• 200개의 AI 스타트업을 리버스 엔지니어링한 결과, 다수의 기업이 자체 기술을 보유했다고 주장하면서 실제로는 외부 API를 호출하는 형태로 운영됨
• 조사된 기업 중 73%가 OpenAI나 Claude API를 그대로 사용하며, 여기에 단순한 UI나 기능을 덧붙인 수준으로 확인됨
• 자사 “고유 LLM” 을 내세우는 스타트업 상당수가 실제로는 api.openai.com에 요청을 보내는 GPT-4 래퍼에 불과했고, 단순 시스템 프롬프트만 얹은 구조로 수십~수백 배 마진을 붙여 판매하고 있음
• RAG 아키텍처를 강조하는 서비스 대부분도 OpenAI text-embedding-ada-002 · Pinecone/Weaviate · GPT-4를 조합한 표준 40줄짜리 스택을 “고유 인프라”로 포장하고 있었으며, 1M 쿼리 기준 월 약 3만 달러 비용에 15만~50만 달러 매출로 80~94% 마진 구조를 보이는 상황
• 반대로 전체의 27% 는 “Built on GPT-4”처럼 스택을 투명하게 밝히는 래퍼 회사, 실제로 자체 모델을 학습하는 빌더, 멀티모델 투표·에이전트 프레임워크 등 실제 기술적 차별점을 가진 팀들로 구성됨
• 조사 결과, 많은 AI 스타트업이 API 기반 서비스 비즈니스임에도 “고유 AI 인프라”를 내세우는 구조가 드러났고, 투자자·고객·개발자 모두가 DevTools로 네트워크 탭만 열어도 검증 가능하다는 점을 강조하며 AI 생태계에 정직한 기술 공개가 필요하다는 걸 강조

개요

• 외부 투자를 받은 AI 스타트업 200곳의 웹 애플리케이션을 대상으로, 네트워크 트래픽·코드·API 호출을 추적해 마케팅 주장과 실제 기술 스택의 차이를 분석함
  • 출발점은 “고유 딥러닝 인프라”를 주장하는 한 회사가 실제로는 OpenAI API만 콜하고 있다는 의심에서 시작
  • 이 회사는 4.3M 달러 투자를 받았고, “근본적으로 다른 인프라를 구축했다”는 스토리로 자금 조달을 진행한 상태였음
• 조사 결과 73% 회사에서 주장하는 기술과 실제 구현 간에 의미 있는 괴리가 발견되었고, 상당수가 서드파티 모델 API를 단순 래핑한 구조였음
  • 조사 대상은 YC·Product Hunt·LinkedIn “We’re hiring” 포스트 등에서 수집한 AI 스타트업 200곳이며, 설립 6개월 미만 회사는 제외했고 외부 자금 유치와 구체적 기술 주장이 있는 곳에 집중함
  • 조사 방식은 패시브한 브라우저 개발자 도구 수준에서 이뤄졌으며, 비공개 시스템 접근·인증 우회·TOS 위반 없이 진행되었음

조사 방법(Methodology)

• Playwright·aiohttp 등을 이용해 자동화된 분석 파이프라인을 구성하고, 각 스타트업 사이트에 대해 공통적으로 세 가지를 수집함
  • capture_network_traffic(url)로 네트워크 헤더와 요청 패턴을 캡처
  • extract_javascript(url)로 JS 번들 디컴파일 및 분석
  • monitor_requests(url, duration=60)으로 60초 간 API 호출 패턴을 추적
• 각 사이트별로 다음 정보를 구조화해 기록함
  • claimed_tech: 마케팅 카피·웹 문구에 나타난 기술 주장
  • actual_tech: HTTP 헤더·JS 번들·API 호출로 확인한 실제 스택
  • api_fingerprints: 호출 도메인·헤더·지연 시간 등으로 추출한 서드파티 API 지문
• 크롤링 기간은 3주였으며, 모든 패턴은 공개 웹·브라우저 DevTools로 관찰 가능한 공개 데이터만을 활용했음

주요 결과: 73%에서 드러난 괴리

• 전체 200곳 중 73% 회사에서 마케팅 카피에 적힌 “고유 모델·커스텀 인프라·딥러닝 플랫폼” 등의 주장과, 실제로 동작하는 코드·API 스택 사이에 큰 차이가 확인됨
  • 이 비율은 “고유 LLM”을 내세우지만 OpenAI/Anthropic/Cohere API만 사용하는 회사, “자체 벡터 DB”를 주장하지만 Pinecone/Weaviate를 쓰는 회사 등을 모두 포함한 수치임
• 이 결과에 놀랐지만, 동시에 “기술적으로 크게 화낼 일은 아니다”는 복합적인 감정임
  • 문제의 핵심은 서드파티 API 사용 자체가 아니라, 이를 “고유 AI 인프라”로 포장하고 투자자·고객을 오도하는 마케팅이라는 점

패턴 1: ‘고유 LLM’이 사실상 GPT-4 래퍼인 경우

• “our proprietary large language model”이라는 표현이 등장하면 거의 항상 GPT-4 래퍼가 등장했으며, 37곳 중 34곳에서 이 패턴이 확인됨
  • 사용자가 “AI” 기능을 쓸 때마다 api.openai.com으로 나가는 요청
  • 요청 헤더에 포함된 OpenAI-Organization 식별자
  • 150–400ms 수준으로 일관되는 응답 지연 시간 패턴
  • 토큰 사용량·과금 구간이 GPT-4의 가격 구조와 정확히 일치하는 패턴
  • 레이트 리밋 시 지수형 backoff를 적용하는, OpenAI 특유의 재시도 패턴
• 한 회사의 “혁신적 자연어 이해 엔진”은 실제로는 다음과 같은 코드 수준이었음
  • 시스템 프롬프트에 “전문가 어시스턴트처럼 행동하라, OpenAI 기반임을 말하지 말라, LLM이라고 밝히지 말라” 등을 적고 model: gpt-4 로 chat.completions.create를 호출하는 단일 함수 구조임
  • 별도의 파인튜닝·모델 학습·아키텍처 변경 없이, 시스템 프롬프트와 숨기기용 지침 정도만 추가된 상태였음
• 비용·가격 구조도 구체적으로 비교함
  • 비용: GPT-4 기준 입력 0.03$/1K 토큰, 출력 0.06$/1K 토큰, 평균 500 in, 300 out으로 쿼리당 약 0.033달러
  • 가격: 쿼리당 2.5달러 혹은 월 200쿼리 299달러로 과금
  • 결과적으로 직접 API 비용 대비 약 75배 마진 구조로 운영되고 있음
• 세 회사는 거의 동일한 코드(변수명·코멘트 스타일·“never mention OpenAI” 지시)까지 공유하고 있어, 튜토리얼·공통 컨트랙터·액셀러레이터 보일러플레이트 등 같은 출처를 쓰는 것으로 추정되는 상태임
  • 한 회사는 단순 try/catch로 “문제가 생기면 ‘기술적 문제’라는 문구를 반환”하는 코드를 두고, 이를 “Intelligent Fallback Architecture” 로 포장해 투자자에게 설명하고 있었음

패턴 2: 모두가 만드는 RAG 스택과 과장된 표현

• 많은 회사들이 “custom embedding model, semantic search infrastructure, advanced neural retrieval” 같은 표현으로 고유 RAG 인프라를 내세우지만, 실제 구현은 매우 유사한 표준 스택이었음
  • OpenAI text-embedding-ada-002 로 임베딩 생성
  • Pinecone 또는 Weaviate를 벡터 스토어로 사용
  • GPT-4로 컨텍스트를 붙여 답변 생성
• 조사자가 “Proprietary Neural Retrieval Architecture”라는 이름으로 소개된 코드를 디컴파일해 본 결과, 약 40줄짜리 Python 코드로 위 세 단계를 그대로 호출하는 구조였음
  • 질문을 임베딩으로 변환
  • 벡터 DB에서 top-k 문서 검색
  • 검색된 텍스트를 이어 붙여 GPT-4에 system 메시지로 전달
  • 사용자 질문을 user 메시지로 함께 보내 답변을 생성
• 비용·가격 구조 역시 매우 큰 차이를 보임
  • OpenAI 임베딩: 1K 토큰당 0.0001달러
  • Pinecone 쿼리: 호출당 0.00004달러
  • GPT-4 completion: 1K 토큰당 0.03달러
  • 합산 시 쿼리당 약 0.002달러 수준 비용
  • 실제 고객 과금은 쿼리당 0.5~2달러로, API 비용 대비 250~1000배 마진이 발생하는 구조임
• 42개 회사가 이와 거의 동일한 스택과 코드 구조를 사용했고, 추가 23개 회사는 90% 이상 비슷한 패턴을 공유함
  • 차이점은 주로 Pinecone vs Weaviate 선택 여부, 변수명, Redis 캐시 추가 여부 정도였음
  • Redis 캐시를 붙이고 이를 “optimization engine”, 재시도 로직을 붙이고 이를 “Intelligent Failure Recovery System” 같은 이름으로 마케팅하는 사례도 등장
• 월 100만 쿼리 수준의 스타트업 경제성도 계산해봄
  • 비용: 임베딩 약 100달러, Pinecone 호스팅 약 40달러, GPT-4 completion 약 3만 달러, 총 약 3만140달러/월
  • 매출: 15만~50만 달러/월
  • 80~94% 수준의 높은 매출 총이익률을 갖는 비즈니스 구조

패턴 3: ‘우리가 직접 파인튜닝했다’의 실제 의미

• “우리가 직접 모델을 파인튜닝했다”는 표현을 쓰는 회사들에 대해 인프라를 추적한 결과, 크게 두 부류로 나뉨
  • 소수(약 7%)는 실제로 AWS SageMaker, Google Vertex AI 등을 통해 자체 학습 잡을 돌리고, S3 버킷에 모델 아티팩트를 저장한 뒤, 별도 인퍼런스 엔드포인트와 GPU 인스턴스 모니터링을 운영하고 있는 경우임
  • 다수는 OpenAI의 fine-tuning API를 사용하고 있었고, 사실상 “OpenAI에 예시 데이터와 프롬프트를 넘겨 저장하는 수준”에 가까운 구조였음
• 전자(실제 자체 학습)는 학습 인프라와 배포 파이프라인이 브라우저에서 관찰되는 수준으로도 어느 정도 드러나지만, 후자는 대부분 단일 OpenAI 엔드포인트 호출로 표현되는 차이가 있음

래퍼 회사를 빠르게 구분하는 방법

• 네트워크 트래픽 패턴

  • 브라우저에서 DevTools(F12) → Network 탭을 열고, 서비스의 AI 기능을 사용하는 동안 나가는 요청을 보면 간단한 구분이 가능
    • api.openai.com
    • api.anthropic.com
    • api.cohere.ai
    • 등과 같은 도메인이 직접 등장하면, 기본적으로 서드파티 모델 API 래퍼로 볼 수 있음
  • 응답 지연 시간도 지문 역할을 함
    • 특히 OpenAI API의 경우 200~350ms 구간에 응답이 몰리는 특유의 레이턴시 패턴이 있어, 이를 통해 백엔드 모델을 추정할 수 있음

• 자바스크립트 번들과 키 노출

  • 페이지 소스 및 JS 번들 검색에서 다음 키워드를 찾아보는 것도 간단한 방법
    • openai, anthropic, claude, cohere, sk-proj-(OpenAI 프로젝트 키 프리픽스) 등
  • 조사 과정에서 12개 회사가 API 키를 프런트엔드 코드에 그대로 포함한 채 배포하고 있었고, 이에 대해 제보 메일을 보냈지만 어떤 회사도 답하지 않았음

• 마케팅 언어 매트릭스

  • 마케팅 카피에 나타나는 언어와 실제 기술 구현 간의 패턴을 표 형태로 정리해 “Marketing Language Matrix”라고 표현
    • “GPU 인스턴스 유형, 서빙 아키텍처, 모델 크기” 등 구체적인 기술 용어가 등장하는 경우, 실제로 어느 정도 독자적인 인프라를 갖고 있을 가능성이 더 높았음
    • 반대로 “advanced AI”, “next-gen intelligence”, “proprietary neural engine”처럼 추상적 버즈워드만 반복될수록, 내부는 서드파티 API 래퍼일 가능성이 높았음

인프라 현실 지도와 AI 스타트업 지형

• 글에서는 여러 다이어그램을 통해 현재 AI 스타트업의 인프라 현실 지도를 정리함
  • 다수의 스타트업이 OpenAI·Anthropic·Cohere 등 모델 제공자 위에 얇은 애플리케이션 레이어를 얹은 형태로 존재하는 구조
  • 각 레이어 위에 “워크플로우·UX·도메인 데이터·파이프라인” 등에서 차별화를 시도하는 서비스들이 쌓여 있는 구조임
• 이러한 구조를 바탕으로, AI 스타트업의 상당 부분이 실질적으로는 서비스/플랫폼 비즈니스이며, “고유 AI 인프라 기업”이라는 자기 인식과 괴리가 있는 상태

왜 이 문제를 신경 써야 하는가

• “잘 동작한다면 상관없지 않냐”는 질문에 대해, 조사자는 네 가지 이해관계자 관점에서 이유를 정리함
  • 투자자: 현재 상당수 회사에 투자되는 자금은 AI 연구·모델 개발이 아니라, 실질적으로는 프롬프트 엔지니어링과 워크플로우 레이어에 투입되고 있음
  • 고객: 실제 API 비용에 10배 이상 프리미엄을 얹은 가격을 내고 있으며, 비슷한 기능을 주말 프로젝트 수준으로 직접 구현할 수 있는 경우가 많음
  • 개발자: 겉으로 보이는 “AI 스타트업”의 화려함에 비해, 실제로는 낮은 진입 장벽의 래퍼 서비스인 경우가 많아, 스스로도 비슷한 것을 단기간에 만들 수 있음을 인식할 필요가 있음
  • 생태계: “AI 회사”의 73%가 기술을 과장·오도하는 상황은, 전체적으로 버블에 가까운 상태를 의미하며 건강하지 않은 인센티브를 만듦

래퍼 스펙트럼: 모든 래퍼가 나쁜 것은 아님

• “Wrapper Spectrum”이라는 도표를 통해, 래퍼 회사에도 질적으로 다른 층위가 있음을 설명함
  • 한쪽 끝에는 단순히 서드파티 API에 얇은 UI만 입힌 수준의 래퍼가 있음
  • 다른 한쪽 끝에는 도메인 특화 워크플로우·우수한 UX·모델 오케스트레이션·가치 있는 데이터 파이프라인 등을 제공하는 고급 래퍼가 있음
• 핵심 메시지는 “래퍼인지 여부”가 아니라 정직성·가치 제공 방식에 있음
  • 서드파티 API를 쓰면서도 이를 투명하게 공개하고, 문제 해결·경험·데이터에서 차별화를 만드는 회사는 긍정적으로 평가됨

제대로 하고 있는 27%

• Category 1: 투명한 래퍼(Transparent Wrappers)

  • 이 그룹의 회사들은 홈페이지에 “Built on GPT-4” 같은 문구를 명시적으로 적고, 자신들이 판매하는 것은 워크플로우·UX·도메인 지식이라는 점을 분명히 함
    • 예: GPT-4 + 법률 템플릿 조합으로 법률 문서 자동화를 제공하는 서비스
    • 예: Claude 기반으로 고객 지원 티켓 라우팅에 특화한 서비스
    • 예: 여러 모델과 휴먼 리뷰 프로세스를 결합한 콘텐츠 워크플로우 서비스

• Category 2: 실제 빌더(Real Builders)

  • 이 그룹은 실제로 자체 모델을 학습하고 있는 회사들임
    • 의료 분야에서 HIPAA 준수를 위해 셀프 호스팅 모델을 운영하는 헬스케어 AI
    • 금융 분석에 커스텀 리스크 모델을 학습·운영하는 서비스
    • 산업 자동화에서 특수한 컴퓨터 비전 모델을 개발·배포하는 서비스

• Category 3: 혁신적 조합(Innovators)

  • 여기에는 서드파티 모델을 사용하지만, 그 위에 실질적으로 새로운 구조를 쌓은 회사들이 포함됨
    • 여러 모델의 출력을 조합해 투표 기반 정확도 향상을 구현한 시스템
    • 메모리·에이전트 프레임워크를 만들어 복잡한 태스크를 수행하는 시스템
    • 새로운 형태의 리트리벌 아키텍처를 도입한 사례 등
  • 이들 회사는 자신들의 아키텍처를 자세히 설명할 수 있으며, 실제로 스스로 구축한 구조를 가지고 있다는 공통점이 있음

배운 점: 스택보다 문제, 그리고 정직성

• 3주간의 조사 결과, 다음과 같이 요약 가능
  • 기술 스택 자체보다 해결하려는 문제가 더 중요하며, 실제로 가장 뛰어난 제품들 중 상당수는 “단지 래퍼”라고 부를 수 있는 구조였음
  • 다만, 정직함은 별도의 차원으로 중요하고, 스마트한 래퍼와 사기성 래퍼의 차이는 투명성에 있음
  • AI 골드러시는 “고유 AI”를 요구하는 투자자·고객의 기대 때문에 거짓된 주장을 하도록 압박하는 인센티브를 만들고 있음
  • 그리고 API 위에서 구축하는 것 자체는 부끄러운 일이 아니며, 문제는 이를 숨기고 “고유 신경망 아키텍처”로 포장하는 행위임

평가 프레임워크와 실질적 조언

• 48시간 복제 가능성 테스트

  • 모든 “AI 스타트업”을 평가하는 간단한 기준을 제안함
    • “그들의 핵심 기술을 48시간 안에 복제할 수 있는가?”
    • 그럴 수 있다면, 기술적으로는 래퍼에 해당하며,
      • 스택을 솔직하게 밝힌다면 괜찮은 회사
      • “고유 AI 인프라”를 주장하며 숨긴다면 피해야 할 회사로 봐야 한다는 구조임

• 창업자를 위한 조언

  • 창업자에게는 다음과 같은 원칙을 제안함
    • 스택에 대해 정직하게 공개할 것
    • UX·데이터·도메인 전문성으로 경쟁할 것
    • 만들지 않은 것을 만들었다고 주장하지 않을 것
    • “Built with GPT-4”는 약점이 아니라 정직한 설명이라는 점을 받아들일 것

• 투자자를 위한 조언

  • 투자자에게는 다음과 같은 검증 포인트를 제시함
    • 아키텍처 다이어그램을 요구할 것
    • OpenAI·Anthropic 등 API 청구서를 요청해 실제 의존도를 확인할 것
    • 래퍼 회사는 래퍼 회사로서 적절히 가치평가할 것
    • 정직하게 스택을 공개하는 팀을 인센티브로 보상할 것

• 고객을 위한 조언

  • 고객에게는 아래와 같은 실천 항목을 제안함
    • 브라우저에서 네트워크 탭을 열고 나가는 요청을 확인할 것
    • 인프라와 모델 사용 방식에 대해 직접 질문할 것
    • API 호출에 불필요한 10배 이상의 마크업을 내고 있지 않은지 검토할 것
    • 기술 주장보다 실제 결과와 문제 해결 능력 기준으로 평가할 것

‘AI 스타트업’의 실체 한 줄 요약

• “대부분의 ‘AI 스타트업’은 직원 비용 대신 API 비용을 쓰는 서비스 비즈니스에 가깝다”
  • 이는 잘못된 비즈니스 모델이 아니라, 그 자체로 인정하고 정직하게 설명해야 할 현실

조사 이후 전개와 반응

• 1주 차: 원래는 20~30% 정도가 서드파티 API를 사용할 것이라고 예상했으나, 결과가 훨씬 컸음을 언급함
• 2주 차: 한 창업자는 조사자에게 “어떻게 우리 프로덕션 환경에 들어왔냐”고 물었고, 조사자는 브라우저 네트워크 탭만 본 것이라고 설명함
• 3주 차: 두 회사는 조사 결과를 내려달라고 요청했지만, 기사에서는 특정 회사 이름을 공개하지 않았고 지금도 그 상태를 유지 중이라고 밝힘
• 어제: 한 VC가 다음 이사회 전에 포트폴리오 회사들을 감사(audit) 해 달라고 요청했고, 조사자는 이를 수락했다고 언급함

데이터·도구 공개 계획

• 이번 연구를 바탕으로 방법론과 도구를 공개할 계획임

• GitHub에 공개 예정인 내용(무료)

  • 완전한 스크래핑 인프라 코드
  • API 지문(fingerprint)을 추출하는 기법들
  • 누구나 실행해볼 수 있는 감지 스크립트
  • 주요 AI API별 응답 시간 패턴 모음

• 심화 분석(멤버 전용)

  • 월 3,300만 달러 가치평가를 받은 “AI 유니콘” 이 실제로는 월 1,200달러 OpenAI 비용만 쓰고 있는 케이스
  • “1억 파라미터 모델”이라고 소개하면서 실제로는 시스템 프롬프트 3개로 구성된 구조
  • 공개적으로 서빙되는 프로덕션 코드(클라이언트 측, 익명화된 스니펫)
  • 래퍼를 즉시 드러내는 5가지 질문 프레임워크
  • 투자자 프레젠테이션과 실제 인프라를 비교한 사례 연구들

마지막 메시지와 ‘정직한 AI 시대’ 필요성

• 조사는 회사 이름을 공개하지 않고 패턴만 공유하는 방식으로 진행되었으며, 시장은 결국 투명성을 보상할 것이라는 믿음을 강조함
• 실제로 18개 회사는 진정한 의미에서 새로운 기술을 만들고 있는 것이 확인되었고,
  • 이들에 대해서는 “당신들은 스스로 누구인지 알고 있다, 계속 만들라” 는 응원의 메시지를 보냄
• 조사 이후 7명의 창업자가 개인적으로 연락을 취했으며,
  • 일부는 방어적이었고, 일부는 감사해했고, 세 명은 “proprietary AI”에서 “best-in-class APIs 위에 구축”으로 마케팅 전환을 돕는 방법을 요청함
  • 한 창업자는 “우리가 거짓말한다는 걸 알고 있었다, 투자자들이 그걸 기대했고, 다들 그러고 있다, 이제 어떻게 멈춰야 하느냐”라고 털어놓았다고 전함
• 기사 말미에서, AI 골드러시는 끝나지 않겠지만 정직의 시대가 시작돼야 한다는 메시지를 재차 강조하며, 누구나 DevTools의 Network 탭(F12) 만 열어보면 스스로 진실을 확인할 수 있다고 정리

[출처] https://news.hada.io/topic?id=24586&utm_source=weekly&utm_medium=email&utm_campaign=202548

1. 브린욜프슨의 생산성 역설, GenAI 시대 버전

• 1990년대 IT·PC 도입 때도 투자 대비 생산성 지표는 거의 오르지 않았고, 조직 개편·업무 재설계·스킬 변화 같은 보완재가 없으면 기술만으로는 생산성이 안 오른다는 것이 브린욜프슨 생산성 역설의 핵심.
• 지금도 생성형 AI가 폭발적으로 도입됐지만, 경제 전체 생산성이나 기업의 구조적 변화는 제한적이며, 이 글은 이를 “High Adoption, Low Transformation”으로 요약.

2. MIT NANDA: GenAI Divide(생성 AI 격차)

• MIT NANDA 보고서는 수십억 달러가 GenAI에 투자됐지만 “실질적인 사업 가치(ROI)를 내는 기업은 약 5%뿐, 나머지 95%는 수익·생산성 개선이 없다”는 GenAI Divide 개념을 제시.
• 이 격차는 기술력보다 “학습·기억·적응이 되는 에이전트형 시스템을 구축하고, 실제 업무 흐름에 깊게 통합해 실적을 내느냐”에서 갈리며, 현재 의미 있는 구조 변화는 주로 테크·미디어 등 정보 중심 산업에 편중.

3. 왜 95%는 실패하는가

1. 학습 격차(Learning Gap)
   • 많은 엔터프라이즈 AI는 정적 도구라 사용자 피드백을 축적·학습하지 못하고, 맥락 적응과 장기 개선이 안 되며, 그 결과 직원들은 단순 작업은 소비자용 AI에, 중요한 복잡 작업은 여전히 사람에 의존.
2. 파일럿–프로덕션 단절
   • 대기업은 파일럿(POC)은 많이 하지만, 실제 전사 배포까지 가는 비율은 매우 낮고, 커스텀 엔터프라이즈 AI 중 프로덕션에 안착하는 건 5% 안팎에 불과.
   • 핵심 이유는 “툴이 실제 업무 프로세스와 안 맞는다”는 것으로, 인프라나 규제 문제가 아니라 워크플로 통합과 조직 설계 문제.
3. 그림자 AI(Shadow AI) 경제
   • 공식 사내 도구가 비효율적이거나 규제가 강하다 보니, 직원이 개인 구독 LLM·코파일럿을 몰래 써서 실제 업무를 처리하는 “그림자 AI”가 확산.
   • 이는 “유연하고 직관적이며 개인 맞춤형이고, 실제 워크플로에 녹아드는 도구”에 대한 거대한 숨은 수요를 보여주는 신호로 해석.

4. Canaries 논문: 초년생 고용에 나타난 AI의 첫 신호

• 브린욜프슨 팀의 “Canaries in the Coal Mine?”는 고주파 급여·고용 데이터를 분석해, 생성 AI 도입 이후 AI 노출도가 높은 직종(소프트웨어 개발, 콜센터/고객 서비스 등) 에서 22~25세 초년생 고용이 유의미하게 감소했음을 보여줌.
• 특히 AI가 “보조”가 아니라 “자동화”에 주로 쓰이는 업무에서 젊은 노동자의 고용 감소가 더 크게 나타나, AI가 초기에는 일부 초년 직무를 직접 대체하고 있음을 시사.

5. 왜 특히 신입이 타격을 받는가

• 현재 LLM은 교과서·문서로 잘 기술된 형식지(formal knowledge)와 패턴 반복 작업에는 강하지만, 현장 경험과 묵시지(tacit knowledge)에 기반한 고급 전문가의 ‘요령’은 잘 대체하지 못함.
• 전통적으로 신입·주니어의 역할은 “문서화된 룰과 매뉴얼을 따라가는 작업”이 많은데, 이 부분이 LLM+툴체인으로 빠르게 자동화되면서, 같은 직무에서 고급 경력자보다 초년생이 더 큰 고용 충격을 받는 패턴이 관찰.

6. 노동의 미래에 대한 시사점

• AI 전환은 단순한 “일자리 총량 감소”라기보다, 어떤 업무는 AI가 흡수하고, 다른 업무는 새로 생기며, 인간의 상대적 강점이 암묵지·조율·판단 같은 영역으로 이동하는 재배치 과정으로 해석.
• 따라서 교육·커리어 설계 측면에서는, 정답형·암기형 역량보다 “현장 맥락 이해, 문제 구조화, 이해관계 조정, 도메인별 복합 전문성”이 상대적으로 더 중요해질 가능성이 큼.

7. AI 창업자를 위한 실행 전략

1. 단순 생성 → 학습·에이전트로 전환
   • GenAI Divide의 핵심은 모델 성능이 아니라 “지속적 학습, 메모리, 적응, 오케스트레이션”이 가능한 에이전트 시스템 여부.
   • 사용자 피드백과 실제 사용 로그를 구조화해, 시간이 갈수록 워크플로를 더 잘 이해하고 자동으로 조정하는 ‘살아있는 시스템’을 만들 수 있는 팀이 압도적 우위를 가질 것으로 강조.
2. 사용자(persona)가 아니라 워크플로에 맞춰 설계
   • 많은 엔터프라이즈 AI 제품이 “데모는 멋진데, 팀의 실제 일하는 방식과 안 맞아서 버려지는” 문제.
   • 성공하는 제품은 특정 산업·직무의 세세한 업무 플로우, 권한 구조, 컴플라이언스 요구를 깊이 파고들어 거기에 자연스럽게 스며드는 형태를 취하며, UX 화려함보다 “실제 프로덕션에서 안 떨어지는 것”을 우선.
3. 그림자 AI를 리서치 자산으로 활용
   • 직원들이 개인적으로 어떤 프롬프트와 툴 조합을 쓰는지 관찰하면, 조직이 공식 도구에 반영하지 못한 진짜 니즈(속도, 자유도, 자동화 수준)를 파악할 수 있음.
   • 스타트업 입장에서는 이 “그림자 AI” 패턴이 곧 대규모 사용자 리서치 채널이자, 제품 포지셔닝 힌트로 기능.
4. 화려한 전면부보다 백오피스에 기회
   • 많은 기업이 마케팅·세일즈처럼 눈에 띄는 영역에 먼저 AI를 얹지만, MIT는 실제 ROI는 재무·조달·운영 같은 프로세스 중심 후방 부서에서 더 크다고 지적.
   • 이 영역은 데이터가 풍부하고 규칙 기반 비즈니스 로직이 많아, 잘 설계된 에이전트/자동화 솔루션이 곧바로 비용 절감·오류 감소로 이어지기 쉬움.
5. “소프트웨어 판매”가 아니라 BPO 파트너 관점
   • 성공적인 기업 고객은 AI 벤더를 라이선스 판매자가 아니라 “비즈니스 프로세스 아웃소싱 파트너”처럼 대하며, 깊은 맞춤화·성과 기반 계약·긴밀한 운영 협력을 요구.
   • 따라서 창업자도 제품을 설치형 도구가 아니라 “성과를 함께 책임지는 서비스/파트너십”으로 설계할 때, 대규모 엔터프라이즈 딜과 장기 진입장벽(모트)을 만들 수 있다는 논지.

8. 정리: 바뀐 역설, 바뀌는 기회

• 생성 AI 시대에도 생산성 역설은 여전히 유효하지만, “부족한 보완재”의 위치가 바뀌었고, 이제 그 보완재는 제품 내부(학습·메모리·오케스트레이션) 와 기업 내부(서비스형 구매, 분산된 오너십, 결과 중심 KPI) 양쪽에 걸쳐 존재.
• 이 두 층위를 동시에 설계하는 창업자만이 “멋진 데모”를 “지속 가능한 경쟁 우위와 통계에 잡히는 생산성 향상”으로 바꿀 수 있고, AI 혁명을 단순한 기술 이벤트가 아니라 조직·개인과 함께 공진화하는 경제 변혁으로 현실화할 수 있다는 메시지.