지난 2년 동안 방식은 간단했습니다. ChatGPT에게 스타트업 아이디어를 묻고, 그것을 구축하러 가는 것이었죠. 2026년에는 이 방식이 조용히 작동을 멈췄으며, 이는 측정 가능한 수치입니다. 저는 2분기에 130개의 SaaS 카테고리를 조사했고, 그중 투자 가능하면서도 경쟁이 치열하지 않은 곳은 19개뿐이었습니다. 약 7개 중 1개 꼴입니다. 나머지는 포화 상태이거나, 죽었거나, 구매자가 아예 없는 분야였습니다. 이는 LLM이 여전히 매우 자신 있게 추천하는 바로 그 카테고리들입니다. 메커니즘과 데이터를 포함한 전체 글은 여기에서 확인할 수 있습니다.

ChatGPT는 2023년에서 2025년 사이에 대부분의 창업자들이 만난 최고의 아이디어 생성기였습니다. 하지만 ChatGPT가 설명하는 시장과 당신이 실제로 진입하는 시장이 분리되었습니다. 왜 이런 일이 발생했는지, 이를 증명하는 2분기 수치, 그리고 모델을 신뢰하는 대신 오늘 바로 실행할 수 있는 세 가지 점검 사항을 소개합니다.

1 · 모두가 동시에 하고 있는 피칭

지금 초기 단계 소프트웨어 분야에서 활동 중인 GP(General Partner) 중 아무나 골라 지난달에 대해 물어보십시오. 그들은 이름만 바뀐 똑같은 장면을 말해줄 것입니다.

한 창업자가 들어옵니다. 덱(Deck)은 깔끔하며, 거의 의심스러울 정도로 깔끔합니다. TAM(Total Addressable Market, 총 가용 시장)은 크지만 터무니없지는 않습니다. 고객의 고통(Pain point)은 Reddit 스레드에서 볼 법한 언어로 명시되어 있으며, 경쟁 상황은 "파편화되어 있고, 시장을 점유한 기존 업체(Incumbent)가 없다"고 설명합니다. 마지막 문장은 "이것은 현재 [수직 시장(Vertical)]에서 가장 자본이 부족한 기회입니다"라는 변형된 문구로 끝납니다. 덱은 훌륭합니다. 2022년의 중간값보다 더 낫습니다. 1년 차 어소시에이트(Associate)라면 이를 전달했을 것입니다.

GP는 고개를 끄덕이며 내용을 듣습니다. 그러다 창업자가 떠나면, GP는 덱을 바라보며 지난주에 똑같은 것을 보았는지 기억해내려 애씁니다. 때로는 정말 똑같은 것을 보기도 합니다. 똑같은 TAM 수치. 똑같은 마지막 문구. 똑같은 "기존 업체 없음"이라는 프레임워크. 때로는—그리고 이 부분은 아무도 입 밖으로 내고 싶어 하지 않는 부분인데—똑같은 세 문장이 똑같은 순서로 등장하기도 합니다.

이것이 바로 GPT 공동 창업자(GPT cofounder) 모델이 무너진 순간입니다.

지난 2년 동안, ChatGPT는 대부분의 창업자가 만난 최고의 스타트업 아이디어 생성기(startup-idea generator)였습니다. ChatGPT는 우리 중 누구보다 더 많은 것을 읽었고, 그 어떤 GP(General Partner)보다 더 많은 수직적 시장(verticals)을 알고 있었으며, 특정 분기에 수직적-X SaaS가 수평적-Y SaaS보다 더 타당한지에 대해 기꺼이 한 시간 동안 논리적으로 추론해 주곤 했습니다. 새로운 회의론자들은 이 부분을 계속 놓치고 있습니다. 즉, 그 답변들 중 상당수는 훌륭했다는 점입니다. 평균적인 엔젤 투자자의 커피 타임 대화보다는 확실히 나았고, Hacker News 스레드보다는 더 나았으며, 종종 창업자 자신의 직관보다도 더 나았습니다.

...우리는 그리 중요하지 않은 일들에 매달림으로써 스스로를 주의 분산시켰고, 우리가 올바른 방향으로 가고 있다고 스스로를 설득했습니다.

— Leo Liu, manuAI 창업자 · Substack, 2024-05-08

여기서의 논점은 LLM(Large Language Models)이 더 멍청해졌다는 것이 아닙니다. LLM이 묘사하는 세상과 창업자들이 뛰어드는 세상이 2025년에 서로 멀어지기 시작했다는 것이며, 그 격차는 이제 측정 가능할 정도로 벌어졌다는 것입니다. 동일한 덱(deck)을 피칭하는 창업자들은 멍청한 것이 아닙니다. 그들은 2023년에서 2025년 사이에 그 신뢰를 쌓아온 도구를 믿고 있는 것이며, 2025년 하반기부터 그 신뢰가 빠져나가기 시작했다는 사실을 아직 알아차리지 못한 것뿐입니다.

이 에세이를 다 읽을 때쯤이면, 여러분은 하나의 메커니즘(mechanism), 즉 우리가 실제로 보유한 소수의 수치들과 내일 아침 당장 실행할 세 가지 과제를 갖게 될 것입니다. 만약 여러분이 LLM이 유망하다고 말한 무언가를 구축하기 시작한 지 3주 차라면, 이 글을 전부 읽으십시오. 그렇지 않다면, 현재 그러고 있는 친구에게 이 글을 전달하십시오.

출처에 관한 참고 사항. 위의 도입부 장면은 의도적으로 전형적인 사례를 설정한 것입니다. 이는 특정 이름을 가진 피칭을 설명하는 것이 아니라, 활동 중인 GP나 액셀러레이터 파트너라면 누구나 알아챌 수 있는 패턴을 묘사합니다. Fluenta 데이터 파이프라인에서 얻은 구체적인 수치가 있는 곳에는 인용을 표기했습니다. 아직 수치가 없는 경우에는 그렇다고 명시했습니다. 이 논증의 무결성은 단일 사례의 드라마틱함보다 더 중요합니다.

핵심 요약 (Key takeaways)

• LLMs는 어텐션 코퍼스 (attention-corpus; 보도 자료, 펀딩 발표 등)를 통해 학습합니다. 이들은 머니 코퍼스 (money-corpus; Stripe 데이터, 리텐션, 실제 고통 등)를 볼 수 없습니다. 이 격차는 좁혀지는 것이 아니라 더 벌어지고 있습니다.
• 130개 SaaS 카테고리의 2026년 2분기 사분면 분석: 14.6%는 투자 가능하며 경쟁이 적음 (fundable-and-uncrowded) · 17%는 투자 가능하지만 경쟁이 치열함 (fundable-but-crowded) · 32%는 너무 늦음 (too-late) · 22%는 수요 없음 (no-demand) · 약 14%는 혼합됨 (mixed). 중앙값 포화도(Median saturation)는 57, 중앙값 투자 가능성(Median fundability)은 44입니다.
• 하이프(hype) 출처에 따른 6가지 실패 모드: Forbes-하이프, McKinsey-예측, 펀딩 주도형, VC-Twitter-하이프, 인플루언서 웨이브 과중, 보도 자료 전용. 각 모드는 실제 Fluenta X-Ray 사례와 매칭됩니다.
• 챗봇을 대체하는 6가지 신호: 검색 수요 (search demand), 사회적 고통 (social pain), 경쟁 밀도 (competition density), 머니 신호 (money signal), 펀딩 모멘텀 (funding momentum), 긴급성 트리거 (urgency triggers; 인재 흐름 / 채용 트렌드 / Layoffs.fyi 포함).
• 모든 창업자가 각각 2시간 미만으로 실행할 수 있는 3가지 행동: 6가지 신호를 기준으로 현재 아이디어 감사 (audit), LLM을 검증이 아닌 공격 용도로 사용, 4~6주 동안 신호를 지속적으로 추적.

2 · 이것이 구체적으로 왜 무너졌는가

2025년 4분기와 2026년 1분기 사이에 세 가지 힘이 수렴했습니다. 각각은 그 자체로 극적이지 않습니다. 하지만 이들이 결합하여 지난 18개월 동안 조용히 퇴보해 온 아이디어 검증 (idea-validation) 모델을 종결시켰습니다.

LLMs는 어텐션 코퍼스 (attention corpus; 보도 자료, 펀딩 발표, 트렌드 리스트)를 통해 학습합니다. 창업자들에게는 머니 코퍼스 (revenue corpus; Stripe 차트, 리텐션 곡선, 고객의 목소리)가 필요합니다. 2025년 이후 이 격차는 더 벌어졌으며, 이 에세이의 핵심 결론은 다음과 같습니다: 어텐션(관심)은 돈이 아닙니다.

첫째, 학습 데이터의 지연(training-data lag)이 더 이상 노이즈가 아니게 되었습니다. 모든 프론티어 LLM(Frontier LLM)에는 학습 데이터 차단 시점(training cutoff)이 존재합니다. 정확한 날짜는 매 출시마다 달라집니다. 2026년 중반 기준으로, 가장 공격적으로 업데이트되는 프론티어 모델들도 상업적 정보에 있어서는 실시간 시장보다 최소 4개월에서 1년 정도 뒤처져 있으며, 창업자 선택, 실제 구매 행동, 유지율 곡선(retention curves), 그리고 인덱싱된 텍스트에 포함되지 않는 실제 고객의 목소리와 같이 가장 중요한 정보들에 대해서는 그보다 더 오래 뒤처져 있습니다. 정확한 수치에 대해서는 논쟁의 여지가 있을 수 있습니다. 하지만 구조적인 핵심은 그 수치에 의존하지 않습니다. 오늘날 그 격차가 얼마이든 간에, 그 격차는 저절로 좁혀지지 않습니다.

낙관론자들의 주장, 즉 "차단 시점이 점점 최신화되고 있다. 2027년에는 지연이 3개월이 될 것이고, 2028년에는 1개월이 될 것이다. 문제가 해결되었다."라는 논리는 세 가지 층위의 이유로 틀렸습니다.

첫째, 학습 코퍼스(training corpus)가 안정화되는 속도가 모델 출시 속도보다 느립니다. 학습 데이터에 포함되는 시장에 관한 신뢰도 높고 인덱싱된 텍스트는 사건이 발생한 후 축적되기까지 6~18개월이 걸립니다. 2025년 9월에 변동이 생긴 SaaS 카테고리의 사후 분석(post-mortem) 보도는 빨라야 2026년 말에야 정리됩니다. 모델은 역사적 기록이 만들어지는 속도보다 더 빠르게 출시될 수 있습니다.

둘째, 빌드 타임(build-time)의 가속화가 차단 시점의 개선 속도보다 포화 주기(saturation cycle)를 더 빠르게 압축합니다. 과거에는 3년이었던 포화 곡선이 이제는 6개월 곡선이 되었습니다. 차단 시점이 매년 절반으로 줄어든다 하더라도, 포화 주기는 그보다 더 빠르게 절반으로 줄어들고 있습니다. 격차는 일정하게 유지되거나 오히려 더 벌어집니다. 이것은 모델이 구조적으로 패배하고 있는 경주입니다.

셋째, 그리고 이것이 가장 깊은 문제입니다. 완벽한 실시간 데이터가 있더라도, 모델은 잘못된 소스에 과도한 가중치를 두게 될 것입니다. 프런티어 모델 (Frontier model) 학습은 인덱싱된 텍스트 (indexed text)가 지배하고 있습니다. 인덱싱된 텍스트는 주의 (attention)를 끌기 위해 최적화된 콘텐츠가 지배하고 있습니다. 주의 최적화 텍스트는 클릭을 유도하는 것들, 즉 투자 유치 발표, "주시해야 할 트렌드" 목록, 출시 후 보도 자료, 자극적인 예측 등이 지배하고 있습니다. 주의 최적화 텍스트는 구조적으로 수익 최적화 텍스트 (money-optimized text)가 아닙니다. 어떤 분야는 5억 달러의 투자를 받았음에도 고객의 사랑을 전혀 받지 못할 수 있습니다. 언론은 투자 유치 소식을 다룰 것입니다. 하지만 고객의 사랑(혹은 그 부재)은 Reddit DM, 퇴사자 인터뷰, 제품 팀의 Slack 채널, Stripe 대시보드와 같은 곳에 존재하며, 이 중 그 어느 것도 실시간 스크래핑 (scraping)이나 RAG를 사용하더라도 학습 데이터에 포함되지 않습니다.

이러한 지연은 일시적인 엔지니어링 문제가 아닙니다. 이것은 구조적입니다. LLM이 공개되고, 인덱싱되었으며, 주의 최적화된 인터넷을 기반으로 학습하는 한, 무엇이 _구매되었는지_보다 무엇이 _발표되었는지_에 대한 체계적인 편향이 존재할 것입니다. "내년 모델은 이 문제를 해결할 것"이라는 회의론자의 희망은 "내년의 TechCrunch는 리텐션 (retention)이 훌륭한 기업들만 다룰 것"이라는 희망과 같습니다.

초창기에는 새로움이 우리를 이끌었지만, AI 피로감 (AI fatigue)이 닥치자 우위는 사라졌고 영상도 더 이상 효과가 없었습니다.

— Chals Arboleya, Vivra (Luca AI 코치) 공동 창업자 · Substack, 2025-10-29

두 번째 동인(Force two), 이제 격차는 수치화가 가능합니다. 이전 세대의 창업자들이 직관(gut)을 믿어야 했던 것과 달리, 2026년에는 수요의 모든 계층에 접근할 수 있는 API가 존재합니다: 검색 속도 (Google Trends, BrightData, DataForSEO), 소셜 페인 포인트(social pain) 빈도 (Reddit, X, Quora, HN 스크래퍼), 구매 의도 (DataForSEO 상업적 의도 분류기), 경쟁 밀도 (G2, Capterra, ProductHunt 벤더 수), 자금 흐름 + 내부 인재 흐름 (Crunchbase, PitchBook, LinkedIn 채용 트렌드, Layoffs.fyi), 실제 전환 (Stripe 공개 데이터, Clarity, AppSumo 라이프타임 딜 속도). 시장이 뜨겁다고 믿을 필요가 없습니다. 측정할 수 있기 때문입니다. 신호는 노이즈가 심하고 통합 과정은 번거롭지만, 노력을 기울인다면 진실은 바로 손에 닿는 곳에 있습니다. 2026년의 LLM 합의(consensus)는 이러한 신호들이 이미 보여주고 있는 현상에 대한 후행 지표(lagging proxy)가 되었으며, 종종 그 반대의 경우도 발생합니다.

세 번째 동인(Force three), 보도자료 학습 문제. LLM 학습 코퍼스(corpora)는 출판되고 인덱싱된 텍스트가 지배하고 있습니다. 출판되고 인덱싱된 텍스트는 _관심(attention)_을 끄는 것들이 지배합니다. 관심은 돈이 아닙니다. 인터넷의 경제 엔진은 참여(engagement)이며, 창업자의 경제 엔진은 반복 가능한 매출(repeatable revenue)입니다. 이 두 엔진은 항상 어긋나 있었지만, 저렴한 콘텐츠 생산은 이 둘을 격렬하게 분리시켰습니다.

자극적인 것이 지루한 것을 이깁니다. "이 400억 달러 규모의 버티컬 시장이 곧 폭발할 것이다"라는 문구는 "세 명의 창업자가 MRR 1.4만 달러에서 자신들의 AI 고객 서비스 도구를 조용히 폐기했다"라는 문구보다 천 배는 더 강력하게 인덱싱됩니다. 따라서 ChatGPT에게 무엇이 뜨거운지 물으면, 당신은 출판된 것들의 적분(integral)을 얻게 되며, 이는 관심을 생성한 것들의 적분이고, 다시 이는 자금을 조달받은 것들의 적분입니다. 보도자료는 무엇이 팔리고 있는지가 아니라, 무엇이 조달되었는지를 설명합니다. 스타트업 업계에서 가장 많이 학습된 두뇌가 매출(revenue) 코퍼스가 아닌 관심(attention) 코퍼스로 학습되었을 때, 그것이 영원히 신뢰할 수 있는 상태로 남을 수는 없었습니다. 2026년은 그 격차가 더 이상 학술적인 수준에 머물지 않게 된 해입니다.

3 · 하이프(hype)의 원천에 따른 6가지 실패 모드

그 메커니즘은 다섯 단계로 이루어집니다: LLM은 클릭을 유도하는, 이미 출판되고 인덱싱된 텍스트를 흡수합니다. 창업자들은 "지금 가장 뜨거운 SaaS 아이디어는 무엇인가요?"라고 프롬프트(prompt)를 입력합니다. 그러면 LLM은 코퍼스(corpus, 말뭉치) 내에서 가장 빈번하게 언급된 아이디어를 그대로 되풀이합니다. 가장 빈번하게 언급되는 것들은 대개 이미 포화 상태인 것들입니다. 포화 상태야말로 애초에 언론의 주목을 받는 원인이기 때문입니다. 결과적으로, 공급업체들이 이미 쌓여 있고, 구매자들은 이미 떠났으며, 창업자들은 피벗(pivoting)하고 있는 카테고리들을 확신에 찬 어조로 추천하게 됩니다.

기사들 또한 도움이 되지 않습니다. 창업자들이 "무엇이 뜨거운가"를 알기 위해 가장 신뢰하는 곳들, 즉 Forbes, McKinsey, YC 배치(batches), VC 트위터(Twitter), 펀딩 발표의 홍수(firehose)는 바로 LLM이 학습하는 곳이며, 편향(bias)이 발생하는 바로 그 지점입니다. 이를 구체화하기 위해, _하이프(hype)가 어디에서 왔는지_에 따라 분류한 6가지 실패 모드(failure-mode) 패턴을 소개합니다. 각 패턴은 Fluenta의 X-Ray 파이프라인이 점수를 매긴 실제 카테고리와 함께 보고서의 원문 그대로의 조사 결과가 쌍으로 제공됩니다. 카테고리는 공개되어 있으며, 카테고리별 점수는 증거를 원하는 누구라도 확인할 수 있도록 보고서 페이지에 게시되어 있습니다.

1. Forbes가 하이프를 만들었으나, 시장은 식어버린 경우. 출처 패턴: Forbes는 거의 매주 "주목해야 할 최고의 AI 도구" 및 "가장 빠르게 성장하는 AI 수직 시장(verticals)"에 대한 보도를 진행합니다. 리스트 형식은 항상 정리할 20개의 새로운 출시 제품이 있기 때문에 효과적으로 작동하지만, 동일한 형식이 그 수치 자체가 경고 신호라는 사실을 은폐합니다. Fluenta 파이프라인의 실제 카테고리: AI 에이전트 마켓플레이스(AI Agent Marketplaces). X-Ray 조사 결과: "1,300개 이상의 AI 에이전트로 인한 시장 파편화는 통합 가능하고, 확장 가능하며, 맞춤 설정이 가능하고, 규정을 준수하는 AI 에이전트 마켓플레이스에 대한 결정적인 공백을 드러낸다." 이 카테고리가 뜨거워 보이는 이유는 정확히 그것이 넘쳐나고 있기 때문입니다. 언론은 출시된 에이전트의 수를 세지, 구매된 에이전트의 수를 세지 않습니다. 신규 진입자들은 정착된 표준도, 승리하는 인터페이스도, 명확한 과금 모델도 없이 오직 시끄러운 공급만 존재하는 1,300개 층의 깊은 경쟁에 직면하게 됩니다.