[인공지능 기술] 25년 전 닷컴버블 때도 똑같았다: Nature가 경고하는 AI 논문과 살아남는 1% 연구자
(00:00~01:29) 연구자의 고민은 ‘AI를 써도 되나?’가 아니다
AI를 어디까지 사용할지가 아니라, 앞으로 연구자의 경쟁력이 어디에서 결정될 것인가가 핵심 질문이다.
현재 학계는 연구 평가 기준과 연구자의 역할 자체가 AI로 인해 재편되는 과도기에 있다.
(01:29~05:16) 닷컴버블 시기의 인터넷 혁명과 AI 혁명의 공통점
1990년대 후반에도 전자저널은 편리했지만 쉽게 신뢰받지 못했다.
처음에는 “사용 여부”가 논쟁이었지만 시간이 지나면서 “책임을 누가 질 것인가”가 중요한 기준으로 바뀌었다.
AI 역시 같은 과정을 거치며 사용보다 검증 책임이 중요해지고 있다.
(05:16~06:41) Nature와 NeurIPS가 요구하는 AI 활용 원칙
AI는 연구를 보조할 수 있지만 연구의 판단과 책임은 연구자에게 있다.
AI가 생성한 결과는 반드시 사람이 검증하고, AI 사용 사실을 투명하게 공개해야 한다.
앞으로 연구자는 AI를 얼마나 썼는지가 아니라 AI 결과를 얼마나 검증했는가로 평가될 가능성이 높다.
(06:41~09:35) AI 활용 능력은 곧 기본기가 된다
인터넷 사용법이 특별한 기술이 아니게 된 것처럼 AI 활용법도 빠르게 평준화된다.
프롬프트 기술이나 AI 사용법 자체는 경쟁력이 오래 지속되지 않는다.
희소해지는 능력은 AI 결과를 의심하고 검증하는 사고력이다.
(09:35~12:45) 연구 주제 자체가 AI 중심으로 이동한다
인터넷 등장 후 문헌정보학에서는 ‘웹 계량학(Webometrics)’이 몇 년 만에 핵심 연구 분야가 되었다.
AI 시대에도 기존 연구를 반복하는 것이 아니라,
AI 때문에 새롭게 가능해진 연구 질문
AI를 활용해야만 검증 가능한 문제
를 찾는 연구자가 경쟁력을 갖는다.
(12:45~14:56) 논문 양보다 질문의 질이 중요해진다
AI는 논문 작성 자체를 매우 쉽게 만든다.
따라서 단순히 논문 편수가 많다는 사실의 가치가 점점 낮아질 가능성이 크다.
앞으로는 새로운 연구 질문을 발견하는 능력이 가장 희귀한 역량이 된다.
(14:56~16:21) 새로운 디지털 격차는 AI 인프라에서 발생한다
인터넷 시대에는 회선 속도가 경쟁력이었다.
AI 시대에는 GPU, AI 장비, 데이터, 연구 환경이 새로운 경쟁력이 된다.
격차는 사라지는 것이 아니라 형태만 바뀌어 다시 나타난다.
(16:21~17:49) 연구실 선택 기준도 달라진다
학교 이름이나 논문 수보다
자신의 질문을 검증할 데이터
AI 활용 환경
협업 가능한 연구실
을 갖춘 곳이 더 중요해진다.
(17:49~19:12) AI 시대 연구자의 핵심 역량
AI는 정보를 평준화했고 이제는 답 생성도 평준화하고 있다.
앞으로 가장 중요한 능력은
무엇을 질문할 것인가
어떤 답을 믿을 것인가
어떤 근거로 검증할 것인가
를 판단하는 능력이다.
연구자는 AI를 많이 사용하는 사람이 아니라 질문을 선택하고 결과에 책임질 수 있는 사람이 되어야 한다.
핵심 메시지 5가지
AI 활용 능력은 경쟁력이 아니라 곧 기본기가 된다.
연구자의 경쟁력은 AI가 만든 답을 검증하는 능력에서 나온다.
논문 수보다 ‘새로운 연구 질문’을 만드는 능력이 더 중요해진다.
AI는 연구를 대신하는 것이 아니라 연구 병목을 다른 곳으로 이동시킨다.
AI 시대 최고의 연구자는 답을 가장 많이 만드는 사람이 아니라, 가장 중요한 질문을 선택하는 사람이다.
Glasp 관련 인사이트
Glasp의 AI 협업 관련 자료에서도 비슷한 결론을 제시한다. AI를 단순한 자동화 도구가 아니라 맥락을 제공하고 함께 사고하는 협업자로 활용해야 하며, 작업 속도가 빨라지는 것과 실제 학습·이해가 깊어지는 것은 다른 문제라고 강조한다. 따라서 AI가 만든 결과를 비판적으로 검토하고 자신의 판단 근거를 축적하는 과정이 장기적인 경쟁력이 된다.
[인공지능 기술] [AX 현주소 ①] AI 열풍 3년째…‘AI 혁신’은 AX로 이어졌나 / AI 도입 가속에도 AX는 정체…기초 DX·데이터·인프라가 관건
[AX 현주소 ①] AI 열풍 3년째…‘AI 혁신’은 AX로 이어졌나
양승갑 기자
승인 2026.02.23 17:55
AI 도입 가속에도 AX는 정체…기초 DX·데이터·인프라가 관건
[사진=구글 제미나이 생성]
[아이티데일리] 2022년 말 등장한 챗GPT는 인공지능(AI)의 활용 방식을 근본적으로 바꿔놓았다. 이에 따라 AI는 더 이상 일부 기업의 연구 실험실에서 시험되던 기술이 아니라 누구나 일상적으로 사용하는 도구로 빠르게 자리 잡았다. 문서 작성과 고객 응대를 넘어 이제는 의사결정 과정과 운영 전략 수립에도 AI가 활용되는 단계에 이르렀다.
그렇다면 기업이 진정한 의미의 AX를 실현하려면 무엇이 달라져야 할까. 기술 도입을 넘어 데이터 체계와 인프라, 조직 운영 방식까지 재구성하는 전환은 어떻게 가능할까. AX를 이루기 위한 과제와 조건, 그리고 이를 뒷받침하기 위한 관련 업계의 움직임을 짚어본다.
AI 도입 늘었지만…전사적 AX는 ‘제자리 걸음’
‘AI 전환(AX, AI Transformation)’은 단순히 AI를 도입하는 수준을 넘어 이를 중심에 두고 조직의 운영 체계를 재설계하겠다는 움직임을 일컫는다. AX는 기존의 ‘디지털 전환(DX, Digital Transformation)’과도 결이 다르다. DX가 업무 프로세스를 시스템화하고 효율화하는 데 초점을 맞췄다면 AX는 판단과 실행의 구조 자체를 AI 기반으로 재편하는 데 방점이 찍혀 있다.
이런 움직임 속에 산업 전반의 AI 도입 사례도 빠르게 늘고 있다. 제조업은 설비 이상 탐지와 품질 검사 자동화, 생산 스케줄 최적화 등 공정 단계에 AI를 접목하고 있으며 금융권은 대출 심사 고도화와 이상 거래 탐지, 내부 문서 자동화 등 업무 효율 개선에 무게를 두고 있다. 유통·물류 기업 역시 수요 예측 모델과 재고 관리 시스템, 배송 경로 최적화 알고리즘 등을 도입하며 운영 효율을 끌어올리는 방향으로 AI 활용 범위를 넓히고 있다.
다만 이러한 확산이 곧바로 전사 차원의 AX로 이어지고 있는 것은 아니라는 평가도 나온다. 상당수 기업이 AI를 특정 기능이나 부서 단위에 접목하는 데 그치고 있다는 의견이다.
일례로 보스턴컨설팅그룹(BCG)이 2024년 발표한 조사에 따르면 전 세계 기업의 78%가 최소 한 가지 이상의 비즈니스 기능에 AI를 도입했다고 응답했다. 다만 AI를 통해 ‘상당한 비즈니스 가치’를 창출했다고 답한 기업은 4%에 불과했다. 또 다른 분석에서는 AI 도입 기업의 74%가 가치 창출과 이를 조직 전반으로 확장하는 과정에서 어려움을 겪고 있다고 밝혔다.
맥킨지가 2025년 공개한 보고서에서도 AI를 실험 단계를 넘어 전사적으로 확장했다고 응답한 기업은 20%대 초반 수준에 머물렀다. AI 도입 자체는 빠르게 늘고 있지만, 이를 기업 전반의 AX로 연결하는 과정에는 여전히 높은 장벽이 존재한다는 의미다.
그렇다면 이러한 간극은 어디에서 비롯되는 것일까. 핵심은 AX가 단순한 기술 도입의 문제가 아니라 기업의 운영 구조 전반을 재구성하는 과제라는 데 있다. 특정 업무에 AI를 적용해 성과를 내는 것과 조직의 의사결정·권한·책임 체계를 AI 중심으로 재설계하는 일은 차원이 다른 문제다.
예컨대 생성형 AI를 고객센터에 도입해 상담 응답 시간을 단축하고 반복 문의를 자동 처리하는 것은 분명 의미 있는 AI 활용 사례다. 제조 현장에서 불량 검출에 AI를 적용하는 경우도 마찬가지다. 사람이 육안에 의존하던 공정을 자동화함으로써 검사 속도를 높이고 미세 결함을 조기에 발견해 불량률을 낮출 수 있기 때문이다.
다만 데이터 수집과 정제, 모델 학습과 배포, 성능 모니터링과 재학습으로 이어지는 전 주기 체계를 설계하는 일은 다르다. 이보다 더 나아가 그 결과를 실제 의사결정과 업무 프로세스에 반영하도록 재조정해야 한다는 점에서 이는 단순한 시스템 도입을 넘어선다.
제조 현장에서의 AI는 기술검증 단계에 머문 채 확산하지 못하는 사례가 반복되고 있다. 자동화 설비가 가동 중인 스마트 공장 내부를 AI로 생성한 이미지.
“AX 이전의 숙제…기초적인 DX부터 안돼”
이 지점에서 확인해야 할 것이 기업의 준비 수준이다. 업계에 따르면 상당수 기업은 AX에 앞서 선행돼야 할 DX조차 완전히 마무리하지 못한 상태에 머물러 있다. 데이터가 부서별로 분절됐고 통합과 표준화가 충분히 이뤄지지 않아 “데이터는 많은데 정작 활용 가능한 데이터는 없다”는 상황도 적지 않다.
여기에 모델 학습을 추진하려 해도 고품질 데이터가 부족하고 사전 학습이나 파인튜닝을 수행할 인프라와 운영 환경 역시 충분히 갖춰지지 않은 경우가 많다는 지적이 따른다. 결국 성과를 가로막는 요인은 개별 기술의 한계라기보다 이를 지탱할 체계와 기반의 문제라는 분석으로 이어진다.
이 같은 한계는 제조업 비중이 높은 국내 산업 구조에서 더욱 선명하게 드러난다. 공장 환경은 일반적인 IT 인프라와 달리 폐쇄망으로 운영되는 경우가 많고 설비마다 데이터 포맷도 제각각이다. 시계열 데이터와 이미지, 로그 데이터가 뒤섞여 축적됐지만, 이를 학습에 곧바로 활용할 수 있도록 정제·표준화한 체계는 충분히 갖춰지지 않은 경우가 적지 않다.
이러한 환경은 모델의 현장 적용 과정에서 한계로 이어진다. 연구실 환경에서 99%의 정확도를 기록한 모델이라도, 실제 공정에 배포되면 조명 변화나 설비 진동, 원자재 편차와 같은 변수에 직면해 성능이 저하되는 사례가 발생한다. 많은 기업이 기술검증(PoC) 단계에서는 의미 있는 결과를 확인하면서도, 이를 생산라인 전반으로 확장하지 못하는 배경에는 이 같은 간극이 자리하고 있다.
이와 함께 AI를 도입하기만 하면 곧바로 성과로 이어질 것이라는 인식 역시 제약 요인으로 작용한다. 그러나 실제 현장에서는 도메인 전문가와 AI 인력이 긴밀히 협업하며 모델을 지속적으로 개선하는 운영 체계가 전제돼야 한다.
이와 관련해 한국인공지능·소프트웨어산업협회(KOSA) 안홍준 본부장은 “전반적으로 아직 넘어야할 산이 많지만 가장 많이 하는 이야기는 ‘기초적인 DX조차 완전히 이뤄지지 않았다’는 점”이라며 “AX는 데이터가 충분히 디지털화됐고 체계적으로 축적·관리되는 환경이 전제돼야 가능한데, 그 준비가 안 된 기업들이 적지 않다. 데이터가 정리돼 있지 않으니 AX를 하고 싶어도 출발점부터 막히는 경우가 많다”고 말했다.
그러면서 “같은 맥락으로 수요 기업 입장에서는 AI 전문기업이 들어와 프로젝트를 수행하길 기대하지만 현장에서는 확보할 수 있는 데이터가 제한적이거나 활용 가능한 형태로 정제되지 않은 경우가 많다”며 “그러다 보니 민간 차원에서 사전 학습을 통해 성능을 충분히 끌어올릴 기회도 부족하다. 이런 한계가 AX 확산을 더디게 만드는 요인이라고 본다”고 덧붙였다.
뤼튼AX 박민준 대표는 “AI 전환은 교육·컨설팅·구축이 유기적으로 맞물려야 완성된다”며 “전환의 필요성은 알고 있지만 이후 무엇을 어떻게 실행할지 모르는 기업이 많은 경우가 많다. 실제 현장에서 AI로 발생하는 경제적 효용을 체감하는 체계까지 설계해야 한다”고 설명했다.
그렇다면 이처럼 복잡하고 대규모 비용을 필요로 하는 AX를 기업들은 왜 시도하는 것일까. 역설적으로 그 배경에는 AI 확산으로 한층 가속화된 경쟁 환경이 자리하고 있다. 기업들이 설계·생산·고객 대응 전반에 AI를 접목해 속도와 정확도를 끌어올리면서 기존 방식에 머문 기업과의 격차가 점차 벌어지는 상황이다.
이러한 환경에서는 단순히 AI 솔루션 몇 개를 도입하는 수준으로는 경쟁력을 유지하기 어렵다. 데이터가 실시간으로 축적되고 분석 결과가 다시 생산과 서비스 전략에 반영되는 선순환 구조를 갖춘 기업만이 변화의 속도를 따라갈 수 있기 때문이다. 결국 AX는 개별 AI 기술을 얼마나 많이 도입했는지가 아니라 AI를 중심으로 얼마나 빠르게 학습하고 진화하는 조직 체계를 갖췄는지에 달려 있다.
올바른 AX 하려면…데이터 체계·GPU 인프라·실행 조직 등 갖춰야
이 같은 맥락에서 관련 업계는 ‘올바른 AX’를 위해 몇 가지 조건이 전제돼야 한다고 입을 모은다. 우선 데이터의 표준화와 거버넌스 정립이 선행돼야 하며, 모델 역시 일회성 개발로 끝나는 것이 아니라 반복 학습과 개선이 가능한 운영 체계로 관리돼야 한다는 것이다. 동시에 성능을 지속적으로 측정·관리할 수 있는 구조를 마련하고, AI의 결과가 실제 권한과 책임 체계에 반영되도록 조직 설계를 병행해야 한다는 요구도 따른다.
베슬AI 안재만 대표는 AX를 “전사적 AX는 기업이 자체적으로 AI 모델을 학습·운영할 수 있는 인프라와 체계를 갖추고 이를 통해 조직 전체가 AI를 반복적·지속적으로 활용할 수 있는 구조를 만드는 것”이라며 “비유하자면 AI 도입이 ‘좋은 엔진 하나를 사는 것’이라면 AX는 ‘그 엔진을 직접 만들고 개선할 수 있는 공장 자체를 보유하는 것’에 가깝다”고 밝혔다. 이어 “결국 AX의 핵심은 AI가 일회성 프로젝트가 아니라 기업 고유의 데이터와 도메인 지식을 반영한 모델을 자체적으로 개발·운영할 수 있는 역량을 갖추는 것”이라고 덧붙였다.
슈퍼브에이아이 관계자는 AX를 “기술 도입이 아닌 프로세스의 재정의”라고 설명했다. 이 관계자는 “기존의 AI 도입이 특정 공정의 불량을 잡아내거나 특정 데이터를 분류하는 도구로서의 활용에 그쳤다면, AX는 AI를 통해 데이터가 흐르는 전체 파이프라인을 구축하고 이를 기반으로 의사결정 체계와 비즈니스 모델 자체를 지속 가능한 구조로 바꾸는 것을 의미한다”고 말했다.
마키나락스 관계자는 제조 환경에서의 AX를 강조하기도 했다. 해당 관계자는 “AX는 개별 AI 모델을 도입하는 수준을 넘어 기업의 생산 방식과 의사결정 구조 자체를 AI 중심으로 재설계하는 과정”이라며 “많은 기업이 여전히 AX를 ‘정확도가 높은 모델 하나를 도입하는 것’으로 이해하지만 제조 현장에서의 AX는 전혀 다른 차원의 문제다”고 설명했다. 그러면서 “제조 AX의 본질은 모델 성능이 아니라 현장에서 끝까지 작동하는 운영 체계, 즉 데이터-모델-설비-의사결정을 하나의 흐름으로 연결하는 AI 운영 구조를 만드는 것에 있다”고 덧붙였다.
“AI 부업으로 돈 번다는 말, 거짓말입니다” 자동화 ‘딸깍’ 믿다간 망하는 진짜 이유 (f. 이시한 성신여자대학교 교수)
(00:05~03:30) AI 시대 최고의 경쟁력은 ‘의지’이다.
AI가 갖지 못하는 가장 중요한 능력은 끝까지 해내려는 의지라고 설명한다.
무명 아이돌 ‘리센느(RESCENE)’의 꾸준한 라이브 방송 사례를 들며, AI는 기준에 따라 포기하지만 사람은 결과가 없어도 계속 도전할 수 있다는 점이 인간의 경쟁력이라고 강조한다.
(04:05~06:57) “AI 딸깍으로 돈 번다”는 말은 절반은 거짓이다.
AI 자동화만으로 지속적인 수익을 얻는다는 주장은 현실과 다르다고 지적한다.
정말 쉽게 돈이 된다면 그 방법을 팔지 않을 것이며, 현재는 유튜브 등 플랫폼 알고리즘도 AI 양산형 콘텐츠를 적극적으로 제한하고 있다고 설명한다.
반면 AI를 편집·자막·반복 업무 보조 도구로 활용하여 생산성을 높이는 것은 충분히 효과적이라고 말한다.
(06:57~09:20) AI 시대에는 ‘많이 만드는 것’보다 ‘큐레이션’이 가치가 된다.
AI 덕분에 콘텐츠 생산량은 폭증했지만 소비자의 관심은 늘지 않았다.
따라서 단순 생성보다 좋은 정보를 선별하고, 비교하고, 추천하는 큐레이션 능력이 더 중요한 경쟁력이 된다고 설명한다.
AI는 제작 도구이지, 무엇을 만들지 결정하는 것은 결국 사람이다.
(09:20~11:50) AI는 돈 버는 기계가 아니라 ‘사업 감각 증폭기’이다.
AI에게 처음부터 모든 것을 맡기는 것이 아니라,
아이디어를 검토하고,
수정하고,
질문을 반복하며 함께 발전시키는 방식이 중요하다.
AI는 사용자의 감각을 몇 배로 증폭시킬 수 있지만, 원래 감각이 0이면 결과도 0이라는 점을 강조한다.
(11:50~14:58) 인간다움은 AI가 못하는 일을 찾는 것이 아니다.
“AI가 못하는 것”으로 인간을 정의하면 AI 발전과 함께 그 영역은 계속 줄어든다.
앞으로 인간의 역할은
좋은 질문 만들기,
판단 기준 세우기,
책임지는 일
로 이동한다고 설명한다.
AI 시대 핵심 역량으로 3A를 제시한다.
Alliance(사람과 연결하기)
Asking(질문과 방향 설정)
Accountability(책임)
(14:58~17:04) 앞으로는 AI를 쓰는 사람이 아니라 ‘AI를 잘 쓰는 사람’이 경쟁력을 가진다.
인터넷 검색이 이제는 기본 역량이 된 것처럼 AI 사용 자체는 누구나 하게 된다.
차이는 AI와 공동지능(Co-Intelligence)을 형성하여 더 나은 결과를 만드는 사람에게 생긴다고 전망한다.
(15:41~17:45) AI 시대 가장 우려하는 미래는 ‘각자도생’이다.
AI와만 대화하고 동료와 협업하지 않는 문화가 이미 나타나고 있다고 설명한다.
연구에서도 AI 활용이 늘수록 팀워크와 협업이 약해지는 현상이 보고되고 있으며,
AI가 사람 사이의 연결을 끊는 방향이 아니라 협력을 강화하는 방향으로 발전하기를 바란다고 말한다.
(17:45~20:20) 기술·인문·비즈니스는 이제 하나로 연결된다.
저자는 기술, 인문학, 비즈니스를 함께 연구하는 이유를 설명한다.
새로운 기술이 등장하면
사람의 행동이 바뀌고,
사회가 변하며,
새로운 경제적 기회가 생긴다.
따라서 AI를 이해하려면 기술만이 아니라 인간과 시장을 함께 이해하는 관점이 필요하다고 강조하며 인터뷰를 마무리한다.
핵심 메시지
AI는 자동으로 돈을 벌어주는 기계가 아니다.
AI를 잘 활용하는 사람은 자신의 판단력·사업 감각·창의성을 AI로 증폭시키는 사람이다.
앞으로의 경쟁력은 질문하는 능력, 큐레이션, 책임감, 사람과의 협업에서 나온다.
AI 시대에도 가장 중요한 자산은 의지와 실행력이다.
추가로, Glasp에서 최근 공유된 AI 관련 인사이트 중 이 영상과 가장 맞닿는 내용은 AI는 단순히 업무를 자동화하는 것이 아니라 인간의 학습과 의사결정을 증폭시키는 방향에서 가장 큰 가치를 만든다는 점이다. 이는 영상에서 말한 “AI는 사업 감각을 증폭하는 장치”라는 주장과도 일맥상통한다
(00:01–00:48) AI로 영상이나 블로그를 자동 생성해 월 1,000만~3,000만 원을 번다는 콘텐츠가 넘쳐나지만, 화자는 이런 성공 사례만 보고 누구나 쉽게 돈을 벌 수 있다는 주장은 현실과 거리가 멀다고 말한다.
(00:48–02:22) 직접 AI로 뮤직비디오 스타일의 유튜브 영상을 제작해 업로드한 결과를 공개한다. 약 노출 2,200회, 클릭률 2.6%, 조회수 72회에 그쳤으며, 이것이 대부분 초보 크리에이터가 처음 마주하는 현실이라고 설명한다.
(02:22–03:57) 유튜브 추천 시스템은 초반 시청자 반응(클릭률·시청 지속시간)이 좋지 않으면 노출을 확대하지 않는다. 기존 구독자와 팬층이 있는 유명 크리에이터와 신규 채널은 출발선 자체가 다르며, 성공한 AI 크리에이터도 수많은 시행착오와 실험을 거쳤을 가능성이 높다고 강조한다.
(03:57–05:38) AI의 발전으로 콘텐츠 제작 진입장벽은 낮아졌지만, 누구나 같은 AI를 사용하기 때문에 차별화는 오히려 어려워졌다. 블로그도 마찬가지로 AI가 글을 써준다고 자동으로 수익이 생기지는 않는다.
(04:51–05:38) 실제 블로그 운영 사례를 공개한다. 월간 방문자 2,254명까지 성장했지만 광고 수익은 약 250원 수준이었다. 조회수만으로는 수익이 발생하지 않으며 광고 클릭률이 매우 중요하다는 현실을 보여준다.
(05:38–06:17) 유튜브와 블로그는 작은 사업을 운영하는 것과 비슷하다고 비유한다. 유명 프랜차이즈와 신생 식당의 차이처럼, 좋은 콘텐츠라도 사람들이 존재를 모르면 성과를 내기 어렵다고 설명한다.
(06:17–07:51) 조회수가 낮다고 콘텐츠의 질이 반드시 나쁜 것은 아니다. 썸네일, 제목, 주제, 편집 방식 등을 지속적으로 개선하며 사람들이 클릭할 이유를 만들어가는 과정이 필요하다고 말한다.
(07:02–08:42) AI로 쉽게 돈을 번다는 환상을 버리고 직접 작은 규모라도 시작해 보는 것이 중요하다고 조언한다. 대부분은 오랫동안 낮은 조회수와 거의 없는 수익을 견디며 경험을 쌓아야 하며, 비싼 강의를 먼저 구매하기보다 직접 실행과 실패를 통해 자신만의 방법을 찾는 것이 현실적인 접근이라고 결론짓는다.
핵심 메시지
AI는 생산성을 높이는 도구이지 자동 수익을 보장하는 기계가 아니다.
유튜브·블로그의 성공은 AI 활용보다 주제 선정, 차별성, 지속적인 개선, 알고리즘 이해, 꾸준한 실행이 더 큰 영향을 미친다.
인터넷에서 보이는 성공 사례는 대부분 결과만 보여주는 생존자 편향(Survivorship Bias)일 가능성이 있으며, 보이지 않는 실패와 반복 실험이 뒤에 존재한다.
현실적인 기대를 가지고 작은 프로젝트부터 검증해 나가는 것이 장기적으로 성공 가능성을 높인다.
