀 다른 관점을 제시하는 능력이 큰 가치가 된다.

3. ChatGPT 초창기의 텍스트 박스

   1. ChatGPT 출시 직후 일부 팀원은 사람들이 단순히 호기심으로 대화할 뿐 지속 가능한 가치가 없다고 걱정했다.
   2. 다른 다섯 가지나 여섯 가지 방향을 고민하던 시점에 Peter Thiel은 성장 중인 제품을 바꾸는 것이 명백한 실수라고 했다.
   3. ChatGPT의 힘은 Google 검색창처럼 무엇이든 입력하면 제대로 처리하는 텍스트 박스에 있으며, 피드·네트워크 효과·축적되는 소셜 그래프가 없어도 된다고 설명했다.
   4. 실리콘밸리가 20년간 Google의 사업 모델을 쫓아왔지만, 빈 텍스트 박스가 이미 작동한다는 사실을 인정하고 그 방향을 두 배로 밀어붙여야 했다.

4. 단순한 천재성

   1. 복잡한 설명보다 “이미 성장하고 유연하며, 기존 상식에 맞지 않는다는 이유만으로 멈추지 말라”는 단순한 판단이 더 강력할 때가 있다.
   2. 이 조언에 따라 OpenAI는 ChatGPT에 강하게 집중했고, 그 선택은 훗날의 폭발적인 성장을 가능하게 했다.

11. YC가 남긴 운영체제와 반복의 종교

11.1. ‘무엇을 해야 하는지’보다 ‘어떻게 회사를 운영하는지’

1. YC 운영체제

   1. YC의 영향은 다섯 가지 실행 항목을 암기하는 데 그치지 않고 회사 운영의 철학으로 남았다.
   2. 빠르게 배포하고, 기술을 이해하는 사람이 결정하고, 경험은 적어도 에너지와 야망이 큰 젊은 사람에게 베팅하는 방식이 핵심이다.
   3. 회사의 모든 단계에 기술적 판단과 실행 속도를 배치한다.

2. 스타트업 생태계의 변화

   1. YC는 창업자에게 더 많은 레버리지와 자본이 돌아가도록 만들었다.
   2. 검증된 이력이 부족한 젊은 기술 창업자도 야심 찬 문제를 풀기 위해 자금을 조달할 수 있게 했다.
   3. 2004년의 생태계가 그대로 2016년까지 이어졌다면 OpenAI는 가능하지 않았을 것이다.
   4. OpenAI의 제품 배포 방식과 연구소 운영 철학에도 YC가 바꾼 생태계와 창업자의 위치가 반영되어 있다.

11.2. 실패보다 성공에서 얻는 교훈의 실용성

1. 불행한 가족과 행복한 가족의 비유

   1. 러시아 소설의 유명한 문장처럼 모든 불행한 가족은 각자의 방식으로 불행하지만, 행복한 가족은 비슷한 구조를 공유한다.
   2. 실패는 회사마다 다른 원인으로 발생해 일반화가 어렵고, 성공은 반복되는 공통 원칙을 드러낸다.

2. 긍정적 원칙의 반복

   1. 사용자를 더 자주 만나고, 제품을 더 일찍 배포하고, 더 많은 피드백을 받고, 채용 기준을 높이고, 맞지 않는 사람을 더 빨리 정리하라는 교훈은 반복해서 유효하다.
   2. 창업자는 이미 아는 조언을 실천하지 못하므로, 같은 원칙을 계속 상기시키는 장치가 필요하다.

11.3. 기업가를 위한 ‘교회’와 지속적 상기

1. Founders의 종교적 비유

   1. David Senra는 『Founders』를 기업가를 위한 교회라고 표현한다.
   2. 같은 성격의 사람들이 시대와 산업만 달리해 반복해서 등장하며, 과거의 이야기를 다시 읽는 일은 이미 아는 원칙을 되새기는 예배와 같다.
   3. 일요일에 공개하던 형식도 교회의 리듬과 닮아 있다.

2. 제품과 판매에 집중하는 단순한 규칙

   1. 콘퍼런스와 저녁 식사 같은 주변 활동을 건너뛰고 제품을 만들거나 팔아야 한다.
   2. 만들고 있지 않다면 팔고 있어야 하며, 그 외의 활동은 핵심 실행을 대체하지 못한다.
   3. 이 원칙은 단순하지만 반복해서 상기하지 않으면 창업자 자신도 쉽게 잊는다.

12. 제품 신호가 없는 연구소를 운영한 4년 반

12.1. OpenAI 초창기의 비정상적인 시간표

1. YC 조언의 정반대

   1. OpenAI는 설립 후 첫 제품을 출시하기까지 4년 반이 걸렸다.
   2. 고객을 만나 빠르게 MVP를 내놓으라는 YC의 일반적인 조언과 정반대였다.
   3. 연구팀을 운영하는 일은 창업자 선발·조언과 닮았지만, 고객의 외부 신호 없이 연구가 제대로 진행되는지 판단해야 한다는 점이 달랐다.

2. 연구 성과를 대체할 신호 만들기

   1. Dota 2에 강화학습(RL)을 적용하던 시절에는 아이디어별 성능을 볼 수 있는 리더보드를 공개했다.
   2. 연구자들은 객관적인 순위에서 자신의 아이디어가 올라가는 것을 원했고, 이는 고객 반응을 대신하는 실제 신호가 되었다.
   3. 연구자가 존경하고 감탄시키고 싶은 외부 인물에게 데모를 보여 주는 방식도 강력한 동기 부여가 되었다.
   4. 가짜 마감일(fake deadline)은 작동하지 않는 방법으로 확인되었다.

12.2. Bell Labs, Xerox PARC, Polaroid, Honda의 비교

1. 과거 연구소에서 배운 것

   1. Bell Labs와 Xerox PARC의 전성기를 다룬 책은 실리콘밸리에서 널리 읽혔지만, 실제로 그런 연구소를 운영해 본 살아 있는 사람은 많지 않았다.
   2. Alan Kay를 비롯한 과거 연구소 경험자들에게 좋은 연구소의 조건을 물었고, 일부 조언은 유용했지만 현재 상황에 그대로 옮겨지지는 않았다.

2. 독점적 현금 창출기의 부재

   1. Bell Labs는 사실상 독점에 가까운 수익원을 가진 회사에서 분리되었다.
   2. Polaroid도 사진 시장에서 독점적 지위를 누리던 시기에 더 많은 연구를 수행했다.
   3. Honda 창업자도 연구개발을 실제 운영 조직과 분리하고 별도 소유 구조로 두는 결론에 도달했다.
   4. OpenAI에는 Bell Labs나 Polaroid 같은 독점적 현금 창출기가 없었으므로, 연구를 위한 자금을 직접 모아야 했다.

12.3. 2016년 첫날의 백지 상태

1. Greg Brockman의 아파트에 모인 사람들

   1. 2016년 새해 직후, 11~12명이 월요일 또는 화요일 오전 9시 30분쯤 Greg Brockman의 아파트에 모였다.
   2. 첫 등교 날 같은 흥분이 있었지만, 곧 누군가 “화이트보드가 있어야 한다”고 말했고 사람을 보내 화이트보드를 구했다.
   3. 화이트보드가 도착하자 방 안의 에너지가 급격히 꺼졌다. 무엇을 해야 하는지 아무도 몰랐기 때문이다.

2. AGI를 만들겠다는 말 다음에 오는 공백

   1. 제품 스타트업처럼 고객에게 물어 “이 제품을 만들자”고 할 수 없었다.
   2. “AGI를 만들겠다고 했으니 논문을 써야 하나, 아이디어를 생각해야 하나”라는 막연한 상태였다.
   3. 연구소를 출범시킨 뒤에도 무엇을 해야 할지 모르는 순간이 있었고, 처음에는 자신들이 아는 일부터 했다.

3. 혼란 속에서 발견한 연구의 리듬

   1. 작동하지 않는 접근을 하나씩 확인하면서 연구를 만들고 평가하는 리듬을 찾아갔다.
   2. 똑똑한 연구자가 필요한 자원을 확보하고, 광야에서 완전히 길을 잃지 않도록 하는 점진적인 경사를 만들었다.
   3. 비지도 학습과 초기 논문 작업은 GPT-1로 이어졌고, 이후 GPT 계열로 확장되었다.
   4. 스케일링 법칙(scaling laws)은 모델을 키울 수 있다는 자신감과 필요한 컴퓨트에 대한 이해를 함께 제공했다.
   5. 리더보드와 외부 데모는 작동했고, 가짜 마감일은 작동하지 않았다.
   6. 수년간의 혼란스러운 시행착오 끝에 여러 핵심 발견이 하나의 연구 경로로 이어졌다.

13. 기록과 장기 사업의 기억

13.1. 아들에게 쓰는 일요일 편지

1. 아이에게 하루를 이야기하는 습관

   1. 첫 아이가 태어난 뒤 Sam Altman은 퇴근해 아이를 재우며 하루 동안 겪은 일과 걱정, 회사의 고민을 아이에게 이야기했다.
   2. 언젠가 아이가 읽으면 흥미로울 것 같아 매주 일요일 편지로 적기 시작했다.
   3. 실제로는 여덟 통 정도 썼지만, 그 기록을 남긴 행위 자체가 중요했다.

2. Bezos와 『The Little Kingdom』

   1. Jeff Bezos는 손자에게 자랑스럽게 이야기할 수 있는 일을 만들고 있다고 말했다.
   2. 『The Little Kingdom』은 Michael Moritz가 쓴 Apple 초기 6년의 역사이며, Steve Jobs가 Apple에서 쫓겨나기 전의 실제 과정을 담고 있다.
   3. 지금 당장은 필요성을 느끼지 못해도 60~70세가 되면 젊은 시절의 기록을 간절히 원하게 된다.

13.2. 아이에게 쓰는 시선이 만드는 책임

1. 숨을 곳이 없는 평가 기준

   1. 아이가 자신의 행동을 어떻게 생각할지 진심으로 신경 쓰면, 사건을 좋게 포장하거나 스스로를 변명하기 어렵다.
   2. 어떤 일이 마음에 들지 않았다면 다음 주에는 다르게 해야겠다는 판단이 자연스럽게 생긴다.
   3. 아이에게 쓰는 일은 회사의 성과를 기록하는 기술이 아니라, 자신을 정직하게 평가하는 정신적 프레임워크다.

2. 다음 주를 바꾸는 회고

   1. 기록은 과거를 보존하는 동시에 다음 행동을 바꾸는 장치다.
   2. OpenAI의 초기 혼란, 연구의 실패, 제품의 선택, 가족과 회사 사이의 판단을 남기면 현재의 성공 뒤에 있던 실제 과정이 사라지지 않는다.
   3. 다시 꾸준히 기록할 방법을 찾는 일은 장기적으로 회사를 운영하는 사람에게 중요한 과제다.

주요 발언 모음

“우리는 NPC 회사가 아니다. 에이전트를 도입해야 한다. 그렇지 않으면 완전히 망한다.”

“2026년을 돌아보면 모든 사업이 쟁탈전에 열려 있던 해였다고 말하게 될 것이다.”

“기술이 있는 것보다 사람의 행동을 바꾸는 일이 훨씬 어렵다.”

“나는 이제 컴퓨터를 완전히 다른 방식으로 사용해야 한다는 것을 안다. 그런데도 오래된 방식이 생산성이라고 느껴진다.”

“AI는 사람을 미래에서 밀어내기 위한 것이 아니다. 사람은 이 모든 것의 목적이며, 깊이 통제권을 가져야 한다.”

“현실과 단절해서 안전 문제를 해결할 수는 없다. 무엇이 깨지는지 보면서 안전한 제품을 만들어야 한다.”

“우리는 모든 제품 카테고리를 직접 만들 필요가 없다. 사람들이 무엇이든 만들 수 있는 플랫폼을 제공해야 한다.”

“좋은 아이디어를 죽이고 위대한 아이디어를 선택하는 일은 모든 기업가가 배워야 하는 가장 어려운 교훈이다.”

“ChatGPT의 힘은 무엇이든 입력할 수 있고 올바른 일을 하는 Google 검색창 같은 텍스트 박스에 있다.”

“제품을 만들고 있지 않다면 팔고 있어야 한다.”

핵심 데이터 & 수치

• 2015년: OpenAI가 AGI를 목표로 시작했으며, 당시에는 DeepMind와 한두 곳을 제외하면 유사한 AGI 노력이 거의 없었다.
• 2005년: Sam Altman이 AI 연구실에서 일했지만 딥러닝이 작동하지 않는다는 당시의 잘못된 확신을 접했다.
• 2023년: GPT-4 이후 소프트웨어 사업이 즉시 재편될 것이라고 예상했지만 경제의 관성이 변화를 늦췄다.
• 4년 반: OpenAI 설립부터 첫 제품 출시까지 걸린 기간으로, 빠른 MVP를 강조하는 YC 조언과 정반대였다.
• 2016년 1월 초: Greg Brockman의 아파트에 11~12명이 모여 AGI 연구소의 첫날을 시작했고, 처음에는 화이트보드조차 없었다.
• 4년 미만: ChatGPT가 출시된 뒤의 기간 동안 주간 10억 명 규모의 사용과 실제 안전 피드백을 축적했다.
• 6~8개월: Toby Lu가 다른 CEO보다 AI 변화 곡선을 앞서 있다고 평가받은 간격이다.
• 35초: AppLovin이 자사 전체 화면 동영상 광고의 평균 시청 시간으로 제시한 수치다.
• 10억 명 이상: AppLovin이 모바일 게임 안에서 도달할 수 있다고 설명한 잠재 고객 수다.
• 1억 개의 기업·80억 명의 사람: OpenAI가 플랫폼을 사용하기를 바라는 장기적 규모다.
• 2018년 이후: David Senra가 독서 메모와 하이라이트를 축적해 개인 AI 지식 시스템에 연결한 시점이다.
• 약 8통: Sam Altman이 첫 아이에게 매주 편지를 쓰다 실제로 남긴 편지의 대략적인 수다.
• 25%·50%: AI 업계가 세계 파괴 확률과 단기 일자리 소멸을 말할 때 사용한 공포 중심의 예시 수치다.

결론 및 시사점

1. 가장 큰 기회는 모두가 따라가는 시장이 아니라, 아직 불가능해 보이지만 성공할 경우 가치가 압도적인 문제에서 나온다.
2. AI 연구에서는 비합의적 가설을 선택하고, 파워 로를 이해하며, 비표준적인 연구자에게 자원과 시간을 제공해야 한다.
3. 기술의 발전 속도와 사람의 채택 속도는 다르므로, 제품은 기존 습관을 비난하기보다 새 업무 방식을 자연스럽게 만드는 경험을 설계해야 한다.
4. 모델 지능만 키우는 것에서 나아가 사용자의 전체 맥락을 이해하고 능동적으로 조언하는 에이전트가 다음 제품 축이 된다.
5. OpenAI가 지향하는 플랫폼 모델은 직접 모든 시장을 점유하기보다 하나의 인터페이스와 API를 통해 수많은 새로운 사업을 가능하게 하는 방식이다.
6. Sora와 Atlas의 중단은 좋은 제품을 모두 보유하는 것보다 지식 노동과 과학을 위한 상류 지능에 집중하는 선택이 더 중요하다는 사례다.
7. 안전은 완성된 선언문이 아니라 실제 배포, 사용자의 피드백, 사고 보고, 투명한 사후 분석, 반복 개선으로 쌓이는 사회적 시스템이다.
8. AI 위험을 이유로 사람의 자율성과 권력을 소수에게 넘기는 거래는 번영을 제공하더라도 반인간적이다.
9. AI 업계는 공포를 말하는 만큼 사람의 자유, 소규모 창업, 과학적 발견, 새로운 사업 기회를 구체적으로 교육해야 한다.
10. YC의 핵심은 정답 목록이 아니라 사용자와 대화하고, 일찍 출시하고, 피드백을 받고, 높은 기준으로 채용하며, 실제로 만들고 파는 반복의 문화다.
11. 성공에서 얻은 작동 원칙은 실패에서 얻은 일반적 경고보다 다음 의사결정에 더 직접적으로 적용될 수 있다.
12. 장기적인 창업자는 자신의 기억이 사라지기 전에 연구의 혼란, 실패, 선택, 가족에게 느낀 책임까지 기록해야 한다.

메타데이터

• type: youtube-digest
• source: Tech Bridge
• video_id: -4lID6Ww0OA
• video_url: https://www.youtube.com/watch?v=-4lID6Ww0OA
• title_original: [한영자막] 샘 알트먼이 OpenAI를 만들고 불가능에 베팅한 이야기
• processed_date: 2026-08-25
• language: 한국어 번역·심층 정리
• category: ai-llm